Analiza wydajności i optymalizacja przetwarzania chmur punktów w bazach danych przestrzennych

Abstract

Niniejsza praca rozwija tematykę składowania oraz przetwarzania danych przestrzennych wraz z ich optymalizacją. Głównym celem było wskazanie najefektywniejszego systemu do zarządzania bazami danych, który w najszybszy sposób przetwarza i analizuje dane w formie chmury punktów, a następnie wybór metod optymalizacji. Spośród kilku baz danych (relacyjnych i nierelacyjnych) skupiono się na relacyjnej bazie PostgreSQL. Powodem tego wyboru była szeroka gama dedykowanych narzędzi wspierających pracę z danymi w postaci chmury punktów oraz wydajność bazy w przeprowadzonych testach. Eksperymentalne sprawdzenie bazy nierelacyjnej dowiodło, że zachowuje się ona wydajnie przy niewielu typach dokumentów. Dodatkowo na szybkość wykonywania zapytań miał wpływ rodzaj dysku, gdzie technologia SDD pokazała wyższość nad standardowym dyskiem HDD.

This research work compares four popular systems for relational database management system (DBMS) and one non-relational database in to order to select the most effective one (in the context of cloud storage points from LiDAR). The topic focused on the optimization of relational database PostgreSQL. The reason for this choice was the wide range of tools offered as an extension to support action on a cloud of points. After researches the most optimal choice proved to be is PostgreSQL. Checking the non-relational database MongoDB found, that it behaves efficiently with a small number of documents. In addition, impact on the speed of query execution was disc. SSD technology in some researches obtained much faster times of answers than a standard HDD disk.