               Veri Yoğun Bilgi Sistemleri İçin
               Melez Bir Veri Mimarisi Önerisi

    Murat Osman Ünalır, Emrah İnan, Burak Yönyül, Emre Olca, Fatmana
    Şentürk, Vahab Mostafapour, Petek Yıldız, Dilek Yılmazer, Devrim İşli

                Bilgisayar Mühendisliği Bölümü, Ege Üniversitesi,
                           35100 Bornova, İzmir, Türkiye
          {murat.osman.unalir,emrah.inan,fatmana.senturk}@ege.edu.tr
{burakyonyul,devrimisli,dilekylmzr,emreatlier,petekyildiz,v.mostafapour}@gmail.com


       Özet. Bulut bilişim teknolojileriyle birlikte bilgi sistemlerinde işlenen
       veri hacmi artmaktadır. Veri hacminin artmasının yanında, veriye hızlı
       erişim en önemli gereksinimdir. İlişkisel veri modeli kullanımının yanında
       ilişkisel olmayan veri modellerinin de kullanımı önemli boyutlara ulaşmış-
       tır. Bu çalışmada veri yoğun bilgi sistemleri için melez bir veri mimarisi
       önerisinde bulunulmaktadır. Öncelikle büyük veri kapsamında farklı veri
       modellerinin temel özellikleri tartışılmaktadır. Örnek bir bilgi sisteminin
       gereksinimleri doğrultusunda farklı veri modellerine duyulan gereksinim-
       ler vurgulanmaktadır. İlgili bilgi sistemini temel alan bir durum çalışması
       metamodel mimarisine uygun olarak ontolojik bir yapıda tasarlanmıştır.
       Melez veri mimarisini meydana getiren farklı veri modellerinin anahtar-
       değer veri modeline dönüştürülebilirliği gösterilmiştir. Bilgi sisteminin
       ilgili veri servislerinin temel özellikleri farklı teknolojiler kapsamında
       sunulmuştur.


1    Giriş
    Bulut bilişim istenilen yerden bilgisayar ağları, sunucuları, depolama, uygu-
lama gibi bilişim kaynaklarına servisler aracılığıyla erişimine olanak tanır [1].
Bu kaynakları kullanmak için yönetim ve servis etkileşimi maliyetlerini en aza
indirmeyi hedefler [2]. Böylece altyapı, esneklik ve kaynakların kullanılabilirliği
gibi sorunlarla uğraşılmadığından ve sonuç olarak ana işe odaklanılmakta işlenen
verinin hacmi de artmaktadır. Ancak bu durum verinin yönetilmesini zorlaştırır.
Büyük veri, ilişkisel veri modeli yaklaşımıyla ölçeklenemeyen verinin verimli
bir şekilde depolanmasına, yönetilmesine ve işlenmesine olanak tanır [3]. Bulut
bilişim, büyük verinin hesaplama ve işleme süreçlerine imkan sunmakla birlikte
servis modeli olarak da hizmet eder.
     Büyük verinin hacim, hız ve çeşitlilik olmak üzere 3 karakteristik özelliği
vardır [4], [5]. Hacim, çok büyük miktarlardaki veriye, hız ise verinin kaynaklar
arası aktarılma süratine karşılık gelmektedir. Çeşitlilik, farklı biçimde ve kay-
naktaki verilerin toplanmasıyla ilgilenmektedir.
     Farklı veri modellerinin bir bilgi sisteminde bir arada kullanılabilmesi için
melez bir veri mimarisine gereksinim duyulmaktadır. Not only SQL (NoSql)


                                             744
olarak adlandırılan ilişkisel olmayan veri modelleri bir veri mimarisinin çözümün-
de sadece ilişkisel veri modelinin kullanılamayacağını ifade etmektedir [6]. NoSql
veri modelleri anahtar-değer, çizge, doküman ve sütun veritabanı olmak üzere
4 alt kategoriye ayrılır. Anahtar-değer veritabanı okuma ve yazma işlemlerini
hızlandırır. Çizge veritabanı düğümlerin bağlar aracılığıyla kolay bir şekilde
dolaşılmasını sağlar. Doküman veritabanı farklı biçimlerdeki veri kaynaklarının
daha esnek işletilmesine olanak tanır. Sütun veritabanı ilişkili sütunların bir
sütun ailesinde toplanmasıyla uygulamalara geniş kapsamlı sorgu ve veri çözüm-
lemeleri yapabilme yeteneğini sunar.
     Çok çeşitli kalıcılık (Polyglot persistence) [7], ihtiyaç duyulan melez yaklaşı-
mı tanımlamak için kullanılır. Ancak buradaki her veri yönetim modeli ayrı birer
yönetimsel karmaşıklığa sahiptir. Saklanan veri arttıkça performans kayıpları
oluşmakta ve oluşan bu kayıpların giderilmesi de birbirinden farklılık gösterebilmektedir.
Buna göre tasarlanan mimarinin gereksinimine uygun veri mo-delinin seçilmesi
önem kazanmaktadır [8]. Bu çalışma kapsamında, Öğrenci Bilgi Sistemi (ÖBS)
için farklı veri modellerini barındıran melez bir veri mimarisi önerilmektedir.
ÖBS; öğretim üyeleri, öğrenciler ve derslere ilişkin bilgilerin saklandığı bir sis-
temdir. Öğretim üyelerinin verdiği dersler, öğrencilerin kayıtlandığı dersler, derse
ait sınav sonuçları, öğrenci ve öğretim üyelerinin özgeçmişleri yer almaktadır.
     Bu çalışmanın ikinci bölümünde büyük veri yönetimi için veri modelleri
tanıtılmıştır. Üçüncü bölümünde ise bu veri modelleri üzerinde ÖBS ile ilgili
durum çalışması yapılmıştır. Son olarak önerilen melez veri modelinin getirileri
tartışılmış ve ileriki çalışmalar anlatılmıştır.


2    Büyük Veri Yönetimi için Veri Modelleri

      Veri yönetimi için ilişkisel veritabanı sistemleri F. Codd [9] tarafından öne
sürüldükten sonra zamanla geliştirilmiş ve böylece verilerin tutulması, saklan-
ması ve işlenmesinde büyük kolaylıklar sağlanmıştır. Ancak zamanla sistem-
leri kullanan kişi sayısı ve buna paralel olarak saklanan veri boyutu artmaya
başlamıştır. Farklı kullanıcılar aynı tabloya eş zamanlı olarak erişmek istediğinde,
işlemlerin öncelik sırasına göre bitmesi beklenmektedir. Özellikle işlem hacminin
yoğun olduğu sistemler üzerinde uzun süreli beklemeler olabilmekte, bu da sis-
temin kullanıcılara cevap veremez duruma gelmesine ve performans kayıplarına
sebep olmaktadır. Büyük hacimli verilerin merkezi sunucularda depolanması ve
geleneksel veri analiz yöntemleri ile analiz edilmesinin verimsiz ve pahalı olduğu
kanıtlanmıştır [10]. İlişkisel veritabanlarında yapılan iyilileştirmeler veri boyutu
uyarlanabilirlik gereksinimini ve performans ihtiyacını karşılayamamaktadır. Bu
sebeple yatayda veya dikeyde veri boyutu uyarlanabilir bir veri saklama yapısına
ihtiyaç duyulmuştur. Bu kapsamda farklı amaçlara göre özelleşmiş veritabanı
çözümleri geliştirilmiştir. 2003 yılında ilk veri boyutu uyarlanabilir veritabanı or-
taya çıkmış ve sonraki yıllarda da farklı amaçlar için yeni veritabanları geliştiril-
meye devam etmiştir [6] .
     Karmaşıklık ve boyuta göre veritabanları incelendiğinde ilişkisel veritabanı
diğerlerine göre kolay çözüm sunmasına rağmen veri boyutu uyarlanabilir değil-


                                           745
dir [11]. Diğer veritabanlarında ise veri boyutu arttıkça daha zor çözüm üretilmektedir.
Hem karmaşıklık hem de veri boyutu uyarlanabilirlik kısıtlarını sağlamak amacıyla
farklı veri modelleri içeren sistemlerde büyük veri destekleyen veri-tabanlarından
birkaçının kullanılması gerekmektedir. Bu durum birden fazla veri deposunun
işlenmesi nedeniyle veri yönetim sorunlarına neden olmaktadır. Karşılaşılan veri
modelleme sorununa çözüm olarak farklı veri modellerinin tek bir veri depolama
altyapısına dönüştürülmesi önerilmiştir.
      Bu yaklaşım, verinin esnek olarak modellenmesine olanak sağlamaktadır [12].
Ancak verilerin hangi veri modeline uygun olduğunun belirlenmesi önemlidir. En
az karmaşıklığa ve en uyarlanabilir veri boyutuna sahip veritabanı olması ne-
deniyle diğerlerinin anahtar-değer veritabanına dönüştürülmesi daha az maliyet-
lidir. Bu şekilde, farklı veritabanlarında yer alan verileri ortak bir veritabanına
dönüştürerek farklı veri modellerini destekleyen bir veri modeli mimarisi öne-
rilmiştir. Birden çok veri modelini anahtar-değer veri modeline dönüştüren çalış-
malardan FoundationDB [13], farklı veri modellerindeki veriler için ilişkisel, çizge
ve doküman veritabanlarını destekleyen bir yapı oluşturmuştur. ArangoDB [14]
ise doküman, çizge, anahtar-değer veritabanlarını destekleyen esnek açık kaynak
bir veritabanı olarak sunulmuştur. Veritabanları arasındaki dönüşüm işlemleri
sırasında yaşanabilecek herhangi bir problem, veriler arasında tutarsızlık ve veri
kaybına neden olabilmekte, veritabanları arası dönüşümler ise bekleme sürele-
rine yol açabilmektedir. Veritabanları arası dönüşüm yerine veri modellerine göre
verileri; çizge, doküman, sütun ve anahtar-değer veritabanlarında saklama gerek-
simi vardır. Bu çalışma kapsamında, bu farklı modellerdeki veriler arasındaki
ilişkileri anahtar-değer veritabanında tutan veri yoğun bilgi sistemlerine yönelik
bir veri mimarisi önerilmektedir. Bundan sonraki alt başlıklarda sırasıyla ilişkisel,
doküman, anahtar-değer, sütun ve çizge veritabanı kavramları detaylandırılmıştır.

2.1   İlişkisel Veritabanı
   Verilerin birbirinden farklı ve belirli özelliklere göre ilişkilendirilmiş tablolarda
tutulduğu veritabanı yönetim sistemidir. Tablolar satır ve sütunlardan oluşmak-
tadır. Tablo içerisindeki her sütun bir niteliğe karşılık gelmekte ve oluşturma
aşamasında tanımlanmaktadır. Her satır ise bir kayda karşılık gelmekte ve veri
girişi sırasında belirlenmektedir. Tabloda ayrıca tanımlayıcı niteliğinde birincil
anahtar alan ve tablolar arası geçişi sağlayan ikinci anahtar alan bulunur. Bu
alanlar kullanılarak farklı tablolar birleştirilebilir ve birbirine bağlı veriler tek se-
ferde sorgulanabilir. İlişkisel veritabanı kavramı, verileri saklamak için kullanılan
mevcut dosyalama sisteminin veri ilişkilerini ve veri bütünlüğünü sağlayamaması
üzerine oluşturulmuştur. İlişkisel veritabanları sağladığı tutarlılık ve bütünlük
avantajları sayesinde, uzun bir süre verilerin saklanması için yeterli olmuş ve
pek çok veritabanı sisteminin temelini oluşturmuştur.

2.2   Doküman Veritabanı
   Doküman veritabanı sistemleri, ilişkisel olmayan veri modellerinden biridir.
Yarı-yapılandırılmış veriler olarak bilinen doküman tabanlı bilgilerin saklanması,


                                            746
alınması ve yönetilmesinde kullanılan bir veri modelidir. Tablolara karşılık der-
lemler, satırlara karşılık dokümanlar, sütunlara karşılık da alanlar kullanılmakta-
dır. Sıradan bir şema yerine değişken bir şema temel alınmaktadır. Bazı alanların
tüm kayıtlarda kullanılmadığı durumlarda, ilişkisel veritabanlarında fazladan yer
kaplarken bu alanlar doküman veritabanlarında yer almaz. Veri modeli tek tip
değildir ve veriye göre esneklik gösterir. Böylece bir dokümanda yer almayan
bazı alanlar bir başka doküman içerisinde kullanılabilir. Herhangi bir alan ekle-
mek veya çıkarılmak istendiğinde yapısal bir değişiklik yapılmamış olur ve sadece
ilgili doküman değiştirilir. Böylece, gerekli değişikliklerin yapılması için fazladan
bir zaman gerekmemektedir.


2.3    Anahtar-Değer Veritabanı

    Veritabanı sistemleri içerisinde karmaşıklığı en az olanıdır. Bir anahtar ve bu
anahtara karşılık gelen değerin saklandığı veritabanı sistemidir. Eğer bir anahta-
rın değeri biliniyor ise, anahtarın tuttuğu değer getirilebilir. Değer alanı, yapılan-
dırılmamış veri türündedir. Yani değerin içeriği sayı, bağlantı, metin, vb. gibi
farklı veri yapılarından oluşabilir. Örneğin, Twitter sosyal ağında atılan her tweet
için bir tweet numarası ve içeriği bulunmaktadır. Böyle bir yapının, anahtar-
değer veritabanında tutulması uygundur. Bu veritabanı türünde genel olarak
değer kısmında yapısal olmayan veriler tutulmaktadır.


2.4    Sütun Veritabanı

      Anahtar-değer depoları ve doküman veritabanları satır odaklıdır. Bu tür
veritabanlarının amacı bir yada daha fazla kısıta göre belirlenen bütün veriyi
getirmektir. Bazı durumlarda uygulamalar bütün belgenin derlemi yerine belirli
sütunların oluşturduğu alt kümelere ihtiyaç duyar. Sütun veritabanı, satırları
sütun derlemleri gibi yapılandırabilir. Tek bir satır birçok sütun içerebilir. İlişkili
sütunların bir sütun ailesinde toplanması ile çok varlıklı sütun verilerine erişilebi-
lir. Sütun ailesindeki bu esneklik, ilişkisel veritabanları tarafından sağlanan işlev-
selliğe benzer olarak, uygulamalara geniş kapsamlı karmaşık sorgu ve veri ana-
lizlerinin yapılmasına olanak sağlar.


2.5    Çizge Veritabanı

    Veri hacmi arttıkça ilişkisel veritabanında veri üzerinde arama mümkün ol-
makta, ancak zincirleme ilişkiler getirileceği zaman birleştirme maliyetleri doğ-
maktadır. Doküman ve anahtar-değer veritabanlarında ise arama ilişkisel verita-
banına göre daha zordur. Doküman veritabanlarında değerler döküman içerisinde,
anahtar-değer veritabanlarında ise anahtara karşılık gelen değer kısmında yer
alır. Zincirleme ilerlemek için herhangi bir birleşim yapısı olmadığından, değerler
aranıp bulunmalı ve eşlenmelidir. Ayrıca arama mümkün olsa bile veri üzerinde
dolaşıp ilerleme mümkün olmamaktadır. Çizge veritabanlarında veriler; düğüm-
ler, düğümler arasındaki ayrıtlar ve düğümler ile ayrıtların özellikleri şeklinde


                                            747
tutulur. Ayrıtlar üzerinden ilerlenerek düğümler arasında gezmek ve arama yap-
mak mümkündür. Belirli düğümlere veya ayrıtlara özel aramalar yapılabilmekte-
dir.


3     Durum Çalışması: Büyük Veri Modellerinin Öğrenci
      Bilgi Sistemi Üzerinde Uygulanması
    ÖBS kapsamında; öğrenci bilgileri, öğretim üyesi bilgileri, dersler, öğrencinin
aldığı ders bilgileri, öğrenci ve öğretim üyelerinin özgeçmişleri, öğrenci ve öğretim
üyelerinin sosyal medya üzerinde yaptığı paylaşımlar yer alır. Dersler hakkındaki
görüşler, öğrenci, öğretim üyesi ve derse ait sosyal ağ hesapları aracılığıyla topla-
nır. Öğrenciler, ÖBS’ye giriş yaptıktan sonra herhangi bir öğretim üyesi tarafın-
dan verilen bir veya birden fazla derse kayıt olabilmekte ve kayıtlı oldukları
derslere ilişkin sınav sonuçlarına erişebilmektedir. Öğrenciler, öğretim üyeleri
veya dersler bir sosyal ağ hesabına sahip olabilmektedir. Öğrenci ve öğretim
üyelerinin sistemde kayıtlı bir veya birden fazla özgeçmiş belgesi bulunabilmek-
tedir. Ayrıca öğrenci ve öğretim üyelerine ait kişisel bilgiler, iletişim bilgileri de
saklanmaktadır.

3.1    Durum Çalışması Gereksinimleri
İlişkisel Veritabanı Gereksinimi Tasarlanan bilgi sisteminde öğrenci ve öğ-
retim üyelerine ait kişisel bilgiler ilişkisel veritabanında ayrı tablolarda sak-
lanır. Kişisel bilgiler tablosu kimlik numarası, adres, telefon numarası ve e-
posta gibi bilgilerden oluşur. Bu bilgilere erişim öğrenciler için öğrenci numarası,
öğretim üyeleri için öğretim üyesi numarası olarak tanımlanan anahtar sahalar ile
sağlanır. Tanımlanan veri tipleri ve ilişkilere göre bu veriler ilişkisel veritabanında
tutularak ihtiyaçlar karşılanabilmekte, veriler arasındaki ilişkiler kullanılarak
öğrenci ve öğretim üyelerine ait kişisel bilgilere kolaylıkla ulaşılabilmektedir.

Doküman Veritabanı Gereksinimi ÖBS’de bazı veriler ilişkisel veri mode-
linde saklanırken, bazı verilerin ilişkisel olarak modellenmesinde zorluklar yaşan-
maktadır. Genel olarak özgeçmiş biçiminin değişime açık olduğu ve kayıtlar
arasında farklılık olabileceği görülmektedir. Ders içerik bilgilerinde de benzer
bir durum söz konusudur. Ders bilgilerinin “dersin çıktıları” alanı her derse göre
farklılık göstermektedir. Kayıt bazında alan özelleştirilmesine ihtiyaç duyulan
bu gibi durumlarda klasik ilişkisel veri modeli yetersiz kalmaktadır. Özgeçmiş
ve ders bilgileri için erişim maliyetlerini azaltan, performans artışı sağlayan ve
yatayda boyutunun değiştirilebilindiği dinamik bir veri modeline ihtiyaç duyul-
maktadır. Bu gereksinimleri karşılayabilecek bir veri modeli olarak doküman
veritabanı kullanılabilir.

Anahtar-Değer Veritabanı Gereksinimi ÖBS’de; öğrenci, öğretim üyesi ve
diğer kullanıcıların birer rolü bulunur. Bir öğrenci sadece kendisi ile ilgili bilgileri


                                              748
görüp değişiklikler yapabilir. Benzer şekilde bir öğretim üyesi de kendi bilgileri ve
verdiği derslerin bilgilerini görüp üzerinde işlemler yapabilir. Bu nedenle ÖBS’de
her bir kullanıcıya kullanıcı numarası ve şifre verilip kullanıcı bu numara ve
şifre ile sisteme giriş yaptığında kendi rolüne göre yetkileri belirlenir. Kullanıcı
işlem yaparken de bu oturum bilgilerinden yararlanır. Kullanıcının numarası ve
oturum bilgisi ayrı bir veri modelinde tutulur. Sistemde her öğrencinin aldığı
derslerin listesi bulunur. Benzer şekilde her bir derse kayıtlı öğrencilerin de nu-
maraları tutulmak istenmektedir. Bu gereksinime göre ders kodu ve öğrenci nu-
marası gibi ikilileri saklayan bir veri modeli bulunmalıdır. Özellikle ders-öğrenci
ilişkilerinin yoğun olduğu ders kayıt ve ekle-sil haftalarında bu yapının işlem
hacminin artması ile sistem beklemelerinin en düşük düzeyde tutulması gerek-
mektedir. Bu kapsamda hızlı, esnek ve veri boyutu uyarlanabilir bir veri modeli
kullanılmalıdır. En az karmaşıklığa sahip ve hızlı cevap verme gereksinimi söz
konusu olduğunda çözüm olarak anahtar-değer veritabanı yaklaşımı önerilir.

Sütun Veritabanı Gereksinimi Sütun veritabanları verilere hızlı erişim
sağlamakta ve özel sorgu setlerini desteklemektedir. Bu nedenle sütun verita-
banlarından faydalanabilmek için, uygulamada çalışan genel sorguları eniyileyen
sütun aileleri tasarlanmalıdır. ÖBS’de öğrencilere ait dersler ve notların bir arada
tutulması gerekir. Her ne kadar tablo yapısı olarak ilişkisel veritabanına ben-
zese de, ilişkisel veritabanında yer alan bir tablonun aksine, sütun ailesi içinde
sütunlar, her satır için değişmez bir şemaya uymak zorunda değildir. Sütun ailesi
anahtar-değer çiftlerinin haritası gibi düşünülürse, öğrenciler için ders notlarının
bir arada tutulması istenen veriye doğrudan erişimi sağlayacaktır.

Çizge Veritabanı Gereksinimi ÖBS’de; öğrencilerin birbirlerini takip etme
durumu, öğretim üyeleri ile olan danışmanlık ve takip ilişkileri, derse kayıtlanma
ilişkileri, öğretim üyelerinin ders verme ilişkileri, öğrencilerin ve öğretim üyeleri-
nin sosyal ağ hesaplarına ilişkin sayfaları bulunmaktadır. Bu verilere ve ilişkilere
uygun bir çözüm çizge veritabanı olarak öngörülebilir. Buna göre öğrenciler,
öğretim üyeleri, dersler ve bölümler çizgedeki düğümlere karşılık gelmektedir.
Bu düğümlerin her birinin kendine özgü özellikleri bulunmakta ve düğümlerin
de birbirleri ile ilişkileri yer almaktadır.

3.2    Durum Çalışması Tasarımı
      Tasarlanan bilgi sisteminde ihtiyaç duyulan farklı veri modellerini kullanan
servisleri yönetebilmek için bir üst modele ihtiyaç vardır. ÖBS’nin dayandığı bu
üst modelde bilgi sistemindeki hangi veri modelinin hangi servis(ler) ile bağlantılı
oldukları ve bu veri modellerinin birlikte çalışabilirliğinin nasıl yönetileceği tanım-
lanmalıdır. Öncelikle üst modelde tanımlı eşlemeye göre, sistemde birbirleri ile
ilişkili ve geçişlere sahip modüllerin belirleyici özelliklerinin eşlemeleri ayrı bir
anahtar-değer veritabanında tutulmalıdır. İkinci olarak üst modelde gelen is-
teklerin ilişkili modüllere iletilmesini sağlayan bir yönetim mekanizması yer al-
malıdır. Böylece bilgi sistemine gelen istekler tiplerine göre uygun modül ile


                                             749
ilişkilendirilebilir. Tasarlanan bu üst model için ontolojik bir yaklaşım uygun-
dur. Üst-Nesne Çerçevesi [15] açısından düşünüldüğünde tasarlanan mimarinin
M2 ve M1 katmanları açısından incelenmesi gerekir.


                           Fig. 1. Büyük Veri Modeli Taslağı


    Şekil 1’de görüldüğü gibi Büyük Veri Modeli M2 katmanına karşılık gelmek-
tedir. Bu model içerisinde birbirinden farklı veritabanlarında bulunan ortak
özelliklerin ÖBS adı altında bir ontoloji [16] üzerinden bağlantıları kurulup daha
sonra bu bağlantılar anahtar-değer veritabanında temsil edilmelidir. M1 katmanı
ise öğrencilere ait bilgilerin tutulduğu ilişkisel veritabanı, özgeçmişlerini taşıyan
doküman veritabanı vb. gibi farklı veri modellerini kapsamaktadır.


                          Fig. 2. Durum Çalışmasının Tasarımı


     Şekil 2’de görüldüğü gibi durum çalışmasında örnek olarak tasarlanan ÖBS’de
veriler birbirinden farklı veri modellerinde saklanmaktadır. Örneğin, öğrenci
kayıtları ilişkisel veritabanında yer alırken, oturum verileri anahtar-değer verita-
banında tutulmaktadır. Ders notlarını sütun veritabanında, öğrenci ve öğretim
üyelerine ait özgeçmişleri doküman veritabanında ve son olarak sosyal ağa ait
öğrenci ve ders bilgileri çizge veritabanında saklanmaktadır. Bu farklı verita-
banlarına ait ortak özelliklerin bütünleştirilmesi bir üst model olan büyük veri
modelinde sağlanmaktadır. Öğrenci Bilgi Sistemi için hazırlanan ÖBS ontolo-
jisi kullanılarak Şekil 3’teki büyük veri modeli içindeki ontolojiye ait bağlantılar
gösterilmiş, daha sonra bu bağlantıların temsili anahtar-değer veritabanında sak-
lanmıştır.


                                            750
                        Fig. 3. Büyük Veri Modelinin Gösterimi


     Öğrenci Bilgi Sistemi’nin melez veri modeli gerekliliği birden fazla veri mode-
lini ilgilendiren karmaşık sorgularda ortaya çıkmaktadır. ÖBS’ye gelen karmaşık
sorgu Şekil 3’teki ontolojik gösterimdeki eşlemelere [17] göre ayrıştırılarak sorgu-
ların işletileceği alt modüller belirlenir. Her bir alt sorgunun işletilmesiyle elde
edilen sonuçlarının anahtar-değer eşlemeleri Şekil 4’teki gibi elde edilir. Ara
sonuçlar bağlantılı olduğu modüle eşlenir ve bu modülde çalıştırılacak olan bağlı
sorgu oluşturulur. Bu mantıkla sorgular zincirleme şekilde son alt sorguya kadar
işletilir ve sonuç olarak karmaşık sorgunun cevabı elde edilir.
     Örneğin ÖBS’de bir öğrencinin aldığı dersleri veren öğretim üyelerinin sosyal
ağ bilgilerine erişilmek istensin. Bu karmaşık sorgu ontolojik gösterimine göre
çözümlenerek kayıtlanılan dersler, öğretim üyeleri bilgileri ve sosyal ağ bilgileri
olmak üzere üç alt sorguya ayrılır. Öncelikle kayıtlanılan ders bilgileri anahtar-
değer veritabanından getirilir. Kayıtlanılan dersi veren öğretim üyelerine olan
bağlantı ontolojik gösterime göre elde edilir ve bu bağlantı ilişkisel veritabanı
olarak bulunur. İlişkisel veritabanına olan bağlantı anahtar-değer veritabanı dö-
nüşümü üzerinden yapılır ve öğretim üyelerine ait bilgiler elde edilir. Ontoloji
gösterimindeki ilişkilere göre öğretim üyelerinin sosyal ağ bilgileri çizge verita-
banı üzerinden bulunur. Öğretim üyelerinin bilgileri anahtar-değer dönüşümü ile
eşlenir ve sosyal ağ bilgilerini elde etmek için çizge veritabanında çalıştırılacak
sorgu oluşturulur. Oluşturulan sorgu çizge veritabanında işletilerek gerekli bil-
giler elde edilir.

3.3   Durum Çalışması Modülleri
Sosyal Ağ Çizgesi Modülü Öğrenciler, öğretim üyeleri, dersler gibi düğümlerin
ve birbirleri arasındaki ilişkiler için çizge veritabanı uygun bir yaklaşımdır. Şekil-
4.a’da ÖBS’deki örnek bir verinin çizge veritabanı üzerindeki temsili ve anahtar-
değer veritabanına dönüştürülmüş hali görülmektedir. ÖBS üzerinden sosyal ağ


                                           751
çizgesi modülüne gelen istekler modül tarafından ele alınarak işlem tipi belir-
lenir. İşlem tipi dolaşma veya sorgu olmasına göre çizge servisi üzerine farklı
şekillerde yönlendirilir. Eğer istek dolaşma ise çizge servisinin dolaşma özelliğinin
kullanılması için kullanıcı servis arayüzü üzerine yönlendirilir.


Özgeçmiş ve Ders Bilgileri İçin Doküman Veritabanı Modülü Dinamik
bir yapıya sahip olan özgeçmiş ve ders bilgilerinin tutulması için doküman veri-
tabanı seçilerek artan/azalan alanlar ve farklı biçimlere sahip şemalar için per-
formanslı bir çözüm önerilmiştir. Özgeçmiş kayıtları ve ders bilgileri birbirlerine
göre farklılıklar gösterdiği için veri tekrarları ya da boş alanlar olmadan doküman
veri modeli olarak saklanmaktadır. İhtiyaç duyulduğunda kayda doküman olarak
ulaşılabildiği gibi, dokümanın alt alanlarına da verilen etiket adıyla ulaşılarak
arama işlemi gerçekleştirilebilmektedir.


   Fig. 4. Örnek Veri Modellerinin Anahtar-Değer Veritabanı Üzerinde Temsilleri


                                            752
Öğrenci ve Öğretim Üyesi Bilgileri İçin İlişkisel Veritabanı Modülü
Öğrenci ve öğretim üyesi bilgileri yapısal olarak değişiklik göstermeyen ve bir-
biri ile bağlantılı veriler olduğundan ilişkisel veritabanında tutulur. İlişkisel veri-
tabanında bir veya birkaç adımda erişilecek veri için, anahtar-değer veritabanında
pek çok adım gerekebilir. Şekil 4.e’de ilişkisel veritabanı üzerinde, Şekil 4.f’de
ise anahtar-değer veritabanı üzerinde öğrenci ve öğretim üyesi tabloları temsili
olarak gösterilmiştir. Öğrenci ve öğretim üyesine ait kişisel bilgiler için ise ayrı
bir tablo yaratılmış, öğrenci ve öğretim üyesi tabloları ilişkilendirilmiştir.


Sütun Veritabanı Modülü ÖBS için geliştirilen sütun veritabanı yapısında
süper sütun adı statik olarak “Öğrenci Notları” olarak belirlenmiştir. Ancak yapı
gereği öğrenciler ve aldıkları dersler için gerekli olan sütun adları dinamik olarak
tutulmaktadır. Şekil 4.g’de öğrenciler ve her birinin kayıtlandıkları ders ve derse
ait notlar belirtilmiştir.


3.4   Durum Çalışması Teknolojileri

İlişkisel Veritabanı Servisi Bulut üzerinde yer alan bir ilişkisel veritabanının
kolay bir şekilde kurulması, çalıştırılması sağlayan web servisleridir. Klasik ilişki-
sel veritabanından farklı olarak, maliyet açısından verimlidir ve yeniden boyut-
landırılabilmektedir. Ayrıca, otomatik yedekleme ve hata denetimi, yazılım dü-
zeltmeleri, geri yükleme işlemleri ve güvenli erişim alanlarının yönetilmesine
imkan sağlar [18]. Amazon RDS [19], Microsoft SQL Azure [20] ve Google Cloud
SQL [21] servisleri ile ilişkisel veritabanı hizmetleri kullanılabilir.


Doküman Veritabanı Servisleri ÖBS’de, öğretim üyesi özgeçmiş bilgi-
leri ve ders bilgileri için doküman tabanlı veri modelinin kullanılması uygun
görülmüştür. Kayıt içindeki alanların farklılık gösterdiği durumlarda verilerin
ilişkisel modelde tutulması veri tekrarlarına veya hücrelerin boş kalmasına se-
bep olabilir. Farklı tablolarda tutulmasının sonucu olarak birleştirme maliyeti
ortaya çıkabilir. Doküman veritabanı hizmetlerinin servis olarak kullanabileceği
teknolojilere MongoDB [22] on Amazon EC2 [23] ve Google Cloud Platform [24]
örnek verilebilir.


Anahtar-Değer Veritabanı Servisleri ÖBS’de oturum bilgileri kullanıcı adı
ve şifre şeklinde tutulur. Anahtar-değer veritabanı yapısı ile paralellik sağlanarak
tasarlanan sistemin hızının artırılması planlanmaktadır. Ayrıca kayıt zaman-
larının da yoğunluğu göz önünde bulundurulduğunda öğrenci-ders ikilisinin sak-
lanması da uygun olabilir. Anahtar-değer veritabanı yapısı ile kayıt zamanlarında
sistemin kapasitesi artırılarak uyarlanabilir veri boyutu sağlanacak, sistemde
beklemeler en düşük seviyeye indirgenecektir. Bu kapsamda kullanılabilecek anah-
tar-değer veritabanı servislerine Amazon DynamoDB [25] ve Google BigTable
[26] üzerinde çalışan MapReduce [27] örnek olarak verilebilir.


                                            753
Sütun Veritabanı Servisleri ÖBS’de öğrencilere ait ders notları Cassandra
[28]’da tutulmaktadır. Satır ve sütunlardan oluşan çizelge şeklinde verilerin tu-
tulabilir ve sütunlar, sütun ailesi olarak adlandırılan gruplara ayrılabilir. Sütun
veritabanında her satır bir anahtar içerir ve bu anahtara göre veri getirilir. ÖBS
kapsamında sütun veritabanı kullanılarak öğrenci bilgisi ve ders bilgisinin iki
sütun ailesinde tutulması düşünülmüştür. Böylece çok kullanılacağı düşünülen,
öğrencilerin ders ve sonuç bilgileri bir arada tutularak daha az okuma işlemiyle
bu bilgilere erişilebilmektedir.


Çizge Veritabanı Servisleri ÖBS’de kullanılacak çizge veritabanının servis
olarak sunması göz önünde bulundurularak Graphenedb [29] seçilmiştir. Neo4j
[30]’nin desteklediği biçimde tutulan veriler Graphenedb ile de saklanabilmekte-
dir. REST servisi üzerinden bir bağlantı adresi, kullanıcı adı ve şifre ile saklanan
verilere erişilir. Ayrıca mevcut çizge yapısı bir arayüz ile sorgulanabilmekte,
gezilebilmekte ve güncellenebilmektedir. Çizgenin görsel temsili de kullanıcılar
açısından anlaşılmasına ve gezilebilmesine olanak sağlamaktadır.


4    Sonuç

      Bu çalışmada büyük veri gereksinimlerine uygun veri modellerinin mimari
yaklaşımları ele alınmıştır. Aynı anda birden çok mimariye olan gereksinime
değinilmiş ve örnek bir durum çalışması oluşturulmuştur. Bu durum çalışması
için melez bir veri modeli mimarisi önerilmiştir. ÖBS örnek mimarisinin gerçekleş-
tiriminde tercih edilebilecek büyük veri teknolojileri ve bunları servis olarak
sunan çözümler de ele alınmış ve bunların ileride hibrit modelin gerçekleştiriminde
ne şekilde kullanılacağına ışık tutulmuştur.
     İşlevsel fonksiyonlar kapsamlı bir şekilde gerçekleştirilmek istense de tüm
veri erişim senaryoları tahmin edilemeyebilir. Bu çalışmada sunulan tasarımda
istisna durumlar göz ardı edilebileceğinden, gerçekleştirim aşamasında çok çeşitli
kalıcılık önemli hale gelmektedir. Yönetim modelinin düzgün bir şekilde gerçekleş-
tirilmesi ve bu modeli kullanan bir veri yönetim katmanının uygulama bazında
oluşturulması büyük önem taşımaktadır. Veri yönetim katmanı sayesinde farklı
veri modelleri arasında iletişim ve tutarlılık sağlanıp ihtiyaca yönelik uygun veri
modeli yaklaşımından faydalanan bir veri yönetim sistemi gerçeklenmiş olacaktır.
İlerleyen aşamada önerilen mimarinin gerçekleştirimi yapılacak ve okuma-yazma
sorgu performansları mevcut veri modelleriyle karşılaştırılacaktır.


References

 1. Michael Armbrust, Armando Fox, Rean Griffith, Anthony D. Joseph, Randy Katz,
    Andy Konwinski, Gunho Lee, David Patterson, Ariel Rabkin, Ion Stoica, and Matei
    Zaharia. A view of cloud computing. Commun. ACM, 53(4):50–58, April 2010.
 2. Peter Mell and Tim Grance. The nist definition of cloud computing. 2011.


                                            754
 3. James Manyika, Michael Chui, Brad Brown, Jacques Bughin, Richard Dobbs,
    Charles Roxburgh, Angela Hung Byers, and McKinsey Global Institute. Big data:
    The next frontier for innovation, competition, and productivity. 2011.
 4. Jules J. Berman. Principles of Big Data: Preparing, Sharing, and Analyzing Com-
    plex Information. Morgan Kaufmann Publishers Inc., San Francisco, CA, USA,
    1st edition, 2013.
 5. Douglas Laney. 3d data management: Controlling data volume, velocity and vari-
    ety. META Group Research Note, 6, 2001.
 6. Rick Cattell. Scalable sql and nosql data stores. SIGMOD Rec., 39(4):12–27, May
    2011.
 7. Pramod J. Sadalage and Martin Fowler. NoSQL distilled : a brief guide to the
    emerging world of polyglot persistence, chapter Polyglot Persistence, pages 133–
    134.
 8. Srikrishna Prasad and MS Nunifar Sha. Nextgen data persistence pattern in health-
    care: Polyglot persistence. In 2013 Fourth International Conference on Computing,
    Communications and Networking Technologies (ICCCNT), pages 1–8. IEEE, 2013.
 9. E. F. Codd. A relational model of data for large shared data banks. Commun.
    ACM, 13(6):377–387, June 1970.
10. Nitin Sawant and Himanshu Shah. Big Data Application Architecture Q&A: A
    Problem - Solution Approach. Apress, Berkely, CA, USA, 1st edition, 2013.
11. Michael Stonebraker and Rick Cattell. 10 rules for scalable performance in ’simple
    operation’ datastores. Commun. ACM, 54(6):72–80, June 2011.
12. Solving the nosql data modeling dilemma. http://blog.foundationdb.com/
    video-recap-solving-the-nosql-data-modeling-dilemma, (2015).
13. Foundationdb. https://foundationdb.com, (2015).
14. Arangodb. https://www.arangodb.com, (2015).
15. Meta-Object Facility (MOF). http://www.omg.org/mof/, (2015).
16. Holger Wache, Thomas Voegele, Ubbo Visser, Heiner Stuckenschmidt, Gerhard
    Schuster, Holger Neumann, and Sebastian Hübner. Ontology-based integration of
    information-a survey of existing approaches. In IJCAI-01 workshop: ontologies and
    information sharing, volume 2001, pages 108–117. Citeseer, 2001.
17. Namyoun Choi, Il-Yeol Song, and Hyoil Han. A survey on ontology mapping.
    SIGMOD Rec., 35(3):34–41, September 2006.
18. Amazon RDS Documentation.              http://docs.aws.amazon.com/AmazonRDS/
    latest/UserGuide/Welcome.html, (2015).
19. Amazon RDS. http://aws.amazon.com/rds/, (2015).
20. Microsoft SQL Azure.              http://azure.microsoft.com/tr-tr/services/
    sql-database/, (2015).
21. Google Cloud SQL. https://cloud.google.com/sql/, (2015).
22. mongoDB. https://www.mongodb.org/, (2015).
23. Amazon Elastic Compute Cloud (EC2). http://aws.amazon.com/ec2/, (2015).
24. Google Cloud Platform. https://cloud.google.com/, (2015).
25. Amazon DynamoDB. http://aws.amazon.com/dynamodb/, (2015).
26. Google Big Table. https://cloud.google.com/bigtable/, (2015).
27. Hadoop Map Reduce.              http://hadoop.apache.org/docs/r1.2.1/mapred_
    tutorial.html, (2015).
28. Apache Cassandra. http://cassandra.apache.org/, (2015).
29. Graphenedb. http://www.graphenedb.com/, (2015).
30. Neo4j. http://neo4j.com/, (2015).


                                         755