DBMS > RDF4J vs. Splice Machine vs. WakandaDB

Vergleich der Systemeigenschaften RDF4J vs. Splice Machine vs. WakandaDB

Bitte wählen Sie ein weiteres System aus, um es in den Vergleich aufzunehmen.

Redaktionelle Informationen bereitgestellt von DB-Engines

Name

Kurzbeschreibung

RDF4J ist ein Java Framework zur Verarbeitung von RDF Daten, sowohl Hauptspeicher- als auch Disk-basiert.

Open-Source SQL RDBMS for Operational and Analytical use cases with native Machine Learning, powered by Hadoop and Spark

WakandaDB is embedded in a server that provides a REST API and a server-side javascript engine to access data

Primäres Datenbankmodell

RDF Store

Relational DBMS

Object oriented DBMS

DB-Engines Ranking misst die Popularität von Datenbankmanagement- systemen
Trend Chart

Punkte	1,26
Rang	#194	Overall
	#8	RDF Stores

Punkte	1,03
Rang	#212	Overall
	#99	Relational DBMS

Punkte	0,01
Rang	#386	Overall
	#22	Object oriented DBMS

Website

rdf4j.org

splicemachine.com

wakanda.github.io

Technische Dokumentation

rdf4j.org/documentation

doc.splicemachine.com

doc.wakanda.org/home2.en.html#/Datastore/Introduction.200-588937.en.html

Entwickler

Since 2016 officially forked into an Eclipse project, former developer was Aduna Software.

Splice Machine

Wakanda SAS

Erscheinungsjahr

2004

2014

2012

Aktuelle Version

3.1, March 2021

2.7.0 (April 29, 2019), April 2019

Lizenz

Commercial or Open Source

Open Source

Eclipse Distribution License (EDL), v1.0.

Open Source

AGPL 3.0, commercial license available

Open Source

AGPLv3, erweiterte kommerzielle Lizenz verfügbar

Ausschließlich ein Cloud-Service

Nur als Cloud-Service verfügbar

nein

DBaaS Angebote (gesponserte Links)

Database as a Service

Providers of DBaaS offerings, please contact us to be listed.

Implementierungssprache

Java

C++, JavaScript

Server Betriebssysteme

Linux
OS X
Unix
Windows

Linux
OS X
Solaris
Windows

Linux
OS X
Windows

Datenschema

RDF Schemas

Typisierung

vordefinierte Datentypen, z.B. float oder date

XML Unterstützung

Verarbeitung von Daten in XML Format, beispielsweise Speicherung von XML-Strukturen und/oder Unterstützung von XPath, XQuery, XSLT

nein

Sekundärindizes

SQL

Support of SQL

nein

APIs und andere Zugriffskonzepte

Java API
RIO

RDF Input/Output
Sail API
SeRQL

Sesame RDF Query Language
Sesame REST HTTP Protocol
SPARQL

JDBC
Native Spark Datasource
ODBC

RESTful HTTP API

Unterstützte Programmiersprachen

Java
PHP
Python

C#
C++
Java
JavaScript (Node.js)
Python
R
Scala

JavaScript

Server-seitige Scripts

Stored Procedures

Java

Triggers

Partitionierungsmechanismen

Methoden zum Speichern von unterschiedlichen Daten auf unterschiedlichen Knoten

keine

Shared Nothhing Auto-Sharding, Columnar Partitioning

keine

Replikationsmechanismen

Methoden zum redundanten Speichern von Daten auf mehreren Knoten

keine

Multi-Source Replikation
Source-Replica Replikation

keine

MapReduce

Bietet ein API für Map/Reduce Operationen

nein

Yes, via Full Spark Integration

nein

Konsistenzkonzept

Methoden zur Sicherstellung der Konsistenz in einem verteilten System

Immediate Consistency

Fremdschlüssel

referenzielle Integrität

Transaktionskonzept

Unterstützung zur Sicherstellung der Datenintegrität bei nicht-atomaren Datenmanipulationen

ACID

Isolation abhängig vom verwendeten API

ACID

Concurrency

Unterstützung von gleichzeitig ausgeführten Datenmanipulationen

yes, multi-version concurrency control (MVCC)

Durability

Dauerhafte Speicherung der Daten

In-memory Storage wird ebenfalls unterstützt

In-Memory Unterstützung

Gibt es Möglichkeiten einige oder alle Strukturen nur im Hauptspeicher zu halten

nein

Berechtigungskonzept

Zugriffskontrolle

nein

Access rights for users, groups and roles according to SQL-standard

Weitere Informationen bereitgestellt vom Systemhersteller

Neuigkeiten

How to Break Data Silos to Drive Enterprise-Wide AI
11. Juni 2021

Point-in-Time Correctness in Machine Learning
1. Juni 2021

The Compliance Nightmare Lurking in Your Data Science Team
6. Mai 2021

Whose Job Is It Anyway?
23. April 2021

How Optimizing MLOps Can Revolutionize Enterprise AI
15. April 2021

Wir laden Vertreter der Systemhersteller ein uns zu kontaktieren, um die Systeminformationen zu aktualisieren und zu ergänzen,
sowie um Herstellerinformationen wie Schlüsselkunden, Vorteile gegenüber Konkurrenten und Marktmetriken anzuzeigen.

Zugehörige Produkte und Dienstleistungen

Wir laden Vertreter von Anbietern von zugehörigen Produkten ein uns zu kontaktieren, um hier Informationen über ihre Angebote zu präsentieren.

Weitere Ressourcen

Erwähnungen in aktuellen Nachrichten

Ontotext's GraphDB 10 Brings Modern Data Architectures to the ...
5. Juli 2022, PR Newswire

Janes Intara - Frequently Asked Questions
16. November 2022, Jane's

Ontotext Announces Latest Major Release, GraphDB 10
5. Juli 2022, Datanami

SPARQL, le SQL du Web, et Linked Data Fragment : le point sur le ...
1. Januar 2017, linuxfr.org

bereitgestellt von Google News

Machine learning data pipeline outfit Splice Machine files for insolvency
26. August 2021, The Register

The Economic Impact of Transitioning to Hybrid Cloud for Analytics ...
27. Dezember 2022, rtinsights.com

Unified MLOps: Feature Stores and Model Deployment
13. Mai 2022, InfoQ.com

Splice Machine Launches the Splice Machine Feature Store to ...
19. Januar 2021, PR Newswire

Attitudes on Cloud Database Migration Cover Vast Territory
2. November 2022, rtinsights.com

bereitgestellt von Google News

Jobangebote

2023 PhD Graduate - Ontologist - QAI
Johns Hopkins Applied Physics Laboratory (APL), Laurel, MD

Ontologist
Johns Hopkins Applied Physics Laboratory (APL), Laurel, MD

Data Discovery Developer - Scientific Computing & Data
Mount Sinai, New York, NY

Data Ontology Subject Matter Expert (TS/SCI)
Tau Six, Arlington, VA

Hadoop Developer / Admin Jr
Unisoft Technology Inc., Gaithersburg, MD

Fiber Splicer
TriStruX, Wayne, NJ

Fiber Splicer
TriStruX, Philadelphia, PA

jobs by

Teilen sie diese Seite mit ihrem Netzwerk