ETD

• Database a grafo
• Database relazionali
• Graph databases
• In-memory data structures
• Metaverse
• Metaverso
• Neo4j
• Relational databases
• Strutture dati in-memory

This thesis evaluates the suitability of graph databases for managing and analyzing metaverse-related data by comparing them with alternative approaches based on relational databases and in-memory data structures. The comparison is conducted in two phases, both using datasets extracted from the metaverses Decentraland and Axie Infinity. In the first phase, three graph databases are compared: Neo4j, Memgraph, and Nebula Graph. In the second phase, the graph database selected in the first phase is compared with SQL Server and the Python library NetworKit for in-memory graph analysis. The evaluated tasks include pattern matching, selection and aggregation queries, as well as centrality and community detection algorithms.
The results of the first phase show that Nebula Graph, designed for distributed environments, delivers modest performance when deployed on a single machine. Between Neo4j and Memgraph, the latter achieves slightly better performance due to its in-memory architecture; however, Neo4j provides a broader range of graph algorithms and is therefore selected for the subsequent comparison. In the second phase, SQL Server excels at selection and aggregation queries, NetworKit achieves the best performance for graph algorithms, while Neo4j stands out in the pattern matching query and for the greater readability and conciseness of Cypher queries. Overall, the results indicate that there is no universally optimal solution; rather, the most appropriate approach depends on the specific types of operations to be performed.

La presente tesi valuta l'adeguatezza dei database a grafo per la gestione e l'analisi di dati relativi al metaverso, confrontandoli con approcci alternativi basati su database relazionali e strutture dati in-memory. Il confronto è articolato in due fasi, entrambe condotte su dati estratti dai metaversi Decentraland e Axie Infinity. Nella prima fase vengono confrontati tre database a grafo: Neo4j, Memgraph e Nebula Graph. Nella seconda fase, il database a grafo selezionato nella prima fase viene confrontato con il database relazionale SQL Server e con la libreria Python NetworKit per l’analisi di grafi in-memory. I task eseguiti comprendono query di pattern matching, selezione e aggregazione, nonché algoritmi di centralità e rilevamento delle comunità.
I risultati della prima fase mostrano che Nebula Graph, progettato per ambienti distribuiti, ottiene prestazioni modeste se eseguito su una singola macchina. Tra Neo4j e Memgraph, quest'ultimo mostra prestazioni leggermente superiori grazie alla sua architettura in-memory; tuttavia, Neo4j offre una maggiore disponibilità di algoritmi per grafi ed è pertanto selezionato per il confronto successivo. Nella seconda fase, SQL Server eccelle nelle query di selezione e aggregazione, NetworKit negli algoritmi per grafi, mentre Neo4j si distingue nella query di pattern matching e per la maggiore leggibilità e concisione delle query in Cypher. I risultati mostrano quindi che non esiste una soluzione universalmente ottimale: la scelta dell’approccio più adatto dipende dalla tipologia di operazioni che si intendono eseguire.