Knowledge graph management and streaming in the context of edge computing

Edge Computing propose de répartir le calcul et le stockage des données au plus près des sources de données d'origine. Cette technologie devient une tendance importante dans l'informatique. Ceci est principalement dû à l'émergence de l'Internet des objets et de son ensemble d'appareils compacts, eg. capteurs, actionneurs ou passerelles, dont les capacités de calcul et de stockage ne cessent de croître. Différente du Cloud Computing, qui cible les grands centres de données, la stratégie de distribution des calculs d'Edge Computing peut potentiellement réduire la pression du réseau et tirer pleinement parti de la puissance de calcul des périphériques du Edge computing.Afin de prendre en charge le traitement intelligent des données à la périphérie du réseau, une stratégie de représentation des connaissances est nécessaire. En 2021, les technologies appartenant au Web sémantique sont suffisamment matures et robustes pour apporter de l'intelligence à l'Edge computing. Ces technologies correspondent au modèle de données RDF (Resource Description Framework), aux langages d'ontologie RDFS (RDF Schema) et OWL (Web ontology Language) et à leurs services de raisonnement associés, le langage de requête SPARQL. La pierre angulaire d'une telle approche est un système de gestion de base de données RDF compatible avec les périphériques Edge. Cependant, la plupart des systèmes de base de données du type RDF sont conçus pour des serveurs puissants ou le Cloud Computing. Ces systèmes doivent, en partie, leur efficacité à des stratégies d'indexation coûteuses, c'est-à-dire basées sur des indices multiples.Dans le but de compresser les données RDF tout en maintenant la vitesse d'interrogation, nous utilisons abondamment les structures de données succinctes (SDS - Succinct Data Structure) pour bénéficier simultanément de sa compression de données et de sa vitesse élevée de récupération des données. Cela nous aide à obtenir un RDF store compact auto-indexé qui ne nécessite pas d'opération de décompression. Notre approche de traitement des requêtes est adaptée à notre agencement de stockage et aux opérations SDS standard, à savoir access, rank et select. Nous prouvons la capacité de notre approche par une évaluation approfondie.Afin d'aider à l'accélération du raisonnement RDFS, nous avons conçu notre système basé sur une stratégie d'encodage sémantique nommée LiteMat. Ce schéma d'encodage, qui a été développé et est maintenu par notre équipe de recherche, a été étendu dans cette