Modellazione dati NoSQLExplained

28 of 28 rows

Pattern↕	Cos'è↕	Usalo per↕
Documenti
⤢Embedding	Sotto-documenti annidati vivono dentro un unico documento padre invece che in tabelle separate.	Relazioni uno-a-pochi lette insieme. Un ordine con le sue righe. Un utente con tre indirizzi.
⤢Referencing	Conserva un id esterno, non i dati. Risolvilo con una seconda lettura o un $lookup.	Sotto-entità grandi, condivise o aggiornate in autonomia. Collegamenti molti-a-molti tra collezioni.
⤢One-to-few	Il padre incorpora un breve array di figli; l'intero insieme entra e si carica come un unico documento.	Una manciata di numeri di telefono o preferenze su un profilo. Una lettura restituisce padre e figli.
⤢One-to-many	I figli vivono nella propria collezione; ogni figlio porta l'id del padre, oppure il padre tiene un array di id limitato.	Insiemi troppo grandi o troppo indipendenti da incorporare. Interroga i figli per id padre.
⤢One-to-squillions	Il figlio conserva l'id del padre; il padre non elenca mai i figli perché l'insieme è illimitato.	Eventi, log o voti legati a un host o a un utente. Filtra i figli per id padre e paginali.
⤢Polymorphic document	Documenti di tipi di entità diversi condividono una collezione, distinti da un campo tipo.	Commenti o notifiche attaccati a molti tipi di padre, tutti interrogati allo stesso modo.
⤢Outlier pattern	Poche entità estreme vengono separate dalla forma comune perché la loro dimensione o il loro traffico non deformi il resto.	Account celebrity le cui liste di follower o contatori crescerebbero oltre il documento normale.
⤢Document versioning	Ogni revisione è un nuovo documento con lo stesso id e un numero di versione crescente; la query sceglie l'ultima.	Tracciati di audit e cronologia di modifiche dove le revisioni vecchie restano interrogabili.
⤢Computed pattern	I valori derivati si calcolano in scrittura e si conservano accanto ai dati che riassumono.	Totali, valutazioni e top-N che altrimenti eseguirebbero un'aggregazione a ogni lettura.
Chiave-valore e colonne larghe
⤢Single-table	Termine di design DynamoDB: comprimi molti tipi di entità in una sola tabella usando partition e sort key in overload.	Recupera item eterogenei in una query senza join.
⤢Overloaded key	Un attributo chiave serve molti tipi di entità, marcato da prefissi come USER# o ORDER#.	Design single-table. Raggruppa item correlati sotto una partizione e recuperali in una query.
⤢Partition + sort	Una partition key distribuisce le righe tra i nodi; una sort key ordina ogni partizione.	Cassandra e DynamoDB. Scansioni a intervallo, log ordinati, chiavi composte gerarchiche.
⤢Composite sort key	Impila più attributi in un'unica sort key delimitata — country#region#city — così un match per prefisso scende nella gerarchia.	Gerarchie e filtri multi-faccetta. Una query ordinata a intervallo sostituisce molte ricerche indicizzate.
⤢Time bucketing	Raggruppa gli eventi in finestre fisse — ora, giorno, mese — sotto partizioni o tabelle dedicate.	Metriche, log e telemetria IoT. Limita la dimensione della partizione e manda in pensione i dati freddi.
⤢Denormalization	Duplica i campi letti spesso tra i record perché una query non insegua mai una seconda lettura.	Carichi pesanti in lettura dove la consistenza eventuale è tollerabile e lo storage è economico.
⤢GSI / sparse index	Un indice secondario costruito su un attributo che solo alcuni item portano; gli item senza non entrano mai nell'indice.	Percorsi di accesso alternativi. Trova il sottoinsieme sparso — ordini aperti, item non spediti — senza una scansione completa.
⤢Query-first modeling	Scrivi prima le query esatte; il layout della tabella ne deriva, non da entità o forma normale.	Lavoro di schema su Cassandra e DynamoDB. Una tabella per famiglia di query; il modello dati copia la domanda.
⤢Scatter-gather anti-pattern	Una query deve colpire molte partizioni o nodi in parallelo perché nessuna chiave corrisponde alla domanda.	Un cattivo odore da progettare via, non un obiettivo. Rimappa la tabella così la query comune atterra su una partizione.
⤢Fan-out on write vs read	Le copie vengono spinte nella vista di ogni lettore in scrittura, oppure raccolte e fuse in lettura.	Feed e timeline. Fan-out in scrittura per pubblici piccoli, in lettura per pubblici enormi.
⤢Materialized view	Un risultato di query pre-costruito, conservato come tabella propria e tenuto aggiornato al cambiare della base.	Forme di lettura alternative su un solo percorso di scrittura. Serve query a cui la tabella base non sa rispondere.
Grafi
⤢Adjacency list	Ogni arco è una riga o tupla che punta da un nodo sorgente a un nodo destinazione.	Store a grafi e property. Ricerche amico-di-amico, routing, raccomandazioni.
⤢Edge document	Ogni relazione è un documento nella propria collezione, con id from e to più attributi del collegamento.	Grafi negli store a documenti. Attributi sul collegamento stesso — valutazione, ruolo, timestamp.
⤢Nested sets	Ogni nodo conserva i contatori sinistro e destro di una visita in profondità; un sottoalbero vive nell'intervallo del padre.	Alberi pesanti in lettura. Una query BETWEEN restituisce un sottoalbero; gli inserimenti rinumerano la visita.
⤢Closure table	Una tabella dedicata registra ogni coppia antenato-discendente, incluso ogni nodo a profondità zero.	Query su interi rami a qualunque profondità. Join semplici, pagati in storage e manutenzione.
⤢Property graph vs RDF	I property graph collegano attributi chiave-valore a nodi e archi; RDF esprime tutto come triple soggetto-predicato-oggetto.	Property graph per traversal ricchi (Neo4j); RDF per linked open data e scambio di ontologie.
Vettori
⤢Vector embedding	Un array di float ad alta dimensione sta accanto ai metadati. Un indice ANN trova i vicini più prossimi.	Ricerca semantica, retrieval RAG, raccomandazioni e similarità su contenuti non strutturati.
⤢Chunking strategy	I documenti sorgente vengono spezzati — per dimensione, sovrapposizione o struttura — prima che ogni pezzo sia incorporato da solo.	Qualità del retrieval RAG. La dimensione del chunk scambia precisione con richiamo; la sovrapposizione protegge le frasi spezzate.
⤢Hybrid search	La similarità vettoriale densa corre accanto al matching per parola chiave; le due liste ordinate si fondono in un risultato.	Query che vogliono termini esatti e significato insieme, con filtri di metadati sopra.