Relational databases digital preservation

Abstract

With the expansion and growth of information technologies, much of human knowledge is now recorded on digital media. It began in the 20th century, it has been occurring continuously and it seems that there is no turning back. This paradigm brings scenarios where humans need mediators to understand digital information { computer platforms. These platforms are constantly changing and evolving and nothing can guarantee the continuity of access to digital artifacts in their absence. A new problem in the digital universe arises: Digital Preservation. There are huge volumes of information stored digitally and there are also a panoply of di erent classes, formats and types of digital objects. Our work addresses the problematic Digital Preservation and focuses on the logic and conceptual models within a speci c class of digital objects: Relational Databases. This family of digital objects is used by organizations to record their data produced on daily basis by information systems at operational levels or others. This structures are complex and the relational databases software support may di er from one organization to another. It can be proprietary, free or open source. Previously, a neutral format { Database Markup Language (DBML) { was adopted to pursue the goal of platform independence and to achieve standardization concerning the format in the digital preservation of relational databases. This format is able to describe both data and structure (logical model). The key strategies we are adopting are migration and normalization with refreshment. From our rst approach, we evolved the work to address the preservation of relational databases and we focused on the conceptual model of the database. The conceptual model of the database corresponds to the ideas and concepts that in the basis of the designed and/or modeled database, conceived to support a certain information system. We are referring to the semantics of the database and considering it as an important preservation "property". For the representation of this higher layer of abstraction present in databases we use an ontology based approach. At this higher abstraction level exists inherent Knowledge associated to the database semantics that we tentatively represent using Web Ontology Language (OWL). From the initial prototype, we developed a framework (supported by case studies) and establish a mapping algorithm for the conversion between the database and OWL. The ontology approach is adopted to formalize the knowledge associated to the conceptual model of the database and also a methodology to create an abstract representation of it. The system is based on the functional axes (ingestion, administration, dissemination and preservation) of the Open Archival Information System (OAIS) reference model and its information packages, where we include the two levels/layers of abstraction within the digital objects that are the subject of our research: Relational Databases. The framework o ers a set of web interfaces where it is possible to migrate a database into normalized and neutral formats (DBML + OWL) and perform some minor administration tasks on the repository. The system also enables the navigation or browsing through the database (concepts) without loosing technical details on the database relational model. The end consumers will have at their disposal a broad overview of the preserved object: a) the lower level data and structure of the relational database logical model and b) the higher level semantics and knowledge of the database conceptual model! Considering the unpredicted future access to a preserved database content and structure, our preservation policy tries to capture the signi cant properties of databases that should enable the future interpretability and understanding of the digital object.

Através do crescimento das tecnologias de informação, grande parte do conhecimento humano passou a ser armazenado em suportes digitais. Esta transformação iniciou-se no seculo XX, tem vido a ocorrer de forma contínua, e tudo indica que fora já ultrapassado o "ponto-sem-retorno". Este novo paradigma implica cenários substancialmente diferentes, cenários estes onde os seres humanos necessitam de mediadores para compreender a informação digital { plataformas computacionais. Estas plataformas estão em constante evolução e não existe nada que nos possa garantir a continuidade de acesso aos artefactos digitais na sua ausência. Surge um novo problema associado ao mundo digital: Preservação Digital. Grandes quantidades de informação estão armazenadas digitalmente numa panóplia de diferentes classes, formatos e tipos. O nosso trabalho concentra-se na problemática da preservação digital, focando concretamente os modelos lógico e conceptual de uma classe específica de objectos digitais: as Bases de Dados Relacionais. Esta família de objectos digitais é amplamente usada pelas organizações para guardar os dados produzidos diariamente pelos seus sistemas de informação, tanto ao nível operacional como a outros níveis. Falamos de estruturas complexas em que os Sistemas Gestores de Bases de Dados que as suportam podem variar de organização para organização. Os sistemas podem ser proprietários, livres e ou de código aberto ("open source"). Inicialmente, um formato neutro { Database Markup Language (DBML) { foi adotado no sentido de garantir a independência de plataformas, e com o objectivo de conseguir estabelecer um formato normalizado para a preservação de bases de dados relacionais; isto tanto para os dados como para a estrutura (modelo lógico). As estratégias que adoptamos são a migração e normalização com refrescamento. A partir da abordagem inicial, evoluímos o nosso trabalho no que concerne à preservação digital de bases de dados relacionais, focando o estudo também no modelo conceptual da base de dados. O modelo conceptual corresponde às ideias e conceitos na base do desenho e/ou modelação de uma determinada base de dados, e concebido para dar suporte a um determinado cenário "real", i.e., a um determinado sistema de informação. Referimo-nos à semântica da base de dados considerando-a como uma importante "propriedade" na preservação. Para a representação desta camada de abstração mais elevada que estão presente nas bases de dados, utilizamos uma abordagem baseada em ontologias. A este nível mais elevado de abstração existe informação e conhecimento intrínseco que estão associados à semântica da base de dados que se pretende representar através de Web Ontology Language (OWL). A partir do protótipo inicial, desenvolvemos uma plataforma aplicacional (suportada por casos de estudo) e estabelecemos um algoritmo de mapeamento para a conversão entre bases de dados e OWL. A abordagem através da ontologia foi adoptada para formalizar o conhecimento associado ao modelo conceptual da base de dados e também foi usada como uma metodologia para criar uma representação abstracta da base de dados. O sistema baseia-se nos eixos funcionais (ingestão, administração, disseminação e preservação) do modelo de referência Open Archival Information System (OAIS) assim como nos seus pacotes de informação (information packages) onde são incluídos dois níveis/camadas de abstração, relativamente aos objectos digitais que são objecto de preservação neste estudo: Bases de Dados Relacionais. O sistema (framework) fornece um conjunto de interfaces web, onde é possível migrar a base de dados para formatos neutros e normalizados (DBML + OWL), e permitem também executar algumas tarefas de administração do repositório. O sistema possibilita ainda a navegação e pesquisa pelas bases de dados (conceitos), sem que se perca aspectos técnicos associados ao modelo relacional das mesmas. Os consumidores finais têm ao seu dispor uma visão global do objecto preservado: a) a um nível inferior os dados e estrutura do modelo relacional lógico e b) a um nível mais elevado a semântica e conhecimento associado ao modelo conceptual da base de dados! Considerando a imprevisibilidade no acesso futuro ao conteúdo e estrutura de bases de dados preservadas, a nossa política de preservação pretende capturar as propriedades significativas das bases de dados capazes de possibilitar futuramente a interpretação e compreensão do objecto digital.