Das Hauptaugenmerk dieser Arbeit liegt auf der Entwicklung eines fortgeschrittenen Graphdatenbankenkonzepts welches zukünftigen Anforderungen genügt. Im Besonderen müssen zukünftige Graphdatenbanken ihre Fähigkeit zur Datenspeicherung von größeren Datensätzen und zur schnellen Abarbeitung von komplexeren Abfragen verbessern.
Auf dem Weg dieses Ziel zu erreichen sieht diese Arbeit den Memory Wall Effekt, welcher direkt aus der von Neumann Architektur resultiert, als Haupthindernis. Zur Lösung dieses Problems führt diese Arbeit den Spatially Aware Graph Store als neues Konzept ein. Dieser baut nicht auf einer von Neumann sondern auf einer Spatial Computer (dt. Räumlicher Rechner) Architektur auf. Da ein Spatial Computer aus Millionen von unabhängigen Verarbeitungseinheiten besteht, welche im ein-, zwei- oder dreidimensional physikalischen Raum angeordnet sind, erbt der Spatially Aware Graph Store diese massiv verteilte Umgebung und ist zudem fähig die räumliche Geometrie zur schnelleren Datenverarbeitung zu nützen. Allerdings wirkt sich in Spatial Computer die Distanz zwischen verbunden Knoten maßgeblich auf die erreichbare Geschwindigkeit der Graphtraversierung aus. Aus diesem Grund müssen diese Distanzen minimiert werden um ein effiziente Abarbeitung von Graphoperationen sicherzustellen.
In dieser Arbeit wird gezeigt, dass dies zum einen durch Erhöhung der Dimensionenanzahl des Spatial Computers und zum anderen durch Optimierungsalgorithmen möglich ist. Im letzteren Fall führt diese Arbeit einige neue Methoden ein. Die Mid-Point Optimierung erzielt zunächst ein grobe Minimierung. Sie ist jedoch ausreichend schnell um auch große Datensätze, wie sie bei realen Anwendungen vorkommen, zu verarbeiten. Um das Ergebnis weiter zu verfeinern wird anschließend die Local Node Optimierung ausgeführt. Schließlich zerlegt die Methode Node Decomposition Knoten mit vielen Kanten, in mehrere kleine Knoten mit weniger Kanten. Auf diese Weise können die Distanzen zwischen verlinkten Knoten, insbesondere in scale-free Datensätzen, zusätzlich minimiert werden.
Die Evaluationsergebnisse von realen Datensätzen zeigen, dass Spatially Aware Graph Stores in Kombination mit Distanzoptimerungsalgorithmen eine solide Basis für effizientere Graphdatenbanken bilden. Insbesondere arbeitet diese neue Art von Graphdatenbank auf massiv verteilte Weise, ist nicht vom Memory Wall Effekt betroffen und nützt die die räumliche Struktur von Spatial Computer zur Effizienzsteigerung.