Sharing a large amount of data between many mobile devices can lead to scalability problems. One of these scalability problems is that the data becomes too large to store on mobile devices and that many updates are sent to each device. In this thesis, Couchbase is evaluated as a tool to solve this problem where the data has a geographical position. The scalability problem is solved by partitioning the data with the help of Couchbase channels and Google’s tile-based mapping system. Synchronising and storing only data of interest for each user has been in focus. The result showed that it was effective to use a Couchbase solution together with Google’s tile-based mapping system to reduce the amount of data that was required to be stored for each user. It was shown to be more effective to store objects encoded as base64 data instead of their binary data representation for the data set used in this study. The reason for this is because Couchbase stores Binary Large Objects (BLOBs) as separate files and the BLOBs in the data set had much smaller file size than what the disk sector size was. A test to find how the synchronisation time was affected by the number of channels was conducted. It showed that the synchronisation time increased linearly with an increasing number of channels when the objects were stored in separate files. When the objects were encoded as base64 data, the number of channels used had a minor effect on the synchronisation time. The conclusion is that the approach presented in this study has been effective. However, the results are data dependent and therefore it is recommended to rerun similar tests in order to decide the number of channels to use when partitioning the data.

Arbetet jämför fyra olika NoSQL-databaser med fokus på tidseffektivitet. De fyra databaserna är MongoDB, RavenDB, ArangoDB och Couchbase. Studien består av en benchmark för att mäta tidseffektiviteten av de fyra databaserna och en litteraturstudie av hur tidseffektiviteten påverkas av optimeringslösningar. Tillsammans bidrar dessa metoder till en slutsats från båda perspektiven då de kompletterar varandra och ger en grund för resultatets betydelse. Arbetets grund ligger i ett tidigare examensarbete som går ut på att jämföra en SQL-databas mot en NoSQL-databas med en benchmark. Resultatet av studien visar att för de flesta databaser så ökar söktiden för en query i korrelation med ökningen av query-komplexiteten, och att tidseffektiviteten mellan de olika databaserna varierar vid sökningar med hög komplexitet. Framtida arbeten som kan baseras på denna studie är att göra en liknande benchmark på ett dataset som är större eller att en annan typ av databas används.

Följande arbete jämför databashanterarna MongoDB och Couchbase responstid i att hämta data i en Node.js REST api. Datasetet har en enkel struktur och består av befolkningsdata. Jämförelsen ska svara på vilken av dessa databashanterare som har kortast responstid i att hämta befolkningsdata i en Node.js REST api, eftersom responstiden är väldigt viktig för användare. Testet sker med egenutvecklade script och mäter tiden det tar att skicka en begäran till REST api:t och visa den hämtade datan på webbläsaren. REST api:t består av 5 endpoints vilket testades 6000 gånger var för MongoDB och Couchbase. MongoDB hade kortast responstid på samtliga test. I framtida arbeten kan resten av CRUD operationerna testas och då inte bara att hämta data, långsiktig kan datasetet ändras för att kunna testa mer komplexa sökfrågor.

Syftet med denna studien är att undersöka vilken av databaserna MongoDB och Couchbase som utför frågeoperationerna hämtning, uppdatering och inmatning på kortast tid vid lagring av medicinsk data. För att utvärdera prestandan utvecklades en artefakt som bestod av en klientapplikation och ett REST API. Experimentet genomfördes tre gånger med olika mängder data i databasen för att se hur mängden data påverkar svarstiden. Resultaten visade att Couchbase var snabbare än MongoDB oavsett datamängden i databasen för samtliga frågeoperationer. Resultatet visade även att datamängden i respektive databas spelar roll för databasens hastighet. I ett framtida arbete kan horisontell skalning testas för att se hur uppdelning av datan till flera maskiner påverkar prestandan.

During this project NoSQL technologies for Hotel IT have been evaluated. It has been determined that among NoSQL technologies, document database fits the best this use-case. Couchbase and MongoDB, the two main documents stores have been evaluated, their similarities and differences have been highlighted. This reveals that document-oriented features were more developed in MongoDB than Couchbase, this has a direct impact on search of reservations functionality. However Couchbase offers a better way to replicate data across two remote data centers. As one of the goals was to provide a powerful search functionality, it has been decided to use MongoDB as a database for this project. A proof of concept has been developed, it enables to search reservations by property code, guest name, check-in date and check-out date using a REST/JSON interface and confirms that MongoDB could work for storing hotel reservations in terms of functionality. Then different experiments have been conducted on this system such as throughput and response time using specific hotel reservation search query and data set. The results we got reached our targets. We also performed a scalability test, using MongoDB sharding functionalities to distribute data across several machines (shards) using different strategies (shard keys) so as to provide configuration recommendations. Our main finding was that it was not necessary to always distribute the database. Then if "sharding" is needed, distributing the data according to the property code will make the database go faster, because queries will be sent directly to the good machine(s) in the cluster and thus avoid "scatter-gather" query. Finally some search optimizations have been proposed, and in particular how an advanced search by names could be implemented with MongoDB. / <p>This thesis is submitted in the framework of a double degree between Compiègne University Of Technology (UTC) and Linköping University (LiU)</p>