MongoDB
Skalierbarkeit: Hochverfügbar und konsistent, saugt aber an Beziehungen und vielen verteilten Schreibvorgängen. Der Hauptvorteil besteht darin, schemalose Dokumente zu speichern und zu indizieren. Die Dokumentgröße ist auf 4 MB begrenzt und die Indizierung ist nur bei begrenzter Tiefe sinnvoll. Siehe http://www.paperplanes.de/2010/2/25/ notes_on_mongodb.html
Am besten geeignet für: Baumstrukturen mit begrenzter Tiefe
Anwendungsfälle: Vielfältige Typenhierarchien, Biologische Systematik, Bibliothekskataloge
Neo4j
Skalierbarkeit: Hochverfügbar, aber nicht verteilt. Leistungsstarkes Traversal-Framework für Hochgeschwindigkeits-Traversals im Knotenraum. Beschränkt auf Graphen um mehrere Milliarden Knoten/Beziehungen. Siehe http://highscalability.com/neo4j-graph-database-kicks-buttox
Am besten geeignet für: Tiefe Graphen mit unbegrenzter Tiefe und zyklischen, gewichteten Verbindungen
Anwendungsfälle: Soziale Netzwerke, topologische Analyse, Semantic Web Data, Inferencing
HBase
Skalierbarkeit: Zuverlässige, konsistente Speicherung im Petabyte-Bereich und darüber hinaus. Unterstützt eine sehr große Anzahl von Objekten mit einem begrenzten Satz von Attributen mit geringer Dichte. Arbeitet zusammen mit Hadoop für große Datenverarbeitungsaufträge. http://www.ibm.com/developerworks/opensource /library/os-hbase/index.html
Am besten geeignet für: gerichtete, azyklische Graphen
Anwendungsfälle: Protokollanalyse, Semantic-Web-Daten, maschinelles Lernen
