Bandizip: Un enfoque de la compresión sin pérdida de ficheros de bases de datos
DOI:
https://doi.org/10.18779/ingenio.v8i1.889Palabras clave:
Compresión sin pérdida, formatos de archivos, bandizipResumen
La compresión de datos es un proceso esencial en ciencias de la computación y teoría de la información para reducir el tamaño de la información mediante técnicas especializadas que eliminan redundancias estadísticas o estructurales. Este proceso puede ser sin pérdida, manteniendo la integridad de los datos, o con pérdida, sacrificando precisión por mayor compresión. Las aplicaciones de la compresión de datos abarcan desde la optimización del almacenamiento hasta la mejora del rendimiento de transferencia de datos, aunque con un costo computacional que debe equilibrarse. La elección del formato de compresión correcto puede impactar significativamente en el rendimiento de bases de datos y operaciones de almacenamiento. Entre los formatos destacados se encuentran ZIP, ZIPX, 7Z y XZ, cada uno con características únicas que los hacen más apropiados para ciertos contextos. Por ejemplo, ZIPX y EXE son eficaces en términos de tasa de compresión, mientras que XZ destaca en entornos Unix y Linux. En la investigación presentada, se empleó Bandizip para demostrar la versatilidad en la gestión de archivos comprimidos con un enfoque en la eficacia y la tasa de compresión. El análisis comparativo de tasas de compresión reveló que ZIPX, EXE y XZ son óptimos para comprimir bases de datos, maximizando la reducción de tamaño sin comprometer la integridad de los datos. Estos hallazgos subrayan la importancia de seleccionar estratégicamente el formato de compresión para optimizar el almacenamiento y la transmisión de grandes volúmenes de información, especialmente en entornos de bases de datos.
Descargas
Citas
A. Gopinath, and M. Ravisankar, “Comparison of Lossless Data Compression Techniques,” en 2020 International Conference on Inventive Computation Technologies (ICICT), 2020, pp. 628–633. [En línea]. Disponible en: https://doi.org/10.1109/ICICT48043.2020.9112516
S. A. Abdulzahra, A. K. M. Al-Qurabat, and A. K. Idrees, “Data Reduction Based on Compression Technique for Big Data in IoT,” en 2020 International Conference on Emerging Smart Computing and Informatics (ESCI),2020, pp. 103–108, 2020. [En línea]. Disponible en: https://doi.org/10.1109/ESCI48226.2020.9167636
R. Vestergaard, D. E. Lucani, and Q. Zhang, “A Randomly Accessible Lossless Compression Scheme for Time-Series Data,” en IEEE INFOCOM 2020 - IEEE Conference on Computer Communications, Toronto, Canada, 2020, pp. 2145-2154. [En línea]. Disponible en: https://doi.org/10.1109/INFOCOM41043.2020.9155450
S. Subbarayappa, and P. G. Aradhyamath, “Analytical Transform for Image Compression,” en 2021 6th International Conference for Convergence in Technology (I2CT), 2021, pp. 1–5. [En línea]. Disponible en: https://doi.org/10.1109/I2CT51068.2021.9418183.
M. Um, J. Han, and S. Lee, “File fingerprinting of the ZIP format for identifying and tracking provenance,” Forensic Science International: Digital Investigation, vol. 39, dec. 2021. [Online] Available: https://doi.org/10.1016/j.fsidi.2021.301271
M. H. Kolekar, C. K. Jha, and P. Kumar, “ECG Data Compression Using Modified Run Length Encoding of Wavelet Coefficients for Holter Monitoring,” Irbm, vol. 43, no. 5, pp. 325–332, oct. 2022. [Online] Available: https://doi.org/10.1016/j.irbm.2021.10.001
A. A. R. Beserra, L. C. Souza, and D. F. L. Souza, “Bootstrap analysis of compression algorithms,” IEEE L Latin America Transactions, vol. 18, no. 9, pp. 1639–1645, sep. 2020. [Online] Available: https://doi.org/10.1109/TLA.2020.9381807
I. V. Selivanova, B. Y. Ryabko, and A. E. Guskov, “Classification by compression: Application of information-theory methods for the identification of themes of scientific texts,” Automatic Documentation and Mathematical Linguistic, vol. 51, no. 3, pp. 120–126, aug. 2017. [Online] Available: https://doi.org/10.3103/s0005105517030116
B. Lal, R. Gravina, F. Spagnolo, and P. Corsonello, “Compressed Sensing Approach for Physiological Signals: A Review,” IEEE Sensors Journal, vol. 23, no. 6, pp. 5513–5534, mar. 2023. [Online] Available: https://doi.org/10.1109/JSEN.2023.3243390
T. Islam, C. H. Kim, H. Iwata, H. Shimono, and A. Kimura, “DeepCGP: A Deep Learning Method to Compress Genome-Wide Polymorphisms for Predicting Phenotype of Rice,” IEEE/ACM Transactions on Computational Biology and Bioinformatics, vol. 20, no. 3, pp. 2078–2088, 2023. [Online] Available: https://doi.org/10.1109/TCBB.2022.3231466
N. G. Larrakoetxea, J. E. Astobiza, I. P. Lopez, B. S. Urquijo, J. G. Barruetabena, and A. Z. Rego, “Efficient Machine Learning on Edge Computing Through Data Compression Techniques,” IEEE Access, vol. 11, pp. 31676–31685, mar. 2023. [Online] Available: https://doi.org/10.1109/ACCESS.2023.3263391
E. B. Van De Kraats, G. P. Penney, D. Tomazevic, T. Van Walsum, and W. J. Niessen, “Standardized evaluation of 2D-3D registration”, en Medical Image Computing and Computer-Assisted Intervention -- MICCAI 2004, Lecture Notes in Computer Science, 2004, pp. 574–581. [Online] Available: https://doi.org/10.1007/978-3-540-30135-6_70
D. Kim, J. Jeong, S. H. Lee, S. H. Kang, y Y. K. Lee, “Integrity check value, are you a spy? Information leakage attack on archive formats,” IEEE Access, vol. 12, pp. 105258-105267, jun. 2024. [Online] Available: https://doi.org/10.1109/ACCESS.2024.3416690.
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Fabricio Marcillo, Javier Guaña, Yamileth Arteaga, Lucía Begnini
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Acuerdo de licencia
Esta revista ofrece acceso gratuito a su contenido a través de su sitio web, siguiendo el principio de que hacer que la investigación esté disponible gratuitamente para el público apoya un mayor intercambio de conocimiento global.
El contenido web de la revista se distribuye bajo la licencia Atribución-NoComercial-CompartirIgual 4.0 Internacional.
Los autores podrán celebrar otros acuerdos de licencia no exclusivos para la distribución de la versión publicada de la obra, siempre que se reconozca la publicación inicial en esta revista. Se permite y recomienda que los autores publiquen sus trabajos en línea antes y durante el proceso de envío, lo que puede generar intercambios interesantes y aumentar las citas del trabajo publicado.
