27 de octubre de 2026
Desarrollo de Sistema para Migración de Datos de Bancos Relacionales a NoSQL
Lucas José Martins de Lara; Alexandre Leite Rangel
DOI: 10.22167/2675-6528-202601127
Artículo elaborado por la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción.
Resumen
El avance de las tecnologías de bases de datos impulsó la necesidad de migración entre sistemas relacionales y NoSQL, debido a las diferencias en sus modelos de datos y requisitos de escalabilidad. Se desarrolló un sistema automatizado para convertir datos de MySQL y PostgreSQL a MongoDB y Cassandra, con el objetivo de preservar la integridad y estructura de la información. La investigación experimental utilizó el lenguaje Python y diversas bibliotecas para analizar esquemas y transformar datos en tres modelos distintos: relacional normalizado, relacional disperso y Entidad-Atributo-Valor (EAV), en un entorno contenedorizado con Docker. Se observó que MongoDB presentó mayor velocidad para modelos relacionales tradicionales, ya sean completamente llenos o dispersos. Sin embargo, enfrentó un cuello de botella crítico de rendimiento en el modelo EAV, donde el costo computacional del pivoteo de datos resultó en tiempos de ejecución significativamente elevados. En contrapartida, Cassandra demostró ser más eficiente para el modelo EAV, tanto en velocidad de ingesta como en ahorro de almacenamiento en disco. Se concluyó que no existe una solución universal para la migración NoSQL, y la elección de la tecnología de destino debe guiarse por la naturaleza estructural de los datos de origen. MongoDB se mostró ágil para tablas normalizadas, mientras que Cassandra se consolidó como la opción ideal para escenarios de alta flexibilidad y dispersión. La herramienta funcional y las métricas comparativas generadas contribuyeron a la toma de decisiones estratégicas en proyectos de modernización de infraestructuras de datos.
Palabras clave: Automatización; Cassandra; Escalabilidad; MongoDB; Modelos de datos.
1. Introducción
La gestión de datos ha experimentado una notable evolución en las últimas décadas, impulsada por el crecimiento exponencial del volumen, la variedad y la velocidad de la información. Tradicionalmente, los sistemas de gestión de bases de datos relacionales (SGBDR) han sido la columna vertebral para el almacenamiento de datos estructurados, ofreciendo un modelo robusto basado en tablas interconectadas y la garantía de propiedades ACID (Atomicidad, Consistencia, Aislamiento y Durabilidad) (Elmasri y Navathe, 2020). Sin embargo, la creciente demanda de aplicaciones con alta escalabilidad, flexibilidad de esquema y capacidad para procesar grandes volúmenes de datos no estructurados o semiestructurados ha llevado al surgimiento y la popularización de las bases de datos NoSQL (Not only SQL) (Sethi y Panda, 2024). Aunque los SGBDR todavía dominan el mercado, representando más del setenta por ciento de los casos de uso (DB-Engines, 2025), la necesidad de modernizar infraestructuras de datos y aprovechar las ventajas de los paradigmas NoSQL ha generado una demanda significativa de soluciones de migración eficientes (Sadalage y Fowler, 2013).
La transición de datos entre entornos relacionales y NoSQL, sin embargo, presenta desafíos complejos, principalmente debido a las diferencias fundamentales en sus modelos de datos y filosofías operativas. Las bases de datos relacionales operan con esquemas fijos y normalizados, optimizados para la integridad y consultas complejas a través de SQL. En contraste, las bases de datos NoSQL adoptan esquemas flexibles o sin esquema, priorizando la escalabilidad horizontal y la disponibilidad, con modelos que varían desde documentos hasta grafos, clave-valor y columnas anchas (Vilaça et al., 2013). Esta incompatibilidad estructural, a menudo referida como “impedancia de esquema”, hace de la migración una tarea ardua, que requiere no solo la transformación de los datos, sino también la adaptación de las aplicaciones y la preservación de la integridad informacional (Ghotiya, 2017). La optimización de este proceso requiere herramientas que automaticen el análisis de esquemas, la conversión de datos y la adaptación de aplicaciones, minimizando intervenciones manuales y potenciales errores (Sethi y Panda, 2024). Aspectos como el rendimiento y la escalabilidad son cruciales, y la manipulación de grandes volúmenes de datos en sistemas heterogéneos impone desafíos significativos en la organización y la traducción de consultas (Elmasri y Navathe, 2020; Malik et al., 2020).
Para abordar la complejidad de la migración, este estudio explora la transformación de datos en tres modelos distintos: relacional normalizado, relacional disperso y Entidad-Atributo-Valor (EAV). El modelo normalizado representa la estructura relacional tradicional, con tablas bien definidas y claves primarias y foráneas para garantizar la integridad referencial. El modelo disperso introduce la variabilidad de datos, simulando escenarios reales donde muchos campos pueden estar vacíos o nulos, probando la resiliencia del sistema de migración a esquemas heterogéneos e incompletos. Finalmente, el modelo EAV es una arquitectura flexible que almacena información como conjuntos de pares atributo-valor, en lugar de columnas fijas, siendo particularmente útil para datos variados y complejos, como historiales médicos, donde cada ítem puede tener propiedades diferentes (Dinu y Nadkarni, 2006). La transposición de datos EAV a paradigmas NoSQL es especialmente desafiante, ya que exige operaciones de pivoteo y reestructuración para consolidar atributos dispersos en documentos o columnas, lo que puede impactar significativamente el rendimiento y el consumo de almacenamiento.
Ante el escenario de constante evolución tecnológica y la creciente necesidad de flexibilidad en la gestión de datos, la migración entre bases relacionales y NoSQL se ha convertido en un imperativo estratégico para muchas organizaciones. La ausencia de una solución universal y la complejidad inherente a esta transición justifican la necesidad de herramientas que optimicen y estandaricen el proceso, garantizando la integridad de los datos y la eficiencia operativa. Así, el presente trabajo se justifica por su contribución a la modernización de infraestructuras de datos, ofreciendo un sistema automatizado para la migración de datos de bases relacionales (MySQL y PostgreSQL) a bases NoSQL (MongoDB y Cassandra), con el objetivo de analizar el rendimiento y la eficiencia de almacenamiento en diferentes modelos de datos (normalizado, disperso y EAV) y proporcionar métricas comparativas para auxiliar en la toma de decisiones estratégicas.
2. Material y Métodos
El presente trabajo se caracteriza como una Investigación Experimental, según la clasificación propuesta por Cajueiro (2015). Este enfoque metodológico fue seleccionado por implicar la implementación y prueba de nuevas tecnologías y algoritmos, específicamente un sistema para la migración de datos. La investigación experimental permitió la evaluación sistemática de hipótesis relacionadas con el rendimiento y la eficiencia de almacenamiento en diferentes escenarios de migración, proporcionando una base empírica para las conclusiones del estudio.
La ejecución del proceso de migración y las pruebas de rendimiento se llevaron a cabo en un entorno de máquina local. Este entorno consistía en un procesador Intel Core i7 de 13ª generación, equipado con 16 GB de memoria RAM DDR5, un almacenamiento SSD de 1 TB y una tarjeta gráfica Nvidia GeForce RTX 4060 GDDR6. La infraestructura de desarrollo y pruebas se configuró utilizando contenedores Docker (versión 27.2.0), lo que garantizó el aislamiento de cada tecnología de base de datos y facilitó la reproducibilidad de los experimentos realizados.
El estudio se centró en la migración de datos entre bases de datos relacionales y NoSQL, utilizando MySQL (versión 8.4.5) y PostgreSQL (versión 15.13.1) como fuentes relacionales, y MongoDB (versión 6.0.23) y Cassandra (versión 4.1.9) como destinos NoSQL. La unidad de análisis consistió en los procesos de transformación y transferencia de datos, evaluando su rendimiento y eficiencia de almacenamiento en tres modelos de datos distintos: normalizado, disperso y Entidad-Atributo-Valor (EAV), con el objetivo de un análisis comparativo exhaustivo.
Para simular un entorno real con gran volumen de registros, se generaron datos sintéticos de registro de usuarios. Se utilizó una clase en Python, denominada FakeData, que empleó la biblioteca Faker (versión 37.3.0) para crear estos datos. Los datos se estructuraron en tres modelos distintos, cada uno con 100.000 registros, y se insertaron inicialmente en las bases de datos relacionales MySQL y PostgreSQL, sirviendo como la población de origen para las pruebas de migración subsiguientes.
En el primer modelo de datos, la estructura relacional se normalizó, comprendiendo cuatro tablas interconectadas: `usuarios`, `direcciones`, `redes_sociales` y `tarjetas_credito`. Todas las columnas de estas tablas se rellenaron íntegramente, con la tabla `usuarios` conteniendo siete columnas y utilizando un ID como clave primaria. Las demás tablas emplearon claves foráneas para mantener la integridad referencial con la tabla principal. El segundo modelo mantuvo la misma topología, pero introdujo esparsidad, con columnas como `edad` y `profesion` en la tabla `usuarios` presentando un 15% y 30% de probabilidad de estar vacías, respectivamente. Otras tablas tuvieron tasas de nulidad variando entre el 5% y el 40%.
El tercer modelo de datos adoptó la arquitectura Entidad-Atributo-Valor (EAV), consolidando toda la información en una única tabla con cuatro columnas: `id`, `entidad`, `atributo` y `valor`. El CPF de los usuarios se empleó como identificador lógico en la columna `entidad`, mientras que la columna `atributo` mapeó dinámicamente diecisiete campos biográficos y complementarios. Para aumentar la complejidad, se aplicaron las mismas probabilidades de inexistencia de atributos verificadas en el modelo disperso, desafiando a la herramienta a transponer esta estructura flexible y dispersa a los modelos de documentos del MongoDB y de columnas del Cassandra.
La extracción de metadatos y el análisis estructural de las bases de origen se realizaron a través de la clase RelationalDatabaseInspector. Esta clase utilizó la funcionalidad `inspect` de la biblioteca SQLAlchemy (versión 2.0.49) para mapear automáticamente las dependencias de integridad referencial, como Claves Primarias (PK) y Claves Foráneas (FK). Además de la inspección relacional clásica, la herramienta implementó una lógica para detectar estructuras basadas en el modelo EAV, identificando patrones en tríos de columnas (`entidad`, `atributo`, `valor`), permitiendo la aplicación de la estrategia de transformación de datos más adecuada para cada caso.
La migración a MongoDB fue operacionalizada por la clase RelationalToMongoMigrator, que actuó en conjunto con RelationalDatabaseInspector para determinar la estrategia de persistencia. Para los modelos normalizado y disperso, la clase utilizó el mapeo de claves primarias y foráneas para realizar la unión de los datos de las tablas, consolidándolos en documentos únicos, donde la Primary Key original fue mapeada directamente al campo `_id` de MongoDB. En el caso del modelo EAV, la herramienta procesó la tabla agrupando los atributos de cada entidad mediante una operación de pivoteo con la biblioteca Pandas, definiendo el CPF como el índice y clave natural del documento de destino, dada la ausencia de un identificador numérico secuencial típico.
Para la migración a Cassandra, la operacionalización fue conducida por la clase RelationalToCassandraMigrator, que también actuó en conjunto con RelationalDatabaseInspector para mapear la infraestructura de origen. El proceso se inició con la conexión a la base de datos relacional vía SQLAlchemy, seguida por la extracción de los datos y la creación dinámica de keyspaces y tablas en Cassandra, basándose en los campos identificados automáticamente. En los dos primeros modelos (normalizado y disperso), la inspección de las relaciones de claves primarias y foráneas permitió la ejecución de consultas con `joins` para viabilizar este flujo, implementándose una lógica de desambiguación de columnas para evitar conflictos de nomenclatura entre tablas distintas durante la persistencia en el modelo orientado a columnas.
En el tercer modelo, centrado en la arquitectura EAV, el sistema realizó la consolidación de datos por entidad a través de una operación de pivoteo con la biblioteca Pandas, transformando los atributos dispersos en columnas estructuradas antes de la inserción. En este contexto, los valores contenidos en la columna `entidad` se definieron como la Primary Key en Cassandra, asegurando la distribución y el acceso eficiente a los registros en el modelo de columnas anchas. Durante todo el procedimiento, se realizó el ajuste fino de los tipos de datos y la definición de claves de partición que respetaran las buenas prácticas de escalabilidad del banco de destino.
El análisis de infraestructura y volumetría se desarrolló a través de la clase DBStorageAnalyzer, que utilizó la biblioteca `docker` para Python para interactuar con el entorno contenerizado. El monitoreo del tamaño ocupado por las cuatro bases de datos (MySQL, PostgreSQL, MongoDB y Cassandra) se realizó ejecutando el comando “du -sb {path}” en cada contenedor. El parámetro “path” apuntaba al directorio específico de almacenamiento de datos de cada tecnología, permitiendo la extracción precisa del consumo de disco en bytes para subsidiar el análisis comparativo.
Con el objetivo de automatizar las pruebas de las diferentes rutas de migración, se creó la clase DatabaseMigrationTester. Esta clase centralizó y ejecutó todo el proceso de generación de datos, migración y visualización de los resultados. Permitió probar de manera estandarizada las cuatro rutas de migración: de MySQL a MongoDB, de MySQL a Cassandra, de PostgreSQL a MongoDB y de PostgreSQL a Cassandra, garantizando la correcta ejecución de cada paso del flujo. El conteo de tiempo se incorporó utilizando la función `perf_counter()` de la biblioteca `time`, registrando el inicio y fin de cada migración para evaluar el rendimiento de los procesos.
Los datos recopilados, referentes a los tiempos de ejecución y al consumo de almacenamiento en disco, fueron sometidos a un análisis comparativo. Para cada uno de los tres modelos de datos (normalizado, disperso y EAV) y para cada una de las cuatro rutas de migración, se registraron diez ciclos de pruebas. Las medias de estos ciclos se calcularon para cada escenario, permitiendo la evaluación de la eficiencia temporal y volumétrica de las diferentes tecnologías de destino. Este enfoque tuvo como objetivo identificar patrones de rendimiento y consumo de recursos, proporcionando métricas para ayudar en la toma de decisiones estratégicas sobre la adecuación de cada paradigma NoSQL.
3. Resultados y Discusión
La implementación exitosa de las clases `RelationalToMongoMigrator` y `RelationalToCassandraMigrator` demostró la viabilidad técnica de un sistema automatizado para la migración de datos entre bases de datos relacionales, como MySQL y PostgreSQL, y bases de datos NoSQL, específicamente MongoDB y Cassandra. La plena funcionalidad de la herramienta fue asegurada por la integración con la clase `RelationalDatabaseInspector`, que ejecutó el análisis automatizado de metadatos. Esta etapa crucial permitió la identificación precisa de claves primarias (PK), claves foráneas (FK) y, de forma innovadora, la detección de estructuras basadas en el modelo Entidad-Atributo-Valor (EAV). La capacidad de inspeccionar y comprender la estructura de origen de los datos fue fundamental para la ejecución correcta de todas las fases del proceso de migración, desde la conexión inicial y la lectura de las tablas hasta la transformación lógica de los datos y su inserción en las bases de destino. La automatización de estos procesos de inspección y transformación es un avance significativo, ya que, como señaló Ghotiya (2017), la migración entre diferentes paradigmas de bases de datos es una tarea compleja, principalmente debido a las disparidades en los modelos de datos. La herramienta desarrollada mitiga esta complejidad al estandarizar y optimizar las etapas, reduciendo la necesidad de intervención manual y el riesgo de errores.
Las operaciones de migración fueron orquestadas por la clase `DatabaseMigrationTester`, que centralizó y estandarizó el flujo completo para las cuatro rutas de migración definidas: MySQL a MongoDB, PostgreSQL a MongoDB, MySQL a Cassandra y PostgreSQL a Cassandra. Este enfoque sistemático garantizó la ejecución consistente y reproducible de los experimentos, un pilar de la investigación experimental según Cajueiro (2015). La arquitectura modular del sistema, con componentes especializados para cada fase del proceso, se ilustra en la Figura 1, que detalla cómo la clase `DatabaseMigration` actúa como un orquestador central, delegando tareas específicas a las clases de inspección, generación de datos y migración.
Fuente: Elaborado por el autor (2026)
Figura 1. Diagrama de Clases
La representación visual en la Figura 1 destaca la interconexión entre los módulos, como `DatabaseMigration` utiliza `FakeData` para la generación de datos sintéticos, `DatabaseInspector` para el análisis del esquema, y los migradores específicos (`RelationalToMongoMigrator` y `RelationalToCassandraMigrator`) para la ejecución de la transferencia de datos. Esta estructura modular no solo facilita la comprensión del flujo de trabajo, sino que también promueve la mantenibilidad y la escalabilidad del sistema, permitiendo que nuevos módulos o tecnologías de bases de datos se integren con relativa facilidad en el futuro. El uso de contenedores Docker (versión 27.2.0) para aislar cada tecnología de base de datos, como se detalla en la metodología, reforzó la reproducibilidad de los experimentos, un aspecto crucial para la validación de los resultados y para la credibilidad de las conclusiones (Sethi & Panda, 2024). La capacidad de probar las doce combinaciones planificadas (cuatro rutas de migración para cada uno de los tres modelos de datos) con éxito, validando la integridad de la información mediante consultas directas en los destinos, subraya la robustez de la solución propuesta.
En relación con el rendimiento temporal de las migraciones, los resultados revelaron una divergencia significativa entre las bases de datos de destino, dependiendo de la estructura de datos de origen. Para los modelos 1 (relacional normalizado) y 2 (relacional disperso), las rutas de migración dirigidas a MongoDB presentaron, en promedio, mayor eficiencia temporal en comparación con Cassandra. Por ejemplo, la migración de MySQL a MongoDB para el modelo normalizado (Tabla 1) tuvo un promedio de 53,01 segundos, mientras que para Cassandra fue de 79,64 segundos. De manera similar, para PostgreSQL, la migración a MongoDB fue de 35,08 segundos, frente a 62,03 segundos para Cassandra. Este rendimiento superior de MongoDB puede atribuirse a su arquitectura orientada a documentos, que se adapta bien a la consolidación de datos relacionales en estructuras anidadas. La clase `RelationalToMongoMigrator` utilizó el mapeamiento de claves primarias y foráneas para realizar la unión de los datos de las tablas, consolidándolos en documentos únicos, donde la clave primaria original se mapeó directamente al campo `_id` de MongoDB. Este enfoque minimiza la sobrecarga de transformación e inserción, ya que el modelo de documento de MongoDB es intrínsecamente flexible y permite la representación de datos complejos y jerárquicos de forma eficiente (Elmasri & Navathe, 2020). La flexibilidad de esquema de MongoDB (Vilaça et al., 2013) permite que los datos se inserten sin la necesidad de un esquema rígido predefinido, lo que agiliza el proceso de migración para datos estructurados que pueden ser desnormalizados en documentos.
En contrapartida, la migración a Cassandra para los modelos normalizado y disperso, aunque exitosa, registró latencias de escritura superiores. La clase `RelationalToCassandraMigrator` realizó la creación dinámica de keyspaces y tablas en Cassandra, basándose en los campos identificados automáticamente. Para los dos primeros modelos, la inspección de las relaciones de claves primarias y foráneas permitió la ejecución de consultas con `joins` para viabilizar este flujo, implementándose una lógica de desambiguación de columnas para evitar conflictos de nomenclatura. El modelo de columnas anchas de Cassandra, aunque optimizado para escalabilidad horizontal y alta disponibilidad, puede introducir un overhead mayor para la ingesta inicial de datos relacionales que exigen transformaciones complejas para adecuarse a su modelo de datos. La necesidad de definir claves de partición y agrupar datos de forma optimizada para consultas distribuidas puede añadir complejidad y tiempo al proceso de migración inicial, especialmente cuando se compara con la simplicidad de inserción de documentos en MongoDB para datos ya consolidados. Esta diferencia de rendimiento sugiere que, para cargas de trabajo provenientes de esquemas relacionales tradicionales, MongoDB ofrece mayor agilidad en el procesamiento, independientemente de la densidad de los datos, como se observó en los modelos normalizado y disperso.
Sin embargo, el escenario del modelo 3, basado en la arquitectura Entidad-Atributo-Valor (EAV), reveló una inversión completa en el perfil de rendimiento. Según se presenta en la Tabla 1, Cassandra demostró una superioridad notable en la ingesta de estos datos, mientras que MongoDB presentó un cuello de botella crítico, con tiempos de ejecución que excedieron los 15 minutos en todas las pruebas realizadas.
Tabla 1. Tiempos en segundos para la migración de 100.000 filas al modelo 3
|
Número de Prueba |
Tiempo de MySQL → MongoDB |
Tiempo (s) de PostgreSQL → MongoDB |
Tiempo (s) de MySQL → Cassandra |
Tiempo (s) de PostgreSQL → Cassandra |
|
1 |
1671,86 |
945,39 |
193,86 |
109,65 |
|
2 |
1641,45 |
957,39 |
192,72 |
108,57 |
|
3 |
1612,43 |
932,76 |
191,07 |
107,29 |
|
4 |
1705,81 |
968,14 |
198,33 |
113,46 |
|
5 |
1658,94 |
912,47 |
186,22 |
105,13 |
|
6 |
1594,27 |
985,33 |
204,65 |
112,71 |
|
7 |
1722,56 |
944,81 |
196,38 |
109,54 |
|
8 |
1637,12 |
1004,59 |
189,74 |
104,28 |
|
9 |
1674,38 |
926,15 |
201,47 |
111,06 |
|
10 |
1691,02 |
957,38 |
193,58 |
108,67 |
|
Media (s) |
1660,98 |
953,44 |
194,80 |
109,04 |
Fuente: Resultados originales de la investigación
La Tabla 1 ilustra claramente esta disparidad: la migración de MySQL a MongoDB para el modelo EAV tomó un promedio de 1660,98 segundos (aproximadamente 27,68 minutos), mientras que para Cassandra, la misma migración se completó en 194,80 segundos (aproximadamente 3,25 minutos). De manera similar, la migración de PostgreSQL a MongoDB tomó 953,44 segundos (aproximadamente 15,89 minutos), frente a 109,04 segundos (aproximadamente 1,82 minutos) para Cassandra. Esta discrepancia sustancial puede atribuirse a las características intrínsecas del modelo EAV y a la forma en que cada base de datos NoSQL lo maneja. El modelo EAV, como lo describen Dinu y Nadkarni (2006), almacena información como conjuntos de pares atributo-valor, lo que confiere gran flexibilidad, pero puede ser un desafío para sistemas que no están diseñados para tal estructura. Para MongoDB, la herramienta procesó la tabla EAV agrupando los atributos de cada entidad a través de una operación de pivoteo con la biblioteca Pandas. Esta operación de pivoteo, que transforma filas en columnas para consolidar los atributos de una entidad en un solo documento, es computacionalmente intensiva. La reconstrucción de documentos complejos a partir de una estructura EAV dispersa genera una sobrecarga significativa, evidenciando limitaciones de rendimiento para este paradigma específico de migración, incluso en entornos controlados.
En contraste, Cassandra, con su arquitectura de columnas anchas, demostró ser excepcionalmente eficiente para el modelo EAV. El sistema realizó la consolidación de datos por entidad a través de una operación de pivoteo con la biblioteca Pandas antes de la inserción, pero la naturaleza del modelo de columnas anchas de Cassandra permite que los atributos dispersos se almacenen de forma natural y eficiente. Los valores contenidos en la columna `entidad` se definieron como la Primary Key en Cassandra, asegurando la distribución y el acceso eficiente a los registros. La capacidad de Cassandra para manejar un gran número de columnas dinámicas, donde cada atributo puede ser una columna, se alinea perfectamente con la flexibilidad del EAV, sin la necesidad de transformaciones complejas que penalizan el rendimiento. Este hallazgo corrobora la literatura que destaca la idoneidad de las bases de datos de columnas anchas para datos dispersos y flexibles, donde la escalabilidad y la eficiencia de escritura son primordiales (Heine et al., 2018). La robustez de Cassandra para manejar la complejidad y la dispersión del modelo EAV, sin incurrir en cuellos de botella de rendimiento, lo posiciona como una opción ideal para escenarios de datos altamente variables.
El análisis de infraestructura y volumetría, realizado por la clase `DBStorageAnalyzer`, proporcionó información crucial sobre la eficiencia del almacenamiento en disco de las diferentes bases de datos. Las Tablas 4, 5 y 6 presentaron las mediciones del espacio ocupado por las tablas o colecciones dentro de los contenedores, permitiendo un análisis comparativo de la eficiencia volumétrica de cada tecnología. Los datos demostraron que la eficiencia del almacenamiento varía drásticamente según la estructura lógica aplicada. En el escenario de tablas normalizadas (Modelo 1), según se detalla en la Tabla 4, las bases de datos relacionales MySQL y PostgreSQL presentaron los menores consumos de espacio, manteniéndose en el rango de 10 MB a 15 MB. Por ejemplo, el promedio de almacenamiento para MySQL fue de 11,78 MB y para PostgreSQL, 14,63 MB. En contrapartida, MongoDB registró los valores más altos, superando frecuentemente los 25 MB, con un promedio de 24,99 MB para datos de MySQL y 19,89 MB para datos de PostgreSQL. Esta diferencia de ocupación sugiere que, para estructuras de datos fijas y estandarizadas, el modelo de almacenamiento en disco de tablas normalizadas es más compacto que el enfoque basado en documentos de MongoDB. La desnormalización inherente a la consolidación de datos en documentos puede llevar a la duplicación de información, aumentando el volumen total de almacenamiento, un compromiso común en bases de datos NoSQL para optimizar el rendimiento de lectura (Sadalage & Fowler, 2013).
En el caso de datos dispersos (Modelo 2), según la Tabla 5, se observa que MySQL mantuvo una estabilidad de consumo cercana al escenario original, oscilando poco entre 9,87 MB y 11,56 MB, con una media de 10,72 MB. PostgreSQL también mantuvo un consumo estable, con una media de 13,85 MB. Por su parte, MongoDB continuó presentando un consumo constante y elevado, permaneciendo como la opción que más consume espacio en disco para flujos originados tanto de MySQL (media de 24,84 MB) como de PostgreSQL (media de 18,26 MB). Cassandra, a su vez, se mostró más eficiente que MongoDB para datos dispersos, con medias de 13,91 MB y 13,53 MB, respectivamente. En resumen, los datos apuntan a que la ganancia de espacio en el uso de NoSQL está condicionada a la transformación de la arquitectura de los datos, y no solo a la migración directa de tablas existentes. La eficiencia de almacenamiento de Cassandra para datos dispersos puede atribuirse a su capacidad de almacenar solo las columnas que contienen valores, evitando la sobrecarga de campos nulos que podrían ser representados en documentos MongoDB.
Tabla 2. Almacenamiento de Tablas y Colecciones para el modelo 3
|
Número de Prueba |
MySQL (MB) |
MongoDB (MB) |
Cassandra (MB) |
PostgreSQL (MB) |
MongoD B (MB) |
Cassandr a (MB) |
|
1 |
89,77 |
35,05 |
17,45 |
131,7 |
22,71 |
11,01 |
|
2 |
89,77 |
33,42 |
17,48 |
131,69 |
23,24 |
8,93 |
|
3 |
87,46 |
32,17 |
18,12 |
135,11 |
21,93 |
9,46 |
|
4 |
92,34 |
36,08 |
16,97 |
128,49 |
24,16 |
10,53 |
|
5 |
84,63 |
34,81 |
17,29 |
140,22 |
22,54 |
8,84 |
|
6 |
94,18 |
33,69 |
18,03 |
122,86 |
23,81 |
11,42 |
|
7 |
88,12 |
35,42 |
17,66 |
137,54 |
21,47 |
9,82 |
|
8 |
91,26 |
32,94 |
16,84 |
126,38 |
24,03 |
10,19 |
|
9 |
86,59 |
36,21 |
17,92 |
139,07 |
22,18 |
9,13 |
|
10 |
93,71 |
34,16 |
18,34 |
124,19 |
23,57 |
10,81 |
|
Media (s) |
89,76 |
34,40 |
17,61 |
131,70 |
22,96 |
10,01 |
Fuente: Resultados originales de la investigación
En contrapartida, el escenario de tablas EAV (Modelo 3), según la Tabla 2, reveló una inversión completa de rendimiento en términos de almacenamiento. PostgreSQL, que ocupaba unos 14 MB en una estructura relacional normalizada, saltó a una media de 131,70 MB en EAV, representando el mayor volumen de datos registrado en todo el estudio. Este aumento drástico en el consumo de espacio en bases de datos relacionales para el modelo EAV es una consecuencia directa de la forma en que se almacenan estos datos: cada atributo-valor para una entidad requiere una nueva fila, lo que resulta en una proliferación de registros y en la repetición de identificadores de entidad y atributo, lo cual es muy ineficiente para el almacenamiento (Dinu & Nadkarni, 2006).
Mientras tanto, Cassandra demostró una alta eficiencia en este mismo flujo, reduciendo el almacenamiento a valores entre 8,84 MB y 11,42 MB, con una media de 10,01 MB. Este rendimiento superior de Cassandra para datos EAV es un testimonio de su arquitectura de columnas anchas, que permite el almacenamiento eficiente de atributos dispersos como columnas dinámicas, sin el sobrecoste de filas repetidas o campos nulos explícitos. MongoDB, aunque presentó un coste computacional elevado para el pivoteo, aun así fue más eficiente en términos de almacenamiento para el modelo EAV que PostgreSQL, con una media de 34,40 MB para datos de MySQL y 22,96 MB para datos de PostgreSQL. Los datos indican que las bases de datos NoSQL, especialmente Cassandra, manejan de forma significativamente más económica la desnormalización de grandes volúmenes de datos que las bases de datos relacionales tradicionales, particularmente cuando la estructura de datos es inherentemente flexible y dispersa como EAV. Esta constatación es de suma importancia para proyectos que involucran grandes volúmenes de datos heterogéneos, donde la optimización del almacenamiento puede resultar en ahorros sustanciales de infraestructura.
La capacidad de `RelationalDatabaseInspector` para detectar y diferenciar entre tablas normalizadas y estructuras EAV mediante el análisis de patrones en tríos de columnas (`entidad`, `atributo`, `valor`) fue un diferenciador crucial. Esta inteligencia previa a la migración permitió al sistema aplicar la estrategia de transformación de datos más adecuada para cada caso, lo cual es vital para la integridad y el rendimiento de la migración (Malik et al., 2020). Sin esta detección automática, la migración de datos EAV a una base de datos NoSQL podría resultar en estructuras subóptimas o requerir un esfuerzo manual considerable para la reingeniería del esquema, lo que va en contra del objetivo de automatización y eficiencia. Por lo tanto, la herramienta propuesta no solo transfiere datos, sino que también interpreta y adapta la lógica de transformación basándose en la semántica estructural de los datos de origen, un aspecto que Ghotiya (2017) y Sethi y Panda (2024) destacan como uno de los mayores desafíos en las migraciones entre paradigmas.
La automatización de las pruebas a través de la clase `DatabaseMigrationTester`, que incorporó la medición del tiempo utilizando `perf_counter()` de la biblioteca `time`, permitió una evaluación precisa del rendimiento de los procesos. Esta estructura reutilizable, ampliable y medible es fundamental para la realización de nuevas pruebas y experimentaciones, garantizando que la herramienta pueda ser adaptada y mejorada para manejar escenarios de migración aún más complejos o con diferentes tecnologías de bases de datos. La estandarización de las pruebas y la recopilación de métricas de rendimiento y almacenamiento son esenciales para proporcionar una base empírica sólida para la toma de decisiones estratégicas en proyectos de modernización de infraestructuras de datos.
En resumen, los resultados experimentales revelaron que la eficiencia de la migración está intrínsecamente ligada a la compatibilidad entre la estructura de origen y el modelo de almacenamiento de la base de destino. Se observó que MongoDB presenta un rendimiento superior en velocidad de procesamiento para modelos relacionales tradicionales, ya sean estos completamente llenos o dispersos. Esto se debe a su capacidad de consolidar datos en documentos, lo que se alinea bien con la desnormalización para la optimización de lectura. Sin embargo, esta ventaja de rendimiento puede venir acompañada de un mayor consumo de disco en comparación con las bases de datos relacionales originales.
Por otro lado, el escenario basado en la arquitectura Entidad-Atributo-Valor (EAV) evidenció un cuello de botella crítico de rendimiento en MongoDB, donde el costo computacional del pivoteo de datos resultó en tiempos de ejecución significativamente elevados. En contrapartida, Cassandra demostró ser la tecnología más resiliente y eficiente para manejar el modelo EAV, tanto en términos de velocidad de ingesta como de economía de almacenamiento en disco. Su arquitectura de columnas anchas es naturalmente adecuada para datos dispersos y flexibles, evitando el overhead de transformaciones complejas y el desperdicio de espacio. Las bases de datos relacionales, como PostgreSQL, sufrieron una degradación volumétrica severa al representar datos en formato EAV, alcanzando el pico de consumo registrado en el estudio, mientras que Cassandra mantuvo un consumo de disco reducido y estable.
Se concluye, por lo tanto, que no existe una solución universal para la migración NoSQL. La elección de la tecnología de destino debe guiarse por la naturaleza estructural de los datos de origen y por los requisitos de rendimiento y almacenamiento. Para tablas normalizadas y dispersas con estructuras fijas, MongoDB ofrece agilidad en la migración, aunque con un consumo de disco potencialmente superior al modelo relacional. Por otro lado, para escenarios de alta flexibilidad y dispersión, como el EAV, Cassandra se consolida como la opción ideal para garantizar escalabilidad y eficiencia, tanto en tiempo de migración como en uso de almacenamiento. Este trabajo contribuye, por lo tanto, con una herramienta funcional y métricas comparativas que ayudan en la toma de decisiones estratégicas en proyectos de modernización de infraestructuras de datos, permitiendo que ingenieros de datos y arquitectos de sistemas tomen decisiones informadas que optimicen tanto el rendimiento como los costos operativos.
4. Conclusión
Se concluye que el objetivo se alcanzó, con el desarrollo de un sistema automatizado para la migración de datos de bases relacionales (MySQL y PostgreSQL) a bases NoSQL (MongoDB y Cassandra). El sistema permitió analizar el rendimiento y la eficiencia de almacenamiento en diferentes modelos de datos (normalizado, disperso y EAV), proporcionando métricas comparativas cruciales para la toma de decisiones estratégicas. Los resultados demostraron que la eficiencia de la migración está intrínsecamente ligada a la compatibilidad entre la estructura de origen y el modelo de almacenamiento de la base de destino. MongoDB demostró ser más ágil para modelos relacionales tradicionales (normalizado y disperso), aunque con un mayor consumo de disco. Sin embargo, para el modelo EAV, MongoDB presentó un cuello de botella crítico de rendimiento debido al costo computacional del pivoteo de datos, evidenciando una limitación significativa para este paradigma específico de migración.
Por otro lado, Cassandra demostró ser la tecnología más eficiente para el modelo EAV, tanto en velocidad de ingesta como en economía de almacenamiento, dada su arquitectura de columnas anchas. Esta investigación refuerza que no existe una solución universal para la migración NoSQL, siendo la elección de la tecnología de destino dependiente de la naturaleza estructural de los datos y de los requisitos de rendimiento y almacenamiento. Como limitaciones del estudio, se destaca el enfoque en un conjunto específico de bases de datos y modelos de datos, y la volumetría de 100.000 registros. Para estudios futuros, se recomienda la exploración de mecanismos de consistencia eventual, la inclusión de otros tipos de bases de datos NoSQL y la realización de pruebas con volúmenes de datos en la escala de terabytes, a fin de validar la escalabilidad de la solución en escenarios de producción.
Referencias Bibliográficas
autor, 2026 [Referência completa não encontrada no documento original]
Cajueiro, Roberta Liana Pimentel. Manual para Elaboração de Trabalhos Acadêmicos: guia prático do estudante. Rio de Janeiro: Saraiva, 2015. 159 р.
DB-Engines. 2025. Popularidade de DBMS dividida por modelo de banco de dados. Disponível em: <https://db-engines.com/en/ranking_categories>. Acesso em: 24 mai. 2025.
Dinu, V.; Nadkarni, P. 2007. Guidelines for the effective use of entity-attribute-value modeling for biomedical databases. International journal of medical informatics, 76 (11-12), 769-779.
Elmasri, R.; Navathe, S. B.; Halpin, T. 2020. Chapter 1 Databases and Database Users. p. 3-29. In: Elmasri, R.; Navathe, S. B.; Halpin, T. Fundamentals of Database Systems. 7ed. Pearson Higher Education, Hoboken, NJ, EUA.
Ghotiya, S.; Mandal, J.; Kandasamy, S. 2017. Migration from relational to NoSQL database. IOP Publishing 263(4): 042055.
Heine, G. P.; Woltron, T.; Wöhrer, A. 2018. Towards a Scalable Data-Intensive Text Processing Architecture with Python and Cassandra. DATA ANALYTICS (7): 26-29.
Malik, A.; Burney, A.; Ahmed, F. 2020. A comparative study of unstructured data with SQL and NO-SQL database management systems. Journal of Computer and Communications, 8(4): 59-71.
Sadalage, P. J.; Fowler, M. 2013. Capítulo 1 – Por que NoSQL?. p. (25-39). In: Sadalage, P. J.; Fowler, M. NoSQL Essencial: Um Guia Conciso para o Mundo Emergente da Persistência Poliglota. 1ed. Novatec Editora, São Paulo, SP, Brasil.
Sethi, S.; & Panda, S. 2024. SQL or NoSQL – Practical Aspect and Rational behind Choosing Data Stores. Journal of Computer and Communications 12(8): 155-174.
Vilaça, R.; Cruz, F.; Pereira, J.; Oliveira, R. 2013. An effective scalable SQL engine for NoSQL databases. In: Held as Part of the 8th International Federated Conference on Distributed Computing Techniques, June 3-5, Florence, Italy. Anais… p. 155-168.
Artículo originario del Trabajo de Conclusión de Curso de la Especialización en Ingeniería de Software del MBA USP/Esalq
Para saber más sobre el curso, haga clic aquí y acceda a la plataforma MBX Academy