افزايش كارآيي پرس‌وجوهاي پايگاه داده تحليلي با نگاشت مكعب مفهومي به فضاي دوبعدي
محورهای موضوعی : مهندسی برق و کامپیوتر
محمدکریم سهرابی
1
(دانشگاه صنعتی امیرکبیر)
احمد عبداله‌زاده بارفروش
2
(دانشگاه صنعتی امیرکبیر)
کلید واژه: پايگاه داده تحليليپردازش تحليلي برخطمدل داده چندبعديمکعب داده,
چکیده مقاله :
پايگاه داده تحليلي و پردازش تحليلي برخط، از اجزا اصلی سيستمهاي تصميم‌يار به‌شمار مي‌روند كه به‌طور روزافزون در مباحث مرتبط با پايگاه‌هاي داده مورد توجه قرار گرفته‌اند. سيستمهاي تصميم‌يار نسبت به سيستمهاي پردازش تراكنش برخط، نيازمندي‌هاي متفاوتي دارند. در اين سيستم‌ها بهينه‌سازي پرس‌وجوها و پردازش کاراي مکعب‌هاي داده‌اي، در ساختار پایگاه داده تحلیلی نقش اساسي در عملکرد سيستم ايفا مي‌کند. در اين مقاله با به‌کارگيری تکنيک‌های محاسبه از پايين به بالای عناصر شبکه جستجو، روش کارايي براي پردازش پرس‌وجو در پايگاه داده تحليلي و انجام محاسبات مکعب داده ارائه شده است. بررسي نتايج به‌دست آمده بر مبناي پارامترهاي ارزيابي حکايت از آن دارد که الگوريتم ارائه‌شده در اين مقاله نسبت به بهترين الگوريتم‌هايي که پيش از آن ارائه شده‌اند، عملکرد بهتري (بر اساس معيار زمان اجرا) از خود نشان مي‌دهد و سرعت آن در اجراي پرس‌وجوهاي يکنوا و با حجم داده‌هاي بسيار زياد، به‌مراتب بهتر از الگوريتم‌هاي پيش از آن است. ضمن اينکه با توجه به نگاه دوبعدي ايجادشده توسط اين الگوريتم به مسأله مکعب و تبديل مکعب به ساختار ابرگراف، ميزان حافظه مورد نياز اين الگوريتم در مواردي که مجموع‌سازي بر روي زيرمجموعه‌اي از ابعاد مکعب صورت پذيرد، کمتر از حافظه مصرف‌شده توسط الگوريتم‌هاي پيش از آن است.
Data warehouse and OLAP are essential elements of decision support systems (DSS) and have been studied in database issues extensively. The requirements of decision support systems are different from on-line transactional processing systems. Query optimization and efficient data cube computation have primary roles in improving functionality of DSS. This paper presents a new method for query processing in data warehouses and computing data cubes using bottom-up cube computation techniques. Results of implementation show that the proposed algorithm outperforms two best known algorithms (based on time criterion), and is much faster than them in answering to monotonic query with large volume of data. Furthermore, 2-dimensional view of ex-cube and transforming the data cube to a hyper graph structure, reduce the required space of the algorithm when we aggregate subsets of cube's dimension.
[1]R. Kimball,The Data Warehouse Toolkit, John Wiley and Sons,Inc, 1996.
[2]J. Gray, A. Bosworth, A. Layman, and H. Pirahesh, "Datacube: arelational aggregation operator generalizing group-by, cross-tab, andsub-totals," inProc. of the IEEE ICDE, pp. 152-159, 1996.
[3]S. Agarwal, R. Agrawal, P. M. Deshpande, A. Gupta, J. F.Naughton, R. Ramakrishnan, and S. Sarawagi,On the omputation of Multidimensional Aggregates, VLDB’1996.
[4]K. Beyer and R. Ramakrishnan, "Bottom-up computation of sparse and iceberg cubes", in Proc. SIGMOD Conf., pp. 359-370, 1999.
[5]R. Agrawal and R. Srikant, Fast Algorithms for Mining AssociationRules, VLDB’1994.
[6]K. A. Ross and D. Srivastava, "Fast computation of sparse datacubes," in Proc. of the 23rd VLDB Conf., pp. 116-125, Athens,Greece, 1997.
[7]M. Laporte, N. Novelli, R. Cicchetti, and L. Lakhal,Computation Full and Iceberg Data Cubes Using Partitions, 2002.