Upload
hunbeorht-wellmann
View
104
Download
0
Embed Size (px)
Citation preview
00:13 Matthias Ansorg FH Gießen-Friedberg 1 / 24
Multidimensionale Datenstrukturen -semantische und logische Modellierung
Teilvortrag: logische Modellierung
Matthias Ansorg
FH Gießen-FriedbergSeminarvortrag 2004-06-02
00:13 Matthias Ansorg FH Gießen-Friedberg 1 / 24
Inhalt
Einführung
Vergleichende Darstellung der logischen Modelle
Schlussgedanken
00:13 Matthias Ansorg FH Gießen-Friedberg 1 / 24
Einführung :: Inhalt
EinführungEinordnung logischer Modelle
Definitionen zu multidim. Datenstrukturen
00:13 Matthias Ansorg FH Gießen-Friedberg 1 / 24
Einführung ::Einordnung logischer Modelle (1)
Datenabstraktion bei OLTP und Data Warehouse
Sichten
konzeptionelle Ebene
logische Ebene
physische Ebene
00:13 Matthias Ansorg FH Gießen-Friedberg 1 / 24
Einführung ::Einordnung logischer Modelle (2)
Aufgabe logischer Modellierung:Abbildung des konzeptionellen Schemas für das Ziel-DBVS
Berücksichtigung des Datenmodells des Ziel-DBVS
Verlustfreie Abbildung der Semantik
Besonderheiten bei multidim. Modellenoptimiert für Endbenutzer
optimiert auf effiziente OLAP-Abfragen
00:13 Matthias Ansorg FH Gießen-Friedberg 1 / 24
Dimension: Eine Analysesicht auf Daten; Element des Kontextes von Kennzahlen.
Dimensionsposition: Basisgranular einer Dimension, »Blatt« in der Dimensionshierarchie.
Kennzahl: Quantitative Größe im Dimensionskontext. Eine oder mehrere Kennzahlen bilden den Inhalt einer Würfelzelle.
Fakt: Der Inhalt einer Würfelzelle zusammen mit ihrem Kontext (den Dimensionspositionen, die diese Würfelzelle identifizieren)
Datenwürfel: Eine multidimensionale Matrix, aufgespannt von beliebig vielen Dimensionen. Eine Zelle für jede Kombination von Dimensionspositionen.
Hierarchie: Die Struktur einer Dimension. Sie definiert die möglichen Aggregationen.
Einführung ::Definitionen zu multidim. Datenstrukturen
00:13 Matthias Ansorg FH Gießen-Friedberg 1 / 24
Vergleichende Darstellung :: Inhalt
Vergleichende DarstellungÜberblick
Kriterienkatalog
Einzelne Modelle
Flat Schema
Star Schema
Snowflake Schema
Constellation Schema und Galaxy Schema
Vergleichende Zusammenfassung der Ergebnisse
00:13 Matthias Ansorg FH Gießen-Friedberg 1 / 24
Vergleichende Darstellung :: Überblick (1)
Multidimensionalität im relationalen Datenmodell
Grundlage aller logischen Modelle
Dimension analog Attribut:Attribute einer Dimension spannen einen multidimensionalen Raum auf
Kennzahl analog Attribut:Attribut als Information, die mit einem Punkt im multidimensionalen Raum assoziiert ist.
00:13 Matthias Ansorg FH Gießen-Friedberg 1 / 24
Vergleichende Darstellung :: Überblick (2)
Unterschiede:● Normalisierungsgra
d● Aggregationen?● künstliche
Primärschlüssel?● Anzahl Datenwürfel● Wiederverwendung
von Dimensionen
00:13 Matthias Ansorg FH Gießen-Friedberg 1 / 24
Vergleichende Darstellung :: Kriterienkatalog (1)
Verständlichkeit für Endbenutzer»de facto«-Anforderung
Unterschied zum Entwurf operativer Datenbanken
Effizienz typischer AbfragenOn-Line Analytical Processing
Abbildung für reichhaltige SemantikDimensionen
Hierarchien
Kennzahlen
Aggregationen, Aggregationsverhalten
00:13 Matthias Ansorg FH Gießen-Friedberg 1 / 24
Vergleichende Darstellung :: Kriterienkatalog (2)
Orientierung am ZieldatenbanksystemBeschreibungselemente sollen kompatibel mit dessen Datenmodell sein
Wartbarkeit
Werkzeugunterstützung
00:13 Matthias Ansorg FH Gießen-Friedberg 1 / 24
Vergleichende Darstellung :: Einzelne Modelle :: Flat Schema
eine einzige Tabelle (»flat«)
Analogie zum Relationenmodell: Dimensionen und Kennzahlen als Attribute
vollständige Denormalisierung (»alle Joins vorberechnet«)
minimale Zahl an Fakttabellen
Problemefehlerhafte Aggregationen möglich
hohe Elementkomplexität
00:13 Matthias Ansorg FH Gießen-Friedberg 1 / 24
Vergleichende Darstellung :: Einzelne Modelle :: Star Schema (1)
00:13 Matthias Ansorg FH Gießen-Friedberg 1 / 24
Vergleichende Darstellung :: Einzelne Modelle :: Star Schema (2)
00:13 Matthias Ansorg FH Gießen-Friedberg 1 / 24
Vergleichende Darstellung :: Einzelne Modelle :: Star Schema (3)
das »beliebteste denormalisierte Schema«
Star Joins nicht mehr vorberechnetDimensionstabellen und Fakttabellen
verständlicher durch diese Konzepttrennung
fehlende SemantikDimensionshierarchien nur implizit
Fakttabellenhierarchien nicht modelliert
00:13 Matthias Ansorg FH Gießen-Friedberg 1 / 24
Vergleichende Darstellung :: Einzelne Modelle :: Snowflake Schema (1)
ein Star Schema mit expliziten Dimensionshierarchien durch normalisierte Dimensionstabellen
zusätzliche Joins (deshalb tw. abgelehnt)
besser verständlich durch explizite Modellierung
Parallelhierarchien möglich
00:13 Matthias Ansorg FH Gießen-Friedberg 1 / 24
Vergleichende Darstellung :: Einzelne Modelle :: Snowflake Schema (2)
00:13 Matthias Ansorg FH Gießen-Friedberg 1 / 24
Vergleichende Darstellung :: Einzelne Modelle :: Constellation Schema und Galaxy Schema (1)
00:13 Matthias Ansorg FH Gießen-Friedberg 1 / 24
Vergleichende Darstellung :: Einzelne Modelle :: Constellation Schema und Galaxy Schema (2)
Möglichkeiten, einzelne Schemata zu konsolidieren
ein einzelnes Schema pro Datenwürfel
Schematypen der einzelnen Schemata beliebig
gemeinsame Dimensionen werden einmal angelegt und gemeinsam genutzt
Fakttabellenhierarchien modellierbar
UnterschiedeConstellation Schema modelliert Fakttabellenhierarchien
Galaxy Schema ist allgemeiner: Fakttabellenbeziehungen nicht zwingend
00:13 Matthias Ansorg FH Gießen-Friedberg 1 / 24
Vergleichende Darstellung :: Einzelne Modelle :: Constellation Schema und Galaxy Schema (3)
00:13 Matthias Ansorg FH Gießen-Friedberg 1 / 24
Vergleichende Darstellung :: Vergleichende Zusammenfassung der Ergebnisse
00:13 Matthias Ansorg FH Gießen-Friedberg 1 / 24
Kritische Schlussbemerkung :: Inhalt
Kritische Schlussbemerkung zum Einsatz der logischen Modelle
Wartungsproblematik im Data Warehouse
Wartungsfreiheit durch Data Marts mit Cache-Struktur?
00:13 Matthias Ansorg FH Gießen-Friedberg 1 / 24
Kritische Schlussbemerkung :: Wartungsproblematik im Data Warehouse
Wartung am logischen Schema ist notwendig:
... wenn sich die Datenstrukturen der Quellschichten ändern.
... wenn sich die aktuellen Analyseanforderungen der Benutzer ändern.
logischer Entwurf manuell, ebenso die Schema-Evolution
keine Lösung:Verzicht auf multidimensionale Datenstrukturen auf logischer Ebene
das allumfassende logische Schema
00:13 Matthias Ansorg FH Gießen-Friedberg 1 / 24
Kritische Schlussbemerkung :: Wartungsfreiheit durch Data Marts mit Cache-Struktur?
Ausgangsarchitekturmultidim. logische Schemata nur in Data Marts
Cache-Paradigmaoptimierter Zwischenspeicher (OLAP-Analysen, Endbenutzer-Tauglichkeit)
Transparenz (nur redundante Daten und Datenstrukturen)
mögliche multidimensionale Sichten definiert durch Metadaten im Data Warehouse
Wartung durch Administratoren der OLTP-Datenbanken
benutzerdefinierte Würfelstruktur (per GUI)
manuelle Schema-Evolution unnötig