Реляционная
модель
Реляционная модель данных предложена
сотрудником фирмы IВМ Удгаром Коддом
и основывается на понятии отношение (relation).
Отношение представляет собой множество
элементов, называемых кортежами. Наглядной
формой представления отношения является
привычная для человеческого восприятия
двумерная таблица.
Таблица имеет строки (записи) и столбцы
(колонки). Каждая строка таблицы имеет
одинаковую структуру и состоит из полей.
Строкам таблицы соответствуют кортежи,
а столбцам — атрибуты отношения.
С помощью одной таблицы удобно описывать
простейший вид связей между данными,
а именно деление одного объекта (явления,
сущности, системы и проч.), информация
о котором хранится в таблице, на множество
подобъектов, каждому из которых соответствует
строка или запись таблицы. При этом каждый
из подобъектов имеет одинаковую структуру
или свойства, описываемые соответствующими
значениями полей записей. Например, таблица
может содержать сведения о группе обучаемых,
о каждом из которых известны следующие
характеристики: фамилия, имя и отчество,
пол, возраст и образование. Поскольку
в рамках одной таблицы не удается описать
более сложные логические структуры данных
из предметной области, применяют связывание
таблиц.
Физическое размещение данных в реляционных
базах на внешних носителях легко осуществляется
с помощью обычных файлов.
Достоинства: Простота, понятность и удобство физической
реализации на ЭВМ. Именно простота и понятность
для пользователя явились основной причиной
их широкого использования. Проблемы же
эффективности обработки данных этого
типа оказались технически вполне разрешимыми.
Недостатки: Отсутствие стандартных средств идентификации
отдельных записей и сложность описания
иерархических и сетевых связей.
Примерами зарубежных реляционных СУБД
для ПЭВМ являются следующие: dBaseIII Plus и
dBase IY, DB2, R:BASE, FoxPro, Paradox и dBASE, Visual FoxPro и Access,
Clarion, Ingres и Oracle. К отечественным СУБД реляционного
типа относится система: ПАЛЬМА (ИК АН
УССР), а также система HyTech.
Постреляционная
модель
Классическая реляционная модель предполагает
неделимость данных, хранящихся в полях
записей таблиц. Это означает, что информация
в таблице представляется в первой нормальной
форме. Существует ряд случаев, когда это
ограничение мешает эффективной реализации
приложений.
Постреляционная модель данных представляет
собой расширенную реляционную модель,
снимающую ограничение неделимости данных,
хранящихся в записях таблиц. Постреляционная
модель данных допускает многозначные
поля — поля, значения которых состоят
из подзначений. Набор значений многозначных
полей считается самостоятельной таблицей,
встроенной в основную таблицу.
На рисунке на примере информации о накладных
и товарах для сравнения приведено представление
одних и тех же данных с помощью реляционной
(а) и постреляциопной (б) моделей. Таблица
INVOICES (накладные) содержит данные о номерах
накладных (INVNO) и номерах покупателей
(CUSTNO). В таблице INVOICE.ITEMS (накладные-товары)
содержатся данные о каждой из накладных:
номер накладной (INVNO), название товара
(GOODS) в количество товара (QTY). Таблица INVOICES
связана с таблицей INVOICE.ITEMS по полю INVNO.
Помимо обеспечения вложенности полей
постреляционная модель поддерживает
ассоциированные многозначные поля (множественные
группы). Совокупность ассоциированных
полей называется ассоциацией. При этом
в строке первое значение одного столбца
ассоциации соответствует первым значениям
всех других столбцов ассоциации. Аналогичным
образом связаны все вторые значения столбцов
и т.д.
На длину полей и количество полей в записях
таблицы не накладывается требование
постоянства. Это означает, что структура
данных и таблиц имеет большую гибкость.
Поскольку постреляционная модель допускает
хранение в таблицах ненормализованных
данных, возникает проблема обеспечения
целостности и непротиворечивости данных.
Эта проблема решается включением в СУБД
механизмов, подобных хранимым процедурам
в клиент-серверных системах.
Для описания функций контроля значений
в полях имеется возможность создавать
процедуры (коды конверсии и коды корреляции),
автоматически вызываемые до или после
обращения к данным. Коды корреляции выполняются
сразу после чтения данных, перед их обработкой.
Коды конверсии, наоборот, выполняются
после обработки данных.
Достоинства: Возможность представления совокупности
связанных реляционных таблиц одной постреляционной
таблицей. Это обеспечивает высокую наглядность
представления информации и повышение
эффективности ее обработки.
Недостатки: Сложность решения проблемы обеспечения
целостности и непротиворечивости хранимых
данных.
Примером СУБД поддерживающих данную
модель является uniVers, Bubba и Dasdb.
Многомерная
модель
Многомерный подход к представлению
данных в базе появился практически одновременно
с реляционным, но реально работающих
многомерных СУБД (МСУБД) до настоящего
времени было очень мало. С середины 90-х
годов интерес к ним стал приобретать
массовый характер.
Толчком послужила в 1993 году
программная статья одного из основоположников
реляционного подхода Э. Кодда. В ней сформулированы
12 основных требований к системам класса
OLAP (OnLine Analytical Processing —
оперативная аналитическая обработка),
важнейшие из которых связаны с возможностями
концептуального представления и обработки
многомерных данных. Многомерные системы
позволяют оперативно обрабатывать информацию
для проведения анализа и принятия решения.
В развитии концепций ИС можно
выделить следующие два направления:
системы оперативной (транзакционной)
обработки;
системы аналитической обработки
(системы поддержки принятия решений).
Реляционные СУБД предназначались
для информационных систем оперативной
обработки информации и в этой области
были весьма эффективны. В системах аналитической
обработки они показали себя несколько
неповоротливыми и недостаточно гибкими.
Более эффективными здесь оказываются
многомерные СУБД (МСУБД).
Многомерные СУБД являются
узкоспециализированными СУБД, предназначенными
для интерактивной аналитической обработки
информации. Основные свойства, присущие
к этим СУБД: агрегируемость, историчность
и прогнозируемость данных.
Агрегируемость данных означает рассмотрение
информации на различных уровнях ее обобщения.
В информационных системах степень детальности представления
информации для пользователя зависит
от его уровня: аналитик, пользователь-оператор,
управляющий, руководитель.
Историчность данных предполагает обеспечение
высокого уровня статичности (неизменности)
собственно данных и их взаимосвязей,
а также обязательность привязки данных
ко времени.
Статичность данных позволяет
использовать при их обработке специализированные
методы загрузки, хранения, индексации
и выборки.
Временная привязка данных
необходима для частого выполнения запросов,
имеющих значения времени и даты в составе
выборки. Необходимость упорядочения
данных по времени в процессе обработки
и представления данных пользователю
накладывает требования на механизмы
хранения и доступа к информации. Так,
для уменьшения времени обработки запросов
желательно, чтобы данные всегда были
отсортированы в том порядке, в котором
они наиболее часто запрашиваются.
Прогнозируемость
данных подразумевает задание функций
прогнозирования и применение их к различным
временным интервалам.
Многомерность модели данных
означает не многомерность визуализации
цифровых данных, а многомерное логическое
представление структуры информации при
описании и в операциях манипулирования
данными.
По сравнению с реляционной
моделью многомерная организация данных
обладает более высокой наглядностью
и информативностью. Для иллюстрации на
рисунке приведены реляционное (а) и многомерное
(б) представления одних и тех же данных
об объемах продаж автомобилей.
Если речь идет о многомерной
модели с мерностью больше двух, то не
обязательно визуально информация представляется
в виде многомерных объектов (трех-, четырех-
и более мерных гиперкубов). Пользователю
и в этих случаях более удобно иметь дело
с двухмерными таблицами или графиками,
Данные при этом представляют собой «вырезки»
(точнее, «срезы») из многомерного хранилища
данных, выполненные с разной степенью
детализации.
Рассмотрим основные понятия
многомерных моделей данных, к числу которых
относятся измерение и ячейка.
Измерение (Dimension) - это множество однотипных данных, образующих одну из граней гиперкуба, который используется для визуализации информации. Примерами наиболее часто используемых временных измерений являются Дни, Месяцы,
Кварталы и Годы. В качестве географических
измерений широко употребляются Города,
Районы, Регионы и Страны. В многомерной
модели данных измерения играют роль индексов,
служащих для идентификации конкретных
значений в ячейках гиперкуба.
Ячейка (Cell) или показатель — это поле, значение которого однозначно определяется фиксированным набором измерений. Тип поля чаше всего определен как цифровой. В зависимости от того, как формируются значения некоторой ячейки, обычно она может быть переменной (значения изменяются и могут быть загружены из внешнего источника данных или сформированы программно) либо формулой (значения, подобно формульным ячейкам электронных таблиц, вычисляются по заранее заданным формулам).
В примере на рисунке каждое
значение ячейки Объем продаж однозначно
определяется комбинацией временного
измерения (Месяц продаж) и модели автомобиля.
На практике зачастую требуется большее
количество измерений. Пример трехмерной
модели данных приведен на рисунке.
В существующих МСУБД используются
два основных варианта (схемы) организации
данных: гиперкубическая и поликубическая.
В поликубической схеме предполагается,
что в БД может быть определено несколько
гиперкубов с различной размерностью
и с различными измерениями в качестве
граней.
В случае гиперкубической схемы
предполагается, что все показатели определяются
одним и тем же набором измерений. Это
означает, что при наличии нескольких
гиперкубов БД все они имеют одинаковую
размерность и совпадающие измерения.
Очевидно, в некоторых случаях информация
в БД может быть избыточной (если требовать
обязательное заполнение ячеек).
В случае многомерной модели
данных применяется ряд специальных операций,
к которым относятся: формирование «среза»,
«вращение», агрегация и детализация.
«Срез» (Slice) представляет собой подмножество гиперкуба, полученное в результате фиксации одного или нескольких измерений. Формирование «срезов» выполняется для ограничения используемых пользователем значений, так как все значения гиперкуба практически никогда одновременно не используются. Например, если ограничить значения измерения Модель автомобиля в гиперкубе маркой «Жигули», то получится двухмерная таблица
продаж этой марки автомобиля различными
менеджерами по годам.
Операция «вращение» (Rotate) применяется при двухмерном представлении данных. Суть ее заключается в изменении порядка измерений при визуальном представлении данных. Так, «вращение» двухмерной таблицы, показанной на рисунке, приведет к изменению ее вида таким образом, что по оси X будет марка автомобиля, а по оси У — время.
Операцию «вращение» можно
обобщить и на многомерный случай, если
под ней понимать процедуру изменения
порядка следования измерений. В простейшем
случае, например, это может быть взаимная
перестановка двух произвольных измерений.
Операции «агрегация» (Drill Up) и «детализация» (Drill Down) означают соответственно переход к более общему и к более детальному представлению информации пользователю из гиперкуба.
Для иллюстрации смысла операции
«агрегация» предположим, что у нас имеется
гиперкуб, в котором помимо измерений
гиперкуба, приведенного на рисунке, имеются
еще измерения: Подразделение, Регион,
Фирма, Страна Заметим, что в этом случае
в гиперкубе существует иерархия (снизу
вверх) отношений между измерениями: Менеджер,
Подразделение, Регион, Фирма, Страна.
Пусть в описанном гиперкубе
определено, насколько успешно в 1995 году
менеджер Петров продавал автомобили
«Жигули» и «Волга». Тогда, поднимаясь
на уровень выше по иерархии, с помощью
операции «агрегация» можно выяснить,
как выглядит соотношение продаж этих
же моделей на уровне подразделения, где
работает Петров.
Достоинства: Удобство и эффективность аналитической
обработки больших объемов данных, связанных
со временем. При организации обработки
аналогичных данных на основе реляционной
модели происходит нелинейный рост трудоемкости
операций в зависимости от размерности
БД и существенное увеличение затрат оперативной
памяти на индексацию.