subqueries by semi-join like techni

subqueries by semi-join like techniques21 22. Likewise, the problem of flattening queries containing views has been a topic of interest. The case where participating views are SPJ queries is well understood. The problem is more complex when one or more of the views contain aggregation23. Naturally, this problem is closely related to the problem of commuting group-by and join operators. However, commuting group-by and join is applicable in the context of single block SQL queries as well.24 25 26 An overview of the field appears in a recent paper27. Parallel Processing Parallelism plays a significant role in processing massive databases. Teradata pioneered some of the key technology. All major vendors of database management systems now offer data partitioning and parallel query processing technology. The article by Dewitt and Gray provides an overview of this area28 . One interesting technique relevant to the read-only environment of decision support systems is that of piggybacking scans requested by multiple queries (used in Redbrick). Piggybacking scan reduces the total work as well as response time by overlapping scans of multiple concurrent requests. Server Architectures for Query Processing Traditional relational servers were not geared towards the intelligent use of indices and other requirements for supporting multidimensional views of data. However, all relational DBMS vendors have now moved rapidly to support these additional requirements. In addition to the traditional relational servers, there are three other categories of servers that were developed specifically for decision support. • Specialized SQL Servers: Redbrick is an example of this class of servers. The objective here is to provide advanced query language and query processing support for SQL queries over star and snowflake schemas in read-only environments. • ROLAP Servers: These are intermediate servers that sit between a relational back end server (where the data in the warehouse is stored) and client front end tools. Microstrategy is an example of such servers. They extend traditional relational servers with specialized middleware to efficiently support multidimensional OLAP queries, and they typically optimize for specific back end relational servers. They identify the views that are to be materialized, rephrase given user queries in terms of the appropriate materialized views, and generate multi-statement SQL for the back end server. They also provide additional services such as scheduling of queries and resource assignment (e.g., to prevent runaway queries). There has also been a trend to tune the ROLAP servers for domain specific ROLAP tools. The main strength of ROLAP servers is that they exploit the scalability and the transactional features of relational systems. However, intrinsic mismatches between OLAP-style querying and SQL (e.g., lack of sequential processing, column aggregation) can cause performance bottlenecks for OLAP servers. • MOLAP Servers: These servers directly support the multidimensional view of data through a multidimensional storage engine. This makes it possible to implement front-end multidimensional queries on the storage layer through direct mapping. An example of such a server is Essbase (Arbor). Such an approach has the advantage of excellent indexing properties, but provides poor storage utilization, especially when the data set is sparse. Many MOLAP servers adopt a 2-level storage representation to adapt to sparse data sets and use compression extensively. In the two-level storage representation, a set of one or two dimensional subarrays that are likely to be dense are identified, through the use of design tools or by user input, and are represented in the array format. Then, the traditional indexing structure is used to index onto these “smaller” arrays. Many of the techniques that were devised for statistical databases appear to be relevant for MOLAP servers. SQL Extensions Several extensions to SQL that facilitate the expression and processing of OLAP queries have been proposed or implemented in extended relational servers. Some of these extensions are described below. • Extended family of aggregate functions: These include support for rank and percentile (e.g., all products in the top 10 percentile or the top 10 products by total Sale) as well as support for a variety of functions used in financial analysis (mean, mode, median). • Reporting Features: The reports produced for business analysis often requires aggregate features evaluated on a time window, e.g., moving average. In addition, it is important to be able to provide breakpoints and running totals. Redbrick’s SQL extensions provide such primitives. • Multiple Group-By: Front end tools such as multidimensional spreadsheets require grouping by different sets of attributes. This can be simulated by a set of SQL statements that require scanning the same data set multiple times, but this can be inefficient. Recently, two new operators, Rollup and Cube, have been proposed to augment SQL to address this problem29. Thus, Rollup of the list of attributes (Product, Year, City ) over a data set results in answer sets with the following applications of group by: (a) group by (Product, Year, City) (b) group by (Product, Year), and (c) group by Product. On the other hand, given a list of k columns, the Cube operator provides a group-by for each of the 2k combinations of columns. Such multiple group-by operations can be executed efficiently by recognizing

ผลลัพธ์ (ไทย) 2:

โดย subqueries กึ่งเข้าร่วมเช่น techniques21 22. ในทำนองเดียวกันปัญหาที่เกิดจากคำสั่งแบนที่มีมุมมองที่ได้รับหัวข้อที่น่าสนใจ กรณีที่สามารถมองเห็นวิวที่เข้าร่วมโครงการมีคำสั่ง SPJ เป็นที่เข้าใจกันดี ปัญหาที่มีความซับซ้อนมากขึ้นเมื่อหนึ่งหรือมากกว่าของมุมมองที่มี aggregation23 ธรรมชาติปัญหานี้เป็นเรื่องที่เกี่ยวข้องอย่างใกล้ชิดกับปัญหาของการเดินทางโดยกลุ่มผู้ประกอบการและเข้าร่วม อย่างไรก็ตามการเดินทางโดยกลุ่มและเข้าร่วมมีผลบังคับใช้ในบริบทของคำสั่ง SQL บล็อกเดียว well.24 25 26 ภาพรวมของเขตข้อมูลที่ปรากฏใน paper27 ที่ผ่านมา การประมวลผลแบบขนานขนานมีบทบาทสำคัญในการประมวลผลฐานข้อมูลขนาดใหญ่ Teradata เป็นหัวหอกในบางส่วนของเทคโนโลยีที่สำคัญ ผู้ผลิตรายใหญ่ทั้งหมดของระบบการจัดการฐานข้อมูลตอนนี้มีการแบ่งข้อมูลและเทคโนโลยีการประมวลผลแบบสอบถามขนาน บทความโดย Dewitt และสีเทาให้ภาพรวมของ area28 นี้ เทคนิคหนึ่งที่น่าสนใจที่เกี่ยวข้องกับสภาพแวดล้อมการอ่านอย่างเดียวของระบบสนับสนุนการตัดสินใจเป็นที่ของ piggybacking สแกนร้องขอโดยคำสั่งหลาย ๆ (ใช้ใน Redbrick) Piggybacking สแกนช่วยลดการทำงานรวมทั้งการตอบสนองเวลาที่ทับซ้อนกันโดยการสแกนของการร้องขอพร้อมกันหลาย สถาปัตยกรรมเซิร์ฟเวอร์สำหรับการประมวลผลคำที่เซิร์ฟเวอร์สัมพันธ์แบบดั้งเดิมที่ไม่ได้มุ่งสู่การใช้ความคิดสร้างสรรค์ของดัชนีและข้อกำหนดอื่น ๆ สำหรับการสนับสนุนมุมมองหลายมิติของข้อมูล แต่ทุกผู้ขาย DBMS เชิงสัมพันธ์ในขณะนี้ได้ย้ายอย่างรวดเร็วเพื่อรองรับความต้องการที่เพิ่มขึ้นเหล่านี้ นอกเหนือจากเซิร์ฟเวอร์สัมพันธ์แบบดั้งเดิมที่มีสามประเภทอื่น ๆ ของเซิร์ฟเวอร์ที่ถูกพัฒนาขึ้นมาโดยเฉพาะสำหรับการสนับสนุนการตัดสินใจ •เฉพาะเซิร์ฟเวอร์ SQL: Redbrick เป็นตัวอย่างของชั้นเรียนของเซิร์ฟเวอร์นี้ ที่นี่มีวัตถุประสงค์คือเพื่อให้ภาษาสอบถามที่ทันสมัย​​และสนับสนุนการประมวลผลแบบสอบถามสำหรับแบบสอบถาม SQL มากกว่าดาวและแผนผังเกล็ดหิมะในสภาพแวดล้อมที่อ่านอย่างเดียว • ROLAP เซิร์ฟเวอร์: เหล่านี้เป็นเซิร์ฟเวอร์ระดับกลางที่จะนั่งระหว่างเซิร์ฟเวอร์ปลายด้านหลังเชิงสัมพันธ์ (ที่มีข้อมูลในคลังสินค้าจะถูกเก็บไว้) และเครื่องมือปลายด้านหน้าของลูกค้า MicroStrategy เป็นตัวอย่างของเซิร์ฟเวอร์ดังกล่าว พวกเขาขยายเซิร์ฟเวอร์สัมพันธ์แบบดั้งเดิมที่มีตัวกลางเฉพาะอย่างมีประสิทธิภาพรองรับคำสั่งหลายมิติ OLAP และพวกเขามักจะเพิ่มประสิทธิภาพสำหรับปลายด้านหลังเฉพาะเซิร์ฟเวอร์เชิงสัมพันธ์ พวกเขาระบุมุมมองที่จะ materialized, ถ้อยคำที่ได้รับการค้นหาผู้ใช้ในแง่ของการที่เหมาะสม materialized มุมมองและสร้างหลายคำสั่ง SQL สำหรับเซิร์ฟเวอร์ปลายด้านหลัง นอกจากนี้ยังให้บริการเพิ่มเติมเช่นการจัดตารางเวลาของคำสั่งและการกำหนดทรัพยากร (เช่นเพื่อป้องกันการหลบหนีคำสั่ง) นอกจากนี้ยังมีแนวโน้มที่จะปรับแต่งเซิร์ฟเวอร์ ROLAP สำหรับโดเมนเฉพาะ ROLAP เครื่องมือ กำลังหลักของเซิร์ฟเวอร์ ROLAP ที่พวกเขาใช้ประโยชน์จากความยืดหยุ่นและคุณสมบัติของระบบการทำธุรกรรมเชิงสัมพันธ์ แต่ที่แท้จริงที่ไม่ตรงกันระหว่างสอบถาม OLAP สไตล์และ SQL (เช่นการขาดของการประมวลผลตามลำดับรวมคอลัมน์) สามารถก่อให้เกิดคอขวดประสิทธิภาพการทำงานสำหรับเซิร์ฟเวอร์ OLAP • MOLAP เซิร์ฟเวอร์: เซิร์ฟเวอร์เหล่านี้โดยตรงสนับสนุนมุมมองหลายมิติของข้อมูลผ่านเครื่องมือการจัดเก็บข้อมูลหลายมิติ นี้จะทำให้มันเป็นไปได้ที่จะใช้หน้าสิ้นคำสั่งหลายมิติในชั้นจัดเก็บข้อมูลที่ผ่านการทำแผนที่โดยตรง ตัวอย่างของเซิร์ฟเวอร์ดังกล่าวเป็น Essbase (อาร์) วิธีการดังกล่าวมีความได้เปรียบของคุณสมบัติการจัดทำดัชนีที่ดี แต่มีการใช้ประโยชน์การเก็บรักษาที่ไม่ดีโดยเฉพาะอย่างยิ่งเมื่อข้อมูลชุดจะเบาบาง เซิร์ฟเวอร์ MOLAP หลายคนนำมาใช้เป็น 2 ระดับเป็นตัวแทนจัดเก็บข้อมูลเพื่อปรับให้เข้ากับชุดข้อมูลเบาบางและใช้การบีบอัดอย่างกว้างขวาง ในการเป็นตัวแทนการจัดเก็บสองระดับชุดหนึ่งหรือสอง subarrays มิติที่มีแนวโน้มที่จะมีความหนาแน่นจะมีการระบุผ่านการใช้เครื่องมือในการออกแบบหรือโดยการป้อนข้อมูลของผู้ใช้และจะแสดงในรูปแบบอาร์เรย์ จากนั้นการจัดทำดัชนีโครงสร้างแบบดั้งเดิมที่ใช้ในการเข้าสู่ดัชนีเหล่านี้ "ขนาดเล็ก" อาร์เรย์ หลายเทคนิคที่ได้รับการวางแผนสำหรับฐานข้อมูลทางสถิติที่ดูเหมือนจะเกี่ยวข้องกับเซิร์ฟเวอร์ MOLAP ส่วนขยาย SQL หลายนามสกุลกับ SQL ที่อำนวยความสะดวกการแสดงออกและการประมวลผลของคำสั่ง OLAP ได้รับการเสนอหรือดำเนินการในเซิร์ฟเวอร์สัมพันธ์ขยาย บางส่วนของส่วนขยายเหล่านี้อธิบายไว้ด้านล่าง •ครอบครัวขยายของฟังก์ชันการรวมเหล่านี้รวมถึงการสนับสนุนการจัดอันดับและเปอร์เซ็นต์ (เช่นผลิตภัณฑ์ทั้งหมดใน 10 เปอร์เซ็นต์หรือ 10 อันดับแรกจากการขายผลิตภัณฑ์ทั้งหมด) รวมทั้งการสนับสนุนสำหรับความหลากหลายของฟังก์ชั่นที่ใช้ในการวิเคราะห์ทางการเงิน (หมายถึงโหมด มัธยฐาน) •คุณสมบัติการรายงาน: รายงานการผลิตเพื่อการวิเคราะห์ธุรกิจมักจะต้องใช้คุณสมบัติที่ได้รับการประเมินโดยรวมบนหน้าต่างเวลาเช่นค่าเฉลี่ยเคลื่อนที่ นอกจากนี้ยังเป็นสิ่งสำคัญที่จะสามารถที่จะให้จุดพักและทำงานผลรวม อิฐของนามสกุล SQL ให้เบื้องต้นนั้น •หลายกลุ่มโดย: เครื่องมือปลายด้านหน้าเช่นกระดาษคำนวณหลายมิติต้องมีการจัดกลุ่มโดยชุดที่แตกต่างของคุณลักษณะ นี้สามารถจำลองโดยชุดของคำสั่งที่ต้องสแกนข้อมูลเดียวกันตั้งหลายครั้ง แต่อาจไม่มีประสิทธิภาพ เมื่อเร็ว ๆ นี้สองผู้ประกอบการใหม่ Rollup Cube และได้รับการเสนอที่จะขยายไปยังที่อยู่ของ SQL problem29 นี้ ดังนั้นการยกเลิกโปรแกรมของรายการของคุณลักษณะ (สินค้า, ปี, ซิตี้) มากกว่าผลข้อมูลชุดในชุดคำตอบกับการใช้งานต่อไปของกลุ่มโดย (ก) โดยกลุ่ม (สินค้า, ปี, ซิตี้) (ข) กลุ่มตาม (สินค้า ปี) และ (ค) โดยกลุ่มสินค้า ในขณะที่คนอื่น ๆ ได้รับรายชื่อของคอลัมน์ k ผู้ประกอบ Cube ให้กลุ่มโดยแต่ละชุด 2k ของคอลัมน์ หลายกลุ่มเช่นการดำเนินงานที่สามารถดำเนินการได้อย่างมีประสิทธิภาพด้วยการตระหนักถึง

ผลลัพธ์ (ไทย) 3:

subqueries โดยกึ่งเข้าร่วมเช่น 22 techniques21 . อนึ่ง ปัญหาแบนแบบสอบถามที่มีมุมมองที่เป็นหัวข้อที่น่าสนใจ คดีที่มุมมองการ spj แบบสอบถามเป็นอย่างดีครับ ปัญหามีความซับซ้อนมากขึ้น เมื่อหนึ่งหรือมากกว่าของมุมมองที่ประกอบด้วย aggregation23 . ธรรมชาติ ปัญหานี้เป็นปัญหาที่เกี่ยวข้องอย่างใกล้ชิดกับปัญหาการเดินทางของกลุ่มและเข้าร่วมโดยผู้ประกอบการ อย่างไรก็ตามการเดินทางของกลุ่มและเข้าร่วมโดยจะใช้ในบริบทของ SQL แบบสอบถามเป็นบล็อกเดียว well.24 25 26 ภาพรวมของเขตข้อมูลจะปรากฏใน paper27 ล่าสุด การประมวลผลแบบขนานขนานมีบทบาทสำคัญในการประมวลผลฐานข้อมูลขนาดใหญ่ โน้ตบุ๊กที่มีบางส่วนของเทคโนโลยีที่สำคัญผู้ขายหลักทั้งหมดของระบบการจัดการฐานข้อมูลในขณะนี้มีข้อมูลพาร์ทิชันและเทคโนโลยีการประมวลผลแบบขนาน บทความโดย เดวิท และสีเทาแสดงภาพรวมของ area28 นี้ เทคนิคหนึ่งที่น่าสนใจที่เกี่ยวข้องกับสภาพแวดล้อมแบบอ่านอย่างเดียวของระบบสนับสนุนการตัดสินใจ คือเรื่องของการแอบเชื่อมต่อกับการร้องขอโดยหลายแบบสอบถาม ( ใช้ในกรุงโตเกียว )แอบเชื่อมต่อกับสแกนลดการทำงานทั้งหมดรวมทั้งเวลาตอบสนองโดยการสแกนแบบซ้อนกันหลายหน้า เซิร์ฟเวอร์สถาปัตยกรรมการประมวลผลแบบดั้งเดิมแบบสอบถามเซิร์ฟเวอร์ไม่เหมาะต่อการใช้งานที่ชาญฉลาดของดัชนีและความต้องการอื่น ๆเพื่อสนับสนุนมุมมองหลายมิติของข้อมูล อย่างไรก็ตามทั้งหมดสัมพันธ์ระบบจัดการฐานข้อมูลผู้ขายตอนนี้ย้ายอย่างรวดเร็วเพื่อสนับสนุนข้อกำหนดเพิ่มเติมเหล่านี้ นอกเหนือไปจากแบบดั้งเดิมเป็นเซิร์ฟเวอร์ มี สามประเภทอื่น ๆของเซิร์ฟเวอร์ที่ถูกพัฒนาขึ้นโดยเฉพาะ เพื่อสนับสนุนการตัดสินใจ - ผู้เชี่ยวชาญ SQL เซิร์ฟเวอร์ : กรุงโตเกียวเป็นตัวอย่างของคลาสของเซิร์ฟเวอร์นี้วัตถุประสงค์ที่นี่คือการให้ภาษาแบบสอบถามขั้นสูงและการสนับสนุนสำหรับ SQL แบบสอบถามแบบสอบถามการประมวลผลเหนือดาวและเกล็ดหิมะ schema ในสภาพแวดล้อมแบบอ่านอย่างเดียว - ROLAP เซิร์ฟเวอร์ : เหล่านี้คือเซิร์ฟเวอร์กลางที่นั่งระหว่างเซิร์ฟเวอร์หลังจบสัมพันธ์ ( ซึ่งข้อมูลในโกดังเก็บไว้ ) และเครื่องมือปลายด้านหน้าของลูกค้า Microstrategy เป็นตัวอย่างของเซิร์ฟเวอร์เช่นพวกเขาขยายแบบเชิงสัมพันธ์ ( เฉพาะเซิร์ฟเวอร์ได้อย่างมีประสิทธิภาพสนับสนุนหลายมิติ OLAP แบบสอบถามและพวกเขามักจะเพิ่มประสิทธิภาพสำหรับเฉพาะกลับจบลงแบบเซิร์ฟเวอร์ พวกเขาระบุความคิดเห็นที่จะปรากฏ rephrase ให้ผู้ใช้แบบสอบถามในแง่ของความเหมาะสม materialized views , และสร้างงบ SQL สำหรับเซิร์ฟเวอร์หลายส่วนหลังพวกเขายังมีบริการเพิ่มเติมเช่นตารางแบบสอบถามและทรัพยากรที่กำหนด ( เช่นเพื่อป้องกันไม่ให้หนีข้อสงสัย ) นอกจากนี้ยังมีแนวโน้มที่จะปรับแต่งเซิร์ฟเวอร์สำหรับโดเมนที่เฉพาะเจาะจงเครื่องมือ ROLAP ROLAP . กำลังหลักของเซิร์ฟเวอร์ที่พวกเขาใช้ประโยชน์จาก ROLAP ขยายขีดความสามารถและคุณสมบัติด้านระบบสัมพันธ์ อย่างไรก็ตามความไม่ที่แท้จริงระหว่าง OLAP และแบบสอบถาม SQL ( เช่น การขาดการประมวลผลแบบรวมคอลัมน์ ) สามารถทำให้เกิดคอขวดประสิทธิภาพสำหรับ OLAP เซิร์ฟเวอร์ - MOLAP เซิร์ฟเวอร์ : เซิร์ฟเวอร์เหล่านี้โดยตรงสนับสนุนมุมมองหลายมิติของข้อมูลผ่านเครื่องจัดเก็บข้อมูลหลายมิตินี้จะทำให้มันเป็นไปได้ที่จะใช้ระบบหลายมิติแบบสอบถามบนกระเป๋าชั้นผ่านแผนที่โดยตรง ตัวอย่างเช่น เซิร์ฟเวอร์ essbase ( ต้นไม้ ) วิธีการดังกล่าวได้ประโยชน์จากคุณสมบัติดัชนีที่ดี แต่ให้ใช้กระเป๋าไม่ดี โดยเฉพาะอย่างยิ่งเมื่อชุดข้อมูลเป็นป่าโปร่งเซิร์ฟเวอร์ MOLAP หลายอุปการะ 2-level กระเป๋าแทนเพื่อปรับให้เข้ากับชุดข้อมูลเบาบาง และการใช้อย่างกว้างขวาง ในระดับสองกระเป๋าแทนชุดของหนึ่งหรือสองมิติ subarrays ที่มีแนวโน้มจะหนาแน่นจะมีการระบุผ่านการใช้เครื่องมือการออกแบบหรือการเข้าใช้และจะแสดงในหลากหลายรูปแบบ จากนั้นแบบโครงสร้างการใช้ดัชนีลงเหล่านี้ " เล็ก " อย่างต่อเนื่อง หลายเทคนิคที่ถูกสร้างขึ้นสำหรับฐานข้อมูลสถิติที่ปรากฏจะเกี่ยวข้องกับ MOLAP เซิร์ฟเวอร์ SQL ส่วนขยายหลายส่วนขยายของ SQL ที่สนับสนุนการแสดงออกและการประมวลผลของ OLAP แบบสอบถามที่ได้รับการเสนอ หรือ ใช้ในการขยายฐานข้อมูลเซิร์ฟเวอร์บางนามสกุลเหล่านี้จะอธิบายด้านล่าง - ครอบครัวของฟังก์ชันการรวม : เหล่านี้รวมถึงการสนับสนุนสำหรับตำแหน่งเปอร์เซ็นไทล์ ( เช่น ผลิตภัณฑ์ทั้งหมดในด้านบน 10 เปอร์เซ็นต์หรือด้านบน 10 ผลิตภัณฑ์ โดยการขายทั้งหมด ) รวมทั้งการสนับสนุนความหลากหลายของฟังก์ชันที่ใช้ในการวิเคราะห์ทางการเงิน ( หมายถึงโหมดมัธยฐาน ) - รายงานคุณสมบัติ :รายงานการวิเคราะห์ธุรกิจที่มักจะต้องรวมคุณลักษณะที่ประเมินในเวลาต่าง เช่น ย้ายเฉลี่ย นอกจากนี้มันเป็นสิ่งสำคัญที่จะสามารถให้จุดพักและใช้ผลรวม นามสกุล SQL ของกรุงโตเกียวให้เช่น primitives . - หลายกลุ่ม โดย : เครื่องมือปลายด้านหน้าเช่นมิติกระดาษ ต้องแบ่งกลุ่มชุดที่แตกต่างกันของแอตทริบิวต์นี้สามารถจำลองโดยชุดของงบ SQL ที่ใช้สแกนข้อมูลชุดเดียวกันหลาย ๆครั้ง แต่ก็ไม่เป็นผล เมื่อเร็วๆ นี้ สองผู้ประกอบการใหม่ และมีการเสนอขายก้อนเพื่อเพิ่ม problem29 SQL ไปยังที่อยู่นี้ ดังนั้น การยกเลิกของรายการคุณลักษณะของผลิตภัณฑ์ , ปี , เมือง ) ผ่านชุดข้อมูลผลลัพธ์ในชุดคำตอบมีดังต่อไปนี้การใช้งานของกลุ่มโดย( 1 ) กลุ่ม ( ผลิตภัณฑ์ , ปี , เมือง ) ( ข ) กลุ่ม ( ปีผลิตภัณฑ์ ) และ ( c ) กลุ่มผลิตภัณฑ์ บนมืออื่น ๆที่ได้รับรายชื่อของ K คอลัมน์ก้อนให้กลุ่มผู้ประกอบการ โดยแต่ละ 2K ชุดของคอลัมน์ หลายกลุ่มดังกล่าว โดยการดำเนินการสามารถดำเนินการได้อย่างมีประสิทธิภาพ โดยตระหนักถึง