MOLAP servers. MOLAP servers direct

MOLAP servers. MOLAP servers directly support the multidimensional view of data through a storage engine that uses the multidimensional array abstraction. They typically precompute large data cubes to speed up query processing. Such an approach has the advantage of excellent indexing properties and fast query response times, but provides relatively poor storage utilization, especially when the data set is sparse. To better adapt to sparse data sets, MOLAP servers identify dense and sparse regions of the data, and store/index these regions differently. For example dense sub-arrays of the cube are identified and stored in array format, whereas the sparse regions are compressed and stored separately.

ROLAP servers. In ROLAP, the multidimensional model and its operations have to be mapped into relations and SQL queries. They rely on the data storage techniques described earlier to speed up relational query processing. ROLAP servers may also need to implement functionality not supported in SQL, for example, extended aggregate functions such as median, mode, and time window based moving average. The database designs used in ROLAP are optimized for efficiency in querying and in loading data. Most ROLAP systems use a star schema to represent the multidimensional data model. The database consists of a single fact table and a single table for each dimension. Each row in the fact table consists of a pointer (a.k.a. foreign key) to each of the dimensions that provide its multidimensional coordinates, and stores the numeric measures for those coordinates. Each dimension table consists of columns that correspond to attributes of the dimension. Star schemas do not explicitly provide support for attribute hierarchies. Snowflake schemas (shown in Figure 3) provide a refinement of star schemas where the dimensional hierarchy is explicitly represented by normalizing the dimension tables. This leads to advantages in maintaining the dimension tables.

HOLAP servers. The HOLAP architecture combines ROLAP and MOLAP by splitting storage of data in a MOLAP and a relational store. Splitting the data can be done in different ways. One method is to store the detailed data in a RDBMS as ROLAP servers do, and precomputing aggregated data in MOLAP. Another method is to store more recent data in MOLAP to provide faster access, and older data in ROLAP. Since MOLAP performs better when the data is reasonably dense and ROLAP servers perform for sparse data, Like MOLAP servers, HOLAP servers also perform density analysis to identify sparse and dense sub-regions of the multidimensional space. All major data warehouse vendors today offer OLAP servers (for example, IBM Cognos,15 Microsoft SQL,17 and Oracle Hyperion23).

In-memory BI engines. Technology trends are providing an opportunity for a new class of OLAP engines focused on exploiting large main memory to make response times for ad-hoc queries interactive. First, the ratio of time to access data on disk vs. data in memory is increasing. Second, with 64-bit operating systems becoming common, very large addressable memory sizes (for example, 1TB) are possible. Third, the cost of memory has dropped significantly, which makes servers with large amounts of main memory affordable. Unlike traditional OLAP servers, in-memory BI engines (for example, QlikView24) rely on a different set of techniques for achieving good performance. First, since the detailed data is memory resident they avoid expensive I/Os required to access data cubes, indexes, or materialized views. Second, they use data structures that would not be suitable for disk-based access, but are very effective for in-memory access. For example, consider a query that computes the total sales for each customer in a particular state. When the data is initially loaded into the system, the engine can associate pointers from each state to customers in that state, and similarly pointers from a customer to all the order detail records for that customer. This allows fast associative access required to answer the query quickly, and is reminiscent of approaches used by object-oriented databases as well as optimizations in traditional DBMSs such as join indices. Third, in-memory BI engines can significantly increase the effective data sizes over which they can operate in memory by using data organization techniques such as column-oriented storage and data compression. In-memory BI engines are best suited for read-mostly data without in-place data updates where new data arrives primarily in the form of incremental batch inserts due to data decompression cost.

ผลลัพธ์ (ไทย) 1:

เซิร์ฟเวอร์ MOLAP MOLAP เซิร์ฟเวอร์สนับสนุนมุมมองหลายมิติของข้อมูลผ่านเครื่องมือเก็บข้อมูลที่ใช้ abstraction อาร์เรย์หลายมิติโดยตรง โดยทั่วไปพวกเขา precompute ลูกบาศก์ข้อมูลขนาดใหญ่เพื่อเร่งการประมวลผลแบบสอบถาม วิธีการดังกล่าวมีข้อดีของการทำดัชนีคุณสมบัติและสอบถามอย่างรวดเร็วตอบสนองเวลา แต่ให้ใช้ประโยชน์เก็บค่อนข้างยากจน โดยเฉพาะอย่างยิ่งชุดข้อมูลจะเบาบาง ชุดข้อมูลบ่อดี ครบครัน MOLAP เซิร์ฟเวอร์ระบุภูมิภาคข้อมูลหนาแน่น และเบาบาง และเก็บ/ดัชนีภูมิภาคเหล่านี้แตกต่างกัน ตัวอย่าง อาร์เรย์ย่อยหนาแน่นของ cube จะระบุ และจัดเก็บในรูปแบบอาร์เรย์ ในขณะที่ภูมิภาคห่างจะบีบอัด และจัดเก็บแยกต่างหากROLAP servers. In ROLAP, the multidimensional model and its operations have to be mapped into relations and SQL queries. They rely on the data storage techniques described earlier to speed up relational query processing. ROLAP servers may also need to implement functionality not supported in SQL, for example, extended aggregate functions such as median, mode, and time window based moving average. The database designs used in ROLAP are optimized for efficiency in querying and in loading data. Most ROLAP systems use a star schema to represent the multidimensional data model. The database consists of a single fact table and a single table for each dimension. Each row in the fact table consists of a pointer (a.k.a. foreign key) to each of the dimensions that provide its multidimensional coordinates, and stores the numeric measures for those coordinates. Each dimension table consists of columns that correspond to attributes of the dimension. Star schemas do not explicitly provide support for attribute hierarchies. Snowflake schemas (shown in Figure 3) provide a refinement of star schemas where the dimensional hierarchy is explicitly represented by normalizing the dimension tables. This leads to advantages in maintaining the dimension tables.HOLAP servers. The HOLAP architecture combines ROLAP and MOLAP by splitting storage of data in a MOLAP and a relational store. Splitting the data can be done in different ways. One method is to store the detailed data in a RDBMS as ROLAP servers do, and precomputing aggregated data in MOLAP. Another method is to store more recent data in MOLAP to provide faster access, and older data in ROLAP. Since MOLAP performs better when the data is reasonably dense and ROLAP servers perform for sparse data, Like MOLAP servers, HOLAP servers also perform density analysis to identify sparse and dense sub-regions of the multidimensional space. All major data warehouse vendors today offer OLAP servers (for example, IBM Cognos,15 Microsoft SQL,17 and Oracle Hyperion23).In-memory BI engines. Technology trends are providing an opportunity for a new class of OLAP engines focused on exploiting large main memory to make response times for ad-hoc queries interactive. First, the ratio of time to access data on disk vs. data in memory is increasing. Second, with 64-bit operating systems becoming common, very large addressable memory sizes (for example, 1TB) are possible. Third, the cost of memory has dropped significantly, which makes servers with large amounts of main memory affordable. Unlike traditional OLAP servers, in-memory BI engines (for example, QlikView24) rely on a different set of techniques for achieving good performance. First, since the detailed data is memory resident they avoid expensive I/Os required to access data cubes, indexes, or materialized views. Second, they use data structures that would not be suitable for disk-based access, but are very effective for in-memory access. For example, consider a query that computes the total sales for each customer in a particular state. When the data is initially loaded into the system, the engine can associate pointers from each state to customers in that state, and similarly pointers from a customer to all the order detail records for that customer. This allows fast associative access required to answer the query quickly, and is reminiscent of approaches used by object-oriented databases as well as optimizations in traditional DBMSs such as join indices. Third, in-memory BI engines can significantly increase the effective data sizes over which they can operate in memory by using data organization techniques such as column-oriented storage and data compression. In-memory BI engines are best suited for read-mostly data without in-place data updates where new data arrives primarily in the form of incremental batch inserts due to data decompression cost.

ผลลัพธ์ (ไทย) 2:

เซิร์ฟเวอร์ MOLAP เซิร์ฟเวอร์ MOLAP สนับสนุนโดยตรงมุมมองหลายมิติของข้อมูลผ่านเครื่องมือการจัดเก็บข้อมูลที่ใช้เป็นนามธรรมอาร์เรย์หลายมิติ พวกเขามักจะ precompute ก้อนข้อมูลขนาดใหญ่เพื่อเพิ่มความเร็วในการประมวลผลแบบสอบถาม วิธีการดังกล่าวมีความได้เปรียบของคุณสมบัติที่ดีเยี่ยมและการจัดทำดัชนีแบบสอบถามเวลาการตอบสนองอย่างรวดเร็ว แต่มีการใช้การจัดเก็บข้อมูลที่ค่อนข้างยากจนโดยเฉพาะอย่างยิ่งเมื่อชุดข้อมูลที่เบาบาง ดีกว่าที่จะปรับให้เข้ากับชุดข้อมูลเบาบางเซิร์ฟเวอร์ MOLAP ระบุภูมิภาคหนาแน่นและกระจัดกระจายของข้อมูลและการจัดเก็บ / ดัชนีที่แตกต่างกันภูมิภาคนี้ ตัวอย่างเช่นอาร์เรย์ย่อยหนาแน่นของก้อนจะมีการระบุและเก็บไว้ในรูปแบบอาร์เรย์ในขณะที่ภูมิภาคเบาบางจะถูกบีบอัดและจัดเก็บแยกต่างหาก. เซิร์ฟเวอร์ ROLAP ใน ROLAP แบบหลายมิติและการดำเนินงานของ บริษัท จะต้องมีการแมปสู่ความสัมพันธ์และแบบสอบถาม SQL พวกเขาขึ้นอยู่กับเทคนิคการจัดเก็บข้อมูลที่อธิบายไว้ก่อนหน้าเพื่อเพิ่มความเร็วในการประมวลผลแบบสอบถามเชิงสัมพันธ์ เซิร์ฟเวอร์ ROLAP อาจต้องใช้การทำงานได้รับการสนับสนุนใน SQL ตัวอย่างเช่นฟังก์ชันการรวมขยายเช่นค่ามัธยฐานโหมดและหน้าต่างเวลาตามค่าเฉลี่ยเคลื่อนที่ การออกแบบฐานข้อมูลที่ใช้ในการ ROLAP จะเหมาะสำหรับประสิทธิภาพในการสอบถามและการโหลดข้อมูล ส่วนใหญ่ระบบ ROLAP ใช้สคีดาวเพื่อเป็นตัวแทนของรูปแบบข้อมูลหลายมิติ ฐานข้อมูลประกอบด้วยตารางความจริงเดียวและตารางเดียวสำหรับแต่ละมิติ แถวในตารางความจริงที่แต่ละประกอบด้วยตัวชี้ (ต่างประเทศที่สำคัญที่รู้จัก) ให้กับแต่ละขนาดที่ให้พิกัดหลายมิติและเก็บมาตรการที่เป็นตัวเลขพิกัดเหล่านั้น ตารางมิติประกอบด้วยคอลัมน์ที่สอดคล้องกับคุณลักษณะของมิติ แผนผังไม่ชัดเจนให้การสนับสนุนสำหรับลำดับชั้นแอตทริบิวต์ schemas เกล็ดหิมะ (แสดงในรูปที่ 3) จัดให้มีการปรับแต่งของแผนผังลำดับชั้นมิติที่เป็นตัวแทนอย่างชัดเจนโดย normalizing ตารางมิติที่ นี้นำไปสู่ความได้เปรียบในการรักษาตารางมิติ. เซิร์ฟเวอร์ HOLAP สถาปัตยกรรม HOLAP รวม ROLAP และ MOLAP โดยการจัดเก็บแยกของข้อมูลใน MOLAP และร้านค้าสัมพันธ์ แยกข้อมูลที่สามารถทำได้ในรูปแบบที่แตกต่างกัน วิธีหนึ่งคือการจัดเก็บข้อมูลรายละเอียดใน RDBMS เป็นเซิร์ฟเวอร์ ROLAP ทำและรวบรวมข้อมูล precomputing ใน MOLAP อีกวิธีหนึ่งคือการจัดเก็บข้อมูลมากขึ้นล่าสุดใน MOLAP เพื่อให้สามารถเข้าถึงได้เร็วขึ้นและข้อมูลเก่าใน ROLAP ตั้งแต่ MOLAP ดำเนินการที่ดีขึ้นเมื่อข้อมูลเป็นเหตุผลที่มีความหนาแน่นสูงและเซิร์ฟเวอร์ ROLAP ดำเนินการสำหรับข้อมูลที่เบาบางเช่นเดียวกับเซิร์ฟเวอร์ MOLAP เซิร์ฟเวอร์ HOLAP ยังดำเนินการวิเคราะห์ความหนาแน่นในการระบุภูมิภาคย่อยเบาบางและมีความหนาแน่นของพื้นที่หลายมิติ คลังข้อมูลทั้งหมดที่สำคัญผู้ขายในวันนี้เสนอเซิร์ฟเวอร์ OLAP (เช่น IBM Cognos 15 Microsoft SQL, 17 และ Oracle Hyperion23.) ในหน่วยความจำเครื่องมือ BI แนวโน้มเทคโนโลยีจะให้โอกาสสำหรับคลาสใหม่ของเครื่องมือ OLAP มุ่งเน้นไปที่การใช้ประโยชน์จากหน่วยความจำขนาดใหญ่ที่จะทำให้เวลาการตอบสนองสำหรับการค้นหาเฉพาะกิจการโต้ตอบ ครั้งแรกที่อัตราการใช้เวลาในการเข้าถึงข้อมูลบนดิสก์เทียบกับข้อมูลในหน่วยความจำที่เพิ่มขึ้น ประการที่สองที่มีระบบปฏิบัติการแบบ 64 บิตจะกลายเป็นเรื่องธรรมดาแอดเดรสขนาดใหญ่มากขนาดหน่วยความจำ (เช่น 1TB) ที่เป็นไปได้ ประการที่สามค่าใช้จ่ายของหน่วยความจำที่มีการลดลงอย่างมากซึ่งจะทำให้เซิร์ฟเวอร์ที่มีจำนวนมากของหน่วยความจำที่ไม่แพง ซึ่งแตกต่างจากเซิร์ฟเวอร์ OLAP แบบดั้งเดิมเครื่องมือ BI ในหน่วยความจำ (เช่น QlikView24) ขึ้นอยู่กับการตั้งค่าที่แตกต่างกันของเทคนิคเพื่อให้บรรลุผลงานที่ดี เป็นครั้งแรกตั้งแต่ข้อมูลรายละเอียดมีถิ่นที่อยู่หน่วยความจำที่พวกเขาหลีกเลี่ยงที่ฉันมีราคาแพง / O จำเป็นในการเข้าถึงข้อมูลที่ก้อนดัชนีหรือวิวรูปธรรม ประการที่สองพวกเขาใช้โครงสร้างข้อมูลที่จะไม่เหมาะสำหรับการเข้าถึงดิสก์ แต่มีประสิทธิภาพมากสำหรับการเข้าถึงในหน่วยความจำ ตัวอย่างเช่นพิจารณาแบบสอบถามที่คำนวณยอดขายรวมสำหรับลูกค้าแต่ละรายในรัฐโดยเฉพาะอย่างยิ่ง เมื่อข้อมูลที่มีการโหลดครั้งแรกในระบบเครื่องยนต์สามารถเชื่อมโยงตัวชี้จากแต่ละรัฐให้กับลูกค้าในรัฐนั้นและในทำนองเดียวกันคำแนะนำจากลูกค้าทุกรายละเอียดเพื่อบันทึกสำหรับลูกค้าที่ นี้จะช่วยให้การเข้าถึงการเชื่อมโยงอย่างรวดเร็วต้องตอบแบบสอบถามได้อย่างรวดเร็วและเป็นที่ระลึกของวิธีการที่ใช้โดยฐานข้อมูลเชิงวัตถุเช่นเดียวกับการเพิ่มประสิทธิภาพใน DBMSs แบบดั้งเดิมเช่นการเข้าร่วมดัชนี ประการที่สามเครื่องมือ BI ในหน่วยความจำอย่างมีนัยสำคัญสามารถเพิ่มขนาดของข้อมูลที่มีประสิทธิภาพมากกว่าที่พวกเขาสามารถทำงานในหน่วยความจำโดยใช้เทคนิคข้อมูลองค์กรเช่นการจัดเก็บคอลัมน์ที่มุ่งเน้นและการบีบอัดข้อมูล ในหน่วยความจำเครื่องมือ BI เหมาะที่สุดสำหรับอ่านข้อมูลส่วนใหญ่ที่ไม่มีข้อมูลในสถานที่ที่ปรับปรุงข้อมูลใหม่เข้ามาเป็นหลักในรูปแบบของการแทรกชุดที่เพิ่มขึ้นอันเนื่องมาจากค่าใช้จ่ายในการบีบอัดข้อมูล