maintains the relationships between

maintains the relationships between a foreign key with its
matching primary keys. In the context of a star schema, a join
index can relate the values of one or more attributes of a
dimension table to matching rows in the fact table. For
example, consider the schema of Figure 3. There can be a
join index on City that maintains, for each city, a list of RIDs
of the tuples in the fact table that correspond to sales in that
city. Thus a join index essentially precomputes a binary join.
Multikey join indices can represent precomputed n-way joins.
For example, over the Sales database it is possible to
construct a multidimensional join index from (Cityname,
Productname) to the fact table. Thus, the index entry for
(Seattle, jacket) points to RIDs of those tuples in the Sales
table that have the above combination. Using such a
multidimensional join index can sometimes provide savings
over taking the intersection of separate indices on Cityname
and Productname. Join indices can be used with bitmap
representations for the RID lists for efficient join
processing12.
Finally, decision support databases contain a significant
amount of descriptive text and so indices to support text
search are useful as well.
Materialized Views and their Usage
Many queries over data warehouses require summary data,
and, therefore, use aggregates. Hence, in addition to indices,
materializing summary data can help to accelerate many
common queries. For example, in an investment environment,
a large majority of the queries may be based on the
performance of the most recent quarter and the current fiscal
year. Having summary data on these parameters can
significantly speed up query processing.
The challenges in exploiting materialized views are not unlike
those in using indices: (a) identify the views to materialize,
(b) exploit the materialized views to answer queries, and (c)
efficiently update the materialized views during load and
refresh. The currently adopted industrial solutions to these
problems consider materializing views that have a relatively
simple structure. Such views consist of joins of the fact table
with a subset of dimension tables (possibly after some
selections on those dimensions), with the aggregation of one
or more measures grouped by a set of attributes from the
dimension tables. The structure of these views is a little more
complex when the underlying schema is a snowflake.
Despite the restricted form, there is still a wide choice of
views to materialize. The selection of views to materialize
must take into account workload characteristics, the costs for
incremental update, and upper bounds on storage
requirements. Under simplifying assumptions, a greedy
algorithm was shown to have good performance13. A related
problem that underlies optimization as well as choice of
materialized views is that of estimating the effect of
aggregation on the cardinality of the relations.
A simple, but extremely useful, strategy for using a
materialized view is to use selection on the materialized view,
or rollup on the materialized view by grouping and
aggregating on additional columns. For example, assume that
a materialized view contains the total sales by quarter for
each product. This materialized view can be used to answer a
query that requests the total sales of Levi’s jeans for the year
by first applying the selection and then rolling up from
quarters to years. It should be emphasized that the ability to
do roll-up from a partially aggregated result, relies on
algebraic properties of the aggregating functions (e.g., Sum
can be rolled up, but some other statistical function may not
be).
In general, there may be several candidate materialized views
that can be used to answer a query. If a view V has the same
set of dimensions as Q, if the selection clause in Q implies the
selection clause in V, and if the group-by columns in V are a
subset of the group-by columns in Q, then view V can act as a
generator of Q. Given a set of materialized views M, a query
Q, we can define a set of minimal generators M’ for Q (i.e.,
smallest set of generators such that all other generators
generate some member of M’). There can be multiple
minimal generators for a query. For example, given a query
that asks for total sales of clothing in Washington State, the
following two views are both generators: (a) total sales by
each state for each product (b) total sales by each city for
each category. The notion of minimal generators can be used
by the optimizer to narrow the search for the appropriate
materialized view to use. On the commercial side, HP
Intelligent Warehouse pioneered the use of the minimal
generators to answer queries. While we have defined the
notion of a generator in a restricted way, the general problem
of optimizing queries in the presence of multiple
materialized views is more complex. In the special case of
Select-Project-Join queries, there has been some work in this
area.14 15 16
Transformation of Complex SQL Queries
The problem of finding efficient techniques for processing
complex queries has been of keen interest in query
optimization. In a way, decision support systems provide a
testing ground for some of the ideas that have been studied
before. We will only summarize some of the key
contributions.
There has been substantial work on “unnesting” complex
SQL queries containing nested subqueries by translating them
into single block SQL queries when certain syntactic
restrictions are satisfied17 18 19 20. Another direction that has
been pursued in optimizing nested subqueries is reducing the
number of invocations and batching invocation of inner
524
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, intri

ผลลัพธ์ (ไทย) 1:

รักษาความสัมพันธ์ระหว่างคีย์มีความตรงกับคีย์หลัก ในบริบทของ schema ดาว รวมดัชนีสามารถเกี่ยวข้องกับค่าของแอตทริบิวต์อย่าง น้อยหนึ่งของการตารางมิติตรงกับแถวในตารางข้อเท็จจริง สำหรับตัวอย่าง พิจารณาเค้าร่างของรูปที่ 3 สามารถมีการดัชนีรวมในเมืองที่รักษา ในแต่ละเมือง รายการ RIDsของ tuples ในตารางข้อเท็จจริงที่สอดคล้องกับการขายในที่เมือง ดังนั้น ดัชนีรวมเป็น precomputes รวมไบนารีดัชนีรวม multikey สามารถแสดง precomputed n-วิธีรวมตัวอย่าง ผ่านฐานข้อมูลการขาย เป็นการสร้างดัชนีแบบหลายมิติรวมจาก (ชื่อเมืองProductname) ตารางความจริง ดังนั้น รายการดัชนีสำหรับ(ซีแอตเทิล เสื้อ) ไป RIDs tuples เหล่านั้นในการขายตารางที่มีชุดข้างต้น ใช้เช่นการดัชนีรวมหลายมิติบางครั้งสามารถให้ประหยัดไปนำของดัชนีแยกในชื่อเมืองและ Productname รวมดัชนีที่สามารถใช้กับบิตแมปนำเสนอรายการ RID สำหรับรวมมีประสิทธิภาพprocessing12สุดท้าย ฐานข้อมูลสนับสนุนการตัดสินใจประกอบด้วยความสำคัญจำนวนข้อความและดัชนีเพื่อให้การสนับสนุนข้อความค้นหามีประโยชน์เช่นMaterialized มุมมองและการใช้งานของพวกเขาแบบสอบถามจำนวนมากผ่านคลังข้อมูลต้องการข้อมูลสรุปและ ดังนั้น ใช้ผล นอกจากดัชนี ดังนั้นmaterializing สรุปข้อมูลสามารถช่วยเร่งมากสอบถามทั่วไป ตัวอย่าง ในสภาพแวดล้อมการลงทุนa large majority of the queries may be based on theperformance of the most recent quarter and the current fiscalyear. Having summary data on these parameters cansignificantly speed up query processing.The challenges in exploiting materialized views are not unlikethose in using indices: (a) identify the views to materialize,(b) exploit the materialized views to answer queries, and (c)efficiently update the materialized views during load andrefresh. The currently adopted industrial solutions to theseproblems consider materializing views that have a relativelysimple structure. Such views consist of joins of the fact tablewith a subset of dimension tables (possibly after someselections on those dimensions), with the aggregation of oneor more measures grouped by a set of attributes from thedimension tables. The structure of these views is a little morecomplex when the underlying schema is a snowflake.Despite the restricted form, there is still a wide choice ofviews to materialize. The selection of views to materializemust take into account workload characteristics, the costs forincremental update, and upper bounds on storagerequirements. Under simplifying assumptions, a greedyalgorithm was shown to have good performance13. A relatedproblem that underlies optimization as well as choice ofmaterialized views is that of estimating the effect ofaggregation on the cardinality of the relations.A simple, but extremely useful, strategy for using amaterialized view is to use selection on the materialized view,or rollup on the materialized view by grouping andaggregating on additional columns. For example, assume thata materialized view contains the total sales by quarter foreach product. This materialized view can be used to answer aquery that requests the total sales of Levi’s jeans for the yearby first applying the selection and then rolling up fromquarters to years. It should be emphasized that the ability todo roll-up from a partially aggregated result, relies onalgebraic properties of the aggregating functions (e.g., Sumcan be rolled up, but some other statistical function may notbe).In general, there may be several candidate materialized viewsthat can be used to answer a query. If a view V has the sameset of dimensions as Q, if the selection clause in Q implies theselection clause in V, and if the group-by columns in V are asubset of the group-by columns in Q, then view V can act as agenerator of Q. Given a set of materialized views M, a queryQ, we can define a set of minimal generators M’ for Q (i.e.,smallest set of generators such that all other generatorsgenerate some member of M’). There can be multipleminimal generators for a query. For example, given a querythat asks for total sales of clothing in Washington State, thefollowing two views are both generators: (a) total sales byeach state for each product (b) total sales by each city foreach category. The notion of minimal generators can be usedby the optimizer to narrow the search for the appropriatematerialized view to use. On the commercial side, HPIntelligent Warehouse pioneered the use of the minimalgenerators to answer queries. While we have defined thenotion of a generator in a restricted way, the general problemof optimizing queries in the presence of multiplematerialized views is more complex. In the special case ofSelect-Project-Join queries, there has been some work in thisarea.14 15 16Transformation of Complex SQL QueriesThe problem of finding efficient techniques for processingcomplex queries has been of keen interest in queryoptimization. In a way, decision support systems provide atesting ground for some of the ideas that have been studiedbefore. We will only summarize some of the keycontributions.There has been substantial work on “unnesting” complexSQL queries containing nested subqueries by translating theminto single block SQL queries when certain syntacticrestrictions are satisfied17 18 19 20. Another direction that hasbeen pursued in optimizing nested subqueries is reducing thenumber of invocations and batching invocation of inner524subqueries by semi-join like techniques21 22. Likewise, theproblem of flattening queries containing views has been atopic of interest. The case where participating views are SPJqueries is well understood. The problem is more complexwhen one or more of the views contain aggregation23.Naturally, this problem is closely related to the problem ofcommuting group-by and join operators. However,commuting group-by and join is applicable in the context ofsingle block SQL queries as well.24 25 26 An overview of thefield appears in a recent paper27.Parallel ProcessingParallelism plays a significant role in processing massivedatabases. Teradata pioneered some of the key technology.All major vendors of database management systems nowoffer data partitioning and parallel query processingtechnology. The article by Dewitt and Gray provides anoverview of this area28 . One interesting technique relevant tothe read-only environment of decision support systems is thatof piggybacking scans requested by multiple queries (used inRedbrick). Piggybacking scan reduces the total work as wellas response time by overlapping scans of multiple concurrentrequests.Server Architectures for Query ProcessingTraditional relational servers were not geared towards theintelligent use of indices and other requirements forsupporting multidimensional views of data. However, allrelational DBMS vendors have now moved rapidly to supportthese additional requirements. In addition to the traditionalrelational servers, there are three other categories of serversthat 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, intri

ผลลัพธ์ (ไทย) 2:

รักษาความสัมพันธ์ระหว่างต่างประเทศที่สำคัญด้วย
คีย์หลักที่ตรงกัน ในบริบทของสคีดาวที่เข้าร่วม
ดัชนีสามารถเชื่อมโยงค่าหนึ่งหรือคุณลักษณะอื่น ๆ ของ
ตารางมิติไปยังแถวที่ตรงกับความเป็นจริงในตาราง สำหรับ
ตัวอย่างเช่นพิจารณาคีของรูปที่ 3 สามารถมีได้
เข้าร่วมดัชนีในเมืองที่รักษาสำหรับแต่ละเมืองรายการ RIDs
ของ tuples ในตารางความจริงที่สอดคล้องกับยอดขายใน
เมือง ดังนั้นการเข้าร่วมดัชนีหลัก precomputes ไบนารีเข้าร่วม.
Multikey เข้าร่วมดัชนีสามารถเป็นตัวแทนของ precomputed n ทางร่วม.
ยกตัวอย่างเช่นฐานข้อมูลการขายมันเป็นไปได้ที่จะ
สร้างหลายมิติเข้าร่วมจากดัชนี (Cityname,
ผลิตภัณฑ์) เพื่อตารางความจริง ดังนั้นรายการดัชนีสำหรับ
(แอตเทิล, แจ็คเก็ต) ชี้ไป RIDs tuples ของผู้ที่อยู่ในการขาย
ตารางที่มีการรวมกันดังกล่าวข้างต้น เช่นการใช้
ดัชนีเข้าร่วมหลายมิติบางครั้งอาจให้เงินออม
มากกว่าการตัดของดัชนีที่แยกต่างหากใน Cityname
และผลิตภัณฑ์ ดัชนีเข้าร่วมสามารถใช้กับบิตแมป
สำหรับการแสดงรายการที่มีประสิทธิภาพสำหรับกรมชลประทานเข้าร่วม
processing12.
ในที่สุดฐานข้อมูลสนับสนุนการตัดสินใจที่สำคัญมี
ปริมาณของข้อความอธิบายและอื่น ๆ เพื่อสนับสนุนดัชนีข้อความ
ค้นหาที่มีประโยชน์เช่นกัน.
รูปธรรมมุมมองและการใช้งานของพวกเขา
หลายคำสั่งมากกว่าข้อมูล คลังข้อมูลสรุปต้องการ
และมีการใช้มวลรวม ดังนั้นนอกเหนือไปจากดัชนี
ข้อมูลสรุปรายอื่นสามารถช่วยในการเร่งการหลาย
คำสั่งที่พบบ่อย ยกตัวอย่างเช่นในสภาพแวดล้อมการลงทุน
ส่วนใหญ่ของคำสั่งอาจจะขึ้นอยู่กับ
ผลประกอบการของไตรมาสล่าสุดและบัญชีปัจจุบัน
ปี มีข้อมูลสรุปเกี่ยวกับพารามิเตอร์เหล่านี้สามารถ
อย่างเร่งประมวลผลแบบสอบถาม.
ความท้าทายในการใช้ประโยชน์จากมุมมองที่เป็นรูปธรรมไม่แตกต่างจาก
ผู้ที่อยู่ในการใช้ดัชนี (ก) ระบุมุมมองที่เป็นรูปธรรม,
(ข) การใช้ประโยชน์จากมุมมองที่ปรากฏในการตอบแบบสอบถามและ (ค )
ได้อย่างมีประสิทธิภาพปรับปรุงมุมมองที่ปรากฏในระหว่างการโหลดและ
การฟื้นฟู นำมาใช้ในขณะนี้การแก้ปัญหาอุตสาหกรรมเหล่านี้
ปัญหาพิจารณารายอื่นที่มีมุมมองที่ค่อนข้าง
โครงสร้างที่เรียบง่าย มุมมองดังกล่าวประกอบด้วยร่วมของตารางความจริงที่
มีส่วนย่อยของตารางมิติ (อาจจะเป็นหลังจากที่มี
การเลือกในมิติเหล่านั้น) กับการรวมตัวของหนึ่งใน
มาตรการหรือมากกว่าการจัดกลุ่มโดยชุดของคุณลักษณะจาก
ตารางมิติ โครงสร้างของมุมมองเหล่านี้เป็นเล็ก ๆ น้อย ๆ
ที่ซับซ้อนเมื่อคีพื้นฐานเป็นเกล็ดหิมะ.
แม้จะมีรูปแบบที่ จำกัด ยังคงมีทางเลือกที่หลากหลายของ
มุมมองที่เป็นรูปธรรม การเลือกมุมมองที่จะทำให้
ต้องใช้เวลาในลักษณะภาระงานบัญชีค่าใช้จ่ายสำหรับ
การปรับปรุงที่เพิ่มขึ้นและขอบเขตบนของการจัดเก็บข้อมูล
ความต้องการ ภายใต้สมมติฐานการลดความซับซ้อน, โลภ
ขั้นตอนวิธีการได้รับการแสดงที่มี performance13 ดี ที่เกี่ยวข้องกับ
ปัญหาที่รองรับการเพิ่มประสิทธิภาพเช่นเดียวกับทางเลือกของ
มุมมอง materialized เป็นที่ของการประเมินผลกระทบจาก
การรวมตัวในภาวะเชิงการนับของความสัมพันธ์.
ที่เรียบง่าย แต่มีประโยชน์มากสำหรับการใช้กลยุทธ์
มุมมองรูปธรรมคือการใช้การเลือกมุมมอง materialized,
หรือยกเลิกการในมุมมองรูปธรรมโดยการจัดกลุ่มและการ
รวมกันในคอลัมน์เพิ่มเติม ตัวอย่างเช่นสมมติว่า
มุมมอง materialized มียอดขายรวมในไตรมาสสำหรับ
แต่ละผลิตภัณฑ์ มุมมองรูปธรรมสามารถนำมาใช้ในการตอบ
แบบสอบถามที่ร้องขอยอดขายรวมของกางเกงยีนส์ลีวายส์ประจำปี
เป็นครั้งแรกโดยใช้การเลือกและจากนั้นกลิ้งเพิ่มขึ้นจาก
ไตรมาสปี มันควรจะเน้นที่ความสามารถในการ
ทำม้วนขึ้นจากผลรวมบางส่วนต้องอาศัย
คุณสมบัติเกี่ยวกับพีชคณิตของฟังก์ชั่นรวมกัน (เช่นซำ
สามารถรีดขึ้น แต่บางฟังก์ชั่นทางสถิติอื่น ๆ อาจไม่
เป็น).
โดยทั่วไปอาจมี เป็นผู้สมัครหลายรูปธรรมมองเห็นวิว
ที่สามารถใช้ในการตอบแบบสอบถาม หาก V มุมมองเดียวกันมี
ชุดของขนาดเป็น Q ถ้าข้อที่เลือกใน Q หมายถึง
คำสั่งที่เลือกใน V และถ้ากลุ่มโดยคอลัมน์ใน V เป็น
ส่วนหนึ่งของกลุ่มโดยคอลัมน์ใน Q แล้วดู V สามารถทำหน้าที่เป็น
เครื่องกำเนิดไฟฟ้าของคิวได้รับชุดของมุมมอง materialized M แบบสอบถาม
Q เราสามารถกำหนดชุดของเครื่องกำเนิดไฟฟ้าน้อยที่สุด M สำหรับ Q (เช่น
ชุดที่เล็กที่สุดของเครื่องกำเนิดไฟฟ้าเครื่องกำเนิดไฟฟ้าดังกล่าวที่อื่น ๆ
สร้างสมาชิกของเอ็มบาง ) สามารถมีได้หลาย
เครื่องกำเนิดไฟฟ้าที่น้อยที่สุดสำหรับการค้นหา ตัวอย่างเช่นกำหนดแบบสอบถาม
ที่ขอยอดขายรวมของเสื้อผ้าในรัฐวอชิงตัน
ต่อไปนี้สองมุมมองที่มีทั้งเครื่องปั่นไฟ (ก) ยอดขายรวมโดย
แต่ละรัฐสำหรับแต่ละผลิตภัณฑ์ (ข) โดยยอดขายรวมสำหรับแต่ละเมือง
แต่ละประเภท ความคิดของเครื่องกำเนิดไฟฟ้าน้อยที่สุดสามารถนำมาใช้
โดยการเพิ่มประสิทธิภาพในการค้นหาที่เหมาะสมสำหรับ
รูปธรรมมุมมองในการใช้ ในด้านการค้าของเอชพี
อัจฉริยะคลังสินค้าบุกเบิกการใช้น้อยที่สุด
เครื่องกำเนิดไฟฟ้าเพื่อตอบแบบสอบถาม ในขณะที่เราได้กำหนด
ความคิดของเครื่องกำเนิดไฟฟ้าในทางที่ จำกัด ปัญหาทั่วไป
ของการเพิ่มประสิทธิภาพการสอบถามในที่ที่มีหลาย
มุมมองรูปธรรมมีความซับซ้อนมากขึ้น ในกรณีพิเศษของ
-เลือกโครงการเข้าร่วมกับคำสั่งได้มีการทำงานบางอย่างในเรื่องนี้
area.14 15 16
การเปลี่ยนแปลงของคอมเพล็กซ์ SQL แบบสอบถาม
ปัญหาการหาเทคนิคที่มีประสิทธิภาพสำหรับการประมวลผล
คำสั่งที่ซับซ้อนได้รับการสนใจในการค้นหา
การเพิ่มประสิทธิภาพ ในทางระบบสนับสนุนการตัดสินใจให้
สนามทดสอบสำหรับบางส่วนของความคิดที่ได้รับการศึกษา
มาก่อน เราจะสรุปบางส่วนที่สำคัญ
ผลงาน.
มีการทำงานอย่างมีนัยสำคัญที่ "unnesting" ซับซ้อน
แบบสอบถาม SQL มี subqueries ซ้อนกันโดยการแปลพวกเขา
ลงในบล็อกเดียวแบบสอบถาม SQL เมื่อประโยคบาง
ข้อ จำกัด satisfied17 18 19 20. ทิศทางอื่นที่ได้
รับการติดตามใน การเพิ่มประสิทธิภาพ subqueries ซ้อนกันคือการลด
จำนวนของการสวดภาวนาและการผสมของภายใน
524
subqueries โดยกึ่งเข้าร่วมเช่น techniques21 22. ในทำนองเดียวกัน
ปัญหาที่เกิดจากคำสั่งแบนที่มีมุมมองที่ได้รับ
หัวข้อที่น่าสนใจ กรณีที่มีมุมมองที่เข้าร่วมโครงการ SPJ
คำสั่งเป็นที่เข้าใจกันดี ปัญหาที่มีความซับซ้อนมากขึ้น
เมื่อหนึ่งหรือมากกว่าของมุมมองที่มี aggregation23.
ธรรมชาติปัญหานี้เป็นเรื่องที่เกี่ยวข้องอย่างใกล้ชิดกับปัญหาของการ
เดินทางโดยกลุ่มผู้ประกอบการและเข้าร่วม อย่างไรก็ตาม
การเดินทางโดยกลุ่มและเข้าร่วมมีผลบังคับใช้ในบริบทของ
คำสั่ง SQL บล็อกเดียว well.24 25 26 ภาพรวมของ
เขตข้อมูลที่ปรากฏใน paper27 ที่ผ่านมา.
ประมวลผลแบบขนาน
ขนานมีบทบาทสำคัญในการประมวลผลขนาดใหญ่
ฐานข้อมูล Teradata เป็นหัวหอกในบางส่วนของเทคโนโลยีที่สำคัญ.
ทั้งหมดผู้ผลิตรายใหญ่ของระบบการจัดการฐานข้อมูลในขณะนี้
มีการแบ่งข้อมูลและการประมวลผลแบบสอบถามขนาน
เทคโนโลยี บทความโดย Dewitt และสีเทาให้
ภาพรวมของ area28 นี้ เทคนิคหนึ่งที่น่าสนใจที่เกี่ยวข้องกับ
สภาพแวดล้อมการอ่านอย่างเดียวของระบบสนับสนุนการตัดสินใจที่เป็น
ของ piggybacking สแกนร้องขอโดยคำสั่งหลาย ๆ (ใช้ใน
Redbrick) Piggybacking สแกนช่วยลดการทำงานรวมกัน
เป็นเวลาตอบสนองโดยการทับซ้อนกันของสแกนพร้อมกันหลาย
ร้องขอ.
สถาปัตยกรรมเซิร์ฟเวอร์สำหรับการประมวลผลคำ
ดั้งเดิมเซิร์ฟเวอร์สัมพันธ์ที่ไม่ได้มุ่งสู่การ
ใช้ความคิดสร้างสรรค์ของดัชนีและข้อกำหนดอื่น ๆ สำหรับ
การสนับสนุนมุมมองหลายมิติของข้อมูล แต่ทุก
ผู้ขาย DBMS เชิงสัมพันธ์ในขณะนี้ได้ย้ายอย่างรวดเร็วเพื่อสนับสนุน
ความต้องการเพิ่มเติมเหล่านี้ นอกเหนือจากแบบดั้งเดิม
เซิร์ฟเวอร์เชิงสัมพันธ์มีสามประเภทอื่น ๆ ของเซิร์ฟเวอร์
ที่ถูกพัฒนาขึ้นมาโดยเฉพาะสำหรับการสนับสนุนการตัดสินใจ.
•เฉพาะเซิร์ฟเวอร์ SQL: Redbrick เป็นเช่นนี้
ในชั้นเรียนของเซิร์ฟเวอร์ วัตถุประสงค์ที่นี่คือการให้
ภาษาสอบถามที่ทันสมัยและสนับสนุนการประมวลผลแบบสอบถาม
สำหรับแบบสอบถาม SQL มากกว่าดาวและแผนผังเกล็ดหิมะใน
สภาพแวดล้อมการอ่านอย่างเดียว.
• ROLAP เซิร์ฟเวอร์: เหล่านี้เป็นเซิร์ฟเวอร์ระดับกลางที่จะนั่ง
ระหว่างเซิร์ฟเวอร์ปลายด้านหลังเชิงสัมพันธ์ (ที่ข้อมูลใน
คลังสินค้า จะถูกเก็บไว้) และเครื่องมือที่ด้านหน้าของลูกค้าที่สิ้นสุด.
Microstrategy เป็นตัวอย่างของเซิร์ฟเวอร์ดังกล่าว พวกเขา
ขยายเซิร์ฟเวอร์สัมพันธ์แบบดั้งเดิมที่มีเฉพาะ
มิดเดิ้ลได้อย่างมีประสิทธิภาพสนับสนุนหลายมิติ
คำสั่ง OLAP และพวกเขามักจะเพิ่มประสิทธิภาพสำหรับเฉพาะ
ด้านหลังเซิร์ฟเวอร์เชิงสัมพันธ์ พวกเขาระบุมุมมองที่
จะได้รับการ materialized, ใช้ถ้อยคำใหม่ที่กำหนดคำสั่งของผู้ใช้ใน
แง่ของการที่เหมาะสม materialized มุมมองและสร้าง
หลายคำสั่ง SQL สำหรับเซิร์ฟเวอร์ปลายด้านหลัง พวกเขายัง
มีบริการเพิ่มเติมเช่นการจัดตารางเวลาของคำสั่ง
และการกำหนดทรัพยากร (เช่นเพื่อป้องกันการหลบหนี
คำสั่ง) นอกจากนี้ยังมีแนวโน้มที่จะปรับแต่ง ROLAP
เซิร์ฟเวอร์สำหรับโดเมนเฉพาะ ROLAP เครื่องมือ หลัก
ความแข็งแรงของเซิร์ฟเวอร์ ROLAP ที่พวกเขาใช้ประโยชน์จาก
ความยืดหยุ่นและคุณสมบัติของการทำธุรกรรมเชิงสัมพันธ์
ระบบ อย่างไรก็ตาม intri

ผลลัพธ์ (ไทย) 3:

รักษาความสัมพันธ์ระหว่างคีย์ต่างประเทศด้วย
จับคู่คีย์หลัก ในบริบทของ Star Schema , เข้าร่วม
ดัชนีสามารถเชื่อมโยงคุณค่าของหนึ่งหรือมากกว่าหนึ่งลักษณะของโต๊ะ
มิติตรงกับแถวในความจริงโต๊ะ
ตัวอย่างเพื่อพิจารณารูปแบบของรูปที่ 3 สามารถมี
เข้าร่วมดัชนีในเมืองที่ยังคงสำหรับแต่ละเมือง รายชื่อ rids
ของที่มีในความเป็นจริงตารางที่สอดคล้องกับการขายในเมืองนั้น

จึงร่วมกับดัชนีเป็นหลัก precomputes เข้าร่วมไบนารี
มัลติ คีย์ เข้าร่วมดัชนีสามารถแสดง precomputed n-way ร่วม .
ตัวอย่างเช่น มากกว่าการขายฐานข้อมูลเป็นไปได้

สร้างดัชนีร่วมจากหลายมิติ ( cityname
, หู ) ความจริงโต๊ะ ดังนั้น รายการดัชนี
( ซีแอตเทิลเสื้อ ) จุด rids ของผู้ที่มีในขาย
โต๊ะนั้นมีรหัสข้างต้น ใช้เช่น
เข้าร่วมหลายมิติดัชนีบางครั้งสามารถให้เงินออม
เหนือจดแยกของดัชนีที่แยกต่างหากใน cityname
กับหู . ดัชนีที่สามารถใช้ร่วมกับบิตแมป
แทนรายการสำหรับ processing12 เข้าร่วมจัด

ในที่สุด , ประสิทธิภาพฐานข้อมูลสนับสนุนการตัดสินใจประกอบด้วยจำนวนมากของข้อความเชิงพรรณนาและ

ดัชนีเพื่อสนับสนุนการค้นหาข้อความที่มีประโยชน์เช่นกัน มุมมอง และการใช้งาน

สามารถสอบถามหลายคลังสินค้าข้อมูลต้องให้ข้อมูล สรุป
และจึงใช้มวลรวม . ดังนั้น นอกจากดัชนี
materializing ข้อมูลสรุปสามารถช่วยเร่งสอบถามบ่อยมาก

ตัวอย่างเช่นในสภาพแวดล้อมการลงทุน
ส่วนใหญ่ของแบบสอบถามอาจจะขึ้นอยู่กับประสิทธิภาพของไตรมาสล่าสุด

และปีงบประมาณปัจจุบัน มีข้อมูลเกี่ยวกับพารามิเตอร์เหล่านี้สามารถ
เร่งความเร็วการประมวลผลแบบสอบถาม ความท้าทายในการใช้ประโยชน์จากมุมมอง materialized

จะไม่แตกต่างจากผู้ที่อยู่ในการใช้ดัชนี ( ) ระบุมุมมองที่เป็นจริง
( ข ) ใช้ materialized views เพื่อตอบแบบสอบถาม และ ( c )
มีประสิทธิภาพปรับปรุง materialized views ในระหว่างการโหลดและ
สดชื่น ปัจจุบันอุตสาหกรรมการแก้ไขปัญหาเหล่านี้มาพิจารณาเห็นว่ามีราย

ค่อนข้างง่าย โครงสร้าง มุมมองดังกล่าวประกอบด้วยรวมของความเป็นจริงตาราง
กับบางส่วนของตารางมิติ ( อาจจะหลังจากที่
เลือกในมิตินั้น )กับการรวมตัวของหนึ่งหรือมากกว่ามาตรการ
จัดกลุ่มตามชุดของแอตทริบิวต์จาก
ขนาดตาราง โครงสร้างของมุมมองเหล่านี้เป็นเพียงเล็กน้อยที่ซับซ้อนมากขึ้น
เมื่อคีต้นแบบคือ เกล็ดหิมะ
แม้จะจำกัดรูปแบบ ยังคงมีตัวเลือกที่กว้างของ
มุมมองที่จะเกิดขึ้น การเลือกมุมมองที่เป็นจริง
ต้องพิจารณาภาระงาน คุณลักษณะ ค่า
อัพเดทเพิ่ม และขอบเขตบนความต้องการกระเป๋า

ภายใต้ระบบสมมติฐานวิธีโลภ
ก็แสดงได้ดี performance13 . ปัญหาที่เกี่ยวข้องกับ
แผ่นอยู่ที่เหมาะสม รวมทั้งสามารถเลือกมุมมองที่ประมาณ

รวมผลในภาวะเชิงการนับของความสัมพันธ์ .
ที่เรียบง่าย แต่มากประโยชน์ กลยุทธ์เพื่อใช้