Verwandt, logisch kohärent, zweckspezifisch, an reale Welt orientiert. Entität kann in einer oder mehreren Unterklassen sein

Transkript

1 1 Definitionen 1.1 Datenbank Verwandt, logisch kohärent, zweckspezifisch, an reale Welt orientiert Integriert, selbstbeschreibend, verwandt 1.2 Intension/Extension Intension: Menge der Attribute Extension: Menge der Tupel 2 EER 2.1 Spezialisierung/Generalisierung Vererbung Entität muss in der Oberklasse sein Entität kann in einer oder mehreren Unterklassen sein Benutzer- / prädikat- / attributdefiniert Vererbung: Hierarchie: Baumstruktur Gitter (DAG): Mehrfachvererbung Dimensionen Partizipation der Oberklasse: total/partiell Art der Partizipation: disjunkt/überlappend 2.2 Kategorie (Union-Type) Unterschiede zur Generalisierung: Kategorie hat keinen eigenen Primärschlüssel Kategorie partizipiert total(?), Oberklassen nicht notwendigerweise Totale Partizipation der Oberklassen: Ausdruck als Spezialisierung/Generalisierung möglich 1

2 3 Mapping von ER auf Relationen Entitätstyp: Relation mit Attributen Schwacher Entitätstyp: Relation mit identifizierender Beziehung als Fremdschlüssel und zusammengesetztem Primärschlüssel, kaskadierend Zusammengesetztes Attribut: plattklopfen Mehrwertiges Attribut: wie schwacher Entitätstyp Beziehungen: 1:1: Fremdschlüssel bevorzugt auf Seite mit totaler Partizipation, u. U. in eine Relation 1:N: Fremdschlüssel auf N-Seite M:N: separate Relation, zusammengesetzter Primärschlüssel N-är: separate Relation, 1-Seiten zählen nicht zum Primärschlüssel Vererbung: Oberklasse + Unterklassen mit Fremdschlüssel Unterklassen mit allen Attributen der Oberklasse (nur bei Disjunktheit und totaler Partizipation!) Oberklasse mit Attributen aller Unterklassen und Diskriminator (bei Disjunktheit) Oberklasse mit Attributen aller Unterklassen und Bitvektor (bei Überlappung) Kategorie: Kategorie mit Surrogatschlüssel, referenziert in Oberklassen 4 Normalisierung 4.1 1NF Relationseigenschaften sind erfüllt Gegenbeispiel: 4.2 2NF 1NF + funktionale Abhängigkeiten vom Primärschlüssel irreduzierbar Gegenbeispiel: Rechnungsposten(ID[Rechnung], Posten, ID[Kunde]) 2

3 4.3 3NF 2NF + keine transitiven Abhängigkeiten Gegenbeispiel: Mitarbeiter(ID, Name, Abteilung, AbtName) 4.4 BCNF 3NF + Determinanten sind Schlüsselkandidaten Gegenbeispiel: Fonds(ID, Typ, Manager) Key-breaking dependencies 4.5 4NF BCNF + keine mehrwertigen Abhängigkeiten Gegenbeispiel: Unisport(Student, Fach, Sportkurs) Fach und Sportkurs haben nichts mit einander zu tun 5 SQL 5.1 Constraints Unique Referenzielle Integrität: Update: NO ACTION 1, RESTRICT 2 Delete: NO ACTION, RESTRICT, CASCADE, SET NULL Check 5.2 Trigger Zentralisierte Logik Event, Condition, Action Granularität: tupelweise / ganzes Statement Before/after 1 Abbruch, falls danach Integritätsregeln verletzt wären 2 Abbruch, falls der Schlüssel derzeit irgendwo referenziert ist 3

4 6 Objektrelationale Datenbanken Erweiterte Basistypen, eigene Operatoren/Funktionen/Aggregationsfunktionen Komplexe Datentypen: Strukturen, Collections, Referenzen Vererbung (auch Mehrfachvererbung) Anfragen auf Tabelle von Oberklasse beziehen sich auch auf alle Untertabellen! Regelsystem 7 Data-Warehouses 7.1 Begriffe Qualifizierende/quantifizierende Daten, Klassifikationshierarchie (funktionale Abhängigkeiten!) Mikrodaten (Einzelobjekte) Makrodaten (aggregiert) Metadaten 7.2 Gegensätze OLTP/OLAP Datenvolumen Dynamik Nullwerte Transaktionsart/-dauer Komplexität von Anfragen Anzahl Benutzer, Umfeld Inhalt (autonom/aggregiert) 7.3 Modelle ROLAP Bevorzugt für Rohdaten Fakt- und Dimensionstabellen (viele Indexe!) Separate Engine als Zwischenschicht zwischen DWH und OLAP-Interface Varianten: 4

5 Stern-Schema: denormalisierte Dimensionstabellen Schneeflocken-Schema: normalisierte Dimensionstabellen Im Normalfall Stern-Schema, da: Höhere Leistung Redundanz fällt kaum ins Gewicht Wenig Änderungen an der Dimensionstabellen Spezielle Gruppierungsoperatoren (mehrere Gruppierungen gleichzeitig) MOLAP Bevorzugt für aggregierte Daten Operatoren: Slice: Festhalten in einer Dimension Drill-Down: Verfeinern der Granularität Roll-Up: Vergröbern der Granularität Drill-Across: selbe Dimensionen, anderes Faktum Drill-Through: Wechsel der Datenquelle (quasi Reinzoomen) Aggregation Vorteile: Integrierte Operatoren Intuitiv, geringer Aufwand beim Erstellen von grafischen Berichten Optimierte Datenspeicherung Nachteile: Speicherungsstrukturen? Nicht standardisiert Schlechte Skalierbarkeit HOLAP Hybrider Ansatz ROLAP für Rohdaten, MOLAP für aggregierte Daten 7.4 Umgang mit Schemaänderungen Schemaevolution: altes Schema wird überschrieben Schemaversionierung 5