Transformation mehrdimensionaler Datenmodelle. Dr. Michael Hahne cundus AG Prokurist, Niederlassungsleiter

Transkript

1 Transformation mehrdimensionaler Datenmodelle Dr. Michael Hahne cundus AG Prokurist, Niederlassungsleiter

2 Agenda Modelltransformation und Datenbank- Generierung Mehrdimensionales Metamodell Formalsprachlicher Transformationsansatz Transformation in Star Schemata Transformationsmöglichkeiten im Überblick

3 1 Modelltransformation und Datenbank- Generierung Semantische Beschreibungsebene Transformations- Metamodell formalsprachliche Darstellung Logische Datenbankebene

4 2 Grundbestandteile des Metamodells (I) Einfaches Dimensions-Schema EDS=(W) besteht aus einem Wertebereich W Hierarchie eines einfaches Dimensions-Schemas Graph (V,E) wobei V W und (V,E) ist gerichtet, azyklisch und total geordnet Rennräder Treckingräder Kinderräder Rennräder Treckingräder F99-12 F99-7 F99-21S F99-13H MB-98A MB-Alpin Kid-A Kid-B Kid-C F99-12 F99-7 F99-21S MB-98A MB-Alpin Dimensions-Schema DS=(W,V,E) Dimension D=(V D,E D ) endl. Teilgraph von (V,E)

5 2 Grundbestandteile des Metamodells (II) Kuben-Schema KS=(DS 1,...,DS n,t) mit Datentyp T Dimensions-Schemata DS 1,...,DS n T Endl. Teilgraph Kubus Funktion n K=(D 1,...,D n,ν) mit Funktion ν Dimensionen D 1,...,D n

6 2 Grundbestandteile des Metamodells (III) Mehrdimensionales Datenbank-Schema (MDB-Schema) KS 1 K 1 Bijektive Abbildung z KS n K n Zustand

7 2 Grundbestandteile (VI) : Markierungen im Metamodell Rennräder Treckingräder F99-12 F99-7 F99-21S MB-98A MB-Alpin Rennräder Treckingräder Knotenmarkierungen L V m M V F99-12 F99-7 F99-21S MB-98A MB-Alpin Kantenmarkierungen L E m M E

8 2 Typisierung und Partitionierung Dimensions-Schema (assoziierter) Dimensions-Typ Rennräder Treckingräder Typisierung Warengruppe F99-12 F99-7 F99-21S MB-98A MB-Alpin Produkt Endl. Überdeckung der Knotenmenge Partitionierung Induzierter Graph Knotenpartition Rennräder, Treckingräder Warengruppe F99-12,,, F99-7 F99-21S MB-98A MB-Alpin, Produkt

9 2 Beispielskript des Metamodells DATABASES: DATABASE: [Marketing] DATATYPES: integer,boolean,char,double CUBES: CUBE: [Umsatz] DATATYPE: float REFERENCED DIMENSIONS: [Zeit],[Vertriebsweg],[Produkt]

10 2 Beispielskript des Metamodells DIMENSION: [Vertriebsweg] DATATYPE: char NODES: 'Partner', 'Katalog', 'E-Shop' EDGES: - LABELS: -

11 2 Beispielskript des Metamodells DIMENSIONS: DIMENSION: [Zeit] DATATYPE: char NODES: '1999', '2000', '2001', 'Alle Jahre', EDGES: ('Alle Jahre','1999'), ('Alle Jahre','2000'), ('Alle Jahre','2001'), LABELS: -

12 2 Beispielskript des Metamodells DIMENSION: [Produkt] DATATYPE: char NODES: 'F99-12', 'F99-7', 'F99-21S', 'F99-13H', EDGES: ('Rennräder','F99-12'), ('Rennräder','F99-7'), ('Rennräder','F99-21S'), ('Rennräder','F99-13H'), LABELS: LABEL: [Partition] LABELVALUES NODES: 'F99-12':'Produkt', 'F99-7':'Produkt', 'F99-21S':'Produkt', 'F99-13H':'Produkt', 'Rennräder':'Warengruppe'

13 3 Phasen der Sprachanalyse 1. In der Phase der lexikalischen Analyse wird der Quelltext analysiert, d.h. es wird überprüft, ob er ein Wort über dem Ausgangsalphabet ist, und wird dabei in elementare Ausdrücke (sog. Tokens) transformiert, damit eine spätere Weiterverarbeitung leichter möglich ist. 2. Die Phase der syntaktischen Analyse überprüft das von der lexikalischen Analyse als Wort über dem Ausgangsalphabet erkannte Wort auf die syntaktische Korrektheit. 3. In der Phase der semantischen Analyse werden die als syntaktisch korrekt erkannten Worte auf ihre semantische Stimmigkeit hin überprüft.

14 3 Ablaufschema Flex-Skript Bison-Skript C-Code C-Code Quellskript Metamodell Lexikalische Analyse liest einzelne Token fordert bei Bedarf Token an und prüft auf Syntax Syntax- Analyse Transformation übergibt Sätze LOG Skript Zielmodell

15 4 Eigenschaften zur Klassifizierung von Star Schema-Strukturen Aggregate dynamisch, in Hauptfaktentabelle, Aggregattabellen Anzahl Hauptfaktentabellen eine, mehrere Kennzahlen Kennzahlendimension, Faktentabelle, keine, Mischform Normalisierung flache Dimensionstabelle, partitioniert, normalisiert Dimensionsstrukturen klassische Strukturen, Heterarchie, rekursive Beziehungen, Minidimension Primärschlüssel einattributig/mehrattributig, künstlich/natürlich

16 4 Transformation in Star Schemata

17 4 Transformationsparameter I Aggregate dynamisch Anzahl Hauptfaktentabellen eine : FTMarketingUmsatz [FT<database><cube>] Kennzahlen Faktentabelle <cube> wird zu Spalte in der Faktentabelle

18 4 Transformationsparameter II Normalisierung DTZeit, DTProdukt, DTVertriebsweg: jeweils flache Dimensionstabelle Dimensionsstrukturen DTVertriebsweg: flach, <level 0> --> Spalte Vertriebsweg DTZeit: balancierte Waldstruktur, <level 0> --> Spalte Monat, <level 1> --> Spalte Jahr DTProdukt: balancierte Waldstruktur, label Partition --> Spalten in Dimensionstabelle Primärschlüssel DTZeit, DTProdukt, DTVertriebsweg: jeweils einattributig & künstlich

19 4 Transformationsergebnis I DIMENSION: [Vertriebsweg] DATATYPE: char NODES: 'Partner', 'Katalog', 'E-Shop' EDGES: - LABELS: - CREATE TABLE DTVertriebsweg ( Vertriebsweg_Id int NOT NULL, Vertriebsweg nvarchar(100) NULL, PRIMARY KEY (Vertriebsweg_Id) )

20 4 Transformationsergebnis II CREATE TABLE DTZeit ( Zeit_Id Monat Jahr PRIMARY KEY (Zeit_Id) ) DIMENSIONS: DIMENSION: [Zeit] DATATYPE: char NODES: '1999', '2000', '2001', 'Alle Jahre', EDGES: ('Alle Jahre','1999'), ('Alle Jahre','2000'), ('Alle Jahre','2001'), LABELS: - int NOT NULL, nvarchar(10) NULL, nchar(4) NULL,

21 4 Transformationsergebnis III CREATE TABLE DTProdukt ( Produkt_Id Produkt DIMENSION: [Produkt] Warengruppe nvarchar(100) NULL, DATATYPE: char PRIMARY KEY (Produkt_Id) ) NODES: 'F99-12', 'F99-7', 'F99-21S', 'F99-13H', EDGES: ('Rennräder','F99-12'), ('Rennräder','F99-7'), ('Rennräder','F99-21S'), ('Rennräder','F99-13H'), LABELS: LABEL: [Partition] LABELVALUES NODES: 'F99-12':'Produkt', 'F99-7':'Produkt', 'F99-21S':'Produkt', 'F99-13H':'Produkt', 'Rennräder':'Warengruppe' int NOT NULL, nvarchar(100) NULL,

22 4 Transformationsergebnis IV DATABASES: DATABASE: [Marketing] DATATYPES: integer,boolean,char,double CUBES: CUBE: [Umsatz] DATATYPE: float REFERENCED DIMENSIONS: [Zeit],[Vertriebsweg],[Produkt] CREATE TABLE FTMarketingUmsatz ( Zeit_Id int NOT NULL, Produkt_Id int NOT NULL, Vertriebsweg_Id int NOT NULL, Umsatz money NULL, PRIMARY KEY (Zeit_Id, Produkt_Id, Vertriebsweg_Id), FOREIGN KEY (Vertriebsweg_Id) REFERENCES DTVertriebsweg, FOREIGN KEY (Produkt_Id) REFERENCES DTProdukt, FOREIGN KEY (Zeit_Id) REFERENCES DTZeit))

23 4 Transformationsergebnis in ER-Darstellung

24 5 Transformationsmöglichkeiten im Überblick