Universität Augsburg, Institut für Informatik WS 2008/2009 Prof. Dr. W. Kießling 12. Dez Dr. A. Huhn, M. Endres, T. Preisinger Lösungsblatt 8

Ähnliche Dokumente
Datenbanksysteme I. Universität Augsburg, Institut für Informatik WS 2012/2013 Prof. Dr. W. Kießling 21. Dez F. Wenzel, D. Köppl Lösungsblatt 8

Anfragebearbeitung. Ablauf der Anfrageoptimierung. Kanonische Übersetzung. Kanonische Übersetzung. Deklarative Anfrage (SQL)

Übung 4. Tutorübung zu Grundlagen: Datenbanken (Gruppen Do-T24 / Do-T31 WS 2016/2017)

TU München, Fakultät für Informatik Lehrstuhl III: Datenbanksysteme Prof. Alfons Kemper, Ph.D.

TU München, Fakultät für Informatik Lehrstuhl III: Datenbanksysteme Prof. Alfons Kemper, Ph.D.

Semesterklausur Wiederholung

TU München, Fakultät für Informatik Lehrstuhl III: Datenbanksysteme Prof. Alfons Kemper, Ph.D.

Übung 3. Tutorübung zu Grundlagen: Datenbanken (Gruppen Do-T24 / Do-T31 WS 2016/2017)

TU München, Fakultät für Informatik Lehrstuhl III: Datenbanksysteme Prof. Alfons Kemper, Ph.D.

Universität Augsburg, Institut für Informatik WS 2008/2009 Prof. Dr. W. Kießling 19. Dez Dr. A. Huhn, M. Endres, T. Preisinger Lösungsblatt 9

Vorlesung Suchmaschinen Semesterklausur Sommersemester 2016

Entity Relationship Modell

Datenbanken Unit 4: Das Relationale Modell & Datenintegrität

TU München, Fakultät für Informatik Lehrstuhl III: Datenbanksysteme Prof. Alfons Kemper, Ph.D.

WS 2010/11 Datenbanksysteme Fr 15:15 16:45 R Vorlesung #3. SQL (Teil 1)

GROUP BY, HAVING und Sichten

TU München, Fakultät für Informatik Lehrstuhl III: Datenbanksysteme Prof. Alfons Kemper, Ph.D.

Semi-Skylines und Skyline Snippets

Wiederholung VU Datenmodellierung

Diskussion: Personal (1)

Vorlesung Datenbanksysteme vom

Wiederholung VU Datenmodellierung

Universität Augsburg, Institut für Informatik Wintersemester 2008/2009 Prof. Dr. W. Kießling 03. Februar Semesterklausur

Fuzzy-Suche in Application Express

Universität Augsburg, Institut für Informatik WS 2007/2008 Prof. Dr. W. Kießling 18. Jan Dr. A. Huhn, M. Endres, T. Preisinger Übungsblatt 12

Wirtschaftsinformatik 7a: Datenbanken. Hochschule für Wirtschaft und Recht SS 16 Dozent: R. Witte

Übungsaufgaben zur Vorlesung. Lineare Algebra II. Komplex VI: Vektoren, Vektorräume und Lineare Unabhängigkeit

Teil 1: Deduktive Datenbanken Gerd Stumme Christoph Schmitz

Informatik II Vorlesung am D-BAUG der ETH Zürich. Vorlesung 12, 2017 Datenbanksysteme: Datendefinition in SQL, Kompliziertere Datenbankabfragen

Oracle 10g Einführung

Daten-Definitionssprache (DDL) Bisher: Realwelt -> ERM -> Relationen-Modell -> normalisiertes Relationen-Modell. Jetzt: -> Formulierung in DDL

Vorlesung Suchmaschinen Semesterklausur Sommersemester 2015

Informatik II Vorlesung am D-BAUG der ETH Zürich. Vorlesung 12, Datenbanksysteme: Datendefinition in SQL, Kompliziertere Datenbankabfragen

Semesterklausur. Hinweise:

Kapitel 5 Dr. Jérôme Kunegis. SQL: Grundlagen. WeST Institut für Web Science & Technologien

Wir haben folgende Ausprägung der Relation Studenten:

Anfrageoptimierung Logische Optimierung

Datenbanken Unit 5: Datenintegrität und funktionale Abhängigkeit

Universität Augsburg, Institut für Informatik WS 2005/2006 Prof. Dr. Werner Kießling 21. Nov M. Endres, A. Huhn, P. Preisinger Lösungsblatt 4

DATENBANKSYSTEME: SQL

TU München, Fakultät für Informatik Lehrstuhl III: Datenbanksysteme Prof. Alfons Kemper, Ph.D.

DBS ::: SERIE 5. Join Right Semi- Join Left Semi-Join Projektion Selektion Fremdschlüssel. Kreuzprodukt

Semesterklausur Datenbanksysteme 1 SS 2015

Wirtschaftsinformatik 7a: Datenbanken. Dozent: R. Witte

SQL. Ziele. Grundlagen von SQL. Beziehung zur relationalen Algebra SELECT, FROM, WHERE. Joins ORDER BY. Aggregatfunktionen. dbis.

Relationale Anfragesprachen

Query Languages (QL) Relationale Abfragesprachen/Relational

Kapitel 10: Relationale Anfragebearbeitung

Anfragebearbeitung. Logische Optimierung Physische Optimierung (Kostenmodelle Tuning ) Kapitel 8 1

TU München, Fakultät für Informatik Lehrstuhl III: Datenbanksysteme Prof. Alfons Kemper, Ph.D.

Physische Anfrageoptimierung

Das Relationale Modell

mit Musterlösungen Prof. Dr. Gerd Stumme, Dipl.-Inform. Christoph Schmitz 14. Mai 2007 σ KID= 11a (Schüler) π S Name (σ KID= 11a (Schüler))

Datenintegrität. Kapitel 5 1

Indexstrukturen in SQL

Übungsblatt 10: Lösungsvorschlag

Das relationale Modell (Teil 1)

PRG2 Folien Zicari Teil 5. Einführung in Datenbanken SS 2007

Fortsetzung: Kreuzprodukt, Inner Join. Sortierung. Existenzquantor, Mengenvergleich Gruppierung, Aggregate Cast-Operator

Schlüssel. Definition: Ein Schlüssel (key) einer Relation r(r) ist eine Til Teilmenge K von R, so dass für je zwei verschiedene Tupeln t 1

Fortsetzung: Projektion Selektion. NULL Werte

Datenbanksysteme 2013

Objektorientierte Datenbanken

Grundlagen von Datenbanken. Relationale Algebra und algebraische Optimierung

Datenintegrität. Kapitel 5 1

Vorlesung Datenbanken I Zwischenklausur

Datenmodellierung. VU , SS 2015 Relationale Abfragesprachen SQL. Sebastian Skritek

Datenmodellierung. VU , SS 2016 Relationale Abfragesprachen SQL. Nysret Musliu, Sebastian Skritek

Relationale Algebra. Thomas Heimrich. Rel. Algebra. Grundlagen. Beispielrelationen. rel. Algebra. Definition der rel. Algebra.

TU München, Fakultät für Informatik Lehrstuhl III: Datenbanksysteme Prof. Alfons Kemper, Ph.D.

DATENBANKEN SQL UND SQLITE VON MELANIE SCHLIEBENER

Datenbanksysteme I WS 17/18 HS-Übung. Universität Leipzig, Institut für Informatik Abteilung Datenbanken Prof. Dr. E. Rahm, V. Christen, M.

Wiederholung: Relationale Algebra

2.5 Relationale Algebra

Aggregatfunktionen in der Relationenalgebra?

Referentielle Integrität

Informatik für Ökonomen II: Datenintegrität. Prof. Dr. Carl-Christian Kanne

Übungen zur Vorlesung. Mobile und Verteilte Datenbanken. WS 2008/2009 Blatt 6. Lösung

2.1 Das Zeit-Ort-Gesetz der geradlinig gleichförmigen Bewegung

Universität Augsburg, Institut für Informatik WS 2006/2007 Dr. W.-T. Balke 20. Nov M. Endres, A. Huhn, T. Preisinger Lösungsblatt 4

Vorlesung Suchmaschinen Semesterklausur Sommersemester 2014

<Insert Picture Here> Mehr Ergebnisse: Linguistische und Ähnlichkeitssuche mit SQL Carsten Czarski ORACLE Deutschland B.V. & Co KG

Datenbanken: Relationales Modell und SQL. Dr. Matthias Uflacker, Stefan Klauck 23. April 2018

TU München, Fakultät für Informatik Lehrstuhl III: Datenbanksysteme Prof. Dr. Thomas Neumann

Aufgabe 1: Verschachtelte Anfragen

Datenbanksysteme 2009

Datenbanksysteme SS 2007

Datenbanksysteme I WS 18/19 Teillösung Übungsblatt 4-6

Datenbanken Vertiefung Wintersemester 2014/ Matrikelnummer: Hinweise. Unterschrift

[W, T4, D, 15] [start_transaction, T3] [W, T3, C, 30] [W, T4, A, 20] [commit, T4] [W, T2, D, 25] System Crash

Nachtrag: Farben. Farbblindheit. (Light und Bartlein 2004)

DB I S. 1 Relationenalgebra [8 P.] Gegeben seien die folgenden Relationenschemata: Person(PNR, Vorname, Nachname, Geburtsdatum, Wohnort Ort.

Transkript:

Unierität Augburg, Intitut für Informatik WS 2008/2009 Prof. Dr. W. Kießling 2. Dez. 2008 Dr. A. Hun, M. Endre, T. Preiinger Löungblatt 8 Aufgabe : Ertellen einer Multimedia-Datenbank Siee PDFinert.jaa Aufgabe 2: Volltextuce mit Oracle Text Ertellen de Volltextindexe: CREATE INDEX dfindex ON aer(df) INDEXTYPE IS CTXSYS.CONTEXT; Datenbankyteme I a) Finden Sie alle Dokumente, in denen on Hill-Climbing oder Otimization die Rede it. SELECT title FROM Paer WHERE CONTAINS (df, Hill-Climbing OR Otimization,) > 0; b) Sie wollen Informationen über Preference SQL. Ertellen Sie eine entrecende Volltextabfrage. Geben Sie den SCORE mit au.? SELECT SCORE (), title FROM Paer WHERE CONTAINS ( df, Preference SQL,) > 0; c) Finden Sie diejenigen Artikel, in denen Kießling und nict Comicki zitiert wird. SELECT title FROM Paer WHERE CONTAINS ( df, Kießling not Comicki,) > 0; d) Finden Sie erau, in welcem Artikel oft election und reference nae beieinander teen. Betracten Sie nur Ergebnie, deren Score öer al 50 it. SELECT SCORE (), title FROM Paer WHERE CONTAINS ( df, NEAR ( (oft election, reference),20) > 50,) > 0; Aufgabe 3: Relationale Algebra a) Beautung: σ (R S) = σ (R) S, fall nur Attribute on R entält Bewei: Sei t σ (R S) t R S und t erfüllt t R, t 2 S und t erfüllt t.(r S) = t 2.(R S) t = t t 2 ( entält nur Attribute au R) t σ (R), t 2 S : t.(r S) = t 2.(R S) t = t t 2 t σ(r) S b) Beautung: σ r (R S) = σ r (R) σ (S), fall r nur Attribute on R und nur Attribute on S entält. Bewei: σ r (R S) = σ r (σ (R S)) = σ r (R σ (S)) = σ r (R) σ (S) c) Beautung: σ n n... (R) = σ n (σ n (...(σ (R))...)) Bewei: durc Induktion über n n = : σ (R) = σ (R) n n + : Beautung: σ n+... (R) = σ n+ (...(σ (R))...)

Wegen der Induktionorauetzung gilt: σ n+... (R) = σ n+ (σ n... (R)) Sei t σ n+ (σ n... (R)) d) Beautung: π l (R S) = π l (R) π l (S) Gegenbeiiel: Gegeben eien die Relationen R und S: t σ n... (R) t erfüllt n+ t R t erfüllt n+... t σ n+... (R) R A B a b S A B b b Dann gilt: e) Beautung: π l (R S) = π l (R) π l (S) Bewei: Sei t π l (R S) π B (R S) =, aber π B (R) π B (S) = {b} a R S : a.l = t b R : b.l = t c S : c.l = t b π l (R) : b = t c π l (S) : c = t t π l (R) t π l (S) t π l (R) π l (S) f) Beautung: π l (R \ S) = π l (R) \ π l (S) Gegenbeiiel: Wäle R und S wie im Bewei zu Beautung d). Dann gilt: π B (R \ S) = {b}, aber π B (R) \ π B (S) = Aufgabe : Semi-Join Beim Semi-Join R < S qualifizieren ic die Tuel au R, für die die Joinbedingung mit Tuel au S erfüllt it. Im Ergebni ind aber nur Informationen au R, nict jedoc au S entalten, z.b. < R A B C a b c a 2 b 2 c 2 = S C D E c d e c 3 d 2 e 2 R < S A B C a b c Beiielweie it der Semijoin-Oerator geeignet, um diejenigen Studierenden zu betimmen, die Vorleungen bei Sokrate ören. In SQL werden Semijoin mittel exit oder in augedrückt. SELECT * FROM Studenten WHERE EXISTS ( SELECT * FROM Profeoren, ören, Vorleungen WHERE.MatrNr =.MatrNr AND.Name = Sokrate AND.geleenVon =.PerNr AND.VorlNr =.VorlNr); Durc eine effiziente Imlementierung de Semi-Join können Projektionen eingeart werden. Bei der Berecnung eine (teuren) Join kann man den Semi-Join wie folgt erwenden: R R.A=S.B S = R (π A (R) > S) 2

Aufgabe 5: Algebraice Queryotimierung a) Tranformieren Sie die Query in einen Audruck der relationalen Algebra. b) Ertellen Sie den dazugeörigen Oeratorbaum. (σ.name= Sokrate.geleenV on=.p ernr.v orlnr=.v orlnr.matrnr=.matrnr( )) σ.name= Sokrate.geleenV on=.p ernr.v orlnr=.v orlnr.matrnr=.matrnr c) Otimieren Sie die Anfrage mit Hilfe de Hill-Climbing-Algoritmu au der Vorleung (Algoritmu 20). Aufalten der Selektion: σ.name= Sokrate σ.geleenv on=.p ernr σ.matrnr=.matrnr σ.v orlnr=.v orlnr 3

Pu-Selection: σ.geleenv on=.p ernr σ.v orlnr=.v orlnr σ.name= Sokrate σ.matrnr=.matrnr Join und Projection:.geleenV on=.p ernr 3 π.geleenv on,.semeter π.p ernr.v orlnr=.v orlnr 0 3 σ.name= Sokrate π.v orlnr,.semeter π.v orlnr,.geleenv on 7 π.matrnr,.semeter.matrnr=.matrnr 3 8

Otimierung der Verbundreienfolge (Kommutatiität und Aoziatiität):.MatrNr=.MatrNr 8 π.matrnr π.matrnr,.semeter π.v orlnr.v orlnr=.v orlnr 3 3.geleenV on=.p ernr 0 π.p ernr π.geleenv on,.v orlnr σ.name= Sokrate 7 d) Betimmen Sie die Anzal der Zwicenergebnie or und nac einer Otimierung der Verbundreienfolge anand der auf Blatt, Aufgabe 3 orgetellten Datenbank. Siee annotierte Kanten. 5