1 / 17

Kapitel 9

Kapitel 9. Physische Datenorganisation (ganz kurz). Lernziele. . Motivation für schnellere Zugriffe Anlegen eines Index. Bottleneck Festplatte. . Selbst sehr schnelle Festplatten haben typischerweise Zugriffszeiten im ms-Bereich

stevie
Download Presentation

Kapitel 9

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Kapitel 9 Physische Datenorganisation(ganz kurz)

  2. Lernziele  • Motivation für schnellere Zugriffe • Anlegen eines Index Datenbanken, SS 12 Kapitel 9: Datenorganisation

  3. Bottleneck Festplatte  • Selbst sehr schnelle Festplatten haben typischerweise Zugriffszeiten im ms-Bereich • Da die Prozessoren im Vergleich sehr viel schneller sind, lohnt es sich typischerweise selbst vergleichsweise komplexe Rechenoperationen durchzuführen um dadurch Festplattenzugriffe zu sparen. • Weiterhin können Festplatten sehr gut Daten am Stück lesen. Daher ist es die Standardoperation gleich einen ganzen Block (genannt Seite) an Daten zu lesen, unabhängig, ob auch tatsächlich alle Daten benötigt werden. • Caching und vorrausschauendes Vorladen von Daten ist dabei ein aktives Forschungsgebiet. • Was wir hier in Vorlesung betrachten sind Datenstrukturen, die helfen die Daten besonders schnell wieder zu finden. Datenbanken, SS 12 Kapitel 9: Datenorganisation

  4. Beispiel für einen binären Suchbaum London, Paris, Madrid, Kopenhagen, Lissabon, Zürich, Frankfurt, Wien, Amsterdam, Florenz London Kopenhagen Paris Frankfurt Lissabon Madrid Zürich Amsterdam Wien Florenz Datenbanken, SS 12 Kapitel 9: Datenorganisation

  5. Datenbanken, SS 12 Kapitel 9: Datenorganisation

  6. B+-Baum Referenz- schlüssel Such- schlüssel Datenbanken, SS 12 Kapitel 9: Datenorganisation

  7. Datenbanken, SS 12 Kapitel 9: Datenorganisation

  8. Hashing Datenbanken, SS 12 Kapitel 9: Datenorganisation

  9. Hashing • Bäume: logk(n) viele Seitenzugriffe .. • Hashing: • Fast eindeutige Zuordnung von Datum zu Bucket (Behälter) • h: S → B • S Schlüssel (in diesem Kontext hier: nicht notwendigerweise Schlüssel im Sinne eines logischen Schema) • B: Nummerierung von n Behältern • Zugriff innerhalb von 1-2 Schritten • Charakteristiken der gesuchten Hash-Funktion • Fester vs flexibler Wertebereich • Gute Verteilung über den Wertebereich, auch bei schlechter Verteilung der Datencharakteristiken über den Eingabebereich Datenbanken, SS 12 Kapitel 9: Datenorganisation

  10. Hashing • Abbildung h: D  [0..m-1], genannt Hash-Funktion, • von Schlüsseln x1, ..., xn aus Domain D (z.B. Strings) auf Positionen • h(x1), ..., h(xn) in Array a[0..m-1], genannt Hash-Tabelle (mit n < m) •  Speicherung von Schlüssel xi in a[h(xi)] • Anforderungen an h: • sehr effiziente Berechenbarkeit • zufällige „Streuung“ (Randomisierung) von x1, ..., xn auf [0..m-1] • Urbilder von j1, j2 Î[0..m-1] annähernd gleich groß für alle j1, j2 und alle möglichen x1, ..., xn • für geordnete Schlüssel x1 < x2 < ... < xn sollte die Ordnung von h(x1), h(x2), ..., h(xn) eine zufällige Permutation sein • Beispiele für brauchbare Hash-Funktionen • h(x) = (ax + b) mod m für Integers x mit Konstanten a, b • h(x) = (mittlere k Ziffern von x2) mod m für k-stellige Integers x • h(x) = (ord(c1)+...+ord(ck)) mod m für Strings c1c2...ckÎåk • mit ord: S Î[1..|å|] Datenbanken, SS 12 Kapitel 9: Datenorganisation

  11. Statisches Hashing Datenbanken, SS 12 Kapitel 9: Datenorganisation

  12. Datenbanken für Mathematiker, WS 11/12 Kapitel 10: Datenorganisation

  13. Datenbanken für Mathematiker, WS 11/12 Kapitel 10: Datenorganisation

  14. 4 7 13 6 18 32 48 Datenbanken für Mathematiker, WS 11/12 Kapitel 10: Datenorganisation

  15. 7 13 4 6 18 32 48 Datenbanken für Mathematiker, WS 11/12 Kapitel 10: Datenorganisation

  16. SQL: Create Index • Grobsyntax: CREATE [UNIQUE] INDEX Indexname ON Tabellenname (Attribut1, Attribut2 ..) DROP INDEX Indexname Primary Key hat immer einen Index (muss nicht explizit indexiert werden) .. Oracle: default-Indextyp ist ein B+ Baum • Beispiele: CREATE INDEX Studenten_idx1 ON Studenten(Semester) DROP INDEX Studenten_idx1 Datenbanken, SS 12 Kapitel 9: Datenorganisation

  17. Standardoption sind B+-Bäume – Warum? • B+-Bäume sind stärker an die Seitenstruktur der Daten angepasst, der Grad k ist typischerweise sehr hoch, meist hat jeder Knoten eine Seite, also z.B. 64 MB. Logkn mit hohem k ergibt also fast immer 1 oder 2. Da die B+-Bäume sehr dicht sind, können die Nicht-Blattknoten oft komplett im Cache gehalten werden und benötigen dann gar keine Festplattenzugriffe. • Ein Hash, selbst ein erweiterter Hash benötigt viel Redundanz, es können also pro Seite weniger Daten referenziert werden. Da aber der benötigte Speicher direkt an der Performance hängt werden in der Praxis oft mehr Seitenzugriffe benötigt. Überlegen ist der Hash in Situationen, wo sowieso die kompletten Daten (mit Index) im Cache sind, etwa sehr viele Anfragen auf eine kleine Menge von Daten kommen oder wenn die Daten auf mehreren Rechnern verteilt sind. Datenbanken, SS 12 Kapitel 9: Datenorganisation

More Related