Interoperabilidade Ulrich Schiel

Apresentação em tema: "Interoperabilidade Ulrich Schiel "— Transcrição da apresentação:

1 Ulrich Schiel ulrich@dsc.ufcg.edu.br
Interoperabilidade Ulrich Schiel (C) COPIN - Coordenação de Pós-Graduação em Informática UNIVERSIDADE FEDERAL DE CAMPINA GRANDE

2 Roteiro Bibliografia Histórico Arquiteturas de distribuição
Data Warehouses Heterogenidade Conceitos de distribuição Transparência Extração e integração Processamento de consultas Controle de Concorrência Data Warehouse-criação e atualização Seminários Projeto

3 BIBLIOGRAFIA Prentice-Hall, (1996) (capítulos 1-9)
O. Bukhres& A. Elmagarmid (eds.) Object Oriented Multidatabase Systems, Prentice-Hall, (1996) (capítulos 1-9) SISTEMAS: Pegasus (HP), VODAK/KODIM (GMD-IPSI), OIS/CIS(ESPRIT-Bertino),, EIS/XAIT (Xerox), DOMS (GTE-Labs:Buchman, Ozsu, Brodie), Carnot (MCC-Woelk), Thor (MIT-Liskov), FBASE (Purdue-Mullen), InterBase* (Purdue-Bukhres), A La Carte (U.o.Colorado, HKBMS (Florida-Su) IRO-DB (ESPRIT-Versailles, GMD,)(Caps.10-20) M.T. Özsu, & P. Valduriez Princípios de Bancos de Dados Distribuidos – 2ª Edição, Campus (2001) (Capítulo 4-Arquiteturas DDBMS; Cap. 15 – Interoperabilidade) M.T. Özsu, U. Dayal & P. Valduriez (eds.) Distributed Object Management, Morgan Kaufmann (1994) (Part 6. Interoperability - PP

4 BIBLIOGRAFIA W. Kim (ed.) Modern Database Systems, Addison Wesley (1995) Part II - Interoperating Legacy Systems - Cap SISTEMAS - UniSQL/M, EDA/SQL, Pegasus, ADDS(Cap ) M. Jarke, M. Lenzerini, Y. Vassiliou & P. Vassiliadis Fundamentals of Data Warehouses, Springer Verlag, (itens 1.1, 1.2, 1.3, 2.1 e capítulos 3 e 4.1,4.2, 4.3) Os autores coordenam um projeto ESPRIT, denominado DWQ SISTEMAS:Carnot, SIMS, Inf. Manifold, TSIMMIS, Sqirrel, WHIPS) H. Garcia-Molina, J. Ullman & J. Widom Database System Implementation, Prentice-Hall, (capítulo 11 - Information Integration, §11.1 e 11.2) V. Poe, P. Klauer & S. Probst Building a Data Warehouse for Decision Support -2nd ed. Prentice-Hall, 1998 (Cap. 8 - Data Integration)

5 BIBLIOGRAFIA - cont. [Cea98] D. Calvanese et.al. Information Integration: conceptual modeling and reasoning support, Proc. 6th Intl. Conf. on Cooperative Information Systems -CoopIS, 1998, pp [BLN86] C. Batini, M. Lenzerini, S. Navathe A comparative analysis of methodologies for database schema integration, ACM Comp. Surveys 18(4), 1986 pp [Gea97] H. Garcia-Molina et.al. The TSIMMIS approach to mediation: data models and languages, J. Intell. Information Systems 8:2, 1997, pp [HZ96] R. Hull & G. Zhou A framework for supporting data integration using the materialized and virtual approaches, Proc. of ACM SIGMOD Conference, 1996, pp [O 97] R.J. Orli Data extraction, transformation, and migration tools, Kismet Corp, [PGW95] Y. Papakonstantinou, H. Garcia-Molina & J. Widom Object exchanges across heterogeneous information sources, Proc. Intl. Conf on Data Engineering 1995 pp [SL90] A.P. Sheth & J.A. Larson Federated Databases for managing distributed, heterogeneous, and autonomous databases ACM Computing Surveys 22:3, 1990, pp [Tra04] R. Traunmüller (ed.) Third Intl. Conf EGOV 2004, LNCS 3183, Zaragoza 2004

6 Seminários / Projetos Temas para seminários: Projetos – especificação da integração de fontes heterogêneas em: F-Logic / FLORA Description Logic Z

7 HISTÓRICO 1. Dados independentes 2. Dados Integrados
problemas de redundância problemas de inconsistência novas tecnologias (mainframes,..) 2. Dados Integrados

8 HISTÓRICO 2. Dados Integrados 3. Dados distribuídos
questões gerenciais questões políticas novas tecnologias (micros, comunicação, internet) 3. Dados distribuídos

9 HISTÓRICO 3. Dados distribuídos 4. Dados operacionais distribuídos e
heterogeneidade necessidades gerenciais e estratégicas (históricos, agregados,.) assincronismo operacional X gerencial 4. Dados operacionais distribuídos e gerenciais centralizados

10 SISTEMAS DISTRIBUIDOS
Usuário global Usuário local

11 BANCOS DE DADOS DISTRIBUÍDOS
Banco de Dados Distribuído homogêneo Banco de Dados Distribuído heterogêneo = Banco de Dados Federado = Multibanco de Dados Data Warehouse PROJETO TOP-DOWN PROJETO BOTTOM-UP

12 MULTIBANCOS DE DADOS Integrado (não-federado) Fracamente acoplado
(sem autonomia local) Fracamente acoplado (sem esq. Global) Federação simples MDBS federado Fortemente acoplado (com esq. Global) Federação múltipla

13 Com esquema global Sem esquema global
ACESSO AOS DADOS Com esquema global Sem esquema global Com dados globais Sem dados globais

14 ARQUITETURAS DE DISTRIBUIÇÃO
Aspectos: Autonomia: 0 = integração total 1 = autonomia parcial 2 = isolamento total Distribuição: 0 = centralizado 1 = sistemas cliente/servidor 2 = sistemas peer-to-peer Heterogeneidade: 0 = homogêneo 1 = heterogêneo Özsu&Valduriez:Principles of Distributed Database Systems – Chap. 4

15 ARQUITETURAS DE DISTRIBUIÇÃO
Combinações: (A0,D0,H0): sistemas compostos (A0,D0,H1): sistemas heterogêneos (A0,D1,H0): sistema Cliente/servidor (A0,D2,H0): sistemas distribuídos peer-to-peer (A1,D0,H0): federação centralizada de SGBDs específicos (A1,D0,H1): SGBD federado heterogêneo (A1,D1,H1): SGBD federado distribuído heterogêneo (A2,D0,H0): Multidatabase homogêneo (A2,D0,H1): Multidabase federado heterogêneo (A2,D1,H1)&(A2,D2,H1): Multidabase Distribuído Özsu&Valduriez:Principles of Distributed Database Systems – Chap. 4

16 ARQUITETURAS DE DISTRIBUIÇÃO
Resumindo temos: (Ax,D1,Hy): sistemas cliente-servidor (A0,D2,Hy): Bancos de Dados Distribuídos (A2,Dx,Hy): Multidatabase Systems Özsu&Valduriez:Principles of Distributed Database Systems – Chap. 4

17 ARQUITETURAS DE DISTRIBUIÇÃO
Formas de acesso a fontes heterogêneas: Migrar todos os dados para o local da consulta (ex. IMS-EXTRACT P/ SQL/DS, DB2, Data Warehousing) Gateways dois-a-dois (ex. INGRES-DB2; ORACLE-IMS) Federação de SGBDs (MDBS) baseado em um esquema global

18 ARQUITETURAS DE DISTRIBUIÇÃO
Características de um MDBS: BD global completo (atualização esquema e dados, consultas ad-hoc, integridade, autorização, etc. necessidades de conversões e migração de uma fonte para a outra acesso global único autonomia local sem efeitos colaterais locais acesso local independente performance comparável aos BDDs homogêneos transparência da heterogeneidade transações distribuidas

19 ARQUITETURAS DE DISTRIBUIÇÃO
SGBD global consultas Controle de globais concorr. Glob. MULTIDATABASE Esquema global Esquema global dos dados locais Esquema global dos dados locais conversão conversão SGBD local esquema Dados local locais. SGBD local esquema Dados local locais.

20 PROCESSAMENTO DE CONSULTAS GLOBAIS
Interface global. Definir consulta global Decompor consulta global Distribuir sub-consultas global Traduzir sub-consulta para modelo local Traduzir sub-consulta para modelo local SGBD local SGBD local

21 Data Warehouse no contexto MDBS
Object Data Store ODS Consultas programadas Agregação MDBS

22 Data Warehouse: arquit. tradicional
GIS OLAP DSS clientes Data mart Data mart Meta-BD Data Warehouse Mediator wrappers Texto BD Dados externos fontes

23 Data Warehouse: 3 perspectivas
CONCEITUAL LÓGICA FÍSICA OLAP Dados cliente Esquema do cliente Modelo do cliente conversão agregação Modelo da empresa Dados DW Esquema do DW conversão OLTP wrapper Modelo operacional Dados fonte Esquema fonte

24 hardware sistema operacional modelo de dados SGBD formato dos dados
HETEROGENEIDADE hardware sistema operacional modelo de dados SGBD formato dos dados

25 Conceitos Distribuição de bases de dados entre ambientes distintos;
Geografia; Interligação de ambientes através de protocolos de rede matriz PB filial Recife BD Campina - PB TCP/IP

26 Conceitos Em cada um dos nós o software do SGBDD consiste minimamente do que se segue: Um sistema operacional local. O gerenciador de comunicação, que permite a troca mútua de informação entre programas remotos. Um Sistema de Gerência de Banco de Dados (SGBD) para atender aos usuários locais.

27 Conceitos O MDBS possui um ou vários catálogos globais
Atender usuários globais Determinar quais nós precisam ser acessados para atender uma consulta particular Integrar os resultados da consulta Realizar otimização de consultas globais garantir controle de concorrência global

28 Conceito Sistema Multidatabase deve prover também:
Gerência de transações globais Atomicidade, confiabilidade, isolamento e durabilidade das transações. Funções Administrativas Autorização, autenticação, definição de restrições de integridade e gerência do dicionário de dados. Heterogeneidade Diferenças de Hardware, Sistema Operacional, canais de comunicação, sistema de gerência de dados e modelos de dados.

29 Vantagens de Distribuição de Dados
Associar autonomia local com usuários globais. Confiabilidade e Disponibilidade Se um nó falhar em um sistema distribuído, os nós remanescentes podem ser capazes de continuar operando. Replicação: aumenta a disponibilidade.

30 Vantagens de Distribuição de Dados
Aceleração no Processamento de Consultas Se uma consulta envolve dados em diversos nós, é possível dividi-la em subconsultas que podem ser executadas em paralelo.

31 Desvantagens de Distribuição de Dados
   Custo de desenvolvimento de software É mais difícil e mais caro.   Maior Potencial para erro O potencial existe para erros extremamente sutis;  Aumento de overhead de processamento A troca de mensagens e a computação adicional exigida para se conseguir coordenação interlocal.

32 Reprodução de Dados O sistema mantém diversas réplicas idênticas (cópias) de uma relação em nós diferentes Aumenta o desempenho de operações read e a disponibilidade de dados Transações de atualização ficam sujeitas a baixos desempenhos Controle de concorrência mais difícil

33 Fragmentação de Dados Uma relação r é dividida em fragmentos armazenados em nós distintos Tipos de fragmentação: Fragmentação Horizontal: divide a relação designando cada tupla de r para um ou mais fragmentos. Recuperação por união. Fragmentação Vertical: divide a relação decompondo o esquema R da relação r. Recuperação por junção. Fragmentação Mista: aplicação das duas fragmentações anteriores Reconstrução: operação união ou junção

34 Sistemas Orientados a Objetos
Cada fragmento é uma subclasse Tipos de fragmentação: Fragmentação Horizontal: pode ser primária (= relacional) ou cada sublcasse em um site ou Secundária: baseada em um atributo complexo ou relacionamento Secundária: baseada em métodos complexos. Fragmentação Vertical: discutível, pois quebra o encapsulamento. Gera subclasses unidas por agregação Fragmentação Mista: aplicação das duas fragmentações anteriores Acesso a partes de objetos complexos

35 Sistemas Orientados a Objetos
Replicação: objetos, atributos, métodos Alocação de objetos: Comportamento local-objeto local Comportamento local-objeto remoto Comportamento remoto-objeto local Comportamento remoto-objeto remoto Gerenciamento dos OIDs Ponteiros e caminhos Migração de objetos (manter placeholders): Objeto pode estar pronto (pode migrar), ativo ou esperando

36 TRANSPARÊNCIA dados (EE x EC) distribuição replicação
Separa semântica de alto nível da Implementação de baixo nível dados (EE x EC) distribuição replicação fragmentação Tipos [Özsu&Valduriez]:

37 Transparência e Autonomia
No esquema global local Dois nós não devem usar o mesmo nome para itens de dados distintos Dicionário de dados central Cada nó pode prefixar seu próprio identificador para qualquer nome que ele gerar

38 Transparência e Autonomia
Transparência de Localização Criar um conjunto de nomes alternativos ou aliases para cada local Atualização Assegurar que todas as réplicas de um item de dado e todos os fragmentos afetados sejam atualizados Relacionado ao problema de atualização de visões.

39 Topologia de rede Formas de conexão:
rede totalmente conectada, parcialmente conectada, rede com estruturada em árvore, estrela e anel Considerações: custos de instalação e comunicação. Confiabilidade: a freqüência com que uma ligação ou nó falha. Disponibilidade: O grau em que os dados podem ser acessados apesar da falha de alguns elos ou nós.

40 Integração FORMAS: esquemas fonte Esquema global
1. Integração de esquemas dados fonte Especificação de acessos globais 2. Integração virtual dos dados dados fonte Visões materializadas 2. Integração materializada

41 Integração 1. Integração de esquemas
ETAPAS: pré-integração análise dos esquemas fonte  estratégia de integração técnicas: Description Logic ou BC de terminologia comparação de esquemas solução de conflitos: - heterogeneidade (de modelo de dados) - conflitos de nomes (homônimos, sinônimos) - conflitos semânticos (níveis de abstração) - conflitos estruturais (representação distinta de conceitos)

42 Integração 1. Integração de esquemas
ETAPAS: homogenização de esquemas - manutenção da capacidade de informação - manutenção da semântica de atualizações integração de esquemas (schema merging) sobreposição de esquemas deve garantir: completude, corretude, minimalidade e usabilidade

43 Integração 1. Integração virtual dos dados
Semelhante às visões em bancos de dados convencionais. As visões são a base para formulação de consultas

44 Integração 1. Integração virtual dos dados
Existe uma visão global ou não Quais os passos metodológicos (decomposição, transporte, reconstrução) Qual o formalismo de descrição dos dados (arquivos, legados, RDB, ORDB, não-estruturados, ..) Linguagem para consultas globais critérios de casamento dos dados (baseados em chave, em tabela look-up, comparações, .. Qualidade dos dados (interpretabilidade, credibilidade, .. QUESTÕES:

45 Integração 1. Integração virtual dos dados SISTEMAS:
Carnot (MCC) - Collete, Huhns - esquemas locais determinam uma ontologia global descrita em GCL - Global Context Language - transformações baseadas em axiomas de articulação - consultas e atualizações são transformadas em GCL

46 Integração 1. Integração virtual dos dados SISTEMAS:
SIMS (Arens) - múltiplas fontes de dados - a partir de um modelo do domínio da aplicação as fontes são descritas neste modelo - consultas são distribuídas dinamicamente

47 Integração 1. Integração virtual dos dados - SGBD OR SISTEMAS:
UniSQL (D’Andrea, Janus) - SGBD OR - Extensão SQL/M para definir visões virtuais Albert D'Andrea , Phil Janus UniSQL's next-generation object-relational database management system, ACM SIGMOD Record , Volume 25 ,  Issue 3  (September 1996

48 Integração 1. Integração virtual dos dados SISTEMAS:
Information Manifold (AT&T) - múltiplas fontes de dados - componentes: visão do mundo e descrição das fontes de informação - usa Description Logic para os componentes e regras para otimização de consultas Consultas em Datalog T. Kirk, A. Y. Levy, Y. Sagiv, and D. Srivastava. The Information Manifold. In Proc. of the AAAI Spring Symposium on Information Gathering in Distributed Heterogeneous Environments,

49 Integração 1. Integração virtual dos dados SISTEMAS:
TSIMMIS (Stanford) - múltiplas fontes de dados - um mediator é uma visão das fontes de informação integradas e processadas - usa o OEM - Object Exchange Model - Descrição do mediator por uma linguagem lógica MSL = Datalog + OEM - não há integração global Cada mediator atende às consultas a uma certa visão

50 Integração 1. Integração materializada dos dados
QUESTÕES: as mesmas da integração virtual quais dados são materializados níveis da participação das fontes (suficiente, restrita, não-ativa) estratégias de manutenção (incremento local, baseado em polling, refrescamento completo) timing (imediato, periódico)

51 Integração 1. Integração materializada dos dados SISTEMAS:
Sqirrel (Zhou, Hull) - baseado em um integration mediator com múltiplas fontes - geração automática de novos integradores especificados pela ISL - Integration Specification Language - ISL especifica: esquema local, critérios de casamento de objetos entre classes. Diversos critérios de casamento de OIDs R. Hull and G. Zhou, "A Framework for Supporting Data Integration Using the Materialized and Virtual Approaches,", Proceedings of SIGMOD, June 1996, Montreal, Canada, pgs

52 Integração 1. Integração materializada dos dados SISTEMAS:
WHIPS (Garcia-Molina) - módulos implementados como objetos CORBA - visões criadas por expressões SQL - ;;;; Janet L. Wiener, Himanshu Gupta, Wilburt Labio, Yue Zhuge, Hector Garcia-Molina: The WHIPS Prototype for Data Warehouse Creation and Maintenance. ICDE 1997: 589

53 Extração e Integração Data OLAP Mart Customização Data Data Warehouse
Meta Esquema Agregação ODS Extração e Integração OLTP

54 Extração e Integração DW WRAPPER, LOADER MEDIATOR Fonte de Informação
Carregamento, transformação, limpeza, atualização Conflitos, incosistências, integração

55 Extração e Integração Bancos de dados (relacionais, OO, OR, hierárquicos, rede, outros) FONTES DE INFORMAÇÃO fontes externas (outras empresas, resultados de pesquisas, ...) Arquivos (planilhas, arquivos, textos, documentos multimidia) dicionário de dados fluxo de dados transformação dos dados controle de versões dos metadados estatísticas de uso aliases segurança META- ESQUEMA/ METADADOS

56 Extração e Integração extração (diversas fontes) limpeza (cleaning)
transformação (formatos, linguagens,..) carregamento replicação análise (p.ex. valores inválido/inesperados) transferência cheque da qualidade dos dados (completeza, duplicidade, granularidade, necessidade, ..) análise dos metadados TAREFAS

57 Solução de Conflitos CONFLITOS ESTRUTURAIS 1. Entidade-vs-entidade
(a) entidade 1-1 i. nome: homônimos e sinônimos ii. Estrutura: falta de atributos, atributos implícitos iii. restrições de entidade iv. Inclusão de entidade (generalização) (b) entidades n-m 2. Atributo-vs-atributo (a) atributos 1-1 i. nome ii. Restrições: integridade, domínio, composição iii. Valores default (valores nulos, constantes) iv. Inclusão de atributos (generalização) v. métodos

58 Solução de Conflitos CONFLITOS ESTRUTURAIS 3. Entidade-vs-atributo
4. Relacionamentos i. nomes ii. Cardinalidades 5. Entidade-vs-atributo-vs-relacionamento 6. Abstrações: generalização, agregação, agrupamento (a) agregação-vs-relacionamento-vs-composição 7. Diferentes representações da mesma informação (a) expressões diferentes (b) unidades diferentes (c) níveis de precisão

59 Solução de Conflitos TÉCNICAS DE SOLUÇÃO DE CONFLITOS
Renomear entidades e atributos 2. Homogenizar representações (a) expressões diferentes (p.ex. abstrações) (b) unidades diferentes (c) níveis de precisão 3. Homogenizar atributos e relacionamentos (a) valores default (b) cardinalidades 4. Uniões (completar os atributos) 5. Junções verticais (entidades, atributos, agregações) 6. Junções mistas 7. Homogenizar métodos

60 Solução de Conflitos TÉCNICAS DE SOLUÇÃO DE CONFLITOS
Criação de classes virtuais Sintaxe (linguagem SQL/M do UniSQL): CREATE VCLASS nome-da-classe-virtual SIGNATURE lista-de-atributos AS SELECT lista-de-seleção FROM lista-de-entidades WHERE condição SELECT ...

61 Solução de conflitos EXEMPLO: MDBS de quatro universidades.
UNIVERSIDADE-1 (BD relacional) Est-grad(nome CHAR(25), mat INTEGER, end CHAR(50),curso CHAR(7)) Curso(cnome CHAR(20), cnum INTEGER) Disciplina(dnome CHAR(20), dnum INTEGER, cnum CHAR(7)) Matricula(dnum CHAR(7), mat INTEGER, cre REAL) Est-pós(nome-e CHAR(25), mat INTEGER, curso CHAR(20), tese CHAR(50) aproveitamento CHAR(1)) NOTAÇÃO: Classes começam com maiúsculas, atributos em minúsculas e PALAVRAS-RESERVADAS em maiúsculas.

62 Exemplo UNIVERSIDADE-3 (BD OO ou OR) CLASS Estudante
SIGNATURE nome:CHAR(25), mat:INTEGER, curso: CHAR(20), cre:REAL, /*métodos*/ CLASS Est-pós-graduação SUPERCLASS Estudante SIGNATURE orientador: SET-OF Professor CLASS Professor SUPERCLASS Empregado SIGNATURE depto: CHAR(25), nível: CHAR(20) CLASS Empregado ... CLASS Matriculado SIGNATURE curso:Curso, est:Estudante, conceito:REAL

63 Classe virtual CREATE VCLASS Todos-estudantes
SIGNATURE nome CHAR(25), matricula INTEGER, curso CHAR(20), cre: REAL AS SELECT eg.nome eg.mat c.cnome eg.cre FROM un1.Est-grad eg, un1.Matricula m, un1.Curso c WHERE eg.mat=m.mat AND c.cnum = eg.curso AS INTEGER SELECT nome-e epg.mat curso valor(aproveitamento) FROM un1.Est-pós epg, un1.Matricula m SELECT nome mat curso cre from un3.Estudante

64 Conflitos - Homogenizar representações
Expressões distintas denotam a mesma informação CONFLITO: diferentes valores escalares denotam a mesma informação SOLUÇÃO: definir um isomorfismo que cria classes de equivalência EXEMPLO: “Dr.”, “PhD” ou “DSc” denominam o mesmo nível. Conceitos na pós podem ser A, B, C ou D ou então 1, 2, 3, 4 ou excelente, bom , regular, ruim. “Bach. em C. da Computação” ou “Bacharelado em Ciência da Computação” SELECT nome FROM Todos-estudantes WHERE curso LIKE Bach% em C% da Computação

65 Conflitos - Homogenizar representações
Unidades distintas CONFLITO: valores numéricos distintos denotam a mesma quantidade física SOLUÇÃO: definir uma função de conversão EXEMPLO: quilogramas e libras; graus centígrados e graus Farenheit

66 Conflitos - Homogenizar representações
Precisões distintas CONFLITO: valores numéricos expressos em granularidades distintas SOLUÇÃO: converter para a granularidade menos precisa EXEMPLO: gramas e quilos; segundos e minutos

67 Conflitos - Homogenizar atributos
Conflitos de tipos CONFLITO: domínios distintos para atributos semanticamente equivalentes SOLUÇÃO: em muitos casos é possível converter de um domínio para outro EXEMPLO: INTEGER e CHAR(n); INTEGER e FLOAT; CHAR(n) e CHAR(m) WHERE eg.mat=m.mat AND c.cnum = eg.curso AS INTEGER

68 Conflitos - Homogenizar atributos
Conflitos atributo X relacionamento X entidade CONFLITO: o mesmo fato é ora modelado com atributo ora como relacionamento SOLUÇÃO: criar uma classe virtual e converter o atributo em relacionamento EXEMPLO: em Uni-1 Curso é um entidade relacionada com Est-grad enquanto em Uni-3 é um atributo de Estudante CREATE VCLASS Cursos SIGNATURE nome CHAR(25) AS SELECT cnome FROM un1.Curso SELECT curso FROM un3.Estudante

69 Conflitos - Homogenizar atributos
Valores default Atributos concatenados (e.g. nome=primeiro nome + sobrenome)

70 Conflitos - Uniões Tabelas união-compatíveis SEM CONFLITOS ESTRUTUAIS
SOLUÇÃO fazer a união com o cuidado de não repetir a mesma entidade e considerar possíveis restrições COM CONFLITOS ESTRUTUAIS CONFLITO: uma tabela tem mais atributos SOLUÇÃO: criar atributos ‘fantasma’ ou eliminar os atributos a mais

71 Conflitos - Junções Entidade n-m
CONFLITO: as mesmas entidades são espalhadas por vários locais com atributos distintos SOLUÇÃO: processar junções

72 Conflitos - Métodos Entidade n-m
CONFLITO: métodos distintos realizam a mesma tarefa SOLUÇÃO: analisar os dois métodos e criar um método genérico que realiza as duas tarefas

73 Conflitos - Navathe & Savasere: A Schema Integration Facility using O-O Data Model
Meta-conhecimento para raciocínio aproximado nomes de objetos (variações, parcial, abreviações, convenções) nomes de objetos (thesaurus de sinônimos e homônimos) tipos e domínios (chaves, valores nulos, default) interação com objetos ao redor cardinalidades esperadas de classes e relacionamentos atualidade descrições textuais Ex. OCL = Object Constraint Language ou Organization Communiste Libertáire

74 Conflitos - Navathe et. al.
Casamento (aproximado) de nomes Casamento (aproximado) de atributos Casamento (aproximado) de estruturas Grau de similaridade entre entidades

75 Solução de Conflitos Generalizar E1 E2 G E12 E12 = E1  E2
AE12 = AE1  AE2 OBS: E1 e E2 podem ficar em G ou não L2 L1 E1 E2

76 Solução de Conflitos Especializar E1 E2 L1 OBS: E1 e E2
podem ficar em G ou não L2 E1 E2 G E12 = E1  E2 AE12 = AE1  AE2 E12

77 Solução de Conflitos Subordinar E2 a E1 G L2 E2  E1 AE1  AE2 E1 E1

78 Solução de Conflitos Agregar E1 e E2 G E12 E12  E1 X E2 OBS: E1 e E2
podem ficar em G ou não L2 L1 E1 E2

79 Solução de Conflitos Agrupar E2 em E1 G L2 E1  P(E2) E1 E1 E2 E2 L1

80 Solução de Conflitos Combinar r1 e r2 E1r12E2 = E1r1E2  E1r1E2 G r12

81 Solução de Conflitos Atributo X relacionamento r’ = r  at G r’ E1 A

82 Solução de Conflitos Entidade X relacionamento R’ = R  r G R’ E2 E1 R

83 Solução de Conflitos SISTEMA: O usuário escolhe esquemas locais
Entidade X atributo Agregação X relacionamento SISTEMA: O usuário escolhe esquemas locais O sistema sugere regras de integração que podem ser aceitas ou não pelo usuário O usuário pode estabelecer suas próprias regras de integração

84 Integração baseada em agentes
FONTE: M. Klusch “Intelligent Information Agents”, Springer Verlag (1999) [749 referências!] TECNOLOGIAS: Inteligência Artificial Inteligência Artificial Distribuída Recuperação da Informação Ciências cognitivas Computer Supported Collaborative Work – CSCW Interação Homem-Máquina

85 Integração baseada em agentes
CLASSIFICAÇÃO DE AGENTES (Franklin&Gaesser): Autônomos computacionais biológicos robóticos cooperativos não-cooperativos virus aplicativos diversão software vida artificial de informação adaptivos racionais móveis

86 Integração baseada em agentes – cooperação
cooperativos delegação hierárquica de tarefas contratação simples e complexa negociação descentralizada não-cooperativos

87 Integração baseada em agentes – categorias
racionais (agem e interagem para melhorar seus benefícios) adaptativos (se alteram de acordo com estados da rede e do ambiente) móveis (se locomovem autonomamente pela Internet)

88 Agentes de Informação Agentes de Informação Cooperativos
Agentes de Informação Racionais (agem e interagem para melhorar seus benefícios) Agentes de Informação Adaptativos (se alteram de acordo com estados da rede e do ambiente) Agentes de Informação Móveis (se locomovem autonomamente pela Internet)

89 Agentes de Informação Cooperativos
Sistemas de Informação Cooperativos - CIS INTERMEDIAÇÃO (BROKERING) 3.Solicitar serviço 2.Solicitar serviço Requerente Interme- diário Servidor 4.Resultado 1.Anunciar serviço

90 Agentes de Informação Cooperativos
Sistemas de Informação Cooperativos - CIS ASSOCIAÇÃO (MATCHMAKING) Associador 2.Solicitar serviço 1.Anunciar serviço 3.Informar servidor Requerente 4.Solicitar serviço Servidor 5.Resultado

91 Agentes de Informação Racionais
Aplicação em comércio eletrônico, govêrno eletrônico, turismo Interfaces conversacionais e perfis Filtragem colaborativa de informação (agentes antecipam necessidades do usuário no contexto de outros usuários) Shopping comparativo (agentes selecionam produtos baseado na análise de preços e outras condições) Mercados baseados em agentes (leilões, múltiplos agentes de informação associando clientes e fornecedores) Coalizações

92 Agentes de Informação Adaptativos
ADAPTAÇÃO Agente simples Multi-Agentes Estratégia Instrução Exemplo Analogia Descoberta Objetivo habilidades cap. do sistema Decentralização tipo de distribuição comp. concorrente Feedback Supervisão Reforço Auto-organização Interação Agente-agente Agente-humano Ambiente do sistema

93 Agentes de Informação Móveis
Padrões Mestre-escravo Itinerário Descoberta de fontes de informação Acesso à estrutura das fontes (memória, arquivos, serviços, threads) Agentes heterogêneos DIA

94 Seminários A uniform framework for integration of information from the web by W May; G Lausen, Information Systems. 29, no. 1, (2004): 59-91 Combining schema and instance information for integrating heterogeneous data sources, Huimin Zhao , Sudha Ram, Data & Knowledge Engineering 61 (2007) 281–303 An ontology based approach to the integration of entity–relationship schemas, Qi He, Tok Wang Ling, Data & Knowledge Engineering 58 (2006) 299–326 How to act on inconsistent news: Ignore, resolve, or reject, Anthony Hunter, Data & Knowledge Engineering 57 (2006) 221–239 Semantic integration in Xyleme: a uniform tree-based approach, C. Delobel et al. Data & Knowledge Engineering 44 (2003) 267–298 Supporting ontological analysis of taxonomic relations, C. Welty, N. Guarino, Data & Knowledge Engineering 39 (2001) 51-74 DFD – a dialog based integration of concept and rule, M. Balban, A. Eyal, Data & Knowledge Engineering 38 (2001)

95 Integração - García-Solaco, Saltor, Castellanos: Semantic Heterogeneity in Multidatabase Systems - uma survey CLASSIFICAÇÃO DE HETEROGENIDADES: entre classes (diferenças em extensão, nomes, atributos e métodos, domínios (sintático e semântico), restrições) entre estruturas (inconsistências de generalização/espec., agregação/decomp., dados/metadados, metaclasses entre instâncias (presença/ausência, atributos multivalorados, valores nulos, valores diferentes nos atributos)

96 Integração - García-Solaco, Saltor, Castellanos: Semantic Heterogeneity in Multidatabase Systems - uma survey 1. DETECÇÃO DE HETEROGENIDADES: TOOLS: SIS-Schema Integration System; Honeywell Testbend MUVIS_Multiuser View Integration System; BERDI-Bellcore Schema Design and Integration Toolkit; MIST of Carnot; CONTRIBUTIONS: Theory of Attribute Equivalence; Common Concept Approach; Semantic Unification Approach; Maximum Spanning Tree Appr.; Semantic Proximity Proposal; Mathematical Model of Meaning; Semantic Abstractions

97 Integração - García-Solaco, Saltor, Castellanos: Semantic Heterogeneity in Multidatabase Systems - uma survey 2. SOLUÇÃO DE HETEROGENIDADES: TOOLS: Multibase; Honeywell Testbend; MUVIS; BERDI ViewSystem; Carnot; Pegasus; UniSQL/M CONTRIBUTIONS: Superview - Integration Operators; Rule Based Approach; Approach that preserves semantic relativism; Semantic Unification Approach; Semantic Abstractions; Structural Integration

98 Integração - Papazoglou, Zahir Tari, Russel: Object-Oriented technology for Interschema and language Mappings Baseado em losely coupled architectures. Troca direta de informações entre as fontes Partially unified schemas Interação usa um Common Object Model denominado KOM

99 Integração - Papazoglou, Zahir Tari, Russel: Object-Oriented technology for Interschema and language Mappings Object wrapper Object wrapper RDB FDB Inforrmation Broker Inforrmation Broker Client Interface Server Interface Client Interface Server Interface Shared Inf. metadata Thesauri Service desc. Control flow Shared Inf. metadata Thesauri Service desc. Common Object Model Data flow

100 Integração - Papazoglou, Zahir Tari, Russel: Object-Oriented technology for Interschema and language Mappings O modelo KOM: ODL - Object Definition Layer FUNCIONAL OTL - Object Transformation Layer ORIENTADO A OBJETOS RELACIONAL Transformação de estruturas e operações

101 Integração - Bertino & Illaramendi: The Integration of Heterogeneous DBMS: Approaches based on the OO Paradigm 1) TRADUÇÃO - características OO enriquecimento semântico tradução operacional correspondência complexa 2) INTEGRAÇÃO - características OO integração operacional vários níveis (esquemas) de integração integração inteligente (detecção de erros na correspondência de objetos}

102 Integração - Bertino & Illaramendi: The Integration of Heterogeneous DBMS: Approaches based on the OO Paradigm Survey dos sistemas: Pegasus CIS - Comandos Integration System OOA Cyc Candide AIMS

103 Integração – Domingos Sávio & U
Integração – Domingos Sávio & U. Schiel: RDF na interoperabilidade de dados entre domínios Domínios descritos em RDF Comunicação direta entre domínios

104 Processamento de Consultas
EG Consulta global Decomposição e otimização global ... EGL1 SC1 ... CPP1 CPPm SCn tradutor tradutor resultado CL1 ... CLn BD local BD local CPP = consulta de pós-processamento

105 Processamento de Consultas
DECOMPOSIÇÃO/TRADUÇÃO: 1) modificação para atender os EGLs 2) decomposição em consultas internas e consultas externas (externas sobre dados intermediários transmitidos) 3) tradução para esquemas locais Modificação da consulta Tradução da consulta otimização global PASSOS:

106 Processamento de Consultas
Modificação da consulta linguagem de consulta global e modelo de dados global métodos de integração dos esquemas de exportação: generalização e outerjoin replicação de dados inconsistências e outras incompatibilidades Fatores que afetam complexidade:

107 Processamento de Consultas
Modificação da consulta tipo(C) = atributos de C com os domínios extensão(C) = {instâncias de C} mundo(C) = {objetos do mundo real descritos por C} Dada uma classe C: C = generalização(C1,C2) sss tipo(C) = tipo(C1) tipo(C2) extensão(C) = extensão(C1)  extensão(C2) C = outerjoin(C1,C2) sss tipo(C) = tipo(C1)  tipo(C2) extensão(C) = equi-outerjoin(C1,C2, ID) mundo(C) = mundo(C1)  mundo(C2) OBS. Em caso de diferenças, ajustá-las por funções de agregação

108 Processamento de Consultas
Outerjoin Emp1(#e, nome, idade) <1, José, 28> <2, Karla, 22> Emp2(#e, nome, nivel) <1, José, sup> <3, Cintia, méd> Emp1 >< Emp2 = <1,José, 28, sup> Emp1 >o< Emp2 = {<1,José, 28, sup>, <2, Karla, 22, {}>, <3, Cintia, {}, méd>

109 Processamento de Consultas
Outerjoin Emp1(#e, nome, sal, idade) <1, José, 300.-, 28> <2, Karla, 450,-, 22> Emp2(#e, nome, sal, nivel) <1, José, 120.-, sup> <3, Cintia, , méd> Emp1 >o< Emp2 (sum(sal)) = {<1,José, 28, 450.-, sup>, <2, Karla, 22, 450.-, >, <3, Cintia, , , méd>

110 Processamento de Consultas
Modificação da consulta EXEMPLO Emp1(#e, nome, salario, idade) - esquema exportação-local 1 Emp2(#e, nome, salario, nivel) - esquema exportação-local 2 EmpG(#e, nome, salario) - esquema generalização EmpG.nome = Emp1.nome se EmpG está em mundo(Emp1) = Emp2.nome se EmpG caso contrário EmpG.salario = Emp1.salário se EmpG está em mundo(Emp1) - mundo(Emp2) = Emp1.salario+Emp2.salario se EmpG está em mundo(Emp1)  mundo(Emp2) . . .

111 Processamento de Consultas
Modificação da consulta EXEMPLO EmpOJ(#e, nome, salario, idade, nivel) - esquema outerjoin EmpOJ.idade = Emp1.idade se EmpOL está em mundo(Emp1) = nulo se EmpOJ está em mundo(Emp2) - mundo(Emp1) EmpOJ.nivel = Emp2.nivel se EmpOJ está em mundo(Emp2) = nulo se EmpOJ está em mundo(Emp1) - mundo(Emp2)

112 Processamento de Consultas
EmpOJ(#e, nome, salario, idade, nivel) SEJA A CONSULTA: SELECT EmpOJ.nome, EmpOJ.nivel FROM EmpOJ WHERE EmpOJ.salario > 2000 AND EmpOJ.idade = 49 A tabela EmpOJ é dividida em três partições: mundo(Emp2)-mundo(Emp1); mundo(Emp1)-mundo(Emp2); mundo(Emp2)  mundo(Emp1);

113 Processamento de Consultas
Para o mundo(Emp2)-mundo(Emp1) o atributo idade é nulo; Para o mundo(Emp1)-mundo(Emp2) teremos SELECT Emp1.nome FROM Emp1 WHERE Emp1.salario > 2000 AND Emp1.idade =49 AND Emp1.#e NOT IN (SELECT Emp2.#e FROM Emp2) Para o mundo(Emp2)  mundo(Emp1) teremos SELECT Emp1.nome, Emp2.nivel FROM Emp1, Emp2 WHERE sum(Emp1.salario, Emp2.salario) > 2000 AND Emp1.idade =49 AND Emp1.#e = Emp2.#e Uma consulta de pós-processamento irá produzir o resultado final

114 Processamento de Consultas
Tradução da consulta ALGORITMOS CONVENCIONAIS A qualidade da tradução irá depender do poder expressivo da linguagem local Uma única consulta local otimização local CASOS: Várias consultas locais. Definir consultas locais de forma a otimizar a performance otimização local

115 Processamento de Consultas
Otimização global da consulta VOLTEMOS AO EXEMPLO: Para o mundo(Emp2)  mundo(Emp1) temos SELECT Emp1.nome, Emp2.nivel FROM Emp1, Emp2 WHERE sum(Emp1.salario, Emp2.salario) > 2000 AND Emp1.idade =49 AND Emp1.#e = Emp2.#e

116 Processamento de Consultas
Otimização global da consulta POSSIBILIDADES: SELECT SELECT Emp1 Result1 + Emp2 SELECT SELECT Emp2 Result2 + Emp1 SELECT Emp1 Result1 + Result2 SELECT SELECT Emp2

117 Processamento de Consultas
Otimização global da consulta Algoritmos de BDDs homogêneos podem ser aplicados, se não houver inconsistências facilidades de transmissão de dados estatísticas locais comparáveis entre si Árvores de junção: linear fechada

118 Processamento de Consultas
Otimização global da consulta Solução de inconsistências - funções de agregação Seja C global e C1, C2 uma partição horizontal. A operação: C[A op a] = C1[A op a] int-op C2[A op a] usa outerunion: C1 OJ C2 = C1-O OU C2-O OU (C1-C J C2-C) parte privada parte comum

119 Processamento de Consultas
Otimização global da consulta Otimização com funções de agregação f(a1,a2) Para os outros casos nenhuma otimização é possível (4) f(a1,a2) op min max sum f(a1,a2)op a  a1 op a AND a2 op a (1) f(a1,a2)op a  f(a1 op1 a, a2 op2 a) op a (2) f(a1,a2)op a  f(a1 op a, a2 op a) op a (3) < = > Op1 == op1(a1,a) = a se

120 Processamento de Consultas
a1=E1.sal = 500 a2=E2.sal = 600 sal = 600 f(a1,a2) op min(E1.sal,E2.sal)> 600  E1.sal > 600 AND E2.sal > (1) min(E1.sal, E2.sal)= 550  min(a1<600, a2<600) = (2) max(a1,a2)< a  a1 < 600 AND a2 < (1) max(a1,a2)= a  max(a1 > 600, a2 > 600) = (2) sum(a1,a2)< a  sum(a1>600, a2>600) < (3) sum(a1,a2)= a  sum(sum(a1) > 600, sum(a2) > 600) = 600 (2) min max sum > = < = processamento em todos locais = processamento em um local pode resolver = processamento local e global

121 Controle de Concorrência
TIPOS DE TRANSAÇÕES Transações locais Transações globais AUTONOMIA LOCAL Autonomia de projeto Autonomia de execução Autonomia de comunicação

122 Controle de Concorrência
MDBS locais (s1,...,sm), Operações básicas: r (read), w (write), c (commit), a (abort) GTG (Gerente de Transações Globais) SGBD local Server (ligação entre GTG e SGBD local)

123 Controle de Concorrência
MDBS Ti GTG Tj Server Server Tl Tl SGBD SGBD

124 Controle de Concorrência
MDBS - Interface Server/SGBD POSSIBILIDADES O SGBD aceita operações individuais begin, op.1, op.n, commit O SGBD aceita serviços na forma de transações locais

125 Controle de Concorrência
PROBLEMAS Serializabilidade global Atomicidade e recuperação Deadlock

126 Controle de Concorrência
Serializabilidade global Transações: globais: T1 : r1(a) r1(c) T2 : r2(b) r2(d) locais: T3 : w3(a) w3(b) em s1 T4 : w4(c) w4(d) em s2 Local s1 com a, b Local s2 com c, d Visão global: T1 ,T2 Schedules locais: S1: r1(a) w3(a) w3(b) r2(b)  T1 , T3 , T2 S2 : w4(c) r1(c) r2(d) w4(d)  r2(d) w4(c) w4(d) r1(c)  T2 , T4 , T1 

127 Controle de Concorrência
Atomicidade global e recuperação Transações: global: T1 : r1(a) w1(a) w1(c) local: T2 : r2(a) w2(a) em s1 Local s1 com a Local s2 com c Execução: T1 completa suas 3 ações e manda commit para s1 e s2 s2 recebe e confirma o commit, mas s1 aborta a subtransação original antes do commit T2 é executada e realiza commit GTG resubmete w1(a) s1 considera isto uma nova transação RESULTADO:schedule não serializavel: r1(a) r2(a) w2(a) w1(a)

128 Controle de Concorrência
Atomicidade global e recuperação SOLUÇÃO: Prepare-to-commit  reduz heterogenidade

129 Controle de Concorrência
Deadlock global Transações: globais: T1 : r1(a) r1(d) T2 : r2(c) r2(b) locais: T3 : w3(b) w3(a) em s1 T4 : w4(d) w4(c) em s2 Local s1 com a, b Local s2 com c, d Execução: T1 executou r1(a) e T2 executou r2(c) T3 executa w3(b) e submete w3(a) e espera liberação de T1 T4 executa w4(d) e submete w4(c) que espera por T2 T1 e T2 submetem seus restos e o deadlock ocorre Nem os locais nem o global conseguem detectar este deadlock

130 Controle de Concorrência
Serializabilidade global Transações: globais: T1 : r1(a) r1(c) T2 : r2(b) r2(d) locais: T3 : w3(a) w3(b) em s1 T4 : w4(c) w4(d) em s2 Local s1 com a, b Local s2 com c, d Visão global: T1 ,T2 SOLUÇÕES: evitar transações T1 ,T2 que atuam no mesmo local  provocar conflito artificial identificar schedules como S2 e evita-los

131 Controle de Concorrência
Serializabilidade global Transações: globais: T1 : r1(a) r1(c) T2 : r2(b) r2(d) locais: T3 : w3(a) w3(b) em s1 T4 : w4(c) w4(d) em s2 Local s1 com a, b Local s2 com c, d w1(t) , t r2(t) Provocar conflito entre T1 ,T2 com um ticket Visão global: T1 ,T2 Schedules locais: S1: r1(a) w3(a) w3(b) r2(b)  T1 , T3 , T2 S2 : w4(c) r1(c) r2(d) w4(d) não é serializável  r2(d) w4(c) w4(d) r1(c)  T2 , T4 , T1 w1(t) r2(t)

132 Controle de Concorrência
Serializabilidade global - SGBDs com 2PL rigoroso Transações: globais: T1 : r1(a) r1(c) T2 : r2(b) r2(d) locais: T3 : w3(a) w3(b) em s1 T4 : w4(c) w4(d) em s2 Local s1 com a, b Local s2 com c, d Visão global: T1 ,T2 Schedules locais: S1: r1(a) w3(a) w3(b) r2(b)  T1 , T3 , T2 S2 : w4(c) r1(c) r2(d) w4(d) não ocorre, pois c é bloqueado até o final de T4

133 Controle de Concorrência
Atomicidade global e recuperação PROBLEMA: Falha de subtransação global TIPOS DE TRANSAÇÕES com redo (operações de write são repetidas) com retry (toda subtransação é repetida) com compensação (compensação desfaz ação da transação original)

134 Controle de Concorrência
Atomicidade global e recuperação

135 Controle de Concorrência
Outros conceitos em Özsu&Valduriez-Princípos de Bancos de Dados Distrtibuídos CONTROLE DE CONCORRÊNCIA Bloqueio; centralizado, cópia primária e distribuído Pessimista: bloqueio e timestamp ordering Otimista: bloqueio, timestamp ordering, híbrido Deadlock: prevenção, anulação, detecção e resolução CONTROLE DE CONCORRÊNCIA RELAXADO OU ANINHADO

136 Data Warehousing - Alimentação
Projeto do Data Warehouse - FASES: PROJETO: definição de visões, extratores, revisores, integradores. ALIMENTAÇÃO: carga inicial. Passos: preparação (Logs, deltas, histories), integração (ODS), agregação (CDW), customização (Datamarts) ATUALIZAÇÃO: como alimentação, só que o ODS é atualizado e alterações são propagadas

137 - FIGURA 4.1-

138 Data Warehousing - Atualização
Considerações requisitos da aplicação (e.g. atualidade e precisão dos dados, tempo de computação de consultas) restrições da fonte (disponibilidade, frequência de alterações) limites do Data Warehouse (espaço, funcionais)

139 Data Warehousing - Atualização
ODS - Object Data Store - atualização atualização imediata - Banco com lançamentos locais e saldo global) atual - ODS com estatísticas semanais de lançamentos locais e atualização horária) periódica (assíncrona) - resultados diários, após n lançamentos, sob demanda (saldo, #lançamentos, ..) Semelhante para o Data Warehouse

140 Data Warehousing - Atualização
CDW - Data Warehouse - atualização PROBLEMAS CRÍTICOS volume muito grande de dados - de GB a TB sobrecarga transacional - transações de carga e acesso pesadas GB/hora, processamento paralelo, transferência compactada concorrência entre atualização e consulta divisão do tempo entre batch e on-line difícil, conflitos

141 Data Warehousing - Atualização
Customização AGREGAÇÃO Propagação INTEGRAÇÃO Integração Histórico PREPARAÇÃO Extração Histórico Limpeza Temporal/ externo

142 Data Warehousing - Atualização
detectar alterações extrair alterações registrar alterações isolar alterações cedo reduz drasticamente massas de dados integração incremental (limpeza) QUESTÕES AO ODS: processar dados que alteram o DW prever informações de outras fontes, antes da atualização estimar tempo da preparação estimar tempo de atualização do DW

143 Data Warehousing - Extração
snapshot arquivos não-cooperativas logadas BDs, s específicas legados consultáveis BDs relacionais FONTES: BDs c/ replicação replicadas BDs c/triggers externos cooperativas callback ativas BDs c/triggers e delta tables Ações internas

144 Data Warehousing - Limpeza
Dados devem ser: precisos, relevantes, consistentes e completos diferença de formato dados relevantes escondidos em textos mal-entendidos (atributo ‘nome’ de que?) erros de digitação  inconsistências falta de valores informação duplicada DADOS SUJOS:

145 Data Warehousing - Limpeza
módulos de limpeza: conversão e normalização transformação de formatos heterogêneos limpeza específica arquivos textuais, uso de dicionários limpeza independente do domínio algoritmos de casamento de campos limpeza baseada em regras regras específicas de casamento (business rules)

146 Data Warehousing - Limpeza
conversão e normalização transformação de formatos heterogêneos SQL*Loader Arquivos  Oracle Wrappers Dados fonte  Data Warehouse Exemplos: textos sem acentuação formato do datas NORMALIZAÇÃO

147 Data Warehousing - Limpeza
limpeza específica arquivos textuais, uso de dicionários normalização de nomes próprios nome farmaceuticos normalização postal EXEMPLOS: PostalSoftACE SSA(Search Soft America) PostalSoft Library and Mailers Carleton’s Pure Integrator (DW) ETI Data Cleanse

148 Data Warehousing - Limpeza
limpeza independente do domínio algoritmos de casamento de campos PROBLEMA: o mesmo valor descrito de forma distinta junções aproximadas valores alternativos graus de casamento Carlton’s Pure Integrator: casamento com chaves casamento sem chaves (fuzzy)

149 Data Warehousing - Limpeza
limpeza baseada em regras regras específicas de casamento (business rules) MERGE/PURGE Problem; criação de chaves analisando os dados das fontes ordenar fontes segundo estas chaves intercalar registros (funções distância)

150 Data Warehousing - Limpeza
limpeza baseada em regras regras específicas de casamento (business rules) for(all tuples) boolean similar-nome = compare(nome1, nome2) boolean similar-end = compare(end1,end2) boolean similar-cidade = mesma-cidade(cid1, cid2) boolean similar-cep = mesmo-cep(cid1, cid2) similar-end = (similar-cidade  similar-cep) if (similar-nome && similar-end) merge-tuples(pessoa1, pessoa2) Regras explícitas:

151 Data Warehousing - Limpeza
limpeza baseada em regras Regras geradas automaticamente (baseadas em data mining) A=B*C WHERE A = p-total, B=quant. C=p-unit Rule’s accuracy level: 0.99 rule exists in 1890 records regras matemáticas IF Cliente IS “UFCG” AND item IS “Informática” THEN Vendedor=“Chico” Rule’s probability: 0.95 rule exists in 102 records regras IF-THEN

152 Data Warehousing - Limpeza
o estudo das semânticas de limpeza e estratégias de atualização de um DW a partir de diversas fontes é uma área aberta de pesquisa

153 FIM