ASSUNTO Facilitando a Tomada de Decisão em um Ambiente Móvel Mohamed A. Sharaf Panos K. Chrysanthis Felipe Menezes Cardoso COPIN – UFCG Banco de Dados.

Apresentação em tema: "ASSUNTO Facilitando a Tomada de Decisão em um Ambiente Móvel Mohamed A. Sharaf Panos K. Chrysanthis Felipe Menezes Cardoso COPIN – UFCG Banco de Dados."— Transcrição da apresentação:

1 ASSUNTO Facilitando a Tomada de Decisão em um Ambiente Móvel Mohamed A. Sharaf Panos K. Chrysanthis Felipe Menezes Cardoso COPIN – UFCG Banco de Dados – 2007.1

2 2 2 Objetivo Apresentar um novo algoritmo de gerência de difusão de dados para tomada de decisão.

3 3 3 Sumário Visão Geral de SAD e Data Warehouse Visão Multidimensional e Ferramentas OLAP Esquema Estrela Search Lattice Data Cube Operator Modelo OLAP Wireless Proposto Algoritmo Proposto (STOBS) Avaliação de Desempenho do STOBS Conclusões

4 4 4 SAD – Sistema de Apoio a Decisão Apoiar os gerentes e diretores das organizações nos seus processos de tomada de decisão. Processar complexas consultas gerenciais Manipulação de grande quantidade de informação.

5 5 5 Data Warehouse Warehouse – Armazém ou Depósito Data Warehouse (DW) – Depósito de Dado Fonte: Colaço, 2004

6 6 6 Data Warehouse “Conjunto de dados, não volátil, orientado por temas, integrado, que varia com o passar do tempo e que serve de suporte para o processo de tomada de decisões da gerência.” (W. H. INMON,1996)

7 7 7 CUBO de Dados Representação Multidimensional Conceitual Proporciona diferentes visões aos gerentes, facilitando o entendimento e a visualização de problemas típicos de suporte à decisão. Mais intuitiva para o processamento analítico da informação Fatos (Vendas)

8 8 8 CUBO de Dados Um cubo possui grande quantidade de células (fatos ou medidas do negócio) Tempo: 10 anos, granularidade dia = 3650 linhas Cliente: 1000 clientes Produtos: 3000 3650*1000*5 = 18.250.000 células Ou seja, 18.250.000 vendas para o gerente analisar. Exige-se uma ferramenta para analisar essas informações

9 9 9 Ferramentas OLAP Sistema de Apoio à Decisão Processamento Analítico da Informação Grande volume de dados Alto nível de agregação ou sumarização Utiliza visualização multidimensional dos dados Dimensão = Critério de Agregação Vendas por mês Vendas por fornecedor Vendas por produto Vendas por cliente

10 10 Operações OLAP Uma ferramenta OLAP deve implementar algumas funções, entre elas: Drill Down Roll UP Série temporal (ex: vendas mês a mês) Deve-se conhecer o passado para prever o futuro.

11 11 Esquema Estrela para DW Simular um cubo de dados através de um esquema relacional especial. Consiste de: Tabela de Fatos (A estrela) Tabela dominante Tabelas de Dimensão (Os planetas) Tabelas auxiliares Qualificam os fatos

12 12 Esquema Estrela Dimensão Fornecedor

13 13 Hierarquia de uma Dimensão PRODUTO MONITORPAPELIMPRESSORANOTEBOOK SansungLGLexmarkHPAntalisToshibaAcerHP

14 14 Operações OLAP Demonstração

15 15 Ambiente OLAP Móvel DW Fixo FH MH DW Móvel (Cache) Wireless Gerente Móvel

16 16 Dispositivos Móveis Características Peculiares Assimetria da Conexão Desconexões Freqüentes Intencional Não Intencional Limitação da Fonte de Energia Quanto menos transmissão, mais economia de bateria.

17 17 DW para um Ambiente Móvel Unir estas duas tecnologias é desafiante. Questões de desempenho Questões de armazenamento Diversas pesquisas estão sendo desenvolvidas nesta área – Mobile DW.

18 18 Tabela de Fatos Consultas OLAP tipicamente são na forma de dados sumarizados em vários níveis de detalhe. Vendas de um produto em determinado ano, mês, dia; Vendas por fornecedor; Total de vendas da empresa; etc. Pode-se materializar as consultas para aumentar o desempenho. Visões Materializadas

19 19 Visões Materializadas Visão é uma relação derivada de uma ou mais relações base, que são computadas sempre que uma referência a ela é feita. Visão Materializada Visão que é armazenada na base de dados em vez de ser computada Aumenta o desempenho de consultas com grande quantidade de dados

20 20 Search Lattice Grafo direcionado que representa o espaço de visões materializadas com suas derivações. Cada vértice representa uma combinação de atributos do Group-By. CFP CF CPFP C F P _ VM Atributos do Group-By Relação de Dependência (Dependency Derivation)

21 21 Data Cube Operator Pode-se gerar todas as possíveis visões materializadas de uma consulta OLAP através do Data Cube Operator. Data Cube Operator Proposto pelo pessoal da Microsoft e IBM União de todos os possíveis operadores Group-By aplicados aos atributos da tabela de fatos. 2^n VMs, n são as dimensões da estrela.

22 22 Data Cube Operator Demonstração

23 23 Modelo OLAP Wireless Servidor DW O Gerente Móvel 1 2 3 1.O gerente requisita VMs. 2.O Servidor difunda as VMs no canal Broadcast. 3.O gerente baixa as VMs requisitadas.

24 24 Modelo OLAP Wireless Bucket Header T(C,P) T(C,P,F) Bucket Descritor Especifica se o Bucket em questão é um descritor ou é um dado. Contém o Offset para o próximo pacote descritor e do pacote descritor corrente. Header Broadcast Identificador: 110 Qtd. de Linhas: 1000 Qtd. De Pacotes da Tabela: 2 Valor do Otimizador Alfa: 2

25 25 Modelo OLAP Wireless Bucket Header T(F) T(C,P) Bucket Descritor O cliente solicita a Tabela T(C,P) utilizando codificação de bit (110). Cliente vai para o canal de Download. (Active Mode) O cliente encontra um pacote descritor (001) e o classifica como: Exact Match No Match Subsuming Match Se for compatível com a solicitação então Continua no Active Mode e baixa a tabela Senão Vai para Doze Mode e acorda no próximo pacote descritor Broadcast Id: 001 L: 800... Id: 110 L: 100...

26 26 Algoritmo STOBS-α STOBS - Summary Table On-Demand Broadcast Scheduler Algoritmo de Gerenciamento de Difusão

27 27 Algoritmo STOBS-α Dois componentes básicos: Normalizador Otimizador-α Data Cube Search Lattice. Relação de dependência (Dependency Derivation).

28 28 Algoritmo STOBS-α - Normalizador O servidor mantém uma fila com todas as requisições à tabelas dos clientes. Para cada requisição ele armazena: R – Número de requisições feitas à tabela T x. W – Tempo da primeira requisição Q x, feita à tabela T x. S – Tamanho da tabela T x.

29 29 Algoritmo STOBS-α - Normalizador Cada vez que o servidor for difundir uma tabela ele realiza o seguinte cálculo para cada tabela da fila: (R x * W) / S A tabela de maior valor será escolhida para o broadcast

30 30 Algoritmo STOBS-α - Otimizador Após a seleção da tabela (VM) que será difundida, o servidor utiliza o otimizador- α para limpar a fila de requisições. Otimizador-α Baseado no parâmetro α, elimina da fila de requisições as solicitações de VMs que podem ser derivadas e estão até α níveis abaixo no grafo de Lattice.

31 31 Algoritmo STOBS-α Utiliza a fórmula: |X| - |Y| <= α Onde |X| é a quantidade de atributos da visão materializadas x que será difundida (Broadcasted) e |Y| a quantidade de atributos da visão materializada y que está na fila de requisições.

32 32 Funcionamento - STOBS-α Para α = 2 Imaginemos uma solicitação Q para a tabela T(d1,d2,d3,d4) Esta tabela pode derivar tabelas mais abstratas tais como: T(d1), T(d2), T(d3), T(d4), T(d1,d2), T(d1,d3), T(d1,d2,d3) e T(d1,d2,d4). Entretanto, como α = 2, apenas as requisições as tabelas T(d1,d2), T(d1,d3), T(d1,d2,d3) e T(d1,d2,d4) serão satisfeitas pela solicitação Q. As tabelas T(d1), T(d2), T(d3), T(d4) permanecerão na fila. Data Cube Search Lattice

33 33 Avaliação de Desempenho Foram medidos: Tempo de Espera: Tempo gasto pelo cliente para esperar por um pacote descritor no canal de Download. Doze Mode Tempo de Tune: Tempo gasto pelo cliente para ler um pacote descritor ou baixar um stream de dados. Active Mode. Tempo de Processamento: Tempo gasto para converter o stream baixado em uma tabela sumarizada. Tempo de Acesso: Tespera + Ttune + Tprocessamento Consumo de Energia: Tactive + Tdoze + Tprocessamento

34 34 Resultado de Desempenho

35 35 Resultado de Desempenho

36 36 Resultado de Desempenho

37 37 Resultado de Desempenho

38 38 Considerações Finais É desafiante um ambiente de suporte à decisão com dispositivos móveis. O uso de visões materializadas é uma estratégia interessante em um ambiente OLAP Móvel O algoritmo STOBS mostrou-se bastante flexível e de alto desempenho.

39 39 Referências Bibliográficas SHARAF, Mohamed; CHRYSANTHIS, Panos. Facilitanting Mobile Decision Making. WMC’02, September 28, 2002. COLAÇO JR., Methanias. Projetando Sistemas de Apoio à Decisão baseado em Data Warehouse. Aracaju: Axcel, 2004.197 p. GRAY, Jym; CHAUDHURI, Surajit; BOSWORTH, Adam; LAYMAN, Andrew; REICHART, Don; VENKATRAO Murali; PELLOW, Frank; PIRAHESH, Hamid.Data Cube: A Relational Aggregation Operator Generalizing Group-By, Cross-Tab, and Sub-Totals. 1996.

40 40 Dúvidas?