1 / 44

Informationsintegration Local-as-View: LaV

Informationsintegration Local-as-View: LaV. 22.11.2005 Felix Naumann. Überblick. Global as View (GaV) Modellierung Anfragebearbeitung Local as View (LaV) Modellierung Anwendungen Ausblick: Anfragebearbeitung Global Local as View (GLAV) Vergleich. Wrapper 3. Wrapper 1. Wrapper 2.

tavia
Télécharger la présentation

Informationsintegration Local-as-View: LaV

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. InformationsintegrationLocal-as-View: LaV 22.11.2005 Felix Naumann

  2. Überblick • Global as View (GaV) • Modellierung • Anfragebearbeitung • Local as View (LaV) • Modellierung • Anwendungen • Ausblick: Anfragebearbeitung • Global Local as View (GLAV) • Vergleich Felix Naumann, VL Informationsintegration, WS 05/06

  3. Wrapper 3 Wrapper 1 Wrapper 2 WdH.: Das Problem Wie drückt man diesen Übergang aus? Externes Schema 1 Externes Schema N Anwendung 1 Anwendung 2 ... Föderiertes Schema Mediator Exportschema Exportschema ... Komponenten- schema Komponenten- schema Lokales internes Schema Lokales internes Schema ... Quelle 1 Quelle 2 Quelle 3 Wie drückt man die Funktionalität des Wrappers aus? Felix Naumann, VL Informationsintegration, WS 05/06

  4. WdH.: Das Problem • Zwei heterogene Schemata • Quellschema: Hier sind die Daten. • Zielschema: Hiergegen wird die Anfrage gestellt. • Teilproblem 1 • Beziehungen zwischen Schemata spezifizieren • Mappings • Teilproblem 2 • Daten von der Quelle zum Ziel transformieren • Transformationsanfragen • Teilproblem 3 • Wie mache ich dies alles automatisch? • -> VL 22-24 (Schema Mapping & Schema Matching) Felix Naumann, VL Informationsintegration, WS 05/06

  5. WdH.: Modellierung von Datenquellen • Kernidee • Modellierung strukturell heterogener Quellen in Bezug auf ein globales Schema als Views (Sichten) • Relationales Modell • Allgemein: • Eine Sicht verknüpft mehrere Relationen und produziert eine Relation. • Sichten zur Verknüpfung von Schemata • Sicht definiert auf Relationen eines Schemas und produziert eine Relation des anderen Schemas • Jetzt: Unterscheidung lokales und globales Schema Felix Naumann, VL Informationsintegration, WS 05/06

  6. WdH.: Global as View / Local as View • Global as View • Relationen des globalen Schemas werden als Sichten auf die lokalen Schemas der Quellen ausgedrückt. • Local as View • Relationen der Schemas der Quellen werden als Sichten auf das globale Schema ausgedrückt. Felix Naumann, VL Informationsintegration, WS 05/06

  7. WdH.: Global as View (GaV) – Beispiel S1: IMDB(Titel, Regie, Jahr, Genre) S2: MyMovies(Titel, Regie, Jahr, Genre) S3: RegieDB(Titel, Regie) S4: GenreDB(Titel, Jahr, Genre) Globales Schema Film(Titel, Regie, Jahr, Genre) Programm(Kino, Titel, Zeit) CREATE VIEW Film AS SELECT * FROM IMDB UNION SELECT * FROM MyMovies UNION SELECT RegieDB.Titel, RegieDB.Regie, GenreDB.Jahr, GenreDB.Genre FROM RegieDB, GenreDB WHERE RegieDB.Titel = GenreDB.Titel Typisches Merk-mal bei GaV Join über mehrere Quellen (Anfragebearbeitung!) Quelle: VL „Data Integration“, Alon Halevy, University of Washington, 2002 Felix Naumann, VL Informationsintegration, WS 05/06

  8. SELECT F.Titel, P.Kino FROM ( SELECT * FROM IMDB UNION SELECT R.Titel, R.Regie, G.Jahr, G.Genre FROM RegieDB R, GenreDB G WHERE R.Titel = G.Titel ) AS F, ( SELECT * FROM KinoDB ) AS P WHERE F.Titel = P.Titel AND P.Zeit > 20:00 WdH.: GaV – Beispiel S1: IMDB(Titel, Regie, Jahr, Genre) S2: RegieDB(Titel, Regie) S3: GenreDB(Titel, Jahr, Genre) S7: KinoDB(Titel, Kino, Genre, Zeit) SELECT F.Titel, P.Kino FROM Film F, Programm P WHERE F.Titel = P.Titel AND P.Zeit > 20:00 Felix Naumann, VL Informationsintegration, WS 05/06

  9. WdH.: GaV - Schachtelung • Schachtelung • i.d.R. Belassen bei entfernten Quellen • i.d.R. Auflösung bei materialisierten Sichten SELECT F.Titel, P.Kino FROM ( SELECT * FROM IMDB UNION SELECT R.Titel, R.Regie, G.Jahr, G.Genre FROM RegieDB R, GenreDB G WHERE R.Titel = G.Titel ) AS F, ( SELECT * FROM KinoDB ) AS P WHERE F.Titel = P.Titel AND P.Zeit > 20:00 SELECT F.Titel, P.Kino FROM IMDB F, KinoDB P WHERE F.Titel = P.Titel AND P.Zeit > 20:00 UNION SELECT F1.Titel, P1.Jino FROM RegieDB F1, GenreDB F2, KinoDB P WHERE F1.Titel = F1.Titel WHERE F1.Titel = P1.Titel AND P1.Zeit > 20:00 Felix Naumann, VL Informationsintegration, WS 05/06

  10. Überblick • Global as View (GaV) • Modellierung • Anfragebearbeitung • Local as View (LaV) • Modellierung • Anwendungen • Ausblick: Anfragebearbeitung • Global Local as View (GLAV) • Vergleich Felix Naumann, VL Informationsintegration, WS 05/06

  11. Local as View (LaV) – Beispiel Globales Schema Film(Titel, Regie, Jahr, Genre) Programm(Kino, Titel, Zeit) CREATE VIEW S1 AS SELECT * FROM Film CREATE VIEW S2 AS SELECT * FROM Film CREATE VIEW S3 AS SELECT Film.Titel, Film.Regie FROM Film CREATE VIEW S4 AS SELECT Film.Titel, Film.Jahr, Film.Genre FROM Film S1: IMDB(Titel, Regie, Jahr, Genre) S2: MyMovies(Titel, Regie, Jahr, Genre) S3: RegieDB(Titel, Regie) S4: GenreDB(Titel, Jahr, Genre) Quelle: VL „Data Integration“, Alon Halevy, University of Washington, 2002 Felix Naumann, VL Informationsintegration, WS 05/06

  12. Local as View (LaV) – Beispiel Globales Schema Film(Titel, Regie, Jahr, Genre) Programm(Kino, Titel, Zeit) CREATE VIEW S9 AS SELECT Titel, NULL, Jahr FROM Film S9: ActorDB(Titel, Schauspieler, Jahr) „Verpasste Chance“ Felix Naumann, VL Informationsintegration, WS 05/06

  13. Local as View (LaV) – Beispiel Globales Schema Film(Titel, Regie, Jahr, Genre) Programm(Kino, Titel, Zeit) CREATE VIEW S7 AS SELECT Programm.Kino, Film.Genre FROM Film, Programm WHERE Film.Titel = Programm.Titel S7: KinoDB(Kino, Genre) Assoziationen des globalen Schemas können in der Sicht hergestellt werden. Felix Naumann, VL Informationsintegration, WS 05/06

  14. Local as View (LaV) – Beispiel CREATE VIEW S7Filme AS SELECT Titel, Jahr, NULL, NULL FROM Film CREATE VIEW S7Regie AS SELECT NULL, Regie FROM Film Globales Schema Film(Titel, Regie, Jahr, Genre) Programm(Kino, Titel, Zeit) S9: Filme(Titel, Jahr, Ort, RegieID) Regie(ID, Regisseur) Assoziationen des lokalen Schemas können nicht abgebildet werden. Später: Erzeugung neuer IDs (VL Schema Mapping) Felix Naumann, VL Informationsintegration, WS 05/06

  15. Local as View (LaV) – Beispiel Globales Schema Film(Titel, Regie, Jahr, Genre) Programm(Kino, Titel, Zeit) CREATE VIEW S8 AS SELECT Titel, Regie, Genre FROM Film WHERE Jahr > 2000 S8: NeueFilme(Titel, Regie, Genre) (Nebenbedingung: Jahr > 2000) Bekannte Nebenbedingung auf der Quelle kann modelliert werden. Felix Naumann, VL Informationsintegration, WS 05/06

  16. Local as View (LaV) – Beispiel CREATE VIEW S1 AS SELECT * FROM NeuerFilm (WHERE Jahr> 2000) CREATE VIEW S2 AS SELECT * FROM NeuerFilm (WHERE Jahr> 2000) Globales Schema NeuerFilm(Titel, Regie, Jahr, Genre) Programm(Kino, Titel, Zeit) Nebenbedingung: Jahr > 2000 S1: IMDB(Titel, Regie, Jahr, Genre) S2: MyMovies(Titel, Regie, Jahr, Genre) Felix Naumann, VL Informationsintegration, WS 05/06

  17. Local as View (LaV) – lokale Nebenbedingungen CREATE VIEW S1 AS SELECT * FROM Film CREATE VIEW S2 AS SELECT Titel, Regie, Genre FROM Film CREATE VIEW S3 AS SELECT * FROM Film(WHERE Jahr > 2000) CREATE VIEW S4 AS SELECT Titel, Regie, Genre FROM Film (WHERE Jahr > 2000) CREATE VIEW S5 AS SELECT Titel, Regie, Genre FROM Film (WHERE Jahr = 2004) Globales Schema Film(Titel, Regie, Jahr, Genre) S1: AlleFilmeNett(Titel, Regie, Jahr, Genre) S2: AlleFilmeBöse(Titel, Regie, Genre) S3: NeueFilmeNett(Titel, Regie, Jahr, Genre) (Nebenbedingung: Jahr > 2000) S4: NeueFilmeBöse(Titel, Regie, Genre) (Nebenbedingung: Jahr > 2000) S5: AktuelleFilme(Titel, Regie, Genre) (Nebenbedingung: Jahr = 2004) Modellierung jeweils nur für Optimierung Felix Naumann, VL Informationsintegration, WS 05/06

  18. Local as View (LaV) – globale Nebenbedingungen Globales Schema NeuerFilm(Titel, Regie, Jahr, Genre) Nebenbedingung: Jahr > 2000 oder NeuerFilm(Titel, Regie, Genre) Nebenbedingung: Jahr > 2000 CREATE VIEW AlleFilmeNett AS SELECT * FROM NeuerFilm (WHERE JAHR > 2000) [CREATE VIEW AlleFilmeBöse AS SELECT Titel, Regie, Genre FROM NeuerFilm] S1: AlleFilmeNett(Titel, Regie, Jahr, Genre) S2: AlleFilmeBöse(Titel, Regie, Genre) Problem: Bekannte Nebenbedingung auf dem globalen Schema kann nicht modelliert werden. Frage: Ist das schlimm? Felix Naumann, VL Informationsintegration, WS 05/06

  19. Überblick • Global as View (GaV) • Modellierung • Anfragebearbeitung • Local as View (LaV) • Modellierung • Anwendungen • Ausblick: Anfragebearbeitung • Global Local as View (GLAV) • Vergleich Felix Naumann, VL Informationsintegration, WS 05/06

  20. Problem Anfrageverarbeitung Globales Schema Film(Titel, Regie, Jahr, Genre) Programm(Kino, Titel, Zeit) LaV CREATE VIEW S1 AS SELECT * FROM Film CREATE VIEW S2 AS SELECT Film.Titel, Film.Regie FROM Film CREATE VIEW S3 AS SELECT Film.Titel, Film.Jahr, Film.Genre FROM Film S1: IMDB(Titel, Regie, Jahr, Genre) S2: RegieDB(Titel, Regie) S3: GenreDB(Titel, Jahr, Genre) GaV CREATE VIEW Film AS SELECT * FROM IMDB UNION SELECT R.Titel, R.Regie, G.Jahr, G.Genre FROM RegieDB R, GenreDB G WHERE R.Titel = G.Titel Felix Naumann, VL Informationsintegration, WS 05/06

  21. Anfragebearbeitung – LaV • Gegeben: • Anfrage an globales Schema • Insbesondere: Auf Relationen des globalen Schemas • Für jede lokale Relation genau eine Sicht auf globales Schema • Gesucht: • Alle Tupel, die die Anfragebedingungen erfüllen • Aber: Daten sind in lokalen Quellen gespeichert. • Idee: • Anfrageumschreibung durch Einbeziehung der Sichten • Kombiniere geschickt die einzelnen Sichten zu einer Anfrage, so dass deren Ergebnis einen Teil der Anfrage (oder die ganze Anfrage) beantworten. • Gesamtergebnis ist dann die UNION der Ergebnisse mehrerer Anfrageumschreibungen "Query Answering Using Views" Felix Naumann, VL Informationsintegration, WS 05/06

  22. LaV - Anfragebearbeitung • ABBILDUNG MIT SYSTEM-ÜBERBLICK • WER MACHT WANN WAS Felix Naumann, VL Informationsintegration, WS 05/06

  23. LaV – Anwendungen • Anfrageoptimierung • Materialisierte Sichten auf Datenbankschema • Datawarehouse Design • Materialisierte Sichten auf Warehouse-Schema • Semantisches Caching • Materialisierte Daten beim Client • Datenintegration • Datenquellen als Sichten auf globales (Mediator) Schema Felix Naumann, VL Informationsintegration, WS 05/06

  24. LaV Anwendung: Anfrageoptimierung Q1: R1 Q4: R1 ⋈ R2 • Materialisierte Sichten (materialized views, MV) auf Datenbankschema • MQT: Materialized Query Table • AST: Advanced Summary Table • Welche Sichten helfen bei der Beantwortung einer Datenbankanfrage durch Vorberechnung von Prädikaten? • Probleme: • Es ist nicht immer besser eine MV zu verwenden (Indizes!). • Aktualisierung von MVs • Write auf MV • Write auf Basisrelation Q2: R1, A=10 Q5: R4 Q3: R3 Q6: R1 ⋈ R2 ⋈ R3 Optimierer: Query Answering Using Views MV1 σ(A=10) MV2 ⋈ MV3 ⋈| MV4 ⋃ R1 R2 R3 R4 R5 Felix Naumann, VL Informationsintegration, WS 05/06

  25. LaV Anwendung: Datawarehouse Design • Materialisierte Sichten auf Warehouse-Schema • Gegeben eine query workload • Query workload = Menge von Anfragen mit Häufigkeiten • Welche Sichten sollte ich materialisieren? • Um alle Anfragen der Workload zu beantworten • Allgemeiner: • Gegeben eine query workload, welche Sichten sollte ich materialisieren um die workload optimal zu beantworten. • Idee: Alle Kombinationen prüfen (AST Wizard) • Frage: Warum ist dieses Problem eigentlich ganz einfach? Felix Naumann, VL Informationsintegration, WS 05/06

  26. LaV Anwendung: Semantisches Caching • In verteilten DBMS • Materialisierte Daten beim Client • Gegeben eine Anfrage • Welche Daten im Cache kann ich zur Beantwortung verwenden? • Welche Daten muss ich neu anfragen? • Auch: Welche Sichten sollte ich vorberechnen? Felix Naumann, VL Informationsintegration, WS 05/06

  27. LaV Anwendung: Datenintegration • Datenquellen als Sichten auf globales (Mediator) Schema • Fragen: • Wie kann ich Antworten auf eine Anfrage an das globale Schema nur mittels der Sichten beantworten? • Unterschied zu Anfrageoptimierung: Keine Basistabellen verfügbar. • Kann ich die Anfrage vollständig (extensional) beantworten? Felix Naumann, VL Informationsintegration, WS 05/06

  28. Überblick • Global as View (GaV) • Modellierung • Anfragebearbeitung • Local as View (LaV) • Modellierung • Anwendungen • Ausblick: Anfragebearbeitung • Global Local as View (GLAV) • Vergleich Felix Naumann, VL Informationsintegration, WS 05/06

  29. Umgeschriebene Anfrage SELECT prof FROM DB-kurs D WHERE D.univ = „Humboldt“ LaV – Beispiel Ausschnitt Globales Schema Lehrt(prof,kurs_id, sem, eval, univ) Kurs(kurs_id, titel, univ) Quelle 2: Alle Humboldtvorlesungen CREATE VIEW Hum-VL AS SELECT K.titel, L.prof, K.kurs_id, K.univ FROM Lehrt L, Kurs K WHERE L.kurs_id = K.kurs_id AND K.univ = „Humboldt“ AND L.univ = „Humboldt“ AND K.titel LIKE „%VL_%“ Quelle 1: Alle Datenbankveranstalt. CREATE VIEW DB-kurs AS SELECT K.titel, L.prof, K.kurs_id, K.univ FROM Lehrt L, Kurs K WHERE L.kurs_id = K.kurs_id AND L.univ = K.univ AND K.titel LIKE „%_Datenbanken“ Globale Anfrage SELECT prof FROM Lehrt L, Kurs K WHERE L.kurs_id = K.kurs_id AND K.titel LIKE „%_Datenbanken“ AND L.univ = „Humboldt“ Frage: Warum nicht Quelle 2 einbeziehen? Felix Naumann, VL Informationsintegration, WS 05/06

  30. Umgeschriebene Anfrage SELECT titel, kurs_id FROM DB-kurs D WHERE D.univ = „Humboldt“ UNION SELECT titel, kurs_id FROM Hum-VL LaV – Beispiel Ausschnitt Globales Schema Lehrt(prof,kurs_id, sem, eval, univ) Kurs(kurs_id, titel, univ) Quelle 2: Alle Humboldtvorlesungen CREATE VIEW Hum-VL AS SELECT K.titel, L.prof, K.kurs_id, K.univ FROM Lehrt L, Kurs K WHERE L.kurs_id = K.kurs_id AND K.univ = „Humboldt“ AND L.univ = „Humboldt“ AND K.titel LIKE „%VL_%“ Quelle 1: Alle Datenbankveranstalt. CREATE VIEW DB-kurs AS SELECT K.titel, L.prof, K.kurs_id, K.univ FROM Lehrt L, Kurs K WHERE L.kurs_id = K.kurs_id AND L.univ = K.univ AND K.titel LIKE „%_Datenbanken“ Globale Anfrage SELECT titel, kurs_id FROM Kurs K WHERE L.univ = „Humboldt“ Frage: Warum hier doch Quelle 2 einbeziehen? Felix Naumann, VL Informationsintegration, WS 05/06

  31. Vollständige Antwort Maximale Antwort LaV – Beispiel Vergleich Globale Anfrage SELECT prof FROM Lehrt L, Kurs K WHERE L.kurs_id = K.kurs_id AND K.titel = „VL_Datenbanken“ AND L.univ = „Humboldt“ Umgeschriebene Anfrage SELECT prof FROM DB-kurs D WHERE D.univ = „Humboldt“ Globale Anfrage SELECT titel, kurs_id FROM Kurs K WHERE L.univ = „Humboldt“ Umgeschriebene Anfrage SELECT titel, kurs_id FROM DB-kurs D WHERE D.univ = „Humboldt“ UNION SELECT titel, kurs_id FROM Hum-VL Frage: Was fehlt? Felix Naumann, VL Informationsintegration, WS 05/06

  32. LaV – Anfragebearbeitung • Gegeben: Anfrage Q und Sichten V1, ..., Vn • Gesucht: Umgeschriebene Anfrage Q‘, die • bei Optimierung: äquivalent ist (Q = Q‘). • bei Integration: maximal enthalten ist. • D.h. Q  Q‘ und • es existiert kein Q‘‘ mit Q  Q‘‘  Q‘ wobei Q‘‘  Q‘. • Problem: • Wie definiert und testet man Äquivalenz und maximal containment? Felix Naumann, VL Informationsintegration, WS 05/06

  33. LaV – Beispiele Quelle 2: CREATE VIEW Hum-VL AS SELECT K.titel, L.prof, K.kurs_id, K.univ FROM Lehrt L, Kurs K WHERE L.kurs_id = K.kurs_id AND K.univ = „Humboldt“ AND L.univ = „Humboldt“ AND K.titel LIKE „%VL_%“ ??? Quelle 3: CREATE VIEW Hum-Kurse AS SELECT K.titel, L.prof, K.kurs_id, K.univ FROM Lehrt L, Kurs K WHERE L.kurs_id = K.kurs_id AND K.univ = „Humboldt“ AND L.univ = „Humboldt“ Felix Naumann, VL Informationsintegration, WS 05/06

  34. LaV – Beispiele Quelle 4: CREATE VIEW Kurse1 AS SELECT K.titel, K.kurs_id FROM Kurs K AND K.univ = „Humboldt“ AND K.titel LIKE „%VL_%“ Quelle 5: CREATE VIEW Kurse3 AS SELECT K.titel, K.kurs_id FROM Kurs K AND K.univ = „Humboldt“ Quelle 5: CREATE VIEW Kurse2 AS SELECT K.titel, K.univ FROM Kurs K AND K.univ = „Humboldt“ AND K.titel LIKE „%VL_%“ Quelle 6: CREATE VIEW Kurse4 AS SELECT K.titel FROM Kurs K AND K.univ = „Humboldt“ Felix Naumann, VL Informationsintegration, WS 05/06

  35. LaV – Beispiele • Prüfung von containment durch Prüfung aller möglichen Datenbanken? • Zu complex! • Prüfung von containment durch Existenz eines containment mapping. • NP-vollständig in |Q|+|Q‘| nach [CM77] • Mehrere Algorithmen • Mehr in VL 19 Quelle 3: CREATE VIEW Hum-Kurse AS SELECT K.titel, K.univ FROM Lehrt L, Kurs K WHERE L.kurs_id = K.kurs_id AND K.univ = „Humboldt“ AND L.univ = „Humboldt“ Quelle 5: CREATE VIEW Kurse2 AS SELECT K.titel, K.univ FROM Kurs K AND K.univ = „Humboldt“ Felix Naumann, VL Informationsintegration, WS 05/06

  36. CWA / OWA • Closed World Assumption (CWA) • Vereinigung aller Daten der Datenquellen entspricht der Menge aller relevanten Daten. • Beispiele: Data Warehouse (und traditionelle DBMS) • Open World Assumption (OWA) • Vereinigung aller Daten der Datenquellen ist eine Teilmenge aller relevanten Daten. • Probleme • Inhalt der globalen Relation nicht fest • Anfrageergebnisse können sich ändern • Definition der Vollständigkeit der Ergebnisse • Welchen Anteil an der world hat das Ergebnis? • Negation in Anfragen Felix Naumann, VL Informationsintegration, WS 05/06

  37. CWA / OWA – Beispiel • Relation R(A,B) • View 1 • CREATE VIEW V1 ASSELECT A FROM R • Extension: a • View 2 • CREATE VIEW V2 ASSELECT B FROM R • Extension: b • Anfrage: SELECT * FROM R • CWA: (a,b) muss in der Extension von R sein. • OWA: (a,b) muss nicht in der Extension von R sein. R = (a,b) R = (a,b) oder R = (a,x) (y,b) o.ä. Felix Naumann, VL Informationsintegration, WS 05/06

  38. Überblick • Global as View (GaV) • Modellierung • Anfragebearbeitung • Local as View (LaV) • Modellierung • Anwendungen • Ausblick: Anfragebearbeitung • Global Local as View (GLAV) • Vergleich Felix Naumann, VL Informationsintegration, WS 05/06

  39. Global-Local-as-View (GLAV) • Kombination GaV und LaV • GaV: • Globale Relation = Sicht auf lokale Relationen • (Globale Relation  Sicht auf lokale Relationen) • LaV: • Sicht auf globale Relationen = lokale Relation • Sicht auf globale Relationen  lokale Relation • GLaV: • Sicht auf globale Relationen = Sicht auf lokale Relationen • Sicht auf globale Relationen  Sicht auf lokale Relationen • Auch „BaV“: Both-as-View Felix Naumann, VL Informationsintegration, WS 05/06

  40. Überblick • Global as View (GaV) • Modellierung • Anfragebearbeitung • Local as View (LaV) • Modellierung • Anwendungen • Ausblick: Anfragebearbeitung • Global Local as View (GLAV) • Vergleich Felix Naumann, VL Informationsintegration, WS 05/06

  41. Vergleich GaV / LaV • Modellierung • GaV • Jede globale Relation definiert als Sicht auf eine oder mehr Relationen aus einer oder mehr Quellen. • Meist UNION über mehrere Quellen • Nebenbedingungen auf lokalen Quellen können nicht modelliert werden. • LaV • Globale Relationen werden durch mehrere Sichten definiert. • Definition oft nur in Kombination mit anderen globalen Relationen • Nebenbedingungen auf globale Relationen können nicht definiert werden. Felix Naumann, VL Informationsintegration, WS 05/06

  42. Vergleich GaV / LaV • Anfragebearbeitung • GaV: • Anfrageumschreibung: Einfaches View unfolding • Eine große, umgeschriebene Anfrage • Interessante Optimierungsprobleme • LaV • Anfrageumschreibung: Answering queries using views • UNION über viele mögliche umgeschriebene Anfragen • Mehrere Algorithmen • Viele Anwendungen • Noch interessantere Optimierungsprobleme • Flexibilität • GaV: Views setzen Relationen mehrerer Quellen in Beziehung • LaV: Jede View bezieht sich nur auf eine Quelle Felix Naumann, VL Informationsintegration, WS 05/06

  43. Literatur • Gute Zusammenfassung für LaV und weiterführende Literatur: • [Levy01] Alon Y. Halevy: Answering queries using views: A survey, in VLDB Journal 10: 270-294, 2001. • Eher theoretisch • [Ull00] Jeffrey D. Ullman: Information Integration Using Logical Views. TCS 2000: 189-210 • [Hull97] Managing Semantic Heterogeneity in Databases: A Theoretical Perspective. Richard Hull. PODS 1997 tutorial Felix Naumann, VL Informationsintegration, WS 05/06

  44. name fach Arbeitet Vertiefung name name Betreut Prof stud bereich lehrt Eingeschrieben eval Kurs sem sem titel kurs_id LaV – Beispiel Globales Schema Prof(name, bereich) Kurs(kurs_id, titel, univ) Lehrt(prof,kurs_id, sem, eval, univ) Eingeschrieben(stud, kurs_id, sem) Vertiefung(stud, fach) Arbeitet(prof, fach) Betreut(prof, stud) Felix Naumann, VL Informationsintegration, WS 05/06

More Related