SlideServe
Menu
Préférences
© SlideServe · v2026

ICS 214B: Transaction Processing and Distributed Data Management

luyu avatar
29 diapositives · 467 Views · Aug 23, 2014

ICS 214B: Transaction Processing and Distributed Data Management. Lecture 16: Heterogeneous Distributed Databases Professor Chen Li. Heterogeneous DB systems Federated DB systems Multi-DB systems. DB. DB. DB. Integration. Multi-database systems. Heterogeneity caused by autonomy

ICS 214B: Transaction Processing and Distributed Data Management - slide 1
01 / 29ICS 214B: Transaction Processing and Distributed Data Management
1 / 17

Télécharger la présentation

ICS 214B: Transaction Processing and Distributed Data Management
Une image / un lien ci-dessous est fourni (tel quel) pour télécharger la présentation

Politique de téléchargement : le contenu du site vous est fourni TEL QUEL pour votre information et votre usage personnel ; il ne peut être vendu, concédé sous licence ni partagé sur d’autres sites sans l’accord de son auteur.Le contenu vous est fourni TEL QUEL, pour votre information et votre usage personnel uniquement. Téléchargez la présentation en cliquant sur ce lien. Lors du téléchargement, si vous ne parvenez pas à télécharger une présentation, l’éditeur a peut-être supprimé le fichier de son serveur.Pendant le téléchargement, si vous ne parvenez pas à obtenir une présentation, le fichier a peut-être été supprimé par l’éditeur.

F I N

Plus de contenu associé

Transcription de la présentation
  1. ICS 214B: Transaction Processing and Distributed Data Management Lecture 16: Heterogeneous Distributed Databases Professor Chen Li

  2. Heterogeneous DB systems • Federated DB systems • Multi-DB systems DB DB DB Integration Notes 16

  3. Multi-database systems • Heterogeneity caused by autonomy • Different departments, companies, schools… • Sources of heterogeneity • Data model • Query language • Schema • Transaction Processing • Autonomous execution Notes 16

  4. D1 D2 Dn Sn S1 S2 GS MDBMS (Mediator) GUI U1 U2 Un DBMS1 DBMS2 DBMSn ... Notes 16

  5. Interoperability • Schema integration • Query Processing • Transaction Processing Notes 16

  6. Global schema S1 S2 ... Sn T1 T2 Tn InS1 InS2 InSn Integrator GS Notes 16

  7. Example: S1: relational E (ENO, ENAME, TITLE) D (DNO, DNAME) W (ENO, DNO) S (TITLE, SALARY) Hypergraph representation S Salary E ENO, ENAME, TITLE W DNO, Dname D Notes 16

  8. S2: Object Oriented DEPT EMPLOYS ENGR DEPT-NAME BUDGET MGR E# NAME ADDRESS TITLE SALARY Notes 16

  9. ER model for S1: N M ENO ENAME DNO E W D TITLE SALARY DNAME Notes 16

  10. Or maybe? ENO ENAME DNO E W D pay DNAME TITLE S SALARY Notes 16

  11. ER model for S2 E# NAME DEPT-NAME N 1 ENGR Y DEPT ADDR TITLE BUDGET MGR SALARY Notes 16

  12. DEPT INTEGRATION: DNO DEPT-NAME D D BUDGET MGR DNAME S2 S1 Notes 16

  13. DNO DEPT-NAME D D BUDGET MGR DNAME DNO DEPT-NAME D NICKNAME BUDGET MGR Notes 16

  14. EMPLOYEE INTEGRATION: ENO ENAME E# NAME E ENGR ADDR TITLE SALARY TITLE SALARY Notes 16

  15. ENO ENAME E# NAME E ENGR ADDR TITLE SALARY TITLE SALARY ENO ENAME subset E ENGR ADDR SALARY TITLE Notes 16

  16. One issue: matching attributes Another issue: matching values Example: Salary at A is weekly in dollars Salary at B is monthly in pounds Salary at C is Rate  hours-worked Notes 16

  17. Works-in relationship: N M N 1 E D E D W W Notes 16

  18. One option: N M E D W Notes 16

  19. N M works in Another option: E D N 1 pays Notes 16

  20. Query processing Query Subquery 1 … Subquery n Notes 16

  21. Example DEPT-NAME DNO Site 1 DNO NICKNAME(DNAME) Site 2 DEPT_NAME BUDGET MGR Site 3: DNO DEPT_NAME D NICKNAME MGR BUDGET Notes 16

  22. Find nickname & budget for DNO=55 Site 1: find nickname for DNO=55 Site 3: find dept_name for DNO=55  Site 2: find budget for dept_name=  Notes 16

  23. Example ENO ENAME • Find ENO, SALARY for TITLE =  E ENGR ADDR SALARY TITLE Notes 16

  24. Site 1: find E(ENO, SALARY) for TITLE =  Site 2: find ENGR(E#, SALARY) for TITLE =  Assume the salaries are consistent Notes 16

  25. Updates Update GS u1 u2 un ... Notes 16

  26. May be hard Example: ENAME in S1 is 10 bytes ENAME in S2 is 20 bytes ENAME in GS is 20 bytes Insert ENAME = “Smith” Notes 16

  27. Typically Updates done using local schemas Notes 16

  28. Query Optimization At each site: • Different statistics • Different algorithms for Q.P. • Different exported functionality Notes 16

  29.  VERY HARD  • In heterogeneous DBMS: • Integration • Query Processing/Optimization is an art… Notes 16