MODULO

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA FACULTAD DE CIENCIAS BSICAS E INGENIERA Programa de Ingeniera de Sistemas
MODULO BASE DE DATOS AVANZADA
ROGELIO VASQUEZ BERNAL
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD FACULTAD DE CIENCIAS BSICAS E INGENIERA PROGRAMA INGENIERIA DE SISTEMAS BOGOT D.C., 2005
CONTENIDO Temas
Introduccin UNIDAD 1 BASES DE DATOS RELACIONALES CAPTULO 1. Conceptos bsicos de bases de datos 1. Modelo entidad relacin 1.2. Importancia del modelo entidad relacin 1.3. Elementos del Modelo entidad relacin 1.4 identificador nico 2. lgebra relacional 2.1. Seleccin 2.2. Proyeccin 2.4. Unin. 2.5. Interseccin 2.6. Diferencia 2.7. Join o Reunin. 2.8. Divisin 3. Normalizacin de datos 3.1 Modelo entidad relacin 3.2 Normalizacin 3.3 Desnormalizacin de datos CAPTULO 2. Transacciones 2.2. Concurrencia 2.3 Seguridad y recuperacin de datos CAPTULO 3. Consultas 3.1 Recuperacin 3.2 Clculo relacional 31 3.3 Optimizacin de consultas 32 1 1 1 2 3 10 14 15 15 16 16 17 17 19 19 19 20 23 24 25 26 29 29
Pg.
8
2.3. Producto.
15
2.1. Propiedades de la transaccin
24
UNIDAD 2 BASES DE DATOS DISTRIBUIDAS Introduccin y fundamentos de Base de Datos Distribuidas. CAPTULO 1. Diseo de bases de datos distribuidas 1.1 El problema de diseo 1.2 Objetivos del Diseo de la Distribucin de los Datos 1.3 Enfoques al problema de diseo de bases de datos distribuidas 1.4 Fragmentacin 1.5 Diseo de la Replica CAPITULO 2. Consultas Distribuidas 2.1. Objetivo del procesamiento de las consultas 2.2. Niveles de procesador de consultas 2.3. Localizacin de datos 2.4 Procesamiento de interseccin simple 2.5. Descomposicin de una consulta y localizacin de datos distribuidos 2.6. Plan de optimizacin de consultas distribuidas CAPITULO 3. Transacciones Distribuidas 3.1 Definicin de una transaccin 3.2 Condiciones de terminacin de una transaccin 3.3 Caracterizacin de transacciones 3.4 Caracterizacin de transacciones 3.5. Propiedades de las transacciones 3.6. Tipos de Transacciones 3.7. Estructura de transacciones 3.8. Aspectos relacionados al procesamiento de transacciones 3.9. Incorporacin del manejador de transacciones a la arquitectura de un SMBD 3.10 Recuperacin En Sistemas Distribuidos 3.11. Control De Concurrencia 3.11.1 Teora de la seriabilidad 3.11.2 Seriabilidad en SMBD distribuidos 3.11.3. Taxonoma de los mecanismos de control de concurrencia 3.11.4 Algoritmos basados en candados 3.11.5 Algoritmos basados en estampas de tiempo 3.11.6 Control de concurrencia optimista
34 34 34 39 39 40 42 49 51 51 51 52 53 56 58 58 58 59 60 61 61 62 63 64 65 67 70 70 73 73 74 77 79
40
CAPITULO 4. Catalogo 4.1. Conceptos bsicos 4.2. Centralizado 4.3. Completamente replicado 4.4. Dividido 4.5. Combinacin de centralizado y dividido UNIDAD 3 OTROS MODELOS DE BASES DE DATOS CAPTULO 1. Bases de datos orientadas a objetos 1.1 Introduccin 1.2 Conceptos bsicos 1.3 Arquitectura de administrador de sistemas de BDOO. 1.4 Ssistema administradores de bases de datos orientadas a objetos (SABD-OO) 1.5 El sistema Postgres 1.6 Lenguaje de modelado unificado (UML) 1.6.1 Introduccin 1.6.2 UML, Mtodo o Lenguaje de Modelado? 1.6.3 Una perspectiva de uml 1.6.4 Diagramas de Secuencia 1.6.5. Diagramas de Colaboracin 1.6.6. Modelando el comportamiento de las Clases con Diagramas de Estado 1.6.7. Diagramas de Actividad 1.6.8 Modelando Componentes de Software 1.6.9 Modelando la Distribucin y la Implementacin 1.6.10 Diseo de Bases de Datos Relacionales -- Una extensin informal de UML 1.7 Consultas orientadas a objetos CAPTULO 2. Bodega de datos 2.1 Introduccin 2.2 Construccin y manejo de una bodega de datos 2.3 Manejo de los metadatos 2.4 Acceso y anlisis de datos 2.5 Manejo de sistemas 3. Construccin de la bodega de datos 3.1 Ambiente actual
82 82 82 82 82 82 86 86 86 86 87 89 91 92 92 92 94 95 99 100 101 102 103 104 105 107 109 109 110 111 111 111 112 112
3.2 Ambiente de Negocios. 3.3 Ambiente tcnico 3.4 Expectativas de los usuarios 4. Estrategias recomendadas para diseo de datos 4.1 Prototipo 4.2 Piloto 4.3 Prueba del concepto tecnolgico 4.4 Arquitectura de la Bodega de Datos 4.5 Factores de riesgo 5. Minera de Datos 5.1. Introduccin 5.2. Los Fundamentos del Data Mining 5.3. El Alcance de Data Minino 5.4. Fases de un Proyecto de Minera de Datos 5.5. Cmo Trabaja el Data Mining? 5.6. Una arquitectura para Data Minino 5.7. Tcnicas ms comnmente usadas en Data Mining: GLOSARIO DE TRMINOS DE DATA MINING ANEXO:Resultados Relacional
112 112 112 112 112 113 113 113 115 116 116 116 117 119 119 120 121 123
%$" # !
de ejemplos referenciados en la seccin 2 lgebra LISTA DE FIGURAS
FIGURAS Figura1. Representacin de entidad 12 Figura 2. Representacin de una relacin 12 Figura 3. Relacin recursiva 14 Figura 4. Nombre relaciones 14 Figura 5. Ejemplo nombre relaciones 15 Figura 6. Incorporando atributos 16 Figura 7. Atributos candidatos 16 Figura 8. Atributos candidatos 17 Figura 9. Un atributo repetido indica una entidad perdida. 18 Figura 10. Aadir la entidad perdida Figura 11. Muestra de identificadores nicos Figura 12. Refinamiento de Entidades Figura 13. Reconocimiento de patrones Figura 14 - Esquema de Relaciones de Ejemplo Figura 15 Primera forma normal Figura 16. Segunda y tercera forma normal Figura 17 - Pasos en el procesamiento de una consulta SQL
Pg.
18 20 21 22 23 29 31 33
Figura 18. Motivacin de los sistemas de bases de datos distribuidos. Figura 19. Un sistema centralizado sobre una red Figura 20. Un medio ambiente distribuido para bases de datos
44 45 46
Figura 21. El enfoque top-down para el diseo de bases de datos distribuidas 50 Figura 22. El problema de fragmentacin de relaciones Figura 23. El grado de fragmentacin Figura 24. Un modelo de transaccin. Figura 25. Un modelo del administrador de transacciones. Figura 26. Ejecucin centralizada de transacciones. Figura 26b. Ejecucin distribuida de transacciones. Figura 27. Clasificacin de los algoritmos de control de concurrencia Figura 28. Grfica del uso de los candados de dos fases Figura 29. Comportamiento de los candados de dos fases estrictos Figura 30. Comunicacin en un administrador centralizado de candados de dos fases estrictos. Figura 31. Comunicacin en candados de dos fases distribuidos Figura 32. Fases de la ejecucin de una transaccin a) pesimista, b) optimista. Figura 33. Casos diferentes de las pruebas de validacin para control de concurrencia optimista. Figura 34: Organizando el sistema mediante el uso de paquetes Figura 35: Modelado de Casos de Uso. 107 86 87 88 90 91 106 51 53 68 76 77 77 84
Figura 36: Relacin caso de uso Extiende (extends) frente a relacin de caso Usa (uses). Figura 37: Diagrama de Secuencia para un escenario 109 110
Figura 38: Diagrama de Colaboracin para un grupo de Objetos Figura 39: Modelando Comportamiento Dinmico de un objeto 'Vuelo' con un diagrama de estado Figura 40: Diagrama de Actividad Figura 41: Modelando componentes con el Diagrama de Componentes Figura 42: Modelando la Distribucin del Sistema con el Diagrama de Implementacin Figura 43: Extensin de UML -- Diseo de Bases de Datos Relacionales con el Diagrama de Relacin de Entidad (ER Diagram) Figura 44: Relaciones clave entre entidades en un Diagrama de Relacin de Entidad Figura 45: Fases de un Proyecto de Minera de Datos
111
112 113 114 115 116 117 129
LISTA DE TABLAS Pg. Tabla 1 - Operadores del lgebra relacional Tabla 2. Comparacin de las estrategias de replicacin de fragmentos. INTRODUCCIN Un sistema de base de datos es bsicamente un sistema computarizado para llevar registros1. El modulo base de datos avanzada tiene como propsito fundamental profundizar algunos temas tratados en base de datos bsica y presentar un esquema nuevo para un nivel ms avanzado. Los temas aqu tratados requieren de un buen conocimiento de bases de datos y un gran deseo por profundizar cada uno de ellos en la bibliografa y cibergrafa recomendada. Los estudiantes deben trabajar el modulo acompaado de la gua de actividades y del protocolo acadmico para lograr as el propsito del curso acadmico. 23 54
UNIDAD 1 BASES DE DATOS RELACIONALES

Captulo 1. Conceptos bsicos de bases de datos 2. Modelo entidad relacin Es una tcnica para definir las necesidades de informacin de una organizacin. El modelo entidad relacin en su forma ms simple implica identificar asuntos importantes dentro de la organizacin (entidades) , propiedades de esos asuntos (atributos) y como se relacional entre si (relacin). Esto tiene valor solamente dentro del contexto de lo que se realiza en la empresa y en la forma de actuar de estas funciones de gestin sobre el modelo de informacin. 1.1. Objetivos del modelo entidad relacin Proporcionar un modelo preciso de las necesidades de informacin de la organizacin. Proporcionar un modelo independiente de cualquier almacenamiento de datos y mtodo de acceso, que permita tomar decisiones de las tcnicas de implementacin y coexistencia con sistemas antiguos. 1.2. Importancia del modelo entidad relacin Ofrece un medio efectivo y preciso de especificar y controlar la definicin de las necesidades de informacin. A continuacin se indican diez temas clave que se necesitan tener en cuenta cuando se utiliza el modelo: Dato: un recurso clave
Hoy en da un dato, como recurso, se acepta por ser importante para la evolucin satisfactoria de la organizacin como lo son los recursos financieros, humanos y fsicos. Compromiso con la direccin La direccin debe confirmar los requisitos de informacin. No importa lo inteligente que usted resulte al modelizar, tendr un xito limitado sin el compromiso de la direccin. Convenciones En todo momento se deben aplicar convenciones rigurosas, estndares y directrices, incluyendo los conceptos de normalizacin de datos. Definicin mnima Se debera definir o modelizar cualquier informacin o concepto de datos slo de una forma, y a continuacin configurar asociaciones para los objetos relacionados. Como por ejemplo, se debera definir una vez una cosa denominada Pedido de compra y a continuacin relacionarlo con el departamento, los productos, las funciones de autorizacin y as sucesivamente, como se requiera. Independencia de los datos Se deben definir los requisitos de informacin de forma que sean independientes de cualquier almacenamiento final o mtodo de acceso y que nos permita tener una visin creativa y objetiva de la empresa y del diseo subsiguiente. Patrones genricos Deberan buscarse patrones genricos de datos para permitir a los usuarios utilizarlos en su gestin, adems de tener la oportunidad de perfeccionar la forma de procesar sus datos y de sugerir estructuras ms rentables y flexibles para los diseadores de bases de datos. Actitud y calidad Los modelizadores deben comenzar aplicar las convenciones automticas y velozmente, pero sin sacrificar el rigor. Tambin debe aprovechar cualquier oportunidad con los usuarios para mejorar la precisin de los modelos. Comunicacin Debe haber comunicacin con los usuarios finales, en trminos que ellos puedan entender auque debe seguir siendo tcnicamente riguroso. Estas tcnicas de modelizacin se han utilizado durante muchos aos para ayudar a altos ejecutivos, directores y a otros a comprender su gestin. Es esencial utilizar un lenguaje claro, sin abreviaturas, para lograr su comprensin. Con un usuario final no deberamos utilizar la palabra entidad.
Relevancia Los requisitos de informacin solamente pueden tener valor si aportan las necesidades funcionales de la organizacin, dentro del marco de trabajo de los objetivos y propsitos de la empresa. Un medio, no un fin Aunque el modelo entidad relacin es muy potente, ofrecer una idea increble de la compaa y actuar como un marco de trabajo para el diseo de los datos, solo es una tcnica intermedia, aunque desde luego importante. 1.3. Elementos del Modelo entidad relacin El modelo entidad relacin para ser funcional requiere de la definicin de unos elementos, los cuales se precisan a continuacin: 1.3.1 Entidad Se define como entidad a cualquier objeto real o abstracto, que existe en un contexto determinado o puede llegar a existir y del cual deseamos guardar informacin. Representacin de entidad: Una entidad se representa en forma de diagrama con un recuadro y en su interior un nombre. El nombre se muestra en singular y con letras maysculas (figura 1).
Figura1. Representacin de entidad Reglas para definir una entidad: Cualquier objeto slo puede ser representado por una entidad. Es decir las entidades son mutuamente exclusivas en todos los casos. Cada entidad debe ser identificada en forma nica. Es decir, cada instancia (aparicin) de una entidad debe encontrarse separada e identificable claramente de todas las dems instancias de ese tipo de entidad. 1.3.2. Relacin Se entiende por relacin a la asociacin, vinculacin o correspondencia entre entidades. Por ejemplo entre la entidad PROFESOR y la entidad CURSO podemos establecer la relacin IMPARTE porque el profesor imparte cursos.
Una relacin es binaria en el sentido de que es siempre una asociacin entre exactamente dos entidades, o entre una entidad y ella misma. Cada relacin tiene dos extremos, para cada uno de los cuales tiene un: Nombre Grado / cardinalidad (cuantos) Opcionalidad (opcional u obligatorio). Estas propiedades se utilizan para describir la asociacin desde un extremo; se deben definir ambos extremos. Representacin de una relacin: Una relacin se representa mediante una lnea que une dos recuadros de entidades, o recursivamente (recurrentemente) une un recuadro de entidad consigo mismo. La relacin ms comn es la que tiene un grado de muchos a uno: en el extremo muchos es obligatoria y opcional en el extremo uno, como se muestra en la figura 2.
Muchos
opcional obligatorio
uno
Figura 2. Representacin de una relacin Para un grado de muchos, la lnea de relacin une un recuadro de tres puntos, conocido como ramificacin. Para un grado de uno, la lnea se une solamente en un punto. En donde la terminacin de la relacin es obligatoria, se dibuja una lnea continua para esa mitad de la relacin. En donde la terminacin de la relacin es opcional, se dibuja una lnea discontinua o de guiones. Es til pensar acerca de una relacin de uno a muchos como una relacin padre a hijo, con la existencia del hijo encontrndose en una forma dependiente de su padre. 1.3.2.1 Relacin recursiva Es una relacin que se llama as misma, a continuacin se muestra una relacin recursiva con propiedades idnticas.
Figura 3. Relacin recursiva Nombre de las relaciones: El nombre de cada extremo de una relacin se sita cerca al extremo apropiado en minsculas como se muestra a continuacin.
nombre- extremo-1 nombre-extremo-2 Figura 4. Nombre relaciones Cuando la terminacin de la relacin es obligatoria, la frase debe ser se utiliza para preceder al nombre final de la relacin; para los nombres finales opcionales de la relacin se utiliza la frase puede ser Por lo tanto el diagrama de la figura 5 se leera as: Cada ENTIDAD-A debe ser el nombre-extremo-1 una y solo una ENTIDAD-B, y de derecha a izquierda: Cada ENTIDAD-B puede ser el nombre-extremo-2 y una o ms ENTIDADes-A.
Veamos el siguiente ejemplo:
para mostrado en Figura 5. Ejemplo nombre relaciones Explicacin: Cada TIQUETE debe ser para uno y slo un PASAJERO y derecha a izquierda, cada PASAJERO se puede observar en uno o ms TIQUETES. El plural del nombre de la entidad se utiliza cuando el grado es muchos. Un grado de muchos se lee como uno o ms, y un grado de uno como uno y solamente uno. Cuando se dibujan diagramas de entidad relacin, se puede encontrar un grado mayor de precisin si la ramificacin (los finales de muchos) se puede situar en la terminacin izquierda y superior de la lnea de relacin. 1.3.3. Atributos Las entidades se componen de atributos que son cada una de las propiedades o caractersticas que tienen las entidades. Cada ejemplar de una misma entidad posee los mismos atributos, tanto en nombre como en nmero, diferencindose cada uno de los ejemplares por los valores que toman dichos atributos. Ejemplo si consideramos la entidad PROFESOR y definimos los atributos Nombre, Telfono, Salario; podramos obtener lo siguiente: Juan Prez Rodrguez, 4253250, 800.000 Martha Lpez Jimnez, 8553260, 600.000 1.3.3.1 Representacin de los atributos Para representar un atributo hay que escribir su nombre en singular y en minscula, y de forma opcional con un ejemplo de su valor.
Figura 6. Incorporando atributos En el ejemplo siguiente, los atributos candidatos son esenciales para ayudar a distinguir entre dos entidades.
de clasificacin de Figura 7. Atributos candidatos
! # " "$% & ! '
En este informe, la lnea area puede que haya adquirido slo cuatro o cinco tipos de aviones diferentes, pero puede tener cien o ms aviones reales. El nmero de registro de atributo tendra un nico valor para cada instancia de la entidad AVION. 1.3.4. Caractersticas del atributo Las siguientes normas simples ayudan a crear un modelo preciso, completo y flexible. 1.3.4.1. Un atributo describe una entidad
El atributo debe describir la entidad en contra de lo que se muestra. Esto puede ser obvio, pero es el error ms comn que se encuentra en los atributos. Por ejemplo. El "nmero de asiento" es un atributo de un cupn, billete, tarjeta de embarque, avin o asiento de un avin? Obviamente es un atributo de ASIENTO, pero en la vida real el nmero a menudo se ve duplicado muchas veces; por ejemplo, en una tarjeta de embarque, que se muestra como una entidad en la Figura 8. Por qu? En el mundo real, un nmero de asiento es una forma muy conveniente de representar una relacin. Por el contrario, cuando se encuentran estas situaciones hay que dibujar la lnea de relacin (si es necesario , crear la entidad a la que se refiere), como se muestra a continuacin.
Para que sirva de gua la mayora de las entidades slo se describirn manejando entre dos y ocho atributos. Si se tienen ms, probablemente existirn muchas relaciones y/o entidades perdidas.
emitido para '+ ,$

( ) $ *
utilizado mediante en compuesto de
Figura 8. Asignar un atributo a la entidad correcta
1.3.4.2 Leer nombres de atributos No hay que utilizar el nombre de la entidad como parte del nombre del atributo. Sera redundante, ya que el atributo slo describe la entidad. En el ejemplo anterior, el el nmero asiento realmente ayud a identificar una entidad perdida llamada ASIENTO que se podra describir con el atributo nmero y quizs con otros atributos como tipo. Para leer atributos que se nombren de esta manera, se pueden utilizar de una de las dos formas: Nombre entidad nombre atributo o Nombre atributo de nombre entidad. Por ejemplo, asiento nmero o nmero de asiento.
1.3.4.2.
Eliminar atributos repetidos (primera forma normal)
Una entidad que slo tenga un valor para un atributo en cualquier momento. Si son esenciales muchos valores, se debe crear una entidad nueva para mantenerlos en la relacin muchos a uno unidos con la entidad original.
'+ ,$
"$ $#% ' , $ *% $' *% $' -
*% $'
Figura 9. Un atributo repetido indica una entidad perdida. Siguiendo la norma anterior se obtiene:
'+ ,$
en compuesto de Figura 10. Aadir la entidad perdida
'+ ,$ "$ $#% ' , $
Esta es una norma o regla que se llama normalmente Primera forma normal 1.3.4.3. Nombre en singular
El nombre de un atributo debe ir en singular. Los nombres plurales generalmente reflejan el problema de los atributos repetidos que se ha mostrado anteriormente.
Es una entidad? Un atributo se convierte en una entidad cuando tiene importancia por s misma, con sus propias relaciones y atributos.
1.3.4.4.
identificador nico
Cada entidad debe ser identificable nicamente por una combinacin de atributo y/o relacin. De esta forma se podra buscar siempre cualquier atributo candidato que ayude a identificar una entidad. 1.3.4.5. El valor del atributo debe ser dependiente de todo el identificador nico. (segunda forma normal)
Hay que quitar los atributos por los que los valores son dependientes slo de parte del identificador nico. Esto se conoce como Segunda forma normal . Dichos atributos normalmente suponen una entidad perdida, pero relacionada. 1.3.4.6. Los atributos deben ser dependientes directamente del identificador nico (tercera forma normal)
Hay que quitar los atributos que no sean dependientes directamente del identificador nico de la entidad. Esto se conoce como Tercera forma normal. En el subtema tres se profundizara el concepto de normalizacin. 1.4. Identificador nico
1.4.1. Definicin Cada entidad debe ser nicamente identificable de forma que cada instancia de la entidad est separada y sea claramente identificable de todas las otras instancias de ese tipo de entidad. El identificador nico puede ser un atributo, una combinacin de relaciones o una combinacin de atributos y relaciones. Una entidad puede tener ms de un medio alternativo de identificacin nica. El mtodo primario se puede mostrar en el diagrama entidad-relacin antecediendo a un atributo que forme el identificador con una marca # , y colocando una barra cruzada en el caso de una (s) lnea (s) de relacin. Figura 11
TIQUETE DE EMBARQUE # * fecha emitida # . hora emitida emitida para utilizado
emitida para usado mediante
# * nmero
en compuesto de
mediante
de planificado como / /
# . '+ ,$ 0 $1
"$
Figura 11. Muestra de identificadores nicos As, pues, para identificar nicamente una tarjeta de embarque se necesita: La relacin con el asiento, y por tanto el nmero de asiento. La relacin con el vuelo, y por tanto la fecha y hora de la salida, La fecha y hora emitidas en el caso raro en que las tarjetas de embarque se hayan reemitido; para volver a sentar a una familia junta despus de que alguien no haya aparecido en el vuelo Como el identificador nico del vuelo tambin incluye la relacin con la ruta de la lnea area, se necesita el nmero de vuelo.
'+ ,$
en compuesto de Figura 12. Refinamiento de Entidades
'+ ,$ "$ $#% ' , $
1.4.2. Norma de Diseo Las normas simples del diseo que siguen a continuacin se han definido para que el diagrama sea fcil de leer, aplicable para personas que necesiten trabajar con ellas y para maximizar la calidad y la precisin. 1.4.2.1. Diagrama de Subconjunto
Cuando se trata un rea funcional en particular con un usuario o un diseo con los diseadores, es bueno crear un diagrama de subconjunto y expresar las ideas de nuevo ms eficazmente como un vehculo de comunicacin con ese propsito. Durante el proceso se van a encontrar omisiones y errores, que se pueden corregir rpidamente la perspectiva diferente es una potente herramienta analtica. 1.4.2.2. Esmerado y pulcro Hay que organizar el diagrama de forma que los recuadros de las entidades estn alineados y que las lneas de las relaciones sean rectas en sentido horizontal o vertical. Hay que dibujar el menor nmero de lneas cruzadas posible. Hay que evitar Construir un diagrama que tenga demasiadas lneas paralelas que estn muy juntas. Hay que utilizar el mayor espacio en blanco que se pueda para evitar el sentimiento de congestin y utilice de vez en cuando la lnea en diagonal para ayudar a la esttica del diagrama. 1.4.2.3. Reconocimiento de patrones La mayora de las personas tienen la capacidad incorporada de reconocer formas y patrones en un instante y por tanto pueden recordar fcilmente el tema. Los
modelizadores pueden beneficiarse de esto haciendo que cada diagrama sea claramente diferente en forma. 1.4.2.4. Texto Hay que asegurarse de que el texto no sea ambiguo. Hay que evitar las abreviaturas y las jergas. Hay que utilizar las convenciones de lectura descritas anteriormente y leer todo el diagrama para asegurarse de que es completo y preciso. Un buen diagrama entidad relacin debera ser semnticamente completo. Para mejorar la comprensin y la precisin al leerlo, hay que aadir adjetivos y ejemplos cuando sea necesario.
clasificado por
clasificado para
Figura 13. Reconocimiento de patrones Hay que centrar, alinear a la izquierda o a la derecha el texto consecuentemente, de forma que se extraigan resultados de buena calidad. 1.4.4.5. Grado de relacin
Hay que situar la terminacin de muchas (ramificaciones) de las relaciones a la izquierda o en la parte superior de la lnea de relacin. Se ha probado que esta tcnica ha incrementado la precisin del modelo formando la consideracin de las relaciones, desde las entidades que aparecen con ms frecuencia a las menos frecuentes.
2. lgebra relacional Es necesario que el lector se familiarice con el termino relacin, entendida en dos aspectos, en primer lugar cuando mencionamos esta palabra en el modelo entidad relacin se hace referencia a la asociacin entre dos o ms entidades, y, al hablar de relacin en el lgebra relacional se esta haciendo referencia a tablas, puesto que las tablas son esencialmente relaciones. El lgebra relacional es un lenguaje de consulta procedural. Consta de un conjunto de operaciones que toman como entrada una o dos relaciones y producen como resultado una nueva relacin, por lo tanto, es posible anidar y combinar operadores. Hay ocho operadores en el lgebra relacional que construyen relaciones y manipulan datos, estos son: 1. Seleccin 4. Unin 7. Join 2. Proyeccin 5. Interseccin 8. Divisin Tabla 1 - Operadores del lgebra relacional Las operaciones de proyeccin, producto, unin, diferencia, y seleccin son llamadas primitivas, puesto que las otras tres se pueden definir en trminos de estas. Se hace necesario en este punto incluir un modelo de datos de ejemplo en el cual trabajar para generar ejemplos de comandos y operadores. Para este efecto se incluye un modelo bsico de administracin de Radio taxis. El Grfico que se presenta a continuacin representa el Modelo conceptual (Modelo Lgico) o Diagrama de Entidad-Relacin, (este adopta una metodologa similar a la anterior): 3. Producto 6. Diferencia
Figura 14 - Esquema de Relaciones de Ejemplo Los Esquemas de relaciones que se pueden construir a partir de este modelo son los siguientes:
Dueo = {rut, nombre, telfono, direccin, vigencia} Chofer = {rut, nombre, telfono, direccin, fecha_licencia_desde, fecha_licencia_hasta, vigencia} Vale = {correlativo, hora_desde, hora_hasta, metraje_total, tarifa_total} Mvil = {patente, rut_dueo, rut_chofer, marca, modelo, ao} Viaje = {correlativo_vale, patente_movil, Hora_Desde, hora_hasta, origen, destino, tarifa, metraje}
2.1. Seleccin. El operador de seleccin opta por tuplas que satisfagan cierto predicado, se utiliza la letra griega sigma minscula ( ) para sealar la seleccin. El predicado aparece como subndice de . La Relacin que constituye el argumento se da entre parntesis despus de la . Ejemplos :
2.2. Proyeccin. La operacin de proyeccin permite quitar ciertos atributos de la relacin, esta operacin es unaria, copiando su relacin base dada como argumento y quitando ciertas columnas, La proyeccin se seala con la letra griega pi mayscula ( ). Como subndice de se coloca una lista de todos los atributos que se desea
aparezcan en el resultado. La relacin argumento se escribe despus de parntesis. Ejemplos :
entre
2.3. Producto
En lgebra relacional el producto de dos relaciones A y B es: A Veces B o A X B Produce el conjunto de todas las Tuplas t tales que t es el encadenamiento de una tupla a perteneciente a A y de una b que pertenece a B. se utiliza el smbolo X para representar el producto. Ejemplos: Dueo x Mvil
2.4. Unin. En lgebra relacional la unin de dos relaciones compatibles A UNION B o A B

[1]
A y B es:
Produce el conjunto de todas las tuplas que pertenecen ya sea a A o a B o a Ambas. Al igual que en teora de conjuntos el smbolo representa aqu la unin de dos relaciones. Ejemplo : 3 # * 0 $'
$5 6
Devuelve todos los Dueos y los Chferes.
3 # * 0 $'
4 )( 6 $
2.5. Interseccin. En lgebra relacional la interseccin de dos relaciones compatibles A y B
A INTERSECCION B o A 7 B Produce el conjunto de todas las tuplas pertenecientes a A y B. Al igual que en teora de conjuntos el smbolo 7 representa aqu la interseccin entre dos relaciones. Ejemplo: 3 # * 0 $'
4 $5 6
3 # * 0 $'
4 )( 6 $
Devuelve todos los dueos que tambin son chferes
2.6. Diferencia En lgebra relacional la diferencia entre dos relaciones compatibles A y B A MENOS B o A B Produce el conjunto de todas las tuplas t que pertenecen a A y no pertenecen a B. Ejemplo: 3 # * 0 $'
4 $5 6
3 # * 0 $'
4 )( 6 $
Devuelve todos los dueos que NO son chferes
2.7. Join o Reunin. En lgebra relacional el JOIN entre el atributo X de la relacin A con el atributo Y de la relacin B produce el conjunto de todas las tuplas t tal que t es el encadenamiento de una tupla a perteneciente a A y una tupla b perteneciente a B que cumplen con el predicado A.X comp B.Y es verdadero (siendo comp un operador relacional y los atributos A.X y B.Y pertenecientes al mismo dominio). Si el operador relacional comp es = entonces el conjunto resultante es un EQUIJOIN. Si se quita uno de stos (usando una proyeccin) entonces el resultado es un JOIN-NATURAL Ejemplo :
2.8. Divisin
En lgebra relacional el operador de divisin divide la relacin A con grado m + n por la relacin B entregando como resultado una relacin con grado m. El atributo m + i de A y el atributo i de B deben estar definidos dentro del mismo dominio. As el resultado de A DIVIDIDO POR B o A / B produce la relacin C con un slo atributo X, tal que cada valor de x de C.X aparece como un valor de A.X, y el par de valores (x, y) aparece en A para todos los valores y que aparecen en B. Ejemplo:
Selecciona todos los autos a cuyos chferes les caduca la licencia el 01/01/1999 1% $% 1 % "$ *"* ' "$ 1% $8 *" $,&1% , ' *'$: *" % $' $% $ $,* $% 9 *1 '
('*1 , " 1 "$1
Relaciones Compatibles: En el lgebra relacional la compatibilidad se aplica a las operaciones de Unin, Interseccin y Diferencia. Cada operacin requiere dos relaciones que deben ser compatibles, esto significa que deben ser del mismo grado, n, y el i-simo atributo de cada una (i= 1, 2...n) se debe basar en el mismo dominio.
3. Normalizacin de datos
La normalizacin de datos es un procedimiento que asegura que un modelo de datos se ajusta a algunos estndares tiles. Para los datos y los modelos entidadrelacin, estos estndares se han definido para minimizar la duplicacin de datos, proporcionar la flexibilidad necesaria para soportar requisitos funcionales y para permitir que el modelo se estructure sobre una amplia variedad de diseos alternativos de base de datos. 3.1 Modelo entidad relacin El modelo entidad-relacin tiende a producir entidades que estn normalizadas de forma natural. Esto debido a que se sigue un proceso simple, como el siguiente: Percibir las cosas de significacin sobre lo que se necesita saber y mantener la informacin. Estas entidades deben ser mutuamente exclusivas, y se representan en un diagrama por medio de un recuadro con el nombre de la entidad en singular y en maysculas. Aadir las relaciones de gestin, las cuales se han nombrado como asociaciones significativas entre entidades. Estas relaciones se muestran como una lnea entre dos recuadros; cada terminacin tiene un grado (un tringulo o ramificacin que significa muchos; si no hay tringulo significa uno) y la opcionalidad (una lnea de puntos significa opcional, una lnea continua significa obligatorio). En cada entidad se listan los tipos de informacin que se podran mantener o conocer. Estos atributos se muestran dentro de la entidad como nombres en minsculas. Finalmente, se determina la forma en que cada aparicin de una entidad puede ser identificada de forma nica. Esto se har mediante alguna combinacin de atributos y/o relaciones. Cuando un atributo es parte del identificador nico se muestra con una marca #. Cuando una relacin es parte del identificador nico se muestra mediante una barra cruzada cruzando la lnea de relacin. El seguimiento del proceso anterior dar rigurosa y automticamente un modelo normalizado, pero depende de la buena comprensin del analista acerca de lo que es realmente un atributo, una relacin y una entidad.
3.2 Normalizacin
Para comprobar que un modelo entidad-relacin tiene todas sus entidades unvocamente identificadas, se ha normalizado completamente y por tanto se ajusta a la tercera forma normal; se pueden aplicar las siguientes comprobaciones simples: Asegurar que todas las entidades son identificables de forma nica Por una combinacin de atributos y / o relaciones 3.2.1 Primera forma normal: [1NF] Eliminar los atributos repetidos o grupos de atributos. Si existe ms de un valor a la vez para un atributo o para ms de uno con el mismo nombre, se define una entidad nueva, la cual se describe mediante ese atributo. El identificador nico de esta nueva entidad consta de uno de los atributos que se fueron con ella y la relacin (de muchos a uno) se lleva a la entidad original.
/ @( ) $ * @) * @ '+ ,$ "$ 0 $1 ' , $ 1 9$* A '$* ' , $ *$ & $ & "$ *0! ' *&* "*" "$ *% $' % ' , $ & 1 $ *' (' ! & 1 $ ' *' ' , $ & 1 $ *' (' ! & 1 $ ' *' ' , $ & 1 $; *'
/ .' , $ . (' ! '
B &* * & 1 & *"
/ @( ) $ * @) * @ '+ ,$ "$ 0 $1 ' , $ "$ *$ 1 A '$* ' , $ *$ & $ & "$ *0! ' *&* "*" "$ *% $' %
Figura 15 Primera forma normal $# '"* ( ,* ' ,*1= > < ?
Eliminar atributos dependientes slo en parte del identificador nico.
Si una entidad tiene un identificador nico compuesto de ms de un atributo y/o relacin, y si otro atributo depende slo de parte de este identificador compuesto, entonces el atributo, y la parte del identificador del que depende, debern formar la base de una nueva entidad. La entidad nueva se identifica por la parte emigrada del identificador nico de la entidad original, y tiene una relacin de uno a muchos unido a la entidad original. 3.2.3 Tercera forma normal: [3NF] Eliminar los atributos dependientes de atributos que no son parte del identificador nico. Si un atributo de una entidad es dependiente de otro atributo, que no es parte del identificador nico, entonces estos atributos deberan formar la base de la nueva entidad, que tenga una relacin de uno a muchos con la entidad original. El identificador nico de la entidad nueva es el atributo del que depende el otro atributo. A continuacin se presenta la representacin de esta forma:
/ ' , $ (' ! '
&* * & 1 & *"
/ @( ) $ * @) * "$
&1 ( *" *' , / @'+ ,$ "$ 0 $1 ' , $ *$ 1 A '$* ' , $ *$ & $ & "$ *0! ' *&* "*" "$ *% $' %
%$ 0" & &$ *" % &$ *"* & $' * # "$ *"* $
Figura 16. Segunda y tercera forma normal
En general, una relacin R est en la tercera forma normal (3NF) si y slo si en cualquier momento cada tupla (lnea relacional) de R se compone de un valor clave primario que identifica alguna identidad, junto con un grupo de cero o ms valores independientes mutuamente que describen esa entidad de alguna 2 manera. Adems, una relacin R est en la cuarta forma normal (4NF) si y nicamente si donde quiera que haya una dependencia multivalores (MVD) en R, digamos A B, todos los atributos de R son tambin funcionalmente dependientes de A. En otras palabras, las nicas dependencias (funcionales o multivalores) en R son de la forma K X. De modo equivalente: R est en 4NF si todos los MVDs (dependencias multivalores) son de verdad dependencias funcionales (FD). Tambin, una relacin R est en quinta forma normal (5NF), tambin denominada forma normal de unin de proteccin (PJ/PN), si y nicamente si cada dependencia de unin en R es una consecuencia de las claves candidatas de R. 3.3 Desnormalizacin de datos La desnormalizacin de datos es el procedimiento inverso, llevado a cabo puramente por razones de mejorar la realizacin de sistemas de produccin, particularmente cuando estn computarizados. La desnormalizacin slo se debe realizar sobre el diseo. No poner en peligro nunca el modelo de gestin. La desnormalizacin en formas manuales de procedimientos es necesariamente muy comn, como queda evidenciado por el hecho de que la mayor parte de los formularios en papel mantienen grandes datos de referencias. Todos conocemos los problemas que se pueden originar cuando ese dato se cambia y se tiene que volver a emitir el grupo entero de formularios.
* $3
' '
"
'
* * *%$ C $,3 % D$"
" %% ' E $%1 $C
1 '# %)
Captulo 2. Transacciones Una transaccin es una unidad de la ejecucin de un programa que accede y posiblemente actualiza varios elementos de datos. Se delimita dependiendo del lenguaje por las sentencias inicio transaccin y fin transaccin y se compone de todas las instrucciones que se encuentran entre estos dos delimitadores. 2.1. Propiedades de la transaccin Para asegurar la consistencia de los datos se necesita que el sistema de base de datos tengan las propiedades llamadas ACID: (Atomicity, Consistency, Isolation, Durability - Atomicidad, Consistencia, Aislamiento, Durabilidad [Silberschatz97]). A continuacin explicamos cada una de estas propiedades: Atomicidad: Asegura que o bien todos los efectos de la transaccin se reflejan en la base de datos, o bien ninguno de ellos; un fallo no puede dejar a la base de datos en un estado en el cual una transaccin se haya ejecutado parcialmente. Consistencia: Asegura que si la base de datos es consistente inicialmente, la ejecucin de la transaccin deja la base de datos en un estado consistente. Aislamiento: Asegura que en la ejecucin concurrente de transacciones, estas estn aisladas unas de otras, de tal manera que cada una tiene la impresin de que ninguna otra transaccin se ejecuta concurrentemente con ella. Durabilidad: Asegura que una vez que la transaccin se ha comprometido, las actualizaciones hechas por la transaccin no se pierden, incluso si hay un fallo en el sistema. Una transaccin que termina con xito se dice que est comprometida (commited), una transaccin que haya sido comprometida llevar a la base de datos a un nuevo estado consistente que debe permanecer incluso si hay un fallo en el sistema. En cualquier momento una transaccin slo puede estar en uno de los siguientes estados: Activa (Active): el estado inicial; la transaccin permanece en este estado durante su ejecucin. Parcialmente comprometida (Uncommited): Despus de ejecutarse la ltima transaccin. Fallida (Failed): tras descubrir que no se puede continuar la ejecucin normal.
Abortada (Rolled Back): despus de haber retrocedido la transaccin y restablecido la base de datos a su estado anterior al comienzo de la transaccin. Comprometida (Commited): tras completarse con xito. Cuando varias transacciones se ejecutan concurrentemente, existe la posibilidad de que se pierda la consistencia de datos. Se hace necesario por lo tanto un sistema que controle la interaccin entre las transacciones concurrentes. Puesto que una transaccin por definicin conserva la consistencia, una ejecucin lineal de transacciones la garantiza tambin. Un sistema que asegure esta propiedad se dice que asegura la secuencialidad. 2.2. Concurrencia Existen varios esquemas de control de concurrencia que aseguran la secuencialidad, todos estos esquemas o bien retrasan una operacin o bien abortan la transaccin que ha realizado la operacin. Los ms conocidos son los protocolos de bloqueo, el esquema de ordenacin por marcas temporales, las tcnicas de validacin, el esquema de granularidad mltiple y los esquemas multiversin. Un protocolo de bloqueo es un conjunto de reglas que indican el momento en que una transaccin puede bloquear o desbloquear un objeto de la base de datos. El protocolo de bloqueo de dos fases permite que una transaccin bloquee un objeto slo despus de que haya desbloqueado otro objeto distinto, este mtodo asegura la secuencialidad. El esquema de ordenacin por marcas temporales asegura la secuencialidad seleccionando previamente un orden en todo par de transacciones. Existen 2 formas de implementar este esquema, uno es por medio de valores timestamp (dependientes del reloj del sistema) y por medio de un contador lgico que se incrementa cada vez que asigna una nueva marca temporal. Este protocolo asegura la secuencialidad en cuanto a conflictos y la ausencia de interbloqueos, si una de las transacciones viola la norma la transaccin se retrasa y se le asigna una nueva marca temporal. Por ejemplo, una operacin leer se puede retrasar porque todava no se ha escrito el valor apropiado o incluso rechazar si ha sobrescrito el valor que supuestamente se iba a leer. Un esquema de validacin es un mtodo de control de concurrencia adecuado para transacciones de slo lectura y en las cuales la tasa de conflictos es baja. Se basa en dividir una transaccin en 3 etapas (lectura, validacin y escritura) y trabajar con el esquema de marcas temporales sobre la etapa de validacin. De esta manera se quita una sobrecarga en la etapa de lectura, en la cual no se necesita un esquema de control de concurrencia dado que toda lectura lleva a la base de datos al mismo estado de consistencia. Una manera distinta manejar la concurrencia es por medio de la granularidad,
este concepto permite agrupar varios elementos de datos y definirlos como un todo para efectos de sincronizacin. Se define como una jerarqua de distintos niveles, donde el nivel superior puede representar toda la base de datos, se esquematiza como estructura de rbol donde los nodos hijos de un nodo interno representan las dependencias de datos asociadas. Se utilizan los tipos de bloqueos Compartidos y Exclusivos ms un nuevo tipo de bloqueo llamado el bloqueo intencional, el cual indica que existen nodos descendientes que tienen bloqueos compartidos o exclusivos. El esquema multiversin se basa en la creacin de nuevas versiones de los elementos de datos cada vez que una transaccin vaya a escribir dicho elemento. Cuando se va a realizar una escritura el sistema elige una de las versiones para que se lea. El esquema de control de versiones garantiza que la versin que se va a leer se elige de forma que asegure la secuencialidad por medio de marcas temporales. En este esquema una operacin de lectura tiene xito siempre, sin embargo, una operacin de escritura puede provocar el retroceso de una transaccin. Un sistema est en estado de interbloqueo si existe un conjunto de transacciones tal que toda transaccin del conjunto est esperando a otra transaccin del conjunto. En tal situacin, ninguna de las transacciones puede progresar. Existen 2 mtodos para tratar los interbloqueos y ambos provocan un retroceso de las transacciones, la diferencia radica en que uno es preventivo y otro curativo. El protocolo de prevencin de interbloqueos asegura que el sistema nunca llegar a un estado de interbloqueos mientras que el mtodo de deteccin y de interbloqueos permite que el sistema llegue a un estado de interbloqueos para luego tratar de recuperarse. La prevencin se usa normalmente cuando la probabilidad de que el sistema llegue a un estado de interbloqueo es relativamente alta, de lo contrario lo ms conveniente es usar la deteccin y recuperacin. 2.3. Seguridad y recuperacin de datos Los fallos que ocurren en un computador pueden darse por diferentes motivos (fallos de disco, cortes de energa o fallos en el software). En cada uno de estos casos puede perderse informacin concerniente a la base de datos. Existen varios tipos de fallas, a considerar: Fallo en la transaccin, que a su vez se dividen en errores lgicos y errores del sistema. Un error lgico ocurre cuando una transaccin no puede continuar con su ejecucin normal a causa de una condicin interna como lo es un desbordamiento o un exceso de recursos. Un error del sistema ocurre cuando el sistema se encuentra en un estado no deseado como en el caso de los interbloqueos.
Cada del sistema, provocado ya sea por el hardware, el sistema operativo o por el software de base de datos. Comnmente causa la prdida del contenido de la memoria primaria y aborta el procesamiento de una transaccin.
Fallo de disco, para el cual slo sirve la recuperacin por medio de copias existentes en medios de almacenamiento secundario como cintas magnticas. La forma ms aceptada de lograr un tipo de almacenamiento lo ms estable posible es replicando la informacin en varios medios de almacenamiento no voltil, con modos de fallos independientes. Los sistemas RAID (disposicin redundante de discos independientes) garantizan que el fallo de un slo disco no conduzca a la perdida de datos. Sin embargo los sistemas RAID, no pueden proteger al sistema de una prdida de datos en el caso de una catstrofe geogrfica, para tales efectos muchos sistemas de almacenamiento guardan copias de seguridad en cintas en otros lugares, no obstante, como las cintas no pueden ser trasladadas continuamente, los ltimos cambios realizados luego del traslado de cintas no se pueden volver a recuperar en el caso de tales desastres. Los sistemas ms seguros guardan copias de cada bloque de almacenamiento en otra disposicin geogrfica, datos que se transmiten por medios de redes de computadores al sistema de respaldo remoto... El estado de un sistema de base de datos puede no volver a ser consistente en caso de que ocurran fallos, para preservar la consistencia es necesario que cada transaccin sea atmica. Garantizar la propiedad de atomicidad es responsabilidad del esquema de recuperacin. Existen bsicamente 2 esquemas que garantizan la atomicidad. [4] Basados en el registro histrico . Todas las modificaciones se graban en el registro histrico, el cual debe estar guardado en almacenamiento estable. En el esquema de modificacin diferida, durante la ejecucin de una transaccin, se difieren todas las operaciones de escritura hasta que la transaccin se compromete parcialmente, momento en el cual se utiliza la informacin del registro histrico asociado con la transaccin para ejecutar las escrituras diferidas. Con la tcnica de modificacin inmediata todas las modificaciones se aplican directamente en la base de datos. Si ocurre una cada se utiliza la informacin del registro histrico para llevar a la base de datos a un estado estable previo. Paginacin en la sombra. Durante la vida de una transaccin se mantienen 2 tablas de pginas: la tabla actual de pginas y la tabla de pginas sombra. Ambas tablas son idnticas al principio de la transaccin, sin embargo, la tabla actual de pginas puede ir cambiando luego de cada operacin escribir. Todas las
operaciones de lectura y escritura utilizan la tabla de pginas actual, cuando una transaccin se compromete parcialmente se desecha la tabla de pginas sombra y la tabla actual se convierte en la nueva tabla de pginas. Si la transaccin fracasa, simplemente se desecha la tabla actual de pginas.
El procesamiento de transacciones se basa en un modelo de almacenamiento en el cual la memoria principal contiene una memoria intermedia para el registro histrico, una memoria intermedia para la base de datos y una memoria intermedia para el sistema. Una implementacin eficiente de un esquema de recuperacin de datos requiere que sea mnimo el nmero de escrituras de la base de datos y que sea realizado en almacenamiento estable. Los registros del registro histrico pueden guardarse inicialmente en la memoria intermedia del registro histrico pero deben ser llevados a almacenamiento estable bajo dos situaciones: Deben escribirse en almacenamiento estable todos los registros del registro histrico que referencien a la transaccin Ti antes de grabar el registro que indique que la transaccin Ti ha sido comprometida Deben escribirse en almacenamiento estable todos los registros del registro histrico pertenecientes a los datos de un bloque antes de que ese bloque de datos se escriba desde la memoria intermedia a la base de datos.
[4]
Comnmente llamado log de transacciones
Captulo 3. Consultas El Procesamiento de consultas hace referencia a la serie de actividades a seguir para llevar a cabo la recuperacin de datos desde una base de datos. Estas actividades incluyen la traduccin de consultas en lenguajes de consultas de alto nivel (Ej: SQL) a expresiones que se puedan implementar en un nivel fsico, as como tambin los algoritmos de evaluacin y optimizacin de consultas. 3.1 Recuperacin Una de las ventajas principales del modelo relacional presentado por Codd en 1970 es la que tiene relacin con la independencia de los datos que se entiende aqu como la separacin entre el modelo (lgico) y la implementacin (fsica). Esta separacin nos permite desarrollar una poderosa semntica lgica independiente de una implementacin fsica particular. Uno de los desafos de la independencia de datos es que la codificacin de una consulta para la base de datos se componga de 2 fases: La descripcin lgica de la consulta (que se supone que debe hacer). La definicin del plan de ejecucin fsico (el que muestra como implementar la consulta). Antes de empezar el procesamiento de la consulta el sistema debe traducir la consulta a un medio de representacin interno con el cual le sea fcil operar. As, por ejemplo para SQL la representacin ms til es la del lgebra relacional extendida (rbol relacional). Este proceso cumple la misma funcin que el analizador lxico y sintctico de un compilador, es decir, revisa la sintaxis de la consulta y chequea que todos lo identificadores sean nombres de objetos de la base de datos, en el caso de las vistas reemplaza el nombre de la vista por la expresin relacional que la representa. El plan de ejecucin es un rbol relacional armado a partir de la consulta y que slo puede ser entendido por el motor de ejecucin de consultas. La transformacin de la consulta a un plan puede ser hecha efectivamente a mano y en algunos casos de consultas simples que se ejecutan miles de veces esta podra ser la mejor estrategia, sin embargo, una de las ventajas que nos ofrece el modelo relacional es la capacidad de usar la informacin del catalogo de la base de datos, que como se ver ms adelante, podr responder una gran cantidad de preguntas distintas.
Por otro lado, aunque una consulta simple pueda ser ejecutada miles de veces, no existe un camino mecnico que garantice que el plan de ejecucin elegido satisfaga la consulta que se quiere implementar, puesto que: Un Plan calculado a mano (o un plan precalculado) ser invalidado por cambios lgicos dentro del esquema o por cambios fsicos en el camino de acceso a la informacin o en el almacenamiento fsico. Si los parmetros de la consulta (o los datos) cambian, la relacin optima que asocia a un plan con una consulta por sobre otros puede cambiar. La siguiente figura nos muestra los pasos en el procesamiento de una consulta.
Figura 17 - Pasos en el procesamiento de una consulta SQL Despus de enviar la consulta, la base de datos debe producir su correspondiente plan de ejecucin. El primer paso en este proceso es traducir la consulta desde SQL a un rbol lgico en lgebra relacional, proceso comnmente llamado parser. El Prximo paso es traducir el rbol de la consulta en el plan de ejecucin. Generalmente existe un gran nmero de planes que implementan al rbol de la consulta; el proceso de encontrar el mejor de estos planes se le denomina optimizacin de consultas. 3.2. Clculo relacional
La manipulacin del modelo relacional esta basada en el lgebra relacional; sin embargo, de igual forma podemos indicar que tambin esta basada en el clculo relacional. lgebra y clculo son alternativos entre s, la diferencia entre ellos es la siguiente: mientras que el lgebra proporciona un conjunto de operadores explcitos (juntar, unir, proyectar, etc), que pueden usarse para indicar al sistema cmo construir cierta relacin dada, al clculo simplemente proporciona una notacin para establecer la definicin de esa relacin deseada en trminos de 3 dichas relaciones dadas . El clculo relacional de tuplas describe la informacin deseada sin dar un procedimiento especfico para obtenerla. Las consultas en el clculo relacional de tuplas se expresan como: { t | P(t)}, Es decir, son el conjunto de tuplas t tales que se cumple el predicado P para cada t. Siguiendo la misma notacin, se utiliza t[A] para el valor de la tupla t en el atributo A.
Si slo se desea obtener un atributo de la tupla, se utiliza el constructor Existe de la lgica matemtica. As, si lo que se desea es el Nombre de los dueos de taxis que estn vigentes:
"Conjunto de todas las tuplas t tales que existe una tupla s en la relacin Dueo para la que los valores de t y de s son iguales en el atributo Nombre y el valor de s para el atributo vigencia = S ". La variable de tupla t se define slo en el atributo Nombre, puesto que ste es el nico atributo para el que se especifica una condicin para t. As, el resultado es una relacin sobre (Nombre). Si lo que se desea es obtener las tarifas de todos los viajes que ha efectuado todos los mviles de marca chevrolet, la consulta requiere de dos clusulas Existe conectadas por el operador de conjuncin lgica y.
* $3 '
"
! * 1% '
% $,*% "$ *%$% "$ * %3 $' $ F*1 1
Que se lee como el conjunto de todas las tuplas (tarifa) correspondientes a los viajes que han hecho todos los mviles de marca chevrolet. Considrese ahora la consulta obtener todos los RUT de los dueos de mviles, cuyos mviles no hayan efectuado nunca un viaje:
que ocupa la clusula Existe para exigir que el dueo posea un mvil y la clusula no existe para eliminar a aquellos mviles que tengan viajes realizados. La consulta que se presenta a continuacin utiliza la implicacin, la frmula P implica Q significa que si P es verdad entonces Q debe ser verdad, se introduce el constructor para todo. Se desea Selecciona todos los autos a cuyos chferes les caduca la licencia el 01/01/1999.
Sin embargo como la intencin del modulo no es la de suplir al texto, se recomienda consultar el tema completo en la bibliografa recomendada. 3.3 Optimizacin de consultas Las consultas de base de datos relacionales son o bien declarativas o algebraicas. Los lenguajes algebraicos permiten la transformacin algebraica de la consulta, luego, basndose en la especificacin algebraica de la consulta es relativamente fcil para el optimizador generar diversos planes equivalentes para la consulta y elegir el menos costoso. Dado este nivel de generalidad, el optimizador puede ser visto como el generador de cdigo de un compilador para el lenguaje SQL, que produce el cdigo que ser interpretado por el motor de ejecucin de consultas, excepto que el optimizador marca nfasis en la capacidad de producir el cdigo ms eficiente, haciendo uso para tales efectos del catlogo de la base de datos, de donde obtiene informacin estadstica de las relaciones referenciadas por la consulta, algo que los lenguajes de programacin tradicionales no hacen.
Un aspecto de la optimizacin de consultas se sita en el nivel del lgebra relacional. Dado un conjunto de reglas se trata de encontrar una expresin que sea equivalente a la expresin dada pero que sea ms eficiente en la ejecucin. Con el fin de seleccionar la mejor estrategia para la recuperacin de datos el optimizador estima un costo que estar relacionado a cada plan de ejecucin. Este costo est determinado por frmulas predefinidas en base a informacin que se posee de la tabla y que se ha rescatado previamente del catlogo de la base de datos, en realidad el optimizador no siempre escoge el plan ms ptimo, ya que encontrar la estrategia ptima puede consumir mucho tiempo, por lo tanto se dice que el optimizador slo escoge una estrategia razonablemente eficiente. La manera con la que el optimizador utiliza esa informacin, las distintas tcnicas y algoritmos que aplica y las transformaciones algebraicas que se realizan son las que diferencian a los optimizadores de bases de datos. Un optimizador basado en el costo genera una serie de planes de evaluacin para una consulta y luego elige el que tiene un menor costo asociado, las medidas de costo comnmente tienen que ver con la E/S y el tiempo de CPU utilizado en ejecutar la consulta, sin embargo, es cuestin de cada SGBD el elegir las medidas de costo que mejor representen el criterio de minimizacin en la utilizacin de recursos.
UNIDAD 2 BASES DE DATOS DISTRIBUIDAS

Introduccin y fundamentos de Base de Datos Distribuidas. La cantidad de innovaciones tecnolgicas que ha habido en los ltimos aos ha promovido un cambio en la forma de observar a los sistemas de informacin y, en general, a las aplicaciones computacionales. Existen avances tecnolgicos que se realizan continuamente en circuitos, dispositivos de almacenamiento, programas y metodologas. Sin embargo, los cambios tecnolgicos van de la mano con la demanda de los usuarios y programas para la explotacin exhaustiva de tales dispositivos mejorados. Por tanto, existe un continuo desarrollo de nuevos productos los cuales incorporan ideas nuevas desarrolladas por compaas e instituciones acadmicas. An cuando es posible que un usuario comn no perciba los desarrollos relevantes de nuevos productos, para las aplicaciones existe una demanda permanente por mayor funcionalidad, mayor nmero de servicios, ms flexibilidad y mejor rendimiento. As, al disear un nuevo sistema de informacin o al prolongar la vida de uno ya existente, se debe buscar siempre formas para enlazar las soluciones ofrecidas por la tecnologa disponible a las necesidades de las aplicaciones de los usuarios. Un rea en la cual las soluciones estn integrando tecnologa con nuevas arquitecturas o formas de hacer las cosas es, sin lugar a dudas, el rea de los sistemas distribuidos de informacin. Ellos se refieren al manejo de datos almacenados en facilidades de cmputo localizadas en muchos sitios ligados a travs de una red de comunicaciones. Un caso especfico de estos sistemas distribuidos es lo que se conoce como bases de datos distribuidas, tpico a estudiar en estas notas. Conceptualizacin de Bases de Datos Distribuidas. Los sistemas de bases de datos distribuidas son un caso particular de los sistemas de cmputo distribuido en los cuales un conjunto de elementos de procesamiento autnomos (no necesariamente homogneos) se interconectan por una red de comunicaciones y cooperan entre ellos para realizar sus tareas asignadas. Histricamente, el cmputo distribuido se ha estudiado desde muchos puntos de vista. As, es comn encontrar en la literatura un gran nmero de trminos que se han usado para identificarlo. Entre los trminos ms comunes que se utilizan para referirse al cmputo distribuido podemos encontrar: funciones distribuidas, procesamiento distribuido de datos, multiprocesadores, multicomputadoras,
procesamiento satelital, procesamiento tipo "backend", computadoras dedicadas y de propsito especfico, sistemas de tiempo compartido, sistemas funcionalmente modulares. Existen muchos componentes a distribuir para realizar una tarea. En computacin distribuida los elementos que se pueden distribuir son: Control. Las actividades relacionadas con el manejo o administracin del sistema. Datos. La informacin que maneja el sistema. Funciones. Las actividades que cada elemento del sistema realiza. Procesamiento lgico. Las tareas especficas involucradas en una actividad de procesamiento de informacin.
Figura 18. Motivacin de los sistemas de bases de datos distribuidos. Una base de datos distribuida (BDD) es un conjunto de mltiples bases de datos lgicamente relacionadas las cuales se encuentran distribuidas entre diferentes sitios interconectados por una red de comunicaciones (ver Figura18). Un sistema de bases de datos distribuida (SBDD) es un sistema en el cual mltiples sitios de bases de datos estn ligados por un sistema de comunicaciones, de tal forma que, un usuario en cualquier sitio puede accesar los datos en cualquier parte de la red exactamente como si los datos estuvieran almacenados en su sitio propio. Un sistema de manejo de bases de datos distribuidas (SMBDD) es aquel que se encarga del manejo de la BDD y proporciona un mecanismo de acceso que hace que la distribucin sea transparente a los usuarios. El trmino transparente significa que la aplicacin trabajara, desde un punto de vista lgico, como si un solo SMBD ejecutado en una sola mquina, administrara esos datos.
Un sistema de base de datos distribuida (SBDD) es entonces el resultado de la integracin de una base de datos distribuida con un sistema para su manejo. Dada la definicin anterior, es claro que algunos sistemas no se pueden considerar como SBDD. Por ejemplo, un sistema de tiempo compartido no incluye necesariamente un sistema de manejo de bases de datos y, en caso de que lo haga, ste es controlado y administrado por una sola computadora. Un sistema de multiprocesamiento puede administrar una base de datos pero lo hace usualmente a travs de un solo sistema de manejo de base de datos; los procesadores se utilizan para distribuir la carga de trabajo del sistema completo o incluso del propio SMBD pero actuando sobre una sola base de datos. Finalmente, una base de datos la cual reside en un solo sitio de una red de computadoras y que es accesada por todos los nodos de la red no es una base de datos distribuida (Figura 19). Este caso se trata de una base de datos cuyo control y administracin esta centralizada en un solo nodo pero se permite el acceso a ella a travs de la red de computadoras.
/ // 2
Figura 19. Un sistema centralizado sobre una red. El medio ambiente tpico de un SMBDD consiste de un conjunto de sitios o nodos los cuales tienen un sistema de procesamiento de datos completo que incluye una base de datos local, un sistema de manejo de bases de datos y facilidades de comunicaciones. Si los diferentes sitios pueden estar geogrficamente dispersos, entonces, ellos estn interconectados por una red de tipo WAN. Por otro lado, si los sitios estn localizados en diferentes edificios o departamentos de una misma
organizacin pero geogrficamente en la misma ubicacin, entonces, estn conectados por una red local (LAN) (Figura 20).
/ // 2
Figura 20. Un medio ambiente distribuido para bases de datos. Tipos de bases de datos distribuidas. En trminos generales, podemos decir que existen dos tipos de sistemas de bases de datos distribuidas, homogneas y sistemas de bases de datos distribuidas heterogneas. La homogeneidad o heterogeneidad, puede darse a diferentes niveles, Hardware, Software o sistema operativo. Para este curso, se asume que cuando se indica la homogeneidad del sistema, se hace referencia a que en todos los sitios del sistema, existe el mismo sistema de administracin de base de datos y generalmente incluye el mismo modelo de datos. Un sistema de bases de datos distribuido, incluye diferentes sistemas manejadores de bases de datos, probablemente con modelos de datos diferentes que hay que compatibilizar y con retos a nivel de comunicacin entre los sistemas de bases de datos que conforman el sistema, para dar la visin al usuario de integracin y de un nico sistema de bases de datos.
CAPTULO 1. Diseo de bases de datos distribuidas En el presente captulo se mostrar los aspectos importantes referentes al diseo de una base de datos distribuida. Se revisar el problema de fragmentacin de los datos as como la transparencia que un sistema de datos distribuidos debe guardar respecto a la vista del usuario. Se presentarn los algoritmos para fragmentacin horizontal, fragmentacin horizontal derivada y fragmentacin vertical. En la parte final de este captulo se discute el problema de asignamiento de fragmentos. 1.1 El problema de diseo El problema de diseo de bases de datos distribuidos se refiere, en general, a tomar decisiones acerca de la ubicacin de datos y programas a travs de los diferentes sitios de una red de computadoras. Este problema debera estar relacionado al diseo de la misma red de computadoras. Sin embargo, en estas notas nicamente el diseo de la base de datos se toma en cuenta. La decisin de donde colocar a las aplicaciones tiene que ver tanto con el software del SMBDD (sistema manejador de base de datos distribuidas) como con las aplicaciones que se van a ejecutar sobre la base de datos. El diseo de las bases de datos centralizadas contempla los puntos siguientes: 1. Diseo del "esquema conceptual" el cual describe la base de datos integrada (esto es, todos los datos que son utilizados por las aplicaciones que tienen acceso a las bases de datos). 2. Diseo "fsico de la base de datos", esto es, mapear el esquema conceptual a las reas de almacenamiento y determinar los mtodos de acceso a las bases de datos. En el caso de las bases de datos distribuidas se tienen que considerar los problemas siguientes:
1. Diseo del esquema conceptual, donde se busca describir el modelo de datos de todo el sistema
1. Diseo de la fragmentacin, este proceso se determina mediante la divisin de las

tablas en fragmentos horizontales, verticales o mixtos, dependiendo de las necesidades de informacin detectadas en la etapa de anlisis del sistema.
3. Diseo de la asignacin de los fragmentos, esto determina la forma en que los

fragmentos se mapean en los sitios o nodos del sistema. 4. Diseo de replicacin. Proceso que indica en que lugar (nodos), se ubican copias de tablas o fragmentos y la frecuencia de actualizacin de la informacin.
1.2 Objetivos del Diseo de la Distribucin de los Datos. En el diseo de la distribucin de los datos, se deben de tomar en cuenta los siguientes objetivos: Procesamiento local. La distribucin de los datos, para maximizar el procesamiento local corresponde al principio simple de colocar los datos tan cerca como sea posible de las aplicaciones que los utilizan. Se puede realizar el diseo de la distribucin de los datos para maximizar el procesamiento local agregando el nmero de referencias locales y remotas que le corresponden a cada fragmentacin candidata y la localizacin del fragmento, que de esta forma se seleccione la mejor solucin de ellas. Distribucin de la carga de trabajo. La distribucin de la carga de trabajo sobre los sitios, es una caracterstica importante de los sistemas de cmputo distribuidos. Esta distribucin de la carga se realiza para tomar ventaja de las diferentes caractersticas (potenciales) o utilizaciones de las computadoras de cada sitio, y maximizar el grado de ejecucin de paralelismo de las aplicaciones. Sin embargo, la distribucin de la carga de trabajo podra afectar negativamente el procesamiento local deseado. Costo de almacenamiento y disponibilidad. La distribucin de la base de datos refleja el costo y disponibilidad del almacenamiento en diferentes sitios. Para esto, es posible tener sitios especializados en la red para el almacenamiento de datos. Sin embargo el costo de almacenamiento de datos no es tan relevante si ste se compara con el del CPU, I/O y costos de transmisin de las aplicaciones 1.3 Enfoques al problema de diseo de bases de datos distribuidas Existen dos estrategias generales para abordar el problema de diseo de bases de datos distribuidas: El enfoque de arriba hacia abajo (top-down). Este enfoque es ms apropiado para aplicaciones nuevas y para sistemas homogneos. Consiste en partir desde el anlisis de requerimientos para definir el diseo conceptual y las vistas de usuario. A partir de ellas se define un esquema conceptual global y los esquemas externos necesarios. Se prosigue con el diseo de la fragmentacin de la base de datos, y de aqu se contina con la localizacin de los fragmentos en los sitios, creando las imgenes fsicas. Esta aproximacin se completa ejecutando, en cada sitio, "el diseo fsico" de los datos, que se localizan en ste. En la Figura 21 se presenta un diagrama con la estructura general del enfoque top-down. El diseo de abajo hacia arriba (bottom-up). Se utiliza particularmente a partir de bases de datos existentes, generando con esto bases de datos distribuidas. En
forma resumida, el diseo bottom-up de una base de datos distribuida requiere de la seleccin de un modelo de bases de datos comn para describir el esquema global de la base de datos. Esto se debe, a que es posible que se utilicen diferentes SMBD. Despus se hace la traduccin de cada esquema local en el modelo de datos comn y finalmente se hace la integracin del esquema local en un esquema global comn.
Figura 21. El enfoque top-down para el diseo de bases de datos distribuidas. El diseo de una base de datos distribuida, cualquiera sea el enfoque que se siga, debe responder satisfactoriamente las siguientes preguntas: Por qu hacer una fragmentacin de datos? Cmo realizar la fragmentacin? Qu tanto se debe fragmentar? Cmo probar la validez de una fragmentacin? Cmo realizar el asignamiento de fragmentos?
Cmo considerar los requerimientos de la informacin?
Figura 22. El problema de fragmentacin de relaciones 1.4 Fragmentacin El problema de fragmentacin se refiere al particionamiento de la informacin para distribuir cada parte a los diferentes sitios de la red, como se observa en la Figura 22. Inmediatamente aparece la siguiente pregunta: cul es la unidad razonable de distribucin? Se puede considerar que una relacin completa es lo adecuado ya que las vistas de usuario son subconjuntos de las relaciones. Sin embargo, el uso completo de relaciones no favorece las cuestiones de eficiencia sobre todo aquellas relacionadas con el procesamiento de consultas. La otra posibilidad es usar fragmentos de relaciones (sub-relaciones) lo cual favorece la ejecucin concurrente de varias transacciones que accesan porciones diferentes de una relacin. Sin embargo, el uso de sub-relaciones tambin presenta inconvenientes. Por ejemplo, las vistas de usuario que no se pueden definir sobre un solo fragmento necesitarn un procesamiento adicional a fin de localizar todos los fragmentos de una vista. Aunado a esto, el control semntico de datos es mucho ms complejo ya que, por ejemplo, el manejo de llaves nicas requiere considerar todos los fragmentos en los que se distribuyen todos los registros de la relacin. En resumen, el objetivo de la fragmentacin es encontrar un nivel de particionamiento adecuado en el rango que va desde tuplas o atributos hasta relaciones completas (ver Figura 23 ). Ejemplo 1. Considere una relacin J del ejemplo visto en la introduccin del presente captulo. J: JNO JNOMBRE PRESUPUESTO LUGAR
J1 J2 J3 J4 J5
Instrumentacin Desarrollo de bases de datos CAD/CAM Mantenimiento CAD/CAM
150000 135000 250000 310000 500000
Guajira Cartagena Medelln Cartagena Bogot
La relacin J se puede fragmentar horizontalmente produciendo los siguientes fragmentos. J1: Proyectos con presupuesto menor que $200,000 JNO J1 J2 JNOMBRE PRESUPUESTO 150000 135000 LUGAR Guajira Cartagena
Instrumentacin Desarrollo de bases de datos
J2: Proyectos con presupuesto mayor que o igual a $200,000 JNO J3 J4 J5 JNOMBRE CAD/CAM Mantenimiento CAD/CAM PRESUPUESTO 250000 310000 500000 LUGAR Medelln Cartagena Bogot
Ejemplo 2. La relacin J del ejemplo anterior se puede fragmentar verticalmente produciendo los siguientes fragmentos: J1: informacin acerca de presupuestos de proyectos JNO J1 J2 J3 J4 J5 PRESUPUESTO 150000 135000 250000 310000 1500000
J2: informacin acerca de los nombres y ubicaciones de proyectos JNO J1 JNOMBRE Instrumentacin LUGAR Guajira
J2 J3 J4 J5
Desarrollo de bases de datos CAD/CAM Mantenimiento CAD/CAM
Cartagena Medelln Cartagena Bogot
Figura 23. El grado de fragmentacin Correctitud de una fragmentacin: Al realizar la fragmentacin de una relacin se deben satisfacer las siguientes condiciones para garantizar la correctitud de la misma: Condicin de completitud. La descomposicin de una relacin R en los fragmentos R1, R2, ..., Rn es completa si y solamente si cada elemento de datos en R se encuentra en algn de los Ri. Condicin de Reconstruccin. Si la relacin R se descompone en los fragmentos R1, R2, ..., Rn, entonces debe existir algn operador relacional , tal que, GH '
Condicin de Fragmentos Disjuntos. Si la relacin R se descompone en los fragmentos R1, R2, ..., Rn, y el dato di est en Rj, entonces, no debe estar en ningn otro fragmento Rk (k j). Alternativas sobre replicacin para el asignamiento de fragmentos La replicacin de informacin es de utilidad para obtener un mejor rendimiento y para ofrecer un mayor grado de confiabilidad (tolerancia a fallas). La replicacin se complica cuando es necesario hacer actualizaciones a las copias mltiples de un dato. Por tanto, respecto a la replicacin, en el asignamiento de fragmentos se tienen tres estrategias: No soportar replicacin. Cada fragmento reside en un solo sitio. Soportar replicacin completa. Cada fragmento en cada uno de los sitios.
Soportar replicacin parcial. Cada fragmento en algunos de los sitios. Como regla general se debe considerar que la replicacin de fragmentos es de utilidad cuando el nmero de consultas de solo lectura es (mucho) mayor que el nmero de consultas para actualizaciones. En la Tabla 1 se comparan la complejidad de implementar o tomar ventaja de las diferentes alternativas de replicacin, respecto de los diferentes aspectos importantes en bases de datos distribuidas.
$%*, $' "$ '% 1 *% *'$8 "$ $ ' 1 "$ ' $' * '(* 1 "*" $*1 "*"
$ &1 ! * ' > 1 9
,&1 * $
$ &1 ! * * ' "$ *" "$ *" ( 1 A 1 $*1 * %
*1
'*, $' "$ *"
% > 1 ' $:% $' $ 9 "$ *" C*1 &1 * ! & % 1 ' $
"$ *" > 1 9 *8 &1 * ! & % 1 ' $
Tabla 2. Comparacin de las estrategias de replicacin de fragmentos. Requerimientos de informacin: Con el fin de realizar una fragmentacin adecuada es necesario proporcionar informacin que ayude a realizarla. Esta informacin normalmente debe ser proporcionada por el usuario y tiene que ver con cuatro tipos: Informacin sobre el significado de los datos Informacin sobre las aplicaciones que los usan Informacin acerca de la red de comunicaciones Informacin acerca de los sistemas de cmputo 1.4.1 Tipos de fragmentacin de datos Existen tres tipos de fragmentacin: Fragmentacin horizontal Fragmentacin vertical Fragmentacin hbrida
En las siguientes secciones revisaremos de manera informal cada uno de los tipos mencionados. Ms adelante, se presentar de manera ms formal la construccin de los diferentes tipos de fragmentacin. 1.4.2 Fragmentacin horizontal primaria Consiste del particionamiento en tuplas de una relacin global en subconjuntos, donde cada subconjunto puede contener datos que tienen propiedades comunes y se puede definir expresando cada fragmento como una operacin de seleccin sobre la relacin global. Ejemplo 3. Considere la relacin global SUPPLIER (SNUM, NAME, CITY) entonces, la fragmentacin horizontal puede ser definida como: SUPPLIER1 = SLcity == "SF"SUPPLIER SUPPLIER1 = SLcity == "LA"SUPPLIER Esta fragmentacin satisface la condicin de completes si "SF" y "LA" son solamente los nicos valores posibles del atributo CITY. 2. La condicin de reconstruccin se logra con: SUPPLIER = SUPPLIER1 unin SUPPLIER2 3. La condicin de disjuntos se cumple claramente en este ejemplo. 1.4.3 Fragmentacin horizontal derivada La fragmentacin derivada horizontal se define partiendo de una fragmentacin horizontal. En esta operacin se requiere de Semi-junta (Semi-Join) el cual nos sirve para derivar las tuplas o registros de dos relaciones. Ejemplo 4. Las siguientes relaciones definen una fragmentacin horizontal derivada de la relacin SUPPLY. SUPPLY1 = SUPPLYSJsnum == snumSUPPLIER1 SUPPLY2 = SUPPLYSJsnum == snumSUPPLIER2
1.4.4 Fragmentacin vertical La fragmentacin vertical es la subdivisin de atributos en grupos. Los fragmentos se obtienen proyectando la relacin global sobre cada grupo. La fragmentacin es correcta si cada atributo se mapea en al menos un atributo del fragmento. Ejemplo 5. Considere la siguiente relacin global: EMP( empnum, name, sal, tax, mgrnum, depnum ) una fragmentacin vertical de esta relacin puede ser definida como: EMP1 = PJempnum, name, mgrnum, depnum EMP EMP2 = PJempnum, sal, tax EMP La reconstruccin de la relacin EMP puede ser obtenida como: EMP = EMP1 (JN empnum) EMP2 porque empnum es una clave de EMP 1.4.5 Fragmentacin hbrida En lo que respecta a la fragmentacin hbrida, esta consiste en aplicar la fragmentacin vertical seguida de la fragmentacin horizontal o viceversa. Ejemplo 6. Considere la relacin global EMP (empnum, name, sal, tax, mrgnum, depnum) Las siguientes son para obtener una fragmentacin mixta, aplicando la vertical seguida de la horizontal: EMP1 = SL depnum <= 10 PJempnum, name, mgrnum, depnum EMP EMP2 = SL 10 < depnum <= 20 PJempnum, name, mgrnum, depnum EMP EMP3 = SL depnum > 20 PJempnum, name, mgrnum, depnum EMP EMP4 = PJ empnum, name, sal, tax EMP La reconstruccin de la relacin EMP es definida por la siguiente expresin: EMP = UN(EMP1, EMP2, EMP3)JNempnum = empnumPJempnum, sal, tax EMP4
Finalmente, como otro ejemplo considere el siguiente esquema global EMP(EMPNUM, NAME, SAL, TAX, MGRNUM, DEPNUM) DEP(DEPNUM, NAME, AREA, MGRNUM) SUPPLIER(SNUM, NAME, CITY) SUPPLY(SNUM, PNUM, DEPNUM, QUAN) Despus de aplicar una fragmentacin mixta se obtiene el siguiente esquema fragmentado EMP1 = Sldepnum <= 10 PJempnum, name, mgrnum, depnum (EMP) EMP2 = SL 10 < depnum <= 20 PJempnum, name, mgrnum, depnum (EMP) EMP3 = SL depnum > 20 PJempnum, name, mgrnum, depnum (EMP) EMP4 = PJ empnum, name, sal, tax (EMP) DEP1 = SL depnum <= 10 (DEP) DEP2 = SL 10 < depnum <= 20 (DEP) DEP3 = SL depnum > 20 (DEP) SUPPLIER1 = SL city == "SF" (SUPPLIER) SUPPLIER2 = SL city == "LA" (SUPPLIER) SUPPLY1 = SUPPLYSJsnum == snumSUPPLIER1 SUPPLY2 = SUPPLYSJsnum == snumSUPPLIER2 1.5 Diseo de la Replica La replicacin de informacin es de utilidad para obtener un mejor rendimiento y para ofrecer un mayor grado de confiabilidad (tolerancia a fallas). Se entiende por Replicacin, la administracin de copias de fragmentos o tablas y de asegurar su actualizacin en los periodos de tiempo definidos por el administrador del sistema. La replicacin se complica cuando es necesario hacer actualizaciones a las copias mltiples de un dato. Por tanto, respecto a la replicacin, en la asignacin de fragmentos se tienen tres estrategias:
1 No soportar replicacin. Cada fragmento reside en un solo sitio. 2 Soportar replicacin completa. Cada fragmento en cada uno de los sitios. 3 Soportar replicacin parcial. Cada fragmento en algunos de los sitios. Como regla general se debe considerar que la replicacin de fragmentos es de utilidad cuando el nmero de consultas de solo lectura es (mucho) mayor que el nmero de consultas para actualizaciones. En la Tabla 1 se comparan la complejidad de implementar o tomar ventaja de las diferentes alternativas de replicacin, respecto de los diferentes aspectos importantes en bases de datos distribuidas. Adems de indicar en que sitios se desea guardar copia de la entidad o tabla, es necesario definir la frecuencia o periodo de actualizacin de la copia. En este sentido, podemos encontrar los siguientes tipos de rplica: 1 En tiempo real, es decir en el momento que un sitio actualiza un registro (insercin, modificacin y borrado de registros), se enva una copia de la informacin a los sitios donde reside la copia. 2 Copia fuera de lnea, esta opcin permite que una vez registrada la transaccin en el sitio donde ella se genera, pueda pasar un tiempo para actualizar las copias de la informacin almacenadas en otros lugares. Con estos dos tipos de replicacin, es posible definir varios modelos de sistemas de replica: 1. Maestro - maestro, hace que una vez generada y registrada una transaccin en un sitio del sistema, inmediatamente se actualicen las copias de la informacin que se guardan en los otros sitios. Este modelo, aumenta la opcin de acceso a datos desde cualquier punto, aumentando la disponibilidad del sistema. El mayor problema de este modelo es que debe garantizarse canales de comunicacin entre los nodos en todo momento, de tal manera que se asegure la copia de los fragmentos cuando la transaccin se realice, de lo contrario el sistema cae en un estado de invalidez de informacin. 2. Maestro-copia. Este modelo permite que la actualizacin de los sitios pueda generarse en un periodo de tiempo T despus de generarse una t transaccin en un sitio del sistema. Este modelo asume que los datos de las copias pueden estar diferentes al registro original durante un periodo de tiempo, sin afectar los procesos del sistema. El modelo reduce costos de canal de comunicacin, ya que este es requerido durante algunos periodos de tiempo, durante el cual se realizan las actualizaciones a las replicas del sistema.
3. Maestro - bodega. Este modelo exige la determinacin de un sitio, donde se guardarn las replicas de los datos. Una vez se realice una transaccin en un sitio, inmediata o durante un periodo de tiempo, debe generarse la copia de la replica en la bodega de datos. Esto hace que las consultas a informacin que no se encuentre en el sitio, solo puede hacerse a la bodega de datos. Este modelo reduce los costos de canales de datos, pero debe asegurarse que el sitio de la bodega siempre se encuentre accesible.
Capitulo 2. Consultas Distribuidas El procesamiento de consultas es de suma importancia en bases de datos centralizadas. Sin embargo, en BDD ste adquiere una relevancia mayor. El objetivo es convertir transacciones de usuario en instrucciones para manipulacin de datos. No obstante, el orden en que se realizan las transacciones afecta grandemente la velocidad de respuesta del sistema. As, el procesamiento de consultas presenta un problema de optimizacin en el cual se determina el orden en el cual se hace la menor cantidad de operaciones. En BDD se tiene que considerar el procesamiento local de una consulta junto con el costo de transmisin de informacin al lugar en donde se solicit la consulta. 2.1. Objetivo del procesamiento de las consultas En un sistema de base de datos es posible cambiar la estructura inicial, pero es algo que puede resultar muy costoso desde el punto de vista de tiempo y dinero. Por tanto, cuando se presenta una consulta al sistema, es necesario hallar el mejor mtodo de encontrar la respuesta utilizando la estructura existente de la base de datos. Existe un gran nmero de estrategias posibles para procesar una consulta, especialmente si la estructura es compleja. No obstante, normalmente vale la pena que el sistema dedique una cantidad importante de tiempo en la seleccin de una buena estrategia. El coste de procesar una consulta normalmente est dominado por el acceso al disco. Pero, en un sistema distribuido es preciso tener en cuenta otros factores, como son: El coste de transmisin de datos en la red. El beneficio potencial que supondra en la ejecucin el que varias localidades procesaran en paralelo partes de la consulta. La diferencia entre una buena estrategia y una mala, en trminos del nmero de accesos a disco requeridos y el coste de transmisin de datos en la red, a menudo es importante, y puede tener varios rdenes de magnitud. As pues, el tiempo empleado en elegir una estrategia de procesamiento de consultas merece la pena incluso para una consulta que se ejecuta slo una vez. 2.2. Niveles de procesador de consultas Existen varios medios para calcular la respuesta a una consulta; siempre debe elegirse una estrategia de procesamiento de consultas que reduzca al mnimo el tiempo que se requiere para calcular la respuesta. En el caso de sistemas centralizados, el criterio principal para determinar el coste de una estrategia especfica es el nmero de accesos al disco. En un sistema distribuido es preciso tener en cuenta otros factores, como son: El coste de transmisin de datos en la red.
El beneficio potencial que supondra en la ejecucin el que varias localidades procesaran en paralelo partes de la consulta. El coste relativo de la transferencia de datos en la red y la transferencia de datos entre la memoria y el disco vara en forma considerable, dependiendo del tipo de red y de la velocidad de los discos. Por tanto, en un caso general, no podemos tener en cuenta slo los costes del disco o los de la red. Es necesario llegar a un equilibrio adecuado entre los dos. 2.3. Localizacin de datos Consideremos una consulta muy sencilla: Encontrar todas las tuplas de la relacin depsito. Aunque la consulta es muy simple, de hecho es trivial; su procesamiento no es trivial, ya que es posible que la relacin depsito est fragmentada, repetida o las dos cosas. Si la relacin depsito est repetida, es preciso decidir que copia se va a utilizar. Si ninguna de las copias est fragmentada, se elige la copia que implique costes de transmisin ms reducidos. Pero si una copia est fragmentada, la eleccin no es tan sencilla, ya que es preciso calcular varios productos o uniones para reconstruir la relacin depsito. En tal caso, el nmero de estrategias para este ejemplo sencillo puede ser grande. De hecho, la eleccin de una estrategia puede ser una tarea tan compleja como hacer una consulta arbitraria. La transparencia de la fragmentacin implica que el usuario puede escribir una consulta como sta: Nombre-sucursal = Riverside (depsito) Puesto que depsito est definido como depsito1 depsito2 La expresin que resulta del esquema de traduccin de nombres es Nombre-sucursal = Riverside (depsito1 depsito2) Al emplear las tcnicas de optimizacin podemos simplificar de manera automtica esta expresin. La expresin que resulta es Nombre-sucursal = Riverside (depsito1) Nombre-sucursal = Riverside (depsito2)
La cual incluye dos subexpresiones. La primera incluye slo depsito1 y, por tanto, puede ser calculada en la localidad de Riverside. La segunda incluye solamente depsito2 y, por tanto, puede ser calculada en la localidad de Columbia. Existe an una optimizacin que se puede hacer as: Nombre-sucursal = Riverside (depsito1) Puesto que depsito1 tiene solamente tuplas de pertenecientes a la sucursal Riverside, podemos eliminar la operacin de seleccin. Calculando Nombre-sucursal = Riverside (depsito2) Podemos aplicar la definicin del fragmento depsito2 para obtener Nombre-sucursal = Riverside ( Nombre-sucursal = Columbia (depsito)) Esta expresin es el conjunto vaco, independientemente del contenido de la relacin depsito. As, nuestra estrategia final para la localidad Riverside consistir en devolver depsito1 como resultado de la consulta. 2.4 Procesamiento de interseccin simple Un aspecto importante de la eleccin de una estrategia de procesamiento de consulta es elegir una estrategia de interseccin. Considere la expresin algebraica relacional:
Cliente |x| depsito |x| sucursal Suponemos que ninguna de las tres relaciones est repetida o fragmentada y que cliente est almacenada en la localidad Lc, depsito en la Ld y sucursal en la Lb. Sea Li la localidad donde se origin la consulta. El sistema debe producir el resultado en la localidad Li. Entre las posibles estrategias para procesar posibles estrategias para procesar esta consulta se encuentran en las siguientes: Enviar copia de las tres relaciones a la localidad Li. Escoger una estrategia para procesar en forma local la consulta completa en Li. Enviar una copia de la relacin cliente a la localidad Ld y calcular cliente |x| depsito de Ld. Enviar cliente |x| depsito de Ld a Lb, donde se calcula (cliente |x| deposito) |x| sucursal. El resultado de esta operacin es enviado a Li. Pueden elaborarse estrategias similares a la anterior al intercambiar los papeles de Lc, Ld y Lb. No puede garantizarse que una estrategia sea la mejor en todos los casos. Entre los factores que deben tener en cuenta estn la cantidad de datos que debe transmitirse, el costo de transmitir un bloque de datos entre dos localidades determinadas y la velocidad de procesamiento relativa en cada localidad. Considerar las dos primeras estrategias mencionadas. Si se envan las tres relaciones a Li y existen ndices para ellas, puede ser necesario volver a crear esos ndices en Li. Esto requiere tiempo extra de procesamiento y ms accesos al disco. Sin embargo, la segunda estrategia tiene la desventaja de que una relacin potencialmente grande (cliente |x| deposito) debe transmitirse desde Ld a Lb. Esta relacin repite los datos del domicilio de un cliente una vez por cada cuenta que tenga el cliente. As, la segunda estrategia puede requerir la transmisin de un volumen mayor que la primera estrategia.
Tambin pueden utilizarse dos estrategias adicionales, la de interseccin utilizando el paralelismo y la estrategia de semi-interseccin.
2.5. Descomposicin de una consulta y localizacin de datos distribuidos Antes de que pueda iniciarse el procesamiento de una consulta, el sistema debe traducir la consulta a una forma que pueda manejar. Los lenguajes como el SQL son adecuados a las personas, pero no para ser la representacin interna de una consulta dentro del sistema. Una representacin interna ms til es la que se basa en el lgebra relacional. La primera accin que el sistema debe tomar en una consulta es traducirla a su forma interna. Este proceso de traduccin es similar al trabajo realizado por el analizador sintctico (parser) de un compilador. Al generar la forma interna de la consulta, el parser revisa la sintaxis de la consulta del usuario, verifica que los nombres de relaciones que aparecen en la consulta sean nombres de relaciones de base de datos, y as sucesivamente. Si la consulta se expres en trminos de una vista, el parser sustituye todas las eferencias al nombre de la vista por la expresin del lgebra relacional para calcular esa vista. Una vez que se ha traducido la consulta a una forma interna del lgebra, empieza el proceso de optimizacin. La primera fase de la optimizacin se lleva a cabo en el nivel del lgebra relacional. Se hace un intento para encontrar una expresin que sea equivalente a la expresin dada, pero que pueda ejecutarse de manera eficiente. La siguiente fase implica la seleccin de una estrategia detallada para procesar la consulta. Debe tomarse una decisin acerca de la manera exacta en que se va a ejecutar la consulta. Se deben elegir los ndices especficos que se van a usar. Se debe determinar el orden en que se van a procesar las tuplas. La eleccin final de una estrategia se basa principalmente en el nmero de accesos a disco que se requieran. 2.6. Plan de optimizacin de consultas distribuidas Dada una consulta, generalmente existe una variedad de mtodos para calcular la respuesta. Cada forma de expresar la consulta sugiere una estrategia para encontrar la respuesta. Sin embargo, no esperamos que los usuarios escriban sus consultas de una forma que sugiera la estrategia ms eficiente. As pues, el sistema debe encargarse de transformar la consulta como la introdujo el usuario en una consulta equivalente que pueda calcularse de manera ms eficiente. Esta optimizacin, o ms exactamente, mejora de la estrategia para procesar una consulta se llama optimizacin de consultas. Existe una analoga entre la optimizacin de consultas por un sistema de base de datos. La optimizacin de consultas es una cuestin importante en cualquier sistema de base de datos puesto que la diferencia en tiempo de ejecucin entre una buena estrategia y una mala puede ser enorme. En el modelo de red y en el modelo jerrquico la optimizacin de consultas se deja en su mayor parte al programador
de aplicaciones. Esto se debe a que las sentencias de los lenguajes de manipulacin de datos de estos dos modelos normalmente se incorporan en un lenguaje de programacin principal, y no es fcil transformar una consulta de red o jerrquica en una equivalente sin conocimiento del programa de aplicacin completo. Ya que una consulta relacional puede expresarse completamente en un lenguaje de consulta relacional sin emplear un lenguaje principal, es posible realizar automticamente una cantidad importante de optimizacin de consultas. Algunos sistemas reducen el nmero de estrategias que necesitan ser completamente consideradas haciendo una suposicin heurstica de una estrategia buena. Segn esto, el optimizador considera cada una de las posibles estrategias, pero acaba tan pronto como determine que el coste es mayor que la mejor de las estrategias consideradas anteriormente. Si el optimizador empieza con una estrategia que es probable que tenga un coste bajo, slo unas pocas estrategias competentes requerirn un anlisis completo del coste. Esto puede reducir el tiempo de optimizacin de consultas. Para simplificar la tarea de seleccin de estrategias se debe dividir una consulta en varias subconsultas. Esto no slo simplifica la seleccin de estrategias sino que tambin permite al optimizador de consultas reconocer los casos en los que una subconsulta determinada aparezca varias veces en la misma consulta. Si esas subconsultas se calculan una sola vez, se ahorra tiempo tanto en la fase de optimizacin de la consulta como en la ejecucin de la consulta. El reconocimiento de subconsultas comunes es anlogo al reconocimiento de subexpresiones comunes en muchos compiladores optimizadores de lenguajes de programacin. Es obvio que examinar la consulta buscando subconsultas comunes y estimar el coste de un gran nmero de estrategias supone un tiempo extra considerable en el procesamiento de consultas. Sin embargo, el coste adicional de optimizacin de consultas generalmente se compensa con creces por el ahorro en el tiempo de ejecucin de la consulta. El ahorro logrado es an mayor en aquellas aplicaciones que se ejecutan sobre una base regular y vuelven a ejecutar las mismas consultas en cada ejecucin. Por tanto, la mayor parte de los sistemas comerciales incluyen optimizadores relativamente sofisticados.
CAPITULO 3. Transacciones Distribuidas Hasta este momento, las primitivas bsicas de acceso que se han considerado son las consultas (queries). Sin embargo, no se ha discutido qu pasa cuando, por ejemplo, dos consultas tratan de actualizar el mismo elemento de datos, o si ocurre una falla del sistema durante la ejecucin de una consulta. Dada la naturaleza de una consulta, de lectura o actualizacin, a veces no se puede simplemente reactivar la ejecucin de una consulta, puesto que algunos datos pueden haber sido modificados antes la falla. El no tomar en cuenta esos factores puede conducir a que la informacin en la base de datos contenga datos incorrectos. El concepto fundamental aqu es la nocin de "ejecucin consistente" o "procesamiento confiable" asociada con el concepto de una consulta. El concepto de una transaccin es usado dentro del dominio de la base de datos como una unidad bsica de cmputo consistente y confiable. 3.1 Definicin de una transaccin Una transaccin es una coleccin de acciones que hacen transformaciones consistentes de los estados de un sistema preservando la consistencia del sistema. Una base de datos est en un estado consistente si obedece todas las restricciones de integridad definidas sobre ella. Los cambios de estado ocurren debido a actualizaciones, inserciones, y supresiones de informacin. Por supuesto, se quiere asegurar que la base de datos nunca entra en un estado de inconsistencia. Sin embargo, durante la ejecucin de una transaccin, la base de datos puede estar temporalmente en un estado inconsistente. El punto importante aqu es asegurar que la base de datos regresa a un estado consistente al fin de la ejecucin de una transaccin (Ver Figura 3.1) Lo que se persigue con el manejo de transacciones es por un lado tener una transparencia adecuada de las acciones concurrentes a una base de datos y por otro lado tener una transparencia adecuada en el manejo de las fallas que se pueden presentar en una base de datos.
Figura 24. Un modelo de transaccin. Ejemplo 3.1. Considere la siguiente consulta en SQL para incrementar el 10% del presupuesto del proyecto CAD/CAM de la base de datos de ejemplo.
UPDATE J SET BUDGET = BUDGET*1.1 WHERE JNAME = "CAD/CAM" Esta consulta puede ser especificada, usando la notacin de SQL, como una transaccin otorgndole un nombre: Begin_transaction ACTUALIZA_PRESUPUESTO begin UPDATE J SET BUDGET = BUDGET*1.1 WHERE JNAME = "CAD/CAM" end. Ejemplo 3.2. Considere una agencia de reservaciones para lneas areas con las siguientes relaciones: FLIGHT( FNO, DATE, SRC, DEST, STSOLD, CAP ) CUST( CNAME, ADDR, BAL ) FC( FNO, DATE, CNAME, SPECIAL ) Una versin simplificada de una reservacin tpica puede ser implementada mediante la siguiente transaccin: Begin_transaction Reservacin begin input( flight_no, date, customer_name ); EXEC SQL UPDATE FLIGHT SET STSOLD = STSOLD + 1 WHERE FNO = flight_no AND DATE = date EXEC SQL INSERT INTO FC( FNAME, DATE, CNAME, SPECIAL ) VALUES (flight_no, date, customer_name, null ) output("reservacin terminada"); end. 3.2 Condiciones de terminacin de una transaccin Una transaccin siempre termina, aun en la presencia de fallas. Si una transaccin termina de manera exitosa se dice que la transaccin hace un commit (se usar el trmino en ingls cuando no exista un trmino en espaol que refleje con brevedad el sentido del trmino en ingls). Si la transaccin se detiene sin terminar su tarea, se dice que la transaccin aborta. Cuando la transaccin es abortada, su ejecucin es detenida y todas sus acciones ejecutadas hasta el
momento son deshechas (undone) regresando a la base de datos al estado antes de su ejecucin. A esta operacin tambin se le conoce como rollback. Ejemplo 3.3. Considerando de nuevo el Ejemplo 3.2, veamos el caso cuando no existen asientos disponibles para hacer la reservacin. Begin_transaction Reservacin begin input( flight_no, date, customer_name ); INTO temp1, temp2 EXEC SQL SELECT STSOLD, CAP FROM FLIGHT WHERE FNO = flight_no AND DATE = date if temp1 = temp2 then output( "no hay asientos libres" ) Abort else EXEC SQL UPDATE FLIGHT SET STSOLD = STSOLD + 1 WHERE FNO = flight_no AND DATE = date EXEC SQL INSERT INTO FC( FNAME, DATE, CNAME, SPECIAL ) VALUES (flight_no, date, customer_name, null ) Commit output("reservacin terminada"); endif end. 3.3 Caracterizacin de transacciones Observe que en el ejemplo anterior las transacciones leen y escriben datos. Estas acciones se utilizan como base para caracterizar a las transacciones. Los elementos de datos que lee una transaccin se dice que constituyen el conjunto de lectura (RS). Similarmente, los elementos de datos que una transaccin escribe se les denomina el conjunto de escritura (WS). Note que los conjuntos de lectura y escritura no tienen que ser necesariamente disjuntos. La unin de ambos conjuntos se le conoce como el conjunto base de la transaccin (BS = RS U WS). Ejemplo 3.4. Los conjuntos de lectura y escritura de la transaccin del Ejemplo 3.3 son< RS[Reservacin] = { FLIGHT.STSOLD, FLIGHT.CAP } WS[Reservacin] = { FLIGHT.STSOLD, FC.FNO, FC.DATE, FC.NAME, FC.SPECIAL }
3.4 Formalizacin del concepto de transaccin Sea Oij(x) una operacin Oj de la transaccin Ti la cual trabaja sobre alguna entidad x I read, writeJ C es una operacin atmica, esto es, se ejecuta como una unidad indivisible. Se denota por OSi = U j Oij al conjunto de todas las operaciones de la transaccin Ti. Tambin, se denota por Ni la condicin de terminacin para Ti, donde3 I abort, commitJ La transaccin Ti es un orden parcial3 G I 3 J donde K 3 G I J Para cualesquiera dos operaciones3 Oij, Oik OSi, si Oij = R(x) y Oik = W(x) para cualquier elemento de datos x, entonces, Oij <i Oik Oik <i Oij Oij OSi, Oij <i Ni Ejemplo 3.3. Considere una transaccin simple T que consiste de los siguientes pasos< Read( x ) Read( y ) x < x + y Write( x ) Commit La especificacin de su transaccin de acuerdo con la notacin formal que se ha introducido es la siguiente: G { R(x), R(y), W(x), C } <i = { (R(x), W(x)), (R(y), W(x)), (W(x), C), (R(x), C), (R(y), C) } Note que la relacin de ordenamiento especifica el orden relativo de todas las operaciones con respecto a la condicin de terminacin. Esto se debe a la tercera condicin de la definicin de transaccin. Tambin note que no se define el ordenamiento entre cualquier par de operaciones, esto es, debido a que se ha definido un orden parcial. 3.5. Propiedades de las transacciones La discusin en la seccin previa clarifica el concepto de transaccin. Sin embargo, aun no se ha dado ninguna justificacin para afirmar que las transacciones son unidades de procesamiento consistentes y confiables. Las propiedades de una transaccin son las siguientes: Atomicidad. Se refiere al hecho de que una transaccin se trata como una unidad de operacin. Por lo tanto, o todas las acciones de la transaccin se realizan o ninguna de ellas se lleva a cabo. La atomicidad requiere que si una transaccin se interrumpe por una falla, sus resultados parciales deben ser deshechos. La actividad referente a preservar la atomicidad de transacciones en presencia de
abortos debido a errores de entrada, sobrecarga del sistema o nter bloqueos se le llama recuperacin de transacciones. La actividad de asegurar la atomicidad en presencia de cadas del sistema se le llama recuperacin de cadas. Consistencia. La consistencia de una transaccin es simplemente su correctitud. En otras palabras, una transaccin es un programa correcto que lleva la base de datos de un estado consistente a otro con la misma caracterstica. Debido a esto, las transacciones no violan las restricciones de integridad de una base de datos. Aislamiento. Una transaccin en ejecucin no puede revelar sus resultados a otras transacciones concurrentes antes de su commit. Ms an, si varias transacciones se ejecutan concurrentemente, los resultados deben ser los mismos que si ellas se hubieran ejecutado de manera secuencial (seriabilidad). Durabilidad. Es la propiedad de las transacciones que asegura que una vez que una transaccin hace su commit, sus resultados son permanentes y no pueden ser borrados de la base de datos. Por lo tanto, los DBMS aseguran que los resultados de una transaccin sobrevivirn a fallas del sistema. Esta propiedad motiva el aspecto de recuperacin de bases de datos, el cual trata sobre como recuperar la base de datos a un estado consistente en donde todas las acciones que han hecho un commit queden reflejadas. En resumen, las transacciones proporcionan una ejecucin atmica y confiable en presencia de fallas, una ejecucin correcta en presencia de accesos de usuario mltiples y un manejo correcto de rplicas (en el caso de que se soporten). 3.6. Tipos de Transacciones Las transacciones pueden pertenecer a varias clases. Aun cuando los problemas fundamentales son los mismos para las diferentes clases, los algoritmos y tcnicas que se usan para tratarlas pueden ser considerablemente diferentes. Las transacciones pueden ser agrupadas a lo largo de las siguientes dimensiones: reas de aplicacin. En primer lugar, las transacciones se pueden ejecutar en aplicaciones no distribuidas. Las transacciones que operan en datos distribuidos se les conocen como transacciones distribuidas. Por otro lado, dado que los resultados de una transaccin que realiza un commit son durables, la nica forma de deshacer los efectos de una transaccin con commit es mediante otra transaccin. A este tipo de transacciones se les conoce como transacciones compensatorias. Finalmente, en ambientes heterogneos se presentan transacciones heterogneas sobre los datos. Tiempo de duracin. Tomando en cuenta el tiempo que transcurre desde que se inicia una transaccin hasta que se realiza un commit o se aborta, las transacciones pueden ser de tipo batch o en lnea. Estas se pueden diferencias tambin como transacciones de corta y larga vida. Las transacciones en lnea se caracterizan por tiempos de respuesta muy cortos y por accesar una porcin relativamente pequea de la base de datos. Por otro lado, las transacciones de
tipo batch toman tiempos relativamente largos y accesan grandes porciones de la base de datos. Estructura. Considerando la estructura que puede tener una transaccin se examinan dos aspectos: si una transaccin puede contener a su vez subtransacciones o el orden de las acciones de lectura y escritura dentro de una transaccin. 3.7. Estructura de transacciones Las transacciones planas consisten de una secuencia de operaciones primitivas encerradas entre las palabras clave begin y end. Por ejemplo, Begin_transaction Reservacin ... end. En las transacciones anidadas, las operaciones de una transaccin pueden ser as mismo transacciones. Por ejemplo, Begin_transaction Reservacin ... Begin_transaction Vuelo ... end. {Vuelo} ... Begin_transaction Hotel ... end. ... end. Una transaccin anidada dentro de otra transaccin conserva las mismas propiedades que la de sus padres, esto implica, que puede contener as mismo transacciones dentro de ella. Existen restricciones obvias en una transaccin anidada: debe empezar despus que su padre y debe terminar antes que l. Ms an, el commit de una subtransaccin es condicional al commit de su padre, en otras palabras, si el padre de una o varias transacciones aborta, las subtransacciones hijas tambin sern abortadas. Las transacciones anidadas proporcionan un nivel ms alto de concurrencia entre transacciones. Ya que una transaccin consiste de varias transacciones, es posible tener ms concurrencia dentro de una sola transaccin. As tambin, es posible recuperarse de fallas de manera independiente de cada subtransaccin. Esto limita el dao a un parte ms pequea de la transaccin, haciendo que costo de la recuperacin sea menor.
En el segundo punto de vista se considera el orden de las lecturas y escrituras. Si las acciones de lectura y escritura pueden ser mezcladas sin ninguna restriccin, entonces, a este tipo de transacciones se les conoce como generales. En contraste, si se restringe o impone que un dato deber ser ledo antes de que pueda ser escrito entonces se tendr transacciones restringidas. Si las transacciones son restringidas a que todas las acciones de lectura se realicen antes de las acciones de escritura entonces se les conoce como de dos pasos. Finalmente, existe un modelo de accin para transacciones restringidas en donde se aplica an ms la restriccin de que cada par <read,write> tiene que ser ejecutado de manera atmica. Ejemplo 3.6. Los siguientes son algunos ejemplos de los modelos de transaccin mencionados antes. General: T1: { R(x), R(y), W(y), R(z), W(x), W(z), W(w), C} Dos pasos: T2: { R(x), R(y), R(z), W(x), W(y), W(z), W(w), C} Restringida: T3: { R(x), R(y), W(y), R(z), W(x), W(z), R(w), W(w), C} Restringida y de dos pasos: T4: { R(x), R(y), R(z), R(w), W(y), W(x), W(z), W(w), C} Accin: T3: { [R(x), W(x)], [R(y), W(y)], [R(z), W(z)], [R(w), W(w)], C} Note que cada par de acciones encerrado en [ ] se ejecuta de manera atmica 3.8. Aspectos relacionados al procesamiento de transacciones Los siguientes son los aspectos ms importantes relacionados con el procesamiento de transacciones: Modelo de estructura de transacciones. Es importante considerar si las transacciones son planas o pueden estar anidadas. Consistencia de la base de datos interna. Los algoritmos de control de datos semntico tienen que satisfacer siempre las restricciones de integridad cuando una transaccin pretende hacer un commit. Protocolos de confiabilidad. En transacciones distribuidas es necesario introducir medios de comunicacin entre los diferentes nodos de una red para garantizar la atomicidad y durabilidad de las transacciones. As tambin, se requieren protocolos para la recuperacin local y para efectuar los compromisos (commit) globales. Algoritmos de control de concurrencia. Los algoritmos de control de concurrencia deben sincronizar la ejecucin de transacciones concurrentes bajo el criterio de correctitud. La consistencia entre transacciones se garantiza mediante el aislamiento de las mismas.
Protocolos de control de rplicas. El control de rplicas se refiere a cmo garantizar la consistencia mutua de datos replicados. Por ejemplo se puede seguir la estrategia read-one-write-all (ROWA). 3.9. Incorporacin del manejador de transacciones a la arquitectura de un SMBD El monitor de ejecucin distribuida consiste de dos mdulos: El administrador de transacciones (TM) y el despachador (SC). Como se puede apreciar en la Figura 25, el administrador de transacciones es responsable de coordinar la ejecucin en la base de datos de las operaciones que realiza una aplicacin. El despachador, por otra parte, es responsable de implementar un algoritmo especfico de control de concurrencia para sincronizar los accesos a la base de datos. Un tercer componente que participa en el manejo de transacciones distribuidas es el administrador de recuperacin local cuya funcin es implementar procedimientos locales que le permitan a una base de datos local recuperarse a un estado consistente despus de una falla.
Figura 25. Un modelo del administrador de transacciones. Los administradores de transacciones implementan una interfaz para los programas de aplicacin que consiste de los comandos: Begin_transaction. Read. Write. Commit. Abort. En la Figura 26 se presenta la arquitectura requerida para la ejecucin centralizada de transacciones. Las modificaciones requeridas en la arquitectura
para una ejecucin distribuida se pueden apreciar en las Figura 26b. En esta ltima figura se presentan tambin los protocolos de comunicacin necesarios para el manejo de transacciones distribuidas
Figura 26. Ejecucin centralizada de transacciones.
Figura 26b. Ejecucin distribuida de transacciones 3.10 Recuperacin En Sistemas Distribuidos Una transaccin debe ejecutarse en forma atmica. Es decir, se ejecutan completamente todas las instrucciones de la transaccin, o no se ejecuta ninguna.
Adems, en el caso de ejecucin concurrente, el efecto de ejecutar una transaccin debe ser el mismo que si se ejecutara sola en el sistema.
3.10.1 Estructura del sistema. Cuando se tiene un sistema de base de datos distribuido, es mucho ms difcil garantizar la propiedad de atomicidad de una transaccin. Esto se debe a que es posible que participen varias localidades en la ejecucin de una transaccin. El fallo de una de estas localidades o el fallo de la lnea de comunicacin entre ellas, puede dar como resultado un clculo errneo. La funcin del gestor de transacciones de un sistema de base de datos distribuidos es asegurar que la ejecucin de las distintas transacciones. Los distintos gestores de transacciones cooperan para ejecutar las transacciones globales. Para comprender cmo puede estructurarse un gestor de este tipo, definiremos un modelo abstracto para un sistema de transacciones. Gestor de transacciones, cuya funcin es gestionar la ejecucin de aquellas transacciones (o subtransacciones) que accedan a datos almacenados en esa localidad. Observamos que da transaccin puede ser bien una transaccin local (es decir, que se ejecuta slo en esa localidad), o parte de una transaccin global (es decir, que se ejecuta en varias localidades). Coordinador de transacciones, cuya funcin es la de coordinar la ejecucin de varias transacciones (tanto local como global) iniciadas en esa localidad. La estructura de un gestor de transacciones es similar en muchos aspectos a la que se utiliza en el caso de un sistema centralizado. Cada gestor de transacciones se encarga de: Mantener una bitcora para la recuperacin. Participar en un esquema de control de concurrencia apropiado para coordinar la ejecucin en paralelo de las transacciones que se ejecuten en esa localidad. Como su nombre lo indica, un coordinador de transacciones se encarga de coordinar todas las transacciones que se inicien en esa localidad. Para cada una de estas transacciones, el coordinador debe: Iniciar la ejecucin de la transaccin. Dividir la transaccin en varias subtransacciones, las cuales ha de distribuir en las localidades apropiadas para su ejecucin.
Coordinar la terminacin de la transaccin, ya sea que quede ejecutada o abordada en todas las localidades. 3.10.2 Robustez Es una configuracin distribuida es necesario prever otro tipo de fallos, como pueden ser: El fallo total de una localidad. La interrupcin de una lnea de comunicacin. Prdida de mensajes. Fragmentacin de la red. Por tanto, para que el sistema sea robusto, es necesario que detecte cualquiera de estos fallos, que reconfigure el sistema de manera que pueda reanudarse el proceso y que se recupere una vez que haya sido reparado el procesador o la lnea de comunicacin afectados. En general, no es posible distinguir entre los fallos en las lneas de comunicacin de la red y de las localidades. Por tanto, el esquema de reconfiguracin que se adopte debe estar diseado para que funcione correctamente aun cuando la red quede fragmentada. Eleccin de dos o ms distribuidores centrales en distintos fragmentos. Actualizacin de un dato repetido en ms de un fragmento de la red. Tambin es necesario tener cuidado al reintegrar al sistema una localidad o lnea de comunicacin separada. Cuando una localidad que qued fuera de servicio se recupera, debe iniciar un procedimiento de actualizacin de sus tablas de sistema para que reflejen los cambios que tuvieron lugar mientras estaba inactiva. Si la localidad tena copias de datos, debe obtener los valores actuales de todos ellos y asegurarse de recibir las actualizaciones futuras. Esto es ms complicado de lo que parece, ya que es posible que se actualicen los datos que se estn procesando mientras que el sistema se recupera. Es necesario representar a las tareas de recuperacin como una seria de transacciones. En este caso, el subsistema de control de concurrencia y el manejo de transacciones puede encargarse de realizar de manera fiable la reintegracin de la localidad. Si se recupera una lnea de comunicacin interrumpida, es posible que se unan de nuevo dos fragmentos de la red. Dado que la fragmentacin de una red limita las operaciones que pueden permitirse en algunas localidades, o en todas ellas, es conveniente enviar un mensaje a todas ellas informando sin delacin que la lnea se recuper.
3.11. Control De Concurrencia El control de concurrencia trata con los problemas de aislamiento y consistencia del procesamiento de transacciones. El control de concurrencia distribuido de una DDBMS asegura que la consistencia de la base de datos se mantiene en un ambiente distribuido multiusuario. Si las transacciones son internamente consistentes, la manera ms simple de lograr este objetivo es ejecutar cada transaccin sola, una despus de otra. Sin embargo, esto puede afectar grandemente el desempeo de un DDBMS dado que el nivel de concurrencia se reduce al mnimo. El nivel de concurrencia, el nmero de transacciones activas, es probablemente el parmetro ms importante en sistemas distribuidos. Por lo tanto, los mecanismos de control de concurrencia buscan encontrar un balance entre el mantenimiento de la consistencia de la base de datos y el mantenimiento de un alto nivel de concurrencia. Si no se hace un adecuado control de concurrencia, se pueden presentar dos anomalas. En primer lugar, se pueden perder actualizaciones provocando que los efectos de algunas transacciones no se reflejen en la base de datos. En segundo trmino, pueden presentarse recuperaciones de informacin inconsistentes. En este captulo se hace la suposicin de que el sistema distribuido es completamente confiable y no experimente falla alguna. 3.11.1 Teora de la seriabilidad Una calendarizacin (schedule), tambin llamado una historia, se define sobre un conjunto de transacciones T = { T1, T2, ..., Tn } y especifica un orden entrelazado de la ejecucin de las operaciones de las transacciones. La calendarizacin puede ser especificada como un orden parcial sobre T. Ejemplo 1. Considere las siguientes tres transacciones: T1: Read( x ) T2: Write( x ) T3: Read( x ) Write( x ) Write( y ) Read( y ) Commit Read( z ) Read( z ) Commit Commit Una calendarizacin de las acciones de las tres transacciones anteriores puede ser: H1 = { W2(x), R1(x), R3(x), W1(x), C1, W2(y), R3(y), R2(z), C2, R3(z), C3 } Dos operaciones Oij(x) y Okl(x) (i y k no necesariamente distintos) que accesan el mismo dato de la base de datos x se dice que estn en conflicto si al menos una de ellas es una escritura. De esta manera, las operaciones de lectura no tienen conflictos consigo mismas. Por tanto, existen dos tipos de conflictos read-write (o write-read) y write-write. Las dos operaciones en conflicto pueden pertenecer a la misma transaccin o a transacciones diferentes. En el ltimo caso, se dice que las transacciones tienen conflicto. De manera intuitiva, la existencia de un conflicto
entre dos operaciones indica que su orden de ejecucin es importante. El orden de dos operaciones de lectura es insignificante. Una calendarizacin completa define el orden de ejecucin de todas las operaciones en su dominio. Formalmente, una calendarizacin completa STc definido sobre un conjunto de transacciones T = { T1, T2, ..., Tn } es un orden parcial G I 3 Jen donde K G 3 para todos los i = 1, 2, ..., n K i <i , para todos los i = 1, 2, ..., n Para cualesquiera dos operaciones en conflicto Oij y Okl T, Oij <T Okl Okl <T Oij La primera condicin establece simplemente que el dominio de la calendarizacin es la unin de los dominios de las transacciones individuales. La segunda condicin define la relacin de ordenamiento como un superconjunto de la relacin de ordenamiento de transacciones individuales. Esto mantiene el ordenamiento de las operaciones dentro de cada transaccin. La condicin final define el orden de ejecucin entre dos operaciones en conflicto. Ejemplo 2. Considere las tres transacciones del Ejemplo 1, una posible calendarizacin completa est dada por la siguiente grfica dirigida acclica (DAG).
Una calendarizacin se define como un prefijo de una calendarizacin completa. Un prefijo de un orden parcial se define como sigue. Dado un orden parcial P G I 3 J L I L KL es un prefijo de P si K 3 G 3 }, L ei L e1 K e2, si y solamente si, e1 < e2, y 3 ei L si ej Cej K ei, entonces, ej L 3 Las primeras dos condiciones definen a P como una restriccin de P en el dominio L en donde las relaciones de ordenamiento en P se mantienen por P. 3 La ltima condicin indica que para cualquier elemento de L todos sus 3 predecesores en deben ser incluidos tambin en L Ejemplo 3. La siguiente calendarizacin es un prefijo de la calendarizacin del Ejemplo 2.
Si en una calendarizacin S, las operaciones de varias transacciones no estn entrelazadas, esto es, si las operaciones de una transaccin ocurren de manera consecutiva, entonces se dice que la calendarizacin es serial. Si cada transaccin es consistente (obedece las reglas de integridad), entonces la base de datos se garantiza ser consistente al final de la calendarizacin serial. La historia asociada a este tipo de calendarizacin se le conoce como serial. Ejemplo 4. La siguiente es una historia serial para el Ejemplo 1. HS = { W2(x), W2(y), R2(z), C2, R1(x), W1(x), C1, R3(x), R3(y), R3(z), C3 } Las transacciones se ejecutan de manera concurrente, pero el efecto neto de la historia resultante sobre la base de datos es equivalente a alguna historia serial. Basada en la relacin de precedencia introducida por el orden parcial, es posible discutir la equivalencia de diferentes calendarizaciones con respecto a sus efectos sobre la base de datos. Dos calendarizaciones, S1 y S2, definidas sobre el mismo conjunto de transacciones T, se dice que son equivalentes si para cada par de operaciones en conflicto Oij y Okl (i k), cada vez que Oij <1 Okl, entonces, Oij <2 Okl. A esta relacin se le conoce como equivalencia de conflictos puesto que define la equivalencia de dos calendarizaciones en trmino del orden de ejecucin relativo de las operaciones en conflicto en ellas. Una calendarizacin S se dice que es serializable, si y solamente si, es equivalente por conflictos a una calendarizacin serial. Ejemplo 5. Las siguientes calendarizaciones no son equivalentes por conflicto: HS = { W2(x), W2(y), R2(z), C2, R1(x), W1(x), C1, R3(x), R3(y), R3(z), C3 } H1 = { W2(x), R1(x), R3(x), W1(x), C1, W2(y), R3(y), R2(z), C2, R3(z), C3 } Las siguientes calendarizaciones son equivalentes por conflictos; por lo tanto H2 es serializable: HS = { W2(x), W2(y), R2(z), C2, R1(x), W1(x), C1, R3(x), R3(y), R3(z), C3 } H2 = { W2(x), R1(x), W1(x), C1, R3(x), W2(y), R3(y), R2(z), C2, R3(z), C3 } La funcin primaria de un controlador de concurrencia es generar una calendarizacin serializable para la ejecucin de todas las transacciones. El problema es, entonces, desarrollar algoritmos que garanticen que nicamente se generan calendarizaciones serializables.
3.11.2 Seriabilidad en SMBD distribuidos En bases de datos distribuidas es necesario considerar dos tipos de historia para poder generar calendarizaciones serializables: la calendarizacin de la ejecucin de transacciones en un nodo conocido como calendarizacin local y la calendarizacin global de las transacciones en el sistema. Para que las transacciones globales sean serializables se deben satisfacer las siguientes condiciones: cada historia local debe ser serializable, y dos operaciones en conflicto deben estar en el mismo orden relativo en todas las historias locales donde las operaciones aparecen juntas. La segunda condicin simplemente asegura que el orden de serializacin sea el mismo en todos los nodos en donde las transacciones en conflicto se ejecutan juntas. Ejemplo 6. Considere las siguientes tres transacciones: T1: Read( x ) T2: Read( x ) x x M N x x . N Write( x ) Write( x ) Commit Commit Las siguientes historias locales son individualmente serializables (de hecho son seriales), pero las dos transacciones no son globalmente serializables. LH1 = { R1(x), W1(x), C1, R2(x), W2(x), C2 } LH2 = { R2(x), W2(x), C2, R1(x), W1(x), C1 } 3.11.3. Taxonoma de los mecanismos de control de concurrencia El criterio de clasificacin ms comn de los algoritmos de control de concurrencia es el tipo de primitiva de sincronizacin. Esto resulta en dos clases: aquellos algoritmos que estn basados en acceso mutuamente exclusivo a datos compartidos (candados) y aquellos que intentar ordenar la ejecucin de las transacciones de acuerdo a un conjunto de reglas (protocolos). Sin embargo, esas primitivas se pueden usar en algoritmos con dos puntos de vista diferentes: el punto de vista pesimista que considera que muchas transacciones tienen conflictos con otras, o el punto de vista optimista que supone que no se presentan muchos conflictos entre transacciones. Los algoritmos pesimistas sincronizan la ejecucin concurrente de las transacciones en su etapa inicial de su ciclo de ejecucin. Los algoritmos optimistas retrasan la sincronizacin de las transacciones hasta su terminacin. El grupo de algoritmos pesimistas consiste de algoritmos basados en candados, algoritmos basados en ordenamiento por estampas de tiempo y algoritmos
hbridos. El grupo de los algoritmos optimistas se clasifican por basados en candados y basados en estampas de tiempo (Ver. Figura 27).
Figura 27. Clasificacin de los algoritmos de control de concurrencia. 3.11.4 Algoritmos basados en candados En los algoritmos basados en candados, las transacciones indican sus intenciones solicitando candados al despachador (llamado el administrador de candados). Los candados son de lectura (rl), tambin llamados compartidos, o de escritura (wl), tambin llamados exclusivos. Como se aprecia en la tabla siguiente, los candados de lectura presentan conflictos con los candados de escritura, dado que las operaciones de lectura y escritura son incompatibles. rl wl rl si no wl no no En sistemas basados en candados, el despachador es un administrador de candados (LM). El administrador de transacciones le pasa al administrador de candados la operacin sobre la base de datos (lectura o escritura) e informacin asociada, como por ejemplo el elemento de datos que es accesado y el identificador de la transaccin que est enviando la operacin a la base de datos. El administrador de candados verifica si el elemento de datos que se quiere accesar ya ha sido bloqueado por un candado. Si candado solicitado es incompatible con el candado con que el dato est bloqueado, entonces, la transaccin solicitante es retrasada. De otra forma, el candado se define sobre el dato en el modo deseado y la operacin a la base de datos es transferida al procesador de datos. El administrador de transacciones es informado luego sobre el resultado de la operacin. La terminacin de una transaccin libera todos los candados y se puede iniciar otra transaccin que estaba esperando el acceso al mismo dato.
3..11.4.1Candados de dos fases (2PL) En los candados de dos fases una transaccin le pone un candado a un objeto antes de usarlo. Cuando un objeto es bloqueado con un candado por otra transaccin, la transaccin solicitante debe esperar. Cuando una transaccin libera un candado, ya no puede solicitar ms candados. As una transaccin que utiliza candados de dos fases se comporta como en la Figura 28. En la primera fase solicita y adquiere todos los candados sobre los elementos que va a utilizar y en la segunda fase libera los candados obtenidos uno por uno. La importancia de los candados de dos fases es que se ha demostrado de manera terica que todos las calendarizaciones generadas por algoritmos de control de concurrencia que obedecen a los candados de dos fases son serializables. Puede suceder que si una transaccin aborta despus de liberar un candado, otras transacciones que hayan accesado el mismo elemento de datos aborten tambin provocando lo que se conoce como abortos en cascada. Para evitar lo anterior, los despachadores para candados de dos fases implementan lo que se conoce como los candados estrictos de dos fases en los cuales se liberan todos los candados juntos cuando la transaccin termina (con commit o aborta). El comportamiento anterior se muestra en la Figura 29.
Figura 28. Grfica del uso de los candados de dos fases
Figura 29. Comportamiento de los candados de dos fases estrictos. 3.11.4.2 Candados de dos fases centralizados En sistemas distribuidos puede que la administracin de los candados se dedique a un solo nodo del sistema, por lo tanto, se tiene un despachador central el cual recibe todas las solicitudes de candados del sistema. En la Figura 30 se presenta la estructura de la comunicacin de un administrador centralizado de candados de dos fases. La comunicacin se presenta entre el administrador de transacciones del nodo en donde se origina la transaccin (llamado el coordinador TM), el administrador de candados en el nodo central y los procesadores de datos (DP) de todos los nodos participantes. Los nodos participantes son todos aquellos en donde la operacin se va a llevar a cabo.
Figura 30. Comunicacin en un administrador centralizado de candados de dos fases estrictos. La crtica ms fuerte a los algoritmos centralizados es el "cuello de botella" que se forma alrededor del nodo central reduciendo los tiempos de respuesta de todo el sistema. Ms an, su disponibilidad es reducida a cero cuando se presentan fallas en el nodo central.
3.11.4.3 Candados de dos fases distribuidos En los candados de dos fases distribuidos se presentan despachadores en cada nodo del sistema. Cada despachador maneja las solicitudes de candados para los datos en ese nodo. Una transaccin puede leer cualquiera de las copias replicada del elemento x, obteniendo un candado de lectura en cualquiera de las copias de x. La escritura sobre x requiere que se obtengan candados para todas las copias de x. La comunicacin entre los nodos que cooperan para ejecutar una transaccin de acuerdo al protocolo de candados distribuidos de dos fases se presenta en la Figura 31. Los mensajes de solicitud de candados se envan a todos los administradores de candados que participan en el sistema. Las operaciones son pasadas a los procesadores de datos por los administradores de candados. Los procesadores de datos enva su mensaje de "fin de operacin" al administrador de transacciones coordinador. 3.11.5 Algoritmos basados en estampas de tiempo A diferencia de los algoritmos basados en candados, los algoritmos basados en estampas de tiempo no pretenden mantener la seriabilidad por exclusin mutua. En lugar de eso, ellos seleccionan un orden de serializacin a priori y ejecutan las transacciones de acuerdo a ellas. Para establecer este ordenamiento, el administrador de transacciones le asigna a cada transaccin Ti una estampa de tiempo nica ts( Ti ) cuando sta inicia. Una estampa de tiempo es un identificador simple que sirve para identificar cada transaccin de manera nica. Otra propiedad de las estampas de tiempo es la monoticidad, esto es, dos estampas de tiempo generadas por el mismo administrador de transacciones deben ser monotonicamente crecientes. As, las estampas de tiempo son valores derivados de un dominio totalmente ordenado.
Figura 31. Comunicacin en candados de dos fases distribuidos Existen varias formas en que las estampas de tiempo se pueden asignar. Un mtodo es usar un contador global monotnicamente creciente. Sin embargo, el mantenimiento de contadores globales es un problema en sistemas distribuidos.
Por lo tanto, es preferible que cada nodo asigne de manera autnoma las estampas de tiempos basndose en un contador local. Para obtener la unicidad, cada nodo le agrega al contador su propio identificador. As, la estampa de tiempo es un par de la forma: <contador local, identificador de nodo> Note que el identificador de nodo se agrega en la posicin menos significativa, de manera que, ste sirve solo en el caso en que dos nodos diferentes le asignen el mismo contador local a dos transacciones diferentes. El administrador de transacciones asigna tambin una estampa de tiempo a todas las operaciones solicitadas por una transaccin. Ms an, a cada elemento de datos x se le asigna una estampa de tiempo de escritura, wts(x), y una estampa de tiempo de lectura, 4 6Osus valores indican la estampa de tiempo ms grande para cualquier lectura y escritura de x, respectivamente. El ordenamiento de estampas de tiempo (TO) se realiza mediante la siguiente regla: Regla TO: dadas dos operaciones en conflicto, Oij y Okl, perteneciendo a las transacciones Ti y Tk, respectivamente, Oij es ejecutada antes de Okl, si y solamente si, ts(Ti) < ts(Tk). En este caso Ti se dice ser una transaccin ms vieja y Tk se dice ser una transaccin ms joven. Dado este orden, un conflicto entre operaciones se puede resolver de la siguiente forma: for Ri(x) do begin if ts(Ti) < wts( x ) then reject Ri(x) else accept Ri(x) rts(x) ts(Ti) endfor Wi(x) do begin if ts(Ti) < rts(x) and ts(Ti) < wts(x) then reject Wi(x) else accept Wi(x) wts(x) ts(Ti) end. La accin de rechazar una operacin, significa que la transaccin que la envi necesita reiniciarse para obtener la estampa de tiempo ms reciente del dato e intentar hacer nuevamente la operacin sobre el dato. 3.11.5.1 Ordenamiento conservador por estampas de tiempo El ordenamiento bsico por estampas de tiempo trata de ejecutar una operacin tan pronto como se recibe una operacin. As, la ejecucin de las operaciones es progresiva pero pueden presentar muchos reinicios de transacciones. El ordenamiento conservador de estampas de tiempo retrasa cada operacin hasta que exista la seguridad de que no ser reiniciada. La forma de asegurar lo anterior es sabiendo que ninguna otra operacin con una estampa de tiempo menor puede llegar al despachador. Un problema que se puede presentar al retrasar las operaciones es que esto puede inducir la creacin de nter bloqueos (deadlocks).
3.11.5.2 Ordenamiento por estampas de tiempo mltiples Para prevenir la formacin de nter bloqueos se puede seguir la estrategia siguiente. Al hacer una operacin de escritura, no se modifican los valores actuales sino se crean nuevos valores. As, puede haber copias mltiples de un dato. Para crear copias nicas se siguen las siguientes estrategias de acuerdo al tipo de operacin de que se trate: Una operacin de lectura Ri(x) se traduce a una operacin de lectura de x de una sola versin encontrando la versin de x, digamos xv, tal que, ts(xv) es la estampa de tiempo ms grande que tiene un valor menor a ts(Ti). Una operacin de escritura Wi(x) se traduce en una sola versin, Wi(xw), y es aceptada si el despachador no ha procesado cualquier lectura Rj(xr), tal que, ts(Ti) < ts(xr) < ts(Tj) 3.11.6 Control de concurrencia optimista Los algoritmos de control de concurrencia discutidos antes son por naturaleza pesimistas. En otras palabras, ellos asumen que los conflictos entre transacciones son muy frecuentes y no permiten el acceso a un dato si existe una transaccin conflictiva que accesa el mismo dato. As, la ejecucin de cualquier operacin de una transaccin sigue la secuencia de fases: validacin (V), lectura (R), cmputo (C) y escritura (W) (ver Figura 6.6a). Los algoritmos optimistas, por otra parte, retrasan la fase de validacin justo antes de la fase de escritura (ver Figura 32). De esta manera, una operacin sometida a un despachador optimista nunca es retrasada. Las operaciones de lectura, cmputo y escrita de cada transaccin se procesan libremente sin actualizar la base de datos corriente. Cada transaccin inicialmente hace sus cambios en copias locales de los datos. La fase de validacin consiste en verificar si esas actualizaciones conservan la consistencia de la base de datos. Si la respuesta es positiva, los cambios se hacen globales (escritos en la base de datos corriente). De otra manera, la transaccin es abortada y tiene que reiniciar
Figura 32. Fases de la ejecucin de una transaccin a) pesimista, b) optimista. Los mecanismos optimistas para control de concurrencia fueron propuestos originalmente con el uso de estampas de tiempo. Sin embargo, en este tipo de mecanismos las estampas de tiempo se asocian nicamente con las transacciones, no con los datos. Ms an, las estampas de tiempo no se asignan al inicio de una transaccin sino justamente al inicio de su fase de validacin. Esto se debe a que las estampas se requieren nicamente durante la fase de validacin. Cada transaccin Ti se subdivide en varias subtransacciones, cada una de las cuales se puede ejecutar en nodos diferentes. Sea Tij una subtransaccin de Ti que se ejecuta en el nodo j. Supongamos que las transacciones se ejecutan de manera independiente y ellas alcanzan el fin de sus fases de lectura. A todas las subtransacciones se les asigna una estampa de tiempo al final de su fase de lectura. Durante la fase de validacin se realiza una prueba de validacin, si una transaccin falla, todas las transacciones se rechazan. La prueba de validacin se realiza con una de las siguientes reglas: Si todas las transacciones Tk, tales que, ts( Tk ) < ts( Tij ), han terminado su fase de escritura antes que Tij ha iniciado su fase de lectura entonces la validacin tiene xito. En este caso la ejecucin de las transacciones es completamente serial como se muestra en la Figura 7a. Si existe alguna transaccin Tk, tal que, ts( Tk ) < ts( Tij ) y la cual completa su fase de escritura mientras Tij est en su fase de lectura, entonces, la validacin tiene xito si WS(Tk ) RS(Tij ) G En este caso, las fases de lectura y escritura se traslapan, como se muestra en la Figura 7b, pero Tij no lee datos que son escritos por Tk. Si existe alguna transaccin Tk, tal que, ts( Tk ) < ts( Tij ) y la cual completa su fase de lectura antes que Tij termine su fase de lectura, entonces, la validacin tiene xito si WS(Tk ) RS(Tij ) = y WS(Tk 6 WS(Tij ) = En este caso, las fases de lectura se traslapan, como se muestra en la Figura 33, pero las transacciones no accesan datos comunes.
Figura 33. Casos diferentes de las pruebas de validacin para control de concurrencia optimista.
Capitulo 4. Catalogo 4.1. Conceptos bsicos Existe un elemento denominado Catlogo, que es imprescindible conocer si se quiere llegar a ser experto en el manejo de cualquier SGBD (Sistema de gestin de base de datos). El catlogo guarda la informacin del esquema de la base de datos y es gracias a l que se pueden compartir los esquemas de dominio, y definir las relaciones de integridad y de datos. Comprender la estructura del catlogo, debe de ser un objetivo de todo administrador y analista que quiera conocer el comportamiento de la base de datos. Para poder llegar a solucionar problemas de definicin de datos, de rendimiento u optimizacin es necesario conocer las caractersticas del motor, la forma como se comporta en determinada plataforma e incluso sus deficiencias. En un sistema distribuido, el catlogo del sistema incluir no solo los datos usuales del catlogo con relacin a las varrels base, vistas, autorizaciones, etc., sino tambin toda la informacin de control necesaria para permitir que el sistema proporcione la independencia de ubicacin, fragmentacin y replicacin necesaria. Surge entonces un interrogante Dnde y cmo debe ser almacenado el propio catlogo?. A continuacin se muestran las posibilidades: 4.2. Centralizado El catlogo total es almacenado exactamente una vez en un sitio central. 4.3. Completamente replicado El catlogo total es almacenado por completo en cada uno de los sitios. 4.4. Dividido Cada sitio mantiene su propio catlogo de los objetivos que estn almacenados en ese sitio. El catlogo total es la unin de todos los catlogos locales disjuntos. 4.5. Combinacin de centralizado y dividido Cada sitio mantiene su propio catlogo local, como en el punto 4.4; adems, un nico sitio central mantiene una copia unificada de todos esos catlogos locales, como en punto 4.2 Cada uno de los enfoques mencionados anteriormente, tiene sus propios problemas. El enfoque centralizado viola el objetivo de no dependencia de un sitio central. El enfoque completamente replicado sufre una prdida de
autonoma, ya que cada actualizacin del catlogo tiene que ser propagada por cada uno de los sitios. El enfoque dividido eleva el costo de operaciones que no son locales. La combinacin de centralizado y dividido es ms eficiente que el dividido, pero viola nuevamente el objetivo de no dependencia de un sitio central, por lo tanto, en la prctica los sistemas no usan ninguno de los enfoque antes mencionados. A manera de ejemplo describimos el enfoque usado en R* (donde R* es un prototipo tomado como referencia). Para explicar la forma en que est estructurado el catlogo de R*, es necesario primero decir algo acerca del nombramiento de objetos en R*. Este nombramiento es importante para los sistemas distribuidos en general, ya que la posibilidad de que los sitios distintos X y Y, puedan tener un objeto, digamos una varrel llamada A, implica que sera necesario algn mecanismo por lo general la calificacin por nombre de sitio para eliminar la ambigedad (es decir, garantizar la unicidad de nombres a nivel de sistema). Por lo tanto, lo que se necesita es un medio para transformar los nombres conocidos por los usuarios a sus nombres correspondientes conocidos por el sistema. Este es el enfoque de R* para este problema. R* primero distingue entre el nombre comn de un objeto, que es el nombre por el cual los usuarios hacen normalmente referencia al objeto ( por ejemplo una instruccin SELECT de SQL), y su nombre a nivel de sistema, que es identificador interno globalmente nico para el objeto. Los nombres a nivel del sistema tienen cuatro componentes: ID del creador (el ID del usuario que cre el objeto) ID del sitio del creador (el ID del sitio en el cual se dio la operacin CREATE) Nombre local(el nombre del objeto sin calificativos) y ID del sitio de nacimiento (el ID del sitio en el cual se almacen inicialmente el objeto). Los IDs de usuario son nicos dentro del sito en el cual y los IDs del sitio son nicos a nivel global. Por lo tanto, el nombre a nivel de sistema de MARIO @ NEWAYORK . STATS LONDRES Denota un objeto, tal vez una varrel base, con el nombre local STATS, creada por el usuario Mario en el sitio Nueva York y almacenada inicialmente en el sitio Londres. Este garantizado que este nombre nunca cambiar, ni auque el objeto migre a otro sitio. Los usuarios se refieren normalmente a los objetos por su nombre comn. Este nombre se usa sin calificativos, ya sea el componente nombre local del nombre a nivel sistema (STATS en el ejemplo anterior) o un sinnimo para ese nombre a nivel de sistema, definido por medio de la instruccin especial de SQL, R* CREATE SYNONYM. En el ejemplo en cuestin:
CREATE SYNONYM MSTATS FOR MARIO NUEVAYORK. STATS @ LONDRES; Ahora el usuario puede decir (ejemplo) O SELECT FROM STATS; SELECT FROM MSTATS;
En el primer caso (al usar el nombre local), el sistema infiere el nombre a nivel sistema suponiendo todos los valores predeterminados obvios; es decir que el objeto fue creado por este usuario, que fue creado en este sitio y que fue guardado inicialmente en este sitio. En el segundo caso (al usar el sinnimo), el sistema determina el nombre a nivel de sistema consultando la tabla sinnimos relevante. Las tablas del sinnimos pueden ser vistas como el primer componente del catlogo; cada sitio mantiene un conjunto de esas tablas para los usuarios que se sabe que estn en ese sitio y transforma los sinnimos conocidos para ese usuario en los nombres a nivel de sistema correspondientes. Adems en las tablas de sinnimos cada sitio mantiene: 1. Una entrada de catlogo para cada objeto nacido en este sitio; 2. Una entrada de catlogo para cada objeto almacenado actualmente en ese sitio. Supongamos que ahora el usuario emite una solicitud que hace referencia al sinnimo MSTATS. Primero, el sistema busca el nombre a nivel sistema correspondiente en la tabla de sinnimos adecuada (una simple bsqueda local), Ahora ya sabe el sitio de nacimiento(es decir Londres en el ejemplo) y puede consultar el catlogo de Londres (y se supone, de manera general, que ser una bsqueda renota; el primer acceso remoto). El catlogo de Londres contendr una entrada para ese objeto gracias al punto 1 anterior. Si el objeto est todava en Londres ya habr sido encontrado. Sin embargo, si el objeto ha emigrado (digamos) a Los ngeles, entonces la entrada de catlogo en Londres lo dir y por lo tanto, el sistema podr ahora consultar al catlogo de Los ngeles (segundo acceso remoto). Y el catlogo de los ngeles contendr una entrada para los objetos gracias al punto 2 anterior. Por lo tanto, ha sido encontrado en, como mximo, dos accesos remotos. Adems, si el objeto emigra nuevamente, digamos a San Francisco, entonces el sistema: Insertar una entrada en el catlogo de San Francisco; Borrar la entrada del catlogo de los ngeles; Actualizar la entrada del catlogo de Londres para que se apunte a San Francisco en lugar de Los ngeles.
El efecto neto es que el objeto todava puede ser encontrado en dos accesos remotos, como mximo. Y este es un esquema completamente distribuido; no hay un sitio con catlogo central y no hay punto alguno de falla dentro del sistema.
UNIDAD 3 OTROS MODELOS DE BASES DE DATOS

Captulo 1. Bases de datos orientadas a objetos 1.1 Introduccin Los sistemas de bases de datos orientados a objetos tienen sus orgenes en los lenguajes de programacin orientados a objetos. La idea fundamental es que el usuario no debera tener que batallar con construcciones orientadas al computador tales como registros y campos, sino ms bien debera poder manejar objetos (y operaciones) que se asemejen ms a sus equivalentes en el mundo real. Por ejemplo, en vez de pensar en trminos de una tupla DEPTO junto con un conjunto de tuplas EMP, las cuales incluyen valores de clave ajena que hacen referencia a esa tupla DEPTO, el usuario debera poder pensar directamente en un "objeto" departamento que contenga en realidad un conjunto de "objetos" empleado. Y en vez de (por ejemplo) tener que insertar una tupla en la relacin EMP con un valor apropiado de NUMDEPTO (la clave ajena), el usuario debera ser capaz de crear en forma directa un nuevo objeto empleado e incluirlo en el objeto departamento pertinente tambin en forma directa. Dicho de otro modo, la idea fundamental es elevar el nivel de abstraccin. La elevacin del nivel de abstraccin es sin duda un objetivo deseable, y el paradigma de la orientacin a objetos ha tenido considerable xito en alcanzar ese objetivo en el campo de los lenguajes de programacin. Por tanto, es natural preguntar si es posible aplicar el mismo paradigma en el rea de las bases de datos. Es ms, la idea de manejar una base de datos formada por "objetos encapsulados" (por ejemplo, un objeto dependencia que "sabe qu significa" aadir un empleado o cambiar al gerente o recortar el presupuesto), en vez de tener que entender relaciones, actualizaciones de tuplas, claves ajenas, etctera, es desde luego mucho ms atractiva y fcil desde el punto de vista del usuario, al menos en lo superficial. Paradigma de orientacin a objetos (oo) En un ambiente OO, el software se organiza como un conjunto de objetos discretos que incorporan tanto su estructura como su comportamiento, en contraste con ambientes tradicionales en donde estas dos caractersticas se encuentran separadas.
Los primeros intentos en aplicar la orientacin a objetos al ambiente de bases de datos fueron mediante la construccin de interfaces como una capa externa a los SABDs relacinales. Uno de los problemas que se tienen actualmente es la falta de estndares en la concepcin y definicin de trminos. Sin embargo, a continuacin se van a introducir los conceptos mnimos, que se consideran fundamentales en la aplicacin de este paradigma a la tecnologa de bases de datos. 1.2 Conceptos bsicos: En esta seccin se presentan algunos de los trminos y conceptos principales del enfoque 00, como los objetos mismos (por supuesto), las clases, mtodos, mensajes y jerarquas de clases. Tambin relacionaremos estas ideas con trminos y conceptos ms familiares siempre que sea posible o apropiado. De hecho, quiz resulte til mostrar antes que nada una correspondencia burda entre los trminos OO y los trminos de programacin tradicional: Trmino OO Objeto Clase Mtodo Mensaje Jerarqua de clases 1.2.1 Objetos Antes de entrar en detalles, es bueno advertir que en el mundo de los objetos no se encuentra el tipo de precisin al que estamos acostumbrados en el mundo relacional. Adems, muchos conceptos de objetos o las definiciones publicadas de esos objetos- son bastante imprecisos y hay muy poco consenso verdadero y mucho desacuerdo, incluso en el nivel ms bsico. En particular, no hay un modelo de datos de objetos abstracto ni formalmente definido, y tampoco hay consenso sobre un modelo informal. Qu es un objeto? Todo. Es un principio bsico del enfoque de objetos que todo es un objeto (a veces todo es un objeto de primera clase). Algunos objetos son inmutables: ejemplos de esto pueden ser los enteros y las cadenas de caracteres. Otros objetos son mutables; algunos ejemplos podran ser los objetos de departamento y empleado. Por lo tanto, en la terminologa tradicional, los objetos inmutables corresponden a los valores y los objetos mutables corresponden a las variables. Trmino en programacin variable tipo funcin llamada jerarqua de tipos
Todo objeto tiene un tipo (el trmino en objetos es clase). A los objetos individuales con frecuencia se les llama especficamente ejemplares (instancias) de objeto, para distinguirlos con claridad del tipo o clase del objeto correspondiente. El trmino tipo se utiliza en su sentido usual de lenguaje de programacin; por lo tanto, en particular en este trmino se incluye el conjunto de operadores (el trmino en el entorno de objetos es mtodos) que pueden ser aplicados a los objetos de ese tipo. 1.2.2 Polimorfismo. El polimorfismo es otro de los pilares fundamentales de la programacin orientada a objetos. Es la capacidad de almacenar objetos de un determinado tipo en variables de tipos antecesores del primero a costa, claro est, de slo poderse acceder a travs de dicha variable a los miembros comunes a ambos tipos. Sin embargo, las versiones de los mtodos virtuales a las que se llamara a travs de esas variables no seran las definidas como miembros del tipo de dichas variables, sino las definidas en el verdadero tipo de los objetos que almacenan. 1.2.3 Herencia. El mecanismo de herencia es uno de los pilares fundamentales en los que se basa la programacin orientada a objetos. Es un mecanismo que permite definir nuevas clases a partir de otras ya definidas de modo que si en la definicin de una clase indicamos que sta deriva de otra, entonces la primera -a la que se le suele llamar clase hija- ser tratada por el compilador automticamente como si su definicin incluyese la definicin de la segunda a la que se le suele llamar clase padre o clase base. 1.2.4 Encapsulacin. Ya hemos visto que la herencia y el polimorfismo son dos de los pilares fundamentales en los que se apoya la programacin orientada a objetos. Pues bien, el tercero es la encapsulacin, que es un mecanismo que permite a los diseadores de tipos de datos determinar qu miembros de los tipos pueden ser utilizados por otros programadores y cules no. Las principales ventajas que ello aporta son: Se facilita a los programadores que vayan a usar el tipo de dato (programadores clientes) el aprendizaje de cmo trabajar con l, pues se le pueden ocultar todos los detalles relativos a su implementacin interna y slo dejarle visibles aquellos que puedan usar con seguridad. Adems, as se les evita que cometan errores por manipular inadecuadamente miembros que no deberan tocar.
Se facilita al creador del tipo la posterior modificacin del mismo, pues si los programadores clientes no pueden acceder a los miembros no visibles, sus aplicaciones no se vern afectadas si stos cambian o se eliminan. Gracias a esto es posible crear inicialmente tipos de datos con un diseo sencillo aunque poco eficiente, y si posteriormente es necesario modificarlos para aumentar su eficiencia, ello puede hacerse sin afectar al cdigo escrito en base a la no mejorada de tipo. La encapsulamiento de objetos u ocultacin de la informacin es sin duda una buena idea en muchos casos: es evidente que los conceptos gemelos de a) ocultar los detalles irrelevantes a la vista del usuario (con lo cual es posible alterar esos detalles, cuando sea necesario, en una forma controlada y relativamente poco difcil) y b) ofrecer un acceso disciplinado a objetos slo a travs de una interfaz pblica, son claramente apropiados para muchos usuarios y muchas aplicaciones. Pero hay que tener en cuenta que siempre existir la necesidad de obtener acceso a los datos en formas no previstas para realizar consultas especiales, razn por la cual la idea de slo poder operar a travs de mtodos predefinidos no es aceptable en algunas situaciones. Los sistemas OO tienden a ser demasiado rgidos en este aspecto. La encapsulacin se consigue aadiendo modificadores de acceso en las definiciones de miembros y tipos de datos. Estos modificadores son partculas que se les colocan delante para indicar desde qu cdigos puede accederse a ellos, entendindose por acceder el hecho de usar su nombre para cualquier cosa que no sea definirlo, como llamarlo si es una funcin, leer o escribir su valor si es un campo, crear objetos o heredar de l si es una clase, etc 1.3 Arquitectura de administrador de sistemas de BDOO. La estructura de las bases de datos orientadas a objetos no presenta la uniformidad de las bases de datos relacinales. Para construir una estructura fsica fcil de mantener, comnmente los objetos se representan as: Determinadas clases se tratan como clases bsicas de bloques que se construyan, que el sistema de computadores implemente directamente. Comnmente, las clases bsicas corresponden a tipos de datos de lenguajes de programacin estndar, tales como entero, flotante, carcter y cadena. Las instancias de clases que no son bsicas se representan as: Las variables se representan por campos de un tipo de registro. Cada campo contiene el valor del objeto para instancias de las clases bsicas, o bien el identificador del objeto para instancias de las clases que no son bsicas. Las variables con un conjunto de valores se representan por una lista enlazada de los objetos que son miembros del conjunto.
La estructura fsica hace que sea posible utilizar registros de longitud fija para implementar una base de datos orientada a objetos, aunque la modificacin del esquema puede complicar esto. Cuando la relacin de contenido es jerrquica, el esquema de base de datos para una base de datos orientada a objetos puede representarse utilizando el modelo relacional anidado. No todas las variables encajan convenientemente en la estructura que se ha descrito. Algunas de las aplicaciones que se citan incluyen tipos de datos altamente especializados que son grandes fsicamente y que, por razones prcticas, normalmente se manipulan mediante programas de aplicacin que no son parte del conjunto de mtodos con las clases: Datos de texto. El texto, normalmente se trata como una cadena de bytes que manipulan los editores y formateadores. Datos de audio. Comnmente, los datos de audio son una representacin comprimida digitalizada del habla que manejan aplicaciones de software separadas. Datos de video y grficos. Los datos de video pueden representarse como un mapa de bytes o como un conjunto de lneas, cajas y otros objetos geomtricos. Aunque algunos datos grficos a menudo se gestionan dentro del sistema de base de datos, en muchos casos se utilizan aplicaciones de software especiales. Las variables que contienen datos de los tipos anteriores, con frecuencia se denominan campos largos, debido a que una implementacin relacional de objetos que contengan estas variables requiere registros que contengan campos cuya longitud pueda ser de varios mega bites. Un campo largo se almacena en un archivo especial (o conjunto de archivos) reservado para almacenamiento de campos largos. El mtodo ms ampliamente utilizado para acceder a campos largos es el mtodo de verificacin de resultados de salida (checkout)/verificacin de datos de entrada (checkin). El usuario comprueba (checkout) la copia de un objeto con campo largo, opera sobre esta copia utilizando programas de aplicacin de propsito especial y comprueba la copia modificada (checkin). Las nociones de verificacin de resultados de salida (checkout) y verificacin de datos de entrada (checkin) corresponden aproximadamente a una lectura y a una escritura. Sin embargo, el resultado de la operacin de verificacin de datos de entrada normalmente no es una escritura sino ms bien la creacin de una nueva versin. 1.4 Sistema administradores de bases de datos orientadas a objetos (SABDOO)
La primera vez que se habla del concepto de un SABD-OO se remonta al ao 1983 con una propuesta de G. Copeland y D. Maier, en la cual sugieren construir tal SABD a partir del lenguaje de programacin Smalltalk y con la colaboracin de miembros del Oregon Graduate Center. De este prototipo se desarrolla un producto y se comercializa en 1988 por Servio Logia, bajo el nombre de GemStone Por otra parte, en ese mismo ao, la compaa Hewlett Packard implementa un proyecto bajo el nombre de Iris. A pesar de que aun no existe un consenso de lo que debe ser un SABD-OO, existen algunas caractersticas mnimas que deben ser satisfechas. En efecto, un SABD para ser considerado con una etiqueta de orientacin a objetos, debe satisfacer al menos los siguientes criterios: Debe ser un SABD en el sentido tradicional Debe ser un sistema orientado a objetos De esta forma, un SAGD-OO debe satisfacer las reglas que aparecen en la figura siguiente: Reglas de bases de datos El sistema debe: Asegurar la persistencia de los datos. Poder administrar en forma eficiente una jerarqua de memorias. Permitir a los usuarios manipular los datos en forma concurrente. Permitir al usuario consultar la base en forma natural y sencilla. Permitir la administracin de objetos complejos. Reglas de orientacin a objetos Los objetos deben tener una identidad independiente de su valor. El sistema debe adems: Permitir la nocin de encapsulamiento. Agrupar los objetos en clases o poder establecer tipos. Definir una jerarqua de clases o de tipos. Permitir la programacin completa de las aplicaciones. Permitir la extensin de las clases o tipos predefinidos por parte del usuario. 1.5 El sistema Postgres Para referenciar uno de los productos que trabajan este tipo de bases de datos hemos tomado el proyecto Postgres. El proyecto Postgres- Post Ingres- inicia en 1986 como una extensin del SABD Ingres. Ha sido escrito en el lenguaje de programacin C y consta de 180000 lneas de cdigo (STON91)
Postgres se apoya en la idea de extender el modelo relacional con mecanismos generales que permitan el soporte de objetos complejos, as como implementar jerarquas de objetos. Entre los mecanismos, se pueden mencionar los tipos de datos abstractos, los datos de tipo procedimiento y las reglas. Una base datos en Postgres se puede ver como un conjunto de tablas. El tipo de un atributo puede ser atmico: entero, punto flotante, booleano, date, o bien estructurado: arreglos o procedimientos. Entre los objetivos principales del sistema Postgres de pueden mencionar los siguientes: Mejorar la administracin de los objetos complejos Permitir la definicin de nuevos tipos de datos, nuevos operadores y nuevos mtodos de acceso. Brindar mecanismos primarios para la definicin de bases de datos. Mejorar la seguridad de funcionamiento.
1.6 Lenguaje de modelado unificado (UML) 1.6.1 Introduccin La intencin de este captulo no es la de hacer un estudio detallado de Uml, es tan solo motivar al lector a que con base en los temas aqu tratados pueda consultar textos avanzados sobre la temtica y su relacin con las bases de datosUml es un lenguaje de modelamiento para la especificacin, visualizacin, construccin y documentacin de los artefactos de un proceso de sistema intensivo. Incluye dentro de otras las siguientes caractersticas: Dentro de un proceso de sistema intensivo, un mtodo es aplicado para llegar o evolucionar un sistema Como un lenguaje, es usado para la comunicacin. Es decir, un medio para capturar el conocimiento (semnticas) respecto a un tema y expresar el conocimiento (sintaxis) resguardando el tema propsito de la comunicacin. El tema es el sistema en estudio. Como un lenguaje para modelamiento, se enfoca en la comprensin de un tema a travs de la formulacin de un modelo del tema (y su contexto respectivo). El modelo abarca el conocimiento cuidando del tema, y la apropiada aplicacin de este conocimiento constituye inteligencia. Cuidando la unificacin, integra las mejores prcticas de la ingeniera de la industria tecnolgica y sistemas de informacin pasando por todos os
tipos de sistemas (software y no - software), dominios (negocios versus software) y los procesos de ciclo de vida. En cuanto a cmo se aplica para especificar sistemas, puede ser usado para comunicar "qu" se requiere de un sistema y "cmo" un sistema puede ser realizado. En cuanto a cmo se aplica para visualizar sistemas, puede ser usado para describir visualmente un sistema antes de ser realizado. En cuanto a cmo se aplica para construir sistemas, puede ser usado para guiar la realizacin de un sistema similar a los "planos". En cuanto a cmo se aplica para documentar sistemas, puede ser usado para capturar conocimiento respecto a un sistema a lo largo de todo el proceso de su ciclo de vida. Uml no es: Un lenguaje de programacin visual, sino un lenguaje de modelamiento visual Una herramienta o depsito de especificacin, sino un lenguaje para modelamiento de especificacin. Un proceso, sino que habilita procesos.
1.6.2 UML, Mtodo o Lenguaje de Modelado? UML es un lenguaje para hacer modelos y es independiente de los mtodos de anlisis y diseo. Existen diferencias importantes entre un mtodo y un lenguaje de modelado. Un mtodo es una manera explcita de estructurar el pensamiento y las acciones de cada individuo. Adems, el mtodo le dice al usuario qu hacer, cmo hacerlo, cundo hacerlo y por qu hacerlo; mientras que el lenguaje de modelado carece de estas instrucciones. Los mtodos contienen modelos y esos modelos son utilizados para describir algo y comunicar los resultados del uso del mtodo. 1.6.2.1 Elementos de Uml: Diagramas: Los diagramas son las grficas que describen el contenido de una vista. UML tiene nueve tipos de diagramas que son utilizados en combinacin para proveer todas las vistas de un sistema: diagramas de caso de uso, de clases, de objetos, de estados, de secuencia, de colaboracin, de actividad, de componentes y de distribucin. Smbolos o Elementos de modelo: Los conceptos utilizados en los diagramas son los elementos de modelo que representan conceptos comunes orientados a
objetos, tales como clases, objetos y mensajes, y las relaciones entre estos conceptos incluyendo la asociacin, dependencia y generalizacin. Un elemento de modelo es utilizado en varios diagramas diferentes, pero siempre tiene el mismo significado y simbologa. Reglas o Mecanismos generales: Proveen comentarios extras, informacin o semntica acerca del elemento de modelo; adems proveen mecanismos de extensin para adaptar o extender UML a un mtodo o proceso especfico, organizacin o usuario 1.6.2.2 Utilidad de UML UML es un lenguaje para modelamiento de propsito general evolutivo, ampliamente aplicable, que puede ser soportado por diferentes herramientas e industrialmente estandarizado. Se aplica a una multitud de diferentes tipos de sistemas, dominios, y mtodos o procesos. Como lenguaje de propsito general, se enfoca en el corazn de un conjunto de conceptos para la adquisicin, comparticin y utilizacin de conocimientos emparejados con mecanismos de extensin. Como un lenguaje para modelamiento ampliamente aplicable, puede ser aplicado a diferentes tipos de sistemas (software y no - software), dominios (negocios versus software) y mtodos o procesos. Como un lenguaje para modelamiento soportable por herramientas, las herramientas ya estn disponibles para soportar la aplicacin del lenguaje para especificar, visualizar, construir y documentar sistemas. Como un lenguaje para modelamiento industrialmente estandarizado, no es un lenguaje cerrado, propiedad de alguien, sino ms bien, un lenguaje abierto y totalmente extensible reconocido por la industria. Mejores tiempos totales de desarrollo (de 50 % o ms). Modelar sistemas (y no slo de software) utilizando conceptos orientados a objetos. Establecer conceptos y artefactos ejecutables. Encaminar el desarrollo del escalamiento en sistemas complejos de misin crtica. Crear un lenguaje de modelado utilizado tanto por humanos como por mquinas. Mejor soporte a la planeacin y al control de proyectos. Alta reutilizacin y minimizacin de costos. UML posibilita la captura, comunicacin y nivelacin de conocimiento estratgico, tctico y operacional para facilitar el incremento de valor, aumentando la calidad,
reduciendo costos y reduciendo el tiempo de presentacin al mercado; manejando riesgos y siendo proactivo para el posible aumento de complejidad o cambio. 1.6.3 Una perspectiva de uml Las siguientes secciones presentan una vista ms detallada al modelado con UML. Un sistema de reserva de aerolneas simple se va a usar para mostrar los diagramas y tcnicas de modelado con UML. Se cubren los siguientes puntos: Organizando tu sistema con paquetes Modelando con Casos de Uso, y usndolos para averiguar los requisitos del sistema Modelando con Diagramas de Secuencia y Colaboracin Analizando y diseando con el Diagrama de Clase, y extendiendo UML con la tcnica de las tarjetas CRC Modelando comportamiento con Diagramas de Actividad y de Estado Modelando componentes de software, distribucin e implementacin Extendiendo UML con el diseo de Bases de Datos relacionales Una de las tareas clave para modelar un sistema de software de grandes dimensiones es dividirlo primero en reas manejables. Aunque estas reas se llaman dominios, categoras o subsistemas, la idea es la misma: dividir el sistema en reas que tengan competencias parecidas. UML introduce la nocin de un paquete como el tem universal para agrupar elementos, permitiendo a los modeladores subdividir y categorizar sistemas. Los paquetes pueden ser usados en cualquier nivel, desde el nivel ms alto, donde son usados para subdividir el sistema en dominios, hasta el nivel ms bajo, donde son usados para agrupar casos de uso individuales, clases, o componentes. Ver fig.34
Figura 34: Organizando el sistema mediante el uso de paquetes 1.6.3.1 Modelado de Casos de Uso Un Caso de Uso es un documento narrativo que describe a los actores utilizando un sistema para satisfacer un objetivo. Es una historia o una forma particular de usar un sistema. Los casos de uso son requisitos, en particular requisitos funcionales. El modelado de Casos de Uso es la tcnica ms efectiva y a la vez la ms simple para modelar los requisitos del sistema desde la perspectiva del usuario. Los Casos de Uso se utilizan para modelar cmo un sistema o negocio funciona actualmente, o cmo los usuarios desean que funcione. No es realmente una aproximacin a la orientacin a objetos; es realmente una forma de modelar procesos. Es, sin embargo, una manera muy buena de dirigirse hacia el anlisis de sistemas orientado a objetos. Los casos de uso son generalmente el punto de partida del anlisis orientado a objetos con UML. El modelo de casos de uso consiste en actores y casos de uso. Los actores representan usuarios y otros sistemas que interaccionan con el sistema. Se dibujan como "muecos" de palo. Actualmente representan el tipo de usuario, no una instancia de usuario. Los casos de uso representan el comportamiento del sistema, los escenarios que el sistema atraviesa en respuesta a un estmulo desde un actor. Se dibujan como elipses.
Figura 35: Modelado de Casos de Uso. Cada caso de uso se documenta por una descripcin del escenario. La descripcin puede ser escrita en modo de texto o en un formato paso a paso. Cada caso de uso puede ser tambin definido por otras propiedades, como las condiciones pre- y
post- del escenario --- condiciones que existen antes de que el escenario comience, y condiciones que existen despus de que el escenario se completa. Los Diagramas de Actividad ofrecen una herramienta grfica para modelar el proceso de un Caso de Uso. Ver fig. 35 1.6.3.2 Estudiar y descubrir los requisitos El objetivo final en cualquier diseo de software es satisfacer los requisitos del usuario para el sistema. Estos requisitos pueden ser requisitos de software, requisitos de productos, o requisitos de pruebas. La meta de capturar y comprobar los requisitos del usuario es asegurar que todos los requisitos son completados por el diseo, y que el diseo es acorde con los requisitos especificados. Muchas veces los requisitos del sistema ya existen en forma de documentos de requisitos. Los casos de uso se utilizan para correlacionar cada escenario con los requisitos que completa. Si los requisitos no existen, modelar el sistema a travs de los Casos de Uso, permite el descubrimiento de estos requisitos. 1.6.3.3 Organizacin de Diagramas de Casos de Uso Durante el anlisis de negocio (business) del sistema, puedes desarrollar un modelo de caso de uso para este sistema, y construir paquetes para representar los varios dominios de negocio (business) del sistema. Puedes descomponer cada paquete con un Diagrama de Caso de Uso que contenga los Casos de Uso de un dominio, con interacciones de actor. 1.6.3.4 Modelar secuencias alternas a travs de la relacin "Extiende" (extends) Tpicamente, uno modela cada Caso de Uso con una secuencia normal de acciones. El usuario entonces considera condiciones "que si" para cada paso, y desarrolla Casos de Uso basados en estas secuencias alternas de eventos. Las secuencias alternas se modelan en casos de uso separados, los cuales estn relacionados con el caso de uso original mediante una relacin "Extiende" (extends). Las relaciones Extiende (extends) pueden ser pensadas como un caso de uso equivalente a herencia, en el cual el caso de uso extendido, hereda y modifica el comportamiento del caso de uso original. 1.6.3.5 Eliminar el modelado redundante a travs de la relacin "Usa" (uses) Para eliminar el modelado redundante de buena parte del comportamiento que aparezca en varios casos de uso, la parte del comportamiento puede ser modelada en un caso de uso separado que est relacionado con los otros casos de uso mediante la relacin "Usa" (uses). La relacin Usa (uses) se puede pensar como un caso de uso equivalente. Ver fig. 36.
Figura 36: Relacin caso de uso Extiende (extends) frente a relacin de caso Usa (uses). 1.6.4. Diagramas de Secuencia El Diagrama de Secuencia es uno de los diagramas ms efectivos para modelar interaccin entre objetos en un sistema. Un diagrama de secuencia se modela para cada caso de uso. Mientras que el diagrama de caso de uso permite el modelado de una vista 'business' del escenario, el diagrama de secuencia contiene detalles de implementacin del escenario, incluyendo los objetos y clases que se usan para implementar el escenario, y mensajes pasados entre los objetos. Tpicamente uno examina la descripcin de un caso de uso para determinar qu objetos son necesarios para la implementacin del escenario. Si tienes modelada la descripcin de cada caso de uso como una secuencia de varios pasos, entonces puedes "caminar sobre" esos pasos para descubrir qu objetos son necesarios para que se puedan seguir los pasos. Un diagrama de secuencia muestra los objetos que intervienen en el escenario con lneas discontinuas verticales, y los mensajes pasados entre los objetos como vectores horizontales. Los mensajes se dibujan cronolgicamente desde la parte superior del diagrama a la parte inferior; la distribucin horizontal de los objetos es arbitraria. Ver fig. 37.
Figura 37: Diagrama de Secuencia para un escenario Durante el anlisis inicial, el modelador tpicamente coloca el nombre 'business' de un mensaje en la lnea del mensaje. Ms tarde, durante el diseo, el nombre 'business' es reemplazado con el nombre del mtodo que est siendo llamado por un objeto en el otro. El mtodo llamado, o invocado, pertenece a la definicin de la case instan ciada por el objeto en la recepcin final del mensaje. 1.6.5. Diagramas de Colaboracin El Diagrama de Colaboracin presenta una alternativa al diagrama de secuencia para modelar interacciones entre objetos en el sistema. Mientras que el diagrama de secuencia se centra en la secuencia cronolgica del escenario que estamos modelando, el diagrama de colaboracin se centra en estudiar todos los efectos de un objeto dado durante un escenario. Los objetos se conectan por medio de enlaces, cada enlace representa una instancia de una asociacin entre las clases implicadas, ver fig. 38. El enlace muestra los mensajes enviados entre los objetos, el tipo de mensaje (sincrnico, asincrnico, simple, blanking, y 'time-out'), y la visibilidad de un objeto con respecto a los otros.
Figura 38: Diagrama de Colaboracin para un grupo de Objetos 1.6.6. Modelando el comportamiento de las Clases con Diagramas de Estado Mientras los diagramas de interaccin y colaboracin modelan secuencias dinmicas de accin entre grupos de objetos en un sistema, el diagrama de estado se usa para modelar el comportamiento dinmico de un objeto en particular, o de una clase de objetos. Un diagrama de estado se modela para todas las clases que se consideran con un comportamiento dinmico. En l, modelas la secuencia de estado que un objeto de la clase atraviesa durante su vida en respuesta a los estmulos recibidos, junto con sus propias respuestas y acciones. Por ejemplo, un comportamiento de un objeto se modela en trminos de en qu estado est inicialmente, y a qu estado cambia cuando recibe un evento en particular. Tambin modelas qu acciones realiza un objeto en un estado en concreto. Los estados representan las condiciones de objetos en ciertos puntos en el tiempo. Los eventos representan incidentes que hacen que los objetos pasen de un estado a otro. Las lneas de transicin describen el movimiento desde un estado hasta otro. Cada lnea de transicin se nombre con el evento que causa esta transicin. Las acciones ocurren cuando un objeto llega a un estado. Ver fig. 39.
Figura 39: Modelando Comportamiento Dinmico de un objeto 'Vuelo' con un diagrama de estado 1.6.7. Diagramas de Actividad El Diagrama de Actividad es un diagrama de flujo del proceso multi-propsito que se usa para modelar el comportamiento del sistema. Los diagramas de actividad se pueden usar para modelar un Caso de Uso, o una clase, o un mtodo complicado. Un diagrama de actividad es parecido a un diagrama de flujo; la diferencia clave es que los diagramas de actividad pueden mostrar procesado paralelo (parallel processing). Esto es importante cuando se usan diagramas de actividad para modelar procesos 'bussiness' algunos de los cuales pueden actuar en paralelo, y para modelar varios hilos en los programas concurrentes. 1.6.7.1 Usando Diagramas de Actividad para modelar Casos de Uso Los Diagramas de Actividad ofrecen una herramienta grfica para modelar el proceso de un Caso de Uso. Se pueden usar como un aadido a una descripcin textual del caso de uso, o para listar los pasos del caso de uso. Una descripcin textual, cdigo, u otros diagramas de actividad pueden detallar ms la actividad. 1.6.7.2 Usando Diagramas de Actividad para modelar Clases Cuando se modela el comportamiento de una clase, un diagrama de estado de UML se suele usar normalmente para modelar situaciones donde ocurren eventos asincrnicos. El diagrama de actividad se usa cuando todos o la mayora de los elementos representan el desarrollo de los pasos dados por las acciones generadas internamente. Ver fig. 40. Deberas asignar actividades a las clases antes de terminar con el diagrama de actividad.
Figura 40: Diagrama de Actividad 1.6.8 Modelando Componentes de Software El Diagrama de Componentes se usa para modelar la estructura del software, incluyendo las dependencias entre los componentes de software, los componentes de cdigo binario, y los componentes ejecutables. En el Diagrama de Componentes modelas componentes del sistema ver fig. 41, a veces agrupados por paquetes, y las dependencias que existen entre componentes (y paquetes de componentes).
Figura 41: Modelando componentes con el Diagrama de Componentes 1.6.9 Modelando la Distribucin y la Implementacin Los Diagramas de Implementacin se usan para modelar la configuracin de los elementos de procesado en tiempo de ejecucin (run-time processing elements) y de los componentes, procesos y objetos de software que viven en ellos. En el diagrama 'deployment', empiezas modelando nodos fsicos y las asociaciones de comunicacin que existen entre ellos. Para cada nodo, puedes indicar qu instancias de componentes viven o corren (se ejecutan) en el nodo. Tambin puedes modelar los objetos que contiene el componente. Los Diagramas de Implementacin ver fig. 42, se usan para modelar slo componentes que existen como entidades en tiempo de ejecucin; no se usan para modelar componentes solo de tiempo de compilacin o de tiempo de enlazado. Puedes tambin modelar componentes que migran de nodo a nodo u objetos que migran de componente a componente usando una relacin de dependencia con el estereotipo 'becomes' (se transforma)
Figura 42: Modelando la Distribucin del Sistema con el Diagrama de Implementacin 1.6.10 Diseo de Bases de Datos Relacionales -- Una extensin informal de UML El Diagrama de Clase presenta un mecanismo de implementacin neutral para modelar los aspectos de almacenado de datos del sistema. Las clases persistentes, sus atributos, y sus relaciones pueden ser implementados directamente en una base de datos orientada a objetos. Aun as, en el entorno de desarrollo actual, la base de datos relacional es el mtodo ms usado para el almacenamiento de datos. Es en el modelado de esta rea donde UML se queda corto. El diagrama de clase de UML se puede usar para modelar algunos aspectos del diseo de bases de datos relacionales, pero no cubre toda la semntica involucrada en el modelado relacional, mayoritariamente la nocin de atributos clave que relacionan entre s las tablas unas con otras. Para capturar esta informacin, un Diagrama de Relacin de Entidad (ER diagram) se recomienda como extensin a UML. El Diagrama de Clase se puede usar para modelar la estructura lgica de la base de datos, independientemente de si es orientada a objetos o relacional, con clases representando tablas, y atributos de clase representando columnas. Si una base de datos relacional es el mtodo de implementacin escogido, entonces el diagrama de clase puede ser referenciados a un diagrama de relacin de entidad lgico. Las clases persistentes y sus atributos hacen referencia directamente a las entidades lgicas y a sus atributos; el modelador dispone de varias opciones sobre cmo inferir asociaciones en relaciones entre entidades. Las relaciones de
herencia son referenciadas directamente a super-sub relaciones entre entidades en un diagrama( ver fig. 43) de relacin de entidad (ER diagram).
Figura 43: Extensin de UML -- Diseo de Bases de Datos Relacionales con el Diagrama de Relacin de Entidad (ER Diagram) Ya en el Diagrama de Relacin de Entidad, el modelador puede empezar el proceso de determinar cmo el modelo relacional encaja; y qu atributos son claves primarias, claves secundarias, y claves externas basadas en relaciones con otras entidades. La idea es construir un modelo lgico que sea conforme a las reglas de normalizacin de datos. Al implementar el diseo relacional, es una estrategia encaminada a hacer referencia al diagrama de relacin de entidad lgico a un diagrama fsico que represente el objetivo, el RDBMS. El diagrama fsico puede ser denormalizado para lograr un diseo de base de datos que tiene tiempos eficientes de acceso a los datos. Las relaciones super-sub entre entidades se resuelven por las estructuras de tablas actuales. Adems, el diagrama fsico se usa para modelar propiedades especficas de cada fabricante para el RDBMS. Se crean varios diagramas fsicos si hay varios RDBMSs siendo 'deployed'; cada diagrama fsico representa uno de los RDBMS que son nuestro objetivo. Ver fig. 44
Figura 44: Relaciones clave entre entidades en un Diagrama de Relacin de Entidad 1.7 Consultas orientadas a objetos Los lenguajes de programacin orientados a objetos requieren que toda la interaccin con objetos sea mediante envo de mensajes. Esto presenta serias limitaciones en las aplicaciones de bases de datos. Considrese el ejemplo del diseo de sistema de computadores y la consulta Encontrar todos los sistemas de computadores que utilicen chips vendidos por Oldblock Corporation. Si seguimos estrictamente el modelo de la programacin orientada a objetos, se deber enviar un mensaje a cada instancia de la clase Chip para verificar su valor vendedor. Si tratramos esta solicitud como un problema de la base de datos, esperaramos que existiera un ndice para la clase Chip para las cuales el campo vendedor fuera Old-block Corporation. La ltima forma de cmo se va a tratar la consulta corresponde a una vista relacional de la base de datos de objetos que vimos. De hecho, podramos
plantear consultas que implicasen intersecciones de conjuntos de objetos. Sin embargo, la vista relacional de objetos est limitada a variables, y gran parte de que el modelo orientado a objetos sea tan atractivo se debe al uso de los mtodos. As, un lenguaje de consultas para un sistema de base de datos orientado a objetos debe incluir tanto el modelo de pasar el mensaje de objeto en objeto (un objeto cada vez) como el modelo de pasar el mensaje de conjunto en conjunto en conjunto (un conjunto cada vez). La mezcla del proceso con los dos modelos conduce a serias complicaciones en el diseo del lenguaje, a menudo conocido como impedancia desajustada.
Captulo 2.
Bodega de datos
2.1 Introduccin Hoy en da se habla mucho del tema de Data Warehousing o Bodega de Datos, que permite la utilizacin de los datos de una Organizacin o un conjunto de ellas, como soporte en la toma de decisiones. Est informacin puede provenir de mltiples fuentes heterogneas no slo en ambiente de computacin sino tambin en formato, ambiente de captura, significado, etc, informacin toda esta indispensable en su interpretacin y correcta utilizacin y que es lo que se conoce como Metadatos. La funcin de una Bodega de Datos es la de entregar la informacin correcta a la gente indicada en el momento adecuado en el formato correcto. Cuntos tornillos se vendieron el ao pasado en el ltimo trimestre? Quien? En que Departamentos o ciudades? Cuanto fueron las ventas totales en este trimestre? Cules campaas de publicidad dieron el mejor resultado? Las ventas se incrementaron como resultado de las campaas de las ltimas semanas? Cules son las caractersticas de un cliente tpico? Cules han sido los valores histricos de la razn cida, para un conjunto de compaas que conforman un pool? Cmo es la composicin de las cuentas del presupuesto? Estas son las preguntas a las que la Bodega de Datos tiene respuestas. Sin embargo vale la pena aclarar que Bodega de Datos no es un proyecto de implementacin de una herramienta de mercadeo. Es una forma de operar dentro de una organizacin. Inicia con el proceso de recoleccin, transformacin y lanzamiento de los datos, que se conoce como el proceso de Scrubbing. Almacena los metadatos en lo que se conoce como repositorio y a partir de ah permite que la informacin se analice y se presente en la forma que necesita el usuario. Los datos pueden ser extractados de grandes aplicaciones en Mainframe o de mltiples fuentes distribuidas, de ambiente C/S, en ambientes dismiles. Usualmente los datos son transformados (reformateados o agregados) antes de ser colocados en la Bodega de Datos. La problemtica de Bodega de Datos difiere de compaa en compaa. Una puede necesitar una Base de Datos centralizada, mientras que una organizacin
distribuida a lo largo del pas o del mundo puede necesitar de una gran Base de Datos distribuida. 2.2 Construccin y manejo de una bodega de datos Si la organizacin tiene muchos datos de aplicaciones tradicionales y est buscando una solucin para transferir grandes volmenes de datos de un Mainframe, se necesita una solucin de Bodega de Datos de fuerza industrial para hacer transferencia bruta de datos diferentes de fuentes en Mainframes a Bodegas de Datos en DB2 o en Unix. Se requiere de alguna herramienta para poblar y actualizar la Bodega de Datos que realice extraccin de datos a altas velocidades y altos volmenes de datos, traslade y distribuya de mltiples y diferentes Bases de Datos en Mainframes en la BODEGA y ojal elimine la necesidad de escribir complejos programas y rutinas de conversin. Usualmente estas herramientas tienen habilidades grficas y proveen de criterio de seleccin fcilmente puede llevar los datos al formato requerido en la Base de Datos. Por definicin Bodega de Datos es una coleccin de datos actualizada, por lo tanto la herramienta utilizada debe completar las actualizaciones en el momento. Distribucin de datos es el proceso de mover los datos extractados y trasladarlos a la Bodega de Datos o a diferentes Bases de Datos en cualquier plataforma en cualquier sitio. Una herramienta de distribucin define Base de Datos Objetivo, informacin de conversin y entrada y salida de datos. Una vez creadas estas definiciones, pueden ser salvadas para ser reutilizadas, editadas o ejecutadas posteriormente. Algunas soluciones de Bodega de Datos requieren de enrutadores de datos o rutinas de sincronizacin mas sofisticadas a travs de ambientes mltiples y heterogneos. Este tipo de proceso puede necesitar un movimiento vi direccional entre las plataformas Mainframe y C/S para mantener actualizada y sincronizada la Base de Datos en todas las localidades.
2.3 Manejo de los metadatos El repositorio sirve como un sitio para almacenar los datos de los activos de informacin de una organizacin. Abarca todos los datos de la organizacin, sin
importar cual es la fuente original y facilita el entendimiento de toda la empresa y controla la existencia de los recursos de datos existentes. El repositorio sirve como una gua para definir un ambiente de migracin de datos. Contiene: El mapeo entre las fuentes y/o la Bodega de Datos objetivo Requerimientos de traslado de la informacin Reglas de negocio Pista de auditoria 2.4 Acceso y anlisis de datos. Una vez que la Bodega de Datos se ha llenado de informacin, los usuarios finales estn listos para acceder y analizar los datos. Para dar respuestas a las necesidades de usuarios finales en cualquier plataforma, se provee de algunas herramientas especializadas para hacer reportes y queries algunas muy sofisticadas, para desarrolladores de aplicaciones de oficina y usuarios poderosos que necesitan revisar datos sumarizados de la Bodega as como crecientes niveles de detalle. 2.5 Manejo de sistemas La Base de Datos de la Bodega debe ser frecuentemente mantenida y manejada por DBAs para reducir el impacto en el desempeo del sistema y recursos. Par ser eficiente y productivo, el proceso de Bodega de Datos debe ser automatizado dentro de un ambiente de produccin. Las herramientas necesarias para su mantenimiento, se clasifican en: Herramientas de manejos de Base de Datos Sistemas para manejo de Procesos de Jobs Resolucin de Problemas (Help Desk) Manejo de Almacenamiento y desempeo Seguridad Distribucin.
3. Construccin de la bodega de datos Para abordar un proyecto de Bodega de Datos es necesario hacer el levantamiento de algunos temas generales de la Organizacin. Estos se agrupan en los siguientes tpicos: 3.1 Ambiente actual
Con el objetivo de recomendar el ms apropiado curso de accin para construir y utilizar una Bodega de Datos, es crtico entender el negocio y el ambiente tecnolgico actual de la Organizacin. Cualquier solucin propuesta de Bodega de Datos debe estar muy orientada por las necesidades del negocio y debe ser compatible con la arquitectura tcnica existente y planteada de la compaa. 3.2 Ambiente de Negocios. Es indispensable tener el conocimiento exacto sobre el tipo de negocios de la Organizacin y el soporte que representa la informacin dentro de todo su proceso de toma de decisiones. 3.3 Ambiente tcnico Se debe tener un claro concepto desde una perspectiva tcnica de los Sistemas de Informacin de la Organizacin. En este anlisis se debe tener claridad del ambiente tcnico actual y futuro a nivel de detalle. Se debe incluir tanto el aspecto de ambiente hardware: mainframes, servidores, redes., as como aplicativos y herramientas. Se dar gran foco a los Sistemas de soporte en la decisin, si existe en la actualidad, como operan, etc. 3.4 Expectativas de los usuarios El punto es determinante en el xito de un proyecto de Bodega de Datos puesto que no hay que perder de vista que Bodega de Datos no es un proyecto tecnolgico, es una forma de Vida de las Organizaciones y como tal, tiene que contar con el apoyo de todos los usuarios y su convencimiento sobre su bondad. 4. Estrategias recomendadas para diseo de datos La metodologa recomendada es iniciar con un prototipo. 4.1 Prototipo: La meta del prototipo de Bodega de Datos es proveer a los usuarios finales con una aproximacin de lo que la Bodega de Datos les puede proporcionar en un perodo de tiempo tan corto como sea posible tal que el grupo de Bodega de Datos pueda demostrar los beneficios de la Bodega de Datos a los usuarios y recolectar lo ms pronto la retroalimentacin crtica de los usuarios. Las estructuras de Datos apropiadas pueden ser distribuidas herramientas de acceso de datos a usuarios finales y aplicaciones para realizar queries. Deben ser creadas herramientas de soporte en la Decisin si es aplicable. Sin embargo el proceso de integrar y transformar los datos de la Bodega de Datos no ser completamente automatizado.
En la mayora de los casos el prototipo contemplar una cargada no repetible (de una sola vez) de los datos de las estructuras de las Bodegas de Datos. La plataforma y la Base de Datos para el almacenamiento puede tambin diferir de aquellas para la arquitectura definitiva de Bodega de Datos, lo que es importante tambin, es que la presentacin de los Datos al usuario final sea tan fiel como sea posible para que sea igualmente presentada en posteriores etapas de la Bodega de Datos. 4.2 Piloto En la construccin de una Bodega de Datos, se debe observar especial cuidado porque es la primera fase del proyecto en el cual el equipo de Bodega de Datos utilizar los mtodos, tcnicas y herramientas que ser la base para una Bodega de Datos completa. Por esta razn el proyecto piloto de Bodega de Datos debe tener un pequeo alcance y tiempo adicional comparativamente con los esfuerzos sucesivos de Bodega de Datos. 4.3 Prueba del concepto tecnolgico La prueba del concepto tecnolgico es un paso opcional que se puede necesitar para definir si la arquitectura especificada para la Bodega de Datos funcionar finalmente como se intenta. En la mayora de proyectos de Bodega de Datos el esfuerzo del piloto ha servido tambin como la prueba del concepto para la arquitectura tcnica. Es crtico que la prueba del concepto tecnolgico no est cercana al prototipo, dado que la meta del prototipo es poner datos en las manos de los usuarios tan pronto como sea posible. 4.4 Arquitectura de la Bodega de Datos. Datos de los sistemas de Aplicacin y de otras fuentes de Bodegas de Datos deben ser peridicamente extrados y alimentados en la capa de Data Scrubbing. La extraccin debe ser realizada en muchos casos utilizando los programas para acompaar esta tarea. El Data scrubbing debe ser hecho bien sea con ayuda de programas desarrollados para esto, o con ayuda de herramientas de scrubbing tales como Platinum Infopump. El corazn de la Bodega de Datos debe ser organizado desde un punto de vista de negocio. Se debe utilizar una estructura de Datos para el corazn de la Bodega de Datos, ligeramente normalizada. Esta estructura de Datos parece estar normalizada cuando se ve al nivel de Entidad-relacin. Cuando se miran los atributos sin embargo, la estructura de datos puede estar desnormalizada. Esta representa una visin de negocio de la compaa y sus datos, independiente de cuanto usuarios este mirando a esos datos en un momento en particular. Esto es
importante debido a que la forma en que la informacin es usada, cambiar frecuentemente y se necesita una Base de Datos estable para soportar el cambio. Por esta razn se debe utilizar una serie de Data Marts para proveer a los usuarios finales con fcil acceso a sus datos. Los Data Marts deben consistir en Datos extrados del corazn de la Bodega de Datos y reorganizados y/o reformateados para hacer ms fcil su uso para diferentes propsitos. Pero fofo que esos propsitos especficos pueden cambiar en el tiempo, los Data Marts deben ser concebidos con estructuras de Datos temporales. Cuando los usuarios no ven ms los datos como estn presentados por un Data Mart en particular, este Data Mart debe ser removido. Y mientras los usuarios desarrollan nuevas formas de hacer bsquedas y mirar los datos, deben ser creados nuevos Data Marts para hacer sus bsquedas ms simples y con un mejor desempeo.
Los Data Mart pueden incluir una gran variedad de estilos de tablas. Algunas pueden ser simplemente un subconjunto de datos de la Bodega de Datos, conteniendo solamente datos para una particular zona geogrfica, un perodo especfico de tiempo, una unidad de negocios.
Es crtico que los usuarios sean provistos del mtodo apropiado para utilizar la informacin de las Bodegas de Datos. No se debe esperar que un usuario novato negocie una compleja y poderosa herramienta slo para hacer una simple pregunta de la Bodega de Datos. Similarmente un usuario adelantado rpidamente quedar frustrado con la Bodega de Datos si el o ella esperan hacer un complejo anlisis de negocio usando una herramienta de acceso con menos poder del que se necesita. Es importante reconocer que hay diferentes estilos de usuarios finales cada uno con su propio nivel de conocimiento y necesidades, para as proveer de apropiados mecanismos de acceso para cada clase de usuarios.
4.5 Factores de riesgo Es importante conocerlos para poder monitorearlos. Son stos: Expectativas de los usuarios. Se debe trabajar con las expectativas de los usuarios. Muchas veces el xito depende de la diferencia entre lo que los usuarios esperan y lo que ellos perciben que les es entregado. Es crtico que el equipo de Bodega de Datos comunique las expectativas acerca de lo que ser entregado muy claramente y ayude al usuario final a entender la naturaleza iterativa de construir una Bodega de Datos.
Experiencia con Bodegas de Datos. Este riesgo se puede reducir con el uso juicioso de experiencias de proveedores y consultores. Direccin estratgica. Es relativamente lgico definir un punto de inicio lgico para la Bodega de Datos. Sin embargo cuando esta primera rea se haya completado, es ms difcil identificar reas para esfuerzos futuros y asegurar que esos esfuerzos estn alineados con los objetivos y necesidades del negocio. El riesgo se puede mitigar siguiendo la estrategia recomendada de la Bodega, para entender las necesidades y prioridades de la informacin del negocio y desarrollar una implementacin de Bodega de Datos a largo plazo que cumpla con estas propiedades.
5. Minera de Datos 5.1. Introduccin Esta unidad tiene como propsito introducir al lector en los conceptos fundamentales de la minera de datos y su relacin con las bodegas de datos, no es la intencin de profundizar en cada uno de los temas, estos pueden ser ampliados en la bibliografa recomendada, es necesario que el lector tenga conocimientos en base de datos relacionales y distribuidas para una mejor comprensin del tema. Data Mining, la extraccin de informacin oculta y predecible de grandes bases de datos, es una poderosa tecnologa nueva con gran potencial para ayudar a las compaas a concentrarse en la informacin ms importante de sus Bases de Informacin (Data Warehouse). Las herramientas de Data Mining predicen futuras tendencias y comportamientos, permitiendo en los negocios tomar decisiones proactivas y conducidas por un conocimiento acabado de la informacin (knowledge-driven). Los anlisis prospectivos automatizados ofrecidos por un producto as van ms all de los eventos pasados provistos por herramientas retrospectivas tpicas de sistemas de soporte de decisin. Las herramientas de Data Mining pueden responder a preguntas de negocios que tradicionalmente consumen demasiado tiempo para poder ser resueltas y a los cuales los usuarios de esta informacin casi no estn dispuestos a aceptar. Estas herramientas exploran las bases de datos en busca de patrones ocultos, encontrando informacin predecible que un experto no puede llegar a encontrar porque se encuentra fuera de sus expectativas. Las tcnicas de minera de datos se emplean para mejorar el rendimiento de procesos de negocio o industriales en los que se manejan grandes volmenes de informacin estructurada y almacenada en bases de datos. Por ejemplo, se usan con xito en aplicaciones de control de procesos productivos, como herramienta de ayuda a la planificacin y a la decisin en marketing, finanzas, etc. Asimismo, la minera de datos es fundamental en la investigacin cientfica y tcnica, como herramienta de anlisis y descubrimiento de conocimiento a partir de datos de observacin o de resultados de experimentos. 5.2. Los Fundamentos del Data Mining Las tcnicas de Data Mining son el resultado de un largo proceso de investigacin y desarrollo de productos. Esta evolucin comenz cuando los datos de negocios fueron almacenados por primera vez en computadoras, y continu con mejoras en el acceso a los datos, y ms recientemente con tecnologas generadas para permitir a los usuarios navegar a travs de los datos en tiempo real. Data Mining toma este proceso de evolucin ms all del acceso y navegacin retrospectiva de los datos, hacia la entrega de informacin prospectiva y proactiva. Data Mining est lista para su aplicacin en la comunidad de negocios porque est soportado por tres tecnologas que ya estn suficientemente maduras:
Recoleccin masiva de datos Potentes computadoras con multiprocesadores Algoritmos de Data Mining Las bases de datos comerciales estn creciendo a un ritmo sin precedentes. Un reciente estudio del META GROUP sobre los proyectos de Data Warehouse encontr que el 19% de los que contestaron estn por encima del nivel de los 50 Gigabytes, mientras que el 59% espera alcanzarlo en el segundo trimestre de 1997. En algunas industrias, tales como ventas al por menor (retail), estos nmeros pueden ser an mayores. La necesidad paralela de motores computacionales mejorados puede ahora alcanzarse de forma ms efectiva con de con multiprocesamiento paralelo. Los de Data Mining utilizan tcnicas que han existido por lo menos desde hace 10 aos, pero que slo han sido implementadas recientemente como herramientas maduras, confiables, entendibles que consistentemente son ms performantes que estadsticos clsicos. Los componentes esenciales de la de Data Mining han estado bajo desarrollo por dcadas, en reas de investigacin como estadsticas, inteligencia artificial y aprendizaje de mquinas. Hoy, la madurez de estas tcnicas, junto con los motores de bases de datos relacionales de alta performance, hicieron que estas tecnologas fueran prcticas para los entornos de data warehouse actuales. 5.3. El Alcance de Data Mining El nombre de Data Mining deriva de las similitudes entre buscar valiosa informacin de negocios en grandes bases de datos, por ej.: encontrar informacin de la venta de un producto entre grandes montos de Gigabytes almacenados, minar una montaa para encontrar una veta de metales valiosos. Ambos procesos requieren examinar una inmensa cantidad de material, o investigar inteligentemente hasta encontrar exactamente donde residen los valores. Dadas bases de datos de suficiente tamao y calidad, la tecnologa de Data Mining puede generar nuevas oportunidades de negocios al proveer estas capacidades: Prediccin automatizada de tendencias y comportamientos. Data Mining automatiza el proceso de encontrar informacin predecible en grandes bases de datos. Preguntas que tradicionalmente requeran un intenso anlisis manual, ahora pueden ser contestadas directa y rpidamente desde los datos. Un tpico ejemplo de problema predecible es el marketing apuntado a objetivos (targeted marketing). Data Mining usa datos en mailing promocionales anteriores para identificar posibles objetivos para maximizar los resultados de la inversin en futuros mailing. Otros problemas predecibles incluyen pronsticos de problemas financieros futuros y otras formas de incumplimiento, e identificar segmentos de poblacin que probablemente respondan similarmente a eventos dados.
Descubrimiento automatizado de modelos previamente desconocidos. Las herramientas de Data Mining barren las bases de datos e identifican modelos previamente escondidos en un slo paso. Otros problemas de descubrimiento de modelos incluye detectar transacciones fraudulentas de tarjetas de crditos e identificar datos anormales que pueden representar errores de tipeado en la carga de datos.
Las tcnicas de Data Mining pueden redituar los beneficios de automatizacin en las plataformas de hardware y software existentes y puede ser implementadas en sistemas nuevos a medida que las plataformas existentes se actualicen y nuevos productos sean desarrollados. Cuando las herramientas de Data Mining son implementadas en sistemas de procesamiento paralelo de alta performance, pueden analizar bases de datos masivas en minutos. Procesamiento ms rpido significa que los usuarios pueden automticamente experimentar con ms modelos para entender datos complejos. Alta velocidad hace que sea prctico para los usuarios analizar inmensas cantidades de datos. Grandes bases de datos, a su vez, producen mejores predicciones.
Las bases de datos pueden ser grandes tanto en profundidad como en ancho: Ms columnas. Los analistas muchas veces deben limitar el nmero de variables a examinar cuando realizan anlisis manuales debido a limitaciones de tiempo. Sin embargo, variables que son descartadas porque parecen sin importancia pueden proveer informacin acerca de modelos desconocidos. Un Data Mining de alto rendimiento permite a los usuarios explorar toda la base de datos, sin preseleccionar un subconjunto de variables. Ms filas. Muestras mayores producen menos errores de estimacin y desvos, y permite a los usuarios hacer inferencias acerca de pequeos pero importantes segmentos de poblacin. 5.4. Fases de un Proyecto de Minera de Datos Los pasos a seguir para la realizacin de un proyecto de minera de datos son siempre los mismos, independientemente de la tcnica especfica de extraccin de conocimiento usada. Ver fig. 45.
Figura 45: Fases de un Proyecto de Minera de Datos El proceso de minera de datos pasa por las siguientes fases: Filtrado de datos Seleccin de variables Extraccin de conocimiento Interpretacin y evaluacin Si desea obtener una descripcin ms detallada, puede consultar la documentacin de CRISP-DM. CRISP-DM (CRoss Industry Standard Process for Data Mining) es un estndar industrial utilizado por ms de 160 empresas e instituciones de todo el mundo, que surge en respuesta a la falta de estandarizacin y propone un modelo de proceso general para proyectos de minera de datos. 5.5. Cmo Trabaja el Data Mining? Cun exactamente es capaz Data Mining de decirle cosas importantes que usted desconoce o que van a pasar? La tcnica usada para realizar estas hazaas en Data Mining se llama Modelado. Modelado es simplemente el acto de construir un modelo en una situacin donde usted conoce la respuesta y luego la aplica en otra situacin de la cual desconoce la respuesta. Por ejemplo, si busca un galen espaol hundido en los mares lo primero que podra hacer es investigar otros tesoros espaoles que ya fueron encontrados en el pasado. Notara que esos barcos frecuentemente fueron encontrados fuera de las costas de Bermuda y que hay ciertas caractersticas respecto de las corrientes ocenicas y ciertas rutas que probablemente tomara el capitn del barco en esa poca. Usted nota esas similitudes y arma un modelo que incluye las caractersticas comunes a todos los sitios de estos tesoros hundidos. Con estos modelos en mano sale a buscar el tesoro donde el modelo indica que en el pasado hubo ms probabilidad de darse una situacin similar. Con un poco de esperanza, si tiene un buen modelo, probablemente encontrar el tesoro. Este acto de construccin de un modelo es algo que la gente ha estado haciendo desde hace mucho tiempo, seguramente desde antes del auge de las computadoras y de la tecnologa de Data Mining. Lo que ocurre en las computadoras, no es muy diferente de la manera en que la gente construye
modelos. Las computadoras son cargadas con mucha informacin acerca de una variedad de situaciones donde una respuesta es conocida y luego el software de Data Mining en la computadora debe correr a travs de los datos y distinguir las caractersticas de los datos que llevarn al modelo. Una vez que el modelo se construy, puede ser usado en situaciones similares donde usted no conoce la respuesta. Si alguien le dice que tiene un modelo que puede predecir el uso de los clientes, Cmo puede saber si es realmente un buen modelo? La primera cosa que puede probar es pedirle que aplique el modelo a su base de clientes - donde usted ya conoce la respuesta. Con Data Mining, la mejor manera para realizar esto es dejando de lado ciertos datos para aislarlos del proceso de Data Mining. Una vez que el proceso est completo, los resultados pueden ser testeados contra los datos excluidos para confirmar la validez del modelo. Si el modelo funciona, las observaciones deben mantenerse para los datos excluidos. 5.6. Una arquitectura para Data Mining Para aplicar mejor estas tcnicas avanzadas, stas deben estar totalmente integradas con el data warehouse as como con herramientas flexibles e interactivas para el anlisis de negocios. Varias herramientas de Data Mining actualmente operan fuera del warehouse, requiriendo pasos extra para extraer, importar y analizar los datos. Adems, cuando nuevos conceptos requieren implementacin operacional, la integracin con el warehouse simplifica la aplicacin de los resultados desde Data Mining. El Data warehouse analtico resultante puede ser aplicado para mejorar procesos de negocios en toda la organizacin, en reas tales como manejo de campaas promocionales, deteccin de fraudes, lanzamiento de nuevos productos, etc. El punto de inicio ideal es un data warehouse que contenga una combinacin de datos de seguimiento interno de todos los clientes junto con datos externos de mercado acerca de la actividad de los competidores. Informacin histrica sobre potenciales clientes tambin provee una excelente base para prospecting. Este warehouse puede ser implementado en una variedad de sistemas de bases relacionales y debe ser optimizado para un acceso a los datos flexible y rpido. Un server multidimensional OLAP permite que un modelo de negocios ms sofisticado pueda ser aplicado cuando se navega por el data warehouse. Las estructuras multidimensionales permiten que el usuario analice los datos de acuerdo a como quiera mirar el negocio - resumido por lnea de producto, u otras perspectivas claves para su negocio. El server de Data Mining debe estar integrado con el data warehouse y el server OLAP para insertar el anlisis de negocios directamente en esta infraestructura. Un avanzado, metadata centrado en procesos define los objetivos del Data Mining para resultados especficos tales como manejos de campaa, prospecting, y optimizacin de promociones. La integracin con el data warehouse permite que decisiones operacionales sean implementadas directamente y monitoreadas. A medida que el data warehouse
crece con nuevas decisiones y resultados, la organizacin puede "minar" las mejores prcticas y aplicarlas en futuras decisiones. Este diseo representa una transferencia fundamental desde los sistemas de soporte de decisin convencionales. Ms que simplemente proveer datos a los usuarios finales a travs de software de consultas y reportes, el server de Anlisis Avanzado aplica los modelos de negocios del usuario directamente al warehouse y devuelve un anlisis proactivo de la informacin ms relevante. Estos resultados mejoran los metadatos en el server OLAP (procesamiento analtico on-line) proveyendo una estrato de metadatos que representa una vista fraccionada de los datos. Generadores de reportes, visualizadores y otras herramientas de anlisis pueden ser aplicadas para planificar futuras acciones y confirmar el impacto de esos planes. 5.7. Tcnicas ms comnmente usadas en Data Mining: Redes neuronales artificiales: modelos predecible no-lineales que aprenden a travs del entrenamiento y semejan la estructura de una red neuronal biolgica. rboles de decisin: estructuras de forma de rbol que representan conjuntos de decisiones. Estas decisiones generan reglas para la clasificacin de un conjunto de datos. Mtodos especficos de rboles de decisin incluyen rboles de Clasificacin y Regresin (CART: Classification And Regression Tree) y Deteccin de Interaccin Automtica de Chi Cuadrado (CHAI: Chi Square Automatic Interaction Detection) Algoritmos genticos: tcnicas de optimizacin que usan procesos tales como combinaciones genticas, mutaciones y seleccin natural en un diseo basado en los conceptos de evolucin. Mtodo del vecino ms cercano: una tcnica que clasifica cada registro en un conjunto de datos basado en una combinacin de las clases del/de los k registro (s) ms similar/es a l en un conjunto de datos histricos (donde k 1). Algunas veces se llama la tcnica del vecino k-ms cercano. Regla de induccin: la extraccin de reglas if-then de datos basados en significado estadstico. Muchas de estas tecnologas han estado en uso por ms de una dcada en herramientas de anlisis especializadas que trabajan con volmenes de datos relativamente pequeos. Estas capacidades estn ahora evolucionando para integrarse directamente con herramientas OLAP y de Data Warehousing.
La intencin de este modulo no es la de profundizar en cada una de estas reglas, el lector interesado en profundizar el tema puede hacerlo en la bibliografa 4 recomendada o en la web.
F$ '9 '"$P *1 C 1
%3 '
"
! * 1 , '$ A "$ "* % ' * *
Glosario de Trminos de Data Mining Algoritmos genticos: Tcnicas de optimizacin que usan procesos tales como combinacin gentica, mutacin y seleccin natural en un diseo basado en los conceptos de evolucin natural. Anlisis de series de tiempo (time-series): Anlisis de una secuencia de medidas hechas a intervalos especficos. El tiempo es usualmente la dimensin dominante de los datos. Anlisis prospectivo de datos: Anlisis de datos que predice futuras tendencias, comportamientos o eventos basado en datos histricos. Anlisis exploratorio de datos: Uso de tcnicas estadsticas tanto grficas como descriptivas para aprender acerca de la estructura de un conjunto de datos. Anlisis retrospectivo de datos: Anlisis de datos que provee una visin de las tendencias , comportamientos o eventos basado en datos histricos. rbol de decisin: Estructura en forma de rbol que representa un conjunto de decisiones. Estas decisiones generan reglas para la clasificacin de un conjunto de datos. Ver CART y CHAID. Base de datos multidimensional: Base de datos diseada para procesamiento analtico on-line (OLAP). Estructurada como un hipercubo con un eje por dimensin. CART rboles de clasificacin y regresin: Una tcnica de rbol de decisin usada para la clasificacin de un conjunto da datos. Provee un conjunto de reglas que se pueden aplicar a un nuevo (sin clasificar) conjunto de datos para predecir cules registros darn un cierto resultado. Segmenta un conjunto de datos creando 2 divisiones. Requiere menos preparacin de datos que CHAID . CHAID Deteccin de interaccin automtica de Chi cuadrado: Una tcnica de rbol de decisin usada para la clasificacin de un conjunto da datos. Provee un conjunto de reglas que se pueden aplicar a un nuevo (sin clasificar) conjunto de datos para predecir cules registros darn un cierto resultado. Segmenta un conjunto de datos utilizando tests de chi cuadrado para crear mltiples divisiones. Antecede, y requiere ms preparacin de datos, que CART. Clasificacin: Proceso de dividir un conjunto de datos en grupos mutuamente excluyentes de tal manera que cada miembro de un grupo est lo "ms cercano" posible a otro, y grupos diferentes estn lo "ms lejos" posible uno del otro, donde la distancia est medida con respecto a variable(s) especfica(s) las cuales se estn tratando de predecir. Por ejemplo, un
problema tpico de clasificacin es el de dividir una base de datos de compaas en grupos que son lo ms homogneos posibles con respecto a variables como "posibilidades de crdito" con valores tales como "Bueno" y "Malo". Clustering (agrupamiento): Proceso de dividir un conjunto de datos en grupos mutuamente excluyentes de tal manera que cada miembro de un grupo est lo "ms cercano" posible a otro, y grupos diferentes estn lo "ms lejos" posible uno del otro, donde la distancia est medida con respecto a todas las variables disponibles. Data cleansing: Proceso de asegurar que todos los valores en un conjunto de datos sean consistentes y correctamente registrados. Data Mining: La extraccin de informacin predecible escondida en grandes bases de datos. Data Warehouse: Sistema para el almacenamiento y distribucin de cantidades masivas de datos Datos anormales: Datos que resultan de errores (por ej.: errores en el tipeado durante la carga) o que representan eventos inusuales. Dimensin: En una base de datos relacional o plana, cada campo en un registro representa una dimensin. En una base de datos multidimensional, una dimensin es un conjunto de entidades similares; por ej.: una base de datos multidimensional de ventas podra incluir las dimensiones Producto, Tiempo y Ciudad. Modelo analtico: Una estructura y proceso para analizar un conjunto de datos. Por ejemplo, un rbol de decisin es un modelo para la clasificacin de un conjunto de datos Modelo lineal: Un modelo analtico que asume relaciones lineales entre una variable seleccionada (dependiente) y sus predictores (variables independientes). Modelo no lineal: Un modelo analtico que no asume una relacin lineal en los coeficientes de las variables que son estudiadas. Modelo predictivo: Estructura y proceso para predecir valores de variables especificadas en un conjunto de datos. Navegacin de datos: Proceso de visualizar diferentes dimensiones, "fetas" y niveles de una base de datos multidimensional. Ver OLAP. OLAP Procesamiento analtico on-line (On Line Analitic prossesing): Se refiere a aplicaciones de bases de datos orientadas a array que permite a los usuarios ver, navegar, manipular y analizar bases de datos multidimensionales.
Regresin lineal: Tcnica estadstica utilizada para encontrar la mejor relacin lineal que encaja entre una variable seleccionada (dependiente) y sus predicados (variables independientes). Regresin logstica: Una regresin lineal que predice las proporciones de una variable seleccionada categrica, tal como Tipo de Consumidor, en una poblacin.
!" #
$%
BATINI C.; Ceri S.; Navathe S. Diseo conceptual de bases de datos. Un enfoque de entidades-interrelaciones. 1994. Ed. Addison-Wesley. CASTAO A.; Piattini M. Fundamentos y modelos de bases de datos. 1999. Ed. Alfaomega. Segunda edicin. CERI S, Pelagatti G.,Distributed databases principles & systems.. Ed. MacGraw-Hill. 1985. DATE, C. J, Introduccin a los sistemas de bases de datos. Ed. Prentice Hall. Sptima edicin. DORSEY, P, Hudicka Oracle8. Diseo de bases de datos con UML. J. Ed. Oracle press. 1999. KROENKE,D. Procesamiento de bases de datos. Fundamentos, diseo e implementacin. 2003. Ed. Pearson Education. Octava edicin SILVERSCHATZ, Korth y Sudarshan, Fundamentos de bases de datos, Ed MacGraw-Hill. Cuarta edicin OTZU, Valduriez, Distributed databases, Ed. MacGraw-Hill. ULLMAN, J Principles of database systems, Ed. Computer science press, 1982. CIBERGRAFIA
QQQ 1 % $%R $' *R # % " *% '* *%R " ),1 " QQQ & # *,* ! '$ R 1 ,1 ' %S ) QQQ $1& # *,*" $% ,
QQQ * QQQ 0 '*1 , #
ANEXO
Resultados de ejemplos referenciados en la seccin 2 lgebra Relacional
"&
, $ $1( ' T DV N %* N V -; $ ! '
'
V ;DN D DV N ; -V -DN V -DN D *' *1 % "T $" "$ 1 * $" T$P ; V DN *N@N 1DN @ DN 1 DN 1 @ ;W D; 1 & W ' D *N@ N
> ) 1 $' $ *U *U "$%"$ W W W W WW W WD W
> ) 1 $' $ *U *U *% * ) ; W W N WV W W
# * $'
W W --W D W W --N ; D
W W --V V D W W W D W
2 % *0 X* *,*'
( V ;DN D -V -DN , $ *' *1 % "T $" T$P $1( ' T DV N $ ! ' *N@N 1 @ ;W D; & 1 # * $' W ' D
- N ;D ;DN NDV -V
* * %%* V ND / %* > '9 $ '"$P ; NDV N / %* 9$P ;W DN V W
D@N 1;D @ W ; 1 1V @ W 1 W
# )
* $' $ F/ D ; D E NW W VYW ;
* * %%*' C * $'* 1 $'* 1 $'* 1
"$1 $' * 1 1 * 1 $# *'$ D
5 -V WN W W; W -V
U $5 "
V ;DN D V ;DN D
U )( $
V ;DN D -V -DN V ;DN D V ;DN D -V -DN
;DN NDV -V NDV -V
1 $% 1 "$ 1 &$ * ! *" * ' , $ $1( ' T *' *1 % "T DV N * * %%* V ND / %* > '9 $ '"$P ; NDV N / %* 9$P ;W DN V W
$%< $ ! ' *N@N D@N 1 ;D @ W ; 1 1V @ W 1 W # * $'
V ;DN D - N ;D ;DN NDV -V
1 $% 1 "$ 1 &$ * ! *" * ' * $' $ * * F/ D ; %%*'
$% "$1 $' * 5 -
3 $% 1 $% $1 *" , $ *' *1 % "T $" T$P * * %%* / %* > '9 $ '"$P / %* 9$P $ ! ' *N@N 1 @ ;W D; & 1 D@ N 1;D @ W ; 1 1V @ W 1 W
W ' D
<
# * $' V ;DN D DV N ; -V -DN V -DN D
( *# )
, $ V ; D DN -V -D N *' *1 % "T $" T$P
$1( ' T DV N
! '
# $' *
* $' $ F/ D ;
* * %%*' %%*' %%*' %%*' %%*' C * C * C * C * C * $'* 1 $'* 1 $'* 1 $'* 1
"$1 $' * $' * $' * $' * $' * 1 1 * 1 1 * 1 1 * 1 1 * 1 1 * 1 1 1 1
5 -V -V -V -V -V WN W WN W WN W WN W
*N @N 1 @ ;W D; & 1 W ' D
F/ D ; F/ D ;
- N * * %%* V ND ;D ;DN / %* ; NDV N > '9 $ '"$P NDV - / %* 9$P ;W DN V W V

V ; D DN -V -D N *' *1 % "T $" T$P DV N
D@ N 1 ;D @ 1 1V @ 1 W
*N@ N 1 @ ;W D; & 1 W ' D
W ; W
F/ D ; F/ D ; D D D

V ; D DN -V -D N *' *1 % "T $" T$P D DV N
D@N1 ;D @ 1 1V @ 1 W
*N@N 1 @ ;W D; & 1 W '
W ; W
D D E NW W E NW W E NW W
- N * * %%* ;D ;DN / %*
V ND ; NDV N
D@N 1 ;D @ 1 W ;
E NW W
> '9 $ '"$P NDV - / %* 9$P ;W DN V W V

V ; D DN -V -D N *' *1 % "T $" T$P DV N
1V @ 1 W
*N@N
E NW W VW ' D
$'* 1 $'* 1 $'* 1 $'* 1 $'* 1 $'* 1 $'* 1 $'* 1 $'* 1 $'* 1 $'* 1 D D D D D
1 $# *'$ $# *'$ $# *'$ $# *'$ $# *'$
WN W W; W W; W W; W W; W W; W -V -V -V -V -V
1 @ ;W D; & 1
VV-

V ; D DN -V -D N *' *1 % "T $" T$P DV N
D@N 1 ;D @ 1 1V @ 1 W
*N@N 1 @ ;W D; & 1 W ' D
W ; W
VVYW ; YW ; YW ;
D@N1 ;D @ 1 1V @ 1 W W ; W
YW ; YW ;
* $' $ F/ D ; D E NW W V-
* * %%*' C * $'* 1 $'* 1
"$1 $' * 1 1 * 1 $# *'$
5 -V WN W W; W
YW ;
$'* 1
-V
3 # * 0 $'
$5 6
3 # * 0 $'
4 )( 6 $
# * $'
'
V ;DN D DV N ; -V -DN V -DN D - N ;D ;DN NDV -V
+ , ) + , ) 1 $% 1 "$ 1 &$ * ! ' $ %$ ! $%< *" * ' '

# * $'
(.
"&
'
V ;DN D -V -DN
# * $' - N ;D ;DN NDV -V
+ , )
(.
+ , )
"&
1 $% 1 "$ 1 &$ * ! " ( $' * $%< *" * ' $
1 $% 1 *" "$ 1 &$ * ! 8 ' $% * ' , $ $1( ' T $ ! ' V D *' DV N *N@N ;D *1 % "T N V D *' DV N *N@N ;D *1 % "T N
# * $'
* $' $ F/ D ;
* * %%*' C *
"$1 $' * 1 1 * 1
5 -V WN W
D E NW W $'* 1
; / %* ; NDV N DN > '9 $ '"$P NDV / %* -V 9$P NDV / %* -V 9$P ;W DN V W ;W DN V W -
1 ;D @ 1 W ; 1V @ 1 W W 1V @ 1 W W
$'* 1 V$'* 1 V-
$# *'$
W; W
$# *'$
W; W
;-
DW

MODULO

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

MODULO

Transféré par

Droits d'auteur :

Formats disponibles

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA FACULTAD DE CIENCIAS BSICAS E INGENIERA Programa de Ingeniera de Sistemas

MODULO BASE DE DATOS AVANZADA

ROGELIO VASQUEZ BERNAL

2.1. Propiedades de la transaccin

112 113 114 115 116 117 129

UNIDAD 1 BASES DE DATOS RELACIONALES

Veamos el siguiente ejemplo:

de clasificacin de Figura 7. Atributos candidatos

! # " "$% & ! '

emitido para '+ ,$

utilizado mediante en compuesto de

Figura 8. Asignar un atributo a la entidad correcta

Eliminar atributos repetidos (primera forma normal)

"$ $#% ' , $ *% $' *% $' -

en compuesto de Figura 10. Aadir la entidad perdida

'+ ,$ "$ $#% ' , $

TIQUETE DE EMBARQUE # * fecha emitida # . hora emitida emitida para utilizado

emitida para usado mediante

en compuesto de Figura 12. Refinamiento de Entidades

'+ ,$ "$ $#% ' , $

aparezcan en el resultado. La relacin argumento se escribe despus de parntesis. Ejemplos :

2.4. Unin. En lgebra relacional la unin de dos relaciones compatibles A UNION B o A B

Devuelve todos los Dueos y los Chferes.

2.5. Interseccin. En lgebra relacional la interseccin de dos relaciones compatibles A y B

Devuelve todos los dueos que tambin son chferes

Devuelve todos los dueos que NO son chferes

('*1 , " 1 "$1

/ .' , $ . (' ! '

B &* * & 1 & *"

Figura 15 Primera forma normal $# '"* ( ,* ' ,*1= > < ?

Eliminar atributos dependientes slo en parte del identificador nico.

/ ' , $ (' ! '

&* * & 1 & *"

Figura 16. Segunda y tercera forma normal

* * *%$ C $,3 % D$"

" %% ' E $%1 $C

Comnmente llamado log de transacciones

% $,*% "$ *%$% "$ * %3 $' $ F*1 1

UNIDAD 2 BASES DE DATOS DISTRIBUIDAS

1. Diseo de la fragmentacin, este proceso se determina mediante la divisin de las

3. Diseo de la asignacin de los fragmentos, esto determina la forma en que los

Cmo considerar los requerimientos de la informacin?

Instrumentacin Desarrollo de bases de datos CAD/CAM Mantenimiento CAD/CAM

150000 135000 250000 310000 500000

Guajira Cartagena Medelln Cartagena Bogot

Instrumentacin Desarrollo de bases de datos

Desarrollo de bases de datos CAD/CAM Mantenimiento CAD/CAM

Cartagena Medelln Cartagena Bogot

$ &1 ! * ' > 1 9

$ &1 ! * * ' "$ *" "$ *" ( 1 A 1 $*1 * %

'*, $' "$ *"

"$ *" > 1 9 *8 &1 * ! & % 1 ' $

Figura 26. Ejecucin centralizada de transacciones.

Figura 28. Grfica del uso de los candados de dos fases

UNIDAD 3 OTROS MODELOS DE BASES DE DATOS

! * 1 , '$ A "$ "* % ' * *

Resultados de ejemplos referenciados en la seccin 2 lgebra Relacional

> ) 1 $' $ *U *U "$%"$ W W W W WW W WD W

* * %%* V ND / %* > '9 $ '"$P ; NDV N / %* 9$P ;W DN V W

* * %%*' C * $'* 1 $'* 1 $'* 1

"$1 $' * 1 1 * 1 $# *'$ D

;DN NDV -V NDV -V

$%< $ ! ' *N@N D@N 1 ;D @ W ; 1 1V @ W 1 W # * $'

V ;DN D - N ;D ;DN NDV -V

"$ $#% ' , $ % $' % $' -

% $,% "$ %$% "$ * %3 $' $ F*1 1

$ &1 ! * * ' "$ " "$ " ( 1 A 1 $1 %

', $' "$ "

"$ " > 1 9 8 &1 * ! & % 1 ' $

> ) 1 $' $ U U "$%"$ W W W W WW W WD W

* * %%' C $'* 1 $'* 1 $'* 1

$%< $ ! ' N@N D@N 1 ;D @ W ; 1 1V @ W 1 W # $'

1 $% 1 "$ 1 &$ * ! " ' * $' $ * * F/ D ; %%*'

, $ V ; D DN -V -D N ' 1 % "T $" T$P

* * %%' %%' %%' %%' %%' C C * C * C * C * $'* 1 $'* 1 $'* 1 $'* 1

1 $# '$ $# '$ $# '$ $# '$ $# *'$

* * %%' C $'* 1 $'* 1

+ , ) + , ) 1 $% 1 "$ 1 &$ * ! ' $ %$ ! $%< " ' '

1 $% 1 "$ 1 &$ * ! " ( $' * $%< " ' $