Hopp til innhold

Stjernemodell

Fra Wikipedia, den frie encyklopedi
Skisse av stjernemodell med en faktatabell i miden og tilknyttede dimensjonstabeller
Skisse av stjernemodell som viser hvordan dimensjoner med primærnøkler (PK) kobles sammen med faktatabellens fremmednøkler (FK)

Innen databehandling er en stjernemodell,[1][2][3][4] også kalt et stjerneskjema[5][6][7][8][9][10] eller stjernediagram,[11] en enkel modell for flerdimensjonal dataanalyse, og er kanskje den vanligste tilnærmingen for å utvikle datavarehus og dimensjonale datatorg.[12] Stjernemodellen består av en eller flere faktatabeller som refererer til et hvilket som helst antall dimensjonstabeller. Retningen til kardinalitetspilene vil ofte peke i retning av faktatabellen i en relasjon, hvilket vil være mot midten i en stjernemodell. Stjernemodellen er et viktig spesialtilfelle av snøflakmodellen, og er mer effektiv i å håndtere enkle spørringer.[13]

Stjernemodellen har fått sitt navn av at den fysiske datamodellen[14] minner om formen til et stjernepolygon med faktatabellen i midten og dimensjonstabellene rundt.

Modell

[rediger | rediger kilde]

Stjernemodeller deler data fra forretningsprosesser inn i:

  • Fakta som inneholder de målbare, kvantitative dataene om en virksomhet, og
  • Dimensjoner som er deskriptive attributter som er relatert til fakta-dataene

Eksempler på faktadata er salgspris, salgmengde og tid, avstand-, hastighet- og vektmålinger. Eksempler på relaterte dimensjonsattributter inkluderer produktmodeller, produktfarger, produktstørrelser, geografiske lokasjoner og navn på selgere. (Selv om det finnes «typiske» fakta- og dimensjonstabeller, er det også eksempler på at det som tradisjonelt betraktes som en faktatabell i noen tilfeller tas i bruk som en dimensjonstabell.[bør utdypes] Imidlertid tillater ikke alle systemer dette.)

En stjernemodell som har mange dimensjoner har av noen blitt kalt en "tusenbeinmodell" (centipede schema).[15] Å ha dimensjoner med bare noen få attributter gjør modellen enklere å vedlikeholde, men resulterer i spørringer med mange tabellskjøter og gjør en stjernemodell mindre lett å bruke.

Faktatabeller

[rediger | rediger kilde]

I faktatabeller registreres målinger eller beregninger for en bestemt hendelse. Faktatabeller består vanligvis av numeriske verdier, samt fremmednøkler til dimensjonale data hvor deskriptiv informasjon er lagret.[15] Faktatabeller er laget for å ha uniforme detaljer på et veldig lavt nivå (høy granularitet), hvilket betyr hendelser kan registreres på et svært atomisk nivå. Dette kan medføre at det akkumuleres et stort antall oppføringer i en faktatabell over tid.Faktatabeller kan deles inn i tre typer:

  • Transaksjon-faktatabeller: Fører opp fakta om en bestemt hendelse (for eksempel salgshendelser)
  • Snapshot-faktatabeller: Fører opp fakta på et gitt tidspunkt (for eksempel kontodetaljer ved slutten av måneden)
  • Akkumulerende snapshot-faktatabeller: Fører opp aggregerte fakta på et gitt tidspunkt (for eksempel samlede salg måned-til-dato for et produkt)

Faktatabeller tildeles vanligvis en surrogatnøkkel for å sikre at hver rad kan bli unikt identifisert. Denne nøkkelen er en enkel primærnøkkel.

Dimensjonstabeller

[rediger | rediger kilde]

Dimensjonstabller har vanligvis et relativt lite antall oppføringer (records) sammenlignet med faktatabeller, men hver oppføring kan ha et veldig stort antall attributter for å beskrive faktadataene. Dimensjoner kan definere et bredt utvalg av egenskaper, men noen av de mest vanlige attributtene som er definert av dimensjonstabeller inkluderer:

  • Tabeller for tiddimensjon: Beskriver tiden med det laveste nivået av granularitet for hendelser som skal registreres i stjernemodellen.
  • Tabeller for geografidimensjon: Beskriver lokasjonsdata, for eksempel land, fylke eller by.
  • Tabeller for produktdimensjon: Beskriver produkter.
  • Tabeller for ansattdimensjon: Beskriver ansatte, for eksempel selgere.
  • Tabeller som beskriver intervaller eller spenn av tid, pengeverdier eller andre målbare mengder som kan forenkle rapportering

Dimensjonstabeller blir vanligvis tildelt en surrogat-primærnøkkel, som typisk er av datatypen heltall og i en enkelt kolonne. Den avbildes til kombinasjonen av dimensjonsattributter som danner den naturlige nøkkelen.

Fordeler

[rediger | rediger kilde]

Stjernemodeller er denormaliserte, hvilket betyr at typiske regler for normalisering i transaksjonsbaserte relasjonsdatabaser ikke håndheves så sterkt når man designer og bygger basert på stjernemodellen. Fordeler med denormaliseringen i stjernemodellen er:

  • Enklere søk: Stjernemodellens skjøtlogikk (join logic) er som regel enklere enn skjøtelogikken som kreves for å hente data fra en svært normalisert transaksjonslogikk.
  • Forenklet logikk for forretningsrapportering: Sammenlignet med et svært normalisert modell forenkler stjernemodellen en virksomhets delte rapporteringslogikk, som tid over tid (eksempelvis år over år, måned over måned, osv.) eller øyeblikks-rapportering.
  • Bedre ytelse: For rapporteringsapplikasjoner med read-only-tilgang kan stjernemodeller gi bedre ytelse for sammenlignet med svært normaliserte datamodeller.
  • Rask aggregering: De enklere spørringene mot en stjernenmodell kan gi bedre ytelse for aggregeringsoperasjoner.
  • Fôring av kuber: Stjernemodeller brukes i alle OLAP-systemer for å effektivt bygge proprietære OLAP-kuber. Faktisk har de fleste store OLAP-systemer en driftsmodus for relasjons-OLAP (ROLAP) hvor man kan bruke en stjernemodell direkte som en kilde uten å bygge en proprietær kubestruktur.

Ulemper

[rediger | rediger kilde]

Den største ulempen med stjernemodellen er at den ikke er like fleksibelt som en normalisert datamodell med tanke på analytiske behov.[trenger referanse] Normaliserte modeller tillater utføring av alle former for analytiske spørringer så lenge de følger forretningslogikken som er definert i modellen. Stjernemodeller har en tendens til å være mer spesialtilpassede for en bestemt visning av dataene, og tillater dermed egentlig ikke mer komplekse analyser.[trenger referanse] Stjernenmodellen støtter ikke med letthet mange-til-mange-relasjoner mellom entiteter i foretaket. Det er typisk at disse relasjonene har blitt forenklet i en stjernemodell for å samsvare med den enkle dimensjonale modellen.

En annen ulempe er at dataintegritet ikke håndheves godt på grunn av den denormaliserte tilstanden.[trenger referanse] Engangs-inserts og -updates kan føre til anomalier som normaliserte modeller er laget for å unngå. Generelt sett blir stjernemodeller lastet på en svært kontrollert måte via batch-prosessering eller i nær sanntids "trickle-feeds" for å kompensere for det manglende vernet man kunne fått av normalisering.

Eksempel

[rediger | rediger kilde]
Stjernemodell brukt i en eksempelspørring.

Anta at man har en salgsdatabase for en butikkkjede klassifisert etter dato, butikk og produkt. Modellen til høyre er en stjernemodell-versjon av eksempelmodellen i artikkelen om snøflakmodell.

Fact_Sales er faktatabellen, og det er tre dimensjonstabeller kalt Dim_Date, Dim_Store og Dim_Product.

Hver dimensjonstabell har en primærnøkkel på sin ID-kolonne, som er knyttet til en av kolonnene (vist som rader i eksempelmodellen) i Fact_Sales-tabellen er trekolonnede (sammensatte) primærnøkkel (Date_Id, Store_Id, Product_Id). Ikke-primærnøkkel-kolonnen Units_Sold i faktatabellen i dette eksempelet representerer en måling eller beregning som kan brukes til beregninger og analyse. Ikke-primærnøkkel-kolonnene i dimensjonstabellene representerer flere attributter av dimensjonene (for eksempel Year (året) til Dim_Date-dimensjonen).

For eksempel vil den følgende spørringen svare på hvor mange TV-apparater har blitt solgt i 1997 for hvert merke og land:

SELECT
	P.Brand,
	S.Country AS Countries,
	SUM(F.Units_Sold)

FROM Fact_Sales F
INNER JOIN Dim_Date D    ON (F.Date_Id = D.Id)
INNER JOIN Dim_Store S   ON (F.Store_Id = S.Id)
INNER JOIN Dim_Product P ON (F.Product_Id = P.Id)

WHERE D.Year = 1997 AND  P.Product_Category = 'tv'

GROUP BY
	P.Brand,
	S.Country

Se også

[rediger | rediger kilde]

Referanser

[rediger | rediger kilde]
  1. ^ INF212 - Databaseteori
  2. ^ Datavarehus – hva er det? - Felles studentsystem
  3. ^ «Hvordan komme langt med lite? NMBU Innsikt - Ledelsesinformasjonsverktøy for NMBU. Digitaliseringskonferansen for høyere utdanning og forskning, 2019-06-05» (PDF). Arkivert fra originalen (PDF) 28. september 2022. Besøkt 28. september 2022. 
  4. ^ Introduksjon til business intelligence, Lars Rinnan, 2014-11-04
  5. ^ Sluttprøve 5602 Databaser, 4f) 2009-12-01
  6. ^ Databasesystemer 2. utgave, kap. 17. Datavarehus, 17.2.4 Stjerneskjema og snøflakskjema
  7. ^ Operativsystemer – Eksamensoppgave – Høst 98
  8. ^ FOVA 1-1 Utvikling av beslutningsstøttesystemer og persondatabaser - Informatiske emner. 5.4 Dataanlyse, s. 16
  9. ^ Datamodellering og "Stjerneskjema"
  10. ^ Forstå stjerneskjema og viktigheten for Power BI - Power BI | Microsoft Learn
  11. ^ «Universitetet i Oslo - Institutt for informatikk - Implementasjon av datavarehus – et eksempel - Hovedoppgave av Anette Langmo Becker 22. oktober 2004» (PDF). 
  12. ^ Dedić, N. and Stanier C., 2016., "An Evaluation of the Challenges of Multilingualism in Data Warehouse Development" in 18th International Conference on Enterprise Information Systems - ICEIS 2016, p. 196.
  13. ^ DWH Schemas, 2009, http://www.dwhworld.com/dwh-schemas/ 
  14. ^ ", p. 708
  15. ^ a b Ralph Kimball and Margy Ross, The Data Warehouse Toolkit: The Complete Guide to Dimensional Modeling (Second Edition), p. 393
Hentet fra «https://no.wikipedia.org/w/index.php?title=Stjernemodell&oldid=24568738»