Data Warehousing
A data warehouse is a relational database designed for query and analysis rather than for transaction processing. It usually contains historical data derived from transaction data, but it can include data from other sources. It separates analysis workload from transaction workload and enables an organization to consolidate data from several sources.In addition to a relational database, a data warehouse environment includes an extraction, transformation, and loading (ETL) solution, an online analytical processing (OLAP) engine, client analysis tools, and other applications that manage the process of gathering data and delivering it to business users.
Extraction, Transformation, and Loading (ETL) You must load your data warehouse regularly so that it can serve its purpose of facilitating business analysis. To perform this operation, data from one or more operational systems must be extracted and copied into the warehouse. The process of extracting data from source systems and bringing it into the data warehouse is commonly called ETL, which stands for extraction, transformation, and loading.
Bitmap Indexes in Data Warehousing The purpose of an index is to provide pointers to the rows in a table that contain a given key value. In a regular index, this is achieved by storing a list of rowids for each key corresponding to the rows with that key value. Oracle Database stores each key value repeatedly with each stored rowid. Fully indexing a large table with a traditional B-tree index can be prohibitively expensive in terms of space because the indexes can be several times larger than the table data.
In a bitmap index, the database stores a bitmap for each key value instead of a list of rowids. Bitmap indexes are typically only a fraction of the size of the indexed data in the table. Data warehousing environments typically have large amounts of data and ad hoc queries, but a low level of concurrent database manipulation language (DML) transactions. For such applications, bitmap indexing provides several advantages:
- Reduced response time for large classes of ad hoc queries
- Reduced storage requirements compared with other indexing techniques
- Dramatic performance gains even on hardware with a relatively small number of CPUs or a small amount of memory
- Efficient maintenance during parallel DML and loads
Materialized Views
A materialized view provides access to table data by storing the results of a query in a separate schema object. Unlike an ordinary view, which does not take up any storage space or contain any data, a materialized view contains the rows resulting from a query against one or more base tables or views. Query response time is improved because the query accesses the materialized view instead of executing against the base tables. A materialized view can be stored in the same database as its base tables or in a different database.Materialized views stored in the same database as their base tables can further improve query performance through query rewrite. Query rewrite is a mechanism that automatically rewrites a SQL query to use a materialized view instead of its base tables. With query rewrite, developers need not rewrite applications to take advantage of materialized views. Query rewrite is particularly useful in a data warehouse environment.
Table Compression
Oracle provides comprehensive data compression capabilities to compress all types of data, backups, and network traffic in an application transparent manner. These capabilities include table compression targeted at OLTP workloads, resulting in reduced storage consumption and improved query performance while incurring minimal write performance overhead. Table compression can be used to compress any relational data. To compress unstructured content use SecureFiles compression. Deduplication provides the ability to automatically eliminate redundant copies of SecureFiles data. A new faster compression algorithm is included to speed up RMAN backups. Data Pump exports can now be compressed to reduce disk space requirements. Finally, Data Guard can compress redo data resulting in reduced network traffic and faster gap resolution.See Also:
"Table Compression"
Parallel Execution
When Oracle Database runs SQL statements in parallel, multiple processes work together simultaneously to run a single SQL statement. By dividing the work necessary to run a statement among multiple processes, Oracle Database can run the statement more quickly than if only a single process ran it. This is called parallel execution or parallel processing. Parallel execution dramatically reduces response time for data-intensive operations on large databases.Analytic SQL
Oracle Database has many SQL operations for performing analytic operations in the database. These include ranking, moving averages, cumulative sums, ratio-to-reports, and period-over-period comparisons.OLAP Capabilities
Oracle online analytical processing (OLAP) provides native multidimensional storage and speed-of-thought response times when analyzing data across multiple dimensions. The database provides rich support for analytics such as time series calculations, forecasting, advanced aggregation with additive and nonadditive operators, and allocation operators. These capabilities make the Oracle database a complete analytical platform, capable of supporting the entire spectrum of business intelligence and advanced analytical applications. Oracle OLAP is fully integrated in the database, so that you can use standard SQL administrative, querying, and reporting tools.Data Mining
With Oracle Data Mining, data never leaves the database — the data, data preparation, model building, and model scoring results all remain in the database. This enables Oracle Database to provide an infrastructure for application developers to integrate data mining seamlessly with database applications. Typical applications of data mining include call centers, ATMs, E-business relational management (ERM), and business planning. Oracle Data mining supports a PL/SQL API, a Java API, SQL functions for model scoring, and a graphical user interface called Oracle Data Miner.See Also:
Chapter 16, "Business Intelligence" for more information about Oracle Data Mining
Very Large Databases (VLDB)
Partitioning is a critical feature for managing very large databases (VLDB). Growth is the basic challenge that partitioning addresses, and partitioning allows a database to scale for very large datasets while maintaining consistent performance, without unduly increasing administrative or hardware resources. Partitioning allows a table, index, or index-organized table to be subdivided into smaller pieces called partitions. No modifications to applications are necessary when accessing a partitioned table using SQL DML statements.Partitioning can provide tremendous benefit to a wide variety of applications by improving availability, manageability, and performance.
Information Lifecycle Management (ILM)
Information Lifecycle Management (ILM) is a set of processes and policies for managing data throughout its useful life. One of the benefits of implementing an ILM solution is to reduce costs, by leveraging appropriate storage tiers, while maintaining all of the data required for business or regulatory purposes. Partitioning is the capability that enables an ILM solution to be implemented within the database.See Also:
Chapter 18, "Very Large Databases (VLDB)" for more information about VLDB topics
Türkçesi:
Overview of Business Intelligence Features / İş Zekası Özelliklerine Genel Bakış
Bu bölümde aşağıdaki iş zekası özellikleri açıklanmaktadır:
- Data Warehousing (Veri Ambarı)
- Materialized Views (Gerçekleşmiş Görüntüleme)
- Table Compression (Tablo Sıkıştırma)
- Parallel Execution (Paralel Yürütme)
- Analytic SQL (Analitik SQL)
- OLAP Capabilities (OLAP Yetenekleri)
- Data Mining (Veri Madenciliği)
- Very Large Databases (VLDB) (Çok Büyük Veritabanları (VLDB))
Data Warehousing (Veri Ambarı)
Bir data warehouse işlem prossesinden ziyade sorgu ve analiz için tasarlanmış bir ilişkisel veritabanı dizaynıdır.Genellikle işlem verileriden elde edilen tarihsel verileri içerir, ancak diğer kaynaklardan gelen verileri de kapsayabilir.İşlem iş yükünden analizi iş yükünü ayırır ve çeşitli kaynaklardan gelen verileri birleştirmek için bir organizasyon sağlar.
İlişkisel veritabanı ek olarak, bir data warehouse ortamı çıkartma, dönüştürme ve yükleme (ETL) çözümü, çevrimiçi analitik işleme (OLAP) motoru, müşteri analiz araçları, veri toplama ve işletme kullanıcılarına teslim işlemini yöneten diğer uygulamaları içerir.
Extraction, Transformation, and Loading (ETL)
Düzenli olarak data warehouse veriyi yüklemelisiniz, dolayısıyla İş analizini kolaylaştırma amacına hizmet sunabilir.Bu işlemi gerçekleştirmek için, bir veya daha fazla operasyonel sistemlerden veri çıkarılması ve depo kopyalanması gerekmektedir.Kaynak sistemlerden verilerin çıkartılması ve data warehouse içine getiren süreç genellikle çıkarma, dönüştürme ve yükleme anlamına gelen ETL denir.
Bitmap Indexes in Data Warehousing
Bir indeksin amacı, belirli bir anahtar değeri içeren bir tablo satırları işaretçiler sağlamaktır.Normal bir index, bu satırları bu anahtar değeri ile ilgili her anahtar için rowids bir listesini depolayarak elde edilir.Oracle Veritabanı saklanan her rowid ile art arda her anahtar değerini depolar.Tamamen geleneksel bir B-tree indeksi ile büyük bir tablo indeksleme alanı açısından engelleyici bir şekilde pahalıdır olabilir, çünkü indeksleri tablo verileri birkaç kat daha büyük olabilir.Bir bitmap indexte, veritabanı bir rowids listesini yerine her anahtar değeri için bir bitmap saklar.Bitmap indeksler genellikle tablodaki indekslenmiş veri boyutu sadece bir kısmıdır.Data Warehousing ortamları genellikle büyük miktarda veri ve düzensiz sorgular vardır, fakat eşzamanlı veritabanı işleme dili (DML) işlemleri düşük bir seviyededir.Bu tür uygulamalar için, bitmap indeksleme çeşitli avantajlar sağlar:
Buna ek olarak, bitmap düzenli bitmap indeksler olarak yaklaşık aynı alanı kullanımı ile-genellikle boyut / Aslında tablo katılır içerir.- tipik bir data warehouse sorgular için sorgu performansını artırarak indeksler katılır.
Materialized Views
Materialized View, ayrı bir şema nesnesi içinde bir sorgunun sonuçlarını depolayarak tablo verisine erişim sağlar.Herhangi bir depolama alanı ya da herhangi bir veri içermemeyen sıradan bir görünümün aksine, bir Materialized View, bir veya daha fazla temel tablo veya görünümlerine karşı bir sorgudan kaynaklanan satırları içerir.Sorgu yanıt süresini geliştirilmiştir.Çünkü, sorgu yerine temel tablolar karşı çalıştırılması yerine materialized view'e erişir.Materialized view temel tabloları olarak aynı veritabanı içinde veya farklı bir veritabanında saklanabilir.
Aynı veritabanı içinde temel tablolar olarak depolanmış Materialized viewler, sorgunun yeniden yazmaya karşı daha fazla sorgu performansı artırır.Sorguyu yeniden yazma öyle bir mekanizmadır ki otomatik olarak temel tablolar yerine bir materialized view kullanmak için bir SQL sorguyu yeniden yazar.Bu soruguyu yeniden yazma ile birlikte, geliştirici materialized view'in avantajlarından yararlanmak için tekrardan uygulamayı yazmasına gerek yoktur.Soruguyu yeniden yazma bir data warehouse ortamında özellikle kullanışlıdır.
Table Compression(Tablo Sıkıştırma)
Oracle, verinin bütün tiplerini, yedeklerini ve şeffaf bir uygulama içinde ağ trafiğini skıştırmak için kapsamlı bir veri sıkıştırma kapsitelerini sağlar.Bu kapasiteler asgari yazma performansı üzerine tabi tutularak OLTP işyüküne hedeflenmiş tablo sıkıştırmalarını, azaltışmış depolama tüketmi ve geliştirilmiş sorgu performansının sonuçları içerir.Tablo sıkıştırma herhangi bir ilişkisel veri sıkıştırmak için kullanılan olabilir. Yapılandırılmamış içeriği sıkıştırmak için SecureFiles sıkıştırma kullanılır.Deduplication(Tekilleştirme) SecureFiles verilerin gereksiz kopyalarını otomatik olarak ortadan kaldırmak için yeteneği sağlar.RMAN yedeklemeleri hızlandırmak için yeni bir hızlı sıkıştırma algoritması dahil edilmiştir. Data Pump(Veri Pompalama) ihracatı disk alanı gereksinimlerini azaltmak için sıkıştırılmış olabilir. Son olarak, Data Guard(Veri Koruma) ağ trafiği azalır ve daha hızlı bir boşluk çözünürlüğü redo veri sonuçlarını sıkıştırabilir.
Parallel Execution (Paralel Çalıştırma(Yürütme) )
Oracle Veritabanı SQL ifadeleri paralel olarak çalıştığında, tek bir SQL deyimi çalıştırmak için aynı anda çoklu süreçler birlikte çalışır.Çoklu süreçleri arasında bir komutları çalıştırmak için gerekli çalışmaları bölerek, Oracle Veritabanı, sadece tek bir süreç çalışabildiğinden daha hızlı komutları çalıştırabilirsiniz.Buna paralel yürütme veya paralel işleme denir.Paralel yürütme önemli ölçüde büyük veritabanları üzerinde yoğun veri işlemleri için tepki süresini azaltır.
Analytic SQL (Analitik SQL)
Oracle Veritabanı, veritabanı analitik işlemleri gerçekleştirmek için pek çok SQL işlemleri vardır. Bu sıralama, hareketli ortalamalar, kümülatif toplamları, oranı raporları ve dönem dönem karşılaştırmaları içerir.
OLAP Capabilities (OLAP Kabiliyetleri)
Oracle çevrimiçi analitik işleme (OLAP) çoklu boyutlar üzerinden veri analiz ederken, özgün çok boyutlu depolama ve hiz-düşünce tepki süreleri sağlar.Veritabanı zaman serileri hesaplamaları gibi analizler için, tahmin, eklenecek ve eklenmeyecek operatörleri ve tahsis operatörleri ile gelişmiş kümeleme zengin bir destek sağlar..Bu yetenekler, Oracle veritabanını iş zekasının tüm spektrumu ve gelişmiş analitik uygulamaları destekleme yeteneği, tam bir analitik platformu yapar.Oracle OLAP veritabanı içine tümüyle entegre edilmiştir, böylelikler sorgulama ve raporlama araçları tam standart SQL yönetimi kullanabilirsiniz.
Data Mining (Veri Madenciliği)
Oracle Veri madenciliği, veri veritabanı asla bırakmaz - veri, veri hazırlama, model kurma ve model skorlama sonuçları veritabanında kalır.Veri tabanı uygulamaları ile sorunsuz bir şekilde entegre etmek ve bu uygulama geliştiriciler için bir altyapı sağlamak üzere veri madenciliğini, Oracle Veritabanı sağlar.Tipik uygulamaların veri madenciliği, çağrı merkezleri, ATM, E-ticaret ilişkisel yönetimi (ERM), ve iş planlaması içerir.Oracle Data Mining bir PL / SQL API, Java API, skorlama için SQL fonksiyonları modelini ve Oracle Data Miner adında bir grafiksel kullanıcı arabirimi destekler.
Very Large Databases (VLDB) (Çok Büyük Veri Tabanları)
Bölümleme çok büyük veritabanlarını(VLDB) yönetmek için çok önemli bir özelliktir.Büyüme temel zorluğu bu bölümleme adresleridir, ve bölümleme, tutarlı bir performans korurken idari veya donanım kaynaklarını gereksiz yere artırmadan bir veritabanı çok büyük veri setleri için ölçek sağlar.Bölümleme, bölmeler olarak adlandırılan daha küçük parçalara böldürmek için bir tablo, dizin veya index organize edilmiş tablo sağlar.SQL DML ifadeleri kullanarak bölümlenmiş tablo erişirken uygulamalara hiçbir değişiklik gerekli değildir.
Bölümleme kullanılabilirlik, yönetilebilirlik, ve performansını artırarak uygulamaların geniş bir yelpazede büyük bir yarar sağlayabilir.
Information Lifecycle Management (ILM) (Bilgi Yaşam Döngüsü Yönetimi)
Bilgi Yaşam Döngüsü Yönetimi (ILM) kullanım ömrü boyunca verileri yönetmek için süreçlerin ve politikaların bir dizisidir.ILM çözümü uygulanması faydalarından biri iş veya düzenleyici amaçlar için gerekli olan tüm verilerin korurken, uygun depolama katmanları yararlanarak maliyetlerini azaltmaktır.Bölümleme veritabanı içinde uygulanacak bir ILM çözümü sağlayan bir özelliktir.
Hiç yorum yok:
Yorum Gönder