ASSUNTO Facilitando a Tomada de Decisão em um Ambiente Móvel Mohamed A. Sharaf Panos K....
Transcript of ASSUNTO Facilitando a Tomada de Decisão em um Ambiente Móvel Mohamed A. Sharaf Panos K....
ASSUNTOFacilitando a Tomada de Decisão em um Ambiente MóvelMohamed A. SharafPanos K. Chrysanthis
Felipe Menezes CardosoCOPIN – UFCGBanco de Dados – 2007.1
2
2
Objetivo
• Apresentar um novo algoritmo de gerência de difusão de dados para tomada de decisão.
3
3
Sumário•Visão Geral de SAD e Data Warehouse
•Visão Multidimensional e Ferramentas OLAP
•Esquema Estrela
•Search Lattice
•Data Cube Operator
•Modelo OLAP Wireless Proposto
•Algoritmo Proposto (STOBS)
•Avaliação de Desempenho do STOBS
•Conclusões
4
4
SAD – Sistema de Apoio a Decisão
• Apoiar os gerentes e diretores das organizações nos seus processos de tomada de decisão.
• Processar complexas consultas gerenciais• Manipulação de grande quantidade de
informação.
5
5
Data Warehouse
Warehouse – Armazém ou DepósitoData Warehouse (DW) – Depósito de Dado
Fonte: Colaço, 2004
6
6
Data Warehouse
“Conjunto de dados, não volátil, orientado por temas, integrado, que varia com o passar do tempo e que serve de suporte para o processo de tomada de decisões da gerência.”
(W. H. INMON,1996)
7
7
CUBO de Dados
Representação Multidimensional Conceitual
•Proporciona diferentes visões aos gerentes, facilitando o entendimento e a visualização de problemas típicos de suporte à decisão.
•Mais intuitiva para o processamento analítico da informação
Fatos (Vendas)
8
8
CUBO de Dados• Um cubo possui grande quantidade de
células (fatos ou medidas do negócio)• Tempo: 10 anos, granularidade dia = 3650 linhas• Cliente: 1000 clientes• Produtos: 3000
• 3650*1000*5 = 18.250.000 células• Ou seja, 18.250.000 vendas para o gerente
analisar.• Exige-se uma ferramenta para analisar essas
informações
9
9
Ferramentas OLAP
Sistema de Apoio à Decisão• Processamento Analítico da Informação• Grande volume de dados• Alto nível de agregação ou sumarização• Utiliza visualização multidimensional dos
dados• Dimensão = Critério de Agregação
• Vendas por mês • Vendas por fornecedor• Vendas por produto• Vendas por cliente
10
10
Operações OLAP
• Uma ferramenta OLAP deve implementar algumas funções, entre elas:• Drill Down• Roll UP• Série temporal (ex: vendas mês a mês)
• Deve-se conhecer o passado para prever o futuro.
11
11
Esquema Estrela para DW
• Simular um cubo de dados através de um esquema relacional especial.
• Consiste de:• Tabela de Fatos (A estrela)
• Tabela dominante
• Tabelas de Dimensão (Os planetas)• Tabelas auxiliares• Qualificam os fatos
12
12
Esquema Estrela
Dimensão Fornecedor
13
13
Hierarquia de uma Dimensão
PRODUTO
MONITORPAPEL IMPRESSORA NOTEBOOK
Sansung LGLexmark HPAntalis Toshiba Acer HP
14
14
Operações OLAP
Demonstração
15
15
Ambiente OLAP Móvel
DW Fixo
FH
MH
DW Móvel(Cache)
Wireless
Gerente Móvel
16
16
Dispositivos Móveis
• Características Peculiares• Assimetria da Conexão• Desconexões Freqüentes
• Intencional• Não Intencional
• Limitação da Fonte de Energia• Quanto menos transmissão, mais economia
de bateria.
17
17
DW para um Ambiente Móvel
• Unir estas duas tecnologias é desafiante.• Questões de desempenho• Questões de armazenamento
• Diversas pesquisas estão sendo desenvolvidas nesta área – Mobile DW.
18
18
Tabela de Fatos
• Consultas OLAP tipicamente são na forma de dados sumarizados em vários níveis de detalhe.• Vendas de um produto em determinado ano, mês,
dia;• Vendas por fornecedor;• Total de vendas da empresa;• etc.
• Pode-se materializar as consultas para aumentar o desempenho.• Visões Materializadas
19
19
Visões Materializadas
• Visão é uma relação derivada de uma ou mais relações base, que são computadas sempre que uma referência a ela é feita.
• Visão Materializada• Visão que é armazenada na base de dados
em vez de ser computada• Aumenta o desempenho de consultas com grande
quantidade de dados
20
20
Search Lattice
• Grafo direcionado que representa o espaço de visões materializadas com suas derivações.
• Cada vértice representa uma combinação de atributos do Group-By.
CFP
CF CP FP
C F P
_
VM
VM
VM VM
VM
Atributos do Group-By
Relação de Dependência(Dependency Derivation)
21
21
Data Cube Operator
• Pode-se gerar todas as possíveis visões materializadas de uma consulta OLAP através do Data Cube Operator.
• Data Cube Operator• Proposto pelo pessoal da Microsoft e IBM• União de todos os possíveis operadores
Group-By aplicados aos atributos da tabela de fatos.
• 2^n VMs, n são as dimensões da estrela.
22
22
Data Cube Operator
Demonstração
23
23
Modelo OLAP Wireless
ServidorDW
O Gerente Móvel
1
2
3
1. O gerente requisita VMs.
2. O Servidor difunda as VMs no canal Broadcast.
3. O gerente baixa as VMs requisitadas.
24
24
Modelo OLAP Wireless
Bucket
Header
Header
T(C,P) T(C,P) T(C,P,F) T(C,P,F) T(C,P,F)
Bucket DescritorBucket Descritor
•Especifica se o Bucket em questão é um descritor ou é um dado.
•Contém o Offset para o próximo pacote descritor e do pacote descritor corrente.
Header
BroadcastIdentificador: 110Qtd. de Linhas: 1000Qtd. De Pacotes da Tabela: 2Valor do Otimizador Alfa: 2
25
25
Modelo OLAP Wireless
Bucket
Header
T(F) T(F) T(C,P) T(C,P) T(C,P)
Bucket DescritorBucket Descritor
O cliente solicita a Tabela T(C,P) utilizando codificação de bit (110).
Cliente vai para o canal de Download. (Active Mode)
O cliente encontra um pacote descritor (001) e o classifica como:
• Exact Match
• No Match
• Subsuming Match
Se for compatível com a solicitação entãoContinua no Active Mode e baixa a tabela
Senão
Vai para Doze Mode e acorda no próximo pacote descritor
Broadcast
Id: 001L: 800...
Id: 110L: 100...
26
26
Algoritmo STOBS-α
• STOBS - Summary Table On-Demand Broadcast Scheduler
• Algoritmo de Gerenciamento de Difusão
27
27
Algoritmo STOBS-α
Dois componentes básicos:•Normalizador•Otimizador-α
•Data Cube Search Lattice.•Relação de dependência (Dependency
Derivation).
28
28
Algoritmo STOBS-α - Normalizador
O servidor mantém uma fila com todas as requisições à tabelas dos clientes.
• Para cada requisição ele armazena:• R – Número de requisições feitas à tabela
Tx.• W – Tempo da primeira requisição Qx, feita
à tabela Tx.• S – Tamanho da tabela Tx.
29
29
Algoritmo STOBS-α - Normalizador
• Cada vez que o servidor for difundir uma tabela ele realiza o seguinte cálculo para cada tabela da fila:• (Rx * W) / S• A tabela de maior valor será escolhida para
o broadcast
30
30
Algoritmo STOBS-α - Otimizador
• Após a seleção da tabela (VM) que será difundida, o servidor utiliza o otimizador-α para limpar a fila de requisições.
• Otimizador-α• Baseado no parâmetro α, elimina da fila de
requisições as solicitações de VMs que podem ser derivadas e estão até α níveis abaixo no grafo de Lattice.
31
31
Algoritmo STOBS-α
• Utiliza a fórmula:• |X| - |Y| <= α
• Onde |X| é a quantidade de atributos da visão materializadas x que será difundida (Broadcasted) e |Y| a quantidade de atributos da visão materializada y que está na fila de requisições.
32
32
Funcionamento - STOBS-αPara α = 2
Imaginemos uma solicitação Q para a tabela T(d1,d2,d3,d4)
Esta tabela pode derivar tabelas mais abstratas tais como:T(d1), T(d2), T(d3), T(d4),T(d1,d2) , T(d1,d3),T(d1,d2,d3) e T(d1,d2,d4).
Entretanto, como α = 2, apenas as requisições as tabelas T(d1,d2) , T(d1,d3),T(d1,d2,d3) e T(d1,d2,d4) serão satisfeitas pela solicitação Q.
As tabelas T(d1), T(d2), T(d3), T(d4) permanecerão na fila.
Data Cube Search Lattice
33
33
Avaliação de Desempenho
• Foram medidos:• Tempo de Espera: Tempo gasto pelo cliente para
esperar por um pacote descritor no canal de Download. Doze Mode
• Tempo de Tune: Tempo gasto pelo cliente para ler um pacote descritor ou baixar um stream de dados. Active Mode.
• Tempo de Processamento: Tempo gasto para converter o stream baixado em uma tabela sumarizada.
• Tempo de Acesso: • Tespera + Ttune + Tprocessamento
• Consumo de Energia:• Tactive + Tdoze + Tprocessamento
34
34
Resultado de Desempenho
35
35
Resultado de Desempenho
36
36
Resultado de Desempenho
37
37
Resultado de Desempenho
38
38
Considerações Finais
• É desafiante um ambiente de suporte à decisão com dispositivos móveis.
• O uso de visões materializadas é uma estratégia interessante em um ambiente OLAP Móvel
• O algoritmo STOBS mostrou-se bastante flexível e de alto desempenho.
39
39
Referências Bibliográficas
SHARAF, Mohamed; CHRYSANTHIS, Panos. Facilitanting Mobile Decision Making. WMC’02, September 28, 2002.
COLAÇO JR., Methanias. Projetando Sistemas de Apoio à Decisão baseado em Data Warehouse. Aracaju: Axcel, 2004.197 p.
GRAY, Jym; CHAUDHURI, Surajit; BOSWORTH, Adam; LAYMAN, Andrew; REICHART, Don; VENKATRAO Murali; PELLOW, Frank; PIRAHESH, Hamid.Data Cube: A Relational Aggregation Operator Generalizing Group-By, Cross-Tab, and Sub-Totals. 1996.
40
40
Dúvidas?