Gerenciamento de Data Streams – uma introdução
-
Upload
leila-hebert -
Category
Documents
-
view
23 -
download
0
description
Transcript of Gerenciamento de Data Streams – uma introdução
Gerenciamento de Data Streams – uma introdução
AULA 21PGC 107 - Sistemas de Banco de Dados
Profa. Sandra de Amo Pós-graduação em Ciência da Computação – UFU
2012-21
Dados em Fluxo
2
Sensores no oceano: dados de temperatura,salinidade, ventos, humidade
Satélites em órbita terrestre: dados climáticos, vegetação, incêndios, inundações, telefonia, internet
Captores de dados biológicos: temperatura, pressão arterial, batimentos cardíacos, nível de insulina
Principais características dos dados em fluxo
3
1. Dados novos chegam em grande quantidade e em grande velocidade
Exemplo: Sensor no oceano: dados de temperatura, salinidade, ventos, humidade (10 medidas por segundo)
Milhares de sensores flutuantes enviando dados: localização, temperatura local, salinidade, pressão, humidade
10 medidas por segundo = 3,5 terabytes de dados por dia
Principais características dos dados em fluxo2. Impossibilidade de armazenamento dos dados em
sua integralidade Requer memória ilimitada !
Solução : Respostas a consultas não são exatas Respostas a consultas são obtidas a partir de:
processamento em “batch” amostragem dos dados ou um sumário dos dados
4
Como obter respostas aproximadas Processamento em “batch” :
Utilizado quando a operação de update é rápida mas a operação de computar a resposta é lenta:
Dados são processados em “batches”: Dados são inseridos no buffer a medida que chegam Dados antigos são descartados quando não cabem no
mais buffer A resposta à consulta é calculada periodicamente
sobre os dados armazenados no buffer no momento em que a consulta é submetida.
Como obter respostas aproximadas Amostragem
Executar consulta sobre uma amostra dos dados Utilizado quando a operação de update é lenta
mas a operação de computar a resposta é rápida Sumarização
Manter uma estrutura de dados que guarda uma sinopse dos dados
Reduz o tempo para calcular a resposta e o espaço para armazenar os dados.
Consultas em Data Streams Consultas Contínuas
Consulta submetida continuamente a cada determinado intervalo de tempo
Q1, Q2, ..., Qn, .... Consultas Ad-hoc
Referenciando dados passados Solução 1
Resposta é dada considerando o tempo inicial como o tempo t em que a consulta foi submetida.
Solução 2 Sumário dos dados é mantido pelo gerenciador. Consulta é executada sobre o sumário dos dados
Referência Projeto STREAM de Stanford
B.Babcock et al. 2002 : Models and Issues in Data Stream Systems. ACM PODS 2002. Projeto
Stanford STREAM Project http://infolab.stanford.edu/stream/
Técnicas de Amostragem, Filtragem e Sumarização dos dados: A. Rajaraman, J. Leskovec, J.D.Ullman: Mining of Massive Datasets, 2010. http://infolab.stanford.edu/~ullman/mmds/book.pdf
Sintaxe e Semântica rigorosas de linguagem de consultas + ImplementaçãoJ.Krammer, B. Seeger: Semantics and Implementation of Continuous Sliding
Window Queries over Data Stream. ACM Transaction on Database Systems, Vol. 34, No 1, Art. 4, 2009.
Linguagens de Consultas para Data Streams - Requisitos Uma semântica clara e não-ambigua em
qualquer instante t Uma álgebra própria que estenda a álgebra
relacional padrão de SQL Boa expressividade Implementação eficiente dos operadores
Pesquisa nos anos 2000 Diversas propostas de linguagens de consultas
“soltas”, inexistência de proposta unificada Semânticas diversificadas Semânticas não especificadas de forma
rigorosa, somente a partir de exemplos Exemplos simples de consultas não se
generalizam para casos mais complexos
Modelo de dados em fluxo Domínio temporal
T = (T, ≤ ) Simplificando: T = {0, 1 , 2 ,...}
Instante t t = elemento de T
Tupla sobre um esquema relacional R(A1,...,An) : atributos Ai não incluem o atributo temporal T
Stream puro: sequência (pode ser infinita) de elementos do tipo (e,t) , onde e é uma tupla sobre R e t é um instante. Stream puro = dado que chega ao sistema no instante t, proveniente do mundo externo Exemplo: Temperatura(x,t), onde x é um número real, medida de temperatura enviada
por um sensor no instante t (t = instante em que o dado foi produzido pelo sensor)
(e,t) : pode ser visto como um evento e que ocorreu no instante t Stream puro = sequência ordenada pelo elemento temporal t Requisito: número de tuplas com o mesmo t é FINITO.
Tempo de validade versus Tempo do Sistema Tempo de validade = instante em que o dado foi produzido
no mundo exterior. Este é o tempo que é considerado para o atributo T de um elemento
de dado em fluxo.
Tempo do sistema = instante em que o dado chega ao sistema Caso um dado u chegue ao sistema sem um tempo de validade, o
sistema associa a u o tempo t do sistema, transformando u em um elemento (u,t) de dado em fluxo.
Importante: tempo do sistema e tempo da aplicação (validade) não são sincronizados (em geral são distintos !)
Stream Lógico Stream Lógico: Representação utilizada no modelo lógico
conceitual. Um stream lógico é um multi-conjunto (bag), potencialmente
infinito, de elementos (e,n,t), onde e = tupla, n ϵ N, t um instante. n denota a multiplicidade da tupla e no instante t (quantas
cópias de e foram produzidas no instante t) . (e,n,t) : e é válida no instante t e ocorre n vezes em t
Stream Físico Stream Físico: Representação compacta do stream lógico,
utilizada na implementação dos operadores da álgebra. Um Stream Físico é um multi-conjunto (bag),
potencialmente infinito, de elementos (e, [ts, tf) ), onde e = tupla, ts e tf são instantes. (e, [ts, tf) ): e é válida no intervalo [ts, tf) , isto é, em
todos os instantes t tais que ts ≤ t < tf Dados são ordenados considerando o instante inicial ts Não existe ordem entre dois elementos (e, [ts,tf1)) e (e’,
[ts, tf2) )
Stream Chronon Stream Chronon
Tipo especial de stream físico, onde os intervalos de tempo são chronons, isto é, unidades de períodos de tempo não decomponíveis = duração minima de tempo do dominio temporal T Instante = ponto na linha do tempo Chronon = periodo de tempo entre dois
instantes consecutivos na linha do tempo. Exemplo: se o tempo é contado em segundos,
então Chronon = periodo de 1 segundo
Transformando uma representação na outra Puro Fisico
(e,t) (e, [t, t+1) )
Puro Lógico S = { (e1,t1), ... } {(e, n, t) | n = número de elementos iguais a (e,t) em S}
Fisico Lógico S = { (e1, [ts1,tf1)), (e2, [ts2,tf2)), ... }
{(e, n, t) | n = número de elementos (e, [ts,tf)) em S, onde t ϵ [ts,tf ) }
Exemplo: S = { (e, [1,4)), (e, [2,5)), (e’, [1,3)) }
Stream Lógico correspondente ={(e,1,1), (e,2,2), (e,2,3), (e,1,4), (e’,1,1), (e’,1,2) }
Puro x Lógico x Físico Fonte externa do fluxo
Dado (b, t) produzidono instante t, onde b é uma sequência de bytes
Sistema Gerenciador de Data Streams
Conversor
Dado puro convertido (e, t)
Dado fisico transformado (e, [ts,tf))
DSMS PIPES [Kramer 2004] DSMS = Data Stream Management System Fornece uma linguagem de consultas onde os
operadores são do tipo Stream Stream Formulação das consultas:
Via comandos da linguagem Linguagem declarativa, semântica rigorosa, não-ambígua,
extensão de SQL. Via interface gráfica
Permite aos usuários construir planos de expressões algébricas diretamente, conectando os diferentes operadores da álgebra de forma apropriada.
Criando um stream puroAnálogo ao Create Table do SQL
CREATE STREAM OpenAuction
(itemID INT, sellerID INT, start_price REAL,
Timestamp TIMESTAMP)
SOURCE establishConnection(‘port341001’, ‘converter’)
ORDERED BY Timestamp
establishConnection: função implementada pelo usuárioTransforma a sequência de bytes chegando na porta 341001 em um stream puro.
Consultas ContínuasSELECT <lista de atributos> (não inclui timestamp !)
FROM <Stream1> [<WINDOW 1>], <Stream2> [<WINDOW 2>], ...
WHERE
GROUP BY
HAVING
<WINDOW > ::= ( <UNIDADE DE FRAME> <INICIO DO FRAME> )
<UNIDADE DE FRAME>::= ROWS | RANGE
<INICIO DO FRAME> ::= <VALOR> | UNBOUNDED
<VALOR> ::= <INTEIRO POSITIVO> [<UNIDADE>]
<UNIDADE> ::= SECONDS| MINUTES | HOURS | DAYS | MONTHS | YEARS
Exemplo1) FROM R WINDOW (ROWS 6)
Considera todos os 6 últimos elementos do stream lógico R
2) FROM R WINDOW (RANGE 6 HOURS)
Considera todos os elementos (e,n) do stream lógico R cujo tempo de validade t dista 6 horas do tempo corrente tc
instante da consulta = instante corrente tct = instante em quefoi produzido o elemento no mundo externo
tct
Intervalo de 6 horas
Now Window A cláusula WINDOW é opcional. Quando não aparece no FROM
Sistema utiliza uma janela default = now window
instante da consulta = instante corrente tc
tc
1 unidade de tempo
Now window = todos os elementos do streamproduzidos há 1 unidade de tempo e que são válidos no instante atual tc
Exemplo de consultaDê todos os dados sobre as compras que finalizaram após 5 horas
desde o primeiro lance.
SELECT OpenAuction.*FROM OpenAuction O WINDOW (RANGE 5 HOURS), ClosedAuction CWHERE O.ItemID = C.ItemID
instante da consulta = instante corrente tc
t = instante em quefoi dado o primeiro lance
tct
Intervalo de 5 horas
Semântica da consulta Consulta submetida no tempo tc
Considera o conjunto O de todos os produtos cujo primeiro lance foi dado no máximo há 5 horas, a partir do instante corrente tc
Considera o conjunto C de todos os produtos que estão encerrados na última unidade de tempo (1 segundo ?) a partir do instante corrente tc
Faz a junção de O X C pelo ItemID
Projeta nos atributos de O (ItemID, sellerID, startPrice)