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?