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

SGDS versus SGBD

5

SGBD

SGDS

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 !)

Exemplo de um esquema de banco de dados em fluxo

Representação de dados em fluxo: diagrama geral

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) }

Exemplo

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))

Processamento de Consultas: esquema geral

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)