MARIA DEL PILAR AZCÁRATE TORO ÁLVARO CÁRDENAS OROZCO

Transcripción

1 BASES DE DATOS ORIENTADAS A COLUMNAS: UN ANÁLISIS COMPARATIVO FRENTE A LOS MODELOS DE BASES DE DATOS RELACIONAL, ORIENTADO A OBJETOS Y OBJETO RELACIONAL MARIA DEL PILAR AZCÁRATE TORO ÁLVARO CÁRDENAS OROZCO UNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERÍAS INGENIERÍA DE SISTEMAS Y COMPUTACIÓN PEREIRA 2011

2 BASES DE DATOS ORIENTADAS A COLUMNAS: UN ANÁLISIS COMPARATIVO FRENTE A LOS MODELOS DE BASES DE DATOS RELACIONAL, ORIENTADO A OBJETOS Y OBJETO RELACIONAL MARIA DEL PILAR AZCÁRATE TORO ÁLVARO CÁRDENAS OROZCO MONOGRAFÍA DIRECTOR INGENIERO JULIO CESAR CHAVARRO PORRAS Doctor En Ingeniería Área De Énfasis: Ciencias De La Computación Universidad Del Valle UNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERÍAS INGENIERÍA DE SISTEMAS Y COMPUTACIÓN PEREIRA 2011

3 Nota de aceptación: Firma del presidente jurado Firma del jurado Firma del jurado Pereira (día, mes, año)

4 DEDICATORIA A decir verdad nuestro transcurso en la universidad fue un poco más difícil de lo habitual, a pesar de ello, si bien logramos hoy terminar nuestro proyecto de grado y estar a puertas de nuestro grado es debido a todas esas personas que creyeron en nosotros y nos apoyaron siempre, esta monografía, el esfuerzo y compromiso que pusimos en ella se lo dedicamos precisamente a nuestros padres, familia y evidente a nosotros mismos, pues cada uno de ellos hizo parte de una ecuación que nos empuja hoy hacia el resto de nuestras vidas y que gracias a Dios se balanceó siempre apuntando a nuestro éxito actual, de verdad muchas gracias.

5 AGRADECIMIENTOS Es imposible evitar la influencia que tienen las personas sobre nosotros, después de todo es por eso que el hombre es un ser social, para aprender de otros e impactar su entorno de igual manera que este lo empuja a él hacia adelante, es precisamente por ello que hoy queremos agradecer a todas esas personas que de alguna manera nos ayudaron a madurar en este proceso llamado universidad, y que inspiraron en nosotros solo sueños grandes, por ello agradecemos a nuestros amigos, que siempre estuvieron ahí, a todos esos profesores que nos llenaron la cabeza de ilusiones de éxito y por sobre todo a entender el conocimiento como una función de vida, a la institución que hoy nos brindó un espacio para crecer a su sombra y finalmente a Dios, pues es a él que le debemos la vida misma, de verdad, muchas gracias a todos, porque sin ustedes no seriamos las personas de las cuales nos sentimos orgullosos hoy y las cuales esperan poder retribuir ese amor de todos ustedes en algún momento no muy lejano de nuestras vidas.

6 CONTENIDO pág. INTRODUCCIÓN GENERALIDADES DEFINICIÓN DEL PROBLEMA JUSTIFICACIÓN Tecnológica Económica Académica OBJETIVOS GENERAL Y ESPECÍFICOS Objetivo general Objetivos específicos MARCO DE REFERENCIA Marco Conceptual Marco teórico Modelo Relacional Modelo orientado a objetos Modelo objeto relacional Modelo orientado a columnas MODELO DE BASE DE DATOS RELACIONAL MODELO RELACIONAL Componentes Del Modelo Estructuras Operadores Proyección Selección Renombramiento Unión, Intersección Y Resta Restricción O Tetha-Select... 31

7 Producto Cartesiano ( ) Theta-Join Natural Join División Restricciones MODELO DE DATOS RELACIONAL EXTENDIDO Conceptualización Algebra Relacional Extendida Proyección Generalizada Funciones De Agregación Reunión Externa Valores Nulos Otras Operaciones Adicionales Ampliación Resumen Ω Modificaciones De La Base De Datos Borrado Inserción Actualización MODELO TECNOLOGICO Lenguajes De Consultas Relacionales Definición De Consulta Paradigmas De Consulta Consultas basadas en el Algebra Relacional Optimización De Consultas Optimización Sistemas De Gestión De Bases De Datos Datos Hardware Software Compilador De Consultas (Query Compiler) El Árbol Parse Generador De Planes De Consulta Plan Físico MODELO DE BASE DE DATOS ORIENTADO A OBJETOS... 48

8 3.1 INTRODUCCION MODELO TEÓRICO Objetos complejos Modelo de Base de Datos de Valor Complejo Operadores Descripción De Una Base De Datos Orientada A Objetos Restricciones MODELO TECNOLÓGICO Conceptos Relacionados Con Las Bases De Datos Orientadas A Objetos Origen de las Bases de Datos Orientadas a Objetos ODMG: El Estándar De Facto Para Modelos De Objetos Características de las Bases de Datos Orientadas a Objetos y diferencias de éstas con respecto a las relacionales Lenguaje De Consulta Y De Manipulación Optimización De Consultas MODELO DE BASE DE DATOS OBJETO RELACIONAL INTRODUCCIÓN DEFINICION DEL MODELO DESCRIPCIÓN DEL MODELO Modelo de datos DISEÑO DEL MODELO Métodos Tipos de colecciones BASES DE DATOS OBJETO RELACIONALES Objetos Tipos Estructura Estructura de un tipo de objeto Características Componentes Atributos... 75

9 4.5.2 Lenguaje de consultas Optimización de consultas Objeto-Relacional CONSIDERACIONES ENTRE EL MODELO ORDBMS Y RDBMS Rendimiento en la base de datos Cantidad de código Tiempo de diseño más eficiente Normalización MODELO DE BASE DE DATOS ORIENTADO A COLUMNAS INTRODUCCIÓN EL MODELO DE DATOS RS Esquemas de codificación Join a los índices WS ADMINISTRACIÓN DE ALMACENAMIENTO ACTUALIZACIONES Y TRANSACCIONES PROPORCIONAR AISLAMIENTO INSTANTÁNEO EL MANTENIMIENTO DE LA COTA MÁXIMA EL COMPROMISO DEL PROCESAMIENTO DISTRIBUIDO ROLLBACK TRANSACTION RECUPERACIÓN RECUPERACIÓN EFICAZ DE LA SE MOVER TUPLA C-STORE DE EJECUCIÓN DE CONSULTAS OPTIMIZACIÓN DE CONSULTAS... 97

10 6. ANALISIS COMPARATIVO ENTRE LOS MODELOS DE BASE DE DATOS RELACIONAL Y ORIENTADO A OBJETOS VS MODELO DE BASE DE DATOS ORIENTADO A COLUMNAS CARACTERÍSTICAS DE LOS MODELOS DE LAS BASES DE DATOS PROPUESTOS Características del modelo de base de datos relacional Características Del Modelo De Bases De Datos Orientado A Objetos Características Del Modelo De Bases De Datos Objeto Relacional Extensiones en las capacidades de los SGBDOR vs. SGBDR: Características del Modelo de Bases De Datos Orientado a Columnas VENTAJAS Y DESVENTAJAS DE LOS MODELOS DE BASES DE DATOS PROPUESTOS Ventajas y Desventajas del SGBDR Ventajas y Desventajas del SGBDOO Ventajas y Desventajas del SGBDOR Ventajas y Desventajas del SGBDOC ANALISIS COMPARATIVO DE LOS MODELOS PROPUESTOS CONCLUSIONES BIBLIOGRAFÍA

11 LISTADO DE TABLAS Tabla 1. Ejemplos de Funciones de Agregación Tabla 2. Operaciones lógicas con valores desconocidos Tabla 3. Datos de la tabla EMP... 84

12 LISTADO DE FIGURAS Figura 1. Componentes de un SGBD Figura 2. Compilación de una consulta Figura 3. Valor complejo (a) Un tipo y un valor de ese tipo Figura 4. Valor complejo (b) Otra presentación del mismo valor Figura 5. La base de datos CINEMA re-visitada (con información adicional mostrada) Figura 6. Una instancia de base de datos Figura 7. Operaciones algebraicas Figura 8. Proceso de optimización de consultas OO Figura 9. Estructura de un tipo objeto Figura 10. Arquitectura de C-Store Figura 11. Un índice de reunión de EMP3 a EMP Figura 12. Funcionamiento de HWM... 93

13 INTRODUCCIÓN En 1963 durante un simposio celebrado en california-estados Unidos, se presentó por primera vez el concepto de base de datos, las aplicaciones ganaban día a día complejidad y era evidente la necesidad de dividir las aplicaciones de software en módulos especializados, durante este simposio se expuso entonces, que era posible separar los datos de las aplicaciones. Esta idea surge dado que la estructura de los datos no cambia en el tiempo significativamente, en cambio los lenguajes y plataformas tecnológicas si lo hacen, por tanto, podemos tratar el almacenado de datos y el que hacer de los mismos, como problemas aparte que posteriormente habremos de integrar, se definió entonces, una base de datos como un conjunto de información relacionada que se encuentra agrupada o estructurada. Desde entonces, se han presentado gran variedad de modelos que soporten plataformas tecnológicas para el almacenamiento de datos, y esto ha generado una competencia que ha traído consigo la evolución constante, tanto de los modelos teóricos, como de su implementación tecnológica. Actualmente la evolución del internet, ha traído consigo nuevos retos desde la perspectiva del almacenamiento de los datos y de igual manera, las nuevas necesidades que aparecen en esta sociedad digital, es por esto, que nuestra investigación busca mostrar que diferencias trae consigo la nueva tecnología de base de datos llamada Base de Datos Orientada a Columnas con sus predecesoras, y para ello, se habrá de expresar con rigor los modelos de bases de datos, desde su soporte teórico hasta su implementación tecnológica, caracterizarlos, y a partir de esto, realizar el análisis comparativo. 13

14 1. GENERALIDADES 1.1 DEFINICIÓN DEL PROBLEMA Desde el surgimiento de las bases de datos en la década de los años 60, se han propuesto múltiples modelos teóricos y estos han sido usados en diferentes herramientas tecnológicas. Es evidente que cada modelo tiene características que lo diferencian de los otros y que debemos conocer con claridad, para seleccionar un modelo acorde con el problema de almacenamiento de datos y que facilite la decisión sobre la herramienta tecnológica que se usará en la implementación de la solución. Los sistemas de información requieren cubrir distintas necesidades de persistencia que provienen del dominio que se modela y de los usuarios del sistema. Es a partir de esas necesidades, que se determinan los requerimientos funcionales y no funcionales de las bases de datos que participan de la solución. Esta solución puede diferir de una aplicación a otra, y por consiguiente es de vital importancia identificar con precisión en que contextos es mejor un modelo u otro. Los modelos son independientes de la tecnología. En la actualidad existe una variedad importante de motores de base de datos los cuales operan de diversas maneras sobre los datos, razón por la cual este estudio servirá de soporte para comparaciones futuras entre gestores de bases de datos, partiendo de las diferencias existentes entre los modelos de datos que les subyacen y de la forma que operan sobre los datos y su implementación. Según Ramos y otros [1], la evolución de las redes de comunicación e Internet han ocasionado que los fondos documentales, que actualmente están accesibles a través de internet, sean de diversa naturaleza (catálogos estructurados con diferentes colecciones de datos, páginas digitalizadas, textos transcritos, etc.), estén en diferentes formatos (ASCII,HTML, XML, SGML, etc.) y soporten diferentes plataformas (desde sistemas de gestión de bases de datos orientados a objetos, entre los demás modelos de bases de datos, hasta ficheros planos). Estas restricciones limitan la cantidad y la calidad de la información que puede extraerse de estos fondos documentales ya que dificultan el acceso a los mismos, haciendo que pueda ser necesario acceder a los diferentes fondos por separado y realizar, sobre todos ellos, consultas para poder encontrar lo deseado. Ante esta problemática no es solo necesario diferenciar las bases de datos, sino definir muy bien los modelos de datos que habrán de representar la información y como lograr una interfaz global que nos permita relacionarlas todas. Las nuevas tendencias de desarrollo en la ingeniería de software, y la prospectiva del campo de las TIC s, comparten como escenario común, la construcción de 14

15 aplicaciones soportadas en tecnologías abiertas y distribuidas como el Web. En este escenario, Internet de manera general y en particular la Web, ha planteado nuevos retos a nivel de la persistencia en el desarrollo de aplicaciones, trayendo soluciones como las propuestas en las bases de datos orientadas a columnas. Junto a estas tecnologías que se están desarrollando aparece como un nuevo problema a los desarrolladores de aplicaciones, poder determinar: Qué criterios se deben tener en cuenta para poder comparar las tecnologías de persistencia? Cuándo se debe utilizar un modelo de bases de datos determinado? Son las bases de datos orientadas a columnas un modelo o una tecnología? En qué casos esta tecnología es más adecuada que la soportada por los modelos más populares? 1.2 JUSTIFICACIÓN Tecnológica El rápido crecimiento en la oferta de sistemas de bases de datos comerciales y académicas, nos hace pensar que asistimos a una explosión de sistemas de gestión de bases de datos (SGBD), conocidos comercialmente como motores de bases de datos. Son tantos y de tan diverso tipo que en este campo se generan nuevas inquietudes en torno a cómo hacer para realizar una selección adecuada. En este contexto: surge la inquietud puntual de Cuál será el SGBD más adecuado para un sistema de información determinado?, y Cuáles son los criterios para poderlos comparar entre sí? Responder a estas preguntas requiere de una comparación teórica de los modelos y desde este campo, determinar las variables que en el plano tecnológico son determinantes. Debido a la cantidad de herramientas, es difícil evaluar o comparar los diferentes motores, por esta razón, partimos de comparar de los modelos de bases de datos que les subyacen dado que estos modelos determinan características fundamentales. Otros aspectos, por ejemplo los relacionados con el uso, estabilidad, capacidad de procesamiento y rendimiento, son utilizados para seleccionar una herramienta específica, después de haber determinado el modelo conceptual que mejor se ajusta a un problema específico. Para poder identificar los dominios de uso de las bases de datos orientadas a columnas es necesario conocer las limitaciones y potencialidades de las tecnologías soportadas en el modelo relacional, orientadas a objetos y objeto relacional. 15

16 1.2.2 Económica La variedad de motores ofrece diversos modelos de licenciamiento que varían desde los criterios de software open source hasta motores licenciados por usuario o por procesador con inversiones de varios miles de dólares. Es evidente que el costo de implementación de cada aplicación en un motor determinado y su nivel de dificultad al hacerlo, es diferente, lo cual implica que este análisis siempre que articule un proceso de selección de un modelo de bases de datos tendrá un impacto económico Académica En el programa de Ingeniería de Sistemas y Computación de la Universidad tecnológica de Pereira, no se han elaborado proyectos de grado en el área de Bases de Datos orientados a columnas. Este proyecto de grado servirá como insumo académico en el área y además, se espera que sirva de base para proyectos de grado futuros referentes a esta temática. Se considera que este análisis comparativo permitirá tener una herramienta teórica preliminar para el estudio, selección y evaluación de los modelos de bases de datos relacionales, objeto relacional, orientado a objetos y orientado a columnas en diferentes contextos. 16

17 1.3 OBJETIVOS GENERAL Y ESPECÍFICOS Objetivo general Proponer un conjunto de características mínimas para la comparación teórica y tecnológica de las bases de datos orientadas a columnas, frente a las que están soportadas en los modelos de datos Relacional, orientado a Objetos y Objeto relacional Objetivos específicos Establecer si las bases de datos orientadas a Columnas corresponden a un modelo teórico o conceptual, o si por el contrario son un modelo exclusivamente tecnológico. Determinar los criterios tecnológicos con los cuales se habrá de comparar las bases de datos orientadas a columnas con los diferentes motores que soportan otros modelos de bases de datos. Determinar en qué familias de problemas es procedente utilizar bases de datos orientadas a columnas como mecanismo de persistencia. 17

18 1.4 MARCO DE REFERENCIA Marco Conceptual Según C.J. Date [6] definimos los siguientes conceptos: - Dato: Conjunto de caracteres con algún significado, pueden ser numéricos, alfabéticos, o alfanuméricos. - Información: Es un conjunto ordenado de datos los cuales son manejados según la necesidad del usuario, para que un conjunto de datos pueda ser procesado eficientemente y pueda dar lugar a información, primero se debe guardar lógicamente en archivos. - Campo: Es la unidad más pequeña a la cual uno puede referirse en un programa. Desde el punto de vista del programador representa una característica de un individuo u objeto. - Registro: Colección de campos de iguales o de diferentes tipos. - Archivo: Colección de registros almacenados siguiendo una estructura homogénea. - Base de datos: Es una colección de archivos interrelacionados, son creados con un DBMS. El contenido de una base de datos engloba a la información concerniente (almacenadas en archivos) de una organización, de tal manera que los datos estén disponibles para los usuarios, una finalidad de la base de datos es eliminar la redundancia o al menos minimizarla. Los tres componentes principales de un sistema de base de datos son el hardware, el software DBMS y los datos a manejar, así como el personal encargado del manejo del sistema. - Sistema Manejador de Base de Datos (DBMS): Un DBMS es una colección de numerosas rutinas de software interrelacionadas, cada una de las cuales es responsable de una tarea específica. El objetivo primordial de un sistema manejador de base de datos es proporcionar un entorno que sea a la vez conveniente y eficiente para ser utilizado al extraer, almacenar y manipular información de la base de datos. Todas las peticiones de acceso a la base, se manejan centralizadamente por medio del DBMS, por lo que este paquete funciona como interface entre los usuarios y la base de datos. - Esquema de base de datos: Es la estructura por la que está formada la base de datos, se especifica por medio de un conjunto de definiciones que se expresa mediante un lenguaje especial llamado lenguaje de definición de datos. (DDL). 18

19 1.4.2 Marco teórico En ciencias aplicadas, un Modelo matemático es uno de los tipos de modelos científicos, que emplea algún tipo de formulismo matemático para expresar relaciones, proposiciones sustantivas de hechos, variables, parámetros, entidades y relaciones entre variables y/o entidades u operaciones, para estudiar comportamientos de sistemas complejos ante situaciones difíciles de observar en la realidad. De lo anterior se entiende que los modelos de datos se componen de tres partes principalmente: - Elementos: son todos aquellos componentes que conforman el conjunto. - Operadores: son los componentes que permiten interactuar a los elementos entre sí. - Restricciones: son las reglas que limitan el dominio de las relaciones entre elementos de tal manera que los elementos resultantes nunca se salgan de la influencia del modelo. A continuación nos concentraremos en caracterizar los modelos de estudio de datos, para los componentes antes nombrados Modelo Relacional Según el autor del artículo: Problemas Actuales Y Perspectivas En El Campo De Las Bases De Datos [2]. El modelo relacional está fundamentado en la teoría matemática de las relaciones y se complementa en la teoría de la lógica matemática conocida como cálculo de predicados. El concepto básico es el de relación. Una definición formal puede ser expresada como un subconjunto del producto cartesiano de los dominios que definen a R: r (R) (dom (A 1 ) X dom (A 2 ) X...X dom (A n )) Donde el producto cartesiano especifica todas las combinaciones posibles de valores de los dominios indicados. Suponiendo que todos los dominios son finitos, entonces podemos decir que, en un momento dado, el estado de una relación es el conjunto de las tuplas válidas que representan los valores del mundo real. En toda relación es posible advertir los siguientes elementos: - Nombre que identifica la relación, aunque pueden presentarse relaciones que no poseen nombre cuando son el resultado de una operación. 19

20 - Cabecera de la relación. Definida como el conjunto de n parejas atributo-dominio, donde n es el grado de la relación. Una forma de representarlo es: {(A i, D i )} para i=1...n. - Cuerpo de la Relación. Conjunto de m tuplas, donde cada tupla está conformada por parejas atributo valor. Representados por {(A i, V ij )} i=1...n. En este caso V ij, representa el valor j-ésimo que puede ser tomado en el dominio i para el atributo i. El número de tuplas de la relación recibe el nombre de cardinalidad. La definición de la cabecera y el nombre de la relación constituyen lo que se denomina el esquema de una relación. Adicionalmente se conoce como la intensión de la relación. En las relaciones el concepto de conjunto, implica que no existen repeticiones y el orden no es determinante. Adicionalmente cada Relación debe tener un atributo, o conjunto de atributos, que permita identificar cada tupla como única y al cual se le reconocerá como clave primaria. Las relaciones capturan los aspectos estáticos del minimundo del discurso, los aspectos de las inter-relaciones que existen entre objetos serán modeladas a partir de la inclusión de la clave primaria en otra relación donde se conocerá como clave foránea. De otra parte, las restricciones que representan las reglas del negocio, son representadas mediante las reglas de integridad de entidades, de dominio, de clave, y de integridad referencial. Para concluir con los aspectos estáticos del modelo, se definen las siguientes operaciones para la definición de los datos: Inserción, actualización y eliminación de tuplas.[2]. El modelo original establecido por CODD, contaba con un álgebra soportada en los operadores de: Selección. Proyección, Reunión, Unión, Intersección, Diferencia, División y Producto Cartesiano, lo cual permitía la interacción con los datos, de tal manera que todas las operaciones que se realizan entre relaciones, o sobre una relación, dan como resultado una nueva relación Modelo orientado a objetos Según Rob y otro [7] el modelo OO describe tanto datos como sus relaciones en una sola estructura conocida como objeto. Formalmente un objeto consiste de una tripleta (identificador de objeto, constructor, valor). El identificador del objeto es único por cada objeto y el valor del identificador está definido en un dominio asumido como infinito; el constructor del objeto es una especificación de cómo se construye el valor del objeto y el valor es conocido como el estado del objeto. 20

21 Se pueden distinguir algunos constructores básicos como son: átomos, tuplas, conjuntos, listas y arreglos. Se cuenta con un Dominio D que contiene todos los valores atómicos que se encuentran disponibles directamente en el sistema, entre estos se encuentran los enteros, reales, booleanos, cadenas de caracteres, y las fechas. En los sistemas orientados a objeto puro, puede existir una restricción adicional a que todo debe ser un objeto, con su correspondiente estructura. Un ejemplo de un objeto para una base de datos es el siguiente (oid22, [title: the trouble with harry, director: oid77, actors: {oid81, oid176, oid77}]) Hasta este punto, el modelo refleja el aspecto estático de los objetos, para adicionar comportamiento debemos referirnos a los métodos. En cada método encontramos tres componentes: nombre, signatura y cuerpo o implementación. El nombre corresponde a un grupo infinito donde cada nombre debe ser único. La signatura (también conocida como firma) especifica los tipos involucrados en la especificación funcional del método, es decir, describe el dominio y el rango de los tipos que participan en la descripción de la función que puede ser ejecutada sobre el objeto. El cuerpo es la forma como se espera implementar la solución al método. [2]. El concepto de encapsulamiento, hace referencia a la unidad que se establece entre información y procedimientos para su actualización, consulta o definición. Esto implica que la ocultación de la información es básica en los modelos orientados a objetos. Toda información está oculta y no existen operadores generales para su manipulación, por el contrario, para cada objeto se define cuáles son los métodos que están permitidos sobre su estructura y como puede ser vista o manipulada su información. Esto permite que exista una colección de métodos disponibles sobre un objeto y los cuales se reconocerán como una interfaz del objeto. Un objeto puede compartir atributos, o métodos, con otros objetos de clases diferentes, lo cual da lugar a la existencia de nuevos conceptos: Jerarquías de clases, Jerarquías de tipos, herencia múltiple, herencia selectiva y polimorfismo. De manera formal podemos definir esquema de una base de datos y su instancia como sigue: Un esquema es una tupla de grado 5, S=(C,,,M,G), donde: C Grupo de nombres de tipos Es un mapeado de C U G a tipos (C) (C,, ) es una clase jerárquicamente bien formada 21

22 M es un grupo de signatura de métodos bien formados para (C,, ) G Es un grupo de nombres disjuntos de C A partir de lo cual se pude decir que una instancia del esquema es una tupla de grado 4: I = (,,, ), donde: Es un oid único Mapea cada oid a un valor correcto de tipos Asocia a cada nombre en G de tipo () un valor en el dominio de Asigna semántica a los métodos en concordancia con M. Según en el artículo [2]. Como se puede observar la estructura estática y la dinámica se encuentran unificadas en el objeto. El modelo se complementa con un cálculo orientado a objetos el cual es una generalización del cálculo de valores complejos, extendido a objetos, igualdad y métodos. El lenguaje de consulta es propio a cada sistema gestor, varios esfuerzos se han realizado en pro de una estandarización. Lo más popular es O2SQL Modelo objeto relacional Según el autor de Diseños de Bases de Datos Objeto-Relacionales con UML [3]. El modelo objeto relacional también se conoce como el modelo relacional extendido ya que incluye nuevas funciones y extensiones soportadas por los objetos. Actualmente la opinión sobre las definiciones del modelo objeto relacional están muy dividas, una definición sencilla podría ser: El modelo objeto-relacional (ORDBMS) es similar a un front-end dentro de una base de datos relacional que permite que los datos sean grabados como objetos, sin embargo todos los metadatos y la información siguen utilizando el sistema de filas y columnas para este propósito de tal forma que la base de datos pueda ser abordada también como una base de datos relacional. Y así mismo cuando los datos son recuperados la base de datos tiene la capacidad de reconstruir nuevamente los datos simples a objetos complejos. 22

23 Qué es un objeto? Los tipos de datos orientados a objetos son abstracciones de las entidades del mundo real que se guardan en la base de datos, un objeto es un esquema compuesto por un OID (Y que puede manejarse como llave primaria), un nombre, y un conjunto de métodos. Que son los UDTs y UDFs? Corresponden a los nuevos tipos de datos y nuevas funciones personalizadas por el usuario. Los UDTs se pueden clasificar en 3 tipos: De tipo distintivo, tipo opaco o de base y tipo fila o compuesto. Los datos de carácter opaco o de base son datos no derivados de otro tipo de datos, sus estructuras puede deben ser definidas dentro del DBMS con sus respectivas operaciones y funciones. Después de ser definidos pueden usarse como base para la creación de datos tipo distintivos y de tipo fila para ser usando en objetos. Los datos tipo fila pueden incluir más datos de tipo fila de forma anidada. Los datos de tipo distintivo son derivados de otro tipo de datos, manejan sus propios dominios, operaciones (Sobrecarga) y funciones. De ahí que su definición como objeto pueda ser fuertemente tipada lo que ayuda a mejorar la integridad de los datos. Dentro del modelo OR existen tres tipos de métodos cada uno con un respectivo constructor, ellos son: 1. Métodos tipo miembro: Permite modelar el comportamiento de los objetos 2. Métodos tipos estático: Permite modelar el objeto en su totalidad 3. Método tipo comparación: Permite realizar comparaciones entre el objeto original e instancias de este. Tipo de colección: 1. Tipo Arreglo 2. Tipo tabla Ambos tipos de colecciones son del mismo tipo de datos, sin embargo su diferencia radica en que el tipo arreglo es un conjunto ordenado, y limitado mientras que un tipo de tabla es un conjunto desordenado y sin límite alguno. Las tablas pueden anidarse siendo manejadas por medio del objeto tipo fila. También el modelo ORDBMS soporta dos tipos de vistas, el viejo tipo de vista clásica en una tabla y la nueva vista de tipo objeto. Por medio de las vistas tipo objeto es posible crear tablas virtuales de objetos que manejen UDTs y UDFs, las vistas de objeto también tienen la ventaja de producir vistas con datos de tipo relacional adjuntos a una vista objeto previa. 23

24 Modelo orientado a columnas Según el artículo [5]. Las Bases de Datos orientados a columnas se introdujeron por primera vez en 1970 en productos como Model 204 y ABABAS, este enfoque ha resurgido recientemente en Vertica y en cierta medida en QD Technology. Como su nombre lo indica, las bases de datos están organizadas por columnas en lugar de filas: es decir, todos los casos de un solo elemento de datos (por ejemplo, Nombre de cliente) se almacenan de modo que se puede acceder como una unidad. Esto los hace especialmente eficaces en las consultas analíticas, como la lista de selección, que a menudo lee unos pocos elementos de datos, pero necesitamos ver todas las instancias de estos elementos. En contraste, una base de datos relacional convencional, almacena los datos por filas, por lo que toda la información de un registro (fila) es inmediatamente accesible. Esto tiene sentido para las consultas transaccionales, que suelen referirse a un registro a la vez. Hoy los sistemas orientados a columnas combinan su estructura orientada a columnas con técnicas que incluyen la indexación, compresión y paralelización. Tiempo de carga: Cuánto tiempo se necesita para convertir datos de origen en el formato de columna? Esta es la pregunta más básica de todas. Los tiempos de carga son medidos en gigabytes por hora, que puede ser extremadamente lento, cuando de decenas o cientos de gigabytes de datos se trata. La cuestión a menudo carece de una respuesta sencilla, porque la velocidad de carga puede variar en función de la naturaleza de los datos y las elecciones realizadas por el usuario. Por ejemplo, algunos sistemas pueden almacenar varias versiones de los mismos datos, ordenados en diferentes secuencias o en los diferentes niveles de agregación. Los usuarios pueden construir un menor número de versiones a cambio de una carga rápida, pero puede pagar un precio más adelante con consultas más lentas. Pruebas realistas basadas en sus propios datos son el mejor camino para una respuesta clara. Carga Incremental: Una vez que un conjunto de datos se ha cargado, todo debe ser recargado cada vez que hay una actualización. Muchos sistemas orientados a columnas permiten carga incremental, teniendo sólo los registros nuevos o modificados y la fusión de los datos anteriores. Pero la atención al detalle es fundamental, ya que las funciones de carga incremental varían ampliamente. Algunas cargas incrementales tardan hasta una completa reconstrucción y, algunos pueden agregar registros, pero no cambiarlos o suprimirlos. Las Cargas incrementales a menudo deben completarse periódicamente con una reconstrucción completa. Compresión de datos: Algunos sistemas orientados a columnas pueden comprimir mucho la fuente de datos y archivos resultantes a fin de tomar una fracción de espacio en el disco original. Puede ocasionar en estos casos un impacto negativo en el rendimiento, por la descompresión de datos al realizar la lectura. Otros 24

25 sistemas utilizan menos compresión o almacenan varias versiones de los datos comprimidos, teniendo más espacio en disco, pero cobrando otros beneficios a cambio. El enfoque más adecuado dependerá de sus circunstancias. Tenga en cuenta que la diferencia de los requisitos de hardware pueden ser sustanciales. Limitaciones estructurales: Las bases de datos orientados a columnas utilizan diferentes técnicas para imitar una estructura relacional. Algunas requieren la misma clave principal en todas las tablas, es decir, la jerarquía de la base de datos está limitada a dos niveles. Los límites impuestos por un sistema en particular no parecen tener importancia, pero recuerde que sus necesidades pueden cambiar mañana. Limitaciones que parecen aceptables ahora, podría evitar la ampliación del sistema en el futuro. Técnicas de acceso: Algunas bases de datos orientadas a columnas sólo se pueden acceder utilizando su propio proveedor de lenguaje de consultas y herramientas. Estos pueden ser muy poderosos, incluyendo capacidades que son difíciles o imposibles usando el estándar SQL. Pero a veces faltan funciones especiales, tales como las consultas que comparan valores con o en los registros. Si necesita acceder al sistema con herramientas basadas en SQL, determine exactamente qué funciones SQL y dialectos son compatibles. Es casi siempre un subconjunto completo de SQL y, en particular, rara vez se dispone de las actualizaciones. También asegúrese de encontrar si el rendimiento de las consultas SQL es comparable a los resultados con el sistema de la propia herramienta de consulta. Rendimiento: Los sistemas orientados a columnas por lo general superan a los sistemas de relaciones en casi todas las circunstancias, pero el margen puede variar ampliamente. Las consultas que incluyen cálculos o acceso individuales a los registros puede ser tan lentos o más que un sistema relacional adecuadamente indexado. Escalabilidad: El punto de las bases de datos orientadas a columnas es obtener buenos resultados en grandes bases de datos. Pero no puede asumir que todos los sistemas pueden escalar a decenas o centenares de terabytes. Por ejemplo, el rendimiento puede depender de determinados índices de carga en la memoria, de modo que su equipo debe tener memoria suficiente para hacer esto. Como siempre, en primer lugar, preguntar si el vendedor tiene en ejecución los sistemas existentes a una escala similar a la suya y hablar con las referencias para obtener los detalles. Si el suyo fuera más grande que cualquiera de las instalaciones existentes, asegúrese de probar antes de comprar. 25

26 2. MODELO DE BASE DE DATOS RELACIONAL 2.1 MODELO RELACIONAL Los datos se han empleado para modelar el mundo real y esto ha causado la necesidad de tener diferentes niveles expresivos para representarlo, por esta razón se han propuesto diferentes modelos de datos, dando la claridad de que para definir los datos se utiliza un modelo y para su manipulación un lenguaje. Existen diversos modelos de datos que soportan las tecnologías de almacenamiento de información teniendo claridad en que la finalidad fundamental de los SGBD es garantizar la persistencia de los datos. Actualmente, para la mayoría de las aplicaciones de gestión que utilizan bases de datos, el modelo más empleado es el modelo relacional, por su gran versatilidad, potencia y por los formalismos matemáticos sobre los que se basa. Este modelo permite representar la información del mundo real de una manera intuitiva, introduciendo conceptos cotidianos y fáciles de entender. El modelo relacional fue propuesto por E.F. Codd en los laboratorios de IBM en California. Se trata de un modelo lógico, que construye una estructura que aunque fue diseñada para dar soporte al almacenamiento de datos, se fundamentó en las teorías de conjuntos1 y la lógica proposicional, es de aclarar que si bien modelamos los datos y sus relaciones, éstos datos habrán de ser almacenados de múltiples formas para aprovechar características físicas concretas de la máquina sobre la que se implanta la base de datos realmente. Es algo así como guardar unos libros en una biblioteca; dependiendo del área de la biblioteca, del tamaño, la forma, el número de estantes, y en definitiva, de las características físicas del sitio, podremos disponer los libros de una forma u otra para hacer más cómoda, fácil y eficiente su consulta y acceso. Los libros son los mismos, pero podemos ubicarlos de muchas formas, emplear diversas metodologías y contratar diversas técnicas de atención al cliente, entre otras consideraciones. A continuación expondremos las características concretas de este modelo de datos, sin entrar a profundidad en el cómo se almacenan físicamente los datos en cada ordenador, o cada S.G.B.D. Según Codd [8], el modelo relacional caracteriza las relaciones como estructura fundamental para describir y organizar los datos, y el álgebra relacional para manipularla. 1 Para conocer a profundidad la exposición de Codd y la teoría de conjuntos que el plantea observar la bibliografía [8]. 26

27 También identifica tres elementos básicos que componen el modelo de datos relacional, el componente estructural (conjunto de relaciones que varían en el tiempo), el componente de manipulación (un conjunto de reglas u operadores para la manipulación de datos) y el componente de integridad (un conjunto de reglas de integridad para asegurar estados consistentes de la base de datos) Componentes Del Modelo Estructuras Marta Millán en su texto Notas de referencia para la asignatura fundamentos de bases de datos [9] expone: Intuitivamente las relaciones se asocian con tablas nombradas cuyas columnas representan atributos que también pueden tener asociado un nombre, las filas de las tablas son tuplas, los valores que toman las tuplas se extraen de conjuntos constantes llamados dominios, todas las tablas constituyen una estructura de la base de datos que se representan en un esquema de bases de datos (nivel intencional) y su contenido en una instancia de bases de datos (nivel extensional). Es decir: Esquema de base de datos: la instanciación de una relación. Atributo: abstracción de una característica de un objeto. Dominio: valores posibles que puede tomar un atributo. Relación: conjunto de atributos que describen una entidad. Para describir el modelo de datos relacional Millán [9] expone la siguiente notación: att, un conjunto contable infinito de atributos con un orden total. dom, un conjunto contable infinito, disjunto con respecto a att, llamado dominio. relname, un conjunto contable infinito de nombres de relaciones con dominio propio. var, un conjunto infinito de variables que toman valores sobre elementos de dom. Como notación estándar se utilizan: las primeras letras del alfabeto en mayúsculas o con subíndices (A, B, A,A, ) para denotar los atributos individuales, 27

28 las letras finales del alfabeto (X, X1,Y, Y, ) para denotar los conjuntos de atributos, las letras mayúsculas R, S para denotar nombres de relaciones, el mismo nombre del esquema en letra minúscula (i.e. r k es una instancia de relación definida sobre el esquema R k ) para denotar las instancias de relaciones, teniendo k por constante. letras en negrita R, R1 para denotar los esquemas de base de datos. Se define una relación R a partir de n conjuntos S 1, S 2,, S n consistiendo de tuplas de aridad n en donde cada elemento i toma valores en S i. En la relación R cada fila representa una n tupla distinta. El orden de las filas no es importante pero si el de las columnas. Las diferentes relaciones o tablas, variantes en el tiempo, integran la base de datos. Un esquema de relación es un nombre de relación R. Un esquema de base de datos es un conjunto finito no vacío R de nombres de relación, el cual podemos representar según Elmasri Navathe [10] como un subconjunto del producto cartesiano de los dominios de los atributos que definen a R. r(r) (dom (A 1 ) dom (A 2 ) dom (A n )) Sea u una tupla definida sobre U. El valor de u para un atributo A en U es u(a). Cuando V U, u [V] representa a la tupla v de V tal que v(a) = u(a) para cada A V. Enfoques para el modelo Relacional Enfoques nombrado y no-nombrado Dependiendo de si se considera importante el nombre de los atributos asignados a las columnas de una relación o su orden, el modelo relacional se puede formular desde dos perspectivas: uno nombrado y otro no-nombrado. Bajo la primera, el nombrado, los atributos forman parte, explícitamente, del esquema de la base de datos. Una tupla u se define a partir de un esquema de relación R[U] y se escribe, usualmente, utilizando como sintaxis (A 1 : a 1, A 2 : a 2,, A k : a k ). En el segundo, el no-nombrado, solo se tiene en cuenta la aridad del esquema de una relación. Una tupla es una n-tupla ordenada (n 0) de constantes. La i-ésima coordenada de una tupla u es u(i). Es de anotar, que todas las puestas en escena del modelo relacional para el soporte de SGBD en la actualidad, están soportadas desde la perspectiva nombrada del modelo, y esto se debe, a que la implementación de este enfoque es computacionalmente menos costoso, pues tiene un orden estático para los 28

29 atributos que componen la descripción de una entidad, y recordemos, que las instanciaciones de esta son variantes en el tiempo, por lo cual, asumiendo que el orden de los atributos no sea importante durante los cambios constantes de una relación determinada, se generaría un costo computacional gigantesco el hacer consultas a partir de un atributo especifico Operadores Antes de comenzar es de vital importancia recordar que como resultado de cada operación, por tratarse de operaciones entre conjuntos, se eliminen las tuplas idénticas, siempre y cuando se cumplan las restricciones de integridad (es decir, el modelo y su implementación se ha aplicado correctamente a un sistema de información) Proyección Dada una relación r(x) y un subconjunto Y de X, la proyección de r sobre Y, denotada por y (r), es una relación definida sobre los atributos en Y que restringe los atributos de r a los atributos en Y. y (r) = { t (Y) t r} Es decir, que el resultado de esta operación será un conjunto que tendrá por elementos todos aquellos valores que pertenecen a los dominios de cada una de los atributos que a su vez pertenecen al conjunto de Y y al universo de la relación r Selección Este operador se define con respecto a una fórmula proposicional. Sea r una relación definida sobre un conjunto de atributos X. Una fórmula proposicional F sobre X se define recursivamente a partir de átomos y conectivos de la siguiente forma. Los átomos son de la forma A 1 A 2 ó A 1 a, donde, a es una constante y es uno de los operadores de comparación <,, =,, >,. Cada átomo definido sobre X es una fórmula proposicional sobre X. Si F 1, F 2 son fórmulas proposicionales definidas sobre X, también lo son (F 1 ), F 1 F 2 y F 1 F 2. Una fórmula proposicional tiene asociado un valor booleano (true, false). Es decir, F es simplemente una formula proposicional que delimita las tuplas en una consulta. 29

30 Dada una relación r(x) y una fórmula proposicional F definida sobre X, la selección de r con respecto a F, denotada por F (r) es la relación: F (r) = {t r F (t) = true} El conjunto resultante de esta operación será entonces, como dice la expresión, el subconjunto t que pertenece a r tal que cada tupla que conforma a t, cumpla con la premisa proposicional F Renombramiento Operador unario que cambia el nombre de los atributos en una relación. Dada una relación r sobre atributos X y una función inyectiva f definida sobre X (que asigna un nuevo nombre a cada atributo), el re nombramiento de r con respecto a f, se define como: ρ f (r) = {t existe t r tal que t [A] = t [f (A)] para todo A X} Es decir, al aplicar esta operación a una relación r, obtenemos una relación t, dicha relación podrá ser cambiada de las siguientes dos formas: cambia el nombre de la relación. cambia el nombre de un atributo o conjunto de atributos. Esta operación también nos sirve para hacer copias de una relación. La relación resultante contiene las mismas tuplas que el esquema original Unión, Intersección Y Resta Estas son operaciones típicas de conjuntos en donde evidentemente las relaciones deben ser compatibles, lo cual significa que las relaciones involucradas tienen el mismo número de atributos y mismo dominio dos a dos de tal suerte que: R 1 (A 1, A 2,... A n ) R 2 (B 1, B 2, B n ) Para todo i, 1 i n, Dom (A i ) = Dom (B i ) El resultado de estas operaciones será otra relación que al estar fundamentada en la lógica de conjuntos, no repite tuplas. En la relación resultante, los atributos serán los de la relación que pongamos como primer operando. 30

31 Lo habitual es realizar uniones, intersecciones y restas con esquemas exactamente iguales Restricción O Tetha-Select Sea un operador de comparación <,, =,, >, aplicable al atributo A y a la tupla c. R [A c] es el conjunto de tuplas de R, cada una de cuyas A-componentes satisface la condición con respecto a la tupla c. Otros atributos B de R pueden aparecer en lugar de la tupla c, teniendo en cuenta que A y B estén definidos sobre un dominio común. Cuando es la igualdad, el tetha-select se llama SELECT Producto Cartesiano ( ) Combina relaciones. Sean R y S relaciones de aridad n y m respectivamente. R S = { r(1),..., r(n), s(1),..., s(m) r R, s S} Esta es una operación binaria. No exige que las relaciones sean compatibles. R 1 (A 1,..., A n ) R 2 (B 1,..., B m ) R (A 1,..., A n, B 1,..., B m ) La relación resultante, R, contiene tuplas con los atributos de ambas relaciones. Pero esas tuplas son el resultado de combinar cada una de las tuplas de la primera relación con todas las de la segunda Theta-Join Sean R(A, B 1 ) y S (B 2, C) relaciones con B 1, B 2 definidos sobre un dominio común y uno de los operadores de comparación <,, =,, >, aplicable al dominio de los atributos B 1, B 2. El Theta-Join de R y S, denotado por R [B 1 B 2 ] S, es la concatenación de filas de R con filas de S en donde la B 1 -componente de la fila en R satisface la relación con respecto a la B 2 -componente de la fila S, es decir que el Theta-Join no es más que un producto cartesiano condicionado. Cuando es la igualdad el operador se llama EQUI-JOIN. Si las relaciones R y S tienen atributos comunes, los nombres de los atributos en la relación resultante se deben especificar. En realidad se da la siguiente correspondencia: R 1 f R 2 σ f (R 1 R 2 ) 31

32 Lo cual evidencia en palabras simples como el Theta-Join no es más que un producto cartesiano condicionado Natural Join Sean r 1 (YX) y r 2 (XZ) dos relaciones, tal que YX XZ = X. El join natural de r 1 y r 2, denotado por r 1 r 2, es una relación definida sobre YXZ consistente en todas las tuplas resultantes de concatenar tuplas en r 1 con tuplas en r 2 que tengan el mismo valor en X. r 1 r 2 = {t sobre YXZ existen t 1 r 1, t 2 r 2 tal que t [XY] = t 1 [XY] y t[xz] = t 2 [XZ]}, Es decir, que se seleccionan aquellas tuplas cuyos valores coincidan en los atributos con igual nombre División Dadas relaciones R (A, B 1 ) y S (B 2, C) con B 1, B 2 definidas sobre mismo dominio, R [B 1 B 2 ], es el subconjunto maximal de R [A] tal que su producto cartesiano con S [B 2 ] está incluido en R. Contraparte algebraica del cuantificador universal. Esta operación adquiere una vital importancia cuando requerimos consultas en las que se busca que algún atributo de una relación tome (al menos) todos los valores de otro atributo en otra relación (para todo) Restricciones El modelo relacional inicialmente propuesto por Codd [8] se enriquece semánticamente mediante la definición de restricciones de integridad dado que Las restricciones son reglas que siempre deben cumplirse de modo de apoyar la integridad de la base de datos (es decir, que la base de datos cumpla fielmente con el mundo modelado). Varios tipos de restricciones han sido propuestas y particularmente las de dependencia de datos han sido ampliamente estudiadas [8]. Un interesante problema relacionado con las dependencias, que ha sido también estudiado ampliamente, tiene que ver con la implicación de dependencias a partir de un conjunto de éstas. Por otra parte, el estudio de las dependencias también se relaciona con el diseño de esquemas de bases de datos. Si se parte de una relación universal y se aplican estrategias de descomposición para obtener formas normales se pueden obtener buenos esquemas. 32

33 Las siguientes son las restricciones a considerar para garantizar la persistencia de los datos Una relación o tabla relacional tiene asociada exactamente una llave primaria (PK), cuyo valor identifica una tupla o fila de manera única (propiedad de unicidad). Si la llave primaria es compuesta (combinación de varios atributos) y alguno de sus atributos se quita, no se garantiza la propiedad de unicidad, a esta segunda propiedad se le llama minimalidad. Restricción de dominio: El valor de cada atributo A debe ser un valor atómico del dominio dom(a). Restricción de clave: Dos tuplas no pueden tener la misma clave. Integridad de la entidad: Ningún atributo que forme parte de la clave primaria de una relación puede tomar un valor nulo. Integridad referencial: Si una relación R2 (relación que referencia) tiene un descriptor que es la clave primaria de la relación R1 (relación referenciada), todo valor de dicho descriptor debe concordar con un valor de la clave primaria de R1 o ser nulo. El descriptor es una clave ajena o foránea de la relación R MODELO DE DATOS RELACIONAL EXTENDIDO Conceptualización Lo que se buscó desde un principio con la extensión del modelo relacional fue poder incrementar el poder expresivo del mismo dándole componentes nuevos que permitieran expresar mejor el mini mundo de discurso. Con este fin Smith y Smith [13] presentan los conceptos de generalización y agregación. El modelo de datos semántico de Hammer y McLeod[18] introdujo los conceptos de clase y subclase, así como otros conceptos avanzados de modelamiento. Posteriormente se incluyen los conceptos de generalización y especialización, lo que permitió identificar con claridad la jerarquía de los componentes del conjunto universal y la integración de estos con el concepto de herencia. Evidentemente se planteó una extensión del algebra relacional con el fin de incluir estos nuevos conceptos en la manipulación de los datos, esta fue llamada algebra relacional extendida. 33