Сравнивайте с английским: нажмите на абзац — оригинал откроется в окне. Кнопка EN под абзацем показывает его прямо в тексте.
Содержание
Введение
Объединение данных из разных источников и предоставление единого представления Интеграция данных включает в себя объединение данных, находящихся в разных источниках, и предоставление пользователям единого представления о них. Этот процесс приобретает значение в различных ситуациях, которые включают как коммерческие (например, когда две похожие компании должны объединить свои базы данных), так и научные (например, объединение результатов исследований из различных репозиториев биоинформатики). Интеграция данных появляется с возрастающей частотой, поскольку объем, сложность (то есть большие данные) и необходимость обмена существующими данными взрывается. Она стала предметом обширной теоретической работы, и многие открытые проблемы остаются нерешенными. Интеграция данных способствует сотрудничеству как между внутренними, так и внешними пользователями. Интегрируемые данные должны быть получены из гетерогенной системы баз данных и преобразованы в единый последовательный хранилище данных, которое обеспечивает синхронные данные в сети файлов для клиентов. Общее использование интеграции данных заключается в добыче данных при анализе и извлечении информации из существующих баз данных, которые могут быть полезны для бизнес-информации.
Combining data from different sources and providing a unified view
Data integration involves combining data residing in different sources and providing users with a unified view of them. This process becomes significant in a variety of situations, which include both commercial (such as when two similar companies need to merge their databases) and scientific (combining research results from different bioinformatics repositories, for example) domains. Data integration appears with increasing frequency as the volume, complexity (that is, big data) and the need to share existing data explodes. It has become the focus of extensive theoretical work, and numerous open problems remain unsolved. Data integration encourages collaboration between internal as well as external users. The data being integrated must be received from a heterogeneous database system and transformed to a single coherent data store that provides synchronous data across a network of files for clients. A common use of data integration is in data mining when analyzing and extracting information from existing databases that can be useful for Business information.
История
Проблемы с объединением гетерогенных источников данных часто называют информационными силосами, которые существуют в течение некоторого времени под единым интерфейсом запроса. В начале 1980-х годов ученые-компьютерщики начали разрабатывать системы для взаимодействия гетерогенных баз данных. Первая система интеграции данных, основанная на структурированных метаданных, была разработана в Университете Миннесоты в 1991 году для серии микроданных интегрированного общественного использования (IPUMS). IPUMS использует подход к хранению данных, который извлекает, преобразует и загружает данные из разнородных источников в уникальную схему просмотра, чтобы данные из разных источников становились совместимыми. Благодаря совместимости тысяч баз данных о населении, IPUMS продемонстрировала возможность масштабной интеграции данных. Подход к хранилищу данных предлагает тесно связанную архитектуру, потому что данные уже физически согласованы в одном доступном для запроса хранилище, поэтому обычно требуется мало времени для решения запросов. Подход к хранилищу данных менее осуществим для наборов данных, которые часто обновляются, требуя непрерывного повторного выполнения процесса извлечения, преобразования, загрузки (ETL) для синхронизации. Трудности возникают также при построении хранилищ данных, когда имеется только интерфейс запроса к источникам обобщенных данных и отсутствует доступ к полным данным. Эта проблема часто возникает при интеграции нескольких коммерческих запросов, таких как путешествия или веб-приложения для рекламы. тенденция интеграции данных способствовала свободному соединению данных и предоставлению единого интерфейса запросов для доступа к данным в режиме реального времени через посредническую схему (см. рисунок 2), которая позволяет получать информацию непосредственно из исходных баз данных. Это согласуется с популярным в то время подходом SOA. Этот подход основан на сопоставлении опосредованной схемы и схемы исходных источников и переводе запроса в разложенные запросы, чтобы соответствовать схеме исходных баз данных. Такие сопоставления могут быть определены двумя способами: как сопоставление объектов в опосредованной схеме с объектами в исходных источниках (подход "Глобальный вид" (GAV)), или как сопоставление объектов в исходных источниках со опосредованной схемой (подход "Местный вид" (LAV)). Последний подход требует более сложных выводов для решения запроса на опосредованной схеме, но облегчает добавление новых источников данных в (стабильную) опосредованную схему. Некоторые из работ в области исследований интеграции данных касаются проблемы семантической интеграции. Эта проблема касается не структурирования архитектуры интеграции, а того, как разрешить семантические конфликты между гетерогенными источниками данных. Например, если две компании объединяют свои базы данных, то определенные понятия и определения в их соответствующих схемах, такие как "прибыль", неизбежно имеют разные значения. В одной базе данных это может означать прибыль в долларах (число с плавающей запятой), в то время как в другой это может представлять собой количество продаж (целое число). Общая стратегия решения таких проблем предполагает использование онтологий, которые явно определяют термины схемы и, таким образом, помогают разрешать семантические конфликты. Этот подход представляет собой интеграцию данных на основе онтологии. С другой стороны, проблема объединения результатов исследований из различных биоинформатических репозиториев требует сравнения сходств, рассчитанных из различных источников данных, по одному критерию, такому как положительная прогнозная ценность. Это позволяет источникам данных быть непосредственно сопоставимыми и могут быть интегрированы даже когда природы экспериментов различны. было установлено, что современные методы моделирования данных обеспечивают изоляцию данных в каждой архитектуре данных в виде островов разрозненных данных и информационных силосов. Эта изоляция данных является непреднамеренным артефактом методологии моделирования данных, что приводит к разработке разрозненных моделей данных. Различные модели данных, когда они инстанцируются в качестве баз данных, образуют разные базы данных. Для устранения изолированности данных и содействия разработке интегрированных моделей данных были разработаны усовершенствованные методологии...
Issues with combining heterogeneous data sources are often referred to as information silos, under a single query interface have existed for some time. In the early 1980s, computer scientists began designing systems for interoperability of heterogeneous databases. The first data integration system driven by structured metadata was designed at the University of Minnesota in 1991, for the Integrated Public Use Microdata Series (IPUMS). IPUMS used a data warehousing approach, which extracts, transforms, and loads data from heterogeneous sources into a unique view schema so data from different sources become compatible. By making thousands of population databases interoperable, IPUMS demonstrated the feasibility of large scale data integration. The data warehouse approach offers a tightly coupled architecture because the data are already physically reconciled in a single queryable repository, so it usually takes little time to resolve queries. The data warehouse approach is less feasible for data sets that are frequently updated, requiring the extract, transform, load (ETL) process to be continuously re executed for synchronization. Difficulties also arise in constructing data warehouses when one has only a query interface to summary data sources and no access to the full data. This problem frequently emerges when integrating several commercial query services like travel or classified advertisement web applications. the trend in data integration favored the loose coupling of data and providing a unified query interface to access real time data over a mediated schema (see Figure 2), which allows information to be retrieved directly from original databases. This is consistent with the SOA approach popular in that era. This approach relies on mappings between the mediated schema and the schema of original sources, and translating a query into decomposed queries to match the schema of the original databases. Such mappings can be specified in two ways: as a mapping from entities in the mediated schema to entities in the original sources (the "Global as View" (GAV) approach), or as a mapping from entities in the original sources to the mediated schema (the "Local as View" (LAV) approach). The latter approach requires more sophisticated inferences to resolve a query on the mediated schema, but makes it easier to add new data sources to a (stable) mediated schema. some of the work in data integration research concerns the semantic integration problem. This problem addresses not the structuring of the architecture of the integration, but how to resolve semantic conflicts between heterogeneous data sources. For example, if two companies merge their databases, certain concepts and definitions in their respective schemas like "earnings" inevitably have different meanings. In one database it may mean profits in dollars (a floating point number), while in the other it might represent the number of sales (an integer). A common strategy for the resolution of such problems involves the use of ontologies which explicitly define schema terms and thus help to resolve semantic conflicts. This approach represents ontology based data integration. On the other hand, the problem of combining research results from different bioinformatics repositories requires bench marking of the similarities, computed from different data sources, on a single criterion such as positive predictive value. This enables the data sources to be directly comparable and can be integrated even when the natures of experiments are distinct. it was determined that current data modeling methods were imparting data isolation into every data architecture in the form of islands of disparate data and information silos. This data isolation is an unintended artifact of the data modeling methodology that results in the development of disparate data models. Disparate data models, when instantiated as databases, form disparate databases. Enhanced data model methodologies have been developed to eliminate the data isolation artifact and to promote the development of integrated data models. One enhanced data modeling method recasts data models by augmenting them with structural metadata in the form of standardized data entities. As a result of recasting multiple data models, the set of recast data models will now share one or more commonality relationships that relate the structural metadata now common to these data models. Commonality relationships are a peer to peer type of entity relationships that relate the standardized data entities of multiple data models. Multiple data models that contain the same standard data entity may participate in the same commonality relationship. When integrated data models are instantiated as databases and are properly populated from a common set of master data, then these databases are integrated. Since 2011, data hub approaches have been of greater interest than fully structured (typically relational) Enterprise Data Warehouses. Since 2013, data lake approaches have risen to the level of Data Hubs. (See all three search terms popularity on Google Trends.) These approaches combine unstructured or varied data into one location, but do not necessarily require an (often complex) master relational schema to structure and define all data in the Hub. Data integration plays a big role in business regarding data collection used for studying the market. Converting the raw data retrieved from consumers into coherent data is something businesses try to do when considering what steps they should take next. Organizations are more frequently using data mining for collecting information and patterns from their databases, and this process helps them develop new business strategies to increase business performance and perform economic analyses more efficiently. Compiling the large amount of data they collect to be stored in their system is a form of data integration adapted for Business intelligence to improve their chances of success.
Пример
Рассмотрим веб-приложение, в котором пользователь может запросить различную информацию о городах (такую как статистика преступности, погода, отели, демография и т. Д.). Традиционно информация должна храниться в единой базе данных с единой схемой. Но любой отдельный бизнес считает, что собрать информацию такого масштаба довольно сложно и дорого. Даже если ресурсы для сбора данных существуют, это, вероятно, будет дублировать данные в существующих базах данных о преступности, веб-сайтах погоды и данных переписи. Решение интеграции данных может решить эту проблему, рассматривая эти внешние ресурсы как материализованные представления о виртуальной опосредованной схеме, в результате чего возникает "виртуальная интеграция данных". Это означает, что разработчики приложений создают виртуальную схему - посредническую схему - для того, чтобы наилучшим образом моделировать ответы, которые хотят получить пользователи. Затем они проектируют "обложки" или адаптеры для каждого источника данных, например, базы данных о преступности и веб-сайта погоды. Эти адаптеры просто преобразуют результаты локальных запросов (те, которые возвращаются соответствующими веб-сайтами или базами данных) в легко обрабатываемую форму для решения интеграции данных (см. рисунок 2). Когда пользователь приложения запрашивает опосредованную схему, решение интеграции данных преобразует этот запрос в соответствующие запросы по соответствующим источникам данных. Наконец, виртуальная база данных объединяет результаты этих запросов в ответ на запрос пользователя. Это решение предлагает удобство добавления новых источников, просто создавая адаптер или программное обеспечение для них. Это контрастирует с системами ETL или с единым решением базы данных, которые требуют ручной интеграции целого нового набора данных в систему. Виртуальные решения ETL используют виртуальную опосредованную схему для осуществления гармонизации данных; при этом данные копируются из назначенного "главного" источника в определенные цели, поле за полем. Продвинутая виртуализация данных также построена на концепции объектно-ориентированного моделирования для построения виртуальной опосредованной схемы или виртуального хранилища метаданных с использованием архитектуры хаба и спика. Каждый источник данных является разным и как таковой не предназначен для поддержки надежных соединений между источниками данных. Поэтому виртуализация данных, а также федерация данных зависят от случайной общности данных для поддержки объединения данных и информации из разрозненных наборов данных. Из-за отсутствия общих значений данных в различных источниках данных, возвращаемый набор может быть неточным, неполным и невозможной для проверки. Одним из решений является переработка разрозненных баз данных для интеграции этих баз данных без необходимости ETL. Переработанные базы данных поддерживают ограничения общего характера, в которых может быть обеспечена референтная целостность между базами данных. Переработанные базы данных обеспечивают разработанные пути доступа к данным с общими значениями данных в базах данных.
Consider a web application where a user can query a variety of information about cities (such as crime statistics, weather, hotels, demographics, etc.). Traditionally, the information must be stored in a single database with a single schema. But any single enterprise would find information of this breadth somewhat difficult and expensive to collect. Even if the resources exist to gather the data, it would likely duplicate data in existing crime databases, weather websites, and census data. A data integration solution may address this problem by considering these external resources as materialized views over a virtual mediated schema, resulting in "virtual data integration". This means application developers construct a virtual schema—the mediated schema—to best model the kinds of answers their users want. Next, they design "wrappers" or adapters for each data source, such as the crime database and weather website. These adapters simply transform the local query results (those returned by the respective websites or databases) into an easily processed form for the data integration solution (see figure 2). When an application user queries the mediated schema, the data integration solution transforms this query into appropriate queries over the respective data sources. Finally, the virtual database combines the results of these queries into the answer to the user's query. This solution offers the convenience of adding new sources by simply constructing an adapter or an application software blade for them. It contrasts with ETL systems or with a single database solution, which require manual integration of entire new data set into the system. The virtual ETL solutions leverage virtual mediated schema to implement data harmonization; whereby the data are copied from the designated "master" source to the defined targets, field by field. Advanced data virtualization is also built on the concept of object oriented modeling in order to construct virtual mediated schema or virtual metadata repository, using hub and spoke architecture. Each data source is disparate and as such is not designed to support reliable joins between data sources. Therefore, data virtualization as well as data federation depends upon accidental data commonality to support combining data and information from disparate data sets. Because of the lack of data value commonality across data sources, the return set may be inaccurate, incomplete, and impossible to validate. One solution is to recast disparate databases to integrate these databases without the need for ETL. The recast databases support commonality constraints where referential integrity may be enforced between databases. The recast databases provide designed data access paths with data value commonality across databases.
Теория
Теория интеграции данных, включая те, которые включают в себя вложенные реляционные / XML-базы данных, и те, которые рассматривают базы данных как программы. Соединения с конкретными системами баз данных, такими как Oracle или DB2, обеспечиваются технологиями уровня реализации, такими как JDBC, и не изучаются на теоретическом уровне.
The theory of data integration including those that include nested relational / XML databases and those that treat databases as programs. Connections to particular databases systems such as Oracle or DB2 are provided by implementation level technologies such as JDBC and are not studied at the theoretical level.
Определения
Системы интеграции данных формально определяются как тупель, где глобальная (или опосредованная) схема, является гетерогенным набором исходных схем и является отображением, которое отображает запросы между исходными и глобальными схемами. Оба и выражаются в языках над алфавитами, состоящими из символов для каждого из их соответствующих отношений. Картировка состоит из утверждений между запросами и запросами. Когда пользователи задают запросы в системе интеграции данных, они задают запросы, а затем отображение утверждает связи между элементами глобальной схемы и исходными схемами. База данных по схеме определяется как набор наборов, по одному для каждой связи (в реляционной базе данных). База данных, соответствующая исходной схеме, будет включать в себя множество наборов tuples для каждого из гетерогенных источников данных и называется исходной базой данных. Обратите внимание, что эта единая база данных может фактически представлять собой коллекцию отключенных баз данных. База данных, соответствующая виртуальной опосредованной схеме, называется глобальной базой данных. Глобальная база данных должна соответствовать соотношению с исходной базой данных. Законность этого отображения зависит от характера соответствия между и существует два популярных способа моделирования этого соответствия: глобальный как вид или GAV и локальный как вид или LAV. Системы GAV моделируют глобальную базу данных как набор представлений, в этом случае ассоциирующих каждый элемент запроса с запросом. Обработка запроса становится простой операцией из-за хорошо определенных ассоциаций между и. Если к системе присоединяются новые источники, может потребоваться значительная работа по обновлению медиатора, поэтому предпочтительнее использовать подход GAV, когда источники, по-видимому, не изменятся. В подходе GAV к примерной системе интеграции данных выше, конструктор системы сначала разработал бы медиаторы для каждого из городских источников информации, а затем спроектировал бы глобальную схему вокруг этих медиаторов. Например, подумайте, если один из источников служит веб-сайту погоды. Вероятно, дизайнер добавил бы соответствующий элемент для погоды в глобальную схему. Затем основная часть усилий сосредоточена на написании правильного кода посредника, который преобразует предикаты о погоде в запрос на веб-сайте погоды. Это может стать сложным, если какой-то другой источник также относится к погоде, потому что дизайнеру может потребоваться написать код, чтобы правильно объединить результаты из двух источников. С другой стороны, в LAV исходная база данных моделируется как набор представлений, в данном случае ассоциируется с каждым элементом запроса. Как показано в следующем разделе, бремя определения способа извлечения элементов из источников возлагается на процессор запросов. Преимущество моделирования LAV заключается в том, что новые источники могут быть добавлены с гораздо меньшим количеством работы, чем в системе GAV, поэтому подход LAV должен быть предпочтительным в случаях, когда опосредованная схема менее стабильна или может измениться. Можно свободно думать о конъюнктивном запросе как о логической функции, применяемой к отношениям базы данных, например " где ". Если в правило заменена тупла или множество тупла, и она удовлетворяет ему (делает его истинным), то мы рассматриваем тупул как часть множества ответов в запросе. В то время как формальные языки, такие как Datalog, выражают эти запросы лаконично и без двусмысленности, общие SQL-запросы также считаются конъюнктивными запросами. С точки зрения интеграции данных, "задержка запросов" представляет собой важное свойство конъюнктивных запросов. Запрос содержит другой запрос (означается как), если результаты применения являются подмножеством результатов применения для любой базы данных. Два запроса считаются эквивалентными, если полученные наборы одинаковы для любой базы данных. Это важно, потому что в обоих системах GAV и LAV пользователь задает конъюнктивные запросы по виртуальной схеме, представленной набором представлений, или "материализованные" конъюнктивные запросы. Интеграция стремится переписать запросы, представленные представлениями, чтобы сделать их результаты эквивалентными или максимально содержащимися в запросе нашего пользователя. Это соответствует проблеме ответов на запросы с использованием просмотров (AQUV). В системах GAV дизайнер систем...
Data integration systems are formally defined as a tuple where is the global (or mediated) schema, is the heterogeneous set of source schemas, and is the mapping that maps queries between the source and the global schemas. Both and are expressed in languages over alphabets composed of symbols for each of their respective relations. The mapping consists of assertions between queries over and queries over When users pose queries over the data integration system, they pose queries over and the mapping then asserts connections between the elements in the global schema and the source schemas. A database over a schema is defined as a set of sets, one for each relation (in a relational database). The database corresponding to the source schema would comprise the set of sets of tuples for each of the heterogeneous data sources and is called the source database. Note that this single source database may actually represent a collection of disconnected databases. The database corresponding to the virtual mediated schema is called the global database. The global database must satisfy the mapping with respect to the source database. The legality of this mapping depends on the nature of the correspondence between and Two popular ways to model this correspondence exist: Global as View or GAV and Local as View or LAV. GAV systems model the global database as a set of views over In this case associates to each element of a query over Query processing becomes a straightforward operation due to the well defined associations between and The burden of complexity falls on implementing mediator code instructing the data integration system exactly how to retrieve elements from the source databases. If any new sources join the system, considerable effort may be necessary to update the mediator, thus the GAV approach appears preferable when the sources seem unlikely to change. In a GAV approach to the example data integration system above, the system designer would first develop mediators for each of the city information sources and then design the global schema around these mediators. For example, consider if one of the sources served a weather website. The designer would likely then add a corresponding element for weather to the global schema. Then the bulk of effort concentrates on writing the proper mediator code that will transform predicates on weather into a query over the weather website. This effort can become complex if some other source also relates to weather, because the designer may need to write code to properly combine the results from the two sources. On the other hand, in LAV, the source database is modeled as a set of views over In this case associates to each element of a query over Here the exact associations between and are no longer well defined. As is illustrated in the next section, the burden of determining how to retrieve elements from the sources is placed on the query processor. The benefit of an LAV modeling is that new sources can be added with far less work than in a GAV system, thus the LAV approach should be favored in cases where the mediated schema is less stable or likely to change. One can loosely think of a conjunctive query as a logical function applied to the relations of a database such as " where ". If a tuple or set of tuples is substituted into the rule and satisfies it (makes it true), then we consider that tuple as part of the set of answers in the query. While formal languages like Datalog express these queries concisely and without ambiguity, common SQL queries count as conjunctive queries as well. In terms of data integration, "query containment" represents an important property of conjunctive queries. A query contains another query (denoted ) if the results of applying are a subset of the results of applying for any database. The two queries are said to be equivalent if the resulting sets are equal for any database. This is important because in both GAV and LAV systems, a user poses conjunctive queries over a virtual schema represented by a set of views, or "materialized" conjunctive queries. Integration seeks to rewrite the queries represented by the views to make their results equivalent or maximally contained by our user's query. This corresponds to the problem of answering queries using views (AQUV). In GAV systems, a system designer writes mediator code to define the query rewriting. Each element in the user's query corresponds to a substitution rule just as each element in the global schema corresponds to a query over the source. Query processing simply expands the subgoals of the user's query according to the rule specified in the mediator and thus the resulting query is likely to be equivalent. While the designer does the majority of the work beforehand, some GAV systems such as Tsimmis involve simplifying the mediator description process. In LAV systems, queries undergo a more radical process of rewriting because no mediator exists to align the user's query with a simple expansion strategy. The integration system must execute a search over the space of possible queries in order to find the best rewrite. The resulting rewrite may not be an equivalent query but maximally contained, and the resulting tuples may be incomplete. the GQR algorithm is the leading query rewriting algorithm for LAV data integration systems. In general, the complexity of query rewriting is NP complete. led by William Michener at the University of New Mexico; The Data Conservancy, led by Sayeed Choudhury of Johns Hopkins University; SEAD: Sustainable Environment through Actionable Data, led by Margaret Hedstrom of the University of Michigan; the DataNet Federation Consortium, led by Reagan Moore of the University of North Carolina; and Terra Populus, led by Steven Ruggles of the University of Minnesota. The Research Data Alliance, has more recently explored creating global data integration frameworks. The OpenPHACTS project, funded through the European Union Innovative Medicines Initiative, built a drug discovery platform by linking datasets from providers such as European Bioinformatics Institute, Royal Society of Chemistry, UniProt, WikiPathways and DrugBank.