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.

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...

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.

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.

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...