CC BY
37
^k UlSliVERSlIM:
№ 12 (93)___' ^ АУКИ_декабрь. 2021 г.
СПОСОБЫ И МЕТОДЫ АНАЛИЗА МНОГОМЕРНОГО БАЗЫ ДАННЫХ
Эргашев Аслон Акрамович
ст. преподаватель, Бухарский государственный университет, Республика Узбекистан, г. Бухара E-mail: aslonbek2008@gmail.com
Садикова Фируза Сафаровна
ассистент,
Бухарский государственный университет, Республика Узбекистан, г. Бухара
METHODS AND METHODS FOR ANALYSIS OF MULTIDIMENSIONAL DATABASE
Ergashev Aslon Akramovich
Senior Lecturer, Bukhara State University Republic of Uzbekistan, Bukhara
Sadikova Firuza Safarovna
Assistant, Bukhara State University Republic of Uzbekistan, Bukhara
АННОТАЦИЯ
В статье рассматриваются возможности многомерных баз данных, в частности многомерных кубов OLAP (On-Line Analytical Processing) при анализе больших объемов данных. Предоставлен обзор и особенности многомерной базы данных, обсуждаются действия, которые необходимо выполнить с многомерными базами данных для понимания структуры и возможностей куба OLAP. Для создания базы знаний описаны шаги, которые можно предпринять для создания и выполнения многомерной базы данных, которую можно собрать из различных источников, сохраняя в базу данных, а затем подготовить отчёт с помощью анализа OLAP.
ABSTRACT
The article discusses the capabilities of multidimensional databases, in particular, multidimensional OLAP (On-Line Analytical Processing) cubes when analyzing large amounts of data. Provides an overview and features of a multidimensional database and discusses the steps you need to take with a multidimensional database to understand the structure and capabilities of an OLAP cube. To create a knowledge base, it describes the steps you can take to create and execute a multidimensional database that you can collect from various sources, save to a database and then prepare a report using OLAP analysis.
Ключевые слова: многомерные базы данных, OLAP-куб, сечение куба, операции выполняемые с кубом OLAP.
Keywords: multidimensional databases, OLAP cube, section of a cube, operations performed with an OLAP cube.
Введение. Многомерный анализ данных используется в наборе программных инструментов для принятия управленческих решений. Основан на базе знаний, возникающей при управлении процессами в конкретной системе и в результате обработки информации[1]. Принятие верного решения требует упрощения структуры и использования большого количества информации. Использование OLAP-кубов для анализа и визуализации больших данных является эффективным.
Цель методики и исследования. Определить принцип, свойства многомерного анализа данных, рассмотреть концепцию OLAP-куба, определить
измерения и атрибуты для анализа данных, а также определение зависимости размера (атрибута) и числовых значений (измерений) в многомерной базе данных по принципу OLAP-кубов, а также получение необходимой информации в виде простой двухмерной таблицы.
Благодаря высокой эффективности и простоте использования многомерные базы данных широко используются на практике на современных предприятиях и в организациях [5, стр. 2,3]. Многомерная база данных - это модель данных, как взаимосвязанная многомерная структура, подобная реляционной структуре [9].
Библиографическое описание: Эргашев А.А., Садикова Ф.С. СПОСОБЫ И МЕТОДЫ АНАЛИЗА МНОГОМЕРНОГО БАЗЫ ДАННЫХ // Universum: технические науки : электрон. научн. журн. 2021. 12(93). URL: https://7universum.com/ru/tech/archive/item/12865
№ 12 (93)
AunÎ 1Ш. te;
universum:
ТЕХНИЧЕСКИЕ НАУКИ
декабрь, 2021 г.
Многомерная база данных. Многомерная база данных способна обрабатывать очень большие объемы данных с бесконечным числом полей [9]. Данные представляется в виде упорядоченного массива, что очень эффективно, поскольку поиск данных выполняется с помощью небольших блоков [8].
В многомерной базе данных данные представлены в виде числовых параметров или текстовых свойств, которые помогают принять правильное решение в результате анализа данных [8].
Есть три основных особенности многомерной базы данных:
1. На основе данных, собранных из разных источников, база данных просматривается и объединяется для анализа.
2. Новая информация находится путем разбивки выборок и поиска взаимосвязей.
3. Система OLAP отделяет знания от больших объемов данных [8,3].
Многомерный куб данных. OLAP-кубы. Многомерная база данных - представляют собой многомерный куб данных [7].
Структура простых электронных таблиц не меняется, в отличие от таблиц любого размера и иерархии, представленных в виде многомерных кубов. Несколько кубов образуют многомерную базу данных, а ячейки куба представляют собой измеренные значения [7, 2].
Многомерные OLAP-кубы помогают различать различные комбинации данных и анализировать данные, доступные в виде блока данных и извлекаемые по запросу [1]. Они также позволяет добавлять и редактировать новые данные, как реляционной базе данных.
Различные блоки образуют OLAP-куб, который упрощает направление и взаимосвязь данных [6]. Данные представлены в статистической форме, что позволяет выполнять различные действия.
Кубы могут быть бесконечными по размеру, но не трехмерными, что приводит к снижению быстродействия компьютера [11].
ОЬЛР-куб можно рассматривать как логическую модель для представления многомерных данных, характеризуемых индикаторами и измерениями: О = <Б, Е> - гиперкуб (рисунок 1).
Р = </1, /2,..., /п> - индикаторы гиперкуба (измерения): каждый индикатор имеет набор значений, которые количественно определяют анализируемый процесс.
Б = ^2,., ^> - измерения гиперкуба: каждое измерение представляет собой упорядоченный набор значений определенного типа. Измерения можно организовать в упорядоченную иерархическую структуру. Оси гиперкуба создаются из набора измерений:
d± = d\,dl
,dk11
d2 =dî,d|.....dl2
d = d1 d2 dkn
Одним из основных требований технологии OLAP является «прозрачность»: готовый многомерный куб должен быть представлен в удобной для пользователя форме, средства управления кубом должны быть интуитивно понятными, названия объектов анализа должны соответствовать терминологии.
Процесс OLAP-анализа характеризуется следующим набором действий с многомерными данными -консолидация, агрегированием (группировкой), вырезанием и вращением.
Формирование части куба заключается в определении значения (значений) определенного измерения, в котором размер куба уменьшается. Часть куба - это внутренний куб, содержащий все остальные измерения. Операция вращения заключается в изменении направления осей куба.
Рисунок 1. OLAP-куб
№ 12 (93)
AunÎ
Ж te;
universum:
ТЕХНИЧЕСКИЕ НАУКИ
декабрь, 2021 г.
Для конечного пользователя обеспечивается высокая гибкость в принятии решений за счет возможности изменения результирующего внешнего вида OLAP-куба. Аналитику предоставляется не строго регламентированный отчет, а возможность использовать набор инструментов для творческого исследования проблемы. Свободное манипулирование данными позволяет легко получить требуемый набор данных.
ОЬАР-куб можно рассматривать как абстрактное представление выбранного подмножества реляционной базы данных [1].
Структура OLAP. Основными элементами куба OLAP являются:
1. Измерения или атрибуты - при измерении значения любого параметра откладываются на потом (это оболочка куба) [2].
2. Кубы разного размера (более трех) можно представить в виде иерархии структурных представлений, расположенных друг внутри друга [1].
3. Иерархия измерений представлена в виде структуры для создания агрегированных данных.
4. Измерение или числовые значения - это кубические данные (количественное описание измерения) для определенных значений.
5. Символы. Состоят из различных размеров внутри куба, имеющих символьное обозначение.
Рисунок 2. Схематическое изображение OLAP-куба
На рисунке 2 показаны следующие измерения: «Месяцы» на одной оси, «Продукты» на второй оси и «Точки продаж» на третьей оси. Ячейка, соответствующая точке пересечения осей, является измеренным значением.
ОЬАР-куб позволяет агрегировать не только хранилище данных, но также и сортировать необходимые данные. С помощью куба выполняются следующие операции:
1. Разделение части - небольшой набор кубов в соответствии с необходимыми размерами.
2. Преобразование позволяет изменить визуальный вид данных путем изменения размеров.
3. Детализация - представление конкретных данных.
4. Консолидация - предоставление обобщенной информации [2].
Качество анализа данных на основе OLAP-куба в основном определяется наличием исходных данных и прозрачностью аналитической модели предметной сферы. Аналитическая модель - это набор локальных ОЬАР-моделей, имеющих соответствующий маршрут данных для решения определенных проблем [1, 2].
Заключение. Многомерные базы данных и их средства являющиеся хранилищем данных образуют OLAP-структуру, которая должна оперативно анализировать имеющиеся у нее данные. Таким образом, OLAP-анализ должен отвечать следующим требованиям:
1) Анализ должен осуществляться быстро независимо от количества данных.
2) Способность выполнять любой анализ (статистический, математический).
3) Доступ к нескольким компьютерам, то есть различные пользователи могут одновременно работать с одной базой данных.
4) Возможность обращения к необходимой информации в любое время.
5) Наличие бесконечного количества измерений для работы с большими объемами данных.
Перечисленные требования соответствуют принципу онлайн-обработки многомерных баз данных. Качество анализа данных на основе OLAP-куба в основном определяется наличием исходных данных и прозрачностью аналитической модели в области изучаемого предмета. Аналитическая модель - это набор локальных OLAP-моделей с соответствующей витриной данных (Data Mart) для решения определенных проблем [7].
№ 12 (93)
universum:
ТЕХНИЧЕСКИЕ НАУКИ
декабрь, 2021 г.
Список литературы:
1. Методы и модели анализа данных: OLAP и Data Mining / А.А. Барсегян [и др.]. - СПб. : БХВ-Петербург, 2004.
2. Методы интеллектуального анализа данных при создании баз знаний / В.С. Абруков [и др.] // Вестн. Чуваш. ун-та. - 2015. - № 1. - С. 140-146.
3. Демченко А.А. Использование OLAP-технологий при обработке данных // Решетневские чтения. Информационно-управляющие системы. - 2014. - С. 185-186.
4. Демченко А.А., Молоков В.В. OLAP-технология анализа данных // Секция «Информационно-управляющие системы». - 2014. - № 2/2. - С. 332-333.
5. Кокоулин А.Н., Южанинов Р.И. Многомерный анализ данных по обращаемости в лечебные учреждения с помощью средств Oracle Olap // Вестник ПНПУ. Электротехника, информационные технологии, системы управления. 2015. - № 13. - С. 5-14.
6. Коробко А.В., Пенькова Т.Г. Представление и применение знаний о кубах -концептах для поддержки адаптации манипулирования объектами анализа OLAP// Вестник СибГАУ. - № 30 (49). - 2013. - С. 51-57.
7. Терещенко О.В., Курилович Н.В., Князева Е.И. Многомерный статистический анализ данных в социальных науках : учеб. пособие. - Минск : БГУ, 2012. 239 с. : ил.
8. Шешукова Т.Г. Многомерный анализ данных: теория и практика // Экономический анализ: теория и практика. - № 17 (75). - 2006. - С. 8-13
9. Эргашев А.А. Bigdata: Бугунги салмокли маълумотлар тахлили. //«Инновацион гоялар, ишланмалар ва уларни ишлаб чикариш хамда таълимда куллашнинг замонавий муаммолари» халкаро илмий-амалий конференция. 2019 йил 15 апрель, Андижон.
10. Эргашев А.А. Выбор паттерна проектирования автоматизированной// информационной системы. // Журнал Проблемы науки. -2021 - 6 65. -С 17
11. Codd E.F. Providing OLAP to user-analysts: An IT mandate : technical report. San Jose : Codd and Date, 1993.
12. Data Cube: A Relational Aggregation Operator Generalizing Group-By, Cross-Tab, and Sub-Totals / J. Gray, A. Bos-worth, A. Layman, H. Priahesh // Proc. of the 12th Intern. Conf. on Data Engineering. IEEE, 1995. P. 152-159.
13. Ergashev A.A., Eshankulov H.I. Bilimlarni tasvirlashda freymli modellardan foydalanish.// Вихого davlat universi-teti Ilmiy Axboroti jurnali. - 2019/4. 92-b
14. Korobko A., Penkova T. OLAP-modeling of municipal procurement automation support problem // Proc. Intern. Conf. on Conceptual Structures (ICCS009). 2009. P. 87-91.
