nghiên cứu một số vấn đề về truy vấn và tối ưu hóa truy vấn cơ sở dữ liệu phân tán trong hệ thống thông tin

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC THƯƠNG MẠI ĐỀ TÀI NGHIÊN CỨU KHOA HỌC CẤP TRƯỜNG NGHIÊN CỨU MỘT SỐ VẤN ĐỀ VỀ TRUY VẤN VÀ TỐI ƯU HÓA TRUY VẤN CƠ SỞ DỮ LIỆU PHÂN TÁN TRONG HỆ THỐNG

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC THƯƠNG MẠI

ĐỀ TÀI NGHIÊN CỨU KHOA HỌC CẤP TRƯỜNG

NGHIÊN CỨU MỘT SỐ VẤN ĐỀ VỀ TRUY VẤN

VÀ TỐI ƯU HÓA TRUY VẤN CƠ SỞ DỮ LIỆU PHÂN TÁN TRONG HỆ THỐNG THÔNG TIN

MÃ SỐ: CS-16-05

Chủ nhiệm đề tài: ThS Cù Nguyên Giáp

Bộ môn: Tin Học

Hà Nội, năm 2017

MỤC LỤC

DANH MỤC HÌNH VẼ 4

DANH MỤC TỪ VIẾT TẮT 5

CHƯƠNG 1 TỔNG QUAN NGHIÊN CỨU ĐỀ TÀI 6

1 Tính cấp thiết nghiên cứu của đề tài 6

2 Tổng quan về đề tài nghiên cứu 6

3 Mục tiêu nghiên cứu 8

4 Đối tượng và phạm vi nghiên cứu 9

5 Phương pháp nghiên cứu 9

6 Kết cấu báo cáo nghiên cứu 9

CHƯƠNG 2: TỔNG QUAN VỀ CƠ SỞ DỮ LIỆU PHÂN TÁN 11

1 Khái niệm về hệ cơ sở dữ liệu phân tán 11

1.1 Cơ sở dữ liệu phân tán 11

1.2 Hệ quản trị cơ sở dữ liệu phân tán 12

2 Các đặc trưng của cơ sở dữ liệu phân tán 13

2.1 Điều khiển tập trung 13

2.2 Độc lập dữ liệu 14

2.3 Giảm dư thừa dữ liệu 14

2.4 Độ tin cậy qua các giao dịch phân tán 14

2.5 Cải tiến hiệu năng 14

2.6 Dễ dàng mở rộng hệ thống 15

3 Kiến trúc cơ bản của cơ sở dữ liệu phân tán 15

3.1 Sơ đồ tổng thể 15

3.2 Sơ đồ phân đoạn 16

3.3 Sơ đồ định vị 16

3.4 Sơ đồ ánh xạ địa phương 18

4 Các mô hình xử lý phân tán 18

4.1 Mô hình xử lý Master - Slave 18

4.2 Các hệ phân tán ngang hàng 19

4.3 Môi trường đa tầng 20

CHƯƠNG 3: CÁC NGUYÊN LÝ CHUNG CỦA TỐI ƯU HÓA TRUY VẤN CƠ SỞ DỮ LIỆU PHÂN TÁN 22

1 Mục tiêu chung của bài toán toán truy vấn trong CSDLPT 22

2 Giới thiệu về xử lý truy vấn 22

3 Các giai đoạn trong xử lý truy vấn CSDLPT 24

4 Các đặc trưng về xử lý truy vấn trong CSDLPT: 27

4.1 Ngôn ngữ (language) 27

4.2 Các dạng tối ưu hóa (types of optimization) 27

4.3 Thời gian tối ưu hóa (optimization timing) 27

4.4 Thống kê (statistics) 28

4.5 Tối ưu hóa tập trung & tối ưu hóa phân tán (Decision sites) 28

4.6 Sử dụng kiến trúc mạng (Exploitation of the network topology) 28

4.7 Sử dụng bản sao phân đoạn (Exploitation of Replicated Fragments) 29

4.8 Sử dụng toán tử bán kết nối (Use of Semijoins) 29

5 Các kỹ thuật tối ưu hóa tập trung 30

5.1 Thuật toán INGRES 30

5.2 Thuật toán SYSTEM R 30

CHƯƠNG 4: TỐI ƯU HÓA TRUY VẤN PHÂN TÁN 22

1 Phân rã câu truy vấn 32

1.1 Chuẩn hóa 32

1.2 Phân tích 33

1.3 Loại bỏ dư thừa 35

1.4 Viết lại 36

2 Định vị dữ liệu phân tán 37

2.1 Rút gọn phân mảnh ngang nguyên thủy 38

2.2 Rút gọn phân mảnh dọc 40

2.3 Rút gọn phân mảnh dẫn xuất 42

2.4 Rút gọn phân mảnh hỗn hợp 43

3 Tối ưu hóa các truy vấn phân tán 44

3.1 Đầu vào bộ tối ưu hóa câu truy vấn 45

3.2 Thứ tự kết nối trên các truy vấn đoạn 47

4 Tối ưu hóa các truy vấn phân tán 48

4.1 Thuật toán tối ưu hóa truy vấn phân tán SDD-1 48

4.2 Thuật toán System R* 50

4.3 Thuật toán INGRES phân tán 52

5 Kết luận và hướng phát triển của đề tài 54

5.1 Kết luận 54

5.2 Hướng phát triển của đề tài 54

TÀI LIỆU THAM KHẢO 56

DANH MỤC HÌNH VẼ

Hình 1: Sơ đồ tổng thể 16

Hình 2: Sơ đồ định vị 18

Hình 3: Kiến trúc khách/chủ 19

Hình 4: Các hệ phân tán ngang hàng 20

Hình 5: Môi trường đa tầng 20

Hình 6: Mô tả bộ xử lý truy vấn 23

Hình 7: Mô tả các giai đoạn trong xử lý truy vấn 24

Hình 8: Mô hình tối ưu hóa truy vấn 25

Hình 9: Đồ thị kết nối tương ứng 34

Hình 10: Đồ thị truy vấn không liên thông 35

Hình 11: Ví dụ về cây đại số quan hệ 37

Hình 12: Rút gọn phân mảnh ngang với phép chọn 39

Hình 13: Cây đại số quan hệ truy vấn gốc 40

Hình 14: Rút gọn phân mảnh ngang với phép kết nối 40

Hình 15: Rút gọn phân mảnh dọc 41

Hình 16: Rút gọn phân mảnh dẫn xuất 43

Hình 17: Rút gọn phân mảnh hỗn hợp 44

Hình 18: Truyền các toán hạng trong phép toán hai ngôi 47

DANH MỤC TỪ VIẾT TẮT

1 DANH MỤC TỪ VIẾT TẮT TIẾNG VIỆT

STT Từ viết tắt Cụm từ đầy đủ

4 HQT CSDLPT Hệ quản trị cơ sở dữ liệu phân tán

2 DANH MỤC TỪ VIẾT TẮT TIẾNG ANH

STT Từ viết tắt Cụm từ đầy đủ Nghĩa Tiếng Việt

1 DBM Database management Quản trị cơ sở dữ liệu

2 DC Data communication Truyền thông dữ liệu

4 DDB Distributed database Cơ sở dữ liệu phân tán

6 GCS Global Conceptual Schema Lược đồ khái niệm toàn cục

7 LCS Local Conceptual Schema Lược đồ khái niệm cục bộ

CHƯƠNG 1 TỔNG QUAN NGHIÊN CỨU ĐỀ TÀI

1 Tính cấp thiết nghiên cứu của đề tài

Xã hội ngày càng phát triển kèm theo yêu cầu khối lượng thông tin cần xử lý, lưu trữ trong các hệ thống thông tin (HTTT) tăng lên nhanh chóng Dữ liệu lớn, cực lớn lên tới hàng triệu bản ghi lại phải cập nhật chỉnh lý thường xuyên nên với mô hình cơ

sở dữ liệu tập trung (CSDLTT) sẽ gặp rất nhiều khó khăn về vấn đề tốc độ xử lý tại máy chủ, băng thông đường truyền, ảnh hưởng đến tính sẵn sàng của hệ thống

Bên cạnh đó, trên thực tế, các doanh nghiệp, các đơn vị và các tổ chức phải phân

bố trên một vùng rộng lớn về mặt địa lý, có thể dàn trải trên phạm vi nhiều thành phố, toàn bộ quốc gia hay một vài quốc gia, thậm chí trên toàn cầu, nên việc lưu trữ, xử lý

dữ liệu tập trung không khả thi Dữ liệu không thể lưu trữ tập trung ở một địa điểm nhất định mà rải khắp các địa điểm mà cơ quan, tổ chức hay doanh nghiệp đó hoạt động

Khi dữ liệu không còn lưu trữ tập trung thì vấn đề làm thế nào để quản lý truy xuất, tốc độ truy xuất dữ liệu phục vụ cho công tác chuyên môn không bị ảnh hưởng, không bị gián đoạn là một vấn đề quan trọng được đặt ra Đây chính là tiền đề để cơ sở

dữ liệu phân tán (CSDLPT) ra đời Trong các hệ thống sử dụng CSDLPT dữ liệu thực

sự được lưu trữ trên nhiều trạm riêng biệt, tuy nhiên, việc quản lý khai thác lại được xây dựng sao cho người sử dụng có thể truy vấn dữ liệu như một CSDLTT

Khi khối lượng thông tin phải xử lý ngày càng lớn, phong phú và đa dạng thì vấn

đề đặt ra là cần xử lý thông tin như thế nào để giảm chi phí đến mức tối thiểu Một trong các giải pháp có tính khả thi là phải tối ưu hoá các câu lệnh khi truy vấn dữ liệu Tối ưu hóa câu lệnh truy vấn trên CSDLPT đòi hỏi nhiều kỹ thuật phức tạp hơn khi tối

ưu hóa truy vấn trên CSDL thông thường, do cơ sở dữ liệu được lưu trữ rời rạc

Từ tình hình thực tế và nhu cầu đó, việc nghiên cứu về truy vấn và tối ưu hóa truy vấn trong CSDLPT là một điều vô cùng cần thiết, có tính ứng dụng cao trong các

doanh nghiệp Vì vậy tôi chọn đề tài “Nghiên cứu một số vấn đề về truy vấn và tối ưu hóa truy vấn cơ sở dữ liệu phân tán trong hệ thống thông tin” để nghiên cứu Đề tài

hướng đến việc hệ thống hóa các vấn đề trong xây dựng câu truy vấn và tối ưu hóa các câu truy vấn trong môi trường đặc trưng của CSDLPT

2 Tổng quan về đề tài nghiên cứu

Hiện nay, quản lý, xử lý và khai thác thông tin, dữ liệu là một lĩnh vực thu hút sự quan tâm, đầu tư nghiên cứu và triển khai mạnh mẽ ở các nước tiên tiến về CNTT, nhất là khi ngành công nghiệp nội dung số đang nổi lên như một lĩnh vực kinh doanh

có lợi nhuận cao Các công nghệ liên quan đến công nghệ dữ liệu (data engineering), tìm kiếm thông tin (information retrieval), xử lý dữ liệu (data procesing), CSDL lưới (Grid Database)… được nghiên cứu rộng rãi tại các chuyên ngành liên quan đến CNTT tại các trường đại học lớn trên thế giới Các chương trình này đã và đang được

hỗ trợ bởi một ngành công nghiệp khổng lồ để đưa các thành tựu mới về công nghệ trong các lĩnh vực này vào ứng dụng một cách nhanh chóng Các chính phủ của các

nước tiên tiến coi việc phát triển, nắm bắt và ứng dụng các thành tựu mới trong các ngành công nghệ này là công tác sống còn trong việc phát triển các hạ tầng thông tin

và phục vụ lợi ích quốc gia và phát triển kinh tế

Do đó, một số hiệp hội của các nhà nghiên cứu và phát triển các công nghệ, ứng dụng quản lý thông tin và dữ liệu đã ra đời và có ảnh hưởng lớn trên thế giới Nổi tiếng nhất là SIGMOD thuộc ACM và Data Engineering của IEEE, cả hai đều thuộc Mỹ nhưng được công nhận rộng rãi trên toàn thế giới Tại một số nước tiên tiến khác cũng

tổ chức các phân hội địa phương của các hiệp hội này Ðiều này chứng tỏ tầm ảnh hưởng của các tổ chức này trong ngành xử lý dữ liệu trên thế giới Ngoài ra các nước cũng có các tổ chức quốc gia riêng về công nghệ xử lý dữ liệu Ví dụ, tại Nhật Bản có SIGMOD-Japan và Tổ chức xử lý thông tin Japan (Japan InformationProcessing Society) Các tổ chức này hiện nay đều hỗ trợ mạnh các công nghệ xử lý dữ liệu lớn (big data) trong đó có vấn đề nghiên cứu về CSDLPT

Theo [1], trong hệ thống cơ sở dữ liệu phân tán, sự lưu trữ và dư thừa dữ liệu phân tán có tiện ích là để phục hồi lỗi, nhưng cũng vì thế nó làm cho quá trình xử lý truy vấn phân tán phức tạp hơn tại cùng một thời điểm Vì vậy, trong các nhánh nghiên cứu về CSDLPT, nghiên cứu về tối ưu hóa và xử lý truy vấn là một trong những công nghệ quan trọng nhất Trong nghiên cứu này, tác giả sử dụng toán tử bán kết hợp nhằm cải thiện hiệu suất của các truy vấn và giảm thời gian tìm kiếm

Tác giả Lin Zhou đã mô tả ngắn gọn các khái niệm tương ứng và đặc điểm của hệ thống cơ sở dữ liệu phân tán, tóm tắt những mục tiêu tối ưu hóa truy vấn cơ sở dữ liệu phân tán và phân tích các quá trình tối ưu hóa truy vấn dựa trên toán tử bán kết hợp với các ứng dụng thực tế cùng với thuật toán cổ điển SDD-1 nhằm thực hiện tối ưu hóa truy vấn trong cơ sở dữ liệu phân tán

Theo Pawandeep Kaur [2] thì tối ưu hóa truy vấn là quá trình sử dụng phương án tốt nhất cho truy vấn để cải thiện hiệu suất của các truy vấn Tối ưu hóa truy vấn trong

cơ sở dữ liệu phân tán khó khăn hơn rất nhiều so với cơ sở dữ liệu tập trung Truy vấn trong cơ sở dữ liệu phân tán bị ảnh hưởng bởi các yếu tố như phương pháp chèn dữ liệu vào máy chủ từ xa và cách thời gian phản hồi giữa các máy chủ Thời gian trả lời của các truy vấn phụ thuộc vào thời gian truyền và tốc độ xử lý của các máy cục bộ Trong đó, vai trò của việc xây dựng một mô hình ước lượng chi phí của truy vấn phù hợp là rất quan trọng Mô hình phù hợp sẽ tạo nên tảng để ước lượng chi phí cho các phương thức tối ưu hóa truy vấn khác nhau và lựa chọn phương án tốt nhất

Trong [3], Shyam Padia đã chứng minh tường minh răng vấn đề tối ưu hóa truy vấn trong cơ sở dữ liệu phân tán quy mô lớn là bài toán NP - khó trong tự nhiên và rất khó để giải quyết Các bài toán thuộc lớp NP-khó, ví dụ như bài toán tối ưu hó truy vấn, sự phức tạp của bộ tối ưu hóa tăng phi tuyến khi số lượng các quan hệ và số lượng các mối ràng buộc trong một truy vấn tăng lên Nghiên cứu đã tìm hiểu và giới thiệu một số các các chiến lược tối ưu hóa khác nhau và các nghiên cứu cho thấy rằng hiệu suất tối ưu hóa truy vấn phân tán được cải thiện khi sử dụng thuât toán đàn kiến được tích hợp trong các thuật toán tối ưu hóa

Tại Việt nam, trong một thời gian dài, tầm quan trọng của các HTTT có mức tự động hóa cao không được đánh giá đúng mức trong quản lý nhà nước và phát triển kinh tế, kinh doanh Việc nghiên cứu về CSDL trong một thời gian dài tập trung vào lý thuyết CSDL như nghiên cứu về mô hình CSDL dùng các công cụ toán học Trong lĩnh vực ứng dụng, mặc dù có không ít các dự án xây dựng các CSDL nhưng lĩnh vực này chưa được nghiên cứu đánh giá một cách tổng thể, sử dụng còn ở mức chưa khai thác hết tất cả các tính năng của các công nghệ CSDL hiện đại Giữa lý thuyết và ứng dụng là một khoảng cách lớn

Theo Đào Ngọc Sơn [4], hệ thống phân tán là một hệ thống cơ sở dữ liệu phức tạp, đòi hỏi việc tổ chức cơ sở hạ tầng vật lý và mô hình kết nối mạng phức tạp Việc tìm hiểu và tối ưu hóa truy vấn trong CSDLPT có ý nghĩa quan trọng quyết định đến hiệu năng hệ thống, làm hệ thống cơ sở dữ liệu phân tán mang những lợi ích giống như

cơ sở dữ liệu tập trung và phát huy những ưu thế cơ sở dữ liệu phân tán mang lại Công trình đã trình bày các nguyên lý chung để tối ưu hóa bao gồm: Các chiến lược tối

ưu tổng quát, các kỹ thuật tối ưu hóa cơ bản, các biến đổi đại số,… và giới thiệu các thuật toán tối ưu hóa trong cơ sở dữ liệu phân tán, dựa vào mô hình chi phí hoặc thời gian đáp ứng hệ thống, các thuật toán INGRES phân tán, Thuật toán System R*, thuật toán SDD-1 và thuật toán AHY Bên cạnh đó tác giả cũng đã cài đặt thử nghiệm thuật toán System R* phân tán trong một hệ thống CSDLPT mô phỏng

Đề tài nghiên cứu của Phạm Thị Thu Huyền [5] đã trình bày các vấn đề cơ bản của cơ sở dữ liệu phân tán, cơ sở dữ liệu tập trung, các kỹ thuật tối ưu hóa truy vấn tập trung và phân tán Qua đó cài đặt thử nghiệm một thuật toán SDD-1 để tối ưu truy vấn phân tán trong một hệ thống CSDLPT đơn giản

Qua các nghiên cứu trên thế giới và tại Việt nam, chúng ta có thể nhận thấy việc nghiên cứu về CSDLPT và tối ưu hóa truy vấn trên cơ sở dữ liệu này là rất quan trọng Các nghiên cứu trên thế giới đã đi sâu vào các khía cạnh kỹ thuật đơn giản cũng như phức tạp trong việc phân tích câu truy vấn và tối ưu hóa xử lý câu truy vấn Các nghiên cứu ở Việt nam cũng đã từng bước thực hiện việc cài đặt và thử nghiệm các thuật toán ứng dụng trong tối ưu hóa các truy vấn một cách rời rạc Do đó, trong nghiên cứu này, tác giả thực hiện việc trình bày một cách có hệ thống các vấn đề liên quan đến CSDLPT và tổng hợp các thuật toán phổ biến đại diện cho các cách tiếp cận khác nhau trong việc tối ưu hóa câu truy vấn dành cho CSDLPT

3 Mục tiêu nghiên cứu

Tối ưu hóa truy vấn trong CSDLPT là một lĩnh vực rất rộng, trong phạm vi của

đề tài này, tác giả sử dụng một cách tiếp cận có tính ứng dụng cao Trong đó mục tiêu chính trong nghiên cứu bao gồm:

- Hệ thống hóa các nghiên cứu, và lý thuyết về các vấn đề cơ bản của cơ sở dữ liệu phân tán, các nguyên lý chung, các kỹ thuật và các thuật toán liên quan đến truy vấn và tối ưu hóa truy vấn trong hệ thống thông tin

- Giới thiệu chi tiết các thuật toán chính được sử dụng trong tối ưu hóa CSDLPT

- Báo cáo đề tài có thể làm tài liệu tham khảo cho việc viết giáo trình các môn:

Cơ sở dữ liệu 2; Phân tích thiết kế hệ thống thông tin và là tài liệu tham khảo các học phần: Phân tích thiết kế hệ thống thông tin; Hệ thống thông tin quản lý

4 Đối tượng và phạm vi nghiên cứu

Đối tượng nghiên cứu: Các vấn đề về cơ sở dữ liệu phân tán, các nguyên lý chung, các kỹ thuật, các thuật toán liên quan đến vấn đề tối ưu hoá truy vấn cơ sở dữ liệu phân tán trong hệ thống thông tin

Phạm vi nghiên cứu: Đề tài tập trung nghiên cứu về truy vấn và một số các kỹ thuật tối ưu hóa truy vấn trong cơ sở dữ liệu phân tán

5 Phương pháp nghiên cứu

Đề tài đã sử dụng phương pháp nghiên cứu tài liệu về lý thuyết cơ sở dữ liệu phân tán, các kỹ thuật truy vấn trong các sách chuyên ngành, bài báo đã công bố tại các tạp chí chuyên ngành uy tín, nhằm đưa ra một số các kiến thức tổng quan xử lý truy vấn cơ sở dữ liệu phân tán

Phương pháp thu thập dữ liệu: sử dụng phương pháp thống kê, so sánh nhằm nêu

ra được những sự khác biệt giữa vấn đề xử lý truy vấn trong cơ sở dữ liệu tập trung và

cơ sở dữ liệu phân tán

Mặt khác, đề tài cũng kết hợp nghiên cứu giữa lý thuyết và thực nghiệm để có thể phân tích một số các ví dụ minh họa giữa các thao tác khi xử lý tối ưu hóa truy vấn cơ

sở dữ liệu phân tán trong hệ thống thông tin

6 Kết cấu báo cáo nghiên cứu

Về nội dung và bố cục, ngoài các phần như: mục lục, danh mục hình vẽ, danh mục từ viết tắt và tài liệu tham khảo, phụ lục, báo cáo được trình bày gồm 5 chương:

Chương 1: Tổng quan nghiên cứu đề tài

Chương này sẽ trình bày sơ lược về tổng quan đề tài nghiên cứu: tính cấp thiết, tình hình nghiên cứu về đề tài ở trong và ngoài nước, mục tiêu nghiên cứu, đối tượng, phạm vi nghiên cứu, và các phương pháp nghiên cứu khi tìm hiểu về vấn đề truy vấn

và tối ưu hóa truy vấn cơ sở dữ liệu phân tán trong hệ thống thông tin

Chương 2: Tổng quan về cơ sở dữ liệu phân tán

Nội dung chương này sẽ trình bày một cách tổng quan nhất về CSDL phân tán, bao gồm các khái niệm, đặc trưng và kiến trúc của cơ sở dữ liệu phân tán đồng thời nội dung của chương này cũng giới thiệu thêm một số các mô hình xử lý phân tán trong hệ thống thông tin

Chương 3: Các nguyên lý chung của tối ưu hóa truy vấn cơ sở dữ liệu phân tán

Trong chương này sẽ giới thiệu về nguyên lý xử lý truy vấn, các chiến lược tối

ưu hóa truy vấn cơ bản, một số các phép biến đổi đại số và các kỹ thuật tối ưu hóa tập trung làm nền tảng cho tối ưu hóa trong CSDLPT

Chương 4: Tối ưu hóa truy vấn phân tán

Nội dung chương này sẽ đề cập đến vấn đề tối ưu hóa truy vấn như cách phân rã câu truy vấn, phương pháp định vị dữ liệu phân tán và các chiến lược và các thuật toán

để tối ưu hóa truy vấn phân tán Đồng thời trong chương này cũng đưa ra nững hạn chế còn tồn tại trong nghiên cứu và đặt ra các hướng phát triển nghiên cứu trong tương lai

CHƯƠNG 2: TỔNG QUAN VỀ CƠ SỞ DỮ LIỆU PHÂN

TÁN

1 Khái niệm về hệ cơ sở dữ liệu phân tán

1.1 Cơ sở dữ liệu phân tán

Trong các Hệ thống thông tin (HTTT) xử lý tập trung, hệ cơ sở dữ liệu phát triển

từ mô hình xử lý dữ liệu mà trong đó mỗi hệ thống ứng dụng định nghĩa một hay nhiều tệp dữ liệu riêng, các dữ liệu được ánh xạ sang mô hình định nghĩa và được quản lý tập trung Mô hình này dẫn đến sự độc lập dữ liệu, nói cách khác, các ứng dụng có sự bất biến tương đối về cấu trúc lưu trữ và chiến lược truy cập dữ liệu

Tuy nhiên, trong các hệ xử lý phân tán, các thành phần của hệ xử lý phân tán nằm độc lập về mặt vật lý, có sự liên kết tương đối lỏng lẻo thông qua các hệ thống mạng kết nối, do đó “hệ dữ liệu phân tán” được coi như công cụ làm cho quá trình xử

lý dữ liệu phân tán dễ dàng và hiệu quả hơn Cơ sở dữ liệu phân tán được phát triển như là một tất yếu trong mô hình xử lý thông tin này

Cơ sở dữ liệu phân tán: Là một tập hợp nhiều cơ sở dữ liệu có liên đới logic và

được phân bố rải rác trên nhiều máy trong một mạng máy tính

Trong mô hình cơ sở dữ liệu phân tán, bản thân cơ sở dữ liệu có ở trên nhiều máy tính khác nhau Như vậy, đặc trưng nổi bật nhất của cơ sở dữ liệu phân tán là các CSDL được phân bố trên nhiều máy tính khác nhau trong một mạng máy tính và có liên đới về mặt logic Tuy nhiên, việc làm rõ thế nào là một CSDLPT có liên đới logic

và một tập hợp các CSDL rời rạc vẫn còn tương đối khó khăn Hiện tại, vẫn chưa tồn tại một định nghĩa rõ ràng về các liên đới logic trong CSDLPT, nhưng một định nghĩa được chấp nhận phổ biến như sau:

Liên đới logic: Toàn bộ dữ liệu của CSDLPT có một số các thuộc tính ràng buộc

chúng với nhau, điều này giúp chúng ta có thể phân biệt một CSDL phân tán với một tập hợp CSDL cục bộ hoặc các tập tin lưu trữ tại các vị trí khác nhau trong một mạng máy tính

Hệ CSDL phân tán không đơn thuần là tập hợp các tệp dữ liệu đơn lẻ phân bố rời rạc trong mạng máy tính Để hình thành một hệ CSDL phân tán, cần có một cấu trúc giao diện chung giữa các tệp dữ liệu này để có thể xây dựng một cơ chế truy cập lẫn nhau giữa các tệp dữ liệu

Ví dụ: CSDL quan hệ thường được tổ chức và biểu diễn dưới dạng các bảng Việc phân mảnh một quan hệ thành nhiều quan hệ con khác nhau để lưu trữ trên nhiều máy trạm trong một mạng máy tính thường được thực hiện theo cách phân mảnh theo chiều dọc hoặc theo chiều ngang

Cụ thể: cho quan hệ PROJ = {PNO, BUDGET, PNAME, LOG}; quan hệ PROJ

có thể tách thành hai quan hệ PROJ1 = {PNO, BUDGET} và quan hệ PROJ2 = {PNO, PNAME, LOG} và hai quan hệ này có thể được lưu trữ ở hai máy trạm khác nhau

Giả sử quan hệ PROJ có dữ liệu như sau

P2 350000 Database development New York

Đồng thời: PROJ2 = 𝜋𝑃𝑁𝑂,𝑃𝑁𝐴𝑀𝐸,𝐿𝑂𝐺(𝑃𝑅𝑂𝐽) và có kết quả tương ứng là

P2 Database development New York

1.2 Hệ quản trị cơ sở dữ liệu phân tán

Hệ quản trị CSDL là một tập hợp các chương trình cho phép người dùng định nghĩa, tạo lập, bảo trì các CSDL và cung cấp các truy cập có điều khiển đến các CSDL này Mục đích chính của một hệ CSDL là cung cấp cho người dùng một cách nhìn trừu tượng về dữ liệu Điều đó có nghĩa là hệ thống che dấu những chi tiết phức tạp về cách thức dữ liệu được lưu trữ và bảo trì Hệ CSDL phân tán cũng đòi hỏi một Hệ quản trị CSDL phân tán có những đặc điểm riêng biệt

Hệ quản trị cơ sở dữ liệu phân tán: Hệ quản trị CSDL phân tán cung cấp công

cụ như tạo lập và quản lý CSDL phân tán Hệ quản trị CSDL phân tán có chức năng

hỗ trợ việc tạo và bảo trì CSDL phân tán, chúng có các thành phần tương tự như một

hệ quản trị CSDL tập trung và các thành phần hỗ trợ trong việc chuyển tải dữ liệu đến các trạm và ngược lại

Các thành phần sau đây đòi hỏi một Hệ quản trị CSDL phân tán thương mại phải có:

- Quản trị dữ liệu (database management): DBM

- Truyền thông dữ liệu (data communication): DC

- Từ điển dữ liệu (data dictionary): DD dùng để mô tả thông tin về sự phân tán của dữ liệu trên mạng

- Cơ sở dữ liệu phân tán (distributed database): DDB

Hệ quản trị CSDL phân tán sử dụng nhiều kiến trúc lưu trữ phân tán khác nhau,

có thể phân thành một số loại chính như sau:

Cơ sở dữ liệu phân tán thuần nhất:

Một CSDLPT được coi là thuần nhất nếu thỏa mãn tính chất sau: tất cả các nút (các máy tính trạm của một mạng máy tính dùng để lưu trữ toàn bộ CSDLPT) cùng sử dụng một loại hệ quản trị CSDL

CSDLPT thuần nhất thường được xây dựng bằng cách chia một CSDL thành một tập CSDL cục bộ Phương phức xử lý trong CSDLPT thuần nhất thuận lợi cho việc tăng trưởng, mở rộng CSDL và cho phép nâng cao hiệu năng xử lý của toàn hệ thống

Cơ sở dữ liệu phân tán hỗn tạp:

Ngược lại với CSDLPT thuần nhất, trong CSDLPT hỗn tạp, các nút có thể thực hiện trên các hệ quản trị CSDL khác nhau CSDLPT hỗn tạp thường xảy ra khi CSDL mới được xây dựng từ tập hợp các nút mạng đã cài đặt CSDL riêng Khi đó, thay vì xây dựng lại các CSDL cục bộ, hệ thống mới được xây dựng bằng cách tích hợp luôn các CSDL cục bộ đã có

2 Các đặc trưng của cơ sở dữ liệu phân tán

CSDL phân tán không đơn giản là sự thực hiện phân tán của các CSDL tập trung, bởi vì chúng cho phép thiết kế các đặc trưng khác với CSDL tập trung truyền thống Các đặc điểm tiêu biểu của CSDL truyền thống gồm: Điều khiển tập trung, độc lập dữ liệu, giảm dư thừa dữ liệu, biệt lập và bảo mật dữ liệu Những đặc điểm này trong CSDLPT có sự thay đổi đáng kể, tạo ra một hướng đi mới trong việc xây dựng các HTTT trên CSDLPT

2.1 Điều khiển tập trung

Trong CSDL tập trung: Khả năng điều khiển tập trung trên toàn nguồn tài nguyên thông tin của tổ chức, được xem là động cơ mạnh nhất cho việc ra đời CSDL Chúng được phát triển như là sự tiến hoá của hệ thống thông tin mà trong đó mỗi ứng dụng có các tập tin riêng của nó

Trong CSDL phân tán: Ý niệm về điều khiển tập trung ít được nhấn mạnh hơn, điều này phụ thuộc vào kiến trúc của CSDL phân tán Kiến trúc của CSDLPT được trình bay chi tiết hơn ở phần tiếp theo, tuy nhiên ở đây, chúng ta có thể nhận định các

CSDLPT được xây dựng dựa vào kiến trúc client/server đặc biệt là kiến trúc client/single-server sẽ có mức độ điều khiển tập trung cao hơn các kiến trúc khác, ví

multi-dụ như kiến trúc CSDLPT ngang hàng (peer-to-peer)

Trong CSDLPT, việc trong suốt phân tán sẽ dựa trên các phương pháp để làm ẩn các kỹ thuật rời rạc hóa dữ liệu được sử dụng Do đó, trong suốt CSDLPT được chia thành các vấn đề nhỏ hơn, bao gồm: trong suốt phân đoạn, trong suốt về vị trí, trong suốt ánh xạ địa phương, trong suốt nhân bản.Các kỹ thuật trong suốt CSDLPT không phải là trọng tâm trong nghiên cứu này, nên tác giả không trình bày một các cụ thể trong báo cáo Các kỹ thuật này có thể được tìm thấy trong các tài liệu tham khảo đi kèm với báo cáo

2.3 Giảm dư thừa dữ liệu

Trong CSDL truyền thống, dữ liệu dư thừa được giảm đến mức tối thiểu bởi hai

lý do: Sự không tương thích giữa nhiều bản sao của cùng một tập dữ liệu Tiết kiệm không gian lưu trữ bằng cách loại bỏ các dư thừa Việc giảm dư thừa dữ liệu có thể đạt được bằng cách chia sẻ dữ liệu cho phép nhiều ứng dụng truy cập cùng các bản tin và bản ghi

Trong CSDL phân tán, việc giảm dư thừa phức tạp hơn vì ngoài hai lý do trên còn nhiều lý do để giảm dư thừa như: Hoạt động của các trình ứng dụng có thể được tăng lên khi dữ liệu được sao lại tất cả các vị trí nơi trình ứng dụng cần nó Tính thường trực của hệ thống sẽ tăng lên bởi vì khi có lỗi xảy ra ở một trạm nào đó sẽ không dừng việc thực hiện các ứng dụng của trạm khác nếu dữ liệu đã được sao chép lại

2.4 Độ tin cậy qua các giao dịch phân tán

Hệ quản trị CSDL phân tán cải thiện độ tin cậy qua các giao dịch phân tán vì các thành phần được nhân bản hạn chế được các vị trí lỗi riêng lẻ Lỗi của trạm riêng, hoặc lỗi của truyền thông làm cho một hoặc nhiều trạm mất liên lạc, không đủ để phá vỡ toàn bộ hệ thống Trong trường hợp CSDL phân tán, điều này nghĩa là một số dữ liệu không thể truy nhập được, nhưng nếu biết cách hỗ trợ cho các giao dịch phân tán và các giao thức ứng dụng thì người sử dụng vẫn có thể truy nhập được tới phần khác trong CSDL phân tán

2.5 Cải tiến hiệu năng

Hiệu năng của CSDL phân tán được nâng cao dựa trên hai đặc điểm:

Hệ quản trị CSDL PT có khả năng phân mảnh DSDL khái niệm và cho phép cụ

bộ hóa dữ liệu Phương hthức này có hai ưu điểm nổi bật Thứ nhất, mỗi trạm chỉ xử lý một phần CSDL, sự tranh chấp về CPU và các dịch vụ vào/ra không nghiêm trọng như trong hệ CSDL tập trung Thứ hai, tính cụ bộ làm giảm trễ truy nhập từ xa thường gặp trên các mạng diện rộng

Tính song song của các hệ thống phân tán có thể được khai thác để thực hiện song song liên truy vấn và truy vấn nội bộ Liên truy vấn song song là khả năng thực hiện nhiều truy vấn tại cùng thời điểm, còn nội truy vấn song song là phương pháp tách một truy vấn đơn thành các truy vấn von và mỗi truy vấn con được thực hiện tại các trạm khác nhau, truy nhập các phần khác nhau của CSDL phân tán

2.6 Dễ dàng mở rộng hệ thống

Trong môi trường phân tán khả năng mở rộng kích thước dữ liệu được thực hiện rất dễ dàng và hiếm khi cần sửa đổi trong các hệ thống lớn Việc mở rộng thường có thể được thực hiện bằng cách tăng khả năng lưu trữ và xử lý của mạng Trong một Hệ CSDL cũng không thể gia tăng năng lực lưu trữ và xử lý một cách tuyến tính, vì điều này phụ thuộc vào “chi phí” phân tán; chi phí liên quan đến năng lực tính toán và thời gian truyền tải dữ liệu cần thiết khi xử lý phân tán Tuy nhiên, khả năng mở rộng của CSDL phân tán vẫn lớn hơn rất nhiều so với CSDL tập trung, và có tính kinh tế cao hơn

3 Kiến trúc cơ bản của cơ sở dữ liệu phân tán

3.1 Sơ đồ tổng thể

Sơ đồ này xác định tất cả các dữ liệu sẽ được lưu trữ trong CSDL phân tán Sơ đồ tổng thể có thể được định nghĩa một cách chính xác theo cách như trong CSDL không phân tán Ở đây sẽ sử dụng mô hình quan hệ để hình thành nên sơ đồ này Sử dụng mô hình này, sơ đồ tổng thể bao gồm định nghĩa của một tập các quan hệ tổng thể

Hình 1: Sơ đồ tổng thể

3.2 Sơ đồ phân đoạn

Mỗi quan hệ tổng thể có thể chia thành một vài phần nhỏ hơn không giao nhau được gọi là đoạn (fragments) Có nhiều cách khác nhau để thực hiện việc phân chia này Sơ đồ tổng thể mô tả các ánh xạ giữa các quan hệ tổng thể và các đoạn được định nghĩa trong sơ đồ phân đoạn Ánh xạ này là một- nhiều Có thể có nhiều đoạn liên kết tới một quan hệ tổng thể, nhưng mỗi đoạn chỉ liên kết tới nhiều nhất là một quan hệ tổng thể Các đoạn được chỉ ra bằng tên của quan hệ tổng thể cùng với tên của chỉ mục đoạn

3.3 Sơ đồ định vị

Các đoạn là các phần logic của một quan hệ tổng thể được định vị trên một hoặc nhiều vị trí vật lý trên mạng Sơ đồ định vị xác định đoạn nào ở các trạm nào Lưu ý rằng, kiểu ánh xạ được định nghĩa trong sơ đồ định vị quyết định CSDL phân tán là dư thừa hay không Tất cả các đoạn liên kết với cùng một quan hệ tổng thể R và được định vị tại cùng một trạm j cấu thành ảnh vật lý của quan hệ tổng thể R tại trạm j Bởi vậy, có thể ánh xạ một-một giữa một ảnh vật lý và một cặp (quan hệ tổng thể, trạm) Các ảnh vật lý có thể được chỉ ra bằng tên của một quan hệ tổng thể và một chỉ mục trạm

HQTCSDL (DBMS) tại

vị trí 2

CSDL địa phương tại

vị trí 2

Ví dụ: ký hiệu Ri chỉ tới đoạn thứ i của quan hệ tổng thể R (hình 2)

Ký hiệu Rj là ảnh vật lý của quan hệ tổng thể R tại trạm j (hình 2)

Hình 2: Sơ đồ định vị

3.4 Sơ đồ ánh xạ địa phương

Do ba mức trên của lược đồ hoàn toàn độc lập với mô hình quản trị dữ liệu của các HQT CSDL địa phương, nên ở mức thấp hơn, các mô hình vật lý cần được ánh xạ thành các đối tượng được quản lý và thực hiện bởi các HQT CSDL địa phương

Sơ đồ ánh xạ địa phương: Ánh xạ các ảnh vật lý tới các đối tượng được các hệ quản trị CSDL địa phương thao tác tại các trạm Ánh xạ này phụ thuộc vào các hệ quản trị CSDL địa phương Do vậy, trong một hệ thống không đồng nhất, phải có các kiểu ánh xạ địa phương khác nhau tại các trạm khác nhau

4 Các mô hình xử lý phân tán

Quá trình thiết kế một CSDL bắt đầu với một sự phân tích những thông tin nào của thế giới thực CSDL phải lưu trữ và các mối quan hệ giữa các thành phần của những thông tin này Thông thường, cấu trúc của CSDL được đặc tả bởi một ngôn ngữ đặc biệt hay một tập các ký hiệu thích hợp để biểu thị một thiết kế CSDL

4.1 Mô hình xử lý Master - Slave

Các hệ quản trị CSDL Client/Server cung cấp kiến trúc hai lớp chức năng Server

và chức năng Client, nhằm tạo ra sự dễ dàng trong việc quản lý tính phức tạp của các

hệ quản trị CSDL hiện đại và tính phức tạp của việc phân tán dữ liệu

Server thực hiện hầu hết các công việc quản lý dữ liệu Nghĩa là tất cả mọi xử lý

và tối ưu hoá truy vấn, quản lý giao dịch và quản lý lưu trữ đều được thực hiện trên Server Client, ngoài ứng dụng và giao diện người sử dụng, có một module hệ quản trị CSDL Client trách nhiệm quản lý dữ liệu và khóa giao dịch được gửi đến Client Client và Server trao đổi với nhau bởi các câu lệnh SQL Cụ thể hơn, Client chuyển truy vấn SQL đến Sever, Server sẽ thực hiện và trả lại kết quả cho Client

Loại kiến trúc Client/Server đơn giản chỉ có một Server được truy nhập bởi nhiều Client, gọi là đa Client-đơn Server Việc quản lý dữ liệu không khác so với CSDL tập trung CSDL chỉ được lưu trên Server và có phần mềm quản lý nó Tuy nhiên, sự khác biệt quan trọng so với các hệ thống tập trung là cách thực thi giao dịch và quản lý bộ nhớ Cache

Loại kiến trúc có nhiều Server trong hệ thống được gọi là đa Client- đa Server

Có hai chiến lược quản lý: hoặc Client quản lý kết nối của nó tới Server hoặc Client chỉ biết Server chủ của nó và liên lạc với các Server khác qua Server chủ khi có yêu cầu Chiến lược thứ nhất làm đơn giản cho các Server, nhưng lại gắn thêm nhiều trách nhiệm cho các máy Client Điều này dẫn đến một hệ thống được gọi là hệ máy khách

tự phục vụ Mặt khác, với chiến lược thứ hai, tập trung vào chức năng quản lý dữ liệu tại Server Vì vậy, tính trong suốt của truy nhập dữ liệu được cung cấp tại giao diện Server

Hình 3: Kiến trúc khách/chủ

4.2 Các hệ phân tán ngang hàng

Trong các hệ ngang hàng, tổ chức dữ liệu vật lý và tổ chức lưu trữ trên các máy khác nhau có thể khác nhau Điều này có nghĩa là cần phải có một định nghĩa nội tại riêng cho mỗi vị trí, được, gọi là lược đồ nội tại cục bộ LIS (Local Internal Schema) Lược đồ khái niệm toàn cục mô tả cấu trúc logic của dữ liệu ở mọi vị trí

Dữ liệu trong một CSDL phân tán thường được phân mảnh và nhân bản trên các

vị trí khác nhau Vì vậy cần phải mô tả tổ chức lưu trữ dữ liệu vật lý trên mọi vị trí Cần bổ sung thêm tầng thứ cấp trong kiến trúc cơ sở dữ liệu 3 mức, đó là lược đồ khái niệm cục bộ LCS (Local Conceptual Schema) Vì vậy lược đồ khái niệm toàn cục GCS (Global Conceptual Schema) là hợp của các lược đồ khái niệm cục bộ Mức trên cùng

là khung nhìn dữ liệu của người sử dụng, lược đồ ngoài ES (External Schema) Người

sử dụng khác nhau có cách nhìn dữ liệu cũng khác nhau Như vậy kiến trúc của hệ cơ

sở dữ liệu phân tán có 3 mức: Có nhiều khung nhìn dữ liệu khác nhau trong mức lược

đồ ngoài, nhưng chỉ có duy nhất một mô hình khái niệm toàn cục và có nhiều mô hình khái niệm cục bộ, ứng với lược đồ trong cục bộ trên mỗi vị trí

Hình 4: Các hệ phân tán ngang hàng

4.3 Môi trường đa tầng

Trong môi trường tính toán đa tầng, khả năng xử lý hợp tác và xử lý phân tán được đưa vào, tạo ra mô hình tính toán phân cấp Trong mô hình này, tài nguyên tính toán được phân bố theo chiều dọc

Tầng thứ 2 thường bao gồm một máy chủ LAN mạnh đóng vai trò trung gian Máy chủ mạnh này vừa là một client của một máy tính lớn vừa là server cho các máy trạm làm việc và các máy tính cá nhân nằm ở tầng thứ 3

Hình 5: Môi trường đa tầng

Đã có nhiều mô hình dữ liệu được đề xuất và có thể chia thành 3 nhóm: các mô hình logic trên cơ sở đối tượng, các mô hình logic trên cơ sở bản ghi, các mô hình vật

lý

CHƯƠNG 3: CÁC NGUYÊN LÝ CHUNG CỦA TỐI ƯU

HÓA TRUY VẤN CƠ SỞ DỮ LIỆU PHÂN TÁN

1 Mục tiêu chung của bài toán toán truy vấn trong CSDLPT

Mục tiêu của bài toán truy vấn trong môi trường CSDL phân tán là biến đổi câu truy vấn cấp cao trên CSDL phân tán (mà người sử dụng vẫn coi như là CSDL tập trung) thành một chiến lược thực hiện hiệu quả được diễn tả bằng một ngôn ngữ cấp thấp trên các CSDL cục bộ Giả sử ngôn ngữ cấp cao là phép tính quan hệ, ngôn ngữ cấp thấp là một dạng mở rộng của đại số quan hệ đi kèm với các thao tác truyền dữ liệu

Xét các quan hệ: EMP (ENO, ENAME, TITLE)

Và câu truy vấn: “Cho biết các nhân viên hiện đang quản lý một dự án”

Câu SQL là: SELECT ENAME

FROM EMP, ASG

WHERE EMP.ENO = ASG.ENO

Hai biểu thức tương đương đại số quan hệ do biến đổi từ câu truy vấn trên là:

Với mục tiêu giảm thiểu việc sử dụng tài nguyên nên câu truy vấn thứ hai sẽ được dùng

Nhiệm vụ chính của hệ xử lý truy vấn tập trung là đối với một câu truy vấn đã cho nó phải chọn ra được một câu truy vấn đại số quan hệ tốt nhất trong số các câu truy vấn đại số tương đương Bởi vì đây là một bài toán phức tạp về mặt tính toán khi

số lượng các quan hệ lớn, nên nói chung nó thường được đưa về yều cầu chọn một lời giải tối ưu

Trong quan hệ phân tán, đại số quan hệ không đủ để diễn tả các chiến lược thực thi Nó phải được bổ sung thêm các phép tính toán trao đổi dữ liệu giữa các vị trí Bên cạnh chọn thứ tự cho các phép toán đại số quan hệ, để XLTV phân tán cũng phải chọn các vị trí tốt nhất để xử lý dữ liệu và có thể cả cách biến đổi dữ liệu Do những yêu cầu trên mà không gian lời gian tăng lên làm cho việc XLTV phân tán khó hơn rất nhiều

2 Giới thiệu về xử lý truy vấn

Chức năng chính của một bộ xử lý câu truy vấn là biến đổi một câu truy vấn của người sử dụng ở mức cao thành một câu truy vấn tương đương ở mức thấp hơn Phép biến đổi phải đúng đăng và hiệu quả Mỗi cách biến đổi dẫn đến việc sử dụng tài

nguyên máy tính khác nhau nên vấn đề đặt ra là lựa chọn phương án dùng tài nguyên ít nhất Trong một hệ phân tán, sử dụng các phép đại số quan hệ là không đủ biểu diễn các chiến lượng thực thi Nó phải được bổ sung các phép toán truyền dữ liệu giữa các trạm Ngoài việc chọn thứ tự các phép toán đại số quan hệ, bộ xử lý câu truy vấn phân tán còn phải chọn các trạm tốt nhất để xử lý dữ liệu

Các mục tiêu của xử lý câu truy vấn

Bộ xử lý truy vấn có nhiệm vụ phân tích, biến đổi các câu truy vấn cấp cao (ở dạng các phép tính quan hệ) thành các câu truy vấn tương đương ở cấp thấp hơn

Hình 6: Mô tả bộ xử lý truy vấn

Các giai đoạn xử lý câu truy vấn:

Xử lý truy vấn gồm các tầng: phân rã truy vấn, cục bộ hóa dữ liệu, tối ưu hóa truy vấn toàn cục và tối ưu hóa truy vấn cục bộ

Hình 7: Mô tả các giai đoạn trong xử lý truy vấn

3 Các giai đoạn trong xử lý truy vấn CSDLPT

3.1 Phân rã câu truy vấn

Phân rã câu truy vấn là biến đổi một câu truy vấn các phép tính quan hệ thành câu truy vấn đại số trên các quan hệ tổng thể Cả hai câu truy vấn vào và ra đều trên các quan hệ tổng thể và không quan tâm đến tính phân tán của dữ liệu Vì vậy, phân rã câu truy vấn là chung cho cả quan hệ tập trung và phân tán Trong phần này, giả sử câu truy vấn vào là đúng đắn (chuẩn) Khi việc phân rã được thực hiện xong câu truy vấn

ra là chuẩn và tránh được các công việc dư thừa

Giai đoạn này chia làm 4 bước [3] :

- Chuẩn hoá: Đưa câu truy vấn về một trong hai dạng chuẩn: dạng hội (˄) của những phép tuyển (˅) và dạng tuyển (˅) của những phép hội (˄)

- Phân tích: Bước phân tích câu truy vấn cho phép loại bỏ những câu truy vấn đã được chuẩn hóa nhưng sai kiểu hoặc không đúng ngữ pháp

- Loại bỏ dư thừa: Điều kiện trong câu truy vấn có thể chứa những tân từ dư thừa

và dẫn đến công việc dư thừa Nó có thể được loại bỏ bằng cách đơn giản hóa điều kiện với các luật lũy đẳng đã biết

- Viết lại truy vấn: Bước cuối cùng trong phân rã truy vấn là viết lại câu truy vấn dưới dạng đại số quan hệ Bước này có thể được chia thành hai bước nhỏ hơn như sau: (1) Biến đổi trực tiếp câu truy vấn phép tính quan hệ sang đại số quan hệ (2) Cấu trúc lại câu truy vấn đại số quan hệ để cải tiến hiệu năng

3.2 Cục bộ dữ liệu

Như đã biết, tầng cục bộ dữ liệu biến đổi một câu truy vấn đại số trên các quan

hệ tổng thể, thành một câu truy vấn đại số được hiển thị trên các phân đoạn vật lý Việc định vị sử dụng thông tin được lưu trữ trên lược đồ phân mảnh Chương trình đại

số quan hệ xây dựng lại quan hệ tổng thể từ các phân đoạn của nó gọi là chương trình định vị Để đơn giản, trong phần này không xét đến sự nhân bản của các đoạn dữ liệu, mặc dù điều này có thể cải tiến hiệu năng Sự nhân bản sẽ được xét trong phần sau Một giải pháp tự nhiên để định vị một câu truy vấn phân tán là sinh ra một câu truy vấn trong đó mỗi quan hệ tổng thể được thay thế bởi chương trình định vị của nó Cách này có thể được xem như việc thay thế các nút lá của cây đại số quan hệ của câu truy vấn phân tán bởi các cây con tương ứng với các chương trình định vị Nói chung, cách tiếp cận này không hiệu quả vì câu truy vấn ban đầu vẫn có thể cấu trúc lại và đơn giản hoá Trong phần này, với mỗi kiểu phân đoạn sẽ có các kỹ thuật rút gọn để sinh ra các câu truy vấn được tối ưu và đơn giản hơn

- Rút gọn cho việc phân đoạn ngang nguyên thủy:

- Rút gọn cho phân đoạn dọc

- Rút gọn phân đoạn gián tiếp

- Rút gọn phân đoạn hỗn hợp

3.3 Tối ưu hóa toàn cục (tối ưu hóa truy vấn phân tán)

Bộ tối ưu được xem là cấu thành bởi ba thành phần: không gian tìm kiếm (search space), mô hình chi phí (cost model) và chiến lược tìm kiếm (search space)

Hình 8: Mô hình tối ưu hóa truy vấn

Không gian tìm kiếm:

Không gian tìm kiếm được xem là tập hợp của các chiến lược phương án thực thi truy vấn khác nhau Để nêu bật các đặc trưng của bộ tối ưu hóa, chúng ta tập trung vào các cây kết nối, là cây toán tử với các phép toán nối hoặc tích Descartes

Với N quan hệ, ta có O(N!) cây kết nối tương đương Việc đánh giá trong một không gian tìm kiếm lớn có thể mất nhiều thời gian, có khi còn lớn hơn cả thời gian thực thi thực sự Trong cây tuyến tính, kích thước của không gian tìm kiếm được rút gọn lại thành O(2N)

Chiến lược tìm kiếm:

Chiến lược tìm kiếm hay được sử dụng là quy hoạch động, với tính chất đơn định Các chiến lược mà xây dựng các phương án thực thi bắt đầu từ các quan hệ cơ

sở, nối thêm nhiều quan hệ tại mỗi bước cho đến khi thu được các phương án khả thi Chiến lược quy hoạch động xây dựng phương án khả thi theo chiều rộng Còn chiến lược tham lam thì lại xây dựng cây theo chiều sâu Các chiến lược vét cạn chỉ đảm bảo tìm ra được các phương án khả thi với một chi phí chấp nhận được khi số quan hệ trong câu truy vấn không lớn

Mô hình chi phí:

Chi phí của một chiến lược thực hiện phân tán có thể được biểu diễn theo tổng chi phí (total cost) hoặc theo thời gian trả lời Tổng chi phí là tổng của tất cả các thành phần chi phí, trong khi thời gian trả lời chỉ tính từ lúc bắt đầu đến lúc kết thúc câu truy vấn

Công thức tính tổng chi phí:

Trong công thức trên, hai thành phần chi phí đầu là chi phí địa phương, hai thành phần sau là chi phí truyền thông Chi phí truyền thông để chuyển #bytes dữ liệu từ trạm này đến trạm khác đươc giả thiết là một hàm tuyến tính của biến #bytes

Khi trả lời câu truy vấn là hàm mục tiêu của bộ tối ưu thì các xử lý địa phương song song và truyền thông song song phải được xét Công thức tổng quát tính thời gian trả lời (response time) được tính như sau:

Trong đó, seq_#x (x có thể là các lệnh CPU, I/O, các thông báo, các bytes) là số lớn nhất của x phải được thực hiện tuần tự đối với việc thực thi câu truy vấn

4 Các đặc trưng về xử lý truy vấn trong CSDLPT:

Rất khó để có thể ước lượng và đánh giá các phương thức xử lý truy vấn khác nhau dù thực hiện ở môi trường CSDLTT hay CSDLPT, bởi vì các phương thức này khác nhau ở nhiều mặt Do đó, một số đặc trưng về xử lý truy vấn trong CSDLPT được xây dựng như một nền tảng cơ bản trong so sánh xử lý truy vấn Trong các đặc trưng này, có một số đặc trưng trùng với xử lý truy vấn trong CSDLTT nhưng cũng có một số đặc trưng chỉ tồn tại trong xử lý truy vấn trên CSDLPT

4.1 Ngôn ngữ (language)

Ngôn ngữ dùng để xây dựng các truy vấn CSDL thường được thể hiện trong bối cảnh của cơ sở dữ liệu quan hệ, một dạng thể hiện ở mức khái quát cao, và có thể có nhiều cách để phân rã thành các câu truy vấn ở dạng đại số quan hệ khác nhau Bên cạnh đó, trong CSDLPT, các trạm có thể sử dụng các kiến trúc hệ quản trị cơ sở dữ liệu khác nhau, nên tồn tại nhiều phướng thức ánh xạ từ ngôn ngữ thể hiện truy vấn đầu vào và ngôn ngữ thể hiện truy vấn được thực sự thực hiện ở đầu ra

Sự khác biệt giữa các ngôn ngữ thể hiện tạo ra nhiều khó khăn trong việc so sánh các phương thức tối ưu hóa truy vấn trong CSDLPT

4.2 Các dạng tối ưu hóa (types of optimization)

Tối ưu hóa được hiểu là việc lựa chọn một điểm tốt nhất trong không gian giải pháp cần tìm kiếm Phương pháp trực tiếp nhất để giải quyết bài toán tối ưu là tìm kiếm toàn bộ, trong đó mọi khả năng trong không gian tìm kiếm đều được ước lượng

về mặt chi phí và so sánh với phần còn lại để tìm được giải pháp tốt nhất Cách tiếp cận này có nhược điểm rất lớn khi không gian tìm kiếm, hoặc không gian phân đoạn trong CSDLPT là tương đối lớn hoặc rất lớn

Để hạn chế những bất lợi của phương pháp tìm kiếm toàn bộ, những cách tiếp cận khác như chiến lược tiếp cận ngẫu nhiên, ví dụ thuật toán lặp cải tiến (iterative improvement) hay simulated annealing được đề suất sử dụng Nhưng thuật toán này hướng đến việc tìm kiếm một giải pháp tốt nhưng chưa chắc là một giải pháp tối ưu, nhưng chi phí tìm kiếm có thể thấp hơn nhiều xét về bộ nhớ hoặc thời gian thực hiện Một phương hướng tiếp cận khác là sử dụng các giải thuật gần đúng (heuristic), những giải thuật này giới hạn không gian tìm kiếm, trong đó chỉ một số không gian khả thi cao được xem xét Trong CSDLPT, phương pháp này đặc biệt có ý nghĩa khi

nó cho phép thay thế một phép toán kết nối bằng một phép toán “bán kết nối” (semijoin) mà nhờ đó có thể cực tiểu hóa việc trao đổi dữ liệu

4.3 Thời gian tối ưu hóa (optimization timing)

Việc tối ưu hóa truy vấn có thể được thực hiện ở nhiều thời điểm khác nhau so với thời điểm và câu truy vấn đó thực sự được xử lý Tối ưu hóa có thể được thực hiện tĩnh (statically) trước khi thực hiện truy vấn hoặc thực hiện động (dynamically) song song với thời gian thực hiện truy vấn

Tối ưu hóa tĩnh được thực hiện tại giai đoạn biên dịch câu truy vấn Do do, khi thực hiện một truy vấn nhiều lần, thời gian tối ưu hóa có thể được giảm trừ dần, tỷ lệ nghịch với số lần truy vấn được sử dụng Trong hướng tiếp cận này, nếu kích thước không gian tìm kiếm chỉ được biết khi thực hiện truy vấn, việc ước lượng sẽ phải dựa trên các dữ liệu thống kê về CSDL, do đó, lời giải của bài toán có thể là một lựa chọn tối ưu cục bộ

Tối ưu hóa động được thực thi tại thời điểm câu truy vấn được xử lý Trong cách tiếp cận này, tham số dùng để tối ưu hóa được ước lượng trực tiếp và các dữ liệu thống

kê tĩnh ko còn cần thiết Cách tiếp cận này sẽ hạn chế những lựa chọn xấu, khi sử dụng

dữ liệu thống kê tĩnh Tuy nhiên, bất lợi lớn của nó là các yêu cầu truy vấn được tối ưu hóa liên tục, do đó với những yêu cầu lớn/ đắt đỏ (expensive) thì thời gian tối ưu hóa

sẽ cao

Phương thức kết hợp (hybrid) thường tận dụng ưu thế của các tối ưu hóa tính trong đó một số trường hợp truy vấn sẽ được tối ưu hóa động Thông thường các truy vấn sẽ được tối ưu hóa động khi dữ liệu thống kê về CSDL có sự sai khác lớn với dữ liệu thực về CSDL tại thời điểm thực hiện

4.4 Thống kê (statistics)

Cả hai phương pháp tiếp cận tối ưu hóa tĩnh và tối ưu hóa động đều có sử dụng thông tin thống kê về CSDL Thông tin này phụ thuộc và phương thức phân đoạn, tập hợp phân đoạn, kích thước đoạn và số lượng các giá trị sao lưu cho các thuộc tính…Để hạn chế lỗi, các lược đồ chi tiết về giá trị thuộc tính được sử dụng như một phần mở rộng của hệ thống quản lý chi phí Các lược đồ này được cập nhật thường xuyên Trong phương thức tối ưu hóa tĩnh, sự thay đổi đối trong các dữ liệu thông kê có thể ảnh hưởng đến quá trình tối ưu hóa lại (reoptimization) các câu truy vấn

4.5 Tối ưu hóa tập trung & tối ưu hóa phân tán (Decision sites)

Khi tối ưu hóa tĩnh được lựa chọn, việc xử lý tối ưu hóa có thể được thực hiện tập trung hoặc thực hiện phân tán

Trong mô hình tối ưu hóa tập trung, một đơn bị xử lý sẽ được lựa chọn để thực hiện việc tối ưu hóa Tuy nhiên, việc tối ưu hóa nên được phân chia và thực hiện trên nhiều thành phần trong toàn bộ hệ thống, cách tiếp cận này được goi là tối ưu hóa phân tán Tối ưu hóa tập trung được cài đặt một cách đơn giản, tuy nhiên mô hình này đòi hỏi phải xây dựng một hệ thống thông tin đầy đủ về toàn bộ CSDLPT, trong khi đó tối

ưu hóa phân tán chỉ đòi hỏi các thông tin tại từng địa phương

Mô hình kết hợp có thể được sử dụng, trong đó một số trạm thực hiện tối ưu hóa các truy vấn chính, trong đó các trạm còn lại có thể thực hiện các tối ưu hóa cục bộ, ví

dụ như giải thuật System R* sử dụng tiếp cận kết hợp

4.6 Sử dụng kiến trúc mạng (Exploitation of the network topology)

Kiến trúc mạng (network topology) được sử dụng nhiều trong xử lý truy vấn phân tán Với mạng diện rộng, hàm giá trị được cực tiểu hóa có thể giới hạn trong việc