Semi-Verbunde und Bitfilter. Ein alternativer, in IBM Informix eingesetzer, An-
satz auf der Basis rechtsorientierter Anfragebäume in Verbindung mit Hash-
Verbunden ist in [Wei02] beschrieben.
Der PipeSort-Algorithmus zur CUBE-Berechnung wurde von Agarwal et al.
in [AAD
+
96] vorgestellt, weitere Techniken sind im Beitrag [MKIK07] darge-
stellt.
Die verschiedenen Aspekte materialisierter Sichten sind im Buch von
Gupta und Mumick [GM99] behandelt. Das Query-Containment-Problem ist
u.a. in [Ull00] beschrieben, weitere Ausführungen dazu finden sich auch in
[LN06]. Das Query Graph Model wurde in [PHH92] eingeführt, die darauf auf-
bauende Umschreibung für materialisierte Sichten wurde in [ZCL
+
00] vorge-
stellt. Der in Abschnitt 8.3.3 erwähnte Counting-Algorithmus wird in [GMS93]
behandelt. Andere Techniken zur Aktualisierung materialisierter Sichten sind
beispielsweise der DRed-Algorithmus [GMS93], Chronicle Views [JMS95], so-
wie das in Sybase Anywhere eingesetzte Verfahren auf der Basis äußerer Ver-
bunde [Nic12]. Ein Überblick zu grundlegenden Problemstellungen und Verfah-
ren ist auch in [GM95] zu finden.
Herstellerspezifische Beschreibungen zur Definition und Nutzung von ma-
terialisierten Sichten sind in den entsprechenden Systemdokumentationen
[Ora07, Mica, IBM12] zu finden.
8.5 Übungen
Übung 8-1 Nutzen Sie das EXPLAIN-Kommando oder ein vergleichbares Tool
zur Anzeige von Anfrageplänen Ihres DBMS um die Star-Join-Anfragen aus
diesem Kapitel zu analysieren. Welche Variante der Star-Join-Optimierung
(sofern vorhanden) wird genutzt?
Übung 8-2 Geben Sie für die Berechnung aller Gruppierungskombinationen
der Menge (Produkt, Filiale, Verkaufstag) drei Paare von Kombinationen an,
die direkt ohne Sortierung auseinander abgeleitet werden können, sowie drei
Paare von Kombinationen, die eine Sortierung erfordern.
Übung 8-3 Gegeben sei die folgende Anfrage:
SELECT P
_
Produktgruppe, O
_
Bundesland, MONTH(Z
_
Datum),
SUM(V
_
Anzahl) AS Verkaufsanzahl
FROM Verkauf, Produkt, Zeit, Ort
WHERE V
_
Produkt
_
ID = P
_
ID AND
V
_
Zeit
_
ID = Z
_
ID AND V
_
Ort
_
ID = O
_
ID AND
P
_
Produktkategorie = ’Wein’ AND YEAR(Z
_
Datum) = 2011
GROUP BY P
_
Produktgruppe, O
_
Bundesland, MONTH(Z
_
Datum)
8.5 Übungen 261
Geben Sie drei mögliche (nicht-triviale) materialisierte Sichten an, die Teil-
mengen der Gruppierung, der Verbunde und Selektionsbedingungen enthal-
ten. Geben Sie auch jeweils die Umschreibung der ursprünglichen SQL-
Anfrage an.
Übung 8-4 Geben Sie das Aggregationsgitter für die Dimensionen Produkt,
Filiale, Verkaufstag, Verkäufer und Kunde an.
262 8 Anfrageverarbeitung und materialisierte Sichten
Get Data Warehouse Technologien now with the O’Reilly learning platform.
O’Reilly members experience books, live events, courses curated by job role, and more from O’Reilly and nearly 200 top publishers.
