星型模式与雪花模式对比分析

### 星型模式与雪花模式对比分析 #### 1. 数据集市与数据挖掘 在数据仓库中，存储整个数据库的数据非常消耗内存。我们创建数据仓库（DWs）是为了整合来自多个数据源的数据，这些数据可能需要数TB的存储空间。在美国企业界，数据集市（Data Marts）常用于数据仓库的实施。数据集市是数据仓库的一种更抽象形式，它包含特定领域的数据，用于对特定主题进行分析。例如，我们创建一个包含实验室过去20年数据的数据仓库，但为了进行特定疾病预测或分析过去5年疾病的增长率，我们只提取其中5年的数据。 数据挖掘是数据集市之后的步骤，在这个过程中，我们利用各种方法对有组织的数据进行分析，从中发现模式。它是一个计算过程，通过使用有组织的数据进行未来预测，并以不同的方式探索知识，为公司提供一定的智能支持。通过运行一系列查询，其结果可用于辅助决策。 #### 2. 问题陈述 数据仓库有多种管理方式，其中两种常用的模式是星型模式（SS）和雪花模式（SF）。问题在于如何区分在哪个数据仓库中哪种模式是最佳的，因为在行业中，时间和资源在投资者眼中非常重要。为了解决这个问题，我们将从结构效率的角度分析这两种模式。首先，我们会描述星型模式的工作原理，并给出一个示例以帮助理解结果，然后再描述雪花模式。通过对这两种模式的比较，我们可以为未来的工作找到最佳方法。 #### 3. 文献综述 在当前的文献中，我们分析了一些用于从选定数据库中发现知识的数据仓库技术。这些技术通过挖掘数据集合，提取有用的信息。 ##### 3.1 设计建模技术 为了选择适合分析的精确模式，在关系数据库和数据仓库中都会使用各种建模技术。创建者需要清楚地理解这些技术的相关性和局限性。在关系数据库和数据仓库中，设计模式主要遵循两种模型：数据模型和过程模型。 - **过程模型**：在处理数据仓库时，过程模型不太适用，因为它基于需求假设，而这显然不适合数据仓库。由于它处理的需求假设较多，因此更适合用于某些操作环境。过程模型适用于以下领域： 1. 功能分解 2. 环境级图 3. 数据流图 4. 操作图 5. 状态运行图 6. Hipo图 7. 伪代码 - **数据模型**：与过程模型相比，数据建模更适合数据仓库。它主要包含两种技术：实体关系和维度建模。 - **维度建模**：维度建模关注任何模式中事实表的行为，因为在事实表中，所有主键（PKs）都作为外键存在，这确保了每个指定索引只有一条记录，这种行为也被称为星型模式。在表达元素关系时，会使用强制适应的方法来创建维度数据仓库。在星型模式中，重点在于一个表（事实表），其基本原则描述了关联关系，与传统模式不同，没有特定的表能完整地表达所有信息。 ##### 3.2 模式评估 随着时间的推移，做事的方式会发生变化，相关应用的数据模型结构背后的理念也可能会发生重大变化。对于数据仓库的设计方案，可能会出现测量变化、即时变化、事实变化、级别变化、属性变化、限制变化和质量变化等情况。设计改进的挑战是持久的，几乎适用于所有数据库。数据仓库中心是迭代创建的，以便未来能够做出关键决策。 ##### 3.3 星型模式 在设计数据仓库的ETL过程中，会使用维度建模，其中一种模型就是星型模式。正如其名称所示，星型模式的形状类似星星，它由维度表和一个中央事实表组成，事实表包含事实数据。事实表中包含维度表的主键作为外键，这是维度表和事实表之间的连接方式。维度表包含定性数据，而事实表包含可用于分析或执行某些过程的度量值。 星型模式具有以下属性： - 维度表将主键作为外键传递到事实表或基表中。 - 它主要包含事实表和维度表。 - 除了事实表，星型模式通常不进行规范化。 - 由于表未规范化，存在冗余数据，因此需要更多的内存和空间。 - 星型模式使用所有维度表的主键，因此事实表看起来比雪花模式更简单。 - 非规范化意味着表的数量较少，表数量少则查询复杂度较低。用于访问星型模式数据的查询称为“星型连接查询”。 为了说明星型模式的查询性能，我们来看一个示例。测试环境要求8GB的RAM和1TB的硬盘存储空间，操作系统使用Windows 2008 Server或2012，SQL服务器使用2008。这些硬件规格仅用于实验，并非固定要求。 示例中的星型模式有一个事实（主）表和三个维度（连接）表。我们使用的查询将判断执行时间和内存使用情况，具体是对d1维度表1中的att1和att2列以及维度表3中存在的att2值进行汇总。通过将查询应用到设计好的模式中，我们得到以下结果： | 查询 | 进