2. Vertical fragmentation
هدف قطعه بندی عمودی این است که با پارتیشن بندی روابط
به مجموعه ایی از روابط کوچکتر، اغلب اپلیکیشن ها فقط روی
یک قطعه اجرا شوند.
تولید میکند …,R1, R قطعه های 2 R قطعه بندی عمودیِ رابطه
هستند. R که شامل زیر مجموعه ایی از صفات
projection برای قطعه بندی عمودی در جبر رابطه ای از عملگر
استفاده میشود.
(ΠA1 ,A2 ,...,An(R
3. Vertical fragmentation
برای مثال :
(PROJ1 = ΠPNO,BUDGET(PROJ
(PROJ2 = ΠPNO,PNAME,LOC(PROJ
متمرکزهم مورد DBMS قطعه بندی عمودی همچنین برای
مطالعه قرار گرفته است.
روابط کوچکتر و در نتیجه دسترسی به صفحات، کمتر
MONET مثل سیستم
4. Vertical fragmentation
قطعه بندی عمودی به ذاته پیچیده تر از قطعه بندی افقی است
گزاره موجود میتوان بایکسری n در قطعه بندی افقی برای هر
2 مینترم ایجاد کرد. n قیود و مفاهیم
صفت غیر کلیدی تعدا m اما در قطعه بندی عمودی برای هر
عدد بِلل))، تعداد ) (B(m قطعه بندی های ممکن برابر است با
عضو m افرازهای یک مجموعه با
(B(m) ≈ mm(e.g., B(15) = و برای اعداد بزرگ : 109
راه حل) های بهینه وجود ندارد و باید از توابع اکتشافی استفاده
شود
5. Heuristics
دو نوع تابع اکتشافی برای قطعه بندی عمودی وجود دارد:
ا ختصاص هر صفت به یک قطعه و در هر گام الحاق کنیم این : Grouping
.قطعه ها را تا رضایت مندی از معیار حاصل) شود
- رویکرد پایین به بال
ب ا شروع از یک رابطه و تصمیم گیری برای یک پارتیشن بندی : Splitting
ها به صفات Application مناسب، براساس رفتار دسترسی های
Top-down روش
نتایج در قطعه بندی ها هیچ همپوشانی ندارند.
تا مجموعه ایی کوچکتری از ، full relation راه حل) بهینه بسیار نزدیک است به
روابط یا حتی تنها یک صفت!
در اینجا فقط قطعه بندی عمودی مدنظراست
6. Application information
مهمترین اطلعات مورد نیاز به عنوان : Application information
هاست . Application ورودی برای قطعه بندی عمودی مربوط به
چون قطعه بندی عمودی آن دسته از صفات را در یک قطعه قرار می دهد
که با هم مورد دسترسی قرار می گیرند، لزم است که یک معیار دیگری
یا با هم بودن، را تعریف کند یعنی چقدر ”togetherness“ تعریف کرد تا مفهوم
صفات بهم ارتباط دارند
Attribute Usage Matrix این اطلعات از پرس و جوها به دست می آید و در
جمع آوری میشوند. and Attribute Affinity Matrix
7.
8. Attribute Usage Matrix
برای مثال :
(PROJ (P NO, P NAME, BUDGET, LOC
q1 = SELECT BUDGET FROM PROJ WHERE PNO=Value
q2 = SELECT PNAME,BUDGET FROM PROJ
q3 = SELECT PNAME FROM PROJ WHERE LOC=Value
q4 = SELECT SUM(BUDGET) FROM PROJ WHERE LOC=Value
به طور خلصهه:
A1 = P NO, A2 = P NAME, A3 = BUDGET, A4 = LOC
:Attribute Usage Matrix
9. Attribute Affinity Matrix
را نسبت به Aj و Ai ماتریس وابستگی صهفات: فرکانس دوصهفت
نشان می دهد : (Q=(q1,…,qn مجموعه پرس وجوهای
Ref 1پرس و جوی ) (Ai,Aj( هزینه ) = تعداد دسترسی ها به ( (qk
qK در سایت 1 هست
Acc 1در سایت 1 است qk فرکانس پرس وجوی ( (qk
10. پرس وجوها (acc1(qk و فرکانس ref1(qk)= فرض کنید هزینه هر پرس وجو 1
بدین صورت باشد :
=(aff(Ai,Aj ماتریس وابستگی صفات
مثل
تنها aff(A1,A3)=P1k=1P31=1acc1(qk)=acc1(q1)+acc2(q1)+acc3(q1)=45(q1
دسترسی دارد. A و 3 A پروس وجویی است که به 1