|
Аннотация.
На основе гетерогенной HTAP-технологии объединяются в одну систему два способа обработки данных: аналитическая обработка на основе префиксного дерева PTOLAP и агрегирующие запросы к БД НИКА. В контексте двойного хранилища — основной граф БД и реплика PTOLAP — учитывается обновление реплики PTOLAP с использованием хранилища дельта-обновлений. Решается задача адаптации технологии graph H2TAP применительно к ООСУБД НИКА. Рассматриваются различные модели аналитической обработки и формируется миниатюрная модель PTOLAP в оперативной памяти для БД НИКА. Запуск агрегирующих запросов к БД НИКА позволяет выбрать содержательные комбинации измерений, что уменьшает объем префиксного дерева PTOLAP. Применяются различные агрегирующие меры для разных срезов куба данных. Приводится пример анализа данных методом PCA в виде тематической карты плотности, графика меры смертей, таблицы вероятных регионов смерти в порядке значимости главных компонент.
Ключевые слова:
гетерогенная HTAP-технология, хранилище дельта-обновлений, префиксное дерево PTOLAP для ООСУБД НИКА, интерактивный анализ данных на основе многомерной логической модели, SOLAP, срез куба данных, компонентный анализ, интеллектуальный анализ данных.
DOI 10.14357/20718632260306
EDN ROFEIU
Стр. 61-72.
Литература
1. Тищенко В.А. Агрегирующие запросы на основе шаблонов к БД НИКА для OLAP анализа // Труды ИСА РАН, 2025. Т. 75. Вып.4. С.41-47. 2. Ахрем А.А., Макаров И.М., Рахманкулов В.З. Математическая теория виртуализации процессов проектирования и трансфера технологий. М.: ФИЗМАТЛИТ, 2013. 316 с. 3. Бондаренко А.В., Галактионов В.А., Горемычкин В.И., Гудков А.С., Стриковский И.И., Реализация интерактивного анализа данных с помощью префиксного дерева. М.: Препринт ИПМ им. М. В. Келдыша РАН, 2005. 34 с. 4. Damasceno N. L., Lage M., Rocha A. A. de A., Tinycubes: A modular technology for interactive visual analysis of historical and continuously updated spatiotemporal data // Future Gener. Comput. Syst. 2023. Vol. 143. P. 378–391. 5. Lakshmanan Laks V.S., Peiz J., Zhao Y. QC-Trees: An efficient summary structure for semantic OLAP // In: SIGMOD. Proceedings of the 2003 ACM SIGMOD International Conference on Management of Data, June 9-12, 2003, San Diego, California, USA. New York, ACM, 2003. P. 64–75. https://doi.org/10.1145/872757.872768 6. Xin D., Han J., Li X., Wah B.W. Star-cubing: computing iceberg cubes by top-down and bottom-up integration. // In: VLDB'03. Proceedings of the 29th International Conference on Very Large Data Bases, September 9-12, 2003, Berlin, Germany. Waltham, Morgan Kaufmann // Elsevier, 2003. P. 476-487. 7. Andrzejewski W., Morzy T., Zakrzewicz M. ABBA: Index structure for sequential pattern-based aggregate queries // Data & Knowledge Engineering. 2026. Vol. 161. URL: https://science direct.com/science/article/pii/S0169023X25001016 (дата обращения: 12.03.2026). 8. Zhang C., Li G., Zhang J., Zhang X., Feng J. HTAP Databases: A Survey // arXiv:2404.15670v1 [cs.DB] 24 Apr 2024. URL: https://arxiv.org/abs/2404.15670 (дата обращения: 12.03.2026). 9. Pinnecke, M., Campero Durand, G., Broneske, D. et al. GridTables: A One-Size-Fits-Most H2TAP Data Store // Datenbank Spektrum. 2020. Vol. 20. P. 43–56. https://doi.org/10.1007/s13222-019-00330-x 10. Соловьев А.В. Аппаратные ускорители СУБД на основе GPU и DPU // Труды ИСА РАН, 2025. Т. 75. Вып.4. С.34-40. 11. Song H., Zhou W., Cui H. et al. A survey on hybrid transactional and analytical processing // The VLDB Journal, 2024. Vol. 33. P. 1485–1515. https://doi.org/10.1007/s00778-024-00858-9 12. Gupta, M.K., Chandra, P. A comprehensive survey of data mining. // Int. J. Inf. Technol., 2020. Vol. 12. No. 4. P. 1243–1257. 13. Jibril M.A., Al-Sayeh H., Baumstark A., Sattler K. Fast and Efficient Update Handling for Graph H2TAP // In: EDBT 2023. Proceedings of the 26th International Conference on Extending Database Technology, March 28-31, 2023, Ioannina, Greece. Baden-Württemberg, OpenProceedings.org, 2023. P. 723–736. 14. Soloviev A.V., Bogacheva A.N., Tishchenko V.A. Elements of Analytical Data Processing for a Factual Database: Statistical Processing of Historical Facts on the Example of a Database 'for Christ Suffered' // In: CSOC 2023. Proceedings of 12th Computer Science On-line Conference, April 26-29, 2023, Zlin, Czech Republic. Cham, Springer, 2023. Networks and Systems in Cybernetics. Lecture Notes in Networks and Systems. Vol. 723. P. 23-39. https://doi.org/10.1007/978-3-031-35317-8_3 15. Soloviev A.V., Bogacheva A.N., Tishchenko V.A. Construction of a Multidimensional Data Cube for a Factual Database: Feature Extraction Using the Principal Component Analysis Based on the Example of Repression Statistics by Region // In: CoMeSySo, 2024. Proceedings of 8th Computational Methods in Systems and Software, October 25-28, 2024, Zlin, Czech Republic. Cham, Springer, 2025. Artificial Intelligence for System Oriented Design. Lecture Notes in Networks and Systems. Vol. 1489. P. 43–68. https://doi.org/10.1007/978-3-031-96798-6_5 16. База данных "За Христа пострадавшие". URL: https://martyrs.pstbi.ru (дата обращения: 12.03.2026). 17. Емельянов Н.Е., Тищенко В.А. Принципы построения web-сервера на основе объектно-ориентированной базы данных // Информационные технологии и вычислительные системы, 1997. N 4. С.90-99. 18. Abiteboul S., Hull R. Restructuring hierarchical database objects // Theoretical Computer Science, 1988. Vol. 62. P. 3-38. 19. Захаров В.Н., Мунерман В.И. Параллельный алгоритм умножения многомерных матриц // Современные информационные технологии и ИТ-образование, 2015. Т 2. N 11. С. 384-390.
|
