Онлайн-аналитическая обработка - Online analytical processing

Онлайн-аналитическая обработка, или же OLAP (/ˈoʊлæп/), это подход к ответу многомерный аналитический (MDA) запросы быстро в вычисление.[1] OLAP является частью более широкой категории бизнес-аналитика, который также включает реляционные базы данных, написание отчетов и сбор данных.[2] Типичные приложения OLAP включают: бизнес-отчетность для продаж, маркетинг, управленческая отчетность, управление бизнес-процессами (BPM),[3] бюджетирование и прогнозирование, финансовая отчетность и подобных областях, с появлением новых приложений, таких как сельское хозяйство.[4]

Период, термин OLAP был создан как небольшая модификация традиционного термина базы данных онлайн-обработка транзакций (OLTP).[5]

Инструменты OLAP позволяют пользователям анализировать многомерные данные в интерактивном режиме с разных точек зрения. OLAP состоит из трех основных аналитических операций: консолидации (сворачивания), детализации, а также нарезки и нарезки кубиками.[6]:402–403 Консолидация включает в себя агрегирование данных, которые можно накапливать и вычислять в одном или нескольких измерениях. Например, все офисы продаж объединены с отделом продаж или отделом продаж, чтобы предвидеть тенденции продаж. В отличие от этого, детализация - это метод, который позволяет пользователям ориентироваться в деталях. Например, пользователи могут просматривать продажи по отдельным продуктам, составляющим продажи региона. Нарезка и нарезка - это функция, с помощью которой пользователи могут извлекать (нарезать) определенный набор данных из Куб OLAP и просматривать (нарезать кубиками) срезы с разных точек зрения. Эти точки зрения иногда называют измерениями (например, рассмотрение одних и тех же продаж по продавцам, по дате, по покупателям, по продуктам, по регионам и т. Д.)

Базы данных настроен для OLAP, использует многомерную модель данных, позволяющую выполнять сложные аналитические и для этого случая запросы с быстрым временем выполнения.[7] Они заимствуют аспекты навигационные базы данных, иерархические базы данных и реляционные базы данных.

OLAP обычно противопоставляется OLTP (онлайн-обработка транзакций), которая обычно характеризуется гораздо менее сложными запросами в большем объеме для обработки транзакций, а не для целей бизнес-аналитики или отчетности. В то время как системы OLAP в основном оптимизированы для чтения, OLTP должен обрабатывать все виды запросов (чтение, вставка, обновление и удаление).

Обзор систем OLAP

В основе любой OLAP-системы лежит Куб OLAP (также называемый многомерным кубом или гиперкуб ). Он состоит из числовых фактов, называемых меры которые классифицируются по размеры. Меры помещаются на пересечениях гиперкуба, который натянут на измерениях в виде векторное пространство. Обычный интерфейс для управления кубом OLAP - это матричный интерфейс, например Сводные таблицы в программе для работы с электронными таблицами, которая выполняет операции проецирования по измерениям, такие как агрегирование или усреднение.

Метаданные куба обычно создаются из звездная схема или схема снежинки или созвездие фактов столов в реляционная база данных. Меры выводятся из записей в таблица фактов и размеры получены из таблицы размеров.

Каждый мера можно рассматривать как набор этикетки, или связанные с ним метаданные. А измерение это то, что описывает эти этикетки; он предоставляет информацию о мера.

Простым примером может служить куб, содержащий продажи магазина в виде мераи Дата / Время как измерение. У каждой продажи есть дата / время метка это описывает больше об этой продаже.

Например:

 Таблица фактов продаж + ------------- + ---------- + | sale_amount | time_id | + ------------- + ---------- + Измерение времени | 2008.10 | 1234 | ---- + + --------- + ------------------- ++ ----------- - + ---------- + | | time_id | отметка времени | | + --------- + ------------------- + + ----> | 1234 | 20080902 12:35:43 | + --------- + ------------------- +

Многомерные базы данных

Многомерная структура определяется как «разновидность реляционной модели, которая использует многомерные структуры для организации данных и выражения отношений между данными».[6]:177 Структура разбита на кубы, и кубы могут хранить и получать доступ к данным в пределах каждого куба. «Каждая ячейка в многомерной структуре содержит агрегированные данные, относящиеся к элементам по каждому из ее измерений».[6]:178 Даже когда данные обрабатываются, они остаются легкодоступными и продолжают представлять собой компактный формат базы данных. Данные по-прежнему остаются взаимосвязанными. Многомерная структура довольно популярна для аналитических баз данных, использующих приложения онлайн-аналитической обработки (OLAP).[6] Аналитические базы данных используют эти базы данных из-за их способности быстро предоставлять ответы на сложные бизнес-запросы. Данные можно рассматривать под разными углами, что дает более широкую перспективу проблемы в отличие от других моделей.[8]

Агрегаты

Утверждалось, что для сложных запросов кубы OLAP могут дать ответ примерно за 0,1% времени, необходимого для того же запроса на OLTP реляционные данные.[9][10] Самый важный механизм OLAP, который позволяет достичь такой производительности, - это использование скопления. Агрегации строятся из таблицы фактов путем изменения степени детализации по конкретным измерениям и агрегирования данных по этим измерениям с использованием агрегатная функция (или же функция агрегирования). Количество возможных агрегатов определяется всеми возможными комбинациями гранулярностей измерений.

Комбинация всех возможных агрегатов и базовых данных содержит ответы на каждый запрос, на который можно ответить из данных.[11]

Поскольку обычно существует множество агрегатов, которые можно вычислить, часто полностью вычисляется только заранее определенное число; остальные решаются по запросу. Проблема выбора агрегатов (представлений) для вычисления известна как проблема выбора представлений. Выбор представления может быть ограничен общим размером выбранного набора агрегатов, временем их обновления из-за изменений в базовых данных или и тем, и другим. Целью выбора представления обычно является минимизация среднего времени ответа на запросы OLAP, хотя некоторые исследования также минимизируют время обновления. Выбор просмотра NP-Complete. Были изучены многие подходы к проблеме, в том числе жадные алгоритмы, рандомизированный поиск, генетические алгоритмы и Алгоритм поиска A *.

Некоторые функции агрегирования могут быть вычислены для всего куба OLAP с помощью предварительные вычисления значения для каждой ячейки, а затем вычисление агрегирования для свертки ячеек путем агрегирования этих агрегатов, применяя разделяй и властвуй алгоритм к многомерной задаче для их эффективного вычисления.[12] Например, общая сумма свертки - это просто сумма промежуточных сумм в каждой ячейке. Функции, которые можно разложить таким образом, называются разложимые функции агрегирования, и включать COUNT, MAX, MIN, и СУММ, который можно вычислить для каждой ячейки и затем напрямую агрегировать; они известны как саморазлагаемые функции агрегирования.[13] В других случаях агрегатная функция может быть вычислена путем вычисления вспомогательных чисел для ячеек, агрегирования этих вспомогательных чисел и, наконец, вычисления общего числа в конце; примеры включают СРЕДНИЙ (отслеживание суммы и количества, деление в конце) и КЛАССИФИЦИРОВАТЬ (отслеживание максимума и минимума, вычитание в конце). В других случаях агрегатная функция не может быть вычислена без одновременного анализа всего набора, хотя в некоторых случаях могут быть вычислены приближения; примеры включают DISTINCT COUNT, MEDIAN, и РЕЖИМ; например, медиана набора не является медианой медиан подмножеств. Последние трудно реализовать эффективно в OLAP, поскольку они требуют вычисления агрегатной функции на основе базовых данных, либо вычисления их в оперативном режиме (медленно), либо их предварительного вычисления для возможных развертываний (большое пространство).

Типы

Системы OLAP традиционно классифицируются с использованием следующей таксономии.[14]

Многомерный OLAP (MOLAP)

MOLAP (многомерная онлайн-аналитическая обработка) - это классическая форма OLAP, которую иногда называют просто OLAP. MOLAP хранит эти данные в оптимизированном хранилище многомерных массивов, а не в реляционной базе данных.

Для некоторых инструментов MOLAP требуется предварительное вычисление и хранение производных данных, таких как консолидация - операция, известная как обработка. Такие инструменты MOLAP обычно используют предварительно рассчитанный набор данных, называемый куб данных. Куб данных содержит все возможные ответы на заданный круг вопросов. В результате они очень быстро отвечают на запросы. С другой стороны, обновление может занять много времени в зависимости от степени предварительного расчета. Предварительные вычисления также могут привести к так называемому взрыву данных.

Другие инструменты MOLAP, особенно те, которые реализуют функциональная модель базы данных не вычислять производные данные заранее, а выполнять все вычисления по запросу, кроме тех, которые были ранее запрошены и сохранены в кэше.

Преимущества MOLAP

  • Высокая производительность запросов благодаря оптимизированному хранению, многомерному индексированию и кешированию.
  • Меньший размер данных на диске по сравнению с данными, хранящимися в реляционная база данных из-за техники сжатия.
  • Автоматизированное вычисление агрегатов данных более высокого уровня.
  • Он очень компактен для небольших наборов данных.
  • Модели массивов обеспечивают естественную индексацию.
  • Эффективное извлечение данных достигается за счет предварительного структурирования агрегированных данных.

Недостатки MOLAP

  • В некоторых системах MOLAP этап обработки (загрузка данных) может быть довольно длительным, особенно для больших объемов данных. Обычно это устраняется путем выполнения только инкрементной обработки, то есть обработки только данных, которые изменились (обычно новых данных), вместо повторной обработки всего набора данных.
  • Некоторые методологии MOLAP вводят избыточность данных.

Продукты

Примеры коммерческих продуктов, использующих MOLAP: Cognos Powerplay, Вариант Oracle Database OLAP, MicroStrategy, Службы Microsoft Analysis Services, Essbase, TM1, Jedox, и icCube.

Реляционный OLAP (ROLAP)

ROLAP работает напрямую с реляционными базами данных и не требует предварительных вычислений. Базовые данные и таблицы измерений хранятся в виде реляционных таблиц, а новые таблицы создаются для хранения агрегированной информации. Это зависит от конкретной схемы. Эта методология основана на манипулировании данными, хранящимися в реляционной базе данных, чтобы создать видимость традиционных функциональных возможностей нарезки и нарезания кубиков OLAP. По сути, каждое действие нарезки и нарезки кубиками эквивалентно добавлению предложения WHERE в оператор SQL. Инструменты ROLAP не используют предварительно вычисленные кубы данных, а вместо этого создают запрос к стандартной реляционной базе данных и ее таблицам, чтобы вернуть данные, необходимые для ответа на вопрос. Инструменты ROLAP позволяют задать любой вопрос, поскольку методология не ограничивается содержимым куба. ROLAP также может выполнять детализацию до самого низкого уровня детализации в базе данных.

Хотя ROLAP использует источник реляционной базы данных, обычно база данных должна быть тщательно разработана для использования ROLAP. База данных, которая была разработана для OLTP не будет работать как база данных ROLAP. Поэтому ROLAP по-прежнему предполагает создание дополнительной копии данных. Однако, поскольку это база данных, для ее заполнения можно использовать различные технологии.

Преимущества ROLAP

  • ROLAP считается более масштабируемым при обработке больших объемов данных, особенно моделей с размеры с очень высоким мощность (то есть миллионы участников).
  • Благодаря разнообразию доступных инструментов загрузки данных и возможности точной настройки извлечь, преобразовать, загрузить (ETL) для конкретной модели данных, время загрузки обычно намного короче, чем с автоматическим MOLAP нагрузки.
  • Данные хранятся в стандартном реляционная база данных и к нему может получить доступ любой SQL инструмент отчетности (инструмент не обязательно должен быть инструментом OLAP).
  • Инструменты ROLAP лучше справляются неагрегированные факты (например, текстовые описания). MOLAP инструменты, как правило, страдают от низкой производительности при запросе этих элементов.
  • К разъединение хранилище данных из многомерной модели, можно успешно моделировать данные, которые иначе не вписывались бы в строгую размерную модель.
  • Подход ROLAP может использовать база данных элементы управления авторизацией, такие как безопасность на уровне строк, при которой результаты запроса фильтруются в зависимости от предварительно заданных критериев, применяемых, например, к данному пользователю или группе пользователей (SQL Предложение WHERE).

Недостатки ROLAP

  • В отрасли существует консенсус, что инструменты ROLAP имеют более низкую производительность, чем инструменты MOLAP. Однако см. Обсуждение производительности ROLAP ниже.
  • Загрузка сводные таблицы должно управляться индивидуально ETL код. Инструменты ROLAP не помогают с этой задачей. Это означает дополнительное время на разработку и больше кода для поддержки.
  • Когда этап создания сводных таблиц пропускается, производительность запроса ухудшается, поскольку необходимо запрашивать более крупные подробные таблицы. Это можно частично исправить, добавив дополнительные таблицы агрегирования, однако по-прежнему нецелесообразно создавать агрегированные таблицы для всех комбинаций измерений / атрибутов.
  • ROLAP полагается на базу данных общего назначения для запросов и кэширования, и поэтому несколько специальных методов, используемых MOLAP инструменты недоступны (например, специальная иерархическая индексация). Однако современные инструменты ROLAP используют преимущества последних улучшений в SQL язык, такой как операторы CUBE и ROLLUP, DB2 Cube Views, а также другие расширения SQL OLAP. Эти улучшения SQL могут уменьшить преимущества MOLAP инструменты.
  • Поскольку инструменты ROLAP полагаются на SQL для всех вычислений они не подходят, когда модель тяжелая для вычислений, которые плохо переводятся в SQL. Примеры таких моделей включают составление бюджета, ассигнования, финансовую отчетность и другие сценарии.

Производительность РОЛАП

В индустрии OLAP ROLAP обычно считается способным масштабироваться для больших объемов данных, но страдает от более низкой производительности запросов, чем MOLAP. В Обзор OLAP, крупнейшее независимое исследование всех основных продуктов OLAP, проводившееся в течение 6 лет (с 2001 по 2006 гг.), неизменно обнаруживало, что компании, использующие ROLAP, сообщают о более низкой производительности, чем компании, использующие MOLAP, даже с учетом объемов данных.

Однако, как и в случае любого опроса, существует ряд тонких моментов, которые необходимо учитывать при интерпретации результатов.

  • Исследование показывает, что у инструментов ROLAP в 7 раз больше пользователей, чем у MOLAP инструменты в каждой компании. Системы с большим количеством пользователей, как правило, будут испытывать больше проблем с производительностью в часы пик.
  • Также возникает вопрос о сложности модели, измеряемой как по количеству измерений, так и по объему вычислений. Опрос не предлагает хороший способ контролировать эти вариации в анализируемых данных.

Обратная сторона гибкости

Некоторые компании выбирают ROLAP, потому что они намереваются повторно использовать существующие таблицы реляционной базы данных - эти таблицы часто не могут быть оптимально разработаны для использования OLAP. Превосходная гибкость инструментов ROLAP позволяет работать с этой неоптимальной конструкцией, но при этом страдает производительность. MOLAP инструменты, напротив, заставили бы данные повторно загружаться в оптимальную структуру OLAP.

Гибридный OLAP (HOLAP)

Нежелательный компромисс между дополнительными ETL стоимость и низкая производительность запросов гарантируют, что большинство коммерческих инструментов OLAP теперь используют подход «гибридного OLAP» (HOLAP), который позволяет разработчику модели решать, в какой части данных будет храниться MOLAP и какая часть в РОЛАП.

В отрасли нет четкого соглашения о том, что представляет собой «гибридный OLAP», за исключением того, что база данных будет разделять данные между реляционными и специализированными хранилищами.[15] Например, для некоторых поставщиков база данных HOLAP будет использовать реляционные таблицы для хранения больших объемов подробных данных и использовать специализированное хранилище, по крайней мере, для некоторых аспектов меньших объемов более агрегированных или менее подробных данных. HOLAP устраняет недостатки MOLAP и ROLAP за счет объединения возможностей обоих подходов. Инструменты HOLAP могут использовать как предварительно рассчитанные кубы, так и реляционные источники данных.

Вертикальное разделение

В этом режиме магазины HOLAP скопления в MOLAP для быстрого выполнения запросов и подробных данных в ROLAP оптимизировать время куба обработка.

Горизонтальное разделение

В этом режиме HOLAP хранит некоторый фрагмент данных, обычно самый последний (т.е. срезанный по измерению времени) в MOLAP для быстрого выполнения запросов и старых данных в ROLAP. Кроме того, мы можем хранить некоторые кубики в MOLAP и другие в ROLAP, используя тот факт, что в большом кубоиде будут плотные и разреженные подобласти.[16]

Продукты

Первым продуктом для хранения HOLAP был Голос, но эта технология стала доступна и в других коммерческих продуктах, таких как Службы Microsoft Analysis Services, Вариант Oracle Database OLAP, MicroStrategy и SAP AG BI Accelerator. Гибридный подход OLAP объединяет технологии ROLAP и MOLAP, извлекая выгоду из большей масштабируемости ROLAP и более быстрого вычисления MOLAP. Например, сервер HOLAP может хранить большие объемы подробных данных в реляционной базе данных, в то время как агрегаты хранятся в отдельном хранилище MOLAP. Службы OLAP Microsoft SQL Server 7.0 поддерживают гибридный сервер OLAP.

Сравнение

У каждого типа есть определенные преимущества, хотя между поставщиками существуют разногласия по поводу их специфики.

  • Некоторые реализации MOLAP подвержены взрывному росту базы данных - явлению, вызывающему использование базами данных MOLAP огромных объемов дискового пространства при соблюдении определенных общих условий: большое количество измерений, предварительно рассчитанные результаты и разреженные многомерные данные.
  • MOLAP обычно обеспечивает лучшую производительность благодаря специализированной оптимизации индексации и хранения. MOLAP также требует меньше места для хранения по сравнению с ROLAP, потому что специализированное хранилище обычно включает сжатие техники.[15]
  • ROLAP обычно более масштабируемый.[15] Однако предварительную обработку большого объема трудно реализовать эффективно, поэтому ее часто пропускают. Поэтому производительность запросов ROLAP может сильно пострадать.
  • Поскольку ROLAP больше полагается на базу данных для выполнения вычислений, он имеет больше ограничений в специализированных функциях, которые он может использовать.
  • HOLAP пытается объединить лучшее из ROLAP и MOLAP. Как правило, он может быстро выполнять предварительную обработку, хорошо масштабироваться и обеспечивать хорошую функциональную поддержку.

Другие типы

Также иногда используются следующие аббревиатуры, хотя они не так распространены, как приведенные выше:

  • WOLAP - Веб-OLAP
  • ДОЛАП – Рабочий стол OLAP
  • RTOLAP - OLAP в реальном времени
  • ГОЛАП - График OLAP[17][18]
  • ДелоOLAP - Контекстно-зависимый семантический OLAP[19], разработан для биомедицинских приложений.[20] Платформа CaseOLAP включает в себя предварительную обработку данных (например, загрузку, извлечение и анализ текстовых документов), индексацию и поиск с помощью Elasticsearch, создание функциональной структуры документа под названием Text-Cube.[21][22][23][24][25]и количественная оценка определяемых пользователем отношений фраза-категория с использованием основного алгоритма CaseOLAP.

API и языки запросов

В отличие от реляционные базы данных, который имел SQL в качестве стандартного языка запросов и широко распространенный API такие как ODBC, JDBC и OLEDB, в мире OLAP долгое время не было такой унификации. Первый настоящий стандартный API был OLE DB для OLAP спецификация от Microsoft который появился в 1997 году и представил Многомерные выражения язык запросов. Несколько поставщиков OLAP - как серверных, так и клиентских - приняли его. В 2001 году Microsoft и Гиперион объявил о XML для анализа спецификация, одобренная большинством поставщиков OLAP. Поскольку здесь также использовались многомерные выражения в качестве языка запросов, многомерные выражения стали стандартом де-факто.[26]С сентября 2011 г. LINQ можно использовать для запроса SSAS Кубы OLAP от Microsoft .NET.[27]

Продукты

История

Первым продуктом, который выполнял запросы OLAP, был Выражать, который был выпущен в 1970 году (и приобретен Oracle в 1995 г. из Информационных ресурсов).[28] Однако этот термин не появлялся до 1993 года, когда он был изобретен Эдгар Ф. Кодд, которого называют «отцом реляционной базы данных». Бумага Кодда[1] в результате короткого консультационного задания, которое Кодд взял на себя для бывшей Arbor Software (позже Решения Hyperion, а в 2007 году была приобретена Oracle) как своего рода маркетинговый ход. Компания выпустила собственный продукт OLAP, Essbase, годом ранее. В результате «Двенадцать законов онлайн-аналитической обработки» Кодда были явными в их ссылке на Essbase. Возникли споры, и когда Computerworld узнал, что Арбор заплатила Кодду, он отозвал статью. Рынок OLAP пережил сильный рост в конце 1990-х, когда на рынок вышли десятки коммерческих продуктов. В 1998 году Microsoft выпустила свой первый сервер OLAP - Службы Microsoft Analysis Services, который привел к широкому распространению технологии OLAP и вывел ее в широкое распространение.

Сравнение продуктов

Основная статья: Сравнение серверов OLAP

Клиенты OLAP

Клиенты OLAP включают в себя множество программ для работы с электронными таблицами, таких как Excel, веб-приложение, SQL, инструменты панели управления и т. Д. Многие клиенты поддерживают интерактивное исследование данных, когда пользователи выбирают интересующие измерения и меры. Некоторые измерения используются в качестве фильтров (для нарезки и нарезки данных), в то время как другие выбираются в качестве осей сводной таблицы или сводной диаграммы. Пользователи также могут изменять уровень агрегации (для детализации или сворачивания) отображаемого представления. Клиенты также могут предлагать различные графические виджеты, такие как слайдеры, географические карты, тепловые карты и многое другое, которые можно сгруппировать и скоординировать в виде информационных панелей. Обширный список клиентов отображается в столбце визуализации окна сравнение серверов OLAP Таблица.

Структура рынка

Ниже приведен список ведущих поставщиков OLAP в 2006 г. с цифрами в миллионах Доллары США.[29]

ПродавецГлобальный доходОбъединенная компания
Корпорация Майкрософт1,806Microsoft
Корпорация Hyperion Solutions1,077Oracle
Cognos735IBM
Бизнес-объекты416SAP
MicroStrategy416MicroStrategy
SAP AG330SAP
Картез (SAP )210SAP
Приложение205IBM
Infor199Infor
Корпорация Oracle159Oracle
Другие152Другие
Всего5,700

Открытый исходный код

Смотрите также

Библиография

  • Даниэль Лемир (декабрь 2007 г.). «Хранилище данных и библиография, ориентированная на исследования OLAP-A».
  • Эрик Томсен. (1997). Решения OLAP: построение многомерных информационных систем, 2-е издание. Джон Вили и сыновья. ISBN  978-0-471-14931-6.

Рекомендации

Цитаты

  1. ^ а б Кодд Э.Ф .; Кодд С.Б. И Салли К. (1993). «Предоставление OLAP (оперативной аналитической обработки) пользователям-аналитикам: задача ИТ» (PDF). Codd & Date, Inc. Получено 2008-03-05.[постоянная мертвая ссылка ]
  2. ^ Дипак Парик (2007). Бизнес-аналитика для телекоммуникаций. CRC Press. стр.294 с. ISBN  978-0-8493-8792-0. Получено 2008-03-18.
  3. ^ Апостолос Бенисис (2010). Управление бизнес-процессами: куб данных для анализа данных моделирования бизнес-процессов для принятия решений. VDM Verlag Dr. Müller e.K. стр.204 с. ISBN  978-3-639-22216-6.
  4. ^ Абдулла, Ахсан (ноябрь 2009 г.). «Анализ заболеваемости мучнистым червецом на посевах хлопка с использованием инструмента ADSS-OLAP (Online Analytical Processing)». Компьютеры и электроника в сельском хозяйстве. 69 (1): 59–72. Дои:10.1016 / j.compag.2009.07.003.
  5. ^ «Белая книга Совета OLAP» (PDF). Совет OLAP. 1997 г.. Получено 2008-03-18.
  6. ^ а б c d О'Брайен, Дж. А., и Маракас, Г. М. (2009). Информационные системы управления (9-е изд.). Бостон, Массачусетс: Макгроу-Хилл / Ирвин.
  7. ^ Хари Майлваганам (2007). «Введение в OLAP - Slice, Dice and Drill!». Обзор хранилищ данных. Получено 2008-03-18.
  8. ^ Уильямс, К., Гарза, В. Р., Такер, С., Маркус, А. М. (1994, 24 января). Многомерные модели расширяют возможности просмотра. InfoWorld, 16 (4)
  9. ^ MicroStrategy, Incorporated (1995). «Доводы в пользу реляционного OLAP» (PDF). Получено 2008-03-20.
  10. ^ Сураджит Чаудхури и Умешвар Дайал (1997). «Обзор хранилищ данных и технологии OLAP». SIGMOD Rec. 26 (1): 65. CiteSeerX  10.1.1.211.7178. Дои:10.1145/248603.248616. S2CID  8125630.
  11. ^ Грей, Джим; Чаудхури, Сураджит; Обыватель, Андрей; Райхарт, Дон; Венкатрао, Мурали; Пеллоу, Фрэнк; Пирахеш, Хамид (1997). "Куб данных: {A} оператор реляционной агрегации, обобщающий группировку по, кросс-таблицу и промежуточные итоги". J. Интеллектуальный анализ данных и открытие знаний. 1 (1): 29–53. arXiv:cs / 0701155. Дои:10.1023 / А: 1009726021843. S2CID  12502175. Получено 2008-03-20.
  12. ^ Чжан 2017, п. 1.
  13. ^ Хесус, Бакеро и Алмейда 2011, 2.1 Разложимые функции, стр. 3–4.
  14. ^ Найджел Пендсе (27.06.2006). «Архитектуры OLAP». Отчет OLAP. Архивировано из оригинал 24 января 2008 г.. Получено 2008-03-17.
  15. ^ а б c Бах Педерсен, Торбен; С. Дженсен, Кристиан (декабрь 2001 г.). «Технология многомерных баз данных». Распределенные системы онлайн. 34 (12): 40–46. Дои:10.1109/2.970558. ISSN  0018-9162.
  16. ^ Оуэн Кейзер и Даниэль Лемир, Изменение порядка значений атрибутов для эффективного гибридного OLAP, Информационные науки, том 176, выпуск 16, страницы 2279-2438, 2006 г.
  17. ^ «На этой неделе в Graph and Entity Analytics». Датанами. 2016-12-07. Получено 2018-03-08.
  18. ^ «Cambridge Semantics объявляет о поддержке AnzoGraph для Amazon Neptune и баз данных Graph». Тенденции и приложения баз данных. 2018-02-15. Получено 2018-03-08.
  19. ^ Тао, Фангбо; Чжуан, Хунлей; Ю, Чи Ван; Ван, Ци; Кэссиди, Тейлор; Каплан, Лэнс; Восс, Клэр; Хан, Цзявэй (2016). «Многомерное обобщение на основе фраз в текстовых кубах» (PDF).
  20. ^ Liem, David A .; Мурали, Санджана; Сигдел, Дибакар; Ши, Ю; Ван, Сюань; Шен, Цзяминь; Чой, Ховард; Caufield, John H .; Ван, Вэй; Пинг, Пейпей; Хан, Цзявэй (2018-10-01). «Фразовый анализ текстовых данных для анализа белков внеклеточного матрикса при сердечно-сосудистых заболеваниях». Американский журнал физиологии. Сердце и физиология кровообращения. 315 (4): H910 – H924. Дои:10.1152 / ajpheart.00175.2018. ISSN  1522-1539. ЧВК  6230912. PMID  29775406.
  21. ^ Lee, S .; Kim, N .; Ким, Дж. (2014). Многомерный анализ и куб данных для неструктурированного текста и социальных сетей. 2014 Четвертая международная конференция IEEE по большим данным и облачным вычислениям, Сидней, Новый Южный Уэльс. С. 761–764. Дои:10.1109 / BDCloud.2014.117. ISBN  978-1-4799-6719-3. S2CID  229585.
  22. ^ Дин, Б .; Lin, X.C .; Han, J .; Чжай, Ц .; Шривастава, А .; Оза, Северная Каролина (декабрь 2011 г.). «Эффективный поиск по ключевым словам для топ-K ячеек в текстовом кубе». IEEE Transactions по разработке знаний и данных. 23 (12): 1795–1810. Дои:10.1109 / TKDE.2011.34. S2CID  13960227.
  23. ^ Дин, Б .; Чжао, Б .; Lin, C.X .; Han, J .; Чжай, К. (2010). TopCells: поиск по ключевым словам агрегированных документов топ-k в текстовом кубе. 2010 26-я Международная конференция по инженерии данных IEEE (ICDE 2010), Лонг-Бич, Калифорния. С. 381–384. CiteSeerX  10.1.1.215.7504. Дои:10.1109 / ICDE.2010.5447838. ISBN  978-1-4244-5445-7. S2CID  14649087.
  24. ^ Lin, C.X .; Дин, Б .; Han, K .; Zhu, F .; Чжао, Б. (2008).«Текстовый куб: вычисление показателей IR для анализа многомерных текстовых баз данных». IEEE Data Mining: 905–910.
  25. ^ Лю, X .; Tang, K .; Hancock, J .; Han, J .; Песня, М .; Xu, R .; Покорный, Б. (21.03.2013). «Социальные вычисления, поведенческое и культурное моделирование и прогнозирование. SBP 2013. Конспект лекций по информатике». В Гринберге, A.M .; Kennedy, W.G .; Bos, N.D. (ред.). Подход текстового куба к человеческому, социальному и культурному поведению в ленте Twitter (7812 изд.). Берлин, Гейдельберг: Springer. С. 321–330. ISBN  978-3-642-37209-4.
  26. ^ Найджел Пендсе (2007-08-23). «Комментарий: войны API OLAP». Отчет OLAP. Архивировано из оригинал 28 мая 2008 г.. Получено 2008-03-18.
  27. ^ «Поставщик SSAS Entity Framework для LINQ to SSAS OLAP».
  28. ^ Найджел Пендсе (2007-08-23). «Истоки сегодняшних продуктов OLAP». Отчет OLAP. Архивировано из оригинал 21 декабря 2007 г.. Получено 27 ноября, 2007.
  29. ^ Найджел Пендсе (2006). «Рынок OLAP». Отчет OLAP. Получено 2008-03-17.
  30. ^ Егулалп, Сердар (11.06.2015). «LinkedIn заполняет еще одну нишу SQL-on-Hadoop». InfoWorld. Получено 2016-11-19.

Источники