Datamodellering med UML (forts.)

Transkript

1 Datamodellering med UML (forts.) jfr. Systemutvikling fra kjernen og ut, fra skallet og inn kapittel 6 Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmuml2-

2 Modellenes to formål Interesseområdet Beskrivelse Oppfatningen av interesseområdet Foreskrivelse Informasjonssystem Brukere Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmuml2-2

3 Figur 5-2. Ogdens trekant Thoughts of Reference Begreper Person Bil Døgn DF febr Symbol Lingvistiske elementer representasjoner Referent Fenomener i interesseområdet Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmuml2-3

4 Fra naturlig språk til datamodell Drammen ligger i Buskerud By med bynavn Drammen ligger i fylke med fylkenavn Buskerud By bynavn {id} ligger-i ligger_i fylke Fylke fylkenavn {id} Drammen Buskerud Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmuml2-4

5 Ugrupperte og grupperte modeller fremmednøkler unyttige klasser med assosiasjoner generering fjerning Gruppert modell (tabellorientert) fjerning generering Gruppert modell (tabellorientert) med vanlige attributter Ugruppert modell generering fjerning referanser Gruppert modell (???-orientert) fjerning generering Gruppert modell (???-orientert) med vanlige attributter Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmuml2-5

6 Ugruppert og gruppert modell - eksempel Emne emnekode {id} Kurs semesterkode {id} 0.. Antall # {id} antall_ studenter Emne emnekode {id} Trinn «identi- Trinn 2 fying» Kurs emnekode {fk}{id} semesterkode {id} antall_studenter{fk}{null} antall_ 0.. studenter # {id} Antall Emne emnekode {id} Kurs emnekode {fk}{id} semesterkode {id} antall_studenter {null}. Generere fremmednøkler 2. Sløyfe unyttige klasser og fjerne {fk} Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmuml2-6

7 Universitet universitetskode {id} Fakultet fakultetskode {id} Institutt instituttkode {id} Ansatt ansattnr {id} Assosiasjoner i et hierarki Med hva skal vi assosiere o Universitetets sentralbordnummer o ansatts jobbadresse o ansatts telefonnummer o antall studenter? Institutt for informatikk Gerhard Skagestein 4. februar 2007 Legg assosiasjonene så høyt opp i hierarkiet som mulig! dmuml2-7

8 Mange-til-mange-assosiasjon med assosiasjonsklasse Materialgjenvinning _ikommune 0.. gjenvunnet mengde Mengde # tonn {id} Kommune kommunenr {id} gjenvunnet_materiale Materiale materialnavn {id} jfr. lærebokas figur 5-7 og 5-8 Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmuml2-8

9 Figur 5-9. Assosiasjonsklassen erstattes med en vanlig klasse Materialgjenvinning _ikommune 0.. gjenvunnet mengde Mengde # tonn {id} Kommune kommunenr {id} gjenvunnet_materiale Materiale materialnavn {id} Kommune kommunenr {id} Materialgjenvinning _ikommune gjenvunnet_ materiale Materiale materialnavn {id} 0.. gjenvunnet mengde Institutt for informatikk Gerhard Skagestein 4. februar 2007 Mengde # tonn {id} dmuml2-9

10 Figur 5-0. Modell med tidsdimensjon År årstall {id} Kommune kommunenr {id} «identi- fying» Materialgjenvinning _ikommuneår gjenvunnet_ materiale Materiale materialnavn {id} Kommunenavn 0.. gjenvunnet mengde Mengde # tonn {id} kommunenavn {id} Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmuml2-0

11 Figur Relasjonsdatabasestruktur med tidsdimensjon Kommune kommunenr NOT NULL kommunenavn {subset} Materialgjenvinning _ikommuneår kommunenr materialnavn år gjenvunnet_mengde Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmuml2-

12 Databasekonstruktørens første bud Du skal ikke ha dobbeltlagringer og avledninger! Hvis du allikevel (av effektivitetsgrunner) har dobbeltlagringer og avledninger i databasen, må de være under kontroll Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmuml2-2

13 En unormalisert modell Person navn {id} gateadresse postnr poststed Funksjonell avhengighet navn gateadresse postnr poststed Dal Storgata Ski En datamodell (og en database) som ikke er normalisert, vil åpne for dobbeltlagring av opplysninger Li Lilleveien Ski Fjell Nyveien Moss Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmuml2-3

14 Normalisert modell Person Person navn {id} Poststed postnr {id} Gateadresse gateadresse {id} Poststedsnavn poststedsnavn {id} navn {id} gateadresse postnr {fk} Poststed postnr {id} poststedsnavn navn gateadresse postnr Dal Storgata Li Lilleveien Fjell Nyveien {subset} postnr poststed 400 Ski 500 Moss Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmuml2-4

15 Normaliseringsteori Slike oppdelinger som vi har sett et eksempel på her er sentrale i forbindelse med såkalt normalisering i relasjonsdatabaseteorien. Hovedbudskapet er at verdien i et attributt skal være entydig bestemt av verdien på en av kandidatnøklene (i praksis primærnøkkelen) The key, the whole key and nothing but the key, so help me Codd! Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmuml2-5

16 Kontroll av grupperte modeller Hvis du går direkte på en gruppert modell, sjekk for hvert attributt: Er det høyst én verdi for attributtet? Er verdien bestemt av primærnøkkelen, hele primærnøkkelen og intet annet enn primærnøkkelen? Person navn {id} telefon e-post gateadresse postnr poststed Hvordan faller denne kontrollen ut for klassen Person? Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmuml2-6

17 Høyere ordens assosiasjoner Noen ganger er det behov for assosiasjoner mellom mer enn to klasser/begreper Typisk dreier det seg da om begreper av typen Hvem, Hva, Hvor, Når Eksempel: o AS Gjenvinning gjenvinner papir i Oslo kan vanligvis ikke brytes ned til o AS Gjenvinning gjenvinner papir o AS Gjenvinning gjenvinner i Oslo o papir gjenvinnes i Oslo Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmuml2-7

18 En ternær assosiasjon Materiale materialnavn {id} gjenvunnet_ materiale Avfallsselskap selskapsnavn {id} avfalls_ innsamler Materialgjenvinning område Kommune kommunenr {id} Unngå UML-assosiasjoner mellom mer enn to klasser! Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmuml2-8

19 En ternær assosiasjon sett som tabell/relasjon Materiale materialnavn {id} Avfallsselskap Kommune selskapsnavn {id} avfallsinnsamler gjenvunnet_ materiale område kommunenr {id} Materialgjenvinning Alle avfallsinnsamlere kan gjenvinne alle materialer i alle områder Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmuml2-9

20 Fjern høyere ordens assosiasjoner vha. nye begreper Materiale materialnavn {id} Avfallsselskap selskapsnavn {id} avfallsinnsamler gjenvunnet_ materiale «identi- «identi- fying» Material- fying» gjenvinning område Kommune kommunenr {id} Lang entydighetsskranke konverteres til identifiserende assosiasjoner avfallsinnsamler gjenvunnet_ materiale område Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmuml2-20

21 Overlappende entydighetsskranker Time ukedag,timenr {id} Lærer ansattnr {id} «identi- «identi- fying» Forelesning fying» Rom romnr {id} Hvordan viser vi dette i UML? Bruke OCL (Object Constraint Language)? lærer time rom Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmuml2-2

22 Den eksterne entydighetsskranken Time ukedag,timenr {id} {unique} {unique} Lærer ansattnr {id} Forelesning Rom romnr {id} Warmer & Kleppe foreslår lignende grafiske notasjoner for lignende skranker Warmer & Kleppe: The Object Constraint Language. Addison-Wesley 999 Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmuml2-22

23 Figur 5-. Spesialisering og generalisering Underbegreper Mann fødselsnr {id} ekte- hustru mann Kvinne fødselsnr {id} Person fødselsnr {id} a) Generalisering Spesialisering ektemann b) hustru Person c) fødselsnr {id} {disjoint, complete} Mann ekte- hustru mann Kvinne Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmuml2-23

24 Figur 5-7. Håndtering av underbegreper Kjønn Person 0.. Fornavn kjønnskode {id} fødselsnr {id} navn {id} diskriminerende assosiasjon {disjoint, complete} Mann Kvinne antall fødsler Antall # {id} Enhver mann har kjønnskode M Enhver kvinne har kjønnskode K Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmuml2-24

25 a) Separasjon Figur 5-7. Håndtering av underbegreper NOT NULL Person fødselsnr kjønn fornavn Mann {subset} fødselsnr Kvinne {subset} NOT NULL fødselsnr antall_fødsler b) Absorpsjon NOT NULL Person fødselsnr kjønn fornavn antall_fødsler nil hvis kjønn = m c) Partisjonering Person fødselsnr Kan sløyfes, ingen forekomster Mann NOT NULL NOT NULL fødselsnr kjønn fornavn Kvinne fødselsnr kjønn fornavn antall_fødsler Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmuml2-25

26 Kurssystemet (forts.) Emne emnekode {id} anbefalte-forkunnskaper Student navn {id} tar tas-av Kurs semesterkode {id} Hovedlærer navn {id} /antall_studenter 0.. # {id} Antall Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmuml2-26

27 Kurssystemet (forts.) Emne Forkunnskap anbefalteforkunnskaper emnekode {id} /antall_ studenter Person navn {id} tar tas-av Påmelding Kurs semesterkode {id} 0.. Antall # {id} Undervisning hovedlærer Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmuml2-27

28 Forkunnskap Person navn {id} hoved lærer Kurssystemet (forts.) anbefalteforkunnskaper Påmelding Undervisning Emne emnekode {id} Kurs semesterkode {id} /antall_ studenter 0.. Antall # {id} Dermed er modellen ferdig Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmuml2-28

29 Kurssystemet (forts.) For å finne fram til tabellene i en tabelldatabase må vi først Forkunnskap Emne generere fremmedetterfølger {fk}{id} emnekode {id} nøklene forgjenger {fk}{id} anbefalteforkunnskaper «identi- fying» /antall_ Påmelding studenter emnekode {fk}{id} semesterkode {fk}{id} Person Kurs Antall student {fk}{id} 0.. navn {id} emnekode {fk}{id} # {id} semesterkode {id} hoved lærer Undervisning /antall_stud{fk}{null} emnekode {fk}{id} semesterkode {fk}{id} Unyttig klasse hovedlærer {fk}{id} Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmuml2-29

30 Kurssystemet tabelldatabasen {subset} {subset} Emne emnekode Forkunnskap etterfølger forgjenger {subset} Kurs emnekode semesterkode antall-stud Person navn {subset} {subset} {subset} Påmelding emnekode semesterkode student {subset} Undervisning emnekode semesterkode hovedlærer Institutt for informatikk Gerhard Skagestein 4. februar 2007 En tabell for hver klasse dmuml2-30

31 Kurssystemet tabelldatabasen {subset} {subset} Emne emnekode Forkunnskap etterfølger forgjenger INF00 INF050 INF000 INF040 INF050 INF040 INF050 INF00 INF000 {subset} Kurs emnekode semesterkode antall-stud INF00 vår INF050 vår Eksempler på forekomster Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmuml2-3

32 Kurssystemet (forts.) Forkunnskap Person navn {id} hoved lærer anbefalteforkunnskaper Påmelding Undervisning Emne emnekode {id} Kurs semesterkode{id} 0.. Antall # {id} /antall_ studenter Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmuml2-32

33 Forkunnskap Person navn {id} hoved lærer Kurssystemet (forts.) anbefalteforkunnskaper Påmelding Undervisning Emne emnekode {id} Kurs semesterkode{id} Semester semesterkode{id} 0.. Antall # {id} /antall_ studenter Semester som tidsbegrep Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmuml2-33

34 Lærer Person navn {id} hoved lærer Kurssystemet (forts.) Student Forkunnskap «identi- fying» anbefalteforkunnskaper Påmelding Undervisning Emne emnekode {id} Kurs semesterkode{id} Se også eksempel i læreboka figur 5-2 Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmuml2-34