Eksamensoppgåve i TDT4145 Datamodellering og databasesystemer

Transkript

1 Institutt for datateknikk og informasjonsvitskap Eksamensoppgåve i TDT4145 Datamodellering og databasesystemer Fagleg kontakt under eksamen: Svein Erik Bratsberg: Roger Midtstraum: Eksamensdato: 23. mai 2013 Eksamenstid (frå-til): 09:00 13:00 Hjelpemiddelkode/Tillatne hjelpemiddel: D Ingen trykte eller handskrivne hjelpemiddel tilletne. Bestemt, enkel kalkulator tillate. Annan informasjon: Målform/språk: Norsk nynorsk Sidetal: 6 Sidetal vedlegg: 0 Kontrollert av: Dato Sign. Merk! Studentane finn sensur i Studentweb. Har du spørsmål om sensuren må du kontakte instituttet ditt. Eksamenskontoret vil ikkje kunne svare på slike spørsmål.

2 Oppgåve 1 Datamodellar (20 %) a) (5 %) Når er det formålstenleg å bruke ein svak entitetsklasse (eng: weak entity class)? Lag eit eksempel på eit ER diagram som viser bruk av ein svak entitetsklasse. Bruk denne modellen til å forklare omgrepa identifiserande relasjonsklasse (eng: identifying relationship type) og delvis nøkkel (eng: partial key). b) (10 %) Lag ein ER modell (du kan bruke alle modellelement som er med i pensum) for denne situasjonen: Vi har emne som har eit unikt emnenummer og eit emnenamn. Emne kan ha fleire eksamenar som har ein eksamensdato og ein oppgåvetekst. Eit emne har aldri fleire eksamenar på same dag. Ein eksamen er for eit visst emne, og den same oppgåveteksten blir aldri brukt for fleire eksamenar. Studentar har eit eintydig studentnummer, namn og eit eller fleire telefonnummer. Studentar kan ta ein eller fleire eksamenar og oppnår i så fall ein karakter for prestasjonen på kvar eksamen. Om ein student tar fleire eksamenar i same emne, skal ein lagra alle resultat. Ein student kan gi ei vurdering av eit emne. Ei vurdering er ein rangering frå 1 til 6, der 1 er elendig og 6 er av beste sort, og ein kort, utfyllande tekst. Ein og same student kan gjere fleire vurderingar av eit og same emne. Forklar kort eventuelle føresetnader du finn det nødvendig å gjere. c) (5 %) Forklar kva for alternativ vi har for å omsetje ein ER modell med bruk av spesialisering, som vist i Figur 1 under, til eit relasjonsdatabaseskjema. Diskuter fordeler og negative sider ved dei ulike alternativa. Figur 1. Spesialisering av entitetsklasse. Legg merke til at figuren bare viser strukturen i spesialiseringen. Attributt og relasjonsklassar er utelatt i figuren, men du skal ta omsyn til slike modellelement i svaret ditt. Side 2 av 6

3 Oppgåve 2 Relasjonsalgebra og SQL (20 %) Ta utgangspunkt i denne relasjonsdatabasen (primærnøklar er understreka) for ein enkel fotodatabase: Photographer(PGID, Name, BirthYear, Nationality) Photo(PhotoID, Title, Date, PhotographerID) PhotographerID er framandnøkkel mot Photographer tabellen. Keyword(KID, Keyword, Description) KeywordPhoto(KID, PhotoID, Date) KID er framandnøkkel mot Keyword tabellen. PhotoID er framandnøkkel mot Phototabellen. Person(PersonID, Name, Description, Nationality) PersonInPhoto(PersonID, PhotoID, Description) PersonID er framandnøkkel mot Person tabellen. PhotoID er framandnøkkel mot Phototabellen. Relasjonsalgebra kan formulerast som tekst eller grafar. Om du beherskar begge notasjonane føretrekk vi at du svarar med grafar, men du blir ikkje trekt for å svare med tekst. a) (5 %) Lag eit ER diagram som samsvarar med relasjonsskjemaet så godt som råd er. Forklar kort eventuelle føresetnader du finn det nødvendig å gjere. b) (2 %) Lag ei spørjing i relasjonsalgebra som finn Name og BirthYear for norske fotografar. c) (3 %) Lag ei spørjing i relasjonsalgebra som finn fotografi som syner ein eller fleire norske personar, og som er teke av ein svensk fotograf. I resultatet skal du ta med PhotoID, Title og fotografens namn (Name). d) (3 %) Lag ei spørjing i SQL som finn PhotoID og Title for alle fotografi som ikkje har noko nøkkelord (Keyword). e) (3 %) Lag ei spørjing i SQL som finne namn (Name) på alle personar som er med i fotografi som har terrengsykling som nøkkelord (Keyword). Kvart namn skal berre vere med ein gong i resultatet. f) (4 %) Lag ei spørjing i SQL som finn PersonID, Name og talet på fotografi for alle personar som er med i meir enn 100 fotografi. Svaret skal vere sortert etter talet på fotografi. Side 3 av 6

4 Oppgåve 3 Teori (20 %) a) (2 %) Føresett R = {A, B, C, D, E, F}. Finn ei mengd funksjonelle avhengigheitar (eng: functional dependencies), G, slik at AB + = ABCD. b) (3 %) Kva krav har ein for at ei mengd attributtar skal vere ein primærnøkkel (eng: primary key) for ein tabell? c) (5 %) Vi vil dekomponere R = {A, B, C, D} i R 1 = {A, B, C} og R 2 = {B, C, D}. Finn ei mengd funksjonelle avhengigheiter, F, som garanterer at dekomponeringa har tapsløs joineigenskapen (eng: lossless join property). Du må grunngje svaret ditt. d) (5 %) Gitt R = {A, B, C, D, E, F} og G = {C >D, D >E, E >F}. En mogleg dekomponering av R er R 1 = {A, B, C}, R 2 = {C, D} og R 3 = {D, E, F}. Vurder kvaliteten på denne dekomponeringa. e) (5 %) Gitt R = {A, B, C, D} og F = {B >C, C >D}. Ein av dei funksjonelle avhengigheitane bryt krava til andre normalform (2NF). Kva for ein avhengigheit er dette og kva er problemet? Den andre avhengigheiten bryt berre krava til tredje normalform (3NF). Kva for ein avhengigheit er dette og kva er problemet? Oppgåve 4 Lagring, indeksar, queryutføyring (15 %) Vi har ein tabell for å lagre sensur. Nøkkelen er understreka: Grading (studno, courseno, grade) Føresett følgjande alternative måtar å lagre og indeksere tabellen: i) Heapfil ii) Clustered B+ tre med søkjenøkkel (studno, courseno) iii) Heapfil og unclustered B+ tre med søkjenøkkel (studno, courseno) Det er postar i tabellen. Det er plass til 200 postar per blokk i heapfila. B+ treet bruker same blokkstorleik som heapfila. Du kan føresette at ein post i indeksen har same storleik som ein post i tabellen. Dette gjeld både for clustered B+ tre og unclustered B+ tre. Alle B+ trær i oppgåva har høgde 3. For kvar av SQL setningane nedanfor, rekn ut kor mange I/O ar vi får for kvart av dei tre lagringsalternativa: a) SELECT grade FROM Grading WHERE courseno='tdt4145' AND studno=123456; b) INSERT INTO Grading VALUES (123456, 'TDT4145', 'A'); c) SELECT studno, grade FROM Grading WHERE studno < 10000; I c) kan du føresette at 5 % av postane kvalifiserer. Svaret i denne oppgåva blir ein tabell på 3 gonger 3 element med tal. Side 4 av 6

5 Oppgåve 5 Transaksjonar gjenopprettbarheit (10 %) Føresett følgjande historier: H1: r1(a);r2(a);w1(a);r1(b);w2(b);c2;c1; H2: w1(a);w2(a);c1;c2; H3: r1(a); r2(c); r1(c); r3(a); r3(b); w1(a); w3(b); r2(b); w2(c); w2(b); c1; c2; c3; Avgjør recovery eigenskapane til historiene (unrecoverable, recoverable, ACA, strict). Oppgåve 6 Transaksjonar låsar (5 %) Føresett følgjande historie: H4: r1(a);r2(b);w1(b);w1(c);r2(a);c1;c2; Innfør lese og skrivelåsar (2PL rigorous) i H4. Skriv om historia H4 slik at den gjør bruk av låsar. Side 5 av 6

6 Oppgåve 7 Transaksjonar recovery (10 %) a) Ein transaksjon har oppdatert ein tabell og gjort ei blokk i bufferet "skitten" (dirty). Kva for metodar fins for å la transaksjonen oppfylle D en (durability) i ACID eigenskapane? b) Føresett ARIES recovery og la A, B, C og D være dataelement med gitte startverdiar og gitt loggen under med loggpostar på formatet: [LSN,Operation,Transaction,DataItem,BeforeImage,AfterImage] A B C D Start values [101,start_trans,T3] [102,write,T3,B,15,12] 12 [103,write,T3,C,40,45] 45 [104,start_trans,T2] [105,write,T2,B,12,18] 18 [106,start_trans,T1] [107,write,T1,D,10,15] 15 [108,write,T2,D,15,26] 26 Føresett at A, B, C, D er datasider det skal gjørast recovery på. DPT har følgjande tilstand: (B,recLSN=105), (D,recLSN=108) etter analysen. Blokkene har følgjande tilstand på disken: (A,pageLSN=100,value=30), (B,pageLSN=105,value=18), (C,pageLSN=103,value=45), (D,pageLSN=107,value=15) For kvar write loggpost i denne loggen forklar kvifor (eller kvifor ikkje) det blir gjort redo under recovery. Side 6 av 6