Den redundansfri datamodellen

Transkript

1 Den redundansfri datamodellen jfr. Systemutvikling fra kjernen og ut, fra skallet og inn kapittel 6 Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmredundansfri-

2 Dagens tema Individer i interesseområdet Redundansfrihet ingen dobbeltlagringer eller avledninger Gruppering, normalisering eller intuisjon? Begrepsdannelse Høyere ordens assosiasjoner Litt om tid Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmredundansfri-2

3 Modellenes to formål Interesseområdet Beskrivelse Oppfatningen av interesseområdet Foreskrivelse Informasjonssystem Brukere Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmredundansfri-3

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

5 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 dmredundansfri-5

6 Den grunnleggende konstruksjonen det elementære utsagnet Begrep identifikatordel {id} min..max rolle min..max rolle2 Begrep2 identifikatordel2 {id} Greitt, men hvordan bygger vi modeller med den? Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmredundansfri-6

7 Datamodellererens tre bud. Du skal kunne identifisere begrepsforekomstene! 2. Du skal ikke ha dobbeltlagringer! 3. Du skal ikke ha 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 dmredundansfri-7

8 Identifiserbare begrepsforekomster Begrep? {id} rolle?? Hvilke individer (begrepsforekomster) skal vi vite noe om? Hvordan representerer vi disse individene? Eksempel: Hvordan ser vi på en haug med binders? Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmredundansfri-8

9 Eksempel på dobbeltlagring av opplysning navn {id} gateadresse postnr poststed innebygd elementært utsagn navn Dal Li gateadresse Storgata 7 Lilleveien 3 postnr poststed Ski Ski Dobbeltlagrede opplysninger åpner for inkonsistens i forekomstene! Fjell Nyveien Moss Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmredundansfri-9

10 Eksempel på avledet opplysning Firma Avledet assosiasjon orgnr {id} omfatter OBS! tilhører /jobber-i avdnr {id} Avdeling jobber-i Ansatt fødselsnr {id} Ansatt jobber-i Avdeling Avdeling tilhører Firma Ansatt jobber-i Firma Avledede opplysninger åpner for inkonsistens i forekomstene! Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmredundansfri-0

11 Eksempel på ikke avledet opplysning Firma orgnr {id} omfatter tilhører har-oppdrag-for avdnr {id} Avdeling jobber-i Ansatt fødselsnr {id} Ansatt jobber-i Avdeling Avdeling tilhører Firma Ansatt har-oppdrag-for Firma Det er altså ikke nok å se på bare hvordan modellen ser ut! Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmredundansfri-

12 En unormalisert modell navn {id} gateadresse postnr poststed Funksjonell avhengighet En datamodell (og en database) som ikke er navn gateadresse postnr poststed normalisert, vil åpne for dobbeltlagring Dal Storgata Ski av opplysninger Li Lilleveien Ski Fjell Nyveien Moss Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmredundansfri-2

13 En funksjonell avhengighet skjuler en assosiasjon som skilles ut navn {id} gateadresse postnr {fk} poststedsnavn Poststed postnr {id} poststedsnavn Funksjonell avhengighet Å finne funksjonelle assosiasjoner og å finne funksjonelle avhengigheter det er samme sak Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmredundansfri-3

14 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 dmredundansfri-4

15 Alternativet: Gruppering av ugruppert modell navn {id} Poststed postnr {id} Gateadresse gateadresse {id} Poststedsnavn poststedsnavn {id} navn {id} gateadresse postnr {fk} Poststed postnr {id} poststedsnavn Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmredundansfri-5

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

17 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 dmredundansfri-7

18 Fra normalisert modell til relasjonsdatabase navn {id} Poststed postnr {id} Gateadresse gateadresse {id} Poststedsnavn poststedsnavn {id} navn {id} gateadresse postnr {fk} Poststed postnr {id} poststedsnavn navn Dal gateadresse Storgata 7 postnr 400 {subset} postnr 400 poststed Ski Li Lilleveien Moss Fjell Nyveien Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmredundansfri-8

19 Gruppering eller normalisering? navn {id} Poststed postnr {id} Gateadresse gateadresse {id} Poststedsnavn poststedsnavn {id} Normalisering navn {id} gateadresse postnr poststedsnavn Gruppering navn {id} gateadresse postnr {fk} Poststed postnr {id} poststedsnavn Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmredundansfri-9

20 Ulike veier til den redundansfri modellen Interesseområdet Modellering med elementære utsagn Intuisjon Alt i én tabell Elementære utsagn Gruppering Redundansfri (normalisert) modell Normalisering Universalrelasjonen Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmredundansfri-20

21 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? navn {id} telefon e-post gateadresse postnr poststed Hvordan faller denne kontrollen ut for klassen? Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmredundansfri-2

22 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! dmredundansfri-22

23 Begrepsdannelse En mange-til-mange-assosiasjon kan tolkes som et begrep OBS! Kommune kommunenr {id} gjenvunnet_materiale Materiale materialnavn {id} Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmredundansfri-23

24 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 dmredundansfri-24

25 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} Meget viktig konvertering! 0.. gjenvunnet mengde Institutt for informatikk Gerhard Skagestein 4. februar 2007 Mengde # tonn {id} dmredundansfri-25

26 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 dmredundansfri-26

27 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 dmredundansfri-27

28 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 dmredundansfri-28

29 Fjern høyere ordens assosiasjoner vha. nye begreper Materiale materialnavn {id} Avfallsselskap selskapsnavn {id} avfallsinnsamler gjenvunnet_ materiale Material- fying» «identi- gjenvinning område Kommune kommunenr {id} Lang entydighetsskranke konverteres til identifiserende assosiasjoner avfallsinnsamler gjenvunnet_ materiale område Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmredundansfri-29

30 Overlappende entydighetsskranker Time ukedag,timenr {id} Lærer ansattnr {id} Forelesning fying» «identi- Rom romnr {id} Hvordan viser vi dette i UML? lærer time rom Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmredundansfri-30

31 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 dmredundansfri-3

32 Kurssystemet (forts.) Emne emnekode {id} anbefalte-forkunnskaper Student navn {id} tar tas-av Kurs semesterkode {id} Hovedlærer navn {id} OBS! /antall_studenter 0.. Antall # {id} Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmredundansfri-32

33 Kurssystemet begrepsdannelse Emne Forkunnskap anbefalteforkunnskaper emnekode {id} /antall_ studenter navn {id} tar tas-av Påmelding Kurs semesterkode {id} 0.. Antall # {id} Undervisning hovedlærer Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmredundansfri-33

34 Kurssystemet konvertere assosiasjonsklasser Forkunnskap navn {id} hoved lærer Påmelding Undervisning Emne emnekode {id} anbefalteforkunnskaper Kurs semesterkode {id} /antall_ studenter 0.. Antall # {id} Dermed er modellen ferdig Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmredundansfri-34

35 Kurssystemet gruppering Forkunnskap etterfølger {fk}{id} forgjenger {fk}{id} anbefalteforkunnskaper Påmelding Emne emnekode {id} emnekode {fk}{id} semesterkode {fk}{id} Kurs student {fk}{id} navn {id} emnekode {fk}{id} semesterkode {id} Undervisning hoved /antall_stud{fk}{null} lærer emnekode {fk}{id} semesterkode {fk}{id} hovedlærer {fk}{id} For å finne fram til tabellene i en tabelldatabase må vi først generere fremmednøklene /antall_ studenter 0.. Antall # {id} Unyttig klasse Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmredundansfri-35

36 Kurssystemet tabelldatabasen {subset} {subset} Emne emnekode Forkunnskap etterfølger forgjenger {subset} Kurs emnekode semesterkode antall-stud navn {subset} {subset} {subset} Påmelding emnekode semesterkode student {subset} Undervisning emnekode semesterkode hovedlærer En tabell for hver klasse Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmredundansfri-36

37 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 INF050 vår2006 vår Eksempler på forekomster Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmredundansfri-37

38 Litt om tid Tiden er kontinuerlig derfor må den deles opp i små stykker den mådiskretiseres (jf. læreboka figur 2-3) Mulig verdi Diskretisert verdi Virkelig verdi x x Størrelsen på stykkene bestemmer oppløsningsevnen (jf. læreboka figur 2-4) Hendelse Hendelse2 Hendelse3 Som regel velger vi inndelinger som er kjent fra kalender og klokke x x x t Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmredundansfri-38

39 Datamodell med tidsdimensjon År jf. lærebokas figur 5-0 kommunenr {id} kommunenavn {id} Kommunenavn Kommune årstall {id} Materialgjenvinning _ikommuneår gjenvunnet_ materiale 0.. gjenvunnet mengde Materiale materialnavn {id} Mengde # tonn {id} Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmredundansfri-39

40 Relasjonsdatabase med tidsdimensjon Kommune kommunenr NOT NULL kommunenavn {subset} Materialgjenvinning _ikommuneår kommunenr materialnavn år gjenvunnet_mengde Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmredundansfri-40

41 Forkunnskap navn {id} hoved lærer Kurssystemet (forts.) Påmelding Undervisning Emne emnekode {id} Kurs anbefalteforkunnskaper semesterkode{id} 0.. Antall # {id} /antall_ studenter Tidsbegrepet kan være skjult Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmredundansfri-4

42 Forkunnskap navn {id} hoved lærer Kurssystemet med tidsbegrep Påmelding Undervisning Emne emnekode {id} Kurs semesterkode{id} semesterkode{id} Semester anbefalteforkunnskaper 0.. Antall # {id} /antall_ studenter Semester som tidsbegrep Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmredundansfri-42

43 Underbegreper Jfr. Fra kjernen og ut, fra skallet og inn avsnitt 5.3 og Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmredundansfri-43

44 Homogenitetsregelen Alle tenkelige forekomster av et begrep skal kunne spille alle roller som er tilknyttet begrepet. Vi krever ikke alltid at datamodellen tilfredsstiller homogenitetsregelen, men den blir mer presis hvis den gjør det. Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmredundansfri-44

45 Figur 5-. Spesialisering og generalisering Underbegreper Mann fødselsnr {id} ektemann hustru Kvinne fødselsnr {id} fødselsnr {id} a) Generalisering Spesialisering ektemann b) hustru c) Mann fødselsnr {id} ektemann hustru {disjoint, complete} Kvinne Underbegrepet arver representasjonen til superbegrepet. Ingen representasjon i underbegrepene! Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmredundansfri-45

46 Bruk av homogenitetsregelen Kjønn kjønnskode {id} kjønn fødselsnr {id} Fornavn navn {id} 0.. antall fødsler Antall # {id} Kjønn kjønnskode {id} /kjønn fødselsnr {id} Fornavn navn {id} Hvorfor minimumsmultiplisitet = 0? {disjoint, complete} Mann Kvinne Institutt for informatikk Gerhard Skagestein 4. februar 2007 antall fødsler Antall # {id} dmredundansfri-46

47 Figur Underbegrep med diskriminerende assosiasjon Kjønn 0.. Fornavn kjønnskode {id} fødselsnr {id} navn {id} diskriminerende assosiasjon {disjoint, complete} {kjønn='m'} {kjønn='k'} Mann ektemann hustru Kvinne antall fødsler Mann.kjønn = M Kvinne.kjønn = K Antall # {id} Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmredundansfri-47

48 a) Separasjon Figur 5-9. Håndtering av underbegreper NOT NULL fødselsnr kjønn fornavn Mann {subset} fødselsnr Kvinne {subset} NOT NULL fødselsnr antall_fødsler b) Absorpsjon NOT NULL fødselsnr kjønn fornavn antall_fødsler nil hvis kjønn = m c) Partisjonering Kan sløyfes, ingen forekomster fødselsnr Kan sløyfes, overflødig Mann NOT NULL NOT NULL fødselsnr kjønn fornavn Kvinne fødselsnr kjønn fornavn antall_fødsler Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmredundansfri-48

49 Kurssystemet innføring av underbegreper Lærer navn {id} hoved lærer Student Er homogenitetsregelen oppfylt overalt? Forkunnskap alle tenkelige i øyeblikket? i all tid? Institutt for informatikk Gerhard Skagestein 4. februar 2007 Undervisning Emne emnekode {id} Påmelding Kurs anbefalteforkunnskaper semesterkode{id} dmredundansfri-49

50 Oppsummering Vær bevisst på hvilke individer vi skal vite noe om I en redundansfri datamodell skal det ikke finnes o dobbeltlagrede opplysninger o avledede opplysninger Redundansfrihet kan oppnås ved o gruppering av elementære utsagn o normalisering o intuisjon ( gå rett på ) Begrepsdannelse: Mange-til-mange-assosiasjoner kan oppfattes som et begrep Tid krever diskretisering Underbegreper kan avdekkes ved å bruke homogenitetsregelen Institutt for informatikk Gerhard Skagestein 4. februar 2007 dmredundansfri-50