Indices dinamicos

Almacenamiento y Recuperación de la Información
Técnicas de Indexación
Indices Dinámicos
2do Semestre 2005
Wenceslao Palma M. <wpalma@inf.utfsm.cl>
www.inf.utfsm.cl/~wpalma/ari
Indices Dinámicos
Indices tipo árbol B
Al ser ocupado como estructura de índice no es necesario
almacenar el registro en el nodo, basta con la clave y un puntero.
La estructura de un nodo es la siguiente:
P1
K1
PTR1
P2
K2
PTR2
P3
K3
PTR3
.......
Pn
fb=3
Arbol B+
Es una variación de un Arbol B, posee las mismas características pero se
distingue en dos aspectos:
En los nodos hoja se encuentran las referencias a los archivos de
datos.
En los nodos intermedios se almacenan las claves que corresponden
al mayor valor que se puede alcanzar a través del sub-árbol
izquierdo de la clave.
7
3
1
3
6
9
5
6
7
8
9
10
Esta alternativa de indexación es importante ya que permite la posibilidad de
dar un mejor soporte a consultas basadas en rangos o categorías y ser una
alternativa más eficiente que un índice basado en árbol B y que la combinación
Ordenamiento Externo y Mezcla + Búsqueda Binaria.
Incluso es posible construir un índice B+ Clusterizado. En el caso de
PostgreSQL existe la instrucción CLUSTER indexname ON tablename
7
3
1
3
6
9
5
6
7
8
9
10
En PostgreSQL existe la posibilidad de definir qué tipo de índices utilizar:
b-tree (Leghman Yao High-Concurrency b-tree)
r-tree (Guttman's quadratic split algorithm)
GiST (Generalized Search Tree)
hash (Litwin's linear hashing)
Ejercicio:
Se tiene un archivo de 200000 registros cada uno de 250 bytes.
Justifique cual es la mejor elección, para la recuperación de registros, si
se desea construir un índice sobre la clave del archivo (9 bytes)?
Para realizar la justificación considere
índice basado en arbol B (punters de 3 bytes)..
índice primario.
un disco de 3600 RPM, 18ms (seek) y 1229 bytes/ms,
bloques de 1KB.
Caso 1: Indice primario
área de datos
factor de bloqueo: 1024/250 = 4
cantidad ded bloques : 200000/4 = 50000
área de índice
entradas: 50000
factor de bloqueo: 1024/11=93
cantidad de bloques: 50000/93= 538
accesos (área de índice + área de datos): log2(538) + 1=11
tiempo de recuperación, considerando que todos los accesos son en disco:
11(18+8.3+(1024/1229))= 298.5ms
Caso 2: Arbol B
orden del árbol
3p+(9+3)(p-1) <=1024
p<= 69.06667
p = 69
con 3 niveles es suficiente.
accesos : 3 + 1= 4
tiempo de recuperación, considerando que todos los accesos son en disco:
4(18+8.3+(1024/1229))= 108.5 ms
Por lo tanto conviene usar árbol B.
Ejercicio:
Considere un archivo de 30000 registros, cada uno de los cuales tiene un
tamaño de 100 bytes. La clave de cada registro es de 9 bytes El disco en donde
se almacenará tiene bloques de 512 bytes. Cuantos accesos a disco se necesitan
si se desea recuperar registros usando un índice basada en un árbol B+ cuyos
nodos se llenarán a un 69% de su capacidad?
Puntero a nodo es de 6 bytes y el puntero a registro es de 7 bytes.
Para el análisis considere las operaciones de : scan completo, búsqueda por
igualdad y búsqueda por rango.
Indices Hashing
Indice basado en hashing extendido. Para buscar k mod 2d
000
001
010
011
100
101
110
111
8
32
64
128
9
17
65
26
.....
54
38
14
30
7
31
47
71
.....
Indice basado en hashing lineal.
Es una alternativa al hashing extendible.
No es necesario el uso de un directorio.
Comienza con 2d buckets, donde d es el número de bits utlizados para
determinar la pertenencia a un bucket. La cantidad ded buckets crece
gradualmente.
El incremento en la cantidad de buckets puede ser gatillado por la
existencia de overflow o cuando se ha alcanzado un factor de carga.
El factor de carga fc es el número de registros almacenados dividido
por el número de posibles ubicaciones de almacenamiento.
El número inicial de buckets n es una potencia de 2, pero su
creciemiento no siempre es en base a una potencia de 2.
El número de ubicaciones de almacenamiento
s=#buckets * #reg/bucket
El número inicial de registros r es 0, y se incrementa cuando se
inserta un registro.
El factor de carga fc = r/s = r/(n*#reg/bucket)
Generalmente si fc >= 90% el espacio de almacenamiento se debe incrementar.
Algoritmo de inserción
se inserta un registro con clave K solo cuando se ha calculado el valor de la
función de transformación H
se toman los últimos d dígitos de H, recordar que d es la cantidad de dígitos
usada para determinar la pertenencia a un bucket.
buscar el bucket m donde K debería ser almacenada.
si m<n, entonces existe un bucket para almacenar K, si el bucket no tiene
espacio usar un bucket de overflow.
si m>=n, entonces almacenar K en el bucket m-2d-1
luego de cada inserción chequear si fc < umbral
si fc >= umbral entonces incrementar el espacio de almacenamiento (split)
considerando lo siguiente:
agregar un nuevo bucket (esto podría incrementar d).
redistribuir los registros entre el nuevo bucket n=1b2...bd y el bucket
0b2...bd
Ejemplo: considere que el valor H está compuesto de 4 dígitos binarios.
Inicialmente se almacenan 0000, 1010 y 1111.
n=2, d=1, fb=2, r=3
0000
0 1010
1111
1
insertar 0101
0000
0 1010
1111
1
0101
luego de la inserción el fc=4/4 = 100% --> split!
Se agrega el nuevo bucket 10
y se dividen los registros de
buckets 00 y 10
00
d=2
n=3
r=4
1111
0101
10 1010
01
Insertar 0001.
01<10, pero el bucket no tiene
espacio --> bucket de overflow
d=2
n=3
r=5
0000
00
0000
1111
01
0101
10 1010
0001
Insertar 0111.
pero 11>10, entonces se ubica 0111
en el bucket m-2d-1=11-10=01
d=2
n=3
r=6
00
0000
1111
01
0101
10 1010
0001
0111
luego de la inserción el fc=6/6 = 100% --> split!
Se agrega el nuevo bucket 11
y se dividen los registros de
buckets 01 y 11
d=2
n=4
r=6
00
0000
0001
0101
10 1010
01
11 0111
1111
Indices Bitmap
Indice Valor-Lista de un componente
Corresponde a un cjto de bitmaps, uno por cada valor del dominio del
atributo indexado.
Cada bitmap tiene una cantidad de bits equivalente al número de
registros del archivo que se esté indexando, de modo que cada bit
represente un registro según la posición relativa que ambos tengan
dentro del archivo o del índice, según corresponda.
El i-ésimo bit valdrá 1 si el i-ésimo registro del archivo tiene el valor v en
el campo de indexación. A continuación se muestra el contenido de 9
bitmaps que indexan un atributo con dominio [0..8]
Columna
3
2
1
2
8
2
2
0
7
5
B8
0
0
0
0
1
0
0
0
0
0
B7
0
0
0
0
0
0
0
0
1
0
B6
0
0
0
0
0
0
0
0
0
0
B5
0
0
0
0
0
0
0
0
0
1
B4
0
0
0
0
0
0
0
0
0
0
B3
1
0
0
0
0
0
0
0
0
0
B2
0
1
0
1
0
1
1
0
0
0
B1
0
0
1
0
0
0
0
0
0
0
B0
0
0
0
0
0
0
0
1
0
0
Indice Valor-Lista de n componentes
Para disminuir la memoria utilizada se puede realizar una representación en
alguna base numérica que requiera menos bits.
Considerando el caso anterior se puede tener una representación en base 3
para bajar de 9 a 6 bitmaps, teniendo dos componentes de bitmaps para
hacer el almacenamiento.
Si el valor a indexar es 8, se puede expresar como 2x3+2, esto indica que
en ambos componentes se setea el bit 2.
Si el valor a indexar es 7, se puede expresar como 2x3+1, esto indica que se
setea el bit 2 en el segundo componente y el bit 1 en el primer componente.
3
2
1
2
8
2
2
0
7
5
B2
0
0
0
0
1
0
0
0
1
0
B1 B
0
1
0
0
1
0
1
0
1
0
0
0
1
0
1
0
1
0
0
1
0
B2
0
1
0
1
1
1
1
0
0
1
B1
0
0
1
0
0
0
0
0
1
0
B0
1
0
0
0
0
0
0
1
0
0
Indice codificado por rangos de 1 componente
En un esquema de igualdad (valor-lista de 1 componente), se tienen b
bitmaps según sea el tamaño del dominio del campo de indexación.
En un esquema codificado por rangos, también hay b bitmaps pero la
representación de un valor v tiene un valor cero en los v bitmaps “más a la
derecha” y un valor uno en los restantes bitmaps (los que están más a la
izquierda).
Columna
3
2
1
2
8
2
2
0
7
5
B8
1
1
1
1
1
1
1
1
1
1
B7
1
1
1
1
0
1
1
1
1
1
B6
1
1
1
1
0
1
1
1
0
1
B5
1
1
1
1
0
1
1
1
0
1
B4
1
1
1
1
0
1
1
1
0
0
B3
1
1
1
1
0
1
1
1
0
0
B2
0
1
1
1
0
1
1
1
0
0
B1
0
0
1
0
0
0
0
1
0
0
B0
0
0
0
0
0
0
0
1
0
0
Indice bit-sliced
Un índice bit-sliced de un atributo es una proyección de los bits que componen
los valores de dicho atributo. Si el atributo A de cierto archivo está definido como
un entero de 2 bytes, el índice bit-sliced estará compuesto de 16 bitmaps.
Si el valor es 201 cuya representación binaria es 0000000011001001
B15..B10 B B B B B B B B B B
9
8
7
6
5
4
3
2
1
0
201
0...0 0 0 1 1 0 0 1 0 0 1
También es posible construir un índice de n componentes y otro codificado por
rangos.
En el caso de n componentes, si la base es 10, el 201 se puede escribir como
2x102 + 0x10 + 1
Criterios para la selección de índices
El diseño físico de una BD tienen como actividad la elección de las
estructuras de almacenamiento y formas de acceso a los datos, con el
objetivo de obtener un buen rendimiento.
Al momento del diseño físico es importante considerar:
Tiempo de respuesta: desde la entrada del proceso hasta la respuesta.
Espacio en disco: dimensionar el espacio requerido.
Rendimiento del sistema: throughput.
La tareas necesarias son:
Analizar las consultas sobre los datos : archivos involucrados, atributos
sobre los cuales existen condiciones de selección, atributos sobre los
cuales hay condiciones de selección que involucran a registros de otros
archivos.
Análisis de frecuencia esperada de la invocación de la consulta
Análisis de posibles restricciones de tiempo de las consultas.
Análisis de la frecuencia esperada de operaciones de actualización.
Método para realizar el diseño físico de una BD
Una opción común es mantener los registros desordenados y crear muchos
índices secundarios sobre atributos que se utilizan para operaciones de
búsqueda y join.
Otra alternativa es:
escoger un atributo usado frecuentemente y definirlo como campo de
ordenamiento para crear un índice primario o agrupado (según
corresponda) sobre él.
por cada atributo, que no es el campo de ordenamiento, y que es
frecuentemente utilizado en operaciones de búsqueda y join, especificar un
índice secundario.
si las actualizaciones son muy frecuentes se debe reducir el número de
índices.
si un atributo es usado frecuentemente en operaciones de búsqueda y join
pero no para recuperar registros en orden, un archivo tipo hashing puede
ser utilizado, de lo contrario se puede usar árbol b+.