多维数据模型与OLAP实现

多维数据模型与OLAP实现

近年来，随着网络技术和数理分析在银行业中的广泛应用，西方商业银行开始广泛采用人口地理统计理论，运用数据挖掘及商业智能

对用户请求的快速响应和交互式操作。

ＯＬＡＰ技术在国内兴起和发展的过程中，人们对某些基本概念还有不同的理解。比如，ＯＬＡＰ与多维数据模型的关系，多维数据模型与多维数据库（ＭＤＤ，ＭｕｌｔｉＤｉｍｅｎｓｉｏｎａｌＤａｔａｂａｓｅ）的关系，ＭＯＬＡＰ（Ｍｕｌｔｉｄｉｍｅ

ｎｓｉｏｎａｌＯＬＡＰ，多维联机分析处理）、ＲＯＬＡＰ（ＲｅｌａｔｉｏｎａｌＯＬＡＰ，关系联机分析处理）和ＨＯＬＡＰ（ＨｙｂｒｉｄＯＬＡＰ，混合联机分析处理）间的差异，多维数据库与多维联机分析处理是不是完全一致等问题，还有待于进一步澄清。

一、多维数据模型及相关概念

同的维属性。

２．维：是人们观察数据的特定角度，是考虑问题时的一类属性。

属性的集合构成一个维（如时间维、机构维等）。

３．维分层：同一维度还可以存在细节程度不同的各个描述方面（如时间维可包括年、季度、月份、旬和日期等）。

４．维属性：维的一个取值，是数据项在某维中位置的描述（例如“某年某月某日”是在时间维上位置的描述）。

５．度量：立方体中的单元格，用以存放数据。

ＯＬＡＰ的基本多维分析操作有钻取（Ｒｏｌｌｕｐ，Ｄｒｉｌｌｄｏｗｎ）、切片（Ｓｌｉｃｅ）、切块（Ｄｉｃｅ）及旋转（Ｐ

钻取包含向下钻取和向上钻取

在多维数据结构中

ＯＬＡＰ多维数据模型的实现有多种途径，其中主要有采用数组的多维数据库、关系型数据库以及两者相结合的方式，人们通常称之为ＭＯＬＡＰ、ＲＯＬＡＰ和ＨＯＬＡＰ。但ＭＯＬＡＰ的提法容易引起误解，毕竟根据ＯＬＡＰ的多维概念，ＲＯＬＡＰ也是一种多

维数据的组织方式。

１．多维联机分析处理（多维数据库管理系统）多维联机分析处理严格遵照库德的定义，自行建立多维数据库来存放联机分析系统的数据，它以多维数据组织方式为核心

当利用多维数据库存储ＯＬＡＰ数据时，不需要将多维数据模型

进而创建数据块。

图３显示了数据块和索引块的关系。稀疏维和密度维的引入在一定程度上降低了立方体的存储冗余问题。此外，通过数据压缩技术可

降低数据块的存储空间。

２．关系联机分析处理（关系数据库管理系统）

ＲＯＬＡＰ以关系数据库为核心，以关系型结构进行多维数据的表示和存储，将多维数据库的多维结构划分为两类表：一类是事实表，用来存储数据和维关键字；另一类是维表，对每个维至少使用一个表来存放维的层次、成员类别等维的描述信息。维表和事实表通过主关键字和外关键字联系在一起，形成“星型模式”。对于层次复杂

Ｋｅｙ或ＤｉｍｅｎｓｉｏｎＫｅｙ）；⑤信息可修改。

雪花架构是对星型架构的变形，它将星型架构下的维表格经过正规化处理，使其能表现更丰富的信息，也使得信息处理更加灵活。

３．混合联机分析处理

混合联机分析处理利用多维联机分析处理技术存储上层汇总数

据，利用关系联机分析处理存储细节数据，即低层是关系型的，高层是多维矩阵型的。这种方式具有更好的灵活性。

还有其他一些实现ＯＬＡＰ的方法，如提供一个专用的ＳＱＬＳｅｒｖｅｒ，对某些存储模式（如星型、雪花型）提供对ＳＱＬ查

询的特殊支持。

ＯＬＡＰ扩展等，大大提高了关系联机分析处理的访问效率。相比较而言，关系联机分析处理技术具有更大的可伸缩性。

银行业的数据仓库项目，由于具有超海量数据的特性，ＯＬＡＰ产品及其存储模式的选择尤其重要。

在项目实施过程中，对ＯＬＡＰ产品和存储模式的选择应考虑企

业数据量的大小、数据处理过程、访问效率和性价比等多个方面。由于多维联机分析处理访问具有高效性，可以将企业应用的大部分聚集层数据以ＭＯＬＡＰ形式存储；对有大量细节数据的应用，为防止立方体存储空间过于膨胀，可考虑对于聚集数据以ＭＯＬＡＰ方式存储；而对于原子数据可以以ＲＯＬＡＰ方式存储。

需要快速响应的多维数据集。