Für das schnelle Auffinden von Daten in einer Datenbank werden Indizes verwendet. Heutzutage unterstützen einige Datenbanken, unter anderem Oracle und DB2, die Verwendung von Bitmap Indizes. Im Gegensatz zu B-Tree Indizes sind sie vor allem für Spalten geringer Kardinalität und für multidimensionale Abfragen geeignet. Speziell durch die Verbreitung von Data Warehouses und die Notwendigkeit, statistische Auswertungen über große Datenmengen durchzuführen, gewinnen Bitmap Indizes an Bedeutung.
Ziel dieser Arbeit ist es, Bitmap Indizes näher zu beleuchten und mit den traditionellen B-Tree Indizes zu vergleichen. Es wird herausgearbeitet, unter welchen Umständen der Einsatz von Bitmap Indizes Vorteile bringt und wann von ihrer Verwendung abgesehen werden sollte.
Nach einer kurzen Einführung in die Thematik, werden B-Tree Indizierung und Bitmap Indizierung vorgestellt und in einer Fallstudie anhand einer Oracle Beispieldatenbank praktisch gegenübergestellt.
Bitmap Indizes überzeugen durch ihre kompakte Größe und bieten Geschwindigkeitsvorteile bei einer Vielzahl komplexer Abfragen über große Datenmengen hinweg. Sie können nicht nur für Attribute mit sehr kleiner Kardinalität, sondern durchaus auch für Attribute mittlerer bis höherer Kardinalität effizient eingesetzt werden.
Die größten Performance-Verbesserungen bieten Bitmap Indizes bei der Beantwortung komplexer Kombinationen, wenn die resultierende Selektivität so hoch ist, dass nur noch wenige Datensätze tatsächlich betrachtet werden müssen.
Inhaltsverzeichnis
1 Einleitung
1.1 Notwendigkeit von Indizes
1.2 OLAP vs. OLTP
2 B-Tree Indizes
2.1 B-Tree
2.2 B+-Tree und B*-Tree
2.3 Kombination mehrerer Dimensionen
3 Bitmap Indizes
3.1 Funktionsweise
3.2 Kombination mehrerer Dimensionen
3.3 Komprimierung
3.3.1. Byte basierte Komprimierung
3.3.2. Wort basierte Komprimierung
3.4 Kodierung
4 Query Optimizer
5 Fallstudie
5.1 Befüllung und Indizierung
5.2 Abfragen
5.2.1. Zählen aller Bürger
5.2.2. Zählen mit zwei Dimensionen
5.2.3. Personen pro Bundesland
5.2.4. Durschnittseinkommen mit 5 Dimensionen
5.2.5. Durschnittseinkommen und NULL-Wert
5.2.6. Range Query
5.3 Updates
5.4 Inserts
5.5 Deletes
6 Zusammenfassung der Ergebnisse
6.1 Speicherplatz
6.2 Abfragen
6.3 Inserts, Updates und Deletes
7 Fazit
A Anhang
A.1 Erstellen der Tabelle buerger
A.2 Prozedur: Füllen mit Zufallswerten
A.3 Befüllen und vervielfältigen der Tabelle
A.4 Erzeugen von Statistiken
A.5 Abfrage: Zählen mit zwei Dimensionen
A.6 Prozedur: zufällige Updates
A.7 Prozedur: zufällige Deletes
Zielsetzung & Themen
Das Hauptziel dieser Arbeit besteht darin, Bitmap Indizes detailliert zu untersuchen und sie mit herkömmlichen B-Tree Indizes zu vergleichen, um ihre Einsatzmöglichkeiten und Vorteile bei der Abfrage großer Datenmengen aufzuzeigen.
- Funktionsweise und Struktur von Bitmap und B-Tree Indizes
- Optimierungspotenziale durch Komprimierung und Kodierung
- Vergleichende Fallstudie an einer Oracle-basierten Datenbank
- Performance-Analyse bei verschiedenen Abfragetypen (Aggregat, Range, Filter)
- Bewertung des Einflusses von Datenmanipulationen (Inserts, Updates, Deletes)
Auszug aus dem Buch
3.1 Funktionsweise
Bei der Bitmap Indizierung wird für jede Ausprägung eines Attributes ein Bitmuster (engl. Bitmap) angelegt, welches signalisiert ob der korrespondierende Datensatz diesem Wert entspricht. Die Anzahl der unterschiedlichen Ausprägungen eines Attributes wird Kardinalität genannt. Je höher also die Kardinalität desto mehr Bitmaps müssen für ein Attribut angelegt werden. Im Gegensatz zur B-Tree Indizierung werden bei der Bitmap Indizierung auch NULL Werte in einer eigenen Bitmap indiziert.
Tabelle 2 zeigt den Ausschnitt einer Personendatenbank, welche neben dem Namen der Person zusätzlich die zwei indizierten Attribute Geschlecht (M, W) und den Familienstand (ledig, verheiratet, geschieden) enthält. Der Übersichtlichkeit halber werden die Bitmap Indizes direkt neben den Attributen angedeutet.
Zusammenfassung der Kapitel
1 Einleitung: Einführung in die Problematik des schnellen Datenauffindens und die Relevanz von Bitmap Indizes im Kontext von Data Warehouses.
2 B-Tree Indizes: Erläuterung der klassischen B-Tree Struktur sowie deren Varianten B+-Tree und B*-Tree.
3 Bitmap Indizes: Detaillierte Darstellung der Funktionsweise, Komprimierungsverfahren und Kodierungsmöglichkeiten von Bitmap Indizes.
4 Query Optimizer: Überblick über die Funktionsweise des Query Optimizers und die Bedeutung von Statistiken für die Abfrageausführung.
5 Fallstudie: Praktische Untersuchung und Vergleich von B-Tree und Bitmap Indizes anhand einer Oracle-Datenbank mit 8 Millionen Datensätzen.
6 Zusammenfassung der Ergebnisse: Synthese der theoretischen Erkenntnisse und der praktischen Ergebnisse aus der Fallstudie hinsichtlich Speicherplatz und Performance.
7 Fazit: Zusammenfassende Bewertung der Eignung von Bitmap Indizes für spezifische Anwendungsszenarien.
A Anhang: Bereitstellung der PL/SQL-Skripte zur Umsetzung der Fallstudie.
Schlüsselwörter
Bitmap Indizes, B-Tree Indizes, Data Warehouse, OLAP, OLTP, Oracle, Datenbankperformance, Indexierung, Kardinalität, Komprimierung, Query Optimizer, Full Table Scan, Fallstudie, Abfrageoptimierung, SQL
Häufig gestellte Fragen
Was ist das grundlegende Thema dieser Bachelorarbeit?
Die Arbeit beschäftigt sich mit der Analyse und dem praktischen Vergleich von Bitmap Indizes gegenüber traditionellen B-Tree Indizes in Datenbanken.
Welche zentralen Themenfelder werden behandelt?
Neben den technischen Grundlagen der Indizierungsarten werden insbesondere Komprimierung, Kodierung, die Rolle des Query Optimizers sowie die Auswirkungen auf die Performance bei verschiedenen Datenbankoperationen thematisiert.
Was ist das primäre Ziel der Arbeit?
Das Ziel ist herauszuarbeiten, unter welchen Umständen der Einsatz von Bitmap Indizes gegenüber B-Tree Indizes Vorteile bietet und wann von deren Verwendung abzuraten ist.
Welche wissenschaftliche Methode wird verwendet?
Die Autor führt eine umfassende Literaturrecherche durch und stellt die theoretischen Erkenntnisse in einer praktischen Fallstudie an einer mit Oracle 10g implementierten Beispieldatenbank gegenüber.
Was steht im Hauptteil der Arbeit im Fokus?
Der Hauptteil gliedert sich in die theoretische Vorstellung der Indexstrukturen, die Funktionsweise des Query Optimizers und den zentralen Teil der Fallstudie mit diversen Leistungstests.
Welche Schlüsselwörter charakterisieren die Untersuchung?
Kernbegriffe sind Bitmap Indizes, B-Tree Indizes, OLAP, Data Warehouse, Abfrageperformance und Kardinalität.
Warum sind Bitmap Indizes für OLTP-Anwendungen weniger gut geeignet?
Aufgrund des spezifischen Aufbaus verursachen Bitmap Indizes bei konkurrierenden Datenmanipulationen (insbesondere bei vielen Inserts, Updates und Deletes) einen hohen Sperraufwand, der zu Performance-Einbrüchen führt.
Wie gehen Bitmap Indizes mit NULL-Werten um?
Im Gegensatz zu B-Tree Indizes, die NULL-Werte ignorieren, können Bitmap Indizes diese in einer eigenen speziellen Bitmap erfassen.
- Quote paper
- Ralf Brunner (Author), 2008, Bitmap Indizes und ihre Einsatzmöglichkeiten, Munich, GRIN Verlag, https://www.grin.com/document/137769
