Ana Karina de Oliveira Rocha

1. PicoDBMS: Scaling down Database Techniques for the SmartcardChristophe Bobineau, Luc Bouganin, Philippe Pucheral, Pratick Valduriez Ana Karina de Oliveira Rocha

2. Roteiro • Motivação • Problemática • Desafios • Armazenamento • Custo de Armazenamento • Processamento de Consultas • Comentários Finais • Referências Bibliográficas

3. Motivação • Proliferação de dispositivos portáteis. • Celulares • PDAs • Cartões inteligentes (Smart cards) • Acesso de serviços independente da sua localização física. • Aplicações nas áreas de telefonia celular, bancárias, de transportes, de saúde, de identificação pessoal e de finanças.

4. Motivação • Os cartões inteligentes são modernos e seguros. • Número cada vez maior de aplicações utilizam cartões inteligentes. • Os cartões inteligentes fornecem grande mobilidade devido ao seu tamanho reduzido.

5. Motivação • Vantagens dos cartões inteligentes: • São bastante flexíveis. • São recarregáveis. • São multioperacionais. • Quanto a forma de comunicação os cartões inteligentes podem ser de dois tipos: • Cartões com contato • Cartões sem contato

6. Problemática • Os Cartões inteligentes possuem limitações computacionais. • Possuem uma CPU. • Memória RAM (4KB – 128 KB). • Memória ROM – 96 KB. • Memória EEPROM (128 KB – 1MB). • Tempo de leitura rápido (60-100 ns) • Tempo de escrita lento (10 ms/palavra)

7. Problemática • Os cartões inteligentes possuem as maiores restrições de recursos computacionais. • As técnicas de banco de dados tradicionais não podem ser diretamente aplicadas em ambientes com recursos computacionais limitados. • Como baixar a escala das técnicas tradicionais de banco de dados?

8. Problemática • Técnicas tradicionais • Armazenamento: • Possuem várias estruturas de índices • Possuem valores repetidos • Consumo de memória

9. Problemática • Técnicas tradicionais • Processamento de Consultas • Alto consumo de memória • Armazenamento de resultados intermediários • Materialização • Estruturas temporárias guardadas na memória • Ex: índices

10. Desafios • Diminuir o espaço ocupado pelas estruturas de dados (índices, tuplas, etc.) • Diminuir uso da memória RAM • Diminuir as operações de escrita • Aproveitar eficiência de operações de leituras

11. Armazenamento • Armazenamento Seqüencial (FS) • Simplicidade • As tuplas são armazenadas em seqüência; • Problemas • 1. Consumo de espaço – valores de atributos duplicados • 2. Ineficiente – Ausência de índices -> busca seqüencial • Adição de índices resolve o 2 problema ao mesmo tempo que agrava o 1.

12. Armazenamento • Armazenamento por domínio (DS) • Ausência de valores duplicados • Uso de apontadores em atributos Valores Relação S Relação R

13. Armazenamento • Armazenamento em anel (RS) • Redução das estruturas de índices • Formação de anel: valor -> atributos -> valor • Semelhança com armazenamento por domínio

14. Armazenamento • Estrutura de índice em anel – Select Index R.a Relação R Indice em R.a Valores Select Index ... Where R.a=“v1”

15. Armazenamento • Estrutura de índice em Anel – Join Index R.b Relação R S.a Relação S Join Index ... Where R.b=S.a

16. Custo de Armazenamento • Se os atributos não precisam ser indexados a escolha deve ser feita entre o FS e o DS. Caso contrário, • A escolha deve ser feita entre por RS e FS com índices tradicionais.

17. Custo de Armazenamento • A Figura abaixo compara FS com DS

18. Custo de Armazenamento • A Figura abaixo compara FS com RS

19. Processamento de Consultas • Modelos tradicionais consomem muita memória principal armazenando estrutura de dados temporários e resultados intermediários. • Quando a memória principal não é suficiente eles recorrem a materialização para evitar overflow de memória.

20. Processamento de Consultas • Algoritmos tradicionais não podem ser usados no PicoDBMS: • 1. Lentidão da escrita na memória. • 2. Não se pode estimar previamente o tamanho de uma área específica de RAM a ser utilizada. • 3. No estado da arte os algoritmos são bastante sofisticados. • No PicoDBMS - Código simples, compacto e seguro.

21. Processamento de Consultas • Para resolver estes problemas o PicoDBMS propõe técnicas de consulta que não utilizam nenhuma área de RAM, nem escrevem na memória estável. • 1. Consultas Básicas - Seleção, projeção e junção • 2. Consultas Complexas - Agregação, ordenação e remoção

22. Processamento de Consultas • No modelo tradicional o processo de Consultas é feito em 2 passos: • 1. O “otimizador” gera planos de otimização de execução de consultas (QEP). • 2 O QEP é executado para uma consulta que implementa um modelo de execução e usa bibliotecas de operadores relacionais.

23. Processamento de Consultas • O “otimizador” pode usar diferentes formas de QEP: • 1. Árvore de profundidade à esquerda. • 2. Árvore de profundidade à direita.

24. Processamento de Consultas • Árvore de profundidade à esquerda • Os operadores são executados seqüencialmente e cada resultado intermediário é materializado.

25. Processamento de Consultas • Árvore de profundidade à direita • Os operadores são executados em pipeline evitando que resultados intermediários sejam materializados.

26. Processamento de Consultas • Problema: Eles requerem materialização em memória para todas as relações da esquerda.

27. Processamento de Consultas Básicas • O PicoDBMS propõe usar somente pipeline em todos os operadores. Ex: árvore de extrema profundidade à direita.

28. Processamento de Consultas Complexas • Problema: Pipeline não é compatível com os operadores de seleção e remoção de duplicatas, pois classicamente os seus resultados intermediários são materializados.

29. Processamento de Consultas Complexas • O picoDBMS explora duas propriedades: • 1. Agregação e remoção de duplicatas podem ser feitos em pipeline se: As tuplas de entrada já estiverem agrupadas por valores distintos. • 2.Operadores pipeline preservam a ordem desde que eles consumam ou produzam tuplas na sua ordem de chegada.

30. Processamento de Consultas Complexas • Existe um problema na solução proposta pelo PicoDBMS: • Para construir uma Árvore de extrema profundidade à direita o processador de consultas do PicoDBMS viola uma heurística para a otimização de consultas relacionais. • PicoDBMS possui um processamento de consultas dispendioso, manipulando uma maior quantidade de dados e consumindo muito tempo no processamento dos dados.

31. Considerações Finais • Existência do Sql Java Machine - pequeno e completo SGBD, menor que 8KB que fornece as linguagens de definição de dados (DDL) e de manipulação de dados (DML).

32. Referências • PicoDBMS: Scaling down Database Techniques for the Smartcard. Christophe Bobineau, Luc Bouganim, Philippe Pucheral and Patrick Valduriez.Proceedings of the 26th International Conference on Very Large Databases, Cairo, Egypt, 2000. • Pré-Calculo de Junções para Processamento Consultas em Ambientes com Recursos Computacionais Limitados. Tathianne Moreira Paulino. Orientador: Dr. Angelo Brayner. Dissertação de Mestrado – UFC, 2004.