Effiziente Zugriffsmethoden zur Analyse, Modifikation und aggregierten Darstellung multidimensionaler Daten in memory-basierten OLAP-Anwendungen

点击翻译按钮获取中文摘要

OLAP-Systeme („On-Line Analytical Processing“) bieten die Möglichkeit der interaktiven Exploration und Manipulation großer zusammengefasster Datenbestände (Data Warehouses). Sie sind damit ein integraler Bestandteil der so genannten Business Intelligence. Grundlegendes abstraktes Datenmodell von OLAP ist der Data Cube, der die Datensätze als Zellen einer multidimensionalen Tabelle modelliert, die gemäß Benutzeranfragen aufbereitet und in geeigneten Sichten präsentiert werden können.In-Memory-OLAP-Systeme, bei denen alle relevanten Daten im Hauptspeicher gehalten werden, haben zusätzlich den Anspruch, auch Planungsszenarien und so genannte What-if-Anfragen effizient zu unterstützen, für die eine schnelle Rückschreibefähigkeit der verwendeten Datenstrukturen Voraussetzung ist.Aufbauend auf den bisherigen Ergebnissen soll der In-Memory-Server Palo des Projektpartners Jedox AG um neue Algorithmen und Datenstrukturen ergänzt werden, die eine Reduktion der bisherigen Zugriffszeiten um Größenordnungen ermöglichen.In Projekt werden neue Algorithmen und Datenstrukturen zur effizienten Repräsentation hochdimensionaler Räume im Kontext von OLAP-Anwendungen entwickelt. Dabei liegt ein besonderer Fokus auf der speicherresidenten Repräsentation der Daten sowie neben dem lesenden Zugriff auf die Daten auch auf deren effizienten Veränderung. Insbesondere werden zusätzlich zu sequentiellen Algorithmen und Datenstrukturen die Möglichkeiten der Parallelisierung untersucht, unter anderem mit Hilfe von Grafikkarten (GPUs) als Coprozessoren. Die im Rahmen der bisherigen Förderung erzielten Ergebnisse fließen derzeit in die Entwicklung einer neuen, GPU-basierten Version von Palo ein, deren Release für Mitte 2010 geplant ist.Im hier beantragten Förderzeitraum soll vor allem die massiv parallele Berechnung komplexerer OLAP-Funktionen (sogenannter Enterprise Rules) im Blickpunkt stehen, für die wir durch den Einsatz von GPUs noch ein weitaus größeres Potenzial zur Effizienzsteigerung sehen als bei einfachen Aggregationsoperationen. Allerdings sind für derartige erweiterte Funktionen trotz ihrer häufigen Verwendung in der Praxis bisher kaum theoretische Grundlagen in der Forschungsliteratur zu finden, so dass auch eine formale Klassifizierung von Enterprise Rules Teil der geplanten Arbeiten sein soll.