Подорец А.А. студент группы КМ-14-1м

Пилипенко А.В. студент группы КМ-14-1м

Научный руководитель: Трусов В.А., доцент кафедры ГИС

(Государственное высшее учебное заведение «Национальный горный университет» г. Днепропетровск, Украина.)

Исследование и реализация методов интеллектуальной обработки данных в СУБД SQL Server

Актуальность работы. Построение интеллектуальных систем обработки данных является важным направлением развития информационных технологий. В последнее время в связи с ростом числа накопленных данных в организациях и необходимостью принятия обоснованных управленческих решений интерес к этому направлению растёт. С помощью систем анализа данных могут быть решены следующие задачи: сбор всех необходимых для анализа данных в одном месте с согласованием форматов и удалением ошибок, интерактивный просмотр этих данных аналитиком, автоматическое извлечение закономерностей из данных. Всё это позволяет в каждый момент времени иметь полную информацию об организации и эффективно принимать управляющие решения.

Целью данной работы является исследование и реализация методов интеллектуальной обработки данных, таких как кубы данных и многомерные данные, в СУБД SQL Server 2008.

Объектом моих исследований является: Microsoft Analysis Services занимает нейтральную позицию в споре MOLAP против ROLAP, разгорающемся вокруг OLAP-продуктов.

В соответствии с поставленной целью предполагается выполнение следующих задач:

1) проанализировать методы интеллектуальной обработки данных в Microsoft SQL Server 2008 – OLAP-кубы;

2) описать OLAP на клиенте и на сервере;

3) описать архитектуру Microsoft Analysis Services;

4) изучить структуру многомерной базы данных на примере проекта AdwentureWorksDW;

5) используя образец базы данных AdventureWorksDW, составить запросы, позволяющие в таблице Geography удалить все города Australia и заменить их на 40 городов Украины с 5 регионами. 

Практическая значимость. Предварительное обобщение, использование иерархической структуры размерностей и управление заполнением пространства кубов данных позволяют значительно сократить размер базы данных и исключить потребность многократного вычисления одних и тех же значений. Подобная структура позволяет избежать необходимости выполнения соединения нескольких таблиц, а также обеспечивает быстрый и прямой доступ к массивам данных, что существенно ускоряет обработку многомерных запросов.

Вывод. Системы поддержки принятия решений обычно обладают средствами предоставления пользователю агрегатных данных для различных выборок из исходного набора в удобном для восприятия и анализа виде. Как правило, такие агрегатные функции образуют многомерный (и, следовательно, нереляционный) набор данных (нередко называемый гиперкубом или метакубом), оси которого содержат параметры, а ячейки — зависящие от них агрегатные данные. Вдоль каждой оси данные могут быть организованы в виде иерархии, представляющей различные уровни их детализации. Благодаря такой модели данных пользователи могут формулировать сложные запросы, генерировать отчеты, получать подмножества данных.

Список использованной литературы

Ларичев О. И., Петровский А. Б. Системы поддержки принятия решений. Современное состояние и перспективы их развития. // Итоги науки и техники. Сер. Техническая кибернетика. — Т.21. М.: ВИНИТИ, 1987, с. 131—164, http://www.raai.org/library/papers/Larichev/Larichev_Petrovsky_1987.pdf

Сараев А. Д., Щербина О. А. Системный анализ и современные информационные технологии //Труды Крымской Академии наук. — Симферополь: СОНАТ, 2006. — С. 47-59, http://matmodelling.pbnet.ru/Statya_Saraev_Shcherbina.pdf

Терелянский, П. В. Системы поддержки принятия решений. Опыт проектирования : монография / П. В. Терелянский ; ВолгГТУ. — Волгоград, 2009. — 127