大學(xué)畢業(yè)設(shè)計倉庫管理系統(tǒng)數(shù)據(jù)庫計算機外文參考文獻原文及翻譯

1、河北工程大學(xué)畢業(yè)論文（設(shè)計）論文題目：鴻海種業(yè)倉庫管理系統(tǒng)的 設(shè)計與實現(xiàn) 作者姓名： 石成華 專業(yè)班級： 信管1001 學(xué)號信息： 100340119 指導(dǎo)老師： 張貴煒 論文日期： 2014.04.10 英文參考文獻原文復(fù)印件及譯文數(shù)據(jù)倉庫 數(shù)據(jù)倉庫為商務(wù)運作提供結(jié)構(gòu)與工具，以便系統(tǒng)地組織、理解和使用數(shù)據(jù)進行決策。大量組織機構(gòu)已經(jīng)發(fā)現(xiàn)，在當(dāng)今這個充滿競爭、快速發(fā)展的世界，數(shù)據(jù)倉庫是一個有價值的工具。在過去的幾年中，許多公司已花費數(shù)百萬美元，建立企業(yè)范圍的數(shù)據(jù)倉庫。許多人感到，隨著工業(yè)競爭的加劇，數(shù)據(jù)倉庫成了必備的最新營銷武器通過更多地了解客戶需求而保住客戶的途徑。 

2、60;   “那么”，你可能會充滿神秘地問，“到底什么是數(shù)據(jù)倉庫？” 數(shù)據(jù)倉庫已被多種方式定義，使得很難嚴格地定義它。寬松地講，數(shù)據(jù)倉庫是一個數(shù)據(jù)庫，它與組織機構(gòu)的操作數(shù)據(jù)庫分別維護。數(shù)據(jù)倉庫系統(tǒng)允許將各種應(yīng)用系統(tǒng)集成在一起，為統(tǒng)一的歷史數(shù)據(jù)分析提供堅實的平臺，對信息處理提供支持。 按照W. H. Inmon，一位數(shù)據(jù)倉庫系統(tǒng)構(gòu)造方面的領(lǐng)頭建筑師的說法，“數(shù)據(jù)倉庫是一個面向主題的、集成的、時變的、非易失的數(shù)據(jù)集合，支持管理決策制定”。這個簡短、全面的定義指出了數(shù)據(jù)倉庫的主要特征。四個關(guān)鍵詞，面向主題的、集成的、時變的、非易失

3、的，將數(shù)據(jù)倉庫與其它數(shù)據(jù)存儲系統(tǒng)（如，關(guān)系數(shù)據(jù)庫系統(tǒng)、事務(wù)處理系統(tǒng)、和文件系統(tǒng)）相區(qū)別。讓我們進一步看看這些關(guān)鍵特征。  (1) 面向主題的：數(shù)據(jù)倉庫圍繞一些主題，如顧客、供應(yīng)商、產(chǎn)品和銷售組織。數(shù)據(jù)倉庫關(guān)注決策者的數(shù)據(jù)建模與分析，而不是構(gòu)造組織機構(gòu)的日常操作和事務(wù)處理。因此，數(shù)據(jù)倉庫排除對于決策無用的數(shù)據(jù)，提供特定主題的簡明視圖。 (2) 集成的：通常，構(gòu)造數(shù)據(jù)倉庫是將多個異種數(shù)據(jù)源，如關(guān)系數(shù)據(jù)庫、一般文件和聯(lián)機事務(wù)處理記錄，集成在一起。使用數(shù)據(jù)清理和數(shù)據(jù)集成技術(shù)，確保命名約定、編碼結(jié)構(gòu)、屬性度量的一致性等。 (3) 時變的：數(shù)據(jù)存儲從歷史的角度（例如

4、，過去5-10 年）提供信息。數(shù)據(jù)倉庫中的關(guān)鍵結(jié)構(gòu)，隱式或顯式地包含時間元素。 (4)  非易失的：數(shù)據(jù)倉庫總是物理地分離存放數(shù)據(jù)；這些數(shù)據(jù)源于操作環(huán)境下的應(yīng)用數(shù)據(jù)。由于這種分離，數(shù)據(jù)倉庫不需要事務(wù)處理、恢復(fù)和并行控制機制。通常，它只需要兩種數(shù)據(jù)訪問：數(shù)據(jù)的初始化裝入和數(shù)據(jù)訪問。概言之，數(shù)據(jù)倉庫是一種語義上一致的數(shù)據(jù)存儲，它充當(dāng)決策支持數(shù)據(jù)模型的物理實現(xiàn)，并存放企業(yè)決策所需信息。數(shù)據(jù)倉庫也常常被看作一種體系結(jié)構(gòu)，通過將異種數(shù)據(jù)源中的數(shù)據(jù)集成在一起而構(gòu)造，支持結(jié)構(gòu)化和啟發(fā)式查詢、分析報告和決策制定。     “好”，

5、你現(xiàn)在問，“那么，什么是建立數(shù)據(jù)倉庫？”根據(jù)上面的討論，我們把建立數(shù)據(jù)倉庫看作構(gòu)造和使用數(shù)據(jù)倉庫的過程。數(shù)據(jù)倉庫的構(gòu)造需要數(shù)據(jù)集成、數(shù)據(jù)清理、和數(shù)據(jù)統(tǒng)一。利用數(shù)據(jù)倉庫常常需要一些決策支持技術(shù)。這使得“知識工人”（例如，經(jīng)理、分析人員和主管）能夠使用數(shù)據(jù)倉庫，快捷、方便地得到數(shù)據(jù)的總體視圖，根據(jù)數(shù)據(jù)倉庫中的信息做出準(zhǔn)確的決策。有些作者使用術(shù)語“建立數(shù)據(jù)倉庫”表示構(gòu)造數(shù)據(jù)倉庫的過程，而用術(shù)語“倉庫DBMS”表示管理和使用數(shù)據(jù)倉庫。我們將不區(qū)分二者。  “組織機構(gòu)如何使用數(shù)據(jù)倉庫中的信息？”許多組織機構(gòu)正在使用這些信息支持商務(wù)決策活動，包括: (1)、增加顧客關(guān)注，包括分析顧客購

6、買模式（如，喜愛買什么、購買時間、預(yù)算周期、消費習(xí)慣）； (2)、根據(jù)季度、年、地區(qū)的營銷情況比較，重新配置產(chǎn)品和管理投資，調(diào)整生產(chǎn)策略；     (3)、分析運作和查找利潤源；  (4)、管理顧客關(guān)系、進行環(huán)境調(diào)整、管理合股人的資產(chǎn)開銷。從異種數(shù)據(jù)庫集成的角度看，數(shù)據(jù)倉庫也是十分有用的。許多組織收集了形形色色數(shù)據(jù)，并由多個異種的、自治的、分布的數(shù)據(jù)源維護大型數(shù)據(jù)庫。集成這些數(shù)據(jù)，并提供簡便、有效的訪問是非常希望的，并且也是一種挑戰(zhàn)。數(shù)據(jù)庫工業(yè)界和研究界都正朝著實現(xiàn)這一目標(biāo)竭盡全力。 對于異種數(shù)據(jù)庫的集成，傳統(tǒng)的數(shù)據(jù)庫做法是

7、：在多個異種數(shù)據(jù)庫上，建立一個包裝程序和一個集成程序（或仲裁程序）。這方面的例子包括IBM 的數(shù)據(jù)連接程序和Informix的數(shù)據(jù)刀。當(dāng)一個查詢提交客戶站點，首先使用元數(shù)據(jù)字典對查詢進行轉(zhuǎn)換，將它轉(zhuǎn)換成相應(yīng)異種站點上的查詢。然后，將這些查詢映射和發(fā)送到局部查詢處理器。由不同站點返回的結(jié)果被集成為全局回答。這種查詢驅(qū)動的方法需要復(fù)雜的信息過濾和集成處理，并且與局部數(shù)據(jù)源上的處理競爭資源。這種方法是低效的，并且對于頻繁的查詢，特別是需要聚集操作的查詢，開銷很大。 對于異種數(shù)據(jù)庫集成的傳統(tǒng)方法，數(shù)據(jù)倉庫提供了一個有趣的替代方案。數(shù)據(jù)倉庫使用更新驅(qū)動的方法，而不是查詢驅(qū)動的方法。這種方法將來自多個異種

8、源的信息預(yù)先集成，并存儲在數(shù)據(jù)倉庫中，供直接查詢和分析。與聯(lián)機事務(wù)處理數(shù)據(jù)庫不同，數(shù)據(jù)倉庫不包含最近的信息。然而，數(shù)據(jù)倉庫為集成的異種數(shù)據(jù)庫系統(tǒng)帶來了高性能，因為數(shù)據(jù)被拷貝、預(yù)處理、集成、注釋、匯總，并重新組織到一個語義一致的數(shù)據(jù)存儲中。在數(shù)據(jù)倉庫中進行的查詢處理并不影響在局部源上進行的處理。此外，數(shù)據(jù)倉庫存儲并集成歷史信息，支持復(fù)雜的多維查詢。這樣，建立數(shù)據(jù)倉庫在工業(yè)界已非常流行。 1.操作數(shù)據(jù)庫系統(tǒng)與數(shù)據(jù)倉庫的區(qū)別由于大多數(shù)人都熟悉商品關(guān)系數(shù)據(jù)庫系統(tǒng)，將數(shù)據(jù)倉庫與之比較，就容易理解什么是數(shù)據(jù)倉庫。 聯(lián)機操作數(shù)據(jù)庫系統(tǒng)的主要任務(wù)是執(zhí)行聯(lián)機事務(wù)和查詢處理。這種系統(tǒng)稱為聯(lián)機事務(wù)處理（OLTP）系

9、統(tǒng)。它們涵蓋了一個組織的大部分日常操作，如購買、庫存、制造、銀行、工資、注冊、記帳等。另一方面，數(shù)據(jù)倉庫系統(tǒng)在數(shù)據(jù)分析和決策方面為用戶或“知識工人”提供服務(wù)。這種系統(tǒng)可以用不同的格式組織和提供數(shù)據(jù)，以便滿足不同用戶的形形色色需求。這種系統(tǒng)稱為聯(lián)機分析處理（OLAP）系統(tǒng)。 OLTP 和OLAP 的主要區(qū)別概述如下。 (1) 用戶和系統(tǒng)的面向性：OLTP 是面向顧客的，用于辦事員、客戶、和信息技術(shù)專業(yè)人員的事務(wù)和查詢處理。OLAP 是面向市場的，用于知識工人（包括經(jīng)理、主管、和分析人員）的數(shù)據(jù)分析。 (2) 數(shù)據(jù)內(nèi)容：OLTP 系統(tǒng)管理當(dāng)前數(shù)據(jù)。通常，這種數(shù)據(jù)太瑣碎，難以方便地用于決策。OLAP

10、 系統(tǒng)管理大量歷史數(shù)據(jù)，提供匯總和聚集機制，并在不同的粒度級別上存儲和管理信息。這些特點使得數(shù)據(jù)容易用于見多識廣的決策。 (3) 數(shù)據(jù)庫設(shè)計：通常，OLTP 系統(tǒng)采用實體-聯(lián)系（ER）模型和面向應(yīng)用的數(shù)據(jù)庫設(shè)計。而OLAP 系統(tǒng)通常采用星形或雪花模型和面向主題的數(shù)據(jù)庫設(shè)計。 (4) 視圖：OLTP 系統(tǒng)主要關(guān)注一個企業(yè)或部門內(nèi)部的當(dāng)前數(shù)據(jù)，而不涉及歷史數(shù)據(jù)或不同組織的數(shù)據(jù)。相比之下，由于組織的變化，OLAP 系統(tǒng)常?？缭綌?shù)據(jù)庫模式的多個版本。OLAP 系統(tǒng)也處理來自不同組織的信息，由多個數(shù)據(jù)存儲集成的信息。由于數(shù)據(jù)量巨大，OLAP 數(shù)據(jù)也存放在多個存儲介質(zhì)上。 (5)、訪問模式：OLTP 系統(tǒng)

11、的訪問主要由短的、原子事務(wù)組成。這種系統(tǒng)需要并行控制和恢復(fù)機制。然而，對OLAP系統(tǒng)的訪問大部分是只讀操作（由于大部分數(shù)據(jù)倉庫存放歷史數(shù)據(jù)，而不是當(dāng)前數(shù)據(jù)），盡管許多可能是復(fù)雜的查詢。 OLTP 和OLAP 的其它區(qū)別包括數(shù)據(jù)庫大小、操作的頻繁程度、性能度量等。2.但是，為什么需要一個分離的數(shù)據(jù)倉庫 “既然操作數(shù)據(jù)庫存放了大量數(shù)據(jù)”，你注意到，“為什么不直接在這種數(shù)據(jù)庫上進行聯(lián)機分析處理，而是另外花費時間和資源去構(gòu)造一個分離的數(shù)據(jù)倉庫？”分離的主要原因是提高兩個系統(tǒng)的性能。操作數(shù)據(jù)庫是為已知的任務(wù)和負載設(shè)計的，如使用主關(guān)鍵字索引和散列，檢索特定的記錄，和優(yōu)化“罐裝的”查詢。另一方面，

12、數(shù)據(jù)倉庫的查詢通常是復(fù)雜的，涉及大量數(shù)據(jù)在匯總級的計算，可能需要特殊的數(shù)據(jù)組織、存取方法和基于多維視圖的實現(xiàn)方法。在操作數(shù)據(jù)庫上處理OLAP 查詢，可能會大大降低操作任務(wù)的性能。  此外，操作數(shù)據(jù)庫支持多事務(wù)的并行處理，需要加鎖和日志等并行控制和恢復(fù)機制，以確保一致性和事務(wù)的強健性。通常，OLAP 查詢只需要對數(shù)據(jù)記錄進行只讀訪問，以進行匯總和聚集。如果將并行控制和恢復(fù)機制用于這OLAP 操作，就會危害并行事務(wù)的運行，從而大大降低OLTP 系統(tǒng)的吞吐量。     最后，數(shù)據(jù)倉庫與操作數(shù)

13、據(jù)庫分離是由于這兩種系統(tǒng)中數(shù)據(jù)的結(jié)構(gòu)、內(nèi)容和用法都不相同。決策支持需要歷史數(shù)據(jù)，而操作數(shù)據(jù)庫一般不維護歷史數(shù)據(jù)。在這種情況下，操作數(shù)據(jù)庫中的數(shù)據(jù)盡管很豐富，但對于決策，常常還是遠遠不夠的。決策支持需要將來自異種源的數(shù)據(jù)統(tǒng)一（如，聚集和匯總），產(chǎn)生高質(zhì)量的、純凈的和集成的數(shù)據(jù)。相比之下，操作數(shù)據(jù)庫只維護詳細的原始數(shù)據(jù)（如事務(wù)），這些數(shù)據(jù)在進行分析之前需要統(tǒng)一。由于兩個系統(tǒng)提供很不相同的功能，需要不同類型的數(shù)據(jù)，因此需要維護分離的數(shù)據(jù)庫。        Data warehousing provid

14、es architectures and tools for business executives to systematically organize, understand, and use their data to make strategic decisions. A large number of organizations have 

15、;found that data warehouse systems are valuable tools in today's competitive, fast evolving world. In the last several years, many firms have spent millions of dollars

16、0;in building enterprise-wide data warehouses. Many people feel that with competition mounting in every industry, data warehousing is the latest must-have marketing weapon  a 

17、way to keep customers by learning more about their needs. “So", you may ask, full of intrigue, “what exactly is a data warehouse?" Data warehouses have been

18、0;defined in many ways, making it difficult to formulate a rigorous definition. Loosely speaking, a data warehouse refers to a database that is maintained separately from 

19、;an organization's operational databases. Data warehouse systems allow for the integration of a variety of application systems. They support information processing by providing a

20、60;solid platform of consolidated, historical data for analysis. According to W. H. Inmon, a leading architect in the construction of data warehouse systems, “a data warehouse

21、 is a subject-oriented, integrated, time-variant, and nonvolatile collection of data in support of management's decision making process." This short, but comprehensive definition

22、60;presents the major features of a data warehouse. The four keywords, subject-oriented, integrated, time-variant, and nonvolatile, distinguish data warehouses from other data repository

23、0;systems, such as relational database systems, transaction processing systems, and file systems. Let's take a closer look at each of these key features. (1).Subject-oriented: 

24、A data warehouse is organized around major subjects, such as customer, vendor, product, and sales. Rather than concentrating on the day-to-day operations and transaction processing

25、 of an organization, a data warehouse focuses on the modeling and analysis of data for decision makers. Hence, data warehouses typically provide a simple and concise 

26、;view around particular subject issues by excluding data that are not useful in the decision support process. (2) Integrated: A data warehouse is usually constructed by i

27、ntegrating multiple heterogeneous sources, such as relational databases, flat files, and on-line transaction records. Data cleaning and data integration techniques are applied to ensure

28、 consistency in naming conventions, encoding structures, attribute measures, and so on.      (3).Time-variant: Data are stored to provide information from a historical

29、60;perspective (e.g., the past 5-10 years). Every key structure in the data warehouse contains, either implicitly or explicitly, an element of time. (4)Nonvolatile: A data war

30、ehouse is always a physically separate store of data transformed from the application data found in the operational environment. Due to this separation, a data warehouse 

31、does not require transaction processing, recovery, and concurrency control mechanisms. It usually requires only two operations in data accessing: initial loading of data and access

32、 of data. In sum, a data warehouse is a semantically consistent data store that serves as a physical implementation of a decision support data model and stores 

33、the information on which an enterprise needs to make strategic decisions. A data warehouse is also often viewed as an architecture, constructed by integrating data from m

34、ultiple heterogeneous sources to support structured and/or ad hoc queries, analytical reporting, and decision making. “OK", you now ask, “what, then, is data warehousing?"

35、0;Based on the above, we view data warehousing as the process of constructing and using data warehouses. The construction of a data warehouse requires data integration, d

36、ata cleaning, and data consolidation. The utilization of a data warehouse often necessitates a collection of decision support technologies. This allows “knowledge workers" (e.g.,&#

37、160;managers, analysts, and executives) to use the warehouse to quickly and conveniently obtain an overview of the data, and to make sound decisions based on information 

38、in the warehouse. Some authors use the term “data warehousing" to refer only to the process of data warehouse construction, while the term warehouse DBMS is used

39、0;to refer to the management and utilization of data warehouses. We will not make this distinction here. “How are organizations using the information from data warehouses?&quo

40、t;  Many organizations are using this information to support business decision making activities, including: (1) increasing customer focus, which includes the analysis of customer&

41、#160;buying patterns (such as buying preference, buying time, budget cycles, and appetites for spending),  (2) repositioning products and managing product portfolios by comparing t

42、he performance of sales by quarter, by year, and by geographic regions, in order to fine-tune production strategies,  (3) analyzing operations and looking for sources of&

43、#160;profit,  (4) managing the customer relationships, making environmental corrections, and managing the cost of corporate assets. Data warehousing is also very useful from the

44、60;point of view of heterogeneous database integration. Many organizations typically collect diverse kinds of data and maintain large databases from multiple, heterogeneous, autonomous, 

45、;and distributed information sources. To integrate such data, and provide easy and efficient access to it is highly desirable, yet challenging. Much effort has been spent 

46、;in the database industry and research community towards achieving this goal. The traditional database approach to heterogeneous database integration is to build wrappers and integ

47、rators (or mediators) on top of multiple, heterogeneous databases. A variety of data joiner and data blade products belong to this category. When a query is posed to

48、 a client site, a metadata dictionary is used to translate the query into queries appropriate for the individual heterogeneous sites involved. These queries are then mapp

49、ed and sent to local query processors. The results returned from the different sites are integrated into a global answer set. This query-driven approach requires complex 

50、information filtering and integration processes, and competes for resources with processing at local sources. It is inefficient and potentially expensive for frequent queries, especiall

51、y for queries requiring aggregations. Data warehousing provides an interesting alternative to the traditional approach of heterogeneous database integration described above. Rather than 

52、;using a query-driven approach, data warehousing employs an update-driven approach in which information from multiple, heterogeneous sources is integrated in advance and stored in 

53、a warehouse for direct querying and analysis. Unlike on-line transaction processing databases, data warehouses do not contain the most current information. However, a data warehous

54、e brings high performance to the integrated heterogeneous database system since data are copied, preprocessed, integrated, annotated, summarized, and restructured into one semantic data

55、 store. Furthermore, query processing in data warehouses does not interfere with the processing at local sources. Moreover, data warehouses can store and integrate historical 

56、information and support complex multidimensional queries. As a result, data warehousing has become very popular in industry.  1. Differences between operational database systems an

57、d data warehouses Since most people are familiar with commercial relational database systems, it is easy to understand what a data warehouse is by comparing these two

58、0;kinds of systems. The major task of on-line operational database systems is to perform on-line transaction and query processing. These systems are called on-line transaction 

59、;processing (OLTP) systems. They cover most of the day-to-day operations of an organization, such as, purchasing, inventory, manufacturing, banking, payroll, registration, and accounting.

60、60;Data warehouse systems, on the other hand, serve users or “knowledge workers" in the role of data analysis and decision making. Such systems can organize and pres

61、ent data in various formats in order to accommodate the diverse needs of the different users. These systems are known as on-line analytical processing (OLAP) systems. The

62、 major distinguishing features between OLTP and OLAP are summarized as follows. (1). Users and system orientation: An OLTP system is customer-oriented and is used for tra

63、nsaction and query processing by clerks, clients, and information technology professionals. An OLAP system is market-oriented and is used for data analysis by knowledge workers,

64、60;including managers, executives, and analysts. (2). Data contents: An OLTP system manages current data that, typically, are too detailed to be easily used for decision makin

65、g. An OLAP system manages large amounts of historical data, provides facilities for summarization and aggregation, and stores and manages information at different levels of gr

66、anularity. These features make the data easier for use in informed decision making. (3). Database design: An OLTP system usually adopts an entity-relationship (ER) data model&

67、#160;and an application -oriented database design. An OLAP system typically adopts either a star or snowflake model, and a subject-oriented database design. (4). View: An OLTP

68、 system focuses mainly on the current data within an enterprise or department, without referring to historical data or data in different organizations. In contrast, an OL

69、AP system often spans multiple versions of a database schema, due to the evolutionary process of an organization. OLAP systems also deal with information that originates 

70、from different organizations, integrating information from many data stores. Because of their huge volume, OLAP data are stored on multiple storage media. (5). Access patterns:

71、0;The access patterns of an OLTP system consist mainly of short, atomic transactions. Such a system requires concurrency control and recovery mechanisms. However, accesses to 

72、OLAP systems are mostly read-only operations (since most data warehouses store historical rather than up-to-date information), although many could be complex queries.  Other featur

73、es which distinguish between OLTP and OLAP systems include database size, frequency of operations, and performance metrics and so on. 2. But, why have a separate data

74、0;warehouse? “Since operational databases store huge amounts of data", you observe, “why not perform on-line analytical processing directly on such databases instead of spending

75、60;additional time and resources to construct a separate data warehouse?" A major reason for such a separation is to help promote the high performance of both system

76、s. An operational database is designed and tuned from known tasks and workloads, such as indexing and hashing using primary keys, searching for particular records, and op

77、timizing “canned" queries. On the other hand, data warehouse queries are often complex. They involve the computation of large groups of data at summarized levels, and may require the use of special data organization, access, and implementation methods