SlideShare uma empresa Scribd logo
1 de 9
MPOG 2008 – APO II - TI Prof: Jaime Correia [email_address] http://www.waltercunha.com
28- Algumas pessoas têm considerado que os  Data Warehouses são uma extensão de visões de banco de  dados. Porém, as visões fornecem apenas um subconjunto das funções e das capacidades dos  data warehouses.  Com relação às diferenças e similaridades entre as visões e os  data warehouses, é correto afirmar que: a) tanto os  data warehouses quanto as visões fornecem,  freqüentemente, grandes quantidades de dados integrados e temporais, geralmente  mais do que  é contido em um banco de dados. b) enquanto os  data warehouses  são materializados sob  demanda , as visões existem como armazenamento permanente. c)  tanto  os  data warehouses  quanto  as visões dão suporte  específico de funcionalidade. d) tanto os  data warehouses quanto as visões de um banco  de dados  relacional  podem ser multidimensionais. e) enquanto os  data warehouses podem ser indexados  para otimizar o desempenho, as visões não podem ser indexadas de maneira independente dos bancos de dados subjacentes.
A assertiva A é falsa, pois uma view não tem como objetivo fornecer  freqüentemente grande quantidades de dados integrados . Seu propósito é fornecer um subconjunto dinâmico de dados (tabela virtual) a partir de uma ou mais tabelas.  Notem ainda que a  assertiva afirma que a quantidade de dados ofertada é maior do que em todo o banco de dados. Essa afirmação também invalida a assertiva uma vez que uma view não  possui quantidade de dados maior do que o próprio banco de dados em que ela está  inserida. Observação:  é possível criar uma view a partir de tabelas que estejam  em  banco de, dados dispersos (através de BDLinks, por exemplo).  A view  seria responsável pela  integração,  no entanto, esse é um caso excepcional . E como vimos , o candidato não  poderia confundir-se devido a última parte da assertiva, que fala sobre a quantidade de  dados.
A assertiva B é falsa. O conceito clássico de view indica que essa é criada de forma dinâmica, assim elas também são conhecidas como tabelas virtuais. Elas não são uma  estrutura de armazenamento permanente. Atualmente existem produtos de banco de  dados que oferecem  views materializadas (usadas em DW). Essas são de  armazenamento permanente, funcionam com o propósito de pré-computar e agregar  dados, como o somatório de vendas. No caso de um DW, esse nunca é criado  sob demanda, pois sua estrutura como sabemos é composta de um grande volume de  Dados não-volátil, logo, não poderia ser criado sob demanda. A assertiva C é falsa.  O desafio da questão é saber o que a banca quis dizer.  Entendemos  por funcionalidade, a característica relativa a atualização de dados de forma dinâmica apresentada pelas views clássicas (tabelas virtuais). Um DW não dá suporte específico a essa funcionalidade, uma vez que utilizam views materialziadas. Essas não são atualizadasde forma dinâmica. A assertiva D é falsa.  Uma visão pertencente a um banco de dados relacional não  pode ser multidimensional. No DW os cubos de dados são exemplos de visões multidimensionais, ou seja, em um DW podem existir visões multidimensionais.
Conceito mais aceito para um DW: “ Uma coleção de dados orientado por  assunto, integrado, não volátil , variante no  tempo, que dá apoio às decisões da administração.” INMON Visão Visões são relações, com a diferença que elas não são fisicamente armazenadas. São  derivadas de outra(s) tabela(s). Visões virtuais: –  Usadas em banco de dados –  Calculadas sob demanda –  Pode ser lento –  Sempre atualizada Visões materializadas: –  Usadas em datawarehouses –  Pré-computada offline / rápida –  Pode conter dados desatualizados
A materialização de visões é uma das técnicas mais utilizadas na otimização de bases de dados e de data warehouses, mais concretamente na otimização do processamento de consultas. Esta técnica assenta no conceito da antecipação do cálculo (total ou parcial) das consultas, de forma a minimizar o impacto que os seus tempos de resposta teriam no desempenho global do sistema. Materializar uma visão numa base de dados consiste em armazenar as tuplas resultantes do processamento da sua definição numa tabela. Essa tabela é denominada por visão materializada. Alguns autores consideram que um data  warehouse não é mais que um conjunto de vistas materializadas, onde se armazenam os dados provindos das fontes de informação (ex. sistemas operacionais do negócio). Teoricamente se a resposta a uma consulta for antecipadamente processada e armazenada numa tabela, o tempo de resposta restringir-se-ia ao tempo de varrimento das tuplas dessa tabela. Este tempo de varrimento pode ainda ser encurtado utilizando estruturas auxiliares de indexação.
Portanto, qualquer consulta cujo plano de execução possa ser reescrito de forma a utilizar o conjunto visões materializadas (disponível na base de dados) está sujeito a  um ganho no desempenho. Para consultas complexas envolvendo grandes volumes de  dados os ganhos possíveis utilizando vistas materializadas são dramáticos, de horas ou dias para segundos ou minutos. De fato, as vistas materializadas são tidas como sendo uma das técnicas essenciais para aumentar o desempenho de um data warehouse. Assim, e com vista à otimização do sistema, o ideal seria armazenar as respostas para todas as consultas possíveis. Contudo, armazenar todas as visões e agregações possíveis para um dado esquema requer espaço em disco e tempo de processamento.
Informações Finais ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Obrigado!   [email_address]

Mais conteúdo relacionado

Mais procurados

Apostila de banco de dados e sql
Apostila de banco de dados e sqlApostila de banco de dados e sql
Apostila de banco de dados e sql
Yara Santos
 
TimesTen In-Memory Database
TimesTen In-Memory DatabaseTimesTen In-Memory Database
TimesTen In-Memory Database
Andre Danelon
 
Apostila de banco de dados e sql
Apostila de banco de dados e sqlApostila de banco de dados e sql
Apostila de banco de dados e sql
Lindomar ...
 
Data Mart e Data Warehouse
Data Mart e Data WarehouseData Mart e Data Warehouse
Data Mart e Data Warehouse
Fernando Peres
 

Mais procurados (20)

Arcserve UDP Cloud Direct - DeServ
Arcserve UDP Cloud Direct - DeServArcserve UDP Cloud Direct - DeServ
Arcserve UDP Cloud Direct - DeServ
 
Apostila de banco de dados e sql
Apostila de banco de dados e sqlApostila de banco de dados e sql
Apostila de banco de dados e sql
 
Data warehousing - Técnicas e procedimentos
Data warehousing - Técnicas e procedimentosData warehousing - Técnicas e procedimentos
Data warehousing - Técnicas e procedimentos
 
Ecosistema de data warehouse com ferramentas microsoft
Ecosistema de data warehouse com ferramentas microsoftEcosistema de data warehouse com ferramentas microsoft
Ecosistema de data warehouse com ferramentas microsoft
 
TimesTen In-Memory Database
TimesTen In-Memory DatabaseTimesTen In-Memory Database
TimesTen In-Memory Database
 
Banco de Dados Distribuidos
Banco de Dados DistribuidosBanco de Dados Distribuidos
Banco de Dados Distribuidos
 
Banco de dados e sql
Banco de dados e sqlBanco de dados e sql
Banco de dados e sql
 
High Avaiability Architeture with Oracle Data Guard Broker
High Avaiability Architeture with Oracle Data Guard BrokerHigh Avaiability Architeture with Oracle Data Guard Broker
High Avaiability Architeture with Oracle Data Guard Broker
 
C # banco de dados
C # banco de dadosC # banco de dados
C # banco de dados
 
Data Mining e Data Warehouse
Data Mining e Data WarehouseData Mining e Data Warehouse
Data Mining e Data Warehouse
 
Apostila de banco de dados e sql
Apostila de banco de dados e sqlApostila de banco de dados e sql
Apostila de banco de dados e sql
 
Datawarehouse
DatawarehouseDatawarehouse
Datawarehouse
 
Data warehouse
Data warehouseData warehouse
Data warehouse
 
Oficina Pentaho
Oficina PentahoOficina Pentaho
Oficina Pentaho
 
Conceitos BD
Conceitos BDConceitos BD
Conceitos BD
 
Data Mart e Data Warehouse
Data Mart e Data WarehouseData Mart e Data Warehouse
Data Mart e Data Warehouse
 
Data warehousing e Business Intelligence | BRUNO FERNANDES CHIMIESKI
Data warehousing e Business Intelligence | BRUNO FERNANDES CHIMIESKIData warehousing e Business Intelligence | BRUNO FERNANDES CHIMIESKI
Data warehousing e Business Intelligence | BRUNO FERNANDES CHIMIESKI
 
Data Warehouse e Data Mining
Data Warehouse e Data MiningData Warehouse e Data Mining
Data Warehouse e Data Mining
 
(Banco de dados distríbuidos bdd)
(Banco de dados distríbuidos   bdd)(Banco de dados distríbuidos   bdd)
(Banco de dados distríbuidos bdd)
 
Data Warehouse
Data WarehouseData Warehouse
Data Warehouse
 

Semelhante a MPOG 2008 TI - Resolução - Jaime Correia

NoSQL x SQL: Bancos de Dados em Nuvens Computacionais
NoSQL x SQL: Bancos de Dados em Nuvens ComputacionaisNoSQL x SQL: Bancos de Dados em Nuvens Computacionais
NoSQL x SQL: Bancos de Dados em Nuvens Computacionais
Carlo Pires
 
Kimball Vs Inmon
Kimball Vs InmonKimball Vs Inmon
Kimball Vs Inmon
guest2308b5
 

Semelhante a MPOG 2008 TI - Resolução - Jaime Correia (20)

Apostila de Banco de Dados e SQL.pdf
Apostila de Banco de Dados e SQL.pdfApostila de Banco de Dados e SQL.pdf
Apostila de Banco de Dados e SQL.pdf
 
Projeto de Banco de Dados - Capítulo 1
Projeto de Banco de Dados - Capítulo 1Projeto de Banco de Dados - Capítulo 1
Projeto de Banco de Dados - Capítulo 1
 
NoSQL x SQL: Bancos de Dados em Nuvens Computacionais
NoSQL x SQL: Bancos de Dados em Nuvens ComputacionaisNoSQL x SQL: Bancos de Dados em Nuvens Computacionais
NoSQL x SQL: Bancos de Dados em Nuvens Computacionais
 
Apostila Oracle 10g
Apostila Oracle 10gApostila Oracle 10g
Apostila Oracle 10g
 
Modelagem dimensional
Modelagem dimensionalModelagem dimensional
Modelagem dimensional
 
Banco de dados aula 2
Banco de dados  aula 2Banco de dados  aula 2
Banco de dados aula 2
 
Artigo Nosql
Artigo NosqlArtigo Nosql
Artigo Nosql
 
Banco de dados parte 01
Banco de dados parte 01Banco de dados parte 01
Banco de dados parte 01
 
O fator manutenção no ciclo de vida de data warehouse
O fator manutenção no ciclo de vida de data warehouseO fator manutenção no ciclo de vida de data warehouse
O fator manutenção no ciclo de vida de data warehouse
 
Banco aula 01
Banco aula 01Banco aula 01
Banco aula 01
 
Banco aula 01
Banco aula 01Banco aula 01
Banco aula 01
 
Aula01 administrador de banco de dados dba
Aula01 administrador de banco de dados  dbaAula01 administrador de banco de dados  dba
Aula01 administrador de banco de dados dba
 
Banco de dados
Banco de dadosBanco de dados
Banco de dados
 
Kimball Vs Inmon
Kimball Vs InmonKimball Vs Inmon
Kimball Vs Inmon
 
Apostila de Sql Server 2005
Apostila de Sql Server 2005Apostila de Sql Server 2005
Apostila de Sql Server 2005
 
Os pecados mortais de escalabilidade em Drupal e seus efeitos nos negócios - ...
Os pecados mortais de escalabilidade em Drupal e seus efeitos nos negócios - ...Os pecados mortais de escalabilidade em Drupal e seus efeitos nos negócios - ...
Os pecados mortais de escalabilidade em Drupal e seus efeitos nos negócios - ...
 
BDD2
BDD2BDD2
BDD2
 
1_intro.ppt
1_intro.ppt1_intro.ppt
1_intro.ppt
 
Pg20235 rf20222vp20208
Pg20235 rf20222vp20208Pg20235 rf20222vp20208
Pg20235 rf20222vp20208
 
Banco de Dados - Aula 01
Banco de Dados - Aula 01Banco de Dados - Aula 01
Banco de Dados - Aula 01
 

Mais de Walter Cunha

Coletanea Redes de Computadores (ESAF) - Walter Cunha
Coletanea Redes de Computadores (ESAF) - Walter CunhaColetanea Redes de Computadores (ESAF) - Walter Cunha
Coletanea Redes de Computadores (ESAF) - Walter Cunha
Walter Cunha
 
Coletanea Governanca (Esaf) - Walter Cunha
Coletanea Governanca (Esaf) - Walter CunhaColetanea Governanca (Esaf) - Walter Cunha
Coletanea Governanca (Esaf) - Walter Cunha
Walter Cunha
 
Coletanea Hardware e Arquitetura (ESAF) - Walter Cunha
Coletanea Hardware e Arquitetura (ESAF) - Walter CunhaColetanea Hardware e Arquitetura (ESAF) - Walter Cunha
Coletanea Hardware e Arquitetura (ESAF) - Walter Cunha
Walter Cunha
 
Coletanea Segurança e Auditoria (Esaf) - Walter Cunha
Coletanea Segurança e Auditoria (Esaf) -  Walter CunhaColetanea Segurança e Auditoria (Esaf) -  Walter Cunha
Coletanea Segurança e Auditoria (Esaf) - Walter Cunha
Walter Cunha
 
Coletanea UML e OO (ESAF) - Jaime Correia
Coletanea UML e OO (ESAF) - Jaime CorreiaColetanea UML e OO (ESAF) - Jaime Correia
Coletanea UML e OO (ESAF) - Jaime Correia
Walter Cunha
 
Coletanea BD e BI (ESAF) - Jaime Correia
Coletanea BD e  BI (ESAF) - Jaime CorreiaColetanea BD e  BI (ESAF) - Jaime Correia
Coletanea BD e BI (ESAF) - Jaime Correia
Walter Cunha
 
PCF03 - 2001 Comentada
PCF03 - 2001 ComentadaPCF03 - 2001 Comentada
PCF03 - 2001 Comentada
Walter Cunha
 
Prova Da Dataprev 2006 Jaime Correia Amostra
Prova Da Dataprev 2006   Jaime Correia   AmostraProva Da Dataprev 2006   Jaime Correia   Amostra
Prova Da Dataprev 2006 Jaime Correia Amostra
Walter Cunha
 
Supercombo Serpro - Amostra
Supercombo Serpro - AmostraSupercombo Serpro - Amostra
Supercombo Serpro - Amostra
Walter Cunha
 
Coletanea PMBoK Esaf
Coletanea PMBoK Esaf  Coletanea PMBoK Esaf
Coletanea PMBoK Esaf
Walter Cunha
 
MPOG2008 - Walter Cunha
MPOG2008 - Walter CunhaMPOG2008 - Walter Cunha
MPOG2008 - Walter Cunha
Walter Cunha
 
MPOG - TI - Jaime (Amostra)
MPOG - TI - Jaime (Amostra)MPOG - TI - Jaime (Amostra)
MPOG - TI - Jaime (Amostra)
Walter Cunha
 
TRFB 2006 - TI - Jaime
TRFB 2006 - TI - JaimeTRFB 2006 - TI - Jaime
TRFB 2006 - TI - Jaime
Walter Cunha
 

Mais de Walter Cunha (20)

Desmistificando o Gerenciamento por Projetos - Walter Cunha
Desmistificando o Gerenciamento por Projetos - Walter Cunha Desmistificando o Gerenciamento por Projetos - Walter Cunha
Desmistificando o Gerenciamento por Projetos - Walter Cunha
 
Gestão Estratégica de Recursos (CGU)
Gestão Estratégica de Recursos (CGU) Gestão Estratégica de Recursos (CGU)
Gestão Estratégica de Recursos (CGU)
 
Técnicas e Ferramentas da Gestão de Projetos Aplicadas às Contratações Públicas
Técnicas e Ferramentas da Gestão de Projetos Aplicadas às Contratações PúblicasTécnicas e Ferramentas da Gestão de Projetos Aplicadas às Contratações Públicas
Técnicas e Ferramentas da Gestão de Projetos Aplicadas às Contratações Públicas
 
Seminário Melhores Práticas em Contratações de TI (ENAP) - Walter Cunha
Seminário Melhores Práticas em Contratações de TI (ENAP) -  Walter CunhaSeminário Melhores Práticas em Contratações de TI (ENAP) -  Walter Cunha
Seminário Melhores Práticas em Contratações de TI (ENAP) - Walter Cunha
 
Panorama dos Concursos Públicos de TI - Senacoo 2014 (Amostra)
Panorama dos Concursos Públicos de TI - Senacoo 2014 (Amostra)Panorama dos Concursos Públicos de TI - Senacoo 2014 (Amostra)
Panorama dos Concursos Públicos de TI - Senacoo 2014 (Amostra)
 
Terceirização no Desenvolvimento de Sistema
Terceirização no Desenvolvimento de SistemaTerceirização no Desenvolvimento de Sistema
Terceirização no Desenvolvimento de Sistema
 
Panorama dos Concurso Públicos de TI (USP, 2012) - Walter Cunha
Panorama dos Concurso Públicos de TI (USP, 2012) - Walter CunhaPanorama dos Concurso Públicos de TI (USP, 2012) - Walter Cunha
Panorama dos Concurso Públicos de TI (USP, 2012) - Walter Cunha
 
Coletanea Redes de Computadores (ESAF) - Walter Cunha
Coletanea Redes de Computadores (ESAF) - Walter CunhaColetanea Redes de Computadores (ESAF) - Walter Cunha
Coletanea Redes de Computadores (ESAF) - Walter Cunha
 
Coletanea Governanca (Esaf) - Walter Cunha
Coletanea Governanca (Esaf) - Walter CunhaColetanea Governanca (Esaf) - Walter Cunha
Coletanea Governanca (Esaf) - Walter Cunha
 
Coletanea Hardware e Arquitetura (ESAF) - Walter Cunha
Coletanea Hardware e Arquitetura (ESAF) - Walter CunhaColetanea Hardware e Arquitetura (ESAF) - Walter Cunha
Coletanea Hardware e Arquitetura (ESAF) - Walter Cunha
 
Coletanea Segurança e Auditoria (Esaf) - Walter Cunha
Coletanea Segurança e Auditoria (Esaf) -  Walter CunhaColetanea Segurança e Auditoria (Esaf) -  Walter Cunha
Coletanea Segurança e Auditoria (Esaf) - Walter Cunha
 
Coletanea UML e OO (ESAF) - Jaime Correia
Coletanea UML e OO (ESAF) - Jaime CorreiaColetanea UML e OO (ESAF) - Jaime Correia
Coletanea UML e OO (ESAF) - Jaime Correia
 
Coletanea BD e BI (ESAF) - Jaime Correia
Coletanea BD e  BI (ESAF) - Jaime CorreiaColetanea BD e  BI (ESAF) - Jaime Correia
Coletanea BD e BI (ESAF) - Jaime Correia
 
PCF03 - 2001 Comentada
PCF03 - 2001 ComentadaPCF03 - 2001 Comentada
PCF03 - 2001 Comentada
 
Prova Da Dataprev 2006 Jaime Correia Amostra
Prova Da Dataprev 2006   Jaime Correia   AmostraProva Da Dataprev 2006   Jaime Correia   Amostra
Prova Da Dataprev 2006 Jaime Correia Amostra
 
Supercombo Serpro - Amostra
Supercombo Serpro - AmostraSupercombo Serpro - Amostra
Supercombo Serpro - Amostra
 
Coletanea PMBoK Esaf
Coletanea PMBoK Esaf  Coletanea PMBoK Esaf
Coletanea PMBoK Esaf
 
MPOG2008 - Walter Cunha
MPOG2008 - Walter CunhaMPOG2008 - Walter Cunha
MPOG2008 - Walter Cunha
 
MPOG - TI - Jaime (Amostra)
MPOG - TI - Jaime (Amostra)MPOG - TI - Jaime (Amostra)
MPOG - TI - Jaime (Amostra)
 
TRFB 2006 - TI - Jaime
TRFB 2006 - TI - JaimeTRFB 2006 - TI - Jaime
TRFB 2006 - TI - Jaime
 

MPOG 2008 TI - Resolução - Jaime Correia

  • 1. MPOG 2008 – APO II - TI Prof: Jaime Correia [email_address] http://www.waltercunha.com
  • 2. 28- Algumas pessoas têm considerado que os Data Warehouses são uma extensão de visões de banco de dados. Porém, as visões fornecem apenas um subconjunto das funções e das capacidades dos data warehouses. Com relação às diferenças e similaridades entre as visões e os data warehouses, é correto afirmar que: a) tanto os data warehouses quanto as visões fornecem, freqüentemente, grandes quantidades de dados integrados e temporais, geralmente mais do que é contido em um banco de dados. b) enquanto os data warehouses são materializados sob demanda , as visões existem como armazenamento permanente. c) tanto os data warehouses quanto as visões dão suporte específico de funcionalidade. d) tanto os data warehouses quanto as visões de um banco de dados relacional podem ser multidimensionais. e) enquanto os data warehouses podem ser indexados para otimizar o desempenho, as visões não podem ser indexadas de maneira independente dos bancos de dados subjacentes.
  • 3. A assertiva A é falsa, pois uma view não tem como objetivo fornecer freqüentemente grande quantidades de dados integrados . Seu propósito é fornecer um subconjunto dinâmico de dados (tabela virtual) a partir de uma ou mais tabelas. Notem ainda que a assertiva afirma que a quantidade de dados ofertada é maior do que em todo o banco de dados. Essa afirmação também invalida a assertiva uma vez que uma view não possui quantidade de dados maior do que o próprio banco de dados em que ela está inserida. Observação: é possível criar uma view a partir de tabelas que estejam em banco de, dados dispersos (através de BDLinks, por exemplo). A view seria responsável pela integração, no entanto, esse é um caso excepcional . E como vimos , o candidato não poderia confundir-se devido a última parte da assertiva, que fala sobre a quantidade de dados.
  • 4. A assertiva B é falsa. O conceito clássico de view indica que essa é criada de forma dinâmica, assim elas também são conhecidas como tabelas virtuais. Elas não são uma estrutura de armazenamento permanente. Atualmente existem produtos de banco de dados que oferecem views materializadas (usadas em DW). Essas são de armazenamento permanente, funcionam com o propósito de pré-computar e agregar dados, como o somatório de vendas. No caso de um DW, esse nunca é criado sob demanda, pois sua estrutura como sabemos é composta de um grande volume de Dados não-volátil, logo, não poderia ser criado sob demanda. A assertiva C é falsa. O desafio da questão é saber o que a banca quis dizer. Entendemos por funcionalidade, a característica relativa a atualização de dados de forma dinâmica apresentada pelas views clássicas (tabelas virtuais). Um DW não dá suporte específico a essa funcionalidade, uma vez que utilizam views materialziadas. Essas não são atualizadasde forma dinâmica. A assertiva D é falsa. Uma visão pertencente a um banco de dados relacional não pode ser multidimensional. No DW os cubos de dados são exemplos de visões multidimensionais, ou seja, em um DW podem existir visões multidimensionais.
  • 5. Conceito mais aceito para um DW: “ Uma coleção de dados orientado por assunto, integrado, não volátil , variante no tempo, que dá apoio às decisões da administração.” INMON Visão Visões são relações, com a diferença que elas não são fisicamente armazenadas. São derivadas de outra(s) tabela(s). Visões virtuais: – Usadas em banco de dados – Calculadas sob demanda – Pode ser lento – Sempre atualizada Visões materializadas: – Usadas em datawarehouses – Pré-computada offline / rápida – Pode conter dados desatualizados
  • 6. A materialização de visões é uma das técnicas mais utilizadas na otimização de bases de dados e de data warehouses, mais concretamente na otimização do processamento de consultas. Esta técnica assenta no conceito da antecipação do cálculo (total ou parcial) das consultas, de forma a minimizar o impacto que os seus tempos de resposta teriam no desempenho global do sistema. Materializar uma visão numa base de dados consiste em armazenar as tuplas resultantes do processamento da sua definição numa tabela. Essa tabela é denominada por visão materializada. Alguns autores consideram que um data warehouse não é mais que um conjunto de vistas materializadas, onde se armazenam os dados provindos das fontes de informação (ex. sistemas operacionais do negócio). Teoricamente se a resposta a uma consulta for antecipadamente processada e armazenada numa tabela, o tempo de resposta restringir-se-ia ao tempo de varrimento das tuplas dessa tabela. Este tempo de varrimento pode ainda ser encurtado utilizando estruturas auxiliares de indexação.
  • 7. Portanto, qualquer consulta cujo plano de execução possa ser reescrito de forma a utilizar o conjunto visões materializadas (disponível na base de dados) está sujeito a um ganho no desempenho. Para consultas complexas envolvendo grandes volumes de dados os ganhos possíveis utilizando vistas materializadas são dramáticos, de horas ou dias para segundos ou minutos. De fato, as vistas materializadas são tidas como sendo uma das técnicas essenciais para aumentar o desempenho de um data warehouse. Assim, e com vista à otimização do sistema, o ideal seria armazenar as respostas para todas as consultas possíveis. Contudo, armazenar todas as visões e agregações possíveis para um dado esquema requer espaço em disco e tempo de processamento.
  • 8.
  • 9. Obrigado! [email_address]