Número: Nome: 1 -------------------------------------------------------------------------------------------------------------- INSTITUTO SUPERIOR TÉCNICO Administração e Optimização de Bases de Dados Exame 2 - solução 5 Julho 2008 -------------------------------------------------------------------------------------------------------------- A duração deste exame é de 2H30. É um exame com consulta. O número total de pontos é 20. Marque as suas respostas NA FOLHA DE EXAME. Escreva o seu número e nome no topo de cada página. Escreva todas as fórmulas. Para o uso oficial somente 1 2 3 4 5 6 SUM 2 2 4 4 4 4 20
Número: Nome: 2 1. (2v) Miscelânea Indique, nas alíneas seguintes, quais as verdadeiras e as falsas. a) O optimizador do SQL Server 2005 iria optar por um algoritmo hash join em lugar de um nested loop join no caso das duas tabelas envolvidas na junção serem grandes. Verdadeiro. b) O SQL Server 2005 suporta o particionamento horizontal de indices e tabelas. Verdadeiro. c) O SQL Server 2005 oferece suporte nativo para índices do tipo hash e B+Tree. Falso. d) Na técnica de write-ahead logging, todas as páginas de dados em memória devem ser escritas em disco antes que as páginas de log em memória possam ser escritas em disco. Falso. e) Uma junção efectuada através do algoritmo nested-loop tem sempre um custo maior do que uma junção efectuada com um algoritmo sort-merge-join. Falso. f) Um grafo de precedências acíclico corresponde a um escalonamento que não pode resultar em deadlock. Falso. g) Numa selecção apenas com disjunções, basta não existir índices para uma das condições, para que seja necessário executar um scan a toda a tabela. Verdadeiro. h) O desempenho de um índice do tipo hash degrada-se com o crescimento da tabela indexada. Verdadeiro.
Número: Nome: 3 2. (2v) Sistema de Ficheiros Os disco rígidos modernos contêm mais sectores nas pistas exteriores (i.e. uma vez que a velocidade de rotação é constante, a transferência sequencial de dados é maior nas pistas exteriores, mantendo-se o tempo de pesquisa para um acesso aleatório). Descreva boas estratégias (isto é, em que pistas exteriores ou interiores - devem ser colocados o ficheiro de dados e o ficheiro de índice, se existir) para colocar neste disco rígido as tabelas de uma BD que apresentem os seguintes padrões de acesso: a) Uma tabela grande na qual se executam operações que envolvem a consulta de todos os tuplos da tabela. b) Uma tabela grande com um índice non-clustered, na qual se executam operações que envolvem o acesso a tuplos individuais com base na chave do índice. c) Uma tabela pequena na qual se executam operações que envolvem a consulta de todos os tuplos da tabela. d) Uma tabela pequena na qual se executam operações que envolvem o acesso a tuplos individuais. a) A tabela deve ser colocada nas pistas exteriores. A velocidade de acesso sequêncial é mais importante e as pistas exteriores maximizam este parâmetro. b) A tabela e o índice devem ser colocada nas pistas interiores, poupando assim espaço nas pistas exteriores para outras tabelas. Ter um índice fisicamente próximo da tabela também traz a vantagem de minimizar o tempo envolvido nos acessos alternados às páginas do indice e da tabela. c) A tabela deve ser colocada nas pistas interiores, poupando assim espaço nas pistas exteriores para outras tabelas. d) A tabela deve ser colocada nas pistas interiores. O acesso sequêncial a uma tabela pequena é semelhante ao acesso aleatório, na medida em que é dominado pelo custo da procura da primeira página.
Número: Nome: 4 3. (4v) Índices Considere um índice do tipo árvore B+, em que o número máximo de descendentes de cada nó, N, é 3. a) Desenhe a árvore resultante da inserção dos seguintes valores, pela ordem dada: 1 10 5 3 6 8 4 b) Qual seria a alteração no índice da alínea anterior, se fosse inserido novamente o valor 4? c) Desenhe a árvore resultante da alínea (a), após a remoção dos valores 3 e 10. Nas alíneas (a) e (c), deve apresentar a árvore após a inserção/remoção de cada elemento, e não apenas a árvore final. Em cada árvore, não é necessário repetir os nós que não mudaram. a) b) A árvore não seria modificada, mas seria inserido mais um apontador no bucket correspondente ao valor 4 nas folhas da árvore.
Número: Nome: 5 c)
Número: Nome: 6 4. (4v) Processamento e optimização de interrogações 4.1. (3v) Considere as seguintes relações e a seguinte interrogação: Bolseiro(idb,id_inst,nome,salario); // 10000 tuplos Instituicao(idi,nome,orcamento); // 1000 tuplos Projecto(idp,id_inst,nome); // 1000 tuplos SELECT B.idb, I.idi, P.idp FROM Bolseiro B, Instituicao I, Projecto P WHERE I.orcamento>20.000 AND B.salario=1000 AND B.id_inst=I.idi AND I.idi=P.id_inst Assuma que o atributo Bolseiro.salario está uniformemente distribuido no intervalo 500-3000 e que o atributo Instituicao.orcamento está uniformemente distribuido no intervalo 15.000-25.000. Assuma ainda que existe um índice clustered no atributo Bolseiro.salario, um índice clustered em Instituicao.idi, e um índice clustered em Projecto.idp a) Liste os planos de execução considerados por um optimizador semelhante ao do sistema-r para a interrogação apresentada. b) Dos planos considerados anteriormente, qual seria o que apresenta um custo estimado mais baixo? c) Se o indice em Projecto.id fosse unclustered, o custo estimado anteriormente mudaria substâncialmente? Justifique a sua resposta. d) Se o indice em Bolseiro.salario fosse unclustered, o custo estimado anteriormente mudaria substâncialmente? Justifique a sua resposta. e) Considere que existe um índice sobre o atríbuto Instituição.orcamento. Imagine agora que o plano de execução gerado pelo optimizador não utilizava este índice para calcular a selecção sobre este atributo. Indique uma possível causa para este facto, e indique como procederia para que o índice fosse considerado. a) Um optimizador semelhante ao do sistema R iria aplicar as condições de selecção tão cedo quanto possível e iria ignorar planos envolendo produtos cartesianos. Seriam assim considerados os seguintes dois planos de execução: select-salario(b) x select-orcamento(i) x P select-orcamento(i) x P x select-salario(b) b) O plano de execução com o custo mais baixo corresponde a utilizar o indice no atríbuto salário para eliminar tuplos da tabela Bolseiros, seguindo-se o join com a tabela Instituição usando o índice em Instituição.id. De seguida, seria aplicado o predicado de selecção sobre o atríbuto orcamento ao resultado desse join. Finalmente, seria feito o join com a tabela Projecto.
Número: Nome: 7 c) O indice non-clustered na tabela Projecto iria aumentar o número de IOs envolvido mas não substâncialmente, uma vez que o número de tuplos a ser retornado da tabela é relativamente pequeno. d) O indice non-clustered na tabela Bolseiro teria um impacto mais significativo no número de IOs, pois o número de tuplos envolvido na tabela Bolseiros é maior do que o número de tuplos envolvido na questão anterior. O segundo plano de execução considerado podia vir a ser mais eficiente, consoante o número de tuplos envolvido. e) Uma possível razão para a não utilização dos indice sobre o atríbuto salário seria o facto das estatísticas disponíveis sobre o índice estarem desactualizadas (e.g. a selectividade da condição de selecção era estimada de uma forma errada). Para resolver este problema, poderiam ser recalculadas as estatísticas associadas ao índice.
Número: Nome: 8 5. (4v) Transacções, controlo de concorrência e gestão de recuperação Considere o seguinte excerto de um log do algoritmo ARIES, lido após uma falha no sistema. 100: T1, start 110: T2, start 120: T1, insert P5, 100 125: checkpoint 130: T4, start 140: T1, delete P6, 120 150: T2, delete P5, 110 170: T4, insert P5, 130 180: T1, end 190: T2, rollback 195: CLR: T2, undo(delete P5), 110 Os registos de update do log indicam: LSN, "transacção", "operação" "página alterada", lastlsn No momento do checkpoint, foram escritas para o disco as tabelas: Dirty Page Table Transaction Table PID PageLSN RecLSN TID LastLSN P5 120 120 T1 120 T2 110 T3 80 O PageLSN das páginas P5 e P6, no disco é, respectivamente, 170 e 30. a) Mostre, em cada passo da fase de análise, o conteúdo das tabelas Dirty Page Table, Transaction Table e Undo List. Em cada passo, indique o LSN que está a ser analisado. b) Usando apenas o trecho do log que é aqui mostrado, consegue determina todas instruções que serão desfeitas? Porquê? c) Suponha que a falha na base de dados se deu antes do registo do log com LSN 195 ter sido escrito no disco, mas depois do UNDO correspondente ter sido executado. Isto poderia ocasionar uma inconsistência nos dados, após a execução do algoritmo ARIES? Justifique. a) 125: DPT = (P5,120,120) TT = (T1,120), (T2,110), (T3,80) UL = T1, T2, T3 130: DPT = (P5,120,120) TT = (T1,120), (T2,110), (T3,80), *(T4,130)*
Número: Nome: 9 UL = T1, T2, T3, *T4* 140: DPT = (P5,120,120), (P6, 140,140) TT = (T1,*140*), (T2,110), (T3,80), (T4,130) UL = T1, T2, T3, T4 150: DPT = (P5,*150*,120), (P6, 140,140) TT = (T1,140), (T2,*150*), (T3,80), (T4,130) UL = T1, T2, T3, T4 170: DPT = (P5,*170*,120), (P6, 140,140) TT = (T1,140), (T2,150), (T3,80), (T4,*170*) UL = T1, T2, T3, T4 170: DPT = (P5,*170*,120), (P6, 140,140) TT = (T1,140), (T2,150), (T3,80), (T4,*170*) UL = T1, T2, T3, T4 180: DPT = (P5,170,120), (P6, 140,140) TT = (T2,150), (T3,80), (T4,170) UL = T2, T3, T4 195: DPT = (P5,*195*,120), (P6, 140,140) TT = (T2,*195*), (T3,80), (T4,170) UL = T2, T3, T4 b) Não. Uma das transacções a ser desfeita é a T3. No entanto, nenhuma das suas instruções está presente neste trecho do log. c) Não. O algoritmo ARIES usa Write-Ahead Logging (WAL). Esta regra obriga a que os dados resultantes de uma operação sejam escritos em disco apenas depois do registo de log correspondente ter sido escrito no disco. Assim, se o registo LSN 195 não está em disco, podemos ter a certeza que os dados alterados também não estão.
Número: Nome: 10 6. (4v) Database tuning 6.1(0,5v) No contexto da gestão de buffer no SQL Server 2005, explique o conceito de readahead processing (aka prefetching) e o porquê da sua importância. O Read-ahead processing é um mecanismo usado pelo SQL Server para reduzir o tempo de espera associada com a leitura física de dados do disco. Aquando da execução de uma operação que envolva o acesso sequêncial a páginas de dados ou de indice (e.g. um table scan), o SGBD começa a fazer o "pre-fetching" de páginas para a cache antes mesmo que seja feito um pedido para a sua leitura. Desta forma, maximizam-se as leituras sequênciais de dados no disco (geralmente mais rápidas) e minimizam-se os acessos aleatórios. 6.2 (0,5v) Considere os padrões de acesso típicos a bases de dados para aplicações de Data Warehousing ou OLTP. Em qual delas poderia fazer sentido usar um nível de isolamento mais baixo (e.g. READ UNCOMMITED). E um nível de isolamento mais elevado (e.g. SERIALIZABLE)? Justifique a sua resposta. Data Warehousing - menor isolamento, visto muitas vezes estarmos interessados em obter tendências e valores aproximados. - OLTP - maior isolamento, visto queremos maiores garantias sobre a execução concorrente das transacções
Número: Nome: 11 6.3.(3v) Considere o seguinte esquema relacional normalizado correspondente a um subconjunto da base de dados de uma universidade: Professor(nmec, nomep, gabinete, idade, sexo, investigacao, deptid) Departamento(did, nomed, orcamento, nummajors, profresp) Suponha que sabe que as seguintes interrogações são as mais frequentes e que são igualmente equivalentes em frequência e importância: a) Quais os nomes, idades e gabinetes dos professores de um determinado sexo e cujo tema de investigação é um determinados (por exemplo, bases de dados). Assuma que não é muito comum que vários professores investiguem exactamente no mesmo assunto. b) Listar toda a informação sobre departamento para aos departamentos com professores numa determinada gama de idades. c) Qual o id, nome, e responsável dos departamentos com um determinado número de majors. d) Qual o orçamento mínimo de todos os departamentos da universidade? e) Listar toda a informação dos professores que são responsáveis de departamento. Assumindo que estas interrogações são mais importantes do que quaisquer actualizações, execute para cada alínea o seguinte: Escreva as interrogações correspondentes em SQL. Diga quais os atributos que devem ser indexados, qual o tipo de índice que deve ser usado (árvore B+ ou hash), e se é clustered ou non-clustered. Para os índices indicados na alínea anterior, indique os casos em que a interrogação pode ser respondida só com a informação do índice (index-only plan), se o SGBD o permitir. Caso o SGBD não o permita, indique quais os índices alternativos, se existirem. a) select P.nomep, P.idade, P.gabinete from Professor P where P.sexo = M and P.investigacao = BD -- poucos profs têm esta especialidade Unclustered hash index sobre Profesor<investigacao, sexo> ou Unclustered hash index sobre Professor<investigacao> (melhor ainda, porque só existem dois valores possíveis de sexo) b) select D.* from Departamento D, Professor P where D.did = P.deptid and P.idade > k1 and P.idade < k2
Número: Nome: 12 -- k1 e k2 são constantes inteiras Clustered B+tree sobre Professor<idade, deptid> (=> index-only plan) e unclustered hash index sobre Departamento<did> c) select D.did, D.dnomed, P.nomep from Departamento D, Professor P where D.nummajors = k and P.nummec = D.profresp -- k é uma constante inteira Unclustered hash index sobre Departamentot<num_majors> d) select min(orcamento) from Departamento Clustered B+ tree index sobre Departamento<orcamento> e) select P.* from Professor P, Departamento D where P.nmec = D.profresp Unclustered B+ tree sobre Departamento<profresp> (=> index-only scan, se suportado) e Hash index sobre Professor<nmec>
Número: Nome: 13