stringtranslate.com

Аналитическая обработка онлайн

Онлайн-аналитическая обработка , или OLAP ( / ˈ oʊ l æ p / ), представляет собой подход к быстрому ответу на многомерные аналитические запросы (MDA) в вычислениях . [1] OLAP является частью более широкой категории бизнес-аналитики , которая также включает в себя реляционные базы данных , написание отчетов и интеллектуальный анализ данных . [2] Типичные применения OLAP включают бизнес-отчетность по продажам, маркетингу , управленческую отчетность, управление бизнес-процессами (BPM), [3] составление бюджета и прогнозирование , финансовую отчетность и аналогичные области, при этом появляются новые приложения, такие как сельское хозяйство . [4]

Термин OLAP был создан как небольшая модификация традиционного термина базы данных « онлайн-обработка транзакций» (OLTP). [5]

Инструменты OLAP позволяют пользователям интерактивно анализировать многомерные данные с разных точек зрения. OLAP состоит из трех основных аналитических операций: консолидации (свертывания), детализации, а также нарезки и нарезки. [6] : 402–403  Консолидация предполагает агрегирование данных, которые можно накапливать и вычислять в одном или нескольких измерениях. Например, все офисы продаж объединены в отдел продаж или подразделение продаж, чтобы предвидеть тенденции продаж. Напротив, детализация — это метод, который позволяет пользователям перемещаться по деталям. Например, пользователи могут просматривать продажи отдельных продуктов, составляющих продажи региона. Нарезка и нарезка — это функция, с помощью которой пользователи могут извлекать (нарезать) определенный набор данных из куба OLAP и просматривать (нарезать) срезы с разных точек зрения. Эти точки зрения иногда называют измерениями (например, просмотр одних и тех же продаж по продавцам, по датам, по клиентам, по продуктам, по регионам и т. д.).

Базы данных , настроенные для OLAP, используют многомерную модель данных, что позволяет выполнять сложные аналитические и специальные запросы с быстрым временем выполнения. [7] Они заимствуют аспекты навигационных баз данных , иерархических баз данных и реляционных баз данных.

OLAP обычно противопоставляется OLTP (онлайн-обработка транзакций), которая обычно характеризуется гораздо менее сложными запросами в большем объеме для обработки транзакций, а не для целей бизнес-аналитики или отчетности. В то время как системы OLAP в основном оптимизированы для чтения, OLTP приходится обрабатывать все виды запросов (чтение, вставка, обновление и удаление).

Обзор OLAP-систем

В основе любой системы OLAP лежит куб OLAP (также называемый «многомерным кубом» или гиперкубом ) . Он состоит из числовых фактов, называемых мерами , которые классифицируются по измерениям . Меры размещаются на пересечениях гиперкуба, который натянут на измерения как векторное пространство . Обычный интерфейс для управления кубом OLAP — это матричный интерфейс, подобный сводным таблицам в программе работы с электронными таблицами, который выполняет операции проецирования по измерениям, такие как агрегирование или усреднение.

Метаданные куба обычно создаются на основе схемы «звезда» , схемы «снежинка» или совокупности фактов таблиц в реляционной базе данных . Меры извлекаются из записей в таблице фактов , а измерения — из таблиц измерений .

Каждую меру можно рассматривать как имеющую набор меток или связанных с ней метаданных. Измерение – это то, что описывает эти метки ; он предоставляет информацию о мере .

Простым примером может служить куб, который содержит продажи магазина в качестве меры и дату/время в качестве измерения . Каждая распродажа имеет метку даты/времени , которая описывает дополнительную информацию об этой продаже.

Например:

Таблица фактов продаж+-------------+----------+| сумма_продажи | идентификатор_времени |+-------------+----------+ Измерение времени| 2008.10 | 1234 |----+ +---------+-------------------++-------------+----------+ | | идентификатор_времени | временная метка | | +---------+-------------------+ +---->| 1234 | 20080902 12:35:43 | +---------+-------------------+

Многомерные базы данных

Многомерная структура определяется как «разновидность реляционной модели, которая использует многомерные структуры для организации данных и выражения связей между данными». [6] : 177  Структура разбита на кубы, и кубы могут хранить данные и получать к ним доступ в пределах каждого куба. «Каждая ячейка в многомерной структуре содержит агрегированные данные, относящиеся к элементам по каждому из ее измерений». [6] : 178  Даже когда данными манипулируют, к ним остается легкий доступ, и они продолжают представлять собой компактный формат базы данных. Данные по-прежнему остаются взаимосвязанными. Многомерная структура довольно популярна для аналитических баз данных, использующих приложения онлайн-аналитической обработки (OLAP). [6] Аналитические базы данных используют эти базы данных из-за их способности быстро предоставлять ответы на сложные бизнес-запросы. Данные можно рассматривать под разными углами, что дает более широкий взгляд на проблему в отличие от других моделей. [8]

Агрегации

Утверждается, что для сложных запросов кубы OLAP могут дать ответ примерно за 0,1% времени, необходимого для того же запроса к реляционным данным OLTP . [9] [10] Наиболее важным механизмом в OLAP, который позволяет достичь такой производительности, является использование агрегаций . Агрегации создаются на основе таблицы фактов путем изменения детализации конкретных измерений и агрегирования данных по этим измерениям с помощью агрегатной функции (или функции агрегирования ). Количество возможных агрегатов определяется всеми возможными комбинациями детализации измерений.

Комбинация всех возможных агрегатов и базовых данных содержит ответы на каждый запрос, на который можно ответить из данных. [11]

Поскольку обычно существует множество агрегатов, которые можно вычислить, часто полностью рассчитывается только заранее определенное число; остальные решаются по требованию. Проблема принятия решения о том, какие агрегаты (представления) вычислять, известна как проблема выбора представления. Выбор представления может быть ограничен общим размером выбранного набора агрегатов, временем их обновления в зависимости от изменений в базовых данных или тем и другим. Целью выбора представления обычно является минимизация среднего времени ответа на запросы OLAP, хотя некоторые исследования также минимизируют время обновления. Выбор вида — NP-Complete . Было исследовано множество подходов к проблеме, включая жадные алгоритмы , рандомизированный поиск, генетические алгоритмы и алгоритм поиска A* .

Некоторые функции агрегирования можно вычислить для всего куба OLAP, предварительно вычислив значения для каждой ячейки, а затем вычислив агрегирование для совокупности ячеек путем агрегирования этих агрегатов и применения алгоритма «разделяй и властвуй» к многомерной задаче для их эффективного вычисления. [12] Например, общая сумма свертки — это просто сумма промежуточных сумм в каждой ячейке. Функции, которые можно разложить таким образом, называются разлагаемыми функциями агрегирования и включают в себя COUNT, MAX, MIN,и SUM, которые можно вычислить для каждой ячейки, а затем напрямую агрегировать; они известны как саморазложимые функции агрегирования. [13] В других случаях агрегатная функция может быть вычислена путем вычисления вспомогательных чисел для ячеек, агрегирования этих вспомогательных чисел и, наконец, вычисления общего числа в конце; примеры включают AVERAGE(отслеживание суммы и количества, деление в конце) и RANGE(отслеживание максимума и минимума, вычитание в конце). В других случаях агрегатную функцию невозможно вычислить без анализа всего набора сразу, хотя в некоторых случаях можно вычислить приближения; примеры включают DISTINCT COUNT, MEDIAN,и MODE; например, медиана набора не является медианой медиан подмножеств. Последние сложно эффективно реализовать в OLAP, поскольку они требуют вычисления агрегатной функции на основе базовых данных, либо вычисляя их в режиме онлайн (медленно), либо предварительно вычисляя их для возможных развертываний (большое пространство).

Типы

Системы OLAP традиционно классифицируются с использованием следующей таксономии. [14]

Многомерный OLAP (MOLAP)

MOLAP (многомерная онлайн-аналитическая обработка) — это классическая форма OLAP, которую иногда называют просто OLAP. MOLAP хранит эти данные в оптимизированном многомерном массиве, а не в реляционной базе данных.

Некоторые инструменты MOLAP требуют предварительного расчета и хранения производных данных, например консолидации – операции, известной как обработка. Такие инструменты MOLAP обычно используют предварительно рассчитанный набор данных, называемый кубом данных . Куб данных содержит все возможные ответы на заданный диапазон вопросов. В результате они очень быстро реагируют на запросы. С другой стороны, обновление может занять много времени в зависимости от степени предварительных вычислений. Предварительные вычисления также могут привести к так называемому взрывному росту данных.

Другие инструменты MOLAP, особенно те, которые реализуют функциональную модель базы данных, не выполняют предварительное вычисление производных данных, а выполняют все вычисления по требованию, кроме тех, которые ранее были запрошены и сохранены в кэше.

Преимущества МОЛАП

Недостатки MOLAP

Продукты

Примерами коммерческих продуктов, использующих MOLAP, являются Cognos Powerplay, Oracle Database OLAP Option , MicroStrategy , Microsoft Analysis Services , Essbase , TM1 , Jedox и icCube .

Реляционный OLAP (ROLAP)

ROLAP работает напрямую с реляционными базами данных и не требует предварительных вычислений. Базовые данные и таблицы измерений хранятся как реляционные таблицы, а для хранения агрегированной информации создаются новые таблицы. Это зависит от конструкции специализированной схемы. Эта методология основана на манипулировании данными, хранящимися в реляционной базе данных, чтобы создать видимость традиционных функций нарезки и нарезки OLAP. По сути, каждое действие по нарезке эквивалентно добавлению предложения «WHERE» в оператор SQL. Инструменты ROLAP не используют предварительно рассчитанные кубы данных, а вместо этого отправляют запрос к стандартной реляционной базе данных и ее таблицам, чтобы вернуть данные, необходимые для ответа на вопрос. Инструменты ROLAP позволяют задавать любые вопросы, поскольку методология не ограничивается содержимым куба. ROLAP также имеет возможность детализации до самого низкого уровня детализации в базе данных.

Хотя ROLAP использует источник реляционной базы данных, обычно база данных должна быть тщательно спроектирована для использования ROLAP. База данных, разработанная для OLTP , не будет работать как база данных ROLAP. Таким образом, ROLAP по-прежнему предполагает создание дополнительной копии данных. Однако, поскольку это база данных, для ее заполнения можно использовать различные технологии.

Преимущества РОЛАП

Недостатки ROLAP

Производительность РОЛАП

В OLAP-индустрии ROLAP обычно воспринимается как средство масштабирования для больших объемов данных, но с более низкой производительностью запросов по сравнению с MOLAP. Исследование OLAP, крупнейшее независимое исследование среди всех основных продуктов OLAP, проводившееся в течение 6 лет (с 2001 по 2006 год), постоянно обнаруживало, что компании, использующие ROLAP, сообщают о более низкой производительности, чем те, кто использует MOLAP, даже если принять во внимание объемы данных.

Однако, как и в любом опросе, существует ряд тонких вопросов, которые необходимо учитывать при интерпретации результатов.

Обратная сторона гибкости

Некоторые компании выбирают ROLAP, потому что они намерены повторно использовать существующие таблицы реляционной базы данных — эти таблицы часто не оптимально подходят для использования OLAP. Превосходная гибкость инструментов ROLAP позволяет работать с этой далеко не оптимальной конструкцией, но при этом страдает производительность. Инструменты MOLAP, напротив, заставят данные перезагружаться в оптимальную структуру OLAP.

Гибридный OLAP (HOLAP)

Нежелательный компромисс между дополнительными затратами ETL и низкой производительностью запросов привел к тому, что большинство коммерческих инструментов OLAP теперь используют подход «гибридного OLAP» (HOLAP), который позволяет разработчику модели решить, какая часть данных будет храниться в MOLAP и какая часть в ROLAP.

В отрасли нет четкого согласия относительно того, что представляет собой «гибридная OLAP», за исключением того, что база данных будет разделять данные между реляционным и специализированным хранилищем. [15] Например, у некоторых поставщиков база данных HOLAP будет использовать реляционные таблицы для хранения больших объемов подробных данных и использовать специализированное хранилище, по крайней мере, для некоторых аспектов меньших объемов более агрегированных или менее подробных данных. HOLAP устраняет недостатки MOLAP и ROLAP, объединяя возможности обоих подходов. Инструменты HOLAP могут использовать как предварительно рассчитанные кубы, так и реляционные источники данных.

Вертикальное разделение

В этом режиме HOLAP сохраняет агрегаты в MOLAP для быстрого выполнения запросов, а подробные данные в ROLAP для оптимизации времени обработки куба .

Горизонтальное разделение

В этом режиме HOLAP сохраняет некоторый фрагмент данных, обычно более свежий (т. е. срез по измерению времени) в MOLAP для повышения производительности запросов, а более старые данные — в ROLAP. Более того, мы можем хранить некоторые кубики в MOLAP, а другие в ROLAP, используя тот факт, что в большом кубоиде будут плотные и разреженные подобласти. [16]

Продукты

Первым продуктом, обеспечивающим хранилище HOLAP, был Holos , но технология также стала доступна и в других коммерческих продуктах, таких как Microsoft Analysis Services , Oracle Database OLAP Option , MicroStrategy и SAP AG BI Accelerator. Гибридный подход OLAP сочетает в себе технологии ROLAP и MOLAP, используя преимущества большей масштабируемости ROLAP и более быстрых вычислений MOLAP. Например, сервер HOLAP может хранить большие объемы подробных данных в реляционной базе данных, а агрегаты хранятся в отдельном хранилище MOLAP. Службы OLAP Microsoft SQL Server 7.0 поддерживают гибридный сервер OLAP.

Сравнение

Каждый тип имеет определенные преимущества, хотя между поставщиками существуют разногласия по поводу специфики льгот.

Другие типы

Иногда также используются следующие аббревиатуры, хотя они не так распространены, как приведенные выше:

API и языки запросов

В отличие от реляционных баз данных , в которых стандартным языком запросов был SQL, и широко распространенных API, таких как ODBC , JDBC и OLEDB , в мире OLAP долгое время не существовало такой унификации. Первым настоящим стандартным API была спецификация OLE DB для OLAP от Microsoft , которая появилась в 1997 году и представила язык запросов MDX . Несколько поставщиков OLAP – как серверов, так и клиентов – приняли его на вооружение. В 2001 году Microsoft и Hyperion анонсировали спецификацию XML для анализа , которая была одобрена большинством поставщиков OLAP. Поскольку в качестве языка запросов также использовался MDX, MDX стал стандартом де-факто. [26] С сентября 2011 года LINQ можно использовать для запроса кубов SSAS OLAP из Microsoft .NET. [27]

Продукты

История

Первым продуктом, выполнявшим запросы OLAP, был Express, выпущенный в 1970 году (и приобретенный Oracle в 1995 году у Information Resources). [28] Однако этот термин появился только в 1993 году, когда он был придуман Эдгаром Ф. Коддом , которого называют «отцом реляционной базы данных». Статья Кодда [1] стала результатом короткого консультационного задания, которое Кодд взял на себя для бывшей Arbor Software (позже Hyperion Solutions , а в 2007 году приобретенной Oracle), что было своего рода маркетинговым переворотом. Годом ранее компания выпустила собственный OLAP-продукт Essbase . В результате «двенадцать законов онлайн-аналитической обработки» Кодда были явно связаны с Essbase. После этого возникли разногласия, и когда Computerworld узнал, что Арбор заплатил Кодду, он отозвал статью. В конце 1990-х годов рынок OLAP пережил сильный рост, когда на рынок вышли десятки коммерческих продуктов. В 1998 году Microsoft выпустила свой первый OLAP-сервер — Microsoft Analysis Services , который способствовал широкому распространению технологии OLAP и сделал ее основной.

Сравнение продуктов

OLAP-клиенты

Клиенты OLAP включают в себя множество программ для работы с электронными таблицами, таких как Excel, веб-приложения, SQL, инструменты информационной панели и т. д. Многие клиенты поддерживают интерактивное исследование данных, при котором пользователи выбирают интересующие измерения и меры. Некоторые измерения используются в качестве фильтров (для разделения и дробления данных), тогда как другие выбираются в качестве осей сводной таблицы или сводной диаграммы. Пользователи также могут изменять уровень агрегации (для детализации или свертывания) отображаемого представления. Клиенты также могут предлагать различные графические виджеты, такие как ползунки, географические карты, тепловые карты и многое другое, которые можно группировать и координировать в виде информационных панелей. Обширный список клиентов отображается в столбце визуализации таблицы сравнения серверов OLAP .

Структура рынка

Ниже приведен список ведущих поставщиков OLAP в 2006 году с цифрами в миллионах долларов США . [29]

Открытый источник

Смотрите также

Рекомендации

Цитаты

  1. ^ аб Кодд EF; Кодд С.Б. и Салли Коннектикут (1993). «Предоставление OLAP (аналитической обработки в режиме онлайн) пользователям-аналитикам: ИТ-мандат» (PDF) . Кодд энд Дейт, Инк . Проверено 5 марта 2008 г.[ постоянная мертвая ссылка ]
  2. ^ Дипак Парик (2007). Бизнес-аналитика для телекоммуникаций. ЦРК Пресс. стр. 294 стр. ISBN 978-0-8493-8792-0. Проверено 18 марта 2008 г.
  3. ^ Апостолос Бенисис (2010). Управление бизнес-процессами: куб данных для анализа данных моделирования бизнес-процессов для принятия решений. VDM Verlag Доктор Мюллер eK стр. 204 стр. ISBN 978-3-639-22216-6.
  4. ^ Абдулла, Ахсан (ноябрь 2009 г.). «Анализ заболеваемости мучнистым червецом на посевах хлопка с использованием инструмента ADSS-OLAP (онлайн-аналитическая обработка)». Компьютеры и электроника в сельском хозяйстве . 69 (1): 59–72. doi :10.1016/j.compag.2009.07.003.
  5. ^ «Белая книга Совета OLAP» (PDF) . Совет ОЛАП. 1997 год . Проверено 18 марта 2008 г.
  6. ^ abcd О'Брайен, JA, и Маракас, GM (2009). Информационные системы управления (9-е изд.). Бостон, Массачусетс: МакГроу-Хилл/Ирвин.
  7. ^ Хари Маилваганам (2007). «Введение в OLAP – разрезание, кубики и сверление!». Обзор хранилища данных . Проверено 18 марта 2008 г.
  8. ^ Уильямс, К., Гарза, В.Р., Такер, С., Маркус, А.М. (1994, 24 января). Многомерные модели расширяют возможности просмотра. ИнфоМира, 16(4)
  9. ^ MicroStrategy, Incorporated (1995). «Аргументы в пользу реляционной OLAP» (PDF) . Проверено 20 марта 2008 г.
  10. ^ Сураджит Чаудхури и Умешвар Даял (1997). «Обзор хранилищ данных и технологии OLAP». SIGMOD Рек . 26 (1): 65. CiteSeerX 10.1.1.211.7178 . дои : 10.1145/248603.248616. S2CID  8125630. 
  11. ^ Грей, Джим ; Чаудхури, Сураджит; Лейман, Эндрю; Райхарт, Дон; Венкатрао, Мурали; Пеллоу, Фрэнк; Пирахеш, Хамид (1997). «Куб данных: {A} оператор реляционного агрегирования, обобщающий группировку, перекрестную таблицу и промежуточные итоги». J. Интеллектуальный анализ данных и обнаружение знаний . 1 (1): 29–53. arXiv : cs/0701155 . дои : 10.1023/А: 1009726021843. S2CID  12502175 . Проверено 20 марта 2008 г.
  12. ^ Чжан 2017, с. 1.
  13. ^ Иисус, Бакеро и Алмейда 2011, 2.1 Разложимые функции, стр. 3–4.
  14. ↑ Найджел Пендсе (27 июня 2006 г.). «OLAP-архитектура». OLAP-отчет. Архивировано из оригинала 24 января 2008 года . Проверено 17 марта 2008 г.
  15. ^ abc Бах Педерсен, Торбен; С. Дженсен, Кристиан (декабрь 2001 г.). «Технология многомерных баз данных». Распределенные системы онлайн . 34 (12): 40–46. дои : 10.1109/2.970558. ISSN  0018-9162.
  16. ^ Касер, Оуэн; Лемир, Дэниел (2006). «Переупорядочение значений атрибутов для эффективного гибридного OLAP». Информационные науки . 176 (16): 2304–2336. arXiv : cs/0702143 . doi :10.1016/j.ins.2005.09.005.
  17. ^ «Эта неделя в аналитике графиков и сущностей» . Датанами . 7 декабря 2016 года . Проверено 8 марта 2018 г.
  18. ^ «Cambridge Semantics объявляет о поддержке AnzoGraph для баз данных Amazon Neptune и Graph» . Тенденции и приложения баз данных . 15 февраля 2018 г. . Проверено 8 марта 2018 г.
  19. ^ Тао, Фангбо; Чжуан, Хунлей; Ю, Чи Ван; Ван, Ци; Кэссиди, Тейлор; Каплан, Лэнс; Восс, Клэр; Хан, Цзявэй (2016). «Многомерное фразовое суммирование в текстовых кубах» (PDF) .
  20. ^ Лием, Дэвид А.; Мурали, Санджана; Сигдель, Дибакар; Ши, Ю; Ван, Сюань; Шен, Цзямин; Чой, Ховард; Кофилд, Джон Х.; Ван, Вэй; Пинг, Пейбэй; Хан, Цзявэй (1 октября 2018 г.). «Фразовый анализ текстовых данных для анализа белков внеклеточного матрикса при сердечно-сосудистых заболеваниях». Американский журнал физиологии. Физиология сердца и кровообращения . 315 (4): H910–H924. дои : 10.1152/ajpheart.00175.2018. ISSN  1522-1539. ПМК 6230912 . ПМИД  29775406. 
  21. ^ Ли, С.; Ким, Н.; Ким, Дж. (2014). «Многомерный анализ и куб данных для неструктурированного текста и социальных сетей». 2014 Четвертая международная конференция IEEE по большим данным и облачным вычислениям . стр. 761–764. дои : 10.1109/BDCloud.2014.117. ISBN 978-1-4799-6719-3. S2CID  229585.
  22. ^ Дин, Б.; Лин, XC; Хан, Дж.; Чжай, К.; Шривастава, А.; Оза, Северная Каролина (декабрь 2011 г.). «Эффективный поиск по ключевым словам ячеек Top-K в текстовом кубе». Транзакции IEEE по знаниям и инженерии данных . 23 (12): 1795–1810. дои :10.1109/TKDE.2011.34. S2CID  13960227.
  23. ^ Дин, Б.; Чжао, Б.; Лин, CX; Хан, Дж.; Чжай, К. (2010). «TopCells: поиск по ключевым словам топ-k агрегированных документов в текстовом кубе». 2010 26-я Международная конференция IEEE по инженерии данных (ICDE 2010) . стр. 381–384. CiteSeerX 10.1.1.215.7504 . дои : 10.1109/ICDE.2010.5447838. ISBN  978-1-4244-5445-7. S2CID  14649087.
  24. ^ Лин, CX; Дин, Б.; Хан, К.; Чжу, Ф.; Чжао, Б. (2008). «Текстовый куб: вычисление IR-мер для анализа многомерной текстовой базы данных». 2008 г. Восьмая международная конференция IEEE по интеллектуальному анализу данных . стр. 905–910. дои : 10.1109/icdm.2008.135. ISBN 978-0-7695-3502-9. S2CID  1522480. {{cite book}}: |journal=игнорируется ( помощь )
  25. ^ Лю, X.; Тан, К.; Хэнкок, Дж.; Хан, Дж.; Песня, М.; Сюй, Р.; Покорный Б. (21 марта 2013 г.). «Социальные вычисления, поведенческое и культурное моделирование и прогнозирование. SBP 2013. Конспекты лекций по информатике». В Гринберге, AM; Кеннеди, РГ; Бос, Северная Дакота (ред.). Подход текстового куба к человеческому, социальному и культурному поведению в потоке Twitter (изд. 7812). Берлин, Гейдельберг: Springer. стр. 321–330. ISBN 978-3-642-37209-4.
  26. ^ Найджел Пендсе (23 августа 2007 г.). «Комментарий: войны OLAP API». OLAP-отчет. Архивировано из оригинала 28 мая 2008 года . Проверено 18 марта 2008 г.
  27. ^ «Поставщик SSAS Entity Framework для LINQ to SSAS OLAP» .
  28. ^ Найджел Пендсе (23 августа 2007 г.). «Истоки современных продуктов OLAP». OLAP-отчет. Архивировано из оригинала 21 декабря 2007 года . Проверено 27 ноября 2007 г.
  29. ^ Найджел Пендсе (2006). «ОЛАП Маркет». OLAP-отчет . Проверено 17 марта 2008 г.
  30. ↑ Егулалп, Сердар (11 июня 2015 г.). «LinkedIn заполняет еще одну нишу SQL-on-Hadoop». Инфомир . Проверено 19 ноября 2016 г.
  31. ^ "Апач Дорис". Гитхаб . Сообщество Apache Doris . Проверено 5 апреля 2023 г.
  32. ^ «Внутрипроцессная система управления базами данных SQL OLAP» . ДакДБ . Проверено 10 декабря 2022 г.
  33. ↑ Ананд, Чиллар (17 ноября 2022 г.). «Обычное сканирование на ноутбуке — извлечение подмножества данных». Авиль Пейдж . Проверено 10 декабря 2022 г.

Источники

дальнейшее чтение