RESUMOS NOSQUL BANCO DADOS

Prévia do material em texto

A sigla ARIES significa 
e é um modelo de recuperação de falhas em SGBDs (Sistemas Gerenciadores de Bancos de Dados). O ARIES é um algoritmo que permite que o banco de dados volte ao seu estado consistente após uma falha de sistema, como uma queda de energia, por exemplo. Ele faz isso registrando todas as operações realizadas no banco de dados em um log e, em caso de falha, utiliza o log para recuperar o estado anterior do banco de dados
O ARIES é um algoritmo de recuperação de falhas em SGBDs que trabalha com a estratégia de roubo sem imposição. Quando o gerenciador de recuperação é ativado após uma falha, o reinício do banco de dados ocorre em três fases:
As três fases do ARIES são análise (analysis), refazer (redo) e desfazer (undo). Na fase de análise, o ARIES verifica o log para identificar transações que precisam ser refazer ou desfazer. Na fase de refazer, as transações são aplicadas ao banco de dados para garantir a consistência. Na fase de desfazer, as transações que precisam ser desfeitas são desfeitas para restaurar o banco de dados a um estado consistente. 
O que é log em SGBD?
Em Sistemas Gerenciadores de Bancos de Dados (SGBDs), um "log" é um arquivo que registra as transações que ocorrem no banco de dados. Ele armazena informações como quais operações foram executadas em que tabelas, quando foram executadas, quem as executou e outras informações relevantes. O log é usado pelo sistema de recuperação do banco de dados para garantir a integridade dos dados em caso de falhas ou interrupções. O log pode ser usado para recuperar o banco de dados para um estado consistente, permitindo que as transações sejam desfeitas ou refeitas conforme necessário.
As informações de log podem ser arquivadas tanto em um banco de dados quanto em um data warehouse, dependendo da finalidade e do volume de dados que precisam ser armazenados e analisados. Geralmente, o armazenamento em um data warehouse é preferível quando há grandes volumes de dados ou quando as informações de log são utilizadas para fins de análise de negócios. Já o armazenamento em um banco de dados é mais adequado quando as informações de log precisam ser consultadas com mais frequência para fins de recuperação de dados.
Definindo o Data Warehouse:
Um data warehouse (ou armazém de dados) é um banco de dados projetado para armazenar grandes quantidades de informações de diferentes fontes, permitindo que as empresas possam fazer análises de negócios e tomar decisões estratégicas com base em informações precisas e consolidadas. Ele é otimizado para consultas e análises complexas e pode ser usado para armazenar dados históricos e atuais. O data warehouse é geralmente construído com o uso de tecnologias de processamento em lotes e requer um grande investimento em hardware e software especializados.
Data warehouse, data mart e data mining são conceitos relacionados ao gerenciamento e análise de dados em grandes volumes.
Um data mart é um subconjunto de dados do data warehouse, focado em uma área específica da empresa, como vendas, finanças ou marketing. É projetado para atender às necessidades de uma área específica de negócio, geralmente contendo um subconjunto dos dados do data warehouse.
 Processamento em lotes é uma forma de processamento de dados em que um conjunto de tarefas é executado em um momento pré-determinado. As tarefas são agrupadas em um lote ou lotes de processamento e são executadas em uma sequência pré-definida. Esse tipo de processamento é comunmente usado em sistemas de processamento de dados em grande escala, como bancos de dados, onde a execução de tarefas em tempo real pode ser impraticável ou muito dispendiosa em termos de recursos computacionais. O processamento em lotes é geralmente mais eficiente e pode lidar com grandes volumes de dados de forma mais rápida e econômica do que o processamento em tempo real.
Imagine que você tem um grande conjunto de dados a ser processado e dividido em lotes menores. Cada lote contém um número limitado de registros que podem ser processados de uma só vez. O processamento é realizado em cada lote individualmente e o resultado é armazenado. Uma vez que todos os lotes foram processados, os resultados são combinados para produzir o resultado final.
Por exemplo, imagine que você tem um conjunto de 10.000 registros que precisam ser processados. Você decide dividir esses registros em lotes de 1.000 registros cada. Então, você processa cada lote individualmente, obtendo um resultado intermediário para cada um deles. Finalmente, você combina os resultados intermediários para obter o resultado final para o conjunto de dados inteiro. Esse é o processo básico de processamento em lotes.
 é comum que os lotes sejam organizados e armazenados por temas ou assuntos relacionados. Por exemplo, um lote de transações financeiras de uma empresa pode ser armazenado em um banco de dados específico para fins contábeis, enquanto outro lote de informações de vendas pode ser armazenado em um banco de dados separado para fins de análise de vendas. Isso ajuda a manter os dados organizados e facilita o acesso e a análise das informações.
 O sistema de banco de dados relacionais é um tipo de sistema que armazena informações em tabelas relacionadas entre si, permitindo que os dados sejam facilmente organizados e recuperados através de consultas SQL. As tabelas são compostas por colunas que representam os atributos dos dados e linhas que representam as instâncias ou registros dos dados. Além disso, os relacionamentos entre as tabelas são definidos através de chaves estrangeiras que fazem referência a chaves primárias em outras tabelas. Essa estrutura permite que o sistema garanta a integridade dos dados e evite a redundância, além de oferecer recursos como a normalização de dados para melhorar a eficiência e a escalabilidade do sistema.
Data warehouse, data mart e data mining 
são conceitos relacionados ao gerenciamento e análise de dados em grandes volumes.
O data warehouse é um repositório centralizado de dados integrados de várias fontes, projetado para dar suporte à tomada de decisão. Ele armazena grandes quantidades de dados históricos, que são organizados de maneira estruturada e otimizados para consultas e análises.
Um data mart é um subconjunto de dados do data warehouse, focado em uma área específica da empresa, como vendas, finanças ou marketing. É projetado para atender às necessidades de uma área específica de negócio, geralmente contendo um subconjunto dos dados do data warehouse.
O data mart é um subconjunto do data warehouse que é projetado para atender às necessidades específicas de uma determinada área de negócio ou departamento da empresa. Ele contém um conjunto menor de dados do que o data warehouse e é otimizado para consultas e análises mais focadas. O data mart geralmente é criado a partir de uma cópia dos dados relevantes do data warehouse e pode ser atualizado periodicamente para refletir as mudanças no ambiente de negócios.
Data mining é o processo de descobrir informações úteis a partir dos dados. É uma técnica que usa algoritmos para analisar grandes volumes de dados e extrair padrões e conhecimentos ocultos. Pode ser usado em conjunto com um data warehouse ou data mart para ajudar a identificar tendências e oportunidades de negócios.
Em resumo, enquanto o data warehouse é um repositório centralizado de dados integrados de várias fontes, o data mart é um subconjunto desses dados focado em uma área específica de negócio. Já o data mining é o processo de extrair informações úteis a partir desses dados.
A mineração de dados é utilizada em diversas áreas, como marketing, finanças, saúde, entre outras, para auxiliar na tomada de decisões estratégicas. Ela permite identificar segmentos de clientes mais lucrativos, prever demandas futuras, identificar fraudes, entre outras aplicações.O processo de mineração de dados envolve diversas etapas, como seleção de dados, pré-processamento, modelagem, avaliação e interpretação dos resultados. É importante destacar que a mineração de dados deve ser realizadacom cuidado e ética, respeitando a privacidade e proteção de dados pessoais.
A mineração de dados é feita utilizando algoritmos e técnicas específicas que são aplicadas sobre um grande volume de dados, com o objetivo de extrair informações úteis e insights que possam ser utilizados em tomadas de decisão.
O processo de mineração de dados geralmente envolve as seguintes etapas:
1-Coleta de dados: Nesta etapa, os dados são coletados a partir de diversas fontes, como bancos de dados, arquivos de log, sistemas de monitoramento, redes sociais, entre outros.
2 -Pré-processamento: Os dados coletados são pré-processados para que possam ser utilizados pelos algoritmos de mineração. Esta etapa inclui atividades como limpeza dos dados, remoção de ruídos, tratamento de valores faltantes e transformação de dados em formatos adequados.
3-Seleção de atributos: Nesta etapa, são selecionados os atributos que serão utilizados na análise. A seleção de atributos é importante para reduzir a complexidade do modelo e garantir que os resultados obtidos sejam relevantes para a análise.
4- Modelagem: É nesta etapa que os algoritmos de mineração são aplicados aos dados para gerar um modelo. Existem diversos tipos de algoritmos de mineração, incluindo algoritmos de classificação, agrupamento, regressão, análise de associação, entre outros.
5- Avaliação: Após a criação do modelo, é importante avaliar sua qualidade e eficácia. A avaliação pode ser feita utilizando técnicas como validação cruzada, análise de erro e análise de sensibilidade.
6-Aplicação: Por fim, os resultados da mineração de dados são aplicados para auxiliar em tomadas de decisão. Os insights obtidos a partir dos dados podem ser utilizados para identificar oportunidades de negócio, otimizar processos, melhorar a eficiência e reduzir custos.
A mineração de dados pode ser realizada tanto por pessoas quanto por máquinas, dependendo do objetivo e da complexidade do projeto. Em alguns casos, é necessária a intervenção humana para definir os objetivos da análise, escolher as técnicas de mineração adequadas, interpretar os resultados e tomar decisões com base neles. Em outros casos, são utilizados algoritmos de aprendizado de máquina e inteligência artificial para analisar grandes volumes de dados e identificar padrões, tendências e insights de forma automatizada.
Insights são percepções profundas e inesperadas que surgem a partir da análise de dados ou informações. Eles são descobertas significativas que fornecem um entendimento mais profundo sobre um determinado assunto e podem ajudar a orientar ações ou decisões estratégicas. Por exemplo, um insight pode ser descobrir que um determinado grupo de clientes está mais propenso a comprar um produto específico, permitindo que uma empresa ajuste suas estratégias de marketing para se concentrar nesse grupo
Atributos são características que descrevem as entidades em um banco de dados relacional. Eles são representados por colunas em tabelas e definem as propriedades de um objeto ou uma entidade. Cada atributo tem um nome e um tipo de dados que define o tipo de valor que pode ser armazenado nele. Por exemplo, em uma tabela de clientes, os atributos podem ser o nome, sobrenome, endereço e número de telefone.
atributo é uma característica ou propriedade de uma entidade que descreve algum aspecto do objeto ou conceito. Por exemplo, se estamos falando da entidade "pessoa", alguns exemplos de atributos seriam o nome, idade, altura, peso, etc.
Uma entidade pode ser definida como um objeto ou conceito do mundo real que é distinguível e único, e que pode ser identificado e representado no banco de dados.
Já um atributo é uma característica ou propriedade de uma entidade que descreve algum aspecto do objeto ou conceito. Por exemplo, se estamos falando da entidade "pessoa", alguns exemplos de atributos seriam o nome, idade, altura, peso, etc.
A sigla ARIES significa 
e é um modelo de recuperação de falhas em SGBDs (Sistemas Gerenciadores de Bancos de Dados). O ARIES é um algoritmo que permite que o banco de dados volte ao seu estado consistente após uma falha de sistema, como uma queda de energia, por exemplo. Ele faz isso registrando todas as operações realizadas no banco de dados em um log e, em caso de falha, utiliza o log para recuperar o estado anterior do banco de dados
Sim, o ARIES é um algoritmo de recuperação de falhas em SGBDs que trabalha com a estratégia de roubo sem imposição. Quando o gerenciador de recuperação é ativado após uma falha, o reinício do banco de dados ocorre em três fases:
. As três fases do ARIES são análise (analysis), refazer (redo) e desfazer (undo). Na fase de análise, o ARIES verifica o log para identificar transações que precisam ser refazer ou desfazer. Na fase de refazer, as transações são aplicadas ao banco de dados para garantir a consistência. Na fase de desfazer, as transações que precisam ser desfeitas são desfeitas para restaurar o banco de dados a um estado consistente.