Gerenciamento de Data Streams – uma introdução AULA 21 PGC 107 - Sistemas de Banco de Dados Profa. Sandra de Amo Pós-graduação em Ciência da Computação – UFU 2012-2 1 Dados em Fluxo Sensores no oceano: dados de temperatura, salinidade, ventos, humidade Satélites em órbita terrestre: dados climáticos, vegetação, incêndios, inundações, telefonia, internet Captores de dados biológicos: temperatura, pressão arterial, batimentos cardíacos, nível de insulina 2 Principais características dos dados em fluxo 1. Dados novos chegam em grande quantidade e em grande velocidade Exemplo: Sensor no oceano: dados de temperatura, salinidade, ventos, humidade (10 medidas por segundo) Milhares de sensores flutuantes enviando dados: localização, temperatura local, salinidade, pressão, humidade 10 medidas por segundo = 3,5 terabytes de dados por dia 3 Principais características dos dados em fluxo 2. Impossibilidade de armazenamento dos dados em sua integralidade Requer memória ilimitada ! Solução : Respostas a consultas não são exatas Respostas a consultas são obtidas a partir de: processamento em “batch” amostragem dos dados ou um sumário dos dados 4 SGDS versus SGBD SGBD SGDS 5 Como obter respostas aproximadas Processamento em “batch” : Utilizado quando a operação de update é rápida mas a operação de computar a resposta é lenta: Dados são processados em “batches”: Dados são inseridos no buffer a medida que chegam Dados antigos são descartados quando não cabem no mais buffer A resposta à consulta é calculada periodicamente sobre os dados armazenados no buffer no momento em que a consulta é submetida. Como obter respostas aproximadas Amostragem Executar consulta sobre uma amostra dos dados Utilizado quando a operação de update é lenta mas a operação de computar a resposta é rápida Sumarização Manter uma estrutura de dados que guarda uma sinopse dos dados Reduz o tempo para calcular a resposta e o espaço para armazenar os dados. Consultas em Data Streams Consultas Contínuas Consulta submetida continuamente a cada determinado intervalo de tempo Q1, Q2, ..., Qn, .... Consultas Ad-hoc Referenciando dados passados Solução 1 Resposta é dada considerando o tempo inicial como o tempo t em que a consulta foi submetida. Solução 2 Sumário dos dados é mantido pelo gerenciador. Consulta é executada sobre o sumário dos dados Referência Projeto STREAM de Stanford B.Babcock et al. 2002 : Models and Issues in Data Stream Systems. ACM PODS 2002. Projeto Stanford STREAM Project http://infolab.stanford.edu/stream/ Técnicas de Amostragem, Filtragem e Sumarização dos dados: A. Rajaraman, J. Leskovec, J.D.Ullman: Mining of Massive Datasets, 2010. http://infolab.stanford.edu/~ullman/mmds/book.pdf Sintaxe e Semântica rigorosas de linguagem de consultas + Implementação J.Krammer, B. Seeger: Semantics and Implementation of Continuous Sliding Window Queries over Data Stream. ACM Transaction on Database Systems, Vol. 34, No 1, Art. 4, 2009. Linguagens de Consultas para Data Streams - Requisitos Uma semântica clara e não-ambigua em qualquer instante t Uma álgebra própria que estenda a álgebra relacional padrão de SQL Boa expressividade Implementação eficiente dos operadores Pesquisa nos anos 2000 Diversas propostas de linguagens de consultas “soltas”, inexistência de proposta unificada Semânticas diversificadas Semânticas não especificadas de forma rigorosa, somente a partir de exemplos Exemplos simples de consultas não se generalizam para casos mais complexos Modelo de dados em fluxo Domínio temporal T = (T, ≤ ) Simplificando: T = {0, 1 , 2 ,...} Instante t t = elemento de T Tupla sobre um esquema relacional R(A1,...,An) : atributos Ai não incluem o atributo temporal T Stream puro: sequência (pode ser infinita) de elementos do tipo (e,t) , onde e é uma tupla sobre R e t é um instante. Stream puro = dado que chega ao sistema no instante t, proveniente do mundo externo Exemplo: Temperatura(x,t), onde x é um número real, medida de temperatura enviada por um sensor no instante t (t = instante em que o dado foi produzido pelo sensor) (e,t) : pode ser visto como um evento e que ocorreu no instante t Stream puro = sequência ordenada pelo elemento temporal t Requisito: número de tuplas com o mesmo t é FINITO. Tempo de validade versus Tempo do Sistema Tempo de validade = instante em que o dado foi produzido no mundo exterior. Tempo do sistema = instante em que o dado chega ao sistema Este é o tempo que é considerado para o atributo T de um elemento de dado em fluxo. Caso um dado u chegue ao sistema sem um tempo de validade, o sistema associa a u o tempo t do sistema, transformando u em um elemento (u,t) de dado em fluxo. Importante: tempo do sistema e tempo da aplicação (validade) não são sincronizados (em geral são distintos !) Exemplo de um esquema de banco de dados em fluxo Representação de dados em fluxo: diagrama geral Stream Lógico Stream Lógico: Representação utilizada no modelo lógico conceitual. Um stream lógico é um multi-conjunto (bag), potencialmente infinito, de elementos (e,n,t), onde e = tupla, n ϵ N, t um instante. n denota a multiplicidade da tupla e no instante t (quantas cópias de e foram produzidas no instante t) . (e,n,t) : e é válida no instante t e ocorre n vezes em t Stream Físico Stream Físico: Representação compacta do stream lógico, utilizada na implementação dos operadores da álgebra. Um Stream Físico é um multi-conjunto (bag), potencialmente infinito, de elementos (e, [ts, tf) ), onde e = tupla, ts e tf são instantes. (e, [ts, tf) ): e é válida no intervalo [ts, tf) , isto é, em todos os instantes t tais que ts ≤ t < tf Dados são ordenados considerando o instante inicial ts Não existe ordem entre dois elementos (e, [ts,tf1)) e (e’, [ts, tf2) ) Stream Chronon Stream Chronon Tipo especial de stream físico, onde os intervalos de tempo são chronons, isto é, unidades de períodos de tempo não decomponíveis = duração minima de tempo do dominio temporal T Instante = ponto na linha do tempo Chronon = periodo de tempo entre dois instantes consecutivos na linha do tempo. Exemplo: se o tempo é contado em segundos, então Chronon = periodo de 1 segundo Transformando uma representação na outra Puro Fisico Puro Lógico (e,t) (e, [t, t+1) ) S = { (e1,t1), ... } {(e, n, t) | n = número de elementos iguais a (e,t) em S} Fisico Lógico S = { (e1, [ts1,tf1)), (e2, [ts2,tf2)), ... } {(e, n, t) | n = número de elementos (e, [ts,tf)) em S, onde t ϵ [ts,tf ) } Exemplo: S = { (e, [1,4)), (e, [2,5)), (e’, [1,3)) } Stream Lógico correspondente ={(e,1,1), (e,2,2), (e,2,3), (e,1,4), (e’,1,1), (e’,1,2) } Exemplo Puro x Lógico x Físico Conversor Fonte externa do fluxo Dado (b, t) produzido no instante t, onde b é uma sequência de bytes Dado puro convertido (e, t) Dado fisico transformado (e, [ts,tf)) Sistema Gerenciador de Data Streams Processamento de Consultas: esquema geral DSMS PIPES [Kramer 2004] DSMS = Data Stream Management System Fornece uma linguagem de consultas onde os operadores são do tipo Stream Stream Formulação das consultas: Via comandos da linguagem Linguagem declarativa, semântica rigorosa, não-ambígua, extensão de SQL. Via interface gráfica Permite aos usuários construir planos de expressões algébricas diretamente, conectando os diferentes operadores da álgebra de forma apropriada. Criando um stream puro Análogo ao Create Table do SQL CREATE STREAM OpenAuction (itemID INT, sellerID INT, start_price REAL, Timestamp TIMESTAMP) SOURCE establishConnection(‘port341001’, ‘converter’) ORDERED BY Timestamp establishConnection: função implementada pelo usuário Transforma a sequência de bytes chegando na porta 341001 em um stream puro. Consultas Contínuas SELECT <lista de atributos> (não inclui timestamp !) FROM <Stream1> [<WINDOW 1>], <Stream2> [<WINDOW 2>], ... WHERE GROUP BY HAVING <WINDOW > ::= ( <UNIDADE DE FRAME> <INICIO DO FRAME> ) <UNIDADE DE FRAME>::= ROWS | RANGE <INICIO DO FRAME> ::= <VALOR> | UNBOUNDED <VALOR> ::= <INTEIRO POSITIVO> [<UNIDADE>] <UNIDADE> ::= SECONDS| MINUTES | HOURS | DAYS | MONTHS | YEARS Exemplo 1) FROM R WINDOW (ROWS 6) Considera todos os 6 últimos elementos do stream lógico R 2) FROM R WINDOW (RANGE 6 HOURS) Considera todos os elementos (e,n) do stream lógico R cujo tempo de validade t dista 6 horas do tempo corrente tc Intervalo de 6 horas t t = instante em que foi produzido o elemento no mundo externo tc instante da consulta = instante corrente tc Now Window A cláusula WINDOW é opcional. Quando não aparece no FROM Sistema utiliza uma janela default = now window 1 unidade de tempo tc instante da consulta = instante corrente tc Now window = todos os elementos do stream produzidos há 1 unidade de tempo e que são válidos no instante atual tc Exemplo de consulta Dê todos os dados sobre as compras que finalizaram após 5 horas desde o primeiro lance. SELECT OpenAuction.* FROM OpenAuction O WINDOW (RANGE 5 HOURS), ClosedAuction C WHERE O.ItemID = C.ItemID Intervalo de 5 horas t tc t = instante em que foi dado o primeiro lance instante da consulta = instante corrente tc Semântica da consulta Consulta submetida no tempo tc Considera o conjunto O de todos os produtos cujo primeiro lance foi dado no máximo há 5 horas, a partir do instante corrente tc Considera o conjunto C de todos os produtos que estão encerrados na última unidade de tempo (1 segundo ?) a partir do instante corrente tc Faz a junção de O X C pelo ItemID Projeta nos atributos de O (ItemID, sellerID, startPrice)