Basi di dati e DBMS - architettura ANSI-SPARC e indipendenza dei dati

Il corso parte da una domanda pratica: perché un'applicazione non può semplicemente salvare i suoi dati in file? La risposta è l'elenco di problemi che il DBMS risolve, e l'architettura a tre livelli che spiega come lo fa.

Database e DBMS

Definizione (base di dati). Una base di dati (database, DB) è una collezione permanente, coerente e integrata di dati correlati, tenuta per lungo tempo (anche decenni), progettata per uno scopo preciso e per utenti ben identificati. Rappresenta alcuni aspetti del mondo reale, detto mini-mondo o universe of discourse. I dati sono fatti noti che si possono registrare e hanno un significato intrinseco.

Definizione (DBMS). Un sistema di gestione di basi di dati (database management system) è un software generico che permette di creare, gestire e aggiornare un DB. Tre attività:

• definizione: lo schema (tipi di dato, struttura, vincoli) è scritto nel catalogo di sistema come metadati;
• costruzione: memorizzazione dei dati veri e propri;
• manipolazione: interrogazioni (query) e aggiornamenti.

Un DB è quindi autodescrittivo: contiene i dati e, nel catalogo, la descrizione di come sono fatti. I programmi non incorporano la struttura dei dati (separazione tra programmi e dati), e questo è il punto di partenza dell'indipendenza dei dati.

Esempio concreto: i dati di una università (studenti, docenti, esami) in un DBMS relazionale come PostgreSQL. Lo schema Studente(matricola, nome, cognome, data_nascita) sta nel catalogo; le righe sono i dati; SELECT nome FROM Studente WHERE matricola = 6554 è una manipolazione.

Caratteristiche dei database

• Grandi: molto più grandi della memoria centrale (terabyte, oggi petabyte); il DBMS organizza i dati su memoria di massa (Memoria di massa e scheduling del discoLa memoria di massa è fatta di dischi rigidi (HDD: piatti, tracce, cilindri, settori) e memorie non volatili NAND (SSD); tempo di accesso HDD = seek + latenza rotazionale (mezzo giro, 30/RPM secondi), tempo di I/O = accesso + trasferimento + overhead del controller; i blocchi sono indirizzati con un LBA lineare; per l'HDD si minimizza il seek con FCFS, SSTF (rischio di starvation), SCAN (ascensore) e C-SCAN (più uniforme), con le varianti LOOK e C-LOOK e il deadline di Linux; per le NVM contano FTL, garbage collection, overprovisioning e wear leveling; il sistema operativo formatta (fisico e logico), partiziona, gestisce il boot e lo spazio di swap; parità ed ECC rilevano e correggono errori; il RAID usa striping, mirroring e parità (livelli 0, 1, 4, 5, 6, 10) per più velocità e affidabilità, con MTTDL = 1/PDL.Memoria di massa e scheduling del disco →).
• Condivisi tra applicazioni e utenti: si riducono ridondanza e incoerenza, e serve il controllo della concorrenza per evitare interazioni indesiderate tra utenti (isolamento) e operazioni parziali o incomplete (atomicità).
• Durabili (persistenti): i dati sopravvivono a guasti hardware e software.
• Sicuri: l'accesso richiede autenticazione (chi sei) e autorizzazione (che cosa puoi fare).
• Efficienti: ottimizzano l'uso di risorse, in spazio e in tempo (l'ottimizzatore delle interrogazioni sceglie il piano di esecuzione).

Perché un file system non è un database

Il file system (File system - interfaccia, directory e implementazioneUn file è uno spazio di indirizzi logici contigui con attributi (nome, identificatore, tipo, posizione, dimensione, protezione, date) e operazioni (create, read, write, seek, delete, truncate, open, close); il sistema tiene una tabella dei file aperti di sistema e una per processo; l'accesso è sequenziale o diretto; le directory si organizzano a livello singolo, a due livelli, ad albero, a grafo aciclico (hard link e link simbolici) o a grafo generale; i permessi UNIX rwx per proprietario, gruppo e altri (chmod 754); il file system è a strati (file system logico, organizzazione dei file, file system di base, controllo dell'I/O), con strutture su disco (boot block, superblock, directory, FCB o inode) e in memoria; i blocchi si allocano in modo contiguo (extent), concatenato (FAT) o indicizzato (inode con puntatori diretti e indiretti, ext4 con extent); lo spazio libero con bitmap, lista, raggruppamento o conteggio; mount, VFS, file system distribuiti (NFS) e semantiche di consistenza.File system - interfaccia, directory e implementazione →) memorizza grandi quantità di dati in modo permanente, ma:

• lo schema è limitatissimo (alberi di directory) e l'accesso efficiente a dati la cui posizione non è nota in anticipo non è garantito;
• la durabilità non è assicurata (servono checksum, backup);
• non evita ridondanza e incoerenza, né offre isolamento e atomicità;
• ogni funzione da DBMS richiede codice applicativo ad hoc.

Dagli archivi ai database

Con gli archivi (file) ogni applicazione ha il suo: applicazione Studenti con l'archivio Studenti, applicazione Docenti con l'archivio Docenti, applicazione Esami con l'archivio Esami. Problemi:

Con un DBMS le applicazioni accedono a un'unica base di dati (Studenti, Docenti ed Esami insieme) tramite il DBMS: i dati sono memorizzati una volta e i vincoli sono definiti in un posto solo.

Architettura ANSI/SPARC

L'architettura ANSI/SPARC (Tsichritzis e Klug, 1978) descrive un DBMS con tre livelli di schema:

Definizione (livelli).

• Schema esterno (livello esterno): uno per ogni applicazione o gruppo di utenti, descrive solo i dati rilevanti per quella applicazione (una vista).
• Schema logico (livello logico): rappresentazione integrata dei dati, indipendente dalla loro rappresentazione fisica. È quello che si disegna con il modello relazionale.
• Schema interno (livello fisico): rappresentazione in strutture dati e unità di memorizzazione (file, pagine, indici).

Tra i livelli ci sono le corrispondenze (mapping) esterno/logico e logico/interno, mantenute dal DBMS. L'accesso ai dati avviene sempre tramite il livello esterno (che può coincidere con il logico).

Esempio con l'università:

-- livello logico: la tabella
CREATE TABLE Studente (matricola INT PRIMARY KEY, nome TEXT, cognome TEXT, data_nascita DATE);
CREATE TABLE Esame    (matricola INT, corso INT, voto INT, PRIMARY KEY (matricola, corso));

-- livello esterno: la vista per la segreteria (senza data di nascita)
CREATE VIEW VistaSegreteria AS
  SELECT s.matricola, s.cognome, e.corso, e.voto
  FROM Studente s JOIN Esame e ON s.matricola = e.matricola;

-- livello interno: una struttura fisica di accesso
CREATE INDEX idx_esame_corso ON Esame (corso);

Indipendenza dei dati

Grazie ai livelli si hanno due forme di indipendenza (è il motivo per cui il modello relazionale fu proposto, Modello relazionale - relazioni, chiavi e vincoliIl modello relazionale (Codd, IBM, 1970) rappresenta i dati con relazioni, cioè tabelle, ed è basato su valori: i legami tra relazioni sono confronti di valori, non puntatori, il che garantisce indipendenza dalle strutture fisiche, portabilità e bidirezionalità. Una relazione matematica è un sottoinsieme del prodotto cartesiano di n domini (insieme di n-uple ordinate, senza duplicati né ordine tra le righe); una relazione del modello è un insieme di tuple, funzioni dagli attributi ai valori del dominio, quindi non posizionale. Si distinguono schema di relazione e istanza, schema di base di dati (relazioni più vincoli) e istanza. NULL è un valore speciale fuori da ogni dominio. I vincoli di integrità sono intra-relazionali (di dominio, di tupla, di chiave) e inter-relazionali (integrità referenziale, con la chiave esterna). Superchiave: insieme di attributi che non ripete mai i valori; chiave: superchiave minimale; ogni relazione ne ha almeno una (tutti gli attributi); la chiave primaria è una chiave scelta, senza NULL.Modello relazionale - relazioni, chiavi e vincoli →):

Definizione (indipendenza fisica). Gli schemi logico ed esterno non dipendono dallo schema interno, che può cambiare senza modificarli.

Definizione (indipendenza logica). Lo schema esterno non dipende dallo schema logico: aggiunte e modifiche alle viste non richiedono cambiamenti al livello logico (e, viceversa, modifiche logiche si assorbono ridefinendo le viste).

Nell'esempio: creare o eliminare idx_esame_corso cambia la velocità, non il testo di nessuna query (fisica). Se la tabella Studente viene divisa in Anagrafica e Iscrizione, basta ridefinire VistaSegreteria e le applicazioni che la usano restano invariate (logica).

Attori

• Progettisti e sviluppatori del DBMS (il software stesso).
• Amministratore della base di dati (DBA): sicurezza, prestazioni, backup.
• Progettista della base di dati: scrive gli schemi (questa è la materia delle note successive).
• Progettisti e sviluppatori delle applicazioni.
• Utenti finali: parametrici (eseguono attività predefinite, come lo sportellista) e occasionali (casual, eseguono interrogazioni generiche non predefinite).

Un po' di storia

• 1970: Codd propone il modello relazionale; 1976: Chen propone il modello ER.
• 1977: System R di IBM (dal quale SQL); Ingres a Berkeley; 1979 Oracle; 1983 IBM DB2.
• 1986-1996: Postgres a Berkeley, poi PostgreSQL; 1998 MySQL (open source).
• Standard SQL ISO: SQL-86, SQL-89, SQL-92, SQL:1999, :2003, :2006, :2008, :2011, :2016.

Domande d'esame

1. Elencare le caratteristiche di un DBMS che un file system non garantisce. Traccia. Riduzione di ridondanza e incoerenza, controllo della concorrenza (isolamento, atomicità), durabilità dei dati dopo guasti, sicurezza con autenticazione e autorizzazione, accesso efficiente a dati la cui posizione non è nota, un vero schema con vincoli. Il file system può solo fornire spazio permanente.

2. Descrivere i tre livelli dell'architettura ANSI/SPARC e dire quale indipendenza garantiscono. Traccia. Esterno (viste per applicazione), logico (schema integrato indipendente dalla memorizzazione), interno (strutture fisiche). Il cambiamento dell'interno non tocca logico ed esterno (indipendenza fisica); il cambiamento del logico non tocca le applicazioni, se le viste si adeguano (indipendenza logica). Esempio: un indice cambia le prestazioni, non le query.

3. Quale differenza c'è tra schema e istanza, e tra DB e DBMS? Traccia. Lo schema descrive la struttura (livello intensionale), l'istanza sono i dati veri (livello estensionale, Ciclo di vita di un sistema informativo e analisi dei requisitiIl ciclo di vita di un sistema informativo ha le fasi studio di fattibilità, analisi dei requisiti, progettazione (dei dati e delle applicazioni), sviluppo, collaudo, esercizio e manutenzione; il modello a cascata procede in sequenza, quello a spirale itera per versioni. I requisiti sono funzionali (che cosa fa il sistema), non funzionali (come lo fa, es. tempi) e vincoli aggiuntivi imposti dai committenti; si raccolgono da frasi in linguaggio naturale, documentazione e applicazioni esistenti e si analizzano con frasi filtrate e glossario dei dati. La progettazione di una base di dati ha tre fasi: concettuale (schema ER, indipendente dal DBMS), logica (schema relazionale, per una classe di DBMS, con il carico applicativo) e fisica (strutture del DBMS scelto). Un modello è un insieme di costrutti, lo schema è la rappresentazione del mini-mondo (livello intensionale), l'istanza sono i dati (livello estensionale); un buono schema è completo, corretto, minimale e leggibile.Ciclo di vita di un sistema informativo e analisi dei requisiti →); il DB sono i dati più lo schema, il DBMS il software che li gestisce.