1

PicoDBMS: Scaling down Database Techniques for

the Smartcard

Christophe Bobineau, Luc Bouganin, Philippe Pucheral, Pratick Valduriez

Ana Karina de Oliveira Rocha

2

Roteiro• Motivação• Problemática• Desafios• Armazenamento• Custo de Armazenamento• Processamento de Consultas• Comentários Finais• Referências Bibliográficas

3

Motivação• Proliferação de dispositivos portáteis.

−Celulares−PDAs−Cartões inteligentes (Smart cards)

• Acesso de serviços independente da sua localização física.−Aplicações nas áreas de telefonia celular,

bancárias, de transportes, de saúde, de identificação pessoal e de finanças.

4

Motivação• Os cartões inteligentes são modernos e

seguros.• Número cada vez maior de aplicações

utilizam cartões inteligentes.• Os cartões inteligentes fornecem grande

mobilidade devido ao seu tamanho reduzido.

5

Motivação• Vantagens dos cartões inteligentes:

−São bastante flexíveis.−São recarregáveis.−São multioperacionais.

• Quanto a forma de comunicação os cartões inteligentes podem ser de dois tipos:−Cartões com contato−Cartões sem contato

6

Problemática• Os Cartões inteligentes possuem

limitações computacionais.−Possuem uma CPU.−Memória RAM (4KB – 128 KB).−Memória ROM – 96 KB.−Memória EEPROM (128 KB – 1MB).

• Tempo de leitura rápido (60-100 ns)• Tempo de escrita lento (10 ms/palavra)

7

Problemática• Os cartões inteligentes possuem as maiores

restrições de recursos computacionais.• As técnicas de banco de dados tradicionais

não podem ser diretamente aplicadas em ambientes com recursos computacionais limitados.

• Como baixar a escala das técnicas tradicionais de banco de dados?

8

Problemática• Técnicas tradicionais

−Armazenamento:• Possuem várias estruturas de índices• Possuem valores repetidos

−Consumo de memória

9

Problemática• Técnicas tradicionais

−Processamento de Consultas• Alto consumo de memória• Armazenamento de resultados

intermediários• Materialização• Estruturas temporárias guardadas na

memória−Ex: índices

10

Desafios• Diminuir o espaço ocupado pelas

estruturas de dados (índices, tuplas, etc.)

• Diminuir uso da memória RAM• Diminuir as operações de escrita • Aproveitar eficiência de operações

de leituras

11

Armazenamento• Armazenamento Seqüencial (FS)

−Simplicidade−As tuplas são armazenadas em seqüência;

• Problemas−1. Consumo de espaço – valores de atributos

duplicados−2. Ineficiente – Ausência de índices -> busca

seqüencial• Adição de índices resolve o 2 problema

ao mesmo tempo que agrava o 1.

12

Armazenamento• Armazenamento por domínio (DS)

−Ausência de valores duplicados−Uso de apontadores em atributos

v1v2v3v4

Relação R

Valores

Relação S

13

Armazenamento• Armazenamento em anel (RS)

−Redução das estruturas de índices−Formação de anel: valor -> atributos ->

valor−Semelhança com armazenamento por

domínio

14

Armazenamento• Estrutura de índice em anel – Select

IndexRelação R

Valores

R.aIndice em R.a

v1v2v3v4

Select Index...Where R.a=“v1”

15

Armazenamento• Estrutura de índice em Anel – Join

IndexRelação R

Relação S

R.bS.a

Join Index...Where R.b=S.a

16

Custo de Armazenamento• Se os atributos não precisam ser

indexados a escolha deve ser feita entre o FS e o DS. Caso contrário,

• A escolha deve ser feita entre por RS e FS com índices tradicionais.

17

Custo de Armazenamento• A Figura abaixo compara FS com DS

18

Custo de Armazenamento• A Figura abaixo compara FS com RS

19

Processamento de Consultas• Modelos tradicionais consomem muita

memória principal armazenando estrutura de dados temporários e resultados intermediários.

• Quando a memória principal não é suficiente eles recorrem a materialização para evitar overflow de memória.

20

Processamento de Consultas• Algoritmos tradicionais não podem ser

usados no PicoDBMS:−1. Lentidão da escrita na memória.−2. Não se pode estimar previamente o tamanho

de uma área específica de RAM a ser utilizada.−3. No estado da arte os algoritmos são bastante

sofisticados.• No PicoDBMS - Código simples, compacto

e seguro.

21

Processamento de Consultas• Para resolver estes problemas o

PicoDBMS propõe técnicas de consulta que não utilizam nenhuma área de RAM, nem escrevem na memória estável.−1. Consultas Básicas - Seleção, projeção e

junção−2. Consultas Complexas - Agregação,

ordenação e remoção

22

Processamento de Consultas• No modelo tradicional o processo de

Consultas é feito em 2 passos:−1. O “otimizador” gera planos de

otimização de execução de consultas (QEP).

−2 O QEP é executado para uma consulta que implementa um modelo de execução e usa bibliotecas de operadores relacionais.

23

Processamento de Consultas• O “otimizador” pode usar diferentes

formas de QEP:−1. Árvore de profundidade à esquerda.−2. Árvore de profundidade à direita.

24

Processamento de Consultas• Árvore de profundidade à esquerda

− Os operadores são executados seqüencialmente e cada resultado intermediário é materializado.

25

Processamento de Consultas• Árvore de profundidade à direita

− Os operadores são executados em pipeline evitando que resultados intermediários sejam materializados.

26

Processamento de Consultas• Problema: Eles requerem materialização

em memória para todas as relações da esquerda.

27

Processamento de Consultas Básicas • O PicoDBMS propõe usar somente

pipeline em todos os operadores. Ex: árvore de extrema profundidade à direita.

28

Processamento de Consultas Complexas• Problema: Pipeline não é compatível com os

operadores de seleção e remoção de duplicatas, pois

classicamente os seus resultados intermediários são materializados.

29

Processamento de Consultas Complexas• O picoDBMS explora duas propriedades:• 1. Agregação e remoção de duplicatas podem

ser feitos em pipeline se: As tuplas de entrada já estiverem agrupadas por valores distintos.

• 2. Operadores pipeline preservam a ordem desde que eles consumam ou produzam tuplas na sua ordem de chegada.

30

Processamento de Consultas Complexas• Existe um problema na solução proposta pelo

PicoDBMS:− Para construir uma Árvore de extrema profundidade à

direita o processador de consultas do PicoDBMS viola uma heurística para a otimização de consultas relacionais.

• PicoDBMS possui um processamento de consultas dispendioso, manipulando uma maior quantidade de dados e consumindo muito tempo no processamento dos dados.

31

Considerações Finais• Existência do Sql Java Machine - pequeno

e completo SGBD, menor que 8KB que fornece as linguagens de definição de dados (DDL) e de manipulação de dados (DML).

32

Referências• PicoDBMS: Scaling down Database Techniques for

the Smartcard. Christophe Bobineau, Luc Bouganim, Philippe Pucheral and Patrick Valduriez.Proceedings of the 26th International Conference on Very Large Databases, Cairo, Egypt, 2000.

• Pré-Calculo de Junções para Processamento Consultas em Ambientes com Recursos Computacionais Limitados. Tathianne Moreira Paulino. Orientador: Dr. Angelo Brayner. Dissertação de Mestrado – UFC, 2004.