Menge
Werbung
Agenda für heute, 16. Dezember 2005 • Datenmodellierung • • • • Pause Datenbankentwurf Relationale Operatoren und SQL Sicherheit 2/37 © Institut für Computational Science, ETH Zürich Elemente der Datenverwaltung Speicherkapazität + Rechenleistung Leute Daten Information Computer Datenverwaltung Programme Eine Beschreibung der Verarbeitung und Speicherung der Daten muss für Leute verständlich sein, sich aber auch für die Programmierung eignen! Verarbeitung + Speicherung 3/37 Algorithmen + Datenstrukturen © Institut für Computational Science, ETH Zürich Wieso Datenmodellierung? Ein Modell wird konstruiert um das Verständnis über die Herkunft und Verwendung der Daten zu verbessern und um Details zu abstrahieren. Verständnis: Wie sollen die Daten gespeichert werden (Organisation) Abstrahieren: Welche Daten sollen gespeichert werden Bsp.: Bodenbeschaffenheit 4/37 © Institut für Computational Science, ETH Zürich Hilfsmittel für die Modellierung von Daten Methode Unterstützt Mind mapping Gedanken assoziativ spontan darstellen Concept Maps Wissen kontextabhängig organisieren und darstellen Entity-Relationship Modell Datenbankgerechte Darstellung von Objekten, deren Merkmale und Beziehungen zueinander 5/37 © Institut für Computational Science, ETH Zürich Mind mapping 6/37 © Institut für Computational Science, ETH Zürich Concept maps 7/37 © Institut für Computational Science, ETH Zürich Entity-Relationship-Diagramm Beziehungstyp Name GrundNahrungsmittel Nährstoff Entitätsmenge Mengen m 1 Name Rezept Komponenten Beziehung (Relationship) 8/37 m Verlust 1 Rezept Lebensmittel Nährstoff Entitätsmenge Merkmal (Attribut) © Institut für Computational Science, ETH Zürich E-R-Diagramm, Bsp. 2 Name Grundnahrungsmittel Gruppe Datum m 1 Name Analyse Person m Methode 9/37 1 Quelle Nährstoff Menge © Institut für Computational Science, ETH Zürich Tabellarische Darstellung von Entitätsmengen Nahrungsmittel Name Aprikose Bürli Paranuss CH-Code 18.1.2.1 12.1.2.Z.2 18.1.6.6 Protein 0.8g 8.618g 13g Wasser 86.79g 39.632g 5.929g 2.1g 3.983g 8.3g Kalium 315mg 159.927mg 680mg Kohlehydrate 12.1g 48.802g 11.8g 0g 0g 0g Vitamin E 0.7mg 0.411mg 7mg Eisen 0.4mg 2.032mg 3.1mg 7g 22.97g 12g Nahrungsfasern Alkohol Folsäure Attribut Entität 10/37 © Institut für Computational Science, ETH Zürich Aufteilen von Entitätsmengen Nahrungsmittel Name Aprikose Aprikose Aprikose Bürli Bürli Bürli CH-Code 18.1.2.1 18.1.2.1 18.1.2.1 12.1.2.Z.2 12.1.2.Z.2 12.1.2.Z.2 180 84 57 180 84 57 86.79 12.1 0.4 39.632 48.802 2.032 Nährstoff_id Menge = Schlüssel Nährstoffe Nährstoff_id 57 84 180 178 Name_d Eisen Kohlehydrate Wasser Vitamin K Name_f Fer Hydrate de carbon Eau Vitamine K Name_i Ferro Carboidrati Acqua Vitamina K Masseinheit mg g g mg Hauptkomp. ja ja ja nein 11/37 © Institut für Computational Science, ETH Zürich Entitätsmengen und Beziehungen Nahrungsmittel NMittel_id 1000842 1001511 Name_d Aprikose Bürli Name_f Abricot Bürli Name_i Albicocca Bürli 18.1.2.1 12.1.2.Z.2 CH-Code Analyse m Nährstoffe Nährstoff_id 1 m Analyse_id 1 2 NMittel_id 1000842 1001511 180 84 Quelle CIQUAL Inst. f. LMW Menge 86.79 48.802 Methode unbekannt Summenwert Person M. Racher S. Jacob Nährstoff_id 1 180 84 57 178 Name_d Wasser Kohlehydr. Eisen Vitamin K Name_f Eau Hydrate de carbon Fer Vitamine K Name_i Acqua Carboidrati Ferro Vitamina K Masseinheit g g mg mg Hauptkomp. ja ja ja nein 12/37 © Institut für Computational Science, ETH Zürich • Datenmodellierung • Datenbankentwurf • Relationale Operatoren und SQL • Sicherheit © Institut für Computational Science, ETH Zürich Modelle & Schemata Modellierung der Daten aus der realen Welt Entity-Relationship-Modell Konzeptionelles Schema Relationales Datenmodell Modellierung der Daten im Rechner 13/37 © Institut für Computational Science, ETH Zürich Grundlagen für den Datenbankentwurf Selektive Abfrage Basisdaten Datenbank Konzeptionelles Schema Internes Schema • Datenstrukturen • Datentypen • Zugriffsmechanismen • Logische Gesamtstruktur • Eigenschaften der Daten • Beziehungen unter den Daten Datenmodell 14/37 Externes Schema • Anwendungsspezifische Sicht auf die Daten © Institut für Computational Science, ETH Zürich Verschiedene Datenmodelle Hierarchisch z.B. UBS Netzwerk Relational z.B. SBB z.B. Nährwertdaten 15/37 Objektorientiert z.B. CAD © Institut für Computational Science, ETH Zürich Relationale Datenbanken • Tabellen in denen Einträge (Tupel) eingefügt, gelöscht oder geändert werden können (Mutationen). • Mehrfache Speicherung von Werten (Redundanz) wird reduziert, indem Daten systematisch auf mehrere Tabellen (Relationen) aufgeteilt werden (Normalisieren). • Die ursprüngliche Information wird wieder hergestellt indem Daten aus den individuellen Tabellen mit relationalen Operatoren verknüpft werden. Grundlage dazu ist die relationale Algebra. 16/37 © Institut für Computational Science, ETH Zürich Relationen aufteilen Nahrungsmittel Name CH-Code Wasser Kohlehydrate Aprikose 18.1.2.1 86.79g 12.1g 0.4mg 0.8g 315mg ja Bürli 12.1.2.Z.2 39.632 39.632 2.032mg 8.618g 159.927mg ja Nahrungsmittel Name Eisen CH-Code Protein Kalium Nährstoff_id Menge Aprikose 18.1.2.1 180 86.79 Aprikose 18.1.2.1 84 12.1 Aprikose 18.1.2.1 57 0.4 Bürli 12.1.2.Z.2 180 39.632 Bürli 12.1.2.Z.2 84 48.802 Bürli 12.1.2.Z.2 57 2.032 Hauptkomp. Attribut Tupel Nährstoffe Nährstoff_id Name_d Name_f Name_i Masseinh . Hauptkomp. 57 Eisen Fer Ferro mg ja 84 Kohlehydrate Hydrate de carbon Carboidrate g ja 180 Wasser Eau 17/37 Acqua g © Institut für Computational Science,ja ETH Zürich • Datenmodellierung • Datenbankentwurf • Relationale Operatoren und SQL • Sicherheit © Institut für Computational Science, ETH Zürich Relationen zusammenführen Nahrungsmittel Name CH-Code Nährstoff_id Menge Aprikose 18.1.2.1 180 86.79 Aprikose 18.1.2.1 84 12.1 Aprikose 18.1.2.1 57 0.4 Bürli 12.1.2.Z.2 180 39.632 Bürli 12.1.2.Z.2 84 48.802 Bürli 12.1.2.Z.2 57 2.032 Nährwerte Nam e Name_d Menge Bürli Wasser 39.632 Bürli Kohlehydrate 48.802 Nährstoffe Id_Nr 57 84 180 Name_d Eisen Name_f Name_i Hauptkomp. Ferro mg ja Carboidrate g ja Acqua g ja Fer Kohlehydrate Hydrate de carbon Wasser Masseinh . Eau 18/37 © Institut für Computational Science, ETH Zürich Relationale Operatoren Die drei wichtigsten Operatoren der relationalen Algebra für das Manipulieren von Tabellen sind: a) Selection Wählt diejenigen Tupel einer Relation aus, welche bestimmte Bedingungen erfüllen. b) Projection Wählt eine oder mehrere Spalten einer Relation aus. c) Join Paart selektiv Spalten aus verschiedenen Relationen. 19/37 © Institut für Computational Science, ETH Zürich Datenbanken abfragen "In welchen Mengen kommen Kohlehydrate in der Datenbank vor?" Natürlichsprachlich formulierte Frage SELECT Nährstoff_id, Menge FROM Nahrungsmittel WHERE Abfragesprache für Datenbanken z.B. SQL Nährstoff_id = 84 (Structured Query Language) Tabellarische Ausgabe (Relation) 20/37 © Institut für Computational Science, ETH Zürich Auswahl bestimmter Attribute mit dem Befehl SELECT (project) Attribut Relation SELECT CH-Code FROM Nahrungsmittel Nahrungsmittel Name CH-Code Nährstoff_id Menge Aprikose 18.1.2.1 180 86.79 Aprikose 18.1.2.1 84 12.1 Resultat: Paranuss 18.1.6.6 180 5.929 CH-Code Bürli 12.1.2.Z.2 180 39.632 18.1.2.1 Bürli 12.1.2.Z.2 84 48.802 18.1.2.1 Bürli 12.1.2.Z.2 57 2.032 18.1.6.6 12.1.2.Z.2 12.1.2.Z.2 12.1.2.Z.2 21/37 © Institut für Computational Science, ETH Zürich Auswahl bestimmter Tupel mit dem Befehl SELECT SELECT * FROM Nahrungsmittel WHERE Menge < 15 Nahrungsmittel Resultat: Name CH-Code Nährstoff_id Menge Aprikose 18.1.2.1 180 86.79 Aprikose 18.1.2.1 84 12.1 Paranuss 18.1.6.6 180 5.929 Bürli 12.1.2.Z.2 180 39.632 Bürli 12.1.2.Z.2 84 48.802 Bürli 12.1.2.Z.2 57 2.032 Name CH-Code Attributwert Nährstoff_id Menge Aprikose 18.1.2.1 84 12.1 Paranuss 18.1.6.6 180 5.929 Bürli 12.1.2.Z.2 57 2.032 22/37 © Institut für Computational Science, ETH Zürich Select, project und join mit dem Befehl SELECT SELECT Nährstoff_id, Menge FROM Nahrungsmittel WHERE Nährstoff_id = 84 Nahrungsmittel Name CH-Code Nährstoff_id Menge Aprikose 18.1.2.1 180 86.79 Aprikose 18.1.2.1 84 12.1 Paranuss 18.1.6.6 180 5.929 Bürli 12.1.2.Z.2 180 39.632 Bürli 12.1.2.Z.2 84 48.802 Bürli 12.1.2.Z.2 57 2.032 Nährstoff_id Menge 84 12.1 84 48.802 Resultat: 23/37 © Institut für Computational Science, ETH Zürich Die drei relationalen Operatoren als SQL-Anweisung Mit der SELECT-Anweisung von SQL können alle drei relationalen Operatoren eingesetzt werden. Syntax der SELECT-Anweisung: SELECT [ALL | DISTINCT] Feld1[,Feld2] FROM Tabelle1[,Tabelle2] [WHERE "Bedingungen"] [GROUP BY "Felder-Liste"] [HAVING "Bedingungen"] [ORDER BY "Felder-Liste" [ASC | DESC]]; Hinweis: Die innerhalb eckiger Klammern [ ] angegebenen Klauseln sind optional. Soll das ganze Tupel ausgegeben werden (alle Spalten einer Tabelle) setzt man an Stelle von Spaltenbezeichnern ein * . Jede SQL-Anweisung muss mit einem Semikolon ; beendet werden. 24/37 © Institut für Computational Science, ETH Zürich Hinweis SELECT Nährstoff_id, Menge FROM Nahrungsmittel WHERE Nährstoff_id = 84 • Im Allgemeinen versteht man eine SELECT-FROM-WHERE Abfrage am schnellsten, indem man zuerst die FROM-Klausel betrachtet um zu sehen, welche Relationen involviert sind (Nahrungsmittel). • Anschliessend betrachtet man die WHERE-Klausel um zu sehen, welche Attribute eines Tupels für die Abfrage wichtig sind (Nährstoff_id). • Am Schluss sieht man der SELECT-Klausel an, was die Ausgabe ist (Nährstoff_id, Menge). 25/37 © Institut für Computational Science, ETH Zürich Relationen zusammenführen SELECT Name, Name_d, Menge FROM NM, NS WHERE Name = Bürli AND Menge > 30 NM Name CH-Code Nährstoff_id Menge Resultat: NM.Name NS.Name_d NM.Menge Aprikose 18.1.2.1 180 86.79 Aprikose 18.1.2.1 84 12.1 Bürli Wasser 39.632 Aprikose 18.1.2.1 57 0.4 Bürli Kohlehydrate 48.802 Bürli 12.1.2.Z.2 180 39.632 Bürli 12.1.2.Z.2 84 48.802 Bürli 12.1.2.Z.2 57 2.032 NS Id_Nr 57 84 180 Name_d Eisen Name_f Name_i Fer Kohlehydrate Hydrate de carbon Wasser Eau Masseinh . Hauptkomp. Ferro mg ja Carboidrate g ja g ja 26/37 Acqua © Institut für Computational Science, ETH Zürich Funktionen in SQL SQL stellt verschiedene andere Operatoren zur Verfügung, so unter Anderem die folgenden fünf Aggregations-Operatoren : SUM Berechnet die Summe der numerischen Werte einer Spalte AVG Berechnet den Durchschnitt der Werte einer Spalte MIN Gibt den kleinsten Wert einer Spalte zurück MAX Gibt den grössten Wert einer Spalte zurück COUNT Gibt die Anzahl Zeilen einer Tabelle zurück 27/37 © Institut für Computational Science, ETH Zürich • Datenmodellierung • Datenbankentwurf • Relationale Operatoren und SQL • Sicherheit © Institut für Computational Science, ETH Zürich Statistische Datenbanken Vertrauliche Daten Abfragen beschränkt auf statistische Operationen (Aggregationen): COUNT, SUM, MEAN , MIN, MAX 28/37 © Institut für Computational Science, ETH Zürich Statistische Datenbanken Datenbank-Verwaltungssysteme erlauben Zugriffe nur über sog. Transaktionsprogramme. Benutzerinnen und Benutzer greifen nicht selber auf Daten zu, sondern identifizieren bestimmte Datensätze mit einer sog. "charakteristischen Formel". Eine charakteristischen Formel C ist ein logischer Ausdruck, der Vergleichsoperatoren ( =, ≠, <, etc.) und logische Operatoren (AND, OR, NOT) enthält. Mit C lassen sich bestimmte Mengen von Datensätzen identifizieren. Beispiel C = "weiblich AND Professor OR (Gehalt ≥ CHF 80000)" 29/37 © Institut für Computational Science, ETH Zürich Statistische Datenbanken Mit einer charakteristischen Formel und Aggregations-Operatoren • Stehen statistische Daten zur Verfügung • Werden empfindliche Daten nicht preisgegeben Trotzdem kann es leicht sein, bestimmte vertrauliche Daten durch geeignete statistische Abfragen, die Rückschlüsse zulassen, herzuleiten! 30/37 © Institut für Computational Science, ETH Zürich Gewisses Vorwissen erlaubt Rückschlüsse: Beispiel 1 Frage: Wie viele Patienten haben folgende Eigenschaften? Männlich Alter 40 – 50 Verheiratet Zwei Kinder Lic.jur. Bank-Vizepräsident Antwort: 1 Wir wissen aber, dass Herr Schmied diese Eigenschaften hat und erhalten somit vertrauliche Informationen über Schmied mit der folgenden Abfrage. 31/37 © Institut für Computational Science, ETH Zürich Gewisses Vorwissen erlaubt Rückschlüsse: Beispiel 1 Frage: Wie viele Patienten haben folgende Eigenschaften? Männlich Alter 40 – 50 Verheiratet Zwei Kinder Lic.jur. Bank-Vizepräsident Nehmen Antidepressiva Die Abfrage wird mit "1" antworten, falls Schmied Antidepressiva genommen hat, sonst mit "0". 32/37 © Institut für Computational Science, ETH Zürich Lassen sich solche Rückschlüsse verhindern? Einfaches Prinzip der "Blossstellung" • Eine Abfrage-Formel C, deren Antwortgrösse 1 ist. • Die Antwortgrösse der Abfrage C AND X. Verhinderung durch minimale Antwortgrösse: Antworte auf keine Abfrage, die weniger als k oder mehr als n-k Datensätze in der Antwort hat. n = totale Anzahl Datensätze in der Datenbank Diese Kontrolle ist leider nicht wirksam. 33/37 © Institut für Computational Science, ETH Zürich Gewisses Vorwissen erlaubt Rückschlüsse: Beispiel 2 Geheime Wahlspenden Name Geschlecht Beruf Spende (CHF) Schamanski M Journalist 3000 Staub M Journalist 500 Bertolli M Unternehmer Ott W Journalist 5000 Zwahlen W Wissenschaftler 1000 Koller M Wissenschaftler 20000 Waser W Arzt 2000 Schmid M Anwalt 10000 1 n = 8; bei k =2: min. Antwortgrösse = 2, max. Antwortgrösse = 6 34/37 © Institut für Computational Science, ETH Zürich Rückschlüsse mittels "Tracker" Angenommen, C = (Journalist AND W) identifiziert Ott eindeutig. Kontrolle Die minimale Anwortgrösse verhindert direkte Abfragen über Ott. Umgehung Kleine Antwortmengen "füttern", damit sie die minimale Antwortgrösse erreichen. Danach wird der Effekt der zusätzlichen Datensätze subtrahiert. Die Formel, welche die zusätzlichen Datensätze identifiziert, wird "Tracker" genannt. (To "track down" additional characteristics of an individual). 35/37 © Institut für Computational Science, ETH Zürich Tracker anwenden Frage: Wie viele Personen sind Journalist? Antwort: 3 Frage: Wie viele Personen sind Journalist AND M? Antwort: 2 Rückschluss: (Journalist AND W) identifiziert 1 Individuum (Ott) Frage: Summe der Spenden der Journalisten? Antwort: CHF 8500 Frage: Summe der Spenden Journalist AND M? Antwort: CHF 3500 Rückschluss: Spende der einzigen Journalistin = CHF 5000! 36/37 © Institut für Computational Science, ETH Zürich Kontrolle ist schwierig Abfragen tragen unweigerlich Information aus der Datenbank. Man kann deshalb nicht annehmen, dass sich ein System nie Blossstellen lässt. Deshalb Zugriffe aufzeichnen (threat monitoring) Notwendiger Aufwand für Blossstellungen hoch halten 37/37 © Institut für Computational Science, ETH Zürich Wir wünschen Ihnen ein schönes Wochenende!
