The need to process and analyze lar

The need to process and analyze large data volumes, as well as to convey the information contained therein to decision makers naturally led to the development of OLAP systems.
Similarly to SGBDs, OLAP systems must ensure optimum access to the storage environment.
Although there are several ways to optimize database systems, implementing a correct data indexing solution is the most effective and less costly.
Thus, OLAP uses indexing algorithms for relational data and n-dimensional summarized data stored in cubes.
Today database systems implement derived indexing algorithms based on well-known Tree, Bitmap and Hash indexing algorithms. This is because no indexing algorithm provides the best performance for any particular situation (type, structure, data volume, application).
This paper presents a new n-dimensional cube indexing algorithm, derived from the well known
B-Tree index, which indexes data stored in data warehouses taking in consideration their multidimensional nature and provides better performance in comparison to the already implemented
Tree-like index types.

Kết quả (Việt) 1:

Sự cần thiết để xử lý và phân tích khối lượng dữ liệu lớn, cũng như truyền đạt những thông tin có trong ấy quyết định tự nhiên dẫn đến sự phát triển của hệ thống OLAP.Tương tự như vậy để SGBDs, OLAP hệ thống phải đảm bảo tối ưu truy cập vào môi trường lưu trữ.Mặc dù có một số cách để tối ưu hóa hệ thống cơ sở dữ liệu, thực hiện một dữ liệu chính xác, lập chỉ mục các giải pháp là hiệu quả nhất và ít tốn kém.Vì vậy, OLAP sử dụng lập chỉ mục các thuật toán cho dữ liệu quan hệ và n-chiều tóm tắt dữ liệu được lưu trữ trong khối.Hôm nay hệ thống cơ sở dữ liệu thực hiện dịch các thuật toán lập chỉ mục dựa trên cây nổi tiếng, ảnh Bitmap và lập chỉ mục các thuật toán băm. Điều này là bởi vì không có thuật toán lập chỉ mục cung cấp hiệu suất tốt nhất cho bất kỳ tình huống cụ thể (type, cơ cấu, khối lượng dữ liệu, ứng dụng).Bài viết này trình bày một khối n chiều chỉ mục thuật toán mới, bắt nguồn từ sự nổi tiếngB-cây chỉ mục, lập chỉ mục các dữ liệu được lưu trữ trong dữ liệu kho tham gia xem xét bản chất đa chiều của họ và cung cấp hiệu suất tốt hơn so với đã triển khai thực hiệnCác loại cây giống như chỉ số.

Kết quả (Việt) 2:

Sự cần thiết phải xử lý và phân tích khối lượng dữ liệu lớn, cũng như để truyền đạt thông tin trong đó để ra quyết định một cách tự nhiên dẫn đến sự phát triển của hệ thống OLAP.
Tương tự như vậy để SGBDs, hệ thống OLAP phải đảm bảo tiếp cận tối ưu cho môi trường lưu trữ.
Mặc dù có một số cách để tối ưu hóa hệ thống cơ sở dữ liệu, thực hiện một giải pháp dữ liệu lập chỉ mục đúng là hiệu quả nhất và ít tốn kém.
vì vậy, OLAP sử dụng thuật toán lập chỉ mục cho dữ liệu quan hệ và dữ liệu tóm tắt n chiều được lưu trữ trong khối.
ngày nay các hệ thống cơ sở dữ liệu thực hiện nguồn gốc các thuật toán lập chỉ mục dựa trên nổi gọi Tree, Bitmap và Hash thuật toán lập chỉ mục. Điều này là bởi vì không có thuật toán lập chỉ mục cung cấp hiệu suất tốt nhất cho bất kỳ tình huống cụ thể (loại, cấu trúc, khối lượng dữ liệu, ứng dụng).
Bài viết này trình bày một thuật toán khối chỉ mục n-chiều mới, xuất phát từ nổi tiếng
chỉ số B-Tree, với chỉ mục dữ liệu lưu trữ trong kho dữ liệu dùng trong việc xem xét bản chất đa chiều của họ và cung cấp hiệu suất tốt hơn so với đã thực hiện
loại chỉ số cây như thế nào.