多维数据模型中维层次结构的自动生成算法及其实现
数据仓库的多维数据模型
数据仓库的多维数据模型数据仓库的多维数据模型是一种用于组织和表示数据仓库中数据的结构化方法。
它通过将数据组织成多维数据立方体的形式，提供了一种直观且高效的方式来分析和查询数据。
多维数据模型的核心概念是维度和度量。
维度是描述数据的属性，如时间、地点、产品等，它们用于对数据进行分类和分组。
度量是可以进行计量和分析的数据，如销售额、利润等。
维度和度量共同构成了多维数据模型中的数据立方体。
在多维数据模型中，数据立方体由多个维度和度量组成。
每个维度都有多个层次，用于对数据进行不同粒度的分析。
例如，时间维度可以包括年、季度、月份等层次。
每个层次都可以通过层次间的关系进行导航和聚合。
除了维度和度量，多维数据模型还包括事实表和维度表。
事实表是存储度量数据的表，它包含了与度量相关的各种属性。
维度表是存储维度数据的表，它包含了与维度相关的各种属性。
事实表和维度表通过共享维度的主键进行关联。
在多维数据模型中，还可以使用多种数据模型，如星型模型和雪花模型。
星型模型是最简单和最常见的多维数据模型，它由一个事实表和多个维度表组成，维度表与事实表直接关联。
雪花模型在星型模型的基础上，将维度表进一步规范化，以减少数据冗余和提高数据一致性。
多维数据模型的设计和建模是数据仓库开发中的关键步骤。
在设计多维数据模型时，需要考虑业务需求、数据源的结构和数据的粒度等因素。
合理的多维数据模型可以提高数据仓库的查询性能和分析效果，帮助用户更好地理解和利用数据。
在实际应用中，多维数据模型常用于OLAP（联机分析处理）系统和数据挖掘任务。
它可以支持复杂的数据分析和查询操作，如切片、切块、旋转和钻取等。
多维数据模型的灵活性和高效性使得它成为处理大规模数据和复杂分析任务的重要工具。
总结起来，数据仓库的多维数据模型是一种用于组织和表示数据仓库中数据的结构化方法。
它通过维度和度量的概念，将数据组织成多维数据立方体的形式，提供了一种直观且高效的方式来分析和查询数据。
数据仓库设计与建模的维度数据的层次化处理(一)
数据仓库设计与建模的维度数据的层次化处理维度数据在数据仓库设计与建模中扮演着重要的角色，它们用于描述和分析业务实体的各种属性。
而在实际应用中，维度数据往往具有多层次的结构，这就需要我们对其进行层次化处理，以满足业务需求和数据分析的要求。
一、维度数据的层次化结构维度数据的层次化结构是指在一个维度中，数据的属性之间存在一种逻辑的上下级关系，形成了层级结构。
例如，在销售领域的数据仓库中，产品维度可能有多个层次，比如：产品类别-产品品牌-产品型号。
其中，产品类别是最高层级，产品型号是最低层级。
二、层次化处理的必要性1. 支撑复杂的数据分析：层次化处理使得我们可以根据需求进行不同层次的数据分析。
比如，在销售数据分析中，我们可以对整个产品类别进行分析，也可以对某个具体的产品型号进行分析。
2. 实现灵活的数据钻取：层次化处理允许用户根据具体需要进行数据的钻取。
用户可以从总体数据逐步钻取到细节数据，或者从细节数据跳转到总体数据，以便更好地了解业务情况。
3. 提高数据查询效率：层次化处理可以通过预先构建多个层次的聚集表来提高查询效率。
在数据查询时，如果查询的是较高层级的数据，可以直接利用聚集表返回结果，而不必访问底层细节数据。
三、层次化处理的方法1. 树形结构处理：树形结构是最常见的一种层次化处理方法。
通过建立维度表的不同层次之间的父子关系，可以构建一个树形结构。
在树形结构中，每个节点代表一个数据的层次，而叶子节点则是具体的数据项。
2. 层级键处理：层级键是将数据仓库中的层次结构映射为唯一标识的一种方法。
通过为每个层次的每个节点分配一个唯一标识，可以在维度表中使用层级键来表示不同层级之间的关系。
3. 标识属性处理：标识属性是指在维度表中为每个层次的每个节点添加一个属性，用于标识该节点所属的层级。
通过标识属性，可以方便地进行层级之间的数据关联和处理。
四、层次化处理的注意事项1. 数据一致性：在进行层次化处理时，需要确保数据的一致性。
数据仓库的多维数据模型
数据仓库的多维数据模型数据仓库的多维数据模型是一种用于组织和表示数据仓库中数据的结构化方法。
它通过将数据组织成多维数据立方体来提供灵活的数据分析和查询能力。
本文将详细介绍数据仓库的多维数据模型的定义、特点、设计原则以及常用的多维数据模型。
一、定义数据仓库的多维数据模型是一种基于事实表和维度表的数据结构，用于描述和组织数据仓库中的数据。
事实表包含与业务过程相关的数值型度量数据，而维度表包含与事实表相关的描述性属性。
通过将事实表和维度表进行关联，可以构建多维数据立方体，实现对数据的多维分析和查询。
二、特点1. 多维性：多维数据模型将数据组织成多维数据立方体，可以同时从不同的维度对数据进行分析和查询，从而提供全面的视角和深入的洞察力。
2. 灵活性：多维数据模型可以根据业务需求进行灵活的扩展和调整，可以添加新的维度或度量，以适应不断变化的业务环境。
3. 高性能：多维数据模型通过预计算和聚合技术，可以提高数据查询的性能，加快数据分析的速度，满足用户对实时和快速的数据响应的需求。
4. 可理解性：多维数据模型采用直观的图形化表示方式，使用户能够直观地理解和探索数据，从而更好地支持决策和业务分析。
三、设计原则1. 选择合适的粒度：在设计多维数据模型时，需要根据业务需求选择合适的粒度，即事实表中的度量数据的精度。
粒度的选择应该能够满足用户对数据分析和查询的需求，同时避免数据冗余和过度复杂性。
2. 定义清晰的维度：维度是多维数据模型的核心，需要定义清晰、一致和可理解的维度。
维度应该包含与事实表相关的描述性属性，如时间、地理位置、产品等，以支持多维分析和查询。
3. 建立正确的关联：事实表和维度表之间的关联是多维数据模型的关键，需要确保关联的正确性和一致性。
关联的建立应该基于业务规则和数据的语义，避免数据的冗余和错误。
4. 使用合适的聚合：为了提高数据查询的性能，可以使用聚合技术对数据进行预计算和汇总。
聚合的选择应该基于业务需求和数据的访问模式，以平衡性能和精度的要求。
多维数据可通过算法向量生成三维或更高维度视觉效果
多维数据可通过算法向量生成三维或更高维度视觉效果在当今信息爆炸的时代，我们每天都面临着大量的数据。
处理这些数据并从中提取有意义的信息对我们来说变得越来越重要。
其中一个挑战是如何有效地将多维数据可视化，以便我们可以更好地理解和分析。
多维数据通常有很多属性或特征。
传统的可视化方法，如散点图和柱状图，只能展示两个或者三个维度的数据。
然而，现实中的数据可能有更多的维度，这就需要一种更高级的可视化方法来展示多维数据。
为了解决这个问题，一些研究者提出了使用算法向量生成三维或更高维度的可视化效果。
这种方法通过将多维数据映射到低维空间，并在低维空间中使用算法进行可视化，从而实现了对多维数据的可视化。
这种方法的一个例子是t-SNE算法。
t-SNE算法是一种非线性的数据降维算法，它可以将高维数据映射到二维或三维空间中，并且可以保留数据之间的局部结构信息。
通过使用t-SNE算法，我们可以将高维数据可视化为具有不同颜色的点，这些点在低维空间中反映了数据之间的相似性。
另一个例子是流形学习方法。
流形学习是一种非线性降维技术，它通过将高维数据映射到低维流形空间中，保留数据的原始结构。
通过使用流形学习方法，我们可以将多维数据可视化为三维或更高维度的图形，从而更好地理解数据的属性和关系。
除了上述的算法向量方法，还有一些其他的技术可以用于多维数据的可视化。
例如，热力图可以用来表示数据的密度和关联性，平行坐标图可以展示多个属性之间的关系，雷达图可以展示多个变量的相对大小。
无论是哪种方法，多维数据的可视化都需要考虑一些关键因素。
首先，选择合适的可视化技术或算法非常重要。
不同的数据和问题可能需要不同的方法，我们需要根据具体情况选择最合适的方法。
其次，可视化的结果必须易于理解和解释。
我们需要将复杂的多维数据转化为直观的图形，以便用户能够快速理解数据的含义。
最后，可视化的效果应该是美观的。
一个好的可视化效果不仅仅是有用的，还应该令人愉悦和吸引人。
数据仓库的多维数据模型
数据仓库的多维数据模型数据仓库的多维数据模型是一种用于组织和表示数据仓库中数据的结构。
它通过将数据组织成多个维度和事实表的方式，提供了一种灵活和直观的数据分析和查询方式。
本文将详细介绍数据仓库的多维数据模型的定义、特点、设计原则以及实际应用。
一、定义数据仓库的多维数据模型是一种将数据组织成多个维度和事实表的数据结构。
维度是描述业务过程、业务对象或业务主题的属性，事实表是包含了度量数据的表。
通过将维度和事实表进行关联，可以实现对数据的多维度分析和查询。
二、特点1. 多维度：多维数据模型可以支持多个维度，每个维度都代表了一个业务过程、业务对象或业务主题的属性。
例如，在一个销售数据仓库中，可以有维度包括时间、产品、地区等。
2. 事实表：事实表是包含了度量数据的表，它与维度表进行关联。
事实表中的度量数据可以是数值型的，如销售额、利润等，也可以是非数值型的，如订单数量、客户数量等。
3. 易于理解和使用：多维数据模型提供了一种直观和易于理解的数据表示方式。
用户可以通过选择不同的维度和度量进行数据分析和查询，从而快速获取所需的信息。
4. 支持复杂查询：多维数据模型可以支持复杂的查询操作，例如针对多个维度进行分组、过滤和排序等操作。
这使得用户可以进行更加灵活和深入的数据分析。
5. 性能优化：多维数据模型可以通过使用聚集表、索引等技术进行性能优化。
这些技术可以加快查询速度，提高系统的响应性能。
三、设计原则在设计多维数据模型时，需要遵循以下原则：1. 明确业务需求：在设计多维数据模型之前，需要明确业务需求和分析目标。
这有助于确定需要哪些维度和度量，并定义它们之间的关系。
2. 规范命名规则：为维度和事实表定义规范的命名规则，以便于理解和维护。
命名规则应该能够清晰地表达维度和事实表的含义。
3. 确定维度层次：维度可以有多个层次，例如时间维度可以有年、季度、月等层次。
在设计多维数据模型时，需要确定每个维度的层次结构，以便于进行数据分析和查询。
数据仓库的多维数据模型
数据仓库的多维数据模型数据仓库的多维数据模型是一种用于组织和分析大量数据的结构化模型。
它通过将数据组织成多个维度和度量，以支持复杂的数据分析和决策支持。
本文将详细介绍数据仓库的多维数据模型的定义、设计原则和常见的实现方法。
一、定义数据仓库的多维数据模型是一种基于多维概念的数据组织方式，用于描述和分析业务数据。
它以事实表和维度表为核心，通过多个维度和度量来描述业务过程中的各种关联关系。
事实表存储了业务过程中的事实数据，而维度表则存储了与事实数据相关的维度信息。
二、设计原则1. 维度建模：数据仓库的多维数据模型采用维度建模的方式，将业务过程中的关键维度抽象为维度表，并与事实表进行关联。
维度表包含了业务过程中的各种维度属性，如时间、地点、产品等，通过维度表可以对事实数据进行多维度的分析。
2. 明确的度量：数据仓库的多维数据模型需要明确定义度量，即用于衡量业务过程中的关键指标的数据。
度量可以是数值型的，如销售额、利润等，也可以是非数值型的，如订单状态、客户满意度等。
度量的定义需要与事实表的结构相匹配，并且需要满足业务需求。
3. 规范的命名：在设计数据仓库的多维数据模型时，需要使用规范的命名方式来命名事实表、维度表和字段。
命名应该具有一致性和可读性，以便于后续的数据分析和查询操作。
4. 灵活的扩展性：数据仓库的多维数据模型需要具备良好的扩展性，以应对业务需求的变化。
在设计模型时，需要考虑到未来可能新增的维度和度量，并预留足够的空间和结构来支持扩展。
三、实现方法1. 星型模型：星型模型是数据仓库的多维数据模型中最常见的一种实现方法。
它以一个事实表为中心，周围围绕着多个维度表。
事实表和维度表之间通过外键进行关联。
星型模型的优点是结构简单，易于理解和查询，但对于复杂的分析需求可能不够灵活。
2. 雪花模型：雪花模型是星型模型的一种扩展形式，它在星型模型的基础上进一步拆分维度表，形成更多的维度表和关联关系。
雪花模型的优点是可以更好地支持复杂的分析需求，但相应地也增加了查询的复杂性和性能开销。
数据仓库的多维数据模型
数据仓库的多维数据模型数据仓库的多维数据模型是指在数据仓库中使用多维结构来组织和表示数据的一种方法。
它是一种用于分析和查询大量数据的有效手段，能够提供更快速、更灵活的数据访问和分析能力。
下面将详细介绍数据仓库的多维数据模型的相关概念、特点和设计原则。
1. 概念：数据仓库的多维数据模型是基于维度和事实的概念构建的。
维度是描述业务实体的属性，如时间、地点、产品等，用于对数据进行分类和组织。
事实是描述业务实体之间关系的属性，如销售额、库存量等，用于分析业务数据。
2. 特点：（1）多维性：多维数据模型能够对数据进行多个维度的分析，从而提供全面的数据视角。
（2）冗余度低：多维数据模型通过事实表和维度表的关联来表示数据，避免了数据冗余。
（3）灵活性：多维数据模型能够灵活地进行数据切片、钻取和旋转等操作，满足不同的分析需求。
（4）性能优化：多维数据模型通过预聚合和索引等技术来提高查询性能，使得数据分析更加高效。
3. 设计原则：（1）明确业务需求：在设计多维数据模型之前，需要明确业务需求，确定需要分析的维度和事实。
（2）确定维度：根据业务需求，确定维度表，包括维度的属性和层次结构。
（3）确定事实：根据业务需求，确定事实表，包括事实的度量和度量的粒度。
（4）建立关联：通过主键和外键的关联，将事实表和维度表进行关联，建立多维数据模型。
（5）优化性能：通过预聚合、索引和分区等技术来优化多维数据模型的查询性能。
举例说明：假设我们需要设计一个销售数据仓库的多维数据模型，包括维度表（时间、地点、产品）和事实表（销售额、销售数量）。
时间维度表包括时间的属性（年、季度、月、日）和层次结构（年->季度->月->日）。
地点维度表包括地点的属性（国家、省份、城市）和层次结构（国家->省份->城市）。
产品维度表包括产品的属性（类别、品牌、型号）和层次结构（类别->品牌->型号）。
事实表包括销售额和销售数量两个度量，并与时间、地点、产品维度表进行关联。
数据仓库的多维数据模型
数据仓库的多维数据模型1. 引言数据仓库是一个用于存储和管理大量结构化和非结构化数据的系统，它被广泛应用于企业决策支持和商业智能领域。
多维数据模型是数据仓库中最常用的数据建模方法之一，它能够提供灵活、高效的数据查询和分析功能。
本文将详细介绍数据仓库的多维数据模型，包括概念、设计原则、模型结构和使用场景等方面的内容。
2. 概念多维数据模型是一种以多维数据结构来表示和组织数据的模型。
它将数据组织成多个维度（Dimensions）和度量（Measures），通过将维度和度量交叉组合形成多维数据立方体（Cube）。
维度表示数据的特征或属性，如时间、地点、产品等；度量表示需要进行分析和计算的数值数据，如销售额、利润等。
多维数据模型通过将维度和度量建立关联关系，形成多维数据立方体，实现对数据的灵活查询和分析。
3. 设计原则在设计多维数据模型时，需要遵循以下几个原则：3.1 清晰的业务需求首先，需要明确数据仓库的业务需求和分析目标。
根据业务需求确定需要分析的维度和度量，以及它们之间的关系。
清晰的业务需求是设计成功的关键。
3.2 维度的层次结构维度是多维数据模型的核心，需要将维度按照层次结构进行组织。
例如，时间维度可以按照年、季度、月、日等层次进行组织。
层次结构可以帮助用户更好地理解数据和进行钻取分析。
3.3 明确的度量度量是需要进行分析和计算的数值数据，需要明确度量的定义和计算方法。
例如，销售额可以定义为订单金额的总和。
明确的度量定义可以确保数据分析的准确性。
3.4 适当的聚集在设计多维数据模型时，需要考虑数据的聚集需求。
根据业务需求，可以在多维数据模型中预先计算和存储一些聚集数据，以提高查询性能。
4. 模型结构多维数据模型由维度、度量和多维数据立方体组成。
维度是数据的描述性属性，度量是需要进行分析和计算的数值数据。
多维数据立方体是维度和度量的交叉组合，可以进行灵活的查询和分析。
4.1 维度维度是描述数据的特征或属性，如时间、地点、产品等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
（ 这些信息 已经根据 原始 的数据进行了集成 ， 反应用户所能
理 解 的 企 业 的 真实 的 “ ” 维 ）的 很 多 种可 能 的观 察 形 式 进 行 快 速、 定、 稳 一致 和交 互 的存 取 ． 许 管 理决 策 人 员 对 数 据 进 行 深 允
１ 基本概 念
数 据模 型是数据仓库 的核心 问题 。传 统的数据模型 （ 如关 系模 型和实体联系模型） 不能够有效地表示数据仓库的数据结
构 和语 义 ， 也不 能 直 接 支 持 联 机 分析 处 理 （ Ｌ Ｐ） 这 主 要 是 由 ０Ａ 。 于数 据 仓库 的 数据 结 构 本 身是 多 维 的 ． Ｌ Ｐ的 主要 功能 也是 ＯＡ 通 过对 统 一 数 据 的 动 态 多维 分 析 实 现 的 。 ＯＡ Ｌ Ｐ是 对 特定 问题 的联 机 数 据访 问和 分 析 。通 过 对 信 息
Ａｂ ｔａ ｔ ｓｒ ｃ ： ｍｕｔ－ ｉ ｎ ｉｎ ｌ ａａ ｌ ｄｍｅ ｓ ａ ｄ ｔ ｍｏ ｅ ｉ ｈ Ｃ ｌ ｏ ａ ｗ ｒｈ ｕ ｅ ｎ ＯＬ ｉ ｏ ｄ ｌ ｓ ｅ Ｏｅ ｆ ｄ ｔ ａｅ ｏ ｓ ａ ｄ ｔ ａ ＡＰ．ｎ ｔｅ ｔｒ ｃ ｅ ａ ｄ 山ｅ ａ ｄ ｈ ｓ ｓｈ ｍａ ｎ ａ ｓ ｏ ｆａ ｅ ｓｈ ｍａ ｒ ｗｉｅｙ ｕｅ ｆｒ ｈ ｓ ｕ ｐ ｅ ｈｓ ｐ ｐ ｒ ｐｅｅ ｔ ｎ ｌｏｉ ｍ ， ｈｃ ｃ ｎｔ ｃｓ ｉ ｎｉｎ ｎｗ ｌｋ ｃ ｅ ａｅ ｄ ｌ ｓ ｄ ｏ ｔｉ ｐ ｒｓ ｌ ｉ ａ ｅ ｒｓｎｓ Ｔ ａ ａｇ ｒ ｈ ｗ ｉｈ ｏ ｓｒ ｔ ｄｍｅ ｓｏ ｔ ｕ ｈｅ ａｃ ｉｓ ｎ ｔｅ ｎ ｗｌｋ ｃ ｅ ａｅ ｎ ｈ ｅ ｅ ｄ ｎ ｅａｉｎ ｈｐ ａ ｎ ｉ ｎｉｎ ｔｂｅ．ｈ ｃ ｎ ｉｏ ｓ ｗｈｃ ｉｒｒｈｅ ｉ ｈ ｓ ｏ ｆ ｅ ｓ ｈ ｍａ ｂ ｓｄ ｏ ｔｅ ｄ ｐ ｎ ｅ ｔｒｌｔ ｓ ｉ ｍｏ ｇ ｄ ｍｅｓｏ ａ ｌｓＴ ｅ ｏ ｄｔ ｎ ｉｈ ａ ｏ ｉ
摘
要
多雏数 据 模 型 是 数据 仓库 厦 联 机 分析 处理 的核 心 ， 目前 主 要 有 两 种 ： 型模 型 和 雪 花模 型 。 雏 屡 农站 构是 多 雏 星
数据模型最重要的概盘之一。访文提 出 了一十算法 ， 它能够在雪花模 型中根据 雏袁 问的依赖关 系构造堆的屡次姑构。指 出使用谊算法的前提 并进 行 了证明， 随詹 实现 了算法。文章 最詹提 出了在 星型模型 中构造雏的层 次蛄构的基本过程。
Ｌ ｎ ｓ ｎ Ｌｉ ｕ ａ ｇ Ｔｉｎ Ｓ ｅ ｇ ｅ ｇ ｉ Ｈｏ ｇ ｏ ｇ ｎ Ｙｏ ｆ ｎ ａ ｈ ｎ ｆｎ
（ ｏｌ ｅｏ ｏ ｐ ｔ ｎ ｏｏｒａ ｏ ｅｈ ｏｏ Ｎ ｒ ｉ ｔｎ ｎｖｒｉ ， ｅ ｉｇ １０ ４ ） Ｃ ｌ ｇ ｆＣ ｍ ｕｅ ａ ｄ Ｉ ｒ ｔ ｎ Ｔ ｃｎ ｌ￣， ｏｔ Ｊ ｏｏ ｇ Ｕ ｉｅｓｙ Ｂ ｒｎ ０ ０ ４ ｅ ｒ ｆ ｎｉ ｈ ａ ｔ
ｔ ｍ ｎｉｎｔｂｅ ｍｕｔｓｉｆ ｉ ｇ ｅ ｎ ｒｖ ．ｈｓｐｐ ｒｉｐｅ ｎｅ ｔｉ ａ ｄｔ ｗ ｒｈｕ ｎ ｅｔ ｉａ ｙｉ ｈ ｄ ｅｓ ａｌ ｓ ａ ｓ ｓ ｉ ｎ ａ ｄｐｏｅ Ｔ ｉ ａ ｅ ｌ ｅｉ ｏ ｓ ｌｙ ｖ ｄ ｍ ｍｅｔ ｉ ｎ ａ ａｅ ｏ￣ ｇ ｐ ｅ． ｎｌ ． ｄ ａ Ｆ ｌ ｔ
维普资讯
多维数据模型 中维层次 结构 的 自动 生成 算法及 其实现
李红 松 林 友芳 田盛丰
（ 方 交通 大 学计 算机 与信 息技 术 学院人 工智能研 究所 ， 北 北京 １０４ ） ００４
Ｅ ｍａ ｌ ｍｌ ｓ ６ ． ｅ — ｉ： ｈ ＠１ ３ ｎ ｔ
和 存 储 数 据 ， 因此 ， Ｄ— Ｌ Ｐ的 优 点 是 直 接 从 多 维 的角 度来 Ｍ Ｏ Ａ
观察和处理 数据 ， 结构 简明。 即使要模拟多维数据库 Ｒ Ｌ Ｐ仍 ＯＡ
然 利 用 现有 的关 系数 据 库 ， 实 际上 只是 一 个关 系型 数据 的 多 它 维接 口， 现较为复 杂 ； 时 ，Ｏ Ａ 实 同 Ｒ Ｌ Ｐ也 具 有 如 下 优 点 ： １能 （）
ｐ ｏ ｏ ｅ ｈ ａ ｉ ｔ ｐ ｏ ｃ ｎ ｔｕ ｔ ｈ ｅ ａ ｃ ｙ ｉ ｔｒ ｓ ｈ ｍａ ｒｐ ｓ ｓ ｔ ｅ ｂ ｓｃ ｓ ｓ ｔ ｏ ｒ ｃｓ ｉｒ ｒ ｈ ｎ ｓａ ｃ ｅ ． ｅ ｓ
Ｋｅ ｗｏ ｄ ： ｄ ｔ ｒ ｈ ｕ ｅ ｍｕ ｔ ｄｍｅ ｓ ｎ ｄ ｔ ｄ ｌｓ ｏ ｆ ｋ ｃ ｅ ， ｉ ｎ ｉｎ ｈｅａｃ ｙ ｙ ｒｓ ａａ ｗａｅ ｏ ｓ ， ｌ － ｉ ｎ ｉ ａａ ｍｏ ｅ ，ｎ ｗ ｌ ｅ ｓｈ ｍａ ｄｍｅ ｓ ｉｒｒｈ ｉ ｏ ａ ｏ
十层 。
支持 Ｏ Ａ Ｌ Ｐ的物 理 模 型有 两 种 ：基 于 多维 数 据 库 （ ｕ ｌ Ｍ ｈ— Ｄｍｅｓ ｎｌＤ ｔＢ ｓ ） Ｏ Ａ （ — Ｌ Ｐ 和 基 于 传 统 的关 ｉ ｎｉ ａ ａ ａｅ 的 Ｌ Ｐ ＭＤ Ｏ Ａ ） ｏ ａ
系型数据库的 Ｏ Ａ （ Ｏ Ａ 。多维数 据库 以多维方式来组织 Ｌ Ｐ Ｒ Ｌ Ｐ）
关 键 词 数据 仓库 多雏 数 据 模 型 雪花 模 型 雏层 班 结构 文章 编 号 １０ — ３ １ （０ ２ ０ － １０ ０ 文 献标 识 码 Ａ ０ ２ ８ ３一 ２ ０ ）９ ０ ８ － ３ 中围 分 类 号 Ｔ ３ １ Ｐ０． ６
Ｃｏ ｓｒ ｃ ｍ ｅ ｓｏ ｅ ａ ｃ ｉｓ ｉ ｎ ｔ ｕ ｔ Ｄｉ ｎ ｉ ｎ Ｈｉ ｒ ｒ ｈ ｅ ｎ