CN112424767A - 多维数据库环境中的虚拟立方体中进行实时数据聚合的系统和方法 - Google Patents

Abstract

根据实施例，本文描述了用于多维数据库中的虚拟立方体中进行实时数据聚合的系统和方法。所述方法可以在包含一个或多个微处理器的计算机处提供在计算机上执行的多维数据库服务器，其中多维数据库服务器支持至少一个多维立方体，与多维立方体相关联的数据源；以及由数据源可访问的至少一个实时数据源。该方法可以通过多维立方体查询数据源，该查询包括对至少一个实时数据源的标识。该方法可以通过数据源向至少一个实时数据源提供对多维立方体的按需访问。该方法可以使用来自多维立方体内的至少一个实时数据源的目标数据，而无需在其中进行存储。

Description

多维数据库环境中的虚拟立方体中进行实时数据聚合的系统 和方法

版权声明

本专利文档的公开内容的一部分包含受版权保护的素材。版权拥有者不反对任何人对专利文档或专利公开内容按照在专利商标局的专利文件或记录中出现的那样进行传真复制，但是除此之外在任何情况下都保留所有版权。

优先权要求：

本申请要求于2019年4月3日提交的申请号为16/374,402标题为“SYSTEM ANDMETHOD FOR REAL TIME DATA AGGREGATION IN A VIRTUAL CUBE IN A MULTIDIMENSIONALDATABASE ENVIRONMENT”的美国专利申请以及于2018年7月19日提交的申请号为62/700,762标题为“SYSTEM AND METHOD FOR REAL TIME DATA AGGREGATION IN A VIRTUAL CUBEIN A MULTIDIMENSIONAL DATABASE ENVIRONMENT”的美国临时专利申请的优先权，这些申请通过引入并入本文。

技术领域

本发明的实施例一般而言涉及数据库和数据仓库，并且特别地涉及用于在多维数据库环境中进行根本原因分析和关键度量的自动生成的系统和方法。

背景技术

多维数据库计算环境使公司能够在人们需要时向这些恰当的人递送关键业务信息，包括利用和集成来自多个现有数据源的数据并以最符合用户需求的格式将经过滤的信息分发给终端用户社区的能力。用户可以实时沿着熟悉的业务维度与数据交互和探索数据，使得能够进行思维速度分析。这些是可以使用本发明实施例的环境类型的一些示例。

发明内容

根据实施例，本文描述了根据实施例的用于在多维数据库中的虚拟立方体(cube)中进行实时数据聚合的系统和方法。一种方法可以在包括一个或多个微处理器的计算机处提供在计算机上执行的多维数据库服务器，其中多维数据库服务器支持至少一个多维立方体以及与多维立方体相关联的数据源。该方法可以通过多维立方体来查询数据源，该查询包括对数据源可访问的至少一个实时数据源的标识(identification)。该方法可以通过数据源向至少一个实时数据源提供对多维立方体的按需访问。该方法可以使用来自多维立方体内的至少一个实时数据源的目标数据，而无需在其中进行存储。

附图说明

图1图示了根据实施例的多维数据库环境的示例。

图2图示了根据实施例的示例性多维数据库环境。

图3图示了根据实施例的用于动态计算的示例性实施例。

图4图示了根据实施例的在多维数据库环境中对外部数据的动态计算。

图5图示了根据实施例的在多维数据库环境中对外部数据的动态计算。

图6图示了根据实施例的动态计算连续体(continuum)。

图7图示了根据实施例的用于在虚拟立方体中进行实时数据聚合的系统。

图8图示了根据实施例的用于在虚拟立方体中进行实时数据聚合的系统。

图9是用于多维数据库中的虚拟立方体中进行实时数据聚合的方法的方法流程图。

具体实施方式

参考所附的说明书、权利要求书和附图，以上所述连同其它特征一起将变得明显。阐述了具体细节，以便提供对各种实施例的理解。但是，将明显的是，各种实施例可以在没有这些具体细节的情况下实践。所附的说明书和附图不意图是限制性的。

多维数据库环境(其示例包括Oracle Essbase)可以用于以解决终端用户的特定要求的方式集成大量数据(在一些情况下是来自多个数据源的数据)，并将经过滤的信息分发到那些用户。

图1图示了根据实施例的多维数据库环境100的示例。

如图1所示，根据实施例，作为数据库层操作的多维数据库环境可以包括一个或多个多维数据库服务器系统102，每个数据库服务器系统102可以包括物理计算机资源或部件104(例如，微处理器/CPU、物理存储器、网络部件)、操作系统106以及一个或多个多维数据库服务器110(例如，Essbase服务器)。

根据实施例，中间层120可以包括一个或多个服务，诸如例如提供商服务122(例如，Hyperion提供商服务)、管控服务124(例如，Essbase管控服务)或工作室/集成服务126(例如，Essbase工作室/Essbase集成服务)。中间层可以经由ODBC/JDBC 127、128或其它类型的接口提供到元数据目录129和/或一个或多个数据源130(例如，关系数据库)的访问，以供与多维数据库环境一起使用。

根据实施例，一个或多个数据源也可以由一个或多个多维数据库服务器经由ODBC/JDBC 132或其它类型的接口来访问，以在提供多维数据库时使用。

根据实施例，客户端层140可以包括一个或多个多维数据库客户端142(例如，Essbase服务器客户端)，其使得能够访问多维数据库(诸如例如智能视图(Smart View)、电子表格加载项(Spreadsheet Add-in)、智能搜索、管控服务、MaxL、XMLA、CAPI或VB API应用、Oracle商业智能企业增强版或其它类型的多维数据库客户端)。客户端层还可以包括用于与中间层中的服务一起使用的控制台，诸如例如管控服务控制台144或者工作室/集成服务控制台146。

根据实施例，客户端、中间层和数据库层之间的通信可以由TCP/IP、HTTP或其它类型的网络通信协议中的一个或多个来提供。

根据实施例，多维数据库服务器可以集成来自一个或多个数据源的数据，以提供多维数据库、数据结构或(一个或多个)立方体150，其然后可以被访问，以向终端用户提供经过滤的信息。

一般而言，多维数据库中的每个数据值存储在立方体的一个单元格(cell)中；并且特定的数据值可以通过沿着立方体的维度指定其坐标来被引用。来自一个维度的成员与来自一个或多个其它维度中的每个维度的成员的交叉表示数据值。

例如，如图1所示，该图图示了可以在以面向销售的商业应用中使用的立方体162，当查询指示“销售额”(“Sales”)时，系统可以将这个查询解释为在数据库内的包含所有“销售额”数据值的数据值的切片或层164，其中“销售额”与“实际”(“Actual”)和“预算”(“Budget”)交叉。为了引用多维数据库中的具体数据值166，查询可以在每个维度上指定成员，例如通过指定“销售额，实际，一月”(“Sales，Actual，January”)。以不同方式对数据库进行切片提供了数据的不同视角；例如，对“二月”(“February”)的数据值168的切片检查其时间/年度维度被固定到“二月”的所有那些数据值。

数据库概要

根据实施例，多维数据库的开发从数据库概要的创建开始，数据库概要定义数据库中的成员之间的结构关系；在数据库中组织数据；以及定义整合和数学关系。在数据库概要的层次树或数据结构内，每个维度包括一个或多个成员，其转而可以包括其它成员。维度的规范指导系统如何整合其各个成员的值。整合是树的分支内的一组成员。

维度和成员

根据实施例，维度表示数据库概要中的最高整合级别。可以选择标准维度来表示与部门功能(例如，时间、账户、产品线、市场、区域)有关的商业计划的组成部分。与标准维度相关联的属性维度使得用户能够基于成员属性或特性对标准维度的成员进行分组和分析。成员(例如，产品A、产品B、产品C)是维度的各个组成部分。

维度和成员关系

根据实施例，多维数据库使用家族(父母、孩子、兄弟；后代和祖先)；以及层次(代和级别；根和叶子)术语来描述数据库概要中成员的角色和关系。

根据实施例，父母是在其下方具有分支的成员。例如，“毛利”(“Margin”)可以是“销售额”和“售出商品成本”(“Cost of Goods Sold”)(COGS)的父母。孩子是在它上面具有父母的成员。在以上示例中，“销售额”和“售出商品成本”是父母“毛利”的孩子。兄弟是同一代内的同一直接父母的孩子。

根据实施例，后代是在父母下方的分支中的成员。例如，“利润”(“Profit”)、“存货”(“Inventory”)和“比率”(“Ratios”)可以是度量(Measures)的后代；在这种情况下，“利润”、“库货”和“比率”的孩子也是度量的后代。祖先是成员上面的分支中的成员。在以上示例中，“毛利”、“利润”和度量可以是“销售额”的祖先。

根据实施例，根是分支中的顶部成员。例如，度量可以是“利润”、“存货”和“比率”的根；并且也是“利润”、“存货”和“比率”的孩子的根。叶子(级别0)成员没有孩子。例如，打开“存货”、添加和结束“存货”可以是叶子成员。

根据实施例，代是指维度内的整合级别。树的根分支被认为是“第1代”，并且代的编号从根到叶子成员增加。级别是指维度内的分支；并且与用于代的数字排序相反地被编号，其中级别编号从叶子成员到其根减小。

根据实施例，用户可以向代或级别分配名称，并且使用那个名称作为那一代或级别中的所有成员的简写。

稀疏和稠密维度

多维数据库内的数据集常常共享两个特性：数据不是平滑地和均匀地分布；以及对大多数成员组合不存在数据。

根据实施例，为了解决这个问题，系统可以识别两种类型的标准维度：稀疏维度和稠密维度。稀疏维度是具有相对低百分比的可用数据位置被填充的维度；而稠密维度是其中有相对高概率一个或多个单元格在维度的每个组合中被占据的维度。许多多维数据库固有地是稀疏的，因为它们对大多数成员组合缺少数据值。

数据块和索引系统

根据实施例，多维数据库使用数据块和索引来存储和访问数据。系统可以为稀疏标准维度成员的每个唯一组合创建多维数组或数据块，其中每个数据块表示用于其稀疏维度成员的组合的稠密维度成员。为每个数据块创建索引，其中索引表示稀疏标准维度成员的组合，并且包括用于对其存在至少一个数据值的稀疏标准维度成员的每个唯一组合的条目或指针。

根据实施例，当多维数据库服务器搜索数据值时，它可以使用由索引提供的指针来定位适当的数据块；并且在那个数据块内，定位包含该数据值的单元格。

管控服务

根据实施例，管控服务(例如，Essbase管控服务)提供使得用户能够设计、开发、维持和管理服务器、应用和数据库的单点访问。

工作室

根据实施例，工作室(例如，Essbase工作室)提供用于执行与数据建模、立方体设计和分析应用构造相关的任务的向导驱动的用户界面。

电子表格加载项

根据实施例，电子表格加载项将多维数据库与电子表格集成，其提供对增强命令(诸如连接(Connect)、枢转(Pivot)、向下钻取(Drill-down)和计算(Calculate))的支持。

集成服务

根据实施例，集成服务(例如，Essbase集成服务)提供在存储在多维数据库中的数据和存储在关系数据库中的数据之间进行集成时使用的元数据驱动的环境。

提供商服务

根据实施例，提供商服务(例如，Hyperion提供商服务)作为用于Java API、智能视图和XMLA客户端的数据源提供商操作。

智能视图

根据实施例，智能视图为例如Hyperion财务管理、Hyperion计划和Hyperion企业绩效管理工作空间数据提供公共接口。

开发者产品

根据实施例，开发者产品使得能够进行定制的企业分析应用的快速创建、管理和部署。

生命周期管理

根据实施例，生命周期管理(例如，Hyperion企业绩效管理系统生命周期管理)提供用于使得企业绩效管理产品能够跨产品环境迁移应用、储存库或各个人工制品的手段。

OLAP

根据实施例，在线分析处理(OLAP)提供使得用户能够分析企业数据的环境。例如，财务部门可以使用OLAP用于诸如预算、基于活动的成本核算、财务绩效分析以及财务建模等应用，以提供“即时(just-in-time)”信息。

根据实施例，OLAP系统可以将数据组织成多维度，允许数据集的搜索者/用户进行遍历各种维度的定向搜索，以最终得到感兴趣的结果。OLAP系统可以将数据视为驻留在维度的交叉处。换句话说，OLAP系统下的数据可以被组织和存储为多维数据库，该数据库是所有维度的叉积的实例化(instantiation)。这允许用户/搜索者以特别(ad hoc)方式沿着感兴趣的维度遍历细节的层次结构以获得特定的目标数据。缓慢变化的数据可以被表示为当前数据集内的元数据。

虚拟立方体中的实时数据聚合

根据实施例，在传统系统中，多维数据库立方体的优点之一是所有下面的数据(例如，源数据)被加载到多维数据库中。由于多维数据库不必为每个请求的分析检索数据，因此这允许更快地进行分析，并且由于数据被加载到多维数据库的站点处，因此这还可以加快计算速度。但是，随着大数据趋势的继续，将所有源数据加载到多维数据库中变得不便，并且在一些情况下会导致性能下降。通过支持实时数据聚合，多维数据库能够具有多个(分布式)立方体，这些立方体都引用同一关系数据库(例如，源数据)。代替从加载的源检索数据，多维数据库可以查询一个或多个源数据位置，并实时聚合数据。

图2图示了根据实施例的示例性多维数据库环境。

根据实施例，在多维数据库服务器200内，可以有一个或多个数据库立方体210。根据这些立方体中的每一个，可以生成一个或多个分区211。分区可以用于简化用户220跨多个立方体的数据访问。分区允许用户和管理员使用复制的、透明的或链接的分区方案来选择数据和元数据的特定子集进行分析。

根据实施例，可以用来自多个外部数据源的数据来填充立方体210，外部数据源诸如另一个立方体202、数据库203、数据204(例如，以逗号分隔的变量表的形式)和/或电子表格205。(虽然在图中仅示出了某些外部数据源，但是本领域的普通技术人员将认识到，可以访问附加的和变化的其它数据源并将其加载到立方体210中)。但是，所有外部数据必须先加载到传统系统中的立方体210中，无论它是来自另一个立方体202、数据库203、CSV文件204还是来自电子表格205。

根据实施例，在源数据相对少的传统系统中，将源数据加载到多维数据库服务器中可以被认为是多维数据库环境的优势，因为这允许数据聚合和计算。计算和聚合发生在位于多维数据库环境内的数据上。数据在其自己的储存库中被加载、聚合和计算。

图3示出了根据实施例的用于动态计算的示例性实施例。

根据实施例，图3示出了在利用多维数据库环境时获得的附加优点。这是使用混合动态计算和聚合的想法。

根据实施例，动态计算300可以包括多个加载值并且减小了数据库的大小。在动态计算中，已从外部源320(或多个外部源)加载到托管动态计算300的多维数据库中的加载值A 301、B 302、C 303、D 304和E 305可以用于实时动态计算。这使用户能够实时地在加载的和存储的值上计算度量。这些度量可以包括例如F 306、G 307、H 308、I 309和J 310。但是，计算是在存储的值(即已从外部源加载并存储到立方体的值)上进行的。这些度量可以附加地存储在多维数据库内，这进一步增加了多维数据库的占用空间。

根据实施例，然后基于诸如动态计算300中所示的依赖性分析，可以减小加载到立方体中的数据的大小。以这种方式，由于较少数量的数据维度需要被加载到立方体中或由用户提供，因此较少的数据被存储在立方体中。

根据实施例，对加载值的动态计算可以减小数据库的大小。此外，它还提供了在加载和存储的值上计算度量的实时能力。但是，由于计算是在多维数据库中加载并存储的值(例如，叶子值)上进行的，因此，由于来自外部源的所有值都被加载并存储，因此数据库的整体大小仍然可能很大，并且动态计算将在这些值上运行(但本身不会被存储)。

图4图示了根据实施例的在多维数据库环境中对外部数据的动态计算。

根据实施例，动态计算400可以不依赖于如图3中所示的存储值，而是(经由数据库接口，诸如SQL数据库接口)到达值A 401、B 402、C 403、D 404和E 405所位于的外部源420(或其它存储位置类型)中，并按需(动态)将其取出。例如，当执行动态计算度量时，可以发生这种获取操作。例如，如果期望或调用度量F 406执行，那么系统和方法可以按需从外部源420获取值A 401和B 402，然后将其用于确定度量F，其可以在动态计算400中使用。但是，将不会存储A和B的值，而是在使用后将其丢弃，从而最小化动态计算在多维数据库服务器环境中利用的存储占用空间。

根据实施例，基于用户查询或基于来自立方体的查询(动态计算的位置)来确定从外部源420提取的值。以这种方式，仅访问请求/目标数据，而忽略可能位于该外部源的其它数据(例如，未加载的数据)，直到做出依赖该源处的数据的调用或请求为止。

根据实施例，以这种方式，其中动态地计算立方体内的所有值，并且直接从数据源提取所有数据，然后立方体具有零占用空间-所有数据实时地直接来自表中，并且任何动态计算都将在未加载和存储的这些值上运行。这样的系统和方法，除了具有零占用空间(不加载和存储任何值)之外，还具有高可用性以及零停机时间备份和修补的优点。

根据实施例，当从外部源获取值时，这些值不在多维数据库服务器上存储或高速缓存。而是直接在立方体中使用这些值(例如，用于动态计算)。

根据其它实施例，系统和方法可以支持高速缓存从外部源获取的值。例如，可以在定时间隔内完成此操作。在这种情况下，作为示例，可以在配置的时间间隔将实时获取的数据保存到/覆盖多维数据库环境中高速缓存的数据。例如，当期望具有高速缓存备份或查看历史趋势时，可以完成此操作。在这种情况下，仍然可以说多维数据库立方体具有零占用空间，因为如果多维数据库立方体崩溃或变得损坏，那么可以清除任何及所有高速缓存的数据，并且可以将新的多维数据库立方体配置为启动新的高速缓存，而不引用先前的多维数据库立方体。

图5图示了根据实施例的在多维数据库环境中对外部数据的动态计算。

根据实施例，动态计算500不是仅如图3中所示依赖于存储的值以及仅依赖于从外部源520获取值，而是可以使用混合方法，其中加载频繁使用的值(诸如，值C 503和E 505)，而其它不频繁使用的值(诸如，A 501、B 502和D 504)被保留在外部源中，并且经由外部源520(或其它存储位置类型)处的获取操作(例如，经由数据库接口，诸如SQL数据库接口)来访问。这种混合方法允许某些值被加载，而其它值则按需(动态)从外部源提取。例如，当执行动态计算度量时，可以发生这种获取操作。例如，如果期望或调用度量G507执行，那么系统和方法可以按需从外部源获取值D 504，并从本地存储装置中使用值E 505，以用于确定可以在动态计算500中使用的度量G。但是，D的值将不被存储，而是将在使用后被丢弃，从而减少了动态计算在多维数据库服务器环境中使用的存储占用空间。

根据实施例，基于用户查询或基于来自立方体的查询(动态计算的位置)来确定从外部源520提取的值。以这种方式，仅访问请求/目标数据，而忽略可能位于该外部源的其它数据(例如，未加载的数据)，直到做出依赖该源处的数据的调用或请求为止。

根据实施例，以这种方式，其中动态地计算立方体内的所有值、存储一些值，并且直接从数据源提取一些值，然后与如果存储所有数据相比，立方体具有减小的占用空间。此外，通过主动和自动选择要加载和存储的值以及仅在源处保持的值，可以通过减小未加载和存储的那些值的大小并且还针对加载和存储的那些值保持相同的性能水平来改善多维数据库的性能。

图6图示了根据实施例的动态计算连续体。

根据实施例，在动态计算连续体600内，在一侧(左侧)，存在立方体，其中所有数据被加载和存储在多维数据库立方体内。当数据相对小并且不进行频繁的更改或更新(例如，用户需要每天一次刷新数据)时，这是期望的。在连续体的另一侧(最右侧)，存在立方体，其中所有数据都是从外部加载的叶子数据。在存在大量叶子数据的组织中，或者当源数据一天多次更改或不断刷新时(例如，当用户需要查看动态更改的数据(诸如货币数据)的影响时)，这些情况是期望的。

根据实施例，当所有数据都从外部加载时，然后多维数据库立方体不需要担心灾难恢复。如果立方体崩溃并丢失所有动态计算，那么外部数据源不受影响，并且可以使用从外部数据源提取的值来重新启动立方体。

根据实施例，存在这两个极端的组合。例如，用户可以请求在每个可配置的时间段，立方体访问并从外部源提取数据并高速缓存该数据。但是，由于数据被高速缓存(并且在使用后被丢弃)，因此数据立方体的占用空间仍然最小，因为没有存储这些值。

图7图示了根据实施例的用于在虚拟立方体中进行实时数据聚合的系统。

根据实施例，多维数据库服务器707(例如，Essbase服务器)。多维数据库服务器707提供许多服务，诸如追溯703、数据和维度加载704、安全过滤器705和分区706。可以针对数据源702提供这样的服务，该数据源702可以是基于/部署在连接701上的抽象表表示。

根据实施例，例如，可以将连接701定义到外部数据源(例如，CSV文件710、数据库711(例如，云或本地部署)、商业智能或数据可视化源712、另一个多维数据库立方体713(例如，Essbase)、SQL数据库714、HIVE 715或其它数据库(诸如，SQL服务器、DB2、Teradata)716)。连接可以包括例如Essbase连接、文件连接、JDBC连接、物理连接或可以与所选择的外部数据源一起工作并与之通信的任何其它类型的连接。在此连接之上，可以定义数据源702。数据源例如可以包括基于所选择的外部数据源的数据结构。例如，如果Excel工作表是所选择的外部数据源，那么在文件连接之上，数据源可以定义数据结构，该数据结构包括Excel工作表的许多列、行、选项卡(tab)和参数。然后，这定义了多维数据库服务器可以经由服务起作用的数据源。同样，可以针对一个连接定义多个数据源。

然后，根据实施例，多维数据库服务器可以利用例如针对数据源的分区服务，其中如上所述，分区服务可以允许用户和管理员从数据源中选择数据和元数据的特定子集使用复制的、透明的或链接的分区方案进行分析。

根据实施例，多维数据库服务器还可以利用例如数据维度和加载服务来将所选择的数据加载到多维数据库服务器(例如，如上面图3中所示)。

根据实施例，多维数据库服务器还可以利用例如追溯服务来实时动态地获取所选择的数据，以最小化多维数据库服务器的占用空间(例如，如上面图4中所示)。

根据实施例，多维数据库服务器还可以彼此结合利用多个服务。例如，多维数据库服务器可以利用分区服务，以及数据维度和加载服务以及针对一个数据源的追溯服务。例如，这将允许加载和存储某些数据、动态获取其它数据，并且仅针对适用于已配置分区的那些数据维度。

根据实施例，连接可以是任何数量的外部数据源，诸如CSV文件710、数据库711(例如，云或本地部署)、商业智能或数据可视化源712、另一个多维数据库立方体713(例如，Essbase)、SQL数据库714、HIVE 715或其它数据库(诸如，SQL服务器、DB2、Teradata)716。

根据实施例，以这种方式，这允许立方体707追溯直接到连接的数据源，其可以是任意数量的数据储存库。然后，可以将请求/目标数据实时提取到立方体707中，然后立方体707可以在动态计算中使用该数据，而无需将实时数据存储在立方体707内。

大数据之上的虚拟立方体中的实时数据聚合

根据实施例，越来越多的外部数据正在“大数据”(例如，拍字节(Petabyte)级信息)的上下文中被编译。为了在大数据集群之上的虚拟立方体中执行实时数据聚合，可以在大数据集群内部部署源聚合代理。然后可以为大数据集群中的聚合客户端启动实时和分区的多维数据库立方体(例如，每个聚合代理一个立方体、一个立方体用于多个聚合客户端，或多个立方体用于一个聚合客户端，所有这些取决于系统的需求)。

然后，根据实施例，透明分区可以驻留在实时和分区的多维数据库立方体之上。这可以通过分布查询、源聚合、以及动态计算和对源数据的实时访问(即不加载和存储源数据)来实现扩展。

图8图示了根据实施例的用于在虚拟立方体中进行实时数据聚合的系统。

根据实施例，源聚合代理(未示出)可以被部署在大数据集群820中。源聚合客户端可以例如以指数方式减小源数据的大小(例如，从拍字节到兆字节(terabyte)或千兆字节)。在聚合大数据之上用于聚合的实时和分区的多维立方体810、811、812、813可以位于具有聚合代理的源数据上方的级别，其中每个实时和分区的多维立方体进一步减小了每个立方体负责从大数据源或一个或多个源聚合代理动态获取数据的数据大小。一个或多个透明分区800可以位于实时立方体810、811、812、813之上。以这种方式，系统和方法可以通过分布查询、源聚合、动态计算以及对源数据的实时访问来实现扩展。

根据实施例，具有源聚合代理的数据湖可以极大地缩小大数据集的大小。然后，实时和分区的多维数据库立方体810、811、812和813可以位于聚合数据之上、实时访问数据(如上所述)，并进一步将数据缩小到更易于管理的大小。这些分区的多维数据库立方体中的每个立方体都可以与一个或多个属性(诸如地理属性)相关联。例如，在具有聚合器的大数据集可以包含来自世界各地的数据的情况下，每个立方体810、811、812、813都可以例如仅动态获取与其分配的地理范围(例如，北美、南美、非洲、欧洲等)相关联的数据。

根据实施例，一旦在分区的立方体810、811、812、813处高速缓存/计算了数据，另一个分区的多维数据库立方体(例如，透明分区)800就可以实时访问分区的立方体810、811、812、813中的数据，如上所述。

根据实施例，以这种方式，可以将来自大数据源的数据动态地提取到立方体700中，其中用户可以以高效得多的方式操纵并进行期望的计算。

根据实施例，从虚拟立方体中的实时数据聚合产生许多益处。例如，这样的系统和方法提供对公式(formula)和聚合中表数据的实时访问。同样，对源数据的更新将立即生效，这对于建模帮助用户实现受限且可行计划的“易失性”数据驱动程序(例如，货币)是重要的。

如上所述，在实施例中，虚拟立方体中的实时数据聚合还提供了零占用空间。这进而消除了对备份的需要，并且还提供了零停机时间修补。还提供了高可用性，因为可以通过相同的表格数据来驱动多个立方体。

根据实施例，虚拟立方体中的实时数据聚合提供了主动-主动并且从同一立方体横向扩展(scale out)到多个地理位置和数据中心。这允许扩展到大量用户、减少对此类用户的时延。重组也更快，因为当前几乎所有重组时间都花在数据重塑(re-shape)上。这得以避免是因为不存在要重塑的存储数据。同样，由于上述计算连续体，用户可以选择适合他们的数据聚合和存储模型，从而允许改善个性化。

图9是用于多维数据库中的虚拟立方体中的实时数据聚合的方法的方法流程图。

在步骤910处，该方法可以在包括一个或多个微处理器的计算机处提供在该计算机上执行的多维数据库服务器，其中该多维数据库服务器支持至少一个多维立方体，以及与该多维立方体相关联的数据源。

在步骤920处，该方法可以通过多维立方体查询数据源，该查询包括对数据源可访问的至少一个实时数据源的标识。

在步骤930处，该方法可以通过多维立方体查询数据源，该查询包括对数据源可访问的至少一个实时数据源的标识。

在步骤940处，该方法可以通过多维立方体查询数据源，该查询包括对数据源可访问的至少一个实时数据源的标识。

虽然上面已经描述了本发明的各种实施例，但是应当理解的是，它们是通过示例而非限制来呈现的。选择和描述实施例是为了解释本发明的原理及其实际应用。实施例说明了系统和方法，其中利用本发明通过提供新的和/或改进的特征和/或提供诸如降低的资源利用率、增加的容量、提高的效率和减少的时延之类的益处来改进系统和方法的性能。

在一些实施例中，本发明的特征全部或部分地在包括处理器、诸如存储器之类的存储介质和用于与其它计算机通信的网卡的计算机中实现。在一些实施例中，本发明的特征在分布式计算环境中实现，其中一个或多个计算机集群通过诸如局域网(LAN)、交换架构网络(例如，InfiniBand)或广域网(WAN)之类的网络连接。分布式计算环境可以使所有计算机处于单个地点，或者使处于不同远程地理位置的计算机集群通过WAN连接。

在一些实施例中，本发明的特征全部或部分地在云中实现，作为基于使用Web技术以自助服务、计量方式向用户递送的共享的弹性资源的云计算系统的一部分或作为其服务。云有五个特性，如由国家标准与技术研究所定义：按需自助服务；广泛的网络接入；资源池化；快速弹性；以及测量的服务。云部署模型包括：公共、私有和混合。云服务模型包括软件即服务(SaaS)、平台即服务(PaaS)、数据库即服务(DBaaS)和基础架构即服务(IaaS)。如本文所使用的，云是硬件、软件、网络和Web技术的组合，其以自助服务、计量方式向用户提供共享的弹性资源。除非另有说明，否则如本文所使用的云包括公共云、私有云和混合云实施例，以及所有云部署模型，包括但不限于云SaaS、云DBaaS、云PaaS和云IaaS。

在一些实施例中，使用硬件、软件、固件或其组合或在其帮助下实现本发明的特征。在一些实施例中，使用被配置或被编程为执行本发明的一个或多个功能的处理器来实现本发明的特征。在一些实施例中，处理器是单芯片或多芯片处理器、数字信号处理器(DSP)、片上系统(SOC)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、状态机、离散门或晶体管逻辑、分立硬件部件或被设计用于执行本文所述的功能的其任何组合。在一些实现中，本发明的特征可以由特定于给定功能的电路系统实现。在其它实现中，这些特征可以在处理器中实现，该处理器被配置为使用例如存储在计算机可读存储介质上的指令来执行特定功能。

在一些实施例中，本发明的特征结合在软件和/或固件中，用于控制处理和/或网络系统的硬件，并用于使处理器和/或网络能够与利用本发明的特征的其它系统交互。这样的软件或固件可以包括但不限于应用代码、设备驱动程序、操作系统、虚拟机、管理程序、应用编程接口、编程语言和执行环境/容器。基于本公开的教导，熟练的程序员可以容易地准备适当的软件编码，这对于软件领域的技术人员来说是明显的。

在一些实施例中，本发明包括计算机程序产品，其是具有存储在其上/内的指令的存储介质或计算机可读介质，指令可以用于编程或以其它方式配置诸如计算机之类的系统，以执行本发明的任何处理或功能。存储介质或计算机可读介质可以包括但不限于任何类型的盘，包括软盘、光盘、DVD、CD-ROM、微驱动器和磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪存设备、磁卡或光卡、纳米系统(包括分子存储器IC)，或适于存储指令和/或数据的任何类型的介质或设备。在特定实施例中，存储介质或计算机可读介质是非瞬态存储介质或非瞬态计算机可读介质。

因此，从一个角度出发，已经描述了用于支持多维数据库中的虚拟立方体中的实时数据聚合的系统和方法。根据实施例，本文提供的系统和方法提供了在多维数据库中支持实时数据聚合的能力。多维数据库能够具有多个(分布式)立方体，这些立方体都引用同一关系数据库(例如，源数据)。多维数据库不是从加载的源检索数据，而是可以查询一个或多个源数据位置并实时聚合数据。

前面的描述并非旨在是详尽的或将本发明限制于所公开的精确形式。此外，在已经使用特定系列的事务和步骤描述了本发明的实施例的情况下，对于本领域技术人员来说明显的是，本发明的范围不限于所描述的一系列事务和步骤。另外，在已经使用硬件和软件的特定组合描述了本发明的实施例的情况下，应当认识到硬件和软件的其它组合也在本发明的范围内。另外，虽然各种实施例描述了本发明的特征的特定组合，但是应当理解的是，在本发明的范围内，特征的不同组合对于相关领域的技术人员来说是明显的，使得一个实施例的特征可以结合到另一个实施例中。而且，对于相关领域的技术人员来说明显的是，在不脱离本发明的精神和范围的情况下，可以在形式、细节、实现和应用中进行各种添加、减少、删除、变化以及其它修改和改变。通过所附权利要求及其等同物来限定本发明的更广泛的精神和范围。

Claims (20)

1.一种用于在多维数据库中的虚拟立方体中进行实时数据聚合的系统，包括：

包含一个或多个微处理器的计算机；

在计算机上执行的多维数据库服务器，其中多维数据库服务器支持至少一个多维立方体；

与多维立方体相关联的数据源；

数据源可访问的至少一个实时数据源；

其中多维立方体查询数据源，所述查询包括对所述至少一个实时数据源的标识；

其中数据源向所述至少一个实时数据源提供对多维立方体的按需访问。

2.如权利要求1所述的系统，

其中，在执行查询时，通过与多维立方体相关联的数据源从所述至少一个实时数据源中获取目标数据。

3.如权利要求2所述的系统，

其中，目标数据在被数据源获取后被多维立方体用于一个或多个动态计算。

4.如权利要求3所述的系统，

其中，所述一个或多个动态计算是基于查询的。

5.如任一前述权利要求所述的系统，

其中，数据源经由一个或多个连接访问所述至少一个实时数据源。

6.如任一前述权利要求所述的系统，

其中，数据源可访问的所述至少一个实时数据源包括大数据源。

7.如权利要求6所述的系统，

其中，大数据源包括多个源数据聚合器，以及

其中，数据源向所述多个源数据聚合器中的至少一个提供对多维立方体的按需访问。

8.一种用于在多维数据库中的虚拟立方体中进行实时数据聚合的方法，包括：

在包含一个或多个微处理器的计算机处提供；

在计算机上执行的多维数据库服务器，其中多维数据库服务器支持至少一个多维立方体，以及

与多维立方体相关联的数据源；

由多维立方体查询数据源，所述查询包括对数据源可访问的至少一个实时数据源的标识；

由数据源向所述至少一个实时数据源提供对多维立方体的按需访问；

使用来自多维立方体内的所述至少一个实时数据源的目标数据，而无需在其中进行存储。

9.如权利要求8所述的方法，

其中，在执行查询时，通过与多维立方体相关联的数据源从所述至少一个实时数据源中获取目标数据。

10.如权利要求9所述的方法，

其中，目标数据在被数据源获取后被多维立方体用于一个或多个动态计算。

11.如权利要求10所述的方法，

其中，所述一个或多个动态计算是基于查询的。

12.如权利要求8至11中任一项所述的方法，

其中，数据源经由一个或多个连接访问所述至少一个实时数据源。

13.如权利要求8至12中任一项所述的方法，

其中，数据源可访问的所述至少一个实时数据源包括大数据源。

14.如权利要求13所述的方法，

其中，大数据源包括多个源数据聚合器，以及

其中，数据源向所述多个源数据聚合器中的至少一个提供对多维立方体的按需访问。

15.一种非暂态计算机可读存储介质，其在多维数据库中的虚拟立方体中具有实时数据聚合，当所述实时数据聚合被读取和执行时，使计算机执行包括以下的步骤：

在包含一个或多个微处理器的计算机处提供；

在计算机上执行的多维数据库服务器，其中多维数据库服务器支持至少一个多维立方体，以及

与多维立方体相关联的数据源；

由多维立方体查询数据源，所述查询包括对数据源可访问的至少一个实时数据源的标识；

由数据源向所述至少一个实时数据源提供对多维立方体的按需访问；

使用来自多维立方体内的所述至少一个实时数据源的目标数据，而无需在其中进行存储。

16.如权利要求15所述的非暂态计算机可读存储介质，

其中，在执行查询时，通过与多维立方体相关联的数据源从所述至少一个实时数据源中获取目标数据。

17.如权利要求16所述的非暂态计算机可读存储介质，

其中，目标数据在被数据源获取后被多维立方体用于一个或多个动态计算。

18.如权利要求17所述的非暂态计算机可读存储介质，

其中，所述一个或多个动态计算是基于查询的。

19.如权利要求15至18中任一项所述的非暂态计算机可读存储介质，

其中，数据源经由一个或多个连接访问所述至少一个实时数据源。

20.如权利要求15至19中任一项所述的非暂态计算机可读存储介质，

其中，数据源可访问的所述至少一个实时数据源包括大数据源；

其中，大数据源包括多个源数据聚合器，以及

其中，数据源向所述多个源数据聚合器中的至少一个提供对多维立方体的按需访问。

Images