PA152: Efektivní využívání DB
7. Třídění
Vlastislav Dohnal
PA152, Vlastislav Dohnal, FI MUNI, 2015 2
Použití algoritmů třídění (sorting)
 Výsledek
SELECT … ORDER BY
 Provedení spojení
SELECT … r JOIN s
 Odstranění duplicit
SELECT DISTINCT …
PA152, Vlastislav Dohnal, FI MUNI, 2015 3
Předpoklady
 Operační paměť
Omezená velikost – M bloků
 Data uložena na disku
Vstup (relace) je čtený z disku
 Výsledek zůstává v paměti
Výstup je obvykle dále zpracováván
 Náklady na třídění (sorting)
Počet čtení z disku
PA152, Vlastislav Dohnal, FI MUNI, 2015 4
Třídění v paměti
 Mnoho algoritmů
BubbleSort – O(n2)
QuickSort – Θ(n log n)
MergeSort – O(n log n)
InsertSort – O(n2)
HeapSort – O(n log n)
RadixSort – O(kn)
Counting Sort – O(k+n)
…
PA152, Vlastislav Dohnal, FI MUNI, 2015 5
Příklady
 Counting Sort
 Malý počet různých hodnot
 Potřebujeme seřadit 100 známek (A-F)
 Vytvoříme pole pro jednotlivé známky
 Spočítáme počty jednotlivých známek
 Zapíšeme výsledek
 Radix Sort
 Rekurzivní řazení po jednotlivých bajtech (bitech)
 Postupně po bajtech aplikuj Counting Sort
 První průchod zjistí počty
 Druhý průchod umístí data na správné místo
PA152, Vlastislav Dohnal, FI MUNI, 2015 6
Třídění v paměti: fakta
 Data v operační paměti
 Většinou třídí na místě (in-place)
 Potřebují málo další paměti (log n)
PA152, Vlastislav Dohnal, FI MUNI, 2015 7
Malá operační paměť
 Komprese dat
Zpracovávat pouze klíče s ukazateli na
záznam, nikoli celé záznamy
Ok, ale při výstupu stejně musím záznamy
číst  náhodné čtení
 Virtualizace paměti
Většinou pomalé  příliš mnoho V/V
 Úprava algoritmu
Spojení více algoritmů
Většinou se používá MergeSort a QuickSort
PA152, Vlastislav Dohnal, FI MUNI, 2015 8
Převzato z Wikipedia.org, MergeSort Algorithm
MergeSort – v paměti
 Princip „rozděl a panuj“
Rozděluj na poloviny
 Až na jednotlivé klíče
Spojuj uspořádané
části
 Lineární průchod
oběma částmi
 Nejmenší dávám na výstup
 O(n log n)
Tj. pro malé relace!!!
PA152, Vlastislav Dohnal, FI MUNI, 2015 9
MergeSort – varianta pro disk
 Dvoufázové třídění, vícecestné slévání
 Two-Phase Multiway MergeSort
 Princip
1. Rozděl na dávky o velikosti volné RAM
2. Postupně dávky v paměti uspořádej
1. a zapiš je na disk
3. Všechny dávky čti a naráz spojuj
PA152, Vlastislav Dohnal, FI MUNI, 2015 10
Dvoufázový MergeSort
 Příklad
Relace 100 mil. záznamů, každý 100 bajtů
Blok má 4kB, tj. 40 záznamů
 Relace uložena na 2 500 000 blocích (9,5 GB)
Operační paměť pro třízení
 12 800 bloků (50MB)
 Fáze 1
2 500 000 / 12 800 dávek = 196 dávek
 Poslední má pouze 4 000 bloků
V/V: 2 500 000 čtení + 2 500 000 zápisů
PA152, Vlastislav Dohnal, FI MUNI, 2015 11
Dvoufázový MergeSort
 Fáze 2
„Paměťové“ spojování po dvou dávkách je
pomalé!
 Tj. log2(počet dávek) čtení a zápis celé relace
 Pro 196 dávek – 8 čtení a zápis celého souboru
Vícecestné spojování
 Čti všechny dávky po jednom bloku
 Proveď spojení do výstupního bloku
PA152, Vlastislav Dohnal, FI MUNI, 2015 12
Dvoufázový MergeSort
 Fáze 2
Opakuj
 Najdi nejmenší hodnotu ze všech dávek
 Zapiš hodnotu do výstupního bloku
 Plný blok  zápis na disk
 Prázdný blok dávky  načtení dalšího bloku
Výsledkem 1 čtení a 1 zápis pro celou relaci.
 Tj. 2 500 000 čtení + 2 500 000 zápisů
 Celkově
4B(R) náhodných V/V, tj. O(n)
PA152, Vlastislav Dohnal, FI MUNI, 2015 13
Dvoufázový MergeSort – omezení
 Parametry
M – operační paměť v blocích
B(R) – velikost relace R v blocích
 Omezení
Max. délka dávky: M
Max. počet dávek: M-1
Max. velikost relace: M(M-1)
 Náš příklad: 100B záznam, 50MB paměti
Max. 163 827 200 bloků (625GB)
Max. 6 553 088 000 záznamů
 Pokud je to málo, lze zobecnit na 3fázový, …