Методы и модели обработки информации в хранилищах данных

• Автор: Кузьмин, Андрей Николаевич
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2006
• Место защиты: Казань
• Количество страниц: 193 с. : ил.

Содержание
Введение
Глава 1. Анализ и исследование существующих способов хранения данных и принятия решений в банковской сфере
1.1. Организация электронного документооборота в Сберегательном банке без использования единой базы данных.

1.2. Концепция принятия решений без использования технологии хранилищ данных

1.3. Использование реляционных моделей баз данных

1.3Л. Аномалии реляционных баз данных

1.3.2. Декомпозиция отношений

1.3.3. Функциональные зависимости как способ устранения информационной избыточности

1.3.4. Применение ограничений ссылочной целостности в реляционных моделях

1.3.5. Другие ограничения реляционной модели.

1.3.6. Проблемы нормализации.
1.4. Централизация баз данных
1.4.1. Организация единого хранения баз данных.
1.4.2. Сравнение быстродействия работы систем с территориально разрозненными и централизованными базами данных
1.4.3. Сравнение пригодности разных типов СУБД для централизации ресурсов.
1.5. Концепция хранилищ данных.
1.5.1. Отличия хранилищ данных от традиционных баз данных
1.5.2. Обзор имеющихся решений в области создания хранилищ данных и банковского программного обеспечения
1.6. Технология АР.
1.6.1. Многомерная модель данных.
1.6.1.1. Срез
1.6.1.2. Вращение
1.6.1.3. Консолидация и детализация
1.6.2. Типы архитектур АРсистем
1.6.2.1. .
1.6.2.2. .
1.6.2.3. .
1.6.3. Применение технологии в кредитном мониторинге банка Сосье Женераль Восток
Выводы
Глава 2. Методы интеллектуального анализа, применяемые в создании систем поддержки принятия решений, основанных на хранилищах данных
2.1. Интеллектуальный анализ данных
2.2. Классификация.
2.2.1. Алгоритм покрытия
2.2.2. Метод iv
2.3. Поиск ассоциативных правил
2.3.1. Применение задачи поиска ассоциативных правил
2.3.2. Алгоритмы выявления часто встречающихся наборов
2.3.3. Визуальное представление ассоциативных правил
2.4. Вероятностные методики Байеса и методы нейросетей.
2.4.1. Модель использования сети Байеса для принятия решения
об изменении процентной ставки.
2.4.2. Примеры применений вероятностных сетей Байеса в различных сферах деятельности человека.
2.4.3. Нейросетевые методики
2.4.4. Построение модели, основанной на картах Кохонена, для определения неблагонаджных предприятийзамщиков
Выводы.
Глава 3. Проектирование архитектуры хранилища данных.
3.1. Уровни абстракции при разработке архитектуры.
3.2. Состав архитектуры хранилища данных
3.3. Концептуальное моделирование.
3.3.1. Математические модели тематических хранилищ данных
3.3.2. Классификация видов архитектур хранилищ данных в зависимости от использования витрин данных
3.3.3. Классификация архитектурных решений хранилищ данных
по Спирли.
3.3.4. Выбор архитектуры.
3.4. Выбор программных средств создания хранилища данных.
3.5. Логическое моделирование
3.6. Физическая архитектура хранилища данных.
3.6.1. Выбор варианта физической архитектуры.
3.6.2. Управление физической памятью.
3.7. Обеспечение безопасности в Огас1е.
Выводы
Глава 4. Повышение производительности работы с данными в хранилищах и реализация алгоритмов
4.1. Загрузка данных в хранилище.
4.1.1. Периодичность загрузки данных для некоторых направлений банковской деятельности
4.1.2. Способы реализации первоначальной загрузки
4.1.3. Параллельная обработка в процессах загрузки.
4.2. Применение индексов при работе с отношениями небольших размеров.
4.3. Влияние количества получаемых атрибутов на производительность системы.
4.4. Влияние длины ключа в Вдереве на коэффициент
ветвления
4.5. Алгоритм определения благонаджности предприятий, основанный на картах Кохонена
4.6. Использование индексов при работе с многомерными данными
4.7. Интерфейс запросов.
4.8. Оценка автоматизированной банковской системы, основанной на использовании хранилища данных, при помощи показателей теории массового обслуживания
4.9. Проектирование базы данных подсистемы учта операций по международным банковским картам
Выводы.
Заключение.
Список литературы


Примером организации с большим количеством сотрудников и огромной филиальной сетью является Сберегательный банк России, упрощнная структура которой приведена на рис. Филиалы Сберегательного банка далее по тексту СБ имеются практически во всех населнных пунктах Российской Федерации и странах ближнего Зарубежья. Учитывая огромные суммы банковских оборотов, легко представить, какую важную роль имеет анализ имеющихся баз данных клиентов и оперативное принятие правильных решений. До недавнего времени электронный документооборот в Сберегательном банке был организован с использованием реляционных баз данных, находящихся на файловых серверах филиалов, отделений, территориальных банков и т. То есть у каждого филиала была собственная база данных БД каждое отделение располагало своей БД и т. Обмен данными по филиальной сети Сбербанка осуществлялся посредством пересылки файлов. Такое расположение баз данных имеет как положительные, так и отрицательные стороны. Независимость от каналов связи. I, . Высокая скорость работы. Так как пользователи обращаются к серверу в собственной локальной сети, то даже при сравнительно недорогой аппаратной платформе этого сервера, получается хорошая производительность. Независимость операционного дня отдельно взятого филиала от глобального дня отделения. Отдельно взятый филиал работает полностью самостоятельно. Сбои в работе сети этого филиала не могут кардинально повлиять на работу всего отделения. Защита от взлома БД из внешней среды. Взлом такой БД из внешней среды практически не возможен, по причине изолированности БД. На рис. БД понимается совокупность всех баз данных в том числе и БД разных форматов, например, сервер, , x и т. Таким образом, в банках использовались несколько типов баз данных, расположенных на разных серверах, находящихся в каждом филиале банка. С одной стороны, большой объм информации, имеющийся в банковских системах, позволяет получать более точные расчеты и анализ, а с другой усложняет поиск решений. Поэтому первичный анализ данных возлагают на компьютерные системы поддержки принятия решений СППР, которые предназначены для облегчения работы аналитиков. Для выполнения анализа СППР должна накапливать информацию, обладая средствами ввода и хранения. Классы задач СППР рассмотрены в 5. Так как в банковских технологиях преимущественно использовались реляционные базы данных формата , сервер версии 6. СППР можно представить в виде рис. Блок . Рис. Такая архитектура была не эффективной для оперативного принятия решения в масштабах всего банка и даже в пределах отдельно взятого региона. Для оперативного принятия решения необходимо быстро сформировать необходимые отчты, провести анализ полученных данных и принять необходимое решение. Формирование отчетов ответственными пользователями в каждом филиале. Отсылка отчетов, сформированных в филиалах, в вышестоящее отделение банка. Анализ при необходимости корректировка полученных отчтов ответственным подразделением и дальнейшая пересылка в территориальный банк. Анализ при необходимости корректировка отчетов территориальным банком и пересылка в региональный банк. Обработка отчетов региональным банком, анализ и пересылка данных в главный офис. Обработка и анализ отчетов головным офисом. Принятие решения. Время принятия решения в данном случае может быть от нескольких часов до нескольких дней в зависимости от характера принимаемого решения. В вышеперечисленных шагах предполагалось, что любой отдельно взятый отчт формируется по готовым, заранее определнным запросам, т. Задание на доработку разработку отчта. Разработка доработка отчта. Отсылка новой версии программного средства формирования нужного отчта в нижестоящие по иерархии филиалы рис. Как следствие, время принятия решения может увеличиться ещ на несколько дней в зависимости от сложности отчта. Например, цепочку процесса принятия решений изменения процентных ставок по вкладам в иностранной валюте можно представить в виде схемы, изображнной на рис. На этом рисунке представлена цепочка прохождения отчтов только от отделения банка до регионального банка, т.