Khám Phá Hệ Thống Cơ Sở Dữ Liệu Hiện Đại

Các hệ cơ sở dữ liệu kinh điển, phổ biến nhất là các hệ cơ sở dữ liệu quan hệ, hầu như không có khả năng biểu diễn và xử lý có hiệu quả các… 95 trang · 2023.

• Trường học: Trường Đại Học
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Khám Phá Hệ Thống Cơ Sở Dữ Liệu Hiện Đại
• Loại tài liệu: Đồ Án Tốt Nghiệp
• Năm xuất bản: 2023
• Địa điểm: Hà Nội

Mục lục chi tiết

• 1. MỞ ĐẦU
• 2. KHÁI QUÁT VỀ THÔNG TIN KHÔNG HIỆN XÁ VÀ KHÔNG RÕ RÀNG TRONG CSDL
• 2.1. Thông tin sai lệch
• 2.2. Thông tin không hiện xá
• 2.3. Thông tin không rõ ràng
• 2.4. Cơ sở dữ liệu xác suất
• 2.5. CSDL mờ và CSDL khả năng
• 3. TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Cơ Sở Dữ Liệu Hiện Đại Khái Niệm Xu Hướng

Các hệ cơ sở dữ liệu kinh điển, phổ biến nhất là các hệ cơ sở dữ liệu quan hệ, hầu như không có khả năng biểu diễn và xử lý có hiệu quả các thông tin không chính xác và không chắc chắn. Chẳng hạn, với câu hỏi: "Hãy cho biết họ tên các nhân viên trẻ tuổi và có lương khá cao?" một hệ quản trị cơ sở dữ liệu kinh điển dường như không có cách gì để cho câu trả lời thỏa đáng. Mặt khác, chúng ta luôn phải đối mặt với một thực tế là sự hiểu biết của chúng ta về thế giới thực thường là không hoàn hảo và do đó việc duy trì tính toàn vẹn của các cơ sở dữ liệu luôn là một thách thức. Để duy trì tính toàn vẹn của các cơ sở dữ liệu, có hai giải pháp: Hoặc là ta giới hạn mô hình ở phần của thế giới thực tại đó có được thông tin hoàn hảo (đầy đủ). Điều đó có nghĩa, trong mô hình dữ liệu quan hệ chẳng hạn, các bộ ứng với các nhân viên không có đủ thông tin (thí dụ về tuổi hoặc mức lương) sẽ hoàn toàn bị loại (không có mặt trong cơ sở dữ liệu).

1.1. Giới Thiệu Chung Về Kiến Trúc Cơ Sở Dữ Liệu

Kiến trúc cơ sở dữ liệu hiện đại ngày càng trở nên phức tạp và đa dạng, đáp ứng nhu cầu lưu trữ và xử lý dữ liệu ngày càng tăng. Các kiến trúc phổ biến bao gồm cơ sở dữ liệu quan hệ, cơ sở dữ liệu NoSQL, cơ sở dữ liệu đám mây, và cơ sở dữ liệu phân tán. Mỗi kiến trúc có ưu điểm và nhược điểm riêng, phù hợp với các ứng dụng và yêu cầu khác nhau. Việc lựa chọn kiến trúc phù hợp là yếu tố then chốt để đảm bảo hiệu năng, khả năng mở rộng và bảo mật của hệ thống.

1.2. Các Loại Dữ Liệu Lớn Big Data Trong Cơ Sở Dữ Liệu

Dữ liệu lớn (Big Data) là một thách thức lớn đối với các hệ cơ sở dữ liệu truyền thống. Các loại dữ liệu lớn bao gồm dữ liệu có cấu trúc, dữ liệu bán cấu trúc và dữ liệu phi cấu trúc. Việc xử lý và phân tích dữ liệu lớn đòi hỏi các công nghệ và kỹ thuật đặc biệt, như Hadoop, Spark, và các hệ cơ sở dữ liệu NoSQL. Các công cụ này cho phép lưu trữ và xử lý lượng lớn dữ liệu một cách hiệu quả, cung cấp thông tin chi tiết và giá trị cho doanh nghiệp.

II. Thách Thức Quản Lý Cơ Sở Dữ Liệu Phân Tán Vấn Đề Giải Pháp

Hoặc là phát triển các mô hình dữ liệu cho phép biểu diễn, thao tác và xử lý các thông tin không hoàn hảo. Giả sử thông tin có được về tuổi của một nhân viên là không chính xác, chỉ biết là ở trong khoảng từ 30 tới 40. Nếu mô hình dữ liệu có khả năng đặc tả và thao tác trên các khoảng thì loại thông tin không hoàn hảo đó có thể được nắm bắt trong một cơ sở dữ liệu mà vẫn duy trì tính toàn vẹn của nó. Vì giải pháp thứ hai cho phép mở rộng các ứng dụng cơ sở dữ liệu nên phần lớn các hệ cơ sở dữ liệu đều gắn kết với các mô hình dữ liệu có ít nhất một số đặc điểm nắm bắt thông tin không hoàn hảo, trong đó đặc điểm chung nhất là khả năng lưu trữ các giá trị “null”. Cơ sở dữ liệu quan hệ (CSDLQH) mờ là một mô hình dữ liệu rất tốt cho việc biểu diễn, thao tác và xử lý các thông tin như thế.

2.1. Vấn Đề Bảo Mật Cơ Sở Dữ Liệu Trong Môi Trường Phân Tán

Bảo mật cơ sở dữ liệu là một thách thức lớn trong môi trường phân tán. Dữ liệu được lưu trữ trên nhiều máy chủ và vị trí khác nhau, làm tăng nguy cơ bị tấn công và truy cập trái phép. Các giải pháp bảo mật bao gồm mã hóa dữ liệu, kiểm soát truy cập, và giám sát hoạt động. Việc tuân thủ các tiêu chuẩn bảo mật như GDPR và HIPAA cũng là yếu tố quan trọng để đảm bảo an toàn cho dữ liệu.

2.2. Tính Toàn Vẹn Dữ Liệu Trong Cơ Sở Dữ Liệu Đám Mây

Tính toàn vẹn dữ liệu là một yếu tố quan trọng trong cơ sở dữ liệu đám mây. Dữ liệu phải được đảm bảo chính xác và nhất quán trong suốt quá trình lưu trữ và xử lý. Các cơ chế đảm bảo tính toàn vẹn bao gồm kiểm tra lỗi, sao lưu và phục hồi dữ liệu, và sử dụng các giao thức truyền dữ liệu an toàn. Việc duy trì tính toàn vẹn dữ liệu là yếu tố then chốt để đảm bảo độ tin cậy của hệ thống.

III. Phương Pháp Tối Ưu Hiệu Năng Cơ Sở Dữ Liệu Hướng Dẫn Chi Tiết

Trong công nghệ CSDL thì biểu diễn, xử lý và tối ưu hóa truy vấn/câu hỏi luôn là một trong những thành phần then chốt nhất. Thành phần này có trách nhiệm xử lý các câu hỏi của người dùng sao cho năng suất và hiệu quả nhất. Nói cách khác, mục tiêu của việc xử lý và tối ưu hóa câu truy vấn là tìm ra những dữ liệu người dùng mong muốn từ cơ sở dữ liệu thường là rất lớn một cách hiệu quả và với một độ chính xác chấp nhận được. Trong các hệ CSDLQH kinh điển, cả dữ liệu và các câu truy vấn của người sử dụng đều được giả sử là chính xác. Trong thực tế, điều giả sử này có thể không đúng, nghĩa là có thể có sự không chính xác trong dữ liệu hay trong các câu hỏi.

3.1. Query Optimization Bí Quyết Tăng Tốc Truy Vấn SQL

Query optimization là một kỹ thuật quan trọng để tăng tốc truy vấn SQL. Bằng cách phân tích và tối ưu hóa các truy vấn, hệ thống có thể giảm thiểu thời gian thực hiện và sử dụng tài nguyên hiệu quả hơn. Các kỹ thuật query optimization bao gồm sử dụng chỉ mục, viết lại truy vấn, và lựa chọn thuật toán phù hợp. Việc query optimization giúp cải thiện đáng kể hiệu năng của cơ sở dữ liệu.

3.2. Database Indexing Cách Tạo Chỉ Mục Hiệu Quả Cho Cơ Sở Dữ Liệu

Database indexing là một kỹ thuật tạo chỉ mục để tăng tốc truy vấn dữ liệu. Chỉ mục giúp hệ thống tìm kiếm dữ liệu nhanh hơn bằng cách tạo một cấu trúc dữ liệu riêng biệt chứa các giá trị của một hoặc nhiều cột. Việc tạo chỉ mục phù hợp có thể cải thiện đáng kể hiệu năng của truy vấn, đặc biệt là đối với các truy vấn tìm kiếm và lọc dữ liệu. Tuy nhiên, việc tạo quá nhiều chỉ mục có thể làm chậm quá trình ghi dữ liệu.

IV. Ứng Dụng Cơ Sở Dữ Liệu NoSQL Lựa Chọn Tối Ưu Cho Big Data

Hãy xét dân số của một thành phố. Sẽ không thể biết được con số chính xác số dân cư ngụ trong thành phố tại một thời điểm cho trước. Thậm chí ngay cả khi số dân được xác định chính xác tại một thời điểm thì nó cũng sẽ thay đổi vì các nguyên nhân như là sinh đẻ hay di cư… Tương tự như thế, trọng lượng của con người cũng là đại lượng thay đổi theo thời gian. Do vậy, việc xuất hiện của các dữ liệu không chính xác trong CSDL là điều tự nhiên. Chúng ta biết rằng người dùng thích đưa ra những truy vấn không chính xác hơn là những truy vấn chính xác. Thí dụ, họ muốn tìm tất cả những người bạn trẻ mà không đưa ra độ tuổi chính xác là bao nhiêu thì gọi là trẻ.

4.1. So Sánh MongoDB và Cassandra Ưu Nhược Điểm Chi Tiết

MongoDB và Cassandra là hai hệ cơ sở dữ liệu NoSQL phổ biến. MongoDB là một cơ sở dữ liệu hướng tài liệu, phù hợp với các ứng dụng có cấu trúc dữ liệu linh hoạt. Cassandra là một cơ sở dữ liệu cột rộng, phù hợp với các ứng dụng có yêu cầu về khả năng mở rộng và hiệu năng cao. Việc lựa chọn giữa MongoDB và Cassandra phụ thuộc vào yêu cầu cụ thể của ứng dụng.

4.2. Redis và Memcached Giải Pháp Lưu Trữ Cache Hiệu Quả

Redis và Memcached là hai hệ thống lưu trữ cache phổ biến. Redis là một cơ sở dữ liệu trong bộ nhớ, hỗ trợ nhiều kiểu dữ liệu và tính năng nâng cao. Memcached là một hệ thống cache đơn giản, tập trung vào hiệu năng cao. Cả hai đều giúp giảm tải cho cơ sở dữ liệu chính và cải thiện thời gian phản hồi của ứng dụng.

V. Bảo Mật Cơ Sở Dữ Liệu Các Phương Pháp Tiêu Chuẩn Hàng Đầu

Truy vấn không chính xác nhưng dữ liệu trong CSDL là chính xác. Truy vấn là chính xác nhưng dữ liệu là không chính xác. Cả truy vấn và dữ liệu đều không chính xác. Tóm lại, việc biểu diễn và xử lý các thông tin không chính xác và không chắc chắn đã và đang là một đề tài thời sự và có ý nghĩa ứng dụng rõ rệt. Có nhiều cách tiếp cận khác nhau để giải quyết vấn đề nêu trên. Luận văn tập trung vào cách tiếp cận sử dụng lý thuyết tập mờ với nội dung nhằm giải quyết các vấn đề chủ yếu sau: Biểu diễn và xử lý các thông tin không chắc chắn và không chính xác trong cơ sở dữ liệu quan hệ mờ. Mở rộng đại số quan hệ để xây dựng ngôn ngữ hỏi trên cơ sơ dữ liệu quan hệ mờ, tính toán và đánh giá chất lượng câu trả lời cho các truy vấn.

5.1. Data Encryption Mã Hóa Dữ Liệu Để Bảo Vệ Thông Tin

Data encryption là một phương pháp mã hóa dữ liệu để bảo vệ thông tin khỏi truy cập trái phép. Dữ liệu được mã hóa bằng một thuật toán và chỉ có thể được giải mã bằng khóa giải mã tương ứng. Data encryption giúp bảo vệ dữ liệu cả khi lưu trữ và truyền tải.

5.2. Access Control Kiểm Soát Truy Cập Dữ Liệu Theo Vai Trò

Access control là một phương pháp kiểm soát truy cập dữ liệu dựa trên vai trò và quyền hạn của người dùng. Mỗi người dùng được gán một vai trò và chỉ được phép truy cập dữ liệu mà vai trò đó cho phép. Access control giúp ngăn chặn truy cập trái phép và bảo vệ dữ liệu nhạy cảm.

VI. Tương Lai Cơ Sở Dữ Liệu Xu Hướng Mới Công Nghệ Tiên Tiến

Để thực hiện mục tiêu trên, ngoài phần mở đầu, phần kết luận và danh mục tài liệu tham khảo, luận văn được bố cục như sau: Chương 1, trình bày khái quát về thông tin không chính xác và không chắc chắn trong các hệ CSDL. Nội dung cụ thể của chương này gồm các khái niệm ngắn gọn về thông tin không chính xác, không chắc chắn; cách biểu diễn chúng trong cơ sở dữ liệu cũng như các thao tác xử lý (các phép biến đổi - các câu hỏi và các phép sửa đổi - cập nhật và cấu trúc lại) trên những thông tin đó. Chương 2 giới thiệu tổng quan về các mô hình dữ liệu mờ nhằm biểu diễn các dữ liệu không chính xác, trong đó tập trung vào việc trình bày sâu, đầy đủ hơn về các CSDL mờ dựa trên quan hệ tương tự và CSDL mờ dựa trên lý thuyết khả năng, đồng thời nghiên cứu về vấn đề xử lý các câu hỏi mờ tương ứng.

6.1. AI và Machine Learning trong Quản Lý Cơ Sở Dữ Liệu

AI và Machine Learning đang được ứng dụng rộng rãi trong quản lý cơ sở dữ liệu. Các thuật toán AI có thể giúp tự động hóa các tác vụ quản lý, tối ưu hóa truy vấn, và phát hiện các vấn đề bảo mật. Machine Learning có thể giúp dự đoán nhu cầu tài nguyên, phát hiện các mẫu dữ liệu bất thường, và cải thiện hiệu năng của hệ thống.

6.2. Cloud Native và Serverless Kiến Trúc Cơ Sở Dữ Liệu Linh Hoạt

Cloud Native và Serverless là các kiến trúc cơ sở dữ liệu linh hoạt và có khả năng mở rộng cao. Cloud Native cho phép triển khai và quản lý cơ sở dữ liệu trên nền tảng đám mây một cách hiệu quả. Serverless cho phép chạy các ứng dụng cơ sở dữ liệu mà không cần quản lý máy chủ, giúp giảm chi phí và tăng tính linh hoạt.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong lĩnh vực Khoa học máy tính và Hệ thống thông tin, các hệ cơ sở dữ liệu (CSDL) kinh điển—đặc biệt là mô hình CSDL quan hệ—được xây dựng trên giả định rằng mọi dữ liệu lưu trữ cũng như các câu truy vấn từ người dùng đều hoàn toàn chính xác và xác định. Tuy nhiên, trong thực tế, tri thức của con người về thế giới thực thường không hoàn hảo, dẫn đến việc dữ liệu thu thập được có thể bị thiếu, sai lệch, mơ hồ hoặc chỉ mang tính phỏng đoán (ví dụ: dữ liệu biến thiên theo thời gian như độ tuổi, cân nặng, dân số của một thành phố). Đồng thời, người sử dụng thường có xu hướng đặt ra các câu truy vấn mang tính định tính bằng ngôn ngữ tự nhiên (chẳng hạn: "tìm các nhân viên trẻ tuổi và có mức lương khá cao") thay vì các ngưỡng số học tuyệt đối.

Khi đối mặt với thông tin không hoàn hảo nhằm duy trì tính toàn vẹn của hệ CSDL, thực tiễn kỹ thuật tồn tại hai hướng giải quyết:

1. Giới hạn mô hình ở phần thế giới thực có thông tin đầy đủ, chấp nhận loại bỏ hoàn toàn các bộ dữ liệu không có đủ thông tin (ví dụ: loại bỏ các bản ghi thiếu dữ liệu về độ tuổi hoặc mức lương).
2. Phát triển các mô hình dữ liệu mở rộng cho phép biểu diễn, thao tác và xử lý thông tin không hoàn hảo (ví dụ: sử dụng giá trị null, xây dựng CSDL quan hệ mờ).

Mục tiêu tổng quát của luận văn là tập trung nghiên cứu hướng tiếp cận sử dụng lý thuyết tập mờ và lý thuyết khả năng để xử lý dữ liệu không hoàn hảo trong hệ cơ sở dữ liệu quan hệ. Nhiệm vụ nghiên cứu được văn bản xác định cụ thể gồm hai nội dung chủ yếu:

1. Biểu diễn và xử lý các thông tin không chắc chắn và không chính xác trong cơ sở dữ liệu quan hệ mờ.
2. Mở rộng đại số quan hệ để xây dựng ngôn ngữ hỏi trên cơ sở dữ liệu quan hệ mờ, tính toán và đánh giá chất lượng câu trả lời cho các truy vấn.

Đối tượng nghiên cứu của công trình là các mô hình dữ liệu mờ, cấu trúc đại số quan hệ mở rộng và các phương pháp định lượng câu truy vấn mờ. Phạm vi nghiên cứu tập trung vào cơ sở lý thuyết hình thức của CSDL quan hệ mờ (CSDLQH mờ), các quan hệ tương tự, quan hệ khả năng và các phép toán Chọn - Chiếu - Kết nối (Select - Project - Join: SPJ).

Cơ sở lý thuyết và phương pháp

Luận văn vận dụng hệ thống các khung lý thuyết hình thức toán học và mô hình CSDL tiên tiến, bao gồm:

• Lý thuyết tập mờ (Fuzzy Set Theory): Khái niệm tập con mờ $F$ trên không gian tham chiếu $X$ được đặc trưng bởi hàm thuộc $\mu_F: X \rightarrow [0, 1]$ do L.A. Zadeh khởi xướng, làm nền tảng định lượng cấp độ thuộc của các phần tử và bộ dữ liệu.
• Lý thuyết khả năng (Possibility Theory): Khung lý thuyết của Zadeh, Dubois và Prade, sử dụng các phân bố khả năng $\pi(x)$ trên miền xác định để mô hình hóa trạng thái dữ liệu chưa rõ ràng.
• Mô hình quan hệ tương tự của Buckles và Petry (1982): Mô hình mở rộng miền thuộc tính thành tập lũy thừa và trang bị các quan hệ tương tự $s_i$ thỏa mãn tính phản xạ, đối xứng và bắc cầu (bắc cầu max-min $T_1$ hoặc max-tích $T_2$).
• Mô hình khả năng của Prade và Testemale (1984): Sử dụng phân bố khả năng chuẩn để biểu diễn miền trị và đánh giá câu hỏi thông qua cặp độ đo đối ngẫu: Độ khả năng ($\Pi$) và Độ cần thiết ($N$).
• Các mở rộng đại số và ngôn ngữ truy vấn: Phép tính logic mờ cấp một (FFOL) của Zvieli, ngôn ngữ tựa SQL mờ (SQLf) của Bosc và Pivert, và toán tử trung bình trọng số có sắp thứ tự (OWA) của Yager.

Phương pháp nghiên cứu chủ đạo của đề tài là phương pháp nghiên cứu lý thuyết và mô hình hóa hình thức (Formal Theoretical Modeling). Tác giả sử dụng các công cụ giải tích mờ, logic toán và đại số quan hệ để thiết lập các định nghĩa, định lý chứng minh tính đóng, tính duy nhất của dữ liệu khi loại bỏ bộ dư thừa, cũng như xây dựng các công thức định lượng độ thỏa của kết quả truy vấn.

Nguồn dữ liệu nghiên cứu là dữ liệu mô phỏng dạng bộ thuộc tính mang tính đại diện (như bảng quan hệ thực thể nhân sự gồm các trường mã nhân viên, tên, tuổi, lương) cùng các phân bố khả năng và tập mờ hình thang phục vụ minh họa toán học.

Nội dung chính theo từng chương

Chương 1: Khái quát về thông tin không chính xác và không chắc chắn trong các hệ CSDL

Chương này thiết lập nền tảng phân loại thông tin không hoàn hảo trong các hệ CSDL thành ba nhóm bản chất:

• Thông tin sai lệch (Erroneous information): Thông tin khác với thông tin thực tế, làm phương hại trực tiếp đến tính toàn vẹn dữ liệu. Dạng điển hình là sự không nhất quán khi cùng một đối tượng thực tế được biểu diễn mâu thuẫn trong cùng một hoặc nhiều CSDL.
• Thông tin không chính xác (Inaccurate information): Ký hiệu một tập các giá trị có thể xảy ra mà giá trị đúng là một phần tử trong đó (không làm phương hại tính toàn vẹn). Các biểu hiện gồm: thông tin tuyển (ví dụ: tuổi là 35 hoặc 36), thông tin âm (tuổi không phải 30), thông tin khoảng/miền (tuổi từ 35 đến 40), thông tin kèm cận sai số ($30 \pm 1$), giá trị chính xác (tập một phần tử) và giá trị null (toàn bộ miền trị hợp lệ).
• Thông tin không chắc chắn (Uncertain information): Tri thức không thể phát biểu với niềm tin tuyệt đối mà phải gắn liền với một độ đo niềm tin xác định (ví dụ: tuổi là 35 với khả năng/xác suất 0.6).

Tác giả mô hình hóa hệ CSDL tổng quát gồm: thành phần khai báo (mô tả $D$) và thành phần tác nghiệp (các phép sửa đổi $m$ gồm cập nhật, tái cấu trúc; các phép biến đổi $t$ gồm đánh giá truy vấn đưa về bảng kết quả $t(D)$). Sự không hoàn hảo của kết quả $t(D)$ có thể bắt nguồn từ bản thân mô tả $D$, cấu trúc phép toán $t$, hoặc phương pháp xử lý của hệ thống (ví dụ: trả về câu trả lời nội hàm - intensional answers, thuật toán xấp xỉ do giới hạn tài nguyên). Cuối chương, tác giả điểm qua ba lĩnh vực ứng dụng quan trọng cần xử lý dữ liệu không chắc chắn: tích hợp đa-CSDL không thuần nhất, tìm kiếm CSDL ảnh số và kỹ thuật gán qua lại (imputation) dữ liệu thống kê bị khuyết.

Chương 2: Các mô hình dữ liệu mờ và truy vấn mờ

Chương 2 tổng quan và so sánh 5 cách tiếp cận chính trong việc đưa tính mờ vào mô hình dữ liệu quan hệ:

Cách tiếp cận	Tính thuộc của bộ	Giá trị thuộc tính	Các phần tử của miền
Dựa trên quan hệ mờ	Mờ	Rõ	Rõ
Dựa trên sự tương tự	Rõ	Mờ (tập con)	Mờ (quan hệ tương tự)
Dựa trên cơ sở khả năng	Rõ	Mờ (phân bố khả năng)	Rõ
Dựa trên cơ sở khả năng mở rộng	Rõ	Mờ (phân bố khả năng)	Mờ (quan hệ gần nhau)
Tiếp cận tổ hợp	Mờ (cặp $(\rho_t, \nu_t)$)	Mờ (phân bố khả năng)	Rõ

Chương đi sâu phân tích hai mô hình kinh điển:

1. Mô hình dựa trên quan hệ tương tự của Buckles và Petry (1982): Mỗi bộ là một phần tử thuộc tích các tập lũy thừa $P(D_1) \times \dots \times P(D_n)$. Các phần tử trong miền trị $D_j$ gắn với quan hệ tương tự $s_j$. Khái niệm mức tương tự $Level(D_j)$ được dùng để xác định các bộ dư thừa (redundant tuples) có thể gộp lại qua phép hợp tập hợp. Hai định lý quan trọng được trình bày:
   • Định lý 1: Trong quan hệ mờ không chứa bộ dư thừa với quan hệ tương tự bắc cầu max-min, các tập thể hiện có thể có của hai bộ bất kỳ luôn rời nhau ($T_i \cap T_j = \emptyset, \forall i \neq j$).
   • Định lý 2: Quan hệ mờ thu được từ việc hợp nhất các bộ dư thừa là duy nhất nếu quan hệ tương tự có tính bắc cầu max-min.
2. Mô hình dựa trên lý thuyết khả năng của Prade và Testemale (1984): Giá trị thuộc tính được biểu diễn bằng phân bố khả năng chuẩn $\pi_{A(t)}: D \cup {e} \rightarrow [0, 1]$ (trong đó $e$ biểu thị giá trị "không áp dụng"). Mô hình này cho phép biểu diễn đầy đủ 7 trạng thái dữ liệu: chính xác, không áp dụng được, tồn tại nhưng chưa biết, hoàn toàn không có thông tin (no-information null), khoảng giá trị, giá trị ngôn ngữ mờ và tập tuyển rời rạc.

Về việc đánh giá câu hỏi truy vấn mờ trên mô hình khả năng, tác giả trình bày hai độ đo cơ sở khi so khớp điều kiện $C$ với phân bố $\pi_{A(t)}$:

• Độ khả năng: $\Pi(C; \pi_{A(t)}) = \sup_{d \in D} \min(C(d), \pi_{A(t)}(d))$
• Độ cần thiết: $N(C; \pi_{A(t)}) = \inf_{d \in D \cup {e}} \max(C(d), 1 - \pi_{A(t)}(d))$

Dạng tân từ/điều kiện $C$	Loại dữ liệu $A(t)$	Độ khả năng $\Pi$	Độ cần thiết $N$
Boole (Rõ)	Dữ liệu chính xác ($d$)	$\Pi = 1$ nếu $d \in C$; ngược lại $\Pi = 0$	$N = 1$ nếu $d \in C$; ngược lại $N = 0$
Boole (Rõ)	Khoảng giá trị ($I$)	$\Pi = 1$ nếu $\exists d \in I: d \in C$; ngược lại $\Pi = 0$	$N = 1$ nếu $\forall d \in I: d \in C$; ngược lại $N = 0$
Mơ hồ (Mờ)	Dữ liệu chính xác ($d$)	$\Pi = C(d)$	$N = C(d)$
Mơ hồ (Mờ)	Dữ liệu mờ ($\pi$)	$\Pi = \sup_{d} \min(C(d), \pi(d))$	$N = \inf_{d} \max(C(d), 1 - \pi(d))$

Chương cũng phân tích các mở rộng hỏi mềm dẻo trên CSDL kinh điển, tiêu biểu là ngôn ngữ SQLf với cấu trúc câu lệnh: Select n/t <thuộc tính> From <quan hệ> Where <điều kiện mờ> Having <điều kiện-mờ-tích hợp>, kết hợp các toán tử logic và hàm kết hợp OWA.

Chương 3: CSDLQH mờ mở rộng và việc tính toán câu trả lời cho các truy vấn

Chương 3 đề xuất giải pháp mở rộng kiến trúc logic của CSDLQH mờ nhằm nâng cao năng lực biểu diễn và xử lý thông tin tuyển mờ (fuzzy disjunctive information). Các nội dung cốt lõi bao gồm:

• Xây dựng lý thuyết quan hệ mờ mở rộng: Thiết lập các định nghĩa hình thức cho quan hệ giống nhau mờ, quan hệ gần nhau và hệ thống các ràng buộc toàn vẹn trên CSDL quan hệ mờ mở rộng.
• Cơ chế đánh giá chất lượng câu trả lời: Đưa vào hai độ đo mới gồm độ thỏa (satisfactory degree) và độ phụ trợ (extra degree). Hai độ đo này lượng hóa mức độ thông tin thỏa đáng được cung cấp và mức độ đòi hỏi chân lý đối với từng câu truy vấn.
• Phân loại câu trả lời: Dựa trên các độ đo chất lượng, câu trả lời trả về cho người dùng được phân tách minh bạch thành hai tập: câu trả lời chắc chắn (sure answers) và câu trả lời có thể/khả năng (maybe answers).
• Mở rộng các phép toán đại số quan hệ: Định nghĩa lại các phép toán Chọn - Chiếu - Kết nối mờ mở rộng (Extended Fuzzy Select - Project - Join: SPJ), bảo đảm việc tính toán và tối ưu hóa xử lý câu hỏi mờ diễn ra chặt chẽ trên cấu trúc dữ liệu mới.

Kết quả và đóng góp

Luận văn đã đạt được các kết quả khoa học chính:

• Hệ thống hóa toàn diện các mô hình CSDL mờ hiện có thông qua bảng phân loại 5 cách tiếp cận biểu diễn dữ liệu mờ theo cấp độ: bộ dữ liệu, giá trị thuộc tính và miền trị.
• Làm rõ cơ chế toán học của mô hình Buckles-Petry và Prade-Testemale, chỉ ra cách thức đại số quan hệ kinh điển được mở rộng qua việc kết hợp các quan hệ tương tự, quan hệ gần nhau và phân bố khả năng chuẩn.
• Đề xuất mở rộng kiến trúc logic của CSDLQH mờ cho phép nắm bắt và xử lý thông tin tuyển mờ (fuzzy disjunctive information).
• Xây dựng khung đánh giá chất lượng câu trả lời truy vấn SPJ mờ dựa trên cặp độ đo: độ thỏa (satisfactory degree) và độ phụ trợ (extra degree), cho phép phân tách rành mạch giữa các câu trả lời chắc chắn (sure answers) và câu trả lời có thể (maybe answers).
• Thiết lập hệ thống toán tử Chọn - Chiếu - Kết nối (SPJ) mở rộng, tạo cơ sở hình thức cho việc xây dựng các bộ máy truy vấn mờ tối ưu.

Hạn chế và hướng nghiên cứu tiếp

• Hạn chế: Các kết quả của luận văn chủ yếu tập trung vào xây dựng cơ sở toán học lý thuyết và hình thức hóa đại số quan hệ mờ; phần cài đặt thực nghiệm trên các hệ quản trị CSDL thương mại còn hạn chế do những rào cản về cấu trúc lưu trữ vật lý của các hệ thống CSDL hiện hành.
• Hướng nghiên cứu tiếp:
  • Triển khai thuật toán và cài đặt thực nghiệm các phép toán SPJ mở rộng trên các hệ quản trị CSDL cụ thể.
  • Nghiên cứu tối ưu hóa chi phí xử lý câu hỏi mờ trong môi trường tích hợp đa-CSDL không thuần nhất.
  • Ứng dụng các cấu trúc dữ liệu không chắc chắn vào các bài toán tìm kiếm CSDL ảnh và xử lý dữ liệu khuyết thiếu trong thống kê.

Giá trị tham khảo

Tài liệu này hữu ích cho sinh viên, học viên cao học và nghiên cứu sinh thuộc các ngành Khoa học máy tính, Công nghệ thông tin, và Hệ thống thông tin đang nghiên cứu về các chủ đề:

• Cơ sở dữ liệu nâng cao, lý thuyết CSDL quan hệ mờ và CSDL xác suất.
• Ứng dụng logic mờ và lý thuyết khả năng trong biểu diễn tri thức và trí tuệ nhân tạo.
• Xây dựng các ngôn ngữ truy vấn mềm dẻo (Flexible Querying) tựa SQL (như SQLf).

Nội dung tại Chương 2 (các công thức so khớp độ đo khả năng/cần thiết, định lý về tính duy nhất của quan hệ tương tự) và Chương 3 (cơ chế đánh giá câu trả lời SPJ bằng độ thỏa và độ phụ trợ) là các phần có giá trị học thuật cao nhất để trích dẫn hoặc kế thừa khi thiết kế mô hình dữ liệu.

Câu hỏi thường gặp

1. Ba loại thông tin không hoàn hảo được luận văn phân biệt như thế nào?
Luận văn phân loại thành: (1) Thông tin sai lệch là thông tin sai khác với thực tế hoặc không nhất quán, làm phương hại tính toàn vẹn CSDL; (2) Thông tin không chính xác là một tập các giá trị có thể chứa giá trị đúng (như thông tin khoảng, thông tin tuyển, giá trị null), không làm hỏng tính toàn vẹn; (3) Thông tin không chắc chắn là thông tin đi kèm một mức độ niềm tin/khả năng xác định.

2. Điều kiện nào đảm bảo việc gộp các bộ dư thừa trong mô hình CSDL mờ của Buckles và Petry cho ra kết quả duy nhất?
Theo Định lý 2 trong văn bản, quan hệ mờ thu được từ việc hợp nhất các bộ dư thừa (thỏa mãn ngưỡng tương tự $Level(D_j)$) là duy nhất nếu mỗi quan hệ tương tự $s_j$ trên miền trị đều thỏa mãn tính chất bắc cầu max-min ($s_j(x, z) = \max_{y} \min(s_j(x, y), s_j(y, z))$).

3. Phân bố khả năng chuẩn trong mô hình của Prade và Testemale biểu diễn được những loại dữ liệu nào?
Phân bố khả năng chuẩn biểu diễn được 7 trạng thái dữ liệu: dữ liệu chính xác, dữ liệu không áp dụng được (sử dụng phần tử $e$), dữ liệu tồn tại nhưng chưa biết, dữ liệu hoàn toàn không có thông tin (no-information null), dữ liệu khoảng, dữ liệu ngôn ngữ mờ (tập mờ hình thang) và dữ liệu tuyển rời rạc.

4. Hai độ đo "độ thỏa" và "độ phụ trợ" trong Chương 3 có vai trò gì trong việc trả lời truy vấn?
Hai độ đo này được dùng để định lượng chất lượng câu trả lời cho các phép toán Chọn - Chiếu - Kết nối (SPJ). Chúng xác định mức độ thông tin thỏa đáng được cung cấp và mức độ chân lý đòi hỏi đối với từng câu hỏi, qua đó phân loại kết quả thành câu trả lời chắc chắn (sure answers) và câu trả lời có thể (maybe answers).

5. Cấu trúc câu lệnh truy vấn SQLf của Bosc và Pivert được thiết lập như thế nào?
Cú pháp cơ bản của câu lệnh SQLf trong văn bản gồm:
Select n/t <thuộc tính> From <quan hệ> Where <điều kiện mờ> Having <điều kiện-mờ-tích hợp>, hỗ trợ các khối câu hỏi con mờ lồng nhau và xử lý các tân từ ngôn ngữ tự nhiên.

Kết luận

Luận văn đã giải quyết một cách có hệ thống bài toán biểu diễn và xử lý thông tin không chính xác, không chắc chắn trong hệ CSDL quan hệ bằng cách tiếp cận giải tích mờ và lý thuyết khả năng. Công trình đã phân tích sâu sắc các mô hình mờ kinh điển, chứng minh các định lý về tính duy nhất của quan hệ mờ và đề xuất thành công mô hình CSDLQH mờ mở rộng xử lý thông tin tuyển mờ. Đóng góp nổi bật của nghiên cứu là thiết lập khung đánh giá chất lượng câu trả lời truy vấn SPJ thông qua độ thỏa và độ phụ trợ, tạo nền tảng lý thuyết vững chắc cho các hệ thống hỏi mềm dẻo và tích hợp dữ liệu phức tạp.