1. 数据仓库：面向主题的、集成的、时变的、非易失的数据集合，支持管理者的决策模式。
面向主题：关注决策者建模分析，其中不包含日常操作和事务处理，并排除对决策无用的数据。
集成：将多个异构数据源集成在一起，确保命名、编码结构、属性度量一致。
时变：从历史角度（5-10年）提供信息，并显示或隐式包含时间元素。
非易失：无需事务处理、恢复、并发机制，只需数据初始化装入和数据访问。
2. 在传统数据库上建立包装程序和集成程序（查询驱动Query-Driven），由两个步骤完成：
① 提交查询，元数据字典对查询进行转换 => 异构站点进行查询
② 将查询发送到局部查询处理器，再将返回结果集成作为全局回答。
缺点：
① 复杂的信息过滤和集成处理
② 与局部数据源上的处理操作竞争资源
③ 效率低，对于频繁、需聚集的操作开销较大
3. 数据仓库 （更新驱动Update-Driven）
① 将多个异构数据源预先集成，并存储至数据仓库，可直接进行查询、分析
② 内部数据是历史数据，不影响局部数据源的操作，支持复杂多维查询
4. OLTP（On-Line Transaction Processing）联机事务处理：面向顾客和工作人员；主要用于事务查询处理；管理当前最新的数据；面向应用的模型：E-R模型；局部企业数据；原子事务，需并发控制和恢复机制。
OLAP（On-Line Analytical Processing）联机分析处理：面向市场和决策者；主要用于数据分析；管理历史数据；面向主题的模型：星形/雪花形模型；跨企业数据；只读操作，复杂查询。
5. 从数据库中分历数据仓库的原因：提高两个系统的性能。由于二者查询方式不同，在数据库处理OLAP会大大降低系统操作性能。数据库中的并发控制和恢复机制在应用于OLAP会危害并行事务运行，降低OLTP吞吐量。数据库中存储数据不够完整，无法用于决策。
6. 数据仓库的三层结构：
① 底层：数据仓库服务器，通常是关系数据库系统
② 中间层：OLAP服务器
③ 顶层：客户，包含前端工具如查询和报表等
7. 数据仓库模型：企业仓库、数据集市、虚拟仓库
8. 多维数据模型：星形、雪花形、事实星座。多维数据模型的核心：数据立方体。
9. 概念分层：将属性或维的值组织成渐进的抽象层。
10. OLAP操作：
上卷（Roll-up）：沿一个维度的概念分层向上攀升/维归约进行聚集（将一个维度/多个维度从立方体中删除）
下钻（Drill-down）：沿维的概念分层向下或引入附加维。（可通过添加新的维来实现）
切片（Slice）：在一个维进行选择，形成片状子立方体
切块（Lice）：在两个或多个维进行选择，形成块状子立方体
转轴（Pivot）/旋转（Rotate）
钻过（Drill-across）：执行涉及多个事实表的查询
钻透（Drill-through）：使用关系SQL机制，钻透到数据立方体底层到后端关系表
11. 数据仓库的实现
不物化（No Materialization）：不预先进行计算，无需额外空间，性能较差
完全物化（Full Materialization）：预先计算数据立方体格中的所有方体，需要大量额外空间，性能好
部分物化（Partial Materialization）：选择性计算格中的方体子集或小立方体，需要部分额外空间，性能较好
12. 位图索引（Bitmap Indexing）：对于基数较小的值域很有用，且位运算运行速度快，将字符串用二进位表示，大大降低存储空间和I/O开销。对于基数较高的值域需要进行压缩。
13. 连接索引（Join Indexing）：登记来自多个关系的可连接行，降低OLAP连接操作的代价。
14. 数据仓库元数据：定义仓库对象的数据。元数据提供关于仓库结构、数据历史、汇总使用的算法、从元数据到仓库形式的映射、系统性能、商务术语和问题等细节。
15. OLAP服务器：
① 关系OLAP（ROLAP）：使用扩充的关系DBMS，把多维数据上的OLAP操作映射成标准的关系操作
② 多维OLAP（MOLAP）：把多维数据视图映射到数组结构
③ 混合OLAP（HOLAP）：结合以上二者。
16. 数据仓库用于信息处理、分析处理、知识挖掘。基于OLAP的数据挖掘称为多维数据挖掘或OLAM，强调OLAP挖掘的交互式和探测式。
17. 数据仓库包含个维，每个维有
个层，则该立方体包含
个方体。
