Fondamenti delle basi di dati

Dati e informazioni

Perché una base di dati non è un contenitore di dati ma uno strumento che produce informazione, e quali problemi nascono quando i dati vengono memorizzati senza una progettazione.

Base

Obiettivi di apprendimento

  • Distinguere dati, informazioni e conoscenza con criteri precisi
  • Riconoscere le proprietà che rendono un'informazione utile per una decisione
  • Spiegare ridondanza, inconsistenza e integrità con esempi concreti
  • Definire base di dati e DBMS ed elencare le funzioni di un DBMS
  • Distinguere lo schema dall'istanza
  • Collocare progettazione concettuale, logica e fisica nel processo di progettazione

Prerequisiti

  • Nessuna conoscenza pregressa di basi di dati: questa è la prima lezione del corso

Introduzione

Ogni decisione di progettazione che prenderai in questo corso dipende da una sola distinzione: una base di dati non memorizza dati, produce informazioni.

La frase suona come uno slogan, quindi rendiamola operativa. Un'azienda raccoglie milioni di righe: un identificativo, una data, un importo, un codice. Quelle righe sono dati. Nessuno può prendere una decisione guardandole. Una decisione richiede un oggetto diverso: "i clienti che hanno speso più di 5 000 euro nell'ultimo trimestre", "i due prodotti le cui scorte finiranno prima di venerdì". Quelle sono informazioni. Una base di dati è progettata bene quando rende il secondo oggetto economico da ottenere e il primo impossibile da corrompere.

Questa lezione stabilisce il vocabolario e i problemi che le oltre cento lezioni successive risolveranno. Qui non si parla ancora né di SQL né di diagrammi: stiamo definendo che cosa costruiamo e perché.

Dati, informazioni e conoscenza

Dato

Un dato è un insieme di simboli registrati su un supporto, ottenuti misurando o osservando fatti, e memorizzati senza alcuna interpretazione. I dati non hanno significato da soli: 38 è un dato, e lo sono anche 2024-03-12 o Torino.

Informazione

Un'informazione è il risultato dell'interpretazione di dati all'interno di un contesto, per rispondere a una domanda o supportare una decisione. L'informazione riduce l'incertezza di chi la riceve. Gli stessi dati possono produrre informazioni diverse in contesti diversi.

La distinzione non è filosofica: ha una conseguenza pratica immediata. Se due applicazioni interpretano gli stessi dati in modo diverso, i dati non sono sbagliati — è la progettazione a esserlo. Il nostro compito di progettisti è rendere l'interpretazione esplicita e unica.

Un terzo termine è utile:

Conoscenza

La conoscenza è l'insieme delle regole che permettono di produrre informazioni a partire dai dati: "un cliente è inattivo quando non acquista da 12 mesi". La conoscenza vive nelle persone, nelle procedure o nel codice dell'applicazione — ed è esattamente ciò che dobbiamo scoprire durante l'analisi dei requisiti (Modulo 2).

Gli stessi dati, due interpretazioni

Dato memorizzato Contesto A Informazione prodotta
38 colonna temperatura_celsius "Il paziente ha la febbre"
38 colonna numero_scarpe "Questa scarpa non mi calza"
2024-03-12 colonna data_assunzione "Il dipendente ha 3 mesi di anzianità"
2024-03-12 colonna data_scadenza "Il prodotto è scaduto"
Torino colonna citta_nascita "Il cliente è nato a Torino"
Torino colonna citta_magazzino "L'ordine parte da Torino"

Il valore è identico; il significato è dato dal nome della colonna, dal dominio e dalle regole dell'applicazione. Per questo, in tutto il corso, insisteremo su domini, denominazione e vincoli: sono i meccanismi che tengono l'interpretazione attaccata ai dati.

Proprietà di un'informazione utile

Un'informazione è utile quando soddisfa un piccolo insieme di proprietà. Ognuna di esse, quando manca, corrisponde a un difetto che uno schema corretto deve prevenire.

Proprietà Significato Che cosa accade quando manca
Accuratezza I dati riflettono la realtà al momento della registrazione Decisioni basate su fatti sbagliati
Completezza Ci sono tutti i dati necessari alla decisione Risposte parziali, aggregati errati
Tempestività I dati sono disponibili quando la decisione viene presa Informazioni obsolete
Pertinenza I dati riguardano la domanda posta Rumore, query lente, report inutili
Non ambiguità Un valore ha una sola interpretazione possibile Due utenti leggono la stessa riga in modo diverso
Coerenza Valori che devono concordare concordano davvero Risposte contraddittorie dalla stessa base di dati
Disponibilità Gli utenti autorizzati possono accedere ai dati quando serve Lavoro bloccato, copie ombra create fuori dal sistema
Sicurezza Solo gli utenti autorizzati accedono ai dati Danni legali ed economici

Perché gli archivi tradizionali non bastano

Prima della diffusione dei DBMS, ogni applicazione scriveva i propri file. Questa organizzazione funziona per un programma e crolla appena i dati vengono condivisi. Emergono sei problemi, che sono la giustificazione storica dell'approccio a basi di dati.

1. Ridondanza

Lo stesso fatto è memorizzato in più posti. L'indirizzo del cliente è scritto nel file della fatturazione, in quello della spedizione e in quello del marketing. La ridondanza non è gratuita: costa spazio, ma soprattutto costa manutenzione.

2. Inconsistenza

Ridondanza più aggiornamenti indipendenti producono contraddizione. Il cliente si trasferisce; l'applicazione di fatturazione viene aggiornata, quella delle spedizioni no. La base di dati contiene ora due indirizzi diversi per lo stesso cliente e nessuna regola dice quale sia corretto.

3. Integrità debole

Un'applicazione basata su file può controllare solo le regole che il proprio codice implementa. Se tre programmi scrivono lo stesso file, ognuno implementa un sottoinsieme diverso delle regole. Nulla impedisce che un ordine faccia riferimento a un cliente inesistente, o che un dipendente abbia uno stipendio negativo.

4. Concorrenza

Due utenti aggiornano lo stesso record nello stesso istante. Senza un meccanismo di controllo centralizzato, l'ultima scrittura vince silenziosamente e il primo aggiornamento va perso. Con i file, coordinare l'accesso concorrente richiede lock implementati da ogni applicazione — una soluzione che non scala.

5. Sicurezza

Il controllo degli accessi sui file è grossolano: o puoi leggere il file, o non puoi. Concedere a un impiegato il diritto di vedere solo gli ordini del proprio ufficio richiede una copia dei dati oppure un'applicazione che li filtri — e qualunque altro programma può aggirare il filtro.

6. Backup e ripristino

Se la macchina si arresta a metà di una scrittura, il file può restare in uno stato che non è né il vecchio né il nuovo. Ricostruire uno stato coerente richiede che l'applicazione conosca la semantica dei propri file. Non esiste un meccanismo generale.

Problema Sintomo percepito dall'utente Meccanismo che lo risolve
Ridondanza "Aggiorniamo l'indirizzo in tre posti" Schema centralizzato e normalizzato
Inconsistenza "Due report danno numeri diversi" Vincoli + unica fonte di verità
Integrità debole "L'ordine non ha un cliente" Vincoli di integrità dichiarativi
Concorrenza "La mia modifica è sparita" Transazioni con isolamento
Sicurezza "Tutti possono leggere gli stipendi" Privilegi gestiti dal DBMS
Ripristino "Dopo il crash il file era corrotto" Transazioni + backup e ripristino

Che cos'è una base di dati

Base di dati

Una base di dati è una collezione di dati, organizzata secondo uno schema, gestita da un sistema software (il DBMS) che ne garantisce l'integrità, la sicurezza, l'uso concorrente e la persistenza.

Tre parole portano l'intera definizione.

  • Organizzata: i dati seguono una struttura che è stata progettata. Una cartella piena di file CSV è una collezione di dati, non una base di dati.
  • Gestita: l'accesso non avviene aprendo file, ma chiedendo al DBMS. Il DBMS è l'unico componente che tocca la memorizzazione fisica.
  • Garantita: integrità, sicurezza, concorrenza e persistenza sono proprietà del sistema, non della buona volontà dei programmi che lo usano.

Una base di dati è quindi caratterizzata dall'essere grande, condivisa (molti utenti, molte applicazioni) e persistente (sopravvive ai processi che la usano). Sono esattamente le tre proprietà che un archivio di file non può fornire.

Schema e istanza

Due concetti vengono continuamente confusi, e confonderli rende incomprensibile ogni lezione successiva.

Schema

Lo schema (o intensione) è la descrizione della struttura: quali entità esistono, quali attributi hanno, quali vincoli valgono. Cambia raramente, e solo quando cambiano i requisiti.

Istanza

L'istanza (o estensione, o stato) è l'insieme dei valori attualmente memorizzati. Cambia continuamente, a ogni inserimento, aggiornamento e cancellazione, senza toccare lo schema.

Schema Istanza
Domanda a cui risponde "Come sono organizzati i dati?" "Quali dati sono memorizzati adesso?"
Cambia quando Cambiano i requisiti A ogni transazione
Dimensione Poche decine di definizioni Milioni di righe
Esempio (relazionale) Studente(id, nome, data_nascita) (1, 'Anna', 2004-05-17)
Esempio (E-R) Entità Studente con attributi id, nome L'insieme degli studenti iscritti oggi

Lo schema è ciò che progettiamo. L'istanza è ciò che gli utenti riempiono. Un errore di progettazione è un difetto dello schema e non si ripara correggendo i dati: riapparirà al prossimo inserimento.

Che cos'è un DBMS e che cosa garantisce

DBMS

Un DBMS (Database Management System, sistema di gestione di basi di dati) è il livello software che gestisce una base di dati. Accetta richieste espresse in un modello dei dati (per esempio SQL), le traduce in operazioni sulla memorizzazione fisica e fa rispettare i vincoli dichiarati nello schema.

Le funzioni di un DBMS corrispondono una a una ai problemi elencati sopra.

Funzione del DBMS Problema che risolve
Definizione dei dati (DDL) Dichiarare lo schema una volta, per tutte le applicazioni
Manipolazione dei dati (DML) Leggere e scrivere senza conoscere la disposizione fisica
Controllo dell'integrità Rifiutare i dati che violano i vincoli dichiarati
Controllo degli accessi Concedere privilegi per utente e per oggetto
Controllo della concorrenza Isolare transazioni simultanee
Ripristino Riportare il sistema a uno stato coerente dopo un guasto
Indipendenza fisica dei dati Cambiare la memorizzazione senza cambiare le applicazioni
Ottimizzazione delle query Scegliere automaticamente una strategia di esecuzione efficiente

Transazioni: una prima occhiata

Una transazione è una sequenza di operazioni che il DBMS tratta come un'unità unica e indivisibile. Trasferire 100 euro dal conto A al conto B è composta da due aggiornamenti; se il sistema si ferma tra i due, il denaro scompare o raddoppia. Il DBMS impedisce entrambi gli esiti garantendo quattro proprietà, note come ACID.

Proprietà Garanzia
Atomicità O si eseguono tutte le operazioni della transazione, o nessuna
Coerenza Una transazione porta la base di dati da uno stato valido a un altro
Isolamento Transazioni concorrenti non osservano gli stati intermedi delle altre
Persistenza Una volta confermati, gli effetti sopravvivono a un guasto

Le transazioni sono la ragione per cui i problemi di ripristino e concorrenza degli archivi di file scompaiono. Le studieremo operativamente nel Modulo 7 e le useremo nel Modulo 8.

Dove si colloca la progettazione: le sette fasi

Il corso segue una pipeline precisa. Ogni fase produce un artefatto, e ogni artefatto è l'input della fase successiva.

Fase Domanda a cui risponde Artefatto prodotto Modulo
1. Analisi dei requisiti Che cosa deve fare il sistema? Requisiti, glossario, vincoli 2
2. Progettazione concettuale Quali fatti e regole esistono nel dominio? Schema E-R, indipendente dal DBMS 3
3. Ristrutturazione dello schema Lo schema è semplice e completo? Schema E-R ristrutturato 4
4. Progettazione logica Come lo rappresentiamo con relazioni? Schema relazionale con chiavi 5
5. Normalizzazione Le relazioni sono prive di ridondanze? Schema relazionale normalizzato 6
6. Progettazione fisica Come lo memorizziamo efficientemente in MySQL? Tabelle, indici, vincoli 7
7. Implementazione e uso Come lo creiamo e lo interroghiamo? Script SQL, query 8

Il caso di studio trasversale dell'intero corso è un sistema di gestione di biblioteca. Incontrerai gli stessi requisiti nel Modulo 2, le stesse entità nel Modulo 3, lo stesso schema nel Modulo 5 e le stesse tabelle nel Modulo 7. Nulla cambierà senza spiegazione tra una lezione e l'altra.

Errori comuni

  1. Trattare dati e informazioni come sinonimi. Se un report è sbagliato, la prima domanda non è "quali dati sono sbagliati" ma "quale interpretazione viene applicata". Molto spesso i dati sono corretti ed è lo schema a permettere due letture.
  2. Credere che un foglio di calcolo sia una base di dati. Un foglio di calcolo non ha schema, non ha vincoli, non ha controllo della concorrenza e non ha nozione di transazione. È un ottimo strumento di calcolo e un pericoloso archivio condiviso.
  3. Partire dalle tabelle. Le tabelle sono il risultato di una progettazione, non il suo punto di partenza. Se inizi con CREATE TABLE, codificherai la disposizione del report attuale, non la struttura del dominio.
  4. Pensare che un DBMS elimini il bisogno di progettare. Un DBMS fa rispettare i vincoli che dichiari. Se non ne dichiari nessuno, memorizzerà dati contraddittori per sempre.
  5. Confondere schema e istanza. "La base di dati è sbagliata" di solito significa "questa riga è sbagliata"; "la progettazione è sbagliata" significa "questa riga può esistere". Le due diagnosi portano a interventi completamente diversi.
  6. Aggiungere ridondanza senza misurarla. Duplicare un valore può essere una decisione di prestazioni legittima, ma deve essere una decisione documentata, con un meccanismo che mantiene allineate le copie.
  • I dati sono simboli registrati senza interpretazione; le informazioni sono dati interpretati in un contesto per supportare una decisione; la conoscenza è l'insieme delle regole che producono informazioni a partire dai dati.
  • Un'informazione utile è accurata, completa, tempestiva, pertinente, non ambigua, coerente, disponibile e sicura.
  • Gli archivi tradizionali soffrono di ridondanza, inconsistenza, integrità debole, conflitti di concorrenza, sicurezza grossolana e ripristino inaffidabile.
  • Una base di dati è una collezione di dati organizzata secondo uno schema e gestita da un DBMS.
  • Un DBMS dichiara, manipola, protegge e ottimizza i dati e fornisce transazioni con le proprietà ACID.
  • Lo schema descrive la struttura e cambia raramente; l'istanza contiene i valori correnti e cambia continuamente.
  • La progettazione di una base di dati è una pipeline di sette fasi; lo schema concettuale viene prima di qualsiasi tabella e non va espresso in termini di tabelle.

Verifica i concetti

  1. Fornisci un esempio, diverso da quelli della lezione, in cui gli stessi dati producono due informazioni differenti.
  2. Perché la ridondanza abilita l'inconsistenza, ma non è la stessa cosa?
  3. Un collega dice: "non ci serve un DBMS, la nostra applicazione controlla già che il cliente esista". Elenca almeno tre motivi per cui questa posizione è fragile.
  4. Spiega con parole tue la differenza tra schema e istanza, usando un esempio concreto tratto da una scuola.
  5. Quale delle sette fasi di progettazione produce un artefatto indipendente dal DBMS? Perché questa indipendenza è preziosa?
Beginner

Classifica, poi trova i vincoli

Leggi la seguente descrizione di un piccolo cinema.

Il cinema ha tre sale. Ogni sala ha un numero e un numero di posti. I film sono proiettati in spettacoli; ogni spettacolo ha una data, un'ora di inizio, una sala e un film. Ogni film ha un titolo, un regista e una durata in minuti. Per ogni spettacolo si vendono biglietti; ogni biglietto ha un numero progressivo, un prezzo e il numero di posto. Un cliente acquista un biglietto fornendo nome e indirizzo e-mail.

Poi:

  1. Per ciascuno dei seguenti elementi, indica se è un dato, un'informazione o conoscenza: a. 19:30 b. "La sala 2 è esaurita per lo spettacolo delle 19:30 di stasera" c. "Uno spettacolo è esaurito quando il numero di biglietti venduti è uguale al numero di posti della sua sala" d. 12.50
  2. Elenca tre vincoli che la descrizione implica ma non dichiara esplicitamente.
  3. Individua una ridondanza che un'implementazione ingenua di questa descrizione produrrebbe e spiega quale inconsistenza potrebbe causare.
Mostra la soluzione commentata

1. Classificazione.

a. 19:30 è un dato: un simbolo registrato su un supporto, senza interpretazione. Da solo non dice se è un'ora di inizio, un'ora di chiusura o una durata.

b. "La sala 2 è esaurita per lo spettacolo delle 19:30 di stasera" è un'informazione: è il risultato dell'interpretazione di più dati (la sala dello spettacolo, il numero di posti, il numero di biglietti venduti) dentro un contesto, e supporta una decisione (scegliere un altro spettacolo).

c. "Uno spettacolo è esaurito quando il numero di biglietti venduti è uguale al numero di posti della sua sala" è conoscenza: è una regola che permette di produrre informazioni a partire dai dati. Nota che è esattamente il tipo di frase che, nel Modulo 2, verrà registrata come regola aziendale e che nel Modulo 7 diventerà un vincolo o una query.

d. 12.50 è un dato. Solo il nome della colonna (prezzo) e il dominio (un importo non negativo in euro) gli danno significato.

2. Vincoli impliciti. Il testo è un requisito informale tipico, e diverse regole vanno rese esplicite:

  • Integrità referenziale: un biglietto deve riferirsi a uno spettacolo esistente; uno spettacolo deve riferirsi a un film esistente e a una sala esistente.
  • Dominio del numero di posto: il numero di posto di un biglietto deve essere compreso tra 1 e il numero di posti della sala di quello spettacolo.
  • Unicità: nello stesso spettacolo due biglietti non possono avere lo stesso numero di posto; il numero del biglietto è unico.
  • Molteplicità della sala: una sala può ospitare molti spettacoli, ma uno spettacolo si svolge in una sola sala.
  • Prezzo non negativo e durata positiva: un biglietto non può avere prezzo negativo, un film non può avere durata nulla.

3. Ridondanza. Un'implementazione ingenua memorizza il numero di posti della sala dentro ogni biglietto, oppure il titolo del film dentro ogni spettacolo. Entrambe le scelte duplicano un fatto che esiste già altrove:

  • Se il numero di posti viene copiato nel biglietto e il cinema aggiunge due posti alla sala 2, alcuni biglietti porteranno il valore vecchio. La base di dati risponde allora alla domanda "questo spettacolo è esaurito?" con due risultati diversi a seconda della riga letta: è esattamente l'inconsistenza prodotta dalla ridondanza.
  • Se il titolo del film viene copiato in ogni spettacolo, correggere un errore di battitura nel titolo richiede di aggiornare ogni spettacolo di quel film. Ogni spettacolo rimasto indietro mostra un titolo che non esiste più nel catalogo.

La progettazione corretta memorizza ogni fatto una volta sola, nell'entità che lo possiede, e collega le altre entità a essa. Il Modulo 3 esprimerà questo con entità e associazioni; il Modulo 5 lo tradurrà in chiavi esterne; il Modulo 6 dimostrerà formalmente che le relazioni ottenute sono normalizzate.

Le tre domande corrispondono a tre attività diverse: classificare (capire il vocabolario), trovare i vincoli (scoprire la conoscenza), trovare la ridondanza (preparare la progettazione). Nel Modulo 2 le svolgeremo sistematicamente su un documento di requisiti reale e nel Modulo 3 trasformeremo il risultato in un diagramma.

Dove andare adesso

Ora hai il vocabolario. Le lezioni successive di questo modulo esaminano il contesto in cui vivono le basi di dati e le alternative usate prima di esse.

Ecco un primo diagramma E-R molto piccolo: due entità e un'associazione molti-a-molti. Saprai leggerlo completamente alla fine del Modulo 3 e potrai aprirlo nell'editor per modificarlo.

(0,N)(0,N)StudentEnrollsCourseidfirst_namelast_namebirth_dateemailenrollment_datecodetitlecreditssemester
Studente e corso · beginner

Lezioni correlate