Granularidad

La granularidad de los esquemas internos es el grado de detalle de éstos en función del esquema lógico.

Se debe tener en cuenta que en cuanto más fina es la granularidad (a nivel de campo de registro), se adquieren muchos recursos para administrar el bloqueo y se asegura la consistencia de los datos. Con una granularidad gruesa, se utilizan menos recursos pero se aumenta el riesgo de la inconsistencia de los datos.

PARALELISMO

Los sistemas paralelos de base de datos varios procesadores y varios discos conectados a través de una red de interconexión de alta velocidad. Para medir el rendimiento de los sistemas de base de datos existen 2 medidas principales:

• Productividad
  
• Tiempo de respuesta
  

TIPOS DE PARALELISMO

• Paralelismo de Grano Fino

El paralelismo de grado fino representa un uso mucho más complejo del paralelismo que es encontrado en el uso de hebras. Aunque muchos trabajos han sido hechos en aplicaciones altamente paralelas, es un área especializada y fragmentada, con muchos enfoques diferentes.

• Paralelismo de Grano Medio

Una aplicación puede ser efectivamente implementada como una colección de hebras con un paralelismo simple. En este caso, el paralelismo potencial de una aplicación debe ser explícitamente especificado por el programador.

Generalmente se necesitará un alto grado de coordinación e interacción entre las hebras de una aplicación, levando a un nivel medio de sincronización.

• Paralelismo de Grano Grueso

Con esta clase de paralelismo existe sincronización entre procesos pero a nivel muy grosero. Esta clase de situación es fácilmente entendible como un grupo de procesos concurrentes ejecutándose en un monoprocesador multiprogramado y puede ser soportado en un multiprocesador con un pequeño o no cambio al software del usuario.

El objetivo del paralelismo en los asegurar que la ejecución del sistema continuará realizándose a una velocidad aceptable, incluso en el caso de que aumente el tamaño de la base de datos o el número de transacciones.

DATA MINING
(Minería de datos)

La Minería de Datos es un conjunto de técnicas avanzadas, para la extracción de información escondida en grandes bases de datos.

La Minería de Datos o Data Mining (DM), también conocida como KDD (Knowledge Discovery in Data Bases), y se puede definir como la Extracción no trivial de información implícita, desconocida previamente, y potencialmente útil desde los datos.

La función de la Data Mining es tratar de explorar los datos, darles sentido y reunir un volumen de ellos, porque poco o nada aportan a la descripción de los registros, a la interpretación de un fenómeno, o bien, a la adopción de decisiones de acuerdo con las necesidades. Se dice que los resultados que arroja la minería de datos son, en su mayoría, conocidos o irrelevantes, pero que existe una pequeña porción que puede considerarse valiosa.

Las técnicas de la Data Mining son empleadas para mejorar el rendimiento de los procesos, en los que son manejados grandes volúmenes de información estructurada y almacenada en bases de datos. Asimismo, la DM es fundamental en la investigación científica y tecnológica, como una herramienta para el análisis y el descubrimiento del conocimiento, a partir de datos de observación o resultados de experimentación.