1. بهينه سازي پرس جو هاي سرويس هاي وب علي رهبري

2. سرويس هاي وب روشي استاندارد براي به اشتراک گذاري اطلاعات و قابليت ها 2 Data, کاربرد توصيف و پيدا کردن WSDL,UDDI کاربران / کلاينت ها SOAP ارتباطات سرويس وب

3. مثال سرويس وب 3 Reuters WS 1 سمبول بورس NASDAQ اطلاعات شرکت WS 2 سمبول بورس فعاليت بورس

4. پرس و جوهاي وب سرويس ها 4 WS 1 سمبول بورس NASDAQ اطلاعات شرکت WS 2 سمبول بورس فعاليت بورس دريافت اطلاعت از همه شرکت هاي با تبادل با کاربران / کلاينت ها پرس و جو نتايج Reuters ساده شفاف کارا

5. برخي از اهداف ابتدايي به عنوان DBSM هاي مرسوم 5 داده سيستم مديريت پايگاه داده پرس و جو نتايج کاربران / کلاينت ها واسط توصيفي ساده شفاف کارا

6. سيستم مديريت وب سرويس WSMS 6 سيستم مديريت وب سرويس پرس و جو کاربران / کلاينت ها نتايج WS 1 NASDAQ WS 2 Reuters روترها ساده شفاف کارا

7. معماري WSMS 7 کلاينت WS 1 WS 2 WS n پرس و جو + داده ورودي خروجي واسط توصيفي WS Invocations مولفه ابر داده ثبت وب سرويس نگاشت شما مولفه پردازش پرس و جو اجراي طرح پروفايلر زمان پاسخ ترکر آماري مولفه آماري WSMS انتخاب طرح

8. مثال يک شرکت کارت اعتباري مي خواهد پيشنهادي براي مشترياني با مشخصات زير ارسال کند : a) credit rating > 600 b) payment history = “good” شرکت موارد زير را در اختيار دارد : L : List of potential recipients (identified by SSN) WS 1 : SSN  credit rating WS 2 : SSN  cc number(s) WS 3 : cc number  payment history 8

9. طرح 1 9 کلاينت WS 1 WS 2 WS 3 WSMS L(SSN) SSN  cr SSN  ccn ccn  ph Filter on cr, keep SSN SSN SSN,cr SSN,ccn SSN,ccn,ph Filter on ph, keep SSN توجه : پردازش پايپلايني SSNcr 1500 2700 SSNccn 2123 2456 ccnph 123bad 456good SSN 1 2 2 طرح پرس و جو

10. بيان ساده طرح 1 10 L نتايج WS 1 WS 3 WS 2 SSN  crSSN  ccn ccn  ph

11. طرح 2 11 کلاينت WS 1 WS 2 WS 3 WSMS L(SSN) SSN  cr SSN  ccn ccn  ph Filter on cr, keep SSN SSN SSN,cr SSN,ccn SSN,ccn,ph Filter on ph, keep SSN SSNcr 1500 2700 SSNccn 2123 2456 ccnph 123bad 456good SSN 1 2 2 Join SSN

12. بيان ساده طرح 2 12 L نتايج WS 1 WS 2 WS 3 SSN  cr SSN  ccnccn  ph

13. کدام طرح بهتر است؟ 13 L نتايج WS 1 WS 2 WS 3 L نتايج WS 1 WS 3 WS 2 طرح 2 طرح 1 طرح 1 هيچگاه بدتر نيست !

14. بهينه سازي پرس و جو طرح هاي پرس و جوي ممکن : P 1, …, P n آمار دسترسي به داده : S معيار هزينه اجرا : cost(P i, S) هدف پيدا کردن طرحي با کمترين هزينه است. 14

15. آمار 1) زمان پاسخ دهي سرويس هاي وب 2) انتخاب هاي وب سرويس ها 15

16. آمار : زمان پاسخ r i : براي زمان پاسخ هر تاپل از وب سرويس I ام 16 WS 1 SSN  cr کلاينت SSN cr r1r1 r i ≈ 1/throughput, can be reduced by batching, parallel calls batching (see paper) فرض انتخاب مستقل در طرح هاي پرس و جو

17. آمار : انتخاب ها s i : selectivity of WS i Average # output tuples per input tuple to WS i including post-filtering in query plan WS 1 : SSN  cr, filter cr > 600 If 90% of SSNs have cr > 600 then s 1 = 0.9 WS 2 : SSN  ccn If on average each SSN has 2 credit cards then s 2 = 2.0 17 فرض انتخاب مستقل در طرح هاي پرس و جو

18. معيار هزينه تنگنا 18 Conference Lunch Buffet Dish 1Dish 2Dish 3Dish 4 Average per-tuple processing time = response time of slowest (bottleneck) stage in pipeline Note: selectivities=1 in this example

19. معادله هزينه براي طرح P R i (P): Predecessors of WS i in plan P 19 Fraction of input tuples seen by WS i = WS i response time per input tuple = (assumes WSMS processing is not the bottleneck) Bottleneck cost metric: Π j ∈ R i (P) s j (Π j ∈ R i (P) s j ) r i cost(P) = max 1 ≤i≤n ( ( Π j ∈ R i (P) s j ) r i )

20. مقايسه با معيار هزينه کل 20 Dish 1Dish 2Dish 3Dish 4 Stream filter ordering Expensive predicate placement “Polite” Lunch Buffet cost(P) = ∑ 1 ≤i≤n ( ( Π j ∈ R i (P) s j ) r i )

21. بيان مسئله ورودي : – Web services WS 1, …, WS n – Response times r 1, …, r n – Selectivities s 1, …, s n – Precedence constraints among web services خروجي : – Web services arranged into a plan P – P respects all precedence constraints – cost(P) is minimized 21

22. بدون قيد اولويت All selectivities ≤ 1 Theorem: Optimal to order linearly by r i (selectivities irrelevant) General case (optimal): 22 … join at WSMS “selective” web services ordered by response-time “proliferative” web services Results

23. با قيود اولويت 23 cost(P) = max 1 ≤i≤n ( ( Π j ∈ R i (P) s j ) r i )

24. با قيود اولويت Sum cost metric – Hard to even obtain a factor O(n  ) of optimal 24 cost(P) = ∑ 1 ≤i≤n ( ( Π j ∈ R i (P) s j ) r i )

25. با قيود اولويت Bottleneck (max) cost metric – Surprisingly, optimal solution in polynomial time – O(n 5 ) algorithm in paper Add one WS at a time to the plan WS chosen by solving a linear program 25 cost(P) = max 1 ≤i≤n ( ( Π j ∈ R i (P) s j ) r i )

26. بررسي دوباره مثال 26 LResults WS 1 WS 2 WS 3 L Results WS 1 WS 3 WS 2 طرح 2 طرح 1 SSN  cr SSN  ccn ccn  ph WS 2 WS 1 WS 3 WS 1 WS 2 WS 3 Selective Proliferative WS 2 WS 3 Precedence constraint max 1 ≤i≤n ( ( Π j ∈ R i (P) s j ) r i )

27. پياده سازي Built prototype WSMS query processor – Optimizer and execution engine – Assumes schema issues resolved, statistics provided – Written in Java and uses Apache Axis (open-source SOAP implementation) – Experiments (see paper) validate analytical results 27

28. مراجع [1] S. Abiteboul et al. Lazy query evaluation for active XML. In Proc. of the 2004 ACM SIGMOD Intl. Conf. on Management of Data, pages 227–238, 2004. [2] Apache Axis. http://ws.apache.org/axis/. [3] S. Babu et al. Adaptive ordering of pipelined stream filters. In Proc. of the 2004 ACM SIGMOD Intl. Conf. on Management of Data, pages 407–418, 2004. [4] Business Process Execution Language for Web Services. ftp://www6.software.ibm.com/software/developer/library/ws-bpel.pdf ftp://www6.software.ibm.com/software/developer/library/ws-bpel.pdf [5] N. Bruno, S. Chaudhuri, and L. Gravano. STHoles: A multidimensional workload-aware histogram. In Proc. of the2001 ACM SIGMOD Intl. Conf. on Management of Data, pages 211–222, 2001. [6] J. Burge, K. Munagala, and U. Srivastava. Ordering pipelined operators with precedence constraints. Available at http://dbpubs.stanford.edu/pub/2005-40. 28