Cocktail de Cubes

De nombreuses approches ont proposé de pré-calculer des cubes de données afin de répondre efficacement aux requêtes O LAP. Ces cubes sont aussi utilisés avec succès pour l’analyse multidimensionnelle de flots de données. La notion de data cube a été déclinée de différentes manières : cubes icebergs, cubes intervallaires ou encore cubes différentiels. Dans cet article, nous introduisons le concept de cube convexe qui permet de capturer tous les tuples d’un cube de données satisfaisant une combinaison de contraintes et peut être représenté de façon très compacte de manière à optimiser à la fois le temps de calcul et l’espace de stockage nécessaire. Le cube convexe n’est pas une structure « de plus » à ajouter à la liste des variantes du cube, mais nous le proposons comme une structure unificatrice permettant de caractériser, de manière simple, solide et homogène, les autres types de cubes cités. Enfin, nous proposons une nouvelle variante : le cube émergent qui permet de mettre en évidence les renversements significatifs de tendances. Nous en proposons une représentation compacte et cohérente avec les caractérisations précédentes.
RÉSUMÉ.

In various approaches, data cubes are pre-computed in order to answer efficiently O LAP queries. Such cubes are also successfully used for multidimensional analysis of data streams. The notion of data cube has been declined in various ways: iceberg cubes, range cubes or differential cubes. In this paper, we introduce the concept of convex cube which captures all the tuples of a datacube satisfying a constraint combination. It can be represented in a very compact way in order to optimize both computation time and required storage space. The convex cube is not an additional structure appended to the list of cube variants but we propose it as a unifying structure that we use to characterize, in a simple, sound and homogeneous way, the other quoted types of cubes. Finally, we introduce the concept of emerging cube