星型模型和雪花模型的區別

1、概述

在多維分析的商業智能解決方案中，根據事實表和維度表的關係，又可將常見的模型分爲星型模型和雪花型模型。在設計邏輯型數據的模型的時候，就應考慮數據是按照星型模型仍是雪花型模型進行組織。

當全部維表都直接鏈接到「 事實表」上時，整個圖解就像星星同樣，故將該模型稱爲星型模型，如圖 1 。

星型架構是一種非正規化的結構，多維數據集的每個維度都直接與事實表相鏈接，不存在漸變維度，因此數據有必定的冗餘，如在地域維度表中，存在國家 A 省 B 的城市 C 以及國家 A 省 B 的城市 D 兩條記錄，那麼國家 A 和省 B 的信息分別存儲了兩次，即存在冗餘。

圖1. 銷售數據倉庫中的星型模型

星型模型由於數據的冗餘因此不少統計查詢不須要作外部的鏈接，所以通常狀況下效率比雪花型模型要高。星型結構不用考慮不少正規化的因素，設計與實現都比較簡單。雪花型模型因爲去除了冗餘，有些統計就須要經過表的聯接才能產生，因此效率不必定有星型模型高。正規化也是一種比較複雜的過程，相應的數據庫結構設計、數據的 ETL、以及後期的維護都要複雜一些。所以在冗餘能夠接受的前提下，實際運用中星型模型使用更多，也更有效率。

2、使用選擇

星形模型(Star Schema)和雪花模型(Snowflake Schema)是數據倉庫中經常使用到的兩種方式，而它們之間的對比要從四個角度來進行討論。

1.數據優化

雪花模型使用的是規範化數據，也就是說數據在數據庫內部是組織好的，以便消除冗餘，所以它可以有效地減小數據量。經過引用完整性，其業務層級和維度都將存儲在數據模型之中。

                                             ▲圖1 雪花模型

相比較而言，星形模型實用的是反規範化數據。在星形模型中，維度直接指的是事實表，業務層級不會經過維度之間的參照完整性來部署。

                                             ▲圖2 星形模型

　2.業務模型

主鍵是一個單獨的惟一鍵(數據屬性)，爲特殊數據所選擇。在上面的例子中，Advertiser_ID就將是一個主鍵。外鍵(參考屬性)僅僅是一個表中的字段，用來匹配其餘維度表中的主鍵。在咱們所引用的例子中，Advertiser_ID將是Account_dimension的一個外鍵。

在雪花模型中，數據模型的業務層級是由一個不一樣維度表主鍵-外鍵的關係來表明的。而在星形模型中，全部必要的維度表在事實表中都只擁有外鍵。

　　3.性能

第三個區別在於性能的不一樣。雪花模型在維度表、事實表之間的鏈接不少，所以性能方面會比較低。舉個例子，若是你想要知道Advertiser 的詳細信息，雪花模型就會請求許多信息，好比Advertiser Name、ID以及那些廣告主和客戶表的地址須要鏈接起來，而後再與事實錶鏈接。

而星形模型的鏈接就少的多，在這個模型中，若是你須要上述信息，你只要將Advertiser的維度表和事實錶鏈接便可。

　　4.ETL

雪花模型加載數據集市，所以ETL操做在設計上更加複雜，並且因爲附屬模型的限制，不能並行化。

星形模型加載維度表，不須要再維度之間添加附屬模型，所以ETL就相對簡單，並且能夠實現高度的並行化。

　　總結

雪花模型使得維度分析更加容易，好比「針對特定的廣告主，有哪些客戶或者公司是在線的?」星形模型用來作指標分析更適合，好比「給定的一個客戶他們的收入是多少?」