Grundlagen der Informationsintegration

Teil I Grundlagen 3 1 Einleitung Die Integration von IT-Systemen gewinnt ständig an Relevanz. Der Grund dafür ist, dass IT-Systeme seit ca. 40 Jahren entwi- ckelt werden und heute tragende Säulen nahezu aller Unterneh- men und Verwaltungen sind. Gleichzeitig wachsen die Erwartun- gen an IT ständig – man denke nur an das Aufkommen des World Wide Web und die damit verbundenen neuen Anforderungen an Systeme bzgl. Offenheit und Zugriffsmöglichkeiten. Neue Anfor- derungen machen die Entwicklung neuer Systeme notwendig. Da die Entwicklung von Software aber ein extrem kostspieliges Un- terfangen ist, müssen diese neuen Systeme mit den alten zusam- menarbeiten. Das genau erfordert Integration. Es existieren viele Schätzungen, die besagen, dass heute mehr als die Hälfte aller IT-Kosten auf die Integration von existierenden Systemen aufge- wendet werden. Man unterscheidet bei der Integration von IT-Systemen zwei Informationsintegration Klassen: Informationsintegration und Anwendungsintegration. versus Anwendungs- Informationsintegration beschäftigt sich mit der Integration be- integration stehender Datenbestände. Informationsintegration verbirgt sich hinter vielen Synonymen wie etwa Informationsfusion, Datenkon- solidierung, Datenreinigung (data cleansing) oder Data Warehou- sing. Anwendungsintegration oder Enterprise Application Integra- tion dagegen befasst sich mit der Integration von IT-Prozessen. Die in den beiden Klassen anfallenden Aufgaben haben Gemein- samkeiten, wie die Abbildung heterogener Strukturen oder Pro- bleme bei der Semantik von Begriffen, aber es existieren auch di- verse Unterschiede. Beispielsweise spielen bei der Informationsin- tegration Anfragesprachen und die Verarbeitung von Datenmen- gen eine wichtige Rolle, während Anwendungsintegration auf dem Austausch von Nachrichten basiert. Dieses Buch widmet sich vor- nehmlich der Informationsintegration. Die seit vielen Jahren er- folgreich in Unternehmen eingesetzten Data Warehouses sind ein klassisches Beispiel integrierter Informationssysteme. Alon Halevy, Professor an der University of Washington in Se- attle und einer der Protagonisten der Forschung im Gebiet der 4 1 Einleitung Informationsintegration, schreibt dazu treffend (aus [114], eigene Übersetzung): Die Integration von Daten verschiedener Quellen ist eines der anhaltendsten Probleme der Datenbankforschung. Es ist nicht nur ein Problem fast aller großen Unternehmen, sondern die Forschung wird auch von der Aussicht ange- trieben, Daten auf dem Web zu integrieren. In den letzten paar Jahren wurden signi kante Fortschritte bei der In- formationsintegration erzielt, von konzeptionellen und al- gorithmischen Aspekten bis hin zu Systemen und kommer- ziellen Lösungen. Das Ziel des vorliegenden Buches ist es, neben den Grundlagen eine zusammenhängende Übersicht dieser Fortschritte zu geben. 1.1 Integrierte Informationssysteme Ziel: Einheitlicher Das Ziel der Informationsintegration ist fast immer das gleiche: Zugri Der Zugriff auf eine Reihe bestehender Informationssysteme soll durch eine zentrale, integrierte Komponente mit einer einheitli- chen Schnittstelle für Anwender und Anwendungen erleichtert werden. Integrierte Informationssysteme stellen damit eine ein- heitliche Sicht auf die Datenquellen zur Verfügung. Für Anwen- der besteht die Schnittstelle meist aus einer deklarativen Anfrage- sprache wie SQL und gegebenenfalls Werkzeugen, die die Formu- lierung von Anfragen erleichtern. Anwendungen greifen auf das integrierte System mittels de nierter Softwareschnittstellen oder auch mittels einer Anfragesprache zu. Mögliche Typen von Die bestehenden Informationssysteme können vielfältig sein: Datenquellen klassische relationale Datenbanksysteme, Dateien, Daten, auf die man mittels Web-Services oder HTML-Formulare zugreift, daten- produzierende Anwendungen oder auch andere integrierte Infor- mationssysteme. Diese Systeme haben meist nur wenig gemein: Anfragen müssen in unterschiedlichsten Sprachen gestellt wer- den, Daten werden in heterogenen Formaten geliefert, die Struk- tur der Daten ist unterschiedlich usw. Anfragen an das integrierte Informationssystem müssen daher zerlegt, übersetzt und an die jeweiligen Datenquellen weitergeleitet werden. Diese reichen ih- re Antworten zurück an das integrierte System, das die Resultate transformiert, integriert und dem Nutzer einheitlich darstellt. 1.1 Integrierte Informationssysteme 5 Besonders einfache Beispiele solcher Systeme sind die im In- Beispiel ternet weit verbreiteten Metasuchmaschinen wie der MetaCraw- Metasuchmaschinen 1 2 ler oder MetaGer . Metasuchmaschinen speichern keine eigenen Informationen über Webseiten, sondern reichen Suchanfragen an »echte« Suchmaschinen weiter, die tatsächlich einen Teil des World Wide Web (WWW) indiziert haben. Die Ergebnislisten der einzel- nen Suchmaschinen werden von der Metasuchmaschine zusam- mengestellt und dem Nutzer einheitlich präsentiert. Ein Benutzer muss also nur eine WWW-Adresse anwählen, die Suchanfrage nur ein einziges Mal formulieren und bekommt als Antwort die kom- binierten Ergebnisse einer Reihe von Systemen. Komplexere Beispiele sind die kommerziell weit verbreite- Data Warehouses ten Data Warehouses (DWH), die regelmäßig die Daten einer Vielzahl von Datenbanken importieren, reinigen, transformieren und zur Analyse aufbereiten. Damit sind DWH Vertreter einer materialisierten Integration: Daten werden zur Integration ins Materialisierte versus DWH kopiert. Das Gegenstück zur materialisierten ist die virtu- virtuelle Integration elle Integration, deren wichtigste Vertreter die föderierten Daten- banken sind. Sie de nieren ein globales Schema und die Bezie- Föderierte hung der Elemente dieses Schemas zu Schemaelementen in den Datenbanken Datenquellen. Anfragen an das globale Schema werden dann zur Anfragezeit in Anfragen an die Datenquellen übersetzt. Auch Me- tasuchmaschinen sind damit Vertreter einer virtuellen Integrati- on. Neben der Vereinfachung für Nutzer und Anwendungen bieten Vorteile der Informa- integrierte Systeme weitere Vorteile. Da mehrere Datenquellen in- tionsintegration tegriert werden, können sich Nutzer bessere Ergebnisse erhoffen. Dies hat zwei Aspekte, die wir an einem Beispiel erläutern wol- len. Bei der Suche nach einer bestimmten Webseite greifen Me- tasuchmaschinen auf die Daten vieler Suchmaschinen zu. Das er- höht die Chancen, alle relevanten Webseiten zu nden, denn was die eine Suchmaschine nicht kennt, weiß vielleicht eine andere: Gröÿere Ergebnisse Das Ergebnis vergrößert sich also um potenziell relevante Ergeb- nisse. Gleichzeitig speichern Suchmaschinen unterschiedliche In- formationen über die von ihnen indizierten Webseiten. Beispiels- weise kennt die eine Suchmaschine die Dateigrößen von Websei- ten, eine andere die Sprachen, in der Seiten geschrieben wurden. Durch eine solche Verknüpfung verschiedener Informationen meh- rerer Quellen kann eine Metasuchmaschine detailliertere Infor- mationen bieten, als dies einzelne Suchmaschinen können: Das 1 Siehe www.metacrawler.com. 2 Siehe meta.rrzn.uni-hannover.de. 6 1 Einleitung Vollständigere Ergebnis wird also vollständiger. Schließlich bieten integrierte In- Ergebnisse formationssysteme tendenziell eine höhere Zuverlässigkeit für die von ihnen gelieferten Informationen, da diese auf mehreren, nach Möglichkeit unabhängigen Datenquellen beruhen. Gerade bei der Integration von autonomen und potenziell unzuverlässigen Quel- len im Internet ist die Veri zierbarkeit von Informationen wichtig. Schwierigkeiten Die wesentliche Schwierigkeit, die integrierte Informations- systeme überwinden müssen, ist – neben ihrer physischen Ver- Heterogenität teilung – die Heterogenität der Datenquellen, also deren Un- gleichartigkeit. Datenquellen unterscheiden sich auf vielen Ebe- nen. Zunächst können die Daten in verschiedenen Datenmodel- Datenmodell len gespeichert sein, also etwa dem relationalen Modell, im XML- Modell oder auch nur als einfacher Text. Ein integriertes Informa- tionssystem muss die Übersetzung in ein einheitliches Datenmo- dell leisten. Als Nächstes unterscheiden sich die Schnittstellen zu Schnittstellen den Datenquellen.