• La transmission des données entre programmes nécessite l’ouverture d’un canal de communication
  • entre client et serveur
  • par lequel transitent les données (les requêtes et les réponses).
• Le transport est géré
  • par le système d’exploitation (lorsque les données transitent au sein d’un même ordinateur)
  • ainsi que par des routeurs (lorsque les données transitent d’un ordinateur à l’autre sur le réseau).
• Au niveau du client,
  • les réponses en provenance du serveur sont organisées sous la forme d’une liste,
  • qu’on appelle un flux de données.

Les principaux formats d'échange de données sont :

• csv
• json
• xml

Exemples :

• Clients
• Cours de l'Euro
• codes postaux
• codes postaux

La conservation des données repose principalement sur la structure de stockage,

• définissant la manière dont les données sont physiquement stockées sur le support,
• autrement dit la méthode de rangement de la série de mesures :
  • fichiers,
  • répertoires,
  • index,
  • etc…
• reposant sur des supports de stockage (ou mémoires) :
  • mémoire centrale,
  • mémoires secondaires (disque dur, CD-ROM, memoire flash (SSD), etc…).

Un jeu de valeurs encodé et stocké sur un support informatique est appelé un “enregistrement”,

• conservé sous la forme d'une trames de données.
• Une trame peut obéir à un format textuel ou binaire

Encodage binaire :

• Définition d’une trame, en général de taille fixe.
• Chaque rubrique occupe un nombre d’octets déterminé, afin que chaque jeu de données occupe la même place en mémoire.
• L’utilisation de trames de taille fixe facilite le stockage et la conservation des données sur les supports magnétiques (disque dur, etc…)
• Les données sont transmises dans un format numérique (type) identique à celui utilisé en mémoire centrale.

Encodage textuel :

• Le jeu de données est codé dans un format descriptif (contenant à la fois les valeurs et une description des données : types, attributs, …).
• Ce format facilite la transmission d’un programme à un autre (format “plat”) mais est moins propice au stockage.
• La “sérialisation” est l’opération qui consiste à encoder des données sous la forme d’un texte brut (codage ASCII ou utf8), en “perdant” le moins possible d’information.
• Des exemples de formats textes standards sont donnés en 2.1.3 Structures de données.

Un bloc de données correspond à une série d’enregistrements obéissant au même format:

• Chaque enregistrement est de taille identique;
• L'encodage des données est le même.

La structure de base servant à stocker à une série d’enregistrements est le tableau de données à 2 dimensions :

• Tableau de données (data frame) = intitulé de colonnes + liste de lignes
  • Intitulé de colonne = nom de l’attribut
  • Une ligne = un enregistrement

Structure sous-jacente : tableau à 2 dimensions (ou matrice de données)

Un bloc de données obéit formellement à une structure de type tableau statique:

• Un tableau statique est une structure séquentielle de taille fixe, constituée de $N$ "cases"
• Les cases peuvent être "libres" ou "occupées".

Les mémoires informatiques sont des structures statiques. Une fois les données sauvegardées sur le disque, il est difficile d’insérer ou de supprimer des éléments.

La difficulté consiste à définir une organisation logique du tableau permettant de gérer efficacement un tel ensemble (qui peut être de grande taille) :

• savoir où enregistrer les données
• savoir comment les retrouver

On parle de structure de stockage. Une telle structure doit permettre :

• d’ajouter des données
• d'effacer des données
• d’accéder rapidement à une case particulière

On considère un ensemble de k données stockés dans un tableau de données statique T de N cases (avec 0≤k ≤ N).

Remarques :

• Les cases du tableau sont numérotées de 0 à N-1
• Les données sont de type quelconque mais chaque case ne peut contenir qu'une donnée
• Si i est un indice de case, T[i] désigne le contenu de la case
• N est fixé mais k varie en fonction du nombre de données stockées

Propriété : les données sont stockés dans les k premières cases du tableau. Ainsi, les cases de 0 à k-1 sont occupées et l'indice k désigne la première case libre.

Opérations fondamentales :

• insertion de données : O(1)
• recherche de données : O(k)
• suppression de données : O(k)

On conserve une table des cases libres

• Index bitmap :
  • Chaque bit correspond à une case (libre/occupé).
  • Lors de l’écriture d'une nouvelle donnée (allocation), on fait passer le bit de 0 à 1
  • Lorsque la donnée est effacée, le bit correspondant passe de 1 à 0

$$B = \underset{0}{0}{10010100100.....}\underset{n-1}{01}$$

• Table d'allocation:
  • On considère un tableau de taille $n$ dans lequel $k < n$ cases sont occupées.
  • Chaque bloc de données $d$ est indexée par l'adresse $i < n$ donnant sa position dans le tableau
  • On connaît également sa taille $m$.
  • La table d'allocation donne pour chaque bloc :
    • sa position $i$
    • le nombre $m$ de cases occupées

Stratégies d’allocation

Stratégie par bloc: on alloue des blocs composés de plusieurs cases (S’il existe des blocs libres consécutifs, ils sont fusionnés en un seul)

On souhaite :

• minimiser le nombre de blocs libres
• maximiser la taille des blocs libres

• Plus proche choix : la liste des blocs libres est parcourue jusqu’à trouver un bloc de la taille demandée (ou sinon, le premier bloc de taille supérieure, qui est alors découpé en deux blocs).
  • first fit : le premier bloc suffisamment grand pour les besoins
  • best fit : le plus petit bloc qui ait une taille au moins égale à la taille demandée
  • worst fit : le plus grand bloc disponible (qui est donc découpé)

Autre stratégie (allocation rapide): On alloue des blocs de 1,2,4,8,…2K pages. Pour une taille donnée 2i-1 < n < 2i, on commence par chercher les blocs de taille 2i, puis 2i+1, … jusqu’à 2K , en divisant ces blocs le cas échéant.

Problème des stratégies par bloc: s’il y a trop de données, on obtient des blocs de taille 1 –> nécessité de réorganiser (défragmenter)

La mémoire secondaire n’est pas directement accessible (les programmes n’ont pas la possibilité d’aller écrire directement sur le disque). Le système d’exploitation assure ainsi l’indépendance du programme par rapport à l’emplacement des données, au travers d’instructions d’entrée/sortie spécialisées.

Pour que les programmes puissent écrire sur le disque, on introduit des objets intermédiaires : les fichiers. Un fichier est caractérisé par (nom, emplacement (volume, arborescence), droit d’accès, taille,…). Il s’agit d’une entité logique. Tout programme utilisant un fichier passe par le système d’exploitation qui, à partir des informations, détermine la localisation des données sur le support.

• La gestion des fichiers est une des fonctions essentielles des systèmes d’exploitation :
  • possibilité de traiter et conserver des quantités importantes de données
  • possibilité de partager des données entre plusieurs programmes.

Répertoires Chaque volume possède un numéro appelé le label du volume. Tous les descripteurs de fichiers sont regroupés dans une table des matières appelée Répertoire (Directory).

Remarque : cette table des matières est en fait un fichier dont le descripteur est contenu dans le label du volume.

Organisation hiérarchique :

• Lorsque le nombre de fichiers est élevé, les descripteurs de fichiers sont classés dans plusieurs répertoires, organisés sous une forme arborescente.
• Le répertoire de plus bas niveau hiérarchique est appelé racine → chemin d’accès (path)

Méthode traditionnelle pour le traitement de fichiers de petite taille. La consultation des données nécessite d’ouvrir une “communication” entre le programme et les fichiers. Ce canal de communication permet de recevoir un flux de données.

Pour établir la communication, il faut connaître : le “chemin d’accès” aux données (disque dur local) l’”adresse” des données (lorsqu’il s’agit de données stockées sur un serveur distant)

L’opération d’ouverture de fichier initialise un descripteur de fichier, qui sert à désigner (dans le programme) le fichier sur lequel on travaille, et d’accéder au contenu du flux.

Ouverture simple:

f = open('/chemin/vers/mon/fichier.dat','r')

Il est important de vérifier que cette opération d’ouverture s’effectue correctement avant de poursuivre le programme (nombreuses possibilités d’erreur : fichier effacé, erreur de nom, pas de droits de lecture,…). On utilise une instruction de test spécifique pour vérifier que l’ouverture du fichier s’est correctement effectuée, de type try…catch… (essaye … sinon …) permettant de prévoir une action de secours lorsqu’une une opération “risquée” échoue.

try :
  f = open('/chemin/vers/mon/fichier.dat','r')
except IOError:
  print "Erreur d'ouverture!"

Lorsque l’opération d’ouverture est réalisée avec succès, le flux de données devient accessible en lecture (les premières lignes du fichier sont chargées en mémoire et une tête de lecture se positionne sur le premier caractère de la première ligne). Il ne reste plus qu’à lire les données.

La consultation des données s’effectue séquentiellement à l’aide de l’opérateur de lecture readline. Chaque appel à cet opérateur charge les nouvelles données et déplace la tête de lecture vers les données suivantes. Cette opération peut être effectuée plusieurs fois jusqu’à atteindre la fin de fichier.

Si on suppose que les données sont rangées sous la forme d’un tableau de lignes, chaque opération de lecture consiste à consulter une ligne du tableau, et à positionner la tête de lecture sur la ligne suivante.

s = f.readline()

for s in f :
  print s

L’opération de sauvegarde des données est l’opération complémentaire de la lecture. De nouvelles données doivent être enregistrées sur le disque dur en vue d’une consultation future. Le format de sauvegarde peut être de type texte ou de type binaire. Nous présentons ici la sauvegarde des données dans des formats texte.

Comme dans le cas de l’opération de lecture, il faut au préalable définir dans le programme un descripteur de fichier servant de point d’entrée pour les opération d’écriture. On effectue ce qu’on appelle une ouverture en mode “écriture”.

Python

try :
  f = open('monfichier.dat','w')
except IOError:
  print "Erreur d'ouverture!!"
  

On notera qu’il existe en python (ainsi qu’en C, C++, …) plusieurs modes d’ouverture exprimés par le deuxième argument de la fonction open. On retiendra le mode ‘w’ (création d’un nouveau fichier vide) et le mode ‘a’ (ajout de nouvelles données à la suite d’un fichier déjà existant).

La sauvegarde dans le fichier s’effectue à l’aide d’un opérateur d’écriture. Dans le cas des chaînes de caractères, l’opérateur d’écriture sauvegarde ces données à la suite des données déjà écrites.

Python

f.write("Bonjour!\n")

La sauvegarde de données nécessite d’effectuer un choix sur le mode d’encodage, obéissant en général à une norme bien précise (csv, json, xml, etc…). Voir section 1.3.

Une fois les opérations de lecture ou d’écriture terminées, il est nécessaire de fermer le fichier. L’opération de fermeture assure que les données sont effectivement enregistrées sur le disque (et non simplement stockées dans la mémoire tampon - voir section XXX).

Voir aussi :

• Gestion des fichiers sous Unix

Pour une gestion efficace des données, il est nécessaire de pouvoir identifier chaque enregistrement de façon unique.

L'indexation des données repose sur un principe simple d'étiquetage consistant à attribuer une étiquette différente à chaque enregistrement.

1. Cette étiquette peut être une suite de caractères arbitraires, un entier, ou un descripteur explicite. On parle en général de clé ou d'identifiant pour désigner cette étiquette.
2. Il existe un ordre total dans le domaine de valeurs des clés, permettant d'effectuer des opérations de tri sur les données a partie de la valeur de leur clé.

• L'indexation des données consiste à attribuer à chaque donnée distincte un identifiant unique.
• On parle également de clé de l'enregistrement:

On peut représenter l'opération d'indexation sous la forme d'une fonction. Si $d$ est le jeu de valeurs, $k(d)$ désigne l'identifiant de ce jeu de valeurs.

L'indexation suppose l'existence d'une bijection entre l'ensemble des données et l'ensemble des clés, permettant d'assurer l'unité et la spécificité de la clé

L'existence d'un identifiant unique pour chaque jeu de valeurs $d$ permet la mise en œuvre d'une recherche par identifiant (ou recherche par clé).

La recherche par identifiant repose sur une fonction d'adressage $I$ qui à tout identifiant $k$ associe sa position (entrée) $i$ dans un tableau de données: $I : k \rightarrow i$. Ainsi si $k$ est l'identifiant servant à la recherche, l'extraction des informations se fait en 2 étapes:

• $i = I(k)$ (lecture de l'index des données)
• $d = D[i]$ (lecture des données elles mêmes)

L'identifiant doit en pratique tenir sur un nombre d'octets le plus petit possible pour que la liste $L$ puisse être manipulée en mémoire centrale. Autrement dit, il faut que :

• $|k| << |d|$

pour que :

• $|L| << |D|$

Définir un ordre sur les données

La présence d'un identifiant permet de définir un ordre total sur les données :

• ordre sur les entiers (identifiant entier)
• ordre alphabétique (identifiant texte)
• ordre ASCIIbétique (chaîne de caractères quelconque)

Lier les données

Dans le cas des bases de données, l'identifiant constitue une référence vers les jeux de valeurs des tableaux de données. Une référence permet de lier les données d'une table aux données d'une autre table.

Exemple :

• Artistes
• Albums
• Pistes

• Pour chaque album de la table des albums, l'identifiant d'artiste (ici un numéro) permet de lier l'album avec l'artiste (ou groupe) correspondant.
• Pour chaque piste de la table des pistes, l'identifiant d'album permet de lier la piste à l'album correspondant (et donc à l'artiste correspondant par transitivité)

Structure d'ensemble

L'index définit l'appartenance d'une donnée à un ensemble.

Soit $\mathcal{E}$ un ensemble de données indexées : $$\mathcal{E} = \{d_1, d_2, ..., d_K\}$$ On a l'équivalence : $$d \in \mathcal{E} \Leftrightarrow k(d) \in I$$

Ainsi, il ne peut y avoir de doublon car $\forall d$ :

• $k(d)$ est unique
• $i = I(k(d))$ est unique ssi $d \in \mathcal{E}$ et indéfini sinon.

L'exemple le plus simple d'indexation est celui fourni par les numéros de case d'un tableau.

• Soit $D$ un tableau de $n$ lignes
• le numéro $i < n$ est à la fois l'identifiant et l'entrée (ou adresse) de la ligne $D[i]$

Dans le cas général, l'identifiant n'est pas égal à l'entrée!

On sépare donc l'index $k$ de l'entrée $i$:

• $k$ est l'identifiant (ou clé) de la donnée $d$. Il s'agit d'une valeur numérique quelconque.
• $i$ est l'entrée de la donnée $d$, correspondant à sa position dans le tableau de données.

Il existe différentes méthodes permettant d'assurer l'intégrité de l'index:

• Le programme maintient une liste triée des identifiants déjà utilisées. Lors de l'ajout d'une nouvelle donnée, il s'assure que l'identifiant n'est pas déjà présente dans la liste.
  • Coût :
    • $O(n)$ en mémoire
    • $O(\log n)$ pour l'ajout
• Dans le cas où les identifiants sont des numéros (entiers), il est possible d'utiliser un compteur qui s'incrémente à chaque nouvelle insertion.
  • Coût :
    • $O(1)$ en mémoire
    • $O(1)$ pour l'ajout

Utilisation d'une fonction de hachage :

• qui "calcule" la valeur de l'identifiant à partir des valeurs du jeu de valeurs à insérer.
• La fonction de hachage doit être telle que la probabilité de choisir le même identifiant pour deux données différentes soit extrêmement faible.

Attribution d'un identifiant arbitraire entre 0 et n-1

• Etape 1 : transcodage binaire des données
  • i = int.from_bytes(d, byteorder='big')
  • avantage : les données différentes ont un code entier différent
  • mais : |i| = |d|

s = 'paul.poitevin@centrale-marseille.fr'
d = bytes(s, 'ascii')
i = int.from_bytes(d, byteorder='big')
print("i =", i)

donne :

i = 852806586114976881510056778471769180697471859150728801241505293627173168229624211058

• Etape 2 : réduction du code
  • Méthode 1 : le modulo n (reste de la division entière par n)
    • k = H(i) = i mod n
    • Avantage :
      • $|k| << |d|$
    • Inconvénient:
      • deux données différentes peuvent avoir le même code
      • ce codage revient à sélectionner les bits de poids faible
      • deux données proches ou très similaires auront un index proche ou similaire : si j = i + 1, H(j) = H(i) + 1 (presque toujours)
      • —> il faut prendre n premier

• • • $n = 2^{32} = 4294967296$ :
      • H_code(paul.poitevin@centrale-marseille.fr) = 1697539698
      • H_code(martin.mollo@centrale-marseille.fr) = 1697539698
    • $n = 67280421310721$ (premier):
      • H_code(paul.poitevin@centrale-marseille.fr) = 36148249469507
      • H_code(martin.mollo@centrale-marseille.fr) = 65330032132071

• • Méthode 2 : combiner produit et modulo – soient m et n deux nombres premiers entre eux
    • k = H(i) = (i * m) mod n
    • Avantage :
      • $|k| << |d|$
      • deux entiers proches donneront auront des codes très différents : si j = i + 1, j * m - i * m = m
    • Inconvénient :
      • deux données différentes peuvent avoir le même code
        • le produit i * m peut etre coûteux à calculer

• Méthode 3 : Hachage cryptographique :
  • Le hachage cryptographique est construit de telle sorte qu'il soit très difficile de trouver un entier j != i tel que H(i) = H(j).
  • Un tel code est appelé une "signature".
    • Exemples :
      • MD4
      • SHA

Le gestionnaire de bases de données MongoDB utilise une indexation des données par clé cryptographique.

Que faire lorsque l'index ne tient pas en totalité dans la mémoire centrale ?

• L'index est découpé en "blocs"
• Les blocs sont organisés sous la forme d'un arbre (B-arbre = "Balanced Tree")

Considérons un index composé de couples (clé, numero de page). On suppose que l’index est également découpé en pages, chaque page d'index contenant au maximum b clés. Si l’index comporte beaucoup de pages, il est intéressant de l’organiser hiérarchiquement en pages et sous-pages, selon une organisation appelée "B-arbre" (Balanced Tree):

• chaque noeud de l’arbre contient une liste croissante de couples (clé, numéro d’une sous-page)
• chaque clé est dupliquée dans sa sous-page :
  • les clés contenues dans la sous-page sont inférieures ou égales à elle,
  • les clés contenues dans la sous-page sont strictement supérieures à celles de la sous-page précédente.
  • les feuilles contiennent des couples (clé, numéro de la page du tableau de données)

<!-- <note> **algo : lecture de l'Index** * paramètre d’entrée : k   I ← charger la racine de l’arbre tant que I n’est pas une feuille : k’ ← première clé de I tant que k > k’ k’ ← clé suivante I ← charger sous-page de k’ </note> -->

Remarque : Pour que l’accès aux données soit efficace,

• il faut que l’arbre soit le moins profond possible : arbre “équilibré”.

<!-- * Dans ce cas, * chaque noeud a ''b'' fils, * et la profondeur de l’arbre est de l’ordre de logb(N). * Pour charger la page contenant le tuple cherché, * il faut donc logb(N) + 1 lectures sur disque. * En pratique, il existe des algos permettant d’assurer que chaque noeud contient entre b/2 et b clés (sauf la racine). -->