This is default featured slide 2 title

Go to Blogger edit html and find these sentences.Now replace these sentences with your own descriptions.

This is default featured slide 3 title

Go to Blogger edit html and find these sentences.Now replace these sentences with your own descriptions.

This is default featured slide 4 title

Go to Blogger edit html and find these sentences.Now replace these sentences with your own descriptions.

This is default featured slide 5 title

Go to Blogger edit html and find these sentences.Now replace these sentences with your own descriptions.

Wednesday, December 5, 2012

Solution: UNABLE TO READ DATA FROM THE TRANSPORT CONNECTION: NET_IO_CONNECTIONCLOSED.

Server Error in '/' Application.


Unable to read data from the transport connection: net_io_connectionclosed.


Description: An unhandled exception occurred during the execution of the current web request. Please review the stack trace for more information about the error and where it originated in the code. 

Exception Details: System.IO.IOException: Unable to read data from the transport connection: net_io_connectionclosed.

Source Error: 

 

Line 73:           //  client.Credentials = aCred;

Line 74:             MailMessage message = ComposeEmailMessage(fromName, fromEmail, toAddressList, subject, emailBody, isHTML);

Line 75:             client.Send(message);

Line 76:         }

Line 77:         catch (Exception e)


Source File: c:\inetpub\vhosts\aspdotnet-rajkumar.com\httpdocs\landing\Cont.aspx.cs    Line: 75 

Stack Trace: 

 

[IOException: Unable to read data from the transport connection: net_io_connectionclosed.]

   System.Net.Mail.SmtpReplyReaderFactory.ProcessRead(Byte[] buffer, Int32 offset, Int32 read, Boolean readLine) +1063455

   System.Net.Mail.SmtpReplyReaderFactory.ReadLines(SmtpReplyReader caller, Boolean oneLine) +248

   System.Net.Mail.SmtpReplyReaderFactory.ReadLine(SmtpReplyReader caller) +16

   System.Net.Mail.SmtpConnection.GetConnection(String host, Int32 port) +642

   System.Net.Mail.SmtpTransport.GetConnection(String host, Int32 port) +159

   System.Net.Mail.SmtpClient.GetConnection() +35

   System.Net.Mail.SmtpClient.Send(MailMessage message) +1213

 

[SmtpException: Failure sending mail.]

   System.Net.Mail.SmtpClient.Send(MailMessage message) +1531

   Contactus.SendSimpleEmail(String toAddressList, String subject, String emailBody, Boolean isHTML) in c:\inetpub\vhosts\aspdotnet-rajkumar.com\httpdocs\landing\Cont.aspx.cs:75

 

[Exception: Error sending email from info@aspdotnet-rajkumar.com]

   Contactus.SendSimpleEmail(String toAddressList, String subject, String emailBody, Boolean isHTML) in c:\inetpub\vhosts\aspdotnet-rajkumar.com\httpdocs\landing\Cont.aspx.cs:79

   Contactus.Sendadminmail(String name, String email, String Mobile) in c:\inetpub\vhosts\aspdotnet-rajkumar.com\httpdocs\landing\Cont.aspx.cs:34

   Contactus.Submit_Click1(Object sender, EventArgs e) in c:\inetpub\vhosts\aspdotnet-rajkumar.com\httpdocs\landing\Cont.aspx.cs:21

   System.Web.UI.WebControls.Button.OnClick(EventArgs e) +111

   System.Web.UI.WebControls.Button.RaisePostBackEvent(String eventArgument) +110

   System.Web.UI.WebControls.Button.System.Web.UI.IPostBackEventHandler.RaisePostBackEvent(String eventArgument) +10

   System.Web.UI.Page.RaisePostBackEvent(IPostBackEventHandler sourceControl, String eventArgument) +13

   System.Web.UI.Page.RaisePostBackEvent(NameValueCollection postData) +36

   System.Web.UI.Page.ProcessRequestMain(Boolean includeStagesBeforeAsyncPoint, Boolean includeStagesAfterAsyncPoint) +1565

 


Version Information: Microsoft .NET Framework Version:2.0.50727.5448; ASP.NET Version:2.0.50727.5456

Solve: WebException , the remote name could not be resolved

Server Error in '/' Application.


The remote name could not be resolved: 'mail.aspdotnet-rajkumar.com/'

Description: An unhandled exception occurred during the execution of the current web request. Please review the stack trace for more information about the error and where it originated in the code. 

Exception Details: System.Net.WebException: The remote name could not be resolved: 'mail.aspdotnet-rajkumar.com/'

Source Error: 

An unhandled exception was generated during the execution of the current web request. Information regarding the origin and location of the exception can be identified using the exception stack trace below.


Stack Trace: 

 

[WebException: The remote name could not be resolved: 'mail.aspdotnet-rajkumar.com/']

   System.Net.ServicePoint.GetConnection(PooledStream PooledStream, Object owner, Boolean async, IPAddress& address, Socket& abortSocket, Socket& abortSocket6, Int32 timeout) +5501831

   System.Net.PooledStream.Activate(Object owningObject, Boolean async, Int32 timeout, GeneralAsyncDelegate asyncCallback) +202

   System.Net.PooledStream.Activate(Object owningObject, GeneralAsyncDelegate asyncCallback) +21

   System.Net.ConnectionPool.GetConnection(Object owningObject, GeneralAsyncDelegate asyncCallback, Int32 creationTimeout) +332

   System.Net.Mail.SmtpConnection.GetConnection(String host, Int32 port) +160

   System.Net.Mail.SmtpTransport.GetConnection(String host, Int32 port) +159

   System.Net.Mail.SmtpClient.GetConnection() +35

   System.Net.Mail.SmtpClient.Send(MailMessage message) +1213

 

[SmtpException: Failure sending mail.]

   System.Net.Mail.SmtpClient.Send(MailMessage message) +1531

   Contactus.SendSimpleEmail(String toAddressList, String subject, String emailBody, Boolean isHTML) +103

 

[Exception: Error sending email from admin@aspdotnet-rajkumar.com/]

   Contactus.SendSimpleEmail(String toAddressList, String subject, String emailBody, Boolean isHTML) +161

   Contactus.Sendadminmail(String name, String email, String Mobile) +222

   Contactus.Submit_Click1(Object sender, EventArgs e) +83

   System.Web.UI.WebControls.Button.OnClick(EventArgs e) +111

   System.Web.UI.WebControls.Button.RaisePostBackEvent(String eventArgument) +110

   System.Web.UI.WebControls.Button.System.Web.UI.IPostBackEventHandler.RaisePostBackEvent(String eventArgument) +10

   System.Web.UI.Page.RaisePostBackEvent(IPostBackEventHandler sourceControl, String eventArgument) +13

   System.Web.UI.Page.RaisePostBackEvent(NameValueCollection postData) +36

   System.Web.UI.Page.ProcessRequestMain(Boolean includeStagesBeforeAsyncPoint, Boolean includeStagesAfterAsyncPoint) +1565

 


Version Information: Microsoft .NET Framework Version:2.0.50727.5448; ASP.NET Version:2.0.50727.5456

How to solve this error Bad sequence of commands. The server response was: This mail server requires authentication

Server Error in '/' Application.


Bad sequence of commands. The server response was: This mail server requires authentication when attempting to send to a non-local e-mail address. Please check your mail client settings or contact your administrator to verify that the domain or address is defined for this server.
Description: An unhandled exception occurred during the execution of the current web request. Please review the stack trace for more information about the error and where it originated in the code.

Exception Details: System.Net.Mail.SmtpException: Bad sequence of commands. The server response was: This mail server requires authentication when attempting to send to a non-local e-mail address. Please check your mail client settings or contact your administrator to verify that the domain or address is defined for this server.

Source Error: 
An unhandled exception was generated during the execution of the current web request. Information regarding the origin and location of the exception can be identified using the exception stack trace below.

Stack Trace: 

[SmtpException: Bad sequence of commands. The server response was: This mail server requires authentication when attempting to send to a non-local e-mail address. Please check your mail client settings or contact your administrator to verify that the domain or address is defined for this server.]
   System.Net.Mail.RecipientCommand.CheckResponse(SmtpStatusCode statusCode, String response) +1066623
   System.Net.Mail.SmtpTransport.SendMail(MailAddress sender, MailAddressCollection recipients, String deliveryNotify, SmtpFailedRecipientException& exception) +241
   System.Net.Mail.SmtpClient.Send(MailMessage message) +1480
   Contactus.SendSimpleEmail(String toAddressList, String subject, String emailBody, Boolean isHTML) +103

[Exception: Error sending email from admin@aspdotnet-rajkumar.in]
   Contactus.SendSimpleEmail(String toAddressList, String subject, String emailBody, Boolean isHTML) +161
   Contactus.Sendadminmail(String name, String email, String Mobile) +222
   Contactus.Submit_Click1(Object sender, EventArgs e) +83
   System.Web.UI.WebControls.Button.OnClick(EventArgs e) +111
   System.Web.UI.WebControls.Button.RaisePostBackEvent(String eventArgument) +110
   System.Web.UI.WebControls.Button.System.Web.UI.IPostBackEventHandler.RaisePostBackEvent(String eventArgument) +10
   System.Web.UI.Page.RaisePostBackEvent(IPostBackEventHandler sourceControl, String eventArgument) +13
   System.Web.UI.Page.RaisePostBackEvent(NameValueCollection postData) +36
   System.Web.UI.Page.ProcessRequestMain(Boolean includeStagesBeforeAsyncPoint, Boolean includeStagesAfterAsyncPoint) +1565



Version Information: Microsoft .NET Framework Version:2.0.50727.5448; ASP.NET Version:2.0.50727.5456

Tuesday, December 4, 2012

Drop Box பயன்படுத்துவது எப்படி ?

Drop Box பயன்படுத்துவது எப்படி ?

Simplify Your Life

 

Download Dropbox

 

 

Dropbox என்றால் என்ன ? இதனை நாம் நம் கம்ப்யூட்டரில் இன்ஸ்டால் செய்வதால் நமக்கு என்ன பயன் ? இதனை நாம் நம் கம்ப்யூட்டரில் இன்ஸ்டால் செய்து பயன்படுத்துவது எப்படி ? என்பதை பற்றி நாம் இந்த பாடத்தில் தெளிவாக பார்ப்போம்.....

 

ஆரம்ப காலத்தில் கம்ப்யூட்டர் பயன்படுத்துபவர்கள் தங்களுடைய Personal File களை கம்ப்யூட்டரில் சேமித்து வைத்து பயன்படுத்தும்பொழுது அந்த பைல்களை இன்னொரு காப்பி எடுத்து வைத்துக்கொண்டு தேவையான நேரங்களில் தம் கம்ப்யூட்டரிலோ அல்லது  வேறு கம்ப்யூட்டரிலோ பயன்படுத்துவதற்கு Floppy Disk என்ற ஒன்றை பயன்படுத்தினார்கள். 

 

                                                                                                                    Floppy Disk ( 1.44 MB Capacity )

                        

இந்த Floppy Disk ன் மொத்த அளவு எவ்வளவு தெரியுமா ? 1.44 MB மட்டும் தான். இந்த 1.44 MB அளவில் தான் நாம் நம் பைல்களை சேமிக்க முடியும். 2 MB அளவில் உள்ள ஒரு பைலை நாம் இந்த Floppy ல் சேமிக்க முடியாது. அப்படி என்னதான் இதில் நாம் சேமிப்பது ? Windows 95 மற்றும் 98 பயன்படுத்தும் காலத்தில் நாம் சேமிக்க நினைப்பது ஆடியோ அல்லது வீடியோ பைல்களை அல்ல. Microsoft Excel மற்றும் Word File களை மட்டும்தான். இந்த மைக்ரோசாப்ட் ஆபீஸ் பைல்கள் ஒவ்வொன்றும் 50 KB, 200 KB, 300 KB என்ற அளவில்தான் இருக்கும். இந்த பைல்களில் 10 அல்லது 15 பைல்களை நாம் இந்த ஒரு Floppy Disk ல் மொத்தமாக சேமித்து வைத்து Backup Disk ஆக இதனை பயன்படுத்திக்கொள்வோம்.

 

அப்படி இருந்த காலம் மாறிப்போய் இப்பொழுது USB Pen Drive பயன்படுத்தும் காலம் வந்துவிட்டது.

 


 

இந்த Pen Drive 256 MB, 512 MB, 1 GB என்று ஆரம்பித்து இப்பொழுது 8GB, 16 GB, 32 GB, 64 GB, 128 GB என அசுர வேகத்தில் அதன் வளர்ச்சி மேலே போய்க்கொண்டிருக்கிறது.

 

மைக்ரோசாப்ட் ஆபீஸ் பைல்களை மட்டும் காப்பி எடுத்து பத்திரபடுத்தி வைத்துக்கொண்டிருந்த நாம் இப்பொழுது Audio, Video, Digital Photos, Software போன்றவற்றையும் காப்பி எடுத்து பத்திர படுத்தி வைக்கும் காலத்திற்கு வந்துவிட்டோம்.  அதனால் தான் நமக்கு இப்பொழுது 16 GB Pen Drive கையில் இருந்தால் கூட போதாது என்பதுபோல் ஆகிவிட்டது. சரி Drop Box ஐ பற்றி சொல்லாமல் வேறு எதையோ நான் ஏன் சொல்லிக்கொண்டு இருக்கிறேன் என்று நீங்கள் நினைப்பது புரிகிறது. 

 

இனி இந்த Drop Box கதைக்கு வருவோம்....... இந்த Dropbox மென்பொருளைதயாரித்தவர்கள் என்ன சொல்கிறார்கள் என்று தெரியுமா ? நீங்கள் உங்கள் கம்ப்யூட்டரில் பயன்படுத்தும் பைல்கள் எதுவானாலும் அதனை நீங்கள் மற்ற இடங்களில் பயன்படுத்த Pen Drive வில் அதனை எடுத்து செல்ல வேண்டிய அவசியம் இல்லை. அதற்கு பதிலாக எங்கள் Drop Box ஐ பயன்படுத்துங்கள் என்று சொல்கிறார்கள். 

 

இது எப்படி சாத்தியமாகும் என்று கேட்கிறீர்களா ? இன்றைய நவீன யுகத்தில் இண்டெர்நெட் கனெக்சன் இல்லாத கம்ப்யூட்டர் எதுவும் இல்லை. கம்ப்யூட்டர் பயன்படுத்தும் ஒவ்வொருவரும் இண்டெர் நெட் பயன்படுத்துபவராகவே இருக்கிறார்கள். எனவே இண்டெர் நெட் உங்கள் கம்ப்யூட்டரில் இருந்தால் மட்டுமே இது சாத்தியமாகும். இண்டெர் நெட் இல்லாதவர்கள் தங்கள் பைல்களை Pen Drive ல் காப்பி செய்து வைத்து மட்டும்தான் பயன்படுத்த முடியும். வேறு வழி இல்லை.

 

நீங்கள் எப்பொழுதும் இணைய இணைப்புடன் உள்ள கம்ப்யூட்டரை பயன்படுத்துபவரா ? நீங்கள் மட்டுமே இனி தொடந்து படிக்கலாம்.....

 

உங்களிடம் Laptop,  Desktop, i phone, i pad அல்லது Samsung Galaxy phone, Galaxy Tab, Blackberry  என்று பல பயன்பாட்டு எலெக்ட்ரானிக் சாதனங்கள் இருக்கிறது என வைத்துக்கொள்வோம். 

 

இந்த Drop Box ஐ நீங்கள் பயன்படுத்தினால் நீங்கள் உருவாக்கி சேமிக்கும் மைக்ரோசாப் ஆபீஸ் பைல்கள் அல்லது இணையத்தில் இருந்து டவுண்லோடு செய்து சேமிக்கும் Audio, Video மற்றும் Software போன்ற பைல்கள் ஒரே நேரத்தில் இந்த அனைத்து எலெக்ட்ரானிக் சாதனங்களிலும் சேமிக்கப்படும். அது எப்படி

 

முதலில் நீங்கள் இந்த Drop Box   www.dropbox.com என்ற இணைய தளத்தில் இருந்து டவுண்லோடு செய்யுங்கள்.

 

பிறகு இதனை நீங்கள் உங்கள் கம்யூட்டரில் இன்ஸ்டால் செய்துகொள்ளுங்கள்.

 

 

 

இதனை இன்ஸ்டால் செய்யும்பொழுது இந்த டிராப் பாக்ஸ் மூலம்  நீங்கள் புதிதாக ஒரு கணக்கை உருவாக்க வேண்டி இருப்பதால் I don't have a dropbox account என்ற ஆப்சனை தேர்ந்தெடுத்து Next ஐ அழுத்துங்கள்......... 

 

 

 

அடுத்து வரும் இந்த பகுதியில் உங்கள் பெயர் மற்றும் உங்கள் ஈமெயில் முகவரியை சரியாக டைப் செய்துகொண்டு கீழே Terms of Service ஐ டிக் செய்துகொண்டு Next ஐ அழுத்துங்கள்....

 

 

 

அடுத்து வரும் இந்த பகுதியில் நீங்கள் இலவசமாக டிராப் பாக்ஸ் அக்கவுண்டை ஓப்பன் செய்வதால் 2 GB Free ஆப்சனை தேர்ந்தெடுத்து Next ஐ அழுத்துங்கள்......

 

 

 

அடுத்து இந்த டிராப் பாக்ஸை நீங்கள் எப்படி பயன்படுத்தவேண்டும் என்ற சில டிப்ஸ்கள் கிடைக்கும் பகுதி இது... இந்த டிப்ஸ் தேவை இல்லை எனில் Skip tour என்ற பட்டனை கிளிக் செய்யுங்கள்.....

 

 

 

இறுதியாக நீங்கள் இந்த பகுதிக்கு வந்ததும் இந்த Finish Button ஐ கிளிக் செய்து உங்கள் Drop Box Installation ஐ முடித்துக்கொள்ளுங்கள்.........

 

 

 

உங்கள் கம்ப்யூட்டரில் இந்த Drop Box இன்ஸ்டால் ஆகி முடிந்ததும் இதுபோல் ஒரு போல்டர் ஓப்பன் ஆகும். இதுதான் உங்கள் டிராப் பாக்ஸ் பைல்களை சேமிக்கும் போல்டர். இதில் Drop Box மூலம் தானாக சேமிக்கப்பட்ட இரண்டு போல்டர்கள் வந்திருப்பதை நீங்கள் பார்க்கலாம்...... இந்த இரண்டு போல்டரின் கீழ்பகுதியிலும் இரண்டு நீல கலரில் புள்ளிகள் சக்கரம்போல் சுற்றுவதை நீங்கள் காணலாம். இப்படி சக்ரம் போல் சுற்றும் நேரத்தில் உங்கள் டிராப் பாக்ஸில் இந்த போல்டர்கள் இண்டெர் நெட் மூலம் அதன் உள்ளே இணைக்கப்பட்ட பைல்களை டவுண்லோடு செய்துகொண்டிருக்கிறது என அர்த்தம்......

 

 

போல்டரின் கீழே உள்ள அந்த சக்கரம்போல் உள்ள ஐக்கான் இங்கு காண்பதுபோல் டிக் செய்ததுபோல் மாறிவிட்டது என்றால் பைல்கள் சரியாக டவுண்லோடு ஆகிவிட்டது என்று அர்த்தம். உடனே உங்கள் டெக்ஸ்டாப்பில் டைம் பக்கத்தில் எத்தனை பைல்கள் டவுண்லோடு ஆனதென்ற செய்தி வந்துவிடும்.

 

 

 

இந்த போல்டரில் நீங்கள் உங்கள் கம்ப்யூட்ரில் வேறு இடத்தில் உள்ள ஒரு போட்டோவையோ அல்லது பைலையோ காப்பி செய்து இங்கு பேஸ்ட் செய்கிறீர்கள் என வைத்துக்கொள்வோம். அதுவும் முன்பு சொன்னமுறைப்படி இண்டெர் நெட் மூலம் அப்டேட் ஆக ஆரம்பிக்கும். ( இங்கு காண்பதுபோல்)

 

 

 

 

 

இறுதியாக இங்கு காண்பதுபோல் அதன் கீழே டிக் வந்துவிடும். 

 

 

 

 

இந்த முறைப்படி நீங்கள் உங்கள் பைல்களை (Audio, Video, Photo, Software போன்றவற்றை) 2 GB அளவில் இந்த Drop Box அக்கவுண்ட் மூலமாக சேமித்துக்கொள்ளலாம். 2 GB க்கு மேல் சேமிக்க வேண்டுமென்றால் இந்த அக்கவுண்டுக்கு பணம் செழுத்தவேண்டும். பணம் செழுத்தாமல் இந்த அக்கவுண்டில் நீங்கள் கூடுதல் GB ஐ பெற வேறு ஒரு வழி உண்டு. அதாவது நீங்கள் இந்த டிராப் பாக்ஸ் மூலம் உங்கள் நண்பர்களுக்கு பைல்களை Sharing செய்யலாம். அப்படி Sharing செய்யும்பொழுது உங்கள் டிராப் பாக்ஸ் மூலம் செல்லும் லிங்க் மூலமாக உங்கள் நண்பர் இந்த Drop Box அக்கவுண்ட் ஒன்றை இலவசமாக உருவாக்கினார் என்றால் உங்களுக்கு 500 MB Space இலவசமாக கிடைக்கும். இந்த முறைப்படி நீங்கள் 18 GB வரை உங்கள் அக்கவுண்டுக்கு இட வசதியை கூட்டலாம்.


சரி இந்த Drop Box ல் நாம் சேமித்த நம் பைல்களை நம் மொபைலில் எப்படி பயன்படுத்துவது ?

 

iPhone, iPad, Android mobiles and Blackberry Mobile போன்றவற்றிலும் நீங்கள் இதுபோல் Drop Box மென்பொருளை இன்ஸ்டால் செய்துகொள்ளலாம்...... அப்படி இன்ஸ்டால் செய்யும்பொழுது நீங்கள் ஏற்கனவே இதன் கணக்கை உருவாக்கிவிட்டதால் I already have a Drop box account என்ற ஆப்சன் மூலமாக நீங்கள் செல்லுங்கள்....

 

 

 

  

உடனே அடுத்து வரும் பகுதியில் உங்கள் ஜிமெயில் முகவரி மற்றும் பாஸ்வேர்டை டைப் செய்து next பட்டனை கிளிக் செய்தால் போதும். உங்கள் அக்கவுண்ட் ஓப்பன் ஆகிவிடும். உடனே நீங்கள் கம்ப்யூட்டர் மூலமாக சேமித்த பைல்கள் அனைத்தும் உங்கள் மொபைலில் டவுண்லோடு ஆகிவும்.

 

 

இந்த முறைப்படி நீங்கள் கம்ப்யூட்டரில் Drop Box மூலம் சேமித்த பைல்கள் அனைத்தையும் iPhone, iPad, Samsung Galaxy Tab மற்றும் Android மென்பொருள் பயன்படுத்தப்படும் அனைத்து மொபைல்களிலும் உடனுக்கு உடன் பயன்படுத்தலாம்.

 

 

 

இந்த Drop Box iTunes, iPhone App Stores மூலம் நீங்கள் உங்கள் iPhone மொபைல்களுக்கு பயன்படுத்த டவுண்லோடு செய்துகொள்ளலாம்....

 

 

 

அதே போல் இந்த Drop Box Google Play Android Marker ல் இருந்து உங்கள் Android மொபைல்களுக்கு பயன்படுத்த  நீங்கள் டவுண்லோடு செய்துகொள்ளலாம்....


   



இந்த Drop Box மூலம் நாம் சேமிக்கும் பைல்களை மற்ற கம்ப்யூட்டர்களிலும் லேப்டாப்பிலும் பயன்படுத்துவது எப்படி ?

மேலே சொன்ன முறைப்படி நீங்கள் உங்கள் Drop Box Account User Name and Password மூலம் வேறு ஒரு கம்ப்யூட்டரிலோ அல்லது நீங்கள் பயன்படுத்தும் லேப்டாப்பிலோ ஒரு Drop Box ஐ இன்ஸ்டால் செய்து செட்டப் செய்துகொண்டால் ஒரே நேரத்தில் உங்கள் பைல்களை நீங்கள் பயன்படுத்தும் அனைத்து கம்ப்யூட்டர்களிலும் சேமித்து பயன்படுத்திக்கொள்ளலாம்.

மேலும் நீங்கள் உங்கள் கம்ப்யூட்டரில் உள்ள Drop Box போல்டரில் இணைக்கும் ஒவ்வொரு பைலும் ஒவ்வொரு முறையும் இணையத்தில் உங்கள் Drop Box அக்கவுண்டில் சேமிக்கப்படுவதால் உங்கள் கம்ப்யூட்டரில் ஏதேனும் பிரச்சனை ஏற்பட்டாலும் உங்களுடைய முக்கியமான பைல்கள் உடனே அழிந்துவிடாது. கம்ப்யூட்டரை பார்மெட் செய்து மறுபடி இண்ஸ்டால் செய்த பிறகு திரும்பவும் உங்கள் Drop Box அக்கவுண்ட் மூலம் நீங்கள் Drop Box ஐ இன்ஸ்டால் செய்தால் போதும் அதில் நீங்கள் சேமித்த பைல்கள் அனைத்தும் மறுபடியும் உங்கள் கம்ப்யூட்டரில் சேமிக்கப்பட்டுவிடும்.

நீங்கள் வெளிநாட்டில் இருக்கிறீர்கள் என வைத்துக்கொள்வோம். உங்கள் கம்ப்யூட்டரில் இந்த Drop Box இன்ஸ்டால் செய்யப்பட்டு அது பயன்படுத்தப்படுகிறது. பிறகு நீங்கள் உங்கள் சொந்த ஊருக்கு விடுமுறையில் செல்கிறீர்கள் அந்த நேரத்தில் நீங்கள் உங்கள் வீட்டில் உள்ள கம்ப்யூட்டரில் இந்த Drop Box ஐ இன்ஸ்டால் செய்து அதே அக்கவுண்டை பயன்படுத்தும்பொழுதும் நீங்கள் வெளிநாட்டில் இருந்து சேமித்த பைல்கள் அனைத்தும் அங்கு உங்கள் வீட்டில் உள்ள கம்ப்யூட்டரில் தானாக டவுண்லோடு ஆகிவிடும். அதன் பிறகு நீங்கள் அதனை பயன்படுத்திக்கொள்ளலாம்.

அதன் பிறகு நீங்கள் மறுபடியும் வெளி நாடு வந்துவிட்டாலும் நீங்கள் வெளிநாட்டில் இருந்துகொண்டு உங்கள் Drop Box அக்கவுண்டில் சேமிக்கும் போட்டோ மற்றும் பைல்களை உங்கள் வீட்டில் மனைவி மற்றும் பிள்ளைகள் மிக எளிதாக Drop Box ஐ ஓப்பன் செய்து பயன்படுத்திக்கொள்வார்கள்.

உங்கள் Drop Box ல் உள்ள பைல்களை உங்கள் நண்பர்களுக்கு இணைப்பு (Sharing) கொடுப்பது எப்படி  

நீங்கள் Drop Box ல் சேமித்த உங்கள் போட்டோ அல்லது சாப்ட்வேர் போல்டரை உங்கள் நண்பர்களுக்கு இணைப்பு கொடுக்கவேண்டுமென்றால் உங்கள் கம்ப்யூட்டரில் உள்ள Drop Box போல்டரை ஓப்பன் செய்து அதில் நீங்கள் Sharing (இனைப்பு) கொடுக்கப்போகும் அந்த போல்டரின் மேல் உங்கள் மவுசை வைத்து வலதுபக்கம் கிளிக் செய்து வரும் தட்டில் Drop Box என்ற ஆப்சனுக்கு சென்று அதில் Share this folder என்ற ஆப்சனை கிளிக் செய்யுங்கள்.....



 
உடனே இணைய தொடர்பின் மூலம் இதுபோல் ஒரு தட்டு ஓப்பன் ஆகும். முதன் முதாலாக நீங்கள் Drop Box மூலம் உங்கள் நண்பருக்கு உங்கள் பைல்களை Sharing செய்வதால் உங்கள் ஈமெயில் இது உங்கள் மெயில் முகவரிதான் என்பதன் அடையாலமாக Email Verification செய்யப்படும். இதில் நீங்கள் Send Mail என்பதை கிளிக் செய்யுங்கள். 

 

உடனே Drop Box மூலம் உங்கள் ஈமெயில் முகவரிக்கு ஒரு லிங்க் தானாக அனுப்பி வைக்கப்படும். இனி நீங்கள் உங்கள் ஈமெயிலை ஓப்பன் செய்து அந்த Drop Box  தளத்தில் இருந்து வந்த மெயிலை ஓப்பன் செய்து அந்த Verification Link ஐ கிளிக் செய்து உங்கள் Drop Box user name மற்றும் password ஐ டைப் செய்து confirm செய்துகொள்ளுங்கள்.

 

இனி  நீங்கள் உங்கள் போல்டரை Sharing செய்யும்பொழுது இங்கு காண்பதுபோல் ஒரு தட்டு ஓப்பன் ஆகும். இதில் நீங்கள் உங்கள் நண்பரின் ஈமெயில் முகவரியை டைப் செய்து Share folder என்ற பட்டனை கிளிக் செய்து உங்கள் பைல்கள் அடங்கிய போல்டரை உங்கள் நண்பர்களுடன் பகிர்ந்துகொள்ளலாம்.

  



மேலே சொன்ன தேவைகளை தவிற இன்னும் பல தேவைகளுக்கு இந்த Drop Box மென்பொருளை நீங்கள் இந்த நவின யுகத்தில் பயன்படுத்தி பயன் பெறலாம். 

முயற்ச்சி செய்யுங்கள்...... வெற்றி நிச்சயம்........

 

Database Management System Chapter-12

Chapter 12:  Indexing and Hashing

 

n Basic Concepts

n Ordered Indices

n B+-Tree Index Files

n B-Tree Index Files

n Static Hashing

n Dynamic Hashing

n Comparison of Ordered Indexing and Hashing

n Index Definition in SQL

n Multiple-Key Access

 

Basic Concepts

 

n Indexing mechanisms used to speed up access to desired data.

Ø E.g., author catalog in library

n Search Key - attribute to set of attributes used to look up records in a file.

n An index file consists of records (called index entries) of the form



n Index files are typically much smaller than the original file

n Two basic kinds of indices:

Ø Ordered indices:  search keys are stored in sorted order

Ø Hash indices:  search keys are distributed uniformly across “buckets” using a “hash function”.

 

Index Evaluation Metrics

 

n Access types supported efficiently.  E.g.,

Ø records with a specified value in the attribute

Ø or records with an attribute value falling in a specified range of values.

n Access time

n Insertion time

n Deletion time

n Space overhead

 

 

 

Ordered Indices

 

Indexing techniques evaluated on basis of:

 

n In an ordered index, index entries are stored sorted on the search key value.  E.g., author catalog in library.

n Primary index: in a sequentially ordered file, the index whose search key specifies the sequential order of the file.

Ø Also called clustering index

Ø The search key of a primary index is usually but not necessarily the primary key.

n Secondary index: an index whose search key specifies an order different from the sequential order of the file.  Also called
non-clustering index.

n Index-sequential file: ordered sequential file with a primary index.

 

Dense Index Files

 

n Dense index — Index record appears for every search-key value in the file.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 


Sparse Index Files

 

n Sparse Index:  contains index records for only some search-key values.

Ø Applicable when records are sequentially ordered on search-key

n To locate a record with search-key value K we:

Ø Find index record with largest search-key value < K

Ø Search file sequentially starting at the record to which the index record points

n Less space and less maintenance overhead for insertions and deletions.

n Generally slower than dense index for locating records.

n Good tradeoff: sparse index with an index entry for every block in file, corresponding to least search-key value in the block.

 

Example of Sparse Index Files

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 


Multilevel Index

 

n If primary index does not fit in memory, access becomes expensive.

n To reduce number of disk accesses to index records, treat primary index kept on disk as a sequential file and construct a sparse index on it.

Ø outer index – a sparse index of primary index

Ø inner index – the primary index file

n If even outer index is too large to fit in main memory, yet another level of index can be created, and so on.

n Indices at all levels must be updated on insertion or deletion from the file.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 


Index Update:  Deletion

 

n If deleted record was the only record in the file with its particular search-key value, the search-key is deleted from the index also.

n Single-level index deletion:

Ø Dense indices – deletion of search-key is similar to file record deletion.

Ø Sparse indices – if an entry for the search key exists in the index, it is deleted by replacing the entry in the index with the next search-key value in the file (in search-key order).  If the next search-key value already has an index entry, the entry is deleted instead of being replaced.

Index Update:  Insertion

 

n Single-level index insertion:

Ø Perform a lookup using the search-key value appearing in the record to be inserted.

Ø Dense indices – if the search-key value does not appear in the index, insert it.

Ø Sparse indices – if index stores an entry for each block of the file, no change needs to be made to the index unless a new block is created.  In this case, the first search-key value appearing in the new block is inserted into the index.

n Multilevel insertion (as well as deletion) algorithms are simple extensions of the single-level algorithms

 

Secondary Indices

 

n Frequently, one wants to find all the records whose values in a certain field (which is not the search-key of the primary index satisfy some condition.

Ø Example 1: In the account database stored sequentially by account number, we may want to find all accounts in a particular branch

Ø Example 2: as above, but where we want to find all accounts with a specified balance or range of balances

n We can have a secondary index with an index record for each search-key value; index record points to a bucket that contains pointers to all the actual records with that particular search-key value.

 

 

 

Secondary Index on balance field of account

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 


Primary and Secondary Indices

 

n Secondary indices have to be dense.

n Indices offer substantial benefits when searching for records.

n When a file is modified, every index on the file must be updated, Updating indices imposes overhead on database modification.

n Sequential scan using primary index is efficient, but a sequential scan using a secondary index is expensive

Ø each record access may fetch a new block from disk

 

B+-Tree Index Files

 

B+-tree indices are an alternative to indexed-sequential files

 

n Disadvantage of indexed-sequential files: performance degrades as file grows, since many overflow blocks get created.  Periodic reorganization of entire file is required.

n Advantage of B+-tree index files:  automatically reorganizes itself with small, local, changes, in the face of insertions and deletions.  Reorganization of entire file is not required to maintain performance.

n Disadvantage of B+-trees: extra insertion and deletion overhead, space overhead.

n Advantages of B+-trees outweigh disadvantages, and they are used extensively.

 

 

A B+-tree is a rooted tree satisfying the following properties:

 

 

n All paths from root to leaf are of the same length

n Each node that is not a root or a leaf has between [n/2] and n children.

n A leaf node has between [(n–1)/2] and n–1 values

n Special cases:

Ø If the root is not a leaf, it has at least 2 children.

Ø If the root is a leaf (that is, there are no other nodes in the tree), it can have between 0 and (n–1) values.

 

B+-Tree Node Structure

n Typical node


 

 

 



Ø Ki are the search-key values

Ø Pi are pointers to children (for non-leaf nodes) or pointers to records or buckets of records (for leaf nodes).

n The search-keys in a node are ordered

           K1 < K2 < K3 < . . . < Kn–1

 

 

Leaf Nodes in B+-Trees

 

Properties of a leaf node:

 

 

n For i = 1, 2, . . ., n–1, pointer Pi either points to a file record with search-key value Ki, or to a bucket of pointers to file records, each record having search-key value KiOnly need bucket structure if search-key does not form a primary key.

n If Li, Lj are leaf nodes and i < j, Li’s search-key values are less than Lj’s search-key values

n Pn points to next leaf node in search-key order

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 


Non-Leaf Nodes in B+-Trees

 

n Non leaf nodes form a multi-level sparse index on the leaf nodes.  For a non-leaf node with m pointers:

Ø All the search-keys in the subtree to which P1 points are less than K1

Ø For 2 £ i £ n – 1, all the search-keys in the subtree to which Pi points have values greater than or equal to Ki–1 and less than Km–1

 

 

 

 

 

 

 

 

 

 


Example of a B+-tree

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 


B+-tree for account file (n = 3)

 

 

Example of B+-tree

 

 

 

 

 

 

 

 

 

 

 

 


B+-tree for account file (n - 5)

 

 

 

 

 

 

 

 

 

 

n Leaf nodes must have between 2 and 4 values
(
é(n–1)/2ù and n –1, with n = 5).

n Non-leaf nodes other than root must have between 3 and 5 children (é(n/2ù and n with n =5).

n Root must have at least 2 children.

 

Observations about B+-trees

 

n Since the inter-node connections are done by pointers, “logically” close blocks need not be “physically” close.

n The non-leaf levels of the B+-tree form a hierarchy of sparse indices.

n The B+-tree contains a relatively small number of levels (logarithmic in the size of the main file), thus searches can be conducted efficiently.

n Insertions and deletions to the main file can be handled efficiently, as the index can be restructured in logarithmic time (as we shall see).

 

Queries on B+-Trees

 

n  Find all records with a search-key value of k.

H  Start with the root node

4 Examine the node for the smallest search-key value > k.

4 If such a value exists, assume it is KjThen follow Pi to the child node

4 Otherwise k ³ Km–1, where there are m pointers in the node.  Then follow Pm to the child node.

H  If the node reached by following the pointer above is not a leaf node, repeat the above procedure on the node, and follow the corresponding pointer.

H  Eventually reach a leaf node.  If for some i, key Ki = k  follow pointer Pi  to the desired record or bucket.  Else no record with search-key value k exists.

n In processing a query, a path is traversed in the tree from the root to some leaf node.

n If there are K search-key values in the file, the path is no longer than é logén/2ù(K)ù.

n A node is generally the same size as a disk block, typically 4 kilobytes, and n is typically around 100 (40 bytes per index entry).

n With 1 million search key values and n = 100, at most
log
50(1,000,000) = 4 nodes are accessed in a lookup.

n Contrast this with a balanced binary free with 1 million search key values — around 20 nodes are accessed in a lookup

Ø above difference is significant since every node access may need a disk I/O, costing around 20 milliseconds!

 

Updates on B+-Trees:  Insertion

 

n Find the leaf node in which the search-key value would appear

n If the search-key value is already there in the leaf node, record is added to file and if necessary a pointer is inserted into the bucket.

n If the search-key value is not there, then add the record to the main file and create a bucket if necessary.  Then:

Ø If there is room in the leaf node, insert (key-value, pointer) pair in the leaf node

Ø Otherwise, split the node (along with the new (key-value, pointer) entry) as discussed in the next slide.

 

n Splitting a node:

Ø take the n(search-key value, pointer) pairs (including the one being inserted) in sorted order.  Place the first é n/2 ù in the original node, and the rest in a new node.

Ø let the new node be p, and let k be the least key value in p.  Insert (k,p) in the parent of the node being split. If the parent is full, split it and propagate the split further up.

 

 

 

 

 

 

 

 

 


Result of splitting node containing Brighton and Downtown on
inserting Clearview

 

 

 

n The splitting of nodes proceeds upwards till a node that is not full is found.  In the worst case the root node may be split increasing the height of the tree by 1.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 


B+-Tree before and after insertion of “Clearview”

 

 

 

Updates on B+-Trees: Deletion

 

n Find the record to be deleted, and remove it from the main file and from the bucket (if present)

n Remove (search-key value, pointer) from the leaf node if there is no bucket or if the bucket has become empty

n If the node has too few entries due to the removal, and the entries in the node and a sibling fit into a single node, then

Ø Insert all the search-key values in the two nodes into a single node (the one on the left), and delete the other node.

Ø Delete the pair (Ki–1, Pi), where Pi is the pointer to the deleted node, from its parent, recursively using the above procedure.

 

Updates on B+-Trees:  Deletion

n Otherwise, if the node has too few entries due to the removal, and the entries in the node and a sibling fit into a single node, then

Ø Redistribute the pointers between the node and a sibling such that both have more than the minimum number of entries.

Ø Update the corresponding search-key value in the parent of the node.

n The node deletions may cascade upwards till a node which has  én/2 ù or more pointers is found.  If the root node has only one pointer after deletion, it is deleted and the sole child becomes the root.

Examples of B+-Tree Deletion

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 


Before and after deleting “Downtown”

 

 

n  The removal of the leaf node containing “Downtown” did not result in its parent having too little pointers.  So the cascaded deletions stopped with the deleted leaf node’s parent.

Examples of B+-Tree Deletion (Cont.)

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 


Deletion of “Perryridge” from result of previous example

 

 

n  Node with “Perryridge” becomes underfull (actually empty, in this special case) and merged with its sibling.

n  As a result “Perryridge” node’s parent became underfull, and was merged with its sibling (and an entry was deleted from their parent)

n  Root node then had only one child, and was deleted and its child became the new root node

Example of B+-tree Deletion (Cont.)

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 


Before and after deletion of “Perryridge” from earlier example

 

 

n  Parent  of leaf containing Perryridge became underfull, and borrowed a pointer from its left sibling

n  Search-key value in the parent’s parent changes as a result

 

 

B+-Tree File Organization

 

n Index file degradation problem is solved by using B+-Tree indices.  Data file degradation problem is solved by using B+-Tree File Organization.

n The leaf nodes in a B+-tree file organization store records, instead of pointers.

n Since records are larger than pointers, the maximum number of records that can be stored in a leaf node is less than the number of pointers in a nonleaf node.

n Leaf nodes are still required to be half full.

n Insertion and deletion are handled in the same way as insertion and deletion of entries in a B+-tree index.

 

B+-Tree File Organization (Cont.)

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 


Example of B+-tree File Organization

 

 

 

n  Good space utilization important since records use more space than pointers. 

n  To improve space utilization, involve more sibling nodes in redistribution during splits and merges

Ø Involving 2 siblings in redistribution (to avoid split / merge where possible) results in each node having at least              entries

 

B-Tree Index Files

 

nSimilar to B+-tree, but B-tree allows search-key values to appear only once; eliminates redundant storage of search keys.

nSearch keys in nonleaf nodes appear nowhere else in the B-tree; an additional pointer field for each search key in a nonleaf node must be included.

nGeneralized B-tree leaf node


 

 

 

 

 

 

 

 

 

 

 

 

n Nonleaf node – pointers Bi are the bucket or file record pointers.

B-Tree Index File Example

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 


B-tree (above) and B+-tree (below) on same data

 

 

 

 

 

 

 

 

 

 

 

 


n Advantages of B-Tree indices:

Ø May use less tree nodes than a corresponding B+-Tree.

Ø Sometimes possible to find search-key value before reaching leaf node.

n Disadvantages of B-Tree indices:

Ø Only small fraction of all search-key values are found early

Ø Non-leaf nodes are larger, so fan-out is reduced.  Thus B-Trees typically have greater depth than corresponding
B+-Tree

Ø Insertion and deletion more complicated than in B+-Trees

Ø Implementation is harder than B+-Trees.

n Typically, advantages of B-Trees do not out weigh disadvantages.

 

Static Hashing

 

n A bucket is a unit of storage containing one or more records (a bucket is typically a disk block).

n In a hash file organization we obtain the bucket of a record directly from its search-key value using a hash function.

n Hash function h is a function from the set of all search-key values K to the set of all bucket addresses B.

n Hash function is used to locate records for access, insertion as well as deletion.

n Records with different search-key values may be mapped to the same bucket; thus entire bucket has to be searched sequentially to locate a record.

 

Example of Hash File Organization (Cont.)

Hash file organization of account file, using branch-name as key
(See figure in next slide.)

 

 

n There are 10 buckets,

n The binary representation of the ith character is assumed to be the integer i.

n The hash function returns the sum of the binary representations of the characters modulo 10

Ø E.g. h(Perryridge) = 5    h(Round Hill) = 3   h(Brighton) = 3

 

Example of Hash File Organization

Hash file organization of account file, using branch-name as key
                           (see previous slide for details).

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 


Hash Functions

 

n Worst has function maps all search-key values to the same bucket; this makes access time proportional to the number of search-key values in the file.

n An ideal hash function is uniform, i.e., each bucket is assigned the same number of search-key values from the set of all possible values.

n Ideal hash function is random, so each bucket will have the same number of records assigned to it irrespective of the actual distribution of search-key values in the file.

n Typical hash functions perform computation on the internal binary representation of the search-key.

Ø  For example, for a string search-key, the binary representations of all the characters in the string could be added and the sum modulo the number of buckets could be returned. .

 

Handling of Bucket Overflows

 

n Bucket overflow can occur because of

Ø Insufficient buckets

Ø Skew in distribution of records.  This can occur due to two reasons:

ê multiple records have same search-key value

ê chosen hash function produces non-uniform distribution of key values

n Although the probability of bucket overflow can be reduced, it cannot be eliminated; it is handled by using overflow buckets.

 

n Overflow chaining – the overflow buckets of a given bucket are chained together in a linked list.

n Above scheme is called closed hashing

Ø An alternative, called open hashing, which does not use overflow buckets,  is not suitable for database applications.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 


Hash Indices

 

n Hashing can be used not only for file organization, but also for index-structure creation. 

n A hash index organizes the search keys, with their associated record pointers, into a hash file structure.

n Strictly speaking, hash indices are always secondary indices

Ø if the file itself is organized using hashing, a separate primary hash index on it using the same search-key is unnecessary. 

Ø However, we use the term hash index to refer to both secondary index structures and hash organized files.

 

 

 

 

 

 

 

 

 

 

Example of Hash Index

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 


Deficiencies of Static Hashing

 

n In static hashing, function h maps search-key values to a fixed set of B of bucket addresses.

Ø Databases grow with time.  If initial number of buckets is too small, performance will degrade due to too much overflows.

Ø If file size at some point in the future is anticipated and number of buckets allocated accordingly, significant amount of space will be wasted initially.

Ø If database shrinks, again space will be wasted.

Ø One option is periodic re-organization of the file with a new hash function, but it is very expensive.

n These problems can be avoided by using techniques that allow the number of buckets to be modified dynamically.

 

Dynamic Hashing

 

n Good for database that grows and shrinks in size

n Allows the hash function to be modified dynamically

n Extendable hashing – one form of dynamic hashing

Ø Hash function generates values over a large range — typically b-bit integers, with b = 32.

Ø At any time use only a prefix of the hash function to index into a table of bucket addresses.  

Ø Let the length of the prefix be i bits,  0 £ i £ 32. 

Ø Bucket address table size = 2i.  Initially i = 0

Ø Value of i grows and shrinks as the size of the database grows and shrinks.

Ø Multiple entries in the bucket address table may point to a bucket.

Ø Thus, actual number of buckets is < 2i

ê The number of buckets also changes dynamically due to coalescing and splitting of buckets.

 

General Extendable Hash Structure

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 


In this structure, i2 = i3 = i, whereas i1 = i – 1 (see next slide for details)

 

 

Use of Extendable Hash Structure

 

n Each bucket j stores a value ij; all the entries that point to the same bucket have the same values on the first ij bits.

n To locate the bucket containing search-key Kj:

1.  Compute h(Kj) = X

2.  Use the first i high order bits of X as a displacement into bucket address table, and follow the pointer to appropriate bucket

n To insert a record with search-key value Kj

Ø follow same procedure as look-up and locate the bucket, say j

Ø If there is room in the bucket j insert record in the bucket. 

Ø Else the bucket must be split and insertion re-attempted (next slide.)

ê Overflow buckets used instead in some cases (will see shortly)

         

Updates in Extendable Hash Structure

 

To split a bucket j when inserting record with search-key value Kj:

 

n If i > ij (more than one pointer to bucket j)

Ø allocate a new bucket z, and set ij and iz to the old ij -+ 1.

Ø make the second half of the bucket address table entries pointing to j to point to z

Ø remove and reinsert each record in bucket j.

Ø recompute new bucket for Kj and insert record in the bucket (further splitting is required if the bucket is still full)

n If i = ij (only one pointer to bucket j)

Ø increment i and double the size of the bucket address table.

Ø replace each entry in the table by two entries that point to the same bucket.

Ø recompute new bucket address table entry for Kj
Now i > ij  so use the first case above.  

 

n When inserting a value, if the bucket is full after several splits (that is, i reaches some limit b) create an overflow bucket instead of splitting bucket entry table further.

n To delete a key value,

Ø locate it in its bucket and remove it.

Ø The bucket itself can be removed if it becomes empty (with appropriate updates to the bucket address table).

Ø Coalescing of buckets can be done (can coalesce only with a “buddy” bucket having same value of ij and same ij –1 prefix, if it is present)

Ø Decreasing bucket address table size is also possible

ê Note: decreasing bucket address table size is an expensive operation and should be done only if number of buckets becomes much smaller than the size of the table

 

Use of Extendable Hash Structure:  Example

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 


Initial Hash structure, bucket size = 2

 

 

 

n Hash structure after  insertion of one Brighton and two Downtown records

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 


Example (Cont.)

 

 


Hash structure after insertion of Mianus record

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Example (Cont.)

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 


Hash structure after insertion of  three Perryridge records

 

Example (Cont.)

n Hash structure after insertion of Redwood and Round Hill records

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 


Extendable Hashing vs. Other Schemes

 

n Benefits of extendable hashing: 

Ø Hash performance does not degrade with growth of file

Ø Minimal space overhead

n Disadvantages of extendable hashing

Ø Extra level of indirection to find desired record

Ø Bucket address table may itself become very big (larger than memory)

ê Need a tree structure to locate desired record in the structure!

Ø Changing size of bucket address table is an expensive operation

n Linear hashing is an alternative mechanism which avoids these disadvantages at the possible cost of more bucket overflows

 

Comparison of Ordered Indexing and Hashing

 

n Cost of periodic re-organization

n Relative frequency of insertions and deletions

n Is it desirable to optimize average access time at the expense of worst-case access time?

n Expected type of queries:

Ø Hashing is generally better at retrieving records having a specified value of the key.

Ø If range queries are common, ordered indices are to be preferred

 

Index Definition in SQL

 

n Create an index

     create index <index-name> or <relation-name>
                     <attribute-list>)

E.g.:  create index  b-index on branch(branch-name)

n Use create unique index to indirectly specify and enforce the condition that the search key is a candidate key is a candidate key.

Ø Not really required if SQL unique integrity constraint is supported

n To drop an index

              drop index <index-name>

 

Multiple-Key Access

 

n Use multiple indices for certain types of queries.

n Example:

select account-number

from account

where branch-name = “Perryridge” and  balance - 1000

n Possible strategies for processing query using indices on single attributes:

1.  Use index on branch-name to find accounts with balances of $1000; test branch-name = “Perryridge”.

2.  Use index on balance to find accounts with balances of $1000; test branch-name = “Perryridge”.

3.     Use branch-name index to find pointers to all records pertaining to the Perryridge branch.  Similarly use index on balance.  Take intersection of both sets of pointers obtained.

 

Indices on Multiple Attributes

 

Suppose we have an index on combined search-key

                                             (branch-name, balance).

 

 

 

n With the where clause
where branch-name = “Perryridge” and balance = 1000
the index on the combined search-key will fetch only records that satisfy both conditions.
Using separate indices in less efficient — we may fetch many records (or pointers) that satisfy only one of the conditions.

n Can also efficiently handle
where branch-name - “Perryridge” and balance < 1000

n But cannot efficiently handle
where branch-name < “Perryridge” and balance = 1000
May fetch many records that satisfy the first but not the second condition.

 

Grid Files

 

n Structure used to speed the processing of general multiple search-key queries involving one or more comparison operators.

n The grid file has a single grid array and one linear scale for each search-key attribute.  The grid array has number of dimensions equal to number of search-key attributes.

n Multiple cells of grid array can point to same bucket

n To find the bucket for a search-key value, locate the row and column of its cell using the linear scales and follow pointer

Example Grid File for account

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 


Queries on a Grid File

 

n A grid file on two attributes A and B can handle queries of all following forms with reasonable efficiency

Ø (a1 £ A £ a2)

Ø (b1 £ B £ b2)

Ø (a1 £ A £ a2  Ù  b1 £ B £ b2),.

n E.g., to answer (a1 £ A £ a2  Ù  b1 £ B £ b2), use linear scales to find corresponding candidate grid array cells, and look up all the buckets pointed to from those cells.

 

n During insertion, if a bucket becomes full, new bucket can be created if more than one cell points to it.

Ø Idea similar to extendable hashing, but on multiple dimensions

Ø  If only one cell points to it, either an overflow bucket must be created or the grid size must be increased

n Linear scales must be chosen to uniformly distribute records across cells.

Ø  Otherwise there will be too many overflow buckets.

n Periodic re-organization to increase grid size will help.

Ø But reorganization can be very expensive.

n Space overhead of grid array can be high.

n R-trees (Chapter 23) are an alternative

 

Bitmap Indices

 

n Bitmap indices are a special type of index designed for efficient querying on multiple keys

n Records in a relation are assumed to be numbered sequentially from, say, 0

Ø Given a number n it must be easy to retrieve record n

ê Particularly easy if records are of fixed size

n Applicable on attributes that take on a relatively small number of distinct values

Ø E.g. gender, country, state, …

Ø E.g. income-level (income broken up into a small number of  levels such as 0-9999, 10000-19999, 20000-50000, 50000- infinity)

n A bitmap is simply an array of bits

 

n In its simplest form a bitmap index on an attribute has a bitmap for each value of the attribute

Ø Bitmap has as many bits as records

Ø In a bitmap for value v, the bit for a record is 1 if the record has the value v for the attribute, and is 0 otherwise

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 


n  Bitmap indices are useful for queries on multiple attributes

Ø not particularly useful for single attribute queries

n  Queries are answered using bitmap operations

Ø Intersection (and)

Ø Union (or)

Ø Complementation (not)

n  Each operation takes two bitmaps of the same size and applies the operation on corresponding bits to get the result bitmap

Ø E.g.   100110  AND 110011 = 100010

               100110  OR  110011 = 110111
                       NOT 100110  = 011001

Ø Males with income level L1:   10010 AND 10100 = 10000

ê Can then retrieve required tuples.

ê Counting number of matching tuples is even faster

 

n Bitmap indices generally very small compared with relation size

Ø E.g. if record is 100 bytes, space for a single bitmap is 1/800 of space used by relation. 

ê If number of distinct attribute values is 8, bitmap is only 1% of relation size

n Deletion needs to be handled properly

Ø Existence bitmap to note if there is a valid record at a record location

Ø Needed for complementation

ê not(A=v):      (NOT bitmap-A-v) AND ExistenceBitmap

n Should keep bitmaps for all values, even null value

Ø To correctly handle SQL null semantics for  NOT(A=v):

ê  intersect above result with  (NOT bitmap-A-Null)

 

Efficient Implementation of Bitmap Operations

 

n Bitmaps are packed into words;  a single word and (a basic CPU instruction) computes and of 32 or 64 bits at once

Ø E.g. 1-million-bit maps can be anded with just 31,250 instruction

n Counting number of 1s can be done fast by a trick:

Ø Use each byte to index into a precomputed array of 256 elements each storing the count of 1s in the binary representation

ê Can use pairs of bytes to speed up further at a higher memory cost

Ø Add up the retrieved counts

n Bitmaps can be used instead of Tuple-ID lists at leaf levels of
B
+-trees, for values that have a large number of matching records

Ø Worthwhile if > 1/64 of the records have that value, assuming a tuple-id is 64 bits

Ø Above technique merges benefits of bitmap and B+-tree indices

 

 

 

 

 

 

 

End of Chapter