حذف افزونگی و وابستگی با واسطه: فرم‌های نرمال پایگاه داده چگونه از خطاهای به‌روزرسانی جلوگیری می‌کنند

بسیاری از توسعه‌دهندگان تازه‌کار، اولین پایگاه‌های داده خود را به شکل جداول مسطح و عظیم می‌سازند، با این تصور که نگهداری تمام اطلاعات مرتبط در یک مکان، کوئری گرفتن را آسان‌تر می‌کند. اما همان‌طور که ادگار اف. کاد، ریاضیدان شرکت IBM در سال ۱۹۷۰ نشان داد، این ساختار مسطح چیزی را ایجاد می‌کند که او آن را «وابستگی‌های نامطلوب» نامید؛ وابستگی‌هایی که با تغییر رکوردها، ناگزیر به خرابی داده‌ها منجر می‌شوند. راه‌حل این مشکل، نرمال‌سازی پایگاه داده است؛ یک فرآیند دقیق برای تقسیم داده‌ها به جداول مرتبط تا افزونگی حذف شده و از خطاهای به‌روزرسانی جلوگیری شود. یادگیری نحوه اعمال سه فرم نرمال اول، حیاتی‌ترین گام در طراحی یک پایگاه داده رابطه‌ای است که بدون از هم پاشیدن، مقیاس‌پذیر باشد.[1][6]

مشکل اصلی که نرمال‌سازی حل می‌کند، خطای داده است؛ زمانی که ساختار پایگاه داده سیستم را مجبور به کپی کردن اطلاعات می‌کند. اگر آدرس یک مشتری در تک‌تک سفارش‌های او ثبت شود، به‌روزرسانی آن آدرس نیازمند این است که سیستم شاید ۵۰ یا ۱۰۰ سطر تاریخی را تغییر دهد. اگر حتی یک سطر در طول به‌روزرسانی جا بماند، پایگاه داده اکنون حاوی حقایق متناقضی درباره محل زندگی مشتری است. این مشکل به عنوان خطای به‌روزرسانی شناخته می‌شود و با غیرممکن ساختن تشخیص رکورد صحیح، یکپارچگی داده‌ها را از بین می‌برد.[1][3]

افزونگی همچنین باعث ایجاد خطاهای درج و حذف می‌شود. خطای درج زمانی رخ می‌دهد که سیستم نتواند یک واقعیت را ثبت کند تا زمانی که واقعیت نامرتبط دیگری مشخص شود. برای مثال، اگر یک جدول اطلاعات دانشجو و دوره را با هم ذخیره کند، پایگاه داده نمی‌تواند دوره جدیدی را اضافه کند مگر اینکه حداقل یک دانشجو در آن ثبت‌نام کند. در مقابل، خطای حذف زمانی اتفاق می‌افتد که پاک کردن یک بخش از داده‌ها، به‌طور ناخواسته بخش دیگری را نیز پاک کند. اگر آخرین دانشجو از یک دوره انصراف دهد، کل سابقه وجود آن دوره از پایگاه داده محو می‌شود.[3][4]

برای جلوگیری از این خرابی‌ها، مدیران پایگاه داده مجموعه‌ای از قوانین پیش‌رونده به نام فرم‌های نرمال را اعمال می‌کنند. این فرآیند با فرم نرمال اول آغاز می‌شود که ایجاب می‌کند هر ستون در یک جدول دارای یک مقدار تجزیه‌ناپذیر (اتمیک) باشد. یک سلول واحد نمی‌تواند شامل لیستی از سه شماره تلفن یا چند آدرس ایمیل باشد که با کاما جدا شده‌اند. علاوه بر این، فرم نرمال اول الزامی می‌کند که هر سطر باید توسط یک کلید اصلی به‌طور یکتا قابل شناسایی باشد تا هیچ دو رکوردی کاملاً یکسان نباشند. همان‌طور که ویکی‌پدیا اشاره می‌کند، هدف کاد از فرم نرمال اول این بود که اجازه دهد داده‌ها با استفاده از یک زیرزبان داده جهانی مبتنی بر منطق مرتبه اول دستکاری شوند.[4][5]

زمانی که یک جدول شرایط فرم نرمال اول را برآورده کرد، گام بعدی فرم نرمال دوم است که به وابستگی‌های جزئی می‌پردازد. این قانون به‌طور خاص برای جداولی با کلیدهای اصلی ترکیبی (کلیدهایی که از دو یا چند ستون تشکیل شده‌اند) اعمال می‌شود. در فرم نرمال دوم، هر ویژگی غیرکلیدی باید به کل کلید ترکیبی وابسته باشد، نه فقط به بخشی از آن. اگر جدولی نمرات دانشجو را با استفاده از ترکیبی از شناسه ۹ رقمی دانشجو و شناسه ۵ کاراکتری دوره ردیابی کند، ذخیره نام دوره در همان جدول ناقض فرم نرمال دوم است، زیرا نام دوره فقط به شناسه دوره بستگی دارد. راه‌حل این است که جزئیات دوره به یک جدول جداگانه منتقل شود.[3][4]

پرکاربردترین استاندارد هدف برای برنامه‌های تجاری، فرم نرمال سوم است که وابستگی‌های با واسطه را حذف می‌کند. وابستگی با واسطه زمانی رخ می‌دهد که یک ستون غیرکلیدی به جای وابستگی مستقیم به کلید اصلی، به یک ستون غیرکلیدی دیگر وابسته باشد. به عنوان مثال، اگر جدول کارمندان شامل شناسه کارمند، شناسه بخش و نام بخش باشد، نام بخش از طریق شناسه بخش به‌طور با واسطه به شناسه کارمند وابسته است.[2][3]

مستندات Teradata Vantage خاطرنشان می‌کند که باقی گذاشتن وابستگی‌های با واسطه، پایگاه داده را مجبور می‌کند نام بخش را برای هر کارمند در آن بخش به‌طور تکراری ذخیره کند. برای دستیابی به فرم نرمال سوم، طراح باید شناسه بخش و نام بخش را استخراج کرده و در یک جدول اختصاصی دو ستونی قرار دهد و تنها شناسه بخش را به عنوان یک کلید خارجی در جدول کارمندان باقی بگذارد. این کار تضمین می‌کند که اگر نام بخش تغییر کند، این تغییر دقیقاً در یک مکان انجام شده و بلافاصله ارتباط را برای هزاران کارمند به‌روزرسانی می‌کند.[2]

اگرچه سطوح بالاتری از نرمال‌سازی مانند فرم نرمال بویس-کاد، فرم نرمال چهارم و فرم نرمال پنجم وجود دارند، اما آن‌ها به موارد پیچیده و خاصی می‌پردازند که شامل وابستگی‌های چندمقداری و پیوندی هستند. برای اکثریت قریب به اتفاق پایگاه‌های داده عملیاتی، رسیدن به فرم نرمال سوم تعادل بهینه‌ای بین یکپارچگی داده‌ها و عملکرد کوئری‌ها فراهم می‌کند. سوق دادن یک پایگاه داده به فرم نرمال پنجم اغلب به پیوندهای جدولی بسیار زیادی نیاز دارد (گاهی ۱۰ یا ۱۵ پیوند برای یک کوئری) که سرعت خواندن را به‌شدت کاهش می‌دهد و مدیران را وادار می‌کند تا برای بازیابی عملکرد، برخی جداول گزارش‌گیری را عمداً از حالت نرمال خارج کنند.[1][2][5]