Tietokantojen normalisointi – määritelmä, normaalimuodot ja hyödyt

Tietokantojen normalisointi selitetty käytännössä: määritelmä, normaalimuodot (1.–3.) ja konkreettiset hyödyt virheiden vähentämiseen ja suorituskyvyn parantamiseen.

Tietokantojen normalisointi on lähestymistapa tietokantojen suunnitteluun, jonka Edgar F. Codd esitteli 1970-luvulla. Tietyt tietokannat, niin sanotut relaatiotietokannat, mahdollistavat tietojen tallentamisen erillisiin ryhmiin. Kutakin ryhmää kutsutaan yleisesti tauluksi. Hyödyllisen tiedon tuottamiseksi nämä ryhmät liitetään toisiinsa. Esimerkiksi oppilaat voidaan tallentaa yhteen ryhmään ja luokat toiseen ryhmään. Jotta voidaan osoittaa, että opiskelija on kirjoilla jollakin luokalla, luodaan "suhde" yhdestä ryhmästä toiseen. Opiskelijalla voi olla suhde moniin luokkiin, joista jokaiseen hän on kirjoilla, kun taas luokalla on suhde moniin opiskelijoihin. Normalisointi auttaa mallintamaan nämä relaatiot siten, että tiedot ovat selkeitä, yksiselitteisiä ja helposti ylläpidettäviä.

Perinteinen vaihtoehto on "tasotiedostotietokanta", jossa kaikki tiedot on ryhmitelty yhteen kuten taulukkolaskentaohjelmassa. Tasotiedostotietokantojen ongelmana on se, että niissä voi olla paljon tyhjiä kohtia ja että jokaisessa tietueessa on toistettava paljon tietoja. Tämä tarkoittaa, että tietokanta on suurempi kuin sen pitäisi olla, ja se lisää todennäköisyyttä, että tietokanta sisältää virheitä. Relaatiotietokannat jakavat tiedot ryhmiin, mikä vähentää virheiden mahdollisuutta, eivätkä ne vie enempää tilaa kuin on tarpeen. Jotta tietokanta toimisi, se on kuitenkin suunniteltava hyvin.

Miksi normalisoida?

Normalisoinnin tavoitteena on vähentää tietojen päällekkäisyyttä ja estää niin kutsutut anomaliat, jotka voivat ilmetä muutostilanteissa. Yleisimmät ongelmat, joita normalisointi pyrkii ehkäisemään, ovat:

• Update-anomalia: sama tieto täytyy päivittää useassa paikassa, jolloin päivitykset jäävät helposti vajaiksi.
• Insert-anomalia: uuden tietueen lisääminen voi vaatia olemassa olevan tiedon liittämistä, vaikka sitä ei vielä olisi.
• Delete-anomalia: tietueen poistaminen voi johtaa siihen, että tärkeää tietoa katoaa peruuttamattomasti.

Mitä normaalimuodot tarkoittavat?

Tietokannan normalisointi etenee vaiheittain normaalimuotojen (normaalimuodot, normal forms) kautta. Codd määritteli alun perin kolme perusmuotoa: ensimmäinen, toinen ja kolmas normaalimuoto. Myöhemmin on määritelty lisämuotoja kuten Boyce–Codd-normalimuoto (BCNF), neljäs (4NF) ja viides normaalimuoto (5NF), joita käytetään erityistapauksissa.

Ensimmäinen normaalimuoto (1NF)

1NF edellyttää, että jokainen taulun kenttä sisältää atomista (jakamattoman) arvoa ja että sarakkeissa ei ole moniarvoisia tai toistuvia ryhmiä. Käytännössä tämä tarkoittaa, ettei saman sarakkeen sisällä ole listoja tai taulukoita — jokaisella rivillä tulee olla yksi arvo kutakin saraketta kohti.

Toinen normaalimuoto (2NF)

2NF rakentuu 1NF:n päälle ja vaatii, että kaikki ei-avainsarakkeet (atribuutit) riippuvat täydellisesti koko taulun avaimesta (primary key). Tämä sääntö on erityisesti relevantti silloin, kun avain on yhdistelmä (composite key). Toisin sanoen ei saa olla osittaista riippuvuutta siten, että osa yhdistelmäavaimesta määrittää jonkin ei-avainarvon.

Kolmas normaalimuoto (3NF)

3NF edellyttää 2NF:n lisäksi, että ei-avainsarakkeet eivät riipu toisistaan (ei transitiivisia riippuvuuksia). Tämä tarkoittaa, että sarakkeen arvo ei saa olla johdettavissa toisesta ei-avainarvosta; kaikki ei-avainsarakkeet tulee riippua suoraan vain pääavaimesta.

Boyce–Codd-normalimuoto (BCNF) ja pidemmät normaalimuodot

BCNF on tiukempi versio 3NF:stä: jokaisen funktionaalisen riippuvuuden tulee olla avain-riippuvuus. Joissain rakenteissa 3NF ei poista kaikkia ongelmia, jolloin BCNF on suositeltava. Neljäs ja viides normaalimuoto käsittelevät moniarvoisia riippuvuuksia ja monimutkaisempia yhdistelyvaatimuksia; niitä käytetään harvoin arkisuunnittelussa mutta tietyissä erikoistapauksissa ne ovat hyödyllisiä.

Avainkäsitteet: funktionaalinen riippuvuus ja avaimet

Normalisoinnin ymmärtämiseksi on hyödyllistä tuntea seuraavat termit:

• Primary key (pääavain): yksilöi jokaisen rivin taulussa.
• Candidate key (ehdokasavain): mahdollinen pääavain, jos useita on olemassa.
• Foreign key (vierasavain): viittaa toisen taulun pääavaimeen ja toteuttaa relaation taulujen välillä.
• Funktionaalinen riippuvuus: arvo A funktioisesti määrää arvon B, eli saman A-arvon kohdalla B on aina sama.

Esimerkki (yksinkertaistettu)

Ajatellaan alkuperäistä taulua, joka sisältää sarakkeet: OpiskelijaID, Nimi, LuokkaID, LuokanNimi. Tässä taulussa LuokanNimi toistuu monesti samaa LuokkaID:tä varten (redundanssi) ja LuokanNimi on riippuvainen LuokkaID:stä, ei suoraan OpiskelijaID:stä — tämä on transitiivinen riippuvuus. Normalisoimalla jaetaan tiedot kahteen tauluun: Opiskelijat(OpiskelijaID, Nimi, LuokkaID) ja Luokat(LuokkaID, LuokanNimi). Näin LuokanNimi tallennetaan vain kerran, ja ylläpitovirheet vähenevät.

Hyödyt ja haitat

Normalisoinnilla on useita selkeitä hyötyjä:

• Vähemmän tietojen toistoa ja pienempi tallennustilan tarve.
• Parempi tiedon eheys ja johdonmukaisuus — muutokset tehdään yhteen paikkaan.
• Selkeä rakenne, joka helpottaa ylläpitoa ja jatkokehitystä.

Haittapuolia ovat:

• Monimutkaisemmat kyselyt voivat vaatia useita JOIN-operaatioita, mikä voi heikentää suorituskykyä erityisesti suurissa analytiikkakyselyissä.
• Joissain tapauksissa suunnittelu voi olla liian hienojakoista ja vaikeuttaa tiettyjen raporttien tai optimointien tekemistä.

Käytännön vinkkejä

• Usein hyvä lähtökohta OLTP-järjestelmissä on normalisoida vähintään 3NF- tai BCNF-tasolle ja lisätä indeksejä suorituskyvyn parantamiseksi.
• Denormalisointi (tietoisesti tuoda redundanssia) voi olla perusteltua, jos suorituskykyvaatimukset sitä edellyttävät — tee se kuitenkin harkiten ja mittausten perusteella.
• Erilaiset käyttötapaukset: OLTP (transactional) hyötyy normalisoinnista; OLAP- ja raportointijärjestelmissä usein käytetään tähtimallia tai denormalisoitua mallia nopeiden kyselyiden vuoksi.
• Hyvä dokumentaatio ja selkeät vierasavaimet helpottavat ylläpitoa ja estävät virheitä.

Yhteenvetona: normalisointi on keskeinen työkalu relaatiotietokannan suunnittelussa. Se vähentää redundanssia, parantaa eheyttä ja tekee ylläpidosta turvallisempaa. Samalla suunnittelijan on punnittava normalisoinnin tuomia etuja ja suorituskykyvaikutuksia käytännön tarpeiden mukaan.

Kysymyksiä ja vastauksia

K: Mitä on tietokannan normalisointi?

K: Mikä on litteä tietokanta?

K: Miten relaatiotietokannat vähentävät virheiden mahdollisuutta?

K: Mitä ovat normaalimuodot?

K: Mitä haittoja on siitä, että tietyt normaalimuotojen kriteerit täyttyvät?

Hae kirjaimella