В.А. Фролов1
1 МГТУ им. Н.Э. Баумана (Москва, Россия)
1 vladimir.frolov.99@mail.ru

Постановка проблемы. Отсутствие стандартизированного формата для хранения и передачи многомерных данных в OLAP-системах затрудняет обмен данными между различными аналитическими платформами. Проприетарные решения, используемые различными системами, приводят к необходимости разработки индивидуальных адаптеров, увеличивая затраты и снижая гибкость инфраструктуры.

Цель. Разработать компактную модель хранения многомерных кубов, обеспечивающую совместимость и упрощение интеграции данных между аналитическими системами.

Результаты. Предложена модель для хранения многомерных данных, где измерения и факты хранятся в отдельных таблицах, а метаданные структурируют и описывают модель данных. Также разработан API с двумя основными функциональными группами.

Практическая значимость. Разработанная модель хранения многомерных данных и API может быть использована в аналитических системах различного масштаба, при этом снижаются затраты на разработку и поддержку специализированных адаптеров. Упрощение работы с многомерными кубами способствует более эффективной аналитике и открывает возможности для стандартизации хранения многомерных данных.

Фролов В.А. Разработка компактного представления многомерных кубов // Нейрокомпьютеры: разработка, применение. 2026. Т. 28. № 3. С. 10–14. DOI: https://doi.org/10.18127/j19998554-202603-02

1. Fan J., Han F., Liu H. Challenges of Big Data analysis // National Science Review. 2014. V. 1. № 2. P. 293–299. DOI 10.1093/nsr/nwt032.
2. Nanda N., Gupta S., Vijrania M. A Comprehensive Survey of OLAP: Recent Trends // Proceedings of the Third International Conference on Electronics Communication and Aerospace Technology. ICECA 2019. IEEE, 2019. P. 425–427. DOI 10.1109/ICECA.2019.8822203.
3. Cuzzocrea A. Data warehousing and OLAP over Big Data: a survey of the state-of-the-art, open problems and future challenges // International Journal Business Process Integration and Management. 2015. V. 7. № 4. P. 372–374. DOI 10.1504/IJBPIM.2015.073665.
4. Dehdouh K, Bentayeb F., Boussaid O., Kabachi N. Towards an OLAP Environment for Column-Oriented Data Warehouses. Data Warehousing and Knowledge Discovery. DaWaK 2014. Lecture Notes in Computer Science. 2014. V. 8646. P. 221–226. Springer, Cham. DOI 10.1007/978-3-319-10160-6_20.
5. Vohra D. Apache Parquet // Practical Hadoop Ecosystem. Berkeley, CA: Apress. 2016. P. 325–328. DOI 10.1007/978-1-4842-2199-0_8.
6. Saha D. Disruptor in Data Engineering – Comprehensive Review of Apache Iceberg. SSRN preprint. № 4987315. 23 Oct 2024.
   P. 5–11. DOI 10.2139/ssrn.4987315.
7. Ron C. L’Esteve Delta Lake // The Deinitive Guide to Azure Data Engineering. 2021. P. 293–295. DOI 10.1007/978-1-4842-7182-7_15.
8. Masudul Ahsan S.M., Azharul Hasan K.M. An implementation scheme for multidimensional extendable array operations and its evaluation // Informatics Engineering and Information Science. ICIEIS 2011. Communications in Computer and Information
   Science. V. 253. P. 136–150. Springer, Berlin, Heidelberg, 2011. DOI 10.1007/978-3-642-25462-8_12.
9. Mansmann S., Ur Rehman N., Weiler A.H., Scholl M. Discovering OLAP dimensions in semi-structured data // Information Systems. 2014. V. 44. P. 120–133. DOI 10.1016/j.is.2013.09.002.
10. Tennick A. Practical MDX Queries: For Microsoft SQL Server Analysis Services 2008. McGraw-Hill Education Group. 2010. P. 5–25.
11. Piasevoli T., Li S. MDX with Microsoft SQL Server 2016 Analysis Services Cookbook. 3rd ed. Packt Publishing, 2016. P. 401–440.