ต้นไม้ B กับต้นไม้ B + แตกต่างกันอย่างไร

ในขต้นไม้คุณสามารถจัดเก็บทั้งกุญแจและข้อมูลในโหนดภายในและใบแต่ในต้นไม้ B +คุณมีการจัดเก็บข้อมูลในที่โหนดใบเท่านั้น

มีข้อได้เปรียบอะไรบ้างจากการทำข้างต้นในต้นไม้ b +?

ทำไมไม่ใช้ b-trees แทน b + trees ทุกที่เพราะพวกเขาดูเหมือนว่าเร็วขึ้น?

ฉันหมายความว่าทำไมคุณต้องทำซ้ำคีย์ (data) ในต้นไม้ b +

ภาพด้านล่างช่วยแสดงความแตกต่างระหว่างต้นไม้ B + และต้นไม้ B

ข้อดีของต้นไม้ B +:

• เนื่องจากต้นไม้ B + ไม่มีข้อมูลที่เชื่อมโยงกับโหนดภายในปุ่มจึงสามารถมีปุ่มได้มากขึ้นบนหน้าหน่วยความจำ ดังนั้นจึงต้องใช้แคชที่น้อยลงเพื่อเข้าถึงข้อมูลที่อยู่ในโหนดลีฟ
• โหนดใบไม้ของต้นไม้ B + นั้นเชื่อมโยงกันดังนั้นการสแกนวัตถุทั้งหมดในต้นไม้อย่างสมบูรณ์จึงต้องผ่านเชิงเส้นเดียวผ่านโหนดใบไม้ทั้งหมด ในทางกลับกันต้นไม้ AB นั้นจะต้องมีการแวะผ่านทุกระดับในต้นไม้ การข้ามผ่านต้นไม้เต็มรูปแบบนี้มีแนวโน้มที่จะมีการคิดถึงแคชมากกว่าการข้ามผ่านเชิงเส้นของ B + ทิ้ง

ข้อได้เปรียบของต้นไม้ B:

• เนื่องจากทรี B มีข้อมูลพร้อมกับแต่ละคีย์โหนดที่เข้าถึงบ่อยจึงสามารถอยู่ใกล้กับรูทได้มากขึ้นและสามารถเข้าถึงได้รวดเร็ว

ข้อได้เปรียบที่สำคัญของต้นไม้ B + เหนือต้นไม้ B คือช่วยให้คุณสามารถบรรจุพอยน์เตอร์ไปยังโหนดอื่นได้มากขึ้นโดยการลบพอยน์เตอร์ไปยังข้อมูลซึ่งจะเป็นการเพิ่ม fanout และลดความลึกของต้นไม้

ข้อเสียคือไม่มีลึกหนาบางต้นเมื่อคุณอาจพบการแข่งขันในโหนดภายใน แต่เนื่องจากโครงสร้างข้อมูลทั้งคู่มี fanouts ขนาดใหญ่การจับคู่ส่วนใหญ่ของคุณจะอยู่บนโหนดใบไม้ต่อไปทำให้ค่าเฉลี่ยของต้นไม้ B + มีประสิทธิภาพมากขึ้น

B + Trees นั้นง่ายกว่าและมีประสิทธิภาพสูงกว่าในการสแกนแบบเต็มเช่นเดียวกับการดูข้อมูลทุกชิ้นที่ดัชนีต้นไม้เนื่องจากโหนดเทอร์มินัลสร้างรายการที่เชื่อมโยง ในการทำการสแกนแบบเต็มด้วย B-Tree คุณจะต้องทำการสำรวจแบบเต็มเพื่อหาข้อมูลทั้งหมด

ในทางกลับกัน B-Trees นั้นสามารถทำงานได้เร็วขึ้นเมื่อคุณทำการค้นหา (มองหาชิ้นส่วนของข้อมูลโดยใช้กุญแจ) โดยเฉพาะอย่างยิ่งเมื่อ Tree นั้นอยู่ใน RAM หรือที่เก็บข้อมูลอื่นที่ไม่ใช่บล็อก เนื่องจากคุณสามารถยกระดับโหนดที่ใช้กันทั่วไปในทรีได้จึงจำเป็นต้องทำการเปรียบเทียบข้อมูลน้อยลงเพื่อรับข้อมูล

1. ในคีย์การค้นหาต้นไม้ B และข้อมูลจะถูกเก็บไว้ในโหนดภายในหรือโหนดใบไม้ แต่ใน B + -tree data จะถูกเก็บไว้ใน leaf nodes เท่านั้น
2. การสแกนแบบเต็มของต้นไม้ B + นั้นง่ายมากเพราะข้อมูลทั้งหมดถูกค้นพบในโหนดใบไม้ การสแกนแบบเต็มของทรี B ต้องใช้การแวะผ่าน
3. ในทรี B ข้อมูลอาจพบได้ในโหนดใบไม้หรือโหนดภายใน การลบโหนดภายในนั้นซับซ้อนมาก ในต้นไม้ B + ข้อมูลจะพบได้ในโหนดใบไม้ การลบโหนดใบไม้นั้นง่าย
4. การแทรกในทรี B นั้นซับซ้อนกว่าทรี B +
5. B + trees จัดเก็บคีย์ค้นหาที่ซ้ำซ้อน แต่ทรี B ไม่มีค่าซ้ำซ้อน
6. ในต้นไม้ B + ข้อมูลใบโหนดจะถูกจัดเรียงเป็นรายการเชื่อมโยงตามลำดับ แต่ในต้นไม้ B โหนดใบไม่สามารถจัดเก็บได้โดยใช้รายการที่เชื่อมโยง การใช้งานระบบฐานข้อมูลจำนวนมากต้องการความเรียบง่ายเชิงโครงสร้างของต้นไม้ B +

ตัวอย่างจากแนวคิดระบบฐานข้อมูลที่ 5

B + -tree

B-tree ที่สอดคล้องกัน

กำหนด "เร็วกว่ามาก" Asymptotically พวกเขาเกี่ยวกับเดียวกัน ความแตกต่างอยู่ที่วิธีการใช้งานของที่เก็บข้อมูลสำรอง บทความ Wikipedia บนB-treesและB + treesดูน่าเชื่อถือ

Adegoke A, Amit

ฉันเดาว่าจุดสำคัญหนึ่งที่คุณคนหายไปคือความแตกต่างระหว่างข้อมูลและตัวชี้ตามที่อธิบายไว้ในส่วนนี้

Pointer: ตัวชี้ไปยังโหนดอื่น

ข้อมูล: - ในบริบทของดัชนีฐานข้อมูลข้อมูลเป็นเพียงตัวชี้ไปยังข้อมูลจริง (แถว) ซึ่งอยู่ในที่อื่น

ดังนั้นในกรณีที่ต้นไม้ B แต่ละโหนดมีคีย์ข้อมูลสามตัวชี้ไปยังข้อมูลที่เกี่ยวข้องกับคีย์และตัวชี้ไปยังโหนดลูก

ใน B + tree โหนดภายในเก็บคีย์และตัวชี้ไปยังโหนดชายน์ในขณะที่โหนดโหนดเก็บคีย์และตัวชี้ไปยังข้อมูลที่เกี่ยวข้อง สิ่งนี้อนุญาตให้มีจำนวนคีย์เพิ่มเติมสำหรับขนาดของโหนดที่กำหนด ขนาดของโหนดขึ้นอยู่กับขนาดบล็อกเป็นหลัก

ข้อดีของการมีคีย์ต่อโหนดอธิบายไว้ข้างต้นได้ดีดังนั้นฉันจะบันทึกความพยายามในการพิมพ์ของฉัน

B + Trees มีประโยชน์อย่างมากในการจัดเก็บแบบบล็อก (เช่นฮาร์ดดิสก์) ด้วยสิ่งนี้ในใจคุณจะได้รับประโยชน์หลายประการเช่น (จากส่วนบนของหัว):

• fanout สูง / ความลึกต่ำ: นั่นหมายความว่าคุณต้องบล็อกน้อยลงเพื่อรับข้อมูล เมื่อข้อมูลถูกรวมเข้ากับพอยน์เตอร์การอ่านแต่ละครั้งจะได้รับพอยน์เตอร์น้อยลงดังนั้นคุณจึงต้องการการค้นหามากขึ้นเพื่อเข้าถึงข้อมูล

• ที่เก็บข้อมูลบล็อกที่เรียบง่ายและสอดคล้องกัน: โหนดด้านในมีตัวชี้ N ไม่มีอะไรอีกโหนดโหนดมีข้อมูลไม่มีอะไรอื่น ที่ทำให้แยกวิเคราะห์แก้ปัญหาและสร้างใหม่ได้ง่าย

• ความหนาแน่นของคีย์สูงหมายถึงโหนดบนเกือบจะแน่นอนในแคชในหลาย ๆ กรณีโหนดภายในทั้งหมดได้รับแคชอย่างรวดเร็วดังนั้นการเข้าถึงข้อมูลจึงต้องไปที่ดิสก์

ใน B + Tree เนื่องจากมีเพียงพอยน์เตอร์จะถูกเก็บไว้ในโหนดภายในขนาดของมันจะเล็กกว่าโหนดภายในของ B tree (ซึ่งเก็บทั้ง data + key) ดังนั้นดัชนีของต้นไม้ B + สามารถดึงมาจากที่จัดเก็บข้อมูลภายนอกในการอ่านดิสก์เดียวซึ่งถูกประมวลผลเพื่อค้นหาตำแหน่งของเป้าหมาย หากเป็นทรี B ต้องมีการอ่านดิสก์สำหรับกระบวนการตัดสินใจแต่ละครั้งและทุกครั้ง หวังว่าฉันจะทำให้จุดที่ชัดเจน! :)

**

ข้อเสียเปรียบที่สำคัญของ B-Tree คือความยากของการข้ามผ่านคีย์ตามลำดับ B + Tree ยังคงคุณสมบัติการเข้าถึงแบบสุ่มอย่างรวดเร็วของ B-Tree ในขณะที่ยังอนุญาตการเข้าถึงอย่างรวดเร็วตามลำดับ

** อ้างอิง: โครงสร้างข้อมูลโดยใช้ C // ผู้แต่ง: Aaro M Tenenbaum

http://books.google.co.in/books?id=X0Cd1Pr2W0gC&pg=PA456&lpg=PA456&dq=drawback+of+B-Tree+is+the+difficulty+of+Traversing+the+keys+sequentially&source=bl&ots=pGcPQSEJMS&sig= F9MY7zEXYAMVKl_Sg4W-0LTRor8 & hl = th & SA = X & EI = nD5AUbeeH4zwrQe12oCYAQ และโดยผู้ดูแลระบบ = 0CDsQ6AEwAg # v = onepage & q = อุปสรรค% 20of% 20B ต้นไม้% 20is% 20the% 20difficulty% 20of% 20Traversing% 20the% 20keys% 20sequentially & F = false

ยกตัวอย่างหนึ่ง - คุณมีตารางที่มีข้อมูลจำนวนมากต่อแถว นั่นหมายความว่าทุกตัวอย่างของวัตถุมีขนาดใหญ่

หากคุณใช้ทรี B ที่นี่การใช้เวลาส่วนใหญ่จะสแกนหน้าเว็บที่มีข้อมูลซึ่งไม่มีประโยชน์ ในฐานข้อมูลที่เป็นสาเหตุของการใช้ B + Trees เพื่อหลีกเลี่ยงการสแกนข้อมูลวัตถุ

B + ต้นไม้แยกคีย์จากข้อมูล

แต่ถ้าขนาดข้อมูลของคุณน้อยกว่าคุณก็สามารถจัดเก็บไว้พร้อมกับกุญแจซึ่งเป็นสิ่งที่ต้นไม้ B ทำ

ความแตกต่างหลักระหว่าง B-tree และ B + tree คือ B-tree กำจัดที่เก็บข้อมูลซ้ำซ้อนของค่าคีย์การค้นหาเนื่องจากคีย์การค้นหาไม่ซ้ำใน B-tree เราอาจไม่สามารถเก็บดัชนีโดยใช้โหนดต้นไม้น้อยลง กว่าในดัชนีต้นไม้ B + ที่เกี่ยวข้องอย่างไรก็ตามเนื่องจากคีย์การค้นหาที่ปรากฏในโหนดที่ไม่ใช่ใบปรากฏขึ้นที่อื่นใน B-tree เราจึงถูกบังคับให้รวมฟิลด์ตัวชี้เพิ่มเติมสำหรับแต่ละคีย์การค้นหาในโหนดที่ไม่ใช่ใบ ข้อดีคือพื้นที่ว่างสำหรับต้นไม้ B เนื่องจากการทำซ้ำไม่เกิดขึ้นและสามารถใช้กับดัชนีขนาดใหญ่ได้

ต้นไม้ B + เป็นต้นไม้ที่มีความสมดุลซึ่งทุกเส้นทางจากรากของต้นไม้ไปยังใบไม้นั้นมีความยาวเท่ากันและโหนดที่ไม่ใช่ใบของต้นไม้แต่ละต้นจะอยู่ระหว่าง [n / 2] และ [n] ลูกโดยที่ n คือ แก้ไขสำหรับต้นไม้โดยเฉพาะ มันมีหน้าดัชนีและหน้าข้อมูล ต้นไม้ไบนารีมีสองลูกต่อโหนดแม่เท่านั้นต้นไม้ B + สามารถมีจำนวนตัวแปรของลูกสำหรับแต่ละโหนดแม่

การใช้ B + ต้นไม้ที่เป็นไปได้อย่างหนึ่งคือมันเหมาะสำหรับสถานการณ์ที่ต้นไม้มีขนาดใหญ่จนไม่เหมาะกับหน่วยความจำที่มีอยู่ ดังนั้นโดยทั่วไปคุณคาดหวังว่าจะทำหลาย I / O ของ
มันมักจะเกิดขึ้นที่ต้นไม้ B + ถูกนำมาใช้แม้ว่าในความเป็นจริงจะพอดีกับหน่วยความจำแล้วผู้จัดการแคชของคุณอาจเก็บไว้ที่นั่นอย่างถาวร แต่นี่เป็นกรณีพิเศษไม่ใช่แบบทั่วไปและนโยบายการแคชแยกจากการบำรุงรักษาต้นไม้ B + เช่นนี้

นอกจากนี้ในแผนภูมิ B + หน้าใบไม้จะถูกเชื่อมโยงเข้าด้วยกันในรายการที่เชื่อมโยง (หรือรายการที่เชื่อมโยงเป็นสองเท่า) ซึ่งเพิ่มประสิทธิภาพการสำรวจเส้นทาง (สำหรับการค้นหาช่วงการเรียงลำดับ ฯลฯ ) ดังนั้นจำนวนพอยน์เตอร์จึงเป็นฟังก์ชันของอัลกอริทึมเฉพาะที่ใช้