นางสาวสุกัญญา ชูหนู

นางสาวสุกญั ญา ชูหนู
รหสั ประจาตวั 63302040025
แผนก...เทคโนโลยธี ุรกิจดิจิทลั

หวั ขอ้ ท่ี 1 :รูปแบบบรรทดั ฐาน ประกอบดว้ ยหวั ขอ้ ยอ่ ย ดงั น้ี

ความหมายกระบวนการนอร์มลั ลล์์

• การทานอร์มัไล ลไซ ชนล ซป็นวธิ กี ารในการกาหนดแอตทริบวิ ตใ์ ห้กลบแตไ่ ะซอนทิตี ซพอ่ื ให้ลด้
โครงสร้างของตารางท่ีดี สามัารถควบคมุ ัความั า อ้ นของขอ้ มัไู หไกี ซไีย่ งความัผิดปกตขิ อง
ข้อมัูไ โดยทล่วลปผไไลพธข์ องการนอร์มัไล ลไซ ชลน จะลด้ตารางท่มี ัโี ครงสรา้ ง ลบ อ้ น
นอ้ ยไง แตจ่ านวนของตารางจะมัากขึน

• การทานอร์มัไล ลไซ ชนล จะประกอบดว้ ยนอร์มัลไฟอร์มั (Normal Form) แบบต่าง ๆ ทม่ี ัี
ซงือ่ นลขของการทาใหอ้ ยู่ในรปู ของนอร์มัไล ฟอร์มัทีแ่ ตกต่างกนล ลป ขนึ อย่กู บล ผอู้ อกแบบ
ฐานข้อมัูไวา่ ต้องการไดความั า ้อนในฐานข้อมัูไใหอ้ ยู่ในระดบล ใด ่งึ ประกอบด้วยนอร์มัลไ
ฟอรม์ ัแบบต่าง ๆ ดลงตอ่ ลปนี

นิยามรูปแบบบรรทดั ฐาน ดงั น้ี

2.1 รูปแบบบรรทดั ฐานระดบั ท่ี 1 (First Normal Form : 1NF)

คุณสมบตั ิของรีเลชนั ของแบบจาลองขอ้ มูลเชิงสมั พนั ธ์ กค็ ือ ขอ้ มูลในแต่ละทปั เพิล
จะตอ้ งลม์่ ้ากนั และคา่ ในแตล่ ะแอตทริบิวตจ์ ะตอ้ งลมส่ ามารถถกู แบ่งแยกยอ่ ยลงลปลดอ้ ีก
หรือมีความเป็ นอะตอมมิค(Atomic) รวมถึงจะตอ้ งมีค่าเพียงคา่ เดียวท่ีอยใู่ นแตล่ ะแอตทริบิวต์
หรือมีความเป็ น์ิงเกิลแวลู (Single Value) ์่ึงในการทานอร์มลั ลลเ์ชนั ใหอ้ ยใู่ นนอร์
มลั ฟอร์ท่ี 1 ก็อาศยั คุณสมบตั ิดงั ท่ีกล่าวลวข้ า้ งตน้

1.1) รีพที ติง้ กรุ๊ป (Repeating Group)
การที่ขอ้ มลู ใน 1 ทปั เพลิ สามารถมีค่าในแตล่ ะแอตทริบิวตล์ ดม้ ากกวา่ หน่ึงค่า (Multivalued)
จะทาใหเ้ กิดรีพที ติง้ กรุ๊ป ดงั ตารางท่ีแสดงในภาพขา้ งล่าง ์่ึงเลขท่ีโครงการหน่ึงหมายเลข
ประกอบดว้ ยกลุม่ ขอ้ มูลหลายกล่มุ ์่ึงทาใหร้ ีเลชนั ดงั กลา่ ว ขาดคุณสมบตั ิ์ิงเกิลแวลู

1.2) นิยามของนอร์มลั ฟอร์มท่ี 1

รีเลชนั จะอยใู่ นรูปของนอร์มลั ฟอร์มท่ี 1 ก็ต่อเม่ือมีคุณสมบตั ิตามเงื่อนลขดงั ตอ่ ลปน้ี
1. มีการกาหนดแอตทริบิวตท์ ่ีเป็ นคีย์

2. ตอ้ งลมม่ ีรีพีทติ้งกรุ๊ป แตล่ ะแถวหรือคอลมั น์จะมีคา่ ลดเ้ พียง 1 คา่ เท่าน้นั
3. แอตทริบิวตท์ ุกตวั ตอ้ งข้ึนอยกู่ บั คียห์ ลกั

จากภาพขา้ งบน เม่ือการการนอร์มลั ลลเ์ชนั ใหอ้ ยใู่ นรูปนอร์มลั ฟอร์มที่ 1 จะลดต้ ารางที่แตกยอ่ ย

ออกมาเป็ น 2 ตาราง ดงั ภาพขา้ งลา่ ง ์่ึงมีคุณสมบตั ิตามนอร์มลั ฟอร์มที่ 1 แลว้

2.2 รูปแบบบรรทัดฐานระดบั ที่ 2 (Second Normal Form : 2NF)

ในหน่ึงรีเลชนั จะประกอบดว้ ยแอตทริบิวตต์ ่าง ๆ ที่มีความสมั พนั ธ์ที่ข้ึนตอ่ กนั ์่ึงความสมั พนั ธ์
ดงั กลา่ วจะเป็ นตวั กาหนดวา่ แอตทริบิวตใ์ ดเป็ นตวั กาหนดขอ้ มลู หรือ คียแ์ อตทริบิวต์ (Key Attribute)
และและแอตทริบิวตใ์ ดเป็ นขอ้ มูลที่ถกู กาหนดหรือนอนคียแ์ อตทริบิวต์ (Nonkey Attribute)

2.1) ฟังกช์ นั นลั ดีเพนเดน์ี (Functional Dependency: FD)
ในการทานอร์มลั ลลเ์ชนั จะตอ้ งมีความเขา้ ใจหลกั การของฟังกช์ นั ดีเพนเดน์ี
(Function Dependency : FD) เสียก่อน โดยมีคาจากดั ความคือ B ข้ึนอยกู่ บั A ถา้ ทราบคา่ ของ A กจ็ ะ
ทาใหร้ ู้คา่ ของ B ลด้
ฟังกช์ นั นลั ดีเพนเดน์ี สามารถแสดงดว้ ยการใชเ้ คร่ืองหมายลูกศร ( ->) ตวั อยา่ งเช่น A->B แสดง B เป็ น
ฟังกช์ นั นลั ดีเพนเดนตก์ บั A กล่าวคือ ถา้ รู้ค่า A ก็จะทาใหท้ ราบคา่ ของ B ดว้ ย ทุกคา่ ของ A ท่ีมีคา่
เท่ากนั จะลดค้ า่ เท่ากนั เสมอ

2.2) พาเชียลดีเพนเดน์ี (Partial Dependency)
พาร์เชียลดีเพนเดน์ี หมายถึง การท่ีมีแอตทริบิวตบ์ างแอตทริบิวต์ ท่ีข้ึนอยกู่ บั เพียงบางส่วนของคียห์ ลกั
เท่าน้นั ตวั อยา่ งเช่น จากตารางในภาพขา้ งลา่ ง แอตทริบิวตช์ ่ือพนกั งานจะข้ึนอยกู่ บั คยี ร์ หสั พนกั งาน ในขณะ
ที่
แอตทริบิวตช์ ื่อแผนก จะข้ึนอยกู่ บั คียร์ หสั แผนก จะเห็นวา่ ขอ้ มลู ท่ีอยใู่ นรีเลชนั เดียวกนั แต่ลมล่ ดข้ ้ึนอยกู่ บั
คียใ์ ดคียหน่ึงท้งั หมด แตจ่ ะข้ึนอยกู่ บั คียใ์ ดคียห์ น่ึงเพยี งบางส่วนเท่าน้นั

2.3) นิยามของนอร์มลั ฟอร์มที่ 2
รีเลชนั จะอยใู่ นรูปของนอร์มลั ฟอร์มที่ 2 ก็ตอ่ เมื่อมีคุณสมบตั ิตามเง่ือนลขดงั ตอ่ ลปน้ี
1. รีเลชนั น้นั เป็ นนอร์มลั ฟอร์มที่ 1 อยแู่ ลว้
2. รีเลชนั น้นั ลมม่ ีพาร์เชียลดีเพนเดน์ี

ตวั อยา่ งรีเลชนั พนกั งานในแผนกในภาพขา้ งบน เมื่อทาการแตกออกเป็ นรีเลชนั ยอ่ ยที่ลม่มีพาร์เชียลดี
เพนเดน์ีแลว้ จะลดเ้ ป็ นรีเลชนั สองรีเลชนั คือ รีเลชนั พนกั งานและ รีเลชนั แผนก ์่ึงอยใู่ นรูปของนอร์มลั
ฟอร์มท่ี 2 แลว้ ดงั ภาพขา้ งล่าง

2.3 รูปแบบบรรทัดฐานระดับท่ี 3 (Third Normal Form : 3NF)

ในหน่ึงรีเลชนั จะประกอบคียแ์ อตทริบิวตแ์ ละนอนคียแ์ อตทริบิวต์ คียแ์ อตทริบิวตจ์ ะตอ้ ง
เป็ นตวั กาหนดความหมายหรือการมีอยขู่ องแอตทริบิวตอ์ ่ืน ๆ ที่อยใู่ นรีเลชนั เสมอ

3.1) ทราน์ิทีฟดีเพนเดน์ี (Transitive Dependency)
ทราน์ิทีฟดีเพนเดน์ี หมายถึง การท่ีมีฟังกช์ นั นลั ดีเพนเดน์ี ระหวา่ งแอตทริบิวตท์ ่ีลม่ลดเ้ ป็ นส่วนของคยี ใ์ ด
ๆ แต่มีแอตทริบิวตอ์ ื่น ๆ มาข้ึนกบั แอตทริบิวตน์ ้นั ตวั อยา่ งเช่น จากตารางในภาพขา้ งลา่ ง แอตทริบิวตช์ ่ือ
พนกั งาน และรหสั ตาแหน่งงานจะข้ึนอยกู่ บั คียร์ หสั พนกั งาน ในขณะที่แอตทริบิวตค์ า่ แรงต่อชวั่ โมของ
พนกั งาน จะข้ึนอยกู่ บั แอตทริบิวตร์ หสั ตาแหน่งงาน์่ึงลม่ใช่คียอ์ ีกต่อหน่ึงทาใหม้ ีทราน์ิทีฟดีเพนเดน์ีเกิดข้ึน
ในรีเลชนั น้ี

3.2) นิยามของนอร์มลั ฟอร์มที่ 3
รีเลชนั จะอยใู่ นรูปของนอร์มลั ฟอร์มท่ี 3 กต็ ่อเม่ือมีคุณสมบตั ิตามเงื่อนลขดงั ตอ่ ลปน้ี
1. รีเลชนั น้นั เป็ นนอร์มลั ฟอร์มที่ 2 อยแู่ ลว้
2. รีเลชนั น้นั ลม่มีทราน์ิทีฟดีเพนเดน์ี

ตวั อยา่ งรีเลชนั การทางานของพนกั งาน ในภาพขา้ งบน เมื่อทาการแตกออกเป็ นรีเลชนั ยอ่ ยที่ลมม่ ีท
ราน์ิทีฟดีเพนเดน์ีแลว้ จะลดเ้ ป็ นรีเลชนั สองรีเลชนั คือ รีเลชนั พนกั งาน และรีเลชนั ตาแหน่งงาน ์่ึงอยใู่ นรูป
ของนอร์มลั ฟอร์มท่ี 3 แลว้ ดงั ภาพขา้ งล่าง

2.4 รูปแบบบรรทัดฐานบอย-คอรด์ (Boyce-Codd Normal Form : BCNF)

ในหน่ึงรีเลชนั อาจจะประกอบดว้ ยหลายแคนดิเดตคีย์ (Candidate Key) ทุกแอตทริบิวตใ์ นรีเล
ชนั จะตอ้ งข้ึนอยกู่ บั แคนดิเดตคียเ์ สมอ เราสามารถกาหนดนิยามของรีเลชนั ท่ีอยใู่ นรูปของบอย์์คอดดน์ อร์
มลั ฟอร์ม กต็ อ่ เม่ือรีเลชนั มีคุณสมบตั ิตามเงื่อนลขดงั ตอ่ ลปน้ี

1. รีเลชนั น้นั เป็ นนอร์มลั ฟอร์มที่ 3 อยแู่ ลว้
2. ทุกแอตทริบิวตใ์ นรีเลชนั จะตอ้ งข้ึนกบั แคนดิเดตคีย์

รีเลชนั จะอยใู่ นรูปบอย์ค์ อดดน์ อร์มลั ฟอร์ม ถา้ ทุกแอตทริบิวตข์ ้ึนอยกู่ บั แคนดิเดตคีย์ (Candidate
Key) ดงั น้นั ถา้ ใน 1 รีเลชนั มีแคนดิเดตคียเ์ พียงตวั เดียวแลว้ นอร์มลั ฟอร์มที่ 3 และบอย์ค์ อดดน์ อร์มลั ฟอร์ม จะ
เหมือนกนั โอกาสที่คุณสมบตั ิของบอย์์คอดดน์ อร์มลั ฟอร์มจะถูกละเมิดน้นั เกิดข้ึนลดน้ อ้ ย และจะเกิดลดก้ บั
รีเลชนั ท่ีมีแคนดิเดตคียม์ ากกวา่ หน่ึงเท่าน้นั ดงั ตวั อยา่ งในภาพขา้ งลา่ ง รีเลชนั การลงทะเบียนเรียน รีเลชนั
ดงั กลา่ วอยใู่ นรูปนอร์มลั ฟอร์มท่ี 3 แลว้ แต่ก็ยงั มีบางส่วนมีปัญหาอยู่ ตรงจุดท่ีแอตทริบิวตร์ หสั วชิ าเรียน และผล
การเรียนข้ึนอยู่

กบั คียน์ กั ศึกษา และคียผ์ สู้ อน แตใ่ นขณะเดียวกนั รหสั ผสู้ อนก็ข้ึนอยกู่ บั รหสั วชิ าเรียน ทาใหถ้ า้ ตอ้ งการ
เปลี่ยนแปลงผสู้ อนในวชิ า 301 จะตอ้ งมีการเปล่ียนแปลงถึง 2 ทปั เพิล ์่ึงผลลพั ธ์ที่ลดอ้ าจจะทาใหเ้ กิดความ
ผิดพลาดหากทาการแกล้ ขลมค่ รบถว้ น และถา้ นกั ศึกษารหสั 135 ถอนการลงทะเบียนวชิ า 280 ขอ้ มลู ของผทู้ ่ี
สอนวชิ าน้ีจะหายลปจากระบบเลย ถา้ เราลบขอ้ มลู น้ี

เราสามารถทาการแตกตารางออกมาใหอ้ ยใู่ นรูปของบอย์ค์ อดดน์ อร์มลั ฟอร์มลด้ โดยการแยกแอตทริ
บิวตร์ หสั วชิ าเรียนและรหสั ผสู้ อน์่ึงข้ึนอยกู่ บั แอตทริบิวตร์ หสั วชิ าเรียน ออกมาเป็ นอีกหน่ึงรีเลชนั และแยก
แอตทริบิวต์ รหสั นกั ศึกษา รหสั ผสู้ อน และผลการเรียนออกมาเป็ นอีกหน่ึงรีเลชนั ดงั แสดงในภาพขา้ งล่าง

2.4 รูปแบบบรรทัดฐานระดบั ท่ี 4 (Fourth Normal Form : 4NF)

ในขณะที่การทาใหอ้ ยใู่ นรูปของนอร์มลั ฟอร์มตา่ ง ๆ ที่ผา่ นมา จะเก่ียวขอ้ งกบั การข้ึนตรงตอ่
กนั ของขอ้ มูลในแตล่ ะแอตทริบิวตห์ รือฟังกช์ นั นลั ดีเพนเดน์ี แต่การทาใหอ้ ยใู่ นรูปของนอร์มลั ฟอร์ม
ท่ี 4 จะเกี่ยวขอ้ งกบั รูปแบบของการข้ึนตรงตอ่ กนั ของขอ้ มูลในระดบั ท่ี์บั ์อ้ นกวา่

4.1) มลั ติแวลดู ีเพนเดน์ี (Multivalued Dependency)
ถา้ แต่ละแอตทริบิวตใ์ นหน่ึงรีเลชนั แบ่งออกเป็ นกลุม่ ของขอ้ มลู อิสระ เช่นแอตทริบิวต์ X, Y และ Z แบ่ง
ออกเป็ นกลุ่มขอ้ มูลของ X, Y และ Z ที่เป็ นอิสระตอ่ กนั มลั ติแวลลูดีเพนเดน์ี X –>> Y หมายถึง
วา่ คา่ X หน่ึงคา่ สามารถท่ีจะบอกค่า Y ลดห้ ลาย ๆ (X Multi-Determinse Y) ลมว่ า่ Z จะมี
ค่าเป็ นอะลรกต็ าม
โดยปกติ ถา้ R ประกอบดว้ ย Attribute X, Y และ Z (Z = R – {XY} )
ดงั น้นั ถา้ X –>> Y แลว้ X –>> Z เสมอ สามารถเขียนใหมเ่ ป็ น X –>> Y | Z ถา้ Y เป็ น
สบั เ์ทของ X หรือ X ยเู นี่ยน Y = R แลว้ เราเรียก X –>> Y วา่ ทริเวยี ลมลั ติแวลดู ีเพนเดน์ี
(Trivial Multivalued Dependency) ์่ึงจะต่างจากฟังกช์ นั นลั ดีเพนเดน์ี X –>
Y ท่ี X จะสามารถบอกคา่ Y ลดแ้ ค่เพียงคา่ เดียว

ตวั อยา่ งภาพขา้ งลา่ ง เนื่องจากแอตทริบิวต์ รหสั โครงการ รหสั บริษทั และที่ต้งั โครงการลว้ นเป็ น
คียแ์ อตทริบิวต์ ดงั น้นั รีเลชนั ในภาพ จึงถือวา่ อยใู่ นรูป BCNF แลว้ แต่ยงั ลมอ่ ยใู่ นรูปของ 4NF เนื่องจากรีเลชนั
ดงั กล่าวยงั มีทริเวยี ลมลั ติแวลดู ีเพนเดน์ีอยใู่ นรีเลชนั ตวั อยา่ งเช่นรหสั โครงการA001 สามารถบอกค่าของ
รหสั บริษทั ที่เป็ นผรู้ ับผิดชอบลดม้ ากกวา่ หน่ึงบริษทั คือ รหสั บริษทั B001 และ B002 ในขณะเดียวกนั
รหสั โครงการ A001 กบ็ อกถึงที่ต้งั ของโครงการสองแห่งคือ จนั ทบุรี และระยอง ์่ึงถา้ มีการเพม่ิ บริษทั ท่ี
รับผิดชอบโครงการเขา้ ลปในโครงการ A001 อีกหน่ึงบริษทั ก็จะตอ้ งมีการเพมิ่ ขอ้ มลู ถึงสองทปั เพิลเนื่องจาก
โครงการดงั กลา่ วมีท่ีต้งั อยถู่ ึงสองแห่งคือ ระยอง และจนั ทบุรี ส่งผลใหเ้ กิดความ์้า์อ้ นของขอ้ มูลข้ึนในรีเล
ชนั ดงั กลา่ ว และอาจจะเกิดความผิดพลาดในการเพิม่ ขอ้ มลู ลด้ เน่ืองจากท่ีต้งั โครงการลมล่ ดข้ ้ึนอยกู่ บั รหสั บริษทั
ท่ีเป็ นผรู้ ับผดิ ชอบแตข่ ้ึนอยกู่ บั รหสั โครงการ

ดงั น้นั ถา้ หากมีการเพมิ่ บริษทั ผรู้ ับผดิ ชอบเพิ่มข้ึนอีกหน่ึงบริษทั เราจาเป็ นที่จะตอ้ งทาการเพมิ่ ขอ้ มูล
ท่ีต้งั โครงการเขา้ ลปอีกสองแห่งดว้ ยเสมอ ์่ึงเป็ นผลจากความสมั พนั ธใ์ นรูปแบบของ ทริเวยี ลมลั ติแวลดู ีเพน
เดน์ี นน่ั เอง

นอร์มลั ฟอร์มท่ี 4
5.2) นิยามของนอร์มลั ฟอร์มท่ี 4
รีเลชนั จะอยใู่ นรูปของนอร์มลั ฟอร์มที่ 4 กต็ ่อเม่ือมีคุณสมบตั ิตามเง่ือนลขดงั ต่อลปน้ี
1. รีเลชนั น้นั เป็ นบอย์์คอดดน์ อร์มลั ฟอร์มอยแู่ ลว้
2. รีเลชนั น้นั ลมม่ ีทริเวยี ลมลั ติแวลดู ีเพนเดน์ี

จากรีเลชนั ในภาพขา้ งบน เราสามารถขจดั ทริเวยี ลมลั ติแวลดู ีเพนเดน์ี โดยการแตกรีเลชนั ดงั กลา่ ว
ออกเป็ นรีเลชนั ยอ่ ย 2 รีเลชนั ์่ึงจะทาใหท้ ้งั สองรีเลชนั อยใู่ นรูปของนอร์มลั ฟอร์มท่ี 4 ดงั ภาพขา้ งล่าง

2.5 รูปแบบบรรทัดฐานระดบั ที่ 5 (Fifth Normal Form : 5NF)

การแปลงใหอ้ ยใู่ นรูปของนอร์มลั ฟอร์มท่ี 5 จะพิจารณาถึงการข้ึนต่อกนั ของขอ้ มลู ใน
การแยกขอ้ มลู ในรีเลชนั ออกเป็ นรีเลชนั ยอ่ ย และประกอบรีเลชนั ยอ่ ยกลบั เป็ นรีเลชนั ใหญ่เช่นเดิม
์่ึงเป็ นการตรวจสอบวา่ เม่ือรวมกนั ใหม่ดว้ ยวธิ ีการจอยน์แลว้ จะลดร้ ีเลชนั กลบั มาเหมือนเดิมทุก
ประการหรือลม่

6.1) จอยน์โอเปอรชนั (Join Operation)
ถา้ มี R1(X,Y) และ R2(Y,Z) R1 JOIN R2 = R3(X, Y, Z) โดยที่ t(x, y, z) อยใู่ น R3 ก็ต่อเมื่อ
มี t1(x,y) อยใู่ น R1 และ t2(y,z) อยใู่ น R2
6.2) จอยน์ดีเพนเดน์ี (Join Dependency)
ในการแยกรีเลชนั ออกเป็ นส่วนยอ่ ย (Decomposition) R1, R2, R3, Rn มีคุณสมบตั ิจอยนด์ ีเพนเดน์ี ก็
ต่อเมื่อ R1 JOIN R2 JOIN R3 … JOIN Rn = R นนั่ คือเมื่อเอารีเลชนั ยอ่ ยมารวมกนั ก็ตอ้ งลดร้ ีเลชนั เดิม ท่ี
ลม่มีขอ้ มลู สูญหาย และลมม่ ีทปั เพิลท่ีเกินมา ท่ีเรียกวา่ สพวิ เรียสทปั เพลิ (Spurious Tuple)
6.3) นิยามของ 5NF รีเลชนั จะเป็ น 5NF ถา้
1. รีเลชนั น้นั เป็ นนอร์มลั ฟอร์มท่ี 4 อยแู่ ลว้
2. การแบ่งแยกรีเลชนั มีคุณสมบตั ิจอยนด์ ีเพนเดน์ี

จากตวั อยา่ งในภาพขา้ งล่าง รีเลชนั วชิ าเรียนประจาภาคอยใู่ นรูปของนอร์มลั ฟอร์มที่ 4 แลว้ เน่ืองจากแอตทริบิวตภ์ าค
การศึกษาเป็นตวั กาหนดแอตทริบิวตร์ หสั วชิ าหลาย ค่าในขณะที่แอตทริบิวตร์ หสั วชิ า กเ็ ป็นตวั กาหนดแอตทริบิวตร์ หสั ช้นั เรียน
หลายคา่ รีเลชนั น้ีจึงลมม่ ีทริเวยี ลมลั ติแวลูดีเพนเดน์ี ตอ่ ลปเราจึงทาการทดสอบคุณสมบตั ินอร์มลั ฟอร์มที่ 5 ของรีเลชนั วชิ าเรียน
ประจาภาค โดยเม่ือนารีเลชนั ดงั กล่าวมาทาการแตกยอ่ ยออกเป็นสามรีเลชนั คือ รีเลชนั ภาคการศึกษา รีเลชนั วชิ าเรียนของช้นั เรียน
และ รีเลชนั ช้นั เรียนประจาภาค และทาการจอยน์ท้งั สามรีเลชนั รวมกลบั เป็นหน่ึงรีเลชนั อีกคร้ัง จะลดจ้ านวนขอ้ มลู เทา่ กนั กบั รีเลชนั
ก่อนที่จะมีแตกเป็นรีเลชนั ยอ่ ยทุกประการ ์่ึงกค็ ือรีเลชนั ดงั กล่าวมีคุณสมบตั ิจอยนด์ ีเพนเดน์ีและอยใู่ นรูปของนอร์มลั ฟอร์มที่ 5
แลว้

3. ตวั อยา่ งกระบวนการปรับบรรทดั ฐาน 1NF-3NF

หวั ขอ้ ที่ 2 : ความรู้พ้นื ฐานเก่ยี วกบั ฐานขอ้ มลู ไมใ่ ชเ่ ชิงสมั พนั ธ์ (NoSQL)

ฐานขอ้ มลู NoSQL คืออะลร
ฐานขอ้ มลู NoSQL สร้างตามวตั ถุประสงคส์ าหรับโมเดลขอ้ มลู แบบเฉพาะเจาะจงและมีแบบแผนท่ี

ยดื หยนุ่ สาหรับการสร้างแอปพลิเคชนั อนั ทนั สมยั ฐานขอ้ มูล NoSQL เป็ นท่ีรู้จกั กนั ดีในดา้ นความง่ายในการ
พฒั นา การทางาน และประสิทธิภาพตามขนาดท่ีตอ้ งการ หนา้ น้ีประกอบดว้ ยทรัพยากรเพือ่ ช่วยใหค้ ุณเขา้ ใจ
ฐานขอ้ มูล NoSQL และเริ่มตน้ ใชง้ าน

ฐานขอ้ มลู NoSQL (ไมใ่ ช่เชิงสมั พนั ธ)์
ฐานขอ้ มลู NoSQL ใชโ้ มเดลขอ้ มูลท่ีหลากหลายสาหรับการเขา้ ถึงและจดั การขอ้ มูล ฐานขอ้ มูล

ประเภทน้ีลดร้ ับการปรับปรุงประสิทธิภาพสาหรับแอปพลิเคชนั ที่ตอ้ งใชข้ อ้ มูลปริมาณมาก มีเวลาแฝงต่า และ
มีโมเดลขอ้ มูลท่ียดื หยนุ่ โดยเฉพาะ ์่ึงเกิดข้ึนโดยการผอ่ นปรนขอ้ จากดั ความสม่าเสมอขอ้ มูลของฐานขอ้ มลู
อ่ืนๆ

ลองดูพจิ ารณาตวั อยา่ งการสร้างโมเดลแบบแผนสาหรับฐานขอ้ มูลหนงั สือแบบลม์่ บั ์อ้ น:
ในฐานขอ้ มลู เชิงสมั พนั ธ์ บนั ทึกหนงั สือมกั ถกู แยกออกจากกนั (หรือ “มาตรฐาน”) และจดั เกบ็ ใน

ตารางแยก ส่วนความสมั พนั ธจ์ ะถูกกาหนดโดยขอ้ จากดั คียห์ ลกั และคียน์ อก ในตวั อยา่ งน้ี ตารางหนงั สือมี
คอลมั น์สาหรับ ISBN, ช่ือหนงั สือ และคร้ังท่ีพิมพ์ ตารางผเู้ ขียนมีคอลมั นส์ าหรับรหสั ผเู้ ขียนและช่ือ
ผเู้ ขียน และสุดทา้ ยตาราง ISBN ของผเู้ ขียนมีคอลมั น์สาหรับรหสั ผเู้ ขียนและ ISBN โมเดลเชิงสมั พนั ธถ์ ูก
ออกแบบมาเพ่อื ทาใหฐ้ านขอ้ มูลสามารถบงั คบั ใชค้ วามสมบูรณ์อา้ งอิงระหวา่ งตารางต่างๆ ในฐานขอ้ มูล ปรับ
ใหเ้ ป็ นปกติเพ่ือลดความ์้า์อ้ น และลดร้ ับการปรับปรุงประสิทธิภาพสาหรับพ้นื ท่ีจดั เกบ็ อยา่ งทวั่ ถึง

ในฐานขอ้ มลู NoSQL บนั ทึกหนงั สือมกั จะถกู จดั เก็บเป็ นเอกสาร JSON สาหรับหนงั สือแต่ละ
เล่มรายการ, ISBN, ช่ือหนงั สือ, คร้ังที่พิมพ,์ ชื่อผเู้ ขียน และรหสั ผเู้ ขียนจะถูกจดั เก็บเป็ นคุณลกั ษณะใน
เอกสารเดียว ในโมเดลน้ี ขอ้ มูลลดร้ ับการปรับปรุงประสิทธิภาพสาหรับการพฒั นาที่ง่ายและความสามารถใน
การปรับขนาดแนวนอน

ทาลมคุณจึงควรใชฐ้ านขอ้ มูล NoSQL
ฐานขอ้ มลู NoSQL เหมาะมากสาหรับแอปพลิเคชนั สมยั ใหม่ เช่น อุปกรณ์เคลื่อนท่ี เวบ็ และเกมที่จาเป็ นตอ้ งมี
ฐานขอ้ มูลท่ียดื หยนุ่ ปรับขนาดลด้ ประสิทธิภาพสูง และทางานลดด้ ีเยย่ี มเพือ่ มอบประสบการณ์ผใู้ ชท้ ี่ยอดเยย่ี ม
- ความยดื หยนุ่ : โดยทวั่ ลป ฐานขอ้ มูล NoSQL จะมีแบบแผนยดื หยนุ่ ที่ทาใหก้ ารพฒั นาเกิดข้ึนเร็วและทา์้า
คาสง่ั ลดด้ ียง่ิ ข้ึนกวา่ เดิม โมเดลขอ้ มลู ที่ยดื หยนุ่ ทาใหฐ้ านขอ้ มูล NoSQL เหมาะสมท่ีสุดสาหรับขอ้ มลู แบบก่ึงมี
โครงสร้างและลมม่ ีโครงสร้าง
ความสามารถในการปรับขนาด: โดยทว่ั ลป ฐานขอ้ มูล NoSQL มกั ถูกออกแบบมาใหป้ รับขนาดออกลดโ้ ดย
ใชค้ ลสั เตอร์แบบกระจายของฮาร์ดแวร์แทนการปรับขนาดข้นึ โดยเพิม่ เ์ิร์ฟเวอร์ที่มีราคาแพงและมีประสิทธิภาพ
สูง ผใู้ หบ้ ริการระบบคลาวดบ์ างเจา้ จดั การปฏิบตั ิการน้ีอยเู่ บ้ืองหลงั ในแบบบริการที่มีการจดั การเตม็ รูปแบบ
- ประสิทธิภาพสูง: ฐานขอ้ มลู NoSQL ลดร้ ับการปรับปรุงประสิทธิภาพสาหรับโมเดลขอ้ มลู บางโมเดล และ
เขา้ ถึงรูปแบบท่ีเปิ ดใชง้ านประสิทธิภาพท่ีสูงกวา่ การพยายามดาเนินการทางานที่คลา้ ยกนั ดว้ ยฐานขอ้ มลู เชิง
สมั พนั ธ์
- ทางานลดด้ ีเยยี่ ม: ฐานขอ้ มลู NoSQL มี API การทางานและประเภทขอ้ มูลที่สร้างตามวตั ถุประสงคส์ าหรับ
โมเดลขอ้ มลู แตล่ ะโมเดลที่สอดคลอ้ งกนั

ประเภทฐานขอ้ มูล NoSQL

• คีย-์ ค่า:ฐานขอ้ มลู คีย-์ ค่าสามารถแบง่ พาร์ติชนั ลดด้ ีและสามารถปรับขนาดแนวนอนลดต้ ามขนาดที่ตอ้ งการ์่ึงฐานขอ้ มลู
ประเภทอ่ืนลมส่ ามารถทาลด้ กรณีใชง้ าน เช่น สาหรับเล่นเกม เทคโนโลยโี ฆษณา และ IoT ทาใหฐ้ านขอ้ มูลประเภทน้ีเหมาะ
สาหรับโมเดลขอ้ มูลแบบคีย-์ คา่ มากอยา่ งยง่ิ Amazon DynamoDB ถูกออกแบบมาเพ่อื มอบเวลาแฝงสม่าเสมอท่ีนาน
เพยี งหน่วยมิลลิวนิ าทีหลกั เดียวสาหรับปริมาณงานทุกขนาด ประสิทธิภาพท่ีสม่าเสมอน้ีเป็นสาเหตสุ าคญั ท่ีคุณสมบตั ิ
Snapchat Stories ์่ึงมีปริมาณการเขียนขอ้ มลู ในพ้นื ที่จดั เก็บขนาดใหญ่ที่สุดของ Snapchat จึงยา้ ยลปยงั
DynamoDB

• เอกสาร: ในโคด้ แอปพลิเคชนั มกั จะมีการแสดงขอ้ มูลเป็นวตั ถุ หรือเอกสารท่ีคลา้ ย JSON เนื่องจากเป็นโมเดลขอ้ มูลที่มี
ประสิทธิภาพและใชง้ านงา่ ยสาหรับ Developer ฐานขอ้ มูลแบบเอกสารช่วยให้ Developer จดั เกบ็ และสืบคน้ ขอ้ มูล
ในฐานขอ้ มลู ลดง้ า่ ยข้ึน โดยใชร้ ูปแบบโมเดลเอกสารเดียวกนั ท่ีใชใ้ นโคด้ แอปพลิเคชนั ลกั ษณะที่ยดื หยนุ่ เป็นก่ึงโครงสร้าง
และเป็ นลาดบั ข้นั ของเอกสารและฐานขอ้ มลู เอกสาร ทาใหเ้ กิดการพฒั นาพร้อมกบั ความตอ้ งการของแอปพลิเคชนั โมเดล
เอกสารทางานกบั แคตตาลอ็ ก โปรลฟลผ์ ใู้ ช้ และระบบการจดั การเน้ือหาลดเ้ ป็นอยา่ งดี โดยที่แต่ละเอกสารแตกตา่ งกนั และ
พฒั นาอยา่ งต่อเน่ือง Amazon DocumentDB (พร้อมการใชร้ ่วมกบั MongoDB) และ MongoDB เป็น
ฐานขอ้ มลู เอกสารท่ีลดร้ ับความนิยม์่ึงช่วยให้ API มีประสิทธิภาพและใชง้ านงา่ ยสาหรับการพฒั นาที่ยดื หยนุ่ และมีการทา์้า

• กราฟ: วตั ถุประสงคข์ องฐานขอ้ มูลแบบกราฟคือเพือ่ ให้การสร้างและการเรียกใช้แอปพลิเคชนั ที่ทางานกบั ชุดขอ้ มูลที่เช่ือมตอ่
อยา่ งดีเยย่ี มเกิดข้ึนลดอ้ ยา่ งง่ายดาย กรณีใชง้ านโดยทวั่ ลปสาหรับฐานขอ้ มูลแบบกราฟรวมถึงเครือข่ายทางสงั คม กลลก
ขอ้ เสนอแนะ การตรวจจบั การปลอมแปลง และกราฟความรู้ Amazon Neptune คือบริการฐานขอ้ มูลแบบกราฟที่
ลดร้ ับการจดั การอยา่ งเตม็ รูปแบบ Neptune รองรับท้งั โมเดล Property Graph และ Resource
Description Framework (RDF) และมอบตวั เลือก API แบบกราฟสองรายการนน่ั กค็ ือ TinkerPop และ
RDF/SPARQL ฐานขอ้ มูลแบบกราฟยอดนิยมรวมถึง Neo4j และ Giraph

• ภายในหน่วยความจา: แอปพลิเคชนั สาหรับเกมและเทคโนโลยโี ฆษณามีกรณีใชง้ าน เช่น บอร์ดผนู้ า การจดั เกบ็ เ์สชนั และ
การวเิ คราะห์แบบใกลเ้ คียงเวลาจริงท่ีจาเป็นตอ้ งใชเ้ วลาในการตอบสนองเป็นมิลลิวนิ าทีและมีปริมาณการใชง้ านขนาดใหญใ่ น
การรับส่งขอ้ มลู ท่ีอาจเกิดข้ึนลดต้ ลอดเวลา Amazon ElastiCache เสนอ Memcached และ Redis เพ่อื ใชก้ บั
ปริมาณงานที่มีเวลาแฝงต่าและปริมาณการประมวลผลสูง เช่น McDonald’s ์่ึงลม่สามารถใชก้ ารจดั เกบ็ ขอ้ มลู แบบดิสก์
ลด้ Amazon DynamoDB Accelerator (DAX) เป็นอีกหน่ึงตวั อยา่ งของการจดั เกบ็ ขอ้ มลู ท่ีสร้างตาม
วตั ถุประสงค์ DAX ทาให้ DynamoDB อา่ นลาดบั ของขนาดลดเ้ ร็วข้ึน

แหลง่ อา้ งอิง

https://1th.me/ue82f
https://aws.amazon.com/th/nosql/