数据库逻辑模型特点？

一、数据库逻辑模型特点？

数据库逻辑模型的特点意思是指逻辑模型表达的是数据库的整体逻辑结构。

二、数据库的逻辑模型独立于？

它是用户所看到和使用的数据库，表示了一个或一些特定用户使用的数据集合，即逻辑记录的集合

三、关系数据库数据逻辑模型是什么？

关系数据库数据逻辑模型，是一种数学化的模型。它指数据的逻辑结构归结为满足一定条件的二维表中的元素，这种表就为关系表。一个实体由若于个关系组成，而关系表的集合就构成为关系模型。

关系模型具有数据结构简单，能直接处理各对象关系，数据修改和更新方便，容易维护和理解等优点。

对数据之间的联系不是用指针表示，而是由数据本身通过公共值隐含地予以表示。

四、关于数据库建模，概念模型，逻辑模型，物理模型的区别和转化？

数据库模式、外模式内模式三级

般建模指概念模型（E-R图式建立）

逻辑模型（般指存储表设计、关系模型建立）

物理模型（般指存储设计、索引等）

建议查下资料哦

感觉这样的提问没有什么意义哈

五、数据库设计概念模型图，逻辑模型图分别是什么？

通过数据抽象，设计系统概念模型，一般为E-R模型数据库设计一般分6个阶段：

1、需求分析：了解用户的数据需求、处理需求、安全性及完整性要求；

2、概念设计：通过数据抽象，设计系统概念模型，一般为E-R模型；

3、逻辑结构设计：设计系统的模式和外模式，对于关系模型主要是基本表和视图；

4、物理结构设计：设计数据的存储结构和存取方法，如索引的设计；

5、系统实施：组织数据入库、编制应用程序、试运行；

6、运行维护：系统投入运行，长期的维护工作。

六、概念模型逻辑模型物理模型的联系？

概念模型、逻辑模型和物理模型都是在软件开发中使用的不同层次的模型，它们之间存在联系和依赖关系。概念模型是系统的高层次抽象表示，逻辑模型是具体的系统实现方式，而物理模型是最终系统的具体实现形式。三者之间的联系是逐层递进的，概念模型指导逻辑模型的设计，逻辑模型是物理模型的实现基础，物理模型则反过来验证和修正逻辑模型和概念模型。

因此，三者之间需要保持一致性和连贯性，以确保软件系统的正确性和稳定性。

七、表达实体之间逻辑联系的e-r模型，是数据库的什么模型？

表达实体之间逻辑联系的e-r模型，是数据库的概念模型。

这应该是选择题吧，我都不想解释了。

知识点:E-R图也称实体-联系图，提供了表示实体类型、属性和联系的方法，用来描述现实世界的概念模型。

八、概念模型，逻辑模型和物理模型的区别？

概念模型、逻辑模型和物理模型是信息系统建模中常用的三种模型，它们之间的区别如下：

1. 概念模型（Conceptual Model）：概念模型是对现实世界中一种问题或情境进行抽象、概括和归纳，从而得出一些基本的概念、关系和规则。它通常用于需求分析的初期，旨在把业务规则、实体、关系等要素表达清楚，以便更好地理解业务过程。概念模型通常是一个高层次的、与技术无关的图形化表示方法，如实体-关系（ER）图。

2. 逻辑模型（Logical Model）：逻辑模型是根据概念模型而进行进一步细化和明确的、与技术相关的表示方式。逻辑模型在概括和归纳现实世界时，考虑了具体实现技术。它通常用于分析和设计阶段，并形成了数据库设计方案。逻辑模型包括数据流图、数据结构图等。

3. 物理模型（Physical Model）：物理模型是指将逻辑模型转化为实际存储在计算机上的结构化数据，即为特定DBMS所支持的具体表结构的设计，是最终的数据库实现。物理模型关注于数据存储和访问方面，包括数据类型、索引、键等实现细节。物理模型通常是一个数据库的具体编码规范，如SQL文件。

总之，概念模型、逻辑模型和物理模型都是在信息系统建模中非常重要的概念，每个阶段都有其专门的目标和关注点，并且它们之间的转换是逐步精细化和技术化的过程。这些模型可以帮助开发者更好地理解业务需求和技术实现，从而有效地设计并构建出高质量、可靠性强的系统。

九、银行如何建设企业级数据库基础逻辑数据模型？

前言:逻辑数据模型LDM是一种图形化的展现方式，一般采用面向对象的设计方法，有效组织来源多样的各种业务数据，使用统一的逻辑语言描述业务。

借助相对抽象、逻辑统一且结构稳健的结构，实现数据仓库系统所要求的数据存储目标，支持大量的分析应用，是实现业务智能的重要基础，同时也是数据管理分析的工具和交流的有效手段。 需要强调的是，数据仓库逻辑数据模型特指数据仓库系统的核心基础模型，在搭建企业级数据仓库系统时，需要充分了解和分析种前台业务处理系统和应用，在此基础上进行有效的重组和整合，为各种分析应用(如客户关系管理、风险管理等)提供单一的、整合的数据基础，保证全行不同业务部门从不同的视角都可以使用统一的数据实现各自的分析需求。

——担负这种数据重组和整合任务的数据模型称为数据仓库系统的“基础逻辑数据模型”。

基础逻辑数据模型建设好之后，银行可根据不同的分析应用需要(如客户关系管理、绩效考核、风险管理等)，根据应用产品和功能设计不同的分析应用模型，包含具体的、特定的分析逻辑，往往这种模型中都含有较多加工处理的成分。

——这种为实现特定用途而设计的数据模型称为数据仓库系统的“应用数据模型”。

因此，不夸张地说核心基础数据模型建设的成败性会影响到整个数据仓库系统的建设乃至后续各种分析应用，应引起银行科技建设和业务分析人员的高度重视。 本文尝试从银行建设基础逻辑数据模型的角度出发，分析、探讨建设过程中应该考虑的主要因素、建设的方法以及注意的问题。 一、整体规划、明确目标、合理定位 银行建设数据仓库系统时应充分明确建设目标，核心的逻辑数据模型是对银行业务的高度抽象、能够提供对关键业务数据的组织和整理，建立一套完整、统一、规范的标准，以便进行各类分析。一个好的核心基础数据数据模型应该满足以下条件: 概念上:具有高度抽象的、中性的、可共享的的概念，可有效、全面、完整地适应与涵盖银行现有的业务范畴以及数据范围;不针对某个特别的应用而设计; 结构上:应是稳定的、灵活的、可扩展的;能以满足第三范式的方法构建模型，存放最详尽的数据，保证足够的灵活性，适应复杂的实际业务情况，在业务发生变化或者新增数据源时易于扩展;核心结构在很长时间内应保持稳定性，便于回答不断产生、不断变化且无法预先定义的业务问题; 表现形式:应是规范的，易懂的;包括各类命名规范，业务规则定义，度量方式等。

使用统一的业务语言进行模型设计，易于业务人员的理解和使用;也有利于IT部门和业务部门人员的沟通; 数据仓库系统的建设目的和方法不同于传统业务系统，其开发建设方式也有所不同，它的建设绝不是一蹴而就的事情，不能期望一朝一夕就可以全部完成，比较成熟的建设步骤应该是分阶段实施，逐步进行完善和增强因此作为项目起步的LDM建设对于规范和推动整个数据仓库系统的建设都将起到一个很好的促进。

整个建设过程最关键的阶段就是项目的最初阶段，应将工作重心放在搭建模型框架、建立模型设计思想和培养模型设计人员三个方面。 明确了建设目标，具体实施应该如何开展呢? 二、审慎选择、量体裁衣、度身定做 银行在明确建设目标之后，如何选择具体的实施策略、制定设计的阶段和步骤呢?常见的主要有以下两种: 第一种:自主研发:银行根据以往的业务经验提炼本行业务的关键主题;再设计出本行的概念模型;然后通过具体的业务反复论证，同时考虑将来的分析需求进行基础逻辑数据模型的详细设计。

这种方法可以快速启动，完全依托本行的业务元素和规则，使用行内技术人员和业务人员比较熟悉的语言进行模型的设计，具有很好的适用性。

但是整个建设周期比较长，同时往往由于经验不足等原因给项目带来一些不可控的风险，由于参与人员经验的不足，不能够站在全行的高度，从管理分析的角度去理解所有的业务以及相应的数据，造成一些局限性。 第二种:依托业成熟产品进行客户化:银行研究不同的业界模型产品，从中选择一个作为蓝本，结合本行的业务数据和应用系统进行具体的定制化。 这种方法的建设周期短、风险小，同时也能够很好地借鉴成熟的逻辑数据模型中蕴涵的经营管理理念。但是银行需要研究和比较多个业界流行的逻辑数据模型，熟悉各自的设计思想和理念，并从中挑选一个适合本行的模型产品进行客户化。 从国际、国内商业银行建设数据仓库系统的经验和案例来看，为了保证项目的成功实施，避免和控制项目风险，他们几乎都选择了第二种方法:客户化。那银行在面对众多逻辑数据模型产品进行选择的过程中主要应该都关注一些什么样的内容呢? 产品层面: 覆盖范围:模型产品应能够适合、涵盖银行的所有业务范围，可以在单一模型中能支撑金零售银行、公司业务、保险、信用卡、经纪、证券和电子商务等，满足未来混业经营的需要; 对业务发展的适应性:模型产品应有高度的概括和归纳，既满足范式化要求，又具有足够的灵活性，在扩展业务、新增品种或改变规则时，模型通过简单的调整和扩展即可适应; 对应用的支撑和扩充:模型产品不应偏向某个部门或某些专业的特定应用，要能够支持绩效管理、客户关系管理、资产负债管理、资金财务管理、风险管理等应用，并与国际金融业完全接轨，从数据接口层面支撑业界监管需要; 模型的开放性:模型产品应有清晰、严谨的模型架构，满足模块化和结构化的设计要求，真正实现数据一次导入，多次使用; 转化成物理数据模型的方便性:LDM设计完成，进行一些物理化的定义之后就可以直接利用建模工具平滑地完成物理模型设计。 服务层面: 客户化方法与能力:逻辑数据模型必须有经过实际项目验证过的客户化方法论做指导，明确严格的工作步骤、流程、任务分配，并提供必要模板; 业绩经验与表现:应具有国际化大型(特别是国内)商业银行相关项目和领域的成功实施案例;在行业内具有良好的信誉和业绩; 全球支持能力:全球专职研发团队——各国家地区的具体实施团队;高级建模顾问——高级金融行业顾问; 不难看出，上述这些考核的方面都是和将来的实施密切相关的。的确，一个成熟的优秀的模型产品，如果没有得到成功的实施，最终也不能为银行创造效益。下一部分主要讨论在实施过程中的关键因素。 三、关键成功因素 (1)参与人员的业务经验 LDM的设计和实施不是一个纯粹的技术问题，需要参与人员具有较高的银行业务修养和素质，设计人员应能够凭借丰富的业务经验和知识，将散落在各种不同业务系统以及日常经营管理中的各种数据元素进行高度的抽象和概况，形成本行的几个主题域(如当事人、协议、产品、事件等)，用以清晰地表达业务逻辑和关系。同时，他们也必须时刻以目标(建设数据仓库系统)为导向，有选择地从前台业务系统中抽取相关的数据信息进行映射。 (2)设计团队的沟通机制 逻辑数据模型的设计过程本身就是一个不断发现问题、解决问题的过程，不可能某一个人就能够掌握庞杂银行业务中的点点滴滴，因此需要整个项目团队的密切配合。每个设计人员都必应具有良好的学习沟通能力，能够对建模工作达成共识，根据所定义的结构，将具体的业务数据映射到模型中，同时进行一些修改和校正。 (3)银行内部IT管理的水平 LDM设计过程中很大量的工作都是对现有业务系统的分析，包括对系统架构和功能的梳理、业务规则和关键业务元素的提炼、系统之间的逻辑关系等，并结合样本数据初步了解数据质量。如果没有一套有效的管理模式和有力的技术支持，如果没有现有业务系统的完备资料;如果没有快速问题反馈和解决机制，LDM的建设只能是空谈，因此这给银行内部IT管理水平提出了很高的要求。 (4)模型的管理和维护 在LDM整个建设周期内还应高度重视维护和管理工作，必需有严格的建模技术规范做指导和约束，包括命名、描述、版本控制等。随着时间的推移和项目建设阶段和目标的变化，为了使建成的基础数据模型具有持续的生命力，应在建设的所有阶段把涉及的建模规范内容文档化并强制执行;在人员发生变动时规定新参与人员应严格遵守这些规范，不能另行编制，保证前后的一致性。 总结: 尽管LDM仅仅是一个逻辑的概念，数据仓库系统需要在逻辑数据模型的指导下，进行真正的物理实施，将把分散在不同平台、以不同方式组织的各种业务数据以及部分外部信息经过清洗和转化，在保证数据一致性、准确性和实效性的前提下，开发各种应用，奠定实现银行商业智能的重要基础。 但是可以看到，通过数据仓库系统逻辑数据模型的设计，将有利于对银行现有业务过程的全局认识和系统把握，同时还能够从整体上对全行使用的操作型业务系统进行回顾，从而提供改造和完善的建议，最终探索出一条符合银行自身业务实际发展要求的分析型应用系统的道路，为数据仓库系统的建设奠定坚实的基础。

十、er模型可以完成数据库的逻辑结构设计？

对现实世界抽象层次的不同,数据模型分为有概念模型和结构模型

在数据库设计中,概念设计使用的是概念数据模型,逻辑设计中使用的是结构数据模型。

概念模型是一种独立于硬件和软件的模型,完全不涉及信息在系统中的表现,只是用来描述某个特定组织所关心的信息结构。这种模型是从用户的观点对数据建模,必须充分反映用户的需求,并得到用户的确认才可定下来。它是现实世界的第一层抽象,是用户和数据库设计人员之间进行交流的工具,其典型代表是ER模型。

结构模型用于描述数据库的逻辑结构,与DBMS有关。这种模型是从计算机的观点对数据建模。它是现实世界的第二层抽象,是数据库设计人员和应用程序员之间进行交流的工具。其典型代表是层次、网状、关系和面向对象模型。