Questão de Banco de Dados — Banco de Dados Relacionais — CESPE / CEBRASPE 2024
Banco de Dados›Banco de Dados Relacionais
Código
ce185070
Banca
CESPE / CEBRASPE
Órgão
SEBRAE-NACIONAL
Ano
2024
Nível
Superior
Cargo
Analista Técnico II – Banco de Dados
Assinale a opção em que é citada a ação de tuning mais eficaz no que diz respeito à melhora de desempenho de um banco de dados relacional com grandes volumes de dados.
Autilizar partição de tabelas para distribuir dados em diferentes segmentos e facilitar o acesso e gerenciamento de grandes volumes de dados
Bnormalizar todas as tabelas ao máximo, eliminando-se completamente qualquer tipo de redundância de dados
Ccriar triggers para cada operação de inserção e atualização para garantir que todas as transações sejam registradas detalhadamente
Dreduzir o tamanho dos índices, excluindo-se colunas que não são frequentemente consultadas, para diminuir o tempo de busca
Revelar gabarito e comentário▾
GabaritoA — utilizar partição de tabelas para distribuir dados em diferentes segmentos e facilitar o acesso e gerenciamento de grandes volumes de dados
Comentário gerado por IA. É um apoio ao estudo, ancorado em fontes, mas pode conter imprecisões — confira sempre na fonte oficial (lei, súmula, edital e gabarito da banca). Encontrou um erro? Use “Reportar”.
Tuning de banco de dados relacional
Gabarito: letra A. A partição de tabelas é a técnica de tuning mais eficaz para grandes volumes de dados, pois distribui os dados em segmentos menores, otimizando consultas e facilitando o gerenciamento. As demais alternativas apresentam abordagens que em geral não são recomendadas para esse cenário.
A banca testa o conhecimento sobre técnicas de otimização de desempenho em bancos de dados relacionais com grande volume de dados. A partição de tabelas (alternativa A) é uma estratégia consagrada, enquanto normalização excessiva, triggers e redução inadequada de índices podem até prejudicar o desempenho.
Alternativa A — ✅ Correta ⟵ GABARITO
A partição de tabelas divide uma tabela grande em segmentos (partições) com base em critérios como faixa de valores (range), lista ou hash. Isso reduz o escopo das varreduras, permite operações paralelas e facilita a manutenção (backup, archive). É a técnica mais impactante para melhorar desempenho em grandes volumes.
Alternativa B — ❌ Incorreta
Normalizar ao máximo elimina redundâncias, mas em grandes volumes de dados a normalização excessiva gera muitas tabelas e junções (joins), aumentando a complexidade e o tempo de resposta das consultas. Em cenários de alto desempenho, muitas vezes se utiliza desnormalização controlada para reduzir junções.
Alternativa C — ❌ Incorreta
Triggers são procedimentos executados automaticamente em operações DML. Criar triggers em toda inserção/atualização adiciona overhead significativo, retardando as operações e diminuindo o throughput. Não são uma técnica de tuning; pelo contrário, podem degradar o desempenho.
Alternativa D — ❌ Incorreta
Reduzir o tamanho dos índices excluindo colunas menos consultadas pode até diminuir o espaço ocupado, mas a afirmação não é a ação de tuning mais eficaz. O tuning de índices envolve criar índices apropriados para as consultas mais frequentes, não simplesmente remover colunas. Em grandes volumes, índices bem projetados são cruciais; a remoção arbitrária pode piorar o desempenho.
NÃO CAIA NESSA!
A banca explora a crença comum de que "normalizar ao máximo" é sempre benéfico. Cuidado: em bancos com grandes volumes, a normalização excessiva pode ser prejudicial, e a desnormalização (controlada) é uma técnica de tuning válida.