數(shù)據(jù)倉庫是在企業(yè)管理和決策中面向主題的、集成的、與時(shí)間相關(guān)的、不可修改的數(shù)據(jù)集合?！獢?shù)據(jù)倉庫之父--BillInmon
面向主題性表示了數(shù)據(jù)倉庫中數(shù)據(jù)組織的基本原則，數(shù)據(jù)倉庫中的所有數(shù)據(jù)都是圍繞著某一主題組織的。
商務(wù)智能
簡單定義：綜合企業(yè)所有沉淀下來的信息，用科學(xué)的分析方法，為企業(yè)領(lǐng)導(dǎo)提供科學(xué)決策信息的過程。
完整定義：基于數(shù)據(jù)倉庫技術(shù)的決策支持系統(tǒng)(DSS)。它以數(shù)據(jù)倉庫（DW）技術(shù)為基礎(chǔ)，通過抽取、轉(zhuǎn)換和清洗將分散在企業(yè)各處的數(shù)據(jù)整合在一起，轉(zhuǎn)化為信息；進(jìn)而以聯(lián)機(jī)分析處理（OLAP）工具、數(shù)據(jù)挖掘（DM）工具、報(bào)表工具為手段將信息提升為知識(shí)；最后運(yùn)用可視化技術(shù)以快捷直觀的方式將探察分析結(jié)果呈現(xiàn)給最終用戶，為管理決策層提供量化依據(jù)的過程。
數(shù)據(jù)挖掘
數(shù)據(jù)挖掘使您得以定義包含分組和預(yù)測規(guī)則的模型，以便應(yīng)用于關(guān)系數(shù)據(jù)庫或多維 OLAP數(shù)據(jù)集中的數(shù)據(jù)。之后，這些預(yù)測模型便可用于自動(dòng)執(zhí)行復(fù)雜的數(shù)據(jù)分析，以找出幫助識(shí)別新機(jī)會(huì)并選擇有獲勝把握的機(jī)會(huì)的趨勢。
聯(lián)機(jī)事務(wù)處理(OLTP)
OLTP系統(tǒng)是設(shè)計(jì)用來允許高并發(fā)性的，這樣很多用戶就能夠訪問同一個(gè)數(shù)據(jù)源并進(jìn)行所需的處理。
OLTP系統(tǒng)是面向在數(shù)據(jù)庫上進(jìn)行事務(wù)處理的理念的。而事務(wù)則進(jìn)一步蘊(yùn)含著發(fā)生在表中數(shù)據(jù)上的受控的變更，這些變更包括在商務(wù)運(yùn)作過程中發(fā)生的插入、更新和刪除操作。通常，一個(gè)OLTP系統(tǒng)將會(huì)有大量的客戶端應(yīng)用程序通過各種各樣的方式(插入、更新、刪除--實(shí)際上可以是任何操作)訪問數(shù)據(jù)庫以查詢一小塊信息。
OLTP系統(tǒng)的實(shí)例包括數(shù)據(jù)輸入程序，如銀行處理、訂票、聯(lián)機(jī)銷售和庫存管理系統(tǒng)。
聯(lián)機(jī)分析處理(OLAP)
聯(lián)機(jī)分析處理(或OLAP)是一種廣義上的決策支持系統(tǒng)(DSS)，或者最近越來越流行的商業(yè)智能(BI)。BI系統(tǒng)的目標(biāo)是分析海量數(shù)據(jù)，然后以很多不同的方式(包括每天、每周、每季和年度報(bào)告)生成小結(jié)和總結(jié)以把精力高度集中在記分卡和儀表盤上，它們通常用于幫助那些準(zhǔn)備好根據(jù)這些數(shù)據(jù)采取一定的措施的特定用戶來獲取競爭優(yōu)勢。
一旦數(shù)據(jù)進(jìn)入數(shù)據(jù)倉庫之后就很少會(huì)發(fā)生變化。數(shù)據(jù)被保存在那里用于查詢和生成報(bào)表，以便幫助決策者規(guī)劃企業(yè)的未來。它不需要關(guān)心插入、更新和刪除操作。因此與高度規(guī)范的事務(wù)數(shù)據(jù)庫不同，在這種情況下通常會(huì)使用所謂的維度數(shù)據(jù)庫(dimensional database)，它將遵循特定的結(jié)構(gòu)或模式。
維度數(shù)據(jù)庫可以用來構(gòu)建數(shù)據(jù)立方體，數(shù)據(jù)立方體是數(shù)據(jù)的多維表示，用來方便聯(lián)機(jī)業(yè)務(wù)分析和提高查詢性能。立方體中的每一維都表示業(yè)務(wù)數(shù)據(jù)中的一個(gè)不同的分析類別。
維度數(shù)據(jù)庫
在OLTP系統(tǒng)中進(jìn)行復(fù)雜查詢存在一些固有的問題，對(duì)這些問題的解決方案是構(gòu)建一個(gè)單獨(dú)的數(shù)據(jù)庫來更簡潔地表示業(yè)務(wù)事實(shí)(fact)。這個(gè)數(shù)據(jù)庫的結(jié)構(gòu)不是關(guān)系型的，相反，它是維度化的。
ETL
數(shù)據(jù)抽?。‥xtract）、轉(zhuǎn)換（Transform）、清洗（Cleansing）、裝載（Load）的過程。是構(gòu)建數(shù)據(jù)倉庫的重要一環(huán)，用戶從數(shù)據(jù)源抽取出所需的數(shù)據(jù)，經(jīng)過數(shù)據(jù)清洗，最終按照預(yù)先定義好的數(shù)據(jù)倉庫模型，將數(shù)據(jù)加載到數(shù)據(jù)倉庫中去。
元數(shù)據(jù)（Meta Data）
關(guān)于數(shù)據(jù)倉庫的數(shù)據(jù)，指在數(shù)據(jù)倉庫建設(shè)過程中所產(chǎn)生的有關(guān)數(shù)據(jù)源定義，目標(biāo)定義，轉(zhuǎn)換規(guī)則等相關(guān)的關(guān)鍵數(shù)據(jù)。同時(shí)元數(shù)據(jù)還包含關(guān)于數(shù)據(jù)含義的商業(yè)信息，所有這些信息都應(yīng)當(dāng)妥善保存，并很好地管理。為數(shù)據(jù)倉庫的發(fā)展和使用提供方便。
關(guān)于數(shù)據(jù)的數(shù)據(jù)，用于構(gòu)造、維持、管理、和使用數(shù)據(jù)倉庫，在數(shù)據(jù)倉庫中尤為重要。
不同 OLAP組件中的數(shù)據(jù)和應(yīng)用程序的結(jié)構(gòu)模型。元數(shù)據(jù)描述 OLTP數(shù)據(jù)庫中的表、數(shù)據(jù)倉庫和數(shù)據(jù)集市中的多維數(shù)據(jù)集這類對(duì)象，還記錄哪些應(yīng)用程序引用不同的記錄塊。
數(shù)據(jù)集市（Data mart）
數(shù)據(jù)集市 --小型的，面向部門或工作組級(jí)數(shù)據(jù)倉庫。
即”小數(shù)據(jù)倉庫”。如果說數(shù)據(jù)倉庫是建立在企業(yè)級(jí)的數(shù)據(jù)模型之上的話。那么數(shù)據(jù)集市就是企業(yè)級(jí)數(shù)據(jù)倉庫的一個(gè)子集，他主要面向部門級(jí)業(yè)務(wù)，并且只是面向某個(gè)特定的主題。數(shù)據(jù)集市可以在一定程度上緩解訪問數(shù)據(jù)倉庫的瓶頸。
ODS
Operation Data Store，操作數(shù)據(jù)存儲(chǔ) —ODS是能支持企業(yè)日常的全局應(yīng)用的數(shù)據(jù)集合,是不同于DB的一種新的數(shù)據(jù)環(huán)境, 是DW擴(kuò)展后得到的一個(gè)混合形式。四個(gè)基本特點(diǎn)：面向主題的(Subject -Oriented)、集成的、可變的、當(dāng)前或接近當(dāng)前的。
主題（SUBJECT）
是一個(gè)在較高層次將數(shù)據(jù)歸類的標(biāo)準(zhǔn)，每一個(gè)主題對(duì)應(yīng)一個(gè)宏觀的分析領(lǐng)域，針對(duì)具體決策需求可細(xì)化為多個(gè)主題表，具體來說就是確定決策涉及的范圍和所要解決的問題。
多維數(shù)據(jù)集
多維數(shù)據(jù)集是聯(lián)機(jī)分析處理 (OLAP)中的主要對(duì)象，是一項(xiàng)可對(duì)數(shù)據(jù)倉庫中的數(shù)據(jù)進(jìn)行快速訪問的技術(shù)。多維數(shù)據(jù)集是一個(gè)數(shù)據(jù)集合，通常從數(shù)據(jù)倉庫的子集構(gòu)造，并組織和匯總成一個(gè)由一組維度和度量值定義的多維結(jié)構(gòu)。
維度(DIMENSION）
是人們觀察數(shù)據(jù)的特定角度，是考慮問題時(shí)的一類屬性，屬性集合構(gòu)成一個(gè)維(時(shí)間維、地理維等)。
是多維數(shù)據(jù)集的結(jié)構(gòu)性特性。它們是事實(shí)數(shù)據(jù)表中用來描述數(shù)據(jù)的分類的有組織層次結(jié)構(gòu)(級(jí)別)。這些分類和級(jí)別描述了一些相似的成員集合，用戶將基于這些成員集合進(jìn)行分析。
這詞，英國著名物理學(xué)家史蒂芬·霍金教授有這樣的解釋：這就像一根頭發(fā)，遠(yuǎn)看是一維的線，在放大鏡下，它確實(shí)是三維的；如果面對(duì)時(shí)空，如果有足夠高倍的放大鏡的話，也應(yīng)該能揭示出其它可能存在的4維、5維空間，直至11維空間。因此，維度是指一種視角，而不是一個(gè)固定的數(shù)字；是一個(gè)判斷、說明、評(píng)價(jià)和確定一個(gè)事物的多方位、多角度、多層次的條件和概念
事實(shí)表
每個(gè)數(shù)據(jù)倉庫都包含一個(gè)或者多個(gè)事實(shí)數(shù)據(jù)表。事實(shí)數(shù)據(jù)表可能包含業(yè)務(wù)銷售數(shù)據(jù)，如現(xiàn)金登記事務(wù)
所產(chǎn)生的數(shù)據(jù)，事實(shí)數(shù)據(jù)表通常包含大量的行。事實(shí)數(shù)據(jù)表的主要特點(diǎn)是包含數(shù)字?jǐn)?shù)據(jù)(事實(shí))，并且這些數(shù)字信息可以匯總，以提供有關(guān)單位作為歷史的數(shù)據(jù)，每個(gè)事實(shí)數(shù)據(jù)表包含一個(gè)由多個(gè)部分組成的索引，該索引包含作為外鍵的相關(guān)性緯度表的主鍵，而維度表包含事實(shí)記錄的特性。事實(shí)數(shù)據(jù)表不應(yīng)該包含描述性的信息，也不應(yīng)該包含除數(shù)字度量字段及使事實(shí)與緯度表中對(duì)應(yīng)項(xiàng)的相關(guān)索引字段之外的任何數(shù)據(jù)。
包含在事實(shí)數(shù)據(jù)表中的“度量值”有兩中：一種是可以累計(jì)的度量值，另一種是非累計(jì)的度量值。最有用的度量值是可累計(jì)的度量值，其累計(jì)起來的數(shù)字是非常有意義的。用戶可以通過累計(jì)度量值獲得匯總信息，例如?？梢詤R總具體時(shí)間段內(nèi)一組商店的特定商品的銷售情況。非累計(jì)的度量值也可以用于事實(shí)數(shù)據(jù)表，單匯總結(jié)果一般是沒有意義的，例如，在一座大廈的不同位置測量溫度時(shí)，如果將大廈中所有不同位置的溫度累加是沒有意義的，但是求平均值是有意義的。
一般來說，一個(gè)事實(shí)數(shù)據(jù)表都要和一個(gè)或多個(gè)緯度表相關(guān)聯(lián)，用戶在利用事實(shí)數(shù)據(jù)表創(chuàng)建多維數(shù)據(jù)集時(shí)，可以使用一個(gè)或多個(gè)維度表。
從用途的不同來說，事實(shí)表可以分為三類，分別是原子事實(shí)表，聚集事實(shí)表和合并事實(shí)表。
原子事實(shí)表（Atom FactTable）是保存最細(xì)粒度數(shù)據(jù)的事實(shí)表，也是數(shù)據(jù)倉庫中保存原子信息的場所。
聚集事實(shí)表（Aggregated FactTable）是原子事實(shí)表上的匯總數(shù)據(jù)，也稱為匯總事實(shí)表。即新建立一個(gè)事實(shí)表，它的維度表是比原維度表要少，或者某些維度表是原維度表的子集，如用月份維度表代替日期維度表；事實(shí)數(shù)據(jù)是相應(yīng)事實(shí)的匯總，即求和或求平均值等。在做數(shù)據(jù)遷移時(shí)，當(dāng)相關(guān)的維度數(shù)據(jù)和事實(shí)數(shù)據(jù)發(fā)生變化時(shí)，聚集事實(shí)表需要做相應(yīng)的刷新。物化視圖是實(shí)現(xiàn)聚集事實(shí)表的一種有效方式，可以設(shè)定刷新方式，具體功能由DBMS來實(shí)現(xiàn)。
合并事實(shí)表（Consolidated FactTable）是指將位于不同事實(shí)表中處于相同粒度的事實(shí)進(jìn)行組合建模而成的一種事實(shí)表。即新建立一個(gè)事實(shí)表，它的維度是兩個(gè)或多個(gè)事實(shí)表的相同維度的集合；事實(shí)是幾個(gè)事實(shí)表中感興趣的事實(shí)。在Kimball的總線架構(gòu)中，由合并事實(shí)表為主組成的合并數(shù)據(jù)集市稱為二級(jí)數(shù)據(jù)集市。合并事實(shí)表的粒度可以是原子粒度也可以是聚集粒度。在做數(shù)據(jù)遷移時(shí)，當(dāng)相關(guān)的原子事實(shí)表的數(shù)據(jù)有改變時(shí)，合并事實(shí)表的數(shù)據(jù)需要重新刷新。合并事實(shí)表和交叉探察是兩個(gè)互補(bǔ)的操作。
聚集事實(shí)表和合并事實(shí)表的主要差別是合并事實(shí)表一般是從多個(gè)事實(shí)表合并而來。但是它們的差別不是絕對(duì)的，一個(gè)事實(shí)表既是聚集事實(shí)表又是合并事實(shí)表是很有可能的。因?yàn)橐话愫喜⑹聦?shí)表需要按相同的維度合并，所以很可能在做合并的同時(shí)需要進(jìn)行聚集，即粒度變粗。
維度表
維度表可以看作是用戶來分析數(shù)據(jù)的窗口，緯度表中包含事實(shí)數(shù)據(jù)表中事實(shí)記錄的特性，有些特性提供描述性信息，有些特性指定如何匯總事實(shí)數(shù)據(jù)表數(shù)據(jù)，以便為分析者提供有用的信息，維度表包含幫助匯總數(shù)據(jù)的特性的層次結(jié)構(gòu)。例如，包含產(chǎn)品信息的維度表通常包含將產(chǎn)品分為食品、飲料、非消費(fèi)品等若干類的層次結(jié)構(gòu)，這些產(chǎn)品中的每一類進(jìn)一步多次細(xì)分，直到各產(chǎn)品達(dá)到最低級(jí)別。
在維度表中，每個(gè)表都包含獨(dú)立于其他維度表的事實(shí)特性，例如，客戶維度表包含有關(guān)客戶的數(shù)據(jù)。維度表中的列字段可以將信息分為不同層次的結(jié)構(gòu)級(jí)。
結(jié)論:
1、事實(shí)表就是你要關(guān)注的內(nèi)容;
2、維度表就是你觀察該事務(wù)的角度，是從哪個(gè)角度去觀察這個(gè)內(nèi)容的。
例如，某地區(qū)商品的銷量，是從地區(qū)這個(gè)角度觀察商品銷量的。事實(shí)表就是銷量表，維度表就是地區(qū)表。
度量值
在多維數(shù)據(jù)集中，度量值是一組值，這些值基于多維數(shù)據(jù)集的事實(shí)數(shù)據(jù)表中的一列，而且通常為數(shù)字。此外，度量值是所分析的多維數(shù)據(jù)集的中心值。即，度量值是最終用戶瀏覽多維數(shù)據(jù)集時(shí)重點(diǎn)查看的數(shù)字?jǐn)?shù)據(jù)。您所選擇的度量值取決于最終用戶所請(qǐng)求的信息類型。一些常見的度量值有sales、cost、expenditures 和 production count 等。
“度量值”是來自事實(shí)數(shù)據(jù)表的值，也稱為“事實(shí)數(shù)據(jù)”。度量值維度的值有時(shí)也通稱為“成員”。度量值通常是數(shù)值，但也可以是字符串值。
Measures 維度 (Measures dimension)
“度量值維度”是包含多維數(shù)據(jù)集中所有度量值的維度。度量值維度是一種特殊的維度，其中的成員通常是根據(jù)各個(gè)維度屬性（存在指定的度量值）的當(dāng)前成員（通常采用求和或計(jì)數(shù)方式）進(jìn)行聚合。
度量值組 (Measure Group)
“度量值組”是 SQL Server 2005 Analysis Services多維數(shù)據(jù)集中的相關(guān)度量值集合（通常是來自同一事實(shí)數(shù)據(jù)表的度量值）。在 SQL Server 2005 AnalysisServices 中，一個(gè)多維數(shù)據(jù)集可包含多個(gè)度量值組。
級(jí)別
級(jí)別是維度層次結(jié)構(gòu)的一個(gè)元素。級(jí)別描述了數(shù)據(jù)的層次結(jié)構(gòu)，從數(shù)據(jù)的最高(匯總程度最大)級(jí)別直到最低(最詳細(xì))級(jí)別。
多維 OLAP (MOLAP)：MOLAP存儲(chǔ)模式使得分區(qū)的聚合和其源數(shù)據(jù)的復(fù)本以多維結(jié)構(gòu)存儲(chǔ)在分析服務(wù)器計(jì)算機(jī)上。根據(jù)分區(qū)聚合的百分比和設(shè)計(jì)，MOLAP存儲(chǔ)模式為達(dá)到最快查詢響應(yīng)時(shí)間提供了潛在可能性。總而言之，MOLAP更加適合于頻繁使用的多維數(shù)據(jù)集中的分區(qū)和對(duì)快速查詢響應(yīng)的需要。
關(guān)系 OLAP (ROLAP)：ROLAP存儲(chǔ)模式使得分區(qū)的聚合存儲(chǔ)在關(guān)系數(shù)據(jù)庫的表(在分區(qū)數(shù)據(jù)源中指定)中。但是，可為分區(qū)數(shù)據(jù)使用 ROLAP存儲(chǔ)模式，而不在關(guān)系數(shù)據(jù)庫中創(chuàng)建聚合。
混合 OLAP (HOLAP)：HOLAP 存儲(chǔ)模式結(jié)合了 MOLAP 和 ROLAP二者的特性。
粒度
數(shù)據(jù)匯總的層次或深度。數(shù)據(jù)倉庫的數(shù)據(jù)單位中保存數(shù)據(jù)的細(xì)化或綜合程度的級(jí)別。細(xì)化程度越高，粒度越小。
聚合|聚集：聚合是預(yù)先計(jì)算好的數(shù)據(jù)匯總，由于在問題提出之前已經(jīng)準(zhǔn)備了答案，聚合可以改進(jìn)查詢響應(yīng)時(shí)間。
分割
數(shù)據(jù)分散到各自的物理單元中去，它們能獨(dú)立地處理。
切塊：由多個(gè)維的多個(gè)成員限定的分區(qū)數(shù)據(jù)，稱為一個(gè)切塊。
切片：由一個(gè)維的一個(gè)成員限定的分區(qū)數(shù)據(jù)，稱為一個(gè)切片。
數(shù)據(jù)鉆取：最終用戶從常規(guī)多維數(shù)據(jù)集、虛擬多維數(shù)據(jù)集或鏈接多維數(shù)據(jù)集中選擇單個(gè)單元，并從該單元的源數(shù)據(jù)中檢索結(jié)果集以獲得更詳細(xì)的信息，這個(gè)操作過程就是數(shù)據(jù)鉆取。
數(shù)據(jù)挖掘模型：數(shù)據(jù)挖掘使您得以定義包含分組和預(yù)測規(guī)則的模型，以便應(yīng)用于關(guān)系數(shù)據(jù)庫或多維 OLAP數(shù)據(jù)集中的數(shù)據(jù)。之后，這些預(yù)測模型便可用于自動(dòng)執(zhí)行復(fù)雜的數(shù)據(jù)分析，以找出幫助識(shí)別新機(jī)會(huì)并選擇有獲勝把握的機(jī)會(huì)的趨勢。
數(shù)據(jù)庫維度 (Database dimension)
“數(shù)據(jù)庫維度”是與某個(gè)鍵屬性相關(guān)的維度屬性的集合，而該鍵屬性又與度量值維度中的事實(shí)數(shù)據(jù)相關(guān)。
維度屬性 (Dimension attribute)
“維度屬性”被綁定到維度表中的一個(gè)或多個(gè)列并包含成員。維度屬性可以包含客戶名稱、月份名稱和產(chǎn)品名稱。
成員 (Member)
“成員”是維度屬性（包括度量值維度）的值。層次結(jié)構(gòu)中的成員可以是葉成員、父成員、數(shù)據(jù)成員或“(全部)”成員。
“(全部)”成員 ((All) member)
“(全部)”成員是屬性層次結(jié)構(gòu)或用戶定義的層次結(jié)構(gòu)中的所有成員的計(jì)算值。
計(jì)算成員 (Calculated member)
“計(jì)算成員”是在查詢時(shí)定義和計(jì)算的維度成員。可以在用戶查詢或 MDX 計(jì)算腳本中定義計(jì)算成員，并將其存儲(chǔ)在服務(wù)器上。一個(gè)計(jì)算成員對(duì)應(yīng)于定義它們的維度中的多個(gè)維度表行。
數(shù)據(jù)成員 (Data member)
“數(shù)據(jù)成員”是在父子層次結(jié)構(gòu)中與父成員相關(guān)聯(lián)的子成員。數(shù)據(jù)成員包含其父成員的數(shù)據(jù)值，而不是該父成員的子級(jí)的聚合值。
父成員 (Parent member)
“父成員”是父子層次結(jié)構(gòu)中的成員，包含其子級(jí)的聚合值。
葉成員 (leaf member)
“葉成員”是層次結(jié)構(gòu)中不包含子級(jí)的成員。
子成員 (Child member)
“子成員”是層次結(jié)構(gòu)中位于頂層下面的成員。
鍵屬性 (Key attribute)
數(shù)據(jù)庫維度的“鍵屬性”是維度中的所有非鍵屬性（以直接或間接方式）所鏈接到的屬性。鍵屬性通常也是粒度屬性。
粒度屬性 (Granularity attribute)
多維數(shù)據(jù)集維度的屬性，它將維度鏈接到度量值維度內(nèi)度量值組中的事實(shí)數(shù)據(jù)。如果粒度屬性和鍵屬性為不同的屬性，則非鍵屬性必須直接或間接地鏈接到粒度屬性。在多維數(shù)據(jù)集中，粒度屬性定義維度的粒度。
多維數(shù)據(jù)集維度 (Cube dimension)
“多維數(shù)據(jù)集維度”是多維數(shù)據(jù)集中的數(shù)據(jù)庫維度實(shí)例。
屬性層次結(jié)構(gòu) (Attribute hierarchy)
“屬性層次結(jié)構(gòu)”是包含以下級(jí)別的屬性成員層次結(jié)構(gòu)：
Inmon,W.H.,” Building the Data Warehouse” ,Johm Wiley andSons,1996.
Ladley,John,”O(jiān)perational Data Stores:Building an EffectiveStrategy”,Data warehouse:Pratical Advice form the Experts,PrenticeHall,Englewood Cliffs,NJ,1997.
Gardmer,Stephen R., “Building the Datawarehouse”,Communication of ACM, September 1998, Volume 41, Numver9, 52-60.
Douglas Hackney , Http:// www.egltd.com, DW101: A PracticalOverview, 2001
Pieter R. Mimno, “The Big Picture - How BrioCompetes in the Data Warehousing Market”, Presentation to BrioTechnology - August 4, 1998.
Alex Berson, Stephen Smith, Kurt Therling, “Building DataMining Application for CRM”, McGraw-Hill, 1999
Martin Stardt, Anca Vaduva, Thomas Vetterli, “The Role of Metafor Data Warehouse”, 2000
W.H.Inmon, Ken Rudin, Christopher K. Buss, Ryan Sousa, “DataWarehouse Performance”, John Wiley & Sons ,1999
