王春杰 朱保鋒

摘要：分布式網(wǎng)絡(luò)數(shù)據(jù)庫(kù)優(yōu)化索引可提高數(shù)據(jù)庫(kù)的訪問和數(shù)據(jù)管理能力。傳統(tǒng)方法采用Web數(shù)據(jù)庫(kù)臨界級(jí)聯(lián)差分耦合方法進(jìn)行數(shù)據(jù)庫(kù)索引，隨著干擾數(shù)據(jù)和數(shù)據(jù)庫(kù)規(guī)模的增大，數(shù)據(jù)庫(kù)索引準(zhǔn)確度不高，語(yǔ)義指向性不好。提出一種基于信息濃縮粒子濾波的分布式網(wǎng)絡(luò)數(shù)據(jù)庫(kù)優(yōu)化索引算法，首先進(jìn)行分布式網(wǎng)絡(luò)數(shù)據(jù)庫(kù)的數(shù)據(jù)結(jié)構(gòu)分析和特征融合處理，采用信息濃縮粒子濾波方法對(duì)干擾數(shù)據(jù)進(jìn)行濾除抑制，并采用語(yǔ)義特征波束形成方法進(jìn)行目標(biāo)數(shù)據(jù)的波束聚焦和特征提取，實(shí)現(xiàn)數(shù)據(jù)庫(kù)的優(yōu)化檢索。仿真結(jié)果表明，利用該算法進(jìn)行數(shù)據(jù)庫(kù)索引的準(zhǔn)確度較高，收斂性好，執(zhí)行時(shí)間短，展示了較好的應(yīng)用性能。

關(guān)鍵詞關(guān)鍵詞：數(shù)據(jù)庫(kù)索引；粒子濾波；分布式網(wǎng)絡(luò)

DOIDOI：10.11907/rjdk.161369

中圖分類號(hào)：TP391文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)文章編號(hào)：16727800（2016）007015503

0引言

在數(shù)據(jù)庫(kù)訪問中，對(duì)數(shù)據(jù)庫(kù)中的語(yǔ)義信息特征索引成為數(shù)據(jù)庫(kù)檢索的基礎(chǔ)技術(shù)，通過數(shù)據(jù)庫(kù)優(yōu)化索引算法設(shè)計(jì)，可提高數(shù)據(jù)庫(kù)的檢索和訪問能力，相關(guān)算法研究也受到了人們的極大重視[1]。傳統(tǒng)方法采用Web數(shù)據(jù)庫(kù)臨界級(jí)聯(lián)差分耦合方法進(jìn)行數(shù)據(jù)庫(kù)索引，隨著干擾數(shù)據(jù)和數(shù)據(jù)庫(kù)規(guī)模的增大，數(shù)據(jù)庫(kù)索引的準(zhǔn)確度不高，語(yǔ)義指向性不好[2]。對(duì)此，相關(guān)文獻(xiàn)進(jìn)行了改進(jìn)設(shè)計(jì)，隨著智能算法的應(yīng)用，采用粒子群算法進(jìn)行數(shù)據(jù)庫(kù)訪問和索引成為發(fā)展趨勢(shì)。采用粒子群算法進(jìn)行數(shù)據(jù)庫(kù)訪問的控制和語(yǔ)義索引過程中，由于粒子群的迭代系數(shù)對(duì)初始權(quán)值的選擇較為敏感，容易陷入局部極值，因而對(duì)數(shù)據(jù)庫(kù)的索引性能不好。

近年來，在粒子群控制算法基礎(chǔ)上，許多學(xué)者提出了蟻群、粒子群優(yōu)化算法等人工智能方法進(jìn)行數(shù)據(jù)庫(kù)訪問過程訓(xùn)練，取得了一定效果。傳統(tǒng)方法中，對(duì)分布式網(wǎng)絡(luò)數(shù)據(jù)庫(kù)的實(shí)體建模和決策控制算法主要采用小樣本、非線性及高維模式識(shí)別方法，如模糊神經(jīng)網(wǎng)絡(luò)決策算法、蟻群算法（ACO）和粒子群算法（PSO）等[35]。在上述算法進(jìn)行分布式網(wǎng)絡(luò)數(shù)據(jù)庫(kù)分析和實(shí)體建模過程中，需要進(jìn)行參數(shù)尋優(yōu)和自適應(yīng)建模，達(dá)到對(duì)分布式網(wǎng)絡(luò)數(shù)據(jù)庫(kù)預(yù)測(cè)和控制決策的目的。為了提高數(shù)據(jù)庫(kù)索引精度，本文提出一種基于信息濃縮粒子濾波的分布式網(wǎng)絡(luò)數(shù)據(jù)庫(kù)優(yōu)化索引算法，首先進(jìn)行分布式網(wǎng)絡(luò)數(shù)據(jù)庫(kù)的數(shù)據(jù)結(jié)構(gòu)分析和特征融合處理，采用信息濃縮粒子濾波方法對(duì)干擾數(shù)據(jù)進(jìn)行濾除抑制，并采用語(yǔ)義特征波束形成方法進(jìn)行目標(biāo)數(shù)據(jù)的波束聚焦和特征提取，實(shí)現(xiàn)數(shù)據(jù)庫(kù)的優(yōu)化檢索。最后通過仿真實(shí)驗(yàn)進(jìn)行了性能測(cè)試，展示了本文算法的優(yōu)越性能。

1分布式網(wǎng)絡(luò)數(shù)據(jù)庫(kù)數(shù)據(jù)結(jié)構(gòu)分析與特征融合處理 1.1分布式網(wǎng)絡(luò)數(shù)據(jù)庫(kù)數(shù)據(jù)結(jié)構(gòu)分析

為了進(jìn)行分布式網(wǎng)絡(luò)數(shù)據(jù)庫(kù)的優(yōu)化索引，需要首先構(gòu)建分布式網(wǎng)絡(luò)數(shù)據(jù)庫(kù)的數(shù)據(jù)結(jié)構(gòu)模型，進(jìn)行數(shù)據(jù)結(jié)構(gòu)的特征分析和數(shù)據(jù)信息融合處理。本文研究的分布式網(wǎng)絡(luò)數(shù)據(jù)庫(kù)的數(shù)據(jù)存儲(chǔ)節(jié)點(diǎn)均勻分布在有向圖G1、G2中，在分布式網(wǎng)格的覆蓋度目標(biāo)區(qū)域A內(nèi)，有向圖G1和G2的語(yǔ)義節(jié)點(diǎn)是均勻線列陣分布的，簇頭節(jié)點(diǎn)采用隨機(jī)部署方法。數(shù)據(jù)庫(kù)語(yǔ)義相似度節(jié)點(diǎn)采用最常用的布爾模型（0/1模型）。網(wǎng)絡(luò)級(jí)聯(lián)分布式數(shù)據(jù)庫(kù)的數(shù)據(jù)存儲(chǔ)深度空間坐標(biāo)為（xs，ys），用一個(gè)二元有向圖G=（V，E）表示數(shù)據(jù)分布的編隊(duì)系統(tǒng)，網(wǎng)絡(luò)數(shù)據(jù)庫(kù)相鄰網(wǎng)格M與節(jié)點(diǎn)s的數(shù)據(jù)索引有效性覆蓋范圍為：SCMN={（si，sj）|d（si，sj）≤Rc，si∈M，sj∈N}（1）其中，M、N為關(guān)鍵詞節(jié)點(diǎn)間的規(guī)模數(shù)，設(shè)數(shù)據(jù)庫(kù)訪問過程中的語(yǔ)義特征優(yōu)先級(jí)調(diào)度向量為Pc，位于（xp，yp）的任意點(diǎn)p的矢量場(chǎng)和sink節(jié)點(diǎn)的關(guān)聯(lián)維數(shù)為d（s，p）。分布式網(wǎng)絡(luò)數(shù)據(jù)庫(kù)的數(shù)據(jù)特征空間矢量場(chǎng)分布在區(qū)域A，半徑為W×L個(gè)22Rc×22Rc的矩形網(wǎng)格。設(shè)數(shù)據(jù)流樣本S=X1，X2，…，Xk，…，每個(gè)網(wǎng)格的網(wǎng)絡(luò)是一個(gè)無向圖 ，關(guān)鍵詞索引的語(yǔ)義指向性信息特征表示為EH（s，t）=（V，E）（s≥1，t≥1），在數(shù)據(jù)庫(kù)的有效訪問范圍內(nèi)計(jì)算關(guān)鍵詞G1和G2的連接度，計(jì)算公式為：a=2n（GC）2n（GC）+mGC（G1）+mGC（G2）（2）每個(gè)網(wǎng)格有4個(gè)鄰居網(wǎng)格，假設(shè)G1=（V，E）和G2=（V′，E′）都為重連通圖，節(jié)點(diǎn)對(duì)之間的距離由超立方網(wǎng)EH（s，t）的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)決定。在均勻線列陣區(qū)域內(nèi)，非邊界（邊界網(wǎng)格至少有2個(gè)鄰居網(wǎng)格）G1和G2之間的頂點(diǎn)集為：Vt（k）={as+t...at+1at...a11|as+t...at+1=k，

ai∈{0，1}，0≤k<2s}（3）假設(shè)a1，a2∈V，b1，b2∈V′，對(duì)于數(shù)據(jù)庫(kù)索引的語(yǔ)義指向信息EHs（j）和關(guān)聯(lián)位置EHt（k），添加兩條邊和后形成一個(gè)數(shù)據(jù)庫(kù)優(yōu)化索引的連通圖子集G3。假設(shè)G3是一個(gè)多徑無干擾的重連通圖，設(shè)計(jì)最短路由進(jìn)行數(shù)據(jù)庫(kù)訪問，路由協(xié)議描述為：通過上述描述，構(gòu)建分布式網(wǎng)絡(luò)數(shù)據(jù)庫(kù)的數(shù)據(jù)結(jié)構(gòu)模型，進(jìn)行數(shù)據(jù)信息特征提取，然后在此基礎(chǔ)上進(jìn)行數(shù)據(jù)庫(kù)優(yōu)化索引。

1.2數(shù)據(jù)庫(kù)的大數(shù)據(jù)信息特征融合處理

通過對(duì)數(shù)據(jù)庫(kù)的大數(shù)據(jù)信息特征融合處理，為分布式網(wǎng)絡(luò)數(shù)據(jù)庫(kù)的優(yōu)化索引提供準(zhǔn)確的數(shù)據(jù)基礎(chǔ)。假設(shè)分布式網(wǎng)絡(luò)數(shù)據(jù)庫(kù)路徑優(yōu)化結(jié)果中關(guān)鍵詞節(jié)點(diǎn)為{v1，v2，…，vn}，結(jié)合粒子群算法進(jìn)行大數(shù)據(jù)融合，得到數(shù)據(jù)庫(kù)調(diào)度的加權(quán)向量結(jié)構(gòu)權(quán)重計(jì)算為：weight=∑ni=1∑nj=i+1dist（vi，vj）（8）本文通過模糊C均值聚類得到數(shù)據(jù)庫(kù)的關(guān)鍵節(jié)點(diǎn)與數(shù)據(jù)流微簇結(jié)構(gòu)權(quán)重，采用dist（vi，vj）表示分布式網(wǎng)絡(luò)數(shù)據(jù)庫(kù)訪問中關(guān)鍵詞節(jié)點(diǎn)vi到vj的最短路徑距離。采用信息度濃縮聚焦方法進(jìn)行特征融合，在相空間S中，進(jìn)行關(guān)聯(lián)維特征匹配。定義數(shù)據(jù)聚類多波束數(shù)據(jù)庫(kù)矢量場(chǎng)中tf（k，N）的索引信道，數(shù)據(jù)庫(kù)索引過程中信道均衡的運(yùn)算表達(dá)式為：φ（y）=f（yR）+jf（yI）（9）式中，yR和yI分別是y的實(shí)部和虛部，建立初始種群，設(shè)計(jì)一個(gè)粒子群濾波的種群適應(yīng)度函數(shù)：數(shù)據(jù)庫(kù)的大數(shù)據(jù)信息特征融合內(nèi)容與關(guān)鍵詞的差異性特征為一個(gè)線性調(diào)頻時(shí)間序列，采用非線性時(shí)間序列分析方法，根據(jù)融合參數(shù)和φ，得到數(shù)據(jù)融合時(shí)間序列y（k）為：y（k）=a（k）h（k）+n（k） （12）假設(shè)用戶輸入了3個(gè)關(guān)鍵詞，Q={q1，q2，q3}，通過大數(shù)據(jù)信息融合進(jìn)行數(shù)據(jù)庫(kù)優(yōu)化索引。

2算法改進(jìn)設(shè)計(jì)與實(shí)現(xiàn)

在上述分布式網(wǎng)絡(luò)數(shù)據(jù)庫(kù)的數(shù)據(jù)結(jié)構(gòu)分析和特征融合處理的基礎(chǔ)上，進(jìn)行數(shù)據(jù)庫(kù)優(yōu)化索引。分析當(dāng)前算法可知，傳統(tǒng)方法采用Web數(shù)據(jù)庫(kù)臨界級(jí)聯(lián)差分耦合方法進(jìn)行數(shù)據(jù)庫(kù)索引，隨著干擾數(shù)據(jù)和數(shù)據(jù)庫(kù)規(guī)模的增大，數(shù)據(jù)庫(kù)索引準(zhǔn)確度不高，語(yǔ)義指向性不好。為了克服傳統(tǒng)方法的弊端，本文提出一種基于信息濃縮粒子濾波的分布式網(wǎng)絡(luò)數(shù)據(jù)庫(kù)優(yōu)化索引算法，在進(jìn)行分布式網(wǎng)絡(luò)數(shù)據(jù)庫(kù)的數(shù)據(jù)結(jié)構(gòu)分析和特征融合處理基礎(chǔ)上，采用信息濃縮粒子濾波方法對(duì)干擾數(shù)據(jù)進(jìn)行濾除抑制。數(shù)據(jù)庫(kù)分布式狀態(tài)下的信息濃縮權(quán)重可以采用Z變換求得，根據(jù)Z變換的定義，得到數(shù)據(jù)庫(kù)索引語(yǔ)義關(guān)鍵信息的輸出變量耦合值R3為：R3 = μo 2πKhlnrw rw ′（13）假設(shè)數(shù)據(jù)庫(kù)訪問中信息流的采樣時(shí)間間隔區(qū)間為s∈[tk，tk+1]，則采用粒子濾波方法，進(jìn)行干擾抑制后的數(shù)據(jù)庫(kù)輸出信息流二階矩特征為：R=μw 2πKh[1mlnReh 2（i + 1）rw + 1.7lnReh rf +

12Zf + 25Z2f + μo μw lnrw rw ′] （14）對(duì)分布式數(shù)據(jù)庫(kù)的索引有效性進(jìn)行信息濃縮聚焦，縮減索引深度。在粒子濾波下，數(shù)據(jù)庫(kù)優(yōu)化索引的自適應(yīng)波束形成輸出的關(guān)聯(lián)匹配量可以表示為：QH=ΔpR=Δpμw2πKhRp（15）其中：Rp = 1mlnReh 2（i + 1）rw + 1.7lnReh rf +

12Zf + 25Z2f + μo μw lnrw rw ′（16）定義Ci為數(shù)據(jù)庫(kù)索引起始時(shí)間圖G，其中包括了關(guān)鍵詞語(yǔ)義信息x0（tk），采用語(yǔ)義特征波束形成方法進(jìn)行目標(biāo)數(shù)據(jù)的波束聚焦和特征提取，得到數(shù)據(jù)庫(kù)索引的優(yōu)化輸出z（k）為：z（k）=fTF（k）y（k）-fTB（k）（k）（17）根據(jù)波束形成結(jié)果進(jìn)行自適應(yīng)語(yǔ)義信息素濃度聚焦，通過粒子濾波得到相對(duì)狀態(tài)序列模型，由此實(shí)現(xiàn)算法改進(jìn)，達(dá)到對(duì)分布式網(wǎng)絡(luò)數(shù)據(jù)庫(kù)優(yōu)化索引和數(shù)據(jù)庫(kù)訪問的路徑優(yōu)選目的，算法實(shí)現(xiàn)流程如圖2所示。

3仿真實(shí)驗(yàn)與結(jié)果分析

為了測(cè)試本文提出的方法在實(shí)現(xiàn)分布式網(wǎng)絡(luò)數(shù)據(jù)庫(kù)優(yōu)化訪問和信息索引中的性能，進(jìn)行仿真實(shí)驗(yàn)。實(shí)驗(yàn)采用在Matlab R2012a環(huán)境下反復(fù)調(diào)試程序?qū)崿F(xiàn)數(shù)據(jù)挖掘和實(shí)體建模，通對(duì)數(shù)據(jù)集進(jìn)行特征融合處理，采用信息濃縮粒子濾波方法對(duì)干擾數(shù)據(jù)進(jìn)行濾除抑制，采用語(yǔ)義特征波束形成方法進(jìn)行目標(biāo)數(shù)據(jù)的波束聚焦和特征提取，得到數(shù)據(jù)庫(kù)訪問中數(shù)據(jù)采樣特征融合及語(yǔ)義特征波束形成結(jié)果如圖2所示。

由圖2可見，采用本文算法進(jìn)行分布式網(wǎng)絡(luò)數(shù)據(jù)庫(kù)索引，通過信息濃縮粒子濾波處理，可提高數(shù)據(jù)庫(kù)訪問中的抗干擾能力。為了對(duì)比算法性能，采用本文方法和傳統(tǒng)方法進(jìn)行數(shù)據(jù)庫(kù)索引的精度測(cè)試，對(duì)比結(jié)果如圖3所示。由圖可見，采用該算法進(jìn)行數(shù)據(jù)庫(kù)索引的準(zhǔn)確度較高，收斂性好，執(zhí)行時(shí)間短，展示了較好的應(yīng)用性能。

參考文獻(xiàn)：

[1]陸科達(dá)，萬(wàn)勵(lì)，吳潔明.基于數(shù)據(jù)挖掘技術(shù)的網(wǎng)絡(luò)安全事件預(yù)測(cè)研究[J].科技通報(bào)，2012，28（6）：3740.

[2]凌妍妍，孟小峰，劉 偉.基于屬性相關(guān)度的Web數(shù)據(jù)庫(kù)大小估算方法[J].軟件學(xué)報(bào)，2008，19（2）：224236.

[3]魏利峰，紀(jì)建偉，王曉斌.云環(huán)境中Web信息抓取技術(shù)的研究及應(yīng)用[J].電子設(shè)計(jì)工程，2016（4）：2931.

[4]陸興華，陳平華.基于定量遞歸聯(lián)合熵特征重構(gòu)的緩沖區(qū)流量預(yù)測(cè)算法[J].計(jì)算機(jī)科學(xué)，2015，42（4）：6871.

[5]楊俊，周丙寅，張毅，等.基于遞歸圖分析的壓縮機(jī)故障診斷方法研究[J].計(jì)算機(jī)與數(shù)字工程，2013，41（6）： 984986.責(zé)任編輯（責(zé)任編輯：黃?。?/p>

第7期 邵桐，朱明東：基于元數(shù)據(jù)的數(shù)據(jù)交換系統(tǒng)研究軟 件 導(dǎo) 刊2016年標(biāo)題