楊毅

摘要：通過對Web大數(shù)據(jù)庫的訪問，提高數(shù)據(jù)庫的查詢和信息調(diào)度能力。傳統(tǒng)方法采用基于信息流減法聚類和模糊C均值調(diào)度的數(shù)據(jù)庫訪問算法，對數(shù)據(jù)庫訪問過程中的稀疏度均衡能力不好。提出一種基于稀疏度均衡調(diào)度的數(shù)據(jù)庫優(yōu)化訪問算法，分析了數(shù)據(jù)庫中海量數(shù)據(jù)存儲結(jié)構(gòu)模型，進(jìn)行數(shù)據(jù)融合和冗余信息濾除處理。采用稀疏度均衡調(diào)度方法進(jìn)行特征提取和數(shù)據(jù)庫訪問過程中的均衡調(diào)度，提高數(shù)據(jù)查準(zhǔn)率。仿真結(jié)果表明，利用該算法進(jìn)行數(shù)據(jù)庫訪問的均衡性能較好，數(shù)據(jù)的查準(zhǔn)率和查全率較高。

關(guān)鍵詞：數(shù)據(jù)庫；稀疏度；均衡調(diào)度；數(shù)據(jù)庫優(yōu)化訪問

DOIDOI：10.11907/rjdk.161065

中圖分類號：TP392

文獻(xiàn)標(biāo)識碼：A 文章編號：1672-7800（2016）005-0166-03

0 引言

隨著信息技術(shù)和大數(shù)據(jù)技術(shù)的快速發(fā)展，大數(shù)據(jù)庫作為存儲數(shù)據(jù)信息的重要載體，對數(shù)據(jù)庫的優(yōu)化訪問是提高數(shù)據(jù)查詢和調(diào)度性能的關(guān)鍵。Web大型數(shù)據(jù)庫廣泛應(yīng)用于大型的網(wǎng)絡(luò)信息數(shù)據(jù)和云存儲信息數(shù)據(jù)的存儲和調(diào)度架構(gòu)中。對Web大型數(shù)據(jù)庫的頻繁訪問過程中，進(jìn)行特征分區(qū)和數(shù)據(jù)文本的指向性索引，有利于提高數(shù)據(jù)庫訪問性能。研究大型Web數(shù)據(jù)庫的優(yōu)化訪問技術(shù)，在數(shù)據(jù)庫優(yōu)化設(shè)計和數(shù)據(jù)傳輸存儲等領(lǐng)域中具有重要的應(yīng)用價值，相關(guān)算法研究也受到人們的重視。

傳統(tǒng)方法中對Web大型數(shù)據(jù)庫的訪問方法主要有基于自適應(yīng)波束形成的特征分區(qū)方法、基于粒子群濾波的遺傳算法、基于相關(guān)度特征分析的數(shù)據(jù)庫訪問方法等，通過提取大型數(shù)據(jù)庫的級聯(lián)相關(guān)匹配語義信息特征，采用文本索引和關(guān)鍵字?jǐn)?shù)據(jù)查詢方法，進(jìn)行相關(guān)度匹配來實現(xiàn)數(shù)據(jù)庫的訪問[1-3]。上述方法在數(shù)據(jù)庫訪問過程中，通過遺傳散布執(zhí)行算子進(jìn)行特征分區(qū)，對數(shù)據(jù)庫中的語義信息進(jìn)行融合和濾波處理，以提高數(shù)據(jù)庫訪問過程中的分辨能力和查準(zhǔn)率。但是上述方法需要在高維的子空間中進(jìn)行特征重構(gòu)，隨著數(shù)據(jù)增多，對數(shù)據(jù)庫訪問的效能下降，計算開銷較大。對此，相關(guān)文獻(xiàn)進(jìn)行了算法改進(jìn)設(shè)計。其中，文獻(xiàn)[4]提出一種基于信息流減法聚類和模糊C均值調(diào)度的數(shù)據(jù)庫訪問算法，通過粗糙集索引實現(xiàn)數(shù)據(jù)庫訪問，但是該方法對數(shù)據(jù)庫訪問過程中的稀疏度均衡能力不好；文獻(xiàn)[5]提出一種基于關(guān)鍵字有向圖模型的數(shù)據(jù)庫訪問算法，然而該算法對非線性MIMO級聯(lián)數(shù)據(jù)庫頻繁訪問特征分區(qū)性能不好。針對上述問題，本文提出一種基于稀疏度均衡調(diào)度的數(shù)據(jù)庫優(yōu)化訪問算法，首先構(gòu)建數(shù)據(jù)庫的分布結(jié)構(gòu)模型，然后進(jìn)行數(shù)據(jù)庫訪問的信息流特征提取和數(shù)據(jù)信息融合處理，并以此為基礎(chǔ)，采用稀疏度均衡調(diào)度方法實現(xiàn)數(shù)據(jù)庫的詞頻信息指向性分析，提高數(shù)據(jù)庫訪問能力。仿真實驗進(jìn)行了性能測試，得出有效性結(jié)論，并展示了較好的應(yīng)用價值。

1 數(shù)據(jù)庫存儲結(jié)構(gòu)與數(shù)據(jù)特征分布

1.1 數(shù)據(jù)庫存儲結(jié)構(gòu)模型

2 算法改進(jìn)實現(xiàn)

在數(shù)據(jù)融合和存儲機制分析的基礎(chǔ)上，進(jìn)行數(shù)據(jù)庫訪問優(yōu)化，通過對Web大數(shù)據(jù)庫的訪問，提高數(shù)據(jù)庫的查詢和信息調(diào)度能力。傳統(tǒng)方法采用基于信息流減法聚類和模糊C均值調(diào)度的數(shù)據(jù)庫訪問算法，對數(shù)據(jù)庫訪問過程中的稀疏度均衡能力不好。為了克服傳統(tǒng)方法的弊端，本文提出一種基于稀疏度均衡調(diào)度的數(shù)據(jù)庫優(yōu)化訪問算法，算法的改進(jìn)實現(xiàn)過程描述如下：在數(shù)據(jù)庫訪問過程中，通過對語義波束指向性特征臨界狀態(tài)進(jìn)行數(shù)學(xué)建模，得到稀疏度均衡調(diào)度指令為一個控制輸入信號，稀疏度均衡調(diào)度的矢量特征為u*j （s；tk ）。對于Web分布式數(shù)據(jù)庫系統(tǒng)，由于稀疏度均衡調(diào)度的控制函數(shù)J*（.）的收斂性是保證數(shù)據(jù)庫優(yōu)化訪問的前提條件，在系統(tǒng)相鄰狀態(tài)之間進(jìn)行迭代循環(huán)，得到稀疏度均衡調(diào)度矢量表示為J*i（.）。在有效的存儲空間內(nèi)，計算最佳的基函數(shù)，使x（T）∈Wp，稀疏度均衡調(diào)度的穩(wěn)定性得以保證。通過數(shù)據(jù)庫中海量數(shù)據(jù)的語義信息融合，從多狀態(tài)數(shù)據(jù)結(jié)構(gòu)中進(jìn)行數(shù)據(jù)挖掘，得到數(shù)據(jù)挖掘的特征分解變換式R3表示為：

3 仿真實驗與結(jié)果分析

為了測試本文算法在實現(xiàn)Web數(shù)據(jù)庫訪問中的性能，進(jìn)行仿真實驗。仿真環(huán)境為：Inter Pentium 4 3 000MHz內(nèi)存，操作系統(tǒng)為Windows 7。數(shù)據(jù)訪問中，數(shù)據(jù)存儲節(jié)點分布帶寬為1 024Kbps，語義信息流時間序采樣的中心頻率為f0=1 000Hz，離散采樣率為fs=10*f0Hz=10KHz，數(shù)據(jù)傳輸延時20ms，數(shù)據(jù)庫訪問的采樣點N=1 100。根據(jù)上述仿真環(huán)境和參數(shù)設(shè)定，進(jìn)行數(shù)據(jù)庫訪問，首先進(jìn)行稀疏度特征提取，基于稀疏度均衡調(diào)度實現(xiàn)數(shù)據(jù)庫查詢和索引，得到采用本文算法和傳統(tǒng)算法的數(shù)據(jù)庫訪問的稀疏度調(diào)度均衡性能對比結(jié)果如圖1所示。

由圖可見，原始的數(shù)據(jù)庫訪問的稀疏度特征雜亂無章，具有較強的非線性特征，難以形成有效的訪問結(jié)果，而采用本文方法進(jìn)行稀疏度均衡調(diào)度處理后，數(shù)據(jù)庫中的信息流分布均衡，提高了數(shù)據(jù)庫訪問的查準(zhǔn)率，展示了較好的性能。

4 結(jié)語

本文提出一種基于稀疏度均衡調(diào)度的數(shù)據(jù)庫優(yōu)化訪問算法，首先構(gòu)建數(shù)據(jù)庫的分布結(jié)構(gòu)模型，進(jìn)行數(shù)據(jù)庫訪問的信息流特征提取和數(shù)據(jù)信息融合處理，然后以此為基礎(chǔ)，采用稀疏度均衡調(diào)度方法實現(xiàn)數(shù)據(jù)庫的詞頻信息指向性分析，提高數(shù)據(jù)庫訪問能力。仿真結(jié)果表明，利用該算法進(jìn)行數(shù)據(jù)庫訪問的均衡性能較好，查準(zhǔn)率較高，性能優(yōu)越。

參考文獻(xiàn)：

[1]衛(wèi)星，張建軍，石雷，等.云計算數(shù)據(jù)中心服務(wù)器數(shù)量動態(tài)配置策略[J].電子與信息學(xué)報，2015，37（8）：2007-2013.

[2]侯森，羅興國，宋克.基于信息源聚類的最大熵加權(quán)信任分析算法[J].電子學(xué)報，2015，43（5）：993-999.

[3]羅亮，吳文峻，張飛.面向云計算數(shù)據(jù)中心的能耗建模方法[J].軟件學(xué)報，2014，25（7）：1371-1387.

[4]辛宇，楊靜，湯楚蘅，等.基于局部語義聚類的語義重疊社區(qū)發(fā)現(xiàn)算法[J].計算機研究與發(fā)展，2015，52（7）：1510-1521.

[5]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)測算法[J].計算機科學(xué)，2015，42（4）：68-71.

[6]王小英，劉慶杰.關(guān)系型數(shù)據(jù)庫中數(shù)值數(shù)據(jù)的密文檢索模型研究[J].計算機仿真，2013，30（11）：409-411.

（責(zé)任編輯：黃 ?。?/p>