陽(yáng)穎燦， 張小平， 李 暉

(1. 貴州大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，貴州 貴陽(yáng) 550025； 2.貴州大學(xué) 貴州省先進(jìn)計(jì)算與醫(yī)療信息服務(wù)工程實(shí)驗(yàn)室，貴州 貴陽(yáng) 550025)

一種負(fù)載敏感的OLAP查詢結(jié)果緩存管理技術(shù)*

陽(yáng)穎燦1,2， 張小平1,2， 李 暉1,2

(1. 貴州大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，貴州 貴陽(yáng) 550025； 2.貴州大學(xué) 貴州省先進(jìn)計(jì)算與醫(yī)療信息服務(wù)工程實(shí)驗(yàn)室，貴州 貴陽(yáng) 550025)

OLAP(On Line Analysis Processing)是數(shù)據(jù)倉(cāng)庫(kù)的典型應(yīng)用，在數(shù)據(jù)倉(cāng)庫(kù)中頻繁并發(fā)地執(zhí)行涉及較大數(shù)據(jù)量的OLAP查詢時(shí)，其查詢處理效率易于逐漸降低。緩存技術(shù)是一種有效降低OLAP查詢處理延時(shí)的方法。在現(xiàn)有的緩存數(shù)據(jù)存儲(chǔ)、淘汰策略等研究工作的基礎(chǔ)上，結(jié)合OLAP任務(wù)的負(fù)載特性、OLAP任務(wù)的結(jié)果集大小等因素對(duì)性能的影響，提出了一種負(fù)載敏感的OLAP查詢緩存管理技術(shù)Workload-LRU，并實(shí)現(xiàn)了一個(gè)ROLAP(Relational OLAP)原型系統(tǒng)。實(shí)驗(yàn)證明，Workload-LRU技術(shù)獲得了較好的性能提升效果。

聯(lián)機(jī)分析處理；緩存策略；負(fù)載敏感；數(shù)據(jù)倉(cāng)庫(kù)；查詢效率

0 引言

隨著社會(huì)信息化的快速發(fā)展，很多行業(yè)都積累了大量的數(shù)據(jù)。為了充分利用這些數(shù)據(jù)，挖掘其中的價(jià)值，數(shù)據(jù)倉(cāng)庫(kù)技術(shù)越來(lái)越受到大家的青睞，文獻(xiàn)[1、2]介紹了數(shù)據(jù)倉(cāng)庫(kù)技術(shù)在具體領(lǐng)域的應(yīng)用。OLAP(On-Line Analysis Processing)是數(shù)據(jù)倉(cāng)庫(kù)中最為重要的技術(shù)。OLAP可以通過(guò)上卷、下鉆、切片、切塊和旋轉(zhuǎn)等基本操作讓用戶從多個(gè)角度分析數(shù)據(jù)。根據(jù)存儲(chǔ)方式的不同，OLAP具體又可以分為ROLAP、MOLAP和HOLAP。 在這三種實(shí)現(xiàn)方式中，ROLAP是最為常見的一種存儲(chǔ)方式，其優(yōu)點(diǎn)是實(shí)現(xiàn)簡(jiǎn)單。傳統(tǒng)的關(guān)系型數(shù)據(jù)庫(kù)大都支持OLAP查詢，但其查詢效率通常較低。如何更好地提升ROLAP的查詢效率一直是數(shù)據(jù)倉(cāng)庫(kù)和數(shù)據(jù)分析領(lǐng)域的重點(diǎn)研究主題。

緩存是一種利用數(shù)據(jù)的局部性原理通過(guò)存儲(chǔ)常用的數(shù)據(jù)和提高數(shù)據(jù)讀取速度來(lái)降低查詢響應(yīng)時(shí)間的方法。本文提出了一種基于負(fù)載敏感的OLAP查詢緩存管理技術(shù)Workload-LRU，該緩存管理技術(shù)能夠不斷地收集用戶查詢的行為信息并統(tǒng)計(jì)緩存數(shù)據(jù)信息，包括緩存數(shù)據(jù)集的大小、各個(gè)查詢語(yǔ)句的使用頻率和數(shù)據(jù)的訪問(wèn)時(shí)間等，并將收集到的信息用于緩存數(shù)據(jù)的替換策略上，將可能有利于后續(xù)查詢的語(yǔ)句及其執(zhí)行結(jié)果保留在緩存中。Workload-LRU技術(shù)將針對(duì)數(shù)據(jù)倉(cāng)庫(kù)應(yīng)用中那些最新的、較頻繁執(zhí)行的、結(jié)果集較小且執(zhí)行比較耗時(shí)的查詢語(yǔ)句，盡量將其保留在緩存器中。實(shí)驗(yàn)證明，Workload-LRU技術(shù)取得了良好的效果。

1 相關(guān)工作

緩存按不同細(xì)粒度可分為語(yǔ)義緩存、頁(yè)緩存、表緩存、數(shù)據(jù)庫(kù)緩存和元組緩存。不同細(xì)粒度的緩存各有優(yōu)勢(shì)：細(xì)粒度越小，可重復(fù)利用的概率越大，但控制越復(fù)雜；細(xì)粒度越高，查詢時(shí)連接操作、網(wǎng)絡(luò)傳輸和復(fù)雜計(jì)算所需的時(shí)間越長(zhǎng)。

目前，國(guó)內(nèi)外已有不少學(xué)者在具體的應(yīng)用環(huán)境中對(duì)OLAP系統(tǒng)性能提升做過(guò)較為深入的研究。文獻(xiàn)[3]總結(jié)了常用的提升ROLAP系統(tǒng)性能的方法并提出了緩存和視圖相結(jié)合的方法。文獻(xiàn)[4、5]采用了基于語(yǔ)義緩存的方法降低查詢響應(yīng)時(shí)間、提升查詢效率。文獻(xiàn)[6、7]介紹了基于數(shù)據(jù)塊的緩存方法，在一定程度上提高了緩存的重復(fù)利用率。文獻(xiàn)[8]提出了一種基于代價(jià)的緩存替換算法，提升了查詢效率。文獻(xiàn)[9、10]采用了冷啟動(dòng)和預(yù)測(cè)管理技術(shù)相結(jié)合的方式，在緩存中保留最有利于后續(xù)查詢的查詢語(yǔ)句，在一定程度上提升了OLAP查詢效率。但其使用預(yù)測(cè)管理技術(shù)來(lái)預(yù)測(cè)用戶查詢軌跡的前提是收集到足夠多的用戶查詢?nèi)罩?。收集的日志越多，其預(yù)測(cè)的準(zhǔn)確率將越準(zhǔn)。這種方式并不適用于系統(tǒng)構(gòu)建之初時(shí)的優(yōu)化，并且其沒(méi)有考慮到數(shù)據(jù)負(fù)載情況。

利用緩存的方法確實(shí)能在一定程度上提升OLAP的查詢效率，但緩存替換算法的好壞是直接影響OLAP查詢效率的關(guān)鍵，文獻(xiàn)[11]對(duì)常用的緩存替換算法進(jìn)行了分析總結(jié)。

(1)基于Least-Recently-Used (LRU)策略的方法：淘汰最長(zhǎng)時(shí)間未使用的數(shù)據(jù)。

(2)基于Least-Frequently-Used (LFU)策略的方法：淘汰近期最不頻繁使用的數(shù)據(jù)。

(3)基于Size策略的方法：淘汰數(shù)據(jù)量最大的數(shù)據(jù)。

(4)基于LRU-Threshold策略的方法：使用LRU算法淘汰超過(guò)某一閾值的數(shù)據(jù)。

(5)基于Log(Size)+LRU策略的方法：使用LRU算法淘汰數(shù)據(jù)量最大的數(shù)據(jù)。

上述5類緩存技術(shù)各有特點(diǎn)，均側(cè)重考慮緩存數(shù)據(jù)的一個(gè)或多個(gè)方面的特點(diǎn)(數(shù)據(jù)大小、訪問(wèn)頻繁度和訪問(wèn)時(shí)間)。

2 基于負(fù)載敏感的OLAP查詢結(jié)果緩存設(shè)計(jì)

2.1 ROLAP系統(tǒng)框架

圖1 ROLAP系統(tǒng)總體框架

本文設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)ROLAP系統(tǒng)原型，系統(tǒng)總體框架如圖1所示，客戶端發(fā)送查詢語(yǔ)句首先經(jīng)過(guò)緩存管理器，緩存管理器判斷緩存數(shù)據(jù)庫(kù)中是否有匹配的記錄，如果存在匹配的記錄，則從緩存數(shù)據(jù)庫(kù)中返回查詢結(jié)果，否則從數(shù)據(jù)倉(cāng)庫(kù)中返回查詢結(jié)果，本文定義的符號(hào)和含義如表1所示。

表1 主要的符號(hào)及含義

2.2 負(fù)載敏感的緩存替換算法Workload-LRU

本節(jié)介紹基于LRU算法優(yōu)化的負(fù)載敏感的Workload-LRU算法設(shè)計(jì)策略。在Workload-LRU中，當(dāng)用戶緩存的數(shù)據(jù)達(dá)到緩存數(shù)據(jù)庫(kù)最大容量時(shí)，一些緩存的數(shù)據(jù)應(yīng)該刪除以容納新的(查詢語(yǔ)句所涉及的)結(jié)果數(shù)據(jù)。具體刪除哪些數(shù)據(jù)、保留哪些數(shù)據(jù)將直接影響OLAP的查詢效率。OLAP查詢具有一定的數(shù)據(jù)負(fù)載穩(wěn)定性，例如，最新執(zhí)行的查詢?cè)诤罄m(xù)的查詢語(yǔ)句序列中再次出現(xiàn)的概率較大。用公式(1)來(lái)表示查詢語(yǔ)句執(zhí)行的頻繁度和新舊程度的綜合排名，R值越高，對(duì)應(yīng)的查詢語(yǔ)句越應(yīng)該保留在緩存中。

R=a×Rate+NewRank

(1)

此外，具體每條查詢語(yǔ)句在數(shù)據(jù)倉(cāng)庫(kù)中執(zhí)行之后得到的查詢執(zhí)行時(shí)間和結(jié)果集的大小也是不一樣的，用公式(2)來(lái)表示執(zhí)行查詢得到的查詢執(zhí)行時(shí)間和結(jié)果集的大小的比值，C值越大，對(duì)應(yīng)的查詢語(yǔ)句緩存的效益越高，這意味著其結(jié)果數(shù)據(jù)越應(yīng)該保留在緩存中。

C=QueryTime/Size

(2)

當(dāng)緩存的數(shù)據(jù)達(dá)到MaxSize時(shí)，以公式(3)中的D值為限定條件，當(dāng)刪除的總數(shù)據(jù)大于或等于D值時(shí)，刪除停止。

D=Size+MaxSize/4

(3)

算法具體描述如下：當(dāng)輸入查詢語(yǔ)句q后，算法首先判斷q是否在緩存中，如果在緩存中，則先更新q的執(zhí)行頻率統(tǒng)計(jì)信息，然后更新q的時(shí)間戳信息，最后從緩存中返回結(jié)果。如果q不在緩存中，那么首先從數(shù)據(jù)倉(cāng)庫(kù)中獲取數(shù)據(jù)集Resultdw，判斷緩存的剩余空間大小是否小于D，如果是，則按照R值從大到小排序緩存中的查詢語(yǔ)句，得到集合SetR，然后在集合SetR中刪除最新執(zhí)行的查詢語(yǔ)句并得到剩余的查詢語(yǔ)句集合SetC，接著循環(huán)取出集合SetC中C值最小的查詢語(yǔ)句并在緩存中刪除，直到刪除的總數(shù)據(jù)量大于D值，循環(huán)結(jié)束。至此，緩存的剩余空間大小將大于或等于D值，然后更新q的執(zhí)行頻率統(tǒng)計(jì)信息和q的時(shí)間戳信息，最后將q及查詢結(jié)果添加進(jìn)緩存中，并返回查詢結(jié)果集Resultdw。

算法1:Workload-LRU1:begin2: if(q∈-CacheKey)3: UpdateRate(q)4: UpdateTimeStamp(q)5: ReturnResult(q)6: endif7: else8: Resultdw=GetDataFromDw(q)9: if(SizeOfCacheRemain<=D)10: SetR=SortR()11: Setdel=Del(SetR)12: SetC=SortC(Setdel)13: While(SizeOfDeleteData

3 實(shí)驗(yàn)和結(jié)果分析

3.1 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)時(shí)，在局域網(wǎng)內(nèi)構(gòu)建了三個(gè)節(jié)點(diǎn)的小型數(shù)據(jù)倉(cāng)庫(kù)系統(tǒng)。每個(gè)節(jié)點(diǎn)采用64位操作系統(tǒng)CentOS-6.4，內(nèi)核版本為3.6.32,內(nèi)存20 GB，硬盤50 GB 15 000 r/m ，Intel(R) Xeon CPU E5-2630 @2.60 GHz。在本實(shí)驗(yàn)中，采用4.3.5.2版本的GreenPlum Database[12]搭建一個(gè)三節(jié)點(diǎn)的集群。GreenPlum Database是一個(gè)大規(guī)模并行處理的數(shù)據(jù)庫(kù)，支持下一代數(shù)據(jù)倉(cāng)庫(kù)并且能夠進(jìn)行大規(guī)模的分析處理、對(duì)數(shù)據(jù)自動(dòng)分區(qū)和并行查詢。使用GreenPlum構(gòu)建數(shù)據(jù)倉(cāng)庫(kù)集群，相較于傳統(tǒng)的基于數(shù)據(jù)構(gòu)建數(shù)據(jù)倉(cāng)庫(kù)的方案，其性能優(yōu)勢(shì)較為明顯。

本文的實(shí)驗(yàn)采用Redis[13]V3.03作為ROLAP系統(tǒng)的緩存數(shù)據(jù)庫(kù)， 其配置有5 GB內(nèi)存，默認(rèn)Redis采用Volatile-lru算法(以下簡(jiǎn)稱LRU算法)。Redis是一個(gè)開源的、先進(jìn)的Key-Value內(nèi)存數(shù)據(jù)庫(kù),支持多種數(shù)據(jù)結(jié)構(gòu)，如：strings、hashes、lists、sets、sorted sets、bitmaps和hyperloglogs等。Redis可以用來(lái)提供緩存服務(wù)，并且非常適合OLAP查詢結(jié)果的語(yǔ)義緩存，即OLAP查詢的語(yǔ)句和查詢結(jié)果可以分別用key和value來(lái)存儲(chǔ)。Redis本身具有5種緩存替換算法，分別如下：

(1)volatile-lru，使用LRU算法淘汰過(guò)期的key；

(2)allkeys-lru,使用LRU算法隨機(jī)地淘汰key；

(3)volatile-random，隨機(jī)淘汰過(guò)期的key；

(4)volatile-ttle，淘汰快要過(guò)期的key；

(5)Noeviction，不淘汰任何key，直接返回錯(cuò)誤。

Redis的5種替換算法都沒(méi)有考慮到數(shù)據(jù)負(fù)載情況、返回結(jié)果集大小和不用緩存時(shí)直接從數(shù)據(jù)倉(cāng)庫(kù)中查詢所需的時(shí)間。

本文采用TPC-H[14]產(chǎn)生10 GB數(shù)據(jù)作為實(shí)驗(yàn)的數(shù)據(jù)集，TPC-H生成22條查詢語(yǔ)句作為實(shí)驗(yàn)的OLAP查詢語(yǔ)句。TPC-H是一個(gè)決策支持的基準(zhǔn)測(cè)試，集成了一系列面向業(yè)務(wù)的即席查詢和數(shù)據(jù)生成工具，其提供的查詢和生成的數(shù)據(jù)具有廣泛的行業(yè)代表性，是OLAP查詢中普遍接受的基準(zhǔn)測(cè)試。

3.2 實(shí)驗(yàn)方案

本文實(shí)驗(yàn)分為兩個(gè)階段：

(1)查詢負(fù)載模擬階段：為了使模擬的OLAP查詢負(fù)載具有一定的穩(wěn)定性(例如：包含部分重復(fù)執(zhí)行的查詢)，首先從22條TPC-H查詢語(yǔ)句中隨機(jī)、不重復(fù)地抽取10條語(yǔ)句，并在這10條語(yǔ)句中隨機(jī)、可重復(fù)地抽取50條查詢語(yǔ)句放入集合C1,1，然后從22條語(yǔ)句中隨機(jī)、可重復(fù)地抽取50條查詢語(yǔ)句放入集合C1,2，最后將集合C1,1和集合C1,2融合起來(lái)，并打亂其順序放到集合C1,3，得到順序包含一定重復(fù)率的100條查詢語(yǔ)句。如此重復(fù)10次得到10個(gè)順序包含一定重復(fù)的100條查詢語(yǔ)句：C1,3,C2,3,C3,3,C4,3,C5,3,C6,3,C7,3,C8,3,C9,3,C10,3。

(2)查詢執(zhí)行階段：在采用Workload-LRU和LRU算法的原型系統(tǒng)執(zhí)行查詢負(fù)載模擬階段，得到10組查詢序列集合，以及各查詢語(yǔ)句及各組查詢語(yǔ)句的執(zhí)行統(tǒng)計(jì)信息。

3.3 結(jié)果及分析

圖2 10組實(shí)驗(yàn)結(jié)果對(duì)比

圖2是10次實(shí)驗(yàn)中Workload-LRU算法和LRU算法分別執(zhí)行100條查詢語(yǔ)句所耗時(shí)間的對(duì)比。圖3是10次實(shí)驗(yàn)室中LRU與Workload-LRU分別執(zhí)行100條查詢語(yǔ)句所耗時(shí)間的差值，其縱坐標(biāo)的正方向代表Workload-LRU節(jié)省下來(lái)的查詢時(shí)間，負(fù)方向代表LRU算法節(jié)省的時(shí)間。從以上兩圖可以看出，采用Workload-LRU算法后，查詢響應(yīng)時(shí)間在大部分情況下比采用LRU時(shí)要短，查詢效率得到較為顯著的提升。

圖3 10組實(shí)驗(yàn)LRU與Load-based查詢執(zhí)行時(shí)間的差值

從圖3中可以看出，Workload-LRU和LRU算法在第4組實(shí)驗(yàn)上的查詢時(shí)間差距最大，在第9組實(shí)驗(yàn)上的查詢時(shí)間差距最小，LRU算法甚至還超過(guò)了Workload-LRU的執(zhí)行效率。下面將具體分析這兩組實(shí)驗(yàn)對(duì)比效果最好和最差的情況。

(1)Workload-LRU性能最好的一組實(shí)驗(yàn)：通過(guò)深入分析第4組實(shí)驗(yàn)數(shù)據(jù)，發(fā)現(xiàn)Workload-LRU算法在替換數(shù)據(jù)時(shí)，替換的是那些使用頻率不高、C值較小的數(shù)據(jù)，其他的都保留在緩存中。而LRU算法只是考慮查詢語(yǔ)句的新舊程度，替換掉那些最不常用的數(shù)據(jù)，沒(méi)有考慮到查詢語(yǔ)句的Size和QueryTime。由此可看出，Workload-LRU算法在緩存中保留的是最有利于提升后續(xù)OLAP查詢執(zhí)行效率的數(shù)據(jù)。所以在后續(xù)的查詢中，對(duì)于C值較大的查詢語(yǔ)句，Workload-LRU算法的做法是直接從緩存數(shù)據(jù)中獲取查詢結(jié)果集，而LRU算法很可能要從數(shù)據(jù)倉(cāng)庫(kù)中獲取查詢結(jié)果集。上述區(qū)別使得Workload-LRU算法的查詢執(zhí)行效率要比LRU高。

(2)Workload-LRU性能最差的一組實(shí)驗(yàn)：經(jīng)過(guò)仔細(xì)分析第9組實(shí)驗(yàn)數(shù)據(jù)發(fā)現(xiàn)，二者在執(zhí)行該組實(shí)驗(yàn)中的100條查詢語(yǔ)句時(shí)的緩存策略是一樣的。每一條查詢語(yǔ)句的結(jié)果要么都在緩存中，要么都在數(shù)據(jù)倉(cāng)庫(kù)中，只是同一條查詢語(yǔ)句在數(shù)據(jù)倉(cāng)庫(kù)中執(zhí)行的時(shí)間不同，所以，在這里視二者的查詢效率等同。

4 結(jié)束語(yǔ)

本文提出的Workload-LRU是一種負(fù)載敏感的OLAP結(jié)果緩存算法。此方法通過(guò)獲取用戶的查詢行為模式，將常用的、計(jì)算比較耗時(shí)但結(jié)果集比較小的OLAP查詢結(jié)果盡可能長(zhǎng)時(shí)間地保留在緩存中，從而使得緩存中保留了盡可能多的有利于提升后續(xù)查詢執(zhí)行效率的數(shù)據(jù)。本文的實(shí)驗(yàn)結(jié)果證明，Workload-LRU技術(shù)在80%的應(yīng)用用例中都會(huì)獲得優(yōu)于LRU算法的結(jié)果。即使在效果最差時(shí)的應(yīng)用用例下，其執(zhí)行效率都能保持與LRU算法基本持平。

[1] 譚光瑋,武彤. 基于生產(chǎn)線質(zhì)量控制系統(tǒng)的動(dòng)態(tài)數(shù)據(jù)倉(cāng)庫(kù)解決方案[J]. 微型機(jī)與應(yīng)用,2014,33(7):7-9，12.

[2] 文篤石. 基于數(shù)據(jù)倉(cāng)庫(kù)的客戶挽留系統(tǒng)[J]. 微型機(jī)與應(yīng)用,2015,34(18):11-13.

[3] 田英愛,張志華,蔣玉茹. 基于緩存機(jī)制的ROLAP系統(tǒng)改進(jìn)方法研究[J]. 微計(jì)算機(jī)信息,2008(3):180-182.

[4] 趙均. 解析一種數(shù)據(jù)處理中間件系統(tǒng)語(yǔ)義緩存技術(shù)[J]. 電子技術(shù)與軟件工程,2015(1):216-217.

[5] PEREZ L L, JERMAINE C M. History-aware query optimization with materialized intermediate views[C].Data Engineering (ICDE), 2014 IEEE 30th International Conference on. IEEE, 2014: 520-531.

[6] MOUDANI W, HUSSEIN M, MOUKHTAR M, et al. An intelligent approach to improve the performance of a data warehouse cache based on association rules[J]. Journal of Information and Optimization Sciences, 2012, 33(6): 601-621.

[7] KHARBUTLI M, SHEIKH R. LACS: a locality-aware cost-sensitive cache replacement algorithm[J]. Computers, IEEE Transactions on, 2014, 63(8): 1975-1987.

[8] HE J, ZHANG S, HE B. In-cache query co-processing on coupled CPU-GPU architectures[J]. Proceedings of the VLDB Endowment, 2014, 8(4): 329-340.

[9] 肖恒永. OLAP查詢優(yōu)化的研究與實(shí)現(xiàn)[D].成都：電子科技大學(xué),2012.

[10] 許建,馬強(qiáng). ROLAP查詢優(yōu)化的研究[J]. 計(jì)算機(jī)與現(xiàn)代化,2008(7):29-32.

[11] CAO P, IRANI S. Cost-aware WWW proxy caching algorithms[C]. Usenix Symposium on Internet Technologies and Systems, 1997, 12(97): 193-206.

[12] 維基百科.Greeplum[EB/OL].(2015-09-01)[2015-11-04]https://en.wikipedia.org/wiki/greenplum.

[13] 維基百科.Redis[EB/OL].(2015-10-01) [2015-11-04]http://zh.wikipedia.org/wiki/Redis.

[14] Transaction Processing Performance Council(TPC).TPC BENCHMARKTMH(decision support)standard specification revision2.3.0.[EB/OL].(2015-09-10)[2015-11-04]http://www.tpc.org/tpch/default.asp.

A cache management technology based on load sensitive OLAP query results

Yang Yingcan1,2, Zhang Xiaoping1,2, Li Hui1,2

(1. College of Computer Science and Technology, Guizhou University, Guiyang 550025, China; 2. Guizhou Engineering Laboratory for Advanced Computing and Medical Information Service, Guizhou University, Guiyang 550025, China)

OLAP is a typical application of data warehouse. High concurrent data-intensive OLAP tasks often tend to incur large resource consumption and make the data warehouse system to be inefficient.Caching technology has been recognized as an effective method to accelerate the execution of OLAP tasks. In this paper, a workload sensitive OLAP query cache management technology, named Workload-LRU, has been proposed by carefully incorporate OLAP task’s performance metrics, such as workload characteristics, size of results set and so on. To evaluate the effectiveness of Workload-LRU, we implement it into a ROLAP prototype system, and the experimental results show that the proposed Workload-LRU technology is superior to the representative LRU based techniques.

OLAP; cache strategy; load sensitive; data warehouse; query efficiency

貴州省科技基礎(chǔ)條件平臺(tái)項(xiàng)目(黔科平臺(tái)[2015]4001)；貴州省科技計(jì)劃項(xiàng)目([GY[2014]3018)

TP312

A

1674- 7720(2016)03- 0031- 04

陽(yáng)穎燦，張小平，李暉. 一種負(fù)載敏感的OLAP查詢結(jié)果緩存管理技術(shù)[J].微型機(jī)與應(yīng)用，2016,35(3)：31- 34.

2015-11-04)

陽(yáng)穎燦(1991-)，男，碩士研究生，主要研究方向：數(shù)據(jù)分析、云計(jì)算。

張小平(1956-)，男，研究員，主要研究方向：研究方向?yàn)檐浖こ碳皵?shù)據(jù)庫(kù)技術(shù)。

李暉(1982-)，通信作者，男，博士，副教授，主要研究方向：大規(guī)模數(shù)據(jù)管理與分析、高性能數(shù)據(jù)庫(kù)、云計(jì)算。E-mail：cse.HuiLi@gzu.edu.cn。