賀紅艷，李光明，張慧萍

(湖北工業(yè)大學(xué) 工程技術(shù)學(xué)院，武漢 430068)

基于網(wǎng)絡(luò)聚類(lèi)與自適應(yīng)概率的數(shù)據(jù)庫(kù)緩沖區(qū)替換*

賀紅艷，李光明，張慧萍

(湖北工業(yè)大學(xué) 工程技術(shù)學(xué)院，武漢 430068)

針對(duì)傳統(tǒng)替換方法存在替換不準(zhǔn)確、效率低的問(wèn)題，提出模糊kohonen網(wǎng)絡(luò)聚類(lèi)算法與自適應(yīng)概率相結(jié)合的大型數(shù)據(jù)庫(kù)緩沖區(qū)替換方法.采用Broder理論并基于Jaccard相似性度量對(duì)緩沖區(qū)重復(fù)數(shù)據(jù)進(jìn)行消除，建立緩沖區(qū)數(shù)據(jù)檢測(cè)模型，并采用模糊kohonen網(wǎng)絡(luò)聚類(lèi)算法對(duì)緩沖區(qū)數(shù)據(jù)進(jìn)行聚類(lèi)處理.采用復(fù)小波法提取緩沖區(qū)的特征，引入自適應(yīng)概率對(duì)大型數(shù)據(jù)庫(kù)緩沖區(qū)進(jìn)行替換.結(jié)果表明，改進(jìn)的緩沖區(qū)替換方法可有效的實(shí)現(xiàn)對(duì)大型數(shù)據(jù)庫(kù)緩沖區(qū)的替換，提高替換效率，增加大型數(shù)據(jù)庫(kù)存儲(chǔ)的整體性能.

大型數(shù)據(jù)庫(kù)；緩沖區(qū)；替換方法；改進(jìn)；特征；網(wǎng)絡(luò)聚類(lèi)；自適應(yīng)概率；數(shù)據(jù)存儲(chǔ)

隨著科學(xué)技術(shù)飛速發(fā)展，計(jì)算機(jī)得到了廣泛使用，其中計(jì)算機(jī)數(shù)據(jù)存儲(chǔ)問(wèn)題成為計(jì)算機(jī)正常運(yùn)行的關(guān)鍵，數(shù)據(jù)庫(kù)技術(shù)應(yīng)運(yùn)而生[1-2].由于存儲(chǔ)數(shù)據(jù)規(guī)模的不斷增加，以往的小型數(shù)據(jù)庫(kù)以無(wú)法滿足數(shù)據(jù)存儲(chǔ)的需求，從而出現(xiàn)了大型數(shù)據(jù)庫(kù)[3-4].緩沖區(qū)是計(jì)算機(jī)最重要的組成部分之一，廣泛應(yīng)用于數(shù)據(jù)庫(kù)中，對(duì)緩沖區(qū)進(jìn)行替換，可優(yōu)化I/O序列，減少用戶訪問(wèn)次數(shù)，優(yōu)化存儲(chǔ)性能，提高使用效率[5-6].如何對(duì)大型數(shù)據(jù)庫(kù)緩沖區(qū)進(jìn)行替換成為了該領(lǐng)域研究的熱點(diǎn)，受到了廣大學(xué)者的關(guān)注.

文獻(xiàn)[7]提出基于網(wǎng)絡(luò)優(yōu)化的大型數(shù)據(jù)庫(kù)緩沖區(qū)替換方法，該方法通過(guò)一種基于網(wǎng)格邊長(zhǎng)伸展的參數(shù)化方法對(duì)大型數(shù)據(jù)庫(kù)緩沖區(qū)進(jìn)行優(yōu)化，求得目標(biāo)替換數(shù)據(jù)，實(shí)現(xiàn)緩沖區(qū)的快速替換；文獻(xiàn)[8]提出基于OpenGL Performer的大型數(shù)據(jù)庫(kù)緩沖區(qū)替換方法，在3DMax中提取出特定緩沖區(qū)的替換特征，并使用遞歸遍歷方法減少緩沖區(qū)存在的缺陷，實(shí)現(xiàn)緩沖區(qū)替換，但該方法存在一定的替換誤差；文獻(xiàn)[9]提出基于支持補(bǔ)償?shù)拇笮蛿?shù)據(jù)緩沖區(qū)替換方法，該方法充分考慮在大型數(shù)據(jù)庫(kù)緩沖區(qū)進(jìn)行替換時(shí)對(duì)緩沖區(qū)數(shù)據(jù)造成的影響，為其進(jìn)行補(bǔ)充，提高替換效率，但是數(shù)據(jù)替換響應(yīng)較慢，不適合快速存取的情況.

針對(duì)上述問(wèn)題，本文提出模糊kohonen網(wǎng)絡(luò)聚類(lèi)算法與自適應(yīng)概率相結(jié)合的大型數(shù)據(jù)庫(kù)緩沖區(qū)替換方法.通過(guò)Broder理論并基于Jaccard相似性度量，對(duì)緩沖區(qū)重復(fù)數(shù)據(jù)進(jìn)行消除，建立了緩沖區(qū)數(shù)據(jù)檢測(cè)模型，并以此為基礎(chǔ)，采用模糊kohonen網(wǎng)絡(luò)聚類(lèi)算法對(duì)緩沖區(qū)數(shù)據(jù)進(jìn)行聚類(lèi)處理，引入自適應(yīng)概率實(shí)現(xiàn)對(duì)大型數(shù)據(jù)庫(kù)緩沖區(qū)的替換.根據(jù)實(shí)驗(yàn)結(jié)果可知，改進(jìn)的緩沖區(qū)替換方法可有效實(shí)現(xiàn)對(duì)大型數(shù)據(jù)庫(kù)緩沖區(qū)的替換，提高了替換效率.

1 重復(fù)數(shù)據(jù)消除及檢測(cè)模型的建立

1.1 重復(fù)數(shù)據(jù)消除

重復(fù)數(shù)據(jù)消除也叫容量?jī)?yōu)化技術(shù)或者智能壓縮，是一種經(jīng)過(guò)自動(dòng)搜索并檢測(cè)重復(fù)數(shù)據(jù)，只保留冗余數(shù)據(jù)唯一一個(gè)物理存儲(chǔ)的算法.重復(fù)數(shù)據(jù)消除使重復(fù)副本被指向單一存儲(chǔ)的指針?biāo)鎿Q，可達(dá)到消除冗余數(shù)據(jù)(即重復(fù)數(shù)據(jù))，降低數(shù)據(jù)中心存儲(chǔ)及傳輸壓力的目的.將損失的數(shù)據(jù)量定義為

loss=wOsize

(1)

式中：w為緩沖區(qū)數(shù)據(jù)的共享度；Osize為緩沖區(qū)數(shù)據(jù)的大小.

緩沖區(qū)數(shù)據(jù)的共享度w越高，重復(fù)數(shù)據(jù)消除操作的數(shù)據(jù)縮減比率越大，相應(yīng)的緩沖區(qū)數(shù)據(jù)因丟失引起的數(shù)據(jù)損失量也越大.由于重復(fù)數(shù)據(jù)消除時(shí)需要通過(guò)消除數(shù)據(jù)冗余來(lái)節(jié)省存儲(chǔ)空間，因此，為了提高數(shù)據(jù)可靠性，需要降低數(shù)據(jù)冗余度和數(shù)據(jù)可靠性.假設(shè)每一個(gè)緩沖區(qū)數(shù)據(jù)的副本數(shù)目k是一個(gè)關(guān)于緩沖區(qū)數(shù)據(jù)共享度w的函數(shù)，則其數(shù)據(jù)表達(dá)式為

k=min(max(2，a+blog2w)，kmaxloss)

(2)

式中：a和b為空間使用率及魯棒性，通常為常數(shù)；kmax為緩沖區(qū)最大數(shù)據(jù)副本數(shù)閾值.由式(2)可知，每個(gè)緩沖區(qū)數(shù)據(jù)至少維持兩個(gè)副本，最多不超過(guò)kmax個(gè)副本，緩沖區(qū)數(shù)據(jù)的副本數(shù)和共享度的對(duì)數(shù)成線性關(guān)系.假設(shè)有一個(gè)安全性函數(shù)H產(chǎn)生的緩沖區(qū)數(shù)據(jù)長(zhǎng)度為β，存儲(chǔ)空間為Θ，則Θ共包含2β個(gè)不同的數(shù)據(jù)特征.Ω為不同緩沖數(shù)據(jù)塊組成的集合，基于哈希算法得到指紋并進(jìn)行匹配，則緩沖區(qū)數(shù)據(jù)分配函數(shù)表示為

(3)

當(dāng)M?Ω，為緩沖區(qū)數(shù)據(jù)塊的集合時(shí)，則緩沖區(qū)數(shù)據(jù)發(fā)生的索引表達(dá)式為

L=Pr(h(A)=h(B)，?A，B∈M)

(4)

式中，h(A)和h(B)分別為數(shù)據(jù)A和B在緩沖區(qū)出現(xiàn)的次數(shù).假設(shè)緩沖區(qū)中有q個(gè)不一樣的數(shù)據(jù)塊(D1，D2，…，Dq)是依據(jù)順數(shù)串存儲(chǔ)到緩沖區(qū)的，并假設(shè)副本分布區(qū)數(shù)據(jù)ej(j=1，2，…，q)與前面存儲(chǔ)的數(shù)據(jù)發(fā)生碰撞時(shí)，寫(xiě)入新的數(shù)據(jù)，并重新再磁盤(pán)上進(jìn)行分布，則分布表達(dá)式為

(5)

式中，s為緩沖區(qū)分布系數(shù).本文使用數(shù)據(jù)內(nèi)容而非數(shù)據(jù)位置來(lái)消除緩沖區(qū)重復(fù)數(shù)據(jù)，假設(shè)有兩個(gè)數(shù)據(jù)集合S1、S2，則進(jìn)行重復(fù)數(shù)據(jù)消除后，緩沖區(qū)數(shù)據(jù)分配函數(shù)為

Pr(S)=[minh(S1)+minh(S2)]=

(6)

由式(6)可知，若S1和S2具有很高的相似度，則h(S1)，h(S2)里最小元素相同的概率也很高，即對(duì)緩沖區(qū)重復(fù)數(shù)據(jù)進(jìn)行消除的效果越好.重復(fù)數(shù)據(jù)消除策略結(jié)構(gòu)圖如圖1所示.

圖1 重復(fù)數(shù)據(jù)消除策略結(jié)構(gòu)Fig.1 Structure of strategy for eliminating repeated data

1.2 數(shù)據(jù)檢測(cè)模型的建立

在對(duì)緩沖區(qū)重復(fù)數(shù)據(jù)消除的基礎(chǔ)上，需對(duì)緩沖區(qū)數(shù)據(jù)進(jìn)行檢測(cè)，建立緩沖區(qū)數(shù)據(jù)檢測(cè)模型，詳細(xì)的建模步驟如下：

1) 選取一個(gè)正確的緩沖區(qū)數(shù)據(jù)樣本為Y={Y1，Y2，…，YN}，其中，緩沖區(qū)數(shù)據(jù)樣本中含有樣本數(shù)為N，每個(gè)樣本向量是一個(gè)p維矢量，設(shè)定緩沖區(qū)數(shù)據(jù)樣本初始值c(1≤c≤N)和數(shù)據(jù)樣本特征距離(即歐式距離).

2) 在設(shè)定環(huán)境后，初始化檢測(cè)緩沖區(qū)數(shù)據(jù)中心向量Z=(Z1，Z2，…，Zc)，在中心向量集合中每個(gè)向量同樣是p維矢量.另外初始化檢測(cè)次數(shù)T=0，最大檢測(cè)次數(shù)為T(mén)max，令隸屬度初始加權(quán)冪指數(shù)為K0(K0>1)，設(shè)定迭代的終止誤差為ε>0.

3) 計(jì)算輸入時(shí)各個(gè)緩沖區(qū)數(shù)據(jù)樣本屬于第i(2≤i≤c)類(lèi)的隸屬度，其計(jì)算式為

(7)

式中：τ為均值常數(shù)；Yk為緩沖區(qū)數(shù)據(jù)樣本總體特征；Zi，Zj分別為緩沖區(qū)數(shù)據(jù)樣本i和j的特征.

隸屬度rik計(jì)算完成后，利用此隸屬度計(jì)算權(quán)值迭代更新檢測(cè)率，即

(8)

λ=K0-T(K0-1)/Tmax

(9)

當(dāng)T=Tmax時(shí)，λ=1.

4) 調(diào)整緩沖區(qū)數(shù)據(jù)樣本中心向量，依據(jù)前一次的特征量和檢測(cè)率對(duì)緩沖區(qū)數(shù)據(jù)進(jìn)行檢測(cè)，檢測(cè)式為

(10)

通過(guò)上述檢測(cè)可以看出，檢測(cè)結(jié)果主要依賴(lài)輸入向量和不斷檢測(cè)更新的檢測(cè)率.假如輸入模式里有一個(gè)樣本屬于某一類(lèi)隸屬度的可能性比較大，則這類(lèi)輸入模式向量對(duì)緩沖區(qū)數(shù)據(jù)樣本中心向量檢測(cè)的影響就更大，符合實(shí)際情況.

5) 在對(duì)緩沖區(qū)數(shù)據(jù)進(jìn)行檢測(cè)后，采用加權(quán)平均的方法建立緩沖區(qū)數(shù)據(jù)檢測(cè)模型，模型計(jì)算式為

(11)

式中：cur_t為檢測(cè)緩沖區(qū)數(shù)據(jù)所需時(shí)間；rec_t為申請(qǐng)檢測(cè)所需時(shí)間；exp_t為預(yù)計(jì)執(zhí)行該檢測(cè)任務(wù)所持續(xù)的時(shí)間；ω，γ均為可調(diào)常數(shù).中心向量則需要滿足

(12)

當(dāng)檢測(cè)次數(shù)大于初始設(shè)定的最大檢測(cè)次數(shù)Tmax，則會(huì)導(dǎo)致檢測(cè)終止.

2 數(shù)據(jù)庫(kù)緩沖區(qū)替換方法

在進(jìn)行大型數(shù)據(jù)庫(kù)緩沖區(qū)數(shù)據(jù)檢測(cè)的基礎(chǔ)上，采用模糊kohonen網(wǎng)絡(luò)聚類(lèi)算法對(duì)緩沖區(qū)數(shù)據(jù)進(jìn)行聚類(lèi)處理，再引入自適應(yīng)概率法對(duì)緩沖區(qū)進(jìn)行替換.假設(shè)X=(x1，x2，…，xn)為包含n個(gè)數(shù)據(jù)對(duì)象的緩沖區(qū)數(shù)據(jù)集，每個(gè)緩沖區(qū)數(shù)據(jù)對(duì)象具有m個(gè)屬性，用A1，A2，…，Am表示，數(shù)據(jù)對(duì)象xi可表示成[xi1，xi2，…，xim].通過(guò)最小化特定目標(biāo)成本函數(shù)將緩沖區(qū)數(shù)據(jù)集X進(jìn)行劃分，劃分式為

(13)

式中：uil為劃分緩沖區(qū)數(shù)據(jù)矩陣Un×k的元素，表示緩沖區(qū)數(shù)據(jù)對(duì)象i是否屬于第l個(gè)簇；Qlj為屬性j在簇l里的中心數(shù)據(jù)；d(·)為計(jì)算緩沖區(qū)數(shù)據(jù)對(duì)象間或數(shù)據(jù)對(duì)象和簇中心間的距離函數(shù)；sj為屬性j的權(quán)重值，權(quán)重值滿足

(14)

式中，Dj為屬性j的簇內(nèi)距離和.由式(14)可知，對(duì)簇內(nèi)距離之和小的緩沖區(qū)數(shù)據(jù)屬性，需要分配一個(gè)大的屬性權(quán)重值；反之，則需分配一個(gè)小的屬性權(quán)重值.特定的目標(biāo)函數(shù)表達(dá)式為

(15)

假如緩沖區(qū)數(shù)據(jù)對(duì)象i屬于簇l，則uil為1，反之為0.采用模糊kohonen網(wǎng)絡(luò)聚類(lèi)算法對(duì)緩沖區(qū)數(shù)據(jù)進(jìn)行聚類(lèi)，計(jì)算式表示為

(16)

(17)

式中，G(n)為復(fù)小波法提取的緩沖區(qū)特征.

綜上所述，采用模糊kohonen網(wǎng)絡(luò)聚類(lèi)算法對(duì)緩沖區(qū)數(shù)據(jù)進(jìn)行聚類(lèi)處理，利用復(fù)小波法提取緩沖區(qū)的特征，并以此為基礎(chǔ)引入自適應(yīng)概率，可實(shí)現(xiàn)對(duì)大型數(shù)據(jù)庫(kù)緩沖區(qū)數(shù)據(jù)的高效替換.

3 實(shí)驗(yàn)結(jié)果分析

為了驗(yàn)證改進(jìn)的大型數(shù)據(jù)庫(kù)緩沖區(qū)替換方法的有效性及可行性，采用實(shí)驗(yàn)進(jìn)行分析.實(shí)驗(yàn)的硬件環(huán)境為Intel(R)Core(TM)i6-10GHzCPU和4GBitDDR2內(nèi)存，操作系統(tǒng)為Windows7，并在Flash-DBSim平臺(tái)上進(jìn)行操作.采用的參數(shù)配置模擬器為一個(gè)128Mbit的NAND固態(tài)盤(pán)，其詳細(xì)參數(shù)如表1所示.

表1 NAND固態(tài)盤(pán)特性參數(shù)Tab.1 Characteristic parameters for NADA solid state disk

在緩沖區(qū)容量一定的情況下，將改進(jìn)方法與基于網(wǎng)絡(luò)優(yōu)化的大型數(shù)據(jù)庫(kù)緩沖區(qū)替換方法、基于支持補(bǔ)償?shù)拇笮蛿?shù)據(jù)緩沖區(qū)替換方法進(jìn)行命中率方面對(duì)比實(shí)驗(yàn)分析.參照文獻(xiàn)[9]中命中率的計(jì)算方法得到不同算法替換大型數(shù)據(jù)緩沖區(qū)的命中率，結(jié)果如圖2所示.

圖2 不同算法的命中率比較Fig.2 Comparison in hit rate between different algorithms

由圖2可知，采用基于網(wǎng)絡(luò)優(yōu)化方法時(shí)，其命中率會(huì)隨著緩沖容量的增加而增加，但其命中率相對(duì)較低；采用基于支持補(bǔ)償方法時(shí)，其隨著緩沖區(qū)容量的增加，命中率會(huì)相應(yīng)出現(xiàn)波動(dòng)，穩(wěn)定性較差；采用改進(jìn)的替換方法時(shí)，其命中率隨著緩沖區(qū)容量的增加而增加，穩(wěn)定性較好，而且其命中率相比其他兩種算法均有所提高.

為了進(jìn)一步驗(yàn)證改進(jìn)方法的有效性，在緩沖區(qū)容量一定的情況下，將改進(jìn)方法與基于網(wǎng)絡(luò)優(yōu)化的大型數(shù)據(jù)庫(kù)緩沖區(qū)替換方法、基于支持補(bǔ)償?shù)拇笮蛿?shù)據(jù)緩沖區(qū)替換方法進(jìn)行運(yùn)行時(shí)間方面的對(duì)比實(shí)驗(yàn)，結(jié)果如圖3所示.

圖3 不同算法的運(yùn)行時(shí)間對(duì)比Fig.3 Comparison in running time between different algorithms

由圖3可知，3種方法的運(yùn)行時(shí)間均隨緩沖區(qū)容量的增加而減少，但采用改進(jìn)的替換方法時(shí)，其平均運(yùn)行時(shí)間約為2 s，且到50 Mbit后算法的運(yùn)行時(shí)間趨于穩(wěn)定，是3種算法中運(yùn)行時(shí)間最少的、數(shù)據(jù)處理效率最好的.

4 結(jié) 論

針對(duì)傳統(tǒng)替換方法存在替換不準(zhǔn)確、效率低的問(wèn)題，提出模糊kohonen網(wǎng)絡(luò)聚類(lèi)算法與自適應(yīng)概率相結(jié)合的大型數(shù)據(jù)庫(kù)緩沖區(qū)替換方法.采用Broder理論并基于Jaccard相似性對(duì)緩沖區(qū)重復(fù)數(shù)據(jù)進(jìn)行消除，建立緩沖區(qū)數(shù)據(jù)檢測(cè)模型，并以此為基礎(chǔ)，采用模糊kohonen網(wǎng)絡(luò)聚類(lèi)算法對(duì)緩沖區(qū)數(shù)據(jù)進(jìn)行聚類(lèi)處理.采用復(fù)小波法提取緩沖區(qū)的特征引入自適應(yīng)概率，實(shí)現(xiàn)對(duì)大型數(shù)據(jù)庫(kù)緩沖區(qū)的替換.根據(jù)實(shí)驗(yàn)結(jié)果可知，采用改進(jìn)的緩沖區(qū)替換方法可有效實(shí)現(xiàn)對(duì)大型數(shù)據(jù)庫(kù)緩沖區(qū)的替換，提高替換效率，增加大型數(shù)據(jù)庫(kù)存儲(chǔ)的整體性能.

[1] Xiao J，Ehinger K A，Hays J.Exploring a large collection of scene categories [J].International Journal of Computer Vision，2016，119(1)：3-22.

[2] 敖建華.基于閃存的數(shù)據(jù)庫(kù)緩沖區(qū)替換算法優(yōu)化研究 [J].電腦知識(shí)與技術(shù)，2014(20)：4631-4633.

(AO Jian-hua.Research on optimization of database buffer replacement algorithm based on flash memory [J].Computer Knowledge and Technology，2014(20)：4631-4633.)

[3] Cao C，Weng Y，Zhou S，et al.A 3D facial expression database for visual computing [J].IEEE Transactions on Visualization & Computer Graphics，2014，20(3)：413-425.

[4] 徐旭，劉偉.線目標(biāo)緩沖區(qū)生成的矢柵混合算法研究 [J].計(jì)算機(jī)工程與應(yīng)用，2014，50(4)：152-156.

(XU Xu，LIU Wei.Research on vector-raster mixed algorithm of linear buffer generation [J].Computer Engineering and Applications，2014，50(4)：152-156.)

[5] 鹿婷婷，鹿璐.基于分區(qū)替換概率的閃存數(shù)據(jù)庫(kù)緩沖區(qū)自適應(yīng)替換算法 [J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用，2014(11)：152-155.

(LU Ting-ting，LU Lu.Based on adaptive probability of flash database partition to replace buffer replacement algorithm [J].Network Security Technology & Application，2014(11)：152-155.)

[6] 任艷.微信息大數(shù)據(jù)粗糙集的近似約簡(jiǎn) [J].沈陽(yáng)工業(yè)大學(xué)學(xué)報(bào)，2016，38(3)：122-125.

(REN Yan.Approximate reduction of micro-message big data rough set [J].Journal of Shenyang University of Technology，2016，38(3)：122-125.)

[7] 孫新軒，呂蓬，李磊.利用最小二乘法檢測(cè)緩沖區(qū)海岸線變化研究 [J].信息工程大學(xué)學(xué)報(bào)，2014，15(1)：12-16.

(SUN Xin-xuan，Lü Peng，LI Lei.Research on detecting buffer shoreline using the least squares method [J].Journal of Information Engineering University，2014，15(1)：12-16.)

[8] 杜田田，李芳，武超然.求解有限緩沖區(qū)流水線調(diào)度問(wèn)題的混合蝙蝠算法 [J].計(jì)算機(jī)應(yīng)用與軟件，2015(6)：232-235.

(DU Tian-tian，LI Fang，WU Chao-ran.Hybrid bat algorithm for solving permutation flow-shop scheduling problem with limited buffers [J].Computer Applications and Software，2015(6)：232-235.)

[9] 林子雨，賴(lài)明星，鄒權(quán)，等.基于替換概率的閃存數(shù)據(jù)庫(kù)緩沖區(qū)替換算法 [J].計(jì)算機(jī)學(xué)報(bào)，2013，36(8)：1568-1581.

(LIN Zi-yu，LAI Ming-xing，ZOU Quan，et al.Probability-based buffer replacement algorithm for flash-based databases [J].Chinese Journal of Computers，2013，36(8)：1568-1581.)

Databasebufferreplacementbasedonnetworkclusteringandadaptiveprobability

HE Hong-yan, LI Guang-ming, ZHANG Hui-ping

(Engineering and Technology College, Hubei University of Technology, Wuhan 430068, China)

Aiming at the inaccurate replacement and low efficiency existing in the traditional replacement method, a large database buffer replacement method in combination with both fuzzy kohonen network clustering algorithm and adaptive probability was proposed.Through adoptingBroder theory and based on Jaccard similarity measurement, the repeated data in the buffer were eliminated, and the buffer data detection model was established.In addition, the buffer data were clustered with the fuzzykohonen clustering algorithm.The buffer features were extracted with the complex wavelet method, and the adaptive probability was introduced to replace the large database buffer.The results show that the improved buffer replacement method can effectively realize the replacement of large database buffer, increase the replacement efficiency, and enhance the overall performance of large database storage.

large database; buffer; replacement method; improvement; feature; network clustering; adaptive probability; data storage

2016-08-14.

湖北省教育廳科研計(jì)劃資助項(xiàng)目(2014277)；湖北工業(yè)大學(xué)工程技術(shù)學(xué)院項(xiàng)目(X201328).

賀紅艷(1978-)，女，湖北武漢人，講師，碩士，主要從事計(jì)算機(jī)應(yīng)用技術(shù)等方面的研究.

* 本文已于2017-10-25 21∶12在中國(guó)知網(wǎng)優(yōu)先數(shù)字出版.網(wǎng)絡(luò)出版地址：http：//kns.cnki.net/kcms/detail/21.1189.T.20171025.2112.012.html

10.7688/j.issn.1000-1646.2018.01.12

TP 311

A

1000-1646(2018)01-0065-05

景 勇 英文審校：尹淑英)