基于时间段查询的物化视图策略

物化视图是减少数据仓库中查询响应时间的有效方法.现有的物化视图选择策略主要考虑物化视图的初始选择方法以及动态更新方法.针对某时间段内查询进行物化视图更新的情况考虑不足,在贪心算法以及动态更新算法的基础上,提出了基于时间段内查询的物化视图更新策略.基于时间段查询的物化视图更新策略可充分适应用户需求,提高查询效率.     

基于物化视图方法优化数据库查询效率

为提高数据库的查询性能,对查询操作进行优化是非常必要的.优化查询速度的措施主要针对数据库管理系统层与应用层,物化视图是其中的一种方法.本文采用物化视图的方法对数据库查询效率进行优化.实验表明,此方法具有较好的优化效果.     

Web数据集成系统基于QC模型的物化视图选择

在Web数据集成系统中,物化视图能够有效地减少网络传输代价,提高系统的查询效率．如何选择查询进行物化,使得选中的查询满足集成层的空间限制,同时获取最大物化收益,成为集成系统中一个迫切需要解决的问题．传统方法没有考虑到海量XML查询之间的包含关系,其选择的物化视图中可能包含冗余的信息．针对上述问题,提出了①Web数据集成系统中海量查询集合的QC(query containment)模型,该模型能够捕捉查询之间最常见的包含关系;②基于QC模型的物化视图选择算法,算法考虑了物化视图选择相关的主要因素,包括查询提交的频率、空间代价、查询重写能力和查询结果的完备性,提出了查询位图的物化视图组织方式,从而获取更加合理的物化视图选择方案．实验结果证明了该方法的有效性．     

数据仓库中物化视图选择策略

为了提高决策支持和OLAP查询的响应效率,数据仓库多采用物化视图的思想.因此,物化视图的选择策略是数据仓库研究的重要问题之一.其目标是选出一组存储、维护代价与查询代价的总和为最小的物化视图.提出一个以MVPP(multi-view processing plan)为视图选择的搜索空间的物化视图选择新算法--VSMF(views selection base on multi-factor)算法.该算法在存储空间约束下同时实现多查询最优化和视图维护最优化.     

含聚集物化视图的增量维护方法

针对含聚集物化视图的增量维护问题,提出了一种基于逐步更新思想的增量维护模型和方法.该方法建立了聚集函数计算前查询结果与基表记录之间的映射关系表,并根据映射关系表的增量变化更新物化视图的聚集函数.针对之前方法对于MAX/MIN聚集函数增量更新的不足,在仅利用增量数据不能更新聚集函数值时,采用仅重新计算映射关系表中相关行的MAX/MIN函数值的方法,极大地减小了更新MAX/MIN聚集函数的计算量.在OSCAR数据库的应用表明了该方法的有效性和高效性.     

基于物化视图的查询系统研究与实现

在数据库领域,如何加快查询的执行速度非常重要。查询重写技术能透明地利用物化视图回答查询,避免了直接访问大量的原始记录以及耗时的连接和聚集计算,提高了查询 的执行速度。本文讨论了基于数据库中的外键连接关系进行扩展的查询重写方法,以此为核心研究了针对小型数据库的物化视图查询系统,并通过实验证明了物化视图策略的有效性。     

面向查询集覆盖的物化视图选择算法

为了解决大容量物理存储条件下数据仓库的物化视图选择问题,提出一种面向查询集覆盖的物化视图选择算法.首先给出了一些概念和定义,然后从视图集的多维数据格中抽取和裁剪出候选视图集,并定义视图物化的效益模型,最后在存储容量的限制下逐步淘汰收益最小的应答查询的冗余视图,得到覆盖所有查询的最优物化视图集.实验结果表明,该算法在较大物理存储条件下的物化视图选择效率优于以往算法,且能够消除物化视图在应答查询时存在的时延“抖动”现象,应答用户查询的平均时间也大为缩短.     

一种空间数据仓库动态物化视图选择算法

物化视图能够有效地提高空间数据仓库的查询效率,但由于空间操作的复杂性,传统数据仓库中物化视图的选择算法不能很好地应用于空间数据仓库。为了在存储空间约束下选择查询进行物化,并动态调整物化视图集,以适应用户查询的时变性和即席查询,提出了空间物化视图选择算法SMVS。实验结果表明该算法是有效可行的,不仅能够提高查询性能,而且解决了查询响应性能随用户查询分布变化而下降的问题。     

为物化视图选择构造搜索空间的新策略IMVPP

数据仓库中物化视图选择算法的代价与搜索空间的尺寸紧密相关。提出了一种基于输入查询的公共子表达式的候选视图搜索空间构造方法IMVPP,利用算法1计算出的公共子表达式,能被其他查询共享,并可对输入查询进行重写,有利于缩减视图搜索空间,提高查询效率。理论分析与实验结果表明,此方法是有效、可行的。     

实现物化视图在线维护

数据仓库在线条件下,物化视图的维护是一项非常具有挑战性的工作.从减少不必要的更新和选择适当的更新时机入手进行较为深入的研究,提出机会更新的维护方法OUMV,并将它与延迟更新进行结合,而获得一种更为有效的在线维护算法ODUA,以克服延迟更新算法存在的不足,实现在线条件下物化视图的高效维护.     

数据仓库中实体化视图的重计算代价最小化问题的研究

数据仓库中实体化视图的重计算问题实际上就是由视图的结构发生变化而引起的。对基本关系的每个可能的Schema模式变化,必须对视图重计算而得到新视图,这种重计算过程是需要付出代价的,为了使视图的重计算代价最小化,不应该对新视图中的所有数据都重新计算一遍,而应该通过一定的算法保留旧视图中的数据,只通过重计算而获取新数据,这样就可以使视图的重计算代价最小化。     

实视图选取策略及其实现技术

研究了数据仓库中一般的实视图选取策略，定义一种利益代价图——BC图(Benefits Cost Graph)，并以BC图为基础给出了选取实视图集的算法.最后，将BC图扩展为BC^＋图，解决带索引的实视图的选取问题.     

一种用于搜索可能响应查询的候选实化视图的索引

1 引言实化视图是存储了实际数据的视图,在响应查询时如果能直接利用实化视图,那么就可以避免相应的重新计算,从而提高查询性能。对一个复杂查询,一个实化视图往往只能替代查询的一部分(子表达式),在构造一个重写查询时,这种视图替代过程将被多次调用。当实化视图的数量很多时,如果每次视图替代都要把所有视图检查一遍,那将花费大量时间,从而降低利用视图响应查询的效果。     

渐进支持向量的一种新颖选取策略

渐进支持向量决定渐进支持向量机的泛化能力,其选取至关重要。对此提出了一种新颖的基于概率计算的渐进支持向量选取策略。该方法为每个样本点构造一个通过该样本点的合适分离面,该样本点成为渐进支持向量的概率是根据该分离面对两类样本的分离率来估计的。具有较高概率值的训练样本被选为渐进支持向量,用以训练和更新渐进支持向量机。比较性的实验表明,该方法在保持渐进支持向量机泛化能力的前提下,在训练效率上具有非常突出的优势。     

物化视图增量保持的改进算法

对于定义在若干基本表上的物化视图，当基本表发生变化时，物化视图也需要相应地更新，如何有效地进行物化视图的增量保持是一个非常重要的问题。文章提出了一种在O(nlogn)时间内构造最优Delta传播树的二分贪心算法，并给出了算法正确性证明。     

基于Oracle物化视图日志的数据同步技术研究

在当今数据信息系统的开发中,分布式数据库和分布式应用系统间的数据同步问题是一个较为常见且较难解决的问题。现有的各种解决方案存在反映源数据频繁变化比较困难和数据同步效率低等问题。本文通过对Oracle数据库的物化视图日志机制的研究,简要介绍Oracle数据库物化视图日志的数据结构、对数据库记录操作的记录方式,提出了一种基于Oracle数据库物化视图日志的数据库同步技术,为分布式应用系统中数据表间的数据同步提供了一种新思路。     

基于实例化视图的MDX语句执行性能优化

多维表达式(MDX)语句多用于实现对海量数据的多维分析,如何对MDX语句的执行过程进行优化,进而提高查询速度是构建在线分析处理系统的一个难点。该文采用预建实例化视图的方法,使得原先基于事实表和维表的多表连接查询在经过查询重写后,可直接利用单一的候选实例化视图完成,从而大大加快了MDX语句的执行速度。阐述了选取候选实例化视图的基本思路,并给出实验结果。实验证实,数据量越大、MDX语句越复杂,性能提升的效果越明显。     

基于粒子群优化算法的伺服系统测试点优选策略研究

针对某型雷达天线伺服系统测试点多,故障诊断需测试较多测试点而导致的故障诊断时间长,效率低的问题,提出了一种基于粒子群优化的测试点优选方法;该方法首先基于系统所需的故障诊断率和所能容忍的故障虚警率构建目标优化函数,其次利用粒子群算法对目标函数进行优化以选择最少的测试点完成故障定位和诊断;该方法避免了对所有测试点的测试,节省了测试时间,可在最短的时间内完成测试点的优选;仿真实验验证了算法的有效性。     

实体化视图动态选择预处理算法的研究

实体化视图是数据仓库中提高查询效率的有效手段，数据仓库运行期间，需要对其中的实体化视图进行维护，从而保证用户查询的响应时间较短。针对用于实体化视图动态选择的遗传算法收敛速度慢，运行时间长的问题，提出一种预处理算法来计算动态选择实体化视图时遗传算法的初始群体。理论分析和宴验结果表明，该算法可以有效地提高实体化视图动态选择时的寻优收敛速度。     

一种基于竞争策略的粒子群优化算法

为提高粒子群优化(Particle Swarm optimization,PSO)算法的收敛精精度与速度,提出了一种基于竞争策略的粒子群优化算法.算法通过对两粒子相似度的判定,来决定是否对粒子进行变换操作,能够提高粒子的多样性,避免局部最优,提高了收敛精度,片且当两个粒子被判定为同一个粒子时,根据适者生存的思想,适应度较优的粒子保留下来,适应度较差的粒子则需进行高斯变异变换,在保证粒子多样性的基础上减少了运算量,提高了收敛速度.并且通过多峰函数(Achley函数、Schaffer函数、Grienwank函数)验证,结果表明,改进后的粒子群优化算法在收敛精度与收敛速度方面都优于基本的粒子群优化算法.