数据仓库中物化视图选择算法的分析和比较

物化视图的选择一直是数据仓库领域的研究热点。介绍了目前存在的多种典型的静态和动态选择算法,对各种算法的性能、时间复杂度等进行了分析和比较,并给出了一个优化的物化视图选择算法,最后还分析了多种混合选择方法,指出该方法是物化视图选择问题的一个新的研究方向。     

数据仓库中物化视图的选择

物化视图是数据仓库中提高查询效率的有力方法，物化视图的选择一直是数据仓库领域的研究热点。通过对星型模型的研究，根据对数据仓库的常用查询及其执行概率，设计出一个候选视图的算法，并详细介绍了线性代价模型，在该模型和候选视图算法基础上，参照文献[4]提出一个改进的物化视图选择贪心算法。     

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.     

数据仓库物化视图选择的混合算法

物化视图是提高数据仓库的查询响应能力以高效支持决策分析的重要手段，但物化视图集选选择是一个复杂问题。结合启发式算法的快速收敛能力和遗传算法的全局优化能力的两层物化视图求解方案提供了物化视图选择问题求解的可行途径。     

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.     

数据仓库中物化视图的选取策略

数据仓库中用存储大量的物化视图来加速OLAP的查询响应,物化视图的选取是数据仓库设计中的一个重要问题。论文提出了一个有效的物化视图选取算法,采用基于数据立方体层次搜索的方式选取视图。经分析与测试表明,该算法取得良好的效果和效率。     

数据仓库中多数据源物化视图的一种有效更新算法

数据仓库中存储着大量的汇总数据以支持查询和相关决策的制定,这些汇总数据常常是定义在若干数据源上的物化视图．当数据源发生变化时,物化视图也需要相应的更新,这必然给数据仓库带来庞大的开销,因而如何有效地对物化视图进行更新成为一个非常重要的问题．利用BinPartition算法可以使计算费用达到最低,随后证明了该算法的正确性并分析了其时间复杂性．     

数据仓库视图的一致性维护

数据仓库是分布、自治的数据源的数据集合,其基本结构可用图1描述: 图1中,监视器是很关键的部件,它在相应的数据源收集感兴趣的数据并向数据仓库发送,其功能是:既能识别数据流的变动并通知数据仓库,又能计算出数据源的快照间的差异。     

数据仓库中基于实体化辅助视图的视图增量维护

为了加快对大量数据的查询处理速度，通常在数据仓库以实视图方式存储数据，当基础数据发生变化时，这些实视图也必须随着更新，因而视图自维护和一致性维护成为数据仓库的重要问题。本文提出利用视图计算的中间结果创建辅助视图，在数据仓库中进行实体化，采用有效的增量维护算法计算实视图的精确变化，实现数据仓库视图自维护。     

数据仓库实化视图的联机维护

数据仓库实化视图和联机维护是数据仓库系统维护的一项关键技术,采用这种技术,能够在不影响用户正常业务的情况下,实现数据仓库的实化视图数据的及时更新、联机分析处理（OLAP）作为数据仓库的一个主要应用,在数据仓库实化视图的联机维护的过程中会面临严重的数据不一致问题。为了解决这个问题,本文引入“维护库”（Maintaining Database)的概念,提出基于事务触发的视图维护算法TVM,通过消息应答机制实现实化视图与数据源的数据一致性。     

数据仓库实化视图的联机维护

数据仓库实化视图的联机维护是数据仓库系统维护的一项关键技术,采用这种技术,能够在不影响用户正常业务的情况下,实现数据仓库中实化视图数据的及时更新。但联机分析处理（OLAP）作为数据仓库的一个主要应用,在数据仓库实化视图的联机维护过程中会产生严重的数据不 一致问题。为了解决这个问题,引入“维护库”（Maintaining Database)的概念,提出基于事务触发的视图维护算法TVM,采取应答机制,达到数据的一致性。     

一种对象实视图的增量维护算法OMVIMA

首先给出了一种面向对象的实视图模型———对象视图模型,可以在数据仓库中描述复杂对象,并有利于前端工具OLAP的实现。然后在此基础上提出了对象视图模型增量维护算法———OMVIMA,该算法能够有效地实现从数据源到数据仓库中对象(数据)的增量抽取和加载等维护工作。最后给出了算法的性能和效率分析,并通过应用实例证明了该算法比基于纯关系实视图的实现方法具有更高的效率。     

Oracle物化视图在数据仓库中的应用

在数据仓库的开发中,随着业务数据量的剧增以及其数据量增加的不稳定性,如何使用一种合适的方式来实现ETL(数据的抽取,转换,装载)成为在数据仓库开发中最需要考虑的热点。本文介绍一种可以实现数据仓库ETL的技术——Oracle物化试图,并以作者在数据仓库开发实践作为例子,具体说明Oracle物化试图的实现方法。     

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。     

数据仓库环境下的实化视图维护

本文通过示例说明数据仓库环境下实化视图维护存在的数据一致性问题,并分析了产生这一问题的根本原因．文中介绍了一些能解决数据一致性问题的具有代表性的实化视图维护算法,比较了它们之间的差异,最后描述了数据仓库环境下数据一致性程度的四个层次。     

基于源视图的数据仓库维护系统

本文提出一种基于源视图的数据仓库维护系统,可降低维护开销,满足不同的应用需求。首先阐述了系统的体系结构,然后描述其主要部分:监视器和集成器的结构和功能,最后介绍实现的关键算法。     

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。     

基于蚁群-遗传算法的物化视图选取策略

将蚁群算法和遗传算法相结合用于物化视图选取问题。利用遗传算法较强的全局搜索能力对蚂蚁每次的搜索结果进行优化改良,并在信息素更新时,同时考虑最优、最差路径上的信息素更新。实验结果表明,该算法不仅提高了解的收敛速度,也成功解决了蚁群算法易“早熟”而引起的停滞现象。     

视图维护的并行在线错误纠正算法

最近几年,数据仓维护问题的重心已转移到各信息源并发更新下的视图维护。比较流行的算法,如ECA算法和Strobe算法在解决并发更新问题时需要数据仓处于静止状态。而文中的在线错误纠正方法不需要额外的本地补偿操作,并且在维护时不需要数据仓处于静止状态。进而该文提出了一个在线错误纠正的优化算法,称为并行在线错误纠正算法。该算法对原有的函数模块做了一定的修正和增强处理,并给出了修改了的函数功能模块图,它能完成并行维护,提高维护的性能。