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.     

基于多分类及特征融合的静默活体检测算法

现有的静默活体检测研究忽略不同非活体攻击方式之间的差异,以及不考虑活体和非活体样本类别不均衡对模型学习的不利影响. 本研究将非活体攻击类别细分成打印攻击和展示攻击,将静默活体检测由传统的二分类问题转变为多分类问题,并提出采取交叉熵作为损失函数对网络模型进行训练的方案,用以克服二分类和类别不均衡问题,使得模型训练中能更准确发现和抽象出非活体人脸样本共同的欺诈特征,提高网络模型对非活体识别的精准度. 构建双流特征融合网络模型,采取注意力机制对从RGB和YCrCb这2种不同色彩空间提取到的特征向量进行自适应加权融合,以进一步提升网络模型的特征表示能力. 在CASIA-FASD、Replay-Attack、MSU-MFSD和OULU-NPU 4个公开数据集进行大量的对比实验,实验结果表明,采取多分类策略以及特征融合的静默活体检测模型能够有效降低分类错误率并提升泛化能力.     

k-APPRP:一种基于划分的增量数据重发布隐私保护k-匿名算法

针对现实数据集动态增加和多次发布的隐私保护需求,本文在分析增量更新数据匿名若干概化方式基础上,提出了防止数据重发布过程中发生隐私泄漏的单调概化原则,并利用该原则,设计一个基于划分的增量数据重发布k-匿名算法k-AP-PRP.理论分析和实验结果表明,算法k-APPRP可安全且高效地实现连续增长数据集重发布的隐私保护,同时保证发布数据具有较高的数据质量.     

DAOA:一种动态数据仓库聚集优化算法

为了有效地支持企业决策,越来越多的企业建立或倾向于建立数据仓库,然而随着时间的推移,数据仓库在具体应用中普遍存在着查询效率低下,用户需求得不到很好满足等问题,这就需要数据仓库进行及时的调整和优化,以解决这一矛盾.聚集优化是数据仓库优化技术的重要组成,这里以数据仓库聚集优化为研究对象,通过分析系统运行日志和收集用户需求变化,提出数据仓库聚集优化的最优路径算法Route_Optimize和聚集的物化选择算法Select_Optimize,并以此为基础获得一个切实可行的动态聚集优化实施方案DAOA (Dynamic Aggregation Optimization Approach),可用于时原聚集进行有效的动态调整,以提高数据仓库的运行效率,更好地满足用户的需求,最终延长数据仓库的生命周期.该方案经实验和具体应用证明其可行性及良好的效果.     

高维类别属性数据流离群点快速检测算法

提出类别属性数据流数据离群度量--加权频繁模式离群因子(weighted frequent pattern outlier factor,简称WFPOF),并在此基础上给出一种快速数据流离群点检测算法FODFP-Stream(fast outlier detection for high dimensional categorical data streams based on frequent pattern).该算法通过动态发现和维护频繁模式来计算离群度,能够有效地处理高维类别属性数据流,并可进一步扩     

面向分布式规则挖掘的K相异性数据取样技术

提出了一种新的面向分布式规则挖掘的数据取样技术(DOptiSim方法),它是在分析了分布式环境中移动Agent技术特点和研究了最优K相异性数据多样化代表性子集选择方法(OptiSim算法)及其扩展技术(EOptiSim算法)的基础上提出的.该方法不仅能克服基于集中处理的分布式数据挖掘方法的不足,还能完成各场地数据是互相关联和互相依赖的分布式数据挖掘任务.实验结果证实该方法是可行、有效的.     

一种基于相关性的分布式异常检测算法

提出了一种传感器网络异常检测算法,与传统的基于相邻节点数据对比的检测算法不同,该算法首先在节点内分析数据的时间相关性,仅在发生异常时,上传至簇头节点,分析空间相关性;对于不确定的异常数据,在相邻分簇内,计算数据的相关性.还给出了采用直方图计算均值和分析相关性的方法.实验表明,该算法减少了通信量,提高了异常检测的准确率.     

物化视图选择的预处理算法

现有的静态物化视图选择算法的视图搜索代价较大,而导致算法的时间复杂度偏高,不能用于对物化视图进行在线动态调整．提出了一种物化视图选择的预处理算法——PMVS,其中包括用户查询集动态调整算法QSDM、候选视图格构造算法CVLC和候选视图筛选算法CVF,该算法可用做预处理过程对视图数量进行在线压缩,从而降低了静态算法的视图空间搜索代价和时间复杂度．理论分析和实验结果表明该算法是有效可行的．     

选择-验证-过滤:一种迭代的子图包含查询处理机制

近年来,图模型广泛应用于生物信息、计算化学、语义网等领域.目前,"过滤-验证"机制被广泛用于子图包含查询,即首先根据图数据的特征构造索引,然后根据索引产生候选集,最后对候选集中的每一个图进行子图同构验证.在这类算法中,"过滤"阶段是关注的重点,力争过滤掉更多的数据;而"验证"阶段则只是单纯地进行候选图子图同构检测,并没有进一步优化查询性能的可能.因此,提出了一种新的子图包含查询的迭代处理机制:"选择-验证-过滤",可利用从子图同构验证过程中得到的信息,结合数据库中图数据之间的相关关系,进行迭代查询处理.该机制首先选择数据库中的图与查询图进行同构验证,然后根据本次验证得到的信息,结合图数据之间的子图映射关系,进行迭代查询处理.一旦子图同构验证成功则可直接获得查询结果,而若验证不成功,则可以缩小下次迭代的查询搜索空间.为提高验证成功概率,提出了一种基于搜索空间预测的图选择策略.大量实验表明,该算法具有较"过滤-验证"机制更高的查询处理性能.     

基于拓扑序列的DAG子图包含查询算法研究

图模型具有强大的表达能力,被广泛用于各种应用领域的数据建模.如何在大规模图数据库中进行高效子图包含查询是当前的研究难点之一.由于子图同构是一个NP完全问题,在现有的子图包含查询算法中,基于图特征的索引技术被广泛用来提高查询处理性能,但是这些索引结构的维护代价较高.针对有向无环图提出了一种基于拓扑序列的子图包含查询算法,...