基于数据倾斜关联度的数据库高效挖掘方法

提出一种基于数据倾斜关联度的数据高效算法,首次给出数据倾斜度的概念,利用数据类间特征进行数据倾斜程度的判断,对相似数据进行类间聚类,将数据库中数据特征进行信息相似度计算,计算概念总出现次数时应累加其所有子概念的出现次数。在查询的过程中,充分考虑同一数据属性的多样性,对数据特征加入模型的数量进行约束,减少不必要的繁琐数据特征。判断符合查询条件的数据类别,根据不同的数据类别进行数据查询,实现数据结构的优化。实验结果表明,利用这种算法进行数据库查询优化,能够有效提高海量数据库信息查询的效率。     

海量信息存储中数据库性能优化方法

研究海量信息存储过程中的数据库性能优化问题.假设数据库中存在海量信息,则数据库信息查询需要耗费大量的时间,无法满足当今社会的信息需求.因此,需要对数据库性能进行优化处理,提高数据库查询的效率.为此,提出了一种基于云计算的数据库性能优化方法.建立云计算数据关系模型,描述数据库中相关数据之间的联系,从而为数据查询提供依据.计算数据节点的负载状态,从而实现数据库中信息的快速查询.实验结果表明,这种算法能够有效提高数据库查询效率,取得了令人满意的效果.     

基于关联约束最优模型的数据库优化查询算法

大型数据库中的数据的属性种类很多。大规模的计算频繁数据集会造成数据运算量巨大。没有形成很好的数据约束规则,随着数据种类的增加,会使得查询较为耗时。为了解决此问题,提出一种基于关联约束最优模型的数据库优化查询算法,设计一种关联分辨器的功能,对数据进行关联数据集划分,运用数据约束技术,排除频繁集项过于复杂的干扰,对数据库的查询过程进行优化。实验表明,该方法能够较好的完成数据的关联,提高了查询的效率。     

基于多样化特征的数据库约束查询算法

针对数据库结构越来越复杂,数据特征呈现出多样性,数据属性分化较为严重,给数据的查询带来了较大的困难这一问题,提出一种基于多特征属性约束机制的数据库优化查询算法。通过对数据属性进行有效地分类,运用边界约束理论对数据查询过程中产生的边界模糊问题进行有效地抑制。仿真实验证实,该算法在数据库查询过程中,能够较好地克服冗余多属性数据的干扰,效率较高。     

弱匹配模型下的数据库分区查询方法研究

大型数据库中,数据种类和数量较大,其中的强冗余数据干扰了需要查询的数据,导致数据关联属性弱化,查询数据过程中,严重干扰数据库查询的精度。提出一种基于弱匹配区域划分模型的数据库分区查询方法,在数据库中融入弱匹配区域的概念,依据数据融合属性特征,对数据属性融合差异较大的区域进行分割,获取数据弱匹配区域,在该区域中运算最大数据属性弱匹配度的相似性并进行聚类分析,实现弱匹配区域数据属性特征的过滤,利用弱匹配区域划分模型下数据库修补技术对数据进行实时关联修补,通过弱匹配区域的数据库查询优化方法,删除失效数据,缩小数据库中数据的冗余性,实现数据库中数据查询的优化。实验结果说明,采用所提方法进行弱匹配区域划分模型下数据库库查询,具有较高的查询效率和准确率。     

基于遗传迭代优化的云计算下海量数据分类查询

由于传统的数据分类查询方法查询失效所承担的额外操作代价不同,无法有效实现优化分类查询,提出一种基于变异遗传散布的云计算环境下海量数据优化分类查询方法,对于含有云计算环境下海量数据的数据库,给出遗传迭代查询散布及数据间的查询响应函数,获取云计算环境下海量数据灰度散布值,融入遗传执行算子数据,获取遗传变异散布分类查询系数,在充分宽的尺度和平移区域中获取最大类别之间的匹配值,得到数据查询响应函数,将其转换成变异遗传散布控制量,从而实现云计算环境下海量数据的优化分类查询。仿真实验结果表明,所提方法具有很高的精度。     

基于约束校验的大型网络数据库查询方法研究

针对大型网络数据系统中冗余信息过大,数据之间缺少正常的约束行为,而造成数据查询效率过低的问题,提出了一种基于约束校验的大型网络数据库查询方法.该方法对大型数据库中的正常数据和冗余数据在数据关联时进行必要的约束、判断分类,运用数据关联决策理论对冗余数据进行过滤,保证数据关联过程中较高的约束性.实验结果表明,在大型网络数据库的实验平台上,该方法大幅提高了数据搜索的效率,效果显著.     

非一致数据库的查询研究

提出的方法能灵活地进行数据库SQL查询,它可以干扰一系列的约束条件,并且这种方法能够允许用户假定一组约束和查询一起。系统重写这个查询去查找相应的与约束一致的数据。这个重写是SQL,以便能被商业数据库系统有效地优化和执行。使用TPC-H基准的数据和查询比较脏数据多粒度的执行性能,实验显示该方法是可行的。     

Net大数据库散布点的抗干扰优化查询算法

在Net环境下,大数据库的散布数据具有随机分布特征,干扰性较强,难以实现有效查询,研究优化查询算法对提高大数据库的数据调度和访问能力具有重要价值。提出一种基于大数据信息流集合划分机制与模式匹配的Net大数据库散布点的抗干扰优化查询算法。构建Net大数据库散布点数据采集模型,引入了融合特征空间的构架模式,通过数据信息流集合划分机制与模式匹配,得到大数据信息流异步层最小竞争异步递进值,实现抗干扰优化查询。结合Matlab和SQL Sever混合编程进行仿真,实验结果表明,能有效提高对Net大数据库散布点的查询性能,抗干扰能力强,提高对散布点数据的召回率,在数据库构建和应用中具有应用价值。     

基于改进均值聚类的混合型数据库查询优化算法

采用传统算法进行混合型数据库查询,由于文档与查询的匹配过于严格,存在对检索词的重要程度无法区分的问题,造成无法进行检索结果的排序的缺陷。为此,提出了一种基于改进均值聚类算法的混合型数据库查询优化方法。建立混合型数据库查询执行计划代价模型,精准的定义了数据库查询执行代价。将改进均值聚类算法与粒子群算法有效的相融合,将粒子群中的粒子划分为多个子群,更新所有的粒子,通过粒子间的相互信息融汇,搜寻到数据库查询最优解。实验仿真证明,基于改进均值聚类算法的混合型数据库查询优化方法精确度高,效率高。