網絡數據庫中的高效檢索節點圖設計與分析

陳國艷

摘 要： 提出基于有向圖模型設計的網絡數據庫高效檢索節點分布設計方法。首先構建網絡數據庫檢索節點的分布模型，分析數據結構，對檢索節點的存儲數據語義特征進行信息融合處理；然后采用有向圖模型分析方法檢索網絡數據庫節點屬性聚類和自適應調度，實現數據庫的高效檢索節點有向圖模型設計；最后設計仿真實驗進行性能測試，實驗結果表明，該方法有效提高了網絡數據庫的檢索效率，尤其對超大規模數據庫檢索的執行效率更高。

關鍵詞： 網絡數據庫； 數據庫檢索； 節點分布設計； 有向圖模型

中圖分類號： TN911?34； TP391 文獻標識碼： A 文章編號： 1004?373X（2017）05?0139?04

Abstract： A directed graph model based design method of the network database efficient retrieval mode distribution is proposed. The distribution model of the network database retrieval node was constructed to analyze the data structure， and perform the information fusion for the storage data semantic feature of the retrieval mode. The analysis method of the directed graph model is used to retrieve the node attribute clustering and adaptive dispatching of the network database to design the directed graph model of the database efficient retrieve node. The performance was tested with simulation experiment. The experiment results show this method has improved the retrieval efficiency of the network database effectively， and has high execution efficiency especially for the super?large scale database retrieval.

Keywords： network database； database retrieval； node distribution design； directed graph model

0 引 言

網絡數據庫是存儲網絡數據的重要載體，網絡數據庫的檢索效率高低決定了大數據的訪問與調度性能，研究網絡數據庫的高效檢索方法具有重要意義，相關的模型研究受到人們的重視[1?2]。

構建網絡數據庫信息管理系統的基礎是優化設計網絡數據庫檢索節點圖模型。通過對網絡數據庫檢索節點圖優化，提高數據訪問效能。網絡數據庫檢索節點圖模型設計方法主要有支持向量機算法[3]、ARMA模型算法[4]、混合高斯模型算法以及分布式結構控制算法[5]，優化采集網絡數據庫存儲節點的輸入輸出數據，進行數據信息流的特征提取，實現數據訪問，取得了較好的訪問精度。文獻[6]提出大型電氣數據庫的云存儲資源與服務高效調配機制，實現對網絡數據庫檢索節點圖模型中的自適應分區調度與訪問，提高網絡大數據訪問吞吐量，降低訪問開銷，但是該算法計算開銷較大，網絡數據庫檢索節點圖模型占有的冗余空間較多。文獻[7]采用基于語義相似度的數據庫自適應查詢松弛方法，提高網絡數據庫檢索節點圖模型的訪問性能，但該方法的抗干擾性能不好。文獻[8]提出基于統計特征分析實現對云格環境的網絡數據訪問機制，檢索節點分布較合理。但是該方法對網絡數據庫檢索精度不高、數據收斂性不好。

針對上述問題，提出基于有向圖模型設計的網絡數據庫高效檢索節點分布設計方法。結果表明，該方法有效地提高了網絡數據庫的檢索效率，特別是對超大規模數據庫檢索的執行效率尤為突出。

1 數據結構的分析

1.1 構建網絡數據庫檢索節點的分布模型

假設分布式網絡數據庫檢索節點圖模型中的特征空間采樣數據集為[X=x1，x2，…，xn，]進行分布式網絡數據庫檢索節點圖模型的數據訪問機制體系分析時，采用有向圖和語義本體結構模型構建分布式多層網絡空間中的網絡數據庫存儲結構模型，如圖1所示。

采用SN，sink和跳數hop?Count進行分布式多層網絡空間中數據節點圖的設計以及建模。網絡數據庫檢索結構中，大數據分布有向圖的邊[（u，v）∈E，]設分布式多層網絡數據庫數據檢索陣列節點[A?V，][B?V]且[A?B=?，]抽取網絡數據庫檢索節點圖模型訪問特征序列的相空間模糊度點集，在網絡數據庫檢索節點圖模型設計中，用戶節點通過云服務器進行模糊隸屬度匹配。網絡數據庫檢索節點圖模型采樣的時間序列為[{x（t0+iΔt）}，][i=0，1，2，…，N-1，]數據信息流矢量長度為[N，]得到網絡數據庫檢索節點圖模型采集輸出的狀態矢量表達式為：

式中：[x（t）]表示分布式多層網絡空間中網絡數據庫檢索節點圖模型采集數據信息流的時間序列；[J]是時間窗函數；[m]是網絡數據庫的嵌入維數；[Δt]表示數據采集的時間間隔。

令[A=a1，a2，…，an]為分布式多層網絡數據庫信息流的初始向量，訓練集的屬性集為[B=b1，b2，…，bm，]分布式多層網絡數據庫時態屬性[ai]的屬性值為[c1，c2，…，ck。]分布式多層網絡數據庫信息流矢量長度為[N。]在數據庫檢索節點分布的圖模型中，通過屬性集分類得到檢索信息特征的表達式為：

通過構建高效檢索節點圖模型，進行數據采集，優化設計云訪問。

1.2 網絡數據庫數據存儲結構分析

為了提高數據的檢索性能，在進行節點圖優化設計之前，需要分析數據存儲結構，用非線性時間序列分析方法設計網絡數據庫檢索節點圖模型的優化訪問結構，網絡數據庫檢索節點圖模型采集輸出的信息流時間序列模型為：

采用模糊迭代算法使數據的融合中心不斷更替，進行檢索節點的尋優。

2 算法的具體設計

2.1 存儲數據語義特征信息融合

設網絡數據庫檢索節點圖模型中任意兩個聚類簇[Mi]與[Mj]的數據融合中心距離分布為[Clustdist（Mi，Mj），]當[（i≠j，1≤i≤q，1≤j≤q），]網絡大數據中訪問數據信息流模型能惟一地描述語義本體信息[9]。采用語義本體模型構建方法得到網絡數據庫檢索節點圖模型的語義融合分布空間向量為：

式中：[Xp]為網絡數據庫檢索節點圖的調配狀態系數；[u]為網絡數據庫檢索節點圖模型的尺度系數；[v]為數據檢索語義信息的正交基函數。

采用匹配投影法進行數據庫檢索過程中的干擾抑制，數據庫檢索的均衡控制矩陣為[q，][n]表示自適應加權權重，選定迭代變量[k=0，]進行語義信息特征提取，假設數據庫的檢索語義差異度范圍為[2≤z≤m。]計算第[k+1]次迭代的數據庫語義信息差異性特征函數隸屬度矩陣[v，]即有：

3 性能測試

采用Cloudsim平臺來模擬網絡數據庫檢索節點圖模型的分布結構，數據檢索節點分布為均勻分布，檢索節點的個數設定為250，網絡數據庫檢索節點圖模型的特征采集時間間隔為0.1 s，存儲數據的結構長度為5 000；網絡空間中信息干擾為高斯白噪聲干擾，信噪比為?10 dB；分布式多層網絡數據訪問負荷復雜度大小為10 GB；數據檢索的信道帶寬[B=1 028]Hz。首先進行網絡數據庫的數據信息檢索時間序列采樣，得到的采樣時序波形如圖3所示。

采樣的網絡數據庫檢索時間序列為測試樣本集，融合處理存儲數據語義特征信息，得到數據融合輸出，如圖4所示，從圖4可知網絡數據庫語義特征信息融合結果，以此作為信息特征輸入，進行檢索節點的有向圖分析，構建檢索節點圖模型，實現數據庫高效檢索。

采用本文算法和傳統算法進行不同數據規模下網絡數據庫檢索的耗時對比如圖5所示。由圖5可知，當數據量低于10 000 GB時，兩種算法的執行效能相當。隨著數據量的進一步增大，本文方法的執行耗時明顯低于傳統方法，說明采用本文算法進行網絡數據庫檢索節點圖模型優化設計可提高檢索效率，減少執行耗時，特別是在對大規模數據檢索的效率方面表現出明顯的優勢。

4 結 語

為了優化網絡數據庫檢索節點圖，提高數據訪問效能，提出基于有向圖模型設計的網絡數據庫高效檢索節點分布設計方法，仿真結果表明，該方法可以有效提高網絡數據庫的檢索效率，特別是對超大規模數據庫檢索的執行效率優越性比較突出。

參考文獻

[1] 楊照峰，王啟明，呂海蓮.基于任務延遲的云計算資源調度算法研究[J].計算機測量與控制，2014，22（2）：499?502.

[2] 騰書華，魯敏，楊阿峰，等.基于一般二元關系的粗糙集加權不確定性度量[J].計算機學報，2014，37（3）：649?665.

[3] 何倩，胡啟偉，王勇，等.基于軟件定義網絡的反飽和分組云負載均衡[J].計算機應用，2016，36（6）：1520?1525.

[4] EL?MEZOUAR M C， KPALMA K， TALEB N， et al. A pan?sharpening based on the non?subsampled contourlet transform： application to WorldView?2 imagery [J]. IEEE journal of selected topics in applied earth observations and remote sensing， 2014， 7（5）： 1806?1815.

[5] XU L， JIA J Y， MATSUSHITA Y. Motion detail preserving optical flow estimation [J]. IEEE transactions on pattern analysis and machine intelligence， 2012， 34（9）： 1744?1757.

[6] 曾志，王晉，杜震洪，等.一種云格環境下可計算資源與服務高效調配機制[J].浙江大學學報（理學版），2014，41（3）：353?357.

[7] 孟祥福，嚴麗，馬宗民，等.基于語義相似度的數據庫自適應查詢松弛方法[J].計算機學報，2011，34（5）：812?824.

[8] 陸興華，李國恒，余文權.基于模糊C均值聚類的科研管理數據庫調度算法[J].計算機與數字工程，2016，44（6）：1011?1015.

[9] 劉俊，劉瑜，何友，等.雜波環境下基于全鄰模糊聚類的聯合概率數據互聯算法[J].電子與信息學報，2016，38（6）：1438?1445.

[10] JIANG X， HARISHAN K， THAMARASA R， et al. Integra?ted track initialization and maintenance in heavy clutter using probabilistic data association [J]. Signal processing， 2014， 94（1）： 241?250.