新型物化视图选择算法

针对现有物化视图选择算法无法很好解决OLAP随机查询的问题,提出了一种新型的两阶段物化视图选择算法(2-PMVS),将传统的静态选择算法与动态选择算法相结合,使其可以动态矫正用户随机查询与预估查询之间的偏差。经实验证明,该算法切实有效。

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。

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 。

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。

静态物化视图的动态Cache优化算法

针对静态物化视图集动态适应能力的不足,提出一种动态cache优化算法DCO(dynamiccacheoptimization).它在保持静态算法获取最优物化集能力的基础上,将cache机制直观、快速的动态特性结合进来,以提高数据仓库的动态自适应性能.在cache机制具体实现中提出了一种新颖的空间申请方法,可以充分利用系统剩余空间提高查询响应性能.实验结果在表明算法有效、可行的同时,也显示出该算法可以在一定程度上克服静态物化集存在的空间-性能饱和效应(space-performancesaturationeffect,简称SPSE),使通过增加物化空间进一步提高数据仓库对查询的响应速度成为可能.

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

存储空间约束下物化视图的选择

介绍一种进化算法 ,通过利用并改进随机排列算法来实现在存储空间约束下物化视图的选择和物化视图维护代价的总和最小。该改进算法能有效地得到一个近似最优解的解决方案。

蚁群算法在物化视图选择问题中的应用

提出用蚁群算法来解决物理空间约束下的物化视图选择问题,算法中应用信息素的局部和全局更新,并对每次迭代的最优解进行局部搜索,最终得出合理的解决方案。实验结果表明,应用蚁群算法可以有效地解决物化视图选择问题,并且其求解性能优于遗传算法。

受限多维物化视图选择算法

受限物化视图的选择是当前数据仓库研究的最重要的问题之一。提出利用最小祖先树筛选视图,并结合改进的试探式策略进行物化视图选择的算法。该算法能有效地解决物化视图的两类问题。理论分析与实验结果表明在数据维度大、维层次复杂的情况下,与以往算法相比,该算法有着更优执行的效率。

NDSMMV——一种多维数据集物化视图动态选择新策略

物化视图的选择策略是数据仓库研究的重要问题之一.通过深入研究提出了一种多维数据集中物化视图动态选择的新策略——NDSMMV,包括候选视图生成算法CVGA、物化视图选择算法IGA、物化视图调整算法MAMV和物化视图动态调整算法DMAMV.CVGA基于多维数据格生成候选视图集,对候选视图数量进行压缩以减少后续算法的视图空间搜索代价和时间复杂度;IGA基于视图查询、视图维护和存储空间三元评价标准在候选视图集上进行物化视图的选择;MAMV基于物化视图选择过程已选视图的收益变化情况对物化视图进行进一步调整以提高查询的响应性能;DMAMV定时地判断查询视图类型分布是否变化来决定是否进行物化视图的动态调整,从而避免了物化视图集的"抖动".理论分析和实验结果表明该策略是有效可行的.

基于多维护策略的物化视图选择方法

物化视图是数据仓库环境中提高 OLAP 查询效率的重要手段,因此,物化视图的选择是数据仓库设计中重要的决策之一。本文提出的物化视图选择方法目标是选择合适的视图进行物化,使得查询处理的总代价和物化视图的维护代价最低,提出了物化视图收益模型,并在此基础上基于视图的多维护策略提出了物化视图选择的方法:基于增量和重计算的物化视图选择算法 IRMVS、基于增量策略的物化视图选择算法 IMVS 和基于重计算策略的物化视图选择算法 RMVS 和基于增量策略的物化后代视图选择算法 IMDVS,理论分析和实验表明这些算法是有效可行的。

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(querycon tainment)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

基于粗糙集聚类的物化视图动态调整算法

根据用户查询多样性的特点,提出了基于粗糙集聚类的物化视图的动态调整算法(RSCDMV)。该算法在对物化视图进行粗糙集聚类的基础上进行动态调整,这不仅满足了用户查询多样性需求,而且兼顾了维的层次关系因素。实验结果证明,随着用户查询集合的增大,查询集的动态性和多样性更加明显,因此,RSCDMV算法更具有优势。

多物化视图并行增量保持三阶段模式

文章提出了一种基于并行流水线处理方式的多物化视图（materializedviews）增量保持方法，即在先进行筛选的条件下，利用归类拓扑排序，将所有物化视图进行分类，使每一类中的视图之间没有嵌套定义关系．最后对每一类中的所有视图利用基于信号量控制机制的流水线模式并行处理，以达到对多物化视图实现增量保特的目的．

数据仓库中物化视图选择的一种混合算法

物化视图是数据仓库中提高查询效率的有效方法,物化视图选择问题是数据仓库设计时期最重要的决定之一。通过研究和实验,提出了一种结合遗传算法和模拟退火算法的混合算法,用于解决物化视图的选择。理论分析和实验结果表明,该混合算法的搜索性能优于传统的遗传算法,能够提供更高质量的解。

一种面向物化视图的远程增量维护系统

为有效保证客户端物化视图与数据源的一致性并降低网络开销,提出一种物化视图增量维护方法。采用XML物化视图远程增量维护方法,通过系统原型设计、系统部署、同步机制,实现试验任务数据接口同步。结果表明:在不影响试验任务数据处理与传输的实时性及可靠性的条件下,XML物化视图远程增量维护系统可有效实现指挥显示系统数据接口的一致性、可靠性和安全性。

超市数据仓库中物化视图的选择与调整策略

物化视图选择是数据仓库研究领域的一个重要课题,其选择策略直接影响到数据仓库的查询效率。通过对超市数据仓库的设计及已有研究成果的分析,对物化视图的选择算法做了一些改进,并给出了一种据查询情况的变化动态调整物化视图集的算法。

一种应用于DaaS的物化视图候选集生成算法

针对DaaS数据中心建设中物化视图选择对候选视图集的新要求和传统MVPP方法的不足,提出一种新的候选视图集生成算法。该算法利用多操作变换规则进行查询优化,然后利用算法1和2进行关系融合。实验证明,该算法能够提高查询效率,压缩候选视图集,具有较高的可扩展性,符合应用需求。

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。

空间数据立方体的物化视图选择方法研究

针对决策支持系统(DSS)中集成空间分析能力的应用趋势,研究基于空间数据仓库的一种决策分析工具——空间在线分析处理(Spatial OLAP),拟解决影响空间OLAP在线响应的瓶颈难点——空间数据立方体的物化问题。首先系统地提出空间OLAP的模型,然后对现有空间度量物化视图选择方法进行改进,提出了双向空间Greedy算法。实验证明,该算法在降低选择时间和求解质量两方面具有更好的表现。