基于Hilbert-R树分级索引的时空查询算法

针对树形空间索引中多路查询及未考虑时间维索引的问题,提出一种结合时间和聚类结果的Hilbert-R树索引构建策略。首先,按照数据采集的周期划分时空数据集,并在此基础上建立时间索引,通过Hilbert曲线对空间数据进行分割编码,将空间坐标映射到一维区间;其次,依据数据要素在空间中的分布,采用动态确定K值的聚类算法,结合聚类结果构建高效的Hilbert-R树空间索引;最后,基于Redis几种常见的键值数据结构,对时空数据的时间属性和聚类结果构建分级索引。在时空范围及目标矢量对象查询的实验中,与缓存敏感R+树(CCR+)相比,所提算法可有效减少时间开销,查询时间平均缩短约25%,对不同密集型数据具有良好的适应性,可更好地支持Redis应用于海量时空数据查询。

基于Redis的矢量时空查询算法

鉴于时空数据的矢量查询应用中缺乏对时间维的考虑,基于Redis丰富的数据存储组织方式,提出矢量时空数据的分层存储结构,通过建立空间-时间分级索引,对时空要素对象进行前缀编码,快速过滤、筛选并满足查询几何类型的时空数据,构建时空范围查询方案。经测试,基于Redis的矢量时空数据分层组织及两级索引机制,与Oracle Spatial进行比较,可有效提高查询效率4.5倍,具有良好的并发性,验证了该方法更适用于海量时空数据高效查询与并发处理需求。

基于RRAM的混合存储模型

传统的DRAM受其存储密度、工艺尺寸限制已不能满足大数据时代对海量信息存储的需求。针对这一问题,提出一种混合存储模型。在传统内存结构的基础上,引入阻变存储器(RRAM)作为同级存储设备,利用其存储密度高、扩展性强、非易失性等特性提高内存系统的容量和可靠性。通过构建混合内存控制器,合理分发请求,利用DRAM快速的写效率特性弥补新型存储器写延迟的缺点。在测试集PARSEC下对混合内存系统的读写性能进行测试与分析,验证了混合存储模型有效性。

基于k-d树分区的聚类算法并行加速策略

针对传统K-Means算法存在准确率低、聚类速度慢的问题,从K-Means算法优化和Flink框架并行层面对K-Means算法优化。为避免算法陷入局部最优解,采用质心间最大距离原则选出k个质心;为提高大数据量下的K-Means聚类速度,提出用k-d树算法划分数据集实现操作算子并行化,设置多个TaskManager数目和CPU核数加速F-KMeans算法的执行。实验结果表明,较K-Means算法,F-KMeans算法的准确率提高了约3.6%;F-KMeans算法在DataSource耗时降低了45.45%,在其余阶段耗时平均降低了约28.57%。

CUDA下地质图像边缘检测算法并行优化

为提高地质图像边缘检测Prewitt算法计算速度,结合算法计算密集和数据密集的特点,从核函数计算层面,提出基于调整线程块坐标优化线程发散方法和采用本地变量访存优化指令延迟设计思想;从CPU-GPU数据传输开销层面,提出基于CUDA流优化数据传输开销方法。经测试,当设置线程块规模为32*32、采用独立的局部变量替代索引访存和使用CUDA工作流分块计算时,对大于6168*6168尺寸的地质图像加速比可提高120倍以上。该并行优化方案易于实现,可应用于大规模地质图像边缘检测领域。