FSC——利用频繁项集挖掘估算视图大小

OLAP系统中经常要在大规模数据库上进行复杂查询 为了提高查询响应速度 ,往往要事先物化一些视图 在考虑选择物化哪些视图时 ,必须首先解决视图大小的估算问题 目前 ,对于视图大小的估算 ,主要有两种方法 :一种是利用概率模型和数学估算的方法 ;另一种是假定数据符合某种特定的分布模型 通过采样确定模型的参数 ,并将其推广到整个数据集进行估算 提出了一种视图估算的新方法FSC ,引入了频繁项集挖掘的思想 ,在扫描两次数据库后可以得到cube中所有视图大小的估算值 实验证明 ,与同类算法相比 ,FSC的精度有较大地提高 。

用于OLAP的视图大小估算算法比较与分析

OLAP系统中的视图物化操作,要求快速、可靠而精确。许多视图大小估算技术利用特定的统计假设,其误差可能较大。基于概率的估算方法在速度方面可能较慢,但是在估算大视图时精确度和可靠度较高,而且使用内存较少。论文中介绍了几种基于散列的视图大小估算方法,并进行了实验加以分析对比。实验结果表明,修正算法(Adaptive Counting)不管视图大小如何均提供精确的估算,而且当增大存储预算时仍可保持较快的估算速度。