蔣本天，李英梅

(哈爾濱師范大學(xué))

0 引言

分布式數(shù)據(jù)庫(kù)環(huán)境一般包括兩個(gè)以上的地理遠(yuǎn)程地點(diǎn).相互聯(lián)系的地點(diǎn)不完全擁有軟硬件，而軟硬件涉及數(shù)據(jù)庫(kù)管理及應(yīng)用.分布式數(shù)據(jù)庫(kù)設(shè)計(jì)的步驟:先進(jìn)行全局概念設(shè)計(jì)，進(jìn)而進(jìn)行局部概念設(shè)計(jì)，分布式環(huán)境中局部概念設(shè)計(jì)對(duì)數(shù)據(jù)庫(kù)進(jìn)行分段.分布式設(shè)計(jì)決策決定如何進(jìn)行數(shù)據(jù)分段、復(fù)制和分配.該文中論述數(shù)據(jù)庫(kù)分段步驟，考慮了用輻射函數(shù)神經(jīng)元網(wǎng)絡(luò)的非線性算法和能自動(dòng)檢測(cè)最佳分段方法的隨機(jī)神經(jīng)元網(wǎng)絡(luò)來(lái)總結(jié)和選擇分段技術(shù).

已經(jīng)開(kāi)發(fā)了許多數(shù)據(jù)庫(kù)分段技術(shù)來(lái)物理的組織存儲(chǔ)器中數(shù)據(jù).每種技術(shù)都先將數(shù)據(jù)分組，然后將這些組分配到物理頁(yè)中，這些物理頁(yè)可分為六類:水平模塊、組水平模塊、單個(gè)垂直分片、物理垂直分片、組垂直分片和混合分片.水平分片用來(lái)為一個(gè)關(guān)系賦值為具有相同屬性的不同元組.單個(gè)垂直分片由關(guān)系和關(guān)鍵屬性貨源組標(biāo)識(shí)一列組成.垂直分片方法對(duì)于分布式數(shù)據(jù)庫(kù)中數(shù)據(jù)庫(kù)的設(shè)計(jì)和分析極其重要.物理垂直分片方法對(duì)固定大小的物理組進(jìn)行劃分.沒(méi)有數(shù)據(jù)庫(kù)管理系統(tǒng)使用這種方法.水平分片與垂直分片方法的結(jié)合稱之為混合分片方法.

隨機(jī)神經(jīng)元網(wǎng)絡(luò)是性質(zhì)相同的神經(jīng)元網(wǎng)絡(luò)的一種簡(jiǎn)單形式，以概率角度對(duì)它的特點(diǎn)進(jìn)行描述.我們研究的網(wǎng)絡(luò)以異步方式運(yùn)行，并以外部激勵(lì)形式接收環(huán)境的影響.用馬爾可夫過(guò)程對(duì)網(wǎng)絡(luò)的操作進(jìn)行描述，馬爾可夫過(guò)程穩(wěn)態(tài)解給出了網(wǎng)絡(luò)行為的幾個(gè)全局度量.

1 隨機(jī)神經(jīng)元網(wǎng)絡(luò)方法

神經(jīng)元網(wǎng)絡(luò)及它的特殊分支——隨機(jī)神經(jīng)元網(wǎng)絡(luò)是在1989年定義的，在1990年對(duì)其進(jìn)行了擴(kuò)展和總結(jié).它的特色十分有趣.因?yàn)樵撃Ｊ降男盘?hào)像傳統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)的電壓尖峰而不是固定的值，它似乎更接近真正的生理物理神經(jīng)元網(wǎng)絡(luò).僅用一個(gè)計(jì)數(shù)器代表一個(gè)神經(jīng)元更容易進(jìn)行計(jì)算.因而硬件上是可實(shí)現(xiàn)的.

2 解決數(shù)據(jù)庫(kù)分段問(wèn)題的輻射基函數(shù)網(wǎng)絡(luò)和神經(jīng)元網(wǎng)絡(luò)方法

Poweu(1985)在解決實(shí)多變量插值問(wèn)題時(shí)首先引入了輻射基函數(shù).Broomhead和Lowe在設(shè)計(jì)神經(jīng)元網(wǎng)絡(luò)時(shí)，首先使用了輻射基函數(shù).以最基本形式構(gòu)造輻射基函數(shù)，涉及三個(gè)完全不同的層.第一層:由源結(jié)點(diǎn)組成的輸出入層，第二層為隱藏層，它的尺寸足夠大.輸出層根據(jù)輸入層的激活向量生成網(wǎng)絡(luò)的解.從輸入空間到隱藏單元空間的轉(zhuǎn)換是非線性的，而從隱藏層到輸出單元空間的轉(zhuǎn)換是線性的.若使隱藏單元空間的中心部分具有可適應(yīng)性，則減少隱藏層空間的尺寸是可能的.

2.1 輸入及輸出參數(shù)

我們可以下列參數(shù)作為神經(jīng)元網(wǎng)絡(luò)模型的輸入:

(1)存儲(chǔ)關(guān)系所需的物理負(fù)的負(fù)號(hào).

(2)重組織的代價(jià)，重組關(guān)系的代價(jià)(從存儲(chǔ)器中刪除及重載入).

(3)從一個(gè)模式中刪除一個(gè)條目的代價(jià).(4)向模式中添加一個(gè)條目的代價(jià).

(5)訪問(wèn)條目的代價(jià).即從給定關(guān)系的所有記錄中刪除條目的代價(jià).

(6)重選一條記錄的代價(jià).即從給定關(guān)系中選擇一條記錄的代價(jià).

(7)向關(guān)系中加入一條新記錄的代價(jià).

(8)修改一條記錄的代價(jià).即修改一條給定記錄的某些私有條目的代價(jià).

2.2 輻射基函數(shù)網(wǎng)絡(luò)算法

算法1:靜態(tài)培訓(xùn)模型.為每種分段方法計(jì)算學(xué)習(xí)系數(shù)，進(jìn)而進(jìn)行代價(jià)分析.學(xué)習(xí)處理過(guò)程之后，用學(xué)習(xí)系數(shù)為每個(gè)輸出入集計(jì)算輸出序列.每個(gè)輸入集代表一種不同的分段技術(shù).算法1稱為靜態(tài)培訓(xùn)模型，它包括常值矩陣.

算法2:動(dòng)態(tài)培訓(xùn)模型.沒(méi)使用糾錯(cuò)機(jī)制.因而算法1有錯(cuò)誤累積.可用糾錯(cuò)機(jī)制來(lái)評(píng)價(jià)算法2.算法1和算法2都使用了歐氏距離.但算法2包括去掉歐氏距離中的1/0元素的簡(jiǎn)單值.算法2根據(jù)常量矩陣自動(dòng)檢測(cè)哪些輸出參數(shù)依賴于輸出入?yún)?shù).對(duì)每種分段技術(shù)算法2首先使用評(píng)估向量W.

2.3隨機(jī)神經(jīng)元網(wǎng)絡(luò)算法

(1)將這個(gè)負(fù)值置0，在第k步因這個(gè)負(fù)值結(jié)束循環(huán)，第k+1步將從該值的當(dāng)前值0開(kāi)始，按照這個(gè)值遵循同樣規(guī)則進(jìn)行循環(huán)操作.

(2)返回該變量的前一個(gè)值，用更小的n值進(jìn)行循環(huán).

3 輸入神經(jīng)元網(wǎng)絡(luò)的培訓(xùn)數(shù)據(jù)，計(jì)算權(quán)值常量

一個(gè)分布式數(shù)據(jù)庫(kù)環(huán)境建立起來(lái)了，按照模型，我們先選擇輸入、輸出值，那么神經(jīng)元網(wǎng)絡(luò)模型得以培訓(xùn).權(quán)值常量向量W計(jì)算后，數(shù)據(jù)庫(kù)分段方法的總體代價(jià)值就優(yōu)化了.因而提出的神經(jīng)元網(wǎng)絡(luò)模型是獨(dú)立于平臺(tái)的方法.與分段技術(shù)所用的線性法不同，我們正在實(shí)現(xiàn)文獻(xiàn)中提到的第一個(gè)非線性方法.用這種方法對(duì)所獲得的權(quán)重的計(jì)算很精確，加之提供了與其它分段技術(shù)相比較的環(huán)境，人布式數(shù)據(jù)庫(kù)系統(tǒng)中數(shù)據(jù)庫(kù)的分段與分配所需的庫(kù)結(jié)構(gòu)獨(dú)立于平臺(tái)，最重要的是，它獨(dú)立于數(shù)據(jù)庫(kù)模式.

每種分段技術(shù)對(duì)應(yīng)的神經(jīng)元網(wǎng)絡(luò)正在運(yùn)行，因此用得到的數(shù)據(jù)集來(lái)比較分段技術(shù).該模型的另一個(gè)優(yōu)點(diǎn)是，找出分段技術(shù)的參數(shù)據(jù)庫(kù)和輸出值來(lái)設(shè)計(jì)一定數(shù)目的數(shù)據(jù)庫(kù)模式之后，將得到與每種技術(shù)對(duì)應(yīng)的權(quán)值常量和權(quán)值向量.得到系統(tǒng)常量之后，在給數(shù)據(jù)庫(kù)模式分段的過(guò)程中，我們將訪問(wèn)該數(shù)據(jù)庫(kù)并僅從輸入?yún)?shù)和以前指定的權(quán)值直接得到輸出值.這是神經(jīng)元網(wǎng)絡(luò)的主要特色.

如果很精確地進(jìn)行系統(tǒng)測(cè)試并提供輸入輸出值，神經(jīng)無(wú)限制網(wǎng)絡(luò)算法將給出有效的總代價(jià)級(jí).下一部分將了解到輻射基函數(shù)網(wǎng)絡(luò)算法的計(jì)算速度很快，但一般來(lái)說(shuō)，單向方法和水平方法的代價(jià)級(jí)相互重疊，隨機(jī)神經(jīng)元網(wǎng)絡(luò)的培訓(xùn)時(shí)間和輻射基函數(shù)神經(jīng)元網(wǎng)絡(luò)算法2的培訓(xùn)時(shí)間比輻射基函數(shù)神經(jīng)元網(wǎng)絡(luò)算法1的培訓(xùn)時(shí)間要長(zhǎng)，但它又為分段選擇決策提供了無(wú)重疊輸出.

4 神經(jīng)元網(wǎng)絡(luò)模型的性能比較

線性方法得不到我們要解決的問(wèn)題的真正的解.然而當(dāng)改變參數(shù)時(shí)，線性方法不能決定哪種方法是最好的.因而，首先用輻射基函數(shù)神經(jīng)元網(wǎng)絡(luò)方法來(lái)培訓(xùn)一個(gè)網(wǎng)絡(luò)，然后改變參數(shù)來(lái)對(duì)差別進(jìn)行跟蹤.針對(duì)這種方法，提出了兩個(gè)方法:靜態(tài)算法和動(dòng)態(tài)算法.

靜態(tài)輻射基函數(shù)神經(jīng)元網(wǎng)絡(luò)算法認(rèn)為特定的輸入值與唯一特定的輸出值有聯(lián)系.從而處理時(shí)間減少了，并提出了定義所涉及的具有不同特性的動(dòng)態(tài)算法.但這種方法也存在問(wèn)題，單向垂直分段方法的列訪問(wèn)參數(shù)與物理分段方法的更訪問(wèn)參數(shù)相同.取決于這些問(wèn)題，我們可以選擇水平分段方法或單向垂直分段方法進(jìn)行總代價(jià)函數(shù)的計(jì)算，提出了RNN方法和RBFNN算法來(lái)消除這個(gè)過(guò)載問(wèn)題.

隨機(jī)神經(jīng)元網(wǎng)絡(luò)方法和輻射神經(jīng)元網(wǎng)絡(luò)方法遵循同樣策略.首先，我們培訓(xùn)網(wǎng)絡(luò)，然后用權(quán)值常量來(lái)測(cè)試輸入并考查結(jié)果.這種方法消除了過(guò)載的輸出值，因而不用計(jì)算總代價(jià)函數(shù)我們就能決定哪種分段方法是最好的.

5 結(jié)束語(yǔ)

設(shè)計(jì)分布式數(shù)據(jù)庫(kù)系統(tǒng)所要考慮的第一特色是用最小代價(jià)把中心數(shù)據(jù)庫(kù)劃分為了數(shù)據(jù)庫(kù).以上我們力圖解釋的操作及方法是借助可培訓(xùn)的神經(jīng)元網(wǎng)絡(luò)模型，用權(quán)值常量而不是對(duì)系統(tǒng)中的所有表和關(guān)系進(jìn)行分段測(cè)試，可計(jì)算結(jié)果.因此，培訓(xùn)完神經(jīng)元網(wǎng)絡(luò)之后確定使用哪種分段技術(shù)就變得很簡(jiǎn)單了.

［1］ Ceri S，Pelagatti G.Distributed Databases Principles and Systems，McGraw Hill，1986.

［2］ Tamhankar A，Ram M S.Database agmentation and Allocation:An Integrated Methodology and Case Study，IEEE Transactions On Systems，Man，and Cybernetics，1998，28(3):288-305.

［3］ Adem Karahoca.Random Neural Network Approach in Distributed Database Management Systems，2002.