孫 楊

(集美大學(xué)計(jì)算機(jī)工程學(xué)院，福建 廈門 361021)

數(shù)據(jù)庫應(yīng)用領(lǐng)域?qū)?shù)據(jù)庫的存儲容量提出更高的要求，結(jié)合對數(shù)據(jù)庫的優(yōu)化訪問控制和數(shù)據(jù)庫存儲空間設(shè)計(jì)[1]，建立數(shù)據(jù)庫的拓?fù)浣Y(jié)構(gòu)和內(nèi)存優(yōu)化排序控制模型，可以優(yōu)化數(shù)據(jù)訪問和索引控制

文獻(xiàn)[2]將多源資源環(huán)境數(shù)據(jù)納入到統(tǒng)一的網(wǎng)格參考基礎(chǔ)中，形成統(tǒng)一關(guān)聯(lián)查詢能力，基于地球剖分網(wǎng)格思想對資源環(huán)境數(shù)據(jù)進(jìn)行網(wǎng)格編碼，實(shí)現(xiàn)了多源資源環(huán)境數(shù)據(jù)的統(tǒng)一檢索.文獻(xiàn)[3]在三支決策問題中，相較于體現(xiàn)單一不確定性的語言變量模型和模糊集模型，通過云綜合的方法獲得綜合評價(jià)函數(shù)，同時(shí)證明了在云模型的距離空間中賦權(quán)距離和是一個(gè)凸函數(shù)，對概念語義進(jìn)行差異上的描述與定義，將該定義推廣到多個(gè)云模型的場景下，為損失函數(shù)的確定提供了一種新的語義解釋，使得三支決策中的誤分類率最低.文獻(xiàn)[4]以華為Fusion Compute虛擬化平臺為基礎(chǔ)，使得向虛擬化集群模式進(jìn)行遷移，構(gòu)建了HIRFL數(shù)據(jù)庫的遷移方案，優(yōu)化數(shù)據(jù)庫虛擬機(jī)性能優(yōu)化方案，具有有效性和可行性，降低了數(shù)據(jù)中心的運(yùn)行和維護(hù)成本.

但是以上方法進(jìn)行數(shù)據(jù)庫內(nèi)存排序時(shí)的自適應(yīng)性不好，特征辨識能力不強(qiáng)，降低了數(shù)據(jù)庫內(nèi)存容量.對此，本文提出基于本體特征映射的數(shù)據(jù)庫內(nèi)存排序方法，通過構(gòu)建數(shù)據(jù)庫的內(nèi)存優(yōu)化存儲結(jié)構(gòu)模型，進(jìn)行數(shù)據(jù)庫的內(nèi)存結(jié)構(gòu)分區(qū)設(shè)計(jì)，通過網(wǎng)格化的分區(qū)塊存儲協(xié)議設(shè)計(jì)，實(shí)現(xiàn)數(shù)據(jù)庫內(nèi)存優(yōu)化，展示了本文方法在提高面向軟硬件應(yīng)用集成的數(shù)據(jù)庫內(nèi)存排序能力方面的優(yōu)越性能.

1 數(shù)據(jù)庫內(nèi)存信息數(shù)據(jù)拓?fù)浣Y(jié)構(gòu)模型

為了實(shí)現(xiàn)面向軟硬件應(yīng)用集成的數(shù)據(jù)庫內(nèi)存排序，結(jié)合空間結(jié)構(gòu)映射和線性特征重組方法，在融合的系統(tǒng)模型中[5]，進(jìn)行數(shù)據(jù)庫內(nèi)存信息分配，假設(shè)R為數(shù)據(jù)庫的四元組(Ei，Ej，d，t)的相似度特征量，得到數(shù)據(jù)庫的特征分布屬性為A={A1，A2，…，Am}，假設(shè)一個(gè)子系統(tǒng)為本地?cái)?shù)據(jù)庫表示為i，得到應(yīng)用集成數(shù)據(jù)庫的內(nèi)存信息狀態(tài)點(diǎn)跟蹤函數(shù)為

(1)

公式中：xi∈Rn為數(shù)據(jù)庫系統(tǒng)的狀態(tài)矢量；ui∈Rm為數(shù)據(jù)庫的模糊度觀測量.采用關(guān)聯(lián)規(guī)則特征挖掘的方法，提取數(shù)據(jù)庫內(nèi)存信息的信息熵，得到數(shù)據(jù)庫的數(shù)據(jù)匹配關(guān)系為：A={A1，A2，…，Am}，以此構(gòu)建的數(shù)據(jù)庫內(nèi)存信息的特征分析模型為

(2)

(3)

公式中：i=16，17，…63，采用空間分布式融合方法，使內(nèi)存調(diào)度模式Si-1同內(nèi)存信息的高分辨輸入模式Si共同作用，得到數(shù)據(jù)庫系統(tǒng)傳遞函數(shù)為

(4)

當(dāng)數(shù)據(jù)庫的內(nèi)存輸出碼元序列X中的元素xt滿足

P(xt)=P(xt)-1，

(5)

即數(shù)據(jù)庫的數(shù)據(jù)特征分布序列xt只與它的前n個(gè)元素有關(guān)，xt∈B.定義數(shù)據(jù)庫內(nèi)存排序的維度為θi1，i2，…，in+1(x)，空間嵌入元素i1經(jīng)過i2，i3等狀態(tài)變換，得到in+1.提取數(shù)據(jù)庫內(nèi)存信息的關(guān)聯(lián)規(guī)則特征集，得到文本特征集F={f1，f2，…，fn}，應(yīng)用集成數(shù)據(jù)庫內(nèi)存信息參數(shù)特優(yōu)化模型為S={s1，s2，…，sn}.由此得到數(shù)據(jù)庫內(nèi)存信息大數(shù)據(jù)挖掘的輸出結(jié)果，將輸出結(jié)果輸入數(shù)據(jù)庫內(nèi)存信息的特征分析模型中[8]，優(yōu)化數(shù)據(jù)拓?fù)浣Y(jié)構(gòu)模型，如圖1所示.

2 數(shù)據(jù)庫內(nèi)存排序優(yōu)化

2.1 數(shù)據(jù)庫集成

應(yīng)用語義本體特征映射方法進(jìn)行數(shù)據(jù)庫存儲空間優(yōu)化，其中，資源分配的實(shí)體模型設(shè)為

(6)

公式中：N為應(yīng)用集成數(shù)據(jù)庫的內(nèi)存分布序列；|xi-τ-xi+τ|為映射點(diǎn)τ的絕對系數(shù)，應(yīng)用集成數(shù)據(jù)庫的內(nèi)存分布的字結(jié)構(gòu)為K0，K1，…，K15.提取數(shù)據(jù)庫內(nèi)存信息的信息熵，采用連接次序段編碼的方法，得到稀疏特征分布項(xiàng)qi，再應(yīng)用集成數(shù)據(jù)庫的內(nèi)存特征分布鄰近特征集di=(di1，di2，...，dini)，構(gòu)建分布式軟硬件應(yīng)用集成的數(shù)據(jù)庫系統(tǒng)傳遞模型為

(7)

根據(jù)上述模型，結(jié)合軟硬件應(yīng)用環(huán)境特殊性以及用途的多樣性，得到在時(shí)間窗口t0時(shí)刻的排序優(yōu)化解為

(8)

公式中：λmax為數(shù)據(jù)庫的模糊度屬性集；Qrev為數(shù)據(jù)庫內(nèi)存調(diào)度的查詢屬性類別集；ρmax為數(shù)據(jù)庫的相似度分布屬性值.將數(shù)據(jù)庫內(nèi)存信息的運(yùn)行狀態(tài)數(shù)據(jù)進(jìn)行特征分解，再根據(jù)大數(shù)據(jù)分類結(jié)果，進(jìn)行信息匹配和融合處理所得到的x(t)與x(t+τ)越相似.通過數(shù)據(jù)庫內(nèi)存融合處理[9]，得到數(shù)據(jù)庫的特征空間分布離散度為

(9)

公式中：hi(t)為集成數(shù)據(jù)庫的遷移函數(shù)；npi(t)為干擾項(xiàng)，將數(shù)據(jù)庫的內(nèi)存開銷fj進(jìn)行多層次特征分解，得到分類結(jié)果為

(10)

(11)

(12)

公式中：Max(ωm，μ，j)為數(shù)據(jù)庫內(nèi)存信息的關(guān)聯(lián)維[10]；k為內(nèi)存的數(shù)據(jù)讀寫速度系數(shù)，公式(11)處理下緩存函數(shù)gn要高出幾個(gè)數(shù)量級；Sumj，k為集成層次特征；Nm為響應(yīng)延遲，由此進(jìn)行數(shù)據(jù)庫的集成處理.

2.2 數(shù)據(jù)庫內(nèi)存特征提取和排序

(13)

根據(jù)上述分析，在標(biāo)準(zhǔn)時(shí)序T下，得到數(shù)據(jù)庫內(nèi)存特征djn，kn的分布集為

Dj，k=[dj1，k1，dj2，k2，…djn，kn]T.

(14)

結(jié)合模糊度特征檢測方法，進(jìn)行數(shù)據(jù)庫內(nèi)存信息進(jìn)行自適應(yīng)融合，得到優(yōu)化的排序頻次參數(shù)集為

(15)

采用主成分特征分析方法，進(jìn)行數(shù)據(jù)庫內(nèi)存排序，得到模糊隸屬度函數(shù)為

(16)

公式中：L為數(shù)據(jù)庫內(nèi)存信息特征分量.結(jié)合模糊度特征檢測方法，計(jì)算數(shù)據(jù)庫內(nèi)存信息的模糊度特征量，表示為

(18)

公式中：μ為數(shù)據(jù)庫內(nèi)存分布的閾值系數(shù)，綜上分析，實(shí)現(xiàn)數(shù)據(jù)庫內(nèi)存排序優(yōu)化，結(jié)果如圖2所示.

分析圖2得知，根據(jù)特征挖掘結(jié)果，進(jìn)行內(nèi)存排序控制.本文方法實(shí)現(xiàn)數(shù)據(jù)庫內(nèi)存排序優(yōu)化.

3 仿真測試分析

3.1 實(shí)驗(yàn)數(shù)據(jù)

為了驗(yàn)證本文方法在實(shí)現(xiàn)軟硬件應(yīng)用集成數(shù)據(jù)庫內(nèi)存排序的應(yīng)用性能，進(jìn)行仿真測試分析，在UCI MachineLearning Repository ( https：//archive.ics.uci.edu/ml/datasets.html )大數(shù)據(jù)樣本庫中選擇某實(shí)際數(shù)據(jù)庫內(nèi)存信息，排除實(shí)際應(yīng)用性較低的內(nèi)存信息300 個(gè)，剩余軟硬件應(yīng)用集成數(shù)據(jù)庫內(nèi)存信息的采樣樣本數(shù)為2400，初始的數(shù)據(jù)庫內(nèi)存信息采樣率f0=1.5 KHz，數(shù)據(jù)庫的相似度系數(shù)為0.45，內(nèi)存開銷的容量為20 GB，根據(jù)上述參數(shù)設(shè)定，得到軟硬件應(yīng)用集成數(shù)據(jù)庫的內(nèi)存信息樣本序列，如圖3所示.

3.2 實(shí)驗(yàn)過程及結(jié)果

樣本序列為研究對象，進(jìn)行數(shù)據(jù)庫內(nèi)存優(yōu)化排序，得到排序結(jié)果如圖4所示.

圖3 軟硬件應(yīng)用集成數(shù)據(jù)庫的內(nèi)存信息樣本序列圖4 軟硬件應(yīng)用集成數(shù)據(jù)庫內(nèi)存排序優(yōu)化結(jié)果

分析圖4得知，本文方法在2400個(gè)樣本數(shù)測試下，內(nèi)存開銷的容量呈現(xiàn)上升趨勢，且一直保持8GB以上，說明其能有效實(shí)現(xiàn)軟硬件應(yīng)用集成數(shù)據(jù)庫內(nèi)存排序，提高內(nèi)存管理能力.

測試數(shù)據(jù)庫的內(nèi)存容量，得到結(jié)果如圖5所示.分析圖5得知，盡管三種方法的內(nèi)存起點(diǎn)相同，但是本文方法較早到達(dá)20GB，且整體上升趨勢較為明顯，說明其進(jìn)行軟硬件應(yīng)用集成數(shù)據(jù)庫內(nèi)存排序，提高了內(nèi)存容量，測試數(shù)據(jù)庫排序的時(shí)間開銷，得到對比結(jié)果見表1.

表1 時(shí)間開銷測試(單位：ms)

分析表1得知，本文方法優(yōu)于文獻(xiàn)[2]、文獻(xiàn)[3]的方法，可以明顯看出本文方法進(jìn)行軟硬件應(yīng)用集成數(shù)據(jù)庫的內(nèi)存排序的時(shí)間開銷較小，最低僅為2.35 ms，說明本文方法提高了內(nèi)存管理能力和內(nèi)存容量即提高了軟硬件應(yīng)用集成數(shù)據(jù)庫內(nèi)存排序的應(yīng)用性能.

4 結(jié) 語

本文通過分析軟硬件應(yīng)用集成數(shù)據(jù)庫的數(shù)據(jù)特征分布狀態(tài)，擴(kuò)展查詢和檢索優(yōu)化配置的方法，進(jìn)行數(shù)據(jù)庫的集成構(gòu)造和數(shù)據(jù)集融合處理，完好匹配軟硬件應(yīng)用集成情況，提高了軟硬件應(yīng)用集成數(shù)據(jù)庫的存儲性能和存儲容量，進(jìn)而降低了存儲的時(shí)間開銷.