摘要：在数据库负载管理、性能调优过程中,开销预测模型是提高其效率的关键技术.首先,由于数据库系统的复杂性和计算机资源的竞争,很难精确地估计不同操作的开销;其次,现有的研究大多没有真正预测查询的执行时间,而是预测了类似查询优化器中开销模型生成的开销;由于查询计划结构的复杂性,现有研究更多地使用了笼统的查询信息,而很少利用查询计划中操作层面的信息,并依据这些信息来获得开销模型.为了减少负载管理的复杂性,提出了基于循环神经网络的精细模型来预测查询开销,以查询计划中的操作行为及其实际运行时间作为特征提取的来源.特别地,考虑到查询计划结构的复杂性,采用一种特殊的循环神经网络——长短期记忆(long-short term memory,简称LSTM).给一个特定的查询计划,在该计划实际执行之前,模型就能产生其预测的执行时间区间.这会比现有数据库的查询优化器产生的开销预估结果(任意单位)更具有参考性,也优于需要在执行开始之后才能预测的查询进度指示器.所提方法预测查询执行时间,可以解决数据库负载管理中的关键问题.通过实验验证,模型的正确率高于71%,在一定程度上证明了方法的可行性.

摘要：设计实现具有良好可扩展性的查询优化器可以大幅度地提高数据库管理系统开发的效率和质量。提出了查询优化器的一种面向对象框架,使得优化器实现者可以容易地扩展逻辑查询代数、物理查询代数和查询重写子系统,同时利用面向对象的继承和多态机制实现优化器中各个子系统的弱耦合。

摘要：对语义Web和本体论的共享理论与方法进行研究,提出了一种基于数据综合的智能搜索模型SMBDI的应用框架,并讨论了查询处理的关键算法和算法的优化问题。算法从查询中分离出子查询,以关键字保持关联,解决了传统搜索引擎的信息丢失问题。实验结果及算法分析表明,基于本体论的智能搜索引擎系统应用框架切实可行,算法的优化是有效的。

摘要：针对现有查询响应时间预测统计模型存在准确率无法提高、特征选取单一、动态性差的问题,综合考虑查询计划、查询交互两大因素,提出采用结构简单、易搭建的人工神经网络——全连接神经网络预测并行查询响应时间。采集查询计划与查询交互数据作为输入特征,查询真实的响应时间作为预测标签,训练模型,进行预测。此方法不需要预先知道样本数据的数学模型函数,仅通过对样本数据集的学习建立模型,建模过程简单,可达较好的预测效果。实验结果表明,全连接神经网络模型准确率高达79.99%,较当前代表性的统计模型提高约6%。

摘要：针对物联网(IOT)复杂事件查询处理过程中的重复查询、存储和处理的问题,提出了事件共享机制(ESM)。首先,为了实现复杂事件的查询与检测,给出了物联网语义事件定义及事件操作符的语义描述;其次,从公共子查询的定义、公共内部查询结构的设计以及事件资源的共享三个角度对物联网事件共享机制展开研究,通过查询表达式的重写、有向无环图(DAG)的构建,以及在结点上使用改进的Continuous参数上下文对事件流进行处理,实现公共子事件查询、存储和处理的共享;最后,构建了基于事件共享机制的语义形式化查询计划处理模型(SFQPM),该模型可自动对查询表达式和查询谓词进行处理,实现复杂事件检测和处理的自动化。仿真结果表明,与基于二叉树(BTree)的处理方法进行对比,所提出的SFQPM具有较高的处理效率和可靠性,实现了复杂事件检测与中间结果共享机制的有机统一,提高了系统的处理效率。最后通过案例研究验证了所提出算法的有效性和可行性。

摘要：详细分析关系代数表达式等价变换前后的查询代价。针对DBMS查询优化器如何生成成本最小的查询计划问题,给出关系代数表达式的优化规则。提出基于关系代数运算等价变换规则的SQL查询优化策略。该策略提供了查询优化器生成成本最小的查询计划的设计依据。

摘要：宿舍自动化监控是学校信息化管理进程中具有重要意义的一步,而目前宿舍监控系统并不完善,因此研究设计了一个无线的基于实时数据流管理的室内环境监控系统。针对大学宿舍环境监控系统,基于最新的实时数据流管理技术,在系统管理模块加入查询处理层,并提出了适合系统的连续查询语言和查询计划以优化系统和提高系统的自适应性,设计并实现了基于数据流管理的宿舍监控系统。实验结果表明系统的性能可以满足大学宿舍监控数据处理的实时性和有效性的要求,能够对大型的宿舍环境进行高效监控、灵活地实时地查询和统计分析。