基于粗糙集的多源數(shù)據(jù)庫緩存沖突自動處理方法

李希敏，李書琪

(1.陜西財經(jīng)職業(yè)技術(shù)學(xué)院，陜西 咸陽 712000; 2.北京交通大學(xué)理學(xué)院，北京 100044)

0 引 言

隨著多源數(shù)據(jù)庫的廣泛應(yīng)用，采用多源數(shù)據(jù)庫進行數(shù)據(jù)存儲和緩存設(shè)計，可提高數(shù)據(jù)存儲的安全性。在采用多源數(shù)據(jù)庫進行數(shù)據(jù)存儲和調(diào)度過程中，由于多源數(shù)據(jù)庫緩存的隨機分布性，導(dǎo)致多源數(shù)據(jù)庫緩存的抗沖突性能不好。研究多源數(shù)據(jù)庫緩存的沖突處理方法，可提高多源數(shù)據(jù)庫緩存的輸出穩(wěn)定性和自動調(diào)度能力。對多源數(shù)據(jù)庫緩存沖突處理是建立在對多源數(shù)據(jù)庫緩存信息的輸出均衡處理基礎(chǔ)上，建立多源數(shù)據(jù)庫緩存均衡配置模型，結(jié)合空間均衡和信道均衡配置方法，進行多源數(shù)據(jù)庫緩存的沖突重組[1]。當(dāng)前，對多源數(shù)據(jù)庫緩存沖突處理方法主要有波特間隔均衡沖突處理方法、模糊均衡調(diào)度方法和自適應(yīng)均衡方法等。上述方法進行多源數(shù)據(jù)庫緩存沖突處理過程中存在抗干擾性不好的問題。對此，本文提出基于粗糙集的多源數(shù)據(jù)庫緩存沖突自動處理方法。構(gòu)造多源數(shù)據(jù)庫緩存數(shù)據(jù)疏導(dǎo)模型，提取多源數(shù)據(jù)庫緩存數(shù)據(jù)的粗糙集特征量，采用多元信息重組和大數(shù)據(jù)信息融合方法，進行多源數(shù)據(jù)庫緩存沖突的自適應(yīng)調(diào)整，并通過仿真實驗進行仿真測試分析，得出有效性結(jié)論。

1 多源數(shù)據(jù)庫緩存結(jié)構(gòu)和均衡配置

1.1 多源數(shù)據(jù)庫緩存結(jié)構(gòu)

構(gòu)造多源數(shù)據(jù)庫緩存數(shù)據(jù)疏導(dǎo)模型，采用負載均衡調(diào)度方法進行多源數(shù)據(jù)庫緩存的均衡配置，建立多源數(shù)據(jù)庫緩存沖突的數(shù)據(jù)庫分布式存儲結(jié)構(gòu)模型。采用分塊特征匹配和語義跟蹤識別方法進行多源數(shù)據(jù)庫緩存沖突數(shù)據(jù)結(jié)構(gòu)設(shè)計，構(gòu)建多源數(shù)據(jù)庫的分布式存儲模型?；谌悄：垲惙椒?，進行多源數(shù)據(jù)庫緩存沖突信息輸出穩(wěn)定性調(diào)節(jié)[2]。以語言變量形式作為自相關(guān)特征，采用關(guān)聯(lián)聯(lián)合概率分析方法[3-4]，得到多源數(shù)據(jù)庫緩存信息的概率密度函數(shù)為p(xi,yj)，其中，xi表示概率密度函數(shù)的自變量且0

p(xi|Xi-1,Yj-1)=p(xi|xi-1,yj-1)

(1)

p(yj|Xi,Yj-1)=p(yj|xi)

(2)

其中，X、Y分別表示信息分布序列的自變量列與因變量列。采用統(tǒng)計分析方法，建立多源數(shù)據(jù)庫緩存沖突信息的聯(lián)合概率密度函數(shù)的分解式為：

p(xi-1,yj-1)=p(xi-1|yj-1)p(yj-1)

(3)

利用有序加權(quán)平均方法進行信息空間融合，得到多源數(shù)據(jù)庫緩存沖突的聯(lián)合變量為ωk，即：

ωk∈Rd,d=nv+ne

(4)

其中，nv、ne分別為數(shù)據(jù)異常值以及簇頭節(jié)點數(shù)，則多源數(shù)據(jù)庫緩存沖突信息的加權(quán)序列ωk是均值為uk、方差為Σk的條件高斯分布。采用響應(yīng)速度及改善用戶體驗聯(lián)合調(diào)度方法，進行多源數(shù)據(jù)庫緩存沖突控制，在數(shù)據(jù)查詢模板匹配的匹配過程中，得到模糊參量(uk,Σk)[5]，此時，多源數(shù)據(jù)庫緩存沖突數(shù)據(jù)庫分布式存儲的優(yōu)化特征分布為：

ωk～N(uk,Σk)

(5)

其中：

(6)

(7)

其中，uv,k表示負載強度，ue,k表示突發(fā)損失率，Σvv,k表示負載率，Σve,k表示資源競爭沖突強度，Σee,k表示數(shù)據(jù)庫資源利用率。綜上分析，建立多源數(shù)據(jù)庫緩存沖突存儲結(jié)構(gòu)模型，結(jié)合緩存置換算法，進行多源數(shù)據(jù)庫緩存沖突處理[6]。

1.2 多源數(shù)據(jù)庫緩存均衡配置

采用負載均衡調(diào)度方法進行多源數(shù)據(jù)庫緩存的均衡配置，結(jié)合模糊粗糙集特征提取方法進行多源數(shù)據(jù)庫緩存數(shù)據(jù)特征挖掘[7-9]，得到多源數(shù)據(jù)庫緩存沖突的控制約束參量θk=(uk,Σk)。采用似然估計方法，建立多源數(shù)據(jù)庫緩存沖突的特征分布序列滿足：

(uk,Σk)～NiW(vk,Vk)

(8)

其中：

(9)

其中：iW(·)代表多源數(shù)據(jù)庫緩存沖突的Wishart分布，參量vk和Vk表示分布的統(tǒng)計特性。用戶訪問數(shù)據(jù)對象為Oi，若Oi∈Qset,Qset表示數(shù)據(jù)緩存信元集，多源數(shù)據(jù)庫緩存沖突特征分布為：

(10)

(11)

(12)

(13)

其中：Vωkωk,k是Vk的d×d維子矩陣塊，Vωk1,k是Vk的d×1維子矩陣塊，V1ωk,k是Vk的1×d維子矩陣塊，V11,k是Vk的1×1維子矩陣塊，即一個不為0的實數(shù)。根據(jù)鍵值找到數(shù)據(jù)對象返回給用戶[10]，多源數(shù)據(jù)庫緩存沖突的置換矩陣為Vk∈R(d+1)×(d+1)。按照緩存置換函數(shù)計算每個Oi的極大扇出值Fi，則(uk,Σk)的聯(lián)合密度可以表示為：

(14)

其中：c是數(shù)據(jù)的保存價值。ωk為多源數(shù)據(jù)庫緩存均衡配置模型，表示為：

(15)

綜合以上過程，完成了多源數(shù)據(jù)庫緩存均衡配置模型的構(gòu)建。

2 多源數(shù)據(jù)庫緩存沖突處理優(yōu)化

2.1 多源數(shù)據(jù)庫緩存沖突粗糙集特征提取

構(gòu)造多源數(shù)據(jù)庫緩存數(shù)據(jù)疏導(dǎo)模型，采用負載均衡調(diào)度方法進行多源數(shù)據(jù)庫緩存的均衡配置[13-14]，則多源數(shù)據(jù)庫緩存沖突的特征分解模型為：

(16)

采用多元信息重組和大數(shù)據(jù)信息融合方法，進行多源數(shù)據(jù)庫緩存沖突的自適應(yīng)調(diào)整[15-17]，得到數(shù)據(jù)緩存沖突調(diào)節(jié)的條件分布p(ek|vk)可以表示為：

(17)

(18)

p(θk|Xk,Yk)=p(θk|ωk)=NiW(vk,Vk)

(19)

其中：

(20)

vk=λvk-1+1

(21)

采用粗糙集特征提取方法，得到多源數(shù)據(jù)庫緩存沖突的對象集為：

(22)

其中，f(·)表示數(shù)據(jù)庫交叉熵損失函數(shù)，h(·)表示數(shù)據(jù)庫碼間串?dāng)_量。提取多源數(shù)據(jù)庫緩存數(shù)據(jù)的粗糙集特征量，采用多元信息重組[18-20]和大數(shù)據(jù)信息融合方法，進行多源數(shù)據(jù)庫緩存沖突的自適應(yīng)調(diào)整。

2.2 多源數(shù)據(jù)庫緩存沖突均衡處理

采用HashMap映射表進行多源數(shù)據(jù)庫緩存的沖突輸出調(diào)整，結(jié)合粗糙集映射方法[21-23]，得到多源數(shù)據(jù)庫緩存沖突的置換函數(shù)：

Tk(xk)=p(θk|xk,Yk)

(23)

則有：

(24)

緩存集合可表示為：

Oset={O1,O2,…,On}

(25)

其中，Oset為緩存集合，Oi為緩存對象。以Tk(xk)為約束參數(shù)，進行多源數(shù)據(jù)庫緩存沖突調(diào)節(jié)，得到優(yōu)化參數(shù)模型為：

(26)

其中，N是大于1的自然數(shù)，且：

(27)

從頭開始遍歷Oset并檢查Oi的返回值，建立多源數(shù)據(jù)庫緩存沖突自動處理模型，通過粗糙集的分布式屬性，實現(xiàn)多源數(shù)據(jù)庫緩存沖突自動處理。

3 實驗測試分析

為了驗證本文方法在實現(xiàn)多源數(shù)據(jù)庫緩存沖突處理中的應(yīng)用性能，進行仿真實驗分析。實驗的算法采用Matlab設(shè)計，訪問延遲率設(shè)定為0.45，多源數(shù)據(jù)庫緩存沖突信息采樣的長度為1500 kb，多源數(shù)據(jù)的訓(xùn)練集長度為500 dB，緩存數(shù)據(jù)置換的帶寬為120 dB，從應(yīng)用服務(wù)器獲得數(shù)據(jù)對象的規(guī)模為20 Gb，數(shù)據(jù)包大小為0.0054 pJ/(bit·m4)。根據(jù)上述參數(shù)設(shè)定，進行多源數(shù)據(jù)庫緩存沖突處理仿真分析，比較不同方法下數(shù)據(jù)響應(yīng)時間如圖1所示。

圖1 緩存沖突處理時間

分析圖1可知，隨著數(shù)據(jù)存儲量的增加，緩存沖突處理時間隨之增加。當(dāng)數(shù)據(jù)量達到500 bit時，文獻[3]方法緩存處理時間為39 s，文獻[4]方法緩存處理時間為36 s，本文方法緩存處理時間僅為5 s。當(dāng)數(shù)據(jù)量達到1200 bit時，文獻[3]方法緩存處理時間為77 s，文獻[4]方法緩存處理時間為56 s，本文方法緩存處理時間僅為20 s。本文方法緩存沖突處理時間明顯低于其他2種方法，具有較好的處理效率。

為了進一步驗證本文方法的性能，采用文獻[3]方法、文獻[4]方法以及本文方法進行多源數(shù)據(jù)庫緩存沖突處理，得到多源數(shù)據(jù)庫緩存沖突出現(xiàn)的輪數(shù)。結(jié)果如圖2所示。

圖2 多源數(shù)據(jù)庫緩存沖突出現(xiàn)的輪數(shù)

分析圖2得知，簇頭數(shù)量會影響多源數(shù)據(jù)庫緩存沖突的出現(xiàn)輪數(shù)。簇頭個數(shù)增加到8個時，文獻[3]與文獻[4]方法出現(xiàn)峰值，多源數(shù)據(jù)庫緩存沖突的出現(xiàn)輪在25～30次之間，而此時本文方法不到10次。本文方法的峰值出現(xiàn)在簇頭個數(shù)為6個時，最高輪數(shù)為15次。由此說明本文方法進行多源數(shù)據(jù)庫緩存沖突處理時，沖突出現(xiàn)的輪數(shù)峰值較小，具有更好的沖突處理效果。

在以上基礎(chǔ)上進行數(shù)據(jù)庫網(wǎng)絡(luò)死亡節(jié)點數(shù)量測試，結(jié)果如圖3所示。

圖3 死亡節(jié)點的數(shù)量測試

分析圖3得知，隨著仿真時間增加，多源數(shù)據(jù)庫網(wǎng)絡(luò)開始出現(xiàn)死亡節(jié)點，并且網(wǎng)絡(luò)死亡節(jié)點個數(shù)緩慢增加。當(dāng)仿真時間為100 s時，文獻[3]方法死亡節(jié)點個數(shù)為100個，文獻[4]方法死亡節(jié)點個數(shù)為71個，本文方法死亡節(jié)點個數(shù)為11個。當(dāng)仿真時間為300 s時，文獻[3]方法死亡節(jié)點個數(shù)為279個，文獻[4]方法死亡節(jié)點個數(shù)為300個，本文方法死亡節(jié)點個數(shù)為120個。此時本文方法死亡節(jié)點個數(shù)明顯低于其他2種傳統(tǒng)方法，說明采用本文方法進行多源數(shù)據(jù)庫緩存沖突處理時，能夠有效降低死亡節(jié)點的數(shù)量，提高數(shù)據(jù)庫緩存穩(wěn)定性。

4 結(jié)束語

本文提出一種基于粗糙集的多源數(shù)據(jù)庫緩存沖突自動處理方法。采用響應(yīng)速度及改善用戶體驗聯(lián)合調(diào)度方法，進行多源數(shù)據(jù)庫緩存沖突控制，結(jié)合模糊粗糙集特征提取方法進行多源數(shù)據(jù)庫緩存數(shù)據(jù)特征挖掘，實現(xiàn)多源數(shù)據(jù)庫緩存沖突自動處理。通過實驗結(jié)果得出以下結(jié)論：

1)本文方法能夠有效降低緩存沖突處理時間，當(dāng)數(shù)據(jù)量為1200 bit時，本文方法緩存處理時間僅為20 s，具有較好的處理效率。

2)本文方法進行多源數(shù)據(jù)庫緩存沖突處理時，最高輪數(shù)為15次，明顯低于傳統(tǒng)方法，具有更好的沖突處理效果。

3)當(dāng)仿真時間為300 s時，本文方法死亡節(jié)點個數(shù)為120個，有效降低了死亡節(jié)點個數(shù)，提高了數(shù)據(jù)庫緩存穩(wěn)定性。