基于信息濃縮粒子濾波的分布式網(wǎng)絡數(shù)據(jù)庫優(yōu)化索引

王春杰 朱保鋒

摘要：分布式網(wǎng)絡數(shù)據(jù)庫優(yōu)化索引可提高數(shù)據(jù)庫的訪問和數(shù)據(jù)管理能力。傳統(tǒng)方法采用Web數(shù)據(jù)庫臨界級聯(lián)差分耦合方法進行數(shù)據(jù)庫索引，隨著干擾數(shù)據(jù)和數(shù)據(jù)庫規(guī)模的增大，數(shù)據(jù)庫索引準確度不高，語義指向性不好。提出一種基于信息濃縮粒子濾波的分布式網(wǎng)絡數(shù)據(jù)庫優(yōu)化索引算法，首先進行分布式網(wǎng)絡數(shù)據(jù)庫的數(shù)據(jù)結構分析和特征融合處理，采用信息濃縮粒子濾波方法對干擾數(shù)據(jù)進行濾除抑制，并采用語義特征波束形成方法進行目標數(shù)據(jù)的波束聚焦和特征提取，實現(xiàn)數(shù)據(jù)庫的優(yōu)化檢索。仿真結果表明，利用該算法進行數(shù)據(jù)庫索引的準確度較高，收斂性好，執(zhí)行時間短，展示了較好的應用性能。

關鍵詞關鍵詞：數(shù)據(jù)庫索引；粒子濾波；分布式網(wǎng)絡

DOIDOI：10.11907/rjdk.161369

中圖分類號：TP391文獻標識碼：A文章編號文章編號：16727800（2016）007015503

0引言

在數(shù)據(jù)庫訪問中，對數(shù)據(jù)庫中的語義信息特征索引成為數(shù)據(jù)庫檢索的基礎技術，通過數(shù)據(jù)庫優(yōu)化索引算法設計，可提高數(shù)據(jù)庫的檢索和訪問能力，相關算法研究也受到了人們的極大重視[1]。傳統(tǒng)方法采用Web數(shù)據(jù)庫臨界級聯(lián)差分耦合方法進行數(shù)據(jù)庫索引，隨著干擾數(shù)據(jù)和數(shù)據(jù)庫規(guī)模的增大，數(shù)據(jù)庫索引的準確度不高，語義指向性不好[2]。對此，相關文獻進行了改進設計，隨著智能算法的應用，采用粒子群算法進行數(shù)據(jù)庫訪問和索引成為發(fā)展趨勢。采用粒子群算法進行數(shù)據(jù)庫訪問的控制和語義索引過程中，由于粒子群的迭代系數(shù)對初始權值的選擇較為敏感，容易陷入局部極值，因而對數(shù)據(jù)庫的索引性能不好。

近年來，在粒子群控制算法基礎上，許多學者提出了蟻群、粒子群優(yōu)化算法等人工智能方法進行數(shù)據(jù)庫訪問過程訓練，取得了一定效果。傳統(tǒng)方法中，對分布式網(wǎng)絡數(shù)據(jù)庫的實體建模和決策控制算法主要采用小樣本、非線性及高維模式識別方法，如模糊神經(jīng)網(wǎng)絡決策算法、蟻群算法（ACO）和粒子群算法（PSO）等[35]。在上述算法進行分布式網(wǎng)絡數(shù)據(jù)庫分析和實體建模過程中，需要進行參數(shù)尋優(yōu)和自適應建模，達到對分布式網(wǎng)絡數(shù)據(jù)庫預測和控制決策的目的。為了提高數(shù)據(jù)庫索引精度，本文提出一種基于信息濃縮粒子濾波的分布式網(wǎng)絡數(shù)據(jù)庫優(yōu)化索引算法，首先進行分布式網(wǎng)絡數(shù)據(jù)庫的數(shù)據(jù)結構分析和特征融合處理，采用信息濃縮粒子濾波方法對干擾數(shù)據(jù)進行濾除抑制，并采用語義特征波束形成方法進行目標數(shù)據(jù)的波束聚焦和特征提取，實現(xiàn)數(shù)據(jù)庫的優(yōu)化檢索。最后通過仿真實驗進行了性能測試，展示了本文算法的優(yōu)越性能。

1分布式網(wǎng)絡數(shù)據(jù)庫數(shù)據(jù)結構分析與特征融合處理 1.1分布式網(wǎng)絡數(shù)據(jù)庫數(shù)據(jù)結構分析

為了進行分布式網(wǎng)絡數(shù)據(jù)庫的優(yōu)化索引，需要首先構建分布式網(wǎng)絡數(shù)據(jù)庫的數(shù)據(jù)結構模型，進行數(shù)據(jù)結構的特征分析和數(shù)據(jù)信息融合處理。本文研究的分布式網(wǎng)絡數(shù)據(jù)庫的數(shù)據(jù)存儲節(jié)點均勻分布在有向圖G1、G2中，在分布式網(wǎng)格的覆蓋度目標區(qū)域A內，有向圖G1和G2的語義節(jié)點是均勻線列陣分布的，簇頭節(jié)點采用隨機部署方法。數(shù)據(jù)庫語義相似度節(jié)點采用最常用的布爾模型（0/1模型）。網(wǎng)絡級聯(lián)分布式數(shù)據(jù)庫的數(shù)據(jù)存儲深度空間坐標為（xs，ys），用一個二元有向圖G=（V，E）表示數(shù)據(jù)分布的編隊系統(tǒng)，網(wǎng)絡數(shù)據(jù)庫相鄰網(wǎng)格M與節(jié)點s的數(shù)據(jù)索引有效性覆蓋范圍為：SCMN={（si，sj）|d（si，sj）≤Rc，si∈M，sj∈N}（1）其中，M、N為關鍵詞節(jié)點間的規(guī)模數(shù)，設數(shù)據(jù)庫訪問過程中的語義特征優(yōu)先級調度向量為Pc，位于（xp，yp）的任意點p的矢量場和sink節(jié)點的關聯(lián)維數(shù)為d（s，p）。分布式網(wǎng)絡數(shù)據(jù)庫的數(shù)據(jù)特征空間矢量場分布在區(qū)域A，半徑為W×L個22Rc×22Rc的矩形網(wǎng)格。設數(shù)據(jù)流樣本S=X1，X2，…，Xk，…，每個網(wǎng)格的網(wǎng)絡是一個無向圖 ，關鍵詞索引的語義指向性信息特征表示為EH（s，t）=（V，E）（s≥1，t≥1），在數(shù)據(jù)庫的有效訪問范圍內計算關鍵詞G1和G2的連接度，計算公式為：a=2n（GC）2n（GC）+mGC（G1）+mGC（G2）（2）每個網(wǎng)格有4個鄰居網(wǎng)格，假設G1=（V，E）和G2=（V′，E′）都為重連通圖，節(jié)點對之間的距離由超立方網(wǎng)EH（s，t）的網(wǎng)絡拓撲結構決定。在均勻線列陣區(qū)域內，非邊界（邊界網(wǎng)格至少有2個鄰居網(wǎng)格）G1和G2之間的頂點集為：Vt（k）={as+t...at+1at...a11|as+t...at+1=k，

ai∈{0，1}，0≤k<2s}（3）假設a1，a2∈V，b1，b2∈V′，對于數(shù)據(jù)庫索引的語義指向信息EHs（j）和關聯(lián)位置EHt（k），添加兩條邊和后形成一個數(shù)據(jù)庫優(yōu)化索引的連通圖子集G3。假設G3是一個多徑無干擾的重連通圖，設計最短路由進行數(shù)據(jù)庫訪問，路由協(xié)議描述為：通過上述描述，構建分布式網(wǎng)絡數(shù)據(jù)庫的數(shù)據(jù)結構模型，進行數(shù)據(jù)信息特征提取，然后在此基礎上進行數(shù)據(jù)庫優(yōu)化索引。

1.2數(shù)據(jù)庫的大數(shù)據(jù)信息特征融合處理

通過對數(shù)據(jù)庫的大數(shù)據(jù)信息特征融合處理，為分布式網(wǎng)絡數(shù)據(jù)庫的優(yōu)化索引提供準確的數(shù)據(jù)基礎。假設分布式網(wǎng)絡數(shù)據(jù)庫路徑優(yōu)化結果中關鍵詞節(jié)點為{v1，v2，…，vn}，結合粒子群算法進行大數(shù)據(jù)融合，得到數(shù)據(jù)庫調度的加權向量結構權重計算為：weight=∑ni=1∑nj=i+1dist（vi，vj）（8）本文通過模糊C均值聚類得到數(shù)據(jù)庫的關鍵節(jié)點與數(shù)據(jù)流微簇結構權重，采用dist（vi，vj）表示分布式網(wǎng)絡數(shù)據(jù)庫訪問中關鍵詞節(jié)點vi到vj的最短路徑距離。采用信息度濃縮聚焦方法進行特征融合，在相空間S中，進行關聯(lián)維特征匹配。定義數(shù)據(jù)聚類多波束數(shù)據(jù)庫矢量場中tf（k，N）的索引信道，數(shù)據(jù)庫索引過程中信道均衡的運算表達式為：φ（y）=f（yR）+jf（yI）（9）式中，yR和yI分別是y的實部和虛部，建立初始種群，設計一個粒子群濾波的種群適應度函數(shù)：數(shù)據(jù)庫的大數(shù)據(jù)信息特征融合內容與關鍵詞的差異性特征為一個線性調頻時間序列，采用非線性時間序列分析方法，根據(jù)融合參數(shù)和φ，得到數(shù)據(jù)融合時間序列y（k）為：y（k）=a（k）h（k）+n（k） （12）假設用戶輸入了3個關鍵詞，Q={q1，q2，q3}，通過大數(shù)據(jù)信息融合進行數(shù)據(jù)庫優(yōu)化索引。

2算法改進設計與實現(xiàn)

在上述分布式網(wǎng)絡數(shù)據(jù)庫的數(shù)據(jù)結構分析和特征融合處理的基礎上，進行數(shù)據(jù)庫優(yōu)化索引。分析當前算法可知，傳統(tǒng)方法采用Web數(shù)據(jù)庫臨界級聯(lián)差分耦合方法進行數(shù)據(jù)庫索引，隨著干擾數(shù)據(jù)和數(shù)據(jù)庫規(guī)模的增大，數(shù)據(jù)庫索引準確度不高，語義指向性不好。為了克服傳統(tǒng)方法的弊端，本文提出一種基于信息濃縮粒子濾波的分布式網(wǎng)絡數(shù)據(jù)庫優(yōu)化索引算法，在進行分布式網(wǎng)絡數(shù)據(jù)庫的數(shù)據(jù)結構分析和特征融合處理基礎上，采用信息濃縮粒子濾波方法對干擾數(shù)據(jù)進行濾除抑制。數(shù)據(jù)庫分布式狀態(tài)下的信息濃縮權重可以采用Z變換求得，根據(jù)Z變換的定義，得到數(shù)據(jù)庫索引語義關鍵信息的輸出變量耦合值R3為：R3 = μo 2πKhlnrw rw ′（13）假設數(shù)據(jù)庫訪問中信息流的采樣時間間隔區(qū)間為s∈[tk，tk+1]，則采用粒子濾波方法，進行干擾抑制后的數(shù)據(jù)庫輸出信息流二階矩特征為：R=μw 2πKh[1mlnReh 2（i + 1）rw + 1.7lnReh rf +

12Zf + 25Z2f + μo μw lnrw rw ′] （14）對分布式數(shù)據(jù)庫的索引有效性進行信息濃縮聚焦，縮減索引深度。在粒子濾波下，數(shù)據(jù)庫優(yōu)化索引的自適應波束形成輸出的關聯(lián)匹配量可以表示為：QH=ΔpR=Δpμw2πKhRp（15）其中：Rp = 1mlnReh 2（i + 1）rw + 1.7lnReh rf +

12Zf + 25Z2f + μo μw lnrw rw ′（16）定義Ci為數(shù)據(jù)庫索引起始時間圖G，其中包括了關鍵詞語義信息x0（tk），采用語義特征波束形成方法進行目標數(shù)據(jù)的波束聚焦和特征提取，得到數(shù)據(jù)庫索引的優(yōu)化輸出z（k）為：z（k）=fTF（k）y（k）-fTB（k）（k）（17）根據(jù)波束形成結果進行自適應語義信息素濃度聚焦，通過粒子濾波得到相對狀態(tài)序列模型，由此實現(xiàn)算法改進，達到對分布式網(wǎng)絡數(shù)據(jù)庫優(yōu)化索引和數(shù)據(jù)庫訪問的路徑優(yōu)選目的，算法實現(xiàn)流程如圖2所示。

3仿真實驗與結果分析

為了測試本文提出的方法在實現(xiàn)分布式網(wǎng)絡數(shù)據(jù)庫優(yōu)化訪問和信息索引中的性能，進行仿真實驗。實驗采用在Matlab R2012a環(huán)境下反復調試程序實現(xiàn)數(shù)據(jù)挖掘和實體建模，通對數(shù)據(jù)集進行特征融合處理，采用信息濃縮粒子濾波方法對干擾數(shù)據(jù)進行濾除抑制，采用語義特征波束形成方法進行目標數(shù)據(jù)的波束聚焦和特征提取，得到數(shù)據(jù)庫訪問中數(shù)據(jù)采樣特征融合及語義特征波束形成結果如圖2所示。

由圖2可見，采用本文算法進行分布式網(wǎng)絡數(shù)據(jù)庫索引，通過信息濃縮粒子濾波處理，可提高數(shù)據(jù)庫訪問中的抗干擾能力。為了對比算法性能，采用本文方法和傳統(tǒng)方法進行數(shù)據(jù)庫索引的精度測試，對比結果如圖3所示。由圖可見，采用該算法進行數(shù)據(jù)庫索引的準確度較高，收斂性好，執(zhí)行時間短，展示了較好的應用性能。

參考文獻：

[1]陸科達，萬勵，吳潔明.基于數(shù)據(jù)挖掘技術的網(wǎng)絡安全事件預測研究[J].科技通報，2012，28（6）：3740.

[2]凌妍妍，孟小峰，劉 偉.基于屬性相關度的Web數(shù)據(jù)庫大小估算方法[J].軟件學報，2008，19（2）：224236.

[3]魏利峰，紀建偉，王曉斌.云環(huán)境中Web信息抓取技術的研究及應用[J].電子設計工程，2016（4）：2931.

[4]陸興華，陳平華.基于定量遞歸聯(lián)合熵特征重構的緩沖區(qū)流量預測算法[J].計算機科學，2015，42（4）：6871.

[5]楊俊，周丙寅，張毅，等.基于遞歸圖分析的壓縮機故障診斷方法研究[J].計算機與數(shù)字工程，2013，41（6）： 984986.責任編輯（責任編輯：黃?。?/p>

第7期 邵桐，朱明東：基于元數(shù)據(jù)的數(shù)據(jù)交換系統(tǒng)研究軟 件 導 刊2016年標題