韓裕镥 顧進廣 李奇緣

(武漢科技大學(xué)計算機科學(xué)與技術(shù)學(xué)院 湖北 武漢 430065)

(湖北省智能信息處理與實時工業(yè)系統(tǒng)重點實驗室 湖北 武漢 430065)

(武漢科技大學(xué)大數(shù)據(jù)科學(xué)與工程研究院 湖北 武漢 430065)

(國家新聞出版署富媒體數(shù)字出版內(nèi)容組織與知識服務(wù)重點實驗室 湖北 武漢 430065)

0 引 言

在當(dāng)前的大數(shù)據(jù)時代,實時的語義數(shù)據(jù)不斷增長,如何處理這種不斷到達的數(shù)據(jù)仍然是一個挑戰(zhàn),特別是針對語義Web的實時流處理,一方面語義Web的表示有相對固定的標準及格式,但是流處理方面目前并沒有統(tǒng)一的標準,因此設(shè)計整個流系統(tǒng)的架構(gòu)十分困難。另一方面,當(dāng)前在靜態(tài)RDF圖上有很多關(guān)于RDFS的推理方法,但是在RDF數(shù)據(jù)流上很少見,傳統(tǒng)的流處理是將輸入的數(shù)據(jù)流轉(zhuǎn)換為特定的關(guān)系后執(zhí)行臨時查詢及推理來處理此類語義流數(shù)據(jù),由于數(shù)據(jù)轉(zhuǎn)換和基于磁盤的存儲可能會非常昂貴,因此該方法通常假定數(shù)據(jù)不會頻繁更改,而且它在實時性處理方面有很多不足。其次,諸如無處不在的物聯(lián)網(wǎng)場景通過在人與對象、人與人、對象與對象之間生成大量流數(shù)據(jù)來重新定義信息的價值。通過實時應(yīng)用人工智能、機器學(xué)習(xí)、優(yōu)化技術(shù),以及將傳統(tǒng)數(shù)據(jù)處理和數(shù)據(jù)分析應(yīng)用于歷史數(shù)據(jù),這些數(shù)據(jù)具有轉(zhuǎn)化為即時知識并最終提供服務(wù)的巨大潛力[1]。流推理結(jié)合了推理和流處理技術(shù),這種結(jié)合使得能夠處理從大量源連續(xù)產(chǎn)生的動態(tài)和異構(gòu)數(shù)據(jù),動態(tài)處理多個流,并實現(xiàn)實時服務(wù)。但是目前已經(jīng)提供的流推理服務(wù)是相當(dāng)昂貴的,而且標準的數(shù)據(jù)流管理系統(tǒng)并不支持流推理服務(wù)。

在近幾年中,RDF流處理(RDF Stream Processing,RSP)社區(qū)為解決上述問題做出了一些貢獻。但總體來看,大多數(shù)工作要么忽略數(shù)據(jù)量可能龐大的情況,要么忽略RDF數(shù)據(jù)流的推理能力。目前關(guān)于靜態(tài)RDF圖的RDFS推理有很多方法,但是在RDF流上很少,RDF流推理系統(tǒng)需要解決對非常動態(tài)的輸入進行推理的問題,同時也要在推理準確性及推理效率之間權(quán)衡,有可能一分鐘前推理的知識在這一刻已經(jīng)不成立,因此流推理系統(tǒng)需要很強的時效性,而且研究表明,流推理中平均推理延遲占整體處理時間的45%到65%,遠高于傳輸和其他數(shù)據(jù)處理時間[2]。

針對以上難題,本文在實時流數(shù)據(jù)處理引擎Esper的基礎(chǔ)上,設(shè)計一個基于CS及ECS索引的后向鏈式流處理方法。Esper可以使用類似于SQL的EPL語言來處理持續(xù)的流數(shù)據(jù),它并不是先存儲數(shù)據(jù)再注冊一個查詢語句,而是先注冊查詢后去檢索持續(xù)的流數(shù)據(jù),類似一個關(guān)系數(shù)據(jù)庫的顛倒。目前基于ECS的靜態(tài)查詢具有較好的性能,但是并不支持推理,本文將CS及ECS索引與后向鏈式流推理相結(jié)合。

1 相關(guān)工作

本節(jié)首先介紹RDF數(shù)據(jù)流和RDFS流推理的基本概念,然后對與本文工作方向相近的研究進行介紹和分析。資源描述框架(RDF)和SPARQL是W3C關(guān)于在網(wǎng)絡(luò)上表示和查詢圖數(shù)據(jù)的建議,RDF基本組成為三元組,基本結(jié)構(gòu)是t∈的形式,在流處理中,三元組具有時效性,通常表現(xiàn)為四元組的形式,即t=,τ為單調(diào)遞增可重復(fù)的時間戳。

RDFS是在RDF的基礎(chǔ)上定義了一系列規(guī)則,它是一種可擴展的知識表示語言,可以用來創(chuàng)建描述類、子類和RDF資源屬性的詞匯,以便于進行推理,如表1的RDFS推理規(guī)則集。而推理則是一個產(chǎn)生新知識、挖掘隱含知識的過程,在RDF表示中表現(xiàn)為從已有的RDF圖中利用一系列規(guī)則產(chǎn)生更大的RDF圖的過程。

表1 RDFS規(guī)則集

為了從RDF數(shù)據(jù)流中獲得更多的信息,目前的方法是在現(xiàn)有RSP引擎中添加推理功能。受智能城市的物聯(lián)網(wǎng)用例的影響,本文首先提出了將推理技術(shù)與數(shù)據(jù)流相結(jié)合的理論。盡管RDF流推理的最初思想是在十年前提出的,但是RDF流推理的發(fā)展仍處于起步階段。像C-SPARQL或StriderR[4]這樣的系統(tǒng)允許通過RDF流進行RDFS++的推理,但是對時間邏輯運算符的表達仍然存在局限性。

TrOWL[5-6]是最早開發(fā)RDF流推理的系統(tǒng)之一,TrOWL能夠即時計算并維持推斷結(jié)果的合理性。開源 ELK推理程序的目標是支持OWL到EL的配置文件,它是ConDOR項目的一部分,該項目主要研究基于“結(jié)果驅(qū)動”的推理程序。盡管ELK最初不是為RDF流推理量身定制的,但仍然認為LiteMat可以依靠ELK的TBox分類工具。StreamRule[7]及其并行化版本StreamRuleP[8]都使用RSP引擎進行數(shù)據(jù)流預(yù)過濾,使用Clingo[9]作為ASP 求解器。BigSR[10]中BSP實現(xiàn)的表達能力可以完全涵蓋StreamRule和StreamRuleP。此外,對StreamRule/StreamRuleP的評估表明,平均吞吐量約為C-SPARQL 和CQELS的2倍,具有秒級別的延遲,但是集中式方法限制了StreamRule和StreamRuleP的性能。

Laser[11]和Ticker[12]都是基于LARS[13]框架的流處理系統(tǒng),但是由于引入了外部的ASP引擎Clingo而使得性能下降,同時Laser也不能進行分布式的流處理,因此BigSR在Laser的基礎(chǔ)上解決了這一問題。

Cichlid[14]是基于Spark大數(shù)據(jù)處理框架的分布式語義網(wǎng)推理機,有著較高的推理性能,EMSR[15]是在 Cichlid的基礎(chǔ)上加入了基于變量的優(yōu)化聯(lián)接算法,減少了聯(lián)接的時間。表2總結(jié)了各RSP引擎和流推理系統(tǒng)的性能和特點。

表2 RDF流處理引擎現(xiàn)狀

2 基于CS及ECS索引的后向鏈式流推理

2.1 RDF流查詢總體系統(tǒng)架構(gòu)

如圖1展示的是基于CS及ECS的RDF流查詢的總體結(jié)構(gòu),本文在利用擴展特征集的基礎(chǔ)上,加入了基于查詢語句的語義數(shù)據(jù)流后向推理方案,描述了整個架構(gòu)的設(shè)計,提出了ECS索引算法及查詢過程中的圖匹配算法,構(gòu)建了一個高效的語義數(shù)據(jù)流后向查詢引擎。本文共有三個核心模塊,首先是加載新的RDF數(shù)據(jù)集并提取三元組特征集(CS)索引和擴展特征集(ECS)索引,其次是基于ECS索引的后向推理,最后是處理SPARQL查詢并獲取結(jié)果。

圖1 RDF流查詢總體架構(gòu)

2.2 RDF數(shù)據(jù)載入

為了減少RDF數(shù)據(jù)內(nèi)存占用,本節(jié)采用Triplebit[16]中的存儲結(jié)構(gòu),將三元組作為連續(xù)的4字節(jié)大小的整數(shù)存儲在內(nèi)存中,其中每個三元組的主語、謂語和賓語分別被分配一個自增的不重復(fù)ID。在加載階段,將每個三元組的結(jié)構(gòu)設(shè)定為大小為4的向量,前三個向量分別對應(yīng)主語、謂語和賓語的ID,最后一個位置指向其主語的CS索引,在數(shù)據(jù)載入階段,都初始化為默認值-1,如圖2所示。

圖2 數(shù)據(jù)載入

對每個RDF保留4個字節(jié),并根據(jù)主語和CS索引進行排序,按照這種思路即使10億個三元組也最多只需要4 GB的內(nèi)存空間,因此在一定程度上減少了內(nèi)存占用。另外,本文也按照ECS中數(shù)據(jù)載入的方法,將三元組中IRI前綴進行壓縮,生成對應(yīng)的映射詞典,減少在后續(xù)操作中字符串解析的時間,并為最后輸出的標識查詢結(jié)果進行拼接,返回可讀的字符串?dāng)?shù)據(jù)。

2.3 索引提取與建立

2.3.1CS索引

CS索引是特征集合[17],是表示從一組主語集合都擁有的一組公共屬性p1,p2,…,pn,通過對數(shù)據(jù)集的三元組進行線性掃描,可以檢索所有CS的集合[18]。首先按主語對三元組進行排序,并在主語中找到新的屬性組合時構(gòu)造新的CS,換句話說,當(dāng)我們對具有同一主語的三元組進行遍歷時,我們將聚合這些三元組的屬性。并且當(dāng)?shù)^續(xù)進行時,對于下一個主語,我們對聚合屬性的位圖進行哈希處理,并檢查其是否已經(jīng)存在,如果沒有,我們將使用這些屬性創(chuàng)建一個新的CS,每個CS被分配一個唯一的整數(shù)標識符,并保存定義它的屬性的位圖,其中每個位對應(yīng)于位圖中是否存在此屬性。在此迭代過程中,我們通過將三元組向量的第四個元素設(shè)置為分配給CS的整數(shù)標識符,根據(jù)主語節(jié)點的CS將三元組與CS關(guān)聯(lián),即圖2中CS索引位置。

然后,我們按三元組的CS對其進行排序,將主語保留為第二排序鍵,并在SPO表中構(gòu)造一個大的三元組表以進行一個查詢周期的持續(xù)存儲。CS索引在此表的頂部構(gòu)造為B+樹,其中的鍵由CS的ID定義,通過維護SPO表中每個CS的開始和結(jié)束索引,我們可以使用此索引來獲取與特定CS相關(guān)的三元組。這樣,CS索引可以根據(jù)對象的CS對所有三元組進行劃分,并允許我們通過簡單的范圍掃描輕松評估給定節(jié)點或變量周圍的屬性。CS索引構(gòu)造過程如圖3所示。

圖3 CS索引構(gòu)造過程

2.3.2ECS索引

ECS是擴展特征集,建立CS索引后,下一步是提取ECS,并建立ECS索引。提取ECS的一種簡單方法是對整個數(shù)據(jù)集執(zhí)行賓語和主語聯(lián)接,掃描結(jié)果行,并為主語和賓語的CS的每種不同組合創(chuàng)建一個新的ECS,但是有一種更有效的方法是利用先前計算的CS索引。具體來說我們利用CS索引并遍歷所有CS對,其中CS對是一組CS映射表,用于保存三元組的主語和賓語聯(lián)接。如圖3中的CS索引S1(ID為1)、S2(ID為2)和S3(ID為3),當(dāng)S1、S2和S3的三元組之間的聯(lián)接結(jié)果不為空時,我們將根據(jù)三元組主語的CS構(gòu)造一個新的ECS,如S1和S2聯(lián)接得到2個聯(lián)接結(jié)果(stu1和tac2,stu2和tac1),S1和S3聯(lián)接得到2個聯(lián)接結(jié)果(stu1和London,stu2和Wuhan),S2和S3聯(lián)接得到2個聯(lián)接結(jié)果(tac1和Wuhan,tac2和London),總共表示6個新的ECS。

然后,我們可以存儲ECS以及對其主語和賓語CS的ID標識符的引用,以及其中包含的三元組。與CS一樣,每個ECS都分配有唯一的整數(shù)標識符。但是與CS索引對數(shù)據(jù)集中的所有三元組進行分區(qū)相比,ECS索引僅對與有效ECS有關(guān)的三元組進行分區(qū),即其主語和賓語聯(lián)接具有非空CS的三元組,這些是描述資源之間路徑的三元組。我們將這些三元組存儲為PSO表,并在此表的頂部將ECS索引構(gòu)建為B+樹,其中每個ECS定義了屬于它的一系列連續(xù)三元組。圖4所示為ECS索引結(jié)構(gòu)。之后,獲取特定ECS的三元組只需要對PSO表進行簡單的范圍掃描即可。事實上,PSO表的大小遠小于SPO表的大小,因為后者包含所有三元組輸入數(shù)據(jù),而許多三元組不屬于有效的ECS,這些要么是其賓語是帶有文字描述表示的三元組,要么其節(jié)點是單一無相連的三元組,因此用空CS來描述。

圖4 ECS索引結(jié)構(gòu)

2.4 基于CS及ECS的后向推理

本節(jié)在CS及ECS索引的基礎(chǔ)上,描述如何進行后向鏈式推理。為了便于理解,本文根據(jù)上述的RDF流數(shù)據(jù)建立了一個簡單的查詢語句,如圖5所示,表示居住在同一個城市的兩個人中,一個是學(xué)生一個是老師,并且是師生關(guān)系。

圖5 查詢語句示例

結(jié)合背景知識發(fā)現(xiàn),學(xué)生的種類有很多,例如本科生和畢業(yè)生都是學(xué)生的子類,例如查詢中的學(xué)生x;同理老師也有數(shù)學(xué)老師和化學(xué)老師等多種類型,如老師y。在進行查詢的時候,需要將所有學(xué)生x和老師y的子類三元組全部包含進去,才是所有滿足查詢條件的三元組。因此,需要進行后向鏈式推理得到所有x和y的隱含信息。

推理的第一步是根據(jù)查詢條件和背景知識進行反向迭代。背景知識中三元組的數(shù)量是相對較少的,其中定義了數(shù)據(jù)集各個實體和屬性之間的關(guān)系,在LUBM數(shù)據(jù)集中約為170個。在查詢條件{?x type student}下,根據(jù)規(guī)則9,滿足條件{?s type ?t,?t subClassOf student}的三元組也是滿足上述查詢要求的,然后在背景知識中匹配是否有滿足的實體t,如果存在則繼續(xù)向上遞歸尋找。在進行向上尋找的過程中,可以根據(jù)條件直接篩選出滿足條件的結(jié)果,但是本文并沒有這么做,因為篩選出合適的結(jié)果需要遍歷輸入三元組,對于多次迭代這種開銷是非常巨大的。本文采用了與前向推理相反的后向推理鏈,得到滿足背景知識和查詢條件的實體。其次是將滿足查詢條件和背景知識的實體進行合并。由于一個查詢條件有多個滿足的實體,例如本科生和畢業(yè)生都是學(xué)生的實體,因此需要將這些實體進行合并。根據(jù)之前關(guān)于特征集的介紹,特征集是關(guān)于一組具有相同謂語屬性的RDF三元組,通過后向推理得到的實體必然也要具有同樣的謂語屬性,因此將推理得到的實體進行合并。后向推理過程如圖6所示。

圖6 后向鏈式推理

可以發(fā)現(xiàn),每次的迭代是利用上層推理結(jié)果、背景知識和推理規(guī)則共同推理完成的。只將上層推理結(jié)果和背景知識作為推理的前項,而不遍歷整個輸入數(shù)據(jù),一方面是因為這兩個部分的數(shù)據(jù)量很小,迭代較快,減少性能開銷,另一方面是因為可以利用CS索引結(jié)構(gòu)的特點,如果知道三元組的謂語就可以快速得到所有滿足該謂語的三元組。

2.5 查詢處理

本節(jié)在ECS索引的基礎(chǔ)上,描述如何進行RDF流查詢。為了便于理解,本文根據(jù)上述的RDF流數(shù)據(jù)建立了一個如圖5所示的簡單的查詢語句,表示居住在同一個城市的兩個人中,一個是學(xué)生一個是老師,并且是師生關(guān)系。

本節(jié)將在這個查詢的基礎(chǔ)上,分別從查詢語句解析和提取ECS查詢圖、ECS查詢圖和ECS索引的匹配、查詢計劃和執(zhí)行三個步驟講述RDF流查詢的過程。

2.5.1查詢解析和提取索引

首先,查詢解析器會將傳入的查詢語句轉(zhuǎn)換為ECS查詢圖。因此,第一步要提取查詢節(jié)點的特征集CS,如2.3.1節(jié)中描述的CS索引建立方法,然后根據(jù)2.3.2節(jié)中ECS索引建立的方法,在查詢模式下找到ECS,并在查詢ECS之間創(chuàng)建鄰接表。此過程與加載RDF流數(shù)據(jù)時的ECS提取相同,但是這次是對查詢的三元組執(zhí)行。確定了查詢ECS及其之間的聯(lián)接后,我們按它們出現(xiàn)的順序遍歷這些聯(lián)接,以便在ECS查詢圖中標識這些聯(lián)接鏈,即一系列賓語和主語的聯(lián)接。因為查詢語句和ECS索引中的數(shù)據(jù)都是非常少的,所以這個查詢解析步驟效率很高。

查詢解析過程如圖7所示,根據(jù)圖5的查詢示例,首先將查詢語句表示成BGP,如圖7中的4個節(jié)點x、y、z、w表示查詢語句中的未知參數(shù),student和teacher表示已知的節(jié)點參數(shù),節(jié)點與節(jié)點之間的邊表示已知屬性。通過BGP中的相連的未知節(jié)點和已知參數(shù),轉(zhuǎn)換成對應(yīng)的CS索引圖,在轉(zhuǎn)換過程中,每個節(jié)點是由多個推理得到的實體合并而成,如圖7中Sx、Sy和Sz表示對未知節(jié)點的CS索引。通過查詢語句中的謂語需求和屬性位圖,將需要查詢CS索引和CS索引表聯(lián)立起來。

圖7 查詢解析過程

轉(zhuǎn)換成CS圖后,將相連的兩個CS和有向邊轉(zhuǎn)換成一個ECS,例如Sx和Sy轉(zhuǎn)換成Qxy;將CS中所有的節(jié)點轉(zhuǎn)換成ECS后,相鄰的ECS節(jié)點之間通過相同的CS索引進行聯(lián)接操作,例如Qxy和Qxz之間,通過相同的Sx進行聯(lián)接。根據(jù)ECS索引結(jié)構(gòu)是由主語和賓語組成的,因此聯(lián)接一般有以下幾種情況,ss、so、os、oo,表示起始節(jié)點的主語或賓語和終止節(jié)點的主語和賓語相聯(lián)接,例如os表示起始節(jié)點的賓語和終止節(jié)點的主語進行聯(lián)接。ECS索引算法如算法1所示。

算法1ECS索引算法設(shè)計

輸入:Feature set CS and triples mapping table CSMap。

輸出:Extended feature set ECS and Adjacency lists between ECS ecsLinks。

begin

var ecsMap=Map

var subjectCSMap=Map

var objectCSMap=Map

for(SiinCSMap)

for(SjinCSMap)

if(triples.size()>0)

ecs=newECS(Si,Sj)

ecsMap.put(ecs,sort(triples))

subjectCSMap.get(Si).add(ecs)

objectCSMap.get(Sj).add(ecs)

ecsLinks=newMap()

for(Si in objectCSMap.keys)

if(Si ? subjectCSMap.keys)

continue

for(ECSleftinobjectCSMap.get(Si))

for(ECSrightinsubjectCSMap.get(Si))

ecsLinks.get(ECSleft).add(ECSright)

returnecsMap, ecsLinks

end

2.5.2ECS查詢圖和ECS索引匹配

從圖7中可以看出,每一個查詢ECS即圖中的Qxy等,都可以與ECS索引中的0到多個ECS匹配,因此對于查詢ECS和ECS索引之間必然存在一個匹配機制,我們用Query={CSqleft,CSqright}表示一個查詢ECS,用Ecs={CSleft,CSright}表示一個ECS索引,其中參數(shù)CS都表示組成ECS的兩個CS索引,則式(1)必然成立。

CSqleft?CSleft,CSqright?CSright

(1)

并且對于組成查詢ECS和ECS索引的主語和賓語的CS,其屬性位圖必然也存在對應(yīng)的關(guān)系。例如查詢語句中對于x變量需要3個屬性type、live和teacherOf,但是在屬性位圖3中,該CS是擁有5個屬性的,并且包含需要查詢的3個,因此有:

pQ?pE

(2)

在此基礎(chǔ)上,制定了對查詢Query的評估方法,對于所有滿足該查詢的ECS的三元組,用m(Query)表示,tp(En)表示與該ECS有關(guān)的所有三元組,則評估如下:

Query=tp(E1)∪tp(E2)∪…∪tp(En),Ei∈m(Query)

(3)

通過對ECS圖進行深度優(yōu)先遍歷,可以將查詢ECS與ECS索引進行匹配。本文在帶有ECS圖的鄰接列表上進行迭代,并以每個ECS為起點,搜索匹配的ECS。圖模式匹配算法通過遞歸實現(xiàn),如算法2所示。

算法2ECS圖模式匹配算法

輸入:Adjacency lists between ECS ecsLinks, A chain of query ECSs c(q0…qn-1)。

輸出:A linked list of ECS sets that match the ECSs ecsMatches。

begin

var ecsMatches=Map

for(einecsLinks.keySet())

matchData(e, ecsLinks, c(q0…qn-1), ecsMatches)

returnecsMatches

matchData(e, ecsLinks, c(q0…qn-1), ecsMatches)

begin

if(q0.subjectCS.bitmape.subjectCS.bitmap OR

q0.property?e.properties)

returnnull

if(visited(e) OR c.size==1)

returnecsMatches

visited.add(e)

ecsMatches.get(q0).add(e)

forechildin ecsLinks.get(e)

matchData(echild, ecsLinks, c(q0…qn-1), ecsMatches)

end

end

通過在ECS圖上執(zhí)行深度優(yōu)先遍歷,可以確保查詢中連續(xù)匹配的ECS已鏈接到數(shù)據(jù)中,此過程的輸出是ECS索引中與ECS查詢鏈匹配的一組ECS鏈。

在圖7的示例中,定義了3個查詢ECS,分別是Qxy、Qxz和Qyz,該算法會將E1(ID為1的ECS索引)匹配到對應(yīng)的Qxy,因為E1是其子集,表示所有x是y的學(xué)生的關(guān)系;其次,將E2匹配到Qxz,表示所有學(xué)生x居住在地點z的關(guān)系;最后將E3匹配到Qyz,表示所有老師y居住在地點z的關(guān)系。

2.5.3查詢計劃和執(zhí)行

查詢計劃為匹配ECS鏈相對應(yīng)的三元組的各個集合決定聯(lián)接執(zhí)行順序,查詢計劃根據(jù)查詢鏈有兩種排序策略,第一種是根據(jù)不同查詢鏈之間的公共屬性,盡早濾除無關(guān)三元組,稱為外部排序;第二種是根據(jù)特定查詢鏈減少ECS之間的賓語和主語聯(lián)接的中間結(jié)果,這些中間結(jié)果對最終結(jié)果無關(guān),稱為內(nèi)部排序。首先為了獲取整個查詢鏈的外部排序,需要根據(jù)鏈中的每一個項的執(zhí)行成本進行計算,讓整個查詢鏈的成本最小。一般情況下根據(jù)升序成本對鏈進行排序,即對于鏈中任何一項都有如下狀態(tài):

St=Orderi

(4)

根據(jù)式(4)可以通過鏈中每一項的成本得到排序結(jié)果,對于每一項的成本,根據(jù)式(1)所示的每一個查詢都可能有約束條件,定義了如下對成本的評估規(guī)則,對于查詢中沒有約束條件的,如圖7中的Qxy,其成本是查詢其所有三元組的成本,如式(3)所示,查詢Query的評估方法是與該ECS有關(guān)的所有三元組,因此其成本就是查詢所有三元組的查詢成本,進一步地,一個查詢Query的成本公式如下:

(5)

對于查詢中有一個或者兩個約束條件的,例如Qxy有一個,而Qyz有兩個,其成本為固定值1。對于鏈中連續(xù)的ECS相互聯(lián)接的成本,本文利用遞歸的方式定義了如下方法:

cost(chain1～n)=cost(chain1～n-1)×fos(Queryn)

(6)

式中:fos(Queryn)是第n個查詢進行os聯(lián)接的乘數(shù)。遞歸開始的首項是由一個ECS組成的鏈,其成本為該ECS的成本;對于一個Query={CSleft,CSright},其中:CSleft表示主語特征集;CSright表示賓語特征集。其乘數(shù)fos取決于其賓語和主語聯(lián)接操作產(chǎn)生的聯(lián)接數(shù)據(jù)行數(shù),并且定義為Query中每個主語的不同賓語的比率,因此fos(Query)的計算公式如下:

fos(Query)=|OQuery|/|SQuery|

(7)

式中:OQuery表示查詢Query中的賓語特征集CSright的不同主語個數(shù),SQuery表示查詢Query中的主語特征集CSleft的不同主語個數(shù)。通常遞歸函數(shù)開銷都比較大,之所以采用這種評估標準的依據(jù)是因為第一個ECS的綁定的三元組都遠小于數(shù)據(jù)集,因此遞歸成本很小。

為了獲得內(nèi)部排序,本文考慮到鏈中的所有ECS都通過賓語和主語聯(lián)接鏈的,可以向左或向右一次擴展一個ECS的現(xiàn)有節(jié)點或子鏈?；诖?本文采用一種簡單的試探法,該試探法從成本最低的ECS開始,并從左或右選擇成本最小的ECS來擴展鏈。雖然其他方法使用動態(tài)規(guī)劃算法來根據(jù)所采用的統(tǒng)計信息找到最佳的連接順序,以減少中間結(jié)果,但在圖模式匹配階段已經(jīng)執(zhí)行了大量的三元組過濾,因此,順序不會嚴重影響查詢處理器的性能。

通過外部排序和內(nèi)部排序可以很明確地找到一條成本最小的執(zhí)行計劃。通過查詢ECS索引并加入匹配鏈的每個ECS的三元組,可以單獨執(zhí)行每個查詢鏈。在執(zhí)行的最后步驟中,使用公共屬性的散列聯(lián)接來聯(lián)接多個查詢鏈,并且在評估單個鏈時動態(tài)創(chuàng)建聯(lián)接表。當(dāng)從內(nèi)存中檢索ECS時,將來自于ECS的三元組和來自于CS的三元組之間執(zhí)行合并聯(lián)接,可以實現(xiàn)ECS的主語和賓語的屬性的檢索,獲取所有主語和賓語后,即可獲取對應(yīng)的聯(lián)接結(jié)果。

3 實驗與結(jié)果分析

3.1 實驗配置

實驗代碼基于Java8,數(shù)據(jù)集使用的是標準LUBM。實驗使用的操作系統(tǒng)是Windows 10,CPU是Intel(R) Core(TM) i7-6700U,主頻3.40 GHz,內(nèi)存16 GB。實驗采用LUBM標準數(shù)據(jù)集,并從流數(shù)據(jù)大小、傳入窗口大小和滑步大小幾個方面測試系統(tǒng)的整體性能,主要測試整個查詢的延遲及單位時間內(nèi)處理查詢的數(shù)量。

3.2 實驗場景設(shè)置

針對整個后向鏈式查詢,本文將與目前比較流行的基于后向鏈式推理的Laser和BigSR做對比實驗,后向推理過程是和查詢語句相關(guān)聯(lián)的,因此本文設(shè)計在推理結(jié)果相同的前提下,對比整個系統(tǒng)延遲。查詢語句中,Q1用來查詢少量的直接關(guān)聯(lián)實體;Q2用來查詢大量的直接關(guān)聯(lián)實體;Q3用來查詢間接關(guān)聯(lián)實體;Q4用來查詢大量的需要推理的實體;Q5用來查詢少量的需要推理的實體。

3.3 實驗結(jié)果分析

流數(shù)據(jù)大小對該策略的影響如圖8所示,其中窗口大小和滑步大小都是1 s,可以發(fā)現(xiàn),隨著流數(shù)據(jù)的增大,系統(tǒng)的延遲和吞吐量也相應(yīng)增大,整個系統(tǒng)的推理性能會逐漸降低,這也體現(xiàn)了本文在處理瞬時數(shù)據(jù)流極大的情況會存在一定的缺陷。

圖8 流速度變化

如圖9所示的滑步大小對該策略的影響,其中窗口大小和滑步大小保持一致,流數(shù)據(jù)每秒2萬,從結(jié)果可以發(fā)現(xiàn),隨著滑步逐漸增大,系統(tǒng)的延遲和吞吐量也相應(yīng)增大,與圖8結(jié)果很相似,對于處理滑步極大的情況在存在一定的缺陷。

圖9 滑步大小變化

窗口大小對該策略的影響如圖10所示,其中滑步為1 s,流數(shù)據(jù)每秒10萬,可以發(fā)現(xiàn),隨著窗口的逐漸增大,系統(tǒng)的吞吐量呈線性增大,但是延遲卻增幅很小,平均每增大50萬吞吐量,延遲增大60 ms,并且在上述條件下,極限性能能達到接近500萬三元組每秒的吞吐量。

圖10 窗口大小變化

綜上所述,本文提出的后向流處理系統(tǒng)在處理瞬時數(shù)據(jù)流特別大的情況下存在一定的性能缺陷,例如每秒都會產(chǎn)生百萬流數(shù)據(jù)并且需要在短時間得到查詢結(jié)果的場景;但是需要處理窗口很大,但是滑步很小的場景,比如城市交通監(jiān)管、天氣檢測等一段時間內(nèi)的實時監(jiān)測系統(tǒng),本文有很大優(yōu)勢。

由于Laser目前沒有合適的公共數(shù)據(jù)集作測試,因此本文采用了與Laser相同的數(shù)據(jù)生成器作為數(shù)據(jù)流。本文設(shè)計的查詢語句主要測試數(shù)據(jù)聯(lián)接的性能,這也是Laser架構(gòu)中性能比較出眾的一個。實驗分為了兩組,分別是窗口大小為1 s和5 s,流數(shù)據(jù)相同并逐漸增大,實驗結(jié)果如下。從圖11和圖12的實驗結(jié)果可以看出,在窗口為1時,本文的后向推理的性能更高,隨著數(shù)據(jù)流的增大,查詢延遲也在增加,但是增幅不大。在窗口為5時,本文方法相對而言延遲增幅較大,但是仍然比Laser有一定的優(yōu)勢,上升的主要原因是數(shù)據(jù)流只有一個特征集,因此進行聯(lián)接操作會產(chǎn)生大量的耗時,也從另一個方面說明了,對于查詢特征集單一的查詢語句,本文方法在數(shù)據(jù)大的時候延遲上升加快。綜上所述,本文的后向推理方案在對比Laser在窗口和滑步相同時,有著很大的性能優(yōu)勢;但是隨著窗口的增大,本文方法性能下降相對較快,是因為Laser采用了基于時間段增量模型來減少重復(fù)計算。

圖11 窗口為1時對比結(jié)果

圖12 窗口為5時對比結(jié)果

在與BigSR的對比實驗中,因為BigSR不支持多級聯(lián)接,因此本文設(shè)計了相對應(yīng)的多組查詢,并選取了其中一個有代表性查詢Q3的結(jié)果進行了對比。本文根據(jù)目前提出的方法設(shè)計了流速度和窗口大小作為主要的變量指標,分別為保持窗口大小為1不變,改變流速度和保持流速度為1萬個三元組不變,改變窗口大小,并將查詢延遲和吞吐量作為主要的衡量指標。

從圖13中的實驗結(jié)果可以發(fā)現(xiàn),在窗口不變時,隨著流速度的增大,吞吐量也增大,同時查詢延遲也增大,增幅與BigSR的增幅類似,基本呈線性增長,主要是因為目前的并行推理機還存在一定的優(yōu)化空間。從圖14中的實驗結(jié)果可以發(fā)現(xiàn),在流速度不變時,隨著窗口的增大,BigSR的查詢延遲也呈線性增長,但是本文方法并沒有明顯上升,是因為本文提出的基于后向鏈式的流推理極大程度地減少了無關(guān)結(jié)果,并且本文的擴展特征集在數(shù)量聯(lián)接數(shù)量較少時,其性能非常高。

圖13 流速度變化對比結(jié)果

圖14 窗口變化對比結(jié)果

4 結(jié) 語

本文針對現(xiàn)有的后向鏈式流推理在查詢數(shù)據(jù)效率低的問題,通過有效地利用CS和ECS索引,并結(jié)合查詢語句提出一個高效的后向鏈式流推理方法。首先描述了整個架構(gòu)圖;其次詳細描述了CS索引和ECS索引的提取和建立過程;然后根據(jù)查詢語句建立查詢ECS圖,通過圖匹配算法將查詢ECS圖和ECS索引聯(lián)接起來獲取查詢ECS鏈;進一步根據(jù)ECS查詢鏈中每個ECS的成本使用遞歸策略得到最小成本執(zhí)行計劃。并和Laser、BigSR進行了對比實驗,實驗表明本文方法有一定的性能優(yōu)勢,但是仍然存在一些不足,例如大規(guī)模RDF流的CS及ECS構(gòu)建效率問題。另外,本文在與Laser的對比實驗中,在窗口逐漸增大時,其性能降低相對較快,而Laser則比較平穩(wěn),因此下一步可以考慮將Laser中減少重復(fù)計算的增模型相結(jié)合,進一步提升后向推理的性能。