排序方式： 共有3条查询结果，搜索用时 115 毫秒
1
1.
为提高联机分析查询的速度,在浓缩数据立方的基础上,构建了元组级别的内存实化方法.以内存空间至少能容纳最细粒度数据小方为前提,在内存中构造两级Hash结构:第一级Hash结构存放最细粒度的数据小方以保证所有查询都可从内存中响应;第二级Hash结构按照聚集度高的小方元组优先、相同聚集度情况下尺寸小的小方中元组优先的选择策略,选择立方元组在内存实化.处理点查询时,首先从第二级结构中直接查找满足条件的立方元组.若对范围查询,则需从第一级结构中计算获得.由于最细粒度立方元组和其他一些粗粒度元组都在内存中,避免了费时的外存存取,数据立方更新和维护代价也得以降低. 相似文献
2.
提出了一种新的稀疏数据立方计算方法CFD(Computation by Functional Dependencies),它采用自底向上的顺序划分数据立方的各个维,同时按自顶向下的顺序计算聚集,从而充分利用了数据立方的各个group-by之间的共性。CFD和以前所有的立方计算方法不同:一是既能避免计算冰山数据立方中不满足最小支持度的grorp-by,同时也利用了聚集函数的特征来加速聚集计算;二是利用维之间的依赖关系能有效减少划分时间。实验表明,和以前的算法相比CFD的性能明显提高。 相似文献
3.
提出了一种实用的启发式算法．该算法使用了一种简单的代价模型来比较查询之间的相对代价,并利用多项式时间从实化视图得到的多个重写查询中找出一个执行代价较节省的重写查询,不需要查询优化器的支持,减少了优化器的负担．实验结果表明该算法找出的较优重写查询的执行时间比穷尽搜索算法的略有增加,而搜索时间和空间显著减少．利用该算法可快速地响应查询,能显著改进数据仓库的查询性能． 相似文献
1