基于丛生树的可调节的并行查询优化算法研究

在分析现有的并行查询优化算法的基础上,提出了一种新的并行查询优化算法,该算法充分考虑并行计算机的物理限制,以丛生树为模型,利用大关系的数量对操作内的并行性、操作间的独立并行性以及操作间流水并行性进行调节,从而保证了高效的并行查询计划的产生     

并行查询优化中的负载平衡问题研究

在现有工作的基础上，引入数据偏斜因子，在并行查询优化阶段考虑负载平衡问题，提出了一种并行查询优化方法，用算子间并行性来弥补由数据偏斜引起的算子内并行性下降而造成的影响，提高了查询执行效率，减少了查询时间。     

并行查询优化中的负载平衡问题研究

在现有工作的基础上,引入数据偏斜因子,在并行查询优化阶段考虑负载平衡问题,提出了一种并行查询优化方法.用算子间并行性来弥补由数据偏斜引起的算子内并行性下降而造成的影响,提高了查询执行效率,减少了查询时间.     

并行数据库查询优化技术研究

并行数据库查询优化的关键是缩减庞大的计划搜索空间,针对无共享结构（SN）,充分考虑通信开销,给出代价估计模型,采用两阶段优化方法,依据代价估计模型先对查询树进行顺序优化,并提出一种新的两阶段查询优化策略．对顺序优化的查询计划进行并行化,充分利用了多处理机的并行性,获得了较快的查询响应速度。既具备良好的并行性又避免了复杂性．     

SDD-1查询优化算法的研究与改进

由于数据的分布和冗余,使得分布式查询处理增加了许多新的内容和复杂性;在分布式数据库查询优化算法中,SDD-1算法能找到最优的半连接子查询的顺序,减少了网络通信代价,但是SDD-1算法的并行性并不理想,针对这一情况我们设计了一种并行性较好的SDD-1算法。     

并行查询中基于二维资源模型的处理机分配

并行查询中的处理分配是并行数据库系统中查询优化的重要组成部分，考虑到进程对ＣＰＵ和磁盘Ｉ／Ｏ的需求，着重研究ＳＮ结构上并行查询的处理机分配问题。首先查询操作对ＣＰＵ和Ｉ／Ｏ的二维资源使用模型，再通过粗粒度概念确定操作的划分并行度，并定量分析查询内各种并行性和资源共享对查询响应时间的影响，最后提出ＨＬＳ启发式处理机分配算法。     

并行查询中基于二维资源模型的处理机分配

并行查询中的处理机分配是并行数据库系统中查询优化的重要组成部分.考虑到进程对CPU和磁盘IO的需求,着重研究SN结构上并行查询的处理机分配问题.首先提出查询操作对CPU和IO的二维资源使用模型,再通过粗粒度概念确定(浮动)操作的划分并行度,并定量分析查询内各种并行性和资源共享对查询响应时间的影响,最后提出HLS启发式处理机分配算法     

基于MapReduce的关系型数据仓库并行查询

针对MapReduce框架与传统关系型数据库兼容性不好的问题,提出了一种基于分块结构的分布式关系数据库ChunkDB.并对MapReduce架构进行了扩展设计,使ChunkDB与MapReduce有效结合,将MapReduce的扩展性、易操作性、高并行性与关系数据库的索引等查询优化优势相结合.实验证明基于MapReduce的ChunkDB数据库能够为数据仓库应用提供快速高效的并行查询.     

基于传输代价最小原则的分布式数据库查询优化

分布式查询算法的核心部分是全局查询优化算法，将查询请求合理地优化分解为子查询任务，并尽量使子查询任务并行执行。分布式查询的优化需要权衡网络流量、响应时间、服务器负载、算法复杂性等多种因素。本着减少节点之间的数据传输量的目的，本文提出一个复杂度和延迟时间之间进行衡量的全局优化算法。本文就连接查询和复合查询进行了详细的分析，最后提出了一种基于半连接的查询优化算法，并分析了该改进算法的优缺点。     

基于多核环境的并行性双向枚举连接

基于多核处理器,结合自底向上和自顶向下两种算法,提出一种图遍历驱动的双向优化算法,该算法充分利用两种遍历算法的优点,并发挥多核环境的优势,实现了最优查询计划的高性能并行构建,解决了并行双向枚举连接问题.实验结果表明,该算法的性能优于已有算法,可明显提高数据库查询速度.     

基于多核环境的并行性双向枚举连接

基于多核处理器, 结合自底向上和自顶向下两种算法, 提出一种图遍历驱动的双向优化算法, 该算法充分利用两种遍历算法的优点, 并发挥多核环境的优势, 实现了最优查询计划的高性能并行构建, 解决了并行双向枚举连接问题. 实验结果表明, 该算法的性能优于已有算法, 可明显提高数据库查询速度.     

并行数据库的查询处理技术

随着并行计算机系统的迅速发展,并行数据库系统已经成为数据库研究和应用的一个重要领域,本文介绍了各种并行数据库系统的并行计算机结构和关系数据库查询的固有并行性,然后探讨了并行数据库查询处理的并行化技术。     

基于记录标识符的查询处理算法

给出了一种通过记录标识符的运算实现数据库查询处理的算法，讨论了有关的查询优化技术和算法特点。     

基于线性浓密树的并行数据库查询优化算法

查询优化是并行数据库的核心技术。基于线性浓密树的查询优化方法是对基于浓密树(Bushy-Tree)查询优化方法的一种改进,这种优化方法大大地缩减了查询执行计划空间,确保了并行查询执行计划的优化性。     

基于混合遗传算法的关系型数据库查询优化

分析了关系型数据库的查询优化问题，针对多连接查询提出将遗传算法和爬山法结合，从而构造了关系型数据库多连接查询优化问题的混合遗传算法，并进行了实验计算．结果表明，用混合遗传算法解决多连接查询优化问题，可以发挥遗传算法和爬山法的不同优势，从而得到较满意的查询优化性能．     

数据流上并行查询优化技术

主要讨论了DSMS的核心技术--查询优化;并讨论在高速数据流上的查询优化技术.着重致力于在shared-noohing网络并行环境下,探讨适合流的新型查询处理技术.     

基于传输代价最小原则的分布式数据库查询优化

分布式查询算法的核心部分是全局查询优化算法,将查询请求合理地优化分解为子查询任务,并尽量使子查询任务并行执行。分布式查询的优化需要权衡网络流量、响应时间、服务器负载、算法复杂性等多种因素。本着减少节点之间的数据传输量的目的,本文提出一个复杂度和延迟时间之间进行衡量的全局优化算法。本文就连接查询和复合查询进行了详细的分析,最后提出了一种基于半连接的查询优化算法,并分析了该改进算法的优缺点。     

基于分布式数据库系统的一种查询优化算法

分布式数据库系统由于数据的物理分布和冗余使得分布式查询处理增加了难度和复杂度,使得分布式数据库系统的查询优化较集中式数据库系统更为重要.介绍分布式数据库系统的特点和分布式查询优化及一种新的查询算法:基于语义信息的分布查询处理.     

数据集成系统中多查询优化的研究

多查询优化的主要目的就是为了消除多个查询间存在的冗余.基于扩展查询头部变量算法,提出一种多查询优化算法.其主要思想是:通过构造一棵查询集合的伪包含树,建立查询间的联系.然后通过解析这棵树,来构造全局优化的查询计划.     

一种基于虚拟数据库的分布式查询优化算法

针对虚拟数据库系统(简称“VDBMS”)执行分布式查询时的网络代价问题,提出一种基于关系运算代价估算理论及半连接技术的分布式查询优化算法SJQA(Semijoin Based Query Algorithm),较之最大子查询法,该算法加入了对子查询之间执行顺序及连接方式等方面因素的考虑,从而能更有效地减少分布式查询的总网络代价．实验结果表明,对于带有选择运算的查询,SJQA算法的优化效益与查询的选择因子大小成近似反比关系,因此它对该类查询的优化效果是十分明显的。