论文部分内容阅读
移动数据库中数据广播技术及移动通信带宽的有限性引起较大的数据访问延迟,移动客户机与固定网络频繁(主动或被动)断接使得用户事务得不到所需要的数据,移动设备的电能限制及通过无线网络访问远端服务器将消耗大量的电能等等这些限制性特点,使得传统的缓存和数据预取技术在移动计算环境中得到广泛的使用。数据预取技术是对缓存技术的补充。它有效利用了用户访问的时间局部性和空间局部性,通过结合用户当前和历史的请求,主动预测用户将来可能访问到的数据内容,并将其预取到客户机本地缓存中。数据预取技术的关键是如何准确及高效的预测移动客户机未来将要使用到的数据并将其预取到缓存中。数据预取按其在网络中实施预取的位置划分为服务器端预取、代理服务器端预取和客户端预取,本文围绕移动数据库中客户端数据预取技术进行了以下主要研究:一、根据移动计算环境的结构及其特点,得出研究移动数据库中数据预取技术的理论和现实意义。在分析传统的数据预取系统模型之上提出在移动数据库的客户端利用用户历史访问记录通过关联规则挖掘技术得到用户访问数据的相关性并结合网络中数据资源的更新频率,通过价值评估函数进行预取数据选择的预取系统——Value_based CMIP数据预取系统。Value_based CMIP数据预取系统依赖两个预取集合:预取数据集合和失效预取集合。预取数据集合中的数据只要出现广‘播通道中就将其预取到客户端缓存中。失效预取集合的构造发生在用户事务请求的数据失效时,不仅向服务器请求该失效数据,而且同时请求与失效数据项相关的数据。二、结合移动计算环境中用户数据特点,在传统的关联规则挖掘算法之上,提出一种支持移动计算的关联规则挖掘算法。频繁项集挖掘算法-——New—Apriri算法通过减少候选项集的产生及事务数据库的扫描时间,提高传统关联规则挖掘算法的效率,减少移动客户机的电能消耗。增量频繁项集更新算法一—New_FUP算法针对移动客户端的位置变化而导致的兴趣漂移,对增量事务数据库进行关联规则挖掘,从而更能准确的预测用户将访问数据。考虑到移动客户端系统资源的消耗,提出根据客户端电能使用率动态选择支持度和置信度进行关联规则的挖掘。三、进行算法的比较分析及数据预取系统的实现。经过算法理论与实验比较分析,本文提出的New_Apriori关联规则挖掘算法能够减少算法时间复杂度和空间复杂度。同时,New_FUP增量频繁项集更新算法能够从增量事务数据集中获得更多的频繁项集用于预取数据的选择,提高缓存的命中率。通过数据预取系统的模拟实现与CMIP数据预取系统的比较分析,本文提出的Value_based CMIP数据预取系统具有可实现性,并且提高了缓存的命中率,降低了缓存的失效率、减少了数据访问的时间及电能的消耗,提高了服务质量。