不确定数据Top―K查询技术研究.docVIP

不确定数据Top―K查询技术研究 　　摘要：高效的Top-K查询处理是不确定数据管理的一项重要技术。从确定性算法技术和近似算法技术两方面研究典型的不确定数据的Top-K查询算法，分析概率与分值的平衡方式，介绍统一化排序思想以及综合多种查询特征的新型查询方式，最后提出不确定性Top-K查询的研究方向及不确定性查询处理技术的研究热点。 　　关键字：不确定性数据；Top-K查询；确定算法技术；近似算法技术；排序函数；概率 　　中图分类号 TP311 文献标志码：A 　　0 引言 　　随着传感器网络和移动对象的应用，不确定数据无处不在，如传感器数据、RFID数据、隐私数据、LBS数据、Web应用数据等等。同时人们也逐渐认识到不确定数据处理带来的巨大价值。目前，不确定数据查询技术已经成为空间和移动数据库的前沿研究领域[1]。其中面向不?_定数据库的Top-K查询处理在涉及大量数据交互方面的拓展应用则是一项高效基础重要技术[2]。面向确定数据库的Top-K查询的定义非常清晰，即返回Ranking函数值最大的K个元组。但是，由于不确定数据概率维度的存在，确定数据集上的Top-K查询算法无法直接应用到不确定数据集合上[3]。基于此，本文拟从确定性算法技术和近似算法技术两方面展开典型不确定数据的Top-K查询算法研究，同时分类综述近年来不确定数据Top-K查询的研究成果，并指出下一步的的挑战与发展方向。 　　1 典型不确定数据Top-K定义和算法研究 　　针对不确定性Top-K查询，学者们从多种应用需要以及设定侧面给出了不同的查询语义。其中U-TopK[4，5]、U-kRanks[4，6]、c-typical-Topk[7]、Global-TopK[8]、PT-K[9-11]、Expected Rank[12-13]等得到了广泛认同，而且可分别适用于不同的应用场景。与此同时，不确定查询算法随即进入了深度探索的研究完善阶段。对不确定查询处理的确定性算法技术的研究焦点就是如何利用查询语义的特点避免展开整个可能世界空间[4-5，7-10，12-13]，从而提高查询效率。 　　1.1 确定性算法技术 　　Re等人[14]较早地研究了概率数据库中的Top-K查询问题，阐述了通过SQL语句查询概率数据中概率值最大的Top-K元组，其元组的概率即为排序函数值。然而，多数不确定数据上的Top-K查询通常在可能的世界模型语义下聚集查询结果来排序概率数据以获取查询结果。 　　Soliman等人[4]针对不确定数据上的Top-K查询问题，首次研究提出了解决查询的不确定数据模型以及U-TopK查询和U-KRanks查询的定义。 　　概括来说，U-TopK查询返回一个长度为K的元组矢量，而且是在所有的可能世界中的发生概率为最大；U-KRanks查询返回在各个级别中出现的总概率最大的元组。Soliman证明了按分值排序读取记录可以使U-TopK查询和U-KRanks查询读取最少记录完成查询，并设计实现了可确保最优性的查询算法。因此，这2种查询方法就是将查询问题转化为状态空间搜索问题，研究转化为实例化最少的状态。各元组首先按照ranking函数从小到大进行排序，然后不断构造搜索空间，缩小空间的范围，最终获得查询结果。 　　在c-typical-TopK查询中也使用了状态空间扩展方法。当所求的Top-K具有最优子结构性质时，还可以采用动态规划的方法。动态规划的目标是发现求解Top-K问题的最优子结构性质。文献[7]中求解的c-typical-TopK和文献[5]中求解的Global TopK都表现出同样性质。 　　动态规划算法满足最优化原理，能够将求解的问题分解成若干个子问题（阶段），且下一个子阶段的求解依赖于上一个子阶段的运行结果，最终就是一句尾端子阶段的求解来依次求得其它阶段的输出解。 　　在确定性算法中，除了前文提到的状态空间方法和动态规划方法外，泊松二项递推的方法也是常用方法之一。 　　当不确定性数据库只存在记录级不确定性且并未提供生存规则时，可以将每条记录的出现与否视作实验的2种对立结果：n次实验代表数据库的n条记录。如PT-K查询和global-TopK查询都需要求解每条记录出现在Top-K中的概率。如果将记录按分值排序，记录t出现在Top-K中的概率可以理解为如下表述事件：在排队序列中，排位在t前的那些记录同时出现小于等于k-1个记录的概率，因此可以使用泊松二项分布的递推方法[2]。 　　记录级不确定数据库大致满足泊松二项分布的条件，在多种Top-K处理中都体现了泊松二项递推的思想[9-11，15-17]。当探知生存规则时，只要对生存规则设计具体处理，就可以将问题转化成简单情况。 　　由于不确定性Top-K查询处理建立在不确定数