分布式数据库查询优化研究.docxVIP

分布式数据库查询优化研究 分布式数据库（ddb）是数据库技术与网络技术相结合的产物。该数据库领域有一个分支机构。这项研究始于20世纪70年代中期。这是一个物理上分散逻辑集中的数据库。该系统的数据分布存储在计算机网络不同位置的计算机上。每个位置都有独立处理能力（即独立处理），可以完成本地应用，每个区域也参与全局应用（至少之一）。整个节目由网络系统执行。在一个分布的数据库中，整个模型有几个全局关系。根据每个全局关系，它们被划分为多个逻辑段（一对一或多个）。每个逻辑段根据余项策略将其分配给物理段。如果是空的，则是空的，如果不是空的，则是空的。形成三个数据库：全球数据库sdb、逻辑数据库lb和物理数据库pdb。两种模式：分段模式fs和分配模式as。 如何提高查询效率是查询优化的问题,目前分布式查询优化器是基于代价模型,它假设各节点是同构的并且节点工作负载是静态的,在查询的执行过程中,系统参数(如CPU、内存、网络负载等等)保持不变,即根据数据库的统计模型作出静态估计.分布式查询的代价因素分为两种,一种是I/O操作代价和CPU的使用,这也是集中式数据库所具有的代价,另一种则是分布式数据库查询所特有的,即网络上不同计算机之间数据的传输代价,或称通信代价.一般情况下,分布式查询处理一般可分为4个阶段:1)查询分解.将查询问题转换成一个定义在全局关系上的关系代数表达式,进行规范化、分析、删除冗余并重写.2)数据本地化.将在全局关系上的关系代数式转换到相应段上的关系表达式, 产生查询树.3)全局优化.利用优化算法对查询树进行全局优化.4)局部优化.在组装场地进行本地优化. 相对于集中式数据库来说,分布式查询优化的总代价除了CPU代价和I/O代价之外, 还应考虑包括数据在网络上的传输代价.即: 总代价=CPU代价+I/O代价+通信代价. 对于分布式数据库中数据传输代价应区别不同情况加以考虑.在远程通信网或数据传输率较低的系统中,通信代价可能会比查询执行中的I/O及 CPU开销大得多,因而作为首要的优化目标来考虑.在局域网且传输率高的系统中, 通信代价和局部处理的开销差不多, 此时就应在优化中将它们平等对待. 1 基于agent的分布式查询系统 Agent最早出现在人工智能研究的领域,但目前在分布式系统、软件工程及通信等领域 同样得到了广泛的应用,取得了一系列的成果,并被赋予不同的涵义. 多Agent( MAS)系统是由多个Agent组成的集合,Agent之间以及Agent与环境之间, 通过通信、协商与协作来共同完成单个Agent所不能解决的问题.多Agent系统的研究领域包括许多方面,比如系统的组织结构、Agent间的通信、Agent间的协商与协作、Agent系统中的机器学习、Agent系统的动态特性等.这些方面与多Agent系统的性能直接相关.在基于Agent的分布式查询系统中,每个节点都可以包装成一个智能 Agent,各个节点之间通过协调、协作以及协商来达各自的目标和平衡工作负载,有效地完成查询任务. 2 基于代理技术的分布式咨询系统的设计 2.1 ent模型架构 基于Agent的查询MAS(Query Based on Multi-Agent System,QMAS),见图1所示采用多Agent技术,其中的各Agent既有思考型、反应性,也有混合型结构. QMAS包括以下Agent组和Agent: 1) 查询监测组(QueryDetectGroup),成员有:①查询接收Agent(QueryReceive-Agent);②特征获取Agent(FeaturesGet-Agent);③知识形成Agent(KnowledgeShape-Agent). 2) 内核组(KernelGroup),成员有:④任务规划Agent(TaskPlan-Agent);⑤任务管理Agent(TaskManage-Agent). 3) 知识库组和规则集组(KDBRuleSetGroup),成员有:⑥知识库Agent(KDB-Agent);⑦规则集Agent(RuleSet-Agent). 4) 输出组(ExportGroup),成员有: ⑧优化输出Agent(OptimizationExport-Agent);⑨命名服务Agent(NameServer-Agent);⑩辅助通信Agent(AssCommu-Agent,如GGA,MASGA). 系统内核(system kernel)主要包括处理器与知识库和行为规则集,一般由知识系统、问题求解程序、知识描述知识(元知识)、系统状态知识组成,反映Agent对内部问题和领域问题的处理能力.从知识库和行为规则集的构成和在系统中实际所起的效用上来说,图中Agent结构表现出了一种思考型结构所具有的特征,它具有较复杂的推理、问