作者搜索
新闻
  10.5.5
C-DBLP系统正式发布作者研究兴趣及学术活动展示功能，请访问作者页面试用。
  09.7.6
C-DBLP的文献BibTex信息展示功能正式上线，请访问文章详细页面使用。
  09.7.29
C-DBLP系统新增同名区分功能，欢迎大家在作者页面试用。该功能部分使用了清华大学王建勇老师课题组提出的GHOST（GrapH-based framewOrk for name diStincTion）算法，在此表示感谢。
  09.6.2
C-DBLP系统集成了作者的相关图片并在搜索结果页面展示，敬请试用。
  更多>>
 
数据流历史数据的存储与聚集查询处理算法  BibTex
作者： 张冬冬 李建中 王伟平 郭龙江
单位： 哈尔滨工业大学计算机科学与技术学院;哈尔滨工业大学计算机科学与技术学院;哈尔滨工业大学计算机科学与技术学院;哈尔滨工业大学计算机科学与技术学院 黑龙江哈尔滨150001;黑龙江哈尔滨150001黑龙江大学计算机科学与技术学院;黑龙江哈尔滨150080;黑龙江哈尔滨150001;黑龙江哈尔滨150001黑龙江大学计算机科学与技术学院;黑龙江哈尔滨150080
关键词： 数据流;历史数据;聚集算法;HDS-Tree数据流;历史数据;聚集算法;HDS-Tree
出处： 软件学报 2005 年 12期
基金： 国家自然科学基金;国家高技术研究发展计划(863);国家重点基础研究发展规划(973);黑龙江省自然科学基金~~
全文链接： 查看全文>>
摘要：
　　目前数据流的研究成果主要集中在分析处理存储于内存中的最近一段时间内的数据流数据,忽略了对数据流历史数据的分析处理与存储管理.提出了一种数据流历史数据的存储管理及聚集查询处理方法,通过对历史数据实施多层递阶抽样存储,并在内存中建立存储数据流历史数据聚集值的HDS-Tree索引,实现对无限数据流历史数据的存储管理,有效地支持各种聚集查询.同时,还给出了基于HDS-Tree的聚集查询算法的时间复杂性分析和查询误差分析.理论分析与实验结果表明,该方法可以有效地用于数据流历史数据的存储与分析.目前数据流的研究成果主要集中在分析处理存储于内存中的最近一段时间内的数据流数据,忽略了对数据流历史数据的分析处理与存储管理.提出了一种数据流历史数据的存储管理及聚集查询处理方法,通过对历史数据实施多层递阶抽样存储,并在内存中建立存储数据流历史数据聚集值的HDS-Tree索引,实现对无限数据流历史数据的存储管理,有效地支持各种聚集查询.同时,还给出了基于HDS-Tree的聚集查询算法的时间复杂性分析和查询误差分析.理论分析与实验结果表明,该方法可以有效地用于数据流历史数据的存储与分析.
正文快照：
　　近年来,由于数据流的应用领域越来越广泛,数据流的研究引起了人们的极大兴趣.数据流不同于存储在磁盘上的传统关系数据,而是以快速、无限、连续的流的形式存在.典型的数据流包括无线传感器网络应用环境中由传感器传回的各种监测数据、股票交易所的股票价格信息数据、网络监测系
Algorithms for Storing and Aggregating Historical Streaming Data
Author： ZHANG Dong-Dong1+;LI Jian-Zhong1;2;WANG Wei-Ping1;GUO Long-Jiang1;2 1(School of Computer Science and Technology;Harbin Institute of Technology;Harbin 150001;China) 2(School of Computer Science and Technology;Heilongjiang University;Harbin 150080;China)
Keywords： data streams;historical data;aggregation algorithm;HDS-Tree
Abstract：
　The current research work over data streams is mainly focused on dealing with the arrival of recent data in memory, neglecting the analysis and management of historical streaming data. An approach is proposed to store and query historical streaming data by using multi-layer recursive sampling method and HDS-Tree structure, which indexes the aggregation of historical streaming data and supports all kinds of aggregation queries over historical streaming data. The time-complexity and the error of aggregation algorithms are also analyzed based on HDS-Tree. The analytical and experimental results show that the approach can be effectively used to store and analyze the historical streaming data.