社交网络数据库技术分析
陈国艳
摘 要： 提出基于有向图模型设计的网络数据库高效检索节点分布设计方法。首先构建网络数据库检索节点的分布模型，分析数据结构，对检索节点的存储数据语义特征进行信息融合处理；然后采用有向图模型分析方法检索网络数据库节点属性聚类和自适应调度，实现数据库的高效检索节点有向图模型设计；最后设计仿真实验进行性能测试，实验结果表明，该方法有效提高了网络数据库的检索效率，尤其对超大规模数据库检索的执行效率更高。
关键词： 网络数据库； 数据库检索； 节点分布设计； 有向图模型
中图分类号： TN911?34； TP391 文献标识码： A 文章编号： 1004?373X（2017）05?0139?04
Abstract： A directed graph model based design method of the network database efficient retrieval mode distribution is proposed. The distribution model of the network database retrieval node was constructed to analyze the data structure， and perform the information fusion for the storage data semantic feature of the retrieval mode. The analysis method of the directed graph model is used to retrieve the node attribute clustering and adaptive dispatching of the network database to design the directed graph model of the database efficient retrieve node. The performance was tested with simulation experiment. The experiment results show this method has improved the retrieval efficiency of the network database effectively， and has high execution efficiency especially for the super?large scale database retrieval.
Keywords： network database； database retrieval； node distribution design； directed graph model
0 引 言
网络数据库是存储网络数据的重要载体，网络数据库的检索效率高低决定了大数据的访问与调度性能，研究网络数据库的高效检索方法具有重要意义，相关的模型研究受到人们的重视[1?2]。
构建网络数据库信息管理系统的基础是优化设计网络数据库检索节点图模型。通过对网络数据库检索节点图优化，提高数据访问效能。网络数据库检索节点图模型设计方法主要有支持向量机算法[3]、ARMA模型算法[4]、混合高斯模型算法以及分布式结构控制算法[5]，优化采集网络数据库存储节点的输入输出数据，进行数据信息流的特征提取，实现数据访问，取得了较好的访问精度。文献[6]提出大型电气数据库的云存储资源与服务高效调配机制，实现对网络数据库检索节点图模型中的自适应分区调度与访问，提高网络大数据访问吞吐量，降低访问开销，但是该算法计算开销较大，网络数据库检索节点图模型占有的冗余空间较多。文献[7]采用基于语义相似度的数据库自适应查询松弛方法，提高网络数据库检索节点图模型的访问性能，但该方法的抗干扰性能不好。文献[8]提出基于统计特征分析实现对云格环境的网络数据访问机制，检索节点分布较合理。但是该方法对网络数据库检索精度不高、数据收敛性不好。
针对上述问题，提出基于有向图模型设计的网络数据库高效检索节点分布设计方法。结果表明，该方法有效地提高了网络数据库的检索效率，特别是对超大规模数据库检索的执行效率尤为突出。
1 数据结构的分析
1.1 構建网络数据库检索节点的分布模型
假设分布式网络数据库检索节点图模型中的特征空间采样数据集为[X=x1，x2，…，xn，]进行分布式网络数据库检索节点图模型的数据访问机制体系分析时，采用有向图和语义本体结构模型构建分布式多层网络空间中的网络数据库存储结构模型，如图1所示。
采用SN，sink和跳数hop?Count进行分布式多层网络空间中数据节点图的设计以及建模。网络数据库检索结构中，大数据分布有向图的边[（u，v）∈E，]设分布式多层网络数据库数据检索阵列节点[A?V，][B?V]且[A?B=?，]抽取网络数据库检索节点图模型访问特征序列的相空间模糊度点集，在网络数据库检索节点图模型设计中，用户节点通过云服务器进行模糊隶属度匹配。网络数据库检索节点图模型采样的时间序列为[{x（t0+iΔt）}，][i=0，1，2，…，N-1，]数据信息流矢量长度为[N，]得到网络数据库检索节点图模型采集输出的状态矢量表达式为：
式中：[x（t）]表示分布式多层网络空间中网络数据库检索节点图模型采集数据信息流的时间序列；[J]是时间窗函数；[m]是网络数据库的嵌入维数；[Δt]表示数据采集的时间间隔。
令[A=a1，a2，…，an]为分布式多层网络数据库信息流的初始向量，训练集的属性集为[B=b1，b2，…，bm，]分布式多层网络数据库时态属性[ai]的属性值为[c1，c2，…，ck。]分布式多层网络数据库信息流矢量长度为[N。]在数据库检索节点分布的图模型中，通过属性集分类得到检索信息特征的表达式为：
通过构建高效检索节点图模型，进行数据采集，优化设计云访问。
1.2 网络数据库数据存储结构分析
为了提高数据的检索性能，在进行节点图优化设计之前，需要分析数据存储结构，用非线性时间序列分析方法设计网络数据库检索节点图模型的优化访问结构，网络数据库检索节点图模型采集输出的信息流时间序列模型为：
采用模糊迭代算法使数据的融合中心不断更替，进行检索节点的寻优。
2 算法的具体设计
2.1 存储数据语义特征信息融合
设网络数据库检索节点图模型中任意两个聚类簇[Mi]与[Mj]的数据融合中心距离分布为[Clustdist（Mi，Mj），]当[（i≠j，1≤i≤q，1≤j≤q），]网络大数据中访问数据信息流模型能惟一地描述语义本体信息[9]。采用语义本体模型构建方法得到网络数据库检索节点图模型的语义融合分布空间向量为：
式中：[Xp]为网络数据库检索节点图的调配状态系数；[u]为网络数据库检索节点图模型的尺度系数；[v]为数据检索语义信息的正交基函数。
采用匹配投影法进行数据库检索过程中的干扰抑制，数据库检索的均衡控制矩阵为[q，][n]表示自适应加权权重，选定迭代变量[k=0，]进行语义信息特征提取，假设数据库的检索语义差异度范围为[2≤z≤m。]计算第[k+1]次迭代的数据库语义信息差异性特征函数隶属度矩阵[v，]即有：
3 性能测试
采用Cloudsim平台来模拟网络数据库检索节点图模型的分布结构，数据检索节点分布为均匀分布，检索节点的个数设定为250，网络数据库检索节点图模型的特征采集时间间隔为0.1 s，存储数据的结构长度为5 000；网络空间中信息干扰为高斯白噪声干扰，信噪比为?10 dB；分布式多层网络数据访问负荷复杂度大小为10 GB；数据检索的信道带宽[B=1 028]Hz。首先进行网络数据库的数据信息检索时间序列采样，得到的采样时序波形如图3所示。
采样的网络数据库检索时间序列为测试样本集，融合处理存储数据语义特征信息，得到数据融合输出，如图4所示，从图4可知网络数据库语义特征信息融合结果，以此作为信息特征输入，进行检索节点的有向图分析，构建检索节点图模型，实现数据库高效检索。
采用本文算法和传统算法进行不同数据规模下网络数据库检索的耗时对比如图5所示。由图5可知，当数据量低于10 000 GB时，两种算法的执行效能相当。随着数据量的进一步增大，本文方法的执行耗时明显低于传统方法，说明采用本文算法进行网络数据库检索节点图模型优化设计可提高检索效率，减少执行耗时，特别是在对大规模数据检索的效率方面表现出明显的优势。
4 结 语
为了优化网络数据库检索节点图，提高数据访问效能，提出基于有向图模型设计的网络数据库高效检索节点分布设计方法，仿真结果表明，该方法可以有效提高网络数据库的检索效率，特别是对超大规模数据库检索的执行效率优越性比较突出。
参考文献
[1] 杨照峰，王启明，吕海莲.基于任务延迟的云计算资源调度算法研究[J].计算机测量与控制，2014，22（2）：499?502.
[2] 腾书华，鲁敏，杨阿峰，等.基于一般二元关系的粗糙集加权不确定性度量[J].计算机学报，2014，37（3）：649?665.
[3] 何倩，胡启伟，王勇，等.基于软件定义网络的反饱和分组云负载均衡[J].计算机应用，2016，36（6）：1520?1525.
[4] EL?MEZOUAR M C， KPALMA K， TALEB N， et al. A pan?sharpening based on the non?subsampled contourlet transform： application to WorldView?2 imagery [J]. IEEE journal of selected topics in applied earth observations and remote sensing， 2014， 7（5）： 1806?1815.
[5] XU L， JIA J Y， MATSUSHITA Y. Motion detail preserving optical flow estimation [J]. IEEE transactions on pattern analysis and machine intelligence， 2012， 34（9）： 1744?1757.
[6] 曾志，王晋，杜震洪，等.一种云格环境下可计算资源与服务高效调配机制[J].浙江大学学报（理学版），2014，41（3）：353?357.
[7] 孟祥福，严丽，马宗民，等.基于语义相似度的数据库自适应查询松弛方法[J].计算机学报，2011，34（5）：812?824.
[8] 陆兴华，李国恒，余文权.基于模糊C均值聚类的科研管理数据库调度算法[J].计算机与数字工程，2016，44（6）：1011?1015.
[9] 刘俊，刘瑜，何友，等.杂波环境下基于全邻模糊聚类的联合概率数据互联算法[J].电子与信息学报，2016，38（6）：1438?1445.
[10] JIANG X， HARISHAN K， THAMARASA R， et al. Integra?ted track initialization and maintenance in heavy clutter using probabilistic data association [J]. Signal processing， 2014， 94（1）： 241?250.
