PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
2014 | nr 13 | 45-50
Tytuł artykułu

Clustering method based on the analysis of the access request stream in object-oriented databases

Autorzy
Treść / Zawartość
Warianty tytułu
PL
Metoda klasteryzacji uwzględniająca charakterystyki strumieni żądań dostępu do danych w obiektowych bazach danych
Języki publikacji
EN
Abstrakty
EN
Recent studies on modern database management systems consider object-oriented databases as a possible significant extension of the modern database functionalities. However, new functionalities bring an increased processing complexity. This may also result in an increased demand for computing resources and the deterioration of database performance. In this article, the use of clustering methods has been described as one of performance techniques in object-oriented databases. The article includes an introduction to the popular clustering methods discussed so far. Afterwards, a new method has been introduced in order to analyse the access request stream as the basis for a new clustering approach in OODB. Graph techniques are discussed as the basic elements of the familiar clustering methods and their adaptation to the aforementioned new approach. This article also describes limitations of the existing methods and the possible impact on the new technique. Finally, selected algorithm variants are proposed for the new clustering method to improve performance of object-oriented databases.
PL
Rozwój obiektowych baz danych związany jest z rozszerzeniem możliwości współczesnych systemów bazodanowych. Nowe funkcjonalności związane są jednak ze wzrostem złożoności przetwarzania oraz mogą wpływać na pogorszenie wydajności baz danych. W artykule tym omówione zostało zastosowanie klasteryzacji jako jednej z technik poprawy wydajności w obiektowych bazach danych. Artykuł zawiera wprowadzenie do popularnych metod klasteryzacji omawianych dotychczas. Następnie opisana została metoda analizy strumienia żądań dostępu do danych jako podstawa nowej techniki klasteryzacji w OODB. Omówione zostały również właściwości kolorowanych grafów oraz ich zastosowanie w nowej metodzie. Wraz z opisem nowej metody przedstawione zostało możliwe uproszczenie technik grafowych, jak również wybrane warianty modyfikacji algorytmu metody klasteryzacji.
Wydawca

Rocznik
Tom
Strony
45-50
Opis fizyczny
Bibliogr. 13 poz., rys.
Twórcy
  • Institute of Computer and Information Systems, Faculty of Cybernetics, Military University of Technology, Kaliskiego Str. 2, 00-908 Warsaw, Poland, ktomaszewski@wat.edu.pl
Bibliografia
  • [1] K. Tomaszewski, „Obiektowe bazy danych – wybrane kierunki rozwoju”, Biuletyn Instytutu Systemów Informatycznych, No. 10, 53–61 (2012).
  • [2] J. Ahn, H. Song, H. Kim, “Index set: A practical indexing scheme for object database systems”, Data & Knowledge Engineering, No. 33, 199–217 (2000).
  • [3] Y. Huang, J. Chen, “The study of indexing techniques on object oriented databases”, Information Sciences, No. 130, 109–131 (2000).
  • [4] W. Cho, W. Han, J. Lee, I. Song, K. Whang, “2D-CHI: A Tunable Two-Dimensional Class Hierarchy Index for Object-Oriented Databases”, Computer Software and Applications Conference, 2000. COMPSAC 2000. The 24th Annual International, 598–607, 2000.
  • [5] W. Cho, W. Han, J. Lee, I. Song, K. Whang, “A tunable class hierarchy index for object-oriented databases using a multidimensional index structure”, Information and Software Technology, No. 43, 309–323 (2001).
  • [6] K. Karlapalem, Q. Li, “A Framework for Class Partitioning in Object-Oriented Databases”, Distributed and Parallel Databases, No. 8, 333–366 (2000).
  • [7] L. Bellatreche, K. Karlapalem, A. Simonet, “Algorithms and Support for Horizontal Class Partitioning in Object-Oriented Databases”, Distributed and Parallel Databases Journal, No. 8, 155–179 (2000).
  • [8] S. Blackburn, Z. He, R. Lai, A. Marquez, “Opportunistic prioritised clustering framework for improving OODBMS performance”, Journal of Systems and Software, No. 80, 371–387 (2007).
  • [9] A. Campan, O. Cret, A. Darabant, “Hierarchical Clustering in Object Oriented Data Models with Complex Class Relationships”, Intelligent Engineering Systems. 8th IEEE International Conference, 307–312, 2004.
  • [10] A. Darabant, “Semi supervised learning techniques: k-means clustering in OODB Fragmentation”, Computational Cybernetics. Second IEEE International Conference IEEE, 333–338, 2004.
  • [11] F. Murtagh, “A Survey of Recent Advances in Hierarchical Clustering Algorithms”, The Computer Journal, No. 26, 354–359 (1983).
  • [12] A. Hausner, “A new clustering algorithm for coordinate-free data”, Pattern Recognition, Nr 43, 1306–1319 (2010).
  • [13] S. Rovetta, F. Masulli, “Shared farthest neighbor approach to clustering of high dimensionality, low cardinality data”, Pattern Recognition, No. 39, 2415–2425 (2006).
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.baztech-07e62727-55da-4216-a080-9f67100a9566
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.