一、樹的一種存儲結(jié)構(gòu)（論文文獻綜述）
楊帆[1]（2021）在《基于虛擬接近傳感器的碰撞檢測算法的研究與改進》文中研究指明在工業(yè)4.0時代,“數(shù)字化雙胞胎”成為眾多企業(yè)向數(shù)字化、智能化轉(zhuǎn)型的戰(zhàn)略法寶。其核心是將現(xiàn)實生產(chǎn)制造中的各個環(huán)節(jié)通多數(shù)字化手段虛擬到數(shù)字化平臺中,形成虛擬生產(chǎn)制造和現(xiàn)實生產(chǎn)制造的鏡像。因此,數(shù)字化雙胞胎概念的提出對優(yōu)化整個企業(yè)流程、提升企業(yè)競爭力起著至關(guān)重要的作用。特別是在智能制造行業(yè)中,它勢必會推動智能制造的快速發(fā)展。但是,目前國內(nèi)很少有企業(yè)將數(shù)字化雙胞胎的概念運用到接近傳感器中。尤其是工業(yè)流水線中,接近傳感器的碰撞檢測算法仍然采用SOLID算法,并且該算法的檢測效率較低,使得工業(yè)生產(chǎn)會因為碰撞的發(fā)生而導(dǎo)致生產(chǎn)率下降。因此目前急需一種即可以調(diào)優(yōu)接近傳感器又可以提高碰撞檢測效率的方法來幫助更多的企業(yè)走向數(shù)字化、智能化。為了能夠調(diào)優(yōu)接近傳感器,本文從虛擬仿真入手,生成虛擬的接近傳感器。通過數(shù)字化平臺將虛擬接近傳感器進行調(diào)優(yōu)以達到現(xiàn)實生產(chǎn)中的需求。然后在調(diào)優(yōu)的接近傳感器基礎(chǔ)上進行碰撞檢測算法的研究。對于碰撞檢測算法,本文選取層次包圍盒算法進行研究。層次包圍盒算法可以快速的檢測出兩個物體未發(fā)生碰撞,因此它被廣泛運用到游戲和信道通信中。本文圍繞著包圍盒碰撞檢測算法展開深入的研究,具體的研究成果如下:（1）提出一種基于B+樹存儲的AABB包圍盒碰撞檢測算法。首先對常見的包圍盒算法進行相關(guān)實驗,得出對比結(jié)果,然后在此基礎(chǔ)上選取AABB包圍盒算法并將B+樹作為其存儲結(jié)構(gòu)。最后將物體形成的層次包圍盒通過分裂平面定理劃分成多個包圍盒存放在B+樹的各個結(jié)點中。對結(jié)點的存儲結(jié)構(gòu)進行優(yōu)化,減少各結(jié)點所占內(nèi)存。又由于B+樹具有特殊的性質(zhì),它的非葉子節(jié)點只存放索引,具體的值只存放在葉子結(jié)點中,這使得整個層次包圍盒樹所占內(nèi)存空間大大降低,加快了算法的執(zhí)行效率。（2）提出了一種優(yōu)化后的三角面片間的相交測試算法,將相交測試分為同面和異面兩種情況。若兩個三角面片的位置關(guān)系為異面,那么相交測試將會在三維空間中完成;反之,可以將其投影到二維空間中,通過簡單的幾何位置關(guān)系來判斷其是否相交。通過這種方式不僅增強了算法的健壯性也提高了碰撞檢測的效率。實驗數(shù)據(jù)表明,優(yōu)化后的算法在碰撞檢測效率上有了明顯的提高。將該算法運用到NX仿真中,對智能制造中碰撞檢測具有較大的價值和意義。
匡金軍[2]（2020）在《基于非對稱逆布局模型的圖像壓縮算法研究》文中研究指明隨著信息時代的到來,世界每時每刻都會產(chǎn)生巨量的圖像信息,這種原始的圖像往往因為拍攝設(shè)備、環(huán)境或者存儲方面的限制,圖像質(zhì)量過低,往往存在模糊或失真等問題,無法被直接使用。需求帶動技術(shù)的產(chǎn)生,一系列圖像處理技術(shù)應(yīng)運而生,如:圖像壓縮、圖像分割、圖像恢復(fù)等。圖像壓縮是圖像處理的一個重要領(lǐng)域,其基本原理是將圖像用更少的數(shù)據(jù)表示,使其存儲所需的數(shù)據(jù)總量減少,達到降低存儲成本和數(shù)據(jù)傳輸成本的技術(shù)。本論文的主要工作是研究非對稱逆布局模型與其他算法結(jié)合在圖像壓縮和圖像表示領(lǐng)域的應(yīng)用,從而提出的兩種算法:第一種算法是基于矩形子模式的非對稱逆布局的塊截斷壓縮算法。論文從理論方面論證了非對稱逆布局的同位塊分割算法與塊截斷壓縮算法結(jié)合的可行性與優(yōu)越性,通過實驗對理論進行驗證,并與塊截斷的幾種壓縮算法相比較。從實驗結(jié)果可以得出,改進的算法壓縮速度更快,壓縮率更高,解碼圖像質(zhì)量更好。第二種算法是基于可重疊的矩形子模式非對稱逆布局和二值位平面分解的圖像表示,可以細分為基于可重疊的矩形子模式非對稱逆布局和二值位平面分解的灰度圖像表示和基于可重疊的矩形子模式非對稱逆布局和二值位平面分解的彩色圖像表示兩種。其中灰度圖像表示算法的思路是先將灰度圖分解成多幅二值圖,再對每幅二值圖做可重疊的矩形子模式非對稱逆布局壓縮。將該算法與灰度圖像的線性四元樹表示、基于三角形子模式非對稱逆布局和基于方形子模式非對稱逆布局與位平面分解的兩種灰度圖像表示算法對比。從實驗結(jié)果可看出,該灰度表示算法的分割塊數(shù)大量減少,壓縮率也比其他算法高,可以作為基于非對稱逆布局和位平面的灰度圖像表示算法的一種補充。由該算法擴展得到的基于可重疊的矩形子模式非對稱逆布局和二值位平面分解的彩色圖像表示算法,其思路是先將彩色圖像分成三個不同通道的灰度圖像,再分別用基于可重疊矩形子模式非對稱逆布局和二值位平面分解的灰度圖像表示算法處理。將該算法與彩色圖像的線性四元樹表示和基于矩形子模式非對稱逆布局和二值位平面分解的彩色圖像表示算法作比較,實驗證明,同樣擁有更好的壓縮率且分割的塊數(shù)更少。
魏?[3]（2020）在《基于學(xué)習(xí)代價的存儲結(jié)構(gòu)自動選擇系統(tǒng)》文中指出在數(shù)據(jù)庫系統(tǒng)的設(shè)計中,數(shù)據(jù)表的存儲結(jié)構(gòu)在理論上決定了數(shù)據(jù)訪問過程的復(fù)雜度,因此對數(shù)據(jù)表存儲結(jié)構(gòu)的選擇是由系統(tǒng)所面向的工作負載決定的。如對于高寫入負載,基于LSM存儲結(jié)構(gòu)的數(shù)據(jù)庫系統(tǒng)較傳統(tǒng)數(shù)據(jù)庫有更強的性能表現(xiàn),而對于分析型負載,基于列式存儲的數(shù)據(jù)庫系統(tǒng)可以在更短時間完成大型查詢。但是在混合負載中,數(shù)據(jù)表的不同水平分區(qū)上需要處理的負載不同,并且同一分區(qū)上需要處理的負載可能發(fā)生變化,這也導(dǎo)致了不同數(shù)據(jù)表分區(qū)下的最優(yōu)存儲結(jié)構(gòu)在持續(xù)變化。過去使用靜態(tài)存儲結(jié)構(gòu)或者由人工方法調(diào)整存儲結(jié)構(gòu)的方法不能夠?qū)崿F(xiàn)對存儲結(jié)構(gòu)的充分使用,因此本文提出了一個基于學(xué)習(xí)代價的存儲結(jié)構(gòu)自動選擇系統(tǒng)。該系統(tǒng)解決了對多引擎數(shù)據(jù)庫下存儲引擎的選擇問題,以及針對工作負載的數(shù)據(jù)布局選擇問題。除此之外,本文還提出了基于機器學(xué)習(xí)的,用于跨存儲引擎進行代價比較的代價模型,并提出了用于建立該代價模型的數(shù)據(jù)庫性能測試流程。實驗結(jié)果表明,基于學(xué)習(xí)的代價模型可以對跨存儲引擎的操作性能給出較為準確的估計。在使用TPC-H公開測試集上,事務(wù)型數(shù)據(jù)分區(qū)和分析型數(shù)據(jù)分區(qū)中自動選擇得到的存儲結(jié)構(gòu)較靜態(tài)存儲結(jié)構(gòu)總體查詢時間降低了約35%。因此在分析型負載和事務(wù)型負載對數(shù)據(jù)的訪問相對分散時,本系統(tǒng)對查詢的總體時間有較大提升,并且過程中無需人工干預(yù)。
程鵬[4]（2020）在《面向高性能計算系統(tǒng)的融合數(shù)據(jù)管理關(guān)鍵技術(shù)研究》文中進行了進一步梳理隨著高性能計算、大數(shù)據(jù)與人工智能的不斷融合,高性能計算社區(qū)亟需同時支持這三種場景的計算系統(tǒng)來加速科學(xué)發(fā)現(xiàn)。然而,爆炸性增長的科學(xué)數(shù)據(jù)以及不同場景下應(yīng)用截然不同的I/O特征促使融合應(yīng)用呈現(xiàn)前所未有的復(fù)雜性。與此同時,不斷加深的存儲層次和多樣化的數(shù)據(jù)定位需求進一步增加數(shù)據(jù)管理難度,導(dǎo)致高性能計算系統(tǒng)面臨嚴峻的數(shù)據(jù)存儲與管理挑戰(zhàn)。為了在高性能計算系統(tǒng)上有效支持融合應(yīng)用,本文結(jié)合層次式存儲結(jié)構(gòu)和應(yīng)用特征,研究融合應(yīng)用場景下數(shù)據(jù)管理的關(guān)鍵問題,優(yōu)化高性能計算系統(tǒng)的數(shù)據(jù)管理能力并提升應(yīng)用I/O性能。本文的主要工作包括:1.針對高性能計算系統(tǒng)存儲層次不斷加深的趨勢,本文設(shè)計基于層次式存儲結(jié)構(gòu)的數(shù)據(jù)管理系統(tǒng),統(tǒng)一管理內(nèi)存、固態(tài)硬盤等多個存儲層次,為融合應(yīng)用提供高效數(shù)據(jù)緩存空間。為充分發(fā)揮不同存儲層次的性能和容量等特點,該層次式數(shù)據(jù)管理系統(tǒng)結(jié)合應(yīng)用數(shù)據(jù)訪問模式定制數(shù)據(jù)管理策略,協(xié)調(diào)數(shù)據(jù)在各個存儲層次的分布方式。此外,針對存儲層次加深引起的數(shù)據(jù)局部性變化,本文設(shè)計數(shù)據(jù)感知的任務(wù)調(diào)度機制,配合資源管理系統(tǒng)盡可能將任務(wù)調(diào)度到擁有數(shù)據(jù)的計算資源。相比于底層并行文件系統(tǒng),該層次式數(shù)據(jù)管理系統(tǒng)能夠為應(yīng)用帶來54%的性能提升。2.針對單一數(shù)據(jù)管理策略無法充分發(fā)揮層次存儲結(jié)構(gòu)性能優(yōu)勢的問題,本文以科學(xué)工作流應(yīng)用為代表,提出面向融合應(yīng)用的自適應(yīng)數(shù)據(jù)管理技術(shù)。本文將層次式存儲結(jié)構(gòu)下的數(shù)據(jù)放置問題抽象為分類問題,提出基于分類模型的智能數(shù)據(jù)放置策略:該策略以最小化科學(xué)工作流應(yīng)用的總I/O時間為目標,挖掘不同應(yīng)用特征和系統(tǒng)實時狀態(tài)下數(shù)據(jù)放置策略對應(yīng)用總I/O時間的影響,并訓(xùn)練分類模型智能做出數(shù)據(jù)放置決策。數(shù)據(jù)預(yù)取問題方面,本文分析科學(xué)工作流應(yīng)用的數(shù)據(jù)流圖拓撲結(jié)構(gòu)和數(shù)據(jù)訪問特征之間的關(guān)系,提出針對文件類別的自適應(yīng)數(shù)據(jù)預(yù)取策略:通過結(jié)合局部性預(yù)取策略和智能預(yù)取策略的各自優(yōu)勢,提升復(fù)雜數(shù)據(jù)訪問模式識別能力。相比于固定數(shù)據(jù)放置策略,本文提出的自適應(yīng)數(shù)據(jù)放置策略能夠?qū)崿F(xiàn)34%的I/O性能提升;相比于傳統(tǒng)局部性預(yù)取策略,本文提出的自適應(yīng)預(yù)取策略識別復(fù)雜數(shù)據(jù)訪問模式的能力顯著提升,并能夠降低54.2%的數(shù)據(jù)讀取時間。3.針對并行文件系統(tǒng)管理海量科學(xué)數(shù)據(jù)時面臨的數(shù)據(jù)定位挑戰(zhàn),本文提出耦合文件系統(tǒng)的索引與查詢優(yōu)化。文件粒度數(shù)據(jù)定位問題方面,本文設(shè)計并發(fā)元數(shù)據(jù)提取機制,快速提取文件系統(tǒng)中已有文件的“應(yīng)用定制元數(shù)據(jù)”信息,通過定制的層次式哈希索引結(jié)構(gòu),高效滿足文件粒度定位需求。記錄粒度數(shù)據(jù)定位問題方面,本文采取原位索引構(gòu)建機制,允許數(shù)據(jù)在寫入文件系統(tǒng)的同時構(gòu)建索引信息;為了權(quán)衡索引粒度與索引構(gòu)建開銷,本文提出輕量級Range-bitmap索引結(jié)構(gòu);結(jié)合本文設(shè)計的并行查詢處理機制,記錄粒度數(shù)據(jù)定位需求能夠被快速響應(yīng)。對生物和氣象等數(shù)據(jù)集的測試表明,本文設(shè)計的文件粒度索引查詢方案能夠在毫秒內(nèi)從包含數(shù)百萬個文件的目錄中定位目標文件;本文設(shè)計的記錄粒度索引查詢方案相比于遍歷整個數(shù)據(jù)集定位內(nèi)部數(shù)據(jù)的方式實現(xiàn)2個數(shù)量級的查詢速度提升。
謝明燁[5]（2020）在《不確定數(shù)據(jù)流中頻繁項集挖掘算法的研究》文中指出現(xiàn)如今的數(shù)據(jù)中,越來越多的數(shù)據(jù)以數(shù)據(jù)流的形態(tài)存在,例如金融交易信息數(shù)據(jù)、網(wǎng)頁瀏覽數(shù)據(jù)、氣象監(jiān)測數(shù)據(jù)、電商購物數(shù)據(jù)以及各類傳感器探測數(shù)據(jù)等。在這龐大的數(shù)據(jù)流中,相當一部分數(shù)據(jù)因為數(shù)據(jù)源更新、環(huán)境噪音、數(shù)據(jù)復(fù)寫或者沖突以及傳輸設(shè)備故障等原因?qū)е聰?shù)據(jù)的缺失,從而形成了所謂的不確定數(shù)據(jù)?，F(xiàn)有的單一針對確定數(shù)據(jù)流或者不確定數(shù)據(jù)庫的挖掘算法無法直接應(yīng)用。因此,設(shè)計面向不確定數(shù)據(jù)流的高效頻繁模式的挖掘算法就極為必要了。本文基于現(xiàn)有的頻繁模式挖掘算法以及不確定數(shù)據(jù)流的應(yīng)用環(huán)境,展開了以下工作:（1）提出一種基于列表存儲結(jié)構(gòu)的不確定數(shù)據(jù)流挖掘算法UFS-mine。該領(lǐng)域現(xiàn)有的主流算法幾乎均以前綴樹結(jié)構(gòu)存貯模式信息,只有數(shù)據(jù)項相同且概率也相同的節(jié)點才能共享分支路徑,導(dǎo)致形成大量冗余節(jié)點,極大的消耗了內(nèi)存。而且在整個挖掘過程中,會頻繁的對整棵結(jié)構(gòu)樹進行遍歷,時間開銷巨大。為了解決這些問題,在依托滑動窗口模型的條件下,本文提出了基于列表存儲結(jié)構(gòu)的不確定數(shù)據(jù)流挖掘算法UFS-mine,該算法將所有獨特的數(shù)據(jù)項信息均存儲在列表中,每個數(shù)據(jù)項都對應(yīng)著自己的概率信息以及存在事務(wù)的編號,避免產(chǎn)生冗余節(jié)點,節(jié)省了內(nèi)存,對于相應(yīng)模式的期望統(tǒng)計也更加快速,從而大幅度的提高了算法的性能。（2）提出一種加權(quán)衰減的不確定數(shù)據(jù)流挖掘算法DWUFS-mine。在大多數(shù)挖掘不確定頻繁模式的過程中,通常只是簡單將模式包含的元素的概率相乘來計算期望,沒有考慮到不同元素的權(quán)重問題,隨著時間的推移,數(shù)據(jù)的價值也會逐漸的降低,新鮮的數(shù)據(jù)比舊有的數(shù)據(jù)更具有參考和研究價值。因此,本文在UFS-mine算法的基礎(chǔ)之上,提出一種加權(quán)衰減的不確定數(shù)據(jù)流挖掘算法DWUFS-mine。該算法能夠兼顧數(shù)據(jù)不確定性和權(quán)重屬性,并且對于舊的數(shù)據(jù),根據(jù)預(yù)設(shè)的衰減因子降低其期望,實驗證明該算法能夠有效的運用于注重數(shù)據(jù)權(quán)重且對新鮮信息更加敏感的應(yīng)用場景。
劉常磊[6]（2020）在《海量圖片存儲技術(shù)的研究》文中研究說明隨著互聯(lián)網(wǎng)的飛速發(fā)展,各種信息資源快速增長,各行各業(yè)每時每刻都會產(chǎn)生海量的信息。而作為信息源之一的圖片,具有傳輸方便、蘊含信息豐富、給人感覺直觀等優(yōu)點,其數(shù)量呈指數(shù)式增長。如大眾熟知的淘寶、京東、微博等網(wǎng)站的圖片存儲數(shù)量已經(jīng)達到PB級別,并且還在不斷增長。面對增長如此迅速的圖片資源,傳統(tǒng)的文件存儲架構(gòu)和檢索技術(shù)逐漸暴露出它們的缺點,無法滿足當前海量圖片資源的存儲空間和處理時間的需求。因此,尋找一種能夠滿足并發(fā)訪問的,高效的圖片存儲技術(shù)成為很多信息系統(tǒng)中亟待解決的問題。本文分析比較了當前國內(nèi)外比較有代表性的海量圖片存儲方案,選擇基于對象存儲結(jié)構(gòu)來解決上述難題。本文通過對海量圖片數(shù)據(jù)的存儲特性的分析,以及對對象存儲結(jié)構(gòu)的研究,提出一種基于對象存儲結(jié)構(gòu)的海量圖片存儲框架MISF。該框架以對象存儲結(jié)構(gòu)為核心,底層使用分布式架構(gòu)保證了物理層次的高容量和高吞吐率,利用虛擬化技術(shù)將底層文件系統(tǒng)的樹形層級結(jié)構(gòu)隱藏,映射為扁平化的存儲空間。并且采用新型的數(shù)據(jù)組織結(jié)構(gòu),將圖片數(shù)據(jù)緊湊的組織在一起,并且為其生成內(nèi)部索引文件以供客戶端快速訪問。本文主要從以下三個方面展開研究:第一,通過對對象存儲結(jié)構(gòu)的組織和特性進行研究,提出一種基于對象存儲結(jié)構(gòu)的海量圖片對象存儲模型。該模型底層采用分布式架構(gòu),為高容量和高性能提供物理架構(gòu)的支持,同時整個系統(tǒng)模型將控制通路與數(shù)據(jù)通路分離,提高系統(tǒng)吞吐率。并且使用虛擬化技術(shù)將底層分布式架構(gòu)和文件層級結(jié)構(gòu)隱藏,虛擬為扁平結(jié)構(gòu)的存儲空間,使得用戶可以更加友好、快速的獲取到圖片數(shù)據(jù)。第二,通過對B+樹數(shù)據(jù)結(jié)構(gòu)的分析研究,采用基于B+樹的按需加載索引策略,既解決了海量圖片數(shù)據(jù)的元數(shù)據(jù)管理問題,又為底層虛擬化提供了技術(shù)支持。同時,合理設(shè)計圖片對象的UID,使得同類圖片的物理存儲地址盡可能靠近,從而提高了查詢效率。第三,通過對當前比較典型的幾種緩存置換策略的研究,設(shè)計了一種自定義價值模型的緩存置換策略,該策略充分考慮到海量圖片對象的空間局部性和時間局部性、長期流行度和短期流行度,能夠提高緩存命中率,提升系統(tǒng)查詢速度。本文根據(jù)所研究的海量圖片數(shù)據(jù)存儲框架設(shè)計了原型系統(tǒng),并且對原型進行實驗分析,驗證了原型系統(tǒng)的可用性和高效性,說明了存儲框架的可行性和有效性。
何帆[7]（2020）在《船舶AIS大數(shù)據(jù)時空建模與快速檢索方法研究》文中指出自21世紀以來,船舶自動識別系統(tǒng)（Automatic Identification System,AIS）作為一種強制裝備且互通船岸的通訊技術(shù),為海事和監(jiān)管部門提供了保存最完整、應(yīng)用最廣泛、最標準化、全球通用的水路交通行業(yè)數(shù)據(jù)。通過對AIS數(shù)據(jù)的使用和分析,為船舶安全航行和避碰提供了可靠的數(shù)據(jù)保障,為海事部門決策執(zhí)法提供了信息支持,也為航運物流更加高效、快捷奠定了基礎(chǔ)。然而,隨著海上經(jīng)濟的不斷發(fā)展,船舶種類的日漸豐富,AIS數(shù)據(jù)逐漸呈現(xiàn)的大數(shù)據(jù)特征,為其管理與查詢帶來了極大的困難,特別是在當前的互聯(lián)網(wǎng)和移動計算時代,這一問題尤為突顯。為了解決這一問題,國內(nèi)外研究人員提出了一系列有效的方法,然而這些方法多是針對AIS數(shù)據(jù)時空特性的某一方面,缺乏對該特性的全面考量,給后續(xù)管理和檢索帶來了一定困難。因此,本文從AIS大數(shù)據(jù)的存儲管理與應(yīng)用服務(wù)的現(xiàn)實需求出發(fā),提出一種綜合考慮時空特性的AIS數(shù)據(jù)時空數(shù)據(jù)模型以及高效存儲檢索方法,以解決AIS大數(shù)據(jù)的管理與查詢困難問題。首先,本文通過對國內(nèi)外研究現(xiàn)狀的分析,對現(xiàn)有AIS數(shù)據(jù)存儲管理方法和索引技術(shù)進行了總結(jié),進而對其不足之處進行了分析,提出了本文主要的研究內(nèi)容。其次,基于AIS數(shù)據(jù)的時空特征分析,提出了以船舶為時空對象的數(shù)據(jù)存儲概念模型;進一步結(jié)合分布式環(huán)境提出了多維關(guān)系存儲模型,以實現(xiàn)對海量AIS數(shù)據(jù)的高效組織與管理。再次,在前述時空數(shù)據(jù)模型的基礎(chǔ)上,提出了AIS大數(shù)據(jù)管理架構(gòu)。通過對Elasticsearch寫入機制的分析,提出了改進后的My SQL分頁檢索方法及基于寫入機制的性能評分SUR（Segment Union Remark）優(yōu)化策略,實現(xiàn)了AIS數(shù)據(jù)的高效入庫;對分析AIS數(shù)據(jù)存儲需求進行分析,基于多維分析存儲模型,提出了“寬表”存儲方法及“應(yīng)用端關(guān)系型”存儲方法,實現(xiàn)了對AIS數(shù)據(jù)及其航行條件（航行環(huán)境、水域轄區(qū)航行區(qū)域）的層次化存儲。最后,通過對時間維、空間維的切分,提出了基于時空切片立方體（Spatiotemporal-Slice Cube,SSC）的時空數(shù)據(jù)劃分策略。在此基礎(chǔ)上,結(jié)合Geo Time編碼方法實現(xiàn)Geo Cub R樹的構(gòu)建;基于Lucene的索引構(gòu)建方法及分布式存儲原理,提出了Invert-Geo Cub R樹分布式索引框架,實現(xiàn)了海量AIS數(shù)據(jù)的快速檢索。另外,本文對檢索和實驗方案進行了設(shè)計,搭建了基于B/S架構(gòu)的AIS數(shù)據(jù)存儲管理系統(tǒng),對本文提出的寫入、存儲及索引方法進行了效率對比驗證。實驗結(jié)果表明,本文設(shè)計的存儲方法和索引結(jié)構(gòu)可以更好的應(yīng)對復(fù)雜的時空關(guān)系型查詢,為海量AIS數(shù)據(jù)進行有效管理和提供快速檢索服務(wù)。
管毅鳴[8]（2019）在《一個面向SQLite數(shù)據(jù)恢復(fù)系統(tǒng)的設(shè)計與實現(xiàn)》文中認為移動應(yīng)用使用的SQLite數(shù)據(jù)庫中包含了大量私人信息,這些信息在刑偵領(lǐng)域的案件偵破和電子取證中往往起到了至關(guān)重要的作用。本文主要針對智能手機應(yīng)用的刪除數(shù)據(jù)恢復(fù)問題,實現(xiàn)了一個面向SQLite數(shù)據(jù)庫的數(shù)據(jù)恢復(fù)系統(tǒng)。該系統(tǒng)包含數(shù)據(jù)預(yù)處理模塊、存儲結(jié)構(gòu)遍歷模塊、數(shù)據(jù)匹配模塊、數(shù)據(jù)恢復(fù)模塊四個核心模塊,結(jié)合了邏輯層面的接口處理與物理層面的存儲結(jié)構(gòu)分析,相比傳統(tǒng)的恢復(fù)方法有較高的恢復(fù)率和通用性。具體而言,本文的工作包括以下幾個方面:（1）設(shè)計和實現(xiàn)了數(shù)據(jù)預(yù)處理模塊。該模塊主要負責(zé)DB文件的載入和提取表頭信息,同時調(diào)用SQLite接口獲取表結(jié)構(gòu)信息。該模塊還會調(diào)用傳統(tǒng)邏輯恢復(fù)算法并暫存初步恢復(fù)結(jié)果。該模塊是對輸入數(shù)據(jù)的預(yù)處理,為后續(xù)恢復(fù)流程提供必要的信息。（2）設(shè)計和實現(xiàn)了存儲結(jié)構(gòu)遍歷模塊。該模塊通過遍歷數(shù)據(jù)庫文件的數(shù)據(jù)存儲結(jié)構(gòu),找到SQLite文件中各有效節(jié)點,主要包括自由塊和空閑頁數(shù)據(jù)存儲區(qū)的具體偏移地址,能夠幫助準確獲取待恢復(fù)信息的起始位置。（3）設(shè)計和實現(xiàn)了數(shù)據(jù)匹配模塊。該模塊核心采用相似類型匹配算法,并且根據(jù)實際場景進行相應(yīng)變通,有效匹配出待恢復(fù)的數(shù)據(jù),相比于傳統(tǒng)方法更加精確且可以應(yīng)用在更多場景,總體數(shù)據(jù)恢復(fù)量顯著提高。（4）設(shè)計和實現(xiàn)了數(shù)據(jù)恢復(fù)模塊。該模塊分別針對自由塊和空閑葉兩種數(shù)據(jù)格式進行數(shù)據(jù)恢復(fù)。通過解析不同的存儲場景,應(yīng)用對應(yīng)算法并調(diào)用數(shù)據(jù)匹配模塊逐條恢復(fù)數(shù)據(jù)記錄。最后對被恢復(fù)出的數(shù)據(jù)進行后期處理,包括對冗余數(shù)據(jù)的去除、亂碼數(shù)據(jù)的過濾以及連續(xù)不完整數(shù)據(jù)的合并等。根據(jù)本文的方案,結(jié)合其系統(tǒng)功能點與實際手機提取的數(shù)據(jù),設(shè)計并實施了可行性驗證與系統(tǒng)測試。結(jié)果表明,本方法在大多數(shù)實際使用場景中有更好的數(shù)據(jù)恢復(fù)效果,被刪除數(shù)據(jù)的恢復(fù)率相比于其他方法更高,對外部環(huán)境的依賴性也更小。
何旭[9]（2019）在《頻繁項集挖掘算法的并行化研究》文中進行了進一步梳理作為數(shù)據(jù)挖掘領(lǐng)域的主要研究對象,關(guān)聯(lián)規(guī)則挖掘能夠發(fā)現(xiàn)關(guān)系數(shù)據(jù)集中數(shù)據(jù)項之間有趣的關(guān)聯(lián)信息,而關(guān)聯(lián)規(guī)則挖掘工作的主要開銷是來自頻繁項集挖掘。然而,傳統(tǒng)的頻繁項集挖掘算法的效率并不高,并且伴隨著計算機軟硬件性能的提升,基于并行計算的數(shù)據(jù)挖掘技術(shù)開始成為學(xué)術(shù)界的研究熱點。因此,本文主要研究如何基于傳統(tǒng)的串行挖掘算法進行改進以及如何利用并行化技術(shù)來提升頻繁項集挖掘算法的性能。實際應(yīng)用中,事務(wù)數(shù)據(jù)集并不一定是靜態(tài)的,因此頻繁項集挖掘算法一般分為靜態(tài)挖掘算法和動態(tài)更新算法?；谶@兩類算法存在的不足以及并行計算技術(shù),本文主要研究傳統(tǒng)算法的串行和并行改進方案,并且著重研究經(jīng)典的靜態(tài)挖掘算法FP-growth和動態(tài)更新算法FUP。在原有算法的基礎(chǔ)之上,本文提出了基于FP-growth改進的串行挖掘算法和CUDA GPU并行挖掘算法,以及基于FUP的CUDA GPU并行更新算法。FP-growth是一種基于遞歸和模式增長的高效挖掘算法,然而遞歸模式會造成巨大的時間和空間開銷。因此,本文提出了基于FP-growth改進的非遞歸算法NRFP-growth和并行算法GPFP-growth。其中NRFP-grwoth算法引入FP-array數(shù)據(jù)結(jié)構(gòu)來存儲事務(wù)數(shù)據(jù)集,并利用ItemPoss-map結(jié)構(gòu)來挖掘頻繁項集。而GPFP-growth算法則建立在NRFPgrowth的基礎(chǔ)之上,利用GPU多線程加速頻繁項集的挖掘過程。FUP是一種串行的頻繁項集增量更新算法,其主要思想基于Apriori算法,因而存在著大量候選項集產(chǎn)生和數(shù)據(jù)庫重復(fù)掃描的問題。因此,本文提出了基于FUP改進的并行算法GPFUP,該算法通過引入前綴樹結(jié)構(gòu)加速候選項集的生成和過濾步驟,并利用位表結(jié)構(gòu)完成GPU端的支持度并行計算任務(wù)。為了測試改進算法的性能,本文以經(jīng)典的串行算法為基準,選取不同的數(shù)據(jù)集測試了串行改進算法的時間和空間性能以及并行算法的加速效果和可擴展性。實驗表明,基于FP-growth改進的串行挖掘算法和基于GPU的并行挖掘算法均具有更好的挖掘性能。
黃曉堃[10]（2019）在《嵌入式多核共享存儲機密性完整性保護方法研究》文中提出嵌入式多核共享存儲系統(tǒng)以其高性能、高并發(fā)、低功耗等優(yōu)勢迅速取代傳統(tǒng)的嵌入式單處理器系統(tǒng)成為應(yīng)用新寵。在嵌入式多核共享存儲結(jié)構(gòu)中,盡管處理單元PE之間存在著數(shù)據(jù)共享,然而每個處理單元獨立承載著不同的計算任務(wù),處理單元之間是一種不可信關(guān)系,必須保證彼此共享信息時的數(shù)據(jù)機密性與完整性。目前的嵌入式多核共享存儲安全保護機制中,處理單元之間需要共享秘密常量,而完整性校驗樹以整個計數(shù)器（counter）域進行構(gòu)建,這些方法在不可信場景下的應(yīng)用會導(dǎo)致非共享數(shù)據(jù)泄露與完整性校驗代價過高,因此無法滿足互不可信場景下數(shù)據(jù)共享的安全需求與性能要求,進而有必要對該場景下的安全保護機制進行研究,在盡可能不影響系統(tǒng)性能的前提下,保證互不可信處理單元之間的安全數(shù)據(jù)共享。本文從機密性與完整性兩方面對數(shù)據(jù)進行了保護:（1）機密性方面,本文提出了一種基于無證書代理重加密的密文共享機密性保護方法,該方法利用內(nèi)存控制器作為半可信機構(gòu)輔助整個系統(tǒng)生成公共參數(shù)和部分公私鑰,然后PE根據(jù)公共參數(shù)構(gòu)建完整公私鑰與重加密密鑰,使用這些密鑰對原始數(shù)據(jù)進行加密,從而使得接收方PE只需使用自身私鑰便可解密數(shù)據(jù)得到原始明文,解決了處理單元之間需要共享秘密常量導(dǎo)致非共享數(shù)據(jù)泄露的安全問題,滿足了機密性保護的需求。（2）完整性方面,本文提出了一種基于多粒度可伸縮哈希樹的完整性保護方法,以BMT樹（Bonsai Merkle Tree）為基礎(chǔ),從樹結(jié)構(gòu)、動態(tài)窗口、樹的伸縮性三個方面對整個樹進行優(yōu)化改進以適用于互不可信的場景。該方法利用多粒度二叉樹代替?zhèn)鹘y(tǒng)二叉樹,并將校驗空間分為頻繁區(qū)域與非頻繁區(qū)域,不同區(qū)域校驗到不同的根節(jié)點,從而有效降低樹高及節(jié)點總數(shù),進而降低平均校驗路徑長度,提高校驗效率。除此之外,該方法還采用可伸縮樹算法來及時清理無效節(jié)點從而降低校驗樹規(guī)模,減少整個校驗的耗時。最后本文使用RSIM多核仿真模擬器對本文提出的方法進行了性能評估并與相關(guān)文獻所提出的方法進行橫向?qū)Ρ?。機密性保護方面,通過蒙哥馬利算法、處理器流水線結(jié)構(gòu)與緩存機制對提出的機密性保護方法進行優(yōu)化后,在滿足機密性安全需求的情況下,與原始不安全系統(tǒng)相比,性能平均下降17.3%。完整性保護方面,在滿足完整性安全需求的情況下,與原始不安全的系統(tǒng)相比,性能平均下降12.89%,且性能均優(yōu)于BMT、多粒度樹MGT、多粒度增量哈希樹MIT完整性保護方法。因此,本文所提出的方法可以滿足互不可信場景下處理單元數(shù)據(jù)共享的機密性與完整性保護要求,且對原始系統(tǒng)性能影響足夠小。
二、樹的一種存儲結(jié)構(gòu)（論文開題報告）
（1）論文研究背景及目的
此處內(nèi)容要求：
首先簡單簡介論文所研究問題的基本概念和背景，再而簡單明了地指出論文所要研究解決的具體問題，并提出你的論文準備的觀點或解決方法。
寫法范例：
本文主要提出一款精簡64位RISC處理器存儲管理單元結(jié)構(gòu)并詳細分析其設(shè)計過程。在該MMU結(jié)構(gòu)中,TLB采用叁個分離的TLB,TLB采用基于內(nèi)容查找的相聯(lián)存儲器并行查找,支持粗粒度為64KB和細粒度為4KB兩種頁面大小,采用多級分層頁表結(jié)構(gòu)映射地址空間,并詳細論述了四級頁表轉(zhuǎn)換過程,TLB結(jié)構(gòu)組織等。該MMU結(jié)構(gòu)將作為該處理器存儲系統(tǒng)實現(xiàn)的一個重要組成部分。
（2）本文研究方法
調(diào)查法：該方法是有目的、有系統(tǒng)的搜集有關(guān)研究對象的具體信息。
觀察法：用自己的感官和輔助工具直接觀察研究對象從而得到有關(guān)信息。
實驗法：通過主支變革、控制研究對象來發(fā)現(xiàn)與確認事物間的因果關(guān)系。
文獻研究法：通過調(diào)查文獻來獲得資料，從而全面的、正確的了解掌握研究方法。
實證研究法：依據(jù)現(xiàn)有的科學(xué)理論和實踐的需要提出設(shè)計。
定性分析法：對研究對象進行“質(zhì)”的方面的研究，這個方法需要計算的數(shù)據(jù)較少。
定量分析法：通過具體的數(shù)字，使人們對研究對象的認識進一步精確化。
跨學(xué)科研究法：運用多學(xué)科的理論、方法和成果從整體上對某一課題進行研究。
功能分析法：這是社會科學(xué)用來分析社會現(xiàn)象的一種方法，從某一功能出發(fā)研究多個方面的影響。
模擬法：通過創(chuàng)設(shè)一個與原型相似的模型來間接研究原型某種特性的一種形容方法。
三、樹的一種存儲結(jié)構(gòu)（論文提綱范文）
（1）基于虛擬接近傳感器的碰撞檢測算法的研究與改進（論文提綱范文）
| 摘要 |
| abstract |
| 縮略詞表 |
| 第一章 緒論 |
| 1.1 研究背景及研究意義 |
| 1.1.1 研究背景 |
| 1.1.2 研究意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀及發(fā)展趨勢 |
| 1.2.1 接近傳感器仿真的研究現(xiàn)狀 |
| 1.2.2 碰撞檢測算法研究現(xiàn)狀 |
| 1.3 研究目標與內(nèi)容 |
| 1.4 全文的組織結(jié)構(gòu) |
| 第二章 相關(guān)理論基礎(chǔ) |
| 2.1 基本數(shù)學(xué)理論 |
| 2.1.1 向量 |
| 2.1.2 投影 |
| 2.2 相關(guān)幾何知識 |
| 2.2.1 剛體 |
| 2.2.2 超平面 |
| 2.2.3 凸多邊形 |
| 2.2.4 凸包 |
| 2.3 接近傳感器 |
| 2.4 碰撞檢測 |
| 2.5 層次包圍盒算法 |
| 2.6 本章小結(jié) |
| 第三章 幾種碰撞檢測算法的原理分析及簡單實驗 |
| 3.1 前言 |
| 3.2 幾種經(jīng)典的包圍盒碰撞檢測算法的原理分析 |
| 3.2.1 基于包圍球(Sphere)的碰撞檢測算法 |
| 3.2.2 基于AABB包圍盒的碰撞檢測算法 |
| 3.2.3 基于OBB包圍盒的碰撞檢測算法 |
| 3.2.4 基于k-Dops包圍盒的碰撞檢測算法 |
| 3.3 幾種碰撞檢測算法的應(yīng)用實驗 |
| 3.3.1 實驗環(huán)境搭建 |
| 3.3.2 虛擬接近傳感器的仿真 |
| 3.4 碰撞檢測實驗結(jié)果與分析 |
| 3.4.1 實驗參數(shù)設(shè)置 |
| 3.4.2 實驗結(jié)果 |
| 3.4.3 結(jié)果分析 |
| 3.5 本章小結(jié) |
| 第四章 一種基于B+樹存儲的AABB包圍盒碰撞檢測算法 |
| 4.1 前言 |
| 4.2 基于B+樹存儲的AABB包圍盒的設(shè)計與實現(xiàn) |
| 4.2.1 B+樹的相關(guān)概念 |
| 4.2.2 構(gòu)建AABB層次包圍盒樹 |
| 4.2.3 優(yōu)化AABB層次包圍盒樹的存儲結(jié)構(gòu) |
| 4.3 不同物體包圍盒間的相交測試 |
| 4.4 優(yōu)化三角面片間的相交測試 |
| 4.4.1 三維空間中的相交測試 |
| 4.4.2 二維空間中的相交測試 |
| 4.5 算法的性能與評估 |
| 4.6 本章小結(jié) |
| 第五章 改進后的包圍盒算法在虛擬接近傳感器仿真中的應(yīng)用 |
| 5.1 前言 |
| 5.2 碰撞檢測在NX仿真的實現(xiàn) |
| 5.2.1 預(yù)處理階段 |
| 5.2.2 精確檢測階段 |
| 5.3 仿真結(jié)果分析 |
| 5.4 本章小結(jié) |
| 第六章 總結(jié)與展望 |
| 6.1 工作總結(jié) |
| 6.2 工作展望 |
| 致謝 |
| 參考文獻 |
（2）基于非對稱逆布局模型的圖像壓縮算法研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第一章 緒論 |
| 1.1 研究背景與意義 |
| 1.2 NAM的發(fā)展現(xiàn)狀 |
| 1.3 研究內(nèi)容和主要工作 |
| 1.4 研究方法 |
| 1.5 本文的內(nèi)容安排 |
| 1.6 本章小結(jié) |
| 第二章 NAM的相關(guān)介紹 |
| 2.1 NAM的背景和理論 |
| 2.2 NAM的常用同類塊判定算法 |
| 2.3 NAM的存儲結(jié)構(gòu) |
| 2.4 NAM的算法步驟 |
| 2.5 本章小結(jié) |
| 第三章 基于NAM的塊截斷算法 |
| 3.1 概述 |
| 3.2 傳統(tǒng)BTC算法和AMBTC算法 |
| 3.3 EDBTC算法 |
| 3.4 QEDBTC算法 |
| 3.5 基于RNAM的塊截斷算法 |
| 3.5.1 RNAMEDBTC算法的思路 |
| 3.5.2 RNAM分割算法 |
| 3.5.3 同類塊判定方法及參數(shù)的選定 |
| 3.6 實驗結(jié)果 |
| 3.7 實驗結(jié)論 |
| 3.8 本章小結(jié) |
| 第四章 基于可重疊RNAM和位平面分解的圖像表示 |
| 4.1 概述 |
| 4.2 BPD |
| 4.3 LQT |
| 4.4 用于比較的基于NAM和位平面分解的圖像表示 |
| 4.4.1 TNAMBPD |
| 4.4.2 SNAMBPD |
| 4.4.3 RNAMBPDC |
| 4.5 基于可重疊RNAM和位平面分解的灰度圖像表示 |
| 4.5.1 ORNAMBPD算法在TNAMBPD和 SNAMBP上的改進 |
| 4.5.2 ORNAMBPD的算法步驟 |
| 4.5.3 ORNAM分割算法 |
| 4.5.4 ORNAMBPD的存儲結(jié)構(gòu) |
| 4.5.5 ORNAMBPD的數(shù)據(jù)量分析 |
| 4.5.6 實驗結(jié)果 |
| 4.5.7 實驗結(jié)論 |
| 4.6 基于可重疊RNAM和位平面分解的彩色圖像表示 |
| 4.6.1 ORNAMBPDC在 RNAMBPDC算法上的改進 |
| 4.6.2 ORNAMBPDC的算法步驟 |
| 4.6.3 ORNAMBPDC的存儲結(jié)構(gòu) |
| 4.6.4 ORNAMBPDC的數(shù)據(jù)量分析 |
| 4.6.5 實驗結(jié)果 |
| 4.6.6 實驗結(jié)論 |
| 4.7 本章小結(jié) |
| 第五章 總結(jié)與展望 |
| 參考文獻 |
| 攻讀碩士學(xué)位期間取得的研究成果 |
| 致謝 |
| 附件 |
（3）基于學(xué)習(xí)代價的存儲結(jié)構(gòu)自動選擇系統(tǒng)（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 第1章 緒論 |
| 1.1 課題來源 |
| 1.2 研究背景 |
| 1.2.1 工作負載和存儲引擎 |
| 1.2.2 自治數(shù)據(jù)庫 |
| 1.3 研究意義 |
| 1.3.1 研究的理論意義 |
| 1.3.2 研究的實際意義 |
| 1.4 國內(nèi)外研究進展 |
| 1.4.1 面向HTAP的數(shù)據(jù)庫系統(tǒng)研究 |
| 1.4.2 自治數(shù)據(jù)庫系統(tǒng)研究進展 |
| 1.5 研究內(nèi)容 |
| 1.5.1 支持自動選擇存儲結(jié)構(gòu)的數(shù)據(jù)庫系統(tǒng)設(shè)計 |
| 1.5.2 基于機器學(xué)習(xí)的存儲引擎代價模型 |
| 1.5.3 以列為中心的數(shù)據(jù)布局推薦算法 |
| 1.6 研究方法 |
| 1.6.1 基于代價的方法 |
| 1.6.2 機器學(xué)習(xí)的方法 |
| 1.6.3 研究思路 |
| 第2章 S-CUBE系統(tǒng)架構(gòu)設(shè)計 |
| 2.1 設(shè)計思想 |
| 2.2 S-CUBE系統(tǒng)模塊介紹 |
| 2.2.1 基準測試模塊 |
| 2.2.2 代價模型訓(xùn)練模塊 |
| 2.2.3 候選結(jié)構(gòu)生成模塊 |
| 2.2.4 存儲結(jié)構(gòu)代價估計模塊 |
| 2.2.5 存儲結(jié)構(gòu)應(yīng)用模塊 |
| 2.3 S-CUBE系統(tǒng)工作流程 |
| 2.3.1 性能數(shù)據(jù)采集學(xué)習(xí)流程 |
| 2.3.2 存儲結(jié)構(gòu)推薦流程 |
| 2.4 本章小結(jié) |
| 第3章 存儲引擎代價模型 |
| 3.1 模型設(shè)計目標 |
| 3.2 特征選擇 |
| 3.3 基準測試 |
| 3.3.1 基準測試流程 |
| 3.3.2 數(shù)據(jù)模式生成 |
| 3.3.3 工作負載設(shè)計 |
| 3.4 機器學(xué)習(xí)方法 |
| 3.4.1 數(shù)據(jù)預(yù)處理 |
| 3.4.2 建立學(xué)習(xí)模型 |
| 3.4.3 估計工作負載的代價 |
| 3.5 本章小結(jié) |
| 第4章 數(shù)據(jù)布局推薦 |
| 4.1 數(shù)據(jù)布局介紹 |
| 4.2 數(shù)據(jù)布局推薦算法 |
| 4.2.1 以查詢?yōu)橹行牡乃惴?/td> |
| 4.2.2 以列為中心的算法 |
| 4.3 本章小結(jié) |
| 第5章 實驗驗證 |
| 5.1 實驗配置 |
| 5.2 存儲引擎代價模型驗證實驗 |
| 5.3 數(shù)據(jù)布局推薦算法對比實驗 |
| 5.4 系統(tǒng)推薦結(jié)果驗證實驗 |
| 5.5 本章小結(jié) |
| 結(jié)論 |
| 參考文獻 |
| 攻讀碩士學(xué)位期間發(fā)表的論文及其它成果 |
| 致謝 |
（4）面向高性能計算系統(tǒng)的融合數(shù)據(jù)管理關(guān)鍵技術(shù)研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第一章 緒論 |
| 1.1 論文研究背景和意義 |
| 1.2 融合場景下數(shù)據(jù)管理關(guān)鍵問題與挑戰(zhàn) |
| 1.3 本文工作和貢獻 |
| 1.4 論文組織結(jié)構(gòu) |
| 第二章 背景和相關(guān)工作 |
| 2.1 融合場景下應(yīng)用特征與系統(tǒng)存儲結(jié)構(gòu)變化 |
| 2.1.1 科學(xué)工作流 |
| 2.1.2 應(yīng)用特征變化 |
| 2.1.3 系統(tǒng)存儲結(jié)構(gòu)變化 |
| 2.2 現(xiàn)有數(shù)據(jù)存儲與管理方案 |
| 2.2.1 設(shè)計動態(tài)庫豐富數(shù)據(jù)管理功能 |
| 2.2.2 拓展文件系統(tǒng)優(yōu)化數(shù)據(jù)存儲與管理 |
| 2.2.3 定制外部數(shù)據(jù)管理系統(tǒng)管理科學(xué)數(shù)據(jù) |
| 2.2.4 其他數(shù)據(jù)管理工具 |
| 2.3 自適應(yīng)和智能數(shù)據(jù)管理優(yōu)化 |
| 2.3.1 數(shù)據(jù)放置優(yōu)化 |
| 2.3.2 數(shù)據(jù)預(yù)取優(yōu)化 |
| 2.4 科學(xué)數(shù)據(jù)索引與查詢優(yōu)化 |
| 2.4.1 文件粒度索引與查詢優(yōu)化 |
| 2.4.2 記錄粒度索引與查詢優(yōu)化 |
| 第三章 基于層次式存儲結(jié)構(gòu)的數(shù)據(jù)管理系統(tǒng)設(shè)計 |
| 3.1 前言 |
| 3.2 目的與挑戰(zhàn) |
| 3.3 層次式數(shù)據(jù)管理系統(tǒng)TDMS |
| 3.3.1 TDMS系統(tǒng)架構(gòu) |
| 3.3.2 水平及垂直數(shù)據(jù)管理策略 |
| 3.3.3 系統(tǒng)接口設(shè)計 |
| 3.4 面向應(yīng)用特征的定制數(shù)據(jù)管理技術(shù) |
| 3.4.1 科學(xué)工作流及數(shù)據(jù)訪問模式劃分 |
| 3.4.2 定制層次式數(shù)據(jù)管理策略 |
| 3.4.3 跨存儲層的負載均衡機制 |
| 3.5 數(shù)據(jù)感知的任務(wù)調(diào)度技術(shù) |
| 3.6 系統(tǒng)實現(xiàn) |
| 3.7 系統(tǒng)評估 |
| 3.7.1 實驗配置 |
| 3.7.2 TDMS基本性能評估 |
| 3.7.3 科學(xué)工作流應(yīng)用評估 |
| 3.8 小結(jié) |
| 第四章 面向融合應(yīng)用的自適應(yīng)層次式數(shù)據(jù)管理技術(shù) |
| 4.1 前言 |
| 4.2 基于分類模型的智能數(shù)據(jù)放置策略 |
| 4.2.1 目的與挑戰(zhàn) |
| 4.2.2 數(shù)據(jù)放置與分類問題 |
| 4.2.3 基于啟發(fā)式方法的自動數(shù)據(jù)標注 |
| 4.2.4 智能數(shù)據(jù)放置引擎 |
| 4.3 面向文件類別的自適應(yīng)數(shù)據(jù)預(yù)取策略 |
| 4.3.1 目的與挑戰(zhàn) |
| 4.3.2 結(jié)合數(shù)據(jù)流圖拓撲結(jié)構(gòu)分析數(shù)據(jù)訪問特征 |
| 4.3.3 針對文件類別設(shè)計自適應(yīng)數(shù)據(jù)預(yù)取策略 |
| 4.4 實現(xiàn) |
| 4.5 系統(tǒng)評估 |
| 4.5.1 實驗配置 |
| 4.5.2 數(shù)據(jù)放置策略評估 |
| 4.5.3 數(shù)據(jù)預(yù)取策略評估 |
| 4.6 小結(jié) |
| 第五章 耦合并行文件系統(tǒng)的數(shù)據(jù)索引與查詢優(yōu)化 |
| 5.1 前言 |
| 5.2 面向科學(xué)數(shù)據(jù)的索引與查詢模塊設(shè)計 |
| 5.3 面向“應(yīng)用定制元數(shù)據(jù)”的文件粒度索引技術(shù) |
| 5.3.1 文件粒度索引與查詢案例:氣象大數(shù)據(jù) |
| 5.3.2 并發(fā)元數(shù)據(jù)提取 |
| 5.3.3 層次式哈希索引結(jié)構(gòu) |
| 5.3.4 文件粒度查詢處理 |
| 5.4 基于原位索引構(gòu)建的記錄粒度索引技術(shù) |
| 5.4.1 記錄粒度索引與查詢案例:生物大數(shù)據(jù) |
| 5.4.2 原位索引構(gòu)建過程 |
| 5.4.3 Range-bitmap索引結(jié)構(gòu) |
| 5.4.4 雙層并發(fā)查詢處理 |
| 5.5 實現(xiàn) |
| 5.6 系統(tǒng)評估 |
| 5.6.1 實驗配置 |
| 5.6.2 文件定位服務(wù)性能評估 |
| 5.6.3 記錄定位服務(wù)性能評估 |
| 5.7 小結(jié) |
| 第六章 總結(jié)與展望 |
| 6.1 總結(jié) |
| 6.2 未來工作 |
| 致謝 |
| 參考文獻 |
| 作者在學(xué)期間取得的學(xué)術(shù)成果 |
（5）不確定數(shù)據(jù)流中頻繁項集挖掘算法的研究（論文提綱范文）
| 中文摘要 |
| Abstract |
| 第1章 緒論 |
| 1.1 研究背景和意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.3 本文的研究內(nèi)容 |
| 1.4 本文的組織結(jié)構(gòu) |
| 第2章 不確定數(shù)據(jù)流相關(guān)知識概述 |
| 2.1 不確定數(shù)據(jù) |
| 2.1.1 不確定數(shù)據(jù)形成的原因 |
| 2.1.2 不確定數(shù)據(jù)的表現(xiàn)形式 |
| 2.1.3 不確定數(shù)據(jù)的處理模型 |
| 2.2 數(shù)據(jù)流 |
| 2.2.1 數(shù)據(jù)流的特點 |
| 2.2.2 數(shù)據(jù)流的處理模型 |
| 2.2.3 數(shù)據(jù)流的數(shù)據(jù)存儲結(jié)構(gòu) |
| 2.3 不確定數(shù)據(jù)流相關(guān)的頻繁項集挖掘算法研究 |
| 2.3.1 靜態(tài)不確定數(shù)據(jù)的頻繁項集挖掘算法 |
| 2.3.2 數(shù)據(jù)流中的頻繁項集挖掘算法 |
| 2.3.3 不確定數(shù)據(jù)流的頻繁項集挖掘算法 |
| 2.4 本章小結(jié) |
| 第3章 一種基于列表存儲結(jié)構(gòu)的不確定數(shù)據(jù)流頻繁項集挖掘算法 |
| 3.1 問題定義 |
| 3.2 列表存儲結(jié)構(gòu)的不確定數(shù)據(jù)流挖掘算法UFS-mine |
| 3.2.1 UIT-lists數(shù)據(jù)存儲結(jié)構(gòu) |
| 3.2.2 UIT-lists結(jié)構(gòu)上頻繁項集挖掘的過程 |
| 3.2.3 頻繁項集挖掘算法描述 |
| 3.3 實驗及結(jié)果分析 |
| 3.3.1 實驗環(huán)境設(shè)置 |
| 3.3.2 實驗結(jié)果分析 |
| 3.4 本章小結(jié) |
| 第4章 一種加權(quán)衰減不確定數(shù)據(jù)流頻繁項集挖掘算法 |
| 4.1 問題定義 |
| 4.2 衰減加權(quán)不確定數(shù)據(jù)流頻繁項集挖掘算法DWUFS-mine |
| 4.2.1 數(shù)據(jù)存儲結(jié)構(gòu)初始化及窗口滑動階段 |
| 4.2.2 基于最大加權(quán)期望的剪枝策略 |
| 4.2.3 頻繁項集挖掘算法描述 |
| 4.3 實驗及結(jié)果分析 |
| 4.3.1 實驗環(huán)境設(shè)置 |
| 4.3.2 實驗結(jié)果分析 |
| 4.4 本章小結(jié) |
| 結(jié)論 |
| 參考文獻 |
| 致謝 |
| 攻讀碩士學(xué)位期間發(fā)表的論文 |
（6）海量圖片存儲技術(shù)的研究（論文提綱范文）
| 摘要 |
| abstract |
| 第一章 緒論 |
| 1.1 課題研究背景及意義 |
| 1.1.1 研究背景 |
| 1.1.2 研究意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.2.1 DAS、SAN和 NAS的研究現(xiàn)狀 |
| 1.2.2 分布式文件系統(tǒng)研究現(xiàn)狀 |
| 1.2.3 NoSQL數(shù)據(jù)庫研究現(xiàn)狀 |
| 1.2.4 對象存儲技術(shù)研究現(xiàn)狀 |
| 1.2.5 現(xiàn)有技術(shù)方案的特點 |
| 1.3 研究目標、研究內(nèi)容和創(chuàng)新點 |
| 1.3.1 研究目標 |
| 1.3.2 研究內(nèi)容 |
| 1.3.3 本文創(chuàng)新點 |
| 1.4 本文組織結(jié)構(gòu) |
| 第二章 相關(guān)技術(shù)介紹 |
| 2.1 對象存儲 |
| 2.1.1 對象存儲結(jié)構(gòu) |
| 2.1.2 對象存儲的特性 |
| 2.2 感知哈希算法 |
| 2.2.1 感知哈希算法的概念 |
| 2.2.2 基于DTC的感知哈希算法 |
| 2.2.3 感知哈希算法的處理過程 |
| 2.3 B+樹 |
| 2.3.1 B+樹的概念 |
| 2.3.2 B+樹的特點 |
| 2.3.3 B+樹文件結(jié)構(gòu) |
| 2.3.4 B+樹相關(guān)操作 |
| 2.4 本章小結(jié) |
| 第三章 海量圖片存儲框架分析與設(shè)計 |
| 3.1 基于對象存儲的扁平化存儲策略研究 |
| 3.1.1 對象存儲結(jié)構(gòu)分析 |
| 3.1.2 對象存儲應(yīng)用于海量圖片存儲的分析 |
| 3.1.3 圖片對象緊湊式組織結(jié)構(gòu)分析 |
| 3.1.4 基于對象存儲的框架結(jié)構(gòu) |
| 3.2 基于B+樹的索引策略研究 |
| 3.2.1 B+樹索引與哈希索引對比 |
| 3.2.2 B+樹索引應(yīng)用于海量圖片存儲的分析 |
| 3.2.3 B+樹索引的設(shè)計 |
| 3.3 基于時空價值的緩存策略研究 |
| 3.3.1 圖片對象訪問特性分析 |
| 3.3.2 現(xiàn)有圖片對象緩存置換策略分類 |
| 3.3.3 圖片對象緩存置換策略解決思路 |
| 3.4 本章小結(jié) |
| 第四章 原型系統(tǒng)設(shè)計 |
| 4.1 系統(tǒng)整體架構(gòu) |
| 4.2 圖片對象讀寫流程 |
| 4.2.1 圖片對象讀取流程 |
| 4.2.2 圖片對象寫入流程 |
| 4.3 各功能模塊設(shè)計 |
| 4.3.1 客戶端模塊 |
| 4.3.2 索引模塊 |
| 4.3.3 緩存模塊 |
| 4.3.4 存儲模塊 |
| 4.4 本章小結(jié) |
| 第五章 實驗設(shè)計和結(jié)果分析 |
| 5.1 實驗環(huán)境 |
| 5.1.1 硬件環(huán)境介紹 |
| 5.1.2 軟件環(huán)境介紹 |
| 5.1.3 實驗數(shù)據(jù) |
| 5.2 面向按需加載索引策略的實驗驗證 |
| 5.2.1 索引策略的實驗設(shè)計 |
| 5.2.2 索引策略的實驗分析 |
| 5.3 面向緩存置換策略的實驗驗證 |
| 5.3.1 緩存置換的實驗設(shè)計 |
| 5.3.2 緩存置換的實驗分析 |
| 5.4 面向緊湊式組織方式的扁平化存儲策略的實驗驗證 |
| 5.4.1 組織方式的實驗設(shè)計 |
| 5.4.2 組織方式的實驗分析 |
| 5.5 面向基于MISF的原型系統(tǒng)的對比實驗驗證 |
| 5.5.1 原型系統(tǒng)的實驗設(shè)計 |
| 5.5.2 原型系統(tǒng)的實驗分析 |
| 5.6 本章小結(jié) |
| 第六章 總結(jié)與展望 |
| 6.1 全文總結(jié) |
| 6.2 研究特色 |
| 6.3 后續(xù)工作展望 |
| 致謝 |
| 參考文獻 |
| 附錄 |
（7）船舶AIS大數(shù)據(jù)時空建模與快速檢索方法研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第1章 緒論 |
| 1.1 研究背景 |
| 1.2 研究目的與意義 |
| 1.3 國內(nèi)外研究現(xiàn)狀 |
| 1.3.1 存儲管理研究現(xiàn)狀 |
| 1.3.2 檢索效率研究現(xiàn)狀 |
| 1.3.3 存在的不足 |
| 1.4 研究內(nèi)容與論文組織結(jié)構(gòu) |
| 第2章 AIS數(shù)據(jù)時空模型構(gòu)建 |
| 2.1 AIS系統(tǒng) |
| 2.1.1 AIS系統(tǒng)簡介 |
| 2.1.2 AIS信息采集 |
| 2.1.3 AIS數(shù)據(jù)解碼 |
| 2.2 時空數(shù)據(jù)建模技術(shù) |
| 2.2.1 時空數(shù)據(jù) |
| 2.2.2 常見時空數(shù)據(jù)模型 |
| 2.2.3 布爾模型和倒排模型 |
| 2.3 面向AIS大數(shù)據(jù)的時空數(shù)據(jù)模型構(gòu)建 |
| 2.3.1 AIS數(shù)據(jù)時空特征 |
| 2.3.2 數(shù)據(jù)存儲概念模型設(shè)計 |
| 2.3.3 基于AIS時空特征的多維關(guān)系存儲模型構(gòu)建 |
| 2.4 本章小結(jié) |
| 第3章 海量AIS數(shù)據(jù)存儲方法研究 |
| 3.1 數(shù)據(jù)管理技術(shù) |
| 3.2 AIS大數(shù)據(jù)管理架構(gòu) |
| 3.2.1 存儲需求分析 |
| 3.2.2 架構(gòu)設(shè)計 |
| 3.3 AIS數(shù)據(jù)的寫入機制設(shè)計 |
| 3.3.1 歷史數(shù)據(jù)寫入優(yōu)化方法 |
| 3.3.2 實時數(shù)據(jù)同步優(yōu)化策略 |
| 3.4 基于MR-Model的時空數(shù)據(jù)管理方法 |
| 3.4.1 分布式系統(tǒng)概述 |
| 3.4.2 基于Mycat的存儲模型實現(xiàn) |
| 3.4.3 基于ES的存儲模型實現(xiàn) |
| 3.5 本章小結(jié) |
| 第4章 海量AIS數(shù)據(jù)快速檢索方法研究 |
| 4.1 時空索引技術(shù)概述 |
| 4.1.1 空間編碼技術(shù) |
| 4.1.2 時空索引技術(shù) |
| 4.2 時空對象的信息重構(gòu)與劃分 |
| 4.3 基于Geo-CubR樹的海量AIS時空數(shù)據(jù)索引方法 |
| 4.3.1 Geo Time編碼方法 |
| 4.3.2 Geo-CubR樹的性質(zhì)及定義 |
| 4.3.3 Geo-CubR樹的算法設(shè)計 |
| 4.4 混合時空索引組織方法實現(xiàn) |
| 4.4.1 基于Invert-GeoCubR樹的分布式索引框架 |
| 4.4.2 基于Elasticsearch的索引實現(xiàn) |
| 4.5 檢索及統(tǒng)計方法 |
| 4.5.1 非時空檢索方法 |
| 4.5.2 基于Invert-GeoCubR樹的交互時空檢索方法 |
| 4.5.3 關(guān)系型檢索 |
| 4.5.4 統(tǒng)計方法 |
| 4.6 本章小結(jié) |
| 第5章 AIS大數(shù)據(jù)服務(wù)與應(yīng)用實驗 |
| 5.1 AIS數(shù)據(jù)存儲管理系統(tǒng)設(shè)計 |
| 5.2 實驗環(huán)境設(shè)計 |
| 5.2.1 分布式平臺搭建 |
| 5.2.2 實驗數(shù)據(jù)及預(yù)處理 |
| 5.3 性能對比測試與結(jié)果分析 |
| 5.3.1 AIS數(shù)據(jù)寫入存儲效率測試 |
| 5.3.2 非關(guān)系型檢索效率測試 |
| 5.3.3 關(guān)系型檢索效率測試 |
| 5.4 實驗總結(jié) |
| 5.5 本章小結(jié) |
| 第6章 總結(jié)與展望 |
| 6.1 總結(jié) |
| 6.2 展望 |
| 致謝 |
| 參考文獻 |
| 攻讀學(xué)位期間獲得與學(xué)位論文相關(guān)的科研成果目錄 |
（8）一個面向SQLite數(shù)據(jù)恢復(fù)系統(tǒng)的設(shè)計與實現(xiàn)（論文提綱范文）
| 摘要 |
| Abstract |
| 第一章 緒論 |
| 1.1 研究背景及意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.2.1 傳統(tǒng)大型數(shù)據(jù)庫恢復(fù)技術(shù) |
| 1.2.2 SQLite數(shù)據(jù)庫的恢復(fù)技術(shù) |
| 1.3 研究目標和內(nèi)容 |
| 1.4 論文的組織結(jié)構(gòu) |
| 第二章 相關(guān)技術(shù) |
| 2.1 SQLite文件結(jié)構(gòu) |
| 2.1.1 根頁 |
| 2.1.2 內(nèi)部頁 |
| 2.1.3 葉子頁 |
| 2.2 可變長整數(shù) |
| 2.3 SQLite的數(shù)據(jù)類型 |
| 2.3.1 存儲類和數(shù)據(jù)類型 |
| 2.3.2 類型近似的說明 |
| 2.3.3 列近似操作例子 |
| 2.4 SQLite被刪數(shù)據(jù)的存儲結(jié)構(gòu) |
| 2.4.1 被刪數(shù)據(jù)的存儲形式 |
| 2.4.2 自由塊 |
| 2.4.3 空閑頁 |
| 2.5 數(shù)據(jù)記錄的結(jié)構(gòu)實例 |
| 2.6 本章小結(jié) |
| 第三章 需求分析與系統(tǒng)設(shè)計 |
| 3.1 需求分析 |
| 3.2 系統(tǒng)總體設(shè)計 |
| 3.3 基于標志位判定法的邏輯恢復(fù)方法 |
| 3.4 數(shù)據(jù)預(yù)處理模塊 |
| 3.4.1 獲取根葉 |
| 3.4.2 獲取表結(jié)構(gòu) |
| 3.5 存儲結(jié)構(gòu)遍歷模塊 |
| 3.6 數(shù)據(jù)匹配模塊 |
| 3.7 自由塊的刪除數(shù)據(jù)恢復(fù) |
| 3.7.1 估算與恢復(fù)流程 |
| 3.7.2 自由塊存儲結(jié)構(gòu)解析 |
| 3.7.3 完整數(shù)據(jù)單元的恢復(fù) |
| 3.7.4 部分完整數(shù)據(jù)單元的恢復(fù) |
| 3.8 空閑的頁刪除數(shù)據(jù)恢復(fù) |
| 3.9 本章小結(jié) |
| 第四章 系統(tǒng)實現(xiàn)與測試 |
| 4.1 實現(xiàn)工具及運行環(huán)境 |
| 4.2 核心功能模塊的實現(xiàn) |
| 4.2.1 數(shù)據(jù)預(yù)處理模塊 |
| 4.2.2 存儲結(jié)構(gòu)遍歷模塊 |
| 4.2.3 數(shù)據(jù)匹配模塊 |
| 4.2.4 數(shù)據(jù)恢復(fù)模塊 |
| 4.3 系統(tǒng)功能測試 |
| 4.3.1 測試環(huán)境和方法 |
| 4.3.2 短/彩信的刪除恢復(fù)測試(系統(tǒng)自帶應(yīng)用) |
| 4.3.3 滴滴打車的刪除恢復(fù)測試(外部下載應(yīng)用) |
| 4.4 對比測試 |
| 4.4.1 恢復(fù)率 |
| 4.4.2 性能 |
| 4.5 本章小結(jié) |
| 第五章 總結(jié)和展望 |
| 5.1 工作總結(jié) |
| 5.2 研究展望 |
| 致謝 |
| 參考文獻 |
| 個人簡介 |
（9）頻繁項集挖掘算法的并行化研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第一章 緒論 |
| 1.1 研究背景 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.2.1 頻繁項集挖掘算法研究現(xiàn)狀 |
| 1.2.2 頻繁項集挖掘算法并行化研究現(xiàn)狀 |
| 1.2.3 頻繁項集更新算法研究現(xiàn)狀 |
| 1.2.4 頻繁項集更新算法并行化研究現(xiàn)狀 |
| 1.3 論文研究目的及主要工作 |
| 1.4 論文組織結(jié)構(gòu) |
| 第二章 頻繁項集挖掘和GPU并行計算概述 |
| 2.1 頻繁項集挖掘概述 |
| 2.1.1 關(guān)聯(lián)規(guī)則 |
| 2.1.2 頻繁項集 |
| 2.1.3 頻繁項集靜態(tài)挖掘算法 |
| 2.1.4 頻繁項集動態(tài)更新算法 |
| 2.2 圖形處理器GPU概述 |
| 2.2.1 GPU簡介 |
| 2.2.2 GPU通用計算簡介 |
| 2.2.3 GPU與CPU |
| 2.3 并行計算架構(gòu)CUDA概述 |
| 2.3.1 CUDA編程模型 |
| 2.3.2 CUDA線程結(jié)構(gòu) |
| 2.3.3 CUDA存儲模型 |
| 2.3.4 CUDA軟件體系 |
| 2.4 本章小結(jié) |
| 第三章 基于FP-growth改進的挖掘算法研究 |
| 3.1 FP-growth算法 |
| 3.1.1 FP-growth算法概述 |
| 3.1.2 FP-growth算法性能分析 |
| 3.2 基于FP-growth改進的串行挖掘算法 |
| 3.2.1 NRFP-growth算法的概述 |
| 3.2.2 NRFP-growth算法的數(shù)據(jù)結(jié)構(gòu) |
| 3.2.3 NRFP-growth算法的設(shè)計與實現(xiàn) |
| 3.3 基于FP-growth改進的并行挖掘算法 |
| 3.3.1 GPFP-growth算法的概述 |
| 3.3.2 GPFP-growth算法的設(shè)計與實現(xiàn) |
| 3.4 本章小結(jié) |
| 第四章 基于FUP改進的并行更新算法研究 |
| 4.1 FUP算法 |
| 4.1.1 FUP算法概述 |
| 4.1.2 FUP算法性能分析 |
| 4.2 基于FUP改進的并行更新算法 |
| 4.2.1 GPFUP算法的概述 |
| 4.2.2 GPFUP算法的前綴樹存儲結(jié)構(gòu) |
| 4.2.3 GPFUP算法的位表存儲結(jié)構(gòu) |
| 4.2.4 GPFUP算法的設(shè)計與實現(xiàn) |
| 4.3 本章小結(jié) |
| 第五章 實驗設(shè)計與分析 |
| 5.1 實驗?zāi)康?/td> |
| 5.2 實驗方法 |
| 5.3 實驗環(huán)境 |
| 5.4 實驗數(shù)據(jù)集 |
| 5.5 實驗結(jié)果與分析 |
| 5.5.1 NRFP-growth算法的實驗結(jié)果與分析 |
| 5.5.2 GPFP-growth算法的實驗結(jié)果與分析 |
| 5.5.3 GPFUP算法的實驗結(jié)果與分析 |
| 5.6 相關(guān)工作 |
| 5.7 本章小結(jié) |
| 第六章 總結(jié)與展望 |
| 6.1 總結(jié) |
| 6.2 展望 |
| 致謝 |
| 參考文獻 |
| 作者簡介 |
（10）嵌入式多核共享存儲機密性完整性保護方法研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 符號對照表 |
| 縮略語對照表 |
| 第一章 緒論 |
| 1.1 研究背景 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.2.2 機密性保護研究現(xiàn)狀 |
| 1.2.3 完整性保護研究現(xiàn)狀 |
| 1.3 研究內(nèi)容 |
| 1.4 組織和安排 |
| 第二章 存儲器安全相關(guān)保護方法 |
| 2.1 存儲體系結(jié)構(gòu)與安全模型 |
| 2.2 機密性保護方法 |
| 2.2.1 直接塊加密方法 |
| 2.2.2 OTP加密方法 |
| 2.2.3 GCM加密方法 |
| 2.3 完整性保護方法 |
| 2.3.1 消息認證機制 |
| 2.3.2 防重放機制 |
| 2.4 秘密共享 |
| 2.4.1 隨機數(shù)廣播 |
| 2.4.2 安全密鑰共享 |
| 2.5 本章小結(jié) |
| 第三章 基于無證書代理重加密的機密性保護方法 |
| 3.1 引言 |
| 3.2 方法流程 |
| 3.3 安全性分析 |
| 3.3.1 一級密文安全性分析 |
| 3.3.2 二級密文安全性分析 |
| 3.4 本章小結(jié) |
| 第四章 基于多粒度可伸縮哈希樹的完整性保護方法 |
| 4.1 完整性保護方法特點 |
| 4.2 校驗樹結(jié)構(gòu) |
| 4.2.1 樹結(jié)構(gòu) |
| 4.2.2 動態(tài)窗口 |
| 4.2.3 伸縮樹 |
| 4.3 方法流程 |
| 4.4 本章小結(jié) |
| 第五章 基于RSIM的仿真實驗與分析 |
| 5.1 RSIM仿真框架 |
| 5.1.1 處理器微結(jié)構(gòu) |
| 5.1.2 網(wǎng)絡(luò)與內(nèi)存結(jié)構(gòu) |
| 5.2 仿真實驗與性能分析 |
| 5.2.1 機密性保護方法性能評估 |
| 5.2.2 完整性保護方法性能評估 |
| 5.3 本章小結(jié) |
| 第六章 總結(jié)與展望 |
| 6.1 本文工作總結(jié) |
| 6.2 未來工作展望 |
| 參考文獻 |
| 致謝 |
| 作者簡介 |
四、樹的一種存儲結(jié)構(gòu)（論文參考文獻）
- [1]基于虛擬接近傳感器的碰撞檢測算法的研究與改進[D]. 楊帆. 電子科技大學(xué), 2021(01)
- [2]基于非對稱逆布局模型的圖像壓縮算法研究[D]. 匡金軍. 華南理工大學(xué), 2020(02)
- [3]基于學(xué)習(xí)代價的存儲結(jié)構(gòu)自動選擇系統(tǒng)[D]. 魏?. 哈爾濱工業(yè)大學(xué), 2020(02)
- [4]面向高性能計算系統(tǒng)的融合數(shù)據(jù)管理關(guān)鍵技術(shù)研究[D]. 程鵬. 國防科技大學(xué), 2020(01)
- [5]不確定數(shù)據(jù)流中頻繁項集挖掘算法的研究[D]. 謝明燁. 黑龍江大學(xué), 2020(04)
- [6]海量圖片存儲技術(shù)的研究[D]. 劉常磊. 電子科技大學(xué), 2020(07)
- [7]船舶AIS大數(shù)據(jù)時空建模與快速檢索方法研究[D]. 何帆. 武漢理工大學(xué), 2020(09)
- [8]一個面向SQLite數(shù)據(jù)恢復(fù)系統(tǒng)的設(shè)計與實現(xiàn)[D]. 管毅鳴. 東南大學(xué), 2019(01)
- [9]頻繁項集挖掘算法的并行化研究[D]. 何旭. 東南大學(xué), 2019(06)
- [10]嵌入式多核共享存儲機密性完整性保護方法研究[D]. 黃曉堃. 西安電子科技大學(xué), 2019(02)
標簽：海量數(shù)據(jù)論文; 信息存儲論文; 層次模型論文; 包圍盒論文; 樹結(jié)構(gòu)論文;