Розробка параметричної моделі конкурентного доступу в реляційних базах даних методом випадкового лісу

Автор(и)

  • Dmitry Gromey Федеральна державна казенна військова освітня установа вищої освіти «Академія Федеральної служби охорони Російської Федерації» вул. Приладобудівна, 35, м. Орел, Росія, 302015, Російська Федерація https://orcid.org/0000-0003-1066-556X
  • Eugene Lebedenko Федеральна державна казенна військова освітня установа вищої освіти «Академія Федеральної служби охорони Російської Федерації» вул. Приладобудівна, 35, м. Орел, Росія, 302015, Російська Федерація https://orcid.org/0000-0001-6135-0352
  • Dmitry Nikolaev Федеральна державна казенна військова освітня установа вищої освіти «Академія Федеральної служби охорони Російської Федерації» вул. Приладобудівна, 35, м. Орел, Росія, 302015, Російська Федерація https://orcid.org/0000-0001-9334-6948
  • Tatyana Rozhkova Федеральна державна казенна військова освітня установа вищої освіти «Академія Федеральної служби охорони Російської Федерації» вул. Приладобудівна, 35, м. Орел, Росія, 302015, Російська Федерація https://orcid.org/0000-0002-7079-4366

DOI:

https://doi.org/10.15587/1729-4061.2019.170071

Ключові слова:

автономні систем управління базами даних, бази даних, що самовизначаються, випадковий ліс, конкурентний доступ, паралельні обчислення в реляційних систем управління базами даних

Анотація

Розглянуто проблему моделювання часу виконання запитів в автономних реляційних базах даних з конкурентними запитами. Відзначено недоліки існуючих підходів, які ігнорують витрат на частку послідовних операцій при кооперативному доступі до даних в ієрархії пам'яті. Розглянуто питання застосування умовної вартості виконання складових операцій плану запиту, замість розрахунку передбачуваного часу обчислень.

Запропоновано спосіб формального формування прецедентів навчальної вибірки, а також підхід до побудови регресійної моделі. Розроблена модифікація методу машинного навчання випадковий ліс застосовується для розрахунку часів виконання запитів за їхніми текстами та тимчасовими позначками початку, тривалості виконання.

Розроблена параметрична модель конкурентного доступу до даних необхідна для отримання точних оцінок часу виконання запитів при використанні паралельних обчислень. Моделі з подібними характеристиками потрібні в рішенні задач автоматизації управління фізичною схемою даних, створення СУБД, що самовизначаються. Ключовими відмінностями від існуючих підходів стали використання часу виконання запитів в якості цільового значення, обліку значень предикатів і взаємовпливу паралельно виконуваних запитів.

Для підтвердження отриманих результатів була використана імітаційна модель на базі широко відомого тесту TPC-C. В якості функції втрат, з урахуванням регресійної природи моделі, було використано відношення суми модулів різниці фактичних і одержуваних часів до фактичних часів. Сама перевірка проводилася за контрольною вибіркою, що сформована за зростаючою довжиною навчання на відкладених даних. В ході проведених досліджень була доведена можливість застосування методу машинного навчання випадковий ліс для обробки статистичних даних виконання SQL запитів. Отриманий результат свідчить про перспективність такого підходу і дозволяє отримувати параметричні моделі конкурентної обробки запитів

Біографії авторів

Dmitry Gromey, Федеральна державна казенна військова освітня установа вищої освіти «Академія Федеральної служби охорони Російської Федерації» вул. Приладобудівна, 35, м. Орел, Росія, 302015

Кафедра «Інформатики та обчислювальної техніки»

Eugene Lebedenko, Федеральна державна казенна військова освітня установа вищої освіти «Академія Федеральної служби охорони Російської Федерації» вул. Приладобудівна, 35, м. Орел, Росія, 302015

Кандидат технічних наук, доцент

Кафедра «Інформатики та обчислювальної техніки»

Dmitry Nikolaev, Федеральна державна казенна військова освітня установа вищої освіти «Академія Федеральної служби охорони Російської Федерації» вул. Приладобудівна, 35, м. Орел, Росія, 302015

Кафедра «Інформатики та обчислювальної техніки»

Tatyana Rozhkova, Федеральна державна казенна військова освітня установа вищої освіти «Академія Федеральної служби охорони Російської Федерації» вул. Приладобудівна, 35, м. Орел, Росія, 302015

Кафедра «Інформатики та обчислювальної техніки»

Посилання

  1. Gromey, D. D., Lebedenko, E. V. (2015). Automation of data distribution for the DBMS with competitive requests. Modern informatization problems in simulation and social technologies Proceedings of the XX-th International Open Science Conference. Yelm, WA, USA, 167–173.
  2. Chaudhuri, S., Narasayya, V., Ramamurthy, R. (2009). Exact cardinality query optimization for optimizer testing. Proceedings of the VLDB Endowment, 2 (1), 994–1005. doi: https://doi.org/10.14778/1687627.1687739
  3. Borchuk, L. E. (2016). Stoimostnye optimizatory dlya SUBD: vchera i segodnya. Otkrytye sistemy. SUBD, 1, 36–39.
  4. Kim, K., Wang, T., Johnson, R., Pandis, I. (2016). ERMIA. Proceedings of the 2016 International Conference on Management of Data – SIGMOD '16. doi: https://doi.org/10.1145/2882903.2882905
  5. Neumann, T., Mühlbauer, T., Kemper, A. (2015). Fast Serializable Multi-Version Concurrency Control for Main-Memory Database Systems. Proceedings of the 2015 ACM SIGMOD International Conference on Management of Data – SIGMOD '15. doi: https://doi.org/10.1145/2723372.2749436
  6. Rheinländer, A., Leser, U., Graefe, G. (2017). Optimization of Complex Dataflows with User-Defined Functions. ACM Computing Surveys, 50 (3), 1–39. doi: https://doi.org/10.1145/3078752
  7. Basu, D., Lin, Q., Chen, W., Vo, H. T., Yuan, Z., Senellart, P., Bressan, S. (2015). Cost-Model Oblivious Database Tuning with Reinforcement Learning. Lecture Notes in Computer Science, 253–268. doi: https://doi.org/10.1007/978-3-319-22849-5_18
  8. Das, S., Li, F., Narasayya, V. R., König, A. C. (2016). Automated Demand-driven Resource Scaling in Relational Database-as-a-Service. Proceedings of the 2016 International Conference on Management of Data – SIGMOD '16. doi: https://doi.org/10.1145/2882903.2903733
  9. Mozafari, B., Niu, N. (2015). A Handbook for Building an Approximate Query Engine. IEEE Data Eng. Bull., 38 (3), 3–29.
  10. Yoon, D. Y., Niu, N., Mozafari, B. (2016). DBSherlock. Proceedings of the 2016 International Conference on Management of Data – SIGMOD '16. doi: https://doi.org/10.1145/2882903.2915218
  11. Radhika, G., Chhabra, P., Kumari, R. (2014). Consistency models in distributed shared memory systems. International Journal of Computer Science and Mobile Computing, 3 (9), 196–201.
  12. Arulraj, J., Pavlo, A., Dulloor, S. R. (2015). Let's Talk About Storage & Recovery Methods for Non-Volatile Memory Database Systems. Proceedings of the 2015 ACM SIGMOD International Conference on Management of Data – SIGMOD '15. doi: https://doi.org/10.1145/2723372.2749441
  13. Ma, L., Van Aken, D., Hefny, A., Mezerhane, G., Pavlo, A., Gordon, G. J. (2018). Query-based Workload Forecasting for Self-Driving Database Management Systems. Proceedings of the 2018 International Conference on Management of Data – SIGMOD '18. doi: https://doi.org/10.1145/3183713.3196908
  14. Arulraj, J., Pavlo, A., Menon, P. (2016). Bridging the Archipelago between Row-Stores and Column-Stores for Hybrid Workloads. Proceedings of the 2016 International Conference on Management of Data – SIGMOD '16. doi: https://doi.org/10.1145/2882903.2915231
  15. Nithya, B. (2016). An Analysis on Applications of Machine Learning Tools, Techniques and Practices in Health Care System. International Journal of Advanced Research in Computer Science and Software Engineering, 6 (6).
  16. Hogland, J., Anderson, N. (2017). Function Modeling Improves the Efficiency of Spatial Modeling Using Big Data from Remote Sensing. Big Data and Cognitive Computing, 1 (1), 3. doi: https://doi.org/10.3390/bdcc1010003
  17. Ross, K., Moh, M., Moh, T.-S., Yao, J. (2018). Multi-source data analysis and evaluation of machine learning techniques for SQL injection detection. Proceedings of the ACMSE 2018 Conference on – ACMSE '18. doi: https://doi.org/10.1145/3190645.3190670
  18. Janitza, S., Celik, E., Boulesteix, A.-L. (2018). A computationally fast variable importance test for random forests for high-dimensional data. Advances in Data Analysis and Classification, 12 (4), 885–915. doi: https://doi.org/10.1007/s11634-016-0276-4
  19. Cumin, J., Petit, J., Scuturici, V., Surdu, S. (2017). Data Exploration with SQL using Machine Learning Techniques. Open Proceedings, 96–107. doi: http://doi.org/10.5441/002/edbt.2017.10

##submission.downloads##

Опубліковано

2019-06-11

Як цитувати

Gromey, D., Lebedenko, E., Nikolaev, D., & Rozhkova, T. (2019). Розробка параметричної моделі конкурентного доступу в реляційних базах даних методом випадкового лісу. Eastern-European Journal of Enterprise Technologies, 3(2 (99), 15–24. https://doi.org/10.15587/1729-4061.2019.170071

Номер

Том 3 № 2 (99) (2019): Інформаційні технології. Системи управління в промисловості

Розділ

Інформаційні технології

Ліцензія

Авторське право (c) 2019 Dmitry Gromey, Eugene Lebedenko, Dmitry Nikolaev, Tatyana Rozhkova

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.