Обнаружение ресурсоемких запросов к базам данных на основе применения самоорганизующихся карт и нечеткого вывода
DOI:
https://doi.org/10.52575/2687-0932-2021-48-3-578-593Ключевые слова:
ресурсоемкие запросы к базам данных, самоорганизующаяся карта, метод главных компонент, нечеткий вывод, корректность обнаружения запросовАннотация
Исследования ориентированы на выявление ресурсоёмких запросов, на обработку которых затрачивается недопустимое количество ресурсов времени, процессора, дисков и памяти. Проанализированы средства мониторинга и оптимизации запросов, используемые в современных системах управления базами данных, обозначены их недостатки. Обоснована актуальность разработки новых интеллектуальных средств своевременного и достоверного обнаружения ресурсоёмких запросов к базам данных. Сделан вывод о том, что для выявления ресурсоёмких запросов представляет интерес анализ расширенного набора статистических параметров. Исходную совокупность параметров запросов удалось сократить путем предварительного нормирования набора показателей с помощью сигмоидальной функции и последующего выбора конечного числа главных компонент на основе критерия Кеттелла. Выполнена кластеризация множества запросов с помощью самоорганизующейся карты Кохонена, во избежание переобучения которой разработан алгоритм поиска рекомендуемого значения радиуса топологической окрестности активных нейронов. Для разграничения кластеров предложен алгоритм нечеткого вывода. Экспериментальные исследования показали целесообразность практического использования полученных результатов.
Скачивания
Библиографические ссылки
Alghazali S.M.M., Polshchykov K., Hailan A.M., Svoykina L. 2021. Development of Intelligent Tools for Detecting Resource-intensive Database Queries. International Journal of Advanced Computer Science and Applications, 12(7): 32–36.
Bachhav A., Kharat V., Shelar M. 2021. An Efficient Query Optimizer with Materialized Intermediate Views in Distributed and Cloud Environment. Tehnički glasnik, 15: 105–111.
Belattar S., Abdoun O., El khatir H. 2020. New Learning Approach for Unsupervised Neural Networks Model with Application to Agriculture Field. International Journal of Advanced Computer Science and Applications, 11(5): 360–369.
Bodepudi H. 2020. Faster The Slow Running RDBMS Queries With Spark Framework. International Journal of Scientific and Research Publications, 10(11): 287–291.
Clovis L.R., Scapim C.A., Pinto R.J.B. et al. 2020. Yield stability analysis of maize hybrids using the self-organizing map of Kohonen. Euphytica, 216: 161.
Fattah S.M.A., Mahmoud M.A., Abd-Elmegid L.A.E. 2014. An Adaptive Hybrid Controller for DBMS Performance Tuning. International Journal of Advanced Computer Science and Applications,
(5): 151–156.
Fernandez I. 2015. Beginning Oracle Database 12c Administration. From Novice to Professional. Apress: 384.
Kalmegh P., Babu S., Roy S. 2018. Analyzing Query Performance and Attributing Blame for Contentions in a Cluster Computing Framework. arXiv:1708.08435v2.
Lan H., Bao Z., Peng Y.A. 2021. Survey on Advancing the DBMS Query Optimizer: Cardinality Estimation, Cost Model, and Plan Enumeration. Data Sci. Eng., 6: 86–101.
Lekshmi B.G., Meyer-Wegener K. 2021. COPRAO: A Capability Aware Query Optimizer for Reconfigurable Near Data Processors. 2021 IEEE 37th International Conference on Data Engineering Workshops (ICDEW): 54-59.
Ma M., Yin Z., Zhang S. et al. 2020. Diagnosing Root Causes of Intermittent Slow Queries in Cloud Databases. PVLDB, 13(8): 1176–1189.
Miao Z., Chen T., Bendeck A. et al. 2020. I-Rex: an interactive relational query explainer for SQL. Proc. VLDB Endow, 13: 2997–3000.
Muniswamaiah M., Agerwala T., Tappert C.C. 2020. Approximate Query Processing for Big Data in Heterogeneous Databases. 2020 IEEE International Conference on Big Data: 5765–5767.
Polshchykov K.A., Lazarev S.A., Konstantinov I.S., Polshchykova O.N., Svoikina L.F., Igityan E.V., Balakshin M.S. 2020. Assessing the Efficiency of Robot Communication. Russian Engineering Research, 40: 936–938.
Polshchykov K., Lazarev S., Polshchykova O., Igityan E. 2019. The Algorithm for Decision-Making Supporting on the Selection of Processing Means for Big Arrays of Natural Language Data. Lobachevskii Journal of Mathematics, 40 (11): 1831–1836.
Polshchykov K.O., Lazarev S.A., Zdorovtsov A.D. 2017. Neuro-Fuzzy Control of Data Sending in a Mobile Ad Hoc Network. Journal of Fundamental and Applied Sciences, 9(2S): 1494–1501.
Polshchykov K.O., Zdorenko Y.M., Masesov M.O. 2014. Method of telecommunications channel throughput distribution based on linear programming and neuro fuzzy predicting. Elixir International Journal. Network Engineering, 75: 27327–27334.
Sakkari M., Zaied M. 2020. A convolutional deep self-organizing map feature extraction for machine learning. Multimedia Tools and Applications, 79: 19451–19470.
Sikdar S., Jermaine C. 2020. MONSOON: Multi-Step Optimization and Execution of Queries with Partially Obscured Predicates. Proceedings of the 2020 ACM SIGMOD International Conference on Management of Data (SIGMOD '20): 225–240.
Sinha S., Singh T.N., Singh V.K., Verma A.K. 2010. Epoch determination for neural network by self-organized map (SOM). Computational Geosciences, 14: 199–206.
Wang C., Cheungc A., Bodik R. 2017. Synthesizing highly expressive SQL queries from input-output examples. Proceedings of the 38th ACM SIGPLAN Conf. on Programming Language Design and Implementation: 452–466.
Zhou X., Ordonez C. 2020. Matrix Multiplication with SQL Queries for Graph Analytics. 2020 IEEE International Conference on Big Data (Big Data): 5872–5873.
Просмотров аннотации: 138
Поделиться
Опубликован
Как цитировать
Выпуск
Раздел
Copyright (c) 2021 Экономика. Информатика
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
