在##$%中!由于数据的划分和数据操作的多进程化!每个数据操作进程可能具有多个输入数据流!而且每个操作进程的输出数据流可能需要分解为多个数据流来为其它操作进程提供输入数据流"因此!除了查询运行器以外!##$%方法还需要两个新的数据操作-合并(./01/)和分解(23456)操作"前者将多个输入数据流合并为一个输出数据流,后者将一个输入数据流分解为多个输出数据流"合并和分解操作的算法不是唯一的!与数据划分策略有关"把合并和分解操作与数据操作进程相结合!就可以使用##$%方法利用现有的顺序数据操作算法实现查
询的并行处理7897&9
"下面以图8中:;<语句为例!说明如何用##$%方法实现查询的并行处理"设关系%已分解为三个子集合%=>%8和
%&
!存放在三个不同的磁盘上,关系?已分解为两个子集合?=和?8!
存放在两个不同的磁盘上,关系@已分解为三个子集合@=>@8和@&!存放在三个不同的磁盘上"查询运行器为%上的:@%+操作建立三个:@%+进程!记作:@%+8>:@%+&和:@%+A,为?上的:@%+操作建立两个:@%+进程!记作:@%+B和:@%+C,为D*E+操作建立三个D*E+进程!
记作D*E+8>D*E+&和D*E+A,为E+:FGH操作建立三个E+:FGH进程!记作E+:FGH8>E+:FGH&和E+:FGHA"给定查询的基于数据划分的并行数据流图如图&所示"
万
方数据为了保证数据流正确地在各个进程之间流动!需要在每个:@%+进程的输出端连接一个分解操作!在每个D*E+进程的
输入端连接一个合并操作!在每个D*E+进程的输出端连接一
个分解操作!在每个E+FGH进程的输入端连接一个合并操作"关系%的:@%+进程输出端所连的分解操作的功能是将:@%+的输出按D*E+操作的数据划分要求分解为三个数据流!分别送到三个D*E+进程的第一输入端所连的合并操作"关系?的:@%+进程输出端所连的分解操作的功能是将:@%+的输出按D*E+操作的数据划分要求分解为三个数据流!分别送到三个D*E+进行的第二输入端所连的合并操作"D*E+进程输出端所连的分解操作的功能是将D*E+的输出按关系@的划分策略分解为三个数据流!分别送到三个E+:FGH进程输入端所连的合并操作"若查询运行器为每个数据操作进程和相应的
分解与合并操作分配一个处理结点!按照图&所示的并行数据流图执行给定的数据库查询!则可实现操作E+:FGH和D*E+>D*E+和两个:@%+之间的流水线并行运行以及两个:@%+间的独立并行运行!也可实现E+:FGH>D*E+和:@%+本身的并行运行"
参考文献
789(美)%I0JKJ.:54I/02LKJ6M
等著!扬冬青等译!数据库系统概念7N9!北京-机械工业出版社!&==&’&7&9黄铠等著!陆鑫达等译!可扩展并行计算技术>结构与编程7N9!北京-机械工业出版社!&===’C7A9(美)#J605LO*P+/54等著!周傲英等译!数据库原理>编程与性能7N9!北京-机械工业出版社!&==&’87B9李学才等著!计算机系统结构7N9!西安-西安电子科技大学出版社!8QQ8’R7C9白中英等著!计算机组成原理7N9
!北京-科学出版社!8QSS’T
U8CU
并行数据库的查询处理技术概况
并行数据库的查询处理技术
作者：
作者单位：刊名：英文刊名：年，卷(期)：被引用次数：
潘志安武汉大学
科技信息（学术版）
SCIENCE & TECHNOLOGY INFORMATION2006，""(6)0次
参考文献(5条)
1.Abraham Silberschatz.扬冬青 数据库系统概念 20022.黄铠.徐志伟 可扩展并行计算技术、结构与编程 20003.Patrick O'Neil.周傲英 数据库原理、编程与性能 20024.李学干 计算机系统结构 19915.白中英 计算机组成原理 1988
相似文献(10条)
1.期刊论文 许新华.谌颃.李春.XU Xin-hua.CHEN Hang.LI Chun 并行数据库的语义查询优化研究:基于Agent -西南师范大学学报（自然科学版）2007,32(4)
并行数据库技术中的查询处理及优化方法,都各有优劣;作者提出了一种基于Multi-Agent技术的语义查询模型(SQMAS),并以此模型为基础建立了一种基于Agent的并行数据库语义查询方法;同时为了保证系统组内、组间Agent之间的高效通信,采用了树型拓扑结构(TTMAS)的通信模型,系统内各Agent使用通信原语高效通信、协作,且满足Agent间的通信路由最优,从而保证了SQMAS的查询效率.
2.学位论文 许新华 基于Agent的并行数据库查询优化 2006
本文针对并行数据库的查询优化处理领域，提出了一种基于Multi-Agent技术的语义查询模型(SQMAS)，并以此模型为基础建立了一种基于Agent的并行数据库语义查询方法，同时为了保证系统组内、组间Agent之间的高效通信，建立了树型拓扑结构(TTMAS)的通信模型，系统内各Agent使用通信原语高效通信、协作，从而在并行数据库技术的查询优化领域做出了有益的探索和贡献。
语义查询优化方法不是简单摒弃传统的查询优化方法，而是采用Multi-Agent技术自动查找与给定查询有关的完整性约束条件，然后，修改给定的查询为更有效的等价查询，使得多个关系间连接操作的效率得到很大的提高，从而达到查询所期望达到的减少连接操作、缩短查询时间的优化效果，实现了基于Agent的语义查询优化。
SQMAS查询模型基于多Agent技术，结构组成中包括查询监测组(QueryDetectGroup)、内核组(KernelGroup)、知识库组和规则集组(KDB&RuleSetGroup)、输出组(ExportGroup)、系统级命名服务Agent(NameServer-Agent)、辅助通信Agent(AssCommu-Agent，含组内通信门户GGA，系统通信门户MASGA)等功能组和系统Agent；另外，为了保证查找效率，设计了一个基于“黑板”模型的树型拓扑通信模型TTMAS，使用通信原语实现了SQMAS系统组内Agent以及不同组间Agent的单播、多播、选播、广播通信，且满足Agent间的通信路由最优，从而保证了SQMAS的查询效率。
3.会议论文 玄萍.李建中.李金宝.张兆功 并行数据库多连接查询的新优化算法 2004
在基于机群系统的并行数据库中，多连接查询优化是一个重要的研究内容。本文提出了基于遗传算法的并行优化算法BGA，在估算查询执行计划的代价时，考虑了资源的分配信息和网络的通信代价。在资源的分配过程中，充分利用了数据的物理存储分布信息，减小了额外的通信开销。实验结果表明，算法较大地提高了机群系统中多连接查询优化的效率，对提高并行数据库性能起到重要作用。