图解数据库skyline查询

假设一个数据库存储每个酒店的以下信息：它的价格（夜间价格）、离海滩的距离。用户希望检索“最佳”酒店，如何比较两个酒店的质量呢？

                        

a 比 b好吗？是的，a 酒店比 b 酒店更便宜，而且离海滩更近，我们说 a 支配 b。 a 是不是比 i好呢？它们是不可比的。一些用户可能更喜欢 a（因为它离海滩更近），而另一些用户可能更喜欢 i（因为它更便宜）。skyline 包含了所有不受其它酒店支配的酒店。skyline = {a,i,k}，而非 skyline 酒店在大多数情况下不会被用户考虑。

skyline 查询算法用到了两个重要的性质：

   1）支配传递性：如果 p1 支配 p2，p2 支配 p3，那么我们就有 p1 支配 p3。

   2）如果一个点不能支配另一个点，那么反之亦然。

1. Block Nested Loop (BNL) 

   这个是最基本的查询算法，通过暴力搜索，判断每个酒店是否有被其他酒店支配，平方时间复杂度。

2. Sort First Skyline (SFS)

   SFS是一种改进的BNL。首先根据（单调）偏好函数对整个数据集按某个维度进行排序。然后按 BNL 算法计算。

3. SCAN 扫描算法

   顺序扫描表格，扫描过程中维护可能成为 skyline 点的列表，假设内存允许在 List 中最多保留 3 个条目。

   首先初始化 List，即将 a 加入 List, List = {a}，接下来顺序扫描表格中的其它点，做如下两个判断：

       a. 当前扫描到的点是否被 List 内的点所支配，如果没有被支配则执行步骤 b；否则将该点舍弃，然后扫描下一个点。

       b. 当前扫描到的点是否支配 List 内的点，如果是则删除 List 内所有被当前点支配的点，然后执行步骤 c。

       c. 判断 List 内的元素是否达到元素上限，如果没有，则将该点加入 List，否则将该点写入磁盘，并对当前 List 内的点做标记，只有第一次溢出时做标记，表示当前了 List 内的点和磁盘上的点互不支配。 

   以上面酒店为例，它的 SACN 扫描算法过程如下：

   1）因为 a 支配 b，所以丢弃 b，被舍弃的点不会成为 skyline 点，如果 b 会支配其它的点，那么这个点必然也被 a 支配。

   2）因为 c 不被 List 里面的点支配，也不支配 List 里的点，所以 c 加入 List, List = {a,c}。

   4）因为 d 不被 List 里面的点支配，也不支配 List 里的点，所以 d 加入 List, List = {a,c,d}。

   5）因为 a 支配 e，所以丢弃 e。

   6）f 应该加入 List，但 List 已经满了，所以将 f 写入磁盘文件，并标记所有当时在 List中的点 List = {a′,c′,d′}, File = {f}。(这里说一下为什么d和f不相互支配呢？因为我们共有3个指标，距离最小、价格最低、距离又短价格又低，对于第三个要同时满足2个条件才可以，而d和f这两个并不能同时满足）

   7）因为 g 支配 List 里面的 d，所以用 g 替换 d, List = {a′,c′,g}, File = {f}，g 是没有标记的。

   8）因为 h 支配 List 中的 c,g，所以用 h 替换 c,g,List = {a′,h}, File = {f}

       ....

   9）因为 i支配 h，所以用 i 替换 h, List = {a′,i}, File = {f}

   10）List = {a′,i,k}, File = {f}

   11）l,m,n 均被舍弃。

   12）List 中有标记的点就是 skyline 点，然后还要针对 file 再做一遍 SCAN。

   13）结果 S={a,i,k}。

4. Divide and Conquer (D&C)

   把点分成几组，使得每组的数据都能够放进内存。分别处理这些组，然后合并它们的结果。s3 内的点直接成为 skyline，s4 内的点直接舍去，因为它们显然会被 s3 内的点支配，然后用 s3内的点来消除 s1 和 s4 中的非 skyline 点。

       

 

5. Nearest Neighbor (NN)

   通过 R 树的 NN 算法来找 Skyline 点。

   首先找到数据空间中距离原点最近的一个点，一般来说，任何距离指标都可以。这样我们就可以找到点 i，这个点必然是一个 skyline 点。

   对于点 i，我们不需要考虑阴影区域4中的那些点。区域 1 也不需要考虑。事实上，在这个地区是没有意义的。区域 2 和区域 3必须进一步探索。

        

 

在区域 3 中执行相同的操作，即找距离原点最近的点，这样就可以找到点 a，如下图，同样地，我们只需要关心区域 3.2 和 3.3。

      

   在区域 2 中搜索离原点最近的点，可以找到 k 点。

        

这个算法会经过 3 次有效的 NN 查询和 4 次空查询。一般来说，如果 skyline 有 s 个点，那么 NN 执行 s 次有用的 NN 查询和s+1 次空查询。

    

6. Branch and Bound Skyline (BBS)

   基于best-first NN算法实现。首先建立 R 树。

             

   从根节点开始，算法过程如下：（图中<e7,4>表示N7这个矩形框的左下角坐标到原点的曼哈顿距离（多谢@颜凌巍的解答））

       

        

       

     

   已经找到的 skyline 需要用来淘汰内存中排序的那些点。