本文探讨了一种自适应的RDF图分段和分配策略，以反映查询工作负载的特性，同时确保数据完整性和近似比。研究中提出了基于局部模式的碎片化策略，通过挖掘频繁访问模式（FAP），实现垂直、水平和混合分段。分段后，采用亲和度度量来优化碎片分配，减少跨站点连接，提高查询性能。此外，文章还介绍了如何维护FAP树以适应工作负载变化，并提出推送跨片段连接优化方法，降低查询评估成本。
本文由学者Peng Peng，Lei Zou，Lei Chen和Dongyan Zhao于2019.4在《IEEE Transactions on Knowledge and Data Engineering》联合发表
原文下载链接文末自取
在《Query Workload-based RDF Graph Fragmentation and Allocation》中研究了分段和分配策略，本文自适应地维护频繁访问模式（FAP）反映工作负载的特征，同时确保数据完整性和近似比。由于评估SPARQL查询有较强局部性的子图（同态）匹配，提出了基于局部模式的碎片化策略，首先，在查询工作负载中挖掘和选择频繁子图模式(频繁访问模式FAPs)，然后提出三种分段策略：垂直，水平和混合分段，满足不同类型的查询处理目标的同时划分RDF图。分段后，再在平衡碎片的同时将碎片分配到各个站点。
分段和分配
工作重点是RDF存储库的“数据碎片和分配”，而提议的碎片是基于挖掘的频繁模式。通过利用分布式关系数据库设计的经验，分开分布式设计，更好处理问题。
分段：
分配：给定碎片F，然后在不同的站点间分配碎片。 
给定RDF图G，查询工作负载Q和由站点S组成的分布式系统，目标是首先将G分解为碎片F，然后找到F到S的分配A。大多数SPARQL查询都使用一些频繁的RDF属性，所有属性分为以下两类：
在不同站点之间划分具有频繁属性的边，可提高查询性能。收集RDF图中所有不频繁边形成冷图。任何现有方法均用于冷图，但此研究仅在评估SPARQL查询时才使用冷图，如图为系统架构：
离线阶段：在工作负载中挖掘和选择一些FAP。 还要维护和更新选定的FAP集，适应工作量的变化。 然后，基于选择FAP，提出三
最低0.47元/天 解锁文章
538
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
