CN105404634B - 基于Key-Value数据块的数据管理方法及系统 - Google Patents
基于Key-Value数据块的数据管理方法及系统 Download PDFInfo
- Publication number
- CN105404634B CN105404634B CN201410470434.8A CN201410470434A CN105404634B CN 105404634 B CN105404634 B CN 105404634B CN 201410470434 A CN201410470434 A CN 201410470434A CN 105404634 B CN105404634 B CN 105404634B
- Authority
- CN
- China
- Prior art keywords
- data
- data block
- key
- value
- block
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000003860 storage Methods 0.000 claims abstract description 56
- 230000008447 perception Effects 0.000 claims abstract description 43
- 238000004220 aggregation Methods 0.000 claims abstract description 26
- 230000002776 aggregation Effects 0.000 claims abstract description 26
- 238000013479 data entry Methods 0.000 claims description 40
- 238000007726 management method Methods 0.000 claims description 16
- 238000013499 data model Methods 0.000 claims description 14
- 238000013523 data management Methods 0.000 claims description 6
- 238000013500 data storage Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提出一种基于Key‑Value数据块的数据管理方法及系统。根据感知数据具有的属性选取数据聚集的维度,将具有共性即具有同一属性维度的感知数据进行聚类,并将其集中存储在同一数据块中,将选取的数据聚集维度作为数据块对应的属性信息;数据块内部的数据采用Key‑Value数据格式存储和管理;数据块的存储位置及其对应的属性信息采用关系型数据库进行存储和管理。本发明以实现在较少数量计算机情况下就能够对海量物联网感知数据进行高效读写,并可根据业务规模方便地进行扩展。
Description
技术领域
本发明涉及物联网、数据库和云计算技术领域,具体涉及一种基于Key-Value数据块的数据管理方法及系统。
背景技术
物联网在智慧城市、智能交通、工业监测、食品溯源等各领域都有着广泛的应用,近年来得到了迅速的发展。物联网通过射频识别、红外感应器、全球定位系统、激光扫描器、气体感应器等信息传感设备,按约定的协议,把任何物品与网络连接起来,进行信息交换和通讯,以实现智能化识别、定位、跟踪、监控和管理的一种网络。
物联网的一个特点是对各种感知技术的广泛应用。物联网上部署了多种类型传感器,每个传感器都是一个信息源。传感器按一定的频率周期采集环境信息,不断更新数据。物联网采集的感知数据具有如下特点:
数据具有结构化特征,并且数据类型比较简单;数据总量非常大,呈现出海量特征,数据条目数量常常超过数十亿条,存储量常常达到TB以上级别;生成的数据具有时间属性,数据生成速度快,并发量高,对数据的存储要求比较高;数据变化部分主要为传感器数据,数据条目间存在大量重复属性信息;数据往往是“一次存储,多次应用”,数据存储后常常不再修改,但是在数据应用时需要经常查询数据,对数据的查询要求比较高,数据并发量高。如何对这些数据进行高效的存储、管理和检索,从中获取有用的信息,进而提供智能决策,是物联网面临的关键问题之一。
关系型数据库经过几十年的发展,已经成为一个成熟的数据管理和分析技术,是存储管理结构化数据的最有效手段。它是建立在关系型数据库模型基础上的数据库,其借助于集合代数等概念和方法来处理数据库中的数据,同时也是一个被组织成一组拥有正式描述性的表格,该形式的表格作用的实质是装载着数据项的特殊收集体,这些表格中的数据能以许多不同的方式被存取或重新召集而不需要重新组织数据库表格。结构化查询语言SQL是访问关系型数据库的标准接口,大量使用多表连接操作,通用性强。随着数据规模的扩大,关系型数据库可以采用分区技术进行扩充,表由多个物理文件组成,当单个节点的能力抵达上限时,就得通过多服务器节点来分发负载。这时关系型数据库的复杂性就开始影响其潜在的扩展规模了。分布式中的单点故障问题、跨节点多表格间连接操作的支持等都存在极大困难。由于关系型数据库追求的是高度一致性、正确性,系统扩展的代价较高,因此在面对海量数据处理时遇到了瓶颈。
随着互联网web2.0网站的兴起,非关系型的数据库成了一个极其热门的新领域,非关系数据库产品的发展非常迅速。NoSQL是非关系型数据存储的广义定义,数据存储不需要固定的表结构,通常也不存在连接操作,采用Key-Value数据模型(根据给定的Key值,查找对应的Value值),在超大型数据存取上具备关系型数据库无法比拟的性能优势,如Google的BigTable与Amazon的Dynamo等。这类数据库通过降低一致性约束来提高数据的存储规模和查询效率,并且大大降低了系统水平扩展的复杂性,但是却无法满足针对海量数据的结构化复杂查询和统计,需要分布式服务器集群,机器数量庞大,维护费用(场地、能源)高。
简而言之,面对海量的物联网感知数据,关系型数据库读写效率低,扩展复杂,技术要求高;以NoSQL为代表的非关系型数据库虽然通过降低一致性约束提高了效率,但是处理海量数据时成百上千甚至上万的计算机规模,对很多应用而言投入过重,并且不支持结构化复杂查询。因此亟需一种扩展方便、规模适中的海量数据存储和查询的方法和系统。
发明内容
本发明提出一种基于Key-Value数据块的数据管理方法及系统,以实现在较少数量计算机情况下就能够对海量物联网感知数据进行高效读写,并可根据业务规模方便地进行扩展。
为了解决上述技术问题,本发明提供一种基于Key-Value数据块的数据管理方法,根据感知数据具有的属性选取数据聚集的维度,将具有共性即具有同一属性维度的感知数据进行聚类,并将其集中存储在同一数据块中,将选取的数据聚集维度作为数据块对应的属性信息;数据块内部的数据采用Key-Value数据格式存储和管理;数据块的存储位置及其对应的属性信息采用关系型数据库进行存储和管理。
具体而言,本发明基于Key-Value数据块的数据管理方法包括以下步骤:
步骤一、从感知数据描述的属性中选取数据聚集的维度,一般选取查询频度较高或者取值重复性较高的属性作为数据聚集的维度;
步骤二、根据选取的数据聚集的维度组建数据分块规则,所述数据分块规则用于指示数据聚集的维度与存储该数据的数据块的对应关系,反映了数据分块条件与数据块之间的对应关系,将选取的数据聚集维度作为数据块对应的属性信息;
步骤三、根据数据分块规则以及数据块与数据块键值之间的对应关系,获取数据分块规则与数据块键值的对应关系以及数据块的存储位置,所述数据块的存储位置是用于指示数据块所存储的计算机节点以及节点中的包括路径和名称等在内的信息;
步骤四、根据感知数据分块规则在关系型数据库中查找对应的数据块键值,如果查询结果中不存在与所述感知数据分块规则对应的数据条目,则将数据块的存储位置及其对应的属性信息组织成一条数据条目添加到关系型数据库中进行存储和管理;
步骤五、将感知数据条目按照所述对应的数据聚集的维度和数据块的存储位置添加存储到对应的数据块中,所述数据块内的感知数据条目采用Key-Value数据模型,Key值采用感知数据条目的键值,Value值为感知数据的属性,所述Key值的数据结构具体可以为R树、B+树、B树或自定义的方法;
步骤六、建立新添加感知数据条目的数据块内索引,所述数据块内索引采用Key-Value数据模型,Key值为所述数据块内索引所对应的字段,Value值为感知数据条目的键值,所述Key值的数据结构具体可以为R树、B+树、B树或自定义的方法。
本发明还提供一种基于Key-Value数据块的数据管理系统,所述系统包括:
数据分块规则获取模块,所述数据分块规则用于指示数据聚集的维度,反映了数据分块条件与数据块之间的对应关系;
数据分块规则与数据块键值对应关系建立模块,其根据数据分块规则和数据块与数据块键值之间的对应关系,建立数据分块规则与数据块键值之间的对应关系;
数据块键值与存储位置关系建立模块,其根据数据块键值和数据块存储位置,建立数据块键值与其存储位置之间的对应关系;
Key-Value数据模型建立模块,根据数据条目在数据块内的键值建立数据条目的Key-Value数据模型;
数据块索引建立模块,其根据查询的属性建立数据条目的数据块索引。
需要说明的是,本发明并不限定数据存储在单一计算机环境还是多计算机环境,实际上本发明既适用于单计算机环境也适用于多计算机环境,数据块的存储位置和属性管理可以是单点方式、主从方式或分布式方式等现有的关系型数据库支持的方式,数据块管理可以是单点方式、主从方式、分布式方式或云存储等现有的Key-Value数据库支持的方式。
本发明与现有技术相比,其显著优点在于:(1)将具有共性的数据聚集成块,通过降低一致性约束来对块内数据进行管理,从而大大提高了块内数据的读写效率;(2)对数据块的存储位置和属性管理采用关系型数据库,聚集后的数据块的数量比感知数据的数量在数据规模上大大减小,查询速度可以大幅提升,同时采用关系型数据库进行管理,可以达到数据块级别的一致性和可靠性,并且数据块间的查询可以采用复杂的结构化查询,通用性强;(3)本发明融合了关系型数据库和NoSQL数据库的优点,支持海量数据规模,数据块内高效,数据块间可靠,且扩展性好;(4)通过本发明,数据库使用者可以动态的选取分块规则对数据进行聚类和重新聚类,实现数据的灵活管理,同时大幅提升数据库的查询效率和扩展性;(5)本发明并不限定数据的存储是在单一计算机环境中还是在多计算机环境中,本发明既适用于单计算机环境,也适用于多计算机环境。
附图说明
图1为本发明基于Key-Value数据块的数据管理方法流程框图。
图2为本发明基于Key-Value数据块的数据管理系统结构框图。
具体实施方式
物联网采集的感知数据一般包含传感器采集的传感器数据和用于描述属性的数据。本发明将感知数据按照属性维度进行聚类,将同一属性维度的感知数据存储在同一数据块中,将选取的数据聚集维度作为数据块对应的属性信息,数据块内部数据的管理采用Key-Value数据模型,数据块的存储位置及其对应的属性信息采用关系型数据库进行管理,从而能够支持海量数据规模,实现数据块内高效,数据块间可靠,且扩展性好。
如图1所示本发明流程框图,本发明基于Key-Value数据块的数据管理方法包括以下基本步骤:
步骤101,从感知数据描述的属性中选取数据聚集的维度。在物联网应用中各种传感器按一定的频率周期性的采集环境信息,不断更新数据,这些数据从某些维度看存在大量重复的属性。按照本具体实施方式,所述数据聚集的维度可以按照物联网感知数据聚集的特点以及查询的频率进行选取,即把经常查询的字段或者重复性高的字段作为数据聚集的维度。例如在电力设备检测中,在设备节点和线路上部署有温度传感器,用于定期采集温度数据,并存储在数据库中。采集的温度数据如表1所示,包括采集的数据包括Time(时间)、Region(区域)、DeviceID(设备号)、Temp(温度)、Status(状态),其中Status表示的数值包括NORMAL(正常)和WARNNING(告警)两种;Time包括Date(日期)和DayTime(时刻)两部分。数据中ID为数据条目的唯一键值,即唯一标识一条数据。
ID | Date | Time | Region | DeviceID | Temp | Status |
1 | Date1 | Time1 | Region1 | Device1 | Temp1 | NORMAL |
2 | Date1 | Time2 | Region1 | Device1 | Temp2 | NORMAL |
3 | Date1 | Time3 | Region1 | Device1 | Temp3 | WARNNING |
4 | Date2 | Time4 | Region2 | Device2 | Temp4 | NORMAL |
5 | Date2 | Time5 | Region2 | Device3 | Temp5 | NORMAL |
… | … | … | … | … | … | … |
表1
大量的温度数据记录具有相同的Region、DeviveID、Status,是数据聚集的维度,同时也是数据分析时常用的查询维度。时间也是数据查询时一个常用的维度,因此,可以选取Region、DeviveID、Status以及Time中Date部分作为数据聚集的维度对数据进行分块,本具体实时方式一个具体的数据聚集的维度为:Region=Region1,DeviveID=Devive1,Status=NORMAL,Date=Date1。
步骤102,根据选取的数据聚集的维度组建数据分块规则,即获取数据聚集的维度与数据块之间的对应关系,在关系型数据库中建立数据分块的规则表。表2给出了数据分块规则与维度之间对应关系的映射表。一个或多个维度的组合对应一个数据分块规则。在本具体实施方式中,维度组合中的每个维度的取值都选取某一固定的值(如Date=Date1)。而根据本领域的普通技术人员理解,对应规则的维度的取值实际上也可以是一个取值区间(如Date≥Date1且Date≤Date2)。
表2
步骤103,根据数据分块规则以及数据块与数据块键值之间的对应关系,获取数据分块规则与数据块键值的对应关系以及数据块的存储位置。所述对应关系可以被记录在对应关系表中。表3给出了数据分块规则与数据块键值的对应关系表。所述数据块键值标识对应的数据块,从而通过数据块键值将数据分块规则与相关的数据块及其位置相对应。一个数据块键值唯一确定一个数据块位置信息。在本具体实施方式中,一个分块规则仅对应一个数据块键值,一个数据块键值也仅与一个分块规则对应。而根据本领域的普通技术人员理解,为了实现数据存储的可靠性和数据查询的并行性,实际上也可以采用冗余策略,由多个数据块键值对应一个分块规则,这些数据块中存储相同的数据内容。数据块在多台计算机中的存储位置需要结合具体的业务,并根据数据量、数据块数目、数据并发等因素采用合适的负载均衡策略。在本具体实施方式中,本发明仅选取平均分布数据块的策略,即将所有数据块平均分布在多台计算机中。
规则 | 块节点 | 块键值 |
R1 | NODE1 | 1001 |
R2 | NODE1 | 1002 |
R3 | NODE2 | 1003 |
… | … | … |
表3
作为本发明的另一种具体实施方式,也可以将数据分块规则表和块键值对应关系表合并为一个表,即在数据分块规则表中增加相关的数据块键值和块节点两列字段。表4给出了合并后的规则及键值对应表。
表4
块节点用于标识数据块所在的计算机节点信息,可以采用计算机的域名或者IP地址。块键值可以采用一个随机数,或者一个根据维度值计算的Hash(哈希)值,或者直接由多个维度值组成,但是都必须满足键值的唯一性。根据本领域的普通技术人员理解,块节点和块键值是标识数据块及其位置信息的一种字段组合,实际上也可以是其它的标识数据块唯一性和存储位置的字段组合。
步骤104中,根据感知数据分块规则在关系型数据库中查找对应的数据块键值,如果查询结果中不存在与所述感知数据分块规则对应的数据条目,则将数据块的存储位置及其对应的属性信息组织成一条数据条目添加到关系型数据库中进行存储和管理。按照数据分块的条件制定查询语句,在数据分块规则表中查询与该条目相匹配的分块规则,再从数据分块规则和键值对应关系表中查询是否存在可与其匹配的数据块的数目和存储位置信息,如果没有与其匹配的数据块,则102和103建立相对应的分块规则及键值对应关系,并将数据块的存储位置及其对应的属性信息组织成一条数据条目添加到关系型数据库中进行存储和管理;如果有与其匹配的数据块,则直接获取与其匹配的数据块信息;
在步骤105中,将感知数据条目按照所述对应的数据聚集的维度和数据块的存储位置添加存储到对应的数据块中,所述数据块内的感知数据条目采用Key-Value数据模型,Key值采用感知数据条目的键值,Value值为感知数据的属性。,所述Key值的数据结构具体可以为R树、B+树、B树或自定义的方法。本具体实施方式中采用B+Tree数据结构存储,选取数据条目中的ID作为Key,其它属性作为Value。数据存储在叶子节点上,非叶子节点作为叶子节点的索引,提高数据查找效率。叶子节点采用一个有序的链表,每次查找都会到达叶子节点才会结束。表5-1、5-2、5-3给出了表1中数据条目在三个数据块中的分布情况。
ID | Time | Temp | 块键值 |
1 | Time1 | Temp1 | 1001 |
2 | Time2 | Temp2 | 1001 |
… | … | … | … |
表5-1数据块1001中数据
ID | Time | Temp | 块键值 |
3 | Time3 | Temp3 | 1002 |
… | … | … | … |
表5-2数据块1002中数据
ID | Time | Temp | 块键值 |
4 | Time4 | Temp4 | 1003 |
5 | Time5 | Temp5 | 1003 |
… | … | … | … |
表5-3数据块1003中数据
步骤106中,建立新添加感知数据条目的数据块内索引,所述数据块内索引采用Key-Value数据模型,Key值为所述数据块内索引所对应的字段,Value值为感知数据条目的键值,所述Key值的数据结构具体可以为R树、B+树、B树或自定义的方法。。本具体实施方式中采用B+Tree数据结构存储,Key值是待查询的字段或复合字段,Value是数据块内条目的ID。这样基于属性查询时只需查询一次属性索引树取出块内ID,再查询块内ID索引树取出数据条目的其它属性信息。
图2是本发明基于Key-Value数据块的数据管理系统的结构框图。基于Key-Value数据块的数据管理系统包括数据分块规则获取模块201,数据分块规则与数据块键值对应关系建立模块202,数据块键值与存储位置关系建立模块203,数据条目的Key-Value数据模型建立模块204,数据条目的数据块索引建立模块205。具体而言:
数据分块规则模块201用于获取数据分块规则,所述数据分块规则的结构可以参见上述表2。数据分块规则模块201可以从手动输入模块获取人为制定的数据聚集的维度,用于生成数据分块规则。
数据分块规则与数据块键值对应关系建立模块202用于建立数据分块规则与数据块键值之间的对应关系。
数据块键值与存储位置关系建立模块203用于建立数据块键值与数据块实际存储位置的对应关系。所述数据分块规则和数据块键值及存储位置存储在关系型数据库206中。
数据条目的Key-Value数据模型建立模块204用于根据数据条目的ID值将数据条目存储到数据文件207(Key-Value数据块以数据文件形式存储)中并对应Key-Value数据块。
数据条目的数据块索引建立模块205用于根据条目属性建立块内索引。所存储的数据块中的数据条目如表6所示。
ID | Date | Time | Region | DeviceID | Temp | Status |
1 | Date1 | Time1 | Region1 | Device1 | Temp1 | NORMAL |
表6
本发明针对感知数据“一次存储,多次应用”以及数据条目间存在大量重复信息的特点,从数据属性中提取数据聚集的维度,将具有共性的数据聚类存储在同一数据块中,数据块存储的位置和相关属性信息采用关系型数据库进行存储和管理,数据块内的数据采用Key-Value数据模型存储和管理。相比于关系型数据库,将共性的数据聚集,降低一致性约束,大大提高了块内数据的读写效率,同时只对数据块的位置和属性进行管理,数据规模大大减小,查询速度大幅提升。本发明支持海量数据规模,数据块内高效,数据块间可靠,数据分块灵活,大幅提升数据库的查询效率和扩展性。
Claims (4)
1.基于Key-Value数据块的数据管理方法,其特征在于,根据感知数据具有的属性选取数据聚集的维度,将具有同一属性维度的感知数据进行聚类并集中存储在同一数据块中,将选取的数据聚集维度作为数据块对应的属性信息;数据块内部的数据采用Key-Value数据格式存储和管理;数据块的存储位置及其对应的属性信息采用关系型数据库进行存储和管理;具体为以下步骤:
步骤一、从感知数据描述的属性中选取数据聚集的维度;
步骤二、根据选取的数据聚集的维度组建数据分块规则,所述数据分块规则用于指示数据聚集的维度与存储该数据的数据块的对应关系,将选取的数据聚集维度作为数据块对应的属性信息;
步骤三、根据数据分块规则以及数据块与数据块键值之间的对应关系,获取数据分块规则与数据块键值的对应关系以及数据块的存储位置,所述数据块的存储位置用于指示数据块所存储的计算机节点以及节点中的路径和名称信息;
步骤四、根据感知数据分块规则在关系型数据库中查找对应的数据块键值,如果不存在与所述感知数据分块规则对应的数据条目,则将数据块的存储位置及其对应的属性信息组织成一条数据条目添加到关系型数据库中进行存储和管理;
步骤五、将感知数据条目按照对应的数据聚集维度和数据块的存储位置添加存储到对应的数据块中,所述数据块内的感知数据条目采用Key-Value数据模型,Key值为感知数据条目的键值,Value值为感知数据的属性;
步骤六、建立新添加感知数据条目的数据块内索引,所述数据块内索引采用Key-Value数据模型,Key值为所述数据块内索引所对应的字段,Value值为感知数据条目的键值。
2.如权利要求1所述的基于Key-Value数据块的数据管理方法,其特征在于,步骤五中,所述Key值的数据结构为R树、B+树、B树中的任意一种。
3.如权利要求1所述的基于Key-Value数据块的数据管理方法,其特征在于,步骤六中,所述Key值的数据结构为R树、B+树、B树中的任意一种。
4.基于Key-Value数据块的数据管理系统,其特征在于,包括以下模块:
数据分块规则获取模块,所述数据分块规则用于指示数据聚集的维度;
数据分块规则与数据块键值对应关系建立模块,其根据数据分块规则和数据块与数据块键值之间的对应关系,建立数据分块规则与数据块键值之间的对应关系;
数据块键值与存储位置关系建立模块,其根据数据块键值和数据块存储位置,建立数据块键值与其存储位置之间的对应关系;
Key-Value数据模型建立模块,根据数据条目在数据块内的键值建立数据条目的Key-Value数据模型;
数据块索引建立模块,其根据查询的属性建立数据条目的数据块索引。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410470434.8A CN105404634B (zh) | 2014-09-15 | 2014-09-15 | 基于Key-Value数据块的数据管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410470434.8A CN105404634B (zh) | 2014-09-15 | 2014-09-15 | 基于Key-Value数据块的数据管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105404634A CN105404634A (zh) | 2016-03-16 |
CN105404634B true CN105404634B (zh) | 2019-02-22 |
Family
ID=55470124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410470434.8A Expired - Fee Related CN105404634B (zh) | 2014-09-15 | 2014-09-15 | 基于Key-Value数据块的数据管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105404634B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301183B (zh) * | 2016-04-14 | 2020-02-18 | 杭州海康威视数字技术股份有限公司 | 一种文件存储方法及装置 |
CN106407303A (zh) * | 2016-08-30 | 2017-02-15 | 北京深思数盾科技股份有限公司 | 数据存储、查询方法及装置 |
US10073888B1 (en) * | 2017-02-27 | 2018-09-11 | Timescacle, Inc. | Adjusting partitioning policies of a database system in view of storage reconfiguration |
CN107169075A (zh) * | 2017-05-10 | 2017-09-15 | 深圳大普微电子科技有限公司 | 基于特征分析的数据存取方法、存储设备及存储系统 |
CN107329983B (zh) * | 2017-06-01 | 2020-12-01 | 昆仑智汇数据科技(北京)有限公司 | 一种机器数据分布式存储、读取方法及系统 |
CN107633056B (zh) * | 2017-09-19 | 2020-12-22 | 威胜信息技术股份有限公司 | 用于用电信息采集终端的数据管理方法 |
CN111488340B (zh) * | 2019-01-29 | 2023-09-12 | 菜鸟智能物流控股有限公司 | 数据处理方法、装置及电子设备 |
CN111506574A (zh) * | 2020-03-19 | 2020-08-07 | 平安国际智慧城市科技股份有限公司 | 基于r树的污染物溯源方法、装置及其相关设备 |
CN111597198A (zh) * | 2020-04-01 | 2020-08-28 | 北京邮电大学 | 一种对于异构资源接入的物联网数据查询方法及相关设备 |
CN112202742B (zh) * | 2020-09-23 | 2022-01-11 | 航天云网数据研究院(广东)有限公司 | 基于5g网络的轧机设备的数据处理方法及相关设备 |
CN112632147B (zh) * | 2020-12-11 | 2023-10-24 | 邦彦技术股份有限公司 | 数据差异化比较方法、系统和存储介质 |
CN113721862B (zh) * | 2021-11-02 | 2022-02-08 | 腾讯科技(深圳)有限公司 | 数据处理方法及装置 |
CN115061952B (zh) * | 2022-08-19 | 2022-12-27 | 飞狐信息技术(天津)有限公司 | 一种数据缓存方法、装置、电子设备、及计算机存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101167048A (zh) * | 2004-11-30 | 2008-04-23 | 科格洛斯公司 | 多维企业软件系统内的可聚集维度信息的生成 |
CN102663114A (zh) * | 2012-04-17 | 2012-09-12 | 中国人民大学 | 面向并发olap的数据库查询处理方法 |
CN102890721A (zh) * | 2012-10-16 | 2013-01-23 | 苏州迈科网络安全技术股份有限公司 | 基于列存储技术的数据库建立方法及系统 |
CN102982103A (zh) * | 2012-11-06 | 2013-03-20 | 东南大学 | 一种olap海量多维数据维存储方法 |
CN103294831A (zh) * | 2013-06-27 | 2013-09-11 | 中国人民大学 | 列存储数据库中基于多维数组的分组聚集计算方法 |
CN103699696A (zh) * | 2014-01-13 | 2014-04-02 | 中国人民大学 | 一种云计算环境下的数据在线聚集方法 |
CN103955502A (zh) * | 2014-04-24 | 2014-07-30 | 科技谷(厦门)信息技术有限公司 | 一种可视化olap的应用实现方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7181450B2 (en) * | 2002-12-18 | 2007-02-20 | International Business Machines Corporation | Method, system, and program for use of metadata to create multidimensional cubes in a relational database |
-
2014
- 2014-09-15 CN CN201410470434.8A patent/CN105404634B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101167048A (zh) * | 2004-11-30 | 2008-04-23 | 科格洛斯公司 | 多维企业软件系统内的可聚集维度信息的生成 |
CN102663114A (zh) * | 2012-04-17 | 2012-09-12 | 中国人民大学 | 面向并发olap的数据库查询处理方法 |
CN102890721A (zh) * | 2012-10-16 | 2013-01-23 | 苏州迈科网络安全技术股份有限公司 | 基于列存储技术的数据库建立方法及系统 |
CN102982103A (zh) * | 2012-11-06 | 2013-03-20 | 东南大学 | 一种olap海量多维数据维存储方法 |
CN103294831A (zh) * | 2013-06-27 | 2013-09-11 | 中国人民大学 | 列存储数据库中基于多维数组的分组聚集计算方法 |
CN103699696A (zh) * | 2014-01-13 | 2014-04-02 | 中国人民大学 | 一种云计算环境下的数据在线聚集方法 |
CN103955502A (zh) * | 2014-04-24 | 2014-07-30 | 科技谷(厦门)信息技术有限公司 | 一种可视化olap的应用实现方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105404634A (zh) | 2016-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105404634B (zh) | 基于Key-Value数据块的数据管理方法及系统 | |
CN105488043B (zh) | 基于Key-Value数据块的数据查询方法及系统 | |
Davoudian et al. | A survey on NoSQL stores | |
US10102268B1 (en) | Efficient index for low latency search of large graphs | |
Mami et al. | A survey of view selection methods | |
CN106933833B (zh) | 一种基于空间索引技术的位置信息快速查询方法 | |
CN104102710A (zh) | 一种海量数据查询方法 | |
CN106528787B (zh) | 一种基于海量数据多维分析的查询方法及装置 | |
US8745021B2 (en) | Transformation of complex data source result sets to normalized sets for manipulation and presentation | |
CN107451225A (zh) | 用于半结构化数据的可缩放分析平台 | |
CN106407303A (zh) | 数据存储、查询方法及装置 | |
CN103177094B (zh) | 一种物联网数据清洗方法 | |
CN105117442B (zh) | 一种基于概率的大数据查询方法 | |
CN103823846A (zh) | 一种基于图论的大数据存储及查询方法 | |
CN103631922A (zh) | 基于Hadoop集群的大规模Web信息提取方法及系统 | |
CN103455531A (zh) | 一种支持高维数据实时有偏查询的并行索引方法 | |
CN103617199A (zh) | 一种操作数据的方法和系统 | |
Cheng et al. | Scale-out processing of large RDF datasets | |
Liang et al. | Mid-model design used in model transition and data migration between relational databases and nosql databases | |
Kumar et al. | M-Grid: a distributed framework for multidimensional indexing and querying of location based data | |
CN110109948A (zh) | 数据查询方法、计算机设备及计算机可读存储介质 | |
Banane et al. | RDF data management systems based on NoSQL Databases: a comparative study | |
US20230004538A1 (en) | Database gateway with machine learning model | |
Petricioli et al. | The challenges of nosql data warehousing | |
Li et al. | MR‐tree: an efficient index for MapReduce |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190222 |
|
CF01 | Termination of patent right due to non-payment of annual fee |