CN105608206A - 一种面向数据广播的位置相关skyline查询处理方法 - Google Patents
一种面向数据广播的位置相关skyline查询处理方法 Download PDFInfo
- Publication number
- CN105608206A CN105608206A CN201510998927.3A CN201510998927A CN105608206A CN 105608206 A CN105608206 A CN 105608206A CN 201510998927 A CN201510998927 A CN 201510998927A CN 105608206 A CN105608206 A CN 105608206A
- Authority
- CN
- China
- Prior art keywords
- data
- loc
- mbr
- client
- list
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种面向数据广播的位置相关skyline查询处理方法。解决传统Client/Server计算模式下处理位置相关Skyline查询Server容易遭遇性能瓶颈的问题。该方法涉及到广播服务器和移动客户端,在广播服务器端,首先对多维数据对象集进行预处理,将其划分成两大类,在此基础上,提出一种新的基于分类和排序的(k,m)交错的广播数据组织模式。在移动客户端,采用过滤和提纯策略设计出节能的位置相关skyline查询算法。本发明由广播服务器负责组织数据集并通过无线广播信道向移动客户端周期性广播;移动客户端通过侦听广播信道,执行位置Skyline查询算法来响应用户提交的位置相关Skyline查询请求。
Description
技术领域
本发明属于数据库位置相关查询领域。通过在数据广播服务器端组织广播数据和在移动客户端设计相应的查询算法来高效地处理用户的位置相关skyline查询请求。
背景技术
移动通信技术的迅速发展与便携式移动设备的不断普及催生了新一代的移动计算系统。相比于基于固定网络和固定主机的分布式计算系统,移动计算系统摆脱了固定平台和线缆连接的束缚,使得用户能在移动过程中随时、随地访问所需信息。在带宽受限的移动计算系统中,数据广播是一种非常有效的数据分发技术,数据广播的“一次传送,无限共享”的特点使其能很好地满足数量众多、资源受限且运动模式多变的移动客户端对热点数据的访问需求。作为一种高效的数据分发技术,数据广播已经广泛应用于大众信息的发布上,如广播服务器通过周期性地广播交通、股票、气候等热点数据为用户提供各类实时信息。然而,在实际应用中,用户并不仅仅满足于简单地接收信息,还希望获取一些有益于决策的增值信息,例如,出租车司机希望获取的不仅是各个加油站信息,他们更想知道:哪些加油站距离他们当前位置近且油价相对较便宜。因此,将数据广播技术与位置服务技术相结合,在现有的数据广播平台上提供支持用户决策的位置相关复杂查询功能,能够为广大移动客户端提供更多、更好的增值服务,有着显著的经济效益和广泛的应用前景。
位置相关Skyline查询就是一类非常重要的位置相关复杂查询,已被广泛地应用于多目标优化、数据挖掘等相关领域。位置相关Skyline查询针对同时包含空间位置属性和非空间多维属性的数据集,具体来讲,位置相关Skyline查询是指从一个给定的包含空间位置属性和非空间多维属性的数据集S中挑选出不被S中任何数据对象位置支配的所有数据对象。如果数据对象p在非空间多维属性上支配数据对象k,并且p离查询点的距离比k离查询点的距离近,则称p位置相关支配k。数据对象p在非空间多维属性上支配数据对象k指的是p在所有非空间维上都不比k差,并且至少在某一非空间维上比k好。
现有的位置相关Skyline查询处理算法常常假定基于传统的Client/Server计算模式,即Client向Server发送位置相关Skyline查询请求,Server接收查询请求后执行相应查询处理算法获得查询结果,然后将查询结果返回给Client。在这样一种计算模式中,所有的计算任务都落在Server上,随着Client数目的增长,Server将遭遇性能瓶颈。而数据广播的“一次传送,无限共享”的特点则能很好地满足数量众多移动客户端对热点数据的访问需求。在数据广播环境下,无线广播信道充当了常规的数据磁盘的角色,然而无线广播信道的线性特性明显不同于随机存取的磁盘介质。因此,传统的Client/Server计算模式下的位置相关Skyline查询处理算法显然不能直接扩展到数据广播模式下,为此,必须针对数据广播环境的特性设计新的位置相关Skyline查询处理算法。
发明内容
本发明的目的是针对传统的Client/Server计算模式下处理位置相关Skyline查询Server容易遭遇性能瓶颈的问题,提供一种新的面向数据广播的位置相关skyline查询处理方法。
本发明提供的面向数据广播的位置相关skyline查询处理方法涉及到广播服务器和移动客户端,如图1所示:数据集由广播服务器负责组织并通过无线广播信道向移动客户端周期性地广播;移动客户端通过侦听广播信道,执行位置Skyline查询算法来响应用户提交的位置相关Skyline查询请求。
本发明提供的面向数据广播的位置相关skyline查询处理方法具体包括:
第1、服务器端(Server端)的广播信道中数据对象集的有效组织;
第1.1、在广播服务器端,首先采用现有的Skyline查询算法(如块嵌套循环算法)将待查询的多维数据对象集S划分成两部分:Skyline数据对象集S1和非Skyline数据对象集S2;然后,将S2中的数据对象按位置邻近关系进行排序(采用Hilbert曲线或Z曲线进行排序);进一步,将排序好的S2中数据对象划分成m×k个小的数据段(其中m和k通常取1到10间的整数):S2,1,S2,2,…,S2,m×k-1,S2,m×k;最后,将S1与S2,1,S2,2,…,S2,m×k-1,S2,m×k按(k,m)交错模式组织成一个广播周期,即每k个连续的S2,i+1,S2,i+2,…,S2,i+k之前插入一个完整的S1,构成一个完整的广播周期,其中,1≤i≤m×(k—1)。一个完整的广播周期中数据对象的组织如图2所示;
第1.2、将上述排列好的广播数据集进一步组织成带索引的数据段,按照数据段包含数据对象的不同,带索引的数据段被分成如下两类:确定性数据段和待定数据段,其中确定性数据段包含一个完整的数据对象集S1,而待定数据段包含数据对象集S2中m×k个小的数据段:S2,1,S2,2,…,S2,m×k-1,S2,m×k中的一个。两类数据段的具体结构如图3所示。图3中(a)、(b)分别描述了一个确定数据段和一个待定数据段的组织结构。
第1.2.1、一个确定数据段包括存储控制信息的header部分和存储数据对象集S1的数据部分,其中,header部分包括如下内容:(1)type字段:用来指示数据段的类型(type取值1代表是确定数据段,而取0则代表为待定数据段);(2)MBR(S1):包含S1中所有数据对象的最小包含矩阵;(3)size:表示数据对象的大小;(4)number:表示S1中包含的数据对象的个数;(5)(k,m):表示一个确定数据段后邻接k个连续的待确定数据段,一个广播周期中包含m个确定数据段,k和m的具体取值可由用户根据应用的需求来指定;(6)next-p:指向该广播周期中下一个确定数据段的指针。
第1.2.2、类似地,一个待定数据段也包括存储控制信息的header部分和存储非Skyline数据对象的数据部分,header部分包括如下内容:(1)type字段:用来指示数据段的类型(type取值1代表是确定数据段,而取0则代表为待定数据段);(2)MBR(S2,i):包含S2,i中所有数据对象的最小包含矩阵;(3)number:表示S2,i中包含的数据对象的个数;(4)next-p:指向该广播周期中下一个确定数据段的指针;(5)near-p:指向该广播周期中下一个待定数据段的指针;(6)D-bit:为待定数据段的每个数据对象t设定的一个位,对数据对象t,若其D-bit为1,则表示在所有待定数据段中至少存在一个数据对象支配t;
第2、客户端(Client端)的位置相关skyline查询算法:具体包括如下步骤:
第2.1、当一个Client接收到用户发起的位置相关skyline查询请求,将计数器counter设置为1并通过GPS定位系统获取Client当前位置Loc;
第2.2、Client调谐、侦听广播信道,读取广播信道中当前广播周期中的数据段,当首个确定数据段出现,Client下载该确定数据段的header信息和全部数据对象(S1)到本地缓存中,为链表Result-list分配存储空间;
第2.3、对本地缓存中的每一个数据对象t∈S1,其位置属性表示为L(t),计算Loc和L(t)间的距离,记为d(Loc,L(t)),将<t,d(Loc,L(t))>按距离d(Loc,L(t))值的升序插入链表Result-list中;
第2.4、对每一个后续的待定数据段S2,i,执行如下操作,直到counter>m×k;
第2.4.1、counter←counter+1;
第2.4.2、从广播信道中读取该待定数据段header信息到本地缓存中;
第2.4.3、若Mindist(Loc,MBR(S2,i))>Maxdist(Loc,MBR(S1)),Client切换到休眠模式(省电模式),直到下一个待定数据段到来;
其中,Mindist(Loc,MBR(S2,i))表示Client当前位置Loc到数据对象集S2,i的最小包含矩阵MBR(S2,i)的最小距离,Maxdist(Loc,MBR(S1))表示Client当前位置Loc到数据对象集S1的最小包含矩阵MBR(S1)的最大距离;
第2.4.4、若Mindist(Loc,MBR(S2,i))>Maxdist(Loc,MBR(S1))不成立,读取该待定数据段的全部数据对象(S2,i)到本地缓存中,对其中的每一个数据对象u执行位置相关支配关系检查,若数据对象u通过位置相关支配关系检查,则将<u,d(Loc,L(u))>按距离d(Loc,L(u))值的升序插入加入结果集Result-list中,不通过位置相关支配关系检查则将u从缓存中删除;
第2.5、将Result-list作为结果集返回给用户。
上述位置相关skyline查询算法中,所述Client当前位置Loc到数据对象集S2,i的最小包含矩阵MBR(S2,i)的最小距离Mindist(Loc,MBR(S2,i))的具体计算方法为:当Loc落在MBR(S2,i)内或边上时,Mindist(Loc,MBR(S2,i))=0;否则Mindist(Loc,MBR(S2,i))定义为Loc到矩形框MBR(S2,i))的最小距离。
上述位置相关skyline查询算法中,位置相关支配关系检查算法的伪代码如下:
上述位置相关支配关系检查算法中,MaintenanceList(u,Result-list)函数用来对Result-list进行维护,其伪代码描述如下:
MaintenanceList(u,Result-list)
输入:数据对象u和Result-list
输出:更新后的Result-list
(1)按距离值d(Loc,L(u))的升序将<u,d(Loc,L(u))>插入到Result-list;
(2)for每个<r,d(Loc,L(r))>∈Result-list且满足d(Loc,L(r)>d(Loc,L(u))
(3)ifu<rthen
(4)从Result-list里中删除<r,d(Loc,L(r))>。
本发明的优点和积极效果:
本发明提出的面向数据广播的位置相关skyline查询方法解决了传统Client/Server计算模式下位置相关Skyline查询方法服务器(Server)容易遭遇性能瓶颈的问题,本发明方法涉及到广播服务器和移动客户端,在广播服务器端,首先对多维数据对象集进行预处理,将其划分成两大类,在此基础上,提出了一种新的基于分类和排序的(k,m)交错的广播数据组织模式。在移动客户端,采用过滤和提纯策略设计出节能的位置相关skyline查询算法。本发明与传统Client/Server计算模式下的方法相比,具有以下优点:
1)解决了传统Client/Server计算模式下位置相关Skyline查询方法服务器(Server)容易遭遇性能瓶颈的问题。
2)提出了一种新的基于分类和排序的(k,m)交错的高效广播数据组织模式。
3)在移动客户端,采用过滤和提纯策略设计出了节能的位置相关skyline查询算法。
附图说明
图1是数据广播环境下位置相关Skyline查询处理的体系结构图;
图2是一个广播周期中数据的组织模式;
图3是数据段的组织结构示意图;其中,(a)确定数据段,(b)待定数据段;
图4是本方法中参数m对调谐时间的影响效果示意图;(a)NBA数据集,(b)学校数据集;
图5是本方法中参数k对调谐时间的影响效果示意图,(a)m=2,(b)m=6;
图6是参数k对访问延时的影响效果示意图,(a)NBA数据集,(b)学校数据集。
具体实施方式
实施例1
本发明提供一种新的面向数据广播的位置相关skyline查询处理方法,本发明方法涉及到广播服务器和移动客户端,在广播服务器端,首先对多维数据对象集进行预处理,将其划分成两大类,在此基础上,提出了一种新的基于分类和排序的(k,m)交错的广播数据组织模式。在移动客户端,采用过滤和提纯策略设计出节能的位置相关skyline查询算法。具体包括:
◆服务器端(Server端)的广播信道中数据对象集的有效组织;
——在广播服务器端,首先采用现有的Skyline查询算法(如块嵌套循环算法)将待查询的多维数据对象集S划分成两部分:Skyline数据对象集S1和非Skyline数据对象集S2;然后,将S2中的数据对象按位置邻近关系进行排序(采用Hilbert曲线或Z曲线进行排序);进一步,将排序好的S2中数据对象划分成m×k个小的数据段;最后,将S1与m×k个小的数据段按(k,m)交错模式组织。具体地,本实施例将排序好的S2中数据对象划分成4×3=12个小的数据段:S2,1,S2,2,S2,3,S2,4,S2,5,S2,6,S2,7,S2,8,S2,9,S2,10,S2,11,S2,12;然后将S1与12个小的数据段按(4,3)交错模式组织:S1,S2,1,S2,2,S2,3,S1,S2,4,S2,5,S2,6,S1,S2,7,S2,8,S2,9,S1,S2,10,S2,11,S2,12。数据段进一步被组织成确定数据段和待定数据段两大类通过引入索引header结构。
假定S表示存储在服务器上的包含空间属性的数据对象的集合,每一个数据对象t∈S,t包含有空间位置属性L(t)和非空间属性集P={p1,p2,…,pl}。我们使用符号t[pi]来表示数据对象t在第i个非空间属性上的值,d(L(t),Loc)表示t的位置L(t)到查询点的位置Loc间的距离。在上面符号表示的基础上,给出如下定义:
定义1.给定t,u∈S,我们说数据对象t支配u,记为t<u,如果有( )。
定义2.对于给定的S,S上的skyline记为S1,S1表示S中在非空间属性集P上所有不被其它数据对象支配的数据对象的集合,即
定义3.我们用符号S2表示S中去掉S1中全部数据对象后剩下数据对象的集合,即S2=S–S1。
定义4.给定S和一个给定的查询位置Loc,对于t,u∈S,如果t<u并且d(L(t),Loc)<d(L(u),Loc),则数据对象t位置相关支配u,记为t<qu,即t<qu等价于t<u∧d(L(t),Loc)<d(L(u),Loc)。
定义5.对于给定的S和一个给定的查询位置Loc,S上的位置相关skyline,记为lsk(S,Loc),定义为:
定义6.我们用符号表示S2中属于lsk(S,Loc)的对象的集合,即
我们证明了如下定理:
定理1.给定数据对象集S,对于任意的查询位置Loc,都有
证明:证明:由上述S1和lsk(S,Loc)的定义可知:进一步由的定义可知: 并且
◆客户端(Client端)的位置相关skyline查询算法
客户端侦听广播信道下载S1,对后续的待确定数据段采用过滤、提纯策略来获取。以Mindist(Loc,MBR(S2,i))>Maxdist(Loc,MBR(S1))作为过滤条件(其正确性由下面的定理2确保),对于能直接过滤掉的待确定数据段,客户端切换到休眠模式(省电模式);对于不能直接过滤掉的待确定数据段,采用下面算法描述的提纯策略来进行位置相关支配关系判定,来获取属于的数据对象,具体算法描述如下:
(1)当一个Client接收到用户发起的位置相关skyline查询请求,将计数器counter设置为1并通过GPS定位系统获取Client当前位置Loc;
(2)Client调谐、侦听广播信道,读取广播信道中当前广播周期中的数据段,当首个确定数据段出现,Client下载该确定数据段的header信息和全部数据对象(S1)到本地缓存中,同时为链表Result-list分配存储空间;
(3)对本地缓存中的每一个数据对象t∈S1,其位置属性表示为L(t),计算Loc和L(t)间的距离,记为d(Loc,L(t)),将<t,d(Loc,L(t))>按距离d(Loc,L(t))值的升序插入链表Result-list中;
(4)对每一个后续的待定数据段S2,i,执行如下操作,直到counter>m×k
(4.1)counter←counter+1;
(4.2)从广播信道中读取该待定数据段header信息到本地缓存中;
(4.3)若Mindist(Loc,MBR(S2,i))>Maxdist(Loc,MBR(S1))
(4.3.1)Client切换到休眠模式(省电模式),直到下一个待定数据段到来;其中,Mindist(Loc,MBR(S2,i))表示Client当前位置Loc到数据对象集S2,i的最小包含矩阵MBR(S2,i)的最小距离,Maxdist(Loc,MBR(S1))表示Client当前位置Loc到数据对象集S1的最小包含矩阵MBR(S1)的最大距离;
(4.4)若Mindist(Loc,MBR(S2,i))>Maxdist(Loc,MBR(S1))不成立
(4.4.1)读取该待定数据段的全部数据对象(S2,i)到本地缓存中,对其中的每一个数据对象u执行位置相关支配关系检查,若数据对象u通过位置相关支配关系检查,则将<u,d(Loc,L(u))>按距离d(Loc,L(u))值的升序插入结果集Result-list中,不通过则将u从缓存中删除;
(5)将Result-list作为结果集返回给用户;
上述位置相关skyline查询算法的过滤条件Mindist(Loc,MBR(S2,i))>Maxdist(Loc,MBR(S1))由我们证明的定理2来确保。
定理2.给定一个查询位置Loc,对于任意的待确定数据段S2,i,如果Mindist(Loc,MBR(S2,i))>Maxdist(Loc,MBR(S1)),则对任意的t∈S2,i,
证明:假定能找到u∈S2,i,u∈lsk(S,Loc)。因为,所以必定存在,r<u。由Mindist(.)和Maxdist(.)定义可知,d(Loc,L(u))≥Mindist(Loc,MBR(S2,i))并且Maxdist(Loc,MBR(S1))≥d(Loc,L(r))。又因为Mindist(Loc,MBR(S2,i))>Maxdist(Loc,MBR(S1)),由此可推出d(Loc,L(u))>d(Loc,L(r))。由位置相关支配关系的定义可知r<qu,这与u∈lsk(S,Loc)矛盾,因此假定能找到u∈S2,i,u∈lsk(S,Loc)是错误的,定理得到证明。
实施例2
【具体性能分析】:
我们将本发明方法进行性能分析,衡量数据广播环境下位置相关skyline查询方法的优劣的最关键的因素包括:查询效率和客户端能量消耗。查询效率通常用访问延时来度量,访问延时是指从用户发起位置相关skyline查询请求到客户端返回查询结果间的时间;客户端能量消耗通常用调谐时间来度量,调谐时间是客户端在执行位置相关skyline查询时侦听广播信道花费的时间。在我们的性能分析中采用的性能指标为:访问延时和调谐时间。
我们采用了两个真实的数据对象集合:学校数据集和NBA数据集。学校数据集中每一个数据对象描述一所学校,包含一个空间属性用来表示学校的位置和6个非空间属性,学校数据集可从网址www.census.gov/geo/www/tiger获得。NBA数据集存储了NBA球员的相关数据,每一个数据对象描述一名NBA球员的特性,包括13个非空间属性和一个空间属性,空间属性随机生成,该数据集从www.nba.com网址收集。主要实验参数如表1所示。
表1.实验参数
在我们的实验中,主要分析本发明采用的广播周期组织模式涉及到的(k,m)交错方式中参数k和m对客户端位置相关skyline查询方法性能的影响,即k和m对访问延时和调谐时间的影响。
图4显示m的不同取值对调谐时间的影响,可以看出对两种不同的数据集,调谐时间都随着m的增大而减小,这是因为m的增大导致了被直接过滤掉的待确定数据段数目的增大。图5显示了在(a)m=2和(b)m=6两种情况下,使用学校数据集,k的不同取值对被过滤掉的待确定数据段数目的影响。从图5可以看出,被过滤掉的待确定数据段数目随着k值的增加而增加。图6显示在m取不同值时访问延时受k值影响的情况。从图6可以看出,对于两类数据集,当m值固定时,访问延时随着k值的增长而增长。
Claims (3)
1.一种面向数据广播的位置相关skyline查询处理方法,其特征在于该方法具体包括:
第1、服务器端(Server端)的广播信道中数据对象集的有效组织;
第1.1、在广播服务器端,首先采用现有的Skyline查询算法将待查询的多维数据对象集S划分成两部分:Skyline数据对象集S1和非Skyline数据对象集S2;然后,将S2中的数据对象按位置邻近关系进行排序;进一步,将排序好的S2中数据对象划分成m×k个小的数据段:S1与S2,1,S2,2,…,S2,m×k-1,S2,m×k,其中m和k通常取1到10间的整数;最后,将S1与S2,1,S2,2,…,S2,m×k-1,S2,m×k按(k,m)交错模式组织成一个广播周期,即每k个连续的S2,i+1,S2,i+2,…,S2,i+k之前插入一个完整的S1,构成一个完整的广播周期,其中,1≤i≤m×(k—1);
第1.2、将上述排列好的广播数据集进一步组织成带索引的数据段,按照数据段包含数据对象的不同,带索引的数据段被分成如下两类:确定性数据段和待定数据段,其中确定性数据段包含一个完整的数据对象集S1,而待定数据段包含数据对象集S2中m×k个小的数据段:S2,1,S2,2,…,S2,m×k-1,S2,m×k中的一个;
第1.2.1、一个确定数据段包括存储控制信息的header部分和存储数据对象集S1的数据部分,其中,header部分包括如下内容:(1)type字段:用来指示数据段的类型,type取值1代表是确定数据段,而取0则代表为待定数据段;(2)MBR(S1):包含S1中所有数据对象的最小包含矩阵;(3)size:表示数据对象的大小;(4)number:表示S1中包含的数据对象的个数;(5)(k,m):表示一个确定数据段后邻接k个连续的待确定数据段,一个广播周期中包含m个确定数据段,k和m的具体取值由用户根据应用的需求来指定,通常取1到10间的整数;(6)next-p:指向该广播周期中下一个确定数据段的指针;
第1.2.2、类似地,一个待定数据段也包括存储控制信息的header部分和存储非Skyline数据对象的数据部分,header部分包括如下内容:(1)type字段:用来指示数据段的类型,type取值1代表是确定数据段,而取0则代表为待定数据段;(2)MBR(S2,i):包含S2,i中所有数据对象的最小包含矩阵;(3)number:表示S2,i中包含的数据对象的个数;(4)next-p:指向该广播周期中下一个确定数据段的指针;(5)near-p:指向该广播周期中下一个待定数据段的指针;(6)D-bit:为待定数据段的每个数据对象t设定的一个位,对数据对象t,若其D-bit为1,则表示在所有待定数据段中至少存在一个数据对象支配t;
第2、客户端(Client端)的位置相关skyline查询算法,具体包括如下步骤:
第2.1、当一个Client接收到用户发起的位置相关skyline查询请求,将计数器counter设置为1并通过GPS定位系统获取Client当前位置Loc;
第2.2、Client调谐、侦听广播信道,读取广播信道中当前广播周期中的数据段,当首个确定数据段出现,Client下载该确定数据段的header信息和全部数据对象(S1)到本地缓存中,为链表Result-list分配存储空间;
第2.3、对本地缓存中的每一个数据对象t∈S1,其位置属性表示为L(t),计算Loc和L(t)间的距离,记为d(Loc,L(t)),将<t,d(Loc,L(t))>按距离d(Loc,L(t))值的升序插入链表Result-list中;
第2.4、对每一个后续的待定数据段S2,i,执行如下操作,直到counter>m×k;
第2.4.1、counter←counter+1;
第2.4.2、从广播信道中读取该待定数据段header信息到本地缓存中;
第2.4.3、若Mindist(Loc,MBR(S2,i))>Maxdist(Loc,MBR(S1)),Client切换到休眠模式,直到下一个待定数据段到来;
其中,Mindist(Loc,MBR(S2,i))表示Client当前位置Loc到数据对象集S2,i的最小包含矩阵MBR(S2,i)的最小距离,Maxdist(Loc,MBR(S1))表示Client当前位置Loc到数据对象集S1的最小包含矩阵MBR(S1)的最大距离;
第2.4.4、若Mindist(Loc,MBR(S2,i))>Maxdist(Loc,MBR(S1))不成立,读取该待定数据段的全部数据对象(S2,i)到本地缓存中,对其中的每一个数据对象u执行位置相关支配关系检查,若数据对象u通过位置相关支配关系检查,则将<u,d(Loc,L(u))>按距离d(Loc,L(u))值的升序插入加入结果集Result-list中,若数据对象u不通过位置相关支配关系检查则将u从缓存中删除;
第2.5、将Result-list作为结果集返回给用户。
2.根据权利要求1所述的方法,其特征在于所述Client当前位置Loc到数据对象集S2,i的最小包含矩阵MBR(S2,i)的最小距离Mindist(Loc,MBR(S2,i))的计算方法为:当Loc落在MBR(S2,i)内或边上时,Mindist(Loc,MBR(S2,i))=0;否则Mindist(Loc,MBR(S2,i))定义为Loc到矩形框MBR(S2,i))的最小距离。
3.根据权利要求1所述的方法,其特征在于第2步所述客户端的位置相关skyline查询算法中,位置相关支配关系检查算法的伪代码如下:
上述位置相关支配关系检查算法中,MaintenanceList(u,Result-list)函数用来对Result-list进行维护,其伪代码描述如下:
MaintenanceList(u,Result-list)
输入:数据对象u和Result-list
输出:更新后的Result-list
(1)按距离值d(Loc,L(u))的升序将<u,d(Loc,L(u))>插入到Result-list;
(2)for每个<r,d(Loc,L(r))>∈Result-list且满足d(Loc,L(r)>d(Loc,L(u))
(3)ifu<rthen
(4)从Result-list里中删除<r,d(Loc,L(r))>。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510998927.3A CN105608206A (zh) | 2015-12-25 | 2015-12-25 | 一种面向数据广播的位置相关skyline查询处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510998927.3A CN105608206A (zh) | 2015-12-25 | 2015-12-25 | 一种面向数据广播的位置相关skyline查询处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105608206A true CN105608206A (zh) | 2016-05-25 |
Family
ID=55988145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510998927.3A Pending CN105608206A (zh) | 2015-12-25 | 2015-12-25 | 一种面向数据广播的位置相关skyline查询处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105608206A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106649489A (zh) * | 2016-09-28 | 2017-05-10 | 南京航空航天大学 | 一种地理文本信息数据中的连续skyline查询处理机制 |
CN106777093A (zh) * | 2016-12-14 | 2017-05-31 | 大连大学 | 基于空间时序数据流应用的Skyline查询系统 |
CN109635048A (zh) * | 2018-10-29 | 2019-04-16 | 南京航空航天大学 | 基于道路网的多移动用户动态skyline查询方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102314521A (zh) * | 2011-10-25 | 2012-01-11 | 中国人民解放军国防科学技术大学 | 一种基于云计算环境的分布并行Skyline查询方法 |
CN104735166A (zh) * | 2015-04-13 | 2015-06-24 | 李金忠 | 基于MapReduce和多目标模拟退火的Skyline服务选择方法 |
CN105005584A (zh) * | 2015-06-17 | 2015-10-28 | 南京航空航天大学 | 一种多子空间Skyline查询计算方法 |
-
2015
- 2015-12-25 CN CN201510998927.3A patent/CN105608206A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102314521A (zh) * | 2011-10-25 | 2012-01-11 | 中国人民解放军国防科学技术大学 | 一种基于云计算环境的分布并行Skyline查询方法 |
CN104735166A (zh) * | 2015-04-13 | 2015-06-24 | 李金忠 | 基于MapReduce和多目标模拟退火的Skyline服务选择方法 |
CN105005584A (zh) * | 2015-06-17 | 2015-10-28 | 南京航空航天大学 | 一种多子空间Skyline查询计算方法 |
Non-Patent Citations (2)
Title |
---|
Y XIAO等: ""Efficient Location-Dependent Skyline Queries in Wireless Broadcast Environments"", 《WEB TECHNOLOGIES AND APPLICATIONS: 17TH ASIA-PACIFIC WEB CONFERENCE》 * |
程荣峰等: ""数据广播环境下基于数据共享的位置相关skyline查询"", 《计算机工程与科学》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106649489A (zh) * | 2016-09-28 | 2017-05-10 | 南京航空航天大学 | 一种地理文本信息数据中的连续skyline查询处理机制 |
CN106649489B (zh) * | 2016-09-28 | 2020-06-09 | 南京航空航天大学 | 一种地理文本信息数据中的连续skyline查询处理机制 |
CN106777093A (zh) * | 2016-12-14 | 2017-05-31 | 大连大学 | 基于空间时序数据流应用的Skyline查询系统 |
CN109635048A (zh) * | 2018-10-29 | 2019-04-16 | 南京航空航天大学 | 基于道路网的多移动用户动态skyline查询方法 |
CN109635048B (zh) * | 2018-10-29 | 2021-03-09 | 南京航空航天大学 | 基于道路网的多移动用户动态skyline查询方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | A trajectory clustering approach based on decision graph and data field for detecting hotspots | |
CN109558450B (zh) | 一种基于分布式架构的汽车远程监控方法和装置 | |
CN103473230A (zh) | 服务范围确定方法、物流服务提供方推荐方法及相应装置 | |
Elmongui et al. | Continuous aggregate nearest neighbor queries | |
CN104063376A (zh) | 多维度分组运算方法及系统 | |
CN101916294A (zh) | 一种利用语义分析实现精确搜索的方法 | |
CN103955814B (zh) | 计算机中基于数据立方体的物流智能交易数据处理方法 | |
Zhang et al. | Augmented keyword search on spatial entity databases | |
CN103970747A (zh) | 网络侧计算机对搜索结果进行排序的数据处理方法 | |
KR20070108616A (ko) | 경계관찰질의를 이용한 데이터 스트림 처리 방법 | |
Li et al. | Sampling big trajectory data | |
CN105608206A (zh) | 一种面向数据广播的位置相关skyline查询处理方法 | |
CN103853838A (zh) | 一种数据处理方法和装置 | |
Xuan et al. | Constrained range search query processing on road networks | |
Liu et al. | Top-k competitive location selection over moving objects | |
Park et al. | A hierarchical grid index (HGI), spatial queries in wireless data broadcasting | |
CN103559209A (zh) | 一种Voronoi Diagram与虚拟网格结合的高效空间最近邻查询方法 | |
Qian et al. | Detecting taxi trajectory anomaly based on spatio-temporal relations | |
Hui et al. | Hotspots identification and classification of dockless bicycle sharing service under electric fence circumstances | |
Huang et al. | Efficient evaluation of continuous spatio-temporal queries on moving objects with uncertain velocity | |
Ding et al. | Efficient maintenance of continuous queries for trajectories | |
Chandio et al. | An approach for map-matching strategy of GPS-trajectories based on the locality of road networks | |
Park | A hierarchical binary quadtree index for spatial queries | |
Avasthi et al. | Prediction of mobile user behavior using clustering | |
Bok et al. | An efficient continuous k-nearest neighbor query processing scheme for multimedia data sharing and transmission in location based services |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160525 |