CN108153911B - 数据的分布式云存储方法 - Google Patents

数据的分布式云存储方法 Download PDF

Info

Publication number
CN108153911B
CN108153911B CN201810067276.XA CN201810067276A CN108153911B CN 108153911 B CN108153911 B CN 108153911B CN 201810067276 A CN201810067276 A CN 201810067276A CN 108153911 B CN108153911 B CN 108153911B
Authority
CN
China
Prior art keywords
data
cao
row
key
column
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.)
Active
Application number
CN201810067276.XA
Other languages
English (en)
Other versions
CN108153911A (zh
Inventor
黎英
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangxi Normal University
Original Assignee
Guangxi Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangxi Normal University filed Critical Guangxi Normal University
Priority to CN201810067276.XA priority Critical patent/CN108153911B/zh
Publication of CN108153911A publication Critical patent/CN108153911A/zh
Application granted granted Critical
Publication of CN108153911B publication Critical patent/CN108153911B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/258—Data format conversion from or to a database
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases

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)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种数据的分布式云存储方法，包括：分析数据；若为嵌套型数据，则将每层数据中的每个内嵌对象作为O，以及该内嵌对象紧邻着的上一层的属性A和属性A所在内嵌对象的关键分量C，由此将每层数据中的每个内嵌对象生成一个CAO数据；或若为关系型数据，则将数据表的每一行数据作为O，以及该行数据所在数据表的表名称A和与该行数据所在数据表中的外键所在列名及列值构成C，由此将每一行数据生成一个CAO数据；C+A+O中的主关键字作为键，O中除了主关键字之外的其余数据作为值，将各CAO数据转换成一个键值对，并对键值对集进行分布式云存储。本发明具有可以将嵌套型数据和关系型数据分散存储于多个分布式云存储电脑中有益效果。

Description

数据的分布式云存储方法
技术领域
本发明涉及分布式云存储领域。更具体地说，本发明涉及一种数据的分布式云存储方法。
背景技术
现有云数据模型包括键-值模型和云关系模型。使用键-值模型的云数据库包括BigTable，SimpleDB，PNUTS，HBase， Amazon DynamoDB，HugeTable，MongoDB，CouchDB等。使用云关系模型的云数据库包括Amazon relational database service，GaianDB，SQLAzure等。云关系模型在逻辑上还是关系模型，但是其物理存储方法发生了变化。它使用行组和表组在云端存储数据以便并行地处理数据并提高连接效率。云关系模型的优点包括：数据结构简单，容易实现分布存；提供关系代数和查询语言，能够实现复杂查询；SQL语言简单易学，一般用户容易使用。缺点包括：在云端实现连接操作代价昂贵且难以实现；数据库难以扩展，容量受到限制；要连接的表需要放到同一数据节点，增加人工干预成本。键-值模型是一种存储模型，其中一条记录作为一个值，没有数据结构；一个键是该值的索引。使用键-值模型的数据库更像是一个文件系统。键-值模型的优点包括：数据无结构，容易实现分布式存储和并行处理；通过键作为索引访问作为值的记录，容易获得高访问性能和良好扩张性。缺点包括：不能表现结构化数据，应用领域受限；不提供查询代数和查询语言，无法实现复杂查询；数据解析需要通过编程序来处理，没有编程经验的用户难以使用。由于大量关系数据需要存储在云端以便在线读写、分析和挖掘，因此需要一种具有高数据访问性能、良好扩展性、良好易用性及查询能力强的云数据库来处理关系数据和其他结构化数据。
发明内容
本发明的一个目的是解决至少上述问题，并提供至少后面将说明的优点。
本发明还有一个目的是提供一种数据的分布式云存储方法，可以实现将嵌套型数据和关系型数据分散存储于多个分布式云存储电脑中，避免同一个嵌套型数据或关系型数据只能存储在同一台支存储电脑中，提高数据的存储效率及查询效率。
为了实现根据本发明的这些目的和其它优点，提供了一种数据的分布式云存储方法，其特征在于，包括：
分析待存储的数据为嵌套型数据还是关系型数据；
若为嵌套型数据，则将包含上下层级关系的树形数据表中的每一层数据中的每一个内嵌对象O作为一个数据集，且该数据集中还包括该内嵌对象的紧邻着的上一层的属性A和属性A所在内嵌对象中的关键分量C，其中所述关键分量是指作为所在内嵌对象中的主关键字的数据分量，由此将每一层数据中的每一个内嵌对象生成一个CAO数据，最终所述嵌套型数据生成了包含多个CAO数据在内的CAO数据集；或
若为关系型数据，则将数据表中的每一行数据O作为一个数据集，且该数据集中还包括该行数据所在的数据表的表名称A和与该行数据所在的数据表中的外键所在列名及列值构成C，其中所述外键为该行数据所在的数据表紧邻着的上一级主表的主关键字，由此将每一行数据生成一个CAO数据，最终所述关系型数据生成了包含多个CAO数据在内的CAO数据集；
将各CAO数据按照C+A+O中的主关键字作为键，O中除了主关键字之外的其余数据作为值的规则，来将各CAO数据转换成一个键值对，由此将所述CAO数据集转换成包含多个键值对的键值对集；
对所述键值对集进行分布式云存储。
优选的是，若为关系型数据，则：
根据主关键字和外键的关系确定多个数据表之间的层次，主关键字所在的数据表为上层，外键所在的数据表为下层，最上层的数据表为顶层表；
所有数据表的列名称为本层属性，数据表名称为该数据表的上层属性，最上层的数据表名称为该关系型数据的顶层属性。
优选的是，关系型数据形成CAO数据的具体方法为：除了顶层表之外，其余每个数据表都是从表，都有通过主关键字和外键进行关联的主表，从表的一行对应主表的一行，主表的一行的主关键字及其值构成C，从表的表名构成A，从表的一行中每个列分别形成“列名”：“列值”，从表同一行所形成的所有的“列名”：“列值”构成一个O，如此构成的CAO数据是该从表该行对应的CAO数据，该从表所有的行形成的CAO数据形成该从表的CAO数据集。
优选的是，关系型数据中顶层表形成CAO数据的具体方法为：
顶层表的表名构成A，C均设定为“ID”：“999”，顶层表的一行中每个列分别形成“列名”：“列值”，顶层表同一行所形成的所有的“列名”：“列值”构成一个O，如此构成的CAO数据是该顶层表该行对应的CAO数据，该顶层表所有的行形成的CAO数据形成该顶层表的CAO数据集。
本发明至少包括以下有益效果：
第一、可以实现将嵌套型数据和关系型数据分散存储于多个分布式云存储电脑中，避免同一个嵌套型数据或关系型数据只能存储在同一台支存储电脑中，提高数据的存储效率查询效率；
第二、将嵌套型数据转化为多个非嵌套型数据，数据单元大幅度缩小，数据无结构且自表达，容易实现分布式存储和并行处理，可以提高存储效率及查询效率，同时由于每个CAO数据中的C、A、以及O分别来源于紧邻着的上下层级关系的相关联的数据，因此又可以很好的表达出嵌套型数据之间的嵌套关系
第三、将关系型数据转化为多个非嵌套型数据，数据转换成无结构的自表达数据，能够提高存储效率及查询效率；并且转换之后，数据单元较小，容易实现分布式存储和并行处理，同时由于每个CAO数据中的C、A、以及O分别来源于数据表以及该数据表紧邻着的的上一级主表的主关键字，因此又可以很好的表达出关系型数据之间的数据表与主表之间关系
第四、将各CAO数据按照C+A+O中的主关键字作为键，O中除了主关键字之外的其余数据作为值的规则，来将各CAO数据转换成一个键值对，由此将所述CAO数据集转换成包含多个键值对的键值对集；通过键作为索引访问作为值的记录，容易获得高访问性能和良好扩张性，可以分别存储在不同的分布式云存储电脑中。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
具体实施方式
下面结合实施例对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
本发明提供一种数据的分布式云存储方法，包括：
分析待存储的数据为嵌套型数据还是关系型数据；
若为嵌套型数据，则将包含上下层级关系的树形数据表中的每一层数据中的每一个内嵌对象O作为一个数据集，且该数据集中还包括该内嵌对象的紧邻着的上一层的属性A和属性A所在内嵌对象中的关键分量C，其中所述关键分量是指作为所在内嵌对象中的主关键字的数据分量，由此将每一层数据中的每一个内嵌对象生成一个CAO数据，最终所述嵌套型数据生成了包含多个CAO数据在内的CAO数据集；从而将嵌套型数据转化为多个非嵌套型数据，数据无结构，容易实现分布式存储和并行处理，同时由于每个CAO数据中的C、A、以及O分别来源于紧邻着的上下层级关系的三层数据之间的相关联的数据，因此又可以很好的表达出嵌套型数据之间的嵌套关系；或
若为关系型数据，则将数据表中的每一行数据O作为一个数据集，且该数据集中还包括该行数据所在的数据表的表名称A和与该行数据所在的数据表中的外键所在列名及列值构成C，其中所述外键为该行数据所在的数据表紧邻着的上一级主表的主关键字，由此将每一行数据生成一个CAO数据，最终所述关系型数据生成了包含多个CAO数据在内的CAO数据集；从而将关系型数据转化为多个非嵌套型数据，容易实现分布式存储和并行处理，同时由于每个CAO数据中的C、A、以及O分别来源于数据表以及该数据表紧邻着的的上一级主表的主关键字，因此又可以很好的表达出关系型数据之间的数据表与主表之间关系；
将各CAO数据按照C+A+O中的主关键字作为键，O中除了主关键字之外的其余数据作为值的规则，来将各CAO数据转换成一个键值对，由此将所述CAO数据集转换成包含多个键值对的键值对集；通过键作为索引访问作为值的记录，容易获得高访问性能和良好扩张性，可以分别存储在不同的分布式云存储电脑中；
对所述键值对集进行分布式云存储。
在上述技术方案中，不管是嵌套型数据，还是关系型数据，均可以转化为CAO数据集，从而将嵌套型数据和关系型数据转化为多个非嵌套型数据，数据自表达、无结构且存储单元小，容易实现分布式存储和并行处理，可以提高存储效率及查询效率，同时由于每个CAO数据中的C、A、以及O来源于紧邻着的上下层级关系的相关联的数据，或者来源于数据表以及该数据表紧邻着的的上一级主表的主关键字，因此又可以很好的表达出嵌套型数据之间的嵌套关系、关系型数据之间的数据表与主表之间关系，即又可以表示出数据的结构，再通过键作为索引访问作为值的记录，最终实现对嵌套型数据和关系型数据进行分布式云存储，可以分别存储在不同的分布式云存储电脑中。
在另一种技术方案中，若为关系型数据，则：
根据主关键字和外键的关系确定多个数据表之间的层次，主关键字所在的数据表为上层，外键所在的数据表为下层，最上层的数据表为顶层表；
所有数据表的列名称为本层属性，数据表名称为该数据表的上层属性，最上层的数据表名称为该关系型数据的顶层属性。
在另一种技术方案中，关系型数据形成CAO数据的具体方法为：除了顶层表之外，其余每个数据表都是从表，都有通过主关键字和外键进行关联的主表，从表的一行对应主表的一行，主表的一行的主关键字及其值构成C，从表的表名构成A，从表的一行中每个列分别形成“列名”：“列值”，从表同一行所形成的所有的“列名”：“列值”构成一个O，如此构成的CAO数据是该从表该行对应的CAO数据，该从表所有的行形成的CAO数据形成该从表的CAO数据集。
在另一种技术方案中，关系型数据中顶层表形成CAO数据的具体方法为：
顶层表的表名构成A，C均设定为“ID”：“999”，顶层表的一行中每个列分别形成“列名”：“列值”，顶层表同一行所形成的所有的“列名”：“列值”构成一个O，如此构成的CAO数据是该顶层表该行对应的CAO数据，该顶层表所有的行形成的CAO数据形成该顶层表的CAO数据集。
<实施例1>
若一个嵌套型数据的嵌套类型为：{“ID”，“作家”：{“作家编码”，“姓名”，“性别”，“籍贯”，“著作”：{“著作编码”，“著作名称”，“出版时间”}}}；
则该嵌套类型数据包括顶层{“ID”，“作家”}、第一层{“作家编码”，“姓名”，“性别”，“籍贯”，“著作”}、以及第二层{“著作编码”，“著作名称”，“出版时间”}；
上述嵌套型数据的分布式云存储方法具体为：
第一层为{“作家”}的内嵌对象，因此第一层的上层属性为｛“作家”｝、对应的关键分量为的｛“ID”｝，第二层为{“著作”}的内嵌对象，因此第二层的上层属性为“著作”、对应的主关键字为“作家编码”；
由此可以形成两种CAO数据的类型，即{“ID”，“作家”，“作家编码”，“姓名”，“性别”，“籍贯”}和{“作家编码”，“著作”，“著作编码”，“著作名称”，“出版时间”}；
若上述嵌套型数据对应的具体的“属性：值”有两组：
第一组为：{“ID”：“999”，“作家”：[{“作家编码”：“0001”，“姓名”：“AAA”，“性别”：“男”，“籍贯”：“BBB”，“著作”：[{“著作编码”：“001”，“著作名称”：“CCC”，“出版时间”：“2001”},{“著作编码”：“002”，“著作名称”：“DDD”，“出版时间”：“2009”}]｝]}；
第二组为：{“ID”：“999”，“作家”：[｛“作家编码”：“0002”，“姓名”：“EEE”，“性别”：“男”，“籍贯”：“FFF”，“著作”：[{“著作编码”：“003”， “著作名称”：“GGG”，“出版时间”：“2005”},{“著作编码”：“004”， “著作名称”：“HHH”，“出版时间”：“1993”}]}]}；
将第一组和第二组的值映射到两种CAO数据的类型中，得到六个CAO数据：
第一个CAO数据为{“ID”：“999”，“作家”，“作家编码”：“0001”，“姓名”：“AAA”，“性别”：“男”，“籍贯”：“BBB”}，其中，C为｛“ID”：“999”｝，A为｛“作家”｝，O为｛“作家编码”：“0001”，“姓名”：“AAA”，“性别”：“男”，“籍贯”：“BBB”｝；
第二个CAO数据为{“ID”：“999”，“作家”，“作家编码”：“0002”，“姓名”：“EEE”，“性别”：“男”，“籍贯”：“FFF”｝，其中，C为｛“ID”：“999”｝，A为｛“作家”｝，O为｛“作家编码”：“0002”，“姓名”：“EEE”，“性别”：“男”，“籍贯”：“FFF”｝；
第三个CAO数据为{“作家编码”：“0001”，“著作”，“著作编码”：“001”，“著作名称”：“CCC”，“出版时间”：“2001”}，其中，C为｛“作家编码”：“0001”｝，A为｛“著作”｝，O为｛“著作编码”：“001”，“著作名称”：“CCC”，“出版时间”：“2001”｝；
第四个CAO数据为{“作家编码”：“0001”，“著作”，“著作编码”：“002”，“著作名称”：“DDD”，“出版时间”：“2009”}，其中，C为｛“作家编码”：“0001”｝，A为｛“著作”｝，O为｛“著作编码”：“002”，“著作名称”：“DDD”，“出版时间”：“2009”｝；
第五个CAO数据为{“作家编码”：“0002”，“著作”，“著作编码”：“003”，“著作名称”：“GGG”，“出版时间”：“2005”}，其中，C为｛“作家编码”：“0002”｝，A为｛“著作”｝，O为{“作家编码”：“0002”，“著作编码”：“003”，“著作名称”：“GGG”，“出版时间”：“2005”}；
第六个CAO数据为{“作家编码”：“0002”，“著作”，“著作编码”：“004”，“著作名称”：“HHH”，“出版时间”：“1993”}，其中，C为｛“作家编码”：“0002”｝，A为｛“著作”｝，O为｛“著作编码”：“004”，“著作名称”：“HHH”，“出版时间”：“1993”｝；
上述六个CAO数据按照C+A作为键，O作为值形成六个键值对，从而形成六个存储单元；
将上述六个存储单元储存于不大于六个分布式云存储电脑。
<实施例2>
若一个关系型数据包括作家表和著作表，具体为：
作家表：
Figure 163006DEST_PATH_IMAGE002
著作表：
Figure 689933DEST_PATH_IMAGE004
上述关系型数据的分布式云存储方法具体为：
作家编码为作家表的主键、为著作表的外键，著作编码为著作表的主键，因此作家表为主表，著作表为从表，由于只有两个表，因此作家表也是顶层表；
顶层表的表名为｛“作家”｝构成A，C均设定为｛“ID”：“999”｝，顶层表的第一行中每个列分别形成｛“作家编码”：“0001”，“姓名”：“AAA”，“性别”：“男”，“籍贯”：“BBB”｝，第二行中每个列分别形成｛“作家编码”：“0001”，“姓名”：“AAA”，“性别”：“男”，“籍贯”：“BBB”｝，从而形成两个CAO数据；
从表的表名为“著作”构成A，
从表的第一行对应的主表的主键名称及其值为｛“作家编码”：“0001”｝构成C，从表的第一行中每个列分别形成｛“著作编码”：“001”， “著作名称”：“CCC”，“发表时间”：“2001”｝；
从表的第二行对应的主表的主键名称及其值为｛“作家编码”：“0001”｝构成C，从表的第二行中每个列分别形成｛“著作编码”：“002”， “著作名称”：“DDD”，“发表时间”：“2009”｝；
从表的第三行对应的主表的主键名称及其值为｛“作家编码”：“0002”｝构成C，从表的第三行中每个列分别形成｛“著作编码”：“003”， “著作名称”：“GGG”，“发表时间”：“2005”｝；
从表的第四行对应的主表的主键名称及其值为｛“作家编码”：“0002”｝构成C，从表的第四行中每个列分别形成｛“著作编码”：“004”， “著作名称”：“HHH”，“发表时间”：“1993”｝；
从而形成4个CAO数据；
由此将上述关系型数据生成六个CAO数据；
将上述六个CAO数据按照C+A作为键，O作为值形成六个键值对，从而形成六个存储单元；
将上述六个存储单元储存于不大于六个分布式云存储电脑。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的实施例。

Claims (4)

1.数据的分布式云存储方法，其特征在于，包括：
分析待存储的数据为嵌套型数据还是关系型数据；
若为嵌套型数据，则将包含上下层级关系的树形数据表中的每一层数据中的每一个内嵌对象O作为一个数据集，且该数据集中还包括该内嵌对象的紧邻着的上一层的属性A和属性A所在内嵌对象中的关键分量C，其中所述关键分量是指作为所在内嵌对象中的主关键字的数据分量，由此将每一层数据中的每一个内嵌对象生成一个CAO数据，最终所述嵌套型数据生成了包含多个CAO数据在内的CAO数据集；或
若为关系型数据，则将数据表中的每一行数据O作为一个数据集，且该数据集中还包括该行数据所在的数据表的表名称A和与该行数据所在的数据表中的外键所在的列名及列值构成C，其中所述外键为该行数据所在的数据表紧邻着的上一级主表的主关键字，由此将每一行数据生成一个CAO数据，最终所述关系型数据生成了包含多个CAO数据在内的CAO数据集；
将各CAO数据按照C+A+O中的主关键字作为键，O中除了主关键字之外的其余数据作为值的规则，来将各CAO数据转换成一个键值对，由此将所述CAO数据集转换成包含多个键值对的键值对集；
对所述键值对集进行分布式云存储。
2.如权利要求1所述的数据的分布式云存储方法，其特征在于，若为关系型数据，则：
根据主关键字和外键的关系确定多个数据表之间的层次，主关键字所在的数据表为上层，外键所在的数据表为下层，最上层的数据表为顶层表；
所有数据表的列名称为本层属性，数据表名称为该数据表的上层属性，最上层的数据表名称为该关系型数据的顶层属性。
3.如权利要求2所述的数据的分布式云存储方法，其特征在于，关系型数据形成CAO数据的具体方法为：除了顶层表之外，其余每个数据表都是从表，都有通过主关键字和外键进行关联的主表，从表的一行对应主表的一行，主表的一行的主关键字及其值构成C，从表的表名构成A，从表的一行中每个列分别形成“列名”：“列值”，从表同一行所形成的所有的“列名”：“列值”构成一个O，如此构成的CAO数据是该从表该行对应的CAO数据，该从表所有的行形成的CAO数据形成该从表的CAO数据集。
4.如权利要求3所述的数据的分布式云存储方法，其特征在于，关系型数据中顶层表形成CAO数据的具体方法为：
顶层表的表名构成A，C均设定为“ID”：“999”，顶层表的一行中每个列分别形成“列名”：“列值”，顶层表同一行所形成的所有的“列名”：“列值”构成一个O，如此构成的CAO数据是该顶层表该行对应的CAO数据，该顶层表所有的行形成的CAO数据形成该顶层表的CAO数据集。
CN201810067276.XA 2018-01-24 2018-01-24 数据的分布式云存储方法 Active CN108153911B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810067276.XA CN108153911B (zh) 2018-01-24 2018-01-24 数据的分布式云存储方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810067276.XA CN108153911B (zh) 2018-01-24 2018-01-24 数据的分布式云存储方法

Publications (2)

Publication Number Publication Date
CN108153911A CN108153911A (zh) 2018-06-12
CN108153911B true CN108153911B (zh) 2022-07-19

Family

ID=62458900

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810067276.XA Active CN108153911B (zh) 2018-01-24 2018-01-24 数据的分布式云存储方法

Country Status (1)

Country Link
CN (1) CN108153911B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112506439B (zh) * 2020-12-16 2023-05-23 平安银行股份有限公司 高维数据的存储方法、装置、电子设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103412897A (zh) * 2013-07-25 2013-11-27 中国科学院软件研究所 一种基于分布式结构的并行数据处理方法
CN104142958A (zh) * 2013-05-10 2014-11-12 华为技术有限公司 一种键值对系统中数据的存储方法和相关装置
CN104268280A (zh) * 2014-10-17 2015-01-07 中国人民解放军国防科学技术大学 一种基于键值数据库的层次化存储与查询方法
CN104750809A (zh) * 2015-03-26 2015-07-01 中国科学院软件研究所 一种支持关系模型和键-值结构的混合数据存储方法
CN106126543A (zh) * 2016-06-15 2016-11-16 清华大学 一种关系型数据库到MongoDB的模型转换和数据迁移方法
CN106844510A (zh) * 2016-12-28 2017-06-13 北京五八信息技术有限公司 一种分布式数据库集群的数据迁移方法和装置
CN107273506A (zh) * 2017-06-19 2017-10-20 西安电子科技大学 一种数据库多表联合查询的方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8214355B2 (en) * 2010-02-09 2012-07-03 Yahoo! Inc. Small table: multitenancy for lots of small tables on a cloud database
CN102867070A (zh) * 2012-09-29 2013-01-09 瑞庭网络技术（上海）有限公司 更新key-value分布式存储系统缓存的方法
CN104346377B (zh) * 2013-07-31 2017-08-08 克拉玛依红有软件有限责任公司 一种基于唯一标识的数据集成和交换方法
CN103530327B (zh) * 2013-09-25 2016-08-17 清华大学深圳研究生院 一种从非关系型数据库到关系型数据库的数据迁移方法
US11256746B2 (en) * 2016-04-25 2022-02-22 Oracle International Corporation Hash-based efficient secondary indexing for graph data stored in non-relational data stores
CN107066551B (zh) * 2017-03-23 2020-04-03 中国科学院计算技术研究所 一种树状数据的行式和列式存储方法及系统
CN107169033B (zh) * 2017-04-17 2020-03-31 东北大学 基于数据模式转换和并行框架的关系数据查询优化方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104142958A (zh) * 2013-05-10 2014-11-12 华为技术有限公司 一种键值对系统中数据的存储方法和相关装置
CN103412897A (zh) * 2013-07-25 2013-11-27 中国科学院软件研究所 一种基于分布式结构的并行数据处理方法
CN104268280A (zh) * 2014-10-17 2015-01-07 中国人民解放军国防科学技术大学 一种基于键值数据库的层次化存储与查询方法
CN104750809A (zh) * 2015-03-26 2015-07-01 中国科学院软件研究所 一种支持关系模型和键-值结构的混合数据存储方法
CN106126543A (zh) * 2016-06-15 2016-11-16 清华大学 一种关系型数据库到MongoDB的模型转换和数据迁移方法
CN106844510A (zh) * 2016-12-28 2017-06-13 北京五八信息技术有限公司 一种分布式数据库集群的数据迁移方法和装置
CN107273506A (zh) * 2017-06-19 2017-10-20 西安电子科技大学 一种数据库多表联合查询的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
A two-layer cloud database model and its bidirectional conversion algorithms;yingli 等;《2016 7th IEEE International Conference on Software Engineering and Service Science (ICSESS)》;20170323;289-294 *

Also Published As

Publication number Publication date
CN108153911A (zh) 2018-06-12

Similar Documents

Publication Publication Date Title
Padhy et al. RDBMS to NoSQL: reviewing some next-generation non-relational database’s
CN107480198B (zh) 一种分布式NewSQL数据库系统和全文检索方法
Pokorny NoSQL databases: a step to database scalability in web environment
US10733172B2 (en) Method and computing device for minimizing accesses to data storage in conjunction with maintaining a B-tree
Khan et al. SQL Database with physical database tuning technique and NoSQL graph database comparisons
CN101673307A (zh) 空间数据索引方法及系统
US10534797B2 (en) Synchronized updates across multiple database partitions
Srivastava et al. Analysis of various NoSql database
Zhao et al. Multiple nested schema of HBase for migration from SQL
Jayathilake et al. A study into the capabilities of NoSQL databases in handling a highly heterogeneous tree
Huang et al. R-HBase: A multi-dimensional indexing framework for cloud computing environment
CN108153911B (zh) 数据的分布式云存储方法
CN107273443B (zh) 一种基于大数据模型元数据的混合索引方法
Mihai Comparison between relational and NoSQL databases
Mpinda et al. From relational database to column-oriented NoSQL database: Migration process
Mitreva et al. NoSQL solutions to handle big data
Arora et al. An algorithm for transformation of data from MySQL to NoSQL (MongoDB)
CN111522820A (zh) 数据存储结构、存储检索方法、系统、设备及存储介质
Černjeka et al. NoSQL document store translation to data vault based EDW
WO2015129109A1 (ja) インデックス管理装置
Palovska What Can NoSQL Serve an Enterprise.
CN112000666B (zh) 一种面向列的数据库管理系统
Kumawat et al. Correlation of NOSQL & SQL Database
Punia et al. Implementing Information System Using MongoDB and Redis
Thant et al. Hybrid query processing system (HQPS) for heterogeneous databases (relational and NoSQL)

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant