海量可视化数据的存储技术研究

文章编号：１６７１—４５９８（２０ｌ６）０６—０２５１—０４　ＤＯＩ：１０．１　６５２６／ｊ．ｃｎｋｉ．１１—４７６２／ｔｐ．２０１６．０６．０６９　中图分类号：ＴＰ３１１　文献标识码：Ａ　海量可视化数据的存储技术研究　张双双，周丽娟　（首都师范大学信息工程学院，北京　１０００４８）　摘要：可视化是一种将数据转换成图像且进行分析的技术，被多个领域广泛应用；但是当前测控试验平台海量数据可视化研究领域　中，存在数据存取耗时大、展示图形速度慢等一系列问题；通常测控试验平台通人液氮来模拟太空中的低温环境，利用电流产生热量来　模拟高温环境；然后周期性的采集温度、电流、电压、功率的信息，并将这些存入到本地数据库当中用于绘制曲线并进行分析；随着时　间的推移，存人到本地数据库的温度等数据越来越大，关系型数据库在应付如此巨大的数据时需要耗费大量时间；针对上述问题本文提　出一种方法在非关系型数据库Ｒａｐｔｏｒ　ＤＢ的基础上改善优化其存储结构，从而加快信息的加载速度，从而减少绘制曲线需要等待的时间。　关键词：信息可视化；曲线展示；优化存储结构；Ｒａｐｔｏｒ　ＤＢ　Ｃｕｒｖｅ　Ｓｈｏｗｓ　Ｔｅｃｈｎｏｌｏｇｙ　Ｂａｓｅｄ　ｏｎ　Ｍａｓｓｉｖｅ　Ｓｔｏｒａｇｅ　Ｒｅｓｅａｒｃｈ　Ｚｈａｎｇ　Ｓｈｕａｎｇｓｈｕａｎｇ，Ｚｈｏｕ　Ｌｉｊ　ｕａｎ　（Ｉｎｆｏｒｍａｔｉｏｎ　Ｅｎｇｉｎｅｅｒｉｎｇ　Ｃｏｌｌｅｇｅ，Ｃａｐｉｔａｌ　Ｎｏｒｍａｌ　Ｕｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ　１０００４８，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ｖｉｓｕａｌｉｚａｔｉｏｎ　ｉｓ　ａ　ｋｉｎｄ　ｏｆ　ｔｅｃｈｎｏｌｏｇｙ　ｔｈａｔ　ｄａｔａ　ｃａｎ　ｂｅ　ｃｏｎｖｅｒｔｅｄ　ｉｎｔｏ　ｉｍａｇｅｓ　ａｎｄ　ａｎａｌｙｓｉｓ，ｕｓｅｄ　ｉｎ　ａｌｌ　ｋｉｎｄｓ　ｏｆ　ｆｉｅｌｄｓ．Ｈｏｗｅｖｅｒ，　ｉｎ　ｔｈｅ　ｃｕｒｒｅｎｔ　ｒｅｓｅａｒｃｈ　ｆｉｅｌｄ　ｏｆ　ｓｐａｃｅｃｒａｆｔ　ｔｈｅｒｍａｌ　ｖａｃｕｕＩＩＩ　ｔｅｓｔ，ｒｅａｄｉｎｇ　ｄａｔａ　ｓｐｅｅｄ　ａｎｄ　ｄｉｓｐｌａｙ　ｉｍａｇｅ　ｓｐｅｅｄ　ａｒｅ　ｖｅｒｙ　Ｍｏｗ　ｉｎ　ｔｈｅ　ｐｒｏｃｅｓｓ　ｏｆ　ｖｉ　ｓｕａｌｉｚａｔｉｏｎ．Ｕｓｕａｌｌｙ　ｔｈｅ　ｃｕｒｒｅｎｔ　ｒｅｓｅａｒｃｈ　ｆｉｅｌｄ　ｏｆ　ｓｐａｃｅｃｒａｆｔ　ｔｈｅｒｍａｌ　ｖａｃｕｕｍ　ｔｅｓｔ　ｔｈｒｏｕｇｈ　ｔｈｅ　ｌｉｑｕｉｄ　ｎｉｔｒｏｇｅｎ　ｔｅｍｐｅｒａｔｕｒｅ　ｓｉｍｕｌａｔｅｄ　ｓｐａｃｅ　ｅｎｖｉ—　ｒｏｎｍｅｎｔ，ｔｈｅ　ｕｓｅ　ｏｆ　ｃｕｒｒｅｎｔ　ｇｅｎｅｒａｔｅｄ　ｈｅａｔ　ｔｏ　ｓｉｍｕｌａｔｅ　ｈｉｇｈ　ｔｅｍｐｅｒａｔｕｒｅ　ｅｎｖｉｒｏｎｍｅｎｔｓ．Ａｎｄ　ｐｅｒｉｏｄｉｃａｌｌｙ　ｃｏｌｌｅｃｔ　ｔｅｍｐｅｒａｔｕｒｅ，ｃｕｒｒｅｎｔ，ｖｏｌｔ—　ａｇｅ，ｐｏｗｅｒ　ｉｎｆｏｒｍａｔｉｏｎ，ａｎｄ　ｔｈｅｓｅ　ｗｅｒｅ　ｓｔｏｒｅｄ　ｉｎ　ａ　ｌｏｃａｌ　ｄａｔａｂａｓｅ　ａｎｄ　ａｎａｌｙｚｅｄ　ｆｏｒ　ｄｒａｗｉｎｇ　ｃｕｒｖｅｓ．Ｗｉｔｈ　ｔｈｅ　ｐａｓｓａｇｅ　ｏｆ　ｔｉｍｅ，ｓｔｏｒｅｄ　ｉｎ　ｔｈｅ　ｌｏｃａｌ　ｄａｔａｂａｓｅ，ｉｎｃｒｅａｓｉｎｇ　ｔｈｅ　ｔｅｍｐｅｒａｔｕｒｅ　ａｎｄ　ｏｔｈｅｒ　ｄａｔａ，ｔｈｅ　ｃｕｒｖｅ　ｓｈｏｗｉｎｇ　ｔｈｅ　ｃｏｎｖｅｎｔｉｏｎａｌ　ｔｅｃｈｎｉｑｕｅ　ｆｏｒ　ｌｏａｄｉｎｇ　ｌａｒｇｅ　ａｍｏｕｎｔｓ　ｏｆ　ｄａｔａ　ｐｌｏｔｔｅｄ　ａｓ　ｓｌｏｗ，ｔｉｍｅ—ｃｏｎｓｕｍｉｎｇ．Ｆｏｒ　ｔｈｉｓ　ｐａｐｅｒ。ａ　ｍｅｔｈｏｄ　ｏｆ　ｔｈｅ　ａｂｏｖｅ　ｐｒｏｂｌｅｍｓ　ｂｙ　ｏｐｔｉｍｉｚｉｎｇ　ｄａｔａ　ｓｔｏｒａｇｅ　ｓｔｒｕｃｔｕｒｅ　ｔｏ　ｉｍｐｒｏｖｅ　ｔｈｅ　ｓｐｅｅｄ　ｏｆ　ｌｏａｄｉｎｇ　ｉｎｆｏｒｍａｔｉｏｎ，ｔｈｅｒｅｂｙ　ｒｅｄｕｃｉｎｇ　ｔｈｅ　ｎｅｅｄ　ｔｏ　ｄｒａｗ　ａ　ｃｕｒｖｅ　ｔｏ　ｗａｉｔ．　Ｋｅｙｗｏｒｄｓ：ｉｎｆｏｒｍａｔｉｏｎ　ｖｉｓｕａｌｉｚａｔｉｏｎ；ｃｕｒｖｅ　ｓｈｏｗｓ；ｏｐｔｉｍｉｚｅ　ｓｔｏｒａｇｅ　ｓｔｒｕｃｔｕｒｅ；ｅｌｉｍｉｎａｔｅ　ｄｕｐｌｉｃａｔｉｏｎ　０　引言　近几十年来，计算机运算存储能力不断提高，因而数据量　越来越大；与此同时，当人们针对巨量数据所能直接获得的信　息量愈加有限。为了更好地解决这种数据与信息之间地矛盾之　题。目前航空热试验领域里可视化数据很大程度上存储于关系　型数据库中，关系型数据库将一行中的数据值串在一起存储起　来然后存储第二行数据，以后数据均为此方式存储　］。因此每　一列数据在物理磁盘中所存放位置是间断不连续的。而在测控　处，信息可视化随即产生｜】。　设备在使用之前，需要在地面的模拟环境中进行模拟测　试，以检验设备的各器件在高低温环境中的稳定性，利用容器　来模拟设备使用环境，向真空容器中通人液氮来模拟低温环　境，利用电流产生热量来模拟高温环境。然后周期性的采集温　试验平台中可视化数据以列为单位进行读取的，因此造成读取　可视化数据时需要进行比较多次的磁盘Ｉ／０，将需要很长一段　时间进行数据读取。因而，如何建立高效的数据缓存机制提高　在测控平台试验领域中可视化数据的读取速度，优化海量数据　存储结构并高效的展现可视化数据，已经变为航空测控平台数　度、电流、电压、功率的信息，并将这些数据存人到本地数据　库当中用于绘制曲线并进行分析。通常绘制曲线所需要的时间　由以下几个因素决定：　曲线绘制时间消耗一加载绘图数据时间消耗执行绘图时间　消耗；　据可视化研究领域中十分重要的课题。伴随信息技术的快速发　展，采用大容量计算机内存进行数据缓存，进行多通道数据采　集、数据可视化分析处理和智能预警，将会为航空测控平台领　域中数据可视化问题提供解决方案成为研究方向的重中之重。　１原理与设计　１＿１　关系型数据库针对海量数据的分析研究　可视化是一种将数据转换成图像且进行分析的技术，被多　个领域广泛应用。但是当前测控试验平台海量数据可视化研究　关系数据库，是以关系模型为基础创立的一种数据库，它　通过使用集合代数等与数学相关的知识来对针对数据库里存储　领域中，存在数据存取耗时大、展示图形速度慢等一系列问　收稿日期：２Ｏ１　６—０３—１６；修回日期：２０１６—０４—０６。　的数据进行操作口］。关系型数据库即为二维表与其之间的一部　分相关联系组成的一个完善的数据组织ｌ＿４］。关系型数据库具有　基金项目：中国国家科技支撑计划重点项目、“计算机应用技术”北　京市重点建设学科（２０ｌ３ＢＡＨ１　９Ｆ０１）。　作者简介：张双双（１９９０一），女，北京市人，硕士研究生，主要从事数　数据结构化、低冗余度、较高的程序和数据独立性、易于扩　充、易于编制应用程序等优点＿ｃ］。关系型数据库是基于行的存　储，基于行的存储就是将数据组织成多个行，举一张真空热试　验中一张记录温度数据的二维表如图１所示。　据挖掘方向的研究。　周丽娟（１９６４一），女，辽宁省辽阳市人。教授，硕士研究生导师，主要　从事数据挖掘方向的研究。　这一张二维表存储在计算机硬盘中，数据库需要自动使这　张二维表存储在一维的字节数组中，关系型数据库需要把任意　·　２５２　·　计算机测量与控制　第２４卷　（３）支持多线程和并发操作。　（４）页面应该能够联系在一块，所以能够方便的进入下一　图１温度数据的二维表　一行中的数据值串联起来进行存储，之后再进行下一行数据串　联存储，以上述方法继续进行存储　。所以每一列的所有数据　存放到物理硬盘中地位置是间断不连续的　］。例如利用ＳＱＩ　语句“Ｓｅｌｅｃｔ　Ｓｅｒｉｅｓｌ　ｆｒｏｍ　ＴｅｍｐｅｒａｔｕｒｅＴａｂｌｅ”读取第一个系列　的电流数据时，则硬盘需要寻址多次才能把这一系列的所有电　流读取到内存当中。因为硬盘寻址时间相较于计算机上其他部　件的运行速度来说慢的不是一般，通常顺序读取数据要比随机　访问更快ｒ１］。而且，硬盘寻址时间的提升比起ＣＰＵ速度的进　步要慢得多　，所以关系型数据库难以应付海量的真空热试验　的可视化数据。因此非关系型数据库是应对海量数据的第一选　择也是最优的选择方案　ｊ。雾一　　１．２数据库索引的研究分析　目前大部分数据库系统及文件系统都采用Ｂ　Ｔｒｅｅ或其变　种的其他变形树作为索引结构，在Ｂ一树里从事数据查找包　括２种基本操作［８］：　（１）在Ｂ一树中查找结点。　（２）在结点中查找关键字。　鉴于Ｂ一树的存储通常情况下是在物理磁盘上，因此前一　查找也必须是在物理磁盘上进行的操作［９］，然而后一查找则需　要在内存中进行的操作，也就是说需要在物理磁盘上查找到指　针Ｐ所指结点　，然后先将结点中的信息读人内存，之后再　使用顺序查找或折半查找来查询等于Ｋ的关键字　］。显而易　见的是，内存中查找一次比通过磁盘进行一次查找速度快的　多＿１　。因此，在磁盘上进行查找的次数以及查找关键字所在　结点在Ｂ一树上的层次树，是决定Ｂ一树查找效率的首要　因素。　在含有　个关键码的　阶Ｂ一树中查找。，从根节点到关　一＿Ｌ１　键字所在的节点所涉及的节点数ｈ不超过ｌｏｇ［　ｆ、　　Ｌ　１＋ｌ，　　通常ｍ的值都超过１００，因此ｈ值会很小。同时这也就决定了　以Ｂ一树作为索引是相当高效的。　虽然Ｂ一树的性能已经非常高效了，但是仍然有两个因素　制约着它的性能：　（１）在实际运用Ｂ一树作为索引时，其叶面通常实现为数　组或者指针列表，当插入一个关键字时程序需要移动子节点在　数组或者指针列表中移动，这将会耗费时间。　（２）在Ｂ树的分裂一个页面需要有效的配合父节点和子　节点，因此这个时候，整个Ｂ一树会被封锁一定的时间，所以　并行的更新是非常的困难。　为了解决上述问题非关系型数据库Ｒａｐｔｏｒ　ＤＢ提出数据库　的检索应该能满足以下四个方面的要求：　（１）页面的数据结构需要满足以下三个要求：它们分别为　ａ．能够简单的写入磁盘和从磁盘上加载ｂ．能够释放内存防止　超过内存的限制Ｃ．按需加载以优化内存使用　（２）关键字能够快速地插入和检索　】。　页面进行范围查询　Ｒａｐｔｏｒ　ＤＢ设计的索引如图２所示。　Ｓｏｔｔ。　ｔ　Ｉ！　Ｉ！　：！：　！！Ｉ！　：　！：ｌ　Ｉ　！　ｌ！！！　ｌ　！　Ｉ！！　Ｉ　ｇ！　ｌ！！　！Ｉ　儿　ｒ．１　Ｖ　图２　Ｒａｐｔｏｒ　ＤＢ设计的索　每一个Ｐａｇｅ以它的ＦｉｒｓｔＫｅｙ字段进行升序排序存储在　ＳｏｒｔｅｄＩ　ｉｓｔ当中，ＦｉｒｓｔＫｅｙ字段和Ｐａｇｅ中存储的关键字相关　联，Ｐａｇｅ中存储地是关键字和字典结构的关键字相互对应的　记录数，记录数也可以说是指向数据的指针　，一个Ｐａｇｅ最　多能够存储ＰａｇｅＩｔｅｍＣｏｕｎｔ（默认值是ｉ００００）个关键字，当　Ｐａｇｅ存储的关键字的数量超过ＰａｇｅＩｔｅｍＣｏｕｎｔ则当前Ｐａｇｅ将　会分裂成两个Ｐａｇｅ。输入一个关键字检索其所对应的数据，　Ｒａｐｔｏｒ　ＤＢ将会利用Ｐａｇｅ的ＦｉｒｓｔＫｅｙ进行二分查找，找到关　键字所在的Ｐａｇｅ之后，将该Ｐａｇｅ加载到内存中继续查找关键　字所对应地记录数，然后利用记录数读取出数据　。该索引　寻找关键字对应的Ｐａｇｅ的时间复杂度是Ｏ（１ｏｇＭ）（Ｍ—Ｎ　Ｐａｇｅ［ｔｅｍＣｏｕｎｔ，Ｎ是所有关键字的数量），在内存中进行查　找关键字对应的记录数时间复杂度是Ｏ（１），所以该索引的时　间复杂度是Ｏ（１ｏｇＭ）＋Ｏ（１）。　Ｒａｐｔｏｒ　ＤＢ的索引有如下优势：　（１）每个Ｐａｇｅ被Ｐａｇｅ　Ｌｉｓｔ结构相互隔离开的，所以当前　Ｐａｇｅ上锁很容易，且只会锁住当前分裂的Ｐａｇｅ，其他的Ｐａｇｅ　仍然可以进行其它操作，而不像Ｂ树在树的节点分裂的时候　需要将整棵树锁住。　（２）分裂Ｐａｇｅ的操作很简单，不需要像Ｂ树在分裂节点　的时候需要来回遍历检查节点的关键字数量是否超出限制。　（３）存储Ｐａｇｅ的序列结构更新频率很低，所以对Ｐａｇｅ序　列上锁几乎不影响其他操作。　在Ｒａｐｔｏｒ　ＤＢ中利用Ｓｅｔ（Ｔ　Ｋｅｙ，ｂｙｔｅ［］ｄａｔａ）函数进　行存储数据，其中Ｋｅｙ是二进制数据ｄａｔａ的唯一索引值。每　次调用Ｓｅｔ（Ｔ　Ｋｅｙ，ｂｙｔｅ［］ｄａｔａ）函数Ｒａｐｔｏｒ　ＤＢ将会生成　一个ｄｏｃ　ｒｅｃｏｒｄ记录输入的Ｋｅｙ和ｄａｔａ并存储在磁盘上。假　设某次真空热试验中有　个温度传感器它们的序号分别是Ｋ　，　Ｋ　，…，Ｋ　，每周期需要将它们采集到的温度数据存储入数　据库，一共有ｍ个周期。则对于ＲａｐｔｏｒＤＢ而言所有温度传感　器第一周期的数据到来时需要调用　次Ｓｅｔ（Ｔ　Ｋｅｙ，ｂｙｔｅ［］　ｄａｔａ）函数进行存储数据，分别为Ｓｅｔ（Ｋｊ，ｄａｔａ　１）、Ｓｅｔ　（Ｋ　２，ｄａｔａ　２）…Ｓｅｔ（Ｋ　，ｄａｔａ　ｎ），第二周期的数据到来时同　样需要调用ｎ次Ｓｅｔ（Ｔ　Ｋｅｙ，ｂｙｔｅ［］ｄａｔａ）函数，分别为Ｓｅｔ　（Ｋ１，ｄａｔａ　１＋”）、Ｓｅｔ（Ｋ２，ｄａｔａ　２＋ｎ）…Ｓｅｔ（Ｋ　，ｄａｔａ　２ｎ），以此类推，当实验结束时Ｒａｐｔｏｒ　ＤＢ产生的ｄｏｃ　ｒｅｃｏｒｄ　第６期　张双双，等：海量可视化数据的存储技术研究　·２５３　·　｝．ｍｇｄａｔ　ｄｏｅ　ｒｅｃｏｒｄ　１　ｄｏｅ　ｒ￣ａｏｒｄ　ｄｏｃ　ｒｅｃｏｒｄ　３　ｄｅｃ　ｒｅｃｏｒｄ　ｎ　ｄｏｃ　ｒｅｃｏｒｄ　ｎ＋ｌ　ｄｏｃ　ｒｅｃｏｒｄ　ｎ＋２　ｄｏｃ　ｒｅｅｏｒｄ　ｎ＋３　；Ｉ／／　二　＜　＼　ｄｏｅ　ｒｅｃｏｒｄ　ｍｎ　图３　Ｒａｐｔｏｒ　ＤＢ产生的ｄｏｃ　ｒｅｃｏｒｄ　如图３所示。在Ｒａｐｔｏｒ　ＤＢ中利用Ｓｅｔ（Ｔ　Ｋｅｙ，ｂｙｔｅ口ｄａｔａ）　函数进行存储数据，如图所示当加载某个Ｋｅｙ对应的所有数　据时需要将＊．ｍｇｄａｔ文件中的Ｋｅｙ所对应的所有ｄｏｅ　ｒｅｃｏｒｄ　读取到内存当中，因为同一个Ｋｅｙ所对应的所有ｄｏｃ　ｒｅｃｏｒｄ存　放在ｍ个不连续的磁盘块当中所以磁盘需要寻址ｍ次，这会　导致加载数据的时间很长从而增加绘制曲线的时间。　２　对Ｒａｐｔｏｒ　ＤＢ的改进　考虑到从磁盘中加载一个Ｋｅｙ对应的所有数据需要寻址　多次花费过多时间可以考虑改进ＲａｐｔｏｒＤＢ的存储结构使得加　载数据的时候磁盘的寻址次数尽可能的少。预分配空间的机制　能够有效的减少寻址次数即在真空热试验准备阶段为每个传感　器在磁盘上预分配一块较大的空间。新开辟的空间大小需要通　过计算得到，例如某个温度传感器在一次实验当中需要收集ｍ　个周期的温度数据，每个温度的数据类型是ｆｌｏａｔ（占四个字　节）类型，则需要为该传感器预分配ｍ×４个字节的空间。当　调用Ｓｅｔ（Ｔ　Ｋｅｙ，ｂｙｔｅ［］ｄａｔａ）函数存储数据ｄａｔａ时，将数　据存储在相对应的且已经开辟好的磁盘空间上，然后将ｄａｔａ　的尾部所在磁盘空间的位置记录到＊．ｍｇｉｄｘ文件的Ｐａｇｅ上。　其中Ｋｅｙ是二进制数据ｄａｔａ的唯一索引值。当调用Ｓｅｔ　（Ｔ　Ｋｅｙ，ｂｙｔｅ［］ｄａｔａ）函数时，ＲａｐｔｏｒＤＢ会为该Ｋｅｙ生成唯　一的Ｄｕｐｌｉｃａｔｅ　ｒｅｃｏｒｄ　ｎｕｍｂｅｒ，该Ｄｕｐｌｉｃａｔｅ　ｒｅｃｏｒｄ　ｎｕｍｂｅｒ从０　开始，每输入一个新的Ｋｅｙ则Ｄｕｐｌｉｃａｔｅ　ｒｅｃｏｒｄ　ｎｕｍｂｅｒ和新输　入的Ｋｅｙ相关联后自增１，自增１后的Ｄｕｐｌｉｃａｔｅ　ｒｅｃｏｒｄ　ｎｕｍ—　ｂｅｒ后下一个输入的新Ｋｅｙ相关联。对于每次输入的Ｄａｔａ无论　它的Ｋｅｙ是新的还是之前已经出现过的ＲａｐｔｏｒＤＢ将会为该数　据生成唯一的ＲｅｃｏｒｄＮｕｍｂｅｒ，该ＲｅｃｏｒｄＮｕｍｂｅｒ从０开始，　每存储一份数据则ＲｅｃｏｒｄＮｕｍｂｅｒ自增ｌ，自增后的Ｒｅｃｏｒｄ—　Ｎｕｍｂｅｒ和下一个输入的ｄａｔａ相关联。以同样的Ｋｅｙ存储若干　份数据则会产生一个Ｄｕｐｌｉｃａｔｅ　ｒｅｃｏｒｄ　ｎｕｍｂｅｒ和若干个　ＲｅｅｏｒｄＮｕｍｂｅｒ。Ｋｅｙ和ｄａｔａ存储在．ｍｇｄａｔ文件当中，　．ｍｇｄａｔ文件的格式如图４所示。　前六个字节是头文件，每调用一次Ｓｅｔ（Ｔ　Ｋｅｙ，ｂｙｔｅ［］　ｄａｔａ）函数存储数据将会创建一个新的ｄｏｃ　ｒｅｃｏｒｄ，ｄｏｃ　ｒｅｃｏｒｄ　的头１８个字节主要用于存储Ｋｅｙ的字节长度和ｄａｔａ的字节长　度，同时可以存储写人数据时的时间。ｄｏｃｕｍｅｎｔ　ｎｕｍｂｅｒ字段　一共四个字节用于存Ｋｅｙ，ｄｏｃｕｍｅｎｔ　ｊｓｏｎ　ｓｔｒｉｎｇ字段用于存储　ｄａｔａ。同时新创建的ｄｏｃ　ｒｅｃｏｒｄ在．ｍｇｄａｔ文件上的位置被记录　在．ｍｇｒｅｃ文件中，．ｍｇｒｅｃ文件的格式如图５所示。　ＨＥＡＤＥＲ　Ｉｄｏｃｕｍｅｎｔ　ｎｕｍｂｅｒ　Ｉｄｏｃｕｍｅｎｔ　ｊｓｏｎ　ｓｔｒｉｎｇ　图４　ｍｇｄａｔ文件的格式　ｄｏｃ　ｒｅｃｏｒｄ　ｏｆｆｓｅｔ　ｌ　ｄｏｅ　ｒｅｃｏｒｄ　ｏｆｆｓｅｔ　２　ｄｅｅ　ｒｅｃｏｒｄ　ｏｆｆｓｅｔ“　图５．ｍｇｒｅｃ文件的格式　．ｍｇｒｅｃ文件中每个ｄｏｃ　ｒｅｃｏｒｄ　ｏｆｆｓｅｔ的长度是８个字节，　按顺序存储每个ｄｏｅ　ｒｅｃｏｒｄ在．ｍｇｄａｔ文件中的位置。每个输　入的数据对应的ＲｅｃｏｒｄＮｕｍｂｅｒ被存储在．ｍｇｂｍｐ文件中。　．ｍｇｂｍｐ文件的格式如图６所示。　ｔ１Ｏｉｌ　２　４　１　ｔ　ｎ　。匮　暖蔓二Ｉ　Ｉ　兰！：　Ｉ［三：：　叵　强　：　：：：：　Ｉ：ｌ　图６．ｍｇｂｍｐ文件的格式　每个ｂｉｔｍａｐ　ｒｅｃｏｒｄ记录一个ｋｅｙ所对应数据的所有　ＲｅｃｏｒｄＮｕｍｂｅｒ，其中ｂｉｔｍａｐ　ｉｎｔ　ｃｏｕｎｔ字段存储当前Ｋｅｙ对应　数据的份量。Ｂｉｔｍａｐ　ｉｎｄｅｘ存储的是当前Ｋｅｙ对应数据的所有　ＲｅｃｏｒｄＮｕｍｂｅｒ的二进制表示。每写入一个ｂｉｔｍａｐ　ｒｅｃｏｒｄ则该　ｂｉｔｍａｐ　ｒｅｃｏｒｄ在．ｍｇｂｍｐ文件中的位置会被记录在．ｍｇｂｍｒ　文件当中，．ｍｇｂｍｒ文件的格式如图７所示。　．ｍｇｂｍｒ文件中每个ｄｏｃ　ｒｅｃｏｒｄ　ｏｆｆｓｅｔ的长度是８个字节，　记录每个写人的ｄｏｃ　ｒｅｃｏｒｄ在．ｍｇｄａｔ文件中的位置并且按升　序的方式一一对应每个Ｄｕｐｌｉｃａｔｅ　ｒｅｃｏｒｄ　ｎｕｍｂｅｒ。即Ｄｕｐｌｉｃａｔｅ　·　２５４　·　计算机测量与控制　第２４卷　ｂｉｔｍａＤ　ｒｅｃｏｒｄ　ｏｆｆｓｅｔ　１　ｂｉｔｍａｐ　ｒｅｃｏｒｄ　ｏｆｆｓｅｔ　２　、＼在ＲａｐｔｏｒＤＢ中利用Ｇｅｔ（Ｔ　Ｋｅｙ，ｏｕｔ　ｂｙｔｅ口ｄａｔａ）函数　Ｐ。ｓｉｔｉ。ｎ　０　Ｓｉｚｅ　ｉｎ　ｂｙｔｅｓ　８　来读取数据或者通过ＧｅｔＩ）ｕｐｌｉｃａｔｅｓ（　Ｆ　Ｋｅｙ）函数和　ＦｅｔｃｈＲｅｃｏｒｄ（ｉｎｔＲｅｃｏｒｄＮｕｍｂｅｒ）函数组合来获取数据。在读　取数据的时候通过输入的Ｋｅｙ结合Ｐａｇｅ的ＦｉｒｓｔＫｅｙ字段进行　二分查找找到该Ｋｅｙ所在的Ｐａｇｅ，然后在Ｐａｇｅ的Ｄａｔａ里找　到该Ｋｅｙ并获取相对应的Ｄｕｐｌｉｃａｔｅ　ｒｅｃｏｒｄ　ｎｕｍｂｅｒ，然后定位　到＊．ｍｇｂｍｒ文件的Ｄｕｐｌｉｃａｔｅ　ｒｅｃｏｒｄ　ｎｕｍｂｅｒ＊８的位置读取８　个字节长度的数据得到结果ｂｉｔｍａｐＭａｐｐｉｎｇＡｄｄｒｅｓｓ，然后定　位到．ｍｇｂｍｐ文件的ｂｉｔｍａｐＭａｐｐｉｎｇＡｄｄｒｅｓｓ的位置，读取　ｂｉｔｍａｐ　ｒｅｃｏｒｄ中记录的所有Ｒｅｃｏｒｄ　ｎｕｍｂｅｒ，对于每个　ｂｉｔｍａｐ　ｒｅｃｏｒｄ　ｏｆｆｓｅｔ　ｎ　ＲｅｃｏｒｄＮｕｍｂｅｒ将．ｍｇｒｅｃ文件定位到ＲｅｃｏｒｄＮｕｍｂｅｒ乘以８的　图７．ｍｇｂｍｒ文件的格式　ｒｅｃｏｒｄ　ｎｕｍｂｅｒ乘以８得到的结果就是该Ｄｕｐｌｉｃａｔｅ　ｒｅｃｏｒｄ　ｎｕｍ—　ｈｅｒ所对应的ｂｉｔｍａｐ　ｒｅｃｏｒｄ　ｏｆｆｓｅｔ在．ｍｇｂｍｒ文件中的位置。　输入的Ｋｅｙ和ＲａｐｔｏｒＤＢ为其产生的Ｄｕｐｌｉｃａｔｅ　ｒｅｃｏｒｄ　ｎｕｍｂｅｒ　同时被记录在Ｐａｇｅ中，Ｐａｇｅ存储在．ｍｇｉｄｘ文件当中，　．ｍｇｉｄｘ文件的格式如图８所示。　图８．ｍｇｉｄｘ文件的格式　．ｍｇｉｄｘ文件的头部１８个字节用于存储指示作用的字符　串、索引ｋｅｙ的字节长度、最大页数、指示当前运用哪种类型　的索引的数字、最后一个数据存储后产生的ＲｅｃｏｒｄＮｕｍｂｅｒ。　Ｐａｇｅ　Ｌｉｓｔ头部存储了指示作用的字符串、指示当前为ＰａｇｅＩ　ｉｓｔ　类型的数字、当前的ＰａｇｅＩ　ｉｓｔ中包含Ｐａｇｅ的数量，下一个　Ｐａｇｅｌ　ｉｓｔ的序号。Ｐａｇｅ　Ｉ　ｉｓｔ中的每个Ｄａｔａ指示的是与当前　Ｐａｇｅ　Ｉ．ｉｓｔ相关联的Ｐａｇｅ的信息，Ｐａｇｅ头部的结构和ＰａｇｅＩ　ｉｓｔ　的相似，Ｐａｇｅ的Ｄａｔａ存储的是用户输人的Ｋｅｙ信息包括Ｋｅｙ　的二进制长度、Ｋｅｙ的二进制数据、该Ｋｅｙ最后一次数据存储　的ＲｅｃｏｒｄＮｕｍｂｅｒ、该Ｋｅｙ对应的Ｄｕｐｌｉｃａｔｅ　ｒｅｃｏｒｄ　ｎｕｍｂｅｒ，一　个Ｐａｇｅ能存储ＰａｇｅｌｔｅｍＣｏｕｎｔ（默认值是１００００）个Ｋｅｙ的信　息，当一个Ｐａｇｅ中存储Ｋｅｙ的数量超过ＰａｇｅｌｔｅｍＣｏｕｎｔ时则对　Ｐａｇｅ中的所有Ｋｅｙ进行升序排序一个Ｐａｇｅ分裂成两个Ｐａｇｅ，　原始的Ｐａｇｅ拥有前［ＰａｇｅｈｅｍＣｏｕｎｔ／２２个Ｋｅｙ，并把原始Ｐａｇｅ　的ＦｉｒｓｔＫｅｙ字段赋值为前［ＰａｇｅｌｔｅｍＣｏｕｎｔ／２］个Ｋｅｙ中最小的　Ｋｅｙ，令新生的Ｐａｇｅ的ＮｅｘｔＰａｇｅ指向原始Ｐａｇｅ的ＮｅｘｔＰａｇｅ，令　原始Ｐａｇｅ的ＮｅｘｔＰａｇｅ指向新生成的Ｐａｇｅ，新生成的Ｐａｇｅ拥有　后ＰａｇｅＩｔｅｍＣｏｕｎｔ一［ＰａｇｅＩｔｅｍＣｏｕｎｔ／２］个Ｋｅｙ，并把新生的　Ｐａｇｅ的ＦｉｒｓｔＫｅｙ字段赋值为后ＰａｇｅｈｅｍＣｏｕｎｔ一［ＰａｇｅＩｔｅｍ—　Ｃｏｕｎｔ／２￣个Ｋｅｙ当中最小的Ｋｅｙ。然后每个Ｐａｇｅ按照ＦｉｒｓｔＫｅｙ　字段进行升序排序存储在ＳｏｒｔｅｄＩ　ｉｓｔ当中。　位置并读取八个字节的数据，得到结果ｄａｔＭａｐｐｉｎｇＡｄｄｒｅｓｓ．　将．ｍｇｄａｔ文件定位到ｄａｔＭａｐｐｉｎｇＡｄｄｒｅｓｓ的位置，根据ｄｏｅ　ｒｅｃｏｒｄ的头文件格式规定来读取数据，并依次返回每个Ｒｅｃｏｒｄ　Ｎｕｍｂｅｒ对应的数据。从而获取输入的Ｋｅｙ对应的所有数据。　３实验结果对比分析　首先对数据集和试验环境进行描述和说明；然后验证数据　索引的有效性，结合可各存储方式在数据存储和读取的对比，　海量数据的存储技术的特点进行说明。　３．１　数据集描述和试验环境说明　本文以某测控试验平台为例对提出的可视化方法进行案例　研究，该数据集以航天设备在地面的模拟环境中进行模拟测　试，以检验设备的各器件在高低温环境中的稳定性，利用容器　来模拟环境，向容器中通入液氮来模拟太空中的低温环境，利　用电流产生热量来模拟高温环境。然后周期性的采集温度、电　流、电压、功率的信息，并将这些数据存人到本地数据库当中　用于绘制曲线，该数据集约有５Ｏ万数据。　测试环境为处理器Ｉｎｔｅｌ（Ｒ）Ｃｏｒｅ（ＴＭ）ｉ５　３３３７Ｕ　ＣＰＵ　＠１．８Ｏ　ＧＨｚ；内存类型为ＤＤＲ３　ＳＤＲＡＭ，其大小是４　０９６　ＭＢ；　磁盘型号为ｗＤＣ　ＷＤ５０００Ｉ　ＰＶＴ一２２（　３３　ｒＯ，容量４７６　９４０　ＭＢ　（５００　ＧＢ），转速５　４００　ＲＰＭ缓存８　１９２　ＫＢ。　该数据集完全符合本文所需要的数据集的定义。数据集有　一段时间内的温度、电流、电压、功率等信息，可以根据时间　进行分析。　３．２试验结果对比　表１　各存储方式在数据存储和读取的对比　存储方式　写入总时　每次写入时　渎取总时　每次读取　间／Ｉｌｌｓ　间／Ｉｌｌｓ　间／／ｍｓ　时间／ｍｓ　贝回索引　１　５４２６２９　１．５４３　１３５９９２３　１．３６０　ＳＱＬｉｔｅ　１２０４６８２１８７　１２０４．６８２　９７９６３８１８　９７．９６４　ＳＱＬ　Ｓｅｒｖｅｒ　２００８　７７５８５３２Ｏ５　７７５．８５３　７４７２８０８　７．４７３　ＭｙＳＱＩ　３３５４６４ｏ５４　３３５．４６４　７９６３３３３１　７９．６３３　内存Ｂ一树　２９２１Ｏ１　９　２．９２１　１　６７４７４５　１．６７５　试验采用生成随机数的类生成随机数模拟传感器采集的数　据。传感器数量为１０　０００个，写入行数为ｌ　０００　０００行，写满　１　０００　０００行数据后，从第１行到最后一行对进行读取，各存　储方式的写入和读取的测试结果记录在表５．１中。通过表Ｉ可　以看出本文提出的页面索引方法平均每次写入速度是　ＳＱＩ　ｉｔｅ７８０．７４０倍，是ＳＱＩ　Ｓｅｒｖｅｒ　２００８的５０２．８２１倍，是　ＭｙＳＱＬ２１７．４１０倍，是内存Ｂ一树的１．８９３倍。它的平均每次检　（下转第２５９页）　第６期　参考文献：　郭克友，等：ＳＶＭ参数优化方法分析与决策　·　２５９　·　［９］Ｋｅｅｒｔｈｉ　Ｓ　Ｓ，Ｌｉｎ　Ｃ　Ｊ．Ａｓｙｍｐｔｏｔｉｃ　ｂｅｈａｖｉｏｒｓ　ｏｆ　ｓｕｐｐｏｒｔ　ｖｅｃｔｏｒ　ｍａ—　ｃｈｉｎｅｓ　ｗｉｔｈ　Ｇａｕｓｓｉａｎ　ｋｅｒｎｅｌ［Ｊ］．Ｎｅｕｒａｌ　ｃｏｍｐｕｔａｔｉｏｎ，２００３，１　５　（７）：１６６７—１６８９．　［１］Ｖａｐｎｉｋ　Ｖ．Ｔｈｅ　ｎａｔｕｒｅ　ｏｆ　ｓｔａｔｉｓｔｉｃａｌ　ｌｅａｒｎｉｎｇ　ｔｈｅｏｒｙ［Ｍ］．Ｓｐｒｉｎｇｅｒ　Ｓｃｉｅｎｃｅ＆Ｂｕｓｉｎｅｓｓ　Ｍｅｄｉａ．２０１３．　［２］Ｖａｐｎｉｋ　Ｖ　Ｎ，Ｖａｐｎｉｋ　Ｖ．Ｓｔａｔｉｓｔｉｃａｌ　ｌｅａｒｎｉｎｇ　ｔｈｅｏｒｙ［Ｍ］．Ｎｅｗ　Ｙｏｒｋ：Ｗｉｌｅｙ，１９９８．　［１Ｏ］Ｄｕａｎ　Ｓ　Ｍ，Ｍａｏ　Ｊ　Ｌ，Ｌｉ　Ｊ　Ｉ　，ｅｔ　ａ１．Ｄｅｓｉｇｎ　Ｉｍｐｌｅｍｅｎｔａｔｉｏｎ　ａｎｄ　Ａｐ　ｐｌｉｃａｔｉｏｎ　ｏｆ　Ｓｗａｒｍ　Ｉｎｔｅｌｌｉｇｅｎｃｅ　Ａｌｇｏｒｉｔｈｍ　Ｏｐｔｉｍｉｚａｔｉｏｎ　Ｆｕｎｃｔｉｏｎ　［３］Ｃｈａｐｅｌｌｅ　Ｏ，Ｖａｐｎｉｋ　Ｖ，Ｂｏｕｓｑｕｅｔ　Ｏ，ｅｔ　ａ１．Ｃｈｏｏｓｉｎｇ　ｍｕｌｔｉｐｌｅ　ｐａ—　ｒａｍｅｔｅｒｓ　ｆｏｒ　ｓｕｐｐｏｒｔ　ｖｅｃｔｏｒ　ｍａｃｈｉｎｅｓ［Ｊ］．Ｍａｃｈｉｎｅ　ｌｅａｒｎｉｎｇ，２００２，　４６（１—３）：１３１—１５９．　Ｓｉｍｕｌａｔｉｏｎ　Ｐｌａｔｆｏｒｍ［Ａ］．Ｓｏｆｔｗａｒｅ　Ｅｎｇｉｎｅｅｒｉｎｇ　ａｎｄ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｔｅｃｈｎｏｌｏｇｙ：Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　２０１　５　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｓｏｆｔｗａｒｅ　Ｅｎｇｉｎｅｅｒｉｎｇ　ａｎｄ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｔｅｃｈｎｏｌｏｇｙ（ＳＥＩＴ２０１５）　［４］Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｃａｌｉｆｏｒｎｉａ－－Ｉｒｖｉｎｅ．ｕａ　Ｍａｃｈｉｎｅ　Ｌｅａｒｎｉｎｇ　Ｒｅｐｏｓｉｔｏｒｙ．ｈｔ—　ｔｐ：／／ａｒｃｈｉｖｅ．ｉｃｓ．ｕｃｉ．ｅｄｕ／ｍｌ／ｄａｔａｓｅｔｓ．ｈｔｍ１．２０１５——０４——１１．　Ｅｃ］．２０１６：１９６—２０３．　［１１］Ｙｕ　Ｓ，Ｚｈａｎｇ　Ｊ，Ｚｈｅｎｇ　Ｓ，ｅｔ　ａ１．Ｐｒｏｖｉｎｃｉａｌ　ｃａｒｂｏｎ　ｉｎｔｅｎｓｉｔｙ　ａｂａｔｅ—　ｍｅｎｔ　ｐｏｔｅｎｔｉａｌ　ｅｓｔｉｍａｔｉｏｎ　ｉｎ　Ｃｈｉｎａ：ａ　ＰＳＯ—ＧＡ—ｏｐｔｉｍｉｚｅｄ　ｍｕｌｔｉ　［５］Ｅｉｔｒｉｃｈ　Ｔ，Ｌａｎｇ　Ｂ．Ｐａｒａｌｌｅｌ　ｔｕｎｉｎｇ　ｏｆ　ｓｕｐｐｏｒｔ　ｖｅｃｔｏｒ　ｍａｃｈｉｎｅ　ｌｅａｒｎ—　ｉｎｇ　ｐａｒａｍｅｔｅｒｓ　ｆｏｒ　ｌａｒｇｅ　ａｎｄ　ｕｎｂａｌａｎｃｅｄ　ｄａｔａ　ｓｅｔｓ［Ｍ］．Ｓｐｒｉｎｇｅｒ　Ｂｅｒｌｉｎ　Ｈｅｉｄｅｌｂｅｒｇ。２００５：２５３—２６４．　ｆａｃｔｏｒ　ｅｎｖｉｒｏｎｍｅｎｔａｌ　ｌｅａｒｎｉｎｇ　ｃｕｒｖｅ　ｍｅｔｈｏｄ［Ｊ］．Ｅｎｅｒｇｙ　Ｐｏｌｉｃｙ，　２０１５，７７：４６—５５．　［６］Ｈｅ　Ｈ，Ｇａｒｃｉａ　Ｅ　Ａ．Ｌｅａｒｎｉｎｇ　ｆｒｏｍ　ｉｍｂａｌａｎｅｅｄ　ｄａｔａ［Ｊ］．Ｋｎｏｗｌｅｄｇｅ　ａｎｄ　Ｄａｔａ　Ｅｎｇｉｎｅｅｒｉｎｇ，ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ，２００９，２１（９）：１２６３　［１　２］Ｓｈｉ　Ｙ，Ｅｂｅｒｈａｒｔ　Ｒ　ｃ．Ｅｍｐｉｒｉｃａｌ　ｓｔｕｄｙ　ｏｆ　ｐａｒｔｉｃｌｅ　ｓｗａｒｍ　ｏｐｔｉｍｉｚａ—　ｔｉｏｎ［Ａ］．ＣＥＣ　９９．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　１９９９　Ｃｏｎｇｒｅｓｓ　ｏｎ　Ｅｖｏｌｕ—　ｔｉｏｎａｒｙ　Ｃｏｍｐｕｔａｔｉｏｎ［ｃ］．ＩＥＥＥ，１９９９，３．　ｌ２８４．　［７］Ｚｈａｎｇ　Ｚ，Ｇｕｏ　Ｈ．Ｒｅｓｅａｒｃｈ　ｏｎ　Ｆａｕｌｔ　Ｄｉａｇｎｏｓｉｓ　ｏｆ　Ｄｉｅｓｅｌ　Ｅｎｇｉｎｅ　Ｂａｓｅｄ　ｏｎ　ＰＳＯ－－ＳＶＭ［Ａ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　６ｔｈ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ａ—　ｓｉａ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｉｎｄｕｓｔｒｉａ１　Ｅｎｇｉｎｅｅｒｉｎｇ　ａｎｄ　Ｍａｎａｇｅｍｅｎｔ　Ｉｎｎｏｖａ—　［１　３］Ｒａｏ　Ｂ　Ｊ，Ｂａｂｕ　Ｍ　Ｓ　Ｐ．Ｏｎｇｏｌｅ　Ｂｒｅｅｄ　Ｃａｔｔｌｅ　Ｈｅａｌｔｈ　Ｅｘｐｅｒｔ　Ａｄｖｉｓｏ　ｒｙ　Ｓｙｓｔｅｍ　Ｕｓｉｎｇ　Ｐａｒａｌｌｅｌ　Ｐａｒｔｉｃｌｅ　Ｓｗａｒｍ　Ｏｐｔｉｍｉｚａｔｉｏｎ　Ａｌｇｏｒｉｔｈｍ　［Ｊ］．２０１４．　ｔｉｏｎ　ｒＣ］．Ａｔｌａｎｔｉｓ　Ｐｒｅｓｓ，２０１６：５０９—５１７．　［１４］Ｙａｎｇ　Ｃ，Ｘｕ　Ｘ，Ｈａｎ　Ｊ，ｅｔ　ａ１．Ｅｎｅｒｇｙ　ｅｆｆｉｃｉｅｎｃｙ－－ｂａｓｅｄ　ｄｅｖｉｃｅ—ｔｏ　［８］Ｓｍｉｔｓ　Ｇ　Ｆ，Ｊｏｒｄａａｎ　Ｅ　Ｍ．Ｉｍｐｒｏｖｅｄ　ＳＶＭ　ｒｅｇｒｅｓｓｉｏｎ　ｕｓｉｎｇ　ｍｉｘｔｕｒｅｓ　ｄｅｖｉｃｅ　ｕｐｌｉｎｋ　ｒｅｓｏｕｒｃｅ　ａｌｌｏｃａｔｉｏｎ　ｗｉｔｈ　ｍｕｈｉｐｌｅ　ｒｅｓｏｕｒｃｅ　ｒｅｕｓｉｎｇ　ｏｆ　ｋｅｒｎｅｌｓ［Ａ］．２００２．ＩＪＣＮＮ　０２．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　２００２　Ｉｎｔｅｒｎａ—　ｔｉｏｎａｌ　Ｊｏｉｎｔ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　ＩＥＥＥ［Ｃ］．２００２，３：２７８５—２７９０．　［Ｊ］．Ｅｌｅｃｔｒｏｎｉｃｓ　Ｌｅｔｔｅｒｓ，２Ｏ１５，５１（３）：２９３—２９４．　（上接第２５４页）　论。可以较好地解决这一问题．通过对应用实例进行评估，验　证了该技术的有效性和易用性。　参考文献：　索速度是ＳＱＬｉｔｅ７２．０３２倍，是ｓＱＬ　Ｓｅｒｖｅｒ　２００８的５．４９５倍，　是ＭｙＳＱＬ５８．５５５倍，是内存Ｂ一树１．２３１倍。提出的方法和　内存Ｂ一树方法写入和读取速度远远快于其他方法，这是由于　索引存储在内存中可以获得高速的存储速度，然而同样把索引　维持在内存中，本文提出的页面索引方法的速度要快于Ｂ一树　的速度。原因是以Ｂ一树作为索引时，其结点在程序中实现为　数组或者指针列表，当插入一个关键字时程序需要移动子结点　在数组或者指针列表中移动，这将会耗费时间；当Ｂ一树分裂　一［１］张棋．信息可视化在数字图书馆中的应用研究［Ｄ］．湖北：华中　师范大学，２００９．　［２］傅雅玉，源艳芬，梁慎青，等．提高气象数据查询速度的存储分析　［Ｊ］．电脑知识与技术，２０１４，（６）：１１７０—１１７２．　［３］虞海燕．基于Ｃａｃｈ６数据库的电子病历系统性能评价［Ｄ］．上海：　浙江大学，２０１３．　个结点时需要有效的平衡该页面所在结点的父结点和子结　［４］傅荣会．三种关系型数据库管理系统的比较研究——Ｖｉｓｕａｌ　Ｆｏｘ—　点。因而在此时整棵Ｂ一树会被封锁一定的时间，所以在这个　时候不能同时进行读写操作，而在本文所设计的索引中每个页　面被页面数组结构相互隔离开，所以当前页面进行分裂时给当　Ｐｒｏ，Ａｃｃｅｓｓ和ＳＱＬ　Ｓｅｒｖｅｒ［Ｊ］．重庆三峡学院学报，２０１Ｉ，（３）：　５８—５９．　［５］宋亚林，任冬英．文档型数据库与关系型数据库中数据集成的研究　［Ｊ］．福建电脑，２０１１，（２）：１５７—１５８．　［６］闽常友．广域测量系统若干技术及电压稳定应用研究［Ｄ］．北京：　华北电力大学，２００５　前页面上锁很容易，且只有当前的页面被锁住而其他的页面不　会被锁住因此其他的页面仍然可以进行读写操作，页面分裂的　操作简单、限制少，因此减少了时间消耗，页面中包含１０　０００　个索引项，因此更新的频率很低，因此对页面进行分裂耗费的　时间很少。　［７］邱胜海，高成冲，王云霞，等．大数据时代非关系型数据库教学与　实验改革探索［Ｊ］．电脑知识与技术，２０１３，（３１）：７０４６—７０４８．　４　结束语　在ｃ／ｓ模式下，分析客户端可视化数据缓存的存储结构　和算法，深入分析缓存的存储结构和算法对读取可视化数据所　需要时间以及缓存的稳定性的影响。通过在现有的主流数据库　当中进行读写速度的比较以及稳定性的比较，选择最合适的数　据库，减少存储的数据量，提高缓存的读写速度。详细介绍了　一［８］李东林．基于Ｌｉｎｕｘ的嵌入式实时数据库访问算法研究与实现　［Ｄ］．长春：长春理工大学，２００８．　［９］张华，顾红飞，刘涛．基于Ｂ＋树的文本信息检索技术ＥＪ］．皖　西学院学报，２ｏＩｏ（２）：３１—３５．　［１ｏ］朱秋香．流分类技术研究及其原型系统的实现［Ｄ］．福建：东南　大学，２００４．　［１Ｉ］田晓辉．Ｂ—ｔｒｅｅ检索技术及其应用［Ｊ］．福建电脑，２０１３（１Ｏ）：　２２—２３．　种新型的页面数据索引的设计，该页面索引应用在高实时性　的读取某个历史时间戳的数据，并将当前采集的数据和读取的　［１２］叶晓舟，王劲林．混合Ｃｈｏｒｄ网络中的有效关键字检索［Ｊ］．计算　机工程，２００８（１１）：２４６—２４８．　历史数据进行对比，给出了查找页面的具体算法并结合具体例　子对页面查找算法进行了详细分析，介绍了存储历史数据的文　件结构，并给出了结构设计的依据，详细介绍了数据写入和读　取的功能实现，并对各存储方法进行了比较、分析得出了结　［１３］汪超，何丕廉，李志明．基于Ｈａｓｈ表的数据库索引结构设计与　实现［Ｊ］．微处理机，２００７（４）：５３—５６．　［１４］雷红利．查询执行算法的设计与优化［Ｄ］．长沙：华中科技大学，　２００４．