-
公开(公告)号：CN119519724A
公开(公告)日：2025-02-25
申请号：CN202411519199.9
申请日：2024-10-29
Applicant: 哈尔滨工业大学 , 北方自动控制技术研究所
IPC: H03M7/30 , G06N3/0442
Abstract: 一种云边端数据两级压缩方法及系统，它属于数据压缩技术领域。本发明解决了传统压缩方法的压缩率低的问题。本发明首先分析任务对数据完整性的要求，以数据完整性要求作为约束，以最大化压缩比和最小化损失率为目标，计算出采用有损压缩和无损压缩的比例，然后根据比例选择压缩方法来对数据进行压缩，从而实现弹性压缩。在一级压缩的基础上，根据压缩结果判断是否进行二级压缩，如果需要进行二级压缩，则根据一级压缩后数据分布特点选择二级压缩的方法，并对一级压缩结果进行二级压缩，可以获得更高的压缩比，达到了较高的压缩率。本发明方法可以应用于数据压缩技术领域。
-
公开(公告)号：CN119357239A
公开(公告)日：2025-01-24
申请号：CN202411519197.X
申请日：2024-10-29
Applicant: 哈尔滨工业大学 , 北方自动控制技术研究所
IPC: G06F16/2455 , G06F16/27 , G06F18/23 , G06F18/25 , G06N3/0455 , G06N20/00 , G06N3/092 , G06N7/01 , G06F123/02
Abstract: 一种基于强化学习的数据库自适应混合数据分区方法及系统，它属于人工智能领域。本发明解决了在现有数据分区方案下，查询负载执行时需要访问大量冗余数据且无法根据动态工作负载自动进行自适应数据分区的问题。本发明建立工作负载预测模型，基于历史工作负载来预测数据库未来一段时间内查询工作负载中各种类查询出现的频率，将混合数据分区问题建模为马尔科夫决策过程，定义智能体状态、动作及奖励，根据预测出的各种类查询出现的频率和训练好的强化学习模型为到来的查询工作负载自适应推荐出合适的混合数据分区方案，减少了查询负载执行时所需要访问的数据量。本发明方法可以应用于数据库自适应混合数据分区。
-
公开(公告)号：CN114911823A
公开(公告)日：2022-08-16
申请号：CN202210319734.0
申请日：2022-03-29
Applicant: 哈尔滨工业大学
IPC: G06F16/2453 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 面向云边端协同查询的深度学习代价估计系统、方法及设备，属于计算机技术领域。为了解决于目前还没有一种针对云、边、端三种设备联合查询优化的方法的问题。本发明所述系统中以云边端系统的系统节点元信息和协同查询计划树确定面向云边端协同查询的深度学习代价估计模型的模型输入，代价估计模型根据模型输入进行代价估计；代价估计模型采用残差连接的m个树卷积模块，对协同查询计划树编码进行特征融合和特征提取，进而得到针对每个云/边/端节点的查询计划特征；然后使用GCN和树卷积高效融合了查询特征和云边端数据库系统特征，实现了对云边端数据库的准确代价估计。本发明主要用于面向云边端协同查询的深度学习代价估计。
-
公开(公告)号：CN114637775A
公开(公告)日：2022-06-17
申请号：CN202210319758.6
申请日：2022-03-29
Applicant: 哈尔滨工业大学
IPC: G06F16/2453 , G06N5/00 , G06N7/00 , G06N3/08
Abstract: 基于蒙特卡洛树搜索和强化学习的查询优化系统、方法及设备，属于计算机技术领域。为了解决现有的NEO查询优化方法存在兼容性弱和稳定性差的问题，本发明的系统采用与NEO查询优化模型相同的框架，其中价值模型单元：基于价值模型利用查询计划对应的特征预测查询计划的开销；价值模型为神经网络模型；价值模型的输入为一棵向量树，用于表示需要估计开销的查询计划，向量树的拓扑结构为二叉树结构，各节点编码按照树的层序遍历顺序依次拼接；节点的节点特征由节点信息的编码组成；查询计划搜索单元采用蒙特卡洛树搜索方法，根据查询计划‑>时间开销的预测做查询计划搜索，从搜索空间中生成一个执行计划。主要用于计算机中的查询优化。
-
-
-
Search Results
4
records
(took 0.024 seconds)
