АЛГОРИТМЫ УПРАВЛЕНИЯ ЛОГИЧЕСКОЙ СТРУКТУРОЙ БАЗЫ ДАННЫХ С ИСПОЛЬЗОВАНИЕМ ПАРАМЕТРИЧЕСКОЙ МОДЕЛИ КОНКУРЕНТНОГО ДОСТУПА ЗАПРОСОВ, ОСНОВАННОЙ НА МЕТОДЕ СЛУЧАЙНОГО ЛЕСА
(Стр. 41-47)

В статье рассматривается подход к разработке математического обеспечения для поддержки процесса управления схемой данных в реляционных системах управления базами данных в условиях обработки потока параллельных запросов, конкурирующих за данные в иерархии памяти ядра системы управления базами данных. Обосновывается необходимость формирования параметрической модели конкурентного доступа запросов. Кратко рассматриваются методы машинного обучения, позволяющие решить задачу восстановления регрессии. Обосновывается использование метода случайного леса, как наиболее универсального способа аппроксимации произвольных функций. Приводится способ формирования параметрической модели конкурентного доступа на основе метода случайного леса, а также подхода с ансамблированием множеств решающих деревьев, который позволяет обеспечить требуемую обобщающую способность и устойчивость модели к частичным признакам и многообразию всех видов запросов, поступающих на вход системы управления базами данных. Представлены этапы разработанных алгоритмов: ранжирования параметров запросов по суммарному времени выполнения и автоматического распределения данных, позволяющих перейти от аппроксимации целевой системы линейно-непрерывными функциями к множеству объектов логической схемы данных, упорядоченному по их влиянию на время суммарное время выполнения запросов сведении задачи многокритериальной оптимизации к задаче оптимизации по одному критерию.

Громей Д.Д., (2019), АЛГОРИТМЫ УПРАВЛЕНИЯ ЛОГИЧЕСКОЙ СТРУКТУРОЙ БАЗЫ ДАННЫХ С ИСПОЛЬЗОВАНИЕМ ПАРАМЕТРИЧЕСКОЙ МОДЕЛИ КОНКУРЕНТНОГО ДОСТУПА ЗАПРОСОВ, ОСНОВАННОЙ НА МЕТОДЕ СЛУЧАЙНОГО ЛЕСА. Computational nanotechnology, 2 => 41-47.

Лебеденко Е.В., Громей Д.Д. К вопросу управления схемой реляционной базы данных в задачах горизонтального масштабирования автономных СУБД // Cб. докладов 24-й междунар. открытой науч. конф. «Современные проблемы информатизации». Воронеж: ВГТУ, 2019.
Вапник В.Н., Червоненкис А.Я. Теория распознавания образов. М.: Наука, 1974. 416 с.
Загоруйко Н.Г. Прикладные методы анализа данных и знаний. Новосибирск: ИМ СО РАН, 1999. 270 с.
Воронцов К.В. Обзор современных исследований по проблеме качества обучения алгоритмов // Таврический вестник информатики и математики. 2004. № 1. С. 5-24.
Jain A.K., Duin R.P.W., Mao J. Statistical pattern recognition: A review // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2000. Vol. 22. № 1. S. 4-37.
Kanevskiy D.Y., Vorontsov K.V. Cooperati e coevoluti y ensemble learning // Multi Classifi Systems: 7th Internati Workshop, Prague, Czech Republic, May 23-25, 2007. Lecture Notes in Computer Science. Springer-Verlag, 2007. S. 469-478.
Tresp V. Committee machines // Handbook for Neural Network Signal Processing / Ed. by Y.H. Hu, J.-N. Hwang. CRC Press, 2001.
Breiman L. Random Forests // Machine Learning. 2001. № 45 (1). S. 5-32.
Tin Kam Ho, Hill M. The Random Subspace Method for Constructing Decision Forests // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1998. Vol. 20. Issue 8. S. 832-844.
Elisseeff A. Stability of randomized learning algorithms / A. Elisseeff, Th. Evgeniou, M. Pontil // Journal of Machine Learning Research. 2005. № 6. S. 55-79.
Breiman L., Friedman J., Stone C.J., Olshen R.A. Classification and Regression Trees // Belmont, California, U.S.A.: Wadsworth Publishing Company, 1984.
Mazurov V., Khachai M., Rybin A. Committee constructions for solving problems of selection, diagnostics and prediction // Proceedings of the Steklov Institute of mathematics. 2002. Vol. 1. P. 67-101.
Вапник В.Н., Червоненкис А.Я. О равномерной сходимости частот появления событий к их вероятностям // ДАН СССР. 1968. Т. 181. № 4. С. 781-784.
Кочедыков Д.А. Структуры сходства в семействах алгоритмов классификации и оценки обобщающей способности // Всерос. конф. Математические методы распознавания образов. № 14. М.: МАКС Пресс, 2009. С. 45-48.
Ботов П.В. Точные оценки вероятности переобучения для монотонных и унимодальных семейств алгоритмов / П.В. Ботов // Всерос. конф. Математические методы распознавания образов. № 14. М.: МАКС Пресс, 2009. С. 7-10.

администрирование систем управления базами данных, конкурентные запросы, параметрическая модель конкурентного доступа, машинное обучение, метод случайного леса, алгоритм ранжирования параметров запросов, алгоритм распределения данных.