АЛГОРИТМЫ УПРАВЛЕНИЯ ЛОГИЧЕСКОЙ СТРУКТУРОЙ БАЗЫ ДАННЫХ С ИСПОЛЬЗОВАНИЕМ ПАРАМЕТРИЧЕСКОЙ МОДЕЛИ КОНКУРЕНТНОГО ДОСТУПА ЗАПРОСОВ, ОСНОВАННОЙ НА МЕТОДЕ СЛУЧАЙНОГО ЛЕСА
(Стр. 41-47)
Подробнее об авторах
Громей Дмитрий Дмитриевич
специалист
Федеральное государственное казенное военное образовательное учреждение высшего образования «Академия Федеральной службы охраны Российской Федерации»
Федеральное государственное казенное военное образовательное учреждение высшего образования «Академия Федеральной службы охраны Российской Федерации»
Аннотация:
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.
Образец цитирования:
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.
Список литературы:
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.
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.
Ключевые слова:
администрирование систем управления базами данных, конкурентные запросы, параметрическая модель конкурентного доступа, машинное обучение, метод случайного леса, алгоритм ранжирования параметров запросов, алгоритм распределения данных.
Статьи по теме
Искусственный интеллект и машинное обучение Страницы: 11-21 DOI: 10.33693/2313-223X-2024-11-2-11-21 Выпуск №119881
Разработка торговой стратегии криптовалюты с применением методов машинного обучения
криптовалюта
биткоин
торговые стратегии
машинное обучение
скользящие средние
Подробнее
Многомасштабное моделирование для управления и обработки информации Страницы: 11-20 DOI: 10.33693/2313-223X-2022-9-2-11-20 Выпуск №21224
Определение оптимальной модели машинного обучения для предсказания паводков на реке Амур
управление катастрофами
предсказание паводков
река Амур
машинное обучение
disaster management
Подробнее
Искусственный интеллект и машинное обучение Страницы: 19-24 DOI: 10.33693/2313-223X-2024-11-4-19-24 Выпуск №173588
Анализ и оценка алгоритмов персонализации взаимодействия с пользователем для разработки социальной сети
социальная сеть
машинное обучение
искусственный интеллект
рекомендательная система
K-Nearest Neighbors
Подробнее
Математическое моделирование, численные методы и комплексы программ Страницы: 20-36 DOI: 10.33693/2313-223X-2024-11-5-20-36 Выпуск №172073
Методы машинного обучения для определения оптимального времени орошения кукурузы
искусственный интеллект
нейронные сети
компьютерное зрение
гиперспектральное изображение
классификация кукурузы
Подробнее
Искусственный интеллект и машинное обучение Страницы: 19-31 DOI: 10.33693/2313-223X-2022-9-3-19-31 Выпуск №21873
Алгоритм идентификации лиц и преступных действий
машинное обучение
глубокая сверточная нейронная сеть
Kaggle
ориентиры
machine learning
Подробнее
Математическое и программное обеспечение вычислительных систем, комплексов и компьютерных сетей (специальность 2.3.5) Страницы: 26-35 DOI: 10.33693/2313-223X-2023-10-2-26-35 Выпуск №23034
Анализ алгоритмов составляющих частей компилятора и его оптимизации
компилятор
программный код
оптимизация
алгоритм
анализ
Подробнее
Искусственный интеллект и машинное обучение Страницы: 35-44 DOI: 10.33693/2313-223X-2022-9-2-35-44 Выпуск №21224
Элементы искусственного интеллекта в решении задач анализа текстов
анализ тональности текста
искусственные нейронные сети
машинное обучение
рекуррентные нейронные сети
длинная цепь элементов краткосрочной памяти
Подробнее
ЧАСТНО-ПРАВОВЫЕ (ЦИВИЛИСТИЧЕСКИЕ) НАУКИ Страницы: 43-50 DOI: 10.33693/2541-8025-2024-20-5-43-50 Выпуск №150029
Тенденции электронного здравоохранения и особенности практики рассмотрения споров по оказанию медицинских услуг с применением цифровых технологий
электронное здравоохранение
цифровые технологии
искусственный интеллект
анализ больших данных
машинное обучение
Подробнее
Вычислительные системы и их элементы Страницы: 86-92 DOI: 10.33693/2313-223X-2024-11-2-86-92 Выпуск №119881
Разработка интеллектуального алгоритма управления группой беспилотных летательных аппаратов
управление
беспилотный летательный аппарат
группа
искусственный интеллект
пчелиная колония
Подробнее
Системный анализ, управление и обработка информации, статистика Страницы: 78-84 DOI: 10.33693/2313-223X-2024-11-1-78-84 Выпуск №95355
Алгебраические модели представления данных и знаний в современных системах управления базами данных
алгебраические модели
системы управления базами данных
машинное обучение
искусственный интеллект
реляционная модель
Подробнее