基于滑动窗口的数据流反向查询方法
数据流处理中的滑动窗口算法
数据流处理中的滑动窗口算法随着物联网和智能设备的普及，数据流处理成为了一项重要的技术。
数据流处理是指对无限数据流进行实时处理和分析的方法。
在这个过程中，数据通常以流的形式传输，因此需要使用一些特殊的算法来处理这些数据流。
其中，滑动窗口算法是常用的一种。
什么是滑动窗口算法？滑动窗口算法是一种基于区间的算法，它可以在固定大小的区间内对数据流进行处理。
这个固定大小的区间就是滑动窗口。
滑动窗口由一个起点和一个终点组成，起点和终点都会随着数据流的更新而进行滑动。
当新的数据流进入滑动窗口时，算法会对滑动窗口内的数据进行分析和处理，然后将结果输出。
滑动窗口的大小可以根据不同的需求来设置。
例如，在网络流量分析中，如果我们想要知道最近10秒钟的网络带宽使用情况，我们可以将滑动窗口的大小设置为10秒钟，然后对这个滑动窗口内的数据进行统计。
滑动窗口算法的应用滑动窗口算法在数据流处理中有着广泛的应用。
下面列举一些常见的例子：1. 最近K次查询的平均响应时间在计算机网络中，我们通常需要对最近K次的查询响应时间进行统计来了解系统的负载情况。
这个问题可以通过滑动窗口算法来解决。
我们可以将滑动窗口的大小设置为K，然后在滑动窗口中计算查询响应时间的平均值。
2. 判定数据流中是否存在某个子序列在某些情况下，我们需要判断一个数据流中是否包含某个子序列。
这个问题可以使用滑动窗口算法来解决。
我们可以将滑动窗口的大小设置为子序列的长度，然后在滑动窗口内判断是否包含这个子序列。
3. 实时数据分析在实时数据分析中，我们需要对数据流进行实时处理和分析。
滑动窗口算法可以对数据流进行连续的实时处理和分析。
我们可以将滑动窗口的大小设置为一定的时间窗口，然后在滑动窗口内进行数据分析和处理。
滑动窗口算法的优点和缺点滑动窗口算法有着一些优点和缺点。
下面是一些常见的优点和缺点：优点：1. 实时性好：滑动窗口算法可以对数据流进行实时处理，这对于实时数据分析非常有用。
基于滑动窗口数据流频繁项集挖掘模型综述
基于滑动窗口数据流频繁项集挖掘模型综述王红梅;李芬田;王泽儒【摘要】给出了频繁项集和滑动窗口的相关定义,根据数据流中不同的时序范围对数据流模型进行了分类,从数据处理模型的角度对滑动窗口进行了分类.分析了典型的频繁项集挖掘算法中滑动窗口的使用方法,总结了各模型中典型频繁项集挖掘算法的挖掘技术和效率.【期刊名称】《长春工业大学学报（自然科学版）》【年(卷),期】2017(038)005【总页数】7页(P484-490)【关键词】数据流;频繁项集;滑动窗口;数据处理模型【作者】王红梅;李芬田;王泽儒【作者单位】长春工业大学计算机科学与工程学院,吉林长春 130012;长春工业大学计算机科学与工程学院,吉林长春 130012;长春工业大学计算机科学与工程学院,吉林长春 130012【正文语种】中文【中图分类】TP301数据流是一种潜在无限、快速、连续、随时间不断变化的数据序列[1]。
数据流是一种新型的数据模型，至今为止已经出现在许多种应用中，如通信数据管理、网络监控、股票交易数据分析以及商品销售分析等。
与传统的静态数据相比，数据流具有无序性、连续性、实时性和无界性的特点[2]，使得数据流挖掘算法满足以下几个条件[3]：1)当分析数据流的时候，最多只能访问一次所有的数据元素；2)虽然在数据流中连续不断地产生数据元素，但是必须满足有限的分析数据流所需要的内存空间；3)新产生的数据必须尽可能快地处理，要求具有很高的算法实时性；4)当用户提交查询时，最新的数据流分析结果必须被快速并且及时反馈出来，它有很高的算法时间效率。
因此在今后的发展中，数据流挖掘具有更大的挑战意义。
在实际应用中，近期数据是大部分人感兴趣的焦点，所以在一般情况下，数据流的挖掘都是基于某个时间段内对数据进行挖掘和研究，从而出现了很多种不同的窗口模型。
在此基础上根据数据流中不同的时序范围，可以把数据流的模型分为以下3种[4]：1)界标窗口模型。
起始时间是固定的，而结束时间是变化的。
描述tcp中基于滑动窗口的流量控制过程
TCP中基于滑动窗口的流量控制过程是网络通信中非常重要的一部分。
通过对这一主题的深入剖析，我们可以更好地理解网络通信中的数据传输过程，以及如何通过控制流量来优化数据传输的效率和稳定性。
1. TCP简介在深入探讨基于滑动窗口的流量控制过程之前，让我们先简要了解一下TCP协议。
TCP（Transmission Control Protocol，传输控制协议）是一种面向连接的、可靠的、基于字节流的传输层协议，它在网络通信中扮演着至关重要的角色。
2. 滑动窗口的概念在TCP通信中，滑动窗口是指发送方和接收方用来协商发送数据量的一种机制。
通过滑动窗口，发送方可以根据接收方的处理能力来动态地调整发送数据的速率，从而实现流量控制。
这一机制极大地提高了数据传输的效率和可靠性。
3. 流量控制的原理基于滑动窗口的流量控制是通过动态调整发送窗口的大小来实现的。
当发送方发送数据时，接收方会告知发送方自己的接收窗口大小，发送方根据该窗口大小决定发送多少数据。
如果接收方处理能力较弱，窗口大小会减小，限制发送方的数据量；如果接收方处理能力较强，窗口大小会增大，允许发送方发送更多数据。
4. TCP滑动窗口的过程在TCP通信中，滑动窗口的过程可以描述如下：- 发送方首先发送一段数据，并启动计时器等待确认消息；- 接收方接收数据并发送确认消息，同时更新自己的接收窗口大小； - 发送方收到确认消息后，根据接收方的窗口大小和确认的数据量来调整自己的发送窗口大小；- 基于新的窗口大小，发送方继续发送数据，循环以上过程。
5. 个人观点和理解从个人角度来看，基于滑动窗口的流量控制是TCP协议中非常精巧的设计之一。
它能够根据网络和接收方的状况动态地调整数据传输速率，从而保证了数据传输的高效性和稳定性。
这一机制在实际的网络通信中发挥着重要作用，尤其在高延迟、高丢包率的网络环境下更加显著。
6. 总结通过对TCP中基于滑动窗口的流量控制过程的全面探讨，我们深入地理解了数据传输中的流量控制机制。
一种基于滑动窗口的流数据聚类算法
⼀种基于滑动窗⼝的流数据聚类算法第⼀个以流数据为分析对象的聚类算法是由Sudipto Guha 等提出的STREAM 算法。
这种算法根据分治原理，使⽤⼀个不断迭代的过程实现有限空间对数据流进⾏K-means聚类，但该算法⽆法处理演化的数据流。
Aggarwal 在总结上述⽅法本质缺陷的基础上提出了⼀个数据流聚类框架Clustream[5]，其核⼼思想是将聚类过程分为在线和离线两个阶段。
在线部分的任务是存储数据流的汇总结果，⽣成⼀种称为微聚类的信息存储结构，并按⾦字塔式时间结构将中间结果进⾏保存。
离线部分既是根据⽤户指定的观察时段及聚类数量，快速⽣成聚类结果的过程。
CluStream 不⾜之处在于需要⽤户指定聚类簇数k，要求强⾏输⼊固定的聚类簇数必然影响真实的聚类形态分布。
同时，算法是以K-means 算法为基础，对⾮凸形状聚类效果不好，⽆法发现任意形状的聚类，且当噪声数据增多时，聚类质量急骤下降。
Aggarwal 等后续提出了专门针对⾼维连续属性数据流的HPStream 算法，该算法引⼊了⼦空间聚类，并提出了具有遗忘特性的聚类结构，使⽤⾼维投影技术和衰减结构来处理⾼维数据流，HPStream 算法对⾼维数据流具有很好的健壮性。
但算法中需要⽤户来指定平均聚类维数，⽤户⼀般并不具备这种领域知识，成为该算法的瓶颈。
Cao 等⼈提出了基于密度的两阶段聚类⽅法,即DenStream 算法，该算法仍然沿⽤CluStream 算法中的双层结构，创造性的引⼊了潜在微聚类簇和孤⽴点微聚类簇结构，具备对孤⽴点的分析能⼒，即随着数据流不断进化，算法可以识别在某⼀时间段有可能演变成聚类簇的孤⽴点或“潜在聚类”，从⽽更加准确的捕获真实的聚类形态。
但由于算法中采⽤全局⼀致的绝对密度作为参数，使得聚类结果对参数⼗分敏感，⽽且它不⽀持指定的时间窗⼝内实时数据流的演化分析。
受到⼴泛关注的3 类⽅法是基于⽹格的数据流聚类技术[6-9]、⼦空间聚类技术[7-9]、混合属性数据流聚类[10]，代表了当前数据流聚类研究的主流⽅向。
逆向查询的9种方式
逆向查询的9种方式
1. 数据逆向查询，通过已知的数据来查找相关的信息，比如通过已知的特定数字、统计数据或者数据库中的信息来寻找相关的记录或者信息。
2. 关联逆向查询，通过已知的相关信息来查找目标信息，比如通过已知的关联人、地点或事件来寻找相关的信息。
3. 搜索引擎逆向查询，利用搜索引擎的逆向搜索功能，通过输入已知的信息或者数据来查找相关的内容或者来源。
4. 图像逆向查询，通过图像识别技术，将已知的图片或者图像作为查询条件，来查找相关的图片或者相关信息，比如通过图像搜索引擎进行逆向查询。
5. 文本逆向查询，通过已知的文字信息或者文本内容来查找相关的文章、资料或者作者，可以通过文本相似度匹配或者关键词搜索进行逆向查询。
6. 地理位置逆向查询，通过已知的地理位置或者坐标信息来查
找相关的地理特征、地理数据或者地理信息。
7. 历史记录逆向查询，通过查找已知的历史记录或者事件来寻找相关的背景资料、相关事件或者相关人物。
8. 反向工程逆向查询，通过对已知的产品、技术或者系统进行逆向分析，来获取相关的设计原理、技术规格或者制造工艺。
9. 社交网络逆向查询，通过已知的社交网络信息、用户资料或者社交关系来查找相关的用户、社交活动或者社交趋势。
以上是我对逆向查询的9种方式的多角度解释，希望能够对你有所帮助。
一种数据流上基于滑动窗口的点连接查询处理算法
一种数据流上基于滑动窗口的点连接查询处理算法
杨仁凯;王坤朋;木伟民;王伟平
【期刊名称】《计算机研究与发展》
【年(卷),期】2014(0)S1
【摘要】连接是数据库研究中至关重要的一环,在没有边界、连续的数据流模型中,由于存储有限和实时性需求,连接算法主要基于滑动窗口作近似处理.主要研究数据流上一种特殊的连接,命名为点连接.点连接是指对于任意r∈R(称为主流),有唯一的s∈S(称为副流)与之对应,其中s.a=r.a且s.time最接近r.time(time称为时间特征).因此,流R与流S上的数据属于n∶1的关系.而在真实的分布式环境下,因为网络等原因,流数据到达的时间和顺序往往不一致,导致连接成功率下降.提出一种新的连接查询处理算法,能够在复杂的网络环境下获取更多的连接输出.实验模拟了2种网络环境,分别在数据有序到达和数据乱序到达2种情况下对算法验证,证明此算法比已有算法更优.
【总页数】8页(P161-168)
【关键词】数据流;数据库研究;点连接;滑动窗口;时间特征
【作者】杨仁凯;王坤朋;木伟民;王伟平
【作者单位】中国科学院大学;中国科学院信息工程研究所
【正文语种】中文
【中图分类】TP311.13
【相关文献】
1.数据流上周期更新滑动窗口的连接算法 [J], 王伟平;李建中;张冬冬;郭龙江
2.数据流上的复合滑动窗口聚集算法 [J], 钟颖莉;李金宝;王伟平;艾春宇
3.数据流上加权共享滑动窗口的连接查询处理算法 [J], 潘立强;李建中;王伟平
4.一种数据流上截止期敏感的滑动窗口处理策略 [J], 武珊珊;谷峪;吕雁飞;于戈
5.数据流上多滑动窗口聚集查询的优化算法 [J], 周心林;赵雷
因版权原因，仅展示原文概要，查看原文内容请购买。
数据逆向查找不止有vlookup，你该知道的三种逆向查询操作
数据逆向查找不⽌有vlookup，你该知道的三种逆向查询操作
使⽤Excel的过程中，相信许多朋友都会碰到⼀个问题，那就是数据的反向向左查询。
我们都知道数据最简单的查询函数就是vlookup函数，但是这个函数在进⾏逆向查询的时候会变得⾮常鸡肋。
今天我们就来学习三种Excel实⽤的向左查询⽅法。
⽅法⼀：vlookup+if函数嵌套实现数据逆向查询
案例说明：我们需要根据对应⼈员⼯号，向左查询⼈员的姓名
函数公式：
=VLOOKUP(E5,IF(,$B$1:$B$9,$A$1:$A$9),2,0)
函数解析：
1、vlookup函数进⾏逆向查询时，需要结合if函数进⾏嵌套使⽤，也就是需要通过if函数重新构造⼀个函数区域列。
⽅法⼆：lookup函数快速实现数据逆向查询
案例说明：我们需要根据对应⼈员⼯号，利⽤Lookup函数向左查询⼈员的姓名
函数公式：
=LOOKUP(1,0/($B$1:$B$9=E5),$A$1:$A$9)
函数解析：
1、Lookup函数在进⾏数据向左查询的时候，只需要更改对应的参数位置即可。
⽅法三：万能嵌套函数Index+match快速实现数据向左查询
案例说明：我们需要根据对应⼈员⼯号，利⽤Index+Match函数向左查询⼈员的姓名函数公式：
=INDEX(A:A,MATCH(E5,B:B,0))
函数解析：
1、Index+match万能组合函数在进⾏数据向左查询的时候，同样可以⾼效率的完成。
函数除了可以实现逆向查询，还可以实现多条件查询等⾼级操作。
现在你学会如何利⽤不同的函数搭配，进⾏数据的逆向查询了吗？。
挖掘滑动窗口中的数据流频繁项算法
挖掘滑动窗口中的数据流频繁项算法随着互联网和大数据时代的到来，数据量的增加让数据处理变得越来越复杂，因此频繁项集挖掘成为了一项非常重要的数据挖掘技术。
频繁项集挖掘的一种实现方式就是滑动窗口中的数据流频繁项算法，本文将详细介绍这种算法的原理和实现。
一、滑动窗口中的数据流频繁项算法的原理滑动窗口中的数据流频繁项算法是一种流式数据挖掘方法，它通过维护一个滑动窗口来处理动态数据流。
滑动窗口是指在一个固定的时间段内，能够容纳一定数量的数据，当时间推移时，窗口会向后移动一个固定的步长，将新的数据插入到窗口的最后，同时将窗口的第一个数据删除，这样就保证了窗口中的数据始终是最新的。
滑动窗口中的数据流频繁项算法主要是基于Apriori算法的改进。
Apriori算法是一种从数据集中发现频繁项集的算法，其基本思想是通过逐层扫描数据集来实现频繁项集挖掘。
但是Apriori算法不适用于处理动态数据流，因为数据流是不断变化的，频繁项集也在不断变化中。
因此，我们需要一种能够处理动态数据流的改进算法。
滑动窗口中的数据流频繁项算法通过维护一个滑动窗口，对窗口内的数据进行频繁项集挖掘。
算法的核心思想是每次新读入一个数据时，都要对窗口内的数据进行一次频繁项集挖掘，并更新频繁项集的统计信息。
具体实现中首先要对窗口内的数据进行预处理，对所有项进行标号，然后对窗口内的所有事务进行扫描，以判断其中是否包含频繁项集。
然后统计出窗口内每个项的频数，并将它们插入到一个哈希表中。
接下来，我们可以使用Apriori算法来识别频繁项集。
由于滑动窗口中的数据流频繁项算法需要频繁地更新频繁项集的统计信息，因此，在实现中需要考虑如何有效地维护这些信息，以保证算法的时间和空间效率。
二、滑动窗口中的数据流频繁项算法的实现滑动窗口中的数据流频繁项算法的实现涉及到许多细节问题，下面我们将简要介绍一些关键的实现技巧。
1. 预处理项在滑动窗口中的数据流频繁项算法中，对所有项进行标号是一个非常关键的步骤。
基于滑动窗口的流数据聚类算法研究
持 数据处 理 ， 减少 了直方 图结构 的维护 数 ， 并在 复杂度 、 聚类 效果上 得到 了进一 步改善 。理论及 验证 表 明， 与传统基 于界标 模 型的聚类 算法相 比 ，优化 算 法可获得较 好 的工作效 率 、较 小的 内存 开销 和快速 的数据 处理 能力 ，拓展 了数据 流挖掘 技术
Ａｂ ｔ ａ ｔ Ｓ ｒ ａ ｎ ａａｃｕ ｔｒｎ ｌ ｏ ｔ ｍ ａ ｅ ｎ ｓｉ ｉ ｇｗｉ ｄ ｗ ｏ ｅ ｔ ｅｐ ｒ ｏ ｅｏ ｈ ｇ ｌ ｓｅ ｕ ｌ ｙ ａ ｄ ｅ ｃ ｅ ｃ ｓ ｓｒ ｃ ： ｔｅ ｍｉｇ ｄ ｔ ｌ ｓｅ ｉ ｇ ａｇ ｒ ｈ ｂ ｓ ｄｏ ｌ ｎ ｎ ｏ ｍ ｄ ｌ ｈ ｔ ｕ ｐ ｓ ｆ ｉ ｈ ｃｕ ｔｒｑ ａｉ ｎ ｆ ｉｎ ｙ ｉ ｉ ｄ ｗｉ ｈ ｔ ｉ ｉ ｒ ｖ ｄ Ｉ ｄ ｉ ｏ ，ｃｕ ｔ ｒ ｅ ｔ ｒ ｉｔ ｇ ａ ｒ ｄ ｐ ｅ ｓ ｈ ａａ ｓ ｐ ｏ ｔ ｇ ｓｒ ｃ ｕ ｅ Ｃｏ ａ ｉ ｇｗｉ ａ ｉ ｏ ａ ｌ ｓｅ ｌ ｏ ｍｐ ｏ ｅ ． ｎ ａ ｄ ｔ ｎ ｌ ｓｅ ａｕ ｅｈ ｓｏ ｒｍｓａ ｅａ ｏ ｔ ｄ ａ ｅｄ ｔ ｕ ｐ ｒ ｎ ｔｕ ｔ ｒ ． ｉ ｆ ｔ ｉ ｍｐ ｒ ｔ ｔ ｄ ｔ ｎ ｌ ｕ ｔ ｒ ｇ — ｎ ｈｒ ｉ ｃ ａ
ｒ ｈ ， ｔｅｃ ｍｐｅ ｉ ｎ ｅｃｕ ｔｒｎ ｆｅ ｔｓｆｒ ｅ ｒ ｖ ｄ Ｉ ｄ ｉ ｏ ， ｔｅａｇ ｒｔｍ ｌｂ ｅｔｒ ｆ ｃｅ ｃ ， ｌｓ ｍｏｙ ｉ ｍｓ ｈ ｏ ｌｘｔ ａ ｄｔ ｌｓｅｉｇｅｆｃ ｔ ｒ ｍｐ ｏ ｅ ． ｎａ ｄｔ ｎ ｈ ｌｏｉ ｔ ｙ ｈ ｉｕｈ ｉ ｉ ｈ ｗｉ ｅｂ ｔ ｉ ｉｎ ｙ ｅｓｍｅ ｒ ｌ ｅｅ
（． １太原 理 工 大学 测控技 术研 究所 ，山西 太原 ０ ０ ２ ； ． ３ ０ ４ ２ 太原理 工 大学 计 算机 与软 件 学院 ，山西 太原 ０ ０ ２ ） ３ ０ ４
hmw提问法
hMW提问法一、hMW提问法简介hMW提问法是一种基于滑动窗口和历史最大值（hMW）的数据流查询方法。
它通过维护一个滑动窗口，利用历史最大值来确定查询范围，从而减少数据扫描的量，提高查询效率。
该方法适用于静态数据流或变化较小的数据流，具有通用性和广泛适用性。
二、hMW提问法的应用领域hMW提问法可以应用于多个领域，如实时数据流处理、流式计算、实时数据分析等。
在实时数据流处理中，hMW提问法可以用于快速查询数据流的统计信息，如最大值、最小值、平均值等。
在流式计算中，hMW提问法可以用于计算数据流的聚合结果，如计数、求和等。
在实时数据分析中，hMW提问法可以用于挖掘数据流的模式和趋势，为决策提供支持。
三、hMW提问法的实施步骤1.数据流进入滑动窗口，并按照时间顺序排列。
2.根据历史最大值（hMW）确定查询范围。
3.在查询范围内进行数据扫描，并计算出满足条件的记录数。
4.根据满足条件的记录数估计查询结果，并返回预估值。
5.如果预估值满足精度要求，则结束查询；否则，扩大查询范围，重复步骤（3）和（4）。
四、hMW提问法的优势1.提高了查询效率。
通过维护一个滑动窗口并利用历史最大值来确定查询范围，可以减少数据扫描的量，从而提高查询效率。
2.降低了系统资源需求。
hMW提问法只需保存滑动窗口内的数据，不需要额外的存储空间，从而降低了系统资源需求。
3.具有通用性。
hMW提问法可以应用于不同的数据流处理场景，具有广泛的适用性。
五、hMW提问法的不足1.精度可能较低。
由于hMW提问法是基于历史最大值来确定查询范围，因此如果数据流的变化较大或存在极端值，可能导致查询结果的精度较低。
2.无法处理实时变化的数据流。
hMW提问法适用于静态数据流或变化较小的数据流，对于实时变化的数据流可能无法提供准确的查询结果。
3.需要维护滑动窗口。
hMW提问法需要维护一个滑动窗口来存储数据流，这可能会增加系统的开销。
六、hMW提问法的未来发展1.提高查询精度。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
ｉ ｅ ｓ ｑ ｅ ｅ ｏ ｄａａ ｓｒ ａ ． ｉ ｔ ｅ ｄｏ ｉ ｏ ｄａａ ｔｅ ｍ ａ ｔｅ ｉｄｅ ｅ ｒ ａ ＡＶＬ－ｔｅ ａ ｔｅ ｉ ｅ ｎｖ ｒｅ ｕ ｒ ｓ ｎ ｉ ｔ ｔｅ ｍ Ｕｓｎｇ ｈ ｍａ ｎ ｆ ｔ ｓｒ ａ ｓ ｈ ｎ ｘ ｎｔｙ ｎｄ ｒ ｅ ｓ ｈ ｎｄ ｘ
些 数 据 构 成 数 据 流
部 数 据 ． 能 在 内存 中保 存 最 近 一 段 时 间 的数 据 ． 一 周 的数 只 如
据 等 ： 数 据 库 中的 数 据 是有 限 的 ． 以 永 久 地 存 储 在 磁 盘 等 而 可
存储 介 质上
（ ） 时性 据 流 中 的数 据 是 实 时 到 达 的 ： 数 据库 中保 ３实 数 而 存 的 通 常是 历 史数 据
ｓｒ ｃｕ ｅ ｔ ｅ ＤＳ ｉ ｄ ｘ ｈ ｓ ｅ ｃｅ ｔ ｏ ｖ ｄ ｔｅ ｉ ｖ ｒｅ ｑ ｅ ｅ ｒ ｂ ｅ ｏ ａａ ｓ ｅ ｍ． ｔｕ ｔ ｒ ，ｈ — ｎ ｅ ａ ｆ ｉｎ ｌ ｓ ｌｅ ｈ ｎ ｅ ｓ ｕ ｒ ｓ ｐ ｏ ｌ ｍ ｎ ｄ ｔ ｔ ａ ｉ ｙ ｉ ｒ Ｋｅ ｗｏ ｄ ：ｄ ｔ ｔ ａ ， ｖ ｒｅ ｑ ｅ ， — ｎ ｅ ｓｉ ｉ ｇ ｗｉ ｄ ｗ ｙ ｒｓ ａａ ｓ ｅ ｍ ｉ ｅ ｓ ｕ ｒ ＤＳ ｉ ｄ ｘ，ｌ ｎ ｎ ｏ ｒ ｎ ｙ ｄ
ｌ 引 言
数 据 流 是 连 续 的 、 限 的 、 速 的 、 时间 变 化 的数 据 元 素 无 快 随 的流 口 典 型 的 数 据 流包 括 股 票 交 易 所 的 股 票 价格 信 息 数 据 、 ｌ ， 无 线 传 感 器 网 络应 用 环 境 中 由传 感 器 传 回 的各 种 监 测 数 据 、 网络 监 测 系 统 与 道路 交 通 监 测 系 统 的 监 测 数 据 、 电信 部 门的 通 话 记 录 数 据 以 及 网 站 的 日志 信 息 等 例 如 在 股 票交 易 市 场 分 析 中 ． 高 频 金 融 数 据通 常是 以小 时 、分 钟 甚 至 秒 为 频率 来 采 集 的 ． 这
摘 要 提 出 了一 种 基 于 滑动 窗 口的数 据 流 动 态 索 引 方法— — Ｄ 一 引 ，采 用 滑 动 窗 口保 存 数 据 流 的 最 新 数 据 ， 利 ／ Ｓ索 ８
Ａ ＶＬ树 对 数 据 流 的 变化 区 间进 行 索 引 ， 效 地 解 决 了数 据 流的 反 向 查询 问题 。 有
关 键 词 数 据 流 反 向查 询 Ｄ 一 引 滑动窗 口 Ｓ 索
文 章 编 号 １０ — ３ １２ ０ ）０ ０ ７ — ３ 文 献 标 识 码 Ａ ０２ ８ ３ （０ ６ ３ — １ １ ０ 中 图分 类号 Ｔ ３ １ａａ Ｓｒａ Ｂａｅ ｎ Ｓｉｉｇ Ｗ ｉｄ ｗ ｎ ｅｓ ｅ ｉｓｏ ｔ ｔｅ ｍ ｓｄ ｏ ｌ ｎ ｎ ｏ ｄ
维普资讯
基于滑动窗 口的数据流反 向查询 方法
曲吉林 ２ 寇纪淞 － 李 敏强 １ ，
（ 津 大学 管理 学 院 ， 津 ３０７ ） 天 天 ００ ２
（ 山东财政 学院计算机 系 ， 南 ２ ０ １ ） 济 ５ ０ ４
Ｅ ｍ ｉ ｑｊ ｄ ．ｄ ． － ａ ：ｕｌ ｆ ｅｕｃ ｌ ＠ｓ ｉ ｎ
ＱＵ Ｊ－ｉＬ ＫＯＵ Ｊ－ ｏ ｇ Ｌ ｎ ｑａ ｇ ｉｌ ｎ ｉｓｎ ＩＭｉ－ ｉｎ 。Ｓｈ ｏ ｆＭａ ａｅ ｅ ｔＴａｊ ｎｖ ｒ ｔ，ｉｎｉ ３ ０ ７ ） （ ｃ ｏｌｏ ｎｇ ｍ ｎ ，ｉｎｉ Ｕ ｉ ｓ ｙＴａｊ ０ ０ ２ ｎ ｅｉ ｎ 。Ｄ ｐ ｒ ｎ ｆＣ ｍｐ ｔｒＳ ｉ ｃ ｎ ｎ ｉｅｒ ｇ Ｓ ａ ｄｎ ｎｖｒｉ ｆＦｎ ｎ ｅ ｊ’ａ ５ ０ ４ （ ｅ ａｔ ｔｏ ｏ ｕｅ ｃ ｎ ｅ ａｄ Ｅ ｇ ｅｉ ，ｈ ｎ ｏ ｇ Ｕ ｉ ｓ ｙ ｏ ｉａｃ ，ｉｎ ｎ ２ ０ １ ） ｍｅ ｅ ｎ ｎ ｅ ｔ
重 视ｌ １ １
２２ 数 据 流 的 查 询 －
数 据 流 的特 点 决 定 了其 主要 查 询 方 式 为 连 续查 询 所谓 连
续 查 询 ．是指 一 旦 一 个 查 询 确 立 之后 它将 长 时 间连 续 执 行 ． 随 着新 数 据 的到 达 将 不 断 地 产 生新 的 查询 结 果 由 于数 据 流 是 一 系 列 离 散状 态 的集 合 ． 果采 用 传 统 数 据 如 库 的 查 询 方 式 ． 多 查 询 条件 下难 以 直 接 得 到 查 询 结 果 ． 图 很 如 １中 Ｖ Ｖ时 没 有 直 接 对 应 的 时 间 点 ． 难 以满 足 实 际 应 用 的需 ＝ ｐ 要 。 此 ． 用 插 值 函 数 连 接 两个 连 续 的状 态 ． 线 段 或 其 它 单 为 常 如 调 函 数 等 ． 数 据 流 表 示 为 Ｖ Ｆｔ 函数 的 形 式 这样 ． 将 ｉ （） ＝ 数据 流 的 查 询 又 可 以分 为 正 向查 询 和 反 向查 询 两 种 方 式 正 向 查 询 是 根 据 时 间 ｔ 询 数 据 流 的 值 ．如 某 一 股 票 查
（ ） 序性 。 据 流 中 的数 据 是 按 序 流 过 的 ， 数 据 只能 进 ４Ｊ Ｉ ￣ Ｆ 数 对 行顺 序 的访 问 ： 而磁 盘 中 的数 据 可 以 随 机访 问
（ ） 调性 。对 任 意 的 ｔｖ Ｆ ｔ 是 唯一 的 ， 反 之不 成 立 。 ５单 ｉ ｉ （） ，＝ 但
同传 统 的 数 据 库 相 比 ， 据 流 具 有 连 续 、 限 、 时 等 特 数 无 实
点 ． 据 流 的这 些 特 殊 性 给信 息 处 理 技 术 的研 究 与 应 用 带 来 了 数
新的机遇和挑战。 目前 ． 据 流 的 连 续 查 询 、 集查 询 技 术 已经 数 聚 得 到 了 比较 深 入 的研 究 ３ 其 反 向 查 询 技术 还 没 有 引 起 足 够 的 １ ．