英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料
摘要
为了避免数据库访问路径的拥塞，延迟和抖动现象，有必要研究数据库访问路径的预测方法。使用现有的数据库访问路径预测方法预测路径时，预测的数据库访问路径具有较高的延迟和抖动。因此，提出了一种基于递归神经网络的数据库访问路径预测方法。基于层次分析法构造决策矩阵并进行归一化。算术加权平均算子计算出备选运输数据中心的评估值，并根据评估结果选择运输数据中心。物元分析模型用于建立用户体验质量和网络服务质量参数之间的映射关系。此外，构建了用户体验质量评价水平目标函数的数据库访问路径预测方法。通过目标函数获得最优的数据库访问路径，完成了数据库访问路径的预测。实验结果表明，该方法预测的数据库访问路径的时延比其他方法要低得多。抖动小于30 ms，抖动较小，验证了路径预测方法的有效性。实验结果表明，该方法预测的数据库访问路径的时延比其他方法要低得多。抖动小于30 ms，抖动较小，验证了路径预测方法的有效性。实验结果表明，该方法预测的数据库访问路径的时延比其他方法要低得多。抖动小于30 ms，抖动较小，验证了路径预测方法的有效性。
1、引言
大型数据库将用户数据复制到多个数据库中，以提高用户服务质量。这些分布式数据库之间需要传输大量数据。度量研究表明，数据库之间的流量已占数据库导出带宽的近一半。为满足应用的峰值带宽需求，要被预测的数据库需要的访问路径。现有的数据库访问路径预测方法以高延迟和大抖动来预测最佳路径。有必要分析研究数据库访问路径的预测方法。
王等人提出了一种基于数量限制和数据传输延迟的数据库访问路径预测方法。该方法使用分布式最短路径树算法收集k 1跳通信范围内的传感器节点的相关信息和感知数据。虚拟力理论用于计算传感器节点的虚拟力和所有虚拟力的合力。根据当前网格中心的停留时间和基于停留次数的下一个驻留网格中心，计算合力的大小和方向；然后，根据传感器节点的位置，剩余能量等信息找到一条更好的路径，以完成数据库访问路径的预测。用这种方法预测的路径的延迟较高。
罗和刘提出了一种基于交通引力场的数据库访问路径预测方法。该方法结合了复杂网络理论和引力场理论，研究了交通引力场下的动态路由过程，并定义了计算数据包传输路径引力的公式。基于路径的引力，考虑到数据包传输路径的长度，节点的平滑度以及内部性对传输过程的影响，在内部约束条件下的引力场路由策略建议精度。通过使用指示流从自由流到拥塞状态的相变值来测量网络的传输容量，并对网络节点的拥塞分布进行统计分析，以完成数据库访问路径的预测。
马等人提出了一种基于蚁群优化的数据库访问路径预测方法。该方法使用蚁群优化算法将蚂蚁的信息素与节点的能量和通信带宽结合在一起。当蚁群选择路径时，降低信息素在其最优化路径上的浓度，并根据概率路由表中信息素的浓度获得路由策略，以完成数据库访问路径的预测。存在路径延迟高的问题。
为了解决上述方法中的问题，提出了一种基于递归神经网络的数据库访问路径预测方法。具体步骤如下。
1.基于层次分析层次结构构建决策矩阵，并选择运输数据中心。
2.构建用户体验质量评价等级目标函数，以获得最优的数据库访问路径。
3.实验结果和分析验证了基于循环神经网络的数据库访问路径预测方法在路径延迟和路径抖动方面的有效性。
2、替代传输数据中心
在分析数据库访问路径时，将出现多个属性数据。为了消除干扰数据的影响，有必要分解其属性。在分解过程中保留备用传输数据，以减少预测数据库访问路径的工作量并提高数据库访问路径预测的效率。
当考虑在多属性信息下选择数据中心之间的数据传输路径时，一个重要的问题是多个属性之间存在一定的相互制约。在层次分析法的基础上，采用层次结构构造基于循环神经网络的数据库访问路径预测方法，以构建多属性决策问题。该数据库通常具有有效的监视和管理工具，并且可以通过监视和量化来获取关键属性值。与经典的层次分析法相比，不需要使用1到9尺度法构造判断矩阵来分析定性属性信息，避免了诸如心理学等主观因素造成的人为错误。之前预测数据库访问路径，有必要分析预测问题的属性结构数据库的访问路径。
基于递归神经网络的数据库访问路径预测问题的属性的层次结构如图1所示 。围绕最终的综合评估目标，多个属性信息根据它们之间的依赖关系分为不同级别。
图1 基于递归神经网络属性层次结构的数据库访问路径预测问题
在图1中，第0层是对多个属性信息的最终总体评估。第一层是管理者需要关注的核心属性，例如中转数据中心的访问带宽成本，访问链路的服务质量以及数据中心的能源使用效率。第2层是第1层核心属性的分解。例如，服务质量可以分解为两个子属性：带宽和延迟。可以基于属性的分类和管理人员的日常管理经验来获得属性的分解。例如，链路服务质量与链路带宽的延迟有关。内容的受欢迎程度与用户的地理位置以及该位置的人口规模有关。如果层2的属性也具有子属性，所述第三和第四层的结构可以进一步被构造直至第k-1层。第k个层是各种替代方案，代表上述属性值的来源，即每个候选运输数据中心。
基于属性的分层结构，构造了基于多属性信息的决策矩阵，以评估不同候选数据中心的偏好顺序。原始决策矩阵D原点显示在公式1中
在等式1中,xij是决策矩阵中的元素；n和m是常数。矩阵的行表示m个决策选择{ Ai }。数据库访问路径预测的基于回归神经网络上的问题是m个可替代传输的数据中心的问题。列代表n个不同的决策属性{ Xj }，包括带宽成本，带宽，往返延迟，数据中心能源使用效率等。每个元素X矩阵的 i j代表数据中心 i的第 j个属性值。根据层次结构模型和属性之间的从属关系，将原始决策矩阵1分解为几个子决策矩阵。每个子决策矩阵都可以从上到下逐层构建，如图1的第一层所示 ，即用户体验质量QoS。内容流行度的决策矩阵的弹出可通过第二层的子属性来构造，如图方程 2-3，
服务质量决策矩阵D QoS和内容受欢迎度决策矩阵D pop的行由m个候选数据中心组成。决策属性分别由服务质量属性的2个子属性定义：带宽和延迟。也有n 内容受欢迎程度，人口，地理位置等子属性。将每个决策矩阵标准化，计算每个决策子属性的权重，并生成当前属性的评估结果并将其标记为当前值属性。可以根据D QoS和D pop生成用于服务质量属性和内容受欢迎程度属性的不同替代决策方案的属性值。
在获得该值之后，可以进一步构造第0级决策矩阵。即，通过等式4获得最终决策矩阵D final。
其中，决定属性的数量ntilde; “仅被确定ntilde; 第一层的核心属性。再次对矩阵进行归一化和加权以获得最终决策评估结果。同样，在层次更高的结构下，通过子决策矩阵向上递归构造最终的综合评估结果。基于递归神经网络的数据库访问路径预测方法采用信息值来设置不同的属性权重。在描述权重的设置之前，将构造的决策矩阵标准化。将所有类型的属性转换为基于成本的属性，该模型只有两种类型的属性，一种类型是收益类型，例如带宽，受欢迎程度等。其属性值越高，其评估就越好。另一类是成本类型，例如带宽价格，延迟等。属性值越低，评估结果越好。基于递归神经网络的数据库访问路径预测方法通过替换将获利属性转换为成本类型xij为 1 / xij。将替代项 xj的属性 Ai的属性值归一化为评估值
将决策矩阵一中的xij替换为Xij，以构建评估矩阵P
根据香农定理，如果信息源的信息速率R小于或等于信道容量C，那么理论上就有一种方法可以以任意小的错误概率通过信道传输信息源的输出。因此，通过等式7计算 属性Xj的信息熵权Ej
其中n是一个常数。为了使0le; euml; Ĵ le;1 ，让ķ = 1/ LN 米。
信息的偏差程度d Ĵ由等式定义8
假设数据库管理器没有属性首选项。公式9中定义了设置不同属性的权重的方法
基于循环神经网络的数据库访问路径预测方法使用算术加权平均算子来计算替代交通数据中心的评估值。可以使用等式10的层次分析法来递归求解 最终评估值
由于所有属性都转换为成本类型，因此的值越低，替代数据中心Ai的评估结果就越好。根据等式10选择备用运输数据中心。
3、数据库访问路径的预测方法
数据库访问路径是根据备用运输数据中心预测的。影响用户体验质量的QoE和QoS参数被确定为网络系统中的四个常见QoS参数，包括带宽，延迟，丢包率和抖动。可拓论中的物元分析模型被用来建立QoE评估水平和QoS参数之间的映射关系。针对数据库访问路径预测方法构建了QoE评估级别目标函数。根据可拓学理论，使用物元来相应地描述QoE评估水平。QoE评估级别的特征是上述四个通用QoS参数，分别表示为C1，C2，C3和 C4。相应特征的值的范围是在相应规范或标准中指定的QoS参数的范围，它们分别表示为 V1，V2，V3和V4。等式11定义了基于递归神经网络的数据库访问路径预测方法中QoE评估级别的物质元素描述形式
在等式11中，Rj是QoE评估等级的物质元素，Nj是QoE评估等级的进展，基于递归神经网络的数据库访问路径预测方法使用优，良，中，优，劣表示QoE五个得分等级。它们的量化值分别为5、4、3、2和1。所述 Ci 代表物元件的特性- [R Ĵ，其分别对应于所述的带宽，延迟，分组丢失率和抖动中的一般QoS参数。〈aji,thinsp;bji〉是对象Rj的每个特征Ci的值范围，并表示为Vji。并且如果〈aji,thinsp;bji〉是特征的归一化值范围 Ci，然后 Rj被称为经典域物基质。如果〈aji,thinsp;bji〉是特征的整个值的范围Ci，然后Rj被称为域-结构域物质矩阵，表示为Re = (Ne,thinsp;Ce,thinsp;Vei),和Rj满足条件Rj sub; Re。
根据物元分析理论，候选路径P的QoE评价水平的i特征Ci与物元Rj之间的关联度由方程12求得
在等式12中，kj（Vi）是待评估对象R的第i个特征Ci与物质Rj之间的关联度。d是根据区间模式公式计算特征Ci的取值范围得到的模块，即〈aji，bji〉。Vi是要在实轴上评估的对象R的特征Ci的某个数量级。根据前面的分析，Vi的值是候选路径P上的特定QoS参数值，这些QoS参数值可以根据候选路径P的每个跳无线链路对应的QoS参数值来获得，假设候选路径的中继跳数为P，每个跳的无线链路式13-16中定义了获得候选路径P的带宽B（P）、延迟D（P）、丢包率E（P）和抖动J（P）的公式
rho;（V i，thinsp; V ji）和rho;（V i，thinsp; V ei）分别是从值Vi到相应范围Vji和Vei的距离分别为。表达式如方程式17-18所示
多个候选路径的所述QoS评价等级的特征P从方程得到 11-12和方程 17-18和某一件事的集成度 Rj 由方程得到19
在等式19中，T是特征指标的个数，omega;i是QoS评估等级的每个特征的权重，即QoS参数带宽、延迟、丢包率和抖动权重值。由于各特征对物元的影响程度不尽相同，需要根据其相对重要性赋予不同的权重。根据模糊层次分析法，可以计算出这些权重的目标值。对于候选路径P，如果Kj（P）的值较大，则表示满足相应的QoE评价水平j。Kj（P）最大值对应的j是候选路径P的QoE等级，如果QoE等级较高，则表示用户的用户体验较好，反之则表示用户的用户体验较差。从用户的角度来看，候选路径P的QoE评分目标函数定义在等式20中
在等式20中，N是候选路径的数目，由等式2选择的数据库访问路径可以给用户带来更好的用户体验，并完成数据库访问路径预测。具体的预测过程如图2所示。
图2 数据库访问路径的预测过程
4、实验结果与讨论
为了验证基于递归神经网络的数据库访问路径预测方法的整体有效性，有必要对基于递归神经网络的数据库访问路径预测方法进行测试。本次测试的实验平台为MATLA
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[235319]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
