林业资源数据集群的快速索引设计

吉林大学学报(理学版)

林业资源数据集群的快速索引设计

李惺颖¹, 谢阳生¹, 唐小明¹, 罗鹏¹, 黄龙^1,2

1. 中国林业科学研究院资源信息研究所, 北京 100091； 2. 北京林业大学水土保持学院, 北京 100083

收稿日期:2013-04-27 出版日期:2013-11-26 发布日期:2013-11-21
通讯作者: 谢阳生 E-mail:Xieys@caf.ac.cn

Design of Fast Index for Forest Resources Data Cluster

LI Xing ying^1, XIE Yang sheng¹, TANG Xiao ming¹, LUO Peng1, HUANG Long^1,2

1. Research Institute of Resource and Information, Chinese Academy of Forestry, Beijing 100091, China;2. School of Soil and Water Conservation, Beijing Forestry University, Beijing 100083, China

Received:2013-04-27 Online:2013-11-26 Published:2013-11-21
Contact: XIE Yang sheng E-mail:Xieys@caf.ac.cn

摘要/Abstract

摘要：

设计一种快速索引以管理分布存储的林业资源数据, 通过大量独立数据节点共同负载数据请求, 减少数据访问过程的互斥, 实现了空间与属性数据的分布式存储并行访问. 实验结果表明, 基于目前的应用服务器集群, 应用该快速索引方法, 能以较低的改进成本提高整个数据集群的快速统计和更新能力.

关键词: 林业资源, 集群数据存储, 多库存储, 并行索引

Abstract:

This paper describes the design of a fast index for distributed storage of forestry resource data. According to the load data request of a large number of independent data nodes to reduce the mutual exclusion during data access, parallel access was realized for distributed storage of spatial and attributive data. Based on the common application server cluster, this fast index can be used by making the minor modifications of data access process so as to improve the performance of statistics and update of the whole data cluster with low cost.

Key words: forestry resource, cluster data storage, multiple database storage, parallel index

中图分类号:

TP311

李惺颖, 谢阳生, 唐小明, 罗鹏, 黄龙. 林业资源数据集群的快速索引设计[J]. 吉林大学学报(理学版), 2013, 51(06): 1111-1117.

LI Xing ying, XIE Yang sheng, TANG Xiao ming, LUO Peng, HUANG Long. Design of Fast Index for Forest Resources Data Cluster[J]. Journal of Jilin University Science Edition, 2013, 51(06): 1111-1117.

[1]	杨光, 贾焱鑫, 陈翔, 许舒源. 基于深度学习的Stack Overflow问题帖分类方法[J]. 吉林大学学报(理学版), 2021, 59(4): 922-928.
[2]	李芳, 曲豫宾, 陈翔, 李龙, 杨帆. 一种基于类不平衡学习的情感分析方法[J]. 吉林大学学报(理学版), 2021, 59(4): 929-935.
[3]	曲豫宾, 陈翔, 李龙. 可缓解类重叠问题的跨版本软件缺陷预测方法[J]. 吉林大学学报(理学版), 2021, 59(2): 372-378.
[4]	何锴琦, 马宇骁, 张炎, 刘华虓. 一种基于数据的GitHub项目个性化混合推荐方法[J]. 吉林大学学报(理学版), 2020, 58(6): 1399-1406.
[5]	胡黄水, 赵思远, 刘清雪, 王出航, 王婷婷. 基于动量因子优化学习率的BP神经网络PID参数整定算法[J]. 吉林大学学报(理学版), 2020, 58(6): 1415-1420.
[6]	穆翔宇, 范钰, 李苏吉, 张鹏, 刘磊. 一种基于梯度下降算法的蜕变关系生成方法[J]. 吉林大学学报(理学版), 2020, 58(6): 1429-1435.
[7]	王壹铭, 初剑峰, 王永军, 陈彦东. 基于有向无环图的高效区块链共识算法[J]. 吉林大学学报(理学版), 2020, 58(5): 1167-1172.
[8]	骆焦煌. 基于卷积神经网络的粗粒度数据分布式算法[J]. 吉林大学学报(理学版), 2020, 58(4): 906-912.
[9]	吴春琼. 面向大规模数据的特征趋势推理算法[J]. 吉林大学学报(理学版), 2020, 58(2): 364-370.
[10]	楚玺, 周志祥, 邓国军, 邵帅. 模糊图像的不连续边缘智能检测改进算法[J]. 吉林大学学报(理学版), 2019, 57(04): 875-881.
[11]	刘良凤, 刘三阳. 基于权重差异度的动态模糊聚类算法[J]. 吉林大学学报(理学版), 2019, 57(3): 574-582.
[12]	魏晓辉, 许国威, 王兴旺, 徐海啸. 基于节点相似性和链接次数组合时间序列的链接预测[J]. 吉林大学学报(理学版), 2019, 57(3): 583-590.
[13]	刘久彪. 空间数据库反向最近邻聚类方法[J]. 吉林大学学报(理学版), 2019, 57(2): 387-392.
[14]	张世铮. 基于位移Hermite分裂的图像恢复算法[J]. 吉林大学学报(理学版), 2019, 57(1): 97-104.
[15]	王晓天, 边思宇. 基于遗传算法和神经网络的PID参数自整定[J]. 吉林大学学报(理学版), 2018, 56(4): 953-958.