一个新颖的查询方法在移动云计算环境中空间数据

文摘

随着网络通信的发展,交通需求增长1000倍从4 g到5克,关键是提供高效和快速移动环境中空间数据访问接口应用程序。针对I / O效率低和高延时的现有方法,本文提出了一种基于内存的空间数据的查询方法,使用Alluxio分布式内存文件系统来存储数据,建立一个二级指标基于Alluxio键值结构;此外,它旨在解决传统方法效率低的问题;根据火花计算框架的特点,提出了空间数据查询的数据输入格式,可以选择性地读取文件数据,减少数据I / O。比较实验表明,基于内存的文件系统Alluxio具有更好的比文件系统磁盘I / O性能;与传统的分布式查询方法相比,我们提出的方法大大降低了检索时间。

1。介绍

背景下的移动数据流量的爆炸性增长和各种新业务场景的出现,第五代(5 g)移动通信网络提出了,成为学术的和工业领域的一个热门话题。随着新一代的无线移动通信网络,5 g主要用于满足移动通信的需求在2020年之后;受移动互联网的快速发展和对物联网(物联网)服务日益增长的需求,5 g是需要低成本的特点,低功耗,安全可靠(1,2];5 g将使信息和通信超过了时间和空间的限制,大大缩短人与物之间的距离,并迅速意识到人类和万物的互操作性3]。

目前,5 g网络的关键技术仍处于研究阶段;除了网络结构和传输理论,集中的移动云计算也是未来5 g网络研究[4]。移动云计算是一种新的模型,交付和使用IT资源或信息服务;这是一个云计算的产品在移动互联网;移动智能终端在移动网络按需连接到远程服务提供商和可伸缩的方法来获取必要的资源,主要包括基础设施、计算、存储容量和应用程序资源(5,6]。与信息技术的不断渗透到社会,基于位置的服务已经广泛应用于许多领域,如军事和交通工具,例如,病人护理在智能家居和移动交通导航服务;一方面,定位技术的持续发展,为移动应用程序提供越来越精确的位置信息;另一方面,用户数量的增加和移动应用程序的数量大幅增加,空间数据的爆炸式增长带来了巨大的压力,上层应用程序,尤其是应用程序在移动网络巨大的流量。因此,越来越多的研究将移动云计算与空间数据处理和使用云平台进行数据存储、计算、索引和查询加速处理,减少响应延迟(7]。

在本文中,我们的目标是提供一个快速移动云计算环境中空间数据查询接口;对于大规模空间数据的可靠存储,我们首先网格空间数据,填满整个电网空间由希尔伯特曲线,然后组织数据块使用分布式内存文件系统Alluxio KeyValueStore文件和建立一个二级指标基于文件的内部索引和文件名称。为了提供实时查询,我们使用火花,一个分布式内存计算框架,为分布式数据查询;与此同时,我们提出一个火花数据输入格式基于火花的特点。方法尽可能地消除了磁盘I / O和整个查询过程从内存到内存,通过两层过滤。实验表明,该方法可以组织大规模空间数据和更高的性能比传统的查询方法。

剩下的纸是组织如下:部分2评审相关工作和部分3我们提供一个背景空间数据查询和Alluxio的概述。部分4描述了我们建议的数据索引算法,存储结构,并行分布式检索算法。我们将讨论实验结果5节和结论6。

2。相关工作

空间数据是定量描述世界的地理位置;基于计算机技术,有效的利用空间数据在人们的生活中具有十分重要的意义。空间数据库的快速发展的背景下出现的数据库和空间应用需求的快速发展;它提供了空间数据类型定义接口和查询语言,具有非常重要的开创性意义的早期阶段GIS (8,9]。然而,随着空间数据的快速增长,传统的空间数据库已经无法满足实时检索的需要。一些作品10,11]针对大规模数据查询空间数据,提出一种并行空间数据库解决方案,分配数据加载和检索单个计算机多个服务器的压力。然而,这种方法需要昂贵的软件许可证和专用硬件和需要复杂的调试和维护工作12]。

云计算已经成为一个具有成本效益和有前途的解决方案计算和数据密集型问题,很自然的将云计算整合到空间数据的存储和处理。魏et al。13)应用的分布式NoSql数据库存储空间数据和构建高效的索引快速检索空间数据。像MapReduce已成为大规模并行数据处理的标准解决方案,越来越多的研究者对GIS应用Hadoop。宫等。14]提出一种基于Hadoop MapReduce算法对分布式多边形检索。霁et al。15]目前MapReduce-based方法构造反向网格索引和过程神经网络在大规模空间数据集查询。Hadoop-GIS [16]和Spatial-Hadoop [17)是两个可伸缩的、高性能的空间数据处理系统运行Hadoop大规模空间查询。然而,由于MapReduce的设计的局限性,一些研究者开始迁移空间数据处理火花。王等人。18)对空间范围查询使用火花;所有的空间数据存储在HDFS并提出一个叫做Spark-Fat-Thin-Grid-Index网格索引的方法。Cahsai et al。19提出一种新颖的方法来处理神经网络的查询;这种方法是基于一个coordinator-based分布式查询处理算法,并使用引发的方式来表述数据并行处理处理。在系统层面,Yu et al。20.)引入一个内存中的集群计算框架来处理大型空间数据,有效地执行空间查询处理算法和几何操作库,提供了访问空间抽样来执行基本的几何操作。

上述研究缓解当前迅速增加数据集之间的矛盾和实时检索。然而,在当前方法仍存在一些性能瓶颈。首先,数据存储在磁盘上,和查询是基于记忆;内存处理速度之间的不匹配和I / O速度限制性能。其次,现有的分布式搜索算法不区分数据严格而阅读,很多数据不相关查询条件也读到内存中,并计算层的查询负载增加。因此,在本文中,我们基于内存文件系统存储数据并构建一个两层的索引结构加快随机存取;针对当前工作的缺乏,火花用于并行数据处理和空间查询的数据输入格式,提出了与查询条件过滤掉无关的数据基于索引结构。

3所示。背景

在本节中,我们提供必要的背景和预赛的空间数据查询和简要概述Alluxio分布式内存文件系统。

3.1。空间数据查询

对于大多数应用程序,有两种常见的地理空间查询方法。如数据所示1和2,图1范围查询(21];给定一组数据点和空间范围 ,查询目标检索所有空间点在给定的边界;范围查询的结果 。图2是神经网络查询(22];最近邻查询是最常见的查询在地理;它是另一种查询方法不同于范围查询。它是用来找出的最近邻空间从一个给定的点;最近的邻居可以一个或多个;如图2给定的点红颜色和标记 4-NN查询搜索最近的4分 ,和这个查询的搜索结果 。

3.2。Alluxio概述

Alluxio(原速子)是一个新项目,它是由加州大学伯克利分校公布AMPLab实验室在2013年世界上第一个memory-centric虚拟分布式存储系统,统一数据访问,成为连接计算基础设施和底层存储的关键;Alluxio memory-centric架构使数据访问速度比现有的解决方案。从本质上讲,Alluxio是一个分布式内存文件系统部署在计算平台如火花或MapReduce和存储平台如HDFS或S3和由全球隔离计算平台和存储平台缓解内存压力的计算框架,并给出了快速读和写的能力框架计算大量数据的内存。Alluxio分离内存存储从火花/ MapReduce的力量,让火花/ MapReduce更加关注通过细分区计算本身更大的执行效率(23,24]。

Alluxio架构如图3,它使用一个标准成为集大成模式,运行Alluxio系统,由一个主机和多个工人和Alluxio主机支持容错,动物园管理员用来管理所有文件的元数据;它还负责监控个人Alluxio工人的地位。每个Alluxio工人开始守护进程和管理当地的Ramdisk和Ramdisk存储特定的文件数据。到目前为止,Alluxio 1.7.1上已经更新。

4所示。基于内存的平行空间数据检索

在本节中,由于空间数据索引和检索存储是密切相关的,本文首先介绍了空间索引算法,说明了数据存储方法和Alluxio二级索引结构。之后,我们将介绍具体空间方式来表述数据并行处理检索算法。

4.1。空间数据索引

地理空间矢量数据通常包括三种,即点、线、多边形,如图4。面对大量的空间数据,用户经常关心一些当地的信息;因此,如何索引空间数据和快速响应用户的请求当存储是一个关键问题。常见的包括网格空间索引方法,KD树,r - Tree,利用指数等。25- - - - - -28];其中,网格索引具有简单和方便的特点;与其他方法相比,网格索引的建设引发/ MapReduce并行系统并不复杂。所以在本文中,我们建立了空间数据的网格索引。

为了构建网格索引,地理空间需要分成不同的网格;不同的数据块包含数据与地理位置的网格相交。唯一标识每个数据块和考虑的空间距离数据,数据块的编码使用Hilbert曲线(29日,30.];原来的空间面积block-coded如图5。

地理空间啮合后,我们需要找到矢量数据网格块,给其网格ID,如图5左下角和右上角的坐标空间的平面(Lon0 Lat0)和(Lon1, Lat1),分别;作为参数,一个网格的宽度和高度和 ,分别,所以的行数和列数可以计算如下:

对于每一个空间数据,我们需要提取其位置信息,定位到特定的网格,然后网格内的数据组织在一起,以加快基于索引的查询。本文抽象的空间数据点,和多边形其中心点的位置,和线中点的位置;向量的点,其位置点本身。点( , )的空间位置数据;根据位置分和关口,行,我们可以得到任何空间数据的行和列的;最后用希尔伯特曲线算法得到网格ID。

上述过程后,每个网格空间数据有其ID;数据具有相同ID被组织在一起,形成一个数据表,如表所示1。

4.2。数据存储结构

Alluxio是一个基于内存的分布式文件系统,与HDFS[有许多相似之处31日]。通常,数据块往往是小于文件系统块;如果数据块直接存储在文件系统中,数据块的增加,这将带来巨大的元数据存储压力主节点和小文件的问题32]。基于这个问题,一些研究使用键-值对结构数据块在一起,小文件的解决这个问题33,34]。因此,本文选择Alluxio内置文件结构KeyValueStore数据存储、文件结构的键-值对的形式,与网格的希尔伯特曲线编码的关键;相应的数据存储的值;KeyValueStore部队用的键-值对升序因为内部索引是建立基于关键数据写入。

本文设置每个KeyValueStore文件的大小等于Alluxio块大小,旨在优化Alluxio存储,避免小文件的问题同时提高文件检索的性能。每个文件名包含文件中的数据范围,如包含与希尔伯特网格数据的文件代码(0,1,2,3);它的文件名是“0 - 3。kv”,这样所有的文件名构成全球指数。所有KeyValueStore文件的内部指数和全球指数形成一个二级指标,如图6。

矢量数据的形状是不规则的,有很多矢量数据在一个网格的空间。因此,它是非常复杂的,以确定查询条件和数据之间的关系。所以在本文中,我们介绍了thin-MBR和fat-MBR矢量数据在一个网格空间(11]。把数据块网格ID 14为例,thin-MBR建立过程如下。

步骤1。提取向量相交的中心点的空间网格块;多边形的中心观点是内接圆的中心点;这条线是它的中间点,关键是本身。

步骤2。让所有的向量的最小外接矩形网格中心点在这个区域。

步骤3。最小的外切矩形网格的thin-MBR向量。

建立fat-MBR是遍历所有的向量空间的物体;创建所有向量的最小矩形封闭,的fat-MBR网格的空间矢量数据块。

的thin-MBR和fat-MBR网格如图147;因此,键值应该包含更多信息,网格用作键代码,包括空间数据网格中的价值和thin-MBR fat-MBR。

4.3。空间数据检索

根据添加火花计算框架的特点,本文提出了一种输入格式query-KVInputFormat呼吁空间数据查询、过滤数据读取内存时文件系统。后的第一层过滤数据,每个火花任务在内存中执行数据查询,也称第二层过滤;两层过滤分布;首先是读分布式文件系统数据,第二个是并行分布式处理的任务。

4.3.1。第一层的过滤

我们在部分涵盖两个常见的分布式查询3后,可以检索到地理空间啮合和编码。范围查询,范围可以转换为一组网格数字跨越的范围。为神经网络查询,记录当前位置所在网格数量,等 ,然后记录所有网格相邻形成一套网格数字。如图8,网格块交叉查询范围(2、7、8、13),当前位置 ,和神经网络查询条件转换为网格块组(6、7、8、9、10、11)。可以看出我们已经缩小了空间数据查询的数据范围相关的一组网格块,这样我们只需要这组网格块读入内存分布式检索和加速数据检索。

当与MapReduce互动/火花,Alluxio符合计算模型的输入和输出格式。然而,大数据的输入格式计算模型用于批处理和读取顺序一个接一个;每个任务不能随意阅读。因此,本文设计一种spatial-oriented查询输入格式:query-KVInputFormat-this输入格式是基于KeyValueInputFormat;实现细节如下。

覆盖保护名单listStatus (JobContext工作):这个方法是用来过滤查询键值的文件不包含数据通过使用网格块组,如范围查询转换成网格块组( , ), , ,在内存中构建一个全球指数遍历文件名,如图6基于全局索引和检索符合条件的文件,返回( .kv, .kv]。

定义类query-KVRecordReader RecordReader延伸 ;这类是内部类;类定义了任务的方式阅读,在传统RecordReader类及其子类,每个任务的顺序按顺序阅读记录。但是在查询我们需要过滤掉一些记录;顺序读取法不再适用,所以重写类;每个任务使用块组作为查询条件来读取指定文件(文件过滤listStatus之后)。首先,内部指数KeyValuetore加载到内存中,并使用查询条件查询。如果查询条件中存在的记录文件,将读出相应的数据块,如果没有,到下一个记录,整个网格块组将遍历。这个过程是每个任务并发性。

4.3.2。第二层的过滤

(1)查询范围。后的第一级检索,满足查询的数据加载到内存中,形成抽样,分配给每个任务。范围查询,数据通过第一级查询可能是多余的;如图8范围,查询转换成一个网格块组,减少查询的复杂性,但增加查询的范围;数据不在范围也是加载到内存中。所以在这一层,我们使用引发进一步检索。

在网格区域,有不同的类型和风格的矢量数据;范围查询,根据传统的搜索方法,遍历一个接一个的矢量数据在内存中是否有交集的范围,这种方法非常消耗,不利于扩展。本文基于thin-MBR数据过滤和fat-MBR;起初,范围是否包含当前网格区域的thin-MBR判断;如果是的,保持在该地区的所有数据和跳转到下一个网格区域;如果没有,法官和fat-MBR范围之间的关系;如果他们不相交,丢弃区域中的数据;否则,遍历矢量数据在这个领域来确定向量之间的关系和范围;如果有交集,然后保持这个向量数据;否则丢弃向量。 Combined with two filters, range query algorithm is shown in Algorithm1。

(2) 神经网络查询。在第一层过滤,网格查询点所在及其相邻数据块组成的网格块组,每个任务中读取数据到内存中基于网格块组,形成抽样。对于每个任务,我们维持一个本地队列,RDD-partitions计算每个点之间的距离和查询,并添加最近的指向队列。任务完成计算后,本地队列收集到主节点,主节点重新计算和选择最近的向量点查询结果。神经网络算法所示查询算法2。

5。实验评价

在本节中,我们目前的实验评价我们的检索算法。我们将这部分分成三个部分;首先,我们介绍了数据集和计算环境用于我们的实验研究;其次,我们与现有解决方案评估和比较,看看时间被查询的查询区域生长;在那之后,我们对HDFS Alluxio相比。最后,我们评估我们的算法在不同的集群大小的火花来衡量我们的方法的疗效在不同集群大小。

5.1。数据集和实验环境

实验数据集,我们选择43200×20880年全球高分辨率图像作为底图和共有11层的矢量数据的国界,海岸线、港口、省、湖泊、河流、道路、和机场是世界上所有国家的实验数据;一个数据网格的大小是512×512,编码使用希尔伯特曲线;Alluxio块设置为64 MB和单一KeyValueStore文件也是64 MB。我们进行了实验一群5浪潮集团Yingxin I8000刀片服务器,其中一个担任主节点和其他四个计算节点。每个节点被配置为Xeon e5 - 2620 v2 6-core 2.10 GHz处理器和32 GB内存和200 GB的硬盘驱动器使用Tenda TEG1024G千兆以太网交换机,在每个节点上安装了red hat 6.2以及2.6.32 Linux内核中,运行Spark-1.5.0 Hadoop-2.5.2, Alluxio-1.6.0。

5.2。时间成本和查询的大小

我们第一次演示的时间成本成长为查询区域的大小变化。在这个实验中,我们使用所有数据集作为输入,计算节点集群使用4 24芯和4核。范围查询,我们随机生成一个多边形区域的查询。为神经网络查询,我们生成一对使用随机函数的纬度和经度坐标在地图上定位一个点作为一个查询点。为了比较我们的结果与现有的分布式技术,我们选择GeoSpark [17作为基准。如前一节所示,我们将数据存储在Alluxio内存文件系统和使用火花为分布式数据查询读取数据。

数据9和10显示之间的关系查询查询时间成本和大小在4核的环境,和数字11和1224核环境中显示。范围查询,查询范围的大小测量面积,以及神经网络查询,查询点的数量是用于测量。从图中,我们注意的查询通常体积增大的时间成本增加更多的数据被处理。的结果,我们也推断出我们的算法平均−1% GeoSpark 50%的速度比目前的技术。正如我们前面所讨论的,在传统的方法中数据存储在HDFS中;大量的空间数据直接加载到内存,导致大量数据I / O和CPU负载,但在方法提出了数据存储在内存中;整个检索过程数据流从内存到内存,过滤而阅读,让不相关的数据尽可能少读入内存,减少CPU负载和加速查询。

5.3。Alluxio和HDFS

底层文件系统使用GeoSpark HDFS,和Alluxio用于本文。我们在实验记录文件系统的吞吐量5.2评估Alluxio的性能。数据13和14显示Alluxio的吞吐量和HDFS 4核的环境,和数字15和1624核环境中显示。从这四个数字,我们可以看到,Alluxio更高的吞吐量比HDFS在相同的实验条件下,特别是当它涉及范围查询;主要原因是,当执行一个神经网络查询,只有矢量点被读入内存,和矢量点的体积很小,所以Alluxio和HDFS的区别不明显。通过这个实验结果,我们可以看到Alluxio比HDFS I / O比率更高,使整个工作执行速度。

5.4。时间成本和集群大小

我们下一个评估的有效性检索算法通过改变大小的火花集群的核心的数量。对于这个实验,我们生成的查询和范围神经网络查询和使用在不同的集群大小运行查询。数据17和18时显示时间成本在不同的集群大小范围查询845平方米,有大小神经网络作为13-NN查询查询。我们从数据推断出17和18执行时间的降低逐渐随着集群规模变得更大。总的来说,我们发现该技术尺度与火花集群中的节点的数量,显示显著减少作业执行时间和增加集群的大小。

6。结论和未来的工作

随着移动网络的发展,空间数据的快速增长,传统的数据存储和查询模式似乎在处理大规模空间数据不足。摘要分布式内存文件系统Alluxio用于数据存储和索引;与此同时,一个大数据输入格式空间数据查询的火花计算框架的基础上,提出了整个检索过程从内存到内存和选择性地读取数据,减少I / O负载,CPU负载。通过比较实验,本文提出的分布式检索方法比传统方法具有更好的查询性能高效的数据组织的前提。下一步是构建更高效的空间索引和优化火花加工细节,提高分布式查询的效率。

数据可用性

空间数据(包括全球高分辨率遥感图像和矢量数据的各层)用于支持本研究的发现来自环境的数据集。任何人都可以安装的环境和“/数据”文件夹中找到实验数据。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究的部分支持由中国国家自然科学基金(没有。31770768),哈尔滨科技创新人才的研究项目(没有。2014 rfqxj132),和中国林业非营利行业研究项目(没有。201504307)。

引用

1. 罗z z . Wang, k,“5 g服务需求和技术标准的进展,”中兴通讯技术杂志,20卷,不。2,页2 - 4,25岁,2014年。视图:谷歌学术搜索
2. 4 g美洲,美洲4 g的建议5 g的需求和解决方案,2014年白皮书(EB / OL),http://www.4gamericas.org。
3. IMT - 2020(5克)推广组,5 g愿景和需求,白皮书(EB / OL), 2014年,http://www.imt - 2020. - cn。
4. g . x Wang汉、x Du和j·j·p·c·罗德里格斯“移动云计算在5 g:新兴趋势,问题和挑战(客人编辑),“IEEE网络卷,29号2,4 - 5,2015页。视图:出版商的网站|谷歌学术搜索
5. r·库马尔和美国Rajalakshmi移动云计算:标准移动云生态系统的保护和保护方法,”学报2013年国际会议上计算机科学和应用程序,CSA 20132013年12月,页663 - 669。视图:出版商的网站|谷歌学术搜索
6. n·古普塔和a·阿加瓦尔”上下文意识到移动云计算:审查”第二届国际会议上计算为全球可持续发展,INDIACom 20152015年3月,页1061 - 1065。视图:谷歌学术搜索
7. 崔y, j .的歌,c c。苗族,j .唐“移动云计算研究进展和趋势,”Jisuanji学报/中国电脑杂志》上,40卷,不。2、273 - 295年,2017页。视图:出版商的网站|谷歌学术搜索
8. r·h·肠道“空间数据库系统概论”,VLDB日报,3卷,不。4、357 - 399年,1994页。视图:出版商的网站|谷歌学术搜索
9. t . Devogele、c .父母和s . Spaccapietra“空间数据库集成,”国际地理信息科学杂志》上,12卷,不。4、335 - 352年,1998页。视图:出版商的网站|谷歌学术搜索
10. j . f . Wang, l·库珀et al .,“高分辨率的数据模型和数据库病理分析图像信息,“病理学杂志》上的信息,卷2,不。1,第三十二条,2011。视图:谷歌学术搜索
11. 高j . f . Wang, j . et al .,“高性能病理学评价成像算法,基于空间数据库的方法”病理学杂志》上的信息,4卷,不。1、p。5、2013。视图:出版商的网站|谷歌学术搜索
12. A . Pavlo e·保尔森A .葡萄干et al .,“大规模数据分析方法的比较,”学报的国际会议管理数据库系统的数据和28日研讨会上原则,SIGMOD-PODS ' 092009年7月,页165 - 178。视图:出版商的网站|谷歌学术搜索
13. l . y, y . t .许w·c·彭et al .,“索引空间数据在云数据管理”,普及和移动计算,卷15 (C), 48 - 61年,2014页。视图:谷歌学术搜索
14. 宫,d . Agarwal, x他et al .,MapReduce算法进行GIS多边形叠加处理,2013年。
15. c .霁t .董y李et al .,“倒与MapReduce基于网格的资讯查询处理,”学报2012年第七ChinaGrid年会(ChinaGrid),页25-32,北京,中国,2012年9月。视图:出版商的网站|谷歌学术搜索
16. A . Eldawy和m . f . Mokbel”示范spatialhadoop:空间数据的一种有效的mapreduce框架,“VLDB养老,第1233 - 1230页,2013年。视图:出版商的网站|谷歌学术搜索
17. h·a .这个f . Wang Vo et al .,“Hadoop gis:高性能空间数据仓库系统在mapreduce,”美国养老,第1020 - 1009页,2013年。视图:出版商的网站|谷歌学术搜索
18. 崔w x f . Wang Wang, x, y,和j·李,“分布式检索有关引发的大规模的遥感影像元数据,”美国第36届IEEE国际地球科学和遥感研讨会,2016年雪茄烟2016年7月,页5909 - 5912。视图:出版商的网站|谷歌学术搜索
19. a . Cahsai n . Ntarmos c Anagnostopoulos说道,p . Triantafillou”比例再邻居查询(正确的方式),“美国第37 IEEE国际会议在分布式计算系统中,ICDCS 20172017年6月,页1419 - 1430。视图:出版商的网站|谷歌学术搜索
20. j . j . Yu吴,m . Sarwat”GeoSpark:集群计算框架来处理大型空间数据,”《Sigspatial国际会议在地理信息系统的发展ACM,卷。70年,2015年。视图:谷歌学术搜索
21. y l . Chen, m . Lv和g·陈,“而基于分区范围查询不确定的轨迹在公路网络,”GeoInformatica,19卷,不。1,第84 - 61页,2014。视图:出版商的网站|谷歌学术搜索
22. h . d .分、d . Agrawal和a . e . Abbadi”范围和k NN查询处理移动物体的网格模型,”移动网络和应用程序,8卷,不。4、401 - 412年,2003页。视图:谷歌学术搜索
23. h·李,a . Ghodsi m . Zaharia s Shenker,斯托伊卡,“超光速粒子:可靠、内存速度存储集群计算框架,”第五届ACM学报》研讨会上云计算,SOCC 2014,2014年11月。视图:出版商的网站|谷歌学术搜索
24. y z . Li Yan, j . Mo, z,和j .吴”性能优化的内存文件系统在分布式存储系统中,”学报2017年国际会议上网络、体系结构和存储(NAS)2017年8月,中国深圳,。视图:出版商的网站|谷歌学术搜索
25. d .Šidlauskas sŠaltenis c·w·克里斯琴森j·m·约翰森和d .Šaulys树木或网格?在主存中移动对象索引”第17届ACM SIGSPATIAL诉讼进展国际会议在地理信息系统中,ACM SIGSPATIAL GIS 20092009年11月,页236 - 245。视图:出版商的网站|谷歌学术搜索
26. a .格特曼“r - tree:动态索引结构空间搜索,“ACM SIGMOD记录,14卷,不。2,47-57,1984页。视图:出版商的网站|谷歌学术搜索
27. z刘”k d树型算法并行化克里格插值的大空间数据,”Giscience &遥感,52卷,不。1,40-57,2015页。视图:谷歌学术搜索
28. m . Demirbas和x,“分布式空间查询的利用无线传感器网络,”《IEEE国际会议交流IEEE,页3325 - 3332年,2007年。视图:谷歌学术搜索
29. j·麦克维恩:Engheta和a . Hoorfar“高阻抗超材料表面使用hilbert曲线时夹杂物,”IEEE微波和无线组件信件,14卷,不。3、130 - 132年,2004页。视图:出版商的网站|谷歌学术搜索
30. t·苏w . Wang z Lv, w . Wu和李x”快速德劳内使用自适应随机分布的点云数据三角希尔伯特曲线,“电脑和图形卷,54岁的货号。2631年,第74 - 65页,2016年。视图:出版商的网站|谷歌学术搜索
31. f . Azzedin,“对一个可伸缩的HDFS架构,”《2013年国际会议上协作技术和系统,CTS 20132013年5月,页155 - 161。视图:出版商的网站|谷歌学术搜索
32. x李董,l·肖l .阮和y叮,“小文件并行文件系统问题,”《2011国际网络计算和信息安全会议上,《海军罪案调查处》20112011年5月,页227 - 232。视图:出版商的网站|谷歌学术搜索
33. b .董问:郑,f .田K.-M。曹国伟、r . Ma和r . Anane”,一个优化的方法来存储和访问云存储上的文件小,”网络和计算机应用》杂志上,35卷,不。6,1847 - 1862年,2012页。视图:出版商的网站|谷歌学术搜索
34. z z Chi, f·张,Du, r·刘“遥感数据的分布式存储方法基于图像块组织,”浙江大学学报、科学版第41卷。。1,第112 - 95页,2014。视图:出版商的网站|谷歌学术搜索

版权

版权©2018年11月陈等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。