مقاله حافظه پنهان پرس و جو براساس روش بهینه سازی در پایگاه داده های توزیع شدهCache Based Query Optimization Approach in Distributed Databas

چکیده فارسی :

پژوهش و بهینه سازی به صـراحت در بساری از جنبه های پیشـرفت تـدریجی و مـداوم آن نـیاز به بانک اطلاعات یـا پایـگاه داده توزیـع شده را تاکید دارد.مـعمولا”ساخـت آن امـری ضـروری برای بـهینه سـازاست تـا منابع اطلاعاتی را کنکاش اساسی کند،این در حالــی اســت که برای انجام دادن بهینه ســازی هزینه شده است.این نه تنها هزینه های بهینه سازی را افزایش می دهد،بلکه به طور قابل توجهی باعث کساد شدن تجارت دیگر در مراحــل بهینه سـازی نــیز می شود. حداقل هزینه ها در طی این مراحل بهینه سازی،هزینه هایی اســت که به طور سستی ناچیز درنظـر گرفته می شوند. بهینه ساز تنها می تواند چند دور از پیامهای منابع اصلی را موجب شود و از این رو تکنیک های بهینه سازی در این محیط باید در راستای جمع آوری تمام اطلاعات هزینه های مورد نیاز با حداقل ارتباطات باشد.  در این مقاله مدل ذخیره گاه یا حافظه پنهان پرس و جو متکی به روش بهینه سازی قصد دارد نشان دهد که ضریب موقعیت بهتر حتــی برای پرس و جوی اولیه از زمانی که پرس و جوهای محلی به جای پرس و جوهای جهــانی استفاده می شده ساخته شده است.پرس و جوبین بهینه ساز محلی و اطلاعات محلی صورت میگیرد.هنگامی که به بهینه ساز محلی یک تحقیق داده شده،بهینه سازمحلی در قدم اول اطلاعات را به طور مستقیم از پایگاه داده ها چک می کند.درحقیقت اگر راه حل مساله از طریق پرس وجو بتواند به دست بیاید،نتیجه آن صرفه جویی قابل توجهی از زمان محاسبه می شود.  چنانچه دسترسی به پرس و جو سریع تر از دسترسی به پایگاه داده ها است.هزینه پیشنهادی مدل بهینه سازی براساس چهارعامل مختلف کار می کند.فاصله سرور،ظرفیت سرور،عملکرد سرور و خطوط طولی متداول برای ارائه اشکال بهینه جایی که پرس و جو حتما” اجرا شده باشد.

چکیده انگلیسی:

Query optimization in distributed databases is explicitly needed in many aspects of the optimization process, often making it imperative for the optimizer to consult underlying data sources while doing cost based optimization. This not only increases the cost of optimization, but also affects the trade-offs involved in the optimization process significantly. The leading cost in this optimization process is the cost of costing that traditionally has been considered insignificant. The optimizer can only afford a few rounds of messages to the under-lying data sources and hence the optimization techniques in this environment must be geared toward gathering all the required cost information with minimal communication. In this paper, a cache based query optimization model has been proposed which shows better hit ratio even for the initial queries made since local cache has been used instead of global cache. A cache is implanted between the local optimizer and local database. Whenever a query is given to a local optimizer, local optimizer first checks the cache rather than fetching the data directly from the database. In case, if the solution of query can be obtained from the cache, it results in saving a huge amount of computation time as accessing a cache is faster than accessing the database. The proposed cost optimization model works on the basis of four different factors i.e. server distance, server capacity, server load and current queue length to provide optimal node where query should be executed.