基于Cache的数据挖掘专用数据访问组件

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (5): 190-193.

基于Cache的数据挖掘专用数据访问组件

黄晓霞¹,程论²,黄有方³

1.上海海事大学计算机系，上海 200135
2.同济大学控制科学与工程系，上海 200092
3.上海海事大学物流研究中心，上海 200135

收稿日期:2007-05-29 修回日期:2007-07-25 出版日期:2008-02-11 发布日期:2008-02-11
通讯作者: 黄晓霞

Cache-based data access component for data mining algorithm

HUANG Xiao-xia¹,CHENG Lun²,HUANG You-fang³

1.Department of Computer，Shanghai Maritime University，Shanghai 200135，China
2.Department of Control Science and Engineering，Tongji University，Shanghai 200092，China
3.Logistics Research Center，Shanghai Maritime University，Shanghai 200135，China

Received:2007-05-29 Revised:2007-07-25 Online:2008-02-11 Published:2008-02-11
Contact: HUANG Xiao-xia

摘要/Abstract

摘要： 介绍了数据挖掘算法的两种传统数据访问方式及其缺点，提出了新的数据访问方式——基于Cache的数据挖掘算法的数据访问方法，该方法提供了三种模式缓存数据：单列模式、多列模式、混合模式，以适用多种数据挖掘算法的需要。设计实现了这种数据挖掘专用数据访问组件，该组件兼顾了传统访问方式的优点，实验证明在占用有限系统资源的情况下，保证了高效的数据访问效率并支持对海量数据的访问。

关键词: Cache, 数据访问, 数据挖掘, 组件

Abstract: This paper introduces the disadvantages of two traditional data access modes for data mining algorithms，and then presents a new Cache-based data access mode.The mode supports three buffer patterns，which are single column pattern，multi-column pattern，mixed-columns pattern.These patterns are suitable for most of the data mining algorithms.Design and implementation of this Cache-based data-mining-specific data access component is presented later.It takes advantages of two traditional modes，ensures the high performance and supports the great capacity of data access with limited system resource.

Key words: Cache, data access, data mining, component

黄晓霞¹,程论²,黄有方³. 基于Cache的数据挖掘专用数据访问组件[J]. 计算机工程与应用, 2008, 44(5): 190-193.

HUANG Xiao-xia¹,CHENG Lun²,HUANG You-fang³. Cache-based data access component for data mining algorithm[J]. Computer Engineering and Applications, 2008, 44(5): 190-193.

[1]	宗晓萍，陶泽泽. 基于掌握速度的知识追踪模型[J]. 计算机工程与应用, 2021, 57(6): 117-123.
[2]	高天宇，王庆荣，杨磊. 粗糙集属性依赖度强化的应急数据挖掘模型[J]. 计算机工程与应用, 2021, 57(3): 87-93.
[3]	马洋，赵旭俊. 基于相关子空间的多源离群检测算法[J]. 计算机工程与应用, 2021, 57(17): 88-95.
[4]	张念蓬，吴旭，朱强. 基于熵的过采样框架[J]. 计算机工程与应用, 2021, 57(13): 96-101.
[5]	张博文，刘智，桑国明. 基于核密度波动的异常检测算法[J]. 计算机工程与应用, 2021, 57(12): 132-136.
[6]	陈立潮，朝昕，曹建芳，潘理虎. 融合独立组件的ResNet在细粒度车型识别中的应用[J]. 计算机工程与应用, 2021, 57(11): 248-253.
[7]	饶加旺，马荣华. 改进核密度估计的空间点密度算法[J]. 计算机工程与应用, 2021, 57(11): 260-265.
[8]	王杰，陈志刚，刘加玲，程宏兵. 基于聚类的云隐私行为挖掘技术[J]. 计算机工程与应用, 2020, 56(5): 80-84.
[9]	王子龙，李进，宋亚飞. 基于距离和权重改进的K-means算法[J]. 计算机工程与应用, 2020, 56(23): 87-94.
[10]	纪文璐，王海龙，苏贵斌，柳林. 基于关联规则算法的推荐方法研究综述[J]. 计算机工程与应用, 2020, 56(22): 33-41.
[11]	衣俊艳，吴博雅，雍巧玲. 具有加权特性的弹性网络聚类算法研究[J]. 计算机工程与应用, 2020, 56(22): 55-65.
[12]	刘文芬，穆晓东，黄月华. 基于多分辨率网格的异常检测方法[J]. 计算机工程与应用, 2020, 56(17): 78-85.
[13]	柴晓菲，刘松，屈彬，王倩，伍卫国. 向量化友好的循环分块因子选择算法[J]. 计算机工程与应用, 2020, 56(15): 37-42.
[14]	孟海东1，2，孙新军2，宋宇辰1. 基于数据场的改进LOF算法[J]. 计算机工程与应用, 2019, 55(3): 154-158.
[15]	雷乐，王丽珍，肖清. 空间co-location模式挖掘中的模糊技术初探[J]. 计算机工程与应用, 2019, 55(21): 158-166.