ਡਾਟਾਬੇਸ ਵਿੱਚ ਕਾਰਜਸ਼ੀਲ ਨਿਰਭਰਤਾਵਾਂ ਨੂੰ ਕੁਸ਼ਲਤਾ ਨਾਲ ਲੱਭੋ

ਡੇਟਾ ਵਿੱਚ ਫੰਕਸ਼ਨਲ ਨਿਰਭਰਤਾ ਲੱਭਣਾ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਵੱਖ ਵੱਖ ਖੇਤਰਾਂ ਵਿੱਚ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ: ਡੇਟਾਬੇਸ ਪ੍ਰਬੰਧਨ, ਡੇਟਾ ਸਫਾਈ, ਡੇਟਾਬੇਸ ਰਿਵਰਸ ਇੰਜੀਨੀਅਰਿੰਗ ਅਤੇ ਡੇਟਾ ਐਕਸਪਲੋਰੇਸ਼ਨ। ਅਸੀਂ ਪਹਿਲਾਂ ਹੀ ਨਿਰਭਰਤਾਵਾਂ ਬਾਰੇ ਪ੍ਰਕਾਸ਼ਤ ਕਰ ਚੁੱਕੇ ਹਾਂ ਲੇਖ ਅਨਾਸਤਾਸੀਆ ਬਿਰਿਲੋ ਅਤੇ ਨਿਕਿਤਾ ਬੋਬਰੋਵ। ਇਸ ਵਾਰ, ਅਨਾਸਤਾਸੀਆ, ਇਸ ਸਾਲ ਕੰਪਿਊਟਰ ਸਾਇੰਸ ਸੈਂਟਰ ਦੀ ਗ੍ਰੈਜੂਏਟ ਹੈ, ਇਸ ਕੰਮ ਦੇ ਵਿਕਾਸ ਨੂੰ ਉਸ ਖੋਜ ਕਾਰਜ ਦੇ ਹਿੱਸੇ ਵਜੋਂ ਸਾਂਝਾ ਕਰਦੀ ਹੈ ਜਿਸਦਾ ਉਸਨੇ ਕੇਂਦਰ ਵਿੱਚ ਬਚਾਅ ਕੀਤਾ ਸੀ।

ਕਾਰਜ ਚੋਣ

CS ਕੇਂਦਰ ਵਿੱਚ ਪੜ੍ਹਦਿਆਂ, ਮੈਂ ਡੂੰਘਾਈ ਵਿੱਚ ਡੇਟਾਬੇਸ ਦਾ ਅਧਿਐਨ ਕਰਨਾ ਸ਼ੁਰੂ ਕੀਤਾ, ਅਰਥਾਤ, ਕਾਰਜਸ਼ੀਲ ਅਤੇ ਅੰਤਰ ਨਿਰਭਰਤਾਵਾਂ ਦੀ ਖੋਜ। ਇਹ ਵਿਸ਼ਾ ਯੂਨੀਵਰਸਿਟੀ ਵਿਚ ਮੇਰੇ ਕੋਰਸਵਰਕ ਦੇ ਵਿਸ਼ੇ ਨਾਲ ਸਬੰਧਤ ਸੀ, ਇਸ ਲਈ ਕੋਰਸਵਰਕ 'ਤੇ ਕੰਮ ਕਰਦੇ ਸਮੇਂ, ਮੈਂ ਡਾਟਾਬੇਸ ਵਿਚ ਵੱਖ-ਵੱਖ ਨਿਰਭਰਤਾਵਾਂ ਬਾਰੇ ਲੇਖ ਪੜ੍ਹਨਾ ਸ਼ੁਰੂ ਕੀਤਾ। ਮੈਂ ਇਸ ਖੇਤਰ ਦੀ ਸਮੀਖਿਆ ਲਿਖੀ - ਮੇਰੀ ਪਹਿਲੀ ਲੇਖ ਅੰਗਰੇਜ਼ੀ ਵਿੱਚ ਅਤੇ ਇਸ ਨੂੰ SEIM-2017 ਕਾਨਫਰੰਸ ਵਿੱਚ ਪੇਸ਼ ਕੀਤਾ। ਮੈਨੂੰ ਬਹੁਤ ਖੁਸ਼ੀ ਹੋਈ ਜਦੋਂ ਮੈਨੂੰ ਪਤਾ ਲੱਗਾ ਕਿ ਉਸਨੂੰ ਸਭ ਤੋਂ ਬਾਅਦ ਸਵੀਕਾਰ ਕਰ ਲਿਆ ਗਿਆ ਸੀ, ਅਤੇ ਇਸ ਵਿਸ਼ੇ ਵਿੱਚ ਡੂੰਘਾਈ ਨਾਲ ਜਾਣ ਦਾ ਫੈਸਲਾ ਕੀਤਾ। ਸੰਕਲਪ ਆਪਣੇ ਆਪ ਵਿੱਚ ਨਵਾਂ ਨਹੀਂ ਹੈ - ਇਹ 90 ਦੇ ਦਹਾਕੇ ਵਿੱਚ ਵਰਤਿਆ ਜਾਣ ਲੱਗਾ, ਪਰ ਹੁਣ ਵੀ ਇਹ ਬਹੁਤ ਸਾਰੇ ਖੇਤਰਾਂ ਵਿੱਚ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ.

ਕੇਂਦਰ ਵਿੱਚ ਮੇਰੇ ਦੂਜੇ ਸਮੈਸਟਰ ਦੇ ਦੌਰਾਨ, ਮੈਂ ਕਾਰਜਸ਼ੀਲ ਨਿਰਭਰਤਾਵਾਂ ਨੂੰ ਲੱਭਣ ਲਈ ਐਲਗੋਰਿਦਮ ਵਿੱਚ ਸੁਧਾਰ ਕਰਨ ਲਈ ਇੱਕ ਖੋਜ ਪ੍ਰੋਜੈਕਟ ਸ਼ੁਰੂ ਕੀਤਾ। ਉਸਨੇ JetBrains ਰਿਸਰਚ ਵਿੱਚ ਸੇਂਟ ਪੀਟਰਸਬਰਗ ਸਟੇਟ ਯੂਨੀਵਰਸਿਟੀ ਦੇ ਗ੍ਰੈਜੂਏਟ ਵਿਦਿਆਰਥੀ ਨਿਕਿਤਾ ਬੋਬਰੋਵ ਨਾਲ ਮਿਲ ਕੇ ਇਸ 'ਤੇ ਕੰਮ ਕੀਤਾ।

ਕਾਰਜਸ਼ੀਲ ਨਿਰਭਰਤਾਵਾਂ ਦੀ ਖੋਜ ਕਰਨ ਦੀ ਗਣਨਾਤਮਕ ਗੁੰਝਲਤਾ

ਮੁੱਖ ਸਮੱਸਿਆ ਕੰਪਿਊਟੇਸ਼ਨਲ ਜਟਿਲਤਾ ਹੈ। ਸੰਭਾਵਿਤ ਨਿਊਨਤਮ ਅਤੇ ਗੈਰ-ਮਾਮੂਲੀ ਨਿਰਭਰਤਾਵਾਂ ਦੀ ਸੰਖਿਆ ਉੱਪਰ ਮੁੱਲ ਦੁਆਰਾ ਸੀਮਿਤ ਹੈ ਕਿੱਥੇ — ਟੇਬਲ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਗਿਣਤੀ। ਐਲਗੋਰਿਦਮ ਦਾ ਓਪਰੇਟਿੰਗ ਸਮਾਂ ਨਾ ਸਿਰਫ਼ ਗੁਣਾਂ ਦੀ ਗਿਣਤੀ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ, ਸਗੋਂ ਕਤਾਰਾਂ ਦੀ ਗਿਣਤੀ 'ਤੇ ਵੀ ਨਿਰਭਰ ਕਰਦਾ ਹੈ। 90 ਦੇ ਦਹਾਕੇ ਵਿੱਚ, ਇੱਕ ਨਿਯਮਤ ਡੈਸਕਟੌਪ ਪੀਸੀ ਉੱਤੇ ਸੰਘੀ ਕਾਨੂੰਨ ਖੋਜ ਐਲਗੋਰਿਦਮ ਕਈ ਘੰਟਿਆਂ ਤੱਕ 20 ਗੁਣਾਂ ਅਤੇ ਹਜ਼ਾਰਾਂ ਕਤਾਰਾਂ ਵਾਲੇ ਡੇਟਾ ਸੈੱਟਾਂ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰ ਸਕਦੇ ਹਨ। ਮਲਟੀ-ਕੋਰ ਪ੍ਰੋਸੈਸਰਾਂ 'ਤੇ ਚੱਲ ਰਹੇ ਆਧੁਨਿਕ ਐਲਗੋਰਿਦਮ ਲਗਭਗ ਇੱਕੋ ਸਮੇਂ ਵਿੱਚ ਸੈਂਕੜੇ ਗੁਣਾਂ (200 ਤੱਕ) ਅਤੇ ਸੈਂਕੜੇ ਹਜ਼ਾਰਾਂ ਕਤਾਰਾਂ ਵਾਲੇ ਡੇਟਾ ਸੈੱਟਾਂ ਲਈ ਨਿਰਭਰਤਾ ਦਾ ਪਤਾ ਲਗਾਉਂਦੇ ਹਨ। ਹਾਲਾਂਕਿ, ਇਹ ਕਾਫ਼ੀ ਨਹੀਂ ਹੈ: ਜ਼ਿਆਦਾਤਰ ਅਸਲ-ਸੰਸਾਰ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਅਜਿਹਾ ਸਮਾਂ ਅਸਵੀਕਾਰਨਯੋਗ ਹੈ। ਇਸ ਲਈ, ਅਸੀਂ ਮੌਜੂਦਾ ਐਲਗੋਰਿਦਮ ਨੂੰ ਤੇਜ਼ ਕਰਨ ਲਈ ਪਹੁੰਚ ਵਿਕਸਿਤ ਕੀਤੀ ਹੈ।

ਪਾਰਟੀਸ਼ਨ ਇੰਟਰਸੈਕਸ਼ਨਾਂ ਲਈ ਕੈਸ਼ਿੰਗ ਸਕੀਮਾਂ

ਕੰਮ ਦੇ ਪਹਿਲੇ ਹਿੱਸੇ ਵਿੱਚ, ਅਸੀਂ ਐਲਗੋਰਿਦਮ ਦੀ ਇੱਕ ਸ਼੍ਰੇਣੀ ਲਈ ਕੈਚਿੰਗ ਸਕੀਮਾਂ ਵਿਕਸਿਤ ਕੀਤੀਆਂ ਹਨ ਜੋ ਕਿ ਭਾਗ ਇੰਟਰਸੈਕਸ਼ਨ ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਕਰਦੀਆਂ ਹਨ। ਕਿਸੇ ਵਿਸ਼ੇਸ਼ਤਾ ਲਈ ਇੱਕ ਭਾਗ ਸੂਚੀਆਂ ਦਾ ਇੱਕ ਸਮੂਹ ਹੁੰਦਾ ਹੈ, ਜਿੱਥੇ ਹਰੇਕ ਸੂਚੀ ਵਿੱਚ ਦਿੱਤੇ ਗੁਣ ਲਈ ਇੱਕੋ ਜਿਹੇ ਮੁੱਲਾਂ ਵਾਲੇ ਲਾਈਨ ਨੰਬਰ ਹੁੰਦੇ ਹਨ। ਅਜਿਹੀ ਹਰੇਕ ਸੂਚੀ ਨੂੰ ਕਲੱਸਟਰ ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਬਹੁਤ ਸਾਰੇ ਆਧੁਨਿਕ ਐਲਗੋਰਿਦਮ ਇਹ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਭਾਗਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ ਕਿ ਕੀ ਨਿਰਭਰਤਾ ਰੱਖੀ ਗਈ ਹੈ ਜਾਂ ਨਹੀਂ, ਅਰਥਾਤ, ਉਹ ਲੇਮਾ ਦੀ ਪਾਲਣਾ ਕਰਦੇ ਹਨ: ਨਿਰਭਰਤਾ ਆਯੋਜਿਤ ਜੇ . ਇਥੇ ਇੱਕ ਭਾਗ ਨਿਰਧਾਰਤ ਕੀਤਾ ਗਿਆ ਹੈ ਅਤੇ ਭਾਗ ਆਕਾਰ ਦੀ ਧਾਰਨਾ ਵਰਤੀ ਜਾਂਦੀ ਹੈ - ਇਸ ਵਿੱਚ ਕਲੱਸਟਰਾਂ ਦੀ ਗਿਣਤੀ। ਐਲਗੋਰਿਦਮ ਜੋ ਭਾਗਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ, ਜਦੋਂ ਨਿਰਭਰਤਾ ਦੀ ਉਲੰਘਣਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਨਿਰਭਰਤਾ ਦੇ ਖੱਬੇ ਪਾਸੇ ਵਾਧੂ ਗੁਣ ਜੋੜਦੇ ਹਨ, ਅਤੇ ਫਿਰ ਭਾਗਾਂ ਦੇ ਇੰਟਰਸੈਕਸ਼ਨ ਦੀ ਕਾਰਵਾਈ ਕਰਦੇ ਹੋਏ ਇਸਦੀ ਮੁੜ ਗਣਨਾ ਕਰਦੇ ਹਨ। ਇਸ ਕਾਰਵਾਈ ਨੂੰ ਲੇਖਾਂ ਵਿੱਚ ਵਿਸ਼ੇਸ਼ਤਾ ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਪਰ ਅਸੀਂ ਦੇਖਿਆ ਹੈ ਕਿ ਨਿਰਭਰਤਾਵਾਂ ਲਈ ਭਾਗ ਜੋ ਵਿਸ਼ੇਸ਼ਤਾ ਦੇ ਕੁਝ ਦੌਰ ਤੋਂ ਬਾਅਦ ਹੀ ਬਰਕਰਾਰ ਰਹਿਣਗੇ ਉਹਨਾਂ ਨੂੰ ਸਰਗਰਮੀ ਨਾਲ ਦੁਬਾਰਾ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਜੋ ਕਿ ਐਲਗੋਰਿਦਮ ਦੇ ਚੱਲਣ ਦੇ ਸਮੇਂ ਨੂੰ ਮਹੱਤਵਪੂਰਨ ਤੌਰ 'ਤੇ ਘਟਾ ਸਕਦਾ ਹੈ, ਕਿਉਂਕਿ ਇੰਟਰਸੈਕਸ਼ਨ ਓਪਰੇਸ਼ਨ ਮਹਿੰਗਾ ਹੈ।

ਇਸਲਈ, ਅਸੀਂ ਸ਼ੈਨਨ ਐਨਟ੍ਰੋਪੀ ਅਤੇ ਗਿੰਨੀ ਅਨਸਰਟੇਨਟੀ ਦੇ ਨਾਲ-ਨਾਲ ਸਾਡੀ ਮੈਟ੍ਰਿਕ, ਜਿਸਨੂੰ ਅਸੀਂ ਰਿਵਰਸ ਐਂਟਰੋਪੀ ਕਹਿੰਦੇ ਹਾਂ, 'ਤੇ ਅਧਾਰਤ ਇੱਕ ਹਿਉਰਿਸਟਿਕ ਪ੍ਰਸਤਾਵਿਤ ਕੀਤਾ। ਇਹ ਸ਼ੈਨਨ ਐਂਟਰੋਪੀ ਦੀ ਇੱਕ ਮਾਮੂਲੀ ਸੋਧ ਹੈ ਅਤੇ ਡਾਟਾ ਸੈੱਟ ਦੀ ਵਿਲੱਖਣਤਾ ਵਧਣ ਨਾਲ ਵਧਦੀ ਹੈ। ਪ੍ਰਸਤਾਵਿਤ ਹਿਊਰੀਸਟਿਕ ਹੇਠ ਲਿਖੇ ਅਨੁਸਾਰ ਹੈ:

ਇਹ ਇਸ ਲਈ ਹੈ — ਹਾਲ ਹੀ ਵਿੱਚ ਗਣਿਤ ਕੀਤੇ ਭਾਗ ਦੀ ਵਿਲੱਖਣਤਾ ਦੀ ਡਿਗਰੀ ਅਤੇ ਵਿਅਕਤੀਗਤ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਲਈ ਵਿਲੱਖਣਤਾ ਦੀਆਂ ਡਿਗਰੀਆਂ ਦਾ ਮੱਧਮਾਨ ਹੈ। ਉੱਪਰ ਦੱਸੇ ਗਏ ਸਾਰੇ ਤਿੰਨ ਮੈਟ੍ਰਿਕਸ ਨੂੰ ਇੱਕ ਵਿਲੱਖਣਤਾ ਮੈਟ੍ਰਿਕ ਵਜੋਂ ਪਰਖਿਆ ਗਿਆ ਸੀ। ਤੁਸੀਂ ਇਹ ਵੀ ਨੋਟ ਕਰ ਸਕਦੇ ਹੋ ਕਿ ਹਿਊਰੀਸਟਿਕ ਵਿੱਚ ਦੋ ਮੋਡੀਫਾਇਰ ਹਨ। ਪਹਿਲਾ ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਮੌਜੂਦਾ ਭਾਗ ਪ੍ਰਾਇਮਰੀ ਕੁੰਜੀ ਦੇ ਕਿੰਨੇ ਨੇੜੇ ਹੈ ਅਤੇ ਤੁਹਾਨੂੰ ਉਹਨਾਂ ਭਾਗਾਂ ਨੂੰ ਵਧੇਰੇ ਹੱਦ ਤੱਕ ਕੈਸ਼ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ ਜੋ ਸੰਭਾਵੀ ਕੁੰਜੀ ਤੋਂ ਦੂਰ ਹਨ। ਦੂਜਾ ਮੋਡੀਫਾਇਰ ਤੁਹਾਨੂੰ ਕੈਸ਼ ਆਕੂਪੈਂਸੀ ਦੀ ਨਿਗਰਾਨੀ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ ਅਤੇ ਇਸ ਤਰ੍ਹਾਂ ਕੈਸ਼ ਵਿੱਚ ਹੋਰ ਭਾਗ ਜੋੜਨ ਲਈ ਉਤਸ਼ਾਹਿਤ ਕਰਦਾ ਹੈ ਜੇਕਰ ਖਾਲੀ ਥਾਂ ਉਪਲਬਧ ਹੈ। ਇਸ ਸਮੱਸਿਆ ਦੇ ਸਫਲ ਹੱਲ ਨੇ ਸਾਨੂੰ ਡਾਟਾਸੈਟ ਦੇ ਆਧਾਰ 'ਤੇ PYRO ਐਲਗੋਰਿਦਮ ਨੂੰ 10-40% ਤੱਕ ਤੇਜ਼ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੱਤੀ। ਇਹ ਧਿਆਨ ਦੇਣ ਯੋਗ ਹੈ ਕਿ PYRO ਐਲਗੋਰਿਦਮ ਇਸ ਖੇਤਰ ਵਿੱਚ ਸਭ ਤੋਂ ਸਫਲ ਹੈ.

ਹੇਠਾਂ ਦਿੱਤੇ ਚਿੱਤਰ ਵਿੱਚ ਤੁਸੀਂ ਇੱਕ ਬੁਨਿਆਦੀ ਸਿੱਕਾ-ਫਲਿਪ ਕੈਚਿੰਗ ਪਹੁੰਚ ਦੀ ਤੁਲਨਾ ਵਿੱਚ ਪ੍ਰਸਤਾਵਿਤ ਹਿਉਰਿਸਟਿਕ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੇ ਨਤੀਜੇ ਦੇਖ ਸਕਦੇ ਹੋ। X ਧੁਰਾ ਲਘੂਗਣਕ ਹੈ।

ਭਾਗਾਂ ਨੂੰ ਸਟੋਰ ਕਰਨ ਦਾ ਵਿਕਲਪਕ ਤਰੀਕਾ

ਅਸੀਂ ਫਿਰ ਭਾਗਾਂ ਨੂੰ ਸਟੋਰ ਕਰਨ ਦਾ ਵਿਕਲਪਕ ਤਰੀਕਾ ਪ੍ਰਸਤਾਵਿਤ ਕੀਤਾ। ਭਾਗ ਕਲੱਸਟਰਾਂ ਦਾ ਇੱਕ ਸਮੂਹ ਹੁੰਦੇ ਹਨ, ਜਿਨ੍ਹਾਂ ਵਿੱਚੋਂ ਹਰ ਇੱਕ ਵਿਸ਼ੇਸ਼ ਗੁਣਾਂ ਲਈ ਸਮਾਨ ਮੁੱਲਾਂ ਵਾਲੇ ਟੂਪਲਾਂ ਦੀ ਸੰਖਿਆ ਨੂੰ ਸਟੋਰ ਕਰਦਾ ਹੈ। ਇਹਨਾਂ ਕਲੱਸਟਰਾਂ ਵਿੱਚ ਟੂਪਲ ਨੰਬਰਾਂ ਦੇ ਲੰਬੇ ਕ੍ਰਮ ਸ਼ਾਮਲ ਹੋ ਸਕਦੇ ਹਨ, ਉਦਾਹਰਨ ਲਈ ਜੇਕਰ ਇੱਕ ਸਾਰਣੀ ਵਿੱਚ ਡੇਟਾ ਆਰਡਰ ਕੀਤਾ ਗਿਆ ਹੈ। ਇਸ ਲਈ, ਅਸੀਂ ਭਾਗਾਂ ਨੂੰ ਸਟੋਰ ਕਰਨ ਲਈ ਇੱਕ ਕੰਪਰੈਸ਼ਨ ਸਕੀਮ ਦਾ ਪ੍ਰਸਤਾਵ ਕੀਤਾ ਹੈ, ਅਰਥਾਤ ਭਾਗਾਂ ਦੇ ਕਲੱਸਟਰਾਂ ਵਿੱਚ ਮੁੱਲਾਂ ਦੀ ਅੰਤਰਾਲ ਸਟੋਰੇਜ:

$$display$$pi(X) = {{ਅੰਡਰਬ੍ਰੇਸ{1, 2, 3, 4, 5}_{ਪਹਿਲਾ ਅੰਤਰਾਲ}, ਅੰਡਰਬ੍ਰੇਸ{7, 8}_{ਦੂਜਾ ਅੰਤਰਾਲ}, 10}}\ ਡਾਊਨੈਰੋ{ ਕੰਪਰੈਸ਼ਨ} \ pi(X) = {{ਅੰਡਰਬ੍ਰੇਸ{$, 1, 5}_{ਪਹਿਲਾ~ਅੰਤਰਾਲ}, ਅੰਡਰਬ੍ਰੇਸ{7, 8}_{ਦੂਜਾ~ਅੰਤਰਾਲ}, 10}}$$display$$

ਇਹ ਵਿਧੀ TANE ਐਲਗੋਰਿਦਮ ਦੇ ਸੰਚਾਲਨ ਦੌਰਾਨ ਮੈਮੋਰੀ ਦੀ ਖਪਤ ਨੂੰ 1 ਤੋਂ 25% ਤੱਕ ਘਟਾਉਣ ਦੇ ਯੋਗ ਸੀ। TANE ਐਲਗੋਰਿਦਮ ਸੰਘੀ ਕਾਨੂੰਨਾਂ ਦੀ ਖੋਜ ਲਈ ਇੱਕ ਕਲਾਸਿਕ ਐਲਗੋਰਿਦਮ ਹੈ; ਇਹ ਆਪਣੇ ਕੰਮ ਦੌਰਾਨ ਭਾਗਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਅਭਿਆਸ ਦੇ ਹਿੱਸੇ ਵਜੋਂ, TANE ਐਲਗੋਰਿਦਮ ਨੂੰ ਚੁਣਿਆ ਗਿਆ ਸੀ, ਕਿਉਂਕਿ ਇਸ ਵਿੱਚ ਅੰਤਰਾਲ ਸਟੋਰੇਜ ਨੂੰ ਲਾਗੂ ਕਰਨਾ ਬਹੁਤ ਸੌਖਾ ਸੀ, ਉਦਾਹਰਨ ਲਈ, PYRO ਵਿੱਚ ਇਹ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਕਿ ਕੀ ਪ੍ਰਸਤਾਵਿਤ ਪਹੁੰਚ ਕੰਮ ਕਰਦੀ ਹੈ। ਪ੍ਰਾਪਤ ਨਤੀਜੇ ਹੇਠਾਂ ਦਿੱਤੇ ਚਿੱਤਰ ਵਿੱਚ ਪੇਸ਼ ਕੀਤੇ ਗਏ ਹਨ। X ਧੁਰਾ ਲਘੂਗਣਕ ਹੈ।

ਕਾਨਫਰੰਸ ADBIS-2019

ਖੋਜ ਦੇ ਨਤੀਜਿਆਂ ਦੇ ਆਧਾਰ 'ਤੇ, ਸਤੰਬਰ 2019 ਵਿੱਚ ਮੈਂ ਇੱਕ ਲੇਖ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤਾ ਕੁਸ਼ਲ ਕਾਰਜਾਤਮਕ ਨਿਰਭਰਤਾ ਖੋਜ ਲਈ ਸਮਾਰਟ ਕੈਚਿੰਗ ਡੇਟਾਬੇਸ ਅਤੇ ਸੂਚਨਾ ਪ੍ਰਣਾਲੀਆਂ (ADBIS-23) ਵਿੱਚ ਤਰੱਕੀ ਬਾਰੇ 2019ਵੀਂ ਯੂਰਪੀਅਨ ਕਾਨਫਰੰਸ ਵਿੱਚ। ਪੇਸ਼ਕਾਰੀ ਦੇ ਦੌਰਾਨ, ਡੇਟਾਬੇਸ ਦੇ ਖੇਤਰ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਵਿਅਕਤੀ, ਬਰਨਹਾਰਡ ਥਲਹਾਈਮ ਦੁਆਰਾ ਕੰਮ ਨੂੰ ਨੋਟ ਕੀਤਾ ਗਿਆ ਸੀ। ਖੋਜ ਦੇ ਨਤੀਜਿਆਂ ਨੇ ਸੇਂਟ ਪੀਟਰਸਬਰਗ ਸਟੇਟ ਯੂਨੀਵਰਸਿਟੀ ਵਿੱਚ ਗਣਿਤ ਅਤੇ ਮਕੈਨਿਕਸ ਵਿੱਚ ਮਾਸਟਰ ਡਿਗਰੀ 'ਤੇ ਮੇਰੇ ਖੋਜ ਨਿਬੰਧ ਦਾ ਆਧਾਰ ਬਣਾਇਆ, ਜਿਸ ਦੌਰਾਨ ਦੋਵੇਂ ਪ੍ਰਸਤਾਵਿਤ ਪਹੁੰਚ (ਕੈਚਿੰਗ ਅਤੇ ਕੰਪਰੈਸ਼ਨ) ਦੋਵੇਂ ਐਲਗੋਰਿਦਮ ਵਿੱਚ ਲਾਗੂ ਕੀਤੇ ਗਏ ਸਨ: TANE ਅਤੇ PYRO। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਨਤੀਜਿਆਂ ਨੇ ਦਿਖਾਇਆ ਕਿ ਪ੍ਰਸਤਾਵਿਤ ਪਹੁੰਚ ਸਰਵ ਵਿਆਪਕ ਹਨ, ਕਿਉਂਕਿ ਦੋਵੇਂ ਐਲਗੋਰਿਥਮਾਂ 'ਤੇ, ਦੋਵਾਂ ਪਹੁੰਚਾਂ ਦੇ ਨਾਲ, ਮੈਮੋਰੀ ਦੀ ਖਪਤ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਕਮੀ ਦੇ ਨਾਲ ਨਾਲ ਐਲਗੋਰਿਦਮ ਦੇ ਓਪਰੇਟਿੰਗ ਸਮੇਂ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਕਮੀ ਦੇਖੀ ਗਈ ਸੀ।

ਸਰੋਤ: www.habr.com