一、树的一种存储结构（论文文献综述）
杨帆[1]（2021）在《基于虚拟接近传感器的碰撞检测算法的研究与改进》文中研究指明在工业4.0时代,“数字化双胞胎”成为众多企业向数字化、智能化转型的战略法宝。其核心是将现实生产制造中的各个环节通多数字化手段虚拟到数字化平台中,形成虚拟生产制造和现实生产制造的镜像。因此,数字化双胞胎概念的提出对优化整个企业流程、提升企业竞争力起着至关重要的作用。特别是在智能制造行业中,它势必会推动智能制造的快速发展。但是,目前国内很少有企业将数字化双胞胎的概念运用到接近传感器中。尤其是工业流水线中,接近传感器的碰撞检测算法仍然采用SOLID算法,并且该算法的检测效率较低,使得工业生产会因为碰撞的发生而导致生产率下降。因此目前急需一种即可以调优接近传感器又可以提高碰撞检测效率的方法来帮助更多的企业走向数字化、智能化。为了能够调优接近传感器,本文从虚拟仿真入手,生成虚拟的接近传感器。通过数字化平台将虚拟接近传感器进行调优以达到现实生产中的需求。然后在调优的接近传感器基础上进行碰撞检测算法的研究。对于碰撞检测算法,本文选取层次包围盒算法进行研究。层次包围盒算法可以快速的检测出两个物体未发生碰撞,因此它被广泛运用到游戏和信道通信中。本文围绕着包围盒碰撞检测算法展开深入的研究,具体的研究成果如下:（1）提出一种基于B+树存储的AABB包围盒碰撞检测算法。首先对常见的包围盒算法进行相关实验,得出对比结果,然后在此基础上选取AABB包围盒算法并将B+树作为其存储结构。最后将物体形成的层次包围盒通过分裂平面定理划分成多个包围盒存放在B+树的各个结点中。对结点的存储结构进行优化,减少各结点所占内存。又由于B+树具有特殊的性质,它的非叶子节点只存放索引,具体的值只存放在叶子结点中,这使得整个层次包围盒树所占内存空间大大降低,加快了算法的执行效率。（2）提出了一种优化后的三角面片间的相交测试算法,将相交测试分为同面和异面两种情况。若两个三角面片的位置关系为异面,那么相交测试将会在三维空间中完成;反之,可以将其投影到二维空间中,通过简单的几何位置关系来判断其是否相交。通过这种方式不仅增强了算法的健壮性也提高了碰撞检测的效率。实验数据表明,优化后的算法在碰撞检测效率上有了明显的提高。将该算法运用到NX仿真中,对智能制造中碰撞检测具有较大的价值和意义。
匡金军[2]（2020）在《基于非对称逆布局模型的图像压缩算法研究》文中研究指明随着信息时代的到来,世界每时每刻都会产生巨量的图像信息,这种原始的图像往往因为拍摄设备、环境或者存储方面的限制,图像质量过低,往往存在模糊或失真等问题,无法被直接使用。需求带动技术的产生,一系列图像处理技术应运而生,如:图像压缩、图像分割、图像恢复等。图像压缩是图像处理的一个重要领域,其基本原理是将图像用更少的数据表示,使其存储所需的数据总量减少,达到降低存储成本和数据传输成本的技术。本论文的主要工作是研究非对称逆布局模型与其他算法结合在图像压缩和图像表示领域的应用,从而提出的两种算法:第一种算法是基于矩形子模式的非对称逆布局的块截断压缩算法。论文从理论方面论证了非对称逆布局的同位块分割算法与块截断压缩算法结合的可行性与优越性,通过实验对理论进行验证,并与块截断的几种压缩算法相比较。从实验结果可以得出,改进的算法压缩速度更快,压缩率更高,解码图像质量更好。第二种算法是基于可重叠的矩形子模式非对称逆布局和二值位平面分解的图像表示,可以细分为基于可重叠的矩形子模式非对称逆布局和二值位平面分解的灰度图像表示和基于可重叠的矩形子模式非对称逆布局和二值位平面分解的彩色图像表示两种。其中灰度图像表示算法的思路是先将灰度图分解成多幅二值图,再对每幅二值图做可重叠的矩形子模式非对称逆布局压缩。将该算法与灰度图像的线性四元树表示、基于三角形子模式非对称逆布局和基于方形子模式非对称逆布局与位平面分解的两种灰度图像表示算法对比。从实验结果可看出,该灰度表示算法的分割块数大量减少,压缩率也比其他算法高,可以作为基于非对称逆布局和位平面的灰度图像表示算法的一种补充。由该算法扩展得到的基于可重叠的矩形子模式非对称逆布局和二值位平面分解的彩色图像表示算法,其思路是先将彩色图像分成三个不同通道的灰度图像,再分别用基于可重叠矩形子模式非对称逆布局和二值位平面分解的灰度图像表示算法处理。将该算法与彩色图像的线性四元树表示和基于矩形子模式非对称逆布局和二值位平面分解的彩色图像表示算法作比较,实验证明,同样拥有更好的压缩率且分割的块数更少。
魏?[3]（2020）在《基于学习代价的存储结构自动选择系统》文中指出在数据库系统的设计中,数据表的存储结构在理论上决定了数据访问过程的复杂度,因此对数据表存储结构的选择是由系统所面向的工作负载决定的。如对于高写入负载,基于LSM存储结构的数据库系统较传统数据库有更强的性能表现,而对于分析型负载,基于列式存储的数据库系统可以在更短时间完成大型查询。但是在混合负载中,数据表的不同水平分区上需要处理的负载不同,并且同一分区上需要处理的负载可能发生变化,这也导致了不同数据表分区下的最优存储结构在持续变化。过去使用静态存储结构或者由人工方法调整存储结构的方法不能够实现对存储结构的充分使用,因此本文提出了一个基于学习代价的存储结构自动选择系统。该系统解决了对多引擎数据库下存储引擎的选择问题,以及针对工作负载的数据布局选择问题。除此之外,本文还提出了基于机器学习的,用于跨存储引擎进行代价比较的代价模型,并提出了用于建立该代价模型的数据库性能测试流程。实验结果表明,基于学习的代价模型可以对跨存储引擎的操作性能给出较为准确的估计。在使用TPC-H公开测试集上,事务型数据分区和分析型数据分区中自动选择得到的存储结构较静态存储结构总体查询时间降低了约35%。因此在分析型负载和事务型负载对数据的访问相对分散时,本系统对查询的总体时间有较大提升,并且过程中无需人工干预。
程鹏[4]（2020）在《面向高性能计算系统的融合数据管理关键技术研究》文中进行了进一步梳理随着高性能计算、大数据与人工智能的不断融合,高性能计算社区亟需同时支持这三种场景的计算系统来加速科学发现。然而,爆炸性增长的科学数据以及不同场景下应用截然不同的I/O特征促使融合应用呈现前所未有的复杂性。与此同时,不断加深的存储层次和多样化的数据定位需求进一步增加数据管理难度,导致高性能计算系统面临严峻的数据存储与管理挑战。为了在高性能计算系统上有效支持融合应用,本文结合层次式存储结构和应用特征,研究融合应用场景下数据管理的关键问题,优化高性能计算系统的数据管理能力并提升应用I/O性能。本文的主要工作包括:1.针对高性能计算系统存储层次不断加深的趋势,本文设计基于层次式存储结构的数据管理系统,统一管理内存、固态硬盘等多个存储层次,为融合应用提供高效数据缓存空间。为充分发挥不同存储层次的性能和容量等特点,该层次式数据管理系统结合应用数据访问模式定制数据管理策略,协调数据在各个存储层次的分布方式。此外,针对存储层次加深引起的数据局部性变化,本文设计数据感知的任务调度机制,配合资源管理系统尽可能将任务调度到拥有数据的计算资源。相比于底层并行文件系统,该层次式数据管理系统能够为应用带来54%的性能提升。2.针对单一数据管理策略无法充分发挥层次存储结构性能优势的问题,本文以科学工作流应用为代表,提出面向融合应用的自适应数据管理技术。本文将层次式存储结构下的数据放置问题抽象为分类问题,提出基于分类模型的智能数据放置策略:该策略以最小化科学工作流应用的总I/O时间为目标,挖掘不同应用特征和系统实时状态下数据放置策略对应用总I/O时间的影响,并训练分类模型智能做出数据放置决策。数据预取问题方面,本文分析科学工作流应用的数据流图拓扑结构和数据访问特征之间的关系,提出针对文件类别的自适应数据预取策略:通过结合局部性预取策略和智能预取策略的各自优势,提升复杂数据访问模式识别能力。相比于固定数据放置策略,本文提出的自适应数据放置策略能够实现34%的I/O性能提升;相比于传统局部性预取策略,本文提出的自适应预取策略识别复杂数据访问模式的能力显着提升,并能够降低54.2%的数据读取时间。3.针对并行文件系统管理海量科学数据时面临的数据定位挑战,本文提出耦合文件系统的索引与查询优化。文件粒度数据定位问题方面,本文设计并发元数据提取机制,快速提取文件系统中已有文件的“应用定制元数据”信息,通过定制的层次式哈希索引结构,高效满足文件粒度定位需求。记录粒度数据定位问题方面,本文采取原位索引构建机制,允许数据在写入文件系统的同时构建索引信息;为了权衡索引粒度与索引构建开销,本文提出轻量级Range-bitmap索引结构;结合本文设计的并行查询处理机制,记录粒度数据定位需求能够被快速响应。对生物和气象等数据集的测试表明,本文设计的文件粒度索引查询方案能够在毫秒内从包含数百万个文件的目录中定位目标文件;本文设计的记录粒度索引查询方案相比于遍历整个数据集定位内部数据的方式实现2个数量级的查询速度提升。
谢明烨[5]（2020）在《不确定数据流中频繁项集挖掘算法的研究》文中指出现如今的数据中,越来越多的数据以数据流的形态存在,例如金融交易信息数据、网页浏览数据、气象监测数据、电商购物数据以及各类传感器探测数据等。在这庞大的数据流中,相当一部分数据因为数据源更新、环境噪音、数据复写或者冲突以及传输设备故障等原因导致数据的缺失,从而形成了所谓的不确定数据。现有的单一针对确定数据流或者不确定数据库的挖掘算法无法直接应用。因此,设计面向不确定数据流的高效频繁模式的挖掘算法就极为必要了。本文基于现有的频繁模式挖掘算法以及不确定数据流的应用环境,展开了以下工作:（1）提出一种基于列表存储结构的不确定数据流挖掘算法UFS-mine。该领域现有的主流算法几乎均以前缀树结构存贮模式信息,只有数据项相同且概率也相同的节点才能共享分支路径,导致形成大量冗余节点,极大的消耗了内存。而且在整个挖掘过程中,会频繁的对整棵结构树进行遍历,时间开销巨大。为了解决这些问题,在依托滑动窗口模型的条件下,本文提出了基于列表存储结构的不确定数据流挖掘算法UFS-mine,该算法将所有独特的数据项信息均存储在列表中,每个数据项都对应着自己的概率信息以及存在事务的编号,避免产生冗余节点,节省了内存,对于相应模式的期望统计也更加快速,从而大幅度的提高了算法的性能。（2）提出一种加权衰减的不确定数据流挖掘算法DWUFS-mine。在大多数挖掘不确定频繁模式的过程中,通常只是简单将模式包含的元素的概率相乘来计算期望,没有考虑到不同元素的权重问题,随着时间的推移,数据的价值也会逐渐的降低,新鲜的数据比旧有的数据更具有参考和研究价值。因此,本文在UFS-mine算法的基础之上,提出一种加权衰减的不确定数据流挖掘算法DWUFS-mine。该算法能够兼顾数据不确定性和权重属性,并且对于旧的数据,根据预设的衰减因子降低其期望,实验证明该算法能够有效的运用于注重数据权重且对新鲜信息更加敏感的应用场景。
刘常磊[6]（2020）在《海量图片存储技术的研究》文中研究说明随着互联网的飞速发展,各种信息资源快速增长,各行各业每时每刻都会产生海量的信息。而作为信息源之一的图片,具有传输方便、蕴含信息丰富、给人感觉直观等优点,其数量呈指数式增长。如大众熟知的淘宝、京东、微博等网站的图片存储数量已经达到PB级别,并且还在不断增长。面对增长如此迅速的图片资源,传统的文件存储架构和检索技术逐渐暴露出它们的缺点,无法满足当前海量图片资源的存储空间和处理时间的需求。因此,寻找一种能够满足并发访问的,高效的图片存储技术成为很多信息系统中亟待解决的问题。本文分析比较了当前国内外比较有代表性的海量图片存储方案,选择基于对象存储结构来解决上述难题。本文通过对海量图片数据的存储特性的分析,以及对对象存储结构的研究,提出一种基于对象存储结构的海量图片存储框架MISF。该框架以对象存储结构为核心,底层使用分布式架构保证了物理层次的高容量和高吞吐率,利用虚拟化技术将底层文件系统的树形层级结构隐藏,映射为扁平化的存储空间。并且采用新型的数据组织结构,将图片数据紧凑的组织在一起,并且为其生成内部索引文件以供客户端快速访问。本文主要从以下三个方面展开研究:第一,通过对对象存储结构的组织和特性进行研究,提出一种基于对象存储结构的海量图片对象存储模型。该模型底层采用分布式架构,为高容量和高性能提供物理架构的支持,同时整个系统模型将控制通路与数据通路分离,提高系统吞吐率。并且使用虚拟化技术将底层分布式架构和文件层级结构隐藏,虚拟为扁平结构的存储空间,使得用户可以更加友好、快速的获取到图片数据。第二,通过对B+树数据结构的分析研究,采用基于B+树的按需加载索引策略,既解决了海量图片数据的元数据管理问题,又为底层虚拟化提供了技术支持。同时,合理设计图片对象的UID,使得同类图片的物理存储地址尽可能靠近,从而提高了查询效率。第三,通过对当前比较典型的几种缓存置换策略的研究,设计了一种自定义价值模型的缓存置换策略,该策略充分考虑到海量图片对象的空间局部性和时间局部性、长期流行度和短期流行度,能够提高缓存命中率,提升系统查询速度。本文根据所研究的海量图片数据存储框架设计了原型系统,并且对原型进行实验分析,验证了原型系统的可用性和高效性,说明了存储框架的可行性和有效性。
何帆[7]（2020）在《船舶AIS大数据时空建模与快速检索方法研究》文中指出自21世纪以来,船舶自动识别系统（Automatic Identification System,AIS）作为一种强制装备且互通船岸的通讯技术,为海事和监管部门提供了保存最完整、应用最广泛、最标准化、全球通用的水路交通行业数据。通过对AIS数据的使用和分析,为船舶安全航行和避碰提供了可靠的数据保障,为海事部门决策执法提供了信息支持,也为航运物流更加高效、快捷奠定了基础。然而,随着海上经济的不断发展,船舶种类的日渐丰富,AIS数据逐渐呈现的大数据特征,为其管理与查询带来了极大的困难,特别是在当前的互联网和移动计算时代,这一问题尤为突显。为了解决这一问题,国内外研究人员提出了一系列有效的方法,然而这些方法多是针对AIS数据时空特性的某一方面,缺乏对该特性的全面考量,给后续管理和检索带来了一定困难。因此,本文从AIS大数据的存储管理与应用服务的现实需求出发,提出一种综合考虑时空特性的AIS数据时空数据模型以及高效存储检索方法,以解决AIS大数据的管理与查询困难问题。首先,本文通过对国内外研究现状的分析,对现有AIS数据存储管理方法和索引技术进行了总结,进而对其不足之处进行了分析,提出了本文主要的研究内容。其次,基于AIS数据的时空特征分析,提出了以船舶为时空对象的数据存储概念模型;进一步结合分布式环境提出了多维关系存储模型,以实现对海量AIS数据的高效组织与管理。再次,在前述时空数据模型的基础上,提出了AIS大数据管理架构。通过对Elasticsearch写入机制的分析,提出了改进后的My SQL分页检索方法及基于写入机制的性能评分SUR（Segment Union Remark）优化策略,实现了AIS数据的高效入库;对分析AIS数据存储需求进行分析,基于多维分析存储模型,提出了“宽表”存储方法及“应用端关系型”存储方法,实现了对AIS数据及其航行条件（航行环境、水域辖区航行区域）的层次化存储。最后,通过对时间维、空间维的切分,提出了基于时空切片立方体（Spatiotemporal-Slice Cube,SSC）的时空数据划分策略。在此基础上,结合Geo Time编码方法实现Geo Cub R树的构建;基于Lucene的索引构建方法及分布式存储原理,提出了Invert-Geo Cub R树分布式索引框架,实现了海量AIS数据的快速检索。另外,本文对检索和实验方案进行了设计,搭建了基于B/S架构的AIS数据存储管理系统,对本文提出的写入、存储及索引方法进行了效率对比验证。实验结果表明,本文设计的存储方法和索引结构可以更好的应对复杂的时空关系型查询,为海量AIS数据进行有效管理和提供快速检索服务。
管毅鸣[8]（2019）在《一个面向SQLite数据恢复系统的设计与实现》文中认为移动应用使用的SQLite数据库中包含了大量私人信息,这些信息在刑侦领域的案件侦破和电子取证中往往起到了至关重要的作用。本文主要针对智能手机应用的删除数据恢复问题,实现了一个面向SQLite数据库的数据恢复系统。该系统包含数据预处理模块、存储结构遍历模块、数据匹配模块、数据恢复模块四个核心模块,结合了逻辑层面的接口处理与物理层面的存储结构分析,相比传统的恢复方法有较高的恢复率和通用性。具体而言,本文的工作包括以下几个方面:（1）设计和实现了数据预处理模块。该模块主要负责DB文件的载入和提取表头信息,同时调用SQLite接口获取表结构信息。该模块还会调用传统逻辑恢复算法并暂存初步恢复结果。该模块是对输入数据的预处理,为后续恢复流程提供必要的信息。（2）设计和实现了存储结构遍历模块。该模块通过遍历数据库文件的数据存储结构,找到SQLite文件中各有效节点,主要包括自由块和空闲页数据存储区的具体偏移地址,能够帮助准确获取待恢复信息的起始位置。（3）设计和实现了数据匹配模块。该模块核心采用相似类型匹配算法,并且根据实际场景进行相应变通,有效匹配出待恢复的数据,相比于传统方法更加精确且可以应用在更多场景,总体数据恢复量显着提高。（4）设计和实现了数据恢复模块。该模块分别针对自由块和空闲叶两种数据格式进行数据恢复。通过解析不同的存储场景,应用对应算法并调用数据匹配模块逐条恢复数据记录。最后对被恢复出的数据进行后期处理,包括对冗余数据的去除、乱码数据的过滤以及连续不完整数据的合并等。根据本文的方案,结合其系统功能点与实际手机提取的数据,设计并实施了可行性验证与系统测试。结果表明,本方法在大多数实际使用场景中有更好的数据恢复效果,被删除数据的恢复率相比于其他方法更高,对外部环境的依赖性也更小。
何旭[9]（2019）在《频繁项集挖掘算法的并行化研究》文中进行了进一步梳理作为数据挖掘领域的主要研究对象,关联规则挖掘能够发现关系数据集中数据项之间有趣的关联信息,而关联规则挖掘工作的主要开销是来自频繁项集挖掘。然而,传统的频繁项集挖掘算法的效率并不高,并且伴随着计算机软硬件性能的提升,基于并行计算的数据挖掘技术开始成为学术界的研究热点。因此,本文主要研究如何基于传统的串行挖掘算法进行改进以及如何利用并行化技术来提升频繁项集挖掘算法的性能。实际应用中,事务数据集并不一定是静态的,因此频繁项集挖掘算法一般分为静态挖掘算法和动态更新算法。基于这两类算法存在的不足以及并行计算技术,本文主要研究传统算法的串行和并行改进方案,并且着重研究经典的静态挖掘算法FP-growth和动态更新算法FUP。在原有算法的基础之上,本文提出了基于FP-growth改进的串行挖掘算法和CUDA GPU并行挖掘算法,以及基于FUP的CUDA GPU并行更新算法。FP-growth是一种基于递归和模式增长的高效挖掘算法,然而递归模式会造成巨大的时间和空间开销。因此,本文提出了基于FP-growth改进的非递归算法NRFP-growth和并行算法GPFP-growth。其中NRFP-grwoth算法引入FP-array数据结构来存储事务数据集,并利用ItemPoss-map结构来挖掘频繁项集。而GPFP-growth算法则建立在NRFPgrowth的基础之上,利用GPU多线程加速频繁项集的挖掘过程。FUP是一种串行的频繁项集增量更新算法,其主要思想基于Apriori算法,因而存在着大量候选项集产生和数据库重复扫描的问题。因此,本文提出了基于FUP改进的并行算法GPFUP,该算法通过引入前缀树结构加速候选项集的生成和过滤步骤,并利用位表结构完成GPU端的支持度并行计算任务。为了测试改进算法的性能,本文以经典的串行算法为基准,选取不同的数据集测试了串行改进算法的时间和空间性能以及并行算法的加速效果和可扩展性。实验表明,基于FP-growth改进的串行挖掘算法和基于GPU的并行挖掘算法均具有更好的挖掘性能。
黄晓堃[10]（2019）在《嵌入式多核共享存储机密性完整性保护方法研究》文中提出嵌入式多核共享存储系统以其高性能、高并发、低功耗等优势迅速取代传统的嵌入式单处理器系统成为应用新宠。在嵌入式多核共享存储结构中,尽管处理单元PE之间存在着数据共享,然而每个处理单元独立承载着不同的计算任务,处理单元之间是一种不可信关系,必须保证彼此共享信息时的数据机密性与完整性。目前的嵌入式多核共享存储安全保护机制中,处理单元之间需要共享秘密常量,而完整性校验树以整个计数器（counter）域进行构建,这些方法在不可信场景下的应用会导致非共享数据泄露与完整性校验代价过高,因此无法满足互不可信场景下数据共享的安全需求与性能要求,进而有必要对该场景下的安全保护机制进行研究,在尽可能不影响系统性能的前提下,保证互不可信处理单元之间的安全数据共享。本文从机密性与完整性两方面对数据进行了保护:（1）机密性方面,本文提出了一种基于无证书代理重加密的密文共享机密性保护方法,该方法利用内存控制器作为半可信机构辅助整个系统生成公共参数和部分公私钥,然后PE根据公共参数构建完整公私钥与重加密密钥,使用这些密钥对原始数据进行加密,从而使得接收方PE只需使用自身私钥便可解密数据得到原始明文,解决了处理单元之间需要共享秘密常量导致非共享数据泄露的安全问题,满足了机密性保护的需求。（2）完整性方面,本文提出了一种基于多粒度可伸缩哈希树的完整性保护方法,以BMT树（Bonsai Merkle Tree）为基础,从树结构、动态窗口、树的伸缩性三个方面对整个树进行优化改进以适用于互不可信的场景。该方法利用多粒度二叉树代替传统二叉树,并将校验空间分为频繁区域与非频繁区域,不同区域校验到不同的根节点,从而有效降低树高及节点总数,进而降低平均校验路径长度,提高校验效率。除此之外,该方法还采用可伸缩树算法来及时清理无效节点从而降低校验树规模,减少整个校验的耗时。最后本文使用RSIM多核仿真模拟器对本文提出的方法进行了性能评估并与相关文献所提出的方法进行横向对比。机密性保护方面,通过蒙哥马利算法、处理器流水线结构与缓存机制对提出的机密性保护方法进行优化后,在满足机密性安全需求的情况下,与原始不安全系统相比,性能平均下降17.3%。完整性保护方面,在满足完整性安全需求的情况下,与原始不安全的系统相比,性能平均下降12.89%,且性能均优于BMT、多粒度树MGT、多粒度增量哈希树MIT完整性保护方法。因此,本文所提出的方法可以满足互不可信场景下处理单元数据共享的机密性与完整性保护要求,且对原始系统性能影响足够小。
二、树的一种存储结构（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、树的一种存储结构（论文提纲范文）
（1）基于虚拟接近传感器的碰撞检测算法的研究与改进（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 研究背景及研究意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状及发展趋势 |
| 1.2.1 接近传感器仿真的研究现状 |
| 1.2.2 碰撞检测算法研究现状 |
| 1.3 研究目标与内容 |
| 1.4 全文的组织结构 |
| 第二章 相关理论基础 |
| 2.1 基本数学理论 |
| 2.1.1 向量 |
| 2.1.2 投影 |
| 2.2 相关几何知识 |
| 2.2.1 刚体 |
| 2.2.2 超平面 |
| 2.2.3 凸多边形 |
| 2.2.4 凸包 |
| 2.3 接近传感器 |
| 2.4 碰撞检测 |
| 2.5 层次包围盒算法 |
| 2.6 本章小结 |
| 第三章 几种碰撞检测算法的原理分析及简单实验 |
| 3.1 前言 |
| 3.2 几种经典的包围盒碰撞检测算法的原理分析 |
| 3.2.1 基于包围球(Sphere)的碰撞检测算法 |
| 3.2.2 基于AABB包围盒的碰撞检测算法 |
| 3.2.3 基于OBB包围盒的碰撞检测算法 |
| 3.2.4 基于k-Dops包围盒的碰撞检测算法 |
| 3.3 几种碰撞检测算法的应用实验 |
| 3.3.1 实验环境搭建 |
| 3.3.2 虚拟接近传感器的仿真 |
| 3.4 碰撞检测实验结果与分析 |
| 3.4.1 实验参数设置 |
| 3.4.2 实验结果 |
| 3.4.3 结果分析 |
| 3.5 本章小结 |
| 第四章 一种基于B+树存储的AABB包围盒碰撞检测算法 |
| 4.1 前言 |
| 4.2 基于B+树存储的AABB包围盒的设计与实现 |
| 4.2.1 B+树的相关概念 |
| 4.2.2 构建AABB层次包围盒树 |
| 4.2.3 优化AABB层次包围盒树的存储结构 |
| 4.3 不同物体包围盒间的相交测试 |
| 4.4 优化三角面片间的相交测试 |
| 4.4.1 三维空间中的相交测试 |
| 4.4.2 二维空间中的相交测试 |
| 4.5 算法的性能与评估 |
| 4.6 本章小结 |
| 第五章 改进后的包围盒算法在虚拟接近传感器仿真中的应用 |
| 5.1 前言 |
| 5.2 碰撞检测在NX仿真的实现 |
| 5.2.1 预处理阶段 |
| 5.2.2 精确检测阶段 |
| 5.3 仿真结果分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
（2）基于非对称逆布局模型的图像压缩算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 NAM的发展现状 |
| 1.3 研究内容和主要工作 |
| 1.4 研究方法 |
| 1.5 本文的内容安排 |
| 1.6 本章小结 |
| 第二章 NAM的相关介绍 |
| 2.1 NAM的背景和理论 |
| 2.2 NAM的常用同类块判定算法 |
| 2.3 NAM的存储结构 |
| 2.4 NAM的算法步骤 |
| 2.5 本章小结 |
| 第三章 基于NAM的块截断算法 |
| 3.1 概述 |
| 3.2 传统BTC算法和AMBTC算法 |
| 3.3 EDBTC算法 |
| 3.4 QEDBTC算法 |
| 3.5 基于RNAM的块截断算法 |
| 3.5.1 RNAMEDBTC算法的思路 |
| 3.5.2 RNAM分割算法 |
| 3.5.3 同类块判定方法及参数的选定 |
| 3.6 实验结果 |
| 3.7 实验结论 |
| 3.8 本章小结 |
| 第四章 基于可重叠RNAM和位平面分解的图像表示 |
| 4.1 概述 |
| 4.2 BPD |
| 4.3 LQT |
| 4.4 用于比较的基于NAM和位平面分解的图像表示 |
| 4.4.1 TNAMBPD |
| 4.4.2 SNAMBPD |
| 4.4.3 RNAMBPDC |
| 4.5 基于可重叠RNAM和位平面分解的灰度图像表示 |
| 4.5.1 ORNAMBPD算法在TNAMBPD和 SNAMBP上的改进 |
| 4.5.2 ORNAMBPD的算法步骤 |
| 4.5.3 ORNAM分割算法 |
| 4.5.4 ORNAMBPD的存储结构 |
| 4.5.5 ORNAMBPD的数据量分析 |
| 4.5.6 实验结果 |
| 4.5.7 实验结论 |
| 4.6 基于可重叠RNAM和位平面分解的彩色图像表示 |
| 4.6.1 ORNAMBPDC在 RNAMBPDC算法上的改进 |
| 4.6.2 ORNAMBPDC的算法步骤 |
| 4.6.3 ORNAMBPDC的存储结构 |
| 4.6.4 ORNAMBPDC的数据量分析 |
| 4.6.5 实验结果 |
| 4.6.6 实验结论 |
| 4.7 本章小结 |
| 第五章 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（3）基于学习代价的存储结构自动选择系统（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题来源 |
| 1.2 研究背景 |
| 1.2.1 工作负载和存储引擎 |
| 1.2.2 自治数据库 |
| 1.3 研究意义 |
| 1.3.1 研究的理论意义 |
| 1.3.2 研究的实际意义 |
| 1.4 国内外研究进展 |
| 1.4.1 面向HTAP的数据库系统研究 |
| 1.4.2 自治数据库系统研究进展 |
| 1.5 研究内容 |
| 1.5.1 支持自动选择存储结构的数据库系统设计 |
| 1.5.2 基于机器学习的存储引擎代价模型 |
| 1.5.3 以列为中心的数据布局推荐算法 |
| 1.6 研究方法 |
| 1.6.1 基于代价的方法 |
| 1.6.2 机器学习的方法 |
| 1.6.3 研究思路 |
| 第2章 S-CUBE系统架构设计 |
| 2.1 设计思想 |
| 2.2 S-CUBE系统模块介绍 |
| 2.2.1 基准测试模块 |
| 2.2.2 代价模型训练模块 |
| 2.2.3 候选结构生成模块 |
| 2.2.4 存储结构代价估计模块 |
| 2.2.5 存储结构应用模块 |
| 2.3 S-CUBE系统工作流程 |
| 2.3.1 性能数据采集学习流程 |
| 2.3.2 存储结构推荐流程 |
| 2.4 本章小结 |
| 第3章 存储引擎代价模型 |
| 3.1 模型设计目标 |
| 3.2 特征选择 |
| 3.3 基准测试 |
| 3.3.1 基准测试流程 |
| 3.3.2 数据模式生成 |
| 3.3.3 工作负载设计 |
| 3.4 机器学习方法 |
| 3.4.1 数据预处理 |
| 3.4.2 建立学习模型 |
| 3.4.3 估计工作负载的代价 |
| 3.5 本章小结 |
| 第4章 数据布局推荐 |
| 4.1 数据布局介绍 |
| 4.2 数据布局推荐算法 |
| 4.2.1 以查询为中心的算法 |
| 4.2.2 以列为中心的算法 |
| 4.3 本章小结 |
| 第5章 实验验证 |
| 5.1 实验配置 |
| 5.2 存储引擎代价模型验证实验 |
| 5.3 数据布局推荐算法对比实验 |
| 5.4 系统推荐结果验证实验 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（4）面向高性能计算系统的融合数据管理关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 论文研究背景和意义 |
| 1.2 融合场景下数据管理关键问题与挑战 |
| 1.3 本文工作和贡献 |
| 1.4 论文组织结构 |
| 第二章 背景和相关工作 |
| 2.1 融合场景下应用特征与系统存储结构变化 |
| 2.1.1 科学工作流 |
| 2.1.2 应用特征变化 |
| 2.1.3 系统存储结构变化 |
| 2.2 现有数据存储与管理方案 |
| 2.2.1 设计动态库丰富数据管理功能 |
| 2.2.2 拓展文件系统优化数据存储与管理 |
| 2.2.3 定制外部数据管理系统管理科学数据 |
| 2.2.4 其他数据管理工具 |
| 2.3 自适应和智能数据管理优化 |
| 2.3.1 数据放置优化 |
| 2.3.2 数据预取优化 |
| 2.4 科学数据索引与查询优化 |
| 2.4.1 文件粒度索引与查询优化 |
| 2.4.2 记录粒度索引与查询优化 |
| 第三章 基于层次式存储结构的数据管理系统设计 |
| 3.1 前言 |
| 3.2 目的与挑战 |
| 3.3 层次式数据管理系统TDMS |
| 3.3.1 TDMS系统架构 |
| 3.3.2 水平及垂直数据管理策略 |
| 3.3.3 系统接口设计 |
| 3.4 面向应用特征的定制数据管理技术 |
| 3.4.1 科学工作流及数据访问模式划分 |
| 3.4.2 定制层次式数据管理策略 |
| 3.4.3 跨存储层的负载均衡机制 |
| 3.5 数据感知的任务调度技术 |
| 3.6 系统实现 |
| 3.7 系统评估 |
| 3.7.1 实验配置 |
| 3.7.2 TDMS基本性能评估 |
| 3.7.3 科学工作流应用评估 |
| 3.8 小结 |
| 第四章 面向融合应用的自适应层次式数据管理技术 |
| 4.1 前言 |
| 4.2 基于分类模型的智能数据放置策略 |
| 4.2.1 目的与挑战 |
| 4.2.2 数据放置与分类问题 |
| 4.2.3 基于启发式方法的自动数据标注 |
| 4.2.4 智能数据放置引擎 |
| 4.3 面向文件类别的自适应数据预取策略 |
| 4.3.1 目的与挑战 |
| 4.3.2 结合数据流图拓扑结构分析数据访问特征 |
| 4.3.3 针对文件类别设计自适应数据预取策略 |
| 4.4 实现 |
| 4.5 系统评估 |
| 4.5.1 实验配置 |
| 4.5.2 数据放置策略评估 |
| 4.5.3 数据预取策略评估 |
| 4.6 小结 |
| 第五章 耦合并行文件系统的数据索引与查询优化 |
| 5.1 前言 |
| 5.2 面向科学数据的索引与查询模块设计 |
| 5.3 面向“应用定制元数据”的文件粒度索引技术 |
| 5.3.1 文件粒度索引与查询案例:气象大数据 |
| 5.3.2 并发元数据提取 |
| 5.3.3 层次式哈希索引结构 |
| 5.3.4 文件粒度查询处理 |
| 5.4 基于原位索引构建的记录粒度索引技术 |
| 5.4.1 记录粒度索引与查询案例:生物大数据 |
| 5.4.2 原位索引构建过程 |
| 5.4.3 Range-bitmap索引结构 |
| 5.4.4 双层并发查询处理 |
| 5.5 实现 |
| 5.6 系统评估 |
| 5.6.1 实验配置 |
| 5.6.2 文件定位服务性能评估 |
| 5.6.3 记录定位服务性能评估 |
| 5.7 小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 未来工作 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（5）不确定数据流中频繁项集挖掘算法的研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的研究内容 |
| 1.4 本文的组织结构 |
| 第2章 不确定数据流相关知识概述 |
| 2.1 不确定数据 |
| 2.1.1 不确定数据形成的原因 |
| 2.1.2 不确定数据的表现形式 |
| 2.1.3 不确定数据的处理模型 |
| 2.2 数据流 |
| 2.2.1 数据流的特点 |
| 2.2.2 数据流的处理模型 |
| 2.2.3 数据流的数据存储结构 |
| 2.3 不确定数据流相关的频繁项集挖掘算法研究 |
| 2.3.1 静态不确定数据的频繁项集挖掘算法 |
| 2.3.2 数据流中的频繁项集挖掘算法 |
| 2.3.3 不确定数据流的频繁项集挖掘算法 |
| 2.4 本章小结 |
| 第3章 一种基于列表存储结构的不确定数据流频繁项集挖掘算法 |
| 3.1 问题定义 |
| 3.2 列表存储结构的不确定数据流挖掘算法UFS-mine |
| 3.2.1 UIT-lists数据存储结构 |
| 3.2.2 UIT-lists结构上频繁项集挖掘的过程 |
| 3.2.3 频繁项集挖掘算法描述 |
| 3.3 实验及结果分析 |
| 3.3.1 实验环境设置 |
| 3.3.2 实验结果分析 |
| 3.4 本章小结 |
| 第4章 一种加权衰减不确定数据流频繁项集挖掘算法 |
| 4.1 问题定义 |
| 4.2 衰减加权不确定数据流频繁项集挖掘算法DWUFS-mine |
| 4.2.1 数据存储结构初始化及窗口滑动阶段 |
| 4.2.2 基于最大加权期望的剪枝策略 |
| 4.2.3 频繁项集挖掘算法描述 |
| 4.3 实验及结果分析 |
| 4.3.1 实验环境设置 |
| 4.3.2 实验结果分析 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的论文 |
（6）海量图片存储技术的研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 DAS、SAN和 NAS的研究现状 |
| 1.2.2 分布式文件系统研究现状 |
| 1.2.3 NoSQL数据库研究现状 |
| 1.2.4 对象存储技术研究现状 |
| 1.2.5 现有技术方案的特点 |
| 1.3 研究目标、研究内容和创新点 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.3 本文创新点 |
| 1.4 本文组织结构 |
| 第二章 相关技术介绍 |
| 2.1 对象存储 |
| 2.1.1 对象存储结构 |
| 2.1.2 对象存储的特性 |
| 2.2 感知哈希算法 |
| 2.2.1 感知哈希算法的概念 |
| 2.2.2 基于DTC的感知哈希算法 |
| 2.2.3 感知哈希算法的处理过程 |
| 2.3 B+树 |
| 2.3.1 B+树的概念 |
| 2.3.2 B+树的特点 |
| 2.3.3 B+树文件结构 |
| 2.3.4 B+树相关操作 |
| 2.4 本章小结 |
| 第三章 海量图片存储框架分析与设计 |
| 3.1 基于对象存储的扁平化存储策略研究 |
| 3.1.1 对象存储结构分析 |
| 3.1.2 对象存储应用于海量图片存储的分析 |
| 3.1.3 图片对象紧凑式组织结构分析 |
| 3.1.4 基于对象存储的框架结构 |
| 3.2 基于B+树的索引策略研究 |
| 3.2.1 B+树索引与哈希索引对比 |
| 3.2.2 B+树索引应用于海量图片存储的分析 |
| 3.2.3 B+树索引的设计 |
| 3.3 基于时空价值的缓存策略研究 |
| 3.3.1 图片对象访问特性分析 |
| 3.3.2 现有图片对象缓存置换策略分类 |
| 3.3.3 图片对象缓存置换策略解决思路 |
| 3.4 本章小结 |
| 第四章 原型系统设计 |
| 4.1 系统整体架构 |
| 4.2 图片对象读写流程 |
| 4.2.1 图片对象读取流程 |
| 4.2.2 图片对象写入流程 |
| 4.3 各功能模块设计 |
| 4.3.1 客户端模块 |
| 4.3.2 索引模块 |
| 4.3.3 缓存模块 |
| 4.3.4 存储模块 |
| 4.4 本章小结 |
| 第五章 实验设计和结果分析 |
| 5.1 实验环境 |
| 5.1.1 硬件环境介绍 |
| 5.1.2 软件环境介绍 |
| 5.1.3 实验数据 |
| 5.2 面向按需加载索引策略的实验验证 |
| 5.2.1 索引策略的实验设计 |
| 5.2.2 索引策略的实验分析 |
| 5.3 面向缓存置换策略的实验验证 |
| 5.3.1 缓存置换的实验设计 |
| 5.3.2 缓存置换的实验分析 |
| 5.4 面向紧凑式组织方式的扁平化存储策略的实验验证 |
| 5.4.1 组织方式的实验设计 |
| 5.4.2 组织方式的实验分析 |
| 5.5 面向基于MISF的原型系统的对比实验验证 |
| 5.5.1 原型系统的实验设计 |
| 5.5.2 原型系统的实验分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 研究特色 |
| 6.3 后续工作展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（7）船舶AIS大数据时空建模与快速检索方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的与意义 |
| 1.3 国内外研究现状 |
| 1.3.1 存储管理研究现状 |
| 1.3.2 检索效率研究现状 |
| 1.3.3 存在的不足 |
| 1.4 研究内容与论文组织结构 |
| 第2章 AIS数据时空模型构建 |
| 2.1 AIS系统 |
| 2.1.1 AIS系统简介 |
| 2.1.2 AIS信息采集 |
| 2.1.3 AIS数据解码 |
| 2.2 时空数据建模技术 |
| 2.2.1 时空数据 |
| 2.2.2 常见时空数据模型 |
| 2.2.3 布尔模型和倒排模型 |
| 2.3 面向AIS大数据的时空数据模型构建 |
| 2.3.1 AIS数据时空特征 |
| 2.3.2 数据存储概念模型设计 |
| 2.3.3 基于AIS时空特征的多维关系存储模型构建 |
| 2.4 本章小结 |
| 第3章 海量AIS数据存储方法研究 |
| 3.1 数据管理技术 |
| 3.2 AIS大数据管理架构 |
| 3.2.1 存储需求分析 |
| 3.2.2 架构设计 |
| 3.3 AIS数据的写入机制设计 |
| 3.3.1 历史数据写入优化方法 |
| 3.3.2 实时数据同步优化策略 |
| 3.4 基于MR-Model的时空数据管理方法 |
| 3.4.1 分布式系统概述 |
| 3.4.2 基于Mycat的存储模型实现 |
| 3.4.3 基于ES的存储模型实现 |
| 3.5 本章小结 |
| 第4章 海量AIS数据快速检索方法研究 |
| 4.1 时空索引技术概述 |
| 4.1.1 空间编码技术 |
| 4.1.2 时空索引技术 |
| 4.2 时空对象的信息重构与划分 |
| 4.3 基于Geo-CubR树的海量AIS时空数据索引方法 |
| 4.3.1 Geo Time编码方法 |
| 4.3.2 Geo-CubR树的性质及定义 |
| 4.3.3 Geo-CubR树的算法设计 |
| 4.4 混合时空索引组织方法实现 |
| 4.4.1 基于Invert-GeoCubR树的分布式索引框架 |
| 4.4.2 基于Elasticsearch的索引实现 |
| 4.5 检索及统计方法 |
| 4.5.1 非时空检索方法 |
| 4.5.2 基于Invert-GeoCubR树的交互时空检索方法 |
| 4.5.3 关系型检索 |
| 4.5.4 统计方法 |
| 4.6 本章小结 |
| 第5章 AIS大数据服务与应用实验 |
| 5.1 AIS数据存储管理系统设计 |
| 5.2 实验环境设计 |
| 5.2.1 分布式平台搭建 |
| 5.2.2 实验数据及预处理 |
| 5.3 性能对比测试与结果分析 |
| 5.3.1 AIS数据写入存储效率测试 |
| 5.3.2 非关系型检索效率测试 |
| 5.3.3 关系型检索效率测试 |
| 5.4 实验总结 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间获得与学位论文相关的科研成果目录 |
（8）一个面向SQLite数据恢复系统的设计与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统大型数据库恢复技术 |
| 1.2.2 SQLite数据库的恢复技术 |
| 1.3 研究目标和内容 |
| 1.4 论文的组织结构 |
| 第二章 相关技术 |
| 2.1 SQLite文件结构 |
| 2.1.1 根页 |
| 2.1.2 内部页 |
| 2.1.3 叶子页 |
| 2.2 可变长整数 |
| 2.3 SQLite的数据类型 |
| 2.3.1 存储类和数据类型 |
| 2.3.2 类型近似的说明 |
| 2.3.3 列近似操作例子 |
| 2.4 SQLite被删数据的存储结构 |
| 2.4.1 被删数据的存储形式 |
| 2.4.2 自由块 |
| 2.4.3 空闲页 |
| 2.5 数据记录的结构实例 |
| 2.6 本章小结 |
| 第三章 需求分析与系统设计 |
| 3.1 需求分析 |
| 3.2 系统总体设计 |
| 3.3 基于标志位判定法的逻辑恢复方法 |
| 3.4 数据预处理模块 |
| 3.4.1 获取根叶 |
| 3.4.2 获取表结构 |
| 3.5 存储结构遍历模块 |
| 3.6 数据匹配模块 |
| 3.7 自由块的删除数据恢复 |
| 3.7.1 估算与恢复流程 |
| 3.7.2 自由块存储结构解析 |
| 3.7.3 完整数据单元的恢复 |
| 3.7.4 部分完整数据单元的恢复 |
| 3.8 空闲的页删除数据恢复 |
| 3.9 本章小结 |
| 第四章 系统实现与测试 |
| 4.1 实现工具及运行环境 |
| 4.2 核心功能模块的实现 |
| 4.2.1 数据预处理模块 |
| 4.2.2 存储结构遍历模块 |
| 4.2.3 数据匹配模块 |
| 4.2.4 数据恢复模块 |
| 4.3 系统功能测试 |
| 4.3.1 测试环境和方法 |
| 4.3.2 短/彩信的删除恢复测试(系统自带应用) |
| 4.3.3 滴滴打车的删除恢复测试(外部下载应用) |
| 4.4 对比测试 |
| 4.4.1 恢复率 |
| 4.4.2 性能 |
| 4.5 本章小结 |
| 第五章 总结和展望 |
| 5.1 工作总结 |
| 5.2 研究展望 |
| 致谢 |
| 参考文献 |
| 个人简介 |
（9）频繁项集挖掘算法的并行化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 频繁项集挖掘算法研究现状 |
| 1.2.2 频繁项集挖掘算法并行化研究现状 |
| 1.2.3 频繁项集更新算法研究现状 |
| 1.2.4 频繁项集更新算法并行化研究现状 |
| 1.3 论文研究目的及主要工作 |
| 1.4 论文组织结构 |
| 第二章 频繁项集挖掘和GPU并行计算概述 |
| 2.1 频繁项集挖掘概述 |
| 2.1.1 关联规则 |
| 2.1.2 频繁项集 |
| 2.1.3 频繁项集静态挖掘算法 |
| 2.1.4 频繁项集动态更新算法 |
| 2.2 图形处理器GPU概述 |
| 2.2.1 GPU简介 |
| 2.2.2 GPU通用计算简介 |
| 2.2.3 GPU与CPU |
| 2.3 并行计算架构CUDA概述 |
| 2.3.1 CUDA编程模型 |
| 2.3.2 CUDA线程结构 |
| 2.3.3 CUDA存储模型 |
| 2.3.4 CUDA软件体系 |
| 2.4 本章小结 |
| 第三章 基于FP-growth改进的挖掘算法研究 |
| 3.1 FP-growth算法 |
| 3.1.1 FP-growth算法概述 |
| 3.1.2 FP-growth算法性能分析 |
| 3.2 基于FP-growth改进的串行挖掘算法 |
| 3.2.1 NRFP-growth算法的概述 |
| 3.2.2 NRFP-growth算法的数据结构 |
| 3.2.3 NRFP-growth算法的设计与实现 |
| 3.3 基于FP-growth改进的并行挖掘算法 |
| 3.3.1 GPFP-growth算法的概述 |
| 3.3.2 GPFP-growth算法的设计与实现 |
| 3.4 本章小结 |
| 第四章 基于FUP改进的并行更新算法研究 |
| 4.1 FUP算法 |
| 4.1.1 FUP算法概述 |
| 4.1.2 FUP算法性能分析 |
| 4.2 基于FUP改进的并行更新算法 |
| 4.2.1 GPFUP算法的概述 |
| 4.2.2 GPFUP算法的前缀树存储结构 |
| 4.2.3 GPFUP算法的位表存储结构 |
| 4.2.4 GPFUP算法的设计与实现 |
| 4.3 本章小结 |
| 第五章 实验设计与分析 |
| 5.1 实验目的 |
| 5.2 实验方法 |
| 5.3 实验环境 |
| 5.4 实验数据集 |
| 5.5 实验结果与分析 |
| 5.5.1 NRFP-growth算法的实验结果与分析 |
| 5.5.2 GPFP-growth算法的实验结果与分析 |
| 5.5.3 GPFUP算法的实验结果与分析 |
| 5.6 相关工作 |
| 5.7 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（10）嵌入式多核共享存储机密性完整性保护方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.2 机密性保护研究现状 |
| 1.2.3 完整性保护研究现状 |
| 1.3 研究内容 |
| 1.4 组织和安排 |
| 第二章 存储器安全相关保护方法 |
| 2.1 存储体系结构与安全模型 |
| 2.2 机密性保护方法 |
| 2.2.1 直接块加密方法 |
| 2.2.2 OTP加密方法 |
| 2.2.3 GCM加密方法 |
| 2.3 完整性保护方法 |
| 2.3.1 消息认证机制 |
| 2.3.2 防重放机制 |
| 2.4 秘密共享 |
| 2.4.1 随机数广播 |
| 2.4.2 安全密钥共享 |
| 2.5 本章小结 |
| 第三章 基于无证书代理重加密的机密性保护方法 |
| 3.1 引言 |
| 3.2 方法流程 |
| 3.3 安全性分析 |
| 3.3.1 一级密文安全性分析 |
| 3.3.2 二级密文安全性分析 |
| 3.4 本章小结 |
| 第四章 基于多粒度可伸缩哈希树的完整性保护方法 |
| 4.1 完整性保护方法特点 |
| 4.2 校验树结构 |
| 4.2.1 树结构 |
| 4.2.2 动态窗口 |
| 4.2.3 伸缩树 |
| 4.3 方法流程 |
| 4.4 本章小结 |
| 第五章 基于RSIM的仿真实验与分析 |
| 5.1 RSIM仿真框架 |
| 5.1.1 处理器微结构 |
| 5.1.2 网络与内存结构 |
| 5.2 仿真实验与性能分析 |
| 5.2.1 机密性保护方法性能评估 |
| 5.2.2 完整性保护方法性能评估 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
四、树的一种存储结构（论文参考文献）
- [1]基于虚拟接近传感器的碰撞检测算法的研究与改进[D]. 杨帆. 电子科技大学, 2021(01)
- [2]基于非对称逆布局模型的图像压缩算法研究[D]. 匡金军. 华南理工大学, 2020(02)
- [3]基于学习代价的存储结构自动选择系统[D]. 魏?. 哈尔滨工业大学, 2020(02)
- [4]面向高性能计算系统的融合数据管理关键技术研究[D]. 程鹏. 国防科技大学, 2020(01)
- [5]不确定数据流中频繁项集挖掘算法的研究[D]. 谢明烨. 黑龙江大学, 2020(04)
- [6]海量图片存储技术的研究[D]. 刘常磊. 电子科技大学, 2020(07)
- [7]船舶AIS大数据时空建模与快速检索方法研究[D]. 何帆. 武汉理工大学, 2020(09)
- [8]一个面向SQLite数据恢复系统的设计与实现[D]. 管毅鸣. 东南大学, 2019(01)
- [9]频繁项集挖掘算法的并行化研究[D]. 何旭. 东南大学, 2019(06)
- [10]嵌入式多核共享存储机密性完整性保护方法研究[D]. 黄晓堃. 西安电子科技大学, 2019(02)