摘要 | 第3-5页 |
Abstract | 第5-6页 |
1 绪论 | 第13-21页 |
1.1 背景和意义 | 第13页 |
1.2 数据流挖掘领域研究热点 | 第13-14页 |
1.3 数据流挖掘技术发展概况 | 第14-16页 |
1.4 数据流频繁项挖掘及相关性分析 | 第16-18页 |
1.5 研究目标与内容 | 第18-20页 |
1.5.1 研究目标 | 第18页 |
1.5.2 研究内容 | 第18-20页 |
1.6 本文组织结构 | 第20-21页 |
2 数据流挖掘相关研究现状综述 | 第21-28页 |
2.1 数据流挖掘的模型 | 第21页 |
2.2 数据流频繁项挖掘相关方法研究 | 第21-24页 |
2.2.1 基于地标模型和滑动窗口模型的数据流频繁项问题研究 | 第22-23页 |
2.2.2 基于时间延迟模型的数据流频繁项问题研究 | 第23-24页 |
2.3 数据流最热项查询相关方法研究 | 第24-26页 |
2.3.1 最大密度段问题研究 | 第25-26页 |
2.3.2 最大频率问题研究 | 第26页 |
2.4 数据流自适应的相关性分析查询相关方法研究 | 第26-28页 |
2.4.1 数据流相关性分析的度量标准的选择 | 第26-27页 |
2.4.2 数据流相关性分析方法研究 | 第27-28页 |
3 延迟数据流的频繁项挖掘方法 | 第28-51页 |
3.1 问题陈述 | 第29-30页 |
3.2 数据结构Quasi-heap | 第30-34页 |
3.3 基于Quasi-heap的Space Saving算法(SSQ) | 第34-35页 |
3.4 基于Quasi-heap的Filtered Space Saving算法(FSSQ) | 第35-39页 |
3.5 概要结构Count-Min-Min (CMM) Sketch | 第39-42页 |
3.6 实验结果评估 | 第42-50页 |
3.6.1 实验设置 | 第43-44页 |
3.6.2 实验结果 | 第44-46页 |
3.6.3 Quasi-heap的有效性验证 | 第46-47页 |
3.6.4 CMM sketch的有效性验证 | 第47-50页 |
3.7 本章小结 | 第50-51页 |
4 数据流最热项的查询方法 | 第51-79页 |
4.1 问题陈述 | 第53-55页 |
4.2 Best-So-Far算法 | 第55-57页 |
4.3 δ-Confined算法 | 第57-58页 |
4.4 Arrival Timestamps算法 | 第58-65页 |
4.4.1 Arrival Timestamps列表(AT-list) | 第58-59页 |
4.4.2 基于AT-list的剪枝策略 | 第59-62页 |
4.4.3 Arrival Timestamp算法 | 第62-65页 |
4.5 算法性能分析 | 第65-67页 |
4.5.1 聚集时间戳 | 第65-66页 |
4.5.2 top-k最热项查询 | 第66-67页 |
4.5.3 δ的选择 | 第67页 |
4.6 实验结果评估 | 第67-77页 |
4.6.1 算法效率和扩展性评估 | 第68-73页 |
4.6.2 top-k扩展性能的验证 | 第73-75页 |
4.6.3 其他的补充实验 | 第75-77页 |
4.7 本章小结 | 第77-79页 |
5 数据流自适应的延迟相关性分析方法 | 第79-96页 |
5.1 问题陈述 | 第82-83页 |
5.2 RLC准确性查询算法 | 第83-87页 |
5.2.1 State-of-the-art算法的改进 | 第83-84页 |
5.2.2 递增算法 | 第84-87页 |
5.3 RLC近似性查询算法 | 第87-89页 |
5.4 最小滑动窗口ω_(min)的选择 | 第89页 |
5.5 实验结果评估 | 第89-95页 |
5.5.1 实验设置 | 第89-90页 |
5.5.2 算法性能评估 | 第90-93页 |
5.5.3 算法有效性评估 | 第93-94页 |
5.5.4 近似算法的估算误差 | 第94-95页 |
5.6 本章小结 | 第95-96页 |
6 总结与展望 | 第96-99页 |
6.1 总结 | 第96-97页 |
6.2 展望 | 第97-99页 |
参考文献 | 第99-111页 |
攻读博士学位期间主要的研究成果 | 第111-113页 |
致谢 | 第113-114页 |