一、基于数据驱动的DBMS应用研究(论文文献综述)
陈镭[1](2021)在《基于机器学习的数据库系统自动调参研究》文中提出现代数据库管理系统有成百上千个配置参数,繁琐的参数配置工作已经超出数据库管理员的负荷能力。近年来,机器学习技术因具有较强的学习和泛化能力,为解决数据库调参问题提供了新思路。基于机器学习的数据库自动调参系统能利用已有调优数据训练模型自动推荐最优参数,进而提高数据库管理系统的性能,如降低延迟和增加吞吐量等。使用OtterTune系统对PostgreSQL关系数据库进行自动化调参实验,结果表明,基于机器学习的自动调参系统能将系统吞吐率从个位数提高到百位数,显着提高了数据库管理系统性能。
于豪[2](2021)在《基于服务的复杂装备数据分析技术研究》文中指出在信息化战争的倒逼下,军用复杂装备逐渐向智能化方向发展。智能化的军用复杂装备涉及多个工程领域,导致领域间无法理解数据定义,出现“信息孤岛”现象。因此选用复杂装备作为场景,研究多领域间的资源管理以及异构数据集成技术。本文主要有以下两个目的:第一,研究复杂装备数据的动态资源管理优化技术;第二,研究基于中间件服务架构的复杂装备数据集成优化技术。主要研究内容如下:(1)介绍复杂装备数据分析中涉及的相关背景和关键技术。首先,介绍了复杂装备数据分析关键技术的基本概念和技术结构。然后,分析了几种主流的实现方法,并对比总结它们各自的优缺点。(2)提出基于异步消息队列的装备资源管理优化技术。针对各军种、各部门复杂装备数据访问的特点,本文提出了一种基于异步消息队列的负载均衡框架,实现复杂装备资源动态管理优化。首先,本文分析了复杂装备数据权限分组访问和异步消息队列实现的可行性。然后,分别对以上技术进行实现。其中,权限分层访问控制包括分组权限控制和权限管理表设计;异步消息分发包括异步任务发布、任务调度器、任务执行单元三部分。最后,使用消息中间件存放消息数据以及任务结果。结果表明,本文方法降低了权限关系映射复杂度,减少权限响应时间;单机服务器响应速度对比其他主流方法平均提高7.6%。(3)提出基于服务的复杂装备数据集成优化技术。针对复杂装备异构数据的集成,本文提出了一种基于服务的复杂装备数据集成优化技术。首先,本文介绍了中间件集成架构以及轻量级的数据交换格式。然后,将复杂装备数据集成优化技术分为装备数据采集、数据结构转换、数据处理引擎、数据映射驱动模版和服务化发布五个部分。最后,针对耦合度、实时性以及查询性能方面,与其他集成技术进行对比。结果显示,本文提出的基于服务的复杂装备数据集成优化技术将平均响应时间降低至1s,解决异构数据服务发现以及领域定义集成问题。本研究获得的结果可用于解决复杂装备数据分析中资源动态管理、复杂装备数据集成等问题,且对复杂装备数据分析技术有重要延伸意义。
万晨[3](2020)在《基于深度学习的多变量时间序列预测算法与应用研究》文中研究指明时间序列预测是典型的时间序列分析任务,对于辅助决策、资源配置、提前采取止损措施等方面有重要意义,在包括电力、气象、交通、商业等领域有广泛应用。基于深度学习的时间序列预测算法以数据驱动的方式,学习序列特征,建模历史数据和未来数据之间的映射关系。由于深度学习模型在复杂度和序列特征表示方面的优势,近些年时间序列预测算法越来越多地采用深度神经网络进行构建,以捕捉复杂模式。在实际应用中基于深度学习的时间序列预测算法表现优于基于统计的时间序列分析预测算法。其中单变量时间序列预测、多变量时间序列预测、时间序列多步预测等一直是热门研究领域。另外,实时运行的信息系统产生大量时序数据,主要包括系统性能监测数据。预测系统性能的未来趋势可以为现代信息系统的日常运行维护提供重要帮助。随着信息系统的广泛部署,基于深度学习的时间序列预测算法在信息系统运维领域得到越来越多的应用。本文主要研究以下两个问题:(1)多变量时间序列预测算法的局部变量预测精度问题,即多变量预测算法在优化整体预测精度的同时如何保障局部变量的预测精度;(2)数据库管理系统(DBMS)的系统性能预测问题,即如何进行性能分数的趋势预测并挖掘具有前K影响力的关键性能指标(KPI挖掘)。针对多变量预测算法的局部变量预测精度问题,本文设计并实现了一种基于自演化预训练的多变量时间序列预测算法SEPNets。受预训练模型启发,SEPNets首先构建、训练单变量时间序列模型作为后续建模的基准;然后基于时序卷积网络(1维卷积)与长短记忆(LSTM)单元建模变量间复杂的时序依赖关系;通过将前者作为后者的预训练模型进行融合再训练,SEPNets解决了多变量时间序列预测的局部变量预测精度问题。实验结果表明,本文提出的SEPNets算法在获得相对最高的预测精度的同时保障了局部变量的预测精度,在各性能指标上优于现有的多变量时间序列预测算法。针对DBMS的系统性能分数的趋势预测和KPI挖掘问题,我们设计并实现了一种基于多任务神经网络的系统性能预测算法MTSL。从任务相关性出发,MTSL利用小波分析方法捕捉性能分数时间序列的多分辨率信息,结合多个LSTM网络与堆叠式长短记忆网络(Stacked LSTM)捕捉高维KPI时间序列的复杂时序信息,并通过共享两个任务网络隐层向量的方式,进行信息共享与多任务训练。MTSL能够并行地实现系统性能分数序列的多步预测、以及挖掘具有前K影响力的关键性能指标。实验结果表明,MTSL算法在系统性能分数趋势预测和关键性能指标挖掘方面取得了较好的精确度。
林钢[4](2019)在《云环境下基于SGX的安全数据库研究》文中研究说明云计算的计算资源共享模式带来便利的同时也引入了云计算安全问题,云计算服务商成为了云计算用户数据的管理者,用户数据存在被云服务商窃取的隐患。本文主要针对数据库管理系统在云环境的安全性进行研究。可信计算可以用于解决云服务商的不可信任问题,利用安全的硬件在隔离环境下执行应用程序。本文的研究主要基于Intel SGX技术,该技术提供硬件层面的内存隔离,和远程安全认证等保护机制,且SGX目前支持在多种虚拟机环境运行,围绕这项技术展开SGX在云环境中的应用研究。本文研究了如何使用SGX技术实现安全的云数据库应用的问题。首先了解基于SGX的虚拟容器相关工作,虽然使用容器能够减少应用程序迁移至SGX环境的成本,但无法被广泛使用。因为无法迁移原生数据库至SGX容器,所以采取了加密数据库的方案。相比于其他的加密数据库方案,本文主要基于数据库系统的可扩展性,结合利用SGX的安全特性提供密钥保护,使用较为强力的AES加密算法,能够充分利用Intel CPU的加密引擎提升性能,另外针对SGX带来的性能问题做出优化,有明显的执行性能提升。最后,针对优化的方案做出实现,并对系统的设计和相关配置进行详细的描述。实验表明,在使用SGX技术的基础上,系统能够运行,且数据库管理系统在执行SGX实现的扩展时能保持较小的开销。并得出结论,使用SGX保护数据库管理系统需要依赖从源码上进行开发,使用虚拟容器技术直接移植是不可行的,因此在数据库管理系统上增加扩展是一种相对实用的解决方案。
何列松[5](2020)在《基于地图编辑长事务模型的协同制图关键技术研究》文中提出协同制图是提高地图制图工作效率,快速更新地图产品和地理空间数据库的有效方法。目前,CSCW领域单独研究文本、图像编辑、图形设计方面协同工作相对较多,地图(同时包含大量图形、图像、文本、OLE等)协同编辑设计的研究相对较少;基于DBMS或者DFS研究普通关系型事务相对较多,而针对包含复杂关系的空间数据编辑事务相对较少;协同制图中前台用户交互编辑地图研究相对较多,而后台地理信息数据库同步地永久写入更新前台编辑成果的研究相对较少。面向协同制图研究地图编辑长事务模型,解决协同制图中存在的关键技术问题,对于前台地图交互编辑与后台地理信息更新保持数据一致性,提高多用户协同制图交互界面的协调同步性,平衡兼顾地图制图与地理信息生产更新的效率和成果质量等方面,具有重要的理论与实践意义。本文针对协同制图中目前存在的地图编辑事务执行和处理效率不高、地图编辑长事务并发处理复杂、多客户端集中协同制图时地图协同同步显示难等关键问题,开展了基于地图编辑长事务模型的协同制图关键技术研究与实践,其主要内容如下:1.分析了协同制图的研究背景和现状,指出了当前现有研究的不足,提出了基于MELT模型的协同制图关键技术,明确了本文的研究范围和基本思路。2.介绍了协同制图相关理论与方法,引入了MELT相关的概念;在分析国内外研究现状之后,归纳了目前协同制图中还存在的几个关键技术问题,总结了传统GIS长事务核心问题和开展研究的难点。3.设计了MELT模型,它基于地图文档状态及其变化模拟协同制图MET,分别提出了基于虚拟内存和普通内存如何管理和操作地图文档状态及其变化数据的方法,说明了基于地图文档代理MET的原理,设计了事务列表管理协同制图MET,而后详细介绍了设计的地图文档模型详细结构。针对一类特殊制图对象OLE进行扩展建模,以支持对OLE对象的事务操作模拟。4.研究了基于单列表和双列表的协同制图事务组织与调度技术,设计了协同制图MET串行化协议,提出相交并发事务处理方法,阐述了协同制图中自动事务和用户长事务的内涵,研究了GRCP自动方法,设计实现了基于矢量栅格混合金字塔索引的协同制图多客户端同步显技术。5.构建了集中式协同制图实验平台CoMapping系统,开发了基于MELT的地图文档多源数据集成软件模块,构建了地图要素编辑功能框架,实验解决了几类典型GRCP的地图编辑问题。在此基础上,利用不同比例尺、不同数据量大小的地图数据,对基于地图文档模拟的MELT模型进行了事务管理能力测试、事务并发处理实验和基于协同工作组的多客户端地图同步协同显示实验,验证了MELT模型对协同制图机制的支持和协同制图关键技术的解决效果。在本论文最后总结中归纳了以下创新点:(1)基于虚拟内存的动态单备份和基于磁盘和内存存储的静态多备份的地图文档模型改进了传统MELT模型,通过地图文档状态备份和变化数据存储管理,成功模拟了数据库MET,克服了DBMS中GIS长事务执行时间长、DDL操作受限等缺点,提高了MET执行效率和MET管理能力。(2)设计了协同制图事务三元组模型,建立了MELT并发处理规则,实现了基于协同制图MELT优化、合并、丢弃等并发处理方法,支持协同制图事务串行化处理,维护了事MELT的ACID特性,确保了地图编辑成果数据的一致性。(3)设计实现了以双线道路交叉口处理、注记压盖同色线划和填充点符的地图图形关系自动处理方法,这些处理不增加地图文档数据量且不影响地图编辑其他流程,不仅显着减少了编辑事务数量和用户编辑工作量,还显着降低了MELT前后地图文档状态变化数据量。(4)采用基于矢量栅格混合金字塔索引,通过将Drawpile改进的CoMapping实验系统,实现了多用户协同制图客户端地图同步显示机制,显着提升了协同制图视图显示的同步协调性。
崔天慧[6](2019)在《校园数据共享平台的设计与实现》文中认为高校教育信息化的发展是信息化发展中重要的组成部分,是信息技术应用在教育领域的适应与结合。目前国内外高校的信息化发展早已进入了数字化校园的建设时期,大多都集中在对职能部门业务的重组和对已有系统的整合阶段。在数据集成层面,需要面对业务隔阂、系统壁垒、数据孤岛、数据质量低下以及异构数据库数据标准不一等问题,同时还需要兼顾各部门之间的相互协调工作。因此,在数字化校园的发展和规划中,面向全校层级的信息化建设显得更加重要。在已有的业务系统基础上,建立的数据共享平台,将各个业务系统的数据库连接起来,实现异构数据的抽取和推送。通过对数据共享平台的维护,实现对校内数据的统一管理。结合国内外技术文献的研究现状,以及各高校开展实施的具体情况,本文对数字化校园建设项目中的数据共享平台进行了详细的研究。首先,通过用例图、三层架构图、类图和活动图等,介绍了平台的功能需求和架构设计。然后,通过对各部门的调研以及协商,共同确定了一个全校统一的数据规范,并且在此基础上进行了数据共享平台的表结构设计。最后,详细描述了数据共享平台的详细设计和实现过程,其中涉及到的主要技术如下:1.在传统的关系型数据库基础上,通过中间件技术和分布式管理,对异构数据库进行整合,同时借助于JDBC技术和JMS的消息传输机制,着重讨论了数据的交互过程;2.对ETL的过程进行了详细的描述,对ODI中各种KM进行了介绍,包括每种KM的应用范围与其相对应生成的文件,以及相互之间协同合作的原理和过程等;3.通过对业务系统中间库的搭建,对数据供需方相关权限的设置,介绍了对数据共享操作时的视图和权限的管理;4.通过采用泳道图来介绍对ODI与Oracle的相关配置,尤其是对ODI的接口和KM的配置进行了详细的介绍,将数据从源业务系统抽取和到目标业务系统推送的过程展示出来;5.在Oracle数据库的设置过程中,通过对“过程”的建立,介绍了接口与“过程”相互结合使用的方式;6.对数据抽取和推送的过程进行测试,通过对“任务”的状态分析,修正数据同步过程中的准确度和所耗时间,进一步优化配置。7.作为数据共享平台页面展示,通过Tomcat发布前端JSP页面,结合JAVA和js来部署服务端的逻辑实现,调用jQurey来提取后台数据,将通过ODI获取到Oracle数据库中的数据展示出来,并且支持在线查询和导入功能。数据共享平台部署完成后,经过测试和分析,逐步改进,通过定时的数据传输,基本上实现了对业务系统数据的共享,并且陆续将校内常用的系统集成进来。整个项目借助于Oracle和ODI的能力,完成了基本的ETL操作,使得业务系统之间相互打通,校内数据可以相互流转。通过数据共享平台的搭建,改变了过去陈旧的管理方式,让全校数据使用变得更加灵活、及时和准确。
孟小峰,马超红,杨晨[7](2019)在《机器学习化数据库系统研究综述》文中研究表明数据库系统经过近50年的发展,虽然已经普遍商用,但随着大数据时代的到来,数据库系统在2个方面面临挑战.首先数据量持续增大期望单个查询任务具有更快的处理速度;其次查询负载的快速变化及其多样性使得基于DBA经验的数据库配置和查询优化偏好不能实时地调整为最佳运行时状态.而数据库系统的性能优化进入瓶颈期,优化空间收窄,进一步优化只能依托新的硬件加速器来实现,传统的数据库系统不能够有效利用现代的硬件加速器;数据库系统具有成百个可调参数,面对工作负载频繁变化,大量繁琐的参数配置已经超出DBA的能力,这使得数据库系统面对快速而又多样性的变化缺乏实时响应能力.当下机器学习技术恰好同时符合这2个条件:应用现代加速器以及从众多参数调节经验中学习.机器学习化数据库系统将机器学习技术引入到数据库系统设计中.一方面将顺序扫描转化为计算模型,从而能够利用现代硬件加速平台;另一方面将DBA的经验转化为预测模型,从而使得数据库系统更加智能地动态适应工作负载的快速多样性变化.将对机器学习化数据库系统当前的研究工作进行总结与归纳,主要包括存储管理、查询优化的机器学习化研究以及自动化的数据库管理系统.在对已有技术分析的基础上,指出了机器学习化数据库系统的未来研究方向及可能面临的问题与挑战.
郭强[8](2019)在《可拓建筑策划数据挖掘研究》文中提出可拓建筑策划数据挖掘研究是国家自然科学基金项目《面向可拓建筑策划与设计的可拓数据挖掘理论及其方法研究》(51178132,2012-2015)的重要组成部分,是建筑学、可拓学和数据挖掘领域的交叉研究课题。研究的目的在于,针对当前信息爆炸时代下建筑学领域呈现出的“数据丰富而有用知识难以获取”现象,用可拓数据挖掘的优点和长处来弥补现有可拓建筑策划理论和方法的不足,推动可拓建筑策划理论研究向更理性、更科学、更高效、更智能的方向发展。可拓建筑策划数据挖掘(Extension Data Mining for Extension Architectural Programming,简称EapEdm)是一种自动化的转换工具,能够将无限的互联网数据资源转换成可以指导可拓建筑策划的知识。论文运用跨学科交叉研究方法,对其基本理论、数据获取、数据库构建、知识发现进行研究,初步构建了可拓建筑策划数据挖掘的理论与方法体系。可拓建筑策划数据挖掘的基本理论研究,是在可拓建筑策划和可拓数据挖掘理论研究的基础上,深度思考可拓建筑策划数据挖掘的基本理论问题,为后续的应用方法研究奠定了理论基础。这部分研究提出了可拓建筑策划数据挖掘的涵义、定位、特点;从时代性、地域性、人本性和创新性角度,确定了EapEdm的挖掘对象和目标;建立了EapEdm的程序,分别是数据获取、数据库构建和知识发现;探讨了EapEdm的计算机实现途径和未来使用模式。可拓建筑策划数据挖掘的数据获取研究,是在深入分析互联网数据特点的基础上,运用云服务平台和数据采集软件,来批量采集各种网络开放数据平台中建筑策划相关数据的应用方法研究。这部分研究提出了数据获取的原则和操作步骤,建立了建筑行业动态数据、建筑基地环境数据、建筑使用者需求数据、建筑同类设施数据以及上述各种数据中建筑图像数据的采集方法。通过数据清理、数据评估、数据转换等数据处理方法,将上述采集的数据转化成高质量建筑数据。可拓建筑策划数据挖掘的数据库构建研究,是在现有数据库设计理论的基础上,建立数据库管理系统来组织、存储和管理上述高质量建筑数据的应用方法研究。这部分研究针对建筑学领域的专家学者和从事实践的建筑师展开访谈调查,确定了数据库的使用需求、类型划分和功能定位;从概念设计、逻辑设计、功能设计、数据库运行与维护等方面,分别提出了行业动态数据库、基地环境数据库、使用者需求数据库、同类设施数据库的构建方法,统称为可拓建筑策划数据挖掘的数据库管理系统(Extension Data Mining of Extension Architectural Programming Database Management System,简称EapEdm-DBMS)。可拓建筑策划数据挖掘的知识发现研究,是在现有数据挖掘和可拓数据挖掘方法研究的基础上,按照可拓建筑策划问题模式建立的挖掘应用方法研究。这部分研究以EapEdm-DBMS为基础,结合可拓建筑策划的知识需求,分别建立了建筑行业动态的知识发现方法、建筑基地环境的知识发现方法、建筑使用者需求的知识发现方法以及建筑同类设施的知识发现方法。首先,阐述每种方法的基本原理。然后,将其应用在策划的各个主要方面,并结合具体实例来进行阐释与论证。总之,可拓建筑策划数据挖掘研究通过将可拓建筑策划和可拓数据挖掘理论与方法进行交叉融合,构建起可拓建筑策划数据挖掘的理论研究框架,并最终形成了擅长发现可拓建筑策划知识的可拓建筑策划数据挖掘方法。这为可拓建筑策划领域增添了新的理论与方法,为建筑师利用互联网进行建筑创新提供了智能化工具,也对可拓数据挖掘的应用范围进行了拓展。
张燕飞[9](2018)在《面向负载的数据库管理系统自动调优》文中认为数据库管理系统(DBMS)中存在着数量众多的配置项,它们控制着内存分布、I/O优化、查询计划的成本、并行性、日志记录、恢复等众多行为。如何有效地进行配置优化是所有数据密集型应用程序的一个重要工作,这在整个数据库发展历史上都是一项困难的任务。许多数据库系统含有近千个配置参数,并且系统的更新也会产生新的配置项。虽然数量众多的配置项可控制数据库系统中几乎所有内容,但其调优复杂度也随之提高。并且配置项的调整并非独立事件,参数间的相互影响难以避免,对于不同应用系统,极难存在一个或一组万能的配置项,因而配置项的设定或选择也就成为一个非常困难的问题。为降低调优成本,沿用相似负载的调优策略或其子策略成为常用方法,然而糟糕的是,影响配置项设定和优化的方法往往来源于数据库管理员甚至数据库专家的宝贵经验。为提高系统调优的可行性,本文构建基于增强学习技术的DBMS自动调优模型,使数据库系统即使在无历史数据的条件下,也可以依据实时系统状态所提供的反馈对配置项进行调整,从而提高数据库系统性能。我们在自研的DBMS自调优工具Loadstar中对模型进行实现,并对模型数据进行降维处理以提高自调优效率。最后在通用的DBMSs上进行实验验证,并对实验结果进行详细对比分析。本文主要贡献如下:构建反馈奖惩函数,基于增强学习技术进行自动调优模型构建;在无历史经验条件下,通过系统状态得到反馈继而迭代更新调优策略,最终得到满足目标状态的配置参数值;设计相似工作负载比较方法,利用历史经验数据,搜索与最新负载最为接近的调优策略,从而实现配置参数初始值的跳跃式设置,以降低自动调优的代价;提出基于关联关系和回归统计的降维方法,对大量系统指标和配置参数进行降维处理,从而进一步提高自动调优工具Loadstar的调优效率。设计充分的实验,对本文所构建的自动调优模型进行验证。
李富贵[10](2018)在《基于大数据技术的政府绩效信息使用研究》文中研究说明随着政府绩效管理理论和实践的不断探索,学术界积累了丰富的研究成果,呈现欣欣向荣的发展态势。同时绩效管理尚存在较多的问题,理论研究和实践探索开始进入反思阶段。国内外学者越来越聚焦于绩效管理循环的终端,更加关注绩效结果对公共组织及社会服务的影响,关注绩效信息与数据对内部管理及外部责任所产生的效应。由此便开启了值得绩效管理学界进一步研究和探讨的问题:政府如何更好的使用绩效信息,提高绩效管理的质量和效益。政府绩效管理存在诸多困境和挑战,亟需进行更深层的变革,实现方式改进和系统建构。采用新的研究方法和视角来促进绩效信息使用的研究,对实现政府绩效管理的有效性、科学性和可持续性有着重要的意义。随着网络信息技术的发展,大数据成为主流浪潮。大数据的引入将是未来政府绩效管理理论研究和实践发展的方向。绩效信息使用在理论和实践中存在的问题是本文的研究起点。基于对绩效信息使用理论的分析,本研究尝试理论和技术相结合,以大数据技术的视角分析绩效信息使用这一具体问题。本文围绕绩效信息来源的使用和绩效信息结果的使用两个维度,建构大数据视角下政府绩效信息使用的分析框架,再结合案例分析大数据技术对促进绩效信息使用的作用机理与效应,验证大数据技术对绩效信息使用质量和效益的影响。本文主要研究内容包括:导论部分梳理有关绩效信息使用的理论表达和实践指向,提出本文的研究目的和价值,设计研究思路和研究方法。第二章,通过对政府绩效信息使用的理论与实践分析,厘清政府绩效信息使用的价值、方式和影响因素。总结目前政府绩效管理实践中绩效信息使用存在问题与解决对策,为后续构建面向大数据的绩效信息使用机制提供启示和思路。第三章,为解决绩效信息使用客观性和科学性的问题,本部分尝试以大数据技术的视角分析绩效信息使用,侧重从大数据技术分析促进绩效信息使用过程中的技术和方法,并从绩效信息来源的使用和绩效信息结果的使用两个维度尝试构建政府绩效信息使用系统模型。第四章,以X市J区行政服务中心作为典型案例,深入剖析大数据技术应用于绩效信息来源使用中的主要方法、技术、流程和作用机理,以解决绩效信息客观性的问题。第五章,以X市财政综合信息系统为例,从决策者的宏观管理的视角出发,探讨如何利用大数据技术,促进财税业务的数据和绩效信息的使用,为政府部门提供决策支持分析,提升绩效信息使用科学性。结论部分是对全文进行总结性阐述,归纳文章的创新与不足,提出未来研究展望。本文研究结论如下:第一,从技术角度验证了跨学科研究绩效信息使用的可行性。通过尝试不同学科结合的分析思路,较好的验证了跨学科的技术分析和理论研究具有可行性。第二,从案例分析的视角考证了大数据应用于绩效信息使用的可操作性。透过典型案例本文验证了大数据技术下绩效信息使用的流程、方法和效果,增强了理论分析的说服力,也佐证了大数据技术在实践中具备较强的可操作性。第三,面向大数据的政府绩效信息使用分析框架具备解释力。在借鉴大数据工具和系统架构的基础上,本文构建了大数据技术下的政府绩效信息使用系统模型。该分析框架既符合当前大数据应用的技术实际,同时也能很好的将大数据工具和绩效信息研究客体有机衔接起来,具有较好的解释力。第四,本文验证了大数据技术能够提升绩效信息来源的质量,提高绩效信息的客观性。在绩效信息来源使用维度,案例分析验证了大数据的采集和预处理技术能够实现信息采集与预处理的自动化、实时化和多样化,提升绩效信息客观性。第五,大数据有助提升绩效信息结果使用质量和效益。在绩效信息结果使用维度,大数据的分布式计算和分析处理技术能够辅助决策支持系统,信息使用面向能够从微观管理转向决策支持,实现绩效信息使用的科学性,提高政府管理决策的质量。
二、基于数据驱动的DBMS应用研究(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、基于数据驱动的DBMS应用研究(论文提纲范文)
(1)基于机器学习的数据库系统自动调参研究(论文提纲范文)
0 引言 |
1 数据库自动调参系统介绍 |
1.1 客户端 |
1.2 服务端 |
2 自动调优方法框架 |
2.1 工作负载特征化 |
2.2 特征选择 |
2.3 自动调优算法 |
3 数据库自动调优实验 |
3.1 实验环境 |
3.2 服务端配置 |
3.3 客户端配置 |
3.4 实验效果 |
4 结语 |
(2)基于服务的复杂装备数据分析技术研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 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 |
1.3 研究目的与内容 |
1.4 论文内容组织结构 |
第二章 复杂装备数据分析关键技术 |
2.1 引言 |
2.2 异构数据动态管理技术 |
2.2.1 基于轮询的动态管理技术 |
2.2.2 基于权重的动态管理技术 |
2.2.3 基于响应的动态管理技术 |
2.3 异构数据统一集成技术 |
2.3.1 基于XML的异构数据集成技术 |
2.3.2 基于联邦数据库的异构数据集成技术 |
2.3.3 基于中间件的异构数据集成技术 |
2.3.4 基于数据仓库的异构数据集成技术 |
2.4 异构数据清洗技术 |
2.4.1 基于插值法的异构数据清洗技术 |
2.4.2 基于最近插补法的异构数据清洗技术 |
2.4.3 基于固定值的异构数据清洗技术 |
2.5 异构数据挖掘技术 |
2.5.1 基于关联规则的异构数据挖掘技术 |
2.5.2 基于回归算法的异构数据挖掘技术 |
2.6 异构数据传输技术 |
2.6.1 基于XML的异构数据传输技术 |
2.6.2 基于JSON的异构数据传输技术 |
2.7 本章小结 |
第三章 复杂装备异构数据动态管理研究 |
3.1 引言 |
3.2 基于异步消息队列的装备资源管理技术 |
3.2.1 基于角色的访问控制 |
3.2.2 装备数据消息分发 |
3.2.3 装备数据消息存储 |
3.3 性能比较 |
3.3.1 装备数据动态管理部分 |
3.3.2 装备数据分发部分 |
3.4 本章小结 |
第四章 基于服务的复杂装备数据集成研究 |
4.1 引言 |
4.2 基于服务的装备数据集成技术 |
4.2.1 装备数据采集 |
4.2.2 数据结构转换 |
4.2.3 数据处理引擎 |
4.2.4 数据映射驱动模版 |
4.2.5 服务化发布 |
4.3 性能比较 |
4.4 本章小结 |
第五章 复杂装备异构数据作战场景的实现 |
5.1 引言 |
5.2 复杂装备异构数据作战场景实验 |
5.2.1 作战场景数据分析平台 |
5.2.2 复杂装备异构数据测试分析平台 |
5.3 本章小结 |
第六章 全文总结与展望 |
6.1 全文总结 |
6.2 后续工作展望 |
致谢 |
参考文献 |
攻读硕士学位期间取得的成果 |
(3)基于深度学习的多变量时间序列预测算法与应用研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景 |
1.2 研究问题 |
1.2.1 多变量时间序列预测的局部变量预测精度问题 |
1.2.2 DBMS的系统性能预测问题 |
1.3 主要贡献 |
1.3.1 基于自演化预训练的多变量时序预测算法 |
1.3.2 基于多任务神经网络的系统性能预测算法 |
1.4 论文结构 |
第二章 相关工作 |
2.1 单变量时间序列预测算法 |
2.2 多变量时间序列预测 |
2.3 时间序列多步预测 |
2.4 系统性能预测 |
2.4.1 网络流量预测 |
2.4.2 其他软硬件性能预测 |
第三章 基于自演化预训练的多变量时间序列预测算法 |
3.1 研究动机 |
3.1.1 问题提出 |
3.1.2 解决思路 |
3.2 问题建模 |
3.3 模型框架与算法设计 |
3.3.1 框架介绍 |
3.3.2 自演化预训练模型 |
3.3.3 基于CNN-LSTM的多变量依赖关系建模· · · · · · · · · · · · · · · · · · · |
3.3.4 融合与训练 |
3.4 实验验证 |
3.4.1 数据集 |
3.4.2 基准算法 |
3.4.3 算法评估指标 |
3.4.4 预测精度分析 |
3.5 本章小结 |
第四章 基于多任务神经网络的系统性能预测 |
4.1 研究动机 |
4.1.1 问题提出 |
4.1.2 解决思路 |
4.2 问题建模 |
4.2.1 多步序列预测 |
4.2.2 KPI重要性挖掘 |
4.3 模型框架与算法设计 |
4.3.1 框架介绍 |
4.3.2 基于多级离散小波变换的序列分解 |
4.3.3 Seq2Seq-Forecaster预测器 |
4.3.4 相关性度量 |
4.3.5 基于Stacked LSTM的关键指标挖掘 |
4.3.6 多任务神经网络以及联合训练 |
4.4 实验验证 |
4.4.1 数据集 |
4.4.2 基准算法 |
4.4.3 算法评估指标 |
4.4.4 多步预测结果分析 |
4.4.5 指标挖掘结果分析 |
4.5 本章小结 |
第五章 总结与展望 |
5.1 工作总结 |
5.2 未来展望 |
致谢 |
参考文献 |
简历与科研成果 |
(4)云环境下基于SGX的安全数据库研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景 |
1.2 研究内容 |
1.3 解决问题和创新点 |
1.4 论文基本结构 |
第2章 背景知识和技术介绍 |
2.1 云计算常用模式 |
2.1.1 服务模式 |
2.1.2 部署类型 |
2.2 云计算带来的威胁 |
2.3 可信执行环境 |
2.4 安全的数据库系统 |
2.5 研究的目标与挑战 |
第3章 SGX技术和相关研究成果 |
3.1 SGX基础架构 |
3.2 SGX技术概述 |
3.2.1 安全区认证机制 |
3.2.2 安全区密封机制 |
3.2.3 SGX编程模型 |
3.3 SGX与虚拟化技术 |
3.3.1 支持SGX的虚拟机技术 |
3.3.2 支持SGX的容器技术 |
第4章 基于SGX的加密数据库系统实现 |
4.1 DBMS安全问题概述 |
4.2 My SQL和 Postgre SQL的基本特性 |
4.2.1 DBMS基础架构 |
4.2.2 DBMS可扩展性 |
4.3 加密数据库的基本架构 |
4.3.1 安全区创建和主密钥生成 |
4.3.2 加密的SQL数据类型 |
4.3.3 加密的SQL操作符 |
4.3.4 SQL聚集函数优化 |
4.4 本章小结 |
第5章 实验与分析 |
5.1 实验环境配置 |
5.2 实验设计 |
5.3 系统性能分析 |
5.4 系统安全性分析 |
5.5 其他工作 |
第6章 论文总结与展望 |
6.1 工作总结 |
6.2 未来展望 |
参考文献 |
发表论文和参加科研情况说明 |
致谢 |
(5)基于地图编辑长事务模型的协同制图关键技术研究(论文提纲范文)
摘要 |
Abstract |
缩略词 |
第一章 绪论 |
1.1 研究目的 |
1.2 研究现状与问题 |
1.2.1 国内外研究现状 |
1.2.2 现有研究的不足 |
1.3 总体解决方案 |
1.3.1 总体研究思路 |
1.3.2 主要研究内容 |
1.4 本文的组织结构 |
1.5 本章小结 |
第二章 协同制图理论与方法 |
2.1 协同制图概念 |
2.1.1 协同制图的CSCW起源 |
2.1.2 协同制图相关概念 |
2.2 协同制图模型与方法 |
2.2.1 长事务模型 |
2.2.2 长事务并发控制方法 |
2.3 地图制图协同工作机制 |
2.3.1 工作组机制 |
2.3.2 基于任务划分的协同制图工作流 |
2.4 基于MELT的空间数据库更新机制 |
2.4.1 基于C/S架构的协同制图数据库更新 |
2.4.2 基于B/S架构的协同制图数据库更新 |
2.5 协同制图中存在的技术问题 |
2.5.1 基于空间数据的协同制图事务效率问题 |
2.5.2 协同制图长事务并发处理复杂度问题 |
2.5.3 协同制图地图同步显示问题 |
2.5.4 传统GIS长事务核心问题 |
2.5.5 研究难点 |
2.6 本章小结 |
第三章 MELT模型构建 |
3.1 基于地图文档状态及变化的MET存储模型 |
3.1.1 虚拟内存的MET存储模型 |
3.1.2 普通内存的MET存储模型 |
3.1.3 基于地图文档状态备份与变化的MET模型 |
3.2 地图文档模型定义 |
3.2.1 基于虚拟内存的地图文档模型变量定义 |
3.2.2 文档状态信息在虚拟内存中统一存储 |
3.2.3 地图文档中MET三元组模型 |
3.2.4 基于地图文档的MELT模型 |
3.3 OLE对象的编辑事务支持 |
3.4 基于MELT模型的I/O操作 |
3.5 本章小结 |
第四章 基于MELT的协同制图关键技术及解决方案 |
4.1 协同制图事务组织与调度技术 |
4.2 协同制图长事务并发处理技术 |
4.2.1 协同制图MET串行化协议 |
4.2.2 相交事务并发处理方法 |
4.2.3 协同制图中自动事务与用户长事务 |
4.3 基于MELT的GRCP自动处理方法 |
4.3.1 几种典型的GRCP问题 |
4.3.2 GRCP模型及其扩展 |
4.3.3 几种典型GRCP方法 |
4.3.4 其他GRCP技术体制设计 |
4.4 协同制图多客户端同步显示技术 |
4.5 本章小结 |
第五章 基于MELT的协同制图实验 |
5.1 集中式协同制图实验平台的构建 |
5.2 基于MELT的地图文档多源数据集成 |
5.3 地图要素编辑 |
5.3.1 地图要素编辑功能划分 |
5.3.2 地图编辑处理功能模块架构 |
5.3.3 地图要素编辑处理的工作流程 |
5.3.4 地图要素编辑测试 |
5.4 GRCP的地图编辑 |
5.4.1 GRCP的地图编辑功能 |
5.4.2 GRCP测试 |
5.5 基于地图文档的MELT模型实验 |
5.5.1 基于MELT模型的事务管理能力测试 |
5.5.2 面向协同制图的MELT并发处理实验 |
5.5.3 基于协同制图工作组的多客户端地图同步显示实验 |
5.6 本章小结 |
第六章 结论 |
6.1 总结 |
6.2 创新点 |
6.3 应用前景与展望 |
6.3.1 应用前景 |
6.3.2 研究展望 |
致谢 |
参考文献 |
作者简历 |
(6)校园数据共享平台的设计与实现(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 数字化校园建设背景 |
1.2 国内外研究现状 |
1.3 解决的主要问题 |
1.4 本文的主要工作 |
1.5 论文的组织结构 |
第2章 校园数据共享平台需求分析 |
2.1 数据共享平台概述 |
2.1.1 数据共享平台项目背景 |
2.1.2 统一数据标准,建立数据规范 |
2.2 可行性研究 |
2.3 数据共享平台功能性需求 |
2.4 数据共享平台非功能性需求 |
第3章 校园数据共享平台架构设计 |
3.1 数据共享平台设计目标和原则 |
3.2 数据共享平台架构设计 |
3.2.1 数据共享平台物理架构 |
3.2.2 数据共享平台逻辑架构 |
第4章 校园数据共享平台详细设计 |
4.1 数据共享平台技术概况 |
4.2 数据共享平台的表结构及其设计 |
4.3 ODI概述及其原理 |
第5章 校园数据共享平台实现与测试 |
5.1 数据共享平台总体实现 |
5.1.1 数据共享平台的实现过程 |
5.1.2 数据共享平台的实现结果 |
5.2 系统测试 |
5.3 后期维护 |
第6章 结论 |
参考文献 |
致谢 |
学位论文评阅及答辩情况表 |
(7)机器学习化数据库系统研究综述(论文提纲范文)
1 问题定义与研究框架 |
1.1 数据库系统面临的挑战 |
1.2 问题定义 |
1.3 研究框架 |
2 机器学习化的存储管理 |
2.1 机器学习化的索引结构 |
2.2 机器学习化的缓冲区管理 |
3 机器学习化的查询优化 |
3.1 机器学习化的连接次序枚举 |
3.2 机器学习化的基数估计 |
3.3 机器学习化的代价模型 |
4 自动化数据库管理系统 |
4.1 自适应和自调节数据系统 |
4.2 自主数据库系统 |
5 未来研究问题与挑战 |
(8)可拓建筑策划数据挖掘研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究的背景与意义 |
1.1.1 研究背景 |
1.1.2 研究目的与意义 |
1.2 国内外相关研究 |
1.2.1 建筑策划研究 |
1.2.2 数据挖掘研究 |
1.2.3 可拓建筑策划研究 |
1.2.4 可拓数据挖掘研究 |
1.2.5 相关研究综述 |
1.3 研究的理论基础 |
1.3.1 可拓建筑策划理论 |
1.3.2 可拓数据挖掘理论 |
1.4 研究的内容与方法 |
1.4.1 研究内容 |
1.4.2 研究方法 |
第2章 可拓建筑策划数据挖掘的基本理论 |
2.1 可拓建筑策划数据挖掘的涵义与定位 |
2.1.1 涵义 |
2.1.2 定位 |
2.1.3 维度 |
2.2 可拓建筑策划数据挖掘的数据 |
2.2.1 数据定义 |
2.2.2 数据类型 |
2.3 可拓建筑策划数据挖掘的知识 |
2.3.1 体现时代性的建筑行业动态知识 |
2.3.2 体现地域性的建筑基地环境知识 |
2.3.3 体现人本性的建筑使用者需求知识 |
2.3.4 体现创新性的建筑同类设施知识 |
2.4 可拓建筑策划数据挖掘的程序 |
2.4.1 数据获取阶段 |
2.4.2 数据库构建阶段 |
2.4.3 知识发现阶段 |
2.5 可拓建筑策划数据挖掘的特点 |
2.5.1 挖掘对象动态化 |
2.5.2 挖掘过程智能化 |
2.5.3 挖掘结果全面化 |
2.6 可拓建筑策划数据挖掘的实现途径和使用模式 |
2.6.1 计算机实现途径 |
2.6.2 未来使用模式 |
2.7 本章小结 |
第3章 可拓建筑策划数据挖掘的数据获取 |
3.1 可拓建筑策划数据挖掘的数据获取原理 |
3.1.1 数据获取原则 |
3.1.2 数据获取步骤 |
3.2 可拓建筑策划数据挖掘的数据采集 |
3.2.1 行业动态数据采集 |
3.2.2 基地环境数据采集 |
3.2.3 使用者需求数据采集 |
3.2.4 同类设施数据采集 |
3.2.5 各类数据中的建筑图像数据采集 |
3.3 可拓建筑策划数据挖掘的数据处理 |
3.3.1 数据清理 |
3.3.2 数据评估 |
3.3.3 数据转换 |
3.4 本章小结 |
第4章 可拓建筑策划数据挖掘的数据库构建 |
4.1 可拓建筑策划数据挖掘的数据库需求分析与功能定位 |
4.1.1 数据库的需求分析 |
4.1.2 数据库的功能定位 |
4.2 建筑行业动态数据库构建 |
4.2.1 概念设计 |
4.2.2 逻辑设计 |
4.2.3 功能设计 |
4.3 建筑基地环境数据库构建 |
4.3.1 概念设计 |
4.3.2 逻辑设计 |
4.3.3 功能设计 |
4.4 建筑使用者需求数据库构建 |
4.4.1 概念设计 |
4.4.2 逻辑设计 |
4.4.3 功能设计 |
4.5 建筑同类设施数据库构建 |
4.5.1 概念设计 |
4.5.2 逻辑设计 |
4.5.3 功能设计 |
4.6 可拓建筑策划数据挖掘的数据库运行与维护 |
4.6.1 数据库的运行 |
4.6.2 数据库的维护 |
4.7 本章小结 |
第5章 可拓建筑策划数据挖掘的知识发现 |
5.1 建筑行业动态的知识发现 |
5.1.1 EapEdm的行业动态分析原理 |
5.1.2 基于信息检索的建筑行业基础知识发现 |
5.1.3 基于聚类分析的建筑行业关注热点发现 |
5.1.4 基于趋势分析的建筑行业发展趋势发现 |
5.2 建筑基地环境的知识发现 |
5.2.1 EapEdm的基地环境分析原理 |
5.2.2 基于基地环境地图的基地环境知识发现 |
5.2.3 基于多种城市地图的基地环境知识发现 |
5.3 建筑使用者需求的知识发现 |
5.3.1 EapEdm的使用者需求分析原理 |
5.3.2 基于聚类分析的使用者需求知识发现 |
5.3.3 基于关联分析的使用者需求知识发现 |
5.4 建筑同类设施的知识发现 |
5.4.1 EapEdm的同类设施分析原理 |
5.4.2 基于分类方法的建筑场地创新知识发现 |
5.4.3 基于分类方法的建筑空间创新知识发现 |
5.4.4 基于分类方法的建筑形象创新知识发现 |
5.4.5 基于决策树方法的建筑规模构想知识发现 |
5.4.6 基于决策树方法的建筑技术选择知识发现 |
5.4.7 基于决策树方法的建筑经济决策知识发现 |
5.5 本章小结 |
结论 |
参考文献 |
附录 |
攻读博士学位期间发表的学术论文及其他成果 |
致谢 |
个人简历 |
(9)面向负载的数据库管理系统自动调优(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 国内外研究现状 |
1.3 本文内容与结构 |
第二章 背景介绍与问题描述 |
2.1 DBMS配置调优 |
2.2 技术基础概述 |
2.2.1 机器学习 |
2.2.2 相似度计算 |
2.2.3 数据降维 |
2.3 问题提出 |
2.4 本章小结 |
第三章 Loadstar调优工具设计概要 |
3.1 调优数据获取 |
3.1.1 DBMS系统性能指标 |
3.1.2 DBMS资源监控指标 |
3.1.3 DBMS系统配置参数 |
3.2 Loadstar框架与部署 |
3.2.1 Loadstar架构设计 |
3.2.2 Loadstar应用部署 |
3.3 负载模拟生成 |
3.3.1 工作负载特征定义 |
3.3.2 负载生成器架构设计 |
3.4 本章小结 |
第四章 基于增强学习的DBMS调优方法 |
4.1 系统配置自动调优过程 |
4.1.1 数据标准化处理 |
4.1.2 奖励反馈函数构建 |
4.1.3 基于Q-learning算法的自动调优 |
4.1.4 基于Policy Gradient算法的自动调优 |
4.2 相似负载调优策略更新 |
4.2.1 工作负载映射 |
4.2.2 相似负载搜索 |
4.2.3 历史调优策略应用 |
4.3 实验设计与结果分析 |
4.3.1 实验环境介绍 |
4.3.2 实验数据介绍 |
4.3.3 实验结果分析 |
4.4 本章小节 |
第五章 自动调优的数据降维处理 |
5.1 冗余指标修剪 |
5.1.1 关联性指标挖掘 |
5.1.2 冗余指标剔除 |
5.2 配置参数精简选择 |
5.2.1 基于Lasso的配置参数排序降维 |
5.2.2 配置参数的排序选择 |
5.3 实验设计与结果分析 |
5.3.1 实验环境介绍 |
5.3.2 实验数据介绍 |
5.3.3 实验结果分析 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 本文总结 |
6.2 未来展望 |
参考文献 |
致谢 |
攻读硕士学位期间发表论文和科研情况 |
(10)基于大数据技术的政府绩效信息使用研究(论文提纲范文)
摘要 |
Abstract |
第一章 导论 |
第一节 研究背景和意义 |
一、研究背景 |
二、研究意义 |
第二节 文献综述 |
一、政府绩效信息使用研究综述 |
二、大数据研究综述 |
三、面向大数据的政府绩效管理研究综述 |
四、研究述评 |
第三节 核心概念界定 |
一、政府绩效管理 |
二、政府绩效信息 |
三、政府绩效信息使用 |
四、大数据 |
第四节 研究内容、方法与技术路线 |
一、研究思路与研究内容 |
二、研究方法 |
三、技术路线图 |
第二章 政府绩效信息使用的理论与实践 |
第一节 政府绩效信息使用的理论分析 |
一、政府绩效信息的性质与价值 |
二、政府绩效信息的使用方式 |
三、政府绩效信息使用的影响因素 |
第二节 政府绩效信息使用的现状分析 |
一、绩效信息及其使用存在的问题 |
二、改进绩效信息使用的政策建议 |
第三章 基于大数据的政府绩效信息使用模式构建 |
第一节 大数据与政府绩效信息的关联衔接 |
一、大数据在政府绩效管理环节中的作用 |
二、大数据与绩效信息使用的关联衔接 |
第二节 基于大数据的政府绩效信息使用的分析框架 |
一、基于大数据的政府绩效信息使用分析框架设计思路 |
二、基于大数据技术的政府绩效信息使用系统模型研究 |
三、构建基于大数据技术的政府绩效信息使用系统模型的必要性 |
第四章 基于大数据的绩效信息来源的使用—以X市J区行政服务中心为例 |
第一节 基于大数据的绩效信息来源使用的设计思路 |
一、政府绩效信息来源使用的理论与实践分析 |
二、基于大数据技术的绩效信息来源使用的设计思路 |
第二节 面向大数据的行政服务中心绩效信息来源使用的作用机理 |
一、X市J区行政服务中心绩效管理系统的设计分析 |
二、大数据采集技术提升绩效信息客观性的分析 |
三、大数据清洗技术提升绩效信息准确性的分析 |
四、大数据存储技术提升绩效信息汇总时效性的分析 |
第三节 行政服务中心绩效信息来源的使用效应分析 |
一、基于大数据技术的绩效信息管理系统建设成效分析 |
二、行政服务中心绩效信息管理系统未来展望 |
第五章 基于大数据的绩效信息结果使用——以X市财政大数据平台为例 |
第一节 基于大数据的绩效信息结果使用设计思路 |
一、绩效信息结果使用研究的不同视角 |
二、大数据思维下绩效信息结果使用的新思路 |
三、基于大数据技术的绩效信息结果使用设计思路 |
第二节 面向大数据的财政绩效信息结果使用作用机理 |
一、基于大数据技术的财政决策支持系统的框架模型 |
二、财政绩效信息结果在决策支持中的应用分析 |
第三节 面向大数据的财政绩效信息结果使用效应分析 |
一、面向大数据的财政决策支持系统成效分析 |
二、财政决策支持系统未来展望 |
第六章 结语 |
第一节 研究结论与创新 |
一、研究结论 |
二、研究创新之处 |
第二节 研究不足与展望 |
一、研究不足 |
二、研究展望 |
参考文献 |
一、英文文献 |
二、中文文献 |
攻读学位期间的学术成果 |
致谢 |
四、基于数据驱动的DBMS应用研究(论文参考文献)
- [1]基于机器学习的数据库系统自动调参研究[J]. 陈镭. 软件导刊, 2021(11)
- [2]基于服务的复杂装备数据分析技术研究[D]. 于豪. 电子科技大学, 2021(01)
- [3]基于深度学习的多变量时间序列预测算法与应用研究[D]. 万晨. 南京大学, 2020(02)
- [4]云环境下基于SGX的安全数据库研究[D]. 林钢. 天津大学, 2019(01)
- [5]基于地图编辑长事务模型的协同制图关键技术研究[D]. 何列松. 战略支援部队信息工程大学, 2020(02)
- [6]校园数据共享平台的设计与实现[D]. 崔天慧. 山东大学, 2019(02)
- [7]机器学习化数据库系统研究综述[J]. 孟小峰,马超红,杨晨. 计算机研究与发展, 2019(09)
- [8]可拓建筑策划数据挖掘研究[D]. 郭强. 哈尔滨工业大学, 2019(01)
- [9]面向负载的数据库管理系统自动调优[D]. 张燕飞. 华东师范大学, 2018(02)
- [10]基于大数据技术的政府绩效信息使用研究[D]. 李富贵. 厦门大学, 2018(07)