导读:本文包含了非结构化数据存储论文开题报告文献综述及选题提纲参考文献，主要关键词:非结构化大数据,存储系统,安全要点
非结构化数据存储论文文献综述
张帆,胡博[1]（2019）在《非结构化大数据存储系统安全性增强技术分析》一文中研究指出伴随着信息技术的不断发展和进步,大数据应用管理受到了广泛关注,为了提升数据应用要点,要践行标准化安全性管理技术,保证数据库数据不被泄漏。并且避免数据拥有者和数据服务平台服务上在用户查询内容管理方面出现异常,有效建立不关联度控制模式,该文分析了非结构化大数据存储系统安全要点,非结构化大数据存储系统安全性增强技术模式,并集中阐释了技术模型,仅供参考。(本文来源于《科技资讯》期刊2019年26期）
朱林,郎乾雯,胡劲蓓[2]（2019）在《大规模非结构化数据资源快速存储方法仿真》一文中研究指出研究一种有效的数据资源快速存储方法,可以减少丢包率,保证存储的稳定性,提高数据存储速度,具备一定的应用价值。针对传统的非结构化数据资源快速存储模式存在能耗均衡性较差、存储延时较长和丢包率较高等问题,提出基于海量存储云调制的非结构化数据资源快速存储方法,该方法将多类别非结构化数据资源集合作为输入,对特征要素进行阈值处理,输出大规模非结构化数据资源关联模型。根据关联模型得到数据资源储存适应的关联强度,将强度与频宽占用概率进行非结构化数据资源储存控制,调节非结构化数据的粒度,依照最小传输粒度频宽梯度传输,加快大规模非结构化数据资源快速存储。通过实验结果验证,上述方法可降低存储延时、减少存储丢包率、保证存储能耗的均衡性,提高大规模非结构化数据资源的存储效率。(本文来源于《计算机仿真》期刊2019年08期）
石径[3]（2018）在《面向云存储的非结构化数据存储研究》一文中研究指出云存储是多种技术的衍生及发展,主要包括并行、网格、分布式计算机等,其不仅为存储完全虚化的实现提供了保障,而且提升了存储及共享等方面的功能。基于此,主要结合MongoDB的数据模型、存储特性、文件系统存储、数据库存储以及将文件系统与数据库相结合存储等方面,研究了面向云存储的非结构化数据存储,以期为促进我国数据存储领域的发展提供参考。(本文来源于《信息与电脑(理论版)》期刊2018年24期）
李纪伟,段中帅,王顺晔[4]（2018）在《非结构化数据库MongoDB的数据存储》一文中研究指出计算机信息化系统中的数据分为结构化数据和非结构化数据。随着大数据的发展,数据内容的多样性带动了非结构化数据存储技术的发展。本文选择非结构化数据库MongoDB,介绍了其存储原理及其与结构化数据库的区别,讲述MongoDB的主要技术,含数据结构、主要操作、数据检索、安全,最后描述MongoDB的主要应用,包括与Java、Python连接,作为后台数据库配置服务器,并实现了对图片和视频的存储和爬虫的功能,后续将其应用到大数据应用和非结构化多媒体数据库中。(本文来源于《电脑知识与技术》期刊2018年27期）
何燕燕[5]（2018）在《云计算下非结构化大数据存储系统设计》一文中研究指出云计算下非结构化大数据存储系统具有明显的可行性,需要具备高效可靠、在线弹性伸缩的特点,能够满足高吞吐并发访问的需求,还需要具有智能管理能力,实现日常维护、安全管理。笔者提出非结构化数据处理是数据存储系统优化策略,提出基于属性向量的统一数据模型,引入基于热度的负载均衡算法改进算法,将这一算法应用于数据的存储中,并进行并行化处理,可以提高数据的存储效率。(本文来源于《信息与电脑(理论版)》期刊2018年16期）
吕启尤,陆庭辉,吴毅良[6]（2018）在《输电线路巡检中海量非结构化数据的分布式存储技术研究》一文中研究指出在我国电网输电线路巡检的早期,人工巡检是主要的方式,随着我国经济的快速发展,高压、超高压、特高压等电力线路的大力扩建,线路走廊也越来越多的集中到人力所不易到达的地方,传统的人工巡检变得愈发危险及困难。目前我国各地的架空输电线路巡检中,采用直升机、无人机巡检的方式已经很普遍。与直升机巡检方式相比,无人机巡检具有成本低、巡检周期短等优点,并且尤其是近些年随着无人机技术的蓬勃发展,无人机巡检变得更普遍。(本文来源于《时代农机》期刊2018年06期）
柳原[7]（2018）在《关于大数据非结构化信息存储效率仿真研究》一文中研究指出对大数据下非结构化信息存储效率问题的研究,能够有效提升大数据信息处理速度。对大数据信息进行高效存储,通过对信息的周期调度,对最小的数据传输粒度等指标进行综合分析,完成对非结构化信息的高效率存储。传统方法利用HBase过滤机制实现几何中心坐标点的纵坐标,进而对图层信息进行过滤,但忽略了对数据传输指标的综合性分析,导致信息存储效率较低。提出基于超带宽的非结构化信息存储方法,首先采用分析聚类将错误的数据聚类删除,以防出现死神经元的问题,使得数据的清洗更加高效准确;通过周期调度,对信息存储过程中的最小数据传输粒度等指标进行综合分析;优化信息存储过程梯度,将所得梯度引至非结构化数据传输存储中;对数据进行流量分离式的存储,以减少信息存储错位情况。实验表明,上述方法在冗余数据的清洗,信息存储延时控制方面,均优于当前方法。(本文来源于《计算机仿真》期刊2018年06期）
张春风[8]（2018）在《非结构化车联网大数据存储与处理技术研究与应用》一文中研究指出移动互联网、卫星定位、LBS等技术的迅速发展,推动了车联网行业的进步,但也为其带来了新的挑战。车联网云数据中心与综合服务平台汇聚了关于车辆位置、状态、速度、加速度、路网等非结构化的海量车联网数据,传统的数据分析技术已经无法满足当前规模的车联网数据处理的需求。因此,本文提出引进分布式计算技术和数据存储技术,构建云服务信息化平台,从而实现对车辆进行高效实时监控和调度管理。主要的贡献如下:1、针对传统关系型数据库无法承载海量数据的存储,突破了单表存储的上限,且数据的查询和写入性能呈现指数级别地下降的问题,同时考虑车载终端采集的数据海量、高速、非结构化等特点,本文基于HBase与Redis缓存数据库设计和实现了车联网数据的存储和查询优化系统。具体地,利用非关系型、高性能、可扩展的分布式数据库HBase做存储,内存数据库Redis做数据缓存。此外,为了提高存储,查询效率,节省存储空间,分别从RowKey设计,服务器预分区,Redis缓存策略,集群参数调整等方面进行优化。实验表明,HBase数据写入和查询性能都有所提升,满足了非结构化车联网大数据存储需求。2、针对传统车联网平台在处理海量数据时存在吞吐量小,实时性差的问题,本文设计了一种基于大数据流处理技术的实时分析系统。根据系统高并发接入以及实时性的需求,引入Storm实时计算系统进行数据的实时分析。利用Kafka消息队列的异步通信机制将各层之间解耦,采用HBase进行海量数据存储,满足车联网非结构化数据存储需求。进一步针对访问数据库开销大的问题,采用Redis缓存策略,提高查询效率。最后实验证明,该系统具有低延迟,高吞吐,可拓展性等特点,能够满足车辆网大数据流处理要求。3、在车联网海量数据处理方面,本文重点关注车辆轨迹数据挖掘问题。主要围绕车辆轨迹数据预处理、停留点提取、轨迹聚类和位置服务等问题展开研究。具体地,在停留点提取的问题上,综合考虑轨迹数据的时间,速度,空间等多维属性,提出停留点预选区,结合改进后的K-Means算法对停留点预选区进行聚类,获取更为精准最终的停留点。在位置服务问题上,利用GeoHash算法将经纬度编码成字符串,根据字符串匹配或Zset数据集排序,实现位置快速查询。实验结果表明,该方法能够真实有效地描述轨迹数据的分布情况,为车联网平台的车辆调度管理提供有效的解决方案。(本文来源于《中国科学技术大学》期刊2018-05-03）
马泽[9]（2018）在《对象存储服务对空间非结构化数据存储的探讨——以阿里云OSS为例》一文中研究指出随着Web2.0时代的到来,国产卫星的增多,各种影像数据呈指数级增长。传统数据库已经无法应对这种爆炸式的增长~([1])。阐述了非结构化数据存储模式——对象存储服务为卫星影像数据提供归档、备份、文件共享等服务的方法~([2])。用阿里云提供的OSS对象存储服务作为本次的实验环境。实验结束后,实现了影像数据的上传、共享。通过这次实验,应用云存储服务可以真正解决影像数据的归档、备份、共享,阿里云OSS服务,虽然不是为了GIS行业定制的服务,但是依旧可以满足行业需求,替代传统的数据存储模式。(本文来源于《江西科学》期刊2018年02期）
邱尚高[10]（2018）在《从容应对金融海量非结构化数据存储》一文中研究指出背景介绍金融行业随着业务的高速发展及监管法规的严格要求,扫描件、照片、音视频和文档等非结构化数据每年成倍数增长,传统NAS在容量扩展性、海量小文件性能、海量文件检索和管理便捷性上都存在诸多问题。如何更加高效地存储和管理海量非结构化数据,已成为金融行业信息化建设亟待解决的难题。针对上述问题,杉岩数据结合多年在分布式存储领域的技术积累和行业应用实践,推出了金融大数据"存(本文来源于《金融电子化》期刊2018年04期）
非结构化数据存储论文开题报告
（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：
研究一种有效的数据资源快速存储方法,可以减少丢包率,保证存储的稳定性,提高数据存储速度,具备一定的应用价值。针对传统的非结构化数据资源快速存储模式存在能耗均衡性较差、存储延时较长和丢包率较高等问题,提出基于海量存储云调制的非结构化数据资源快速存储方法,该方法将多类别非结构化数据资源集合作为输入,对特征要素进行阈值处理,输出大规模非结构化数据资源关联模型。根据关联模型得到数据资源储存适应的关联强度,将强度与频宽占用概率进行非结构化数据资源储存控制,调节非结构化数据的粒度,依照最小传输粒度频宽梯度传输,加快大规模非结构化数据资源快速存储。通过实验结果验证,上述方法可降低存储延时、减少存储丢包率、保证存储能耗的均衡性,提高大规模非结构化数据资源的存储效率。
（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。
非结构化数据存储论文参考文献
[1].张帆,胡博.非结构化大数据存储系统安全性增强技术分析[J].科技资讯.2019
[2].朱林,郎乾雯,胡劲蓓.大规模非结构化数据资源快速存储方法仿真[J].计算机仿真.2019
[3].石径.面向云存储的非结构化数据存储研究[J].信息与电脑(理论版).2018
[4].李纪伟,段中帅,王顺晔.非结构化数据库MongoDB的数据存储[J].电脑知识与技术.2018
[5].何燕燕.云计算下非结构化大数据存储系统设计[J].信息与电脑(理论版).2018
[6].吕启尤,陆庭辉,吴毅良.输电线路巡检中海量非结构化数据的分布式存储技术研究[J].时代农机.2018
[7].柳原.关于大数据非结构化信息存储效率仿真研究[J].计算机仿真.2018
[8].张春风.非结构化车联网大数据存储与处理技术研究与应用[D].中国科学技术大学.2018
[9].马泽.对象存储服务对空间非结构化数据存储的探讨——以阿里云OSS为例[J].江西科学.2018
[10].邱尚高.从容应对金融海量非结构化数据存储[J].金融电子化.2018