神经网络思想切入数据库查询优化的应用

神经网络思想是一种新型的计算机算法思想和技术，它源于动物的神经网络结构所体现出的学习和联想能力，在应用到计算机方面能够反映诸多的非线性映射关系，并在数据库查询优化上有着非常大的优势。本文以事务锁查询优化为案例，对神经网络思想切入数据库查询优化的应用展开研究，发现神经网络思想能够高效快速的识别，提升事务的执行效率，进而提升数据库的查询效率。

【关键词】神经网络 数据库 查询优化 应用

神经网络思想是以人体的神经系统为参考而创立的，并模仿人体记忆和训练的过程。由于神经网络能够体现出联想记忆和数据非线性映射的特征，因而在数据识别方面具有显著的优势，并被广泛的运用到数据库查询优化中。

1 神经网络简介

从生物学角度来说，神经网络位于动物的大脑中，并成为其组成部分之一。在此基础上，科学家将其迁移到网络环境并发明了人工神经网络模型。神经网络的目的在于，模仿人类大脑内部的某些机理和功能，将网络的功能扩大化。而这种思想并不是想要彻底取代传统的计算机，而是想要在现有计算机网络领域进行深入研究，着重解决那些利用传统计算方式非常困难的问题领域。神经网络即使一个计算机概念，也是一个数学概念。作为一项新乡的研究领域技术，迅速引起了科学家们的广泛关注，并开展了大量的研究和探讨。

2 神经网络思想在数据库查询优化方面的优势

随着计算机网络技术的快速发展，数据库系统技术也在突飞猛进。目前，国内外的大型企业为了处理海量的数据和高并发，纷纷采用大型的分布式数据库系统。而根据传统的分布式系统理论，在分布式系统中大部分的处理单元都属于自律要素，并且通过这些处理单元彼此之间产生的作用来决定该系统的整体处理性能高低。然而，这些自律要素之间却存在较大的差异，有的处理能力较强，有的则较弱。因而，其总体处理效率通常受到一些低处理能力的自律要素所限制。而在人工神经网络模型中，通常都会假设单个神经元的处理能力非常简单，并通过兴奋性或抑制性信号与其他单元完成通信。而每个神经元都代表一个假设，不同神经元之间产生相互作用则可以证明假设的成立。

根据以上的分析，可以归纳出神经网络思想在数据库查询优化方面的几个特征：

（1）能够在极端的时间间隔内找到较好，但不一定是最佳的解决方案。

（2）对于同一个问题的处理，是由许多的简单的处理单元共同完成的。

（3）以假设、模糊或者矛盾等方法对数据进行分析并试图寻找解决方案。

（4）容錯能力强。

而在上述的四个特征当中，第一个非常突出，这也是启发式算法的核心特征。因此，在许多情况下，尤其是一些实际问题，在对数据库进行查询时，一些所谓的最佳算法通常计算时间较长，或者随着问题规模的增长，其计算时间也会呈现出指数级的增长速度。而利用神经网络思想的启发式算法则可以在最短的时间找出一个较好的答案。

3 神经网络在数据库查询优化中的具体应用

增、删、改、查是数据库的四大基本操作，而查询时使用频率最高的一种操作。因此，必然要对查询进行深入优化，以提升查询效率，减少查询时间。传统的数据库查询优化方式通常包含增加索引、改变模式、修改事务隔离级别等。然而这些方案通常都会对整个数据库系统产生影响，还会产生一些不利影响。而想要避免这些不利影响，并将查询效率提高，最佳的方案就是重写查询语句。在影响数据库查询效率的诸多因素中，事务是最主要的一个因素。因此，本文将以事务为例，利用神经网络的思想对其进行优化。

在对事务进行处理时，锁查询优化是一个非常关键的问题。如果采用神经网络思想，可以从如下几个方面对其进行优化。

（1）使用单独的程序来处理那些较为复杂耗时的读操作。

（2）去除多余的锁。

（3）对事务进行再次分割，分成更小的事务单元。

（4）在不影响应用正常使用的前提下，降低事务的隔离级别。

（5）根据程序的要求，选取合适的粗粒度锁或细粒度锁。

（6）只有对数据库的访问量很少时，采取修改数据库的结构。

（7）死锁监测周期的查询优化。

上述七点建议虽然可以单独使用，但是融合到一起，效果会更好。没一点都是对神经网络思想的贯彻。例如，在选择降低事务隔离级别的时候，可以运用单层的前向神经网络思想来进行确定。具体实验原理为，同时开启多个线程，通过持续的反复执行对同一个账户的总余额查询事务和多个转账事务。为了不影响数据的正常使用，可以首先使用模拟数据来实验。同样也可以获得期望的结果，包含可串行化的影响，死锁可能性，阻塞可能性，隔离级别等。在这个实验的基础上，可以构建出如下的单层前向神经网络，如图1所示。在该神经网络结构中，主要包含了输入层和输出层。其中输出层的作用是，对输入层的数据和期望结果加以比较，并确定其权数。最红，把该权数应用到实际问题当中。因此，单层神经网络包含如下三个环节：确定期望结果参数，确定权数，实际应用。

此外，在一些情况下，增加数据的事务会把每条新增记录的唯一标识进行关联。但是当并发量较大时，神经网络结构就必须要进行有效的协调，避免出现唯一标识重复或冲突的问题。然而，传统的做法是依赖于数据库内部的计数器。具体做法是在新增数据事务开始时，首先该计数器加1，之后进行插入操作，之后提交事务。但是，从操作效率上来说，多了一个计数器，就多增加了计算的时间，而事务又是相互隔离，一个事物未提交，另一个事物读取的计数器的值可能会出现差错。因此，传统的计数器方式无法很好的解决这个问题。而使用一种非线性激活函数的前向神经网络则提供了一种新的解决方式。例如可以把激活函数设定为符号函数，阀值为0，这样就能够识别XOR（异或）问题。并且这种思想较为简单，识别能力较强，对于上述的协调工作非常具有优势，因而在数据库的查询优化方面有着较多的应用。

4 结语

综上所述，神经网络思想在数据库查询优化上的核心切入点在于高效快速的解决识别问题，方便快捷，容错率较高，因而具有十分广泛的应用。

参考文献

[1]樊红珍.基于神经网络的数据库优化查询方法研究[J].电脑知识与技术，2017（04）：1-3.

[2]孙国社，李艳玲，王明章.基于神经网络的动态查询构件设计及实现[J].计算机与信息技术，2010（Z2）：41-44.

[3]吴树荣.神经网络思想切入数据库查询优化的应用研究[J].中小企业管理与科技（上旬刊），2009（05）：283-284.

作者简介

刘婵（1984-），女，山西省太原市人。中北大学软件工程硕士，助理实验师。

作者单位

忻州师范学院 山西省忻州市 034000