基于關聯(lián)分析的移動評教數據預取與緩存研究.pdf

1、隨著移動通信技術與無線寬帶網絡的的發(fā)展，移動互聯(lián)網無論是在規(guī)模上還是在網絡應用數量上都呈現(xiàn)指數級的增長。特別是進入Web2.0后，用戶產生內容逐漸成為了主流而導致網絡通信數據量呈現(xiàn)爆發(fā)趨勢，尤其是近年來移動互聯(lián)網的快速發(fā)展，大大降低了用戶使用互聯(lián)網的門檻。
　　移動互聯(lián)網的快速發(fā)展已經影響到了我們生活的方方面面，越來越多的桌面應用開始移動化。教學評價系統(tǒng)是一套用于對教師授課情況進行評價的系統(tǒng)，由于其在使用中存在并發(fā)高、瞬間請求數據

2、量較大的特點，在對其進行移動化改造的過程中會出現(xiàn)高并發(fā)下數據請求時間過長的情況。本文通過提出相應的數據預取與緩存模型以解決這一問題。
　　數據預取的工作本質是將原來的同步數據請求轉換為異步數據請求。數據預取通過分析用戶以往的數據請求記錄以及當前的數據請求狀態(tài)，通過相應的挖掘算法對用戶未來的行為進行預判并讀段數據緩存?zhèn)溆茫源藖磉_到降低數據請求等待時間的目的。本文提出了基于FP-Growth算法挖掘關聯(lián)規(guī)則的評教數據預取模型，使用F

3、P-Growth算法作為用戶數據請求關聯(lián)規(guī)則的挖掘算法，并在數據預取的過程中加入了對關聯(lián)規(guī)則的泛化過程，同時提出了針對評教數據的預取價值評估算法。數據預取與數據緩存是兩個不可分割的統(tǒng)一整體，數據緩存為預取數據提供了存儲支持。預取的數據均需要保存在緩存系統(tǒng)中備用，緩存系統(tǒng)的更新與替換策略對緩存的命中率具有非常大的影響。本文提出了基于優(yōu)先級動態(tài)分層的緩存模型，待緩存數據具有動態(tài)的優(yōu)先級，通過實時的優(yōu)先級改變來達到數據分層的改變。本文同時提出