Adaptive Distributed Data Stream Management System.pdf

1、傳感器網(wǎng)絡是一種無線網(wǎng)絡，它們廣泛應用于環(huán)境監(jiān)控、目標跟蹤、建筑物安全監(jiān)測、農(nóng)業(yè)精細化耕種、活火山監(jiān)測、運輸業(yè)監(jiān)控、人類活動監(jiān)控以及其他監(jiān)控領域。傳感器網(wǎng)絡的數(shù)據(jù)，其表現(xiàn)形式與傳統(tǒng)的數(shù)據(jù)源完全不同，它們成倍連續(xù)地傳送，是一種快速、時變、不確定、無限的數(shù)據(jù)流，而且跟歷史信息無關。
　　 在數(shù)據(jù)流模型中，某些或全部需要被操作的輸入數(shù)據(jù)并不是通過隨機訪問硬盤或內(nèi)存得到的，它們是以一個或多個連續(xù)的數(shù)據(jù)流形式達到的。數(shù)據(jù)流在幾個方面與常規(guī)

2、的存儲關系模型不同。對于數(shù)據(jù)流來說，隨機訪問特定數(shù)據(jù)是不允許的。數(shù)據(jù)流中的各數(shù)據(jù)元素是在線達到的，系統(tǒng)并不對來自于一個或幾個數(shù)據(jù)流源的各數(shù)據(jù)元素達到的順序進行控制。數(shù)據(jù)流在規(guī)模上有可能是無限大的。當數(shù)據(jù)流中一個數(shù)據(jù)元素被處理完畢，它就會被丟棄或存檔。除非被存放到存儲器中，否則被處理過的數(shù)據(jù)元素不容易被取回。相比于數(shù)據(jù)流的規(guī)模，顯然存儲器的容量是非常小的。
　　 傳統(tǒng)的數(shù)據(jù)庫管理系統(tǒng)及其改進版本都無法適應對傳感器網(wǎng)絡數(shù)據(jù)流的有效管

3、理。為此，需要建立一種全新的數(shù)據(jù)流管理系統(tǒng)(DataStreaming Management System-DSMS)，以便處理數(shù)據(jù)流并可對數(shù)據(jù)流進行動態(tài)、持續(xù)的查詢操作。
　　 傳統(tǒng)的數(shù)據(jù)庫系統(tǒng)并不是設計用來處理時間緊急的一類應用問題，它們也缺乏支持實時處理或實時交易所需要的特征。而且，傳統(tǒng)的數(shù)據(jù)庫管理系統(tǒng)也不是設計用來連續(xù)且快速地載入個體數(shù)據(jù)項，它們不能直接支持連續(xù)的數(shù)據(jù)查詢，而這恰好是數(shù)據(jù)流應用的典型特征。此外，在對高速數(shù)

4、據(jù)流進行查詢和其它處理(如數(shù)據(jù)分析和數(shù)據(jù)挖掘)時，重點關注的是查詢結果的近似準確性和查詢過程的自適應性；而傳統(tǒng)的數(shù)據(jù)庫管理系統(tǒng)關注的重點則是由穩(wěn)定的查詢計劃所計算出的精準答案。如果用于對數(shù)據(jù)流進行復雜且大量的持續(xù)查詢，傳統(tǒng)的數(shù)據(jù)庫系統(tǒng)及其數(shù)據(jù)處理算法在功能上是不能滿足要求的，面對這樣的應用問題其數(shù)據(jù)管理和數(shù)據(jù)處理方法在很多方面都需要被重新考慮。
　　 在本文中，針對成倍、連續(xù)、高速以及時變的數(shù)據(jù)流，我們研究了數(shù)據(jù)管理及查詢處理的

5、相關問題，將研究重點集中在稱為數(shù)據(jù)流管理系統(tǒng)這種新出現(xiàn)的數(shù)據(jù)庫管理系統(tǒng)技術上。與傳統(tǒng)的數(shù)據(jù)庫管理系統(tǒng)相比，數(shù)據(jù)流管理系統(tǒng)能夠對實時進入和實時離開系統(tǒng)的連續(xù)數(shù)據(jù)流進行持續(xù)的查詢，數(shù)據(jù)僅存放在主存儲器上以便處理。這種數(shù)據(jù)流可以是傳感器數(shù)據(jù)、證券市場數(shù)據(jù)或網(wǎng)絡數(shù)據(jù)流等。
　　 在數(shù)據(jù)庫管理系統(tǒng)領域，一直以來一個重要的挑戰(zhàn)就是如何最優(yōu)地利用資源以使系統(tǒng)的性能達到最佳，同時兼顧、平衡其它因素，如數(shù)據(jù)的可恢復性和可靠性。數(shù)據(jù)流管理系統(tǒng)也具有

6、這些特征，但它們常常有著不同的側重點。數(shù)據(jù)流管理系統(tǒng)涉及的是推送式數(shù)據(jù)源(Push-based Sources)，這種數(shù)據(jù)源常常通過在系統(tǒng)中登記過的持續(xù)查詢輸入數(shù)據(jù)流。一般來說，查詢結果的有效性往往取決于結果產(chǎn)生的速度。這意味著極小化延時和極大化數(shù)據(jù)流通量是極為重要的，所以希望能夠將CPU執(zhí)行時間和內(nèi)存使用量降到最小。有很多相關技術可以用來達到這些目的，如刪除不重要的元組以降低系統(tǒng)的負載(負載剝離)，對算子的排序進行最優(yōu)調度以減少系統(tǒng)所

7、需要的元組數(shù)量，等等。在這些技術中，有很多種(如負載剝離)會大大影響查詢的準確度，從本質上來說也就改變了查詢的原意。因此，有必要研究更準確的查詢技術以及系統(tǒng)性能評價標準，兼顧性能和準確度兩者之間的平衡，并確保查詢達到一定程度的準確性。
　　 在本文中，我們提出了一個自適應分布式數(shù)據(jù)流管理系統(tǒng)(Adaptive Distributed Data Streaming Management System-ADDSMS)的框架，該系統(tǒng)是

8、一個數(shù)據(jù)流控制接口，它運行于分布式數(shù)據(jù)流資源陣列與需要訪問和分析這些數(shù)據(jù)流的終端客戶之間。整個框架提供了一種數(shù)據(jù)流管理和數(shù)據(jù)流查詢處理的機制，可為分布式傳感器網(wǎng)絡數(shù)據(jù)流的在線獲取、管理、處理、存儲以及融合提供支持。
　　 所提出的自適應分布式數(shù)據(jù)流管理系統(tǒng)由三個主要模塊組成：系統(tǒng)管理模塊，數(shù)據(jù)封裝模塊以及查詢處理器模塊。這種系統(tǒng)結構為數(shù)據(jù)流的處理提供了一種分布式方案。
　　 系統(tǒng)管理模塊由三部分組成，包括數(shù)據(jù)流與查詢登記

9、，查詢優(yōu)化器以及查詢分配管理器。其中，最重要的是查詢分配管理器，它采用優(yōu)化過的查詢和費用模型作為圖形分配器的輸入。圖形分配器被用來聚類在已知數(shù)量聚類中的各圖形節(jié)點，這些聚類代表查詢執(zhí)行節(jié)點(即查詢處理器模塊)。以輸入數(shù)據(jù)流的特征和操作算子的費用模型為基礎，可以計算出各操作算子的開銷。查詢分配器具有自適應性，它可以每隔一定周期自動執(zhí)行查詢分配指令。當輸入數(shù)據(jù)流的特征改變時，查詢分配器也會即時執(zhí)行查詢分配指令，在這種情況下，費用模型變得無效

10、。如果由于增加或刪除了某些查詢使得查詢計劃被修改，那么查詢分配必須重做。此外，當某些處理器模塊出現(xiàn)故障時，在故障期，分配管理器可以在現(xiàn)有的無故障處理器模塊中重新分配查詢計劃；在故障模塊恢復正常后，它還可以再次將查詢計劃重新分配到所有查詢處理器模塊中。
　　 數(shù)據(jù)封裝模塊由兩部分組成。第一部分是數(shù)據(jù)流接口組件，它負責從數(shù)據(jù)源(即傳感器網(wǎng)絡)讀入數(shù)據(jù)流。數(shù)據(jù)流接口使用的是一個網(wǎng)絡接口，該接口從傳感器網(wǎng)絡中挑選出數(shù)據(jù)并檢查它們的有效性

11、。如果是有效數(shù)據(jù)，那么該數(shù)據(jù)將從字節(jié)數(shù)組形式解碼成與其匹配的對象類型。然后，數(shù)據(jù)對象會被轉換成包含所有類型數(shù)據(jù)字段的記錄對象。對一個特定數(shù)據(jù)流源的封裝就是將其數(shù)據(jù)轉換成一個統(tǒng)一記錄，該記錄攜帶著數(shù)據(jù)流元素的所有數(shù)據(jù)字段。記錄對象含有數(shù)據(jù)字段的名稱、類型和數(shù)值，所以我們可以在來自于各類數(shù)據(jù)流源的所有各類數(shù)據(jù)流中使用相同的算子模型。數(shù)據(jù)封裝模塊的第二部分是流監(jiān)控組件。為了計算已登記查詢的費用模型，必須獲得輸入流的特征。流監(jiān)控組件的任務就是為

12、系統(tǒng)收集有關輸入流的統(tǒng)計信息并將這些信息發(fā)送到查詢優(yōu)化器和分配管理器。數(shù)據(jù)封裝模塊的這兩個組件都使用所收集的元數(shù)據(jù)以生成自適應分布式查詢。
　　 查詢處理器模塊包含九個組件：查詢計劃分析器、算子組態(tài)、算子調度程序、執(zhí)行引擎、執(zhí)行運行監(jiān)控器、連接管理器、流接收器、流發(fā)送器以及存儲管理器。所有這些組件都被集成在查詢計劃的執(zhí)行之中。此外，非常重要的是這些組件都是按照使整個系統(tǒng)的性能達到最優(yōu)的方式來運行的。所有這些組件都保持相互通信，這

13、就使得在這些組件之間進行切換的開銷可以達到最小。查詢處理器模塊的核心是算子調度程序，它是一個線程，在一組基于查詢計劃的給定條件下，該程序決定著哪個算子被執(zhí)行。在內(nèi)核層，線程調度程序決定著運行哪個算子以及如何在算子之間共享資源(如處理器的時間和內(nèi)存)。算子調度的目的是極小化內(nèi)存需求和元組延時。
　　 查詢分配管理器和算子調度程序是數(shù)據(jù)流管理系統(tǒng)的主要組件，它們與整個系統(tǒng)的自適應特征密切相關。
　　 近年來，大規(guī)模監(jiān)控基礎設

14、施(如無線傳感器網(wǎng)絡)的出現(xiàn)，帶來了如何采用分布式方法處理數(shù)據(jù)流的查詢這樣一個具有挑戰(zhàn)性的問題。在監(jiān)控網(wǎng)絡中，數(shù)據(jù)流的查詢必須在系統(tǒng)內(nèi)部采用分布式方法進行處理，以便使網(wǎng)絡中資源受限的各查詢處理器節(jié)點的性能達到最優(yōu)。此外，在數(shù)據(jù)流高速傳輸?shù)沫h(huán)境下，為能實現(xiàn)數(shù)據(jù)的高流通量和低延時，查詢處理的操作算子必須能被自適應地配置在查詢計劃中，以使數(shù)據(jù)移動的代價最小。
　　 在本文中，針對無線傳感器網(wǎng)絡的數(shù)據(jù)流管理系統(tǒng)，我們提出了一種三級優(yōu)化策

15、略，包括傳感器定位優(yōu)化、查詢分配優(yōu)化以及查詢操作算子最優(yōu)調度，以最大限度地減少處理數(shù)據(jù)流所需要的資源。
　　 第一級優(yōu)化是針對傳感器部署(即傳感器節(jié)點定位)的優(yōu)化。在無線傳感器網(wǎng)絡中，傳感器的部署是一個至關重要的問題，它對網(wǎng)絡的建造成本、查詢操作需要處理的數(shù)據(jù)量以及網(wǎng)絡的監(jiān)測能力都會產(chǎn)生重要影響。在監(jiān)測區(qū)域對多個傳感器實施最優(yōu)部署，可以使傳感器節(jié)點的數(shù)量達到最少，而傳感器數(shù)量的減少又有利于減少數(shù)據(jù)流管理系統(tǒng)需要管理的數(shù)據(jù)量。過去

16、雖然有許多研究都曾涉及到這個問題，但它們大多都假設監(jiān)測區(qū)域是一個開放式空間，即傳感器可以部署在該區(qū)域內(nèi)的任何位置上。在本文中，我們考慮的監(jiān)測區(qū)域是一個有定位約束的區(qū)域，即在區(qū)域內(nèi)的某些位置點是不能部署傳感器的。傳感器定位問題(Sensor Location Problem-SLP)是一個非線性、非凸規(guī)劃問題，其目的是要確定所有傳感器的安裝位置，以對目標區(qū)域實施有效監(jiān)控。對傳感器定位的要求是，使用最少的傳感器，而使監(jiān)控覆蓋的區(qū)域達到最大。

17、
　　 進化算法是一類模仿生物世界選擇與進化機制的通用隨機搜索方法。進化算法與其它優(yōu)化算法不同(如爬山算法和模擬退火算法)，它不是依靠一個解而是通過一組有潛力的候選解組成一個群體去解決一個優(yōu)化問題。
　　 一般來說，各種進化算法都是基于以下機制運行的。由若干個體組成一個群體，然后將群體初始化。每個個體都對應著優(yōu)化問題一個可能的解，解的質量可以通過一個適應度函數(shù)來評價。進化算法在每一次迭代中，即在進化過程的每一代中，都會執(zhí)

18、行選擇操作，該操作會將適應度較好的個體挑選出來并讓它們進入到下一代的群體中。使用變異、交叉或其它進化操作可以改變個體。以上過程被不斷重復，直到算法產(chǎn)生的結果收斂為止。此時，可以認為由算法找到的最終解就是優(yōu)化問題的最優(yōu)解。遺傳算法(Genetic Algorithm-GA)和粒子群算法(Particle Swarm Optimization-PSO)被認為是最重要的兩種進化算法。對于許多組合優(yōu)化問題來說，GA和PSO已被認為在獲得最優(yōu)解或

19、近似最優(yōu)解方面是最有效的，但它們也存在一些缺陷。目前，已經(jīng)出現(xiàn)了一些混合算法，用來克服GA和PSO的缺陷。研究人員已經(jīng)提出了PSO算法一些改進的版本，其中引入了其它進化算法的優(yōu)異特性。最近幾年，已有很多學者研究過如何將選擇、變異、交叉以及各種不同的進化機制結合進PSO算法中。
　　 GA和PSO在它們固有的并行特征方面是非常相似的，然而實驗結果表明，在求解不同的優(yōu)化問題時它們又有著各自獨有的優(yōu)點。我們希望將這兩種算法綜合在一起，

20、以期獲得兩者的優(yōu)異特征。在本文中，我們提出了一種自適應混合優(yōu)化算法(Adaptive HybridOptimization-AHO)，該算法采用一個模糊邏輯控制器作為智能切換開關，它可以在不同類型的優(yōu)化算法之間按某種規(guī)則進行自動轉換。
　　 在本文中，我們采用了三種進化算法來求解傳感器的定位問題，包括粒子群優(yōu)化算法PSO、遺傳算法GA以及我們提出的自適應混合優(yōu)化算法AHO。AHO算法包含PSO算法和GA算法。在進化過程中，AHO

21、算法通過一個模糊邏輯控制器(Fuzzy logic controller-FLC)可以自適應地在PSO算法和GA算法之間進行智能切換。通過改變感應模式、傳感器數(shù)量以及監(jiān)控區(qū)域的定位約束，我們分別采用這三種進化算法對傳感器部署問題進行了多種仿真實驗，對各種條件下由這三種算法所獲得的監(jiān)控區(qū)域覆蓋率和計算成本都進行了比較，結果表明這三種算法在各種條件下都能獲得好的定位效果。但與PSO算法和GA算法相比，AHO算法由于能夠利用PSO和GA算法各

22、自的優(yōu)點并避開它們的缺點，在二元感應模式、指數(shù)衰減感應模式以及梯度衰減感應模式下，采用AHO算法對傳感器進行部署可以獲得最大的監(jiān)控區(qū)域覆蓋率，而且只需經(jīng)過較少代的進化AHO算法就能獲得傳感器定位問題的全局最優(yōu)解。
　　 第二級優(yōu)化是針對查詢分配過程的優(yōu)化，其目的是要將多個持續(xù)查詢以負載均衡的方式分配到所有查詢執(zhí)行節(jié)點(即查詢處理器模塊)上，并極小化各處理節(jié)點之間的交互通信總量。對數(shù)據(jù)流進行一次持續(xù)查詢可以形象地用一個數(shù)據(jù)流圖來表

23、示。為了在一個數(shù)據(jù)流管理系統(tǒng)中運行多個持續(xù)查詢，通常的方法是將它們的數(shù)據(jù)流圖統(tǒng)一在一個查詢計劃上，然后由一個查詢執(zhí)行引擎依次執(zhí)行計劃中的各個步驟，產(chǎn)生出所需要的查詢結果。在查詢計劃中有“節(jié)點”和“邊”這兩個基本要素，節(jié)點有三類，分別是源節(jié)點(代表數(shù)據(jù)流源)、操作算子節(jié)點(包括選擇算子、連接算子、合并算子、聚合算子、時間尺度算子以及窗口算子等)以及匯點(代表用戶的應用軟件)；而連接兩個節(jié)點的邊則代表節(jié)點之間的數(shù)據(jù)流。查詢計劃的這種特征使它

24、可以用一個有向非循環(huán)圖(稱為查詢圖)來表示，圖中的每個頂點都代表一個操作算子，而每條邊則代表數(shù)據(jù)流；在頂點和操作算子之間、邊與數(shù)據(jù)流之間分別構成一對一的映射關系。自適應分布式數(shù)據(jù)流管理系統(tǒng)(ADDSMS)的性能完全取決于能否將多個查詢在可用的各查詢處理器之間實現(xiàn)均衡的負載分配以及能否極小化各查詢處理器之間相互通信的影響。在本文中，我們采用了一個合適的費用模型用于查詢計劃與查詢圖(有向非循環(huán)圖)之間的映射，并根據(jù)“數(shù)據(jù)流處理與監(jiān)測公用系統(tǒng)

25、”(Public Infrastructure for Processing and ExploringStreams-PIPES)中連續(xù)滑窗查詢的語義學規(guī)則和實現(xiàn)機制建立了該模型。PIPES是一種基礎資源，它可以提供構建一個分布式數(shù)據(jù)流管理系統(tǒng)所需的各種基本要素或組件。費用模型為每個操作算子提供了費用計算公式。將一個操作算子的費用計算公式應用到它的輸入數(shù)據(jù)流，就可以計算出它的輸出數(shù)據(jù)流的特征。對任一數(shù)據(jù)流進行查詢，該費用模型都會從查詢

26、計劃圖的數(shù)據(jù)流源開始自底向上依次運用費用計算公式計算出所有中間數(shù)據(jù)流的特征。所產(chǎn)生的查詢圖可以反映出每個算子的費用以及前后算子之間的通信開銷。
　　 為了將多個持續(xù)查詢以負載均衡的方式分配到相關查詢處理器節(jié)點上，可以采用圖形分割算法對查詢計劃圖中的操作算子群按負載均衡以及節(jié)點間交互通信量最少的原則進行分割。在本文中，我們提出了一種新的蟻群算法，稱為載物相似度螞蟻模型(Similarity CarryingAnt Model，SC

27、AM-ant)，用于求解數(shù)據(jù)流查詢計劃圖的分割問題。第一個蟻群聚類算法是由J.L.Deneubourg等人提出的。后來，P.Kuntz、P.Layzell和D.Snyers提出了一種用于圖形分割的蟻群聚類算法，稱為KLS算法，該算法將圖形分割問題嵌入到一個歐幾里德空間或歐幾里德平面中去考慮?；谙伻旱木垲惸Ｐ捅举|上是一個動力學系統(tǒng)，螞蟻可以移動查詢圖中的頂點(即操作算子)以完成算子的聚類。各頂點(操作算子)究竟被哪些類吸引、被哪些類拒絕

28、是由頂點與類之間的距離決定的。蟻群聚類算法的提出以及對它所做的改進都受到了自然界螞蟻行為的啟發(fā)。關于螞蟻，人們已經(jīng)發(fā)現(xiàn)的特征之一是，一只螞蟻能夠提起自身重量20～50倍的重物。這種特征已經(jīng)被用來增強蟻群聚類的性能。在我們所提出的螞蟻模型中，一只螞蟻在移動過程中具有同時攜帶多個物品的能力。這種成組抓一放物品的行為可以減少螞蟻移動的次數(shù)，從而達到減少完成聚類過程所需時間的目的。在SCAM-ant模型中，每只螞蟻在移動過程可以同時搬運多個對象

29、(頂點，即算子)，數(shù)量由搬運對象和候選對象的相似度決定。SCAM-ant算法利用了物群移動特性，可以有效減少完成聚類過程所需的時間，這是對現(xiàn)有的單物搬運蟻群聚類算法的改進。
　　 為了提供一種適用于數(shù)據(jù)流查詢圖頂點(算子)之間相似度測量的方法，我們提出了一種改進的SimRank算法。SimRank原為一種只能確定結構相似性的普通算法。在本文中，我們將SimRank算法與查詢圖中各條邊的權值相結合(邊的權值通過費用模型計算)，得到

30、一種新的相似度測量方法，這種方法可以基于查詢結構和算子之間的內(nèi)部數(shù)據(jù)流反映出算子之間是否具有相似關系。
　　 為了有效使用SCAM-ant算法完成算子的聚類，我們提出了一種融合SCAM-ant算法的通用模板。采用該模板，算子聚類的最終結構將緊密遵循由這個模板所定義的構型。模板上所有聚類的質心是基于用戶需求定義的，并不依賴于被聚類的操作算子的特征空間。
　　 為了測試我們所提出的持續(xù)查詢分配算法的性能，我們使用了兩個指標，

31、即通信開銷和負載不均衡性。在不同的算子聚類之間總的通信開銷以及在不同查詢處理器節(jié)點之間的負載不均衡性可以反映出分配策略的優(yōu)劣。
　　 從本文的實驗結果可以清楚地看出，與KLS算法相比，SCAM-ant算法的性能更好。通信開銷和負載不均衡性這兩個指標證實，采用我們提出的SCAM-ant算法，可以在更少的時間內(nèi)實現(xiàn)更好的算子聚類。SCAM-ant模型是非常有效的，它能減少螞蟻搬運算子所需要的旅行次數(shù)。
　　 我們的實驗結果也

32、顯示出SCAM-ant算法可以生成負載均衡性很好的分布式查詢計劃，具有最小的通信開銷。與光普、線性、散射和多級KL分割算法相比，在分區(qū)數(shù)量不斷增長的情況下，SCAM-ant算法保持負載均衡的能力更穩(wěn)定。
　　 第三級優(yōu)化是針對查詢操作算子調度的優(yōu)化，其目的是自適應地調度在查詢處理中將要使用的多個操作算子。算子的最優(yōu)調度可以極小化計算機內(nèi)存需求以及查詢結果輸出的延時。以前，用于調度數(shù)據(jù)流查詢及其操作算子的方法都假設每個算子是以一個

33、單獨的線程運行，或者所有的算子結合在同一個查詢計劃中像Chain算法[124]一樣用單線程運行。這兩種方法都存在線程開銷過大以及因操作費時引起延時兩個嚴重缺陷。以前在某些數(shù)據(jù)流管理系統(tǒng)的調度中所建立的Chain算法只關注極小化最大內(nèi)存使用量，而忽視了輸出延時這一重要方面。當輸入的數(shù)據(jù)流激增時，Chin算法將遭受到元祖匱乏，從而引起高延時。為了克服這些缺陷，在本文中我們提出了一種新的聚類算子調度算法(Clustered Operators

34、 Scheduling-COS)。該算法基于各算子的選擇性和計算開銷自適應地將查詢計劃中的所有算子聚類到不同的組中，并使用S-均值(S-mean)聚類方法計算開銷。S-均值聚類是基于相似度驅動的聚類方法，它與K-均值方法相似，但兩者存在一些差別。S-均值聚類會將所有的算子組合到一個新的聚類中，如果這些算子對現(xiàn)有各個聚類質心的相似度的最大值小于給定的閾值。但在K-均值聚類方法中，所有節(jié)點都必須歸到現(xiàn)有的K個聚類中的一個，這對那些與其最靠近

35、聚類的相似度非常低的節(jié)點是不公平的。不規(guī)定聚類數(shù)目K的值可以為聚類過程提供高度的自適應性。
　　 為了比較不同算子調度算法的性能，我們采用離散事件仿真系統(tǒng)(Discrete Event Simulation-DES)建立了數(shù)據(jù)處理單元仿真模型。實驗結果表明，將COS聚類算子調度算法與傳統(tǒng)的FIFO算法、Chain算法以及多線程算法進行比較，在所有仿真條件下COS算法都表現(xiàn)出了更好的性能。此外，在可擴展性和魯棒性方面，COS算法也

36、表現(xiàn)得非常好。COS算法還能用高效率的方式使用內(nèi)存和計算資源，這使得它可以在資源受限的情況下連續(xù)工作，而其它調度算法此時卻失去了它們的穩(wěn)定性。實驗評估證實了COS算法作為持續(xù)查詢處理器具備自適應性、靈活性、可靠性、可擴展性以及魯棒性。
　　 總體來說，ADDSMS自適應分布式數(shù)據(jù)流管理系統(tǒng)是一個數(shù)據(jù)管理器，它具有自適應能力，可被用來處理數(shù)據(jù)流。系統(tǒng)中的每一級優(yōu)化都可以基于數(shù)據(jù)流的特征和用戶的查詢提供一定程度的靈活性。