数据仓库是在生产环境中提供决策支持的系统。传统的数据仓库管理系统往往通过提高查询性能来进行优化。这种优化一般通过使用缓存、索引以及物化视图而实现，优化过程中也需要选择一套最佳的数据结构(物化视图、索引等)。随着云计算的快速发展，决策支持系统脱颖而出，并成为了一种新的挑战模式，查询优化则成为云环境面临的主要挑战之一。　　本文的目标是将物化视图的选择引入到基于云计算的架构中去。在基于云的数据仓库中，由于云环境的复杂性以及其按次计费的模式，导致执行物化视图的选择颇具挑战性。因而，在云环境中，物化视图的选择不应基于查询得到的元组数或查询次数而完成，而应该考虑CPU的消耗、带宽的使用率、以及存储空间等。　　我们可以看到，财政预算有限的用户只能接受一个漫长的查询响应时间，但具有较足的预算的用户可以忽略成本，并要求一个非常快的响应时间。我们可通过构建物化视图来完成这一目标，这里的挑战在于如何选择一组视图并能在云环境中得以物化，以提高查询处理响应时间和降低云计算的成本。有如下三种情况需要考虑：　　有限的预算：给定一个预先的财务预算，这里的关键在于如何选择正确的数据集视图，并将其在云环境中进行物化以尽量减少查询响应时间。　　响应时间的限制：在有限的响应时间内，这里的关键是如何选择一组物化视图来减少财务费用。　　预算和时间之间的权衡：在这种情况下，我们必须对查询响应时间和财务预算之间进行权衡。我们的目标是选择一组视图并将其在云环境中进行物化，并能给出一种最佳方案来解决查询响应时间与财务预算的问题。　　基于上述问题，本文的主要研究工作如下：　　首先，文中定义了一种费用模型，该模型适用于云环境下的按需付费模式，并在费用预算限制下，根据CPU的功耗来实现物化视图的多标准优化。　　其次，本文提出了一种基于费用成本的动态物化视图选择算法，该算法考虑了计算复杂度、存储开销以及转移成本。通过使用前述工作中定义的查询预测，本文提出的算法能动态地选择最佳物化视图。　　费用模型是视图选择问题中的一个重要问题，在预算有限的情况下，它有助于实现物化视图的多目标优化（CPU利用率，带宽消耗和磁盘分配）。　　使用物化视图意味着要修改计算成本，因为查询处理可能会利用物化视图，而视图则需要选择和维护。通过使用一组视图来响应查询而产生的计算成本包括处理成本，物化成本和维护成本。　　处理费用通常由查询负载Q、物化视图集V、租用云实例的配置和查询的频率来产生。查询可能会使用物化视图的内容，而无需重新计算其结果。对视图进行物化需要执行相关的查询，在云环境中，这样的操作是需要付费的，而且还会产生物化成本。如果对源数据集进行了大量的修改，那么物化视图集也需要得到更新。更新或维护成本与更新物化视图的时间和频率是成正比的。　　存储成本是一个重要的问题，尤其是在基于云的架构中，任何存储的数据需要按存储时间支付。随着云计算存储中的数据可以在多个服务器和多个位置进行跨越，数据的安全性则成为了一个重要问题。因此，使用物化视图来提高查询的性能意味着要在云中存储选定的视图，并支付相应的费用。数据存储成本和数据的大小（初始数据集和物化视图）及存储时间是成正比的。　　对于数据处理、存储和分发，云计算已经成为一个可行的、主流的解决方案，但大量数据在云中进出及 TB级的数据大小是一个不可逾越的挑战。因此，数据传输的成本无法在我们的成本模型被忽略。　　数据传输成本或带宽消耗成本取决于输入数据的大小、物化视图的输出数据、物化视图的整个数据集（初始数据集和插入数据）以及CSP的原子转移成本。　　本文提出的物化视图选择方法是基于PR_Q系统预测的，它能作为一个完整的视图管理体系运作。它能预测下一个查询并为其进行视图的物化。我们的算法对视图选择有两个阶段：启动和在线阶段。　　在启动阶段，系统通过输入的查询流开始工作，查询流（THQ）的阈值由数据库管理员指定。我们假设大家对查询流都比较了解。对查询流很熟悉的话能使我们为自己的算法作出所需的估算。启动阶段包含有两个连续的步骤：两阶段优化方法（2PO）和背包0/1优化。首先，基于两阶段优化方法，它执行了静态视图选择。两阶段优化方法结合了迭代优化算法（II）和模拟退火优化算法（SA）。　　在许多改进算法中，该迭代改进算法通过一系列的迭代来优化初始解。通过使用众所周知的爬山算法，该迭代改进是基于局部优化的。该算法开始时，选择一个随机的初始状态。接着它随机选择一些邻值，并对它进行分析。该算法随机执行一系列变动，并且仅接受下坡移动，直到它到达一个局部最小值。　　找到一个局部最小值后，将会随机生成一个新的状态，该算法将在这一状态不停地执行直到满足停止的条件。　　模拟退火源于统计力学，模拟退火技术最先用于视图选择问题，该算法模仿固体的退火原理，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。与迭代优化算法类似，达到某种概率的话，模拟退火技术将接受上坡移动。该算法的每个步骤中的概率值都会下降，并最终只接受下坡移动。这种技术使得模拟退火技术比迭代改进更加优化。　　接受上坡移动的原因是，一些局部极小值相互逼近，需要通过少量的上坡移动来分离。如果算法只执行下坡移动，即进行迭代优化，它会停留在第一个访问到的局部最小值。　　在基于云计算的架构中，视图选择问题实质上是货币成本的优化问题，我们发现有必要在我们的算法中集成一个优化的过程，该过程需要考虑到用户的财务预算（本文算法中的BL变量）。在我们的例子中，我们只考虑到预算有限的情况，即预先给定一个财务预算，关键在于选择一组能在云环境中进行物化的视图，在预算受限制的情况下减少查询响应时间。为解决这一问题，我们选择了一种动态编程方法来引用0/1背包优化。　　在线阶段是系统的运行时阶段。在这一阶段，系统对预测的视图进行物化，此外，系统能识别出一些没有意义的视图并将其删除。　　在线视图选择问题可以定义如下：给定一个已经物化的视图集和一个查询负载，接着按照资源受限情况，基于对查询的预测重新选择一组物化视图。　　未来数据查询工作的预测将使用类似于PR_Q系统预测这一技术，它使用关联规则挖掘和概率推理方法。