Phương pháp đánh chỉ số cho tài liệu XML tin sinh học dựa trên r tree tt

BỘ GIÁO DỤC VÀ ĐÀO TẠO

VIỆN HÀN LÂM KHOA HỌC
VÀ CÔNG NGHỆ VIỆT NAM

HỌC VIỆN KHOA HỌC VÀ CÔNG NGHỆ
-------------------------------

ĐINH ĐỨC LƢƠNG

PHƢƠNG PHÁP ĐÁNH CHỈ SỐ CHO TÀI LIỆU XML
TIN SINH HỌC DỰA TRÊN R-TREE

Chuyên ngành: Cơ sở toán học cho tin học
Mã số: 9 46 01 10

TÓM TẮT LUẬN ÁN TIẾN SĨ TOÁN HỌC

Hà Nội - 2019


Công trình đƣợc hoàn thành tại:
Học viện Khoa học và Công nghệ - Viện Hàn lâm Khoa học và
Công nghệ Việt Nam

Ngƣời hƣớng dẫn khoa học 1: TS. Hoàng Đỗ Thanh Tùng
Ngƣời hƣớng dẫn khoa học 2: PGS.TS. Đặng Hữu Đạo

Phản biện 1:
Phản biện 2:
Phản biện 3:

Luận án được bảo vệ trước Hội đồng chấm luận án tiến sĩ, họp tại Học
viện Khoa học và Công nghệ - Viện Hàn lâm Khoa học và Công nghệ
Việt Nam vào hồi
giờ, ngày
tháng năm

Có thể tìm hiểu luận án tại:
- Thư viện Học viện Khoa học và Công nghệ
- Thư viện Quốc gia Việt Nam


Danh mục các công trình của tác giả
liên quan đến Luận án
1

Dinh Duc Luong, Hoang Do Thanh Tung, “A Survey on Indexing for Gene
Database”, International Clustering Workshop: Teaching, Research, Business,
December 27-29, 2014, pp. 50-54.

2

Hoang Do Thanh Tung, Dinh Duc Luong, “A proposed Indexing Method for
Treefarm

database”,

International

Conference

on

Information

and

Convergence Technology for Smart Society, Vol.2 No.1, Jan, 19-21,2016 in
Ho Chi Minh, Vietnam, pp. 79-81.

3

Vương Quang Phương, Lê Thị Thùy Giang, Đinh Đức Lương, Ngô Văn Bình,
Hoàng Đỗ Thanh Tùng, “Giải pháp công nghệ quản lý nguồn gốc giống heo”,
Kỷ yếu Hội thảo Quốc gia lần thứ XXI:Một số vấn đề chọn lọc của CNTT và
TT, Thanh Hóa, 27-28/7/2018, Tr. 110-116.

4

Hoang Do Thanh Tung, Dinh Duc Luong, “An Improved Indexing Method for
Xpath Queries”, Indian Journal of Science and Technology, Vol 9(31),
DOI:10.17485/ijst/2016/v9i31/92731, August 2016, pp. 1-7 (SCOPUS).

5

Dinh Duc Luong, Vuong Quang Phuong, Hoang Do Thanh Tung, “A new
Indexing technique XR+tree for Bioinformatic XML data compression”,
International Journal of Engineering and Advanced Technology (IJEAT),
ISSN: 2249-8958 (Online), Volume-8, Issue-5, June 2019, pp. 1-7 (SCOPUS).

MỞ ĐẦU
Tài liệu XML là dữ liệu văn bản có cấu trúc, hay còn gọi là dữ liệu bán cấu trúc, chúng
đã phổ biến hàng thập kỷ nay vì khả năng lưu trữ dữ liệu rất linh hoạt và dễ dàng chia sẻ, sử
dụng qua internet. Trước đây, các tài liệu XML thường có kích thước không lớn, nhưng những
năm gần đây bắt đầu xuất hiện các tài liệu XML tin sinh học có kích thước rất lớn có thể lên
tới Giga, Tera Byte bởi sự phát triển như vũ bảo của công nghệ sinh học trong kỷ nguyên này.
Dữ liệu đó có thể tìm thấy từ các nguồn dữ liệu uy tín như SRA (công khai các trình tự được
giải mã), NCBI Genome (các loài đã được giải trình tự), ensembl.org (tổng hợp rất nhiều dữ
liệu thành BioMart)…
Các tài liệu XML tin sinh học là dữ liệu gồm có 2 phần, dữ liệu sinh học (DNA, Protein,
phân loài,…) và các dữ liệu mô tả dữ liệu sinh học. Cấu trúc dữ liệu được định nghĩa theo các
thẻ (tag) và các cấu trúc dữ liệu này thường linh hoạt, có thể khác biệt bởi vì chúng được tùy
biến theo các cá nhân, tổ chức sinh học thực hiện.
Vì có kích thước lớn như vậy, các tài liệu cơ bản phải lưu trữ và khai thác trên đĩa cứng,
hoặc trong hệ thống lưu trữ phân tán, trước khi có thế truy xuất 1 phần nhỏ để đưa lên bộ nhớ
chính (RAM) mỗi khi cần phân tích sâu hơn. Cơ chế truy xuất đĩa cứng là tuần tự và thời gian
tiêu tốn chậm hơn rất nhiều lần so với truy xuất trên RAM. Do vậy, các phương pháp truy vấn
cần truy xuất đĩa cứng luôn tìm cách sao cho tối thiểu số lần cần truy xuất đĩa cứng và tối đa
tận dụng bộ nhớ chính, như là Cache, Buffer.
Các truy xuất thực thi theo thuật toán của các truy vấn đặc thù, được thiết kế để đạt kết
quả mong muốn trong thời gian ngắn và phù hợp với truy vấn. Ví dụ:
1. Truy vấn Xpath cho 01 tài liệu XML (tìm kiếm chính xác): trích xuất tất cả các
dữ liệu có tags có quan hệ cùng nguồn gốc/anh em với nhau của 1 loại Chuột
Bạch hoặc trích xuất toàn bộ các dữ liệu là hậu duệ của heo giống Châu Phi.
1. Truy vấn tương đồng cho dữ liệu các đoạn DNA (tìm kiếm xấp xỉ): tìm kiếm tất
cả các Gen tương đồng với 1 đoạn Gen mẫu của một loài mới.
Giải pháp truyền thống cho các truy vấn như trên là lựa chọn và cài đặt các phương pháp
đánh chỉ số (indexing) phù hợp một số loại dữ liệu và truy vấn đặc thù. Các phương pháp này
có nhưng gặp nhiều hạn chế với dữ liệu văn bản kích thước lớn như vậy.

Với dữ liệu văn bản, kích thước dữ liệu chỉ số sinh ra thường cũng rất lớn, thậm chí lớn
hơn nhiều so với dữ liệu gốc, như vậy gây nên các vấn đề: (1) lưu trữ dữ liệu chỉ số này là vấn
đề nan giải, (2) Nén dữ liệu và khai thác dữ liệu đồng thời kém hiệu quả. Hơn nữa, nếu chỉ số
là dữ liệu văn bản thì vấn đề tốc độ truy vấn vẫn là vấn đề khó giải quyết.
Do vậy, các nghiên cứu gần đây về đánh chỉ số một tài liệu XML có xu hướng:
-

Tách tài liệu XML thành 2 phần dữ liệu và áp dụng các phương pháp đánh chỉ số khác
nhau cho phù hợp với dạng dữ liệu và loại truy vấn đặc thù. Cụ thể là:
1. Phương pháp đánh chỉ số dữ liệu cấu trúc (dữ liệu các thẻ) và hỗ trợ các truy vấn
đặc thù như Xpath.
1


2. Phương pháp đánh chỉ số dữ liệu sinh học (như các đoạn DNA) và hỗ trợ các
truy vấn đặc thù như tìm kiếm các chuỗi DNA tương đồng.
- Chuyển đổi dữ liệu văn bản gốc về dạng số nhằm mục đích:
1. Giảm kích thước dữ liệu gốc ban đầu.
2. Áp dụng các phương pháp đánh chỉ số phù hợp.
3. Cải thiện tốc độ các truy vấn.
Các vấn đề cần giải quyết rất rộng gồm tin học và sinh học, vì vậy nghiên cứu của luận
án tập trung giải bài toán Phương pháp đánh chỉ số hỗ trợ cho các truy vấn đặc thù về tốc độ
bằng cách giảm số lần cần truy cập đĩa cứng mà vẫn đạt được kết quả mong đợi.
Kết quả luận án đã giải bài toán Phương pháp đánh chỉ số dữ liệu cấu trúc (dữ liệu các
thẻ) và hỗ trợ các truy vấn Xpath. Ngoài ra, với bài toán Phương pháp đánh chỉ số dữ liệu sinh
học (như các đoạn DNA) và hỗ trợ các truy vấn đặc thù như tìm kiếm các chuỗi DNA tương
đồng, luận án đã khảo sát được phương pháp và có định hướng cho nghiên cứu tiếp theo. Cụ
thể mục tiêu và kết quả của luận án như sau.
Mục tiêu thực hiện của luận án:
-

Nghiên cứu phương pháp đánh chỉ số dựa trên phương pháp R-tree đế nhằm tăng hiệu
quả các truy vấn Xpath trên dữ liệu XML, thông qua dữ liệu trung gian được chuyển đổi
về dạng tọa độ số của các tags. Dữ liệu XML mục tiêu là từ một tài liệu XML tin sinh học.

-

Sử dụng phương pháp chuyển đổi dữ liệu văn bản có cấu trúc XML về dữ liệu dạng số
mà biểu diễn được trên không gian 2 chiều (có thể mở rộng lên nhiều chiều). Mục tiêu là
nhằm giảm kích thước dữ liệu gốc và áp dụng được phương pháp đánh chỉ số đề xuất.

Kết quả đạt được của luận án như sau:

-

Bằng thực nghiệm đã chỉ ra rằng phương pháp chuyển đổi dữ liệu XML tin sinh học về
dữ liệu không gian là có hiệu quả về giảm kích thước với tỷ lệ khá tốt nói chung. Tuy
nhiên, tỷ lệ nén không có có kểt quả tốt đồng đều giữa các thực nghiệm với dạng tài liệu
XML tin sinh học DNA, Protein, và cây phân loài…

-

Đề xuất được phương pháp đánh chỉ số BioX-tree và phương pháp mở rộng BioX+ tree.
Các phương pháp đề xuất (cải tiến phương pháp R-tree) đã chứng tỏ hiệu quả hơn phương
pháp R-tree khi áp dụng để đánh chỉ số dữ liệu chuyển đồi từ dữ liệu XML qua các thực
nghiệm. Đặc biệt, các truy vấn anh em, hoặc các truy vấn có tận dụng truy vấn anh em
trong thuật toán, có kết quả tốt. Lý thuyết và thực nghiệm đã chứng mình được rằng: các
truy vấn đã giảm được các bước duyệt cây dư thừa trên cây chỉ số (lưu trữ trên đĩa cứng),
nhờ đó giảm số lần truy xuất trên đĩa cứng để lấy dữ liệu lên bộ nhớ chính, mà vẫn có
được kết quả như mong muốn.

2


Chƣơng 1. TỔNG QUAN
1.1. Tin sinh học và các nguồn dữ liệu
1.1.1. Tin sinh học
Tin sinh học (BioInformatics) là một lĩnh vực khoa học sử dụng các công nghệ của các
ngành toán học ứng dụng, tin học, thống kê, khoa học máy tính, sinh học, hóa học, vật lý… và
toán sinh học. Tin sinh học thường gắn liền với sinh học tính toán (computational biology)
hoặc sinh học hệ thống (system biology).
1.1.2. Các nguồn dữ liệu
- Cơ sở dữ liệu NCBI
- Cơ sở dữ liệu EMBL/EBI
- Cơ sở dữ liệu DDBJ
1.1.3. Vấn đề tin sinh học và cơ sở dữ liệu sinh học
Có thể thấy rằng cơ sở dữ liệu sinh học chứa đựng một lượng khổng lồ các thông tin
như: chuỗi DNA, protein, chức năng, cây phân loài,... và được bổ sung liên tục làm cho kích
thước của chúng tăng lên một cách nhanh chóng, đặc biệt với sự phát triển của các kỹ thuật
sinh học hiện nay. Cơ sở dữ liệu sinh học có thể được lưu trữ trên máy tính, tuy nhiên, các bài
toán tìm kiếm hay truy vấn dữ liệu trên CSDL lớn như trên thường khó thực hiện được bởi các
yếu tố liên quan đến không gian và thời gian truy xuất. Hiện nay bài toán đánh chỉ số để tăng
tốc độ xử lý dữ liệu tin sinh học đang được rất nhiều nhà nghiên cứu quan tâm, và có ý nghĩa
lớn trong thực tế.

1.2. Các phƣơng pháp đánh chỉ số dữ liệu sinh học và tin sinh học
1.2.1. Chỉ số và mô hình bộ nhớ ngoài
Cơ sở dữ liệu hoàn chỉnh thường không phù hợp với bộ nhớ chính (RAM) của hệ thống
máy tính. Do đó, cơ sở dữ liệu hoàn chỉnh thường được lưu trữ trên các ổ đĩa cứng. Truy cập
vào ổ đĩa này sẽ chậm hơn so với truy cập vào bộ nhớ chính hơn 100.000 lần, đó là nút thắt cổ

chai của các hệ quản trị cơ sở dữ liệu.
Đo lường hiệu quả của một thuật toán chính là tính toán số lượng I/O để thực hiện một
hành động. Chỉ số (index) trong cơ sở dữ liệu là một cấu trúc tra cứu đặc biệt mà công cụ tìm
kiếm cơ sở dữ liệu có thể sử dụng để tăng nhanh thời gian và hiệu suất truy xuất dữ liệu thông
qua việc giảm thiểu số lượng các block mà chúng ta cần phải truy cập để trả lời một câu truy
vấn, đồng thời giảm thiểu số lượng các block được sử dụng để lưu trữ cơ sở dữ liệu nếu có thể.
1.2.2. Các phƣơng pháp đánh chỉ số cho dữ liệu sinh học
Có hai nhóm chính:
-

Nhóm 1: Các phương pháp thực hiện so sánh các trình tự bằng cách so sánh các phân
đoạn trong chuỗi có thể và tối ưu hóa sự giống nhau.

-

Nhóm 2: Các phương pháp có sử dụng sự biến đổi đặc biệt để xây dựng chỉ số.

3


1.2.3. Các phƣơng pháp đánh chỉ số cho dữ liệu tin sinh học
Có rất nhiều loại tài liệu tin sinh học được lưu trữ dưới nhiều định dạng khác nhau, trong
luận án này, tác giả sẽ tập trung vào dữ liệu dạng XML có kích thước lớn, đây là một trong
những chuẩn đầu ra cho người dùng có thể tải về từ các nguồn dữ liệu nêu phía trên.
Các phương pháp XGrind [78], Xpress [52], XQzip [15], XQueC [7], Arroyuelo et al. [8],
Qian et al. [62], Dietz [21] Li and Moon in XISS [61] đã được tác giả nghiên cứu và sẽ trình
bày phân tích kĩ hơn các ưu nhược điểm ở các phần tiếp theo.

1.3. Phƣơng pháp đánh chỉ số tài liệu XML
1.3.1. Tài liệu XML và Xpath

- Tài liệu XML: XML (eXtensible Markup Language) [77] là một mô hình dữ liệu phân
cấp có nguồn gốc SGML, nó cho phép mô hình hóa một tài liệu như một cấu trúc cây.
- Xpath: Cấu trúc 1 tài liệu XML có thể hình dung như 1 cái cây với nhiều cành và nhánh
nhỏ khác nhau. Một trục cho biết node nào liên quan đến node bối cảnh, nên được đưa
vào tìm kiếm. Đặc tả XPath [11] liệt kê một họ gồm 13 trục trong Bảng 1.1:
Bảng 1.1: Các trục Xpath
Tên trục
Self
parent
child
ancestor
ancestor-or-self
descendant
descendant-or-self
following
following-sibling
preceding
preceding-sibling
attribute
namespace

Mô tả
Bản thân node bối cảnh
Cha mẹ của node bối cảnh, nếu tồn tại
Con cái của node bối cảnh, nếu tồn tại
Tổ tiên của node bối cảnh, nếu tồn tại
Tổ tiên của node bối cảnh và chính nó
Hậu duệ của node bối cảnh
Hậu duệ của node bối cảnh và chính nó
Các node trong tài liệu XML sau node bối cảnh, không bao gồm con cháu

Các node anh em sau node bối cảnh
Các node trong XML trước node bối cảnh, không bao gồm tổ tiên
Các anh em trước của node bối cảnh
Thuộc tính của node bối cảnh
Không gian tên node bối cảnh trực thuộc

Vị từ cũng có thể được xác định ở mỗi bước trong đường dẫn để hạn chế tập hợp các
node xuất phát tại một bước. Nói cách khác, các vị từ cho phép phân định chính xác hơn các
dữ liệu quan tâm, dẫn đến các kết quả nhỏ hơn và có thể sử dụng nhiều hơn. Một số phương
pháp đánh chỉ số được mô tả dưới đây:
1.3.1.1. Đánh số trên lược đồ
Tài liệu XML sẽ được xây dựng lên dạng cây với quan hệ phân cấp cha con, sau đó các
tag name tương ứng sẽ được đánh 2 chỉ số theo quy tắc duyệt cây theo giá trị trước, duyệt cây
theo giá trị sau (cặp giá trị này sẽ tạo thành NodeID) và đánh số thứ tự cho từng tag name của
tài liệu XML [22][63]:
-

Duyệt cây theo giá trị trước (pre order): là thứ tự đọc tuần tự từ trên xuống dưới của
các node, tức là các node sẽ được đánh số tăng dần từ trên xuống dưới cây cho đến
hết.
4


Duyệt cây theo giá trị sau (post order): là thứ tự đọc tuần tự được đánh số tăng dần từ
trái qua phải trên cây.
1.3.1.2. Phép nối có cấu trúc
Cách đơn giản nhất để cải tiến và đánh giá các truy vấn đường dẫn là chia các biểu thức
lớn thành nhiều biểu thức nhỏ hơn (gọi là biểu thức con) và thực hiện tìm kiếm kết quả ở các
bước con đó. Hạn chế của nó là chúng ta cần xác định mối quan hệ A-D cho từng cặp node, có
thể chúng phải tìm rất nhiều lần và lặp đi lặp lại việc xem xét một phần tử trong các bước khác

nhau, điều này gây tốn chi phí tài nguyên và thời gian không cần thiết.
-

1.3.1.3. Chuyển đổi lên không gian đa chiều
Cách tiếp cận này cố gắng chuyển đổi các đường dẫn và mối quan hệ A-D từ tài liệu
XML đầu vào thành các bộ dữ liệu đa chiều. Ý tưởng chính là để tránh các phép nối có cấu
trúc có thể không tối ưu với nhiều trường hợp đa dạng gây chậm khi thực hiện, và cũng là
để tận dụng các cấu trúc dữ liệu đa chiều đang tỏ ra hiệu quả hơn như trên cây R-tree. Các
công trình trong [37] và [51] đề xuất một phương pháp lập chỉ số mới cho các cây XML dựa
trên các bộ dữ liệu đa chiều gọi là MDX (Multidimensional Approach to Indexing XML).
1.3.1.4. Ánh xạ sang cơ sở dữ liệu quan hệ
Trong [36] trình bày một phương pháp được thiết kế đặc biệt cho các truy vấn Xpath và
các biểu thức đường dẫn, trong đó biểu diễn các node của file XML đầu vào với 5 chiều:
entry(E) = {pre(E); post(E); par(E); att(E); tag (E)}. Với một node E, pre và post là giá trị
duyệt cây theo giá trị trước, duyệt cây theo giá trị sau; par là giá trị duyệt cây theo giá trị trước
của node cha mẹ của node E; att là cờ trạng thái, tag chứa tag name của node. Việc truy vấn
Xpath sẽ dựa trên cơ sở của truy vấn cửa sổ và biểu diễn dưới dạng truy vấn SQL (Structured
Query Language). Vì các node được biểu diễn trong không gian 5 chiều nên giải pháp đề xuất
này sử dụng R-tree để đánh chỉ số vì chúng được nhiều nghiên cứu đánh giá là có kết quả tốt
trong truy vấn Xpath.

1.4. Phƣơng pháp R-tree
1.4.1. Khái niệm R-tree
Phương pháp R-tree được xây dựng để truy xuất nhanh các vùng không gian, bằng cách
chia nhỏ không gian thành các vùng nhớ và tạo chỉ số cho các vùng không gian nhớ nhỏ này,
sau đó áp dụng lý thuyết cây đồ thị để quản lý. R-tree là phương pháp phân chia không gian dữ
liệu thành các khối hình chữ nhật biên tối thiểu chứa dữ liệu (Minimum Bounding Rectangle –
MBR). Chính các MBR được lưu trữ trên cấu trúc cây chứ không phải bản thân dữ liệu (như là
metadata), khi đó việc tìm kiếm dữ liệu sẽ thực hiện trên các node.
1.4.2. Cấu trúc R-tree

Một cách tổng quát, R-tree là một cấu trúc chỉ số cho các đối tượng không gian n-chiều
và nó tương tự như B-tree. Các node lá trong cây chứa chỉ số vì vậy chúng có khuôn dạng:
(MBR, object_ptr) - trong đó object_ptr tham chiếu đến một bộ dữ liệu trong cơ sở dữ liệu và
MBR là một hình chữ nhật n-chiều chứa các đối tượng không gian nó thể hiện. Các node không
là lá có khuôn dạng: (MBR, chirld_ptr) - trong đó chirld_ptr là địa chỉ một node khác trong
5


cây và MBR bao gồm các hình chữ nhật trong các node thấp hơn. Một R-tree thỏa mãn các
thuộc tính sau:
Mỗi một node chứa số lượng node con trong khoảng m và M ngoại trừ node gốc.
Đối với mỗi đầu vào dạng (MBR, object_ptr) tại node lá, MBR là một hình chữ nhật
nhỏ nhất có chứa đối tượng dữ liệu n-chiều được biểu diễn bởi object_ptr.
- Đối với mỗi đầu vào dạng (MBR, chirld_ptr) tại node không phải lá, MBR là một
hình chữ nhật nhỏ nhất có chứa hình chữ nhật trong chirld node.
- Node gốc có ít nhất là 2 node con ngoại trừ đó là node lá.
- Đây là một loại cây cân bằng.
1.4.3. Một số thuật toán cơ bản trong phƣơng pháp R-tree [30]
-

a) Tìm kiếm trong cấu trúc dữ liệu tổ chức dưới dạng R-tree
b) Chèn (Insertion)
c) ….
1.4.4. Một số phƣơng pháp cải tiến
 XR-tree [32]
 AR*-tree [87]

1.5. Các vấn đề còn tồn tại
Mô hình trong Hình 1.1, giúp dữ liệu XML được chuyển đổi về không gian đa chiều, từ
đó áp dụng các phương pháp đánh chỉ số và truy vấn trong không gian giúp tăng tốc độ xử lý

và giảm kích thước dữ liệu khi đánh chỉ số. Vì XML tin sinh học trên thực tế rất đa dạng nên
R-tree sẽ phù hợp hơn và được lựa chọn làm cơ sở trong luận án này.

Hình 1.1: Mô hình tổng quát

Hình 1.2: Mô hình thể hiện quá trình chuyển
đổi dữ liệu và đánh chỉ số trên đĩa cứng

Phương pháp R-tree hiện còn một số vấn đề khi áp dụng vào xử lý dữ liệu XML tin sinh
học như sau:
1) Vấn đề chồng chéo trong truy vấn. Đối với kỹ thuật chỉ số dựa trên không gian, không
gian tìm kiếm càng lớn thì càng mất nhiều thời gian hơn để nhận được node được trả về.
Nhưng điểm yếu của phương pháp dựa trên R-tree là các truy vấn đòi hỏi cửa sổ quét dữ liệu
khá lớn, do đó ảnh hưởng đáng kể tới hiệu năng truy vấn.
2) Vấn đề mối liên kết anh em của các tag sau khi chuyển đổi sang không gian, mà được
thể hiện như các điểm trong không gian như parent, preceding, sibling, descendant, child,
6


following, v.v… theo các trục Xpath. Trong Hình 2.2 biểu diễn việc phân bố dữ liệu trên hệ
trục tọa độ, tác giả nhận ra rằng tất cả các dữ liệu phân bố lệch như một hình thang/được chéo
thẳng hàng (giống như cánh máy bay). Trong khi đó, tất cả các phương pháp trước đây không
quan tâm đến điều đó, nên các truy vấn chưa có cải thiện đáng kể nào khi truy vấn ở vùng dữ
liệu cánh máy bay này.

1.6. Kết luận
Chương 1 trình bày một số khái niệm nền tảng về tin sinh học và dữ liệu tin sinh học. Dữ
liệu tin sinh học ngày càng trở nên khổng lồ do được đóng góp và chia sẻ thường xuyên của
cộng đồng nghiên cứu. Do các bài toán phân tích dữ liệu tin sinh học rất đa dạng, các tài liệu
lưu trữ thông tin cần cấu trúc dễ thay đổi, linh hoạt, đa dạng và đặc biệt dễ chia sẻ/đóng góp.

Hiện nay, tài liệu XML là một chuẩn quan trọng để mô tả và lưu trữ dữ liệu sinh tin học khổng
lồ. Tuy nhiên, tài liệu XML có dữ liệu dạng text và bán cấu trúc nên việc khai thác không
giống như dữ liệu thông thường. Chương 1 cũng trình bày các nghiên cứu liên quan của bài
toán khai thác dữ liệu XML, các phương pháp đánh chỉ số, các thuật toán được đề xuất trong
các nghiên cứu trước đây đã được nêu ra, trong đó R-tree đang là thuật toán tỏ ra hiệu quả với
các tài liệu XML và truy vấn Xpath. Trên cơ sở đó, chương 1 phân tích và đưa ra các vấn đề
nghiên cứu của luận án.

Chƣơng 2. PHƢƠNG PHÁP ĐÁNH CHỈ SỐ BIOX-TREE
2.1. Mở đầu
Các phương pháp đưa ra ở trên trong việc đánh chỉ số trong không gian dựa trên R-tree
đang gặp các vấn đề:
Thứ nhất, đó là vấn đề chồng chéo. Đối với kỹ thuật chỉ số dựa trên không gian, không
gian tìm kiếm càng lớn thì càng mất nhiều thời gian hơn để nhận được node được trả về.
Nhưng điểm yếu của phương pháp dựa trên R-tree là chúng tạo ra một cửa sổ truy vấn chưa tối
ưu. Hình 2.1 minh họa một thể hiện của tài liệu XML với một số điểm nhỏ biểu thị dữ liệu
XML theo mặt phẳng. Giả sử rằng, từ node bối cảnh E, chúng ta muốn lấy tất cả các node con
cháu của nó bằng cách sử dụng cửa sổ truy vấn {pre(E), ; 0, post(E)} [36]. Cửa sổ thực sự
cần thiết để tìm kiếm là màu trắng được xác định bởi giá trị duyệt cây theo giá trị trước của
node con cháu bên trái và giá trị duyệt cây theo giá trị sau của node con cháu bên phải của
node E. Kết quả là, phạm vi thừa được đánh dấu màu xám trong cửa sổ truy vấn tương ứng với
trục con cháu sẽ gây ra ảnh hưởng đáng kể đến hiệu suất thực hiện các truy vấn, mà phạm vi
này lại có thể rất lớn trong nhiều trường hợp.

Hình 2.1: Phạm vi quét thứ tự duyệt cây theo giá trị trước và sau ban đầu (vùng xám) và
thu nhỏ (vùng trắng) cho truy vấn con cháu được thực hiện theo truy vấn mẫu
7


Thứ hai, đó là vấn đề mối liên kết anh em của các tag sau khi chuyển đổi sang không gian,

mà được thể hiện như các điểm trong không gian như parent, preceding, sibling, descendant,
child, following, v.v… theo các trục Xpath. Trong Hình 2.2 biểu diễn việc phân bố dữ liệu trên
hệ trục tọa độ, với dữ liệu DNA gạo kiểm thử trên 1000 node (Hình 2.2a), với dữ liệu
Swissprot kiểm thử trên khoảng 20.000 node (Hình 2.2b), tác giả nhận ra rằng tất cả các dữ
liệu dữ liệu phân bố lệch như một hình thang/được chéo thẳng hàng (giống như cánh máy bay).
Tác giả đã thử nghiệm trên nhiều tài liệu XML khác nhau với từ vài trăm node đến vài trăm
nghìn node cũng ra kết quả tương tự.

(a)

(b)

Hình 2.2: Ví dụ về phân phối các điểm quy đổi cho một tài liệu XML
Trong khi đó, tất cả các phương pháp trước đây không quan tâm đến điều đó, chúng chỉ
tập trung vào xử lý mối quan hệ giữa cha mẹ/con cái hoặc tổ tiên/con cháu và bỏ qua các trục
khác mà chúng cũng là phần quan trọng trong xử lý truy vấn, đặc biệt là xử lý luồng truy vấn
XPath với các vị từ. Các truy vấn chưa có cải thiện đáng kể nào khi truy vấn ở vùng dữ liệu
cánh máy bay này.
Từ đó, tác giả đi sâu nghiên cứu phương pháp đánh chỉ số mới, được cải tiến từ R-tree
giúp các truy vấn Xpath chạy hiệu quả hơn trong một số trục.
Dựa theo mô hình đã lựa chọn trong chương 1, tác giả sẽ có những đề xuất cải tiến trong
các thành phần: chuyển đổi, đánh chỉ số, module xử lý truy vấn.

Hình 2.3: Các thành phần được đề xuất cải tiến trong phương pháp BioX-tree
Các kết quả trong chương này được công bố trong các công trình 1, 2, 3, 4 phần “Danh
mục các công trình của tác giả”.

8

2.2. Phƣơng pháp đánh chỉ số cải tiến BioX-tree
2.2.1. Chuyển đổi tài liệu XML
Vẫn tuân thủ theo nguyên tắc chung đó trong phân tích và chuyển đổi tài liệu XML, tác
giả đã xây dựng một chương trình riêng để thực hiện để đảm bảo độ chính xác khi so sánh với
phương pháp dựa trên R-tree của các nghiên cứu trước. Trong tài liệu [20], trình chuyển đổi
được triển khai bằng hai thủ tục startEuity (t, a, att) và endEuity (t). Ở đây, tác giả đã thêm
một tham số mới theo cách riêng của tác giả để tăng hiệu quả tìm kiếm lên, bên cạnh việc vẫn
sử dụng tham số duyệt cây theo giá trị trước và duyệt cây theo giá trị sau. Đó là tham số được
sử dụng để chỉ cấp độ l (level) của từng node. Hai thủ tục trên được sửa đổi với tên mới
startElement và endElement, trình bày trong Thuật toán 2.1.
Thuật toán ConvertXMLDocument(XMLdoc)
Đầu vào: tài liệu XML cần chuyển đổi.
Đầu ra: file txt chứa các giá trị trên không gian của một node(E) = {pre (E), post (E),
par (E), att (E), tag (E)}.
Begin
l = -1;
startElement(t, a, atts)
l ← l +1;
v ← (pre = gpre, post = _, par = (S.top()).pre, level= l, att = a, tag = t)
S.push(v);
Gpre ← gpre + 1;
for v’ IN atts do
startElement(v’, true, nil );
endElement(v’);
endElement(t)
v ← S.pop();
v.post ← gpost;
gpost ← gpost +1;
chèn v vào bảng kết quả;
l ← l-1;

End
Thuật toán 2.1: Hai thuật toán sửa đổi trong chuyển đổi tài liệu XML
2.2.2. Cấu trúc chỉ số trên cây BioX-tree
BioX-tree áp dụng chiến lược chèn/tách khác nhau để đạt được các mối quan hệ anh em
của dữ liệu XML một cách dễ dàng hơn, trong khi không gây ảnh hưởng đến khả năng phân
biệt không gian của chỉ số quá nhiều. Tương tự phương pháp Xpath và R-tree nêu trong
chương 1, mỗi tag name trong tài liệu XML sau khi chuyển đổi được biểu diễn dưới dạng một
entry[30] gồm 5 thuộc tính node(E) = {pre (E), post (E), par (E), att (E), tag (E)}. Một node sẽ
có kích thước tương ứng với 1 block trong ổ đĩa cứng.
Các node không là lá (non-leaf node) có dạng (pointer, MBR) trong đó con trỏ pointer trỏ
đến node con và MBR là một hình chữ nhật nhỏ nhất bao quanh tất cả entry trực thuộc nó.

9


Chúng ta hiểu đơn giản rằng các node không là lá sẽ chứa các thông tin metadata của các node
lá, cần biết thông tin về các node lá có thể tìm ở đây.
Các node lá (leaf node), đây là nơi chứa các phần tử sau chuyển đổi, chúng có trách
nhiệm duy trì các quỹ đạo liên kết của dữ liệu XML thực tế. Để làm điều đó, tác giả áp dụng
các phương pháp liên kết đôi để giữ các kết nối với anh em XML ở trước và anh em XML theo
sau. Tác giả cũng sử dụng con trỏ để giữ kết nối với cha mẹ của các con XML. Tóm lại, tác giả
sử dụng 3 con trỏ trong một node lá để kết nối với anh em ở trước, anh em theo sau và cha mẹ
của chúng, nên mỗi node dạng này sẽ có tập các con trỏ có dạng tuple (previouspointer,
nextpointer, parpointer).
Mục đích là tác giả cố gắng duy trì mối quan hệ phản ánh phân bố dữ liệu hình cánh máy
bay trên không gian để làm cho các cửa sổ truy vấn sau này sẽ được thu nhỏ hơn và bắt buộc 1
node trên cây sẽ chỉ chứa các anh chị em của nó giúp chúng ta có thể nhanh chóng tìm ra các
mối quan hệ anh em trong BioX-tree.

Hình 2.4: Hệ thống cây phân cấp theo các tag trong tài liệu XML DNA gạo

Ví dụ, Hình 2.2 mô tả cấu trúc cây của một tài liệu liên quan đến DNA gạo mà tác giả sẽ
thử nghiệm trong các phần sau, đây một bộ dữ liệu XML được công bố trên ngân hàng Gene
NCBI. Chúng được đánh số duyệt cây theo giá trị trước và duyệt cây theo giá trị sau trên đầu
dựa theo cách đánh và thuật toán tác giả đã trình bày ở trên. Sau khi chuyển đổi dữ liệu (để
đơn giản hóa chúng ta chỉ sử dụng giá trị duyệt cây theo giá trị trước để mô tả), các node sẽ
được biểu diễn trong cấu trúc cây BioX-tree như trong Hình 2.3, các node dữ liệu có cùng cha
mẹ sẽ được lưu trữ trong cùng một node lá. Trong trường hợp node lá quá nhiều entry và bị
tràn khỏi mảng, nó sẽ được tách ra và có các con trỏ kết nối với nhau để đảm bảo vẫn kết nối
với các anh em. Các mũi tên thẳng thể hiện các con trỏ từ một node lá đến node anh em trước
và tiếp theo của chúng, mũi tên cong biểu diễn kết nối với cha mẹ của chúng.

10


Hình 2.5: Các node lá thể hiện sự liên kết trên cây cấu trúc BioX-tree
Ở ví dụ này, các entry có giá trị duyệt cây theo giá trị trước là 21, 22, 23 là các node anh
em trong tài liệu XML sẽ được chèn vào cùng một node lá và một con trỏ sẽ được sử dụng để
kết nối đến node cha mẹ của chúng, là node chứa entry 24. Có nghĩa là, 21, 22, 23 và 24 là anh
em và có cùng một cha mẹ.
2.2.3. Các thuật toán
Vì khi thay đổi cấu trúc cây sẽ ảnh hưởng đến việc chèn, xóa và truy vấn các node, nên
tác giả sẽ thiết kế lại một số thuật toán cho phù hợp hơn. Mục này sẽ trình bày các thuật toán
được sửa đổi, các thuật toán không được trình bày nghĩa là tác giả sẽ sử dụng lại như trong
phương pháp gốc.
2.2.3.1. Thuật toán chèn
Với mục tiêu là giữ mối quan hệ anh em của dữ liệu XML, thuật toán chèn sẽ khá phức
tạp. Mã giả cơ bản giải thích quá trình chèn cũng như chiến lược phân tách trong trường hợp
node lá có đầy đủ trong Thuật toán 2.2.
Thuật toán Insert(N,E)
Đầu vào:

node bối cảnh N và entry E sẽ được chèn thêm.
Begin
1. Gọi FindSiblingNode(N,E) để tìm node lá N’ chứa anh em của entry E mới cần
chèn.
2. if node N’ được tìm thấy
3.
if (N’ còn không gian để thêm) then
4.
chèn entry E vào N’
5.
else
6.
Gọi CreateNewLeafNode(E) để tạo một node lá mới trên cây
entry E sẽ được chèn vào đây
7.
endif
8. else
9. Gọi CreateNewLeafNode(E) để tạo một node lá mới trên cây, entry E sẽ được
chèn vào đây
10. endif
End.
Thuật toán 2.2: Thuật toán chèn
Thuật toán FindsiblingNode(N, E)
Đầu vào: node bối cảnh N, entry E cần tìm anh em.
11


Đầu ra: node N chứa các anh em của entry E.
Begin
1. if N là không phải là node lá

2.
Duyệt tìm các entry E’ trong N có MBR giao với MBR của entry E
3.
Gọi FindSiblingNode(N’, E) trong đó N’ là node con của N được chỉ ra bởi
E’
4. else
5.
if N chứa một entry là anh em của E
6.
trả về N
7. endif
End.
Thuật toán 2.3: Thuật toán FindSiblingNode
Thuật toán CreateNewLeafNode(E)
Đầu vào: entry E được chèn thêm.
Begin
1. Tìm node anh em của entry E, N’ được tìm thấy
2. if (N’ còn chỗ trống để thêm entry e) then
3.
Thêm entry E vào N’
4. else
5.
Tìm ngược từ dưới lên trên đến khi thấy node cha Q.
6.
Đi qua đường dẫn bên phải gần nhất từ node cha Q để đến node P có
level 1
7.
if node không là lá P không đầy
8.
entry E sẽ được thêm vào node lá trong P

9.
else
10.
Tạo node không là lá R mới ở level 1, tạo một node lá mới và chèn
entry E vào.
12.
endif
13. endif
End.
Thuật toán 2.4: Thuật toán CreateNewLeafNode
Thuật toán 2.3: FindSiblingNode và Thuật toán 2.4: CreateNewLeafNode mô tả các thuật toán
phụ
2.2.3.2. Thuật toán truy vấn
BioX-tree khác với phương pháp áp dụng R-tree ở chỗ BioX-tree có thể trả lời trực tiếp
hầu hết các truy vấn trên các trục mà không cần bước tinh chỉnh trong khi phương pháp dựa
trên R-tree thực tế chỉ có khả năng trả lời trực tiếp 4 truy vấn trục chính (ancestor, preceding,
following, descendant) như đã trình bày ở phần mở đầu.
Trước khi đi vào chi tiết của từng thuật toán, Thuật toán 2.5 và Thuật toán 2.6 thể hiện
các thuật toán dùng cho truy vấn điểm và truy vấn phạm vi. Đây là các truy vấn trên không
gian cơ bản và được coi là các thuật toán phụ có sẵn trong phương pháp R-tree, tác giả không
cải tiến gì thêm ở đây. Với sự hỗ trợ của các truy vấn này, chúng ta có thể nhận được kết quả
trả về là tập hợp node hoặc chính xác một node tùy theo mong muốn.
Thuật toán FindNode(N,E) // point query
12


Đầu vào: node bối cảnh N và entry E cần tìm kiếm
Đầu ra: node N chứa entry E
Begin
1.

if (N là node lá)
2.
Duyệt tìm các entry E’ trong N có MBR giao với MBR của entry E
3.
Gọi FindNode(N’, E) trong đó N’ là node con của N được chỉ ra bởi E’
4.
else
5.
if N chứa entry E
6.
return N
7.
endif
End.
Thuật toán 2.5: Thuật toán truy vấn điểm
Thuật toán RangeQuery(N, Q, RESULT) //window query
Đầu vào: node bối cảnh N (khi bắt đầu, node bối cảnh sẽ là node gốc) và cửa sổ truy vấn Q
Output: danh sách RESULT chứa tất cả các entry có MBR giao với Q
Begin
1. if N không là node lá
2.
Duyệt tìm các entry E’ trong N có MBR giao với MBR của Q
3.
Gọi RangeQuery(N’, Q, RESULT) trong đó N’ là node con của N được chỉ
ra bởi E’
4. else
5.
Duyệt tìm các entry E’’ trong N có MBR giao với MBR của Q
6.
Thêm E’’ to RESULT

7. endif
End.
Thuật toán 2.6: Thuật toán truy vấn phạm vi
Để tránh dài dòng trong việc liệt kê các loại truy vấn khác nhau nhưng có sự tương đồng
với nhau, tác giả chia các thuật toán xử lý truy vấn trên BioX-tree thành 2 loại: một loại bao
gồm các thuật toán cho các truy vấn anh em và một loại cho các truy vấn khác.
2.2.4. Xử lý truy vấn
2.2.4.1 Thuật toán cho các truy vấn anh em
Thuật toán SiblingQuery(N, E, RESULT)
Đầu vào: node bối cảnh N (khi bắt đầu, node bối cảnh sẽ là node gốc) và entry E cần tìm anh
em
Đầu ra: Danh sách RESULT chứa tất cả các entry là anh em của entry E
Begin
1.
Gọi FindNode(N, E) để tìm node N’ chứa entry E
2.
if (N’ được tìm thấy)
3.
Duyệt các entry E’ trong N’
4.
Thêm E’ to RESULT
5.
if (anh em sau theo pointer F không null)
6.
Gọi FollowingSiblingQuery(NF, RESULT) trong đó NF là node trỏ đến bởi F
7.
if (anh em trước theo pointer P không null)
8.
Gọi PrecedingSiblingQuery(NP, RESULT) trong đó NP là node trỏ đến bởi P
9.

Else
10.
Không tìm thấy node anh em
13


11.
End.

Endif
Thuật toán 2.7: Thuật toán truy vấn anh em

Thuật toán FollowingSiblingQuery(NF, RESULT)
Đầu vào: node bối cảnh NF
Đầu ra: Danh sách RESULT chứa các entry anh em sau của NF
Begin
1.
Duyệt các entry E’ trong NF
2.
Thêm E’ vào RESULT
3.
if (anh em sau theo pointer F không null)
4.
Gọi FollowingSiblingQuery(NF’, RESULT) trong đó NF’ là
node trỏ đến bởi F
5.
endif
6.
endfor
End.

Thuật toán 2.8: Thuật toán truy vấn anh em sau
Thuật toán PrecedingSiblingQuery(NP, RESULT)
Đầu vào: node bối cảnh NP
Đầu ra: Danh sách RESULT chứa các entry anh em trước của NP
Begin
1. Duyệt các entry E’ trong NP
2.
Thêm E’ vào RESULT
3.
if (anh em trước theo pointer P không null)
4.
Gọi PrecedingSiblingQuery(NP’, RESULT) trong đó NP’ là node
trỏ tới bởi P
5.
endif
6. endfor
End.
Thuật toán 2.9: Thuật toán truy vấn Anh em trước
2.2.4.2 Thuật toán cho các truy vấn khác
Thuật toán ChildrenQuery(N, Q, RESULT)
Đầu vào: node bối cảnh N và cửa sổ truy vấn Q
Đầu ra: Danh sách RESULT chứa tất cả các con của entry E
Begin
1.
if (N là node không là lá)
2.
Duyệt các entry E’ trong N có MBR giao với MBR của Q
3.
Gọi ChildrenQuery(N’, Q, RESULT) trong đó N’ là node con
của N được trỏ tới bởi E’

4.
else
5.
Duyệt các entry E’’ trong E có MBR giao với MBR của Q
6.
Gọi SiblingQuery(N, E’’, RESULT)
7.
endif
End.
Thuật toán 2.10: Thuật toán truy vấn con
14


Thuật toán AncestorQuery(N, E, RESULT)
Đầu vào: node bối cảnh N và entry E cần tìm các tổ tiên
Đầu ra: Danh sách RESULT chứa tất cả các tổ tiên của E
Begin
1.
Gọi FindNode(N, E) để tìm node N chứa entry E
2.
if (N không null)
3.
if (con trỏ parent pointer F không null)
4.
Duyệt các entry E’ trong NP, NP là node được trỏ tới bởi P
5.
if E’ tổ tiên của E, thêm E’ vào RESULT
6.
Nhảy tới bước 3, sao cho NP thay cho N
7.

else
8.
Node đầu vào là gốc
9.
else
10.
Node cần tìm không tồn tại
11. endif
End.
Thuật toán 2.11: Thuật toán truy vấn tổ tiên
Khác với các thuật toán trên, trong truy vấn con cháu (Descendant query), tác giả chỉ
hướng đến thu nhỏ kích thước cửa sổ của truy vấn và sau đó nhúng cửa sổ này vào một truy
vấn phạm vi bình thường. Như trong phần chuyển đổi tác giả đã thêm tham số level l vào các
node, bằng cách sử dụng tham số này chúng ta có thể cắt giảm kích thước cửa sổ của không
gian tìm kiếm. Kết quả thực nghiệm thuật toán
2.2.5. Đánh giá độ phức tạp của các thuật toán
Truy vấn anh em của phương pháp đề xuất có độ phức tạp:
-

Trường hợp tốt nhất là O(k + logm N), trong đó n là số node có trong cây, m là số entry
trong 1 node. Trong đó k là số anh em tìm được của truy vấn.
Trường hợp xấu nhất là O(k + N)
Trung bình là O( k + m logmN)

2.3. Kết quả thực nghiệm phƣơng pháp BioX-tree
2.3.1. Mô hình và môi trƣờng thử nghiệm


Mô hình thử nghiệm



Hình 2.6: Mô hình thử nghiệm phương pháp BioX-tree và R-tree
Dữ liệu thử nghiệm

15


Tác giả sử dụng 4 tài liệu tin sinh học khác nhau từ các nguồn dữ liệu uy tín. Chúng mô
tả đa dạng sinh học khác nhau, về DNA, Protein, và mô tả về cây phân loài: DNACorn,
DNARice, Swissprot, Allhomologies
 Kịch bản
Trong các truy vấn Xpath thì các truy vấn trên trục anh em, con cái là quan trọng và hay
được sử dụng nhất bởi vì chúng trả về những tập kết quả nhỏ, đích danh và có giá trị sử dụng
trong tính toán. Ví dụ như người sử dụng cần tìm trên dữ liệu XML: con cháu của node hiện
tại, hoặc anh em của node hiện tại. Những truy vấn trục phụ khác như tổ tiên, hậu duệ, phía
trước, theo sau thường là một tập chứa rất nhiều kết quả và ít được sử dụng trong thực tế.
Kịch bản thực nghiệm 2 loại truy vấn Xpath trên trục anh em và trục con cái là dạng truy
vấn là truy vấn điểm (point query). Các trục còn lại của Xpath sử dụng truy vấn phạm vi (range
query). Mỗi tài liệu XML nêu trên được coi như một CSDL khác nhau và thực hiện riêng. Trên
một tài liệu XML, tác giả chọn ngẫu nhiên 200 tag name, sau đó thực hiện truy vấn tìm các tập
tag name có mối quan hệ liên quan theo các trục Xpath.
Các truy vấn được thực hiện trên tài liệu XML có kích thước tăng dần, được thể hiện
bằng độ phức tạp của cây XML với số tag name/node lần lượt là 20.000 – 40.000 – 60.000 –
80.000. Với mỗi loại truy vấn, kết quả trung bình số lần truy cập ổ cứng của 200 lựa chọn trên
sẽ được lấy ra để đánh giá hiệu năng của các phương pháp. Số lần truy cập đĩa cứng càng ít có
nghĩa là hiệu năng của truy vấn càng cao.


Công cụ và môi trường thử nghiệm

Công cụ thực hiện lập trình các thuật toán là ngôn ngữ lập trình C++ trên Visual Studio
2008. Môi trường chạy thực nghiệm trên máy tính có cấu hình CPU: Intel Xeon E5520 - 2.7
GHz, RAM: 20 GB, OS: Windows Server 2008 R2 Enterprise.
2.3.2. Xây dựng chƣơng trình




Thiết kế file chỉ số
Thiết kế chương trình.
Biểu đồ lớp

16


Hình 2.7: Biểu đồ lớp của chương trình BioX-tree
2.3.3. Đánh giá hiệu quả giảm kích thƣớc dữ liệu
Để đánh giá được hiệu quả thực tế của phương pháp nén dữ liệu từ tài liệu XML về tài
liệu chuyển đổi về không gian số, tác giả đã làm thực nghiệm trên các tài liệu thực tế như Hình
2.8. Qua đó cho thấy tỷ lệ nén khá tốt, đặc biệt với các tài liệu mô tả DNA. Tuy nhiên, với tài
liệu Allhomologies mô tả thông tin phân loài thì khá bất ngờ vì có tỷ lệ nén thấp. Để hiểu lý do
tỷ lệ nén khác nhau giữa các tài liệu, tác giả đã phân tích các file XML và nhận ra một vấn đề.
Tài liệu Allhomologies mô tả thông tin phân loài nên đa phần có tag dạng Attribute, đây là tag
mô tả nhiều thuộc tính trên một chuỗi ký tự. Thuật toán chuyển đổi khi gặp các tag dạng này sẽ
phải bóc tách từng Attribute trong một chuỗi thành các tag riêng rẽ vì vậy đã làm tăng kích
thước tài liệu chuyển đổi. Như vậy, có thể thấy rằng, trên thực tế phương pháp chuyển đổi này
không phải lúc nào cũng có tỷ lệ nén tốt vì còn tùy thuộc vào cấu trúc của tài liệu XML.

Hình 2.8: So sánh kích thước tài liệu XML và tài liệu chuyển dổi về không gian số

2.3.4. So sánh kết quả của phƣơng pháp BioX-tree và R-tree
Trong các phương pháp đánh chỉ số trên không gian, đơn vị để đo hiệu năng sẽ là số node
truy cập trung bình, vì thực chất thời gian xử lý nhanh hay chậm phụ thuộc vào việc một truy
vấn cần phải truy cập (I/O) nhiều hay ít vào ổ cứng để đọc các block. Nghĩa là truy xuất đọc
các node (block) càng ít thì tương ứng với việc thời gian xử lý sẽ càng tối ưu hơn.
a. Truy vấn node
Hình 2.9, 2.10 cho thấy hiệu suất của BioX-tree tốt hơn nhiều so với R-tree. Lý do là để
đạt được kết quả, R-tree phải sử dụng truy vấn phạm vi để quét tất cả các node anh em hoặc
con cháu, sau đó lọc ra các node dự kiến. Nhưng BioX-tree xử lý các truy vấn này bằng cách
trước tiên chỉ tiếp cận một node lá có chứa đối tượng và sau đó tìm kiếm tất cả các anh em, các
node con thông qua các con trỏ. Điều này giúp tránh vấn đề chồng chéo của R-tree. Kích thước
dữ liệu XML càng lớn, R-tree càng chồng chéo nhiều hơn. Đó là lý do tại sao hiệu suất của Rtree giảm nhanh chóng khi kích cỡ dữ liệu tăng.

Hình 2.9: Truy vấn anh em

Hình 2.10: Truy vấn con cái

b. Truy vấn phạm vi
17


Hình 2.11 cho thấy hiệu suất của BioX-tree kém hơn một chút so với R-tree ngoại trừ dữ
liệu kích thước lớn. Lý do là tác giả đã ép buộc các node anh em của một đối tượng dữ liệu
XML vào một số node lá của R-tree. Chắc chắn, điều đó làm cho cấu trúc lập chỉ số kém tối ưu
hơn, dẫn đến vấn đề chồng chéo. Mặc dù vậy, nhờ có con trỏ (đến cha mẹ) của BioX-tree, hiệu
suất của BioX-tree không tệ hơn nhiều so với R-tree. Hình 2.12 cho thấy hiệu suất của BioXtree tốt hơn một chút so với R-tree. Thay vì quét toàn bộ một trong bốn vùng rời rạc trên mặt
phẳng, BioX-tree chỉ tìm con của một node con cháu và sau đó sử dụng các con trỏ (đến node
anh em) để đạt được phần còn lại. Tương tự như Hình 2.12, Hình 2.13, 2.14 cho thấy hiệu suất
của BioX-tree kém hơn một chút so với R-tree. Lý do là truy vấn phạm vi buộc phải quét một
trong bốn vùng rời rạc dẫn đến vấn đề chồng chéo nghiêm trọng

Hình 2.11: Truy vấn tổ tiên

Hình 2.12: Truy vấn con cháu

Hình 2.13: Truy vấn các node theo sau

Hình 2.14: Truy vấn các node phía trước

Tóm lại, các phương pháp lập chỉ số được đề xuất của tác giả có hiệu suất tốt hơn nhiều
với các truy vấn node nhưng hiệu suất gần như tương tự với các truy vấn phạm vi. Trong thực
tiễn, các truy vấn node được sử dụng nhiều hơn các truy vấn phạm vi bởi vì người dùng hiếm
khi cần tất cả dữ liệu tổ tiên hoặc dữ liệu con cháu của một đối tượng. Thực tế, truy vấn anh
em trước, anh em sau, con cái mang lại nhiều lợi ích cho cơ sở dữ liệu DNA trong việc tìm
kiếm.

2.4. Kết luận chƣơng 2
Trong chương này, tác giả đã nghiên cứu và trình bày đề xuất một phương pháp cải tiến
giúp xử lý hiệu quả hơn các truy vấn XPath, được coi là nền tảng cho xây dựng các truy vấn
phức tạp. Phương pháp BioX-tree đề xuất với một số cải tiến quan trọng như thêm con trỏ để
chỉ ra mối quan hệ: tổ tiên - con cháu, cha mẹ - con cái, anh em, bước chuyển đổi từ tài liệu
XML lên không gian được bổ sung một số tham số, thiết kế lại các thuật toán truy vấn trên các
trục chính của Xpath để tăng tốc độ khi thực hiện. Phần thực nghiệm được thực hiện trên
những loại dữ liệu tin sinh học XML từ các nguồn uy tín và phổ biến trong cộng đồng sinh học.
Trong cấu trúc mới này, kết quả thực nghiệm cho thấy hiệu quả hơn hẳn phương pháp lập chỉ
18


số dựa trên R-tree trên truy vấn điểm, là thuật toán hay được sử dụng nhất trong thực tế, vì các
thuật toán mới dựa trên theo dõi quỹ đạo liên kết bằng cách sử dụng các con trỏ được tối ưu

hóa cao cho đọc ghi I/O đĩa cứng. Nhưng bên cạnh đó vẫn còn một số nhược điểm mà tác giả
tiếp tục nghiên cứu và trình bày cách giải quyết trong chương 3.
Các kết quả nghiên cứu ở Chương 2 được công bố trong công trình 2, 3, 4 phần “Danh
mục công trình của tác giả”.

Chƣơng 3. PHƢƠNG PHÁP ĐÁNH CHỈ SỐ MỞ RỘNG BIOX+-TREE
3.1. Mở đầu
Trong chương 2, tác giả đã đưa ra ý tưởng tăng hiệu quả truy vấn trục XPath cho các anh
em trước, sau và tổ tiên bằng cách thêm các con trỏ, các biến tham số cho các node lá của cây
R-tree. Nhờ các con trỏ này các truy vấn trục Xpath khác (descendant) và kể cả các trục con
cũng được hưởng lợi để có hiệu quả tốt hơn. Tuy nhiên, nhược điểm của phương pháp là có thể
tạo ra cây chỉ số R-tree không tối ưu. Vì vậy, nội dung tiếp theo, tác giả phân tích không gian
dữ liệu chuyển đổi của tài liệu XML và đề xuất các thuật toán mà có thể khắc phục phần nào
khuyết điểm trên. Trong chương này, luận án trình bày đề xuất chuyển đổi số các tag name về
tọa độ không gian dạng số để giảm kích thước tài liệu và đề xuất phương pháp đánh chỉ số mới
để tăng hiệu quả truy vấn tài liệu XML, kết quả cũng chỉ ra được một số vấn đề thực tế do sự
đa dạng tài liệu XML tin sinh học. Các thành phần được đề xuất cải tiến là: module đánh chỉ số,
module xử lý truy vấn.

Hình 3.1: Các thành phần được cải tiến trong phương pháp mở rộng BioX+-tree
Kết quả nghiên cứu ở chương này được công bố ở công trình số 5, phần “Danh mục các
công trình của tác giả”.

3.2. Phƣơng pháp BioX+-tree
3.2.1. Phân tích không gian dữ liệu chuyển đổi của tài liệu XML
Ở nghiên cứu trong chương 2, tác giả đã nhận thấy rằng phân bố dữ liệu XML trên không
gian có xu hướng tập trung vào 2 trục Xpath anh em trước và sau.

19

Hình 3.2: Cây tài liệu XML được đánh số thứ tự
Hình 3.2 (báo cáo luận án) mô tả các node lá của BioX-tree trong không gian 2 chiều qua
các hình chữ nhật MBR. Trong đó, R là MBR của các tag con của tag gốc (1-31) của Hình 3.1,
tương tự vậy R1, 2, 3 trong Hình 3.2 là các MBR của các tag con của các tag 2-10, 12-10, 2230 trong Hình 3.1, và tương tự cho các MBR nhỏ hơn. Từ mô tả trực quan trên không gian của
Hình 3.2, tác giả đưa ra các định lý về các MBR các cây con của các tag của X khi thể hiện
trong không gian cây BioX-tree.
Định lý 1: Giả sử trong 1 tài liệu XML, tag T là cha của các tag t1,t2,.., tn (sibling). Các
MBR mà bao các tag con (cây con) của t1, t2,…, tn trên không gian của BioX-tree luôn tách
rời (không giao nhau). VD: R1, R2, R3 là các hình chữ nhật bao các cây con luôn tách rời và
trải từ trái qua phải trên không gian của Hình 3.2.
Để chứng minh cho định lý này, chúng ta dễ dàng nhận ra rằng, các phần tử con trong các
MBR bao cây con các anh em trái cùng cha luôn có giá trị nhỏ hơn các phần tử con trong MBR
bao cây con phải với giá trị duyệt cây theo giá trị trước. Ngược lại, luôn lớn hơn với giá trị
duyệt cây theo giá trị sau. Do vậy, các MBR cho cây con của các node con cùng cha trong tài
liệu X trên không gian của BioX-tree luôn tách rời. Như vậy, Định lý 1 cho chúng ta thấy rằng,
việc gượng ép các tag XML anh em cùng cha vào trong cùng node lá BioX-tree có thể không
ảnh hưởng nhiều đến tối ưu cấu trúc cây BioX-tree cho các truy vấn. Kết quả thực nghiệm
trong chương 2 về BioX-tree vì thế thể hiện được điều này.
Định lý 2: Giả sử trong 1 tài liệu XML, tag T là cha của các tag t1, t2,.., tn (sibling).
Ngoại trừ các MBR bao cây con của t1 và tn (anh em đầu tiên và sau cùng), MBR mà bao t1,
t2,..., tn sẽ bao tất cả MBR của các cây con của t2,.., tn-1. VD: R sẽ bao toàn bộ R2 và R21,
R22, R23. Để chứng minh cho định lý này, chúng ta dễ dàng nhận ra rằng các giá trị duyệt cây
theo giá trị trước-duyệt cây theo giá trị sau của t1 và tn là liền trước và sau giá trị duyệt cây
theo giá trị trước-duyệt cây theo giá trị sau của T. Do vậy, các giá trị duyệt cây theo giá trị
trước-duyệt cây theo giá trị sau của các t2,..., tn hiển nhiên là phải trong phạm vi MBR bao t1
và tn. Từ định lý 2, tác giả rút ra hệ quả 2.1 cho truy vấn tìm kiếm 1 tag XML trong cây BioXtree như sau
Hệ quả 2.1: Giả sử khi tìm 1 tag t của tài liệu XML trong cây tìm kiếm BioX-tree, và
phát hiện giá trị duyệt cây theo giá trị trước-duyệt cây theo giá trị sau của t nằm trong hình chữ
nhật R1 và R2. Nếu R1 nằm trong R2, thì thuật toán tìm kiếm sẽ không cần tiếp tục duyệt các

cây con khác của R2 để tìm t vì chắc chắn t thuộc các cây con của R1. Từ các định lý và hệ
quả có được, tác giả thiết kế lại các thuật toán của phương pháp BioX-tree để tối ưu lại truy
vấn, khắc phục nhược điểm về cấu trúc.
3.2.2. Các thuật toán đề xuất
Từ các kết luận thu được ở mục 3.1, tác giả đề xuất các thuật toán Chèn và Truy vấn mới
và tác giả gọi phương pháp mới mở rộng của cây BioX-tree là BioX+-tree. Mục tiêu của thuật
toán là giảm bớt các bước duyệt cây dư thừa để tối ưu tốc độ truy vấn, đồng thời giảm bớt

20


nhược điểm về cầu trúc của cây BioX-tree. BioX+-tree sẽ bỏ con trỏ Par (trỏ tới parent node)
vì chưa thực sự mang lại hiệu quả mong đợi và làm tốn khá nhiều bộ nhớ lưu trữ.
Thuật toán Insert(N,E)
Đầu ra: node bối cảnh N và entry E cần tìm kiếm
Đầu vào: node N chứa entry E
Begin
Gọi FindNode(N,E) để tìm node lá N’ chứa anh em của entry E cần chèn
if (N’ không null),
if (N’ là node đầu tiên hoặc node cuối cùng)
fullnode =m //m là số lượng entry nhỏ nhất trong 1 node
else
fullnode =M //M là số lượng entry lớn nhất trong 1 node
if |N’| Chèn entry E vào node N’.
else
CreateNewLeafNode(E) //tạo một node lá mới chứa E, sau đó chèn node này
vào cây
else
CreateNewLeafNode(E) //tạo một node lá mới chứa E, sau đó chèn node này vào

cây
Creatpointers (pre, post, N’)
End

Thuật toán 3.1: Thuật toán Insertion
Sự khác biệt ở thuật toán này là sẽ cân nhắc các tag đầu và cuối của node lá trong BioX+tree, các node chứa các tag đầu và cuối sẽ chỉ chứa tối đa m tag thay vì M. Như vậy, sẽ làm
giảm bớt kích thước của MBR bao node lá, và có thể giảm vấn đề giao cắt giữa các MBR của
BioX+-tree. Các truy vấn sẽ hưởng lợi từ cấu trúc này.
Thuật toán FindNode(N, E)
Đầu ra: node bối cảnh N và entry E cần tìm kiếm
Đầu vào: node N chứa entry E
Begin
minN = N
if (N không là lá),
Duyệt các entry E’ trong N với MBR (N’) giao với MBR của E
if (N’ giao hoặc bên trong minN)
invoke FindNode(N’,E), với N’ là các node con của N trỏ tới bởi E’.
if N’ bên trong N
minN=N’
else
if N chứa entry E,
Return N.
End
Thuật toán 3.2: Thuật toán truy vấn
Thuật toán này áp dụng Định lý 2 và Hệ quả 2.1, nghĩa là khi tìm kiếm E, nếu R1 nằm
trong R2, thì bỏ qua bước duyệt cây con của R2 và lưu lại giá trị R1.
21


- Tại bất kỳ node trung gian nào,

- Nếu có R chứa R1 thì sẽ bỏ qua duyệt cây con
- Nếu có R nằm trong R1, thì lưu lại R để so sánh bước tiếp theo, tiếp tục duyệt R
- Nếu R không nằm tron 2 trường hợp trên, tiếp tục duyệt R

3.3. Kết quả thực nghiệm phƣơng pháp BioX+-tree
3.3.1. Mô hình và dữ liệu thử nghiệm
 Mô hình thử nghiệm: Mô hình thử nghiệm của tác giả cũng sẽ tương tự như đã thực
hiện trên BioX-tree, chỉ khác là phương pháp BioX-tree và BioX+-tree sẽ được thử
nghiệm và ghi nhận lại kết quả. Để đánh giá hiệu quả thực tế của phương pháp, tác giả
thử nghiệm trên các tài liệu XML tin sinh học có nguồn gốc phổ biến và đa dạng.
 Dữ liệu thử nghiệm: Như thử nghiệm trong chương 2, tác giả vẫn sẽ sử dụng 4 tài
liệu tin sinh học khác nhau từ các nguồn dữ liệu uy tín khác nhau.
 Kịch bản: Gần giống như các bước trong chương 2, kịch bản thực nghiệm trên 2 loại
truy vấn Xpath trục anh em và trục con cái với dạng câu truy vấn là truy vấn điểm
(point query). Những trục còn lại của Xpath sử dụng truy vấn phạm vi. Trong phần
này sẽ đi sâu hơn nữa vào các truy vấn anh em, có sự phân biệt anh em trước và anh
em sau. Phần này cũng không đi so sánh theo kích thước (số tag name/node) tăng dần
như chương 2, mà tác giả sẽ chạy thuật toán trên cùng 80.000 tag đầu vào của 4 loại
file dữ liệu tin sinh với những đặc tính dữ liệu khác nhau.
3.3.2. Công cụ và môi trƣờng thử nghiệm
Hoàn toàn tương tự như thử nghiệm trong chương 2, tác giả vẫn sử dụng các môi trường
và thiết bị đó để thực nghiệm.
3.3.3. So sánh kết quả của phƣơng pháp BioX+-tree và BioX-tree
a. Truy vấn anh em (Sibling queries): Truy vấn phải tìm toàn bộ các anh em của một tag
bất kỳ trong tài liệu XML. Hình 3.3 cho thấy kết quả trung bình BioX+-tree luôn tốt hơn BioXtree cho tất cả các tài liệu XML. Với tài liệu Allhomologies, thực nghiệm cho kết quả tốt nhất.
b. Truy vấn anh em trước (Sibling proceding queries): Truy vấn chỉ tìm các anh em
trước của một tag bất kỳ trong tài liệu XML. Hình 3.4 cũng cho thấy kết quả trung bình BioX+tree luôn tốt hơn BioX-tree cho tất cả các tài liệu XML.

Hình 3.4: KQ truy vấn anh em trước

Hình 3.3: Kết quả truy vấn anh em

22