分布式大数据不一致性检测

　　关系数据库中可能存在数据不一致性现象，关系数据库数据质量的一个主要问题是存在违反函数依赖情况，为找出不一致数据需要进行函数依赖冲突检测．集中式数据库中可以通过SQL技术检测不一致情况，尽管检测效率不高；而分布式环境下不一致性检测更富有挑战性，不仅需要考虑数据的迁移，检测任务如何分配也是一个难题．在大数据背景下，上述问题更加突出．提出了一种分布式环境单函数依赖不一致性检测方法。给出了不一致性检测响应时间代价模型，为减少数据迁移量和响应时间，基于等价类对待检测数据进行预处理．由于分布式环境不一致性检测问题为NP-hard问题，多项式时间内难以得到最优解，给出了代价模型的多项式时间3/2-近似最优解．提出了一种分布式环境多函数依赖不一致性检测方法，基于最小集合覆盖理论通过一次数据遍历，对多个函数依赖进行并行批检测，同时考虑检测过程中的负载均衡等问题．在真实和人工数据集上的实验表明：相对于传统的检测方法以及基于Hadoop的Nalve方法，所提出的检测方法检测效率有明显的提升，且扩展性能良好。