不使用结构化查询语言的数据库的制作方法
【技术领域】
[0001]本公开涉及数据库查询领域。
【背景技术】
[0002]关系数据库已经成为存储大型数据集的标准。一般来说，关系数据库包括多个表。每个这种表中的每一行(也被称为一条“记录”)包括多个列(也被称为“字段”)。每个表具有一个特殊的列，它被称为该表的“主键”，并且它用于唯一标识表中的每条记录。例如，表可具有“唯一标识符”列，并且该表中每条记录中该唯一标识列的值在该表的所有记录中可能是唯一的。通过在第二表的一列内引用第一表的主键，可以将关系数据库中不同的表彼此相关。在这种情况下，在第二表内的第一表的主键扮演着第二表内“外键”的角色。例如，雇员生日表可通过他们的社会保险号(外键)指代雇员，其中社会保险号是包括其他雇员相关信息的另一表的主键。
[0003]与仅包括单个表的数据库相比，关系数据库的一个优点是关系数据库可表示多个数据集之间的关系。所以，已存在的但互不相同的数据集可在单个关系数据库中联系在一起，而无需所有数据集为了共享相同的结构而均被重新格式化。取而代之的是，为了将截然不同的数据集一起归置在单个关系数据库中，仅需要将关系(主键和外键)编码在数据集中。这使得能够以比将所有数据集组合在单个表中的精力相对较少的精力在不同的数据集上执行操作，诸如搜索和排序，
[0004]虽然关系数据库具有优点，但关系数据库还具有多种缺陷。例如，为了搜索关系数据库，通常需要以形式查询语言制定查询，诸如结构化查询语言(SQL)。SQL是一种复杂的语言，并且以SQL制定查询会需要大量的专业技术。此外，以SQL制定查询需要要搜索的关系数据库的结构的详细知识(例如，列、主键以及主-外键关系)。所以，以SQL制定查询可能是繁冗、耗时且易于出错的。
[0005]此外，由于关系数据库中的关系基于不同表中预定主键间的关系，在关系数据库中可表示的关系固有地受限于在关系数据库中的主键间可形成的关系。所以，以SQL制定并在关系数据上执行的查询仅可用于搜索在关系数据库中已经使用现有的、预定主键间的关系而被编码至数据库中的关系。
[0006]因此，需要用于克服关系数据库和基于SQL的搜索的这些限制的技术。
【发明内容】
[0007]数据库系统使用迭代集合以存储数据以及所述数据之间的关系。与受限于表示二维关系(即，表对之间的关系)的关系数据库不同，本发明的数据库系统可在三维坐标系中表示N维关系。此外，本发明的数据库系统可在单个迭代集合中存储所有的数据库数据，而无需使用多个表。作为本发明实施例存储数据和数据间关系的方式的结果，本发明实施例可用于在不需要以诸如SQL的形式查询语言制定查询的情况下搜索该数据库。
[0008]本发明多个方面和实施例的其他特征和优点将通过下文的描述和权利要求而显现。
【附图说明】
[0009]图1是根据本发明一个实施例的非确定性图灵机的图；
[0010]图2是说明根据本发明一个实施例的双射集合存储器的图；
[0011]图3A-3C是表示根据传统关系数据库系统实现的表的图；
[0012]图4A-4C是本发明实施例所使用的单个表的各部分；以及
[0013]图5A-5B表示根据本发明实施例的搜索图4A-4C的表的方法。
【具体实施方式】
[0014]本专利申请涉及于2014年4月4日提交的题为“A Polynomial Methodof Constructing a Non-Deterministic(NP)Turing Machine” 的申请号为 PCT/US2014/032965的PCT专利申请，通过引用将该申请包含在此。该专利申请描述了用于通过确定性图灵机(DTM)构造非确定性图灵机(NTM)的技术。如该文件所述，非确定性图灵机可被认为是知识推理机，它以与人脑相似的方式工作。在每种情况下，非确定性图灵机为了使问题得到解决可并行作出多种选择。相反地，确定性图灵机是转移函数机；也就是说，在任何给定的情况下，确定性图灵机精确地作出一种选择，并不具有并行追寻其他选择的能力。因此，确定性图灵机和非确定性图灵机之间的最显著差别在于前者不能并行进行处理，而后者可并行进行处理。
[0015]—般来说，根据上文引用的专利申请实现的非确定性图灵机(NTM)包括四个子系统:⑴空间二进制枚举系统；(2) 3维关系系统；(3)仿真的人类逻辑系统；以及⑷双射集合存储器系统。上文引用的专利申请提供了与每个这种子系统以及与这些子系统彼此间如何交互有关的进一步细节。
[0016]例如，参见图1，示出了根据本发明一个实施例的非确定性图灵机(NTM) 100的图。NTM 100包括存储器102，本文中称之为“双射集合”存储器，因为它包括表示双向关系的数据，如将在下文更具体地描述的。存储器102在本文中还被称为“知识库”，正如该术语在美国专利6，611，841中所使用的那样。NTM 100还包括仿真的人类逻辑系统104，它在本文中还被称为认知逻辑单元或并行信息处理器。该认知逻辑单元104并不以与传统的中央处理器(CPU)相同的方式工作。相反，该认知逻辑单元104作为“集合算符”工作，这使得整个NTM 100作为集合算符工作。认知逻辑单元104读取输入106并基于该输入和存储器102的内容，生成输出108。例如，并如将在下文更详细描述的那样，认知逻辑单元104可对其输入106(例如，演绎地和/或还原地)执行一个或多个集合运算以生成其输出108，它表示对输入106执行该集合运算的结果。由于NTM 100是非确定性的，双射集合存储器102可包括以在上文【背景技术】部分中所描述的含义来表示数据间关系的数据。然而，整个NTM 100可使用确定性图灵机(DTM)实现。在这种实施例中，NTM 100使用DTM执行NTM的功能。因此，NTM 100可使用DTM来构造NTM。
[0017]双射集合存储器102以及在双射集合存储器中存储数据的技术的示例在于2003年8月 26 日提交的题为“Knowledge Acquisit1n and Retrieval Apparatus and Method”的美国专利US 6，611，841、于2013年3月15日提交的题为“Sequence Alignment”的美国临时专利申请US61/798，848、以及于2014年3月14日提交的题为“Spatial ArithmeticMethod of Sequence Alignment”的 PCT 申请 PCT/US2004/027455 中进行了更详细的描述，通过引用将它们全部结合在此。
[0018]这里对双射集合存储器102做非常简要的总结。在上文引用的文档中可获得进一步细节。一般来说，双射集合存储器102基于对人脑运行的理解，并以类似人脑运行的方式进行操作。具体的，双射集合存储器102可包括两个存储器:感知存储器110和概念存储器112。感知存储器110存储表示感知的数据，诸如对象的感知。概念存储器112存储表示观念的数据(本文中也被称为概念和类)。由存储在概念存储器112中的数据表示的观念可视为集合，而由存储在感知存储器110中的数据所表示的感知可视为由存储在概念存储器112中的数据表示的集合的元素。
[0019]NTM 100包括归纳(induct1n)模块114(本文中也被称为学习模块或概念形成模块)，它使用归纳过程学习由存储在感知存储器110中的数据所表示的感知和由存储在概念存储器112中的数据所表示的概念之间的自然关系。对于由学习模块114学习的感知存储器110中的感知和概念存储器112中的相应概念之间的每个关系，学习模块114生成并存储表示感知存储器110中的感知的数据与表示概念存储器112中的相应概念的数据之间的双向映射。由学习模块114执行的针对数量逐渐增多的感知和相应概念而生成并存储这种映射的过程模拟了人脑执行的学习过程。所获得的映射集合是“知识库”的一个示例，正如该术语在本文中所使用的并且在美国专利US6，611，841中所使用的那样。
[0020]—旦学习模块H4已经开发出包括由存储在感知存储器110中的数据表示的感知和存储在概念存储器112中的数据表示的概念之间的双向映射的知识库，存储在知识库102中的知识可以多种方式的任意一种进行检索。例如，NTM 100包括演绎(deduct1n)模块116，它可使用演绎从知识库102中检索知识。具体的，如果表示感知存储器110中的感知的数据被提供为至演绎模块116的输入，那么该演绎模块116可遵循从感知存储器110中的感知至概念存储器112中的相应概念的映射(即，关系)，从而检索出对应于该感知的概念。
[0021]作为另一示例，NTM 100包括还原(reduct1n)模块118，它可使用还原从知识库中检索知识。具体的，如果表示概念存储器112中的类(本文中也被称为概念、观念或集合)的数据被提供为至还原模块118的输入，那么该还原模块118可遵循从概念存储器112中的概念至感知存储器110中的相应感知的映射，从而检索出对应于该概念的感知。
[0022]如上文所述，根据本发明实施例实现的NTM包括空间二进制枚举系统，它是指基于由两个基本(原始)元素组成的集合枚举数字的枚举系统，这两个基本元素可设想为表不+1和-1。
[0023]因此，虽然传统二进制数字系统同样基于两个基本(原始)元素，S卩0和1，但本文公开的空间二进制枚举系统具有超出基于0和1的传统二进制数字系统的多种优点。具体的，本文公开的空间二进制枚举系统基于具有彼此间幅值相等且方向相反(即，互补)的原始元素，例如-1和+1。相反，传统二进制数字系统中的原始值0和1彼此间并不相等且并不相反。空间二进制枚举