随着社会不断进步以及计算机领域的不断发展,数据量已经呈现出了爆炸性增长的态势。为了从海量的数据中快速且准确的获取用户需要的关键信息,迫切需要高效且成本低的查询处理方法。然而由于原始数据不准确,处理缺失值,满足特殊的需求,粗粒度数据集合以及保护用户隐私等各种原因,不确定数据大量存在各个应用领域中,目前不确定数据的研究处理已经成为研究热点之一。虽然对于传统确定数据的查询处理已经趋近成熟,但传统的算法并不适用于不确定数据,如今大数据环境下数据多以并行数据流的形式出现,在面对不确定数据流时,传统的Top-k查询算法无法很好的解决不确定数据流。目前研究人员虽然已经得到了许多成果,但是现有的算法在面对不确定数据流时都有一定的局限性。由于不确定数据流的流速快、数据量庞大等特性以及数据特有的概率问题,处理起来并不能像确定数据一样只返回排序分值最优的前一部分数据,还需要考虑到数据结构,数据之间的关系以及概率等问题,因此处理不确定数据流仍然十分的复杂。针对以上问题,本文所做出的主要工作如下:1.针对当前数据量过大,计算消耗太大等不足,本文提出了一种面向不确定数据的Top-k支配查询算法,该算法中采用了几种有效的剪枝方法以及支配关系以缩减计算量。算法首先对不确定数据使用可能世界模型进行建模,根据可能世界实例得出Top-k概率的计算方式,随后通过用户已给出的排序分值范围、概率阈值与Top-k概率的相关比较以及支配关系的定义,从而对数据剪枝,以减少后续的工作,提高查询效率。2.针对并行不确定数据流的查询处理,提出了一种改进的并行不确定数据流下的Top-k支配算法。在原有的基础上,对算法增加了聚类,结构生成,支配关系以及阈值和数据之间的关系等操作步骤。在传输过程中,算法利用记录表记下某一时间存在于全局候选结果集中数据的状态,以及最小变化时间的方法来减少对数据的支配得分的计算频率,减少了计算机的重复工作量。在分析了该算法的特点后,实验结果表明,与已有的工作相比,该算法可以节省大量的计算时间,在大多数情况下都能提供高精度的查询结果。3.设计并实现了一个原型系统,用以对本文所需提出的面向不确定数据流的Top-k查询算法的可行性验证。首先对原型系统的系统架构和模块设计进行阐述,然后对系统执行流程和各个模块的功能进行了具体分析,主要包括了数据预处理模块、数据剪枝模块、数据传输计算模块以及最后的结果计算输出模块。本文所设计的原型系统能够很好地应用提出的Top-k查询算法,并且具有良好的可操作性。