stand160613.txt

1. Set insertion

	-> läuft mit kleinen Werten (4/6/10)
	-> läuft gut mit größeren Werten für vector query, schlecht für point query
	-> Beispielergebnisse simQuery() für 256 Bit-Filter:  
		Gefordert (Rang): 				Geliefert (Rang): 
		1						35 
		1						7
		1						1
		1						9
		1						30
		1						7

	-> Beispielergebnisse simQueryVec() für 256 Bit-Filter: 
		Gefordert (Rang): 				Geliefert (Rang): 
		1, 2, 3						1, 4, 5
		1, 2, 3						3, 4, 5
		1, 2, 3						1, 2, 6
		1, 2, 3						1, 3, 5
		1, 2, 3						1, 2, 3
		1, 2, 3						1, 2, 6 

2. Segment insertion 
	
	-> läuft gut mit kleinen Werten (4/6/10)
	-> läuft deutlich schlechter mit größeren Werten vector query und point query
	-> Beispielergebnisse simQuery() für 256 Bit-Filter: 
		Gefordert (Rang): 				Geliefert (Rang): 
		1						7
		1						4
		1						7
	-> Beispielergebnisse simQueryVec() für 256 Bit-Filter: 
		Gefordert (Rang):				Geliefert (Rang): 
		1, 2, 3						3, 9, 1
		1, 2, 3						1, 6, 7
		1, 2, 3						18, 6, 13

3. Evaluation 

	* Vergleich mit unsortierter Liste (Ergebnisqualität + Zeit/# Vergleiche)
	* Kombinationen Filtergröße/Filteranzahl/Verzweigungsgrad checken
	* Bloom-Filter-Größe 256/512 Bit, # Bloom-Filter 100
	* Prozentsatz an guten Suchergebnissen ermitteln ggü. vollständigem Ansatz 
	* z.B. in R

4. Nächste Schritte

	-> Suchalgorithmen fertig checken
	-> Jaccard-Distanzen immer noch falsch (teilweise > 2 für große Filter!)
	-> welche Kombinationen sind sinnvoll für d, m, n? 
	-> Initialisierung Bloom-Filter?
	-> Sort result vector by jaccard distances in ascending order (BloomFilterList::simQueryVec())
	-> evtl. Suchalgorithmen optimieren 
	-> evtl. destructor für BloomFilterListNode