کاوش الگوهای تکراری در جریان های داده بر اساس مدل پنجره لغزنده

thesis
abstract

در مسئله کاوش الگوهای تکراری به دنبال مجموعه هایی هستیم که در تعداد قابل توجهی از تراکنش ها (رکوردها) دیده می شوند. کاوش الگوهای تکراری در جریان های داده کاربرد زیادی در صنعت، تجارت و علوم مختلف دارد. به دلیل سرعت زیاد، بی پایان بودن، حجم بالا و ماهیت تغییر کننده محتوای جریان های داده، یافتن الگوهای تکراری در این نوع داده ها مسئله ای چالش برانگیز است. مدل پنجره لغزنده یکی از مدل های محبوب و پرکاربرد برای حل این مسئله است، که در آن میزان ثابتی از تراکنش های جدید برای کاوش در نظر گرفته می شوند. کاهش میزان حافظه مصرفی، افزایش سرعت کاوش و تعیین اندازه پنجره مهمترین چالش های این مدل اند. ما در این رساله برای غلبه بر این چالش ها الگوریتم ها و تکنیک هایی ارائه داده ایم. نخست دو الگوریتم پیشنهاد داده ایم که در آنها محتویات پنجره به صورت پویایی نگهداری می شود و در صورت درخواست کاربر، مجموعه اقلام تکراری کاوش می شود. سپس الگوریتمی تقریبی ارائه داده ایم که همواره مجموعه اقلام تکراری را نگهداری و به روز رسانی می کند. علاوه بر این الگوریتم جدیدی معرفی کرده ایم که قادر است با استفاده از پنجره های زمانی، سرعت متغییر جریان داده ورودی را در نظر بگیرد. آزمایش های ما نشان می دهند که همگی این الگوریتم ها نسبت به نمونه های مشابه خود در بیشتر موارد، از نظر حافظه و سرعت بهتر عمل می کنند. ما همچنین الگوریتمی ارائه داده ایم که در آن اندازه پنجره لغزنده بر اساس میزان تغییر مفهوم در جریان داده ورودی تنظیم می شود. در نهایت معیار جدیدی را برای تشخیص بهتر میزان تغییر مفهوم ارائه داده ایم.

First 15 pages

Signup for downloading 15 first pages

Already have an account?login

similar resources

کاوش الگوهای تکراری پرسود در پایگاه داده های بزرگ

داده­کاوی مجموعه اقلام پرسود در پایگاه داده تراکنشی، منجر به شناسایی مجموعه اقلام با بالاترین سودمندی می­شود. گرچه در سال های اخیر الگوریتم­های بسیاری برای این نمونه کار پیشنهاد شده است، اما این الگوریتم­ها، اکثراً، کارائی خود را صرف تولید مجموعه اقلام کاندید برای تولید مجموعه اقلام پرسود می­نمایند. چنانچه پایگاه داده دارای تعداد تراکنش­های بسیار زیاد و یا دارای مجموعه اقلام پرسود خیلی طولانی با...

کاوش الگوهای تکرار شونده در جریانهای داده

یافتن دسته داده های تکراری در جریان پیوسته تراکنشها یکی از مسائل حیاتی در کاربردهایی نظیر تحلیل سبد خرید، مانیتورینگ شبکه و پیش‎بینی فروش انبار می باشد. پنجره لغزان یکی از مدلهایی است که به دلیل مدیریت تغییر محتوا، مصرف حافظه محدود و سرعت پردازش کم به شکل گسترده در یافتن دسته داده های تکراری در جریانهای داده استفاده شده است. یک الگوریتم مبتنی بر مدل پنجره ای لغزان به یک ساختمان داده کارا احتیاج...

15 صفحه اول

کاوش برخط الگوهای پویای زمانی در داده های جریانی

کاوش در جریان داده فرایندی است که منجر به استخراج دانش از جریانی سریع از داده های پیوسته می شود. در سالهای اخیر، به دلیل اهمیت کاربردهای آن و پیشرفت در تکنولوژی سخت افزاری بسیار مورد توجه قرار گرفته شده است. در بسیاری از زمینه های کاربردی مانند شبکه های کامپیوتری، بازارهای مالی و مبادلات ارزی، مکالمات تلفنی، کارت های اعتباری، مراکز داده و سرورها، تصاویر ویدئویی، شبکه حسگرها، رادارها، ماهواره ها...

15 صفحه اول

استنباط آماری بر اساس داده های سانسور پنجره ای

در مباحث قابلیت اعتماد، معمولاً سیستم ها به دو دسته قابل تعمیر و غیر قابل تعمیر تقسیم می شوند. سیستمی که از زمان صفر شروع به کار می کند نیازمند نگهداری و در صورت بروز هرگونه خرابی در آن به تعمیر نیاز دارد. تعمیر قطعه از کار افتاده می تواند به دو صورت تعویض با قطعه نو(تعمیر کامل) و یا تعمیر آن، صرف نظر از زمان تعمیر و ادامه فعالیت سیستم با همان قطعه قبل باشد(تعمیر مینیمال). فرض کنید بخواهیم عملک...

15 صفحه اول

مدیریت پنجره های لغزان در سیستم های پردازش جریان داده

در چند سال اخیر نیاز به گونه ی جدیدی از پردازش داده ها بوجود آمده است که با پردازش داده هایی که توسط پایگاه های داده صورت می گیرد متفاوت می باشد. این نوع پردازش داده که بر روی جریانی از داده ها انجام می گیرد، پردازش داده های جریانی یا پردازش جریان داده نامیده می شود. جریان داده، یک توالی معمولاً بی کران از داده هایی است که توسط یک منبع تولید می شوند. درخواست هایی که بر روی جریان های داده تعریف م...

15 صفحه اول

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


document type: thesis

وزارت علوم، تحقیقات و فناوری - دانشگاه شیراز - دانشکده مهندسی برق و کامپیوتر

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023