مروری بر روشهای خوشهبندی موازی دادههای حجیم مبتنی برMapReduce
Publish Year: 1393
Type: Conference paper
Language: Persian
View: 1,616
This Paper With 10 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
ICKIS01_019
Index date: 14 April 2015
مروری بر روشهای خوشهبندی موازی دادههای حجیم مبتنی برMapReduce abstract
خوشه بندی یک ابزار قدرتمند به منظور پردازش داده های تولیدشده توسط برنامه های مختلف می باشد. با پیشرفت پایگاه داده ها و فناوری های اینترنت الگوریتم های خوشه بندی با چالش هایی در زمینه مدیریت رشد سریع و حجم زیاد داده مواجه هستند. علی رغم پیشرفت های قابل توجه در تکنولوژی پردازنده ها درزمینه سرعت، الگوریتم های خوشه بندی سریالی وظایف موردنیاز را در یک مدت زمان منطقی برای مجموعه داده های عظیم به طور کامل انجام نمی دهند. آن ها در عمل نیازمند چندین پویش داده برای رسیدن به همگرایی می باشند که برای پایگاه داده های بزرگ این پویش بسیار گران تمام می شود. لذا اهمیت خوشه بندی موازی برای داده های حجیم بسیار پررنگ می شود. در این مقاله سعی در بررسی روش های موجود جهت خوشه بندی موازی داده های حجیم مبتنی بر MapReduce را داریم. MapReduce در اصل توسط Google به عنوان یک مدل برنامه نویسی توزیع شده که از سرورهای عظیم برای پردازش موازی مجموعه داده های انبوه (چند ترابایتی) استفاده می کند، معرفی شد، این مدل می تواند به بسیاری از برنامه های محاسباتی با حجم بزرگ اعمال شود و ویژگی های جالبی مثل موازی سازی خودکار، توازن بار، کمینه سازی انتقال دیسک و شبکه و اداره قدرتمند در هنگام شکست ماشین دارد. MapReduce با شکستن یک برنامه بزرگ به بخش های کوچک تر، پردازش هر بخش به صورت موازی و سپس ترکیب نتایج برای تولید نتیجه نهایی کار می کند
مروری بر روشهای خوشهبندی موازی دادههای حجیم مبتنی برMapReduce Keywords:
مروری بر روشهای خوشهبندی موازی دادههای حجیم مبتنی برMapReduce authors
جلیل گزلان طوسی
دانشگاه آزاد اسلامی واحد مشهد، گروه مهندسی کامپیوتر ، مشهد، ایران
مهرداد جلالی
دانشگاه آزاد اسلامی واحد مشهد، گروه مهندسی کامپیوتر ، مشهد، ایران
سعید ابریشمی
دانشگاه فردوسی مشهد، گروه مهندسی کامپیوتر ، مشهد، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :