سینا پورپاپی - دانشجوی کارشناسی ارشد واحداهواز دانشگاه آزاد اسلامی اهواز ایران
سیدسینا شجاعی فر - دانشجوی کارشناسی ارشد واحداهواز دانشگاه آزاد اسلامی اهواز ایران
الهام هاشم پور - باشگاه پژوهشگران جوان ونخبگان واحدآبادان دانشگاه آزاد اسلامی آبادان ایران

درقرن حاضرما بابخش عمده ای ازاطلاعات کاربران سروکار داریم که این اطلاعات هم ازلحاظ تجاری می باشد و هم ازلحاظ شخصی که این داده ها را میتوانیم پدیده ای به نام داده های عظیم بنامیم برای دسته بندی و یا خوشه بندی این داده ها مانیازمند ابزارها یتحلیل گرهستیم که علاوه برخوشه بندی بتواند کیفیت سرویس را برای کاربران فراهم سازد دراین پژوهش معماری پیشنهاد شده سعی می کند که براساس زمانبندی و خوشه بندی مناسب کیفیت سرویس را تاحد امکان مهیا کند این معماری برای روی داده های توزیع شده استفاده میشود که ابتدا داده ها درحوزه زمانبندی سراسری نزدیکترین مرکز داده را برای ذخیره و بازیابی پیدا می کند درحوزه زمانبندی محلی سعی براین است که نوع پیش بینی اطلاعات را برای شما مشخص کند این موارد شامل اطلاعات حافظه ای عمومی ورودی و خروجی و محاسباتی هستند این الگوریتم پیش بینی توسط الگوریتم بیز انجام میشود که درهرمرکز داده توسط الگوریتم نقشه خودسازماندهی یک سری خوشه ایجادمی کند تا اطلاعات دسته بندی شوند هدف ازانجام این پژوهش مرتب سازی مراحل ساختارمرکز داده و افزایش کیفیت سرویس آن است

داده عظیم ، محاسبات ابری ، کیفیت سرویس ، نقشه های خودسازماندهی ، نزدیکترین همسایه K