بررسی روش های پردازش عظیم مه داده های مکانی

Publish Year: 1395
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 770

This Paper With 20 Page And PDF and WORD Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

CITCOMP01_304

تاریخ نمایه سازی: 16 شهریور 1395

Abstract:

درسالهای اخیر انفجاری در حجم داده های ایجادی توسط بشر رخ داده است، تولید داده توسط اشیا (انواع حسگرهای محیطی) موج بعدی است که باعث می شود این رشد انفجار گونه دادهها هم چنان ادامه یابد. رویکرد مورد توجه برای محاسبه وپردازش این حجم عظیم از داده، استفاده از روشهای پردازش روی زیر ساخت غیر متمرکز و موازی سازی است. اکثر دادههای تولید شده دارای بعد مکانی میباشند. عدم پشتیبانی سیستم های پیاده سازی شده از پرسوجوهای مکانی، از جمله پرسوجوهای تعاملی برای تحلیل دادهها با حداقل تاخیر و به صورت بلادرنگ و همچین عدم قابلیت اتصال به سامانه های موجود در سازمانها به ویژه سامانه های هوش تجاری از طریق استانداردهای موجود، لزوم ایجاد یک ابزار تحلیلی تعاملی برای مه داده های مکانی و فضایی را به وضوح بیان می کند. که در این مقاله روش های پردازش عظیم مه داده های مکانی بررسی خواهد شد.

Keywords:

مه داده , مه داده های مکانی و جغرافیایی , پرس و جو های فضایی , پردازش های تحلیل تعاملی

Authors

علی سیف الدینی

دانشجوی دانشگاه پیام نور

بیتا امیرشاهی

استادیار دانشگاه پیام نور

علی رضی

رییس مرکز توسعه سیستم ها و فناوری اطلاعات سازمان مدیریت و برنامه ریزی کشور

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 :
  • Chen M, Mao S, Liu Y. Big Data: A Survey. ...
  • Hashem IAT, Yaqoob I, Anuar NB, Mokhtar S, Gani A, ...
  • Philip Chen CL, Zhang CY. Data-intensive applications, challenges, techniques and ...
  • Big datis in analytia: The future cs [Internet]. [cited 2015 ...
  • Carpenter J, Snell J. Future trends in geospatial information management: ...
  • S patiotemporal data mining in the era of big spatial ...
  • MOKBEL AEMF. The Era of Big Spatial Data: A Survey. ...
  • Li S, Dragicevic S, Castro FA, Sester M, Winter S, ...
  • 3D Data Management: Controlling Data Volume, Velocity, and Variety. Application ...
  • Mohd Nasiruddin, Yefrizal Nadzir. Big data : A review. 2015. ...
  • Suthaharan S Big data classification ACM SIGMETRICS Perform Evt Rev ...
  • Where is the Phrase "80% of Data is Geographic" From? ...
  • Evans M, Oliver D, Zhou X, Shekhar S. Spatial big ...
  • Eagle N, Greene K. Reality Mining: Using Big Data to ...
  • Mayer- Schonberger V, Cukier K. Big Data: A Revolution that ...
  • https ://books .google. com/b O oks/about/B ig_Data .html? id= uy4 ...
  • 15 Global Challenges [Internet]. [cited 2015 Nov 16]. Available from: ...
  • Shekhar S. Spatial big data challenges [Internet]. ARO/NSF Workshop on ...
  • Mining of Raw Data May Bring New Productivity, a Study ...
  • http ://www .nytimes .com/20 1 1/05/1 3/technology/1 3 data.html?_r= 1 ...
  • Hawick KA, Coddington P., James H. Distributed frameworks and parallel ...
  • Lee CA, Gasster SD, Plaza A, Chang C-I, Huang B. ...
  • Yang C, Raskin R, Goodchild M, Gahegan M. Geospatial Cyb ...
  • http ://www. sciencedirec: com/s c ienc e/article/pi/S 0 19897 15 ...
  • Dean J, Ghemawat S MapReduce: simplified data processing On large ...
  • _ Hadoop@ [Internet]. [cited 2015 Nov 16]. Available from http ...
  • Thusoo A, Sarma J Sen, Jain N, Shao Z, Chakka ...
  • Apache HBase [Internet]. [cited 2015 Nov 16]. Available from: http ...
  • Impala [Internet]. [cited 2015 Nov 16]. Available from: http :/impala.io/ ...
  • Chang F, Dean J, Ghemawat S, Hsieh WC, Wallach DA, ...
  • Lu J, Guting RH. Parallel Secondo: Boosting Database Engines with ...
  • You S, Zhang J, Gruenwald L Large-scale spatial join query ...
  • Apache Accumulo [Internet]. [cited 2015 Nov 19]. Available from: ...
  • Planthaber G, Stonebraker M, Frew J. EarthDB. In: Proceedings of ...
  • Eldawy A, Mokbel MF, Alharthi S, Alzaidy A, Tarek K, ...
  • http : /ieeexplore .ieee. org/pdoc s/epic 03/wrapper. htm? arnumber=7 1 ...
  • Huy T. Vo JBBHB sVPJLDCCTS JF. Parallel visualization on large ...
  • Cary A, Sun Z, Hristidis V, Rishe N. Experiences on ...
  • Wang K, Han J, Tu B, Dai J, Zhou W, ...
  • Zhang S, Han J, Liu Z, Wang K, Feng S. ...
  • Gupta H, Chawda B, Negi S, Faruquie TA, Subramaniam L ...
  • Zhao W, Ma H, He Q. Parallel] K-Means Clustering Based ...
  • Akdogan A, Demiryurek U, B anaei-Kashan F, Shahabi C. Voronoi-B ...
  • Geospatial Query Processing with MapReduce. In: 2010 IEEE Second International ...
  • Conference On Cloud Computing Technology and Science [Internet]. IEEE; 2010 ...
  • Lu W, Shen Y, Chen S, Ooi BC. Efficient processing ...
  • Zhang C, Li F, Jestes J. Efficient parallel kNN joins ...
  • Wang G, Salles MV, Sowell B, Wang X, Cao T, ...
  • Ma Q, Yang B, Qian W, Zhou A. Query processing ...
  • Lu P, Chen G, Ooi BC, Vo HT, Wu S. ...
  • Eldawy A, Li Y, Mokbel MF, Janardan R. CG_Hadoop. In: ...
  • Eldawy A, Mokbel MF. Sp atialHadoop : A MapReduce framework ...
  • http : /ieeexplore .ieee. org/pdoc s/epic 03/wrapper. htm? arnumber=7 1 ...
  • Eldawy A, Mokbel MF. Pigeon: A spatial MapReduce language. Proc ...
  • Aji A, Wang F, Vo H, Lee R, Liu Q, ...
  • GIS Tools for Hadoop by Esri [Internet]. [cited 2015 Nov ...
  • Whitman RT, Park MB, Ambrose SM, Hoel EG. Spatial indexing ...
  • Nishimura S, Das S, Agrawal D, El Abbadi A $mathcal[MD ...
  • Fox A, Eichelberger C, Hughes J, Lyon S. S patio-temporal ...
  • DeWitt DJ, Kabra N, Luo J, Patel JM, Yu J-B. ...
  • Stonebraker M, Brown P, Zhang D, Becla J. SciDB: A ...
  • Geotrellis: Adding Geospatial Capabilities to Spark l Spark Summit 2012 ...
  • geotrellis _ Fast Raster Processing [Internet]. [cited 2015 Nov 17]. ...
  • Shahrivari S, Jalili S. Beyond Batch Processing: Towards Real-Time and ...
  • نمایش کامل مراجع