کاربردهای داده ها با حجم بالا ، چالش ها ، تکنیک ها و تکنولوژی های آن
Publish place: 2nd Conference on Electrical and Computer Engineering Distributed Systems and Smart Grids
Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 818
This Paper With 8 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ELECONFK02_071
تاریخ نمایه سازی: 26 شهریور 1395
Abstract:
این درست است که داده های حجیم مورد توجه خاص محققان در علوم اطلاعات، سیاست و تصمیم گیری دولت ها بزرگ شده است و سرعت رشد اطلاعات بیشتر از قانون مور در ابتدای قرن جدید می باشد و داده های بیش از اندازه برای انسان مشکلات زیادی ساخته است. به هر حال داده های بسیار مفید و بالقوه ای در حجم عظیمی از داده ها پنهان است. یک شاخه علمی جدید به وجود آمد به نام کشف علمی داده های فشرده Data Intensive Scientific Discovery (DISD) که همچنین به عنوان مشکلات داده های حجیم شناخته شده است. تعداد زیادی از زمینه ها و بخش ها اعم از فعالیت های اقتصادی و کسب و کار دولت ها از امنیت ملی گرفته تا تحقیقات علمی در سال های اخیر با مشکلات داده های حجیم روبروست. از یک طرف داده های حجیم دارای ارزش زیادی در تولید بهره وری در کسب و کار پیشرفت در رشته های علمی که به ما فرصت پیشرفت های بزرگ در بسیاری از زمینه ها را می دهد. شکی نیست که در آینده مسابقه ای است در بهره وری و کسب وکار تکنولوژی که مسلماً هم جهت شناسایی داده های حجیم خواهد بود. از سوی دیگر داده های حجیم اغلب با چالش های فراوان از قبیل مشکلات در ضبط داده ها، ذخیره سازی داده ها، تجزیه و تحلیل داده ها و تجسم داده ها روبروست. هدف این مقاله نشان دادن یک دیدگاه است از داده های حجیم که شامل برنامه های کاربردی داده های حجیم، فرصت ها و چالش های داده ها ی حجیم، همچنین جدیدترین تکنیک ها و تکنولوژی هایی که ما امروزه با آن مواجه هستیم. ما اغلب بحث های زیادی در روش رسیدگی به سیل داده برای مثال در محاسبات دانه دانه، محاسبات ابری، محاسبات زیستی و محاسبات کوانتومی داریم.
Keywords:
Authors
محسن سعادت
گروه کامپیوتر ، واحد نراق ، دانشگاه آزاد اسلامی ، نراق ، ایران
مهدی اسماعیلی
گروه کامپیوتر ، واحد کاشان، دانشگاه آزاد اسلامی ، کاشان ، 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 :