داده کاوی بزرگ مقرون به صرفه در زمینه ابر: یک مطالعه موردی با K-means
عنوان انگلیسی
Cost-effective Big Data Mining in the Cloud: A Case Study with K-means
صفحات مقاله فارسی
22
صفحات مقاله انگلیسی
10
سال انتشار
2017
نشریه
UOW
فرمت مقاله انگلیسی
PDF
فرمت ترجمه مقاله
ورد تایپ شده
رفرنس
دارد
کد محصول
f401
وضعیت ترجمه عناوین تصاویر و جداول
ترجمه شده است
وضعیت ترجمه متون داخل تصاویر و جداول
ترجمه نشده است
وضعیت فرمولها و محاسبات در فایل ترجمه
به صورت عکس، درج شده است
رشته های مرتبط با این مقاله
مهندسی کامپیوتر
گرایش های مرتبط با این مقاله
رایانش ابری، داده کاوی و مهندسی الگوریتم ها و محاسبات
دانشگاه
دانشگاه تکنولوژی Swinburne، ملبورن، استرالیا
کلمات کلیدی
محاسبات ابری، داده کاوی، مقرون به صرفه، داده بزرگ، K- means
ترجمه این مقاله در سطح متوسط انجام شده است.
۰.۰(بدون امتیاز)
امتیاز دهید
فهرست مطالب
چکیده
I . مقدمه
II . آثار مرتبط
III . روش شناسی
A . K-means
B . ارزیابی دقت
C . مدل هزینه
D . پروسه مطالعه ی موردی
IV . آزمایشات
A . پلت فرم
B . مجموعه داده . ما در آزمایشات خود , از دو مجموعه داده استفاده کردیم
C . آزمایشات بر روی مجموعه داده ی Gaussian
D . آزمایشات بر روی مجموعه داده ی شبکه ی جاده ای
V . بحث
IV . تهدید اعتبار
VII . نتیجه گیری و کار های آتی
نمونه چکیده متن اصلی انگلیسی
Abstract
Mining big data often requires tremendous computational resources. This has become a major obstacle to broad applications of big data analytics. Cloud computing allows data scientists to access computational resources ondemand for building their big data analytics solutions in the cloud. However, the monetary cost of mining big data in the cloud can still be unexpectedly high. For example, running 100 m4-xlarge Amazon EC2 instances for a month costs approximately $17,495.00. On this ground, it is a critical issue to analyze the cost effectiveness of big data mining in the cloud, i.e., how to achieve a sufficiently satisfactory result at the lowest possible computation cost. In certain big data mining scenarios, 100% accuracy is unnecessary. Instead, it is often more preferable to achieve a sufficient accuracy, e.g., 99%, at a much lower cost, e.g., 10%, than the cost of achieving the 100% accuracy. In this paper, we explore and demonstrate the cost effectiveness of big data mining with a case study using well known k-means. With the case study, we find that achieving 99% accuracy only needs 0.32%-46.17% computation cost of 100% accuracy. This finding lays the cornerstone for cost-effective big data mining in a variety of domains.
نمونه چکیده ترجمه متن فارسی
چکیده
کاوش داده ی بزرگ , اغلب نیازمند منابع محاسباتی فوق العاده می باشد. این امر به یک مانع عمده در رابطه با استفاده ی وسیع از تجزیه و تحلیل داده های بزرگ تبدیل شده است. محاسبات ابری به محققانی که در زمینه ی داده فعالیت می کنند , اجازه ی دسترسی به منابع محاسباتی , بر اساس تقاضای ساخت راه حل های تحلیلی داده ای بزرگ در ابر را می دهد. هر چند , هزینه ی پولی کاوش داده ی بزرگ در ابر , هنوز هم می تواند بر خلاف انتظار مان , بالا باشد.
برای مثال , اجرای مثال های EC2 Amazon 100 m4- xlarge به مدت یک ماه هزینه ای در حدود $17,495,00 را به دنبال دارد. در این زمینه , مسئله ی حیاتی به منظور تجزیه و تحلیل هزینه ی بهره وری (هزینه ی مقرون به صرفه ) داده کاوی بزرگ در ابر , چگونگی دستیابی به یک نتیجه ی رضایت بخش کافی با حداقل هزینه ی محاسباتی ممکن است. در سناریو های داده کاوی بزرگ حقیقی , دقت 100% غیر ضروری است. در عوض , اغلب , دستیابی به یک دقت کافی , برای مثال 99% , یا هزینه ی کمتر مانند 10% , نسبت به هزینه ی دستیابی با دقت 100% , ترجیح داده می شود.
در این مقاله , ما به کشف و نمایش داده کاوی بزرگ مقرون به صرفه به همراه یک مطالعه ی موردی و با استفاده از K-means اقدام می کنیم. با استفاده از مطالعه ی موردی , در می یابیم که دست یابی به دقت 99% تنها نیاز به هزینه ی محاسبتی 0.32%-46.17% مربوط به دقت 100% دارد. این یافته , سنگ بنای لازم را برای داده کاوی مقرون به صرفه در انواع دامنه ها قرار می دهد.
