تلفن: 04142273781

ترجمه مقاله مدیریت معنایی داده های جریانی – نشریه ACM

عنوان فارسی: مدیریت معنایی داده های جریانی
عنوان انگلیسی: Semantic Management of Streaming Data
تعداد صفحات مقاله انگلیسی : 16 تعداد صفحات ترجمه فارسی : 19
سال انتشار : 2009 نشریه : ACM
فرمت مقاله انگلیسی : PDF فرمت ترجمه مقاله : ورد تایپ شده
کد محصول : 5831 رفرنس : دارد
محتوای فایل : zip حجم فایل : 2.45Mb
رشته های مرتبط با این مقاله: مهندسی کامپیوتر و مهندسی فناوری اطلاعات
گرایش های مرتبط با این مقاله: اینترنت و شبکه های گسترده، رایانش ابری و مهندسی نرم افزار
مجله: دومین کنفرانس بین المللی در شبکه های حسگر معنایی
دانشگاه: مرکز ملی کاربردهای ابررایانش دانشگاه ایلینویز اوربانا شامپاین
کلمات کلیدی: وب معنایی، RDF، پردازش کوئری، شبکه های سنسوری، مدل های داده، پایگاه داده های زمانی، مشاهدات سری های زمانی
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
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
فهرست مطالب

چکیده

۱ مقدمه

۲. کارهای مرتبط

۳ مثال انگیزشی

۴ RDF حاشیه نویسی زمان

۵ نظریه مدل

۵.۱ تفسیر TA-RDF

۵.۲ سازگاری با RDF

۶ حاشیه نویسی زمانی SPARQL

۷. مثال پیاده سازی

۸. نتیجه گیری

نمونه متن انگلیسی

Abstract

One of the fundamental challenges facing the unprecedented data deluge produced by the sensor networks is how to manage time-series streaming data so that they can be reasoning-ready and provenance-aware. Semantic web technology shows great promise but lacks adequate support for the notion of time. We present a system for the representation, indexing and querying of time-series data, especially streaming data, using the semantic web approach. This system incorporates a special RDF vocabulary and a semantic interpretation for time relationships. The resulting framework, which we refer to as Time-Annotated RDF, provides basic functionality for the representation and querying of time-related data. The capabilities of Time-Annotated RDF were implemented as a suite of Java APIs on top of Tupelo, a semantic content management middleware, to provide transparent integration among heterogeneous data, as present in streams and other data sources, and their metadata. We show how this system supports commonly used time-related queries using TimeAnnotated SPARQL introduced in this paper as well as an analysis of the TA-RDF data model. Such prototype system has already seen successful usage in a virtual sensor project where near-real-time radar data streams need to be fetched, indexed, processed and re-published as new virtual sensor streams.

نمونه متن ترجمه

چکیده

یکی از چالش های بنیادینی که داده های جدید طوفانی که با شبکه های سنسوری ایجاد شده اند این است که چگونه سری های زمانی داده های جریانی باید مدیریت شوند و از این رو می توانند آماده تحلیل و استدلال و نیز اگاه به اصل و بنیاد خود باشند. تکنولوژی وب معنایی نشان از نوید های بزرگی میدهد ولی پشتیبانی کافی در مورد مبحاث مربوط به زمان را ندارند.در این مقاله سیستمی را ارائه میدهیم که کوئری های داده های سری زمانی و شاخص بندی را ، به ویژه داده های جریانی را، با استفاده از روش وب معنایی انجام دهد. این سیستم واژگان RDF خاصی و یک تفسیری برای روابط زمانی معنایی را بهم پیوند میزند. چارچوب حاصله ، که از آن به عنوان RDF حاشیه نویسی زمان یاد میکنیم، یک عملکرد اولیه ای را برای نمایش و کوئری کردن داده های مرتبط با زمان انجام میدهد. ظرفیت های RDF حاشیه نویسی زمان به عنوان درخواستی از API های جاوا بر روی Tupelo (یک میان افزار مدیریت محتوی معنایی است)پیاده سازی شدند تا شفافسازی همگنی را در میان داده های ناهمگن ارائه دهند ، یعنی به همان شکلی که در جریان ها و دیگر منابع داده ها و متا دیتاهایشان ارائه میشوند.نشان خواهیم داد که چگونه این سیستم ها از کوئری های مرتبط با زمان با استفاده از حاشیه نویسی های SPARQL ای که دراین مقاله معرفی میشود ، پیشتیبانی میکنند ، به شکلی که یک تحلیلی برای مدل داده TA-RDF باشند. چنین سیستم های اولیه ای، استفاده های موفقی را در پروژه سنسور مجازی داشته اند که در آن سیستم ها جریان های داده راداری نزدیک به زمان واقعی باید دریافت شوند، شاخص بندی شوند، پردازش شوند و در نهایت به عنوان جریان های سنسوری مجازی جدیدی بازنشر شوند.