ترجمه مقاله خوشه بندی K میانگین داده های بزرگ بهینه شده با استفاده از MapReduce

قیمت خرید این محصول

۱۲۰,۰۰۰ تومان

دانلود مقاله انگلیسی

عنوان فارسی

خوشه بندی K میانگین داده های بزرگ بهینه شده با استفاده از MapReduce

عنوان انگلیسی

Optimized big data K-means clustering using MapReduce

صفحات مقاله فارسی

صفحات مقاله انگلیسی

سال انتشار

2013

رفرنس

دارای رفرنس در داخل متن و انتهای مقاله

سایز ترجمه مقاله

فرمت ترجمه مقاله

pdf و ورد تایپ شده با قابلیت ویرایش

فرمت مقاله انگلیسی

PDF

فونت ترجمه مقاله

بی نازنین

نشریه

اشپرینگر - Springer

نوع ارائه مقاله

ژورنال

نوع مقاله

ISI

ایمپکت فاکتور(IF) مجله

4.199 در سال 2024

پایگاه

اسکوپوس

شاخص H_index مجله

92 در سال 2025

شاخص Q یا Quartile (چارک)

Q2 در سال 2024

شاخص SJR مجله

0.716 در سال 2024

شناسه ISSN مجله

0920-8542

کد محصول

12762

بیس

نیست ☓

پرسشنامه

ندارد ☓

رفرنس در ترجمه

در داخل متن و انتهای مقاله درج شده است

ضمیمه

ندارد ☓

فرضیه

ندارد ☓

متغیر

ندارد ☓

مدل مفهومی

ندارد ☓

وضعیت ترجمه متون داخل تصاویر

ترجمه نشده است ☓

وضعیت ترجمه متون داخل تصاویر و جداول

ترجمه شده است ✓

وضعیت ترجمه منابع داخل متن

به صورت عدد درج شده است ✓

وضعیت فرمولها و محاسبات در فایل ترجمه

به صورت عکس، درج شده است ✓

doi یا شناسه دیجیتال

https://doi.org/10.1007/s11227-014-1225-7

رشته و گرایش های مرتبط با این مقاله

مهندسی کامپیوتر - مهندسی نرم افزار - هوش مصنوعی - مهندسی الگوریتم ها و محاسبات - رایانش ابری

کلمات کلیدی

K میانگین - MapReduce - نمونه برداری. عملکرد

کلمات کلیدی انگلیسی

K-means - MapReduce - Sampling - Performance

مجله

The Journal of Supercomputing

۰.۰ (هنوز امتیازی ثبت نشده است)

چکیده
1- مقدمه
2- کار مرتبط
3- بهره برداری از Kمیانگین با استفاده از MapReduce
4- آزمایشات و نتایج
5- نتیجه گیری
منابع

چکیده

تحلیل خوشه بندی یکی از رایج ترین الگوریتم های پردازش داده استفاده شده می باشد. بیش از نیم قرن، K میانگین به دلیل سادگی رایج ترین الگوریتم خوشه بندی باقی مانده است. اخیرا، با افزایش حجم داده ها، برخی محققان به MapReduce برای دستیابی به عملکرد بالا گرایش پیدا کرده اند. اما، MapReduce برای الگوریتم های تکراری مربوط به زمان های تکراری بازشروع کارها، خوانش داده های بزرگ و برهم زدن آن ها مناسب نیست. در این مقاله، ما مشکلات پردازش داده های مقیاس بزرگ را با استفاده از الگوریتم خوشه بندی K میانگین حل می کنیم و یک مدل پردازش جدید را در MapReduce برای حذف وابستگی تکراری و به دست آوردن عملکرد بالا ارائه می کنیم. ما ایده های خودمان را تحلیل و پیاده سازی می کنیم. آزمایشات گسترده در خوشه ما نشان می دهند که روش های پیشنهادی ما موثر، پویا و مقیاس پذیر هستند.

بهره برداری از K میانگین با استفاده از MapReduce

مسائل تحقیقاتی اصلی برای خوشه بندی داده های بزرگ با MapReduce عبارتند از: (a) چگونه کمینه کردن هزینه I/O؛ (b) چگونه کمینه کردن هزینه شبکه میان گره های پردازشی. در این بخش، ما پیاده سازی بهینه-سازی Kمیانگین خودمان را با استفاده از MapReduce ارائه می کنیم، که می تواند هزینه I/O و هزینه شبکه را کاهش دهد.

آزمایشات و نتایج

به منظور ارزیابی عملکرد الگوریتم خودمان در عمل، ما ستاپ تجربی را برای ارزیابی ارائه می کنیم. ما خوشه ای از 16 ماشین PC سرور را راه اندازی می کنیم، هر کدام از آن ها یک CPU 2 گیگاهرتز AMD دو هسته ای، یک هارد درایو 73 گیگابایتی، کنترلر اینترنت Mbps اینتر 82551 10/100، حافظه 2 گیگابایتی و سرور OS اوبونتو 10.10 دارند. تمام گره ها به یک سوییچ اینترنت 100 Mbps متصل می شوند. ما از یک هادوپ کلودرا 0.20.2 استفاده کرده و کدهای منبع تحت JDK 1.6.0-24 در ECLIPSE 3.6.2را کامپایل می کنیم. یک پشت برنامه TaskTracker و DataNode در هر برده اجرا می شوند. یک NameNode و JobTracker در ارباب اجرا می شوند.

قیمت خرید این محصول

۱۲۰,۰۰۰ تومان