(39 امتیاز از 8 رای)
Loading...
ترجمه مقاله طبقه بندی و ارزیابی عملکرد شاخص گذاری داده های بزرگ
ترجمه مقاله A survey on indexing techniques for big data: taxonomy and performance evaluation
در این پست ترجمه مقاله طبقه بندی و ارزیابی عملکرد شاخص گذاری داده های بزرگ مطالبی را آماده کردیم که در زیر به طور مختصر راجب آن بحث خواهیم کرد. بقیه جزئیات را هم می توانید در ادامه ملاحضه نمایید.
چکیده مقاله
می توان گفت که امروزه سرعت رشد، حجم، و داده های ایجاد شده به وسیله برنامه های کاربردی ابری و دستگاه های همراه در افزایش “داده های حجیم” نقش بسزایی دارد. راه کارهای موجود برای ذخیره کردن داده ها و مدیریت آنها نمی تواند نیاز چنین داده ی غیر مشابهی که مقدار داده ها به طور متوالی در حال رشد هستند را برآورد کند.
با توجه به سرعت در حال افزایش اندازه شاخص ها و زمان جستجو، راه کارهای موجود برای بازیابی و مدیریت داده ها بلا استفاده می شود در نتیجه یک مدل شاخص گذاری بهینه برای داده های بزرگ مورد نیاز است. با نگاه به برنامه های کاربردی نتیجه می گیریم که موضوع ایندکس گذاری با داده های بزرگ در محاسبه ی ابری در مسئله پزشکی، آزمایشات علمی و شبکه های اجتماعی و سازمانی به طور پیشرفته مطرح می شود.
برای فراهم ساختن نیازهای ایندکس گذاری تاکنون، از روش های هوش مصنوعی، یادگیری ماشینی و محاسبات متعدد، استفاده شده است، با این حال روش های ایندکس گذاری وارد محاسبات ابری شده اند، در مقالات، مطالعه جدیدی در مورد کارکرد و نتیجه روش های حل مسئله شاخص گذاری برای داده های بزرگ وجود ندارد. آزمایش و بررسی روش های شاخص گذاری برای داده های بزرگ یکی از مهمترین هدف ها در این مقاله است.
در این پژوهش طبقه بندی و ارزیابی عملکرد شاخص گذاری ارتقا یافته است تا به محققین در درک و انتخاب یک راه حل اساسی به منظور طراحی یک روش شاخص گذاری که فضای مصرفی و کاهش زمان کمی را برای BD-MCC ایجاد می کند، کمک کند. دسته بندی روش های شاخص گذاری بر پایه متد از مهمترین نقش های این پژوهش می باشد.
توضیحات بیشتر در مورد ترجمه مقاله طبقه بندی و ارزیابی عملکرد شاخص گذاری داده های بزرگ و دانلود رایگان مقاله اصلی لطفا به ادامه مطلب مراجعه نمایید.
مقدمه
همانطور که تکنولوژی اطلاعات روش زندگی ما را تغییر می دهد، مجموعه اطلاعات دیجیتالی، داده های ساختار یافته و غیر ساختار یافته، که به عنوان داده های بزرگ شناخته می شوند به سرعت در حال رشد و توسعه هستند. به طور قطع داده های بزرگ پدیده هایی هستند که مستقیما در کیفیت زندگی ما تاثیر گذاشتند. برنامه های کاربردی داده های بزرگ می توانند در سیستم های کامپیوتری ابری سیار مانند انواع تراکنش های خرید، شبکه های اجتماعی، علوم الکترونیکی، و سیستم های پزشکی به شدت مورد استفاده قرار بگیرند.
چکیده انگلیسی
The explosive growth in volume, velocity, and diversity of data produced by mobile devices and cloud applications has contributed to the abundance of data or ‘big data.’Available solutions for efficient data storage and management cannot fulfill the needs of such heterogeneous data where the amount of data is continuously increasing.
For efficient retrieval and management, existing indexing solutions become inefficient withtherapidlygrowing index size and seek time and an optimized index scheme is required for big data Regarding real-world applications, the indexing issue with big data in cloud computing is widespread in.healthcare, enterprises, scientific experiments, and social networks.
To date, diverse soft computing machine learning, and other techniques in terms of artificial intelligence have been utilized to satisfy the indexing requirements, yet in the literature, there is no reported stateof the-art survey investigating the performance and consequences of techniques for solving indexing in big data issues as they enter cloud computing. The objective of this paper is to investigate and examine the existing indexing techniques for big data.
Taxonomy of indexing techniques is developed to provide insight to enable researchers understand and select a technique as a basis to design an indexing mechanism with reduced time and space consumption for BD-MCC. In this study, 48 indexing techniques have been studied and compared based on 60 articles related to the topic.
The indexing techniques’ performance is analyzed based on their characteristics and big data indexing requirements. The main contribution of this. study is taxonomy of categorized indexing techniques based on their method. The categories are non-artificial intelligence, artificial intelligence, and collaborative artificial intelligence indexing methods.
In addition, the significance of different procedures and performance is analyzed, besides limitations of each technique. In conclusion, several key future research topics with potential to accelerate the progress and deployment of artificial intelligence-based cooperative indexing in BD-MCC are elaborated on.
منبع : springer.com
شبیه سازی شبکه های کامپیوتری و مخابراتی
مشاهده ویدئو در این باره