ارائه یک معماری عامل گرا برای کاوش معنایی از داده های بزرگ مقیاس در محیط توزیع شده

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشگاه جامع امام حسین(ع)

2 انگلستان

3 -

چکیده

مفهوم تجزیه‌وتحلیل داده‌های بزرگ به طور مداوم در حال رشد است و سازمان‌ها باید داده‌های بزرگ‌مقیاس ناشی از کسب و کار خود را به سرعت تجزیه و تحلیل کنند. تجزیه و تحلیل داده‌های بزرگ مقیاس، اصطلاح گسترده‌ای است که مجموعه‌ای از توابع، الگوریتم‌ها،ابزارها، فناوری‌ها، تکنیک‌ها و فرآیندهای تخصصی پردازش داده‌های بزرگ را شامل می‌شود. تجزیه‌وتحلیل داده‌ها باید برای سازمان‌ها یا کاربران نهایی معنادارتر و قادر به کاهش و تفسیر پیچیدگی داده‌ و فرآیندهای کسب و کار برای تصمیم‌گیری باشد. داده-های بزرگ مقیاس، متشکل از داده‌های حجیم، توزیع شده، پراکنده، ناهمگون و ترکیبی از داده‌های نامتجانس، بی ربط، گمراه کننده، واقعی و غیر واقعی است. لذا ایجاد ارزش و بهره‌وری از حجم عظیم داده‌ها به دلیل پر هزینه بودن، چالشی مهم و باز محسوب می شود. داده‌های بزرگ‌مقیاس حقایق را تعریف و داده‌های ضخیم، تشریح داده‌های بزرگ مقیاس و معنا و ادراکی که در فرآیند تصمیم‌گیری موردنیاز است را فراهم می‌کند. کاوش‌ معنایی با حمایت هستان‌شناسی می‌تواند فضاهای بزرگ کاوش را کوچک‌تر و با سامانه‌های چندعاملی سرعت و کیفیت عملیات داده‌کاوی را بهبود بخشیده و نتایج با کیفیت و ارزشمندی را برای پشتیبانی از تصمیم‌ گیری از میان انبوه داده‌ها تولید نماید. هدف این پژوهش نیز، ارائه یک معماری ائتلافی جدید با هدف کاوش‌ معنایی از داده‌های بزرگ مقیاس با پشتیبانی هستان‌شناسی و فناوری عامل‌گرا برای تولید داده‌های ضخیم است. معماری پیشنهادی که به اختصار ASMLDE نامیده می شود، از چهار لایه، هفت مؤلّفه و شش عامل اصلی تشکیل شده و فعالیت‌های مختلفی را با هدف توسعه و بهبود عملیات داده‌کاوی، کاوش معنایی و تولید قواعد با کیفیت ارائه می دهد. ارزیابی‌های اولیه انجام شده بر اساس چارچوب و معیارهای ارزیابی متدلوژی‌های عامل‌گرا، اثربخشی و قابلیت‌های بیشتر معماری ASMLDE را نسبت به سایر چارچوب‌ها و معماری‌ها مشابه نشان می دهد.

کلیدواژه‌ها



مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از تاریخ 29 بهمن 1398
  • تاریخ دریافت: 31 شهریور 1398
  • تاریخ بازنگری: 21 دی 1398
  • تاریخ پذیرش: 29 بهمن 1398