تعداد نشریات | 39 |
تعداد شمارهها | 1,115 |
تعداد مقالات | 8,121 |
تعداد مشاهده مقاله | 6,011,638 |
تعداد دریافت فایل اصل مقاله | 3,274,118 |
ارائه یک روش مبتنی بر هستان شناسی برای کاوش قواعد هم آیی در محیط های توزیعشده چندعاملی | ||
پدافند الکترونیکی و سایبری | ||
مقاله 1، دوره 9، شماره 1 - شماره پیاپی 33، اردیبهشت 1400، صفحه 1-17 اصل مقاله (1.68 M) | ||
نوع مقاله: مقاله پژوهشی | ||
نویسندگان | ||
حسین صابری* 1؛ محمدرضا کنگاوری2؛ محمد رضا حسنی آهنگر1 | ||
1دانشگاه جامع امام حسین(ع) | ||
2دانشیار دانشگاه علم و صنعت ایران | ||
تاریخ دریافت: 28 بهمن 1398، تاریخ بازنگری: 15 خرداد 1399، تاریخ پذیرش: 15 مرداد 1399 | ||
چکیده | ||
کاوش قواعد همآیی توزیعشده یکی از روشهای مهم دادهکاوی است که وابستگی بین اقلام دادهای را از منابع دادهای غیرمتمرکز، بدون توجه به مکان فیزیکی آنها و بر مبنای فرآیند استخراج اقلام مکرر استخراج میکند. هنگامیکه الگوریتمهای کاوش روی دادههای بزرگمقیاس اجرا میشوند، مقدار زیادی اقلام مکرر تولید میگردد که بسیاری از آنها غیرمرتبط، مبهم و غیرقابل استفاده برای کسب و کار است و سبب بروز چالشی به نام " انفجار ترکیبی" خواهد شد. در این مقاله یک روش ائتلافی جدید مبتنی بر دادهکاوی توزیع شده و هستانشناسی دامنه که بهاختصار DARMASO نامیده میشود برای برخورد با این چالش پیشنهاد شده است. این روش از سه الگوریتم به نام ARMASOMAIN جهت هدایت و کنترل فرآیند کاوش و تجمیع قواعد همآیی، DARMASOPRU برای کاهش و هرس دادهها و الگوریتم DARMASOINT برای کاوش و تجمیع قواعد همآیی تولیدشده از منابع دادهای توزیعشده استفاده میکند. DARMASO از یک الگوی محاسباتی توزیعشده مبتنی بر چارچوب نگاشت-کاهش در محیط توزیعشده چندعاملی استفاده میکند. همچنین یک روش عملی را برای کاوش معنایی از مجموعه دادههای بزرگمقیاس فراهم میکند. این روش، قواعد همآیی را مبتنی بر اهداف دادهکاوی و نیاز کاربر فیلتر کرده و فقط قواعد مفید را تولید و نگهداری میکند.کاهش فضای کاوش و فیلترسازی قواعد، با فرآیند هرس معنایی در قالب حذف نامزدهای نامناسب از مجموعه اقلام مکرر و تولید قواعد همآیی سودمند حاصل میشود. پیادهسازی با استفاده از یک مجموعه دادهای از دامنه حوادث طبیعی و کلاس زمینلرزه انجام شده است. نتایج ارزیابی با استفاده از معیارهای کمی و کیفی نشان میدهد، الگوریتمهای ارائهشده در DARMASO ، فضای کاوش را به میزان قابل توجهی کاهش میدهد. همچنین سرعت و کیفیتِ استخراج قواعد را بهبود بخشیده و قواعدِ کاربردی، مطمئن، منطقی، با کیفیت و ارزشمندی را برای پشتیبانی از تصمیمگیری از میان انبوه دادهها تولید میکند. | ||
کلیدواژهها | ||
قواعد هم آیی؛ هستانشناسی؛ سامانههای چندعاملی؛ نگاشت کاهش | ||
مراجع | ||
[1] D. Patel and J. Shah, “Jade Agent Framework for Distributed Data Mining and Pattern Analysis,” International Journal of Computer Applications, vol. 975, p. 8887, 2017.## [2] H. M. Safhi, B. Frikh, and B. Ouhbi, “Assessing reliability of Big Data Knowledge Discovery process,” Procedia computer science, vol. 148, pp. 30-36, 2019.## [3] R. M. Gahar, O. Arfaoui, M. S. Hidri, and N. B. Hadj-Alouane, “An Ontology-driven MapReduce Framework for Association Rules Mining in Massive Data,” Procedia Computer Science, vol. 126, pp. 224-233, 2018.## [4] B. Eine, M. Jurisch, and W. Quint, “Ontology-based big data management,” Systems, vol. 5, no. 3, p. 45, 2017.## [5] P. V. Bhagat, P. M. J. I. J. O. R. Gourshettiwar, I. T. i. Computing, and Communication, “A survey paper on ontology-based approaches for semantic data mining,” vol. 3, no. 4, pp. 2137-2141, 2015.## [6] M. R. Chikhale, “Study of Distributed Data Mining Algorithm and Trends,” IOSR Journal of Computer Engineering (IOSR-JCE), pp. 41-47, 2016.## [7] D. Dou, H. Wang, and H. Liu, “Semantic data mining: A survey of ontology-based approaches,” In Proceedings of the 2015 IEEE 9th international conference on semantic computing (IEEE ICSC 2015), IEEE, pp. 244-251, 2015.## [8] V. S. Ms and K. J. P. C. S. Shah, “Performance evaluation of distributed association rule mining algorithms,” vol. 79, pp. 127-134, 2016.## [9] R. Agrawal, T. Imieliński, and A. Swami, “Mining association rules between sets of items in large databases,” In Proceedings of the 1993 ACM SIGMOD international conference on Management of data, 1993, pp. 207-216.## [10] Z. Farzanyar, “Development of Algorithms for Detecting Frequent Items Set to Large-Scale Peer-to-Peer Environments with Flow Data Attitudes,” Iran University of Science and Technology, 1391. (In Persian)## [11] D. Apiletti, E. Baralis, T. Cerquitelli, P. Garza, F. Pulvirenti, and L. Venturini, “Frequent itemsets mining for big data: a comparative analysis,” Big data research, vol. 9, pp. 67-83, 2017.## [12] D. Xia, X. Lu, H. Li, W. Wang, Y. Li, and Z. Zhang, “A MapReduce-based parallel frequent pattern growth algorithm for spatiotemporal association analysis of mobile trajectory big data,” Complexity, 2018.## [13] D. C. Anastasiu, J. Iverson, S. Smith, and G. Karypis, “Big data frequent pattern mining,” In Frequent pattern mining: Springer, pp. 225-259, 2014.## [14] A. G. Touzi, H. B. Massoud, and A. Ayadi, “Automatic ontology generation for data mining using fca and clustering,” arXiv preprint arXiv:1311.1764, 2013.## [15] D. A. Koutsomitropoulos and A. K. Kalou, “A standards-based ontology and support for Big Data Analytics in the insurance industry,” ICT Express, vol. 3, no. 2, pp. 57-61, 2017.## [16] A. Soylu et al., “Ontology-based Visual Querying with OptiqueVQS: Statoil and Siemens Cases,” 2016.## [17] S. Urmela and M. Nandhini, “Approaches and Techniques of Distributed Data Mining: A Comprehensive Study,” International Journal of Engineering and Technology (IJET), 2017.## [18] S. Patil, S. Karnik, and V. Sawant, “A Review on Multi-Agent Data Mining Systems,” International Journal of Computer Science and Information Technologies, vol. 6, no. 6, pp. 4888-4893, 2015.## [19] F. Jiang, “Efficient frequent pattern mining from big data and its applications,” Ph.D. Thesis, Department of Computer ScienceThe University of Manitoba Winnipeg, Manitoba, Canada, 2014.## [20] Y. Lin, P.-C. Huang, D. Liu, and L. Liang, “Scalable frequent-pattern mining on nonvolatile memories,” In 2017 22nd Asia and South Pacific Design Automation Conference (ASP-DAC), IEEE, pp. 578-583, 2017.## [21] Bhamra, Gurpreet S Verma, Anil K Patel, Ram B, “Agent Based Frameworks for Distributed Association Rule Mining: An Analysis,” International Journal in Foundations of Computer Science & Technology (IJFCST), 2015.## [22] H. Saberi, M. R. Kangavari, and M. R. H. Ahangar, “Provide an agent-oriented architecture for semantic exploration of large-scale data in distributed environments,” Scientific-Research Journal of Electronic and Cyber Defense, 1398. [Online]. Available: https://ecdj.ihu.ac.ir, In Persian.## [23] H. M. Basir, H. Saberi, and M. A. Javadzadeh, “Provide a method for selecting data based on the ontology of the organization's goals,” presented at the Fifth National Conference on Defense Science and Engineering, Tehran, 1398. (In Persian)## [24] A. H. Yazdi, “Extract association rules from semantic data streams,” Computer Engineering, Ferdowsi University of Mashhad, 1392. [Online]. Available: http://www.um.ac.ir, In Persian##
| ||
آمار تعداد مشاهده مقاله: 384 تعداد دریافت فایل اصل مقاله: 284 |