دانلود مقاله و خرید ترجمه:متد های موازی جدید برای کاوش قواعد انجمنی در سیستم های حافظه مشترک چند هسته ای
بلافاصله پس از پرداخت دانلود کنید

کارابرن عزیز، مقالات سایت ( همگی جزو مقالات isi می باشند) بالاترین کیفیت ترجمه را دارند، ترجمه آنها کامل و دقیق می باشد (حتی محتوای جداول و شکل های نیز ترجمه شده اند) و از بهترین مجلات isi مانند IEEE، Sciencedirect، Springer، Emerald و ... انتخاب گردیده اند.

آگهی چاپ مقاله isi
ورود اعضا
توجه توجه توجه !!!!
نرم افزار winrar
پیشنهادات ویژه
پیوندهای کاربردی
پیوندهای مرتبط
مقالات ترجمه شده داده کاوی
  • متد های موازی جدید برای کاوش قواعد انجمنی در سیستم های حافظه مشترک چند هسته ای

    سال انتشار:

    2014


    ترجمه فارسی عنوان مقاله:

    متد های موازی جدید برای کاوش قواعد انجمنی در سیستم های حافظه مشترک چند هسته ای


    عنوان انگلیسی مقاله:

    Novel parallel method for association rule mining on multi-core shared memory systems


    منبع:

    Sciencedirect - Elsevier - Parallel Computing 40 (2014) 768–785


    چکیده انگلیسی:

    Association rule mining (ARM) is an important task in data mining with many practical applications. Current methods for association rule mining have shown unstable performance for different database types and under-utilize the benefits of multi-core shared memory machines. In this paper, we address these issues by presenting a novel parallel method for finding frequent patterns, the most computational intensive phase of ARM. Our proposed method, named ShaFEM, combines two mining strategies and applies the most appropriate one to each data subset of the database to efficiently adapt to the data characteristics and run fast on both sparse and dense databases. In addition, our newlock-free design minimizes the synchronization needs and maximizes the data independence to enhance the scalability. The new structure lends itself well to dynamic job scheduling resulting in a well-balanced load on the new multi-core shared memory architectures. We have evaluated ShaFEM on 12-core multi-socket servers and found that our method run up to 5.8 times faster and consumes memory up to 7.1 times less than the state-of-the-art parallel method. For some test cases, ShaFEM can save up to 4.9 days of execution time over the compared method.
    Keywords: Frequent pattern mining | Multi-core | Shared memory | Association rule mining | Parallel algorithm | Databases


    چکیده فارسی:

    کاوش قواعد انجمنی یا ARM در داده کاوی با برنامه های عملی یک امر مهم محسوب میشود. متد های فعلی برای کاوش قواعد انجمنی بری انواع پایگاه داده های مختلف عملکرد های ناپایدار و عدم استفاده بهینه از مزایا ی ماشین های حافظه مشترک چند هسته ای را نشان داه است .در این مقاله ما بوسیله ارایه یک مدل جدید موازی در جهت پیدا کردن الگو های مکرر -محاسباتی ترین فاز ARM را مورد بررسی قرار می دهیم .متد ارایه شده ما به اصطلاح SHaFEMدو استراتژی کاوش را ترکیب کرده و مناسبت ترین آن را به هر یک از زیر مجموعه داده های پایگاه داده در خصوص سازگاری کارآمد مشخصه های داده و اجرای سریع در هر دو پایگاه داده های متراکم و پراکنده اعمال میکند .در ضمن طراحی بدون قفل ما نیاز به همگام سازی را به حداقل رسانده و به منظور افرایش مقیاس پذیری استقلال داده ها را حداکثر می رساند .ساختار جدید به خوبی خود را با زمان بندی شغالی داینامیکی پیوند میدهد که نتیجه بارگذاری متعادل روی معماری حافظه های مشترک چند هسته ای می باشد. ما متد SHaFEM را روی سرور های چند سوکتی ۱۲ هسته ای ارزیابی کرده ایم و دست یافتیم که متد ما ۵ برابرا سریع تر اجرا شده و ۷ برابر کمتر از تکنولوزی های جدید متد موازی حافظه را مصرف میکند .برای برخی از موارد آزمون در مقایسه با متد های ذکر شده متد SHaFEM می تواند 4.9 دهم از زمان اجرا را صرفه جویی کند .
    کلمات کلیدی: کاوش الگوی مکرر | چند هسته ای | حافظه مشترک | کاوش قوانین انجمنی | الگوریتم موازی | پایگاه های داده


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 18
    تعداد صفحات فایل doc فارسی: 47

    حجم فایل: 2500 کیلوبایت


    قیمت: 50000 تومان  45000 تومان(10% تخفیف)


    توضیحات اضافی:

    این مقاله یکی از بهترین مقالات در زمینه داده کاوی، سیستم های خبره، پردازش موازی و پایگاه داده می باشد که به تنهایی می تواند یک منبع اصلی جهت مقاله یا پایان نامه مورد استفاده قرار بگیرد.




تعداد نظرات : 0

الزامی
الزامی
الزامی
داده-کاوی
موضوعات