طراحی یک شبکه حسگر بی سیم (WSN) ایمن و طولانی مدت جهت جمع آوری داده ها

Designing A Secure and Long-Lived WSN for Data Collection

چکیده

1- مقدمه

2- تحقیقات مرتبط

3- رویکرد پیشنهادی

4- نتایج شبیه سازی

5- نتیجه گیری

منابع

چکیده

کمینه سازی انرژی یکی از وظایف مهم در WSN است که از طریق فرایند خوشه بندی انجام میشود. خوشه بندی در WSN روشی کارآمد برای افزایش طول عمر شبکه است. در کار پیشنهادی فعلی، تمرکز اصلی بر طول عمر شبکه است که برای کاهش شکستهای گره و افزایش تحویل بسته های داده ضرورت دارد. در این مقاله، ساختاربندی سلسله مراتبی با استفاده از رویکرد خوشه بندی بر مبنای فرایند کارآمد تراکم داده انجام میشود. فرایند تراکم داده در دو فاز تعریف میشود. فاز اول، آرایش گرهها در خوشه را با استفاده از توزیع یکنواخت؛ و فاز دوم، انتخاب سرخوشه و تراکم داده را با کمک برنامه ریزی خطی تعریف میکند. هدف اصلی، کمینه سازی مصرف انرژی و افزایش اعتبار و استحکام شبکه حسگر می‌ باشد. در نهایت، عملکرد شبکه بر اساس مصرف پایین انرژی، تحویل بالای بسته های داده، و ازدحام پایین در WSN ارزیابی خواهد شد.

2- تحقیقات مرتبط
2-1 طول عمر شبکه مبتنی بر خوشه بندی
در مطالعاتی که تاکنون انجام شده اند، چندین رویکرد خوشه بندی آگاه به طول عمر شبکه پیشنهاد شده اند. سلسله مراتب خوشه بندی تطبیقی کم انرژی (LEACH) یکی از رویکردهای اصلی خوشه بندی در WSN است [5]. شبکه حسگر در LEACH، برخی گرهها را به چند خوشه تقسیم میکند و سرخوشه بر مبنای یک آستانه احتمال از پیش تعیین شده انتخاب میشود. سایر گرهها به نزدیکترین سرخوشه متصل میشوند تا خوشه ها را ایجاد کنند. که این امر، ارتباط مستقیم با ایستگاه مبداء را کاهش میدهد. در این پروتکل، سریعترین تحویل، ضمانت میشود اما موجب مصرف انرژی بیشتری در انتقال داده می‌گردد. رفرنس [6] روشهای خوشه بندی جدیدی مثل خوشه بندی مبتنی بر فاصله، چگالی و انرژی (DDEC) پیشنهاد میکند. DDEC برای بهبود عملکرد شبکه استفاده میشود و در انرژی، فاصله و چگالی باقیمانده دسته بندی میگردد، و شبکه را به خوشه هایی با همان تعداد عضو تقسیم میکند تا به موازنه بار دست یابد. نویسنده در می یابد که عملکرد DDEC از نظر گره زنده و مصرف انرژی، بهتر از عملکرد DDCHS است‌. رفرنس [7] خوشه بندی داده ها در یک شبکه حسگر بی سیم را که بر روی یک شبکه عصبی نقشه ویژگی خود ساماندهنده (SOFM) پیاده سازی شده اند شرح می‌دهد. WSN یکی از شبکه های ارتباطی نویدبخش برای ارزیابی و پایش محیط است. در این نوع شبکه، ارتباط از طریق سیگنالهای رادیویی برقرار میشود. از اینرو گره حسگر از ظرفیت ذخیره سازی، حس کردن و پردازش داده ها برخوردار است.

مطالعات مختلفی در ارتباط با طول عمر شبکه بر مبنای تراکم داده انجام شده اند. رفرنس [8] مسیریابی تراکم سازگار را با هدف کاهش تاخیر برای شبکه های حسگر بی سیم چندلایه بررسی کرده است. این مطالعه دریافته است که تراکم داده روشی بسیار کارآمد بویژه در کاهش حجم داده های منتقل شده و افزایش طول عمر شبکه است. این مطالعه بطور ویژه نشان داده است که وقتی طول زمان انتظار، بزرگتر یا معادل با تراکم از پیش تعیین شده می‌باشد داده های بیشتری، اما به هزینه افزایش تاخیر، بازارسال میشوند. بنابراین هدف از شماهای AAR در مطالعه[8] ، ارسال داده ها به گرههایی با صفوف طولانی داده است به منظور تضمین اینکه صفوف طولانی از مقدار کوچکی از داده ها برخوردارند بنحوی که تراکم داده قابل اجراست و از اینرو تاخیر کاهش می یابد. همه پروتکل های تراکم ذکرشده در فوق به دستیابی به این اهداف کمک میکنند زیرا آنها با بکارگیری موثر پارامترهای مرجع در دسترس، بر مفهوم ارسال داده موفق اثر می‌ گذارند. مطالعات سابق نشان داده اند که همکاری، هماهنگی و مدیریت گرههای حسگر برای حل و فصل مساله ناکارآمدی انرژی که طول عمر شبکه را کاهش میدهد ضرورت دارند [9].

2-2 تراکم داده مبتنی بر طول عمر شبکه
مطالعات گوناگون به نتایجی درباره تراکم داده بر مبنای طول عمر شبکه دست یافته اند. یکی از این مطالعات در رفرنس [10] درباره مکانیسمهای تراکم داده در IOT، مروری نظام مند بر مطالعات پیشین انجام داده و توصیه هایی به محققان آینده ارائه نموده است. این مطالعه دریافته است که تراکم داده، یکی از موثرترین روشهای بکار رفته برای کاهش تعداد ارسال داده بین اشیاء است. این مطالعه همچنین دریافته است که ممکن است کاهش افزونگی داده در افزایش طول عمر شبکه و کاهش مصرف انرژی نقش داشته باشد. مطالعه [10] تحلیل نظام مندی از IOT در مکانیسمهای تراکم داده ارائه داده و دریافته است که سه مکانیسم اصلی وجود دارد: مکانیسم مبتنی بر خوشه بندی، مکانیسم مبتنی بر درخت، مکانیسم متمرکز. همچنین یک مقایسه مشروح از تکنیکهای برجسته نشان داده است که مکانیسم تراکم داده بکار رفته در IOT، برای بازدهی و کاهش افزونگی داده ها ضروری است. شبکه های حسگر اکنون با اصلاح نمایشهای چند رسانه ای، بعلت مشخصات ارزشمند و تنوع کاربردشان، استاندارد هستند. هنوز شبکه های حسگر حاوی گرههای بسیار کوچکی بوده و به باتریها وابسته هستند و همچنین توالی گرهها قابل توسعه نیست. بنابراین تحقیقاتی مفید با استفاده از روشهای کنترل تراکم داده بزرگ انجام میشوند که از الگوریتم بهینه سازی کلونی مورچگان و الگوریتم PSO برای انجام محاسبات نرم جهت افزایش طول عمر شبکه استفاده میکنند [11]. گرهها در شبکه های حسگر برای گردآوری اطلاعات به کمک رسانه بی سیم بکار میروند. اطلاعات تولید شده با کمک گرههای همسایه، بسیار زائد و تکراری هستند و موجب بار ترافیکی، تاخیر و ازدحام بزرگی میشوند که انرژی زیادی مصرف کرده و عمر شبکه را کاهش میدهد. بنابراین کارهای زیادی بر روی منابع داده گوناگون و روش صرفه‌جویی در انرژی با دوره نفهتگی کوچک بر اساس دریافت و ارسال داده انجام میشوند [12]. از آنجا که میزان تقاضای IOT بسیار بالاست بنابراین جمع آوری داده، رویه مهمی برای کاهش هدررفت انرژی گرههای شبکه جهت افزایش طول عمر شبکه است. بنابراین خوشه بندی داده ها و شناسایی کنشهای ناهنجار، که یک روش تراکم داده است که از رویکردهای گوناگون خوشه بندی مثل C-میانگین فازی استفاده میکند، نیز در بازار موجود است تا افزونگی‌ شبکه های حسگر بی سیم را کاهش دهد [13].

کافی بودن داده های کم برای تشخیص داده های پرت بر اساس فاصله

Little data is often enough for distance-based outlier detection

چکیده

1 مقدمه

2 روش شناسی

3 نتایج

4 نتیجه گیری

منابع

چکیده

     تعداد زیادی از مطالعات موردی از آموزش سریع و دفعات پیش بینی سود می برند، و بیشتر تحقیقات به بررسی تسریع روش های تشخیص داده های پرت مبتنی بر فاصله برای میلیون ها نقطه داده می پردازند. یافته های ما برخلاف عقیده عموم نشان می دهند که داده های اندک اغلب برای مدلهای تشخیص داده های پرت مبتنی بر فاصله کافی هستند. ما نشان می دهیم که از بخش کوچکی از داده ها برای آموزش مدلهای تشخیص داده های پرت مبتنی بر فاصله استفاده می شود که اغلب منجر به کاهش غیرمعنی داری در عملکرد پیش بینانه و واریانس تشخیص در محدوده گسترده ای از مجموعه داده های جدولی می شود. علاوه بر این، ما کاهش داده را براساس زیرنمونه گیری تصادفی و نمونه های اولیه مبتنی بر خوشه بندی مقایسه می کنیم و نشان می دهیم که هر دو رویکرد منجر به نتایج تشخیص داده های پرت مشابهی می شوند. بنابراین، زیرنمونه گیری تصادفی ساده ثابت می کند که یک معیار مفید و مبنایی برای تحقیقات آینده در تسریع تشخیص داده های پرت مبتنی بر فاصله است.

روش شناسی
     هدف ما بررسی نحوه تاثیرگذاری الگوریتم های تشخیص داده های پرت مبتنی بر فاصله بر کاهش داده های آموزشی یا از طریق زیرنمونه گیری تصادفی یا از طریق نمونه های اولیه مبتنی بر خوشه بندی است. به ویژه، بررسی ما با سه سوال تحقیقاتی (RQ) زیر مرتبط می شود.
RQ1: چگونه زیرنمونه گیری داده های تصادفی بر عملکرد تشخیص داده های پرت مبتنی بر فاصله تاثیر می گذارند؟
RQ2: چگونه زیرنمونه گیری داده های مبتنی بر نمونه اولیه بر عملکرد تشخیص داده های پرت مبتنی بر فاصله تاثیر می گذارند؟
RQ3: آیا زیرنمونه گیری مبتنی بر نمونه اولیه منجر به نتایج تشخیص داده های پرت بهتر نسبت به زیرنمونه گیری تصادفی می شود؟
ما در بخش های زیر مجموعه داده های مختلف مورد استفاده برای ارزیابی (2.1)، زیرنمونه گیری تصادفی خودمان و روش شناسی نمونه اولیه (2.2)، الگوریتم های مورد استفاده در تحقیق خودمان (2.3)، و روش ارزیابی مورد استفاده برای پاسخ به سوالات تحقیقاتی مطرح شده را توصیف می کنیم (2.4).

مجموعه داده ها
     مجموعه داده های مورد استفاده در تحقیق ما اغلب از بررسی کامپوس و همکاران در ارزیابی تشخیص داده های پرت بدون نظارت نشات می گیرند و شامل محدوده ای از مجموعه داده های جدولی هستند. این مجموعه ها قبلا در ادبیات تحقیق آشکار شدند یا در اصل با هدف طبقه بندی آشکار شدند، که یک یا چند کلاس تفسیر مفهومی به صورت داده های پرت دارند. تمام مجموعه داده های معنی دار مفهومی به شکاف های داده های پرت مختلف نمونه گذاری می شوند. شکافهای نمونه گیری داده های پرت {0.02,0.05,0.1,0.2} هستند. برای کاهش اثر تصادفی سازی هنگام کاهش میزان نمونه ها، این روش ده مرتبه برای هر مجموعه داده تکرار می شود که منجر به 10 متغیر مختلف برای این مجموعه داده ها می شود. چهار مجموعه داده ارائه شده در [8] شامل کمتر از 200 نمونه هستند که ما آن را از ارزیابی خودمان حذف می کنیم.
پیش پردازش شامل حذف تکرارها، تبدیل ویژگی های طبقه بندی شده و عادی سازی ویژگی خطی با محدوده [0,1] است. اطلاعات دقیق درباره مجموعه داده های فردی و پیش پردازش مربوطه را می توان در [8] یافت. علاوه بر این، ما نتایج خودمان را بر روی دوازده مجموعه داده اختصاصی متشکل از داده های حسگر تولید با ابعاد بالا ارزیابی می کنیم. در مجموع، 31 مجموعه داده در نظر گرفته می شود، و بررسی تمام مجموعه داده ها و خصوصیات آنها را می توان در جدول 1 پیدا کرد.

مقاله مروری: مطالعات تطبیقی تکنیک های یادگیری ماشین و کاربردهای اخیر آن

Survey Paper: Comparative Study of Machine Learning Techniques and its Recent Applications

چکیده

1. مقدمه

II. پیشینه

III. الگوریتم k-نزدیک ترین همسایگی ها

IV. نتیجه گیری

منابع

چکیده

     محوریت بنیادین تکامل بشریت، همواره جستجوی روش های تغییر طبیعت در راستای پاسخگویی به نیازهایمان بوده است. نقطۀ عطف اساسی در این زمینه، اختراع ماشینی تحت عنوان کامپیوتر است که قادر است وظیفه ای که به آن محول شده را در کسری از زمان به طول انجامیده توسط یک انسان معمولی، به انجام برساند. در عین حال که جالب به نظر می رسد، اما تنها ایراده وارده به این مسئله این است که تصمیم گیری، باید توسط انسانی صورت گیرد که در قیدوبند کالبد انسانی اش گرفتار است. تلاش های صورت گرفته در راستای بهره برداری کامل از منافع، منجر به بروز پدیده ای گشته است که هوش مصنوعی نامیده می شود. یادگیری ماشین بخشی از AI (هوش مصنوعی) به شمار می رود که از طریق نمونه های مرتبط متعدد به انتقال دانش به کامپیوتر می پردازد. در طی این سال ها، الگوریتم های یادگیری ماشین متنوعی همراه با مزایا و معایبشان توسعه داده شده اند. این مقاله، تلاش همه جانبه ای به منظور گرد آوری الگوریتم های ML مختلفی همچون رگرسیون ¬خطی، KNN(k-نزدیک ترین همسایگی) و مواردی از این قبیل می باشد. این مقاله، جدید ترین توسعه ها در این حوزۀ مطالعاتی را به چالش می کشد و درصدد تعریف بهترین کاربرد ها برای هریک از آنها مبتنی بر پژوهشات قبلی می باشد.

پیشینه
پیش از این، انواع الگوریتم یادگیری ماشین را مطرح نمودیم.[1] 1. یادگیری نظارت شده: این مدل وظیفه محور است و اهداف به خوبی تعریف شده اند. متغیر هدف موجود می باشد.
2. یادگیری نظارت نشده: این مدل داده محور است و نتیجه صرفاً مبتنی بر ورودی است. متغیر هدف یا متغیر وابسته موجود یا شناخته شده نمی باشد.
3. یادگیری تقویتی: مبتنی بر روش ابتکاری است، رویکرد برنامه نویسی پویا، از اشتباهات یاد می گیرد (بنابر رعایت قواعد بازی). وضعیت اولیه و وضعیت هدف تعریف شده اند.
4. یادگیری عمیق DL : (DL) مبتنی بر اصل ANN(شبکه های عصبی مصنوعی) و الهام گرفته از مفهوم بیولوژی سیستم عصبی می باشد. مدل‌های DL کارآمد هستند و عمدتاً به منظور دسته ‌بندی و پیش‌ بینی مورد استفاده قرار می گیرند.

الف. انواع یادگیری نظارت شده
آ. رگرسیون: مبتنی بر متغیر هدف پیوسته است، روش های به کار رفته برای وظیفۀ دسته بندی عبارتند از: رگرسیون خطی، رگرسیون درخت تصمیم، جنگل تصادفی، مدل KNN، ماشین ‌های بردار پشتیبان.
ب. دسته بندی: مبتنی بر متغیر هدف دسته بندی شده است. روش‌های مورد استفاده در وظیفۀ دسته‌بندی عبارتند از: رگرسیون لجستیک، نایو بیز(بیز ساده)، گرادیان کاهشی تصادفی، KNN(K-نزدیک‌ترین همسایگی)، SVM، درخت تصمیم، جنگل تصادفی.

i) رگرسیون خطی
رگرسیون خطی در زمرۀ متداول ترین تکنیک های آماری قرار دارد. این مدل رگرسیون، بر روی یک مجموعۀ داده به منظور تعیین همبستگی بین متغیرهای موردنظر و در راستای پیش‌بینی نتایج مبتنی بر رابطه به کار می رود. این مدل، بدین صورت بیان می شود:

داده کاوی و مورد کاربرد مدلسازی در صنعت بانکداری

Data Mining and Modeling Use Case in Banking Industry

چکیده

1. مقدمه

2. جمع آوری داده‌ها

3. انتخاب متغیر

4. خوشه بندی داده‌ها

A پیش پردازش

B تعریف تعداد خوشه‌ها

C تعریف مرکز ثقل

5. نتایج

6. نتایج

منابع

چکیده

صنعت بانکداری بسیار رقابتی بوده و این بازار فی نفسه در سالهای اخیر بسیار اشباع شده است. به همین دلیل، لازم است که همه مؤسسات بانکی از تمامی اطلاعات موجود برای دستیابی به نوعی از مزیت رقابتی استفاده کنند. در این مقاله ما نشان می‌دهیم که این امکان وجود دارد که با استفاده از ابزارهای تحلیلی و داده کاوی و بخصوص خوشه بندی (Kمیانگین)، بینش بیشتری در مورد مشتریان خدمات بانکی حاصل کنیم. بخصوص، نشان می‌دهیم که می‌توانیم گروهی از مشتریان را که تمایل بیشتری به خرید وام مسکن دارند تعریف کنیم.

1. مقدمه

در بانکداری خرد، ارائه خدمات متناسب با اولویتهای هر مشتری به دلیل مسائلی که در رابطه با وقت و هزینه وجود دارد، امکانپذیر نیست. این بدین معنی است که وجود برخی از سطوح استانداردسازی لازم است. بده و بستانهای بین یک سرویس استانداردتر و یک سرویس انفرادی‌تر را می‌توان با طبقه بندی مشتریان طبق ویژگیهای ذاتی چندبعدی شخصیت، آسان‌تر کرد (1). شرکت‌ها در تلاشند تا مشتریان خود را با شناسایی گروههایی از افراد با ساختارهای مورد نیاز دسته بندی کنند، بطوریکه در حد امکان در هر گروه یکسان باشند ولی گروه‌ها تفاوت قابل توجهی با یکدیگر داشته باشند (2). این دسته بندی را می‌توان با فن آوریهای داده کاوی انجام داد. به لحاظ تعریف، داده کاوی به روند کشف الگوها در مجموعه داده‌های بزرگ گفته می‌شود که شامل روشهایی است که یادگیری ماشین، آمار و سیستمهای پایگاه داده‌ها با هم تلاقی پیدا می‌کنند.  

6. نتایج

مقالات متعددی مانند (7)، (8) بر مدلسازی رفتار مشتری با استفاده از تقسیم بندی، تمرکز دارند. در (7)، داده‌های داد و ستدهای تلفنی بانک مورد تجزیه و تحلیل قرار گرفت و روش طبقه بندی به عنوان یک کار پیش پردازش برای ایجاد مجموع داده‌های آموزشی کم نمونه برداری شده مورد استفاده قرار گرفت که پس از آن به عنوان ورودی برای تکنیکهای مختلف مدلسازی بکار برده شد. از سوی دیگر، مقاله (8) مدل پاسخ مشتری را نشان می‌دهد که با پیش بینی‌های تصادفی و الگوریتم کم نمونه برداری که اطلاعات جمعیت شناختی مشتری، جزئیات تماس و داده‌های اجتماعی – اقتصادی آنها را مورد تحلیل قرار می‌دهد، تأیید شده است. 

Abstract

Banking industry is very competitive and the market itself has become very saturated in the recent years. Because of this, it is vital for every banking institution to use all available information in order to gain some sort of competitive advantage. In this paper we will demonstrate that it is possible to gain more insight about banking service clients by using data mining and analysis tools, more specifically by using K-Means clustering. Specifically, we will demonstrate that we can define a group of customers that are more prone to purchase housing loan.

I. INTRODUCTION

IN retail banking, a service tailored to the preferences of each customer is not possible because of time and cost issues. This implies that some degree of standardization is necessary. The trade-off between a more standardized and a more individual service can be made easier by a classification of customers according to multi-dimensional intrinsic characteristics of personality [1]. Companies are trying to segment their customers by identifying groups of persons with need structures that are as homogeneous as possible within each group and significantly heterogeneous between groups [2]. This segmentation can be done by using the data mining technologies. By definition, data mining is the process of discovering patterns in large datasets involving methods at the intersection of machine learning, statistics, and database systems.

VI. CONCLUSION

There are several papers that focus on the client behavior modeling using segmentation, such as [7], [8]. In [7] bank telemarketing data was analyzed and classification method was used as pre-processing activity in order to create under sampled training dataset that was later used as input for various modeling techniques. On the other hand, paper [8] presents customer response model supported by random forests and under sampling algorithm that analyze client demographic information, contact details and socio-economic data.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

داده کاوی و مورد کاربرد مدلسازی در صنعت بانکداری

Data Mining and Modeling Use Case in Banking Industry

MCA-V2I: یک روش خوشه بندی چند جهشی بر روی ارتباط وسیله نقلیه به اینترنت برای بهبود عملکرد شبکه بین خودرویی (VANET)

MCA-V2I: A Multi-hop Clustering Approach over Vehicle-to-Internet communication for improving VANETs performances

چکیده

1 مقدمه

2 کارهای مربوطه

3 پیش نیاز ها

4 رویکرد ارائه شده

5 ارزیابی عملکردی

6 جمع بندی

منابع

چکیده

     اینترنت در وسایل نقلیه یک الگوی جدید در حمل و نقل هوشمند می باشد و باعث شده راه حل های خوبی برای بهبود عملکرد شبکه های اختصاصی اینترنتی (VANET) برای وسایل نقلیه شود. این شبکه ها باعث شده که در سال های اخیر توجه زیادی به این موضوع جلب شود و تحقیقات زیادی بر روی آن انجام شود .به همین دلیل، چند مکانیزم کنترل برای این شبکه ها ارائه شده است که باعث رفع چالش های موجود در آن شود مانند شکل شناسی پویا و مسئله های مقیاس پذیری به دلیل جابجایی زیاد وسیله های نقلیه و تعداد زیاد وسیله های متصل به شبکه . به عنوان یک مکانیزم بسیار مهم مورد استفاده در VANET، روش های خوشه بندی به صورت محسوس باعث بهبود عملکرد کاربردی این شبکه ها شده است. در این زمینه، ما در این مقاله یک رویکرد خوشه بندی چند گامی جدید را برای این شبکه با نام MCA-V21 ارائه می کنیم که باعث بهبود عملکرد VANET می شود. این رویکرد مبتنی بر یک فرض منطقی می باشد که وسایل نقلیه می توانند با استفاده از یک زیر ساخت خاص با نام درگاه های واحد حاشیه جاده ای، به اینترنت وصل شوند. زمانی که این وسایل به اینترنت وصل شدند، هر کدام از وسایل نقلیه می توانند اطلاعات ضروری در رابطه با مجاورین را به صورت آنلاین دریافت کنند تا بتوانند پردازش های خوشه بندی را انجام دهند. این کار با استفاده از الگوریتم های جستجوی سطح اول (BFS) برای انتقال یک گراف مبتنی بر نرخ جابجایی انجام می شود که این نرخ بر اساس معیار های جابجایی محاسبه می شود. رویکرد MCA-V21 باعث تقویت توانایی خوشه بندی ها از طریق انتخاب یک سر خوشه برده به علاوه یک سر خوشه ارباب می گردد. ما عملکرد طرح پیشنهادی را با استفاده از شبیه ساز شبکه NS-2 و محیط یکپارچه VanetMobiSim بررسی می کنیم.

2-کارهای مربوطه

     اخیراً چندین طرح خوشه بندی برای VANET ارائه شده است. چندین طرح پیشنهادی [7 ، 8 ، 9 ، 10 ، 11] فقط روی خوشه بندی یک مرحله ای متمرکز شده اند ، که فقط امکان ارتباط بین CM و CH آن با حداکثر فاصله یک گام فراهم می کند. بنابراین ، منطقه پوشش بسیار اندک است و خوشه های زیادی تشکیل می شوند که این امر بر عملکرد شبکه تأثیر می گذارد و سرعت همپوشانی بین خوشه ها را افزایش می دهد. این پروتکل ها به دلیل تحرک زیاد در منطقه ، جایی که شکل شناسی شبکه بسیار پویا است ، برای محیط های بزرگراه قابل تنظیم نیست. در نتیجه ، چندین طرح خوشه بندی چند مرحله ای در سالهای اخیر [19 ، 20 ، 21] برای گسترش سطح پوشش خوشه ها ، کاهش تعداد خوشه ها و بهبود ساختار خوشه ای و پایداری پیشنهاد شده است.

     از طرف دیگر ، چندین طرح خوشه بندی مبتنی بر تحرک ارائه شده است. الگوریتم خوشه بندی مبتنی بر تحرک (MOBIC) [15] یک مرجع و پروتکل خوشه ای مقایسه ای است که در ابتدا در Mobile Ad-hoc NETwork (شبکه های احتصاصی تلفن همراه)(MANET) و بعداً برای VANET استفاده می شود. پروتکل MOBIC شبیه به الگوریتم Lowest-ID است [12] ، اما از معیارهای تحرک به عنوان مبنا برای تشکیل خوشه و انتخاب CH استفاده می کند.

     حافظ و همکارانش [16] طرح خوشه بندی جدیدی را برای VANET ایجاد کردند که CH ها بر اساس سرعت و فاصله نسبی آنها از وسایل نقلیه در محله خود انتخاب می شوند. علاوه بر این ، پروتکل پیشنهادی برای هر خوشه یک CH ثانویه را انتخاب می کند (در صورت عدم دسترسی بهCH اولیه ، به عنوان CH اصلی استفاده می شود). مرحله نگهداري در طرح ارائه شده با استفاده از يك سيستم استنباط منطق فازي با رفتار رانندگان در جاده سازگار است. این پروتکل برای استفاده در مناطقی با تحرک زیاد مناسب است ، اما CH ها معمولاً هنگام حرکت سریع یا تغییر جهت ، مکرر تغییر می کنند. تغییر مکرر CH منجر به کاهش عملکرد CH های ثانویه می شود که منجر به شکل گیری خوشه های ناپایدار می شود.

یک روش c-means فازی کارآمد مبتنی بر تجزیه چندگانه استاندارد برای خوشه بندی کلان داده ها در اینترنت اشیا

An efficient fuzzy c-means approach based on canonical polyadic decomposition for clustering big data in IoT

چکیده

1 مقدمه

2 معلومات اولیه

3 روش میانگین مرکز فازی کارآمد بر اساس طرح تجزیه چند متغیری کانونیک تانسور

4 آزمایش ها

5 نتیجه گیری

6 سپاسگزاری

منابع

چکیده

     داده کاوی داده های هوشمند از داده های بزرگ جمع آوری شده از اینترنت اشیا به منظور بهتر کردن زندگی بشر با مجتمع سازی دستگاه های فیزیکی در فضای اطلاعات است. یکی از مهمترین روش های خوشه بندی برای یادگیری داده هوشمند، الگوریتم میانگین مرکز فازی (FCM) است که هر شیء را با محاسبه ماتریس عضویت به چندین گروه اختصاص می دهد. با این حال هر شیء داده بزرگ تعداد زیادی ویژگی دارد که چالش بزرگی برای خوشه بندی زمان واقعی داده بزرگ IoT از طریق FCM را به همراه دارد. در این مقاله یک روش میانگین مرکز فازی کارآمد بر اساس تجزیه چند متغیری استاندارد تانسور را برای خوشه بندی داده های بزرگ در اینترنت اشیا معرفی می کنیم. در طرح ارائه شده، الگوریتم میانگین مرکز فازی معمول توسط تابع دوسویی به الگوریتم میانگین مرکز فازی تانسور مرتبه بالا (HOFCM) تبدیل می شود. به علاوه تجزیه چند متغیری کانونیک تانسور برای کاهش ویژگی های هر شیء به کار می رود تا بازده خوشه بندی بهبود یابد. در آخر آزمایش های زیادی برای مقایسه طرح توسعه داده شده با الگوریتم میانگین مرکز فازی معمول روی دو مجموعه داده بزرگ IoT شامل eWSN و eGSAD نسبت به صحت خوشه بندی و بازده خوشه بندی انجام می شود. نتایج بیان می کنند که طرح توسعه داده شده به طور قابل توجهی، بازده خوشه بندی بالاتری دارد و صحت خوشه بندی آن به میزان کمی کمتر از الگوریتم معمول است که توانایی طرح ارائه شده برای یادگیری داده هوشمند از داده بزرگ IoT را نشان می دهد.

معلومات اولیه

معلومات اولیه شامل روش میانگین مرکز فازی معمول (FCM) و تجزیه چند متغیری کانونیک تانسور هستند که برای طرح معرفی شده در این بخش ارائه می شوند. ابتدا FCM و سپس تجزیه چند متغیری کانونیک تانسور معرفی می شوند.

روش میانگین های مرکز فازی (FCM)
روش استاندارد میانگین مرکز فازی در ابتدا توسط بیدک و همکارانش [7] معرفی شد. با فرض اینکه X= {x1, x2, . . . , xN} مجموعه داده ای است که باید خوشه بندی شود و هر شیء m ویژگی دارد، روش میانگین مرکز فازی استاندارد هر شیء xi(1 ≤ i ≤ N) را به c خوشه با ماتریس عضویت c×N با نام U = {uij} اختصاص می-دهد که در آن uij بیانگر عضویت j-امین شیء متعلق به گروه i-ام است. به طور خاص روش میانگین مرکز فازی استاندارد با معادله زیر بیان می شود:

بنابراین هدف روش میانگین مرکز فازی استاندارد محاسبه ماتریس عضویت و محاسبه مراکز خوشه V =
{v1, v2, . . . , vc} داده شده در مجموعه داده X است. تا کنون روش میانگین مرکز فازی استاندارد به طور تصادفی به ماتریس عضویت مقدار اولیه می دهد و سپس ماتریس عضویت و مراکز خوشه را با کمینه کردن تابع هدف Jm به صورت زیر به روز رسانی می کند:

الگوریتم خوشه بندی موازی برای آنالیز داده های توان

A Parallel Clustering Algorithm for Power Big Data Analysis

چکیده

1. مقدمه

2. کارهای مرتبط

3. مسائل و الگوریتمها

3.1. مسئله کلان داده کاوی نیرو

Mapreduce

• معماری Hadoop HDFS

• الگوریتم خوشه بندی K-means

3.2. تحقق خوشه بندی K-means موازی

• طراحی تابع Map

• طراحی تابع Combine

• طراحی تابع Reduce

4. تحلیل عملکرد

4.1. تحلیل پیچیدگی زمانی اجرای الگوریتم

4.2. تحلیل پیچیدگی فضا-زمان

4.3. تحلیل نرخ شتاب

5. نتیجه گیری

منابع

چکیده

با توسعه سریع فن آوری اطلاعات، داده های نیرو نیز با سرعت قابل توجهی در حال رشد است. در مواجهه با داده های چند بعدی و پیچیدۀ شبکه نیرو، عملکرد الگوریتم های خوشه بندی سنتی رضایت بخش نیست. نحوه مؤثر مقابله با مسائل داده های شبکه نیرو به عنوان داغی تبدیل شده است. این مقاله اجرای موازی الگوریتم خوشه بندی  K-means مبتنی بر سیستم فایل توزیع شده Hadoop و چارچوب محاسبات توزیعی Mapreduce را برای پرداختن به این مسئله پیشنهاد می دهد. نتایج تجربی نشان می دهد که عملکرد الگوریتم پیشنهادی ما به طور قابل توجهی از الگوریتم خوشه بندی سنتی بهتر است و الگوریتم خوشه بندی موازی می تواند پیچیدگی زمانی اجرای الگوریتم را تا حد زیادی کاهش دهد و می تواند در تجزیه و تحلیل و استخراج داده های شبکه نیرو استفاده شود.

1. مقدمه

خوشه بندی (5) یکی از داغترین موضوعات در تحقیقات داده کاوی است. آن فرایندی است که در آن شیئ داده ها در زیرمجموعه هایی تقسیم بندی می شوند.  هر زیر مجموعه یک خوشه است (11)، به طوری که اشیاء موجود در خوشه شبیه به یکدیگرند، اما به اشیاء موجود در خوشه های دیگر شباهتی ندارند. مجموعه ای از خوشه های ایجاد شده توسط تجزیه و تحلیل خوشه ها، یک خوشه نامیده می شود. با توسعه مستمر صنعت برق و تعمیم فن آوری پایگاه داده در صنعت برق، مقدار زیادی از داده ها (9،6) به شکلهای مختلف گردآوری می شوند. بنابراین، نحوه موثر ذخیره سازی و استفاده بهینه از این داده ها و استخراج اطلاعات ارزشمند از داده های حجیم، مسائلی هستند که باید حل شوند. 

Abstract

With the fast development of information technology, the power data is growing at an exponentially speed. In the face of multi-dimensional and complicated power network data, the performance of the traditional clustering algorithms are not satisfied. How to effectively cope with the power network data is becoming a hot topic. This paper proposes a parallel implement of K-means clustering algorithm based on Hadoop distributed file system and Mapreduce distributed computing framework to deal this problem. The experimental results show that the performance of our proposed algorithm significantly outperforms the traditional clustering algorithm and the parallel clustering algorithm can significantly reduce the time complexity and can be applied in analyzing and mining of the power network data.

1 Introduction

Clustering [5] is one of the most hot issues in data mining research. It is the process of partitioning data objects into subsets. Each subset is a cluster [11], so that the objects in the cluster are similar to each other, but are not similar to the objects in other clusters. A set of clusters generated by the cluster analysis is called a cluster. With the continuous development of the electric power industry and the popularization of database technology, in the electric power industry, a large amount of data [6, 9] is accumulated in different forms. Then, how to store and utilize these data effectively and how to dig out valuable information from the massive data become problems to be solved

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

الگوریتم خوشه بندی موازی برای آنالیز داده های توان

A Parallel Clustering Algorithm for Power Big Data Analysis

الگوریتم خوشه‌بندی برای شبکه‌های حسگر بی‌سیم با کارایی انرژی مبنی بر روشی فراابتکاری پیشرفته

Energy efficient clustering protocol based on improved metaheuristic in wireless sensor networks

چکیده
1- مقدمه
2- کارهای مرتبط
3- روش های فراتکاملی استاندارد الگوریتم کلونی زنبور عسل (ABC)
3-1- مرحله شروع به کار
3-2- مرحله به کارگیری زنبور کارگر
3-3- مرحله زنبور ناظر
3-4- مرحله زنبور دیده بان
4- انواع الگوریتم ABC
5- سهم نویسنده
6- الگوریتم فراتکاملی بهبود یافته کولونی زنبور (iABC)
6-1- مرحله بهبود یافته آغاز به کار
6-2- معادله جستجوی بهبود یافته راهکار
7- روش Beecluster- پروتکل پیشنهادی خوشه بندی
7-1- نشانه گذاری ها برای مدل شبکه
7-2- موقعیت بهینه BS
7-3- مرحله انتخاب بهینه CH
7-4- مرحله تشکیل خوشه
7-5- مرحله ارسال داده
8- نتایج شبیه سازی و بحث
9- نتیجه گیری
منابع

چکیده

خوشه‌بندی در شبکه‌های حسگر بی‌سیم (WSN) با حفظ بهره‌وری انرژی یک مسئله بهینه‌سازی NP-hard است. برای طراحی مکانیزم‌های خوشه‌بندی با حفظ بهره‌وری انرژی در WSNها از حوزه‌های مختلف هوش محاسباتی (CI) از جمله الگوریتم‌های تکاملی (EA)، یادگیری تقویتی (RL)، سیستم‌های ایمنی مصنوعی (AIS) و جدیدتر از همه کلونی مورچه مصنوعی (ABC) استفاده شده است. به دلیل کاربرد آسان و ماهیت تطبیقی ABC، این الگوریتم از سایر الگوریتم‌های فرااکتشافی مبتنی بر جمعیت، محبوبیت بیشتری برای حل مسائل بهینه‌سازی در WSN پیدا کرده است. اما معادله جستجوی این الگوریتم که در اکتشاف نسبتاً ضعیف است و نیاز به ذخیره یک سری پارامتر کنترلی دارد، منجر به ناکارآمدی آن شده است. بنابراین ما یک الگوریتم فراتکاملی کلونی زنبور عسل بهبود یافته (iABC) را ارائه می‌دهیم که معادله جستجوی آن برای افزایش قابلیت‌های اکتشافی الگوریتم، بهبود یافته است. بعلاوه ما برای افزایش نرخ همگرایی سراسری متاهیوریستک پیشنهادی، یک تکنیک نمونه برداری جمعیتی پیشرفته از طریق توزیع تی – استیودنت ارائه می‌دهیم که فقط به محاسبه و ذخیره یک پارامتر کنترلی نیاز دارد و به همین دلیل بهره‌وری روش فراتکاملی پیشنهادی را افزایش می‌دهد. روش فراتکاملی پیشنهادی همزمان با داشتن حداقل میزان نیاز به حافظه، منجر به حفظ تعادل بین اکتشاف و بهره برداری می‌شود. بعلاوه استفاده از توزیع تی – استیودنت فشرده که برای اولین بار مطرح می‌شود، این الگوریتم را با نیازهای سخت‌افزاری محدود WSN مناسب کرده است. همچنین یک پروتکل خوشه‌بندی با بهره‌وری انرژی بر اساس روش فراتکاملی iABC معرفی می‌کنیم که از قابلیت‌های روش فراتکاملی ذکر شده برای پیدا کردن سرخوشه بهینه و بهبود بهره‌وری انرژی در WSN استفاده می‌کند. نتایج شبیه سازی‌ها نشان می‌دهد که پروتکل خوشه‌بندی پیشنهادی از نظر تحویل بسته‌ها، توان عملیاتی، مصرف انرژی، طول عمر شبکه و تاخیر (که به عنوان معیار کارایی در نظر گرفته شده) بهتر عمل می‌کند.

9- نتیجه گیری

این مقاله روش فراتکاملی iABC را براساس اولین cPDF نوع Student-t خود و معادله جستجوی بهبود یافته راهکار الهام گرفته شده از DE به نام ABC/rand-to-opt/1 را به منظور بهبود قابلیت های بهره برداری و نرخ همگرایی فراتکاملی ABC ارائه می کند. به منظور نمایش بهبود، فراتکاملی پیشنهادی براساس توابع معیار تک و چند حالته با فراتکاملی استاندارد مورد ارزیابی قرار گرفته است. همچنین روش Beencluster پیشنهاد داده شده است که یک پروتکل خوشه بندی براساس فراتکاملی پیشنهادی برای شبکه های WSN است که CHهای بهینه را براساس معادله جستجوی بهبود یافته و یک تابع تناسب موثر انتخاب می کند. علاوه بر این، موقعیت بهینه BS از طریق ارزیابی تحلیلی معادلات انرژی در شبکه های WSN محاسبه شده است. در نهایت، عملکرد پروتکل پیشنهادی با پروتکل های برای اثبات اعتبار آن براساس معیارهای مختلف مقایسه شده است. نتایج شبیه سازی نشان می دهد که روش Beecluster تقریباً بین 29 تا 127 درصد انرژی کمتری نسبت به پروتکل های دیگر مصرف می کند و طول عمر شبکه را به میزان 14 تا 19 درصد افزایش می دهد و درعین حال بیشترین تعداد پکت را با حداقل تاخیر انتها به انتها در سناریوهای مختلف شبکه WSN تحویل می دهد. اهمیت موقعیت بهینه BS نیز با کاهش درصد در مصرف انرژی در طی تغییر مسافت با تعداد نودهای حسگر مورد تحلیل قرار گرفته است. پروتکل پیشنهادی می بایست در سناریو واقعی از نودهای حسگر پیاده سازی شود تا عملکرد واقعی آن ارزیابی شود.

Abstract

Energy efficient clustering is a well accepted NP-hard optimization problem in Wireless sensor networks (WSNs). Diverse paradigm of Computational intelligence (CI) including Evolutionary algorithms (EAs), Reinforcement learning (RL), Artificial immune systems (AIS), and more recently, Artificial bee colony (ABC) metaheuristic have been used for energy efficient clustering in WSNs. Due to ease of use and adaptive nature, ABC arose much interest over other population-based metaheuristics for solving optimization problems in WSNs. However, its search equation, which is comparably poor at exploitation and require storage of certain control parameters, contributes to its insufficiency. Thus, we present an improved Artificial bee colony (iABC) metaheuristic with an improved solution search equation to improve its exploitation capabilities. Additionally, in order to increase the global convergence of the proposed metaheuristic, an improved population sampling technique is introduced through Student0 s − t distribution, which require only one control parameter to compute and store, hence increase efficiency of proposed metaheuristic. The proposed metaheuristic maintain a good balance between exploration and exploitation search abilities with least memory requirements, moreover the use of first of its kind compact Student0 s − t distribution, make it suitable for limited hardware requirements of WSNs. Further, an energy efficient clustering protocol based on iABC metaheuristic is introduced, which inherit the capabilities of the proposed metaheuristic to obtain optimal cluster heads (CHs) and improve energy efficiency in WSNs. Simulation results shows that the proposed clustering protocol outperforms other well known protocols on the basis of packet delivery, throughput, energy consumption, network lifetime and latency as performance metric.

9- Conclusions

This paper presents an iABC metaheuristic, based on first of its kind student’s-t cPDF and DE inspired improved solution search equation ABC/rand-to-opt/1, to improve exploitation capabilities a well as convergence rate of existing ABC metaheuristic. To demonstrate its improvement, we evaluated the proposed metaheuristic on scalable uni-modal and multi-modal benchmark functions with standard metaheuristic. Further, we proposed Beecluster, a clustering protocol based on the proposed metaheuristic for WSNs, which selects optimal CHs based on an improved search equation and an efficient fitness function. In addition to this , we calculated optimal position of BS, through analytical evaluation of energy equations in WSNs. At last we compare the performance of the proposed protocol with other protocols to prove its validness over various performance metrics. Simulation results show that Beecluster consumes approximately 29 % to 127% less energy as compared to other protocols and prolong network life approximately by 14 % to 19 % while delivering highest number of packets with minimum end-to-end delay in diverse WSNs scenarios. The significance of optimal BS position is also analysed with percentage reduction in energy consumption over varying distance with number of sensor nodes. Further, the proposed protocol needs to be implemented on real test bed scenario of sensor nodes, which are deployed to work on a real world application framework to judge its performance.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

الگوریتم خوشه‌بندی برای شبکه‌های حسگر بی‌سیم با کارایی انرژی مبنی بر روشی فراابتکاری پیشرفته

Energy efficient clustering protocol based on improved metaheuristic in wireless sensor networks

خوشه بندی مبتنی بر مکان مجازی ماشین ها در محاسبات ابری توزیع شده

Clustering based virtual machines placement in distributed cloud computing

چکیده

1.مقدمه

2.کارهای مرتبط

2.‌1.قرار دادن VM و استاندارد مجازی سازی اخیر

2.‌2.خوشه بندی براساس تراکم

3.انتخاب مرکز داده براساس خوشه بندی

3.‌1.انگیزه

3.‌2.انتخاب مرکز داده

4.تفکیک ماشین های مجازی برای انتخاب مراکز داده

4.‌1.مدل نیم ارتباطی (HCM) VMها

4.‌2.تفکیک ماشین های مجازی

5.آزمایش

5.‌1.انتخاب مرکز داده براساس خوشه بندی

5.‌2.تفکیک ماشین های مجازی

6.نتیجه و کارهای آینده

چکیده

مجازی سازی منبع یکی از مهم ترین ویژگی های محاسبات ابری می باشد. مکان ماشین های مجازی (VMها) درماشین های فیزیکی بازده مصرف منابع و کیفیت سرویس را مشخص می نماید. مخصوصا در محاسبات ابری توزیع شده، که مراکز داده (DCها) محدوده جغرافیایی وسیعی را پوشش می دهند و تمام DCها توسط اینترنت سرعت بالا به هم متصل اند، مکان VMهای یک فعالیت بزرگ یا سازمانی بر کاهش فاصله و پهنای باند DCها تمرکز دارد. این امر موجب حداقل شدن تاخیر ارتباط و بهبود دسترسی می گردد. یک خوشه مرکز داده در ابتدا باید خودش را با درخواست VMها تطبیق دهد. هدف کاهش بیشترین فاصله داخلی DCها است. در مقابل روش های موجود که تنها فاصله بین مراکز داده را در نظر می گیرند، یک الگوریتم خوشه بندی کارآمد که توسط استفاده کامل از توپولوژی و ویژگی تراکم شبکه ابری گسترش داده شده است، ارائه می شود. شبیه سازی نشان می دهد که الگوریتم ارائه شده برای مسائل مقیاس بزرگ بسیار مناسب است. سپس، VMهای درخواستی باید به خوشه های DC تفکیک شوند، تا در پهنای باند داخلی DC صرفه جویی شود و دسترسی نیز بهبود داده شود. با معرفی مدل نیم ارتباطی، الگوریتمی جدید که مصرف پهنای باند را کاهش می دهد برای تفکیک VMها ارائه می گردد. پیچیدگی زمان این الگوریتم با ضریب O(logn) به O(n2) کاهش داده می شود و نسبت به روش های موجود 3 برابر سریع تر اجرا می شود. 

1.مقدمه

محاسبات ابری در سال های اخیر به منظور مصرف درست منابع و دسترسی آسان خدمات رواج زیادی یافته است [1، 2]. این قدرت های رقابتی به معرفی فن آوری مجازی و شبکه توزیع ابری کمک می کنند. براساس استانداردهای صنعتی مجازی سازی، هسته ماشین های فیزیکی (PMها) را می توان به CPUهای مجازی بیشتری تبدیل نمود (vCPUها) [3]. ماشین های مجازی می توانند در مرکز vCPUها قرار گیرند و در نتیجه مصرف منابع کارآمدتری داشته باشند. این امر موجب تحریک VMها شده که برای گسترش آن ها توسط شبکه توزیع در کاربران انتهایی مکانی متفاوت مفید می باشد. ابرهای توزیع از تعداد زیادی مرکز داده تشکیل می شود که بوسیله اینترنت پر سرعت به هم متصل می باشند [4]. در مقابل این ابرهای متمرکز،‌ DCهای توزیع شده قرار دارند که قابلیت های نسبتا کمی دارند، چراکه براساس ترافیک پایین محیط پراکنده ایی که در آن قرار دارند طراحی شده اند. 

6.نتیجه و کارهای آینده

توسط مفهوم روش های خوشه بندی، این مقاله الگوریتم CBMinDia را برای مساله انتخاب DC معرفی کرد که دارای بازده بهتری است. CBMinDia مشخصه 2-تقریبی را حفظ می کند و برای DCها یا درخواست های VM‌ مقیاس بزرگ مناسب تر است. چراکه از اطلاعات تراکم و ظرفیت DCهای شبکه استفاده کاملی می کند و راه حل هایی که نسبتا بهینه هستند را در مقایسه  با راه حل های امکان پذیر کنار می گذارد. محاسبات بشدت کم می شوند و شبیه سازی بیشترین بازده را برای خوشه بندی توزیع DC نشان می دهد. 

برای مساله تفکیک VM، با معرفی مفهوم HCM یک الگوریتم نسبتا بهتر بررسی می شود. این الگوریتم یک زوج AOT و AIT‌ مناسب برای هر انتخاب VM مشخص می کند. مقدار AOT و AIT‌ امکان ماکزیمم نمودن ترافیک میان DC و مینیمم نمودن ترافیک درون DC را فراهم می کند. مهمتر اینکه، این مفهوم می تواند انتخاب VMها را توسط اضافه نمودن یک بردار ساده ساده تر کند و محاسبات ماتریس ترافیک را کاهش دهد. از این رو پیچیدگی زمان با ضریب O(logn) به O(n2) کاهش می یابد و بازده 3 برابر بهتر می شود. 

Abstract

Resource virtualization is one of the most prominent characteristics of cloud computing. The placement of virtual machines (VMs) in the physical machines determines the resource utilization efficiency and service quality. Especially for distributed cloud computing, where the data centers (DCs) span a large number of geographical areas and all DCs are connected by high speed internet, the placement of VMs of one big task or of one organization focuses on minimizing the distances and bandwidths between DCs. This minimizes communication latency and improves availability. A data center cluster should be found firstly to accommodate the requested VMs. The purpose is to minimize the maximum inter-DC distance. In contrast to existing method that only considers the distances between data centers, a more efficient clustering based 2-approximation algorithm is developed by taking full use of the topology and the density property of cloud network. The simulation shows the proposed algorithm is especially appropriate for very large scale problems. Then, the requested VMs should be partitioned to the DC cluster, so that the expensive inter-DC bandwidth is saved and the availability is improved. With the introduction of a half communication model, a novel heuristic algorithm which further cuts down the used bandwidths is presented to partition VMs. Its time complexity is reduced to O(n2) by a factor of O(logn) and it runs 3 times faster than the existing method.

1. Introduction

Cloud computing has gained great popularity in recent years for the efficient resource usage and convenient service access [1, 2]. These competitive powers are attributable to the introduction of virtual technology and distributed networking of cloud. Based on the actual standard of virtualization industry, the cores of physical machines (PMs) can be virtualized into more virtual CPUs (vCPUs) [3]. Virtual machines (VMs) can be placed on the granularity of vCPUs and thus gain a more efficient resource utilization. It is also hoped VMs can be deployed closer to the end users in different geographical locations by distributed networking. Distributed cloud consists of a lot of data centers (DCs) and all DCs are connected by high speed internet [4]. Contrary to the counterparts of centralized cloud, distributed DCs have relatively small capability because they are planned according to the less traffic of the dispersed area they locate.

6. Conclusions and future work

By means of the notions of clustering methods, this paper presents a more efficient algorithm, CBMinDia, for the DC selection problem. CBMinDia keeps the 2-approximation property and is more appropriate for large scale DCs or requested VMs. Because the algorithm takes full use of the density and DC capacity information of the network, it cuts off the sub-optimum DCs compared to a rather good feasible solution. The computing effort is greatly decreased and the simulation reveals that it is the most efficient for clustering DC distribution.

For VM partition problem, a slightly more effective algorithm is investigated with the introduction of HCM concept. This algorithm determines an appropriate pair of AOT and AIT for each selection of a VM. The value of AOT and AIT permits maximizing the intra-DC traffic and minimizing the inter-DC traffic. More importantly, the concept can facilitate the convenient selection of VMs by means of simple vector addition and subtraction calculation of the traffic matrix. Hence the time complexity is reduced to O(n 2 ) by a factor of O(log n) and the efficiency is improved about 3 times.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

خوشه بندی مبتنی بر مکان مجازی ماشین ها در محاسبات ابری توزیع شده

Clustering based virtual machines placement in distributed cloud computing

استفاده از خوشه بندی برای ردیابی هدف در شبکه های ادهاک وسایل نقلیه

Using Clustering for Target Tracking in Vehicular Ad Hoc Networks

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

کاربرد خوشه بندی برای پیگیری هدف در شبکه موردی وسیله نقلیه

Using Clustering for Target Tracking in Vehicular Ad Hoc Networks

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.