بهینه سازی زمان پاسخ شبکه اجتماعی به کمک تقسیم و تکرار

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 800

فایل این مقاله در 7 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

FNCEITPNU01_009

تاریخ نمایه سازی: 17 اسفند 1393

چکیده مقاله:

شبکه های اجتماعی برخط(OSN) امروزه با صدها میلیون کاربر درحال گسترش یافتن هستند. به طوری که هر روزه محبوب-تر می شوند. گسترش شبکه های اجتماعی در سال های اخیر چالش هایی در مقیاس پذیری اعم از دسترس بودن، ترافیک شبکه، قابلیت اطمینان را به وجود آورده است. برای حل این مشکل راه حل توزیع و تکرار داده مطرح شده است. به طوری که OSNها معمولاً بروی سیستم توزیع شده توسعه پیدا می کنند. با وجود توزیع داده ها، در صورتی که داده ها درخواستی از طرف یک گره در همان سرور باشد. با توجه به اصل محلی بودن، مقیاس پذیری سیستم افزایش پیدا می کند. به دلیل ماهیت ذاتی پیچیده بودن OSN، حال کجا و چه زمانی داده تخصیص و یا تکرار شود که از چالش این موضوع است. این در حالی است که تکرار داده بهینه، از گروه NP-HARD است. ما در این مقاله، روشی ارائه دادیم که، به صورت زمان واقعی شبکه را مانیتور می کند و در هر لحظه که نیاز به تکرار داده بود بر اساس منطق فازی تکرار را انجام می دهد. نتایج به دست آمده نشان می دهد که این الگوریتم باعث کاهش و ترافیک شبکه، افزایش نرخ دسترس پذیری و قابلیت اطمینان شده است.

کلیدواژه ها:

منطق فازی ، تکرارداده ، مقیاس پذیری ، شبکه های اجتماعی برخط

نویسندگان

غلام حسین عبدی

مدیر فناوری اطلاعات دانشگاه پیام نور استان آذربایجان شرقی– پردیس بین الملل

لیلی محمدخانلی

مدیر گروه رشته مهندسی کامپیوتر دانشگاه تبریز– دانشکده مهندسی برق و کامپیوتر

جابر کریم پور

رئیس فناوری اطلاعات دانشگاه تبریز– گروه علوم کامپوتر

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Ahn.Y, Bagrow.J. P. & Sune Lehmant "Link communities reveal multiscale ...
  • Biemann.C _ Whispers.C _ an Efficient Graph Clustering Algorithm and ...
  • Blondel .Vincent D, Jean-Loup Guillaume, Renaud Lambiotte, Etiemme Lefebvre, Fast ...
  • Buddymedia , Online : _ _ _ fferann - _ ...
  • Chan Hui. S.-Y, P., and K. Xu, B"Community detection of ...
  • Danon. L, J. Duch, A. Diaz-Guilera, and A. Arenas, BComparing ...
  • Hubspot study 1.545 B2B and B2C companies in October 20 ...
  • Latapy. M, Main-memory Triangle Computations for Very Large (Sparse (Power-Law)) ...
  • Liu G, Haiying Shen, Harrison Chandler Selective Data Replication for ...
  • Puj ol, J. M, V. Erramilli, G. Siganos, X. Yang, ...
  • Raghavan U. N, R. Albert, and S. Kumara, BNear liner ...
  • Saravanan. M, G. Prasad, K. Surana, and D. Suganthi, BLabeling ...
  • Sun .Y , Y. Yu, and J. Han. Ranking-based clustering ...
  • Witlie .M. P, v. Pejovic, L. B . Deek, K. ...
  • نمایش کامل مراجع