تحلیل و بررسی الگوریتم های خوشه بندی داده های جریانی

خوشه بندی داده ها بر اساس شباهت از جمله مراحل مهم در تحلیل داده ها و یکی از ابزارهای پرکاربرد در حوزه داده کاوی است. در حالی که مسئله خوشه بندی مسئله دوشاری در زمینه جریان داده ها بشمار می رود. این دشواری به دلیل حجم زیاد داده دریافتی از یک جریان است که باعث ناکارآمد شدن الگوریتم های سنتی CLARANS و BIRCH شده است. این داده ها اشاره به حجم وسیعی از اطلاعات انباشته شده دارد که محدودیت های فراوانی برای پردازش ایجاد کرده اند. لذا می بایست الگوریت های جدید DBSCAN و STING برای برخورد با اینگونه داده ها توسعه یابند. به دلیل توانمندی روش های خوشه بندی در تولید خوشه های با کیفیت توسعه این الگوریتم ها برای مدیریت و دسته بندی داده های جریانی یکی از اهداف این مقاله می باشد.