فایل ورد کامل جستجوهای تجمعی (انبوه) توزیع ‌شده top-k در سطح کلان (بزرگ)

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل جستجوهای تجمعی (انبوه) توزیع ‌شده top-k در سطح کلان (بزرگ)،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۴۶ صفحه

۱۰ نتیجه‌گیری و کارهای آتی
این مقاله به توسعه و مطالعه تجربی تکنیک های جدید برای بهینه سازی جستجوهای تجمعی top-k پرداخته است که خود شامل تعداد زیادی از همتایان در یک شبکه گسترده منطقه ای می‌باشد. هر یک از روش‌های اصلی ما به‌صورت جداگانه می‌تواند عملکرد الگوریتم مدرن، TPUT و KLEE را بهبود بخشد. باهم، تکنیک‌های ما نشان از هم‌افزایی‌های اضافی و عملکرد مداوم بهتری نسبت به روش‌های قبل دارد. ما اعتقاد داریم که جستجوهای top-k توزیع‌شده، حتی اهمیت عملی‌تری با گسترش بیشتر برنامه‌های کاربردی با محوریت شبکه، مانند نظارت بر شبکه یا استخراج جوامع اجتماعی، به دست خواهد آورد. هدف کارهای آینده ما به از بین بردن چند محدودیت موجود در روش‌های ما که شامل: ۱- تعمیم فراتر از محدودیت‌های فعلی به توابع تجمع یکنواخت (به‌عنوان‌مثال: حمایت top-k میانگین یا میانه) ۲- در نظر گرفتن همبستگی اطلاعات برای اصول همتایان و توزیع ارزش آنها در مدل‌های پیش‌بینی کننده آماری و ۳- به دنبال یافتن روش‌های بهتر در تقریب برای گروه‌بندی سلسله مراتبی ما و روش‌های آستانه گذاری تطبیقی، باهدف مقیاس‌پذیر بودن برای مقادیر بزرگی از m درحالی‌که بازه نزدیک به بهینه طرح‌ها می‌باشد، است.

عنوان انگلیسی:Distributed top-k aggregation queries at large~~en~~

۱۰ Conclusion and future work

This paper has developed and experimentally studied novel techniques for optimizing top-k aggregation queries that involve many peers in a wide-area network. Each of our main techniques can individually improve the performance of the state-of-the-art algorithms, TPUT and KLEE. Together, our techniques exhibit additional synergies and consistently outperform prior methods. We believe that distributed top-k querying will gain even more practical importance with the further proliferation of networkcentric applications, such as network monitoring or mining of social communities. Our future work will aim to eliminate the few limitations that our methods have: i) generalizing beyond the current restriction to monotonic aggregation functions (e.g., supporting top-k average or median), ii) considering correlation information for the underlying peers and their value distributions in the statistical predictor models, and iii) looking for better approximation techniques for our hierarchical grouping and adaptive thresholding methods, with the goal of being scalable to very large m while yielding near-optimal plans.

$$en!!