ناصر کنشلو-22/7/91

 | آخرین بروزرسانی: 1391/7/15 | 

 

AWT IMAGE

آقای ناصر کنشلو دانشجوی کارشناسی ارشد جناب آقای دکتر محمدرضا کنگاوری روز شنبه 22/7/91 ساعت 17در اتاق دفاعیه واقع در طبقه سوم دانشکده کامپیوتر از پروژه کارشناسی ارشد خود تحت عنوان تشخیص تغییر در گراف های جریانی بزرگ به همراه تعیین محلیت تغییرات دفاع خواهند نمود.

 

  چکیده پایان نامه:

  امروزه داده­ها سریعتر از زمان پردازش و کاوش آنها در اختیار ما قرار می­گیرند. برای اینکه این داده­ها را از دست ندهیم باید از تکنیک­های سنتی داده کاوی به سیستم­هایی روی آوریم که قادر به پردازش داده­های پیوسته، دارای حجم بالا و نامحدود باشد. نمونه­ای از این نوع سیستم­ها جریان­های گراف می­باشند. می­دانیم که می­توان بسیاری از داده­های حال حاضر را به صورت گراف نشان دهیم، از جمله این داده­ها می­توان به ساختار شبکه اینترنت، کاربران شبکه­های اجتماعی، شبکه ارتباطات نامه­های الکترونیکی و ... اشاره کرد. اکثر روش­هایی که تاکنون در این زمینه ارائه شده است قادرند که فقط روی داده­های استاتیک کار کنند یعنی فرض می­کنند که ساختار گراف به گونه­ای است که می­توان کل آنرا درون حافظه و به راحتی نگه داشت و در مقابل داده­هایی که در طول زمان وارد می­شوند و یا اندازه گرافآنها بسیار بزرگ هستند دچار مشکل می­شوند یا عملکرد ضعیفی دارند. در این پروژه یک ایده جدید برای پردازش گراف­های جریانی بزرگ ارائه شده است که در آن علاوه بر تشخیص بهینه مکان تغییرات در گراف­های جریانی بزرگ بدون نیاز به ذخیره کل گراف روی حافظه، محلیت تغییرات نیز تعیین می­شود. همچنین یک ساختمان داده جدید به نام ToLaMiS معرفی شده است که با کارایی بسیار بالایی از آن می­توان برای تشخیص عناصر پر تکرار در جریانی از داده­ها استفاده کرد. با توجه به دانش ما این اولین روشی است که از این ساختمان داده برای تشخیص تغییرات در گراف استفاده می­کند و همچنین اولین روشی است که می­تواند به خوبی مکان تغییرات را نیز دنبال کند.

 

  Abstract:

  In recent years data arrived faster than time needed to process them and if we want not to lose any important data we should use algorithms that process these data in a linear time. For this reason we couldn’t use traditional data mining approaches to process these data. An example of this kind of data is a graph stream. There are many real world applications that can be shown as graph data, for instance web, social networks, telecommunication interactions and etc. There are lots of algorithms that could work on static data which are memory-resident, but these algorithms are susceptible to large graph structures and data that received in a timely fashion. In this paper we bring a new idea to graph mining which can detect change points in streams of graph efficiently and also detect the locality of change in their network structure. Also, we introduce a new data structure known as ToLaMiS which can detect heavy-hitter objects in a data streams better than recent approaches. To the best of our knowledge this is the first approach that can spot change points in a graph and locality of these changes simultaneously.

 

 

  ارائه­دهنده:

 یاسر کنشلو

  مهندسی کامپیوتر- هوش مصنوعی

  استاد راهنما:

  دکتر محمدرضا کنگاوری

  استاد ممتحن داخلی : دکتر احمد اکبری

  استاد ممتحن خارجی :دکتر مسعود حسن پور

  زمان : شنبه 22 مهرماه 1391

  ساعت17

  مکان: دانشکده مهندسی کامپیوتر- طبقه سوم- اتاق دفاعیه

  از اساتید بزرگوار، دانشجویان گرامی و دیگر متخصصان و علاقه مندان به موضوع دفاعیه دعوت
می شود با حضور خود موجبات غنای علمی و ارتقای کیفی را فراهم سازند.

  دانشکده مهندسی کامپیوتر مدیریت تحصیلات تکمیلی

 

 


دفعات مشاهده: 4151 بار   |   دفعات چاپ: 959 بار   |   دفعات ارسال به دیگران: 34 بار   |   0 نظر