تقييم خوارزميات التعلم الآلي الموزعة للكشف عن الحالات الشاذة من سجلات النظام واسعة النطاق: دراسة حالة
| العنوان | تقييم خوارزميات التعلم الآلي الموزعة للكشف عن الحالات الشاذة من سجلات النظام واسعة النطاق: دراسة حالة |
|---|---|
| المؤلف | استكين، م.، زينجين، هـ.، سوزر، حسن |
| تاريخ النشر: | 2018 |
| مكان النشر | - IEEE |
| الموضوع | تحليل السجل، الأنظمة الموزعة، المعالجة المتوازية، اكتشاف الشذوذ، البيانات الضخمة، التعلم الآلي |
| النوع | وثيقة |
| اللغة | الإنجليزية |
| رقمي | نعم |
| مخطوط | لا |
| المكتبة: | جامعة اوزيجين |
| معرف أصل المكتبة | 978-153865035-6 |
| رقم السجل | 9d1d1493-2379-40d2-9e1b-8af75e88c82e |
| موقع المكتبة | علوم الكمبيوتر |
| التاريخ | 2018 |
| ملاحظات | مختبر الحوسبة السحابية والبيانات الضخمة (B3LAB) التابع لـ TUBITAK-BILGEM؛ مختبر أبحاث البرمجيات (SRL) بجامعة أوزيجين |
| نص عينة | يعد اكتشاف الحالات الشاذة ميزة قيمة لاكتشاف وتشخيص الأخطاء في الأنظمة الموزعة واسعة النطاق. توفر هذه الأنظمة عادةً عشرات الملايين من سطور السجلات التي يمكن استغلالها لهذا الغرض. ومع ذلك، فإن التطبيقات المركزية لخوارزميات التعلم الآلي التقليدية لا تستطيع تحليل هذه البيانات بطريقة قابلة للتطوير. تتمثل إحدى طرق مواجهة هذا التحدي في استخدام الأنظمة الموزعة لتحليل الكم الهائل من السجلات التي تم إنشاؤها بواسطة الأنظمة الموزعة الأخرى. لقد أجرينا دراسة حالة لتقييم خوارزميتين للتعلم الآلي غير الخاضعين للرقابة لهذا الغرض على مجموعة بيانات مرجعية. على وجه الخصوص، قمنا بتقييم التطبيقات الموزعة لخوارزميات PCA وK-means. قمنا بمقارنة دقة وأداء هذه الخوارزميات فيما يتعلق ببعضها البعض وفيما يتعلق بتطبيقاتها المركزية. وأظهرت النتائج أن الإصدارات الموزعة يمكن أن تحقق نفس الدقة وتوفر تحسينًا في الأداء من حيث الحجم مقارنة بإصداراتها المركزية. تبين أن أداء PCA أفضل من متوسطات K، على الرغم من أننا لاحظنا أن الفرق بين الاثنين يميل إلى الانخفاض مع زيادة درجة التوازي. |
| DOI | 10.1109/BigData.2018.8621967 |
