ارزیابی الگوریتمهای یادگیری ماشین توزیعشده برای تشخیص ناهنجاری از گزارشهای سیستم در مقیاس بزرگ: یک مطالعه موردی
| عنوان | ارزیابی الگوریتمهای یادگیری ماشین توزیعشده برای تشخیص ناهنجاری از گزارشهای سیستم در مقیاس بزرگ: یک مطالعه موردی |
|---|---|
| نویسنده | استکین، م.، زنگین، ح.، سوزر، حسن |
| تاریخ انتشار: | 2018 |
| محل انتشار | - IEEE |
| موضوع | تجزیه و تحلیل گزارش، سیستم های توزیع شده، پردازش موازی، تشخیص ناهنجاری، داده های بزرگ، یادگیری ماشینی |
| نوع | سند |
| زبان | انگلیسی |
| دیجیتال | بله |
| نسخه خطی | خیر |
| کتابخانه: | دانشگاه اوزیغین |
| شناسه دارایی کتابخانه | 978-153865035-6 |
| شماره ثبت | 9d1d1493-2379-40d2-9e1b-8af75e88c82e |
| محل کتابخانه | علوم کامپیوتر |
| تاریخ | 2018 |
| یادداشتها | Cloud Computing and Big Data Laboratory (B3LAB) of TUBITAK-BILGEM ; آزمایشگاه تحقیقات نرم افزار (SRL) دانشگاه اوزیگین |
| متن نمونه | تشخیص ناهنجاری یک ویژگی با ارزش برای تشخیص و تشخیص عیب در سیستم های توزیع شده در مقیاس بزرگ است. این سیستمها معمولاً دهها میلیون خط گزارش را ارائه میکنند که میتوانند برای این منظور مورد سوء استفاده قرار گیرند. با این حال، پیاده سازی متمرکز الگوریتم های یادگیری ماشین سنتی برای تجزیه و تحلیل این داده ها به شیوه ای مقیاس پذیر کوتاهی می کند. یکی از راههای مقابله با این چالش استفاده از سیستمهای توزیعشده برای تجزیه و تحلیل حجم عظیمی از گزارشهای تولید شده توسط سیستمهای توزیعشده دیگر است. ما یک مطالعه موردی برای ارزیابی دو الگوریتم یادگیری ماشین بدون نظارت برای این منظور در یک مجموعه داده معیار انجام دادیم. به طور خاص، ما پیاده سازی های توزیع شده الگوریتم های PCA و K-means را ارزیابی کردیم. ما دقت و عملکرد این الگوریتم ها را با توجه به یکدیگر و با توجه به پیاده سازی متمرکز آنها مقایسه کردیم. نتایج نشان داد که نسخههای توزیعشده میتوانند به دقت یکسانی دست یابند و در مقایسه با نسخههای متمرکز خود، بهبود عملکرد را با سفارشات بزرگی ارائه دهند. عملکرد PCA بهتر از K-means است، اگرچه مشاهده کردیم که تفاوت بین این دو با افزایش درجه موازی کاهش می یابد. |
| DOI | 10.1109/BigData.2018.8621967 |
