DILAF: چارچوبی برای تجزیه و تحلیل توزیع شده گزارشهای سیستم در مقیاس بزرگ برای تشخیص ناهنجاری
| عنوان | DILAF: چارچوبی برای تجزیه و تحلیل توزیع شده گزارشهای سیستم در مقیاس بزرگ برای تشخیص ناهنجاری |
|---|---|
| نویسنده | استکین، م.، زنگین، ح.، سوزر، حسن |
| تاریخ انتشار: | 2019-02 |
| محل انتشار | - وایلی |
| موضوع | تشخیص ناهنجاری، داده های بزرگ، سیستم های توزیع شده، تجزیه و تحلیل گزارش، یادگیری ماشین، پردازش موازی، معماری نرم افزار |
| نوع | دوره ای |
| زبان | انگلیسی |
| دیجیتال | بله |
| نسخه خطی | خیر |
| کتابخانه: | دانشگاه اوزیغین |
| شناسه دارایی کتابخانه | 0038-0644 |
| شماره ثبت | caf9f40e-1ede-4dff-9b54-3568a043d6b7 |
| محل کتابخانه | علوم کامپیوتر |
| تاریخ | 2019-02 |
| متن نمونه | گزارشهای سیستم منبع غنی اطلاعات برای تشخیص و پیشبینی ناهنجاریها هستند. با این حال، آنها می توانند حجم عظیمی از داده ها را شامل شوند که معمولاً بدون ساختار یا نیمه ساختار هستند. ما DILAF را معرفی می کنیم، چارچوبی برای تجزیه و تحلیل توزیع شده گزارش های سیستم در مقیاس بزرگ برای تشخیص ناهنجاری. DILAF از چندین فرآیند برای تسهیل تجزیه log، استخراج ویژگی و فعالیت های یادگیری ماشین تشکیل شده است. با توجه به ابزار موجود دو ویژگی متمایز دارد. اولاً، نیازی به در دسترس بودن کد منبع سیستم تحلیل شده نیست. دوم، طراحی شده است تا تمام فرآیندها را به صورت توزیع شده انجام دهد تا از تجزیه و تحلیل مقیاس پذیر در زمینه سیستم های توزیع شده در مقیاس بزرگ پشتیبانی کند. معماری نرم افزار DILAF را مورد بحث قرار می دهیم و پیاده سازی آن را معرفی می کنیم. ما آزمایشهای کنترلشده را بر اساس دو مجموعه داده برای ارزیابی اثربخشی چارچوب انجام دادیم. به طور خاص، ما ویژگیهای عملکرد و مقیاسپذیری را تحت درجات مختلف موازیسازی ارزیابی کردیم. نتایج نشان داد که DILAF میتواند همان سطوح دقت را حفظ کند در حالی که به طور متوسط بیش از 30 درصد بهبود عملکرد را در مقیاس سیستم در مقایسه با رویکردهای پایه که از پردازش کاملاً توزیع شده استفاده نمیکنند، به دست میآورد. |
| DOI | 10.1002/spe.2653 |
| Cilt | 49 |
