مقیاس پذیری شبکه های اجتماعی به کمک منطق فازی

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 835

فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

CSCCIT02_026

تاریخ نمایه سازی: 9 فروردین 1395

چکیده مقاله:

شبکههای اجتماعی برخطOSN امروزه با صدها میلیون کاربر درحال گسترش یافتن هستند. به طوری که هر روزه محبوبتر میشوند. گسترش شبکههای اجتماعی در سالهای اخیر چالشهای در مقیاسپذیری اعم از دسترس بودن، ترافیکشبکه ، قابلیت اطمینان را به وجود آورده است. برای حل این مشکل راه حل توزیع و تکرار داده مطرح شده است. به طوری کهOSN ها معمولاً بروی سیستم توزیع شده توسعه پیدا میکنند. با وجود توزیع دادهها، در صورتی که دادهها درخواستی از طرف یک گره در همان سرور باشد. با توجه به اصل محلی بودن، مقیاسپذیری سیستم افزایش پیدا میکند. به دلیل ماهیت ذاتی پیچیده بودن OSN حال کجا و چه زمانی داده تخصیص و یا تکرار شود از چالش این موضوع است. این در حالی است که تکرار داده بهینه، از گروهNP-HARD است. ما در این مقاله، روشی ارائه دادیم که، به صورت زمان واقعی شبکه را مانیتور میکند و در هر لحظه که نیاز به تکرار داده بود بر اساس منطق فازی تکرار را انجام میدهد. نتایج به دست آمده نشان میدهد که این الگوریتم باعث کاهش و ترافیک شبکه، افزایش نرخ دسترسپذیری و قابلیت اطمینان شده است.

نویسندگان

علی پورحیدر

دانشگاه گیلان – پردیس دانشگاهی دانشگاه گیلان

اسدالله شاه بهرامی

دانشگاه گیلان – دانشکده فنی و مهندسی – گروه مهندسی کامپیوتر

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • online: h tp ://thenextwe. c om/facebook/2 01 _ 0/3 0/fa ...
  • M. P. Witlie, _ Pejovic, L. B . Deek, K. ...
  • online: http : /www.fa cebook. com lpresslinfo.php ?statistics , ...
  • J. M. Puj ol, V. Erramilli, G. Siganos, X. Yang, ...
  • Guoxin Liu, Haiying Shen, Harrison Chandler Selective Data Replication for ...
  • V. D. Blondel, J.-L. Guillaume, R. Lambiotte, and E. Lefebvre, ...
  • M. Saravanan, G. Prasad, K. Surana, and D. Suganthi, BLabeling ...
  • S.-Y. Chan, P. Hui, and K. Xu, B"Community detection of ...
  • Aggarwal Social Network Dato Analytics springer 2011 ...
  • Y. Sun, Y. Yu, and J. Han. Ranking-based clustering of ...
  • Hubspot study 1.545 B2B and B2C companies in October 2012 ...
  • //hl _ _ fferann _ _ /7 -fac ehook-stats-von _ ...
  • L. Danon, J. Duch, A. Diaz-Guilera, and A. Arenas, BComparing ...
  • U. N. Raghavan, R. Albert, and S. Kumara, B"Near linear ...
  • Matthieu Latapy, Main-memory Triangle Computations for Very Large (Sparse (Power-Law)) ...
  • "Yong-Yeol Ahn, James P. Bagrow & Sune Lehman" "Link communities ...
  • Ulrik Brandes, A Faster Algorithm for Betweenness Centrality, in Journal ...
  • Vincent D Blondel, Jean-Loup Guillaume, Renaud Lambiotte, Etienne Lefebvre, Fast ...
  • http :/snap _ stanford. edu/data/index html#socmets ...
  • Chris Biemam , Chinese Whispers _ an Efficient Graph Clustering ...
  • نمایش کامل مراجع