Paralleles CBAR-Verfahren im Hadoop-MapReduce-Rahmen

Das Clustering von Daten ist eine weit verbreitete Herausforderung in der Big-Data-Verarbeitung, und die Parallelisierung von Clustering-Vorgängen steigert die Effizienz von Anwendungen mit häufigen Suchvorgängen erheblich. Für die Datengruppierung stehen verschiedene Clustering-Techniken zur Verfügung, wobei CBAR in verschiedenen Anwendungen weit verbreitet ist. Die Parallelisierung von CBAR ist für Big Data unerlässlich, und die Hadoop MapReduce-Plattform bietet einen geeigneten Rahmen, um die Effizienz durch den Einsatz effektiver Segmentierungstechniken zu verbessern. In diesem Buch werden Algorithmen für CBAR unter Verwendung des MapReduce-Ansatzes entworfen und implementiert, wobei Tests auf Clustern mit bis zu 4 Knoten durchgeführt werden. Die Ergebnisse zeigen erhebliche Leistungssteigerungen, die anhand von anschaulichen Beispielen analysiert und diskutiert werden.

Autorentext

Sayantan Singha Roy è professore assistente presso il Dipartimento di Informatica e Ingegneria del Software, appassionato di didattica innovativa. I suoi interessi di ricerca includono il clustering dei big data, il calcolo parallelo e la sicurezza informatica basata sull'apprendimento automatico.