Методи інтелектуального аналізу даних засобами розподілених динамічних фреймворків

Abstract

Мета роботи - розробити теоретичні засади, архітектуру та алгоритмічне забезпечення розподіленого динамічного фреймворку кластеризації великих просторових даних. Об’єкт дослідження - процеси інтелектуального аналізу великих та просторово-прив’язаних даних у розподілених обчислювальних системах. Предмет дослідження - методи, алгоритми та архітектурні рішення, що забезпечують динамічну кластеризацію великих просторових наборів даних у розподілених фреймворках. Результати дослідження У роботі адаптовано парадигму MapReduce до задачі динамічної кластеризації, що дало змогу формалізувати процес обчислення в термінах map- та reduce-процедур. Висновок Запропоновано методологію та цілісну архітектуру розподіленого динамічного фреймворку кластеризації великих просторових даних, що поєднує локальний аналіз і геометричну агрегацію моделей.