پایان نامه و پروژه کامل در مورد شبکه های Gridگرید (فرمت Word ورد doc)تعداد صفحات 48

پایان نامه و پروژه کامل در مورد شبکه های Gridگرید (فرمت Word ورد doc)

هدف Grid  در حالت کلی به اشتراک گذاری منابع در یک محیط پویا و احتمالا نا همگن است .این منابع با سیاستهای مختلف در دسترس قرار می گیرند . این به اشتراک گذاری عمدتا برای اهداف محاسباتی برای مقاصد علمی و بسیاری از موارد کاربرد دارد که این منابع می توانند منابع گوناگونی اعم از CPU  ،هارد دیسک ، نرم افزارها و سنسور ها باشد.

در این گفتار مفاهیم ، مزیت ها ، انواع گرید و کاربردهای آن را بررسی می کنیم و ابزاری برای مدیریت گرید معرفی می کنیم و اجزای گرید را معرفی کرده و در نهایت سرویسهای گرید بررسی می شوند.

در گذشته یکی از بزرگترین مشکلات کسانی که نیاز به محاسبات طولانی و پیچیده داشتند نبود امکانات سخت افزاری و نرم افزاری مناسب جهت انجام محاسبات در یک زمان معقول ومتناسب باعث شده بود گاها بسیاری ازمحاسبات روزها، ماه ها و گاها سالها به طول بیانجامد. در بسیاری از موارد دیده می شد که بعد از انجام یک دوره محاسبات طولانی، بعلت وجود داشتن ایرادی در قطعه کدی از برنامه کل محاسبات اشتباه از آب در می آمد و بایداز سر گرفته می شد.بعد ها برای رفع این مشکلت از ابرکامپیوترها استفاده کردند که قدرت پردازش بسیار بالایی داشت و متوانست محاسبات را سریعتر انجا م دهد و از زمان بکاهد.

شبکه های گرید

شبکه های گرید محاسباتی شبکه های محاسباتی گرید مجموعه ای از چندیدن سیستم با قدرت محاسباتی متفاوت می باشد که با متصل شدن این قدرت محاسباتی حاصل یک ابر رایانه ی مجازی شکل میگرید که با استفاده از آن می توان بسیاری از محاسبات پیچیده ی ریاضی،نجوم،زیست و... در زمان بسیار کمی انجام داد.شعار شبکه های محاسباتی نادیده گرفتن نگرانی های ناشی از محدودیت سخت افزاری سیستم های کامپیوتری می باشد.در شبکه های محاسباتی یا همان Grid computing منابع (منظور منابع فیزیکی) بین چندین کاربر موجود در شبکه مشترک هستند هر کابر، بصورت همزمان با دیگر کاربران درخواست هایش را ارائه می کند ،از این رو پروسه ها از چندین کاربر وارد می شود که این کارها از هم مستقل و هر درخواست با درخواست دیگر متفاوت است. معمولا بخش مدیریت منابع (Resource management) با محاسبات متفاوت،سرعت و اندازه های مختلف کارها را دریافت می کند ، سپس این پروسه های ورودی را به گره های محاسباتی(Nodes Computational) موجود در شبکه اختصاص می دهد .

                                                                                   ...

دانلود پایان نامه اجرای تکنیک های داده کاوی (فرمت Word ورد doc)تعداد صفحات 80 صفحه

تا به امروز نرم افزارهای تجاری و آموزشی فراوانی برای داده کاوی در حوزه های مختلف داده ها به دنیای علم و فناوری عرضه شده اند. هریک از آنها با توجه به نوع اصلی داده هایی که مورد کاوش قرار میدهند، روی الگوریتمهای خاصی متمرکز شده اند. مقایسه دقیق و علمی این ابزارها باید از جنبه های متفاوت و متعددی مانند تنوع انواع و فرمت داده های ورودی، حجم ممکن برای پردازش داده ها، الگـوریتمهای پیاده سـازی شده، روشهای ارزیابی نتایج، روشهای مصـور سـازی، روشهای پیش پردازش داده ها، واسطهای کاربر پسند، پلت‌فرمهای سازگار برای اجرا،قیمت و در دسترس بودن نرم افزار صورت گیرد. از آن میان، نرم افزار Weka با داشتن امکانات بسیار گسترده،امکان مقایسه خروجی روشهای مختلف با هم، راهنمای خوب، واسط گرافیگی کارا، سازگاری با سایر برنامه های ویندوزی، و از همه مهمتر وجود کتابی بسیار جامع و مرتبط با آن [Data Mining, witten et Al. 2005 ] ، معرفی میشود.

1- معرفی نرم افزار Weka

میزکارWeka ، مجموع‌های از الگوریتمهای روز یادگیری ماشینی و ابزارهای پیش پردازش داده‌ها میباشد. این نرم‌افزار به گونه‌ای طراحی شده است که میتوان به سرعت، روشهای موجود را به صورت انعطافپذیری روی مجموعه‌های جدید داده، آزمایش نمود. این نرم‌افزار، پشتیبانی‌های ارزشمندی را برای کل فرآیند داده کاوی های تجربی فراهم میکند. این پشتیبانی‌ها، آماده سازی داده‌های ورودی، ارزیابی آماری چارچوبهای یادگیری و نمایش گرافیکی داده‌های ورودی و نتایج یادگیری را در بر میگیرند. همچنین، هماهنگ با دامنه وسیع الگوریتمهای یادگیری، این نرم‌افزار شامل ابزارهای متنوع پیش پردازش داده‌هاست. این جعبه ابزار متنوع و جامع، از طریق یک واسط متداول در دسترس است، به نحوی که کاربر میتواند روشهای متفاوت را در آن با یکدیگر مقایسه کند و روشهایی را که برای مسایل مدنظر مناسبتر هستند، تشخیص دهد.

نرم‌افزار Weka در دانشگاه Waikato واقع در نیوزلند توسعه یافته است و اسم آن از عبارت"Waikato Environment for knowledge Analysis" استخراج گشته است. همچنین Weka ، نام پرندهای با طبیعت جستجوگر است که پرواز نمیکند و در نیوزلند، یافت میشود. (شکل زیر)

این سیستم به زبان جاوا نوشته شده و بر اساس لیسانس عمومی و فراگیر GNU انتشار یافته است.Weka تقریباً روی هر پلت فرمی اجرا میشود و نیز تحت سیستم عاملهای لینوکس، ویندوز، و مکینتاش، و حتی روی یک منشی دیجیتالی شخصی، آزمایش شده است.

این نرم افزار، یک واسط همگون برای بسیاری از الگوریتمهای یادگیری متفاوت، فراهم کرده است که از طریق آن روشهای پیش پردازش، پس از پردازش و ارزیابی نتایج طرح های یادگیری روی همه مجموعه های داده موجود، قابل اعمال است.

نرم افزار Weka ، پیاده سازی الگوریتمهای مختلف یادگیری را فراهم میکند و به آسانی میتوان آنها را به مجموعه های داده خود اعمال کرد.

  همچنین، این نرم افزار شامل مجموعه متنوعی از ابزارهای تبدیل مجموعه‌های داده ها، همانند الگوریتمهای گسسته سازی میباشد. در این محیط میتوان یک مجموعه داده را پیش پردازش کرد، آن را به یک طرح یادگیری وارد نمود، و دسته‌بندی حاصله و کارآیی‌اش را مورد تحلیل قرار داد.( همه این کارها، بدون نیاز به نوشتن هیچ قطعه برنامه‌ای میسر است.)

  این محیط، شامل روشهایی برای همه مسایل استاندارد داده کاوی مانند رگرسیون، رده‌بندی، خوشه‌بندی، کاوش قواعد انجمنی و انتخاب ویژگی میباشد. با در نظر گرفتن اینکه، داده‌ها بخش مکمل کار هستند، بسیاری از ابزارهای پیش پردازش داده‌ها و مصورسازی آنها فراهم گشته است. همه الگوریتم ها، ورودیهای خود را به صورت یک جدول رابطهای به فرمت ARFF دریافت میکنند. این فرمت داده‌ها، میتواند از یک فایل خوانده شده یا به وسیله یک درخواست از پایگاه دادهای تولید گردد.

یکی از راههای به کارگیری Weka ، اعمال یک روش یادگیری به یک مجموعه داده و تحلیل خروجی آن برای شناخت چیزهای بیشتری راجع به آن اطلاعات میباشد. راه دیگر استفاده از مدل یادگیری شده برای تولید پیشبینی‌هایی در مورد نمونه‌های جدید است. سومین راه، اعمال یادگیرنده‌های مختلف و مقایسه کارآیی آنها به منظور انتخاب یکی از آنها برای تخمین میباشد. روشهای یادگیری Classifier نامیده میشوند و در واسط تعاملی Weka ، میتوان هر یک از آنها را از منو انتخاب نمود. بسیاری از classifier ها پارامترهای قابل تنظیم دارند که میتوان از طریق صفحه ویژگی‌ها یا object editor به آنها دسترسی داشت. یک واحد ارزیابی مشترک، برای اندازه‌گیری کارآیی همه classifier به کار میرود.

پیاده سازیهای چارچوبهای یادگیری واقعی، منابع بسیار ارزشمندی هستند که Weka فراهم می کند. ابزارهایی که برای پیش پردازش داده‌ها استفاده میشوند Filter نامیده میشوند. همانند classifier ها، میتوان filter ها را از منوی مربوطه انتخاب کرده و آنها را با نیازمندیهای خود، سازگار نمود. در ادامه، به روش به کارگیری فیلترها اشاره میشود.

  علاوه بر موارد فوق، Weka شامل پیاده سازی الگوریتمهایی برای یادگیری قواعد انجمنی، خوشه‌بندی داده‌ها در جایی که هیچ دست‌های تعریف نشده است، و انتخاب ویژگیهای مرتبط در داده‌ها میباشد.

                                                                               ...