دانلود فایل ورد word پروژه خوشه بندی توافقی بر روی داده های توزیع شده ناهمگن
| دسته بندی | کامپیوتر |
| بازدید ها | 0 |
| فرمت فایل | doc |
| حجم فایل | 1144 کیلو بایت |
| تعداد صفحات فایل | 143 |
چکیده
خوشهبندی را میتوان یکی از مهمترین مراحل در تحلیل دادهها برشمرد. روشهای خوشهبندی بسیاری تاکنون توسعه و ارائه داده شدهاند. یکی از این روشها که در مطالعات اخیر مورد توجه و بررسی قرار گرفته است، روش خوشهبندی توافقی میباشد. هدف خوشهبندی توافقی ترکیب چند خوشهبندی اولیه و بدست آوردن یک خوشه بندی نهایی است به گونهای که در آن خوشهها از کیفیت بالاتری، نسبت به خوشهها در خوشهبندیهای اولیه، برخوردار باشند.
ما در این پروژه فرآیندی را جهت انجام خوشهبندی توافقی بر روی دادههای توزیع شده ناهمگن ارائه خواهیم نمود که این فرآیند از سه مرحله تشکیل میشود. در مرحلهی اول خوشههای نظیر به نظیر در خوشهبندیهای اولیه تشخیص داده میشود. در مرحلهی دوم هر یک از خوشهبندیهای اولیه وزندار میشوند. در مرحلهی سوم نیز خوشه بندی توافقی با توجه به وزن اختصاص داده شده به خوشه بندی ها، انجام میگردد.
در این پروژه فرآیند پیشنهادی بر روی دادههایی که به صورت ناهمگن توزیع شدهاند، مورد ارزیابی قرار گرفته است. نتایج ارزیابیهای انجام شده نیز با ۴ الگوریتم دیگر در زمینه ی خوشهبندی توافقی مقایسه شده است. مقایسههای انجام شده بیانگر آن است که فرآیند پیشنهادی در اغلب موارد از کارایی بالاتری نسبت به دیگر الگوریتمها برخوردار است.
فهرست مطالب
چکیده 1
فصل اول مقدمه 2
۱-۱- مقدمه 3
۱-۲- داده کاوی 3
۱-۳- روشهای داده کاوی 4
۱-۴- خوشه بندی 5
۱-۵- خوشه بندی توافقی 9
۱-۶- تحقیقات انجام گرفته در پروژه 12
۱-۷- نتایج بدست آمده 13
۱-۸- ساختار پروژه 13
فصل دوم مروری بر کارهای انجام شده 14
۲-۱- مقدمه 15
۲-۲- روشهای خوشهبندی 15
۲-۲-۱- روشهای بخشبندی 17
۲-۲-۲- روشهای سلسله مراتبی 19
۲-۲-۳- الگوریتم خوشهبندی K-Means 19
۲-۳- خوشهبندی توافقی 22
۲-۳-۱- انگیزههای استفاده از خوشهبندی توافقی 23
۲-۳-۲- مسئله خوشهبندی توافقی: ارائهی مثال 25
۲-۳-۳- مروری بر روشهای خوشهبندی توافقی 26
۲-۳-۴- گروهبندی روشهای خوشهبندی توافقی 27
۲-۳-۵- روشهای شباهت محور 31
شباهت دوبهدو(ماتریس همبستگی) 31
گراف محور 35
۲-۳-۶- روشهای توافقی با استفاده از اطلاعات دوجانبه 39
۲-۳-۷- روشهای توافقی با استفاده از مدل ترکیبی 40
۲-۳-۸- روشهای توافقی رأی محور 42
۲-۴- روشهای تولید اجتماع خوشهبندیها 46
۲-۵- خلاصه فصل 49
فصل سوم ارائهی راهکار پیشنهادی: خوشهبندی توافقی بر روی دادههای توزیع شده ناهمگن 51
۳-۱- مقدمه 52
۳-۲- راهکار پیشنهادی 53
۳-۲-۱- تشخیص نظیر به نظیر بودن خوشه¬ها 53
۳-۲-۲- خوشهبندیهای دارای وزن 60
۳-۲-۳- خوشهبندی توافقی بر روی داده های توزیع شده ناهمگن 64
۳-۳- تولید اجتماع خوشهبندیها 67
۳-۴- خلاصه فصل 68
فصل چهارم پیادهسازی راهکار پیشنهادی و نتایج ارزیابی آن 70
۴-۱- مقدمه 71
۴-۲- معیارهای ارزیابی 71
۴-۲-۱- معیار دقت 72
۴-۲-۲- شاخص Davies-Bouldin 73
۴-۲-۳- شاخص Rand 73
۴-۲-۴- متوسط اطلاعات دوجانبه نرمالسازی شده (ANMI) 75
۴-۳- پیادهسازی 76
۴-۴- مجموعههای دادهای 76
۴-۵- نتایج ارزیابی 78
۴-۵-۱- معیار دقت 78
۴-۵-۲- شاخص Davies-Bouldin 81
۴-۵-۳- شاخص Rand 83
۴-۵-۴- متوسط اطلاعات دوجانبه نرمالسازی شده (ANMI) 85
۴-۶- خلاصه فصل 87
فصل پنجم نتیجهگیری و کارهای آینده 88
۵-۱- مقدمه 89
۵-۲- نتیجه گیری 89
۵-۳- کارهای آینده 92
مراجع 94
دانلود فایل ورد word پروژه الگوریتم طبقه بندی k نزدیک ترین همسایه فازی داده برای محرمانگی در محاسبات ابری
| دسته بندی | کامپیوتر |
| بازدید ها | 0 |
| فرمت فایل | doc |
| حجم فایل | 1579 کیلو بایت |
| تعداد صفحات فایل | 110 |
پردازش ابری و محیط ابر و پایگاه داده های ابری محل ذخیره سازی اطلاعات روی وب می باشد و برای بالا بردن امنیت در آن ها باید بهترین راه حل را استفاده کرد. مساله ما در اینجا طبقه بندی داده های محرمانه و فوق محرمانه و سپس رمزگذاری آن ها برای ذخیره در ابر می باشد برای این کار سرعت و دقت بسیار مهم می باشد. در این پژوهش یک الگوریتم طبقه بندی داده فازی، در محیط ابری استفاده شده است که در نهایت با زبان جاوا و در شبیه ساز کلودسیم شبیه سازی شد و توانست طبقه¬بندی موثری برای داده¬ها در محیط ابر ایجاد کند.
الگوریتم طبقه بند ارایه شده، الگوریتم k-نزدیک ترین همسایه فازی است. با توجه به خصوصیات خوبی که الگوریتم k-نزدیک¬ترین همسایه فازی دارد توانست با سرعت و دقت بیشتر داده های محرمانه، فوق محرمانه و عمومی را طبقه بندی کند و برای رمزگذاری مناسب برای ذخیره سازی در ابر آماده کند و کارایی طبقه بندی داده برای ذخیره سازی در ابر را بهبود بخشد.
روش کار بدین صورت می باشد که داده های یک پایگاه داده ۱۵۰۰۰ رکوردی ابتدا توسط الگوریتم k-نزدیک ترین همسایه عادی طبقه بندی می شود و داده ها به مرحله رمزگذاری فرستاده می¬شوند و در نهایت در ابر ذخیره می شوند و در مقابل آن همان پایگاه داده توسط الگوریتم k-نزدیک ترین همسایه فازی طبقه-بندی می شود و به سه کلاس فوق محرمانه، محرمانه و عمومی به مرحله بعدی که رمزگذاری و ذخیره در ابر می باشد فرستاده می شود. در پیاده سازی این روش از زبان جاوا و شبیه ساز کلودسیم استفاده شده است و نتایج حاصل به خوبی بیانگر کارایی بهتر الگوریتم k-نزدیک ترین همسایه فازی می باشد که موجب تولید نتایج بهتر نسبت به الگوریتم k-نزدیک ترین همسایه عادی می¬شود .
پردازش ابری، امنیت، طبقه بندی k-نزدیک ترین همسایه، طبقه بندی k-نزدیک ترین همسایه فازی
چکیده: 1
فصل اول: مقدمه 2
۱-۱ مقدمه 2
۱-۲ تعریف مساله و بیان سوال¬های اصلی تحقیق 3
۱-۳ سابقه وضرورت انجام تحقیق 4
۱-۴ هدف¬ها 8
۱-۵ جنبه نوآوری تحقیق 9
۱-۶ مراحل انجام تحقیق 9
۱-۷ ساختار پروژه 9
فصل دوم: مباحث عمومی پردازش ابری، امنیت و شبیه سازی 10
۲-۱ مقدمه 10
۲-۲ تاریخچه ی مختصری از رایانش ابری 11
۲-۳ وضعیت کنونی رایانش ابری 12
۲-۴ خصوصیات رایانش ابری 13
۲-۴-۱ ویژگی کلیدی رایانش ابری 17
۲-۴-۲ مزایای اصلی رایانش ابری 18
۲-۴-۳ کارهای امکان پذیر در رایانش ابری. 18
۲-۵ معماری رایانش ابری 19
۲-۶ امنیت و چالشهای رایانش ابری 21
۲-۷ امنیت در رایانش ابری 22
۲-۸ نقاط ضعف رایانش ابری 22
۲-۸-۱ نیاز به اتصال دائمی اینترنت 22
۲-۸-۲ کار نکردن با اینترنت کم سرعت 23
۲-۸-۳ حفظ حریم خصوصی 23
۲-۹ معایب امنیتی در محیط های ابری 23
۲-۹-۱ موقعیت داده 24
۲-۹-۲ تفکیک داده ها 24
۲-۱۰ تامین امنیت داده ها 24
۲-۱۰-۱ کنترل و دسترسی 25
۲-۱۰-۲ رمزگذاری 25
۲-۱۱ مقدمه ای بر شبیه سازی 26
۲-۱۲ برخی نرم افزارهای شبیه سازی شبکه های محاسباتی 28
۲-۱۳ آشنایی با ابزار کلودسیم 29
۲-۱۳-۱معماری کلودسیم 30
۲-۱۴ مدل های تخصیص ماشینهای مجازی 31
۲-۱۵ کلاس های موجود در کلودسیم 32
۲-۱۶ جمع بندی 35
فصل سوم: مروری بر کارهای گذشته والگوریتم های رمزنگاری 37
۳-۱ مقدمه 37
۳-۲ معرفی روش 38
۳-۳ سوابق کاری گذشته 39
۳-۴ اهداف روش 41
۳-۵ طبقه بندی داده ها 42
۳-۵-۱ یادگیری ماشین 42
۳-۶ تعریف داده حساس و غیرحساس 46
۳-۷ طبقه بند-Kنزدیک ترین همسایه 48
۳-۸ رمزنگاری با روشRSA 49
۳-۹ رمز و رمزنگاری 49
۳-۹-۱ الگوریتم های رمزنگاری 50
۳-۱۰ آراس ای 52
۳-۱۰-۱ مراحل الگوریتم RSA 51
۳-۱۱ استاندارد رمزنگاری پیشرفته 54
۳-۱۱-۱ شرح رمزنگاری 55
۳-۱۲جمع بندی 56
فصل چهارم: معرفی روش پیشنهادی 57
۴-۱ مقدمه 57
۴-۲ معرفی روش جدید -Kنزدیک ترین همسایه فازی برای طبقه بندی داده در محاسبات ابری 58
۱-۴-۲ نظریه مجموعه¬های فازی 58
۴-۳ تفاوت در نتایج حاصله از الگوریتم¬های طبقه¬بندی 58
۴-۴ چهارچوب مورد استفاده 59
۴-۵ روش پیشنهادی 59
۴-۵-۱ داده آموزشی و داده تست 61
۴-۵-۲ ذخیره در ابر 62
۴-۵-۳ روش کار الگوریتمKNN 62
۴-۵-۴ روش کار الگوریتمF-KNN 64
۶-۴ جمع¬بندی 66
فصل پنجم:آزمایش ها و ارزیابی نتایج 67
۵-۱ مقدمه 67
۵-۲ جایگاه داده آزمایش ومحیط پیاده سازی واجرا 68
۵-۳ مقایسه نتایج بدست آمده از الگوریتم -K نزدیک ترین همسایه عادی و فازی 72
۵-۴ خصوصیات لایه نرم افزار به عنوان سرویس 76
۵-۵ خصوصیات لایه پلتفرم به عنوان سرویس برای مدیریت مجازی 77
۵-۶ خصوصیات لایه زیرساخت به عنوان سرویس در شبیه¬سازی ابر 78
۵-۷ نرخ شناسایی 79
۵-۸ نتایج شبیه سازی 80
۵-۹ زمان شبیه سازی مراحل کار 81
۵-۱۰ جمع¬بندی 83
فصل ششم:نتیجه گیری و پیشنهادها 84
۶-۱ مقدمه 84
۶-۲ نتایج حاصل از تحقیق 84
۶-۳ پیشنهادها 85
مراجع: 86
واژه نامه انگلیسی 89
چکیده انگلیسی