منصة الرسائل والاطاريح: تحسين عنقدة تدفق بيانات الاستشعار اعتماداً على إضافة ضوضاء كاوس

الخلاصة

بعد الانتشار الواسع لأجهزة الاستشعار في جميع انحاء العالم، أصبحت الحاجة إلى طرق فعالة لجمع ومعالجة البيانات المتدفقة أمرًا ضروريًا لفهم ومعالجة واستخلاص النتائج من هذه البيانات. عند تحليل هذا النوع من البيانات المستمرة، من المهم فهم الأنماط التي تتبعها، وهياكلها المختلفة، وكيفية وصولها بمعدلات متفاوتة. هناك العديد من الخوارزميات التي تُستخدم لتحليل مثل هذه البيانات، حيث تقوم كل خوارزمية بتحليل النتائج بطريقة محددة بناءً على طبيعة البيانات، ولكل منها أداؤها الخاص. في هذه الرسالة، تم تطبيق مرحلة ما قبل المعالجة على ثلاث مجموعات بيانات (مجموعة بيانات انواع غطاء الغابات، مجموعة بيانات الكهرباء، ومجموعة بيانات شبكة الاستشعار اللاسلكية واسعة النطاق في الوقت الحقيقي). ثم تم تنفيذ أربع خوارزميات للتجميع المتدفق: خوارزمية تجميع البيانات المتدفقة (D-Stream)، خوارزمية التجميع المستندة إلى الكثافة للبيانات المتدفقة (DenStream)، خوارزمية التجميع عالية الأداء للبيانات المتدفقة (HPStream)، وخوارزمية شجرة التجميع (ClusTree) تهدف هذه الخوارزميات إلى معالجة بعض التحديات التي تواجهها، مما يجعل أدائها أكثر دقة وكفاءة وفعالية بحيث تظهر التجمعات بشكل أكثر توازنًا وثباتًا. تم استخدام إضافة ضوضاء كاوس لمحاكاة وصول البيانات المتدفقة. أظهرت النتائج من مجموعات البيانات المختلفة أن هذه النماذج تعمل بشكل أفضل وأكثر كفاءة. كما تم تقييم سلوك هذه النماذج بأستخدام مقياس تعيين التجمعات (CMM) وأظهرت النتائج أن أعلى نسب دقة تم تحقيقها بواسطة خوارزميات D-Stream و DenStream وHPStream وClusTree كانت 89%، 98%، 99%، و97% على التوالي. وأثبت النموذج أن خوارزمية HPStream هي الأكثر كفاءة في التجميع بدقة بلغت 99%. علاوة على ذلك، تفوقت هذه الخوارزمية على بعض الخوارزميات الأخرى في الأعمال ذات الصلة.