HPPD : a hybrid parallel framework of partition-based and density-based clustering algorithms in data streams

Data stream clustering refers to the process of grouping continuously arriving new data chunks into continuously changing groups to enable dynamic analysis of segmentation patterns. However, the main attention of research on clustering methods till now has been concerned with alteration of the metho...

Celý popis

Uloženo v:
Podrobná bibliografie
Vydáno v:AL-Rafidain journal of computer sciences and mathematics Ročník 14; číslo 1; s. 67 - 82
Hlavní autor: al-Abd al-Aziz, Ammar Zahir Yasin
Médium: Journal Article
Jazyk:angličtina
Vydáno: الموصل، العراق جامعة الموصل، كلية علوم الحاسبات و الرياضيات 03.06.2020
Mosul University
Témata:
big data
data stream clustering algorithms
hybrid clustering algorithms
الخوارزميات
نظم المعالجة المتوازية
ISSN:1815-4816, 2311-7990
On-line přístup:Získat plný text
Tagy: Přidat tag
Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!
Abstract Data stream clustering refers to the process of grouping continuously arriving new data chunks into continuously changing groups to enable dynamic analysis of segmentation patterns. However, the main attention of research on clustering methods till now has been concerned with alteration of the methods updated for static datasets and changes of the available modified methods. Such methods presented only one type of final output clusters, i. e. convex or non-convex shape clusters. This paper presents a novel two-phase parallel hybrid clustering (HPPD) algorithm that identify convex and non-convex groups in online stage and mixed groups in offline stage from data stream. In this work, we first receive the data stream and apply pre-processing step to identify convex and non-convex clusters. Secondly, apply modified EINCKM to present online output convex clusters and modified EDDS to present online output non-convex clusters in parallel scheme. Thirdly, apply adaptive merging strategy in offline stage to give last composed output groups. The method is assessed on a synthetic dataset. The output results of the experiments have authenticate the activeness and effectiveness of the method. المصطلح عنقدة البيانات المستمرة يشير الى عملية توزيع مستمرة للبيانات الجديدة و المتولدة بشكل مستمر إلى مجاميع قابلة للتغيير بشكل مستمر لتمكين عملية التحليل المتزامنة للأنماط الجديدة. على اية حال، توجه البحوث في مجال خوارزميات العنقدة الى وقتنا هذا متركزة على تحديث هذه الخوارزميات و التي تعمل مع البيانات الثابتة الى بيئة البيانات المستمرة او تطوير خوارزميات البيانات المستمرة. هذه الخوارزميات تقدم فقط نوع واحد من العناقد المخرجة و التي تكون اما عناقيد كروية او عناقيد غير منتظمة الشكل. هذا البحث يقدم خوارزمية متوازية هجينة جديدة تدعى HPPD و التي تميز العناقيد الكروية و العناقيد غير الكروية في الطور المباشر وكذلك تميز العناقيد المشتركة في الطور غير المباشر. في هذا البحث، اولا نقوم باستلام البيانات المستمرة ونطبق عليها عمليات تهيئة استباقية لاكتشاف العناقيد الكروية وغير الكروية. ثانيا، نقوم بتطبيق نسخة محدثة من خوارزمية EINCKM على العناقيد الكروية وكذلك نطبق نسخة محدثة من خوارزمية EDDS على العناقيد غير الكروية وهذا يتم في الطور المباشر. ثالثا، نطبق ستراتجية دمج جديدة للحصول على العناقيد المختلطة النهائية. هذه الخوارزمية تم فحصها على بيانات افتراضية لغرض معرفة مدى فاعليتها. النتائج النهائية للتجارب وثقت فاعلية و فائدة الخوارزمية المقترحة و مدى فرقها عن سابقاتها.
AbstractList Data stream clustering refers to the process of grouping continuously arriving new data chunks into continuously changing groups to enable dynamic analysis of segmentation patterns. However, the main attention of research on clustering methods till now has been concerned with alteration of the methods updated for static datasets and changes of the available modified methods. Such methods presented only one type of final output clusters, i.e. convex or non-convex shape clusters. This paper presents a novel two-phase parallel hybrid clustering (HPPD) algorithm that identify convex and non-convex groups in online stage and mixed groups in offline stage from data stream. In this work, we first receive the data stream and apply pre-processing step to identify convex and non-convex clusters. Secondly, apply modified EINCKM to present online output convex clusters and modified EDDS to present online output non-convex clusters in parallel scheme. Thirdly, apply adaptive merging strategy in offline stage to give last composed output groups. The method is assessed on a synthetic dataset. The output results of the experiments have authenticate the activeness and effectiveness of the method.
Data stream clustering refers to the process of grouping continuously arriving new data chunks into continuously changing groups to enable dynamic analysis of segmentation patterns. However, the main attention of research on clustering methods till now has been concerned with alteration of the methods updated for static datasets and changes of the available modified methods. Such methods presented only one type of final output clusters, i. e. convex or non-convex shape clusters. This paper presents a novel two-phase parallel hybrid clustering (HPPD) algorithm that identify convex and non-convex groups in online stage and mixed groups in offline stage from data stream. In this work, we first receive the data stream and apply pre-processing step to identify convex and non-convex clusters. Secondly, apply modified EINCKM to present online output convex clusters and modified EDDS to present online output non-convex clusters in parallel scheme. Thirdly, apply adaptive merging strategy in offline stage to give last composed output groups. The method is assessed on a synthetic dataset. The output results of the experiments have authenticate the activeness and effectiveness of the method. المصطلح عنقدة البيانات المستمرة يشير الى عملية توزيع مستمرة للبيانات الجديدة و المتولدة بشكل مستمر إلى مجاميع قابلة للتغيير بشكل مستمر لتمكين عملية التحليل المتزامنة للأنماط الجديدة. على اية حال، توجه البحوث في مجال خوارزميات العنقدة الى وقتنا هذا متركزة على تحديث هذه الخوارزميات و التي تعمل مع البيانات الثابتة الى بيئة البيانات المستمرة او تطوير خوارزميات البيانات المستمرة. هذه الخوارزميات تقدم فقط نوع واحد من العناقد المخرجة و التي تكون اما عناقيد كروية او عناقيد غير منتظمة الشكل. هذا البحث يقدم خوارزمية متوازية هجينة جديدة تدعى HPPD و التي تميز العناقيد الكروية و العناقيد غير الكروية في الطور المباشر وكذلك تميز العناقيد المشتركة في الطور غير المباشر. في هذا البحث، اولا نقوم باستلام البيانات المستمرة ونطبق عليها عمليات تهيئة استباقية لاكتشاف العناقيد الكروية وغير الكروية. ثانيا، نقوم بتطبيق نسخة محدثة من خوارزمية EINCKM على العناقيد الكروية وكذلك نطبق نسخة محدثة من خوارزمية EDDS على العناقيد غير الكروية وهذا يتم في الطور المباشر. ثالثا، نطبق ستراتجية دمج جديدة للحصول على العناقيد المختلطة النهائية. هذه الخوارزمية تم فحصها على بيانات افتراضية لغرض معرفة مدى فاعليتها. النتائج النهائية للتجارب وثقت فاعلية و فائدة الخوارزمية المقترحة و مدى فرقها عن سابقاتها.
Author al-Abd al-Aziz, Ammar Zahir Yasin
Author_xml – sequence: 1
  fullname: al-Abd al-Aziz, Ammar Zahir Yasin
  organization: Department of Computer Science College of Computer Science and Mathmatics University of Mosul, Mosul, Iraq
BookMark eNpFkMtqHDEQRUVwIGNnPiCboB_oiV4ttbwLjh0bDPbCWYuSVBrL7m4ZqUOYv888TLIquNQ9cM85OZvLjIR84Wwj5WDtt9Cml41ggm24VtqYD2QlJOedsZadkRUfeN-pgetPZN1a9kxqoTizakWm28fHH_SSAn3e-ZojfYMK44gjTRUm_FPqKy3pkC55yWXuPDSMFOZII84tL7v3JIy_24I1z1sK47bUvDxPjeaZRliAtqUiTO0z-ZhgbLh-vxfk183109Vtd__w8-7q-30XuFGmG3rUxovBRz8klmJgTBvhBUgF0eo-BgMy9oZHFMCDSDbGgFIIiYJx8PKC3J24scCLe6t5grpzBbI7BqVu3WFQGNGFpFWSOgTdS8WjHcD30rA-oDVgbNyz-IkVammtYvrH48wd9buDfnfQ7076952vpw7uHzHB_4oQajBK_gX7QoaP
ContentType Journal Article
DBID ADJCN
AHFXO
AAYXX
CITATION
DOA
DOI 10.33899/csmj.2020.164677
DatabaseName الدوريات العلمية والإحصائية - e-Marefa Academic and Statistical Periodicals
معرفة - المحتوى العربي الأكاديمي المتكامل - e-Marefa Academic Complete
CrossRef
DOAJ Directory of Open Access Journals
DatabaseTitle CrossRef
DatabaseTitleList

Database_xml – sequence: 1
  dbid: DOA
  name: DOAJ Directory of Open Access Journals
  url: https://www.doaj.org/
  sourceTypes: Open Website
DeliveryMethod fulltext_linktorsrc
Discipline Mathematics
DocumentTitleAlternate نموذج متوازي هجين لخوارزميات العنقدة للبيانات المستمرة بالاعتماد على التقسيم و الكثافة للبيانات
EISSN 2311-7990
EndPage 82
ExternalDocumentID oai_doaj_org_article_cf64f36cc65341d98ab53705ce97a79d
10_33899_csmj_2020_164677
1224874
GroupedDBID ADJCN
AFWDF
AHFXO
ALMA_UNASSIGNED_HOLDINGS
ARCSS
.K5
AAYXX
CITATION
GROUPED_DOAJ
ID FETCH-LOGICAL-c1747-85e67b28bdb8f0fdc00672b2a34ad965dc7a3d571de2a1c2f9ddce3223e201ab3
IEDL.DBID DOA
ISSN 1815-4816
IngestDate Tue Oct 14 19:07:34 EDT 2025
Sat Nov 29 07:26:22 EST 2025
Thu Sep 25 15:05:46 EDT 2025
IsDoiOpenAccess true
IsOpenAccess true
IsPeerReviewed true
IsScholarly true
Issue 1
LCCallNum_Ident QA
Language English
License https://creativecommons.org/licenses/by/4.0/legalcode
LinkModel DirectLink
MergedId FETCHMERGED-LOGICAL-c1747-85e67b28bdb8f0fdc00672b2a34ad965dc7a3d571de2a1c2f9ddce3223e201ab3
OpenAccessLink https://doaj.org/article/cf64f36cc65341d98ab53705ce97a79d
PageCount 16
ParticipantIDs doaj_primary_oai_doaj_org_article_cf64f36cc65341d98ab53705ce97a79d
crossref_primary_10_33899_csmj_2020_164677
emarefa_primary_1224874
PublicationCentury 2000
PublicationDate 2020-06-03
PublicationDateYYYYMMDD 2020-06-03
PublicationDate_xml – month: 06
  year: 2020
  text: 2020-06-03
  day: 03
PublicationDecade 2020
PublicationPlace الموصل، العراق
PublicationPlace_xml – name: الموصل، العراق
PublicationTitle AL-Rafidain journal of computer sciences and mathematics
PublicationYear 2020
Publisher جامعة الموصل، كلية علوم الحاسبات و الرياضيات
Mosul University
Publisher_xml – name: جامعة الموصل، كلية علوم الحاسبات و الرياضيات
– name: Mosul University
SSID ssib036241094
ssib046786262
ssib044757849
ssj0002872981
Score 2.107067
Snippet Data stream clustering refers to the process of grouping continuously arriving new data chunks into continuously changing groups to enable dynamic analysis of...
SourceID doaj
crossref
emarefa
SourceType Open Website
Index Database
Publisher
StartPage 67
SubjectTerms big data
data stream clustering algorithms
hybrid clustering algorithms
الخوارزميات
نظم المعالجة المتوازية
Title HPPD : a hybrid parallel framework of partition-based and density-based clustering algorithms in data streams
URI https://search.emarefa.net/detail/BIM-1224874
https://doaj.org/article/cf64f36cc65341d98ab53705ce97a79d
Volume 14
hasFullText 1
inHoldings 1
isFullTextHit
isPrint
journalDatabaseRights – providerCode: PRVAON
  databaseName: DOAJ Directory of Open Access Journals
  customDbUrl:
  eissn: 2311-7990
  dateEnd: 99991231
  omitProxy: false
  ssIdentifier: ssj0002872981
  issn: 1815-4816
  databaseCode: DOA
  dateStart: 20040101
  isFulltext: true
  titleUrlDefault: https://www.doaj.org/
  providerName: Directory of Open Access Journals
– providerCode: PRVHPJ
  databaseName: ROAD: Directory of Open Access Scholarly Resources
  customDbUrl:
  eissn: 2311-7990
  dateEnd: 99991231
  omitProxy: false
  ssIdentifier: ssib044757849
  issn: 1815-4816
  databaseCode: M~E
  dateStart: 20140101
  isFulltext: true
  titleUrlDefault: https://road.issn.org
  providerName: ISSN International Centre
link http://cvtisr.summon.serialssolutions.com/2.0.0/link/0/eLvHCXMwrV07b9swECaCoEMzFGmbtE6bgEOnAkIkkuKjmxvH8JLAQwpkE44PpS5subCUAln623ukFMedsmQRIELP0-G--8Tjd4R8MXUojXAu8wLyTIB1GSCSZZhpF5KZ3EorUrMJdX2tb2_NfKfVV6wJ6-WBe8Odu1qKmkvnZIkB1xsNtuQqL10wCpTxMfrmyuyQKfQkjMqi2CEuUdVO6SeigdEhZvJs-zcGeQMzqaMpIl6ZCV3IfgqUR_25c9eufiGXZBhhJJ6r_gOxpPWfFvQC7sMOPE0PyZshr6Tj_n3ekr3QvCMHV1tR1vY9Wc7m88k3Oqazh7hMi85hExupLOn0sUCLrus42usXZRHgPIXG00mscu8ehpGL5X1UV0DMo-Pl3Xqz6H6uWrpo6AQ6oHGaG1btEfkxvby5mGVDs4XMISlBpCqDVJZp662u89q7NElrGXAB3sjSOwXcl6rwgUHhWG28dwHDAQ-YQ4Dlx2S_WTfhI6GKOe6lcB5UEMxrKLhl1npMRUFqZ0fk66P1qt-9pkaFXCSZuoqmrqKpq97UI_I92nd7YJTDTgPoJNXgJNVzTjIiH4av83RDzF20EicvcflP5HV84lRBxj-T_W5zH07JK_enW7Sbs-SZuL36e_kPY4bimg
linkProvider Directory of Open Access Journals
openUrl ctx_ver=Z39.88-2004&ctx_enc=info%3Aofi%2Fenc%3AUTF-8&rfr_id=info%3Asid%2Fsummon.serialssolutions.com&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=HPPD+%3A+a+hybrid+parallel+framework+of+partition-based+and+density-based+clustering+algorithms+in+data+streams&rft.jtitle=%D9%85%D8%AC%D9%84%D8%A9+%D8%A7%D9%84%D8%B1%D8%A7%D9%81%D8%AF%D9%8A%D9%86+%D9%84%D8%B9%D9%84%D9%88%D9%85+%D8%A7%D9%84%D8%AD%D8%A7%D8%B3%D8%A8%D8%A7%D8%AA+%D9%88+%D8%A7%D9%84%D8%B1%D9%8A%D8%A7%D8%B6%D9%8A%D8%A7%D8%AA+%3A+%D9%85%D8%AC%D9%84%D8%A9+%D8%B9%D9%84%D9%85%D9%8A%D8%A9+%D9%85%D8%AD%D9%83%D9%85%D8%A9+%D9%88+%D9%85%D9%81%D9%87%D8%B1%D8%B3%D8%A9.&rft.au=al-Abd+al-Aziz%2C+Ammar+Zahir+Yasin&rft.date=2020-06-03&rft.pub=%D8%AC%D8%A7%D9%85%D8%B9%D8%A9+%D8%A7%D9%84%D9%85%D9%88%D8%B5%D9%84%D8%8C+%D9%83%D9%84%D9%8A%D8%A9+%D8%B9%D9%84%D9%88%D9%85+%D8%A7%D9%84%D8%AD%D8%A7%D8%B3%D8%A8%D8%A7%D8%AA+%D9%88+%D8%A7%D9%84%D8%B1%D9%8A%D8%A7%D8%B6%D9%8A%D8%A7%D8%AA&rft.issn=1815-4816&rft.volume=14&rft.issue=1&rft.spage=67&rft.epage=82&rft_id=info:doi/10.33899%2Fcsmj.2020.164677&rft.externalDBID=ADJCN&rft.externalDocID=1224874
thumbnail_l http://covers-cdn.summon.serialssolutions.com/index.aspx?isbn=/lc.gif&issn=1815-4816&client=summon
thumbnail_m http://covers-cdn.summon.serialssolutions.com/index.aspx?isbn=/mc.gif&issn=1815-4816&client=summon
thumbnail_s http://covers-cdn.summon.serialssolutions.com/index.aspx?isbn=/sc.gif&issn=1815-4816&client=summon