بررسي عملكرد نگاشت-كاهش بر روي چند الگوريتم موازي

براي پردازش مجموعه‌هاي عظيمي از داده‌ها بر روي رايانه‌ها چارچوبي وجود دارد كه بر روي موضوعي خاص فعاليت مي‌كند و آن نگاشت-كاهش است، در اين مقاله عملكرد نگاشت-كاهش را بر روي داده ها در الگوريتم هاي موازي ژنتيك، k-mod،MrAdam، Spatial Co-location Mining، الگوريتم موازي براي اعتبارسنجي داده هاي CIM و يك الگوريتم موازي براي پاكسازي داده بررسي مي كنيم، الگوريتم ژنتيك فاقد همگرايي و قبل از موعد مقرر، بهره وري را عملياتي مي كند، به منظور بهبود كارايي توسط قابليت موازي سازي و توزيع شدگي ثابت شده، برنامه نويسي ژنتيك با چارچوب نگاشت-كاهش ادغام مي شود، يك الگوريتم ژنتيك موازي ازنگاشت-كاهش به منظور پيدا كردن مينيمم زمان جستجو در نظريه Roughset براي استخراج قوانين در داده كاوي استفاده كرده است، بهبود فرايند الگوريتم k-mod موازي نيزدر چارچوب نگاشت-كاهش انجام مي شود به اين صورت كه نسبت نرخ افزايش سرعت خوب را در هنگام برخورد با مقياس بزرگ داده هاي قطعي به دست مي دهد، همچنين براي استخراج داده هاي بزرگ در موارد مكرر، الگوريتم MrAdam در چارچوب نگاشت-كاهش ارائه شده است، با افزايش داده، تضمين دقت هميشگي داده سخت است و بازده كاهش مي يابد، الگوريتم Spatial Co-location Miningبااستفاده از قدرت پردازش موازي مخصوصا چارچوب نگاشت-كاهش بازده پردازش كاوش فضايي بيشتري را بدست مي دهد، روش پيش پردازش داده كلاسيك در پردازش داده كلان با اطلاعات گمشده، نمي تواند نتايج دقيق و منطقي به دست آورد، الگوريتمي موازي براي پاكسازي داده با استفاده از نگاشت-كاهش براي پردازش داده كلان با اطلاعات گمشده به كار مي رود.