تشخيص داده هاي پرت مشروط به منظور تحليل جريان هاي داده مبتني بر توزيع پواسون در شبكه هاي بيسيم موردي

A new method to detect poisson based outliers in ad hoc networks

داده كاوي به عنوان روشي براي پردازش و تحليل داده به منظور كشف اطلاعات مفيد و پنهان استفاده مي شود. تشخيص داده هاي پرت يك روش زير مجموعه از داده كاوي براي نقاط داده اي است كه به شكل مشخصي از بقيه مجموعه داده منحرف شده اند. دلايل بسيار زيادي مانند خطاهاي انساني يا تجهيزات، نويز يا تغيير رفتار سيستم باعث بوجود آمدن داده هاي پرت مي شود. مجموعه داده هايي كه بر اساس توزيع پواسون مي باشند يكي از مجموعه داده هايي هستند كه كاربرد هاي بسياري مانند شبكه هاي كامپيوتري و يا اينترنت بر اساس آنها مي باشند و بايد تحليل شوند. داده هاي پرت مشروط داده هايي هستند كه نسبت به بقيه مجموعه داده در يك قسمت مشخص منحرف شده اند. روش معرفي شده بر اساس تشخيص روند داده در يك مجموعه داده و ساخت چند زير مجموعه جديد به منظور تشخيص داده هاي پرت مشروط كار مي كند. افزايش صحت و اطمينان به نتايج، اهداف روش پيشنهادي مي باشد. روش پيشنهادي با روش HAMPELدرجهت ارزيابي كارايي در يك شبكه موردي شبيه سازي شده مقايسه شده است.

Data mining is to process data and find information. Outlier detection is a data mining method. Different situations make outliers such as noise or human errors. Poisson distribution can show different patterns in computer networks. The presented method is to discover outliers in poisson distibutions and the use case is data gathered from ad hoc networks. The metshod is able to find outliers and remove them from a part of data that can prepare it for future.