توسعه يك الگوريتم موازي جهت كاوش الگوهاي پرتكرار دوره اي در كلان داده هاي جرياني شبكه هاي حسگر بدني

تجهيزات پزشكي مانند حسگرهاي بدني (BSN) ها كه به بدن انسان امكان اتصال دارند و علائم حياتي انسان مانند ضربان قلب، فشارخون و دماي بدن را نظارت مي‌كنند، نقش عمده‌اي در بهبود سلامت ايفا مي‌كنند. جهت كاوش الگوهاي پرتكرار و دوره‌اي از داده هاي BSN از روش‌هاي الگو كاوي مبتني بر گروس با ساختارهاي درختي فشرده استفاده مي‌كنند. باوجود ساختارهاي فشرده مانند درخت، بازهم به‌كارگيري اين تكنيك‌ها با توجه به حجم زياد داده‌هاي پيوسته ورودي منجر به افزايش زمان اجراي عمليات روي كلان داده‌ها مي‌شود. به همين دليل، استفاده از تكنيك‌هاي موازي براي كار روي‌داده‌هاي حجيم و همچنين بستر موازي شده براي اجراي اين تكنيك‌ها ضروري است. در اين تحقيق سعي شده تا زمان اجراي عمليات كاوش الگوهاي دوره‌اي پرتكرار توليدشده از داده‌هاي شبكه‌هاي حسگر بدني را از طريق كاهش دفعات اسكن پايگاه داده و تغيير بستر موازي‌سازي بهبود دهيم. نتايج اين تحقيق با روش هاي RFSP-Tree و RFSP-H از كارهاي اخير مقايسه شده است كه زمان اجراي روش پيشنهادي نسبت به دو روش مذكور بهبود يافته است.