KR20200092474A - 푸아송 과정 및 Self-Organizing 지도를 사용하여 연결된 데이터 클라우드에 엔티티의 역학을 예측하는 방법 - Google Patents

푸아송 과정 및 Self-Organizing 지도를 사용하여 연결된 데이터 클라우드에 엔티티의 역학을 예측하는 방법 Download PDF

Info

Publication number
KR20200092474A
KR20200092474A KR1020190002617A KR20190002617A KR20200092474A KR 20200092474 A KR20200092474 A KR 20200092474A KR 1020190002617 A KR1020190002617 A KR 1020190002617A KR 20190002617 A KR20190002617 A KR 20190002617A KR 20200092474 A KR20200092474 A KR 20200092474A
Authority
KR
South Korea
Prior art keywords
dynamics
entity
data
cloud
predicting
Prior art date
Application number
KR1020190002617A
Other languages
English (en)
Other versions
KR102158120B1 (ko
Inventor
이승룡
아크타르 우스만
Original Assignee
경희대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 경희대학교 산학협력단 filed Critical 경희대학교 산학협력단
Priority to KR1020190002617A priority Critical patent/KR102158120B1/ko
Publication of KR20200092474A publication Critical patent/KR20200092474A/ko
Application granted granted Critical
Publication of KR102158120B1 publication Critical patent/KR102158120B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 링크된 데이터 클라우드(Linked data cloud)에서의 데이터 변화, 특히 변화 추정 및 자기 조직화 맵(self-organizing maps, SOM)에 대한 푸아송 프로세스를 고차원 데이터의 시각적 변화로 평가하기 위한 시맨틱 빅 데이터, 확률 및 기계 학습 모델의 분야에 관한 것으로서, 일실시예에 따른 연결된 데이터 클라우드에서 엔티티 역학 예측 방법은 푸아송 분포(Poisson distribution)를 기반으로 하는 변화 추정 모델(A change estimation model)을 생성하는 단계, 상기 생성된 변화 추정 모델을 이용하여 연결된 데이터 클라우드(Linked Data Cloud)의 엔티티별 역학을 측정하는 단계, 및 상기 측정된 엔티티별 역학을 고려하여 상기 연결된 데이터 클라우드(Linked Data Cloud)에 기록된 데이터 사본의 업데이트에 대한 우선순위를 결정하는 단계를 포함할 수 있다.

Description

푸아송 과정 및 Self-Organizing 지도를 사용하여 연결된 데이터 클라우드에 엔티티의 역학을 예측하는 방법{SYSTEM FOR ESTIMATING ENTITY DYNAMICS IN LINKED DATA CLOUD USING POISSON PROCESS AND SELF-ORGANIZING MAPS}
본 발명은 링크된 데이터 클라우드(Linked data cloud)에서의 데이터 변화, 특히 변화 추정 및 자기 조직화 맵(self-organizing maps, SOM)에 대한 푸아송 프로세스를 고차원 데이터의 시각적 변화로 평가하기 위한 시맨틱 빅 데이터, 확률 및 기계 학습 모델의 분야에 관한 것이다.
Linked Open Data(LOD)는 구조적으로 표현하고 데이터를 연결하는 글로벌 정보 공간이다.
Linked Open Data(LOD)를 기반으로 하는 Linked Open Data(LOD) 클라우드는 LOD 규칙에 따라 데이터를 유연하게 통합할 수 있는 방법을 제공한다.
Linked Open Data(LOD)가 눈에 띄게 성장했음에도 불구하고 새로운 콘텐츠들이 추가되거나 제거 됐다.
Linked Open Data(LOD)의 변경 동작은 데이터 캐싱, 웹 증분 크롤러 및 Linked Data Engineer에 대한 적절한 어휘 추천과 같은 응용 프로그램에서 매우 중요하다.
그러나 스케줄링 전략에 따라 해결해야 할 몇 가지 중요한 과제가 있다.
첫 번째 과제는 인덱스 모델의 민감도(sensitivity of the index model)이다.
업데이트된 정보로 인해 색인 및 캐시가 정확하지 않을 수 있으므로 LOD(Linked Open Data) 원본에 대한 변경 내용이 로컬 복사본에 자동으로 전파되지 않는다.
한편, 통신 오버 헤드를 피하기 위해서 응용 프로그램의 대부분은 로컬 복사본을 사용하므로 응용 프로그램은 로컬 복사본을 원본 데이터와 동기화해야 한다.
인덱스 모델은 네트워크 대역폭과 같은 다른 리소스에도 의존하기 때문에 업데이트 작업을 할 때 더 높은 정확도를 얻으려면 더 많은 대역폭이 필요하다.
두 번째 과제는 불완전한 변경의 기록이다. 즉, 많은 시나리오에서 요소가 변경되면 완전한 정보가 제공되지 않는 문제와 관련된다.
LOD(Linked Open Data) 소스들의 많은 부분에서 자동으로 전파되지 않는 대신에, 스케쥴링 전략은 변경 사항을 식별해야만 한다.
Linked Open Data(LOD)가 변경될 때 업데이트를 감지하는데 도움이 되는 많은 품질 측정에 대한 기술이 제안되고 있다.
세 번째 과제에 따르면, 스케쥴링 전략이 소스 가용성(source availability)을 인식하지 못하는 문제와 관련된다.
Linked Open Data(LOD) 업데이트 전략 중 상당수는 소스의 가용성을 인식하지 못한다. 한편, 끊어진 링크(broken link)는 Linked Open Data(LOD)를 사용하는데 있어서 주요 과제 중 하나이다.
따라서 업데이트 전략은 끊어진 링크 문제를 인식하지 못한다.
리소스는 종종 이동, 제거 또는 업데이트되므로 끊어진 링크(broken link) 문제와 리소스를 사용할 수 없다. Linked Open Data(LOD)를 사용하는데 있어서 주요 문제 중 하나이므로, Linked Open Data(LOD)에서 링크가 중요한 역할을 할 수 있다.
확인된 솔루션 전략은 HTTP 메타 데이터 모니터링 전략으로서, 이 접근 방식에서 변경 감지는 HTTP 메타 데이터 모니터링을 사용할 수 있다.
여기서 HTTP 응답 헤더는 datestamp 및 ETag를 포함하여 시간이 지났거나 시간이 변경되었는지 여부를 감지할 수 있다.
변화를 예측하기 위한 또 다른 솔루션 전략은 전체 내용을 가져 와서 무언가가 변경되었는지를 지역적으로 결정하는 Dynamic Linked Data Observatory(DYLDO) 이다.
매주 고정 크기의 문서를 크롤링하여 링크된 문서를 찾고 해당 구현은 Linked Data 용 다중 스레드 크롤링 프레임 워크인 Opensource java 프로젝트 LDSpider를 기반으로 한다.
알림으로는, DSNotify와 같은 데이터 집합 업데이트 알림에 사용할 수 있는 몇 가지 도구가 있다.
DSNotify는 휴먼 및 머신 행위자가 끊어진 링크를 수정하도록 지원할 수 있는 일반적인 프레임 워크로서, 인스턴스 일치 문제를 식별하기 위해 시간 차단 기술을 사용한다.
대부분의 알림 전략은 데이터 소스를 모니터링 하는 인덱싱 인프라를 기반으로 하는 반면, 기존 솔루션 전략은 LOD(Linked Open Data) 클라우드의 확장성과 역학에 대처할 수 없다.
한국등록특허 제10-1675818호 "클라우드 마이그레이션을 위한 파라미터화된 다이나믹 모델" 한국등록특허 제10-1678762호 "통신 네트워크의 네트워크 엔티티"
본 발명은 확률 기반 모델을 기반으로 소스 가용성을 예측하고 로컬 복사본을 보다 효과적인 방식으로 업데이트하는 것을 목적으로 한다.
본 발명은 웹 크롤러, 데이터 캐싱 응용 프로그램, 큰 그래프 데이터베이스 검색 및 건강 관리에서의 답변 응답 질문에 도움을 제공하는데 목적이 있다.
본 발명은 연결된 데이터 클라우드(Linked Data Cloud)의 엔티티 역학을 측정하기 위해 푸아송 분포를 기반으로 하는 변경 추정 모델을 제안하는데 목적이 있다.
본 발명은 LOD(Linked Open Data) 클라우드의 동적 특성을 측정하기 위해 SOM(self-organizing map)은 일정 기간 동안의 변화를 시각화하는데 목적이 있다.
본 발명은 LOD(Linked Data Cloud)의 확장성 문제와 역학 관계를 다루는 것을 목적으로 한다.
일실시예에 따른 연결된 데이터 클라우드에서 엔티티 역학 예측 방법은 푸아송 분포(Poisson distribution)를 기반으로 하는 변화 추정 모델(A change estimation model)을 생성하는 단계, 상기 생성된 변화 추정 모델을 이용하여 연결된 데이터 클라우드(Linked Data Cloud)의 엔티티별 역학을 측정하는 단계, 및 상기 측정된 엔티티별 역학을 고려하여 상기 연결된 데이터 클라우드(Linked Data Cloud)에 기록된 데이터 사본의 업데이트에 대한 우선순위를 결정하는 단계를 포함할 수 있다.
일실시예에 따른 상기 엔티티별 역학을 측정하는 단계는, 상기 엔티티별 SOM(self-organizing map)를 통해 일정 기간 동안의 변화를 시각화하고, 상기 시각화 결과에 기초하여 상기 엔티티별 역학을 측정하는 단계를 포함할 수 있다.
일실시예에 따른 상기 엔티티별 역학을 측정하는 단계는 푸아송 분포 모델(Poisson distribution model)을 사용하여 엔티티별 변화 추정치를 계산하되, 데이터 항목의 과거 변경 내역을 기반으로 상기 변화 추정치를 계산하는 단계를 포함하고, 상기 우선순위를 결정하는 단계는, 상기 과거 변경 내역을 기반으로 상기 데이터 사본의 업데이트 시기를 예측하는 단계를 포함할 수 있다.
일실시예에 따른 상기 데이터 사본의 업데이트에 대한 우선순위를 결정하는 단계는, 상기 변화 추정치에 기초하여, 상기 엔티티별 변경되는 빈도를 추정하는 단계, 및 상기 추정된 빈도에 기초하여 다음 소스를 예약 할 시기를 결정하는 단계, 및 상기 예약 할 시기에 기초하여 상기 데이터 사본의 업데이트에 대한 우선순위를 결정하는 단계를 포함할 수 있다.
일실시예에 따른 상기 데이터 사본의 업데이트에 대한 우선순위를 결정하는 단계는, 상기 측정된 엔티티별 역학에 기초하여, LOD (Linked Open Data) 클라우드의 항목 수가 각 스냅 샷에서 변경되는 횟수를 계산하는 단계, 및 상기 계산된 횟수에 기초하여 업데이트 할 데이터 사본의 우선순위를 결정하는 단계를 포함할 수 있다.
일실시예에 따른 상기 엔티티별 역학을 측정하는 단계는 데이터의 증감에 따라 LOD(linked open data)의 역학을 발생시키는 시맨틱 드리프트(semantic drift)를 측정하는 단계, 및 상기 측정된 시맨틱 드리프트(semantic drift)에 기초하여 LOD(Linked Open Data) 클라우드에서 발생하는 변경을 예측하는 단계를 포함할 수 있다.
일실시예에 따른 엔티티의 역학을 예측하는 시스템은 푸아송 분포(Poisson distribution)를 기반으로 하는 변화 추정 모델(A change estimation model)을 생성하는 변화 추정 모델 생성부, 상기 생성된 변화 추정 모델을 이용하여 연결된 데이터 클라우드(Linked Data Cloud)의 엔티티별 역학을 측정하는 역학 측정부, 및 상기 측정된 엔티티별 역학을 고려하여 상기 연결된 데이터 클라우드(Linked Data Cloud)에 기록된 데이터 사본의 업데이트에 대한 우선순위를 결정하는 스케쥴러를 포함할 수 있다.
일실시예에 따른 상기 역학 측정부는, 상기 엔티티별 SOM(self-organizing map)를 통해 일정 기간 동안의 변화를 시각화하고, 상기 시각화 결과에 기초하여 상기 엔티티별 역학을 측정할 수 있다.
일실시예에 따른 상기 역학 측정부는, 푸아송 분포 모델(Poisson distribution model)을 사용하여 엔티티별 변화 추정치를 계산하되, 데이터 항목의 과거 변경 내역을 기반으로 상기 변화 추정치를 계산하고, 상기 스케쥴러는 상기 과거 변경 내역을 기반으로 상기 데이터 사본의 업데이트 시기를 예측할 수 있다.
일실시예에 따른 상기 스케쥴러는, 상기 변화 추정치에 기초하여, 상기 엔티티별 변경되는 빈도를 추정하고, 상기 추정된 빈도에 기초하여 다음 소스를 예약 할 시기를 결정하고, 상기 예약 할 시기에 기초하여 상기 데이터 사본의 업데이트에 대한 우선순위를 결정할 수 있다.
일실시예에 따른 상기 스케쥴러는, 상기 측정된 엔티티별 역학에 기초하여, LOD(Linked Open Data) 클라우드의 항목 수가 각 스냅 샷에서 변경되는 횟수를 계산하고, 상기 계산된 횟수에 기초하여 업데이트 할 데이터 사본의 우선순위를 결정할 수 있다.
일실시예에 따른 상기 역학 측정부는, 데이터의 증감에 따라 LOD(linked open data)의 역학을 발생시키는 시맨틱 드리프트(semantic drift)를 측정하고, 상기 측정된 시맨틱 드리프트(semantic drift)에 기초하여 LOD(Linked Open Data) 클라우드에서 발생하는 변경을 예측할 수 있다.
일실시예에 따르면 확률 기반 모델을 기반으로 소스 가용성을 예측하고 로컬 복사본을 보다 효과적인 방식으로 업데이트할 수 있다.
일실시예에 따르면 웹 크롤러, 데이터 캐싱 응용 프로그램, 큰 그래프 데이터베이스 검색 및 건강 관리에서의 답변 응답 질문에 도움을 제공할 수 있다.
일실시예에 따르면 연결된 데이터 클라우드(Linked Data Cloud)의 엔티티 역학을 측정하기 위해 푸아송 분포를 기반으로 하는 변경 추정 모델을 제안할 수 있다.
일실시예에 따르면 LOD(Linked Open Data) 클라우드의 동적 특성을 측정하기 위해 SOM(self-organizing map)은 일정 기간 동안의 변화를 시각화할 수 있다.
일실시예에 따르면 LOD(Linked Data Cloud)의 확장성 문제와 역학 관계를 다룰 수 있다.
도 1은 LOD(linked open data) 소스의 변경을 추정하기 위해 제안된 접근법을 보여주는 도면이다.
도 2는 일실시예에 따른 엔티티 역학 예측 방법을 설명하는 도면이다.
도 3 및 4는 일실시예에 따른 엔티티별 역학 측정 방법을 설명하는 도면이다.
도 5 및 6은 일실시예에 따른 데이터 사본의 업데이트에 대한 우선순위를 결정하는 도면이다.
도 7은 일실시예에 따른 엔티티 역학 예측 시스템을 설명하는 도면이다.
본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시예들에 대해서 특정한 구조적 또는 기능적 설명들은 단지 본 발명의 개념에 따른 실시예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시예들은 다양한 형태로 실시될 수 있으며 본 명세서에 설명된 실시예들에 한정되지 않는다.
본 발명의 개념에 따른 실시예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시예들을 도면에 예시하고 본 명세서에 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시예들을 특정한 개시형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만, 예를 들어 본 발명의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 표현들, 예를 들어 "~사이에"와 "바로~사이에" 또는 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
본 명세서에서 사용한 용어는 단지 특정한 실시예들을 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 그러나, 특허출원의 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
도 1은 LOD(linked open data) 소스의 변경을 추정하기 위해 제안된 접근법을 보여주는 도면이다.
도 1에서 보는 바와 같이, 연결된 데이터가 계속 발전하고 새로운 소스가 추가되거나 제거될 수 있다. 본 발명에서의 제안된 접근 방식은 데이터의 역학에 대처하고 리소스를 예약할 수 있다.
도 1을 살펴보면, 코어 어드민 인터페이스(100)에는 구성 인터페이스(101, configuration Interface), 연결된 데이터 익스플로러(102, Linked Data Explorer)가 포함된다. 한편, 코어 어드민 인터페이스(100)에 인접하고, 확장된 코어 어드민 인터페이스(111)에는 sparql 인터페이스(112), 연결된 데이터 캐시(113, Linked Data Cache)가 포함된다.
코어 어드민 인터페이스(100)와 확장된 코어 어드민 인터페이스(111)는 접근 제어 룰(110)에 따라 코어 자원(103, core resource) 및 제안된 발명(proposed Methodology, 114)과 공유할 수 있다.
일례로, 코어 자원(103, core resource)은 자원 웹 서비스(resource Web service, 104)와 임포트/익스포트 웹 서비스(Import/Export Web Service, 105), 엔드포인트 서비스(Endpoint Service, 106), SPARQL 서비스(SPARQL Service, 107), 트리플 스토어(Triple Store, 108), 구성(configuration, 109)를 포함할 수 있다. 또한, 코어 자원(103, core resource)은 데이터베이스(124)로부터 데이터의 입출력이 가능하다.
한편, 제안된 발명(proposed Methodology, 114)은 다음과 같이 설명될 수 있다.
연결된 데이터 클라우드(linked data cloud)에서 엔티티의 변경 추정은 공개적으로 사용 가능한 데이터를 사용하는 응용 프로그램에 중요하다.
제안된 방법은 웹 크롤러, 데이터 캐싱 응용 프로그램, 큰 그래프 데이터베이스 검색 및 건강 관리에서의 답변 응답 질문에 도움이 된다.
본 발명에서는 연결된 데이터 클라우드의 엔티티 역학을 측정하기 위해 푸아송(Poisson) 분포를 기반으로 하는 변경 추정 모델을 생성할 수 있다.
확률에 기반하는 변경 추정 모델은 소스 가용성을 예측하고 로컬 복사본을 보다 효과적인 방식으로 업데이트할 수 있다.
LOD(Linked Open Data) 클라우드의 동적 특성을 측정하기 위해 SOM(self-organizing map)은 일정 기간 동안의 변화를 시각화할 수 있다.
본 발명에서는 연결된 데이터 클라우드의 확장성 문제와 역학 관계를 다룰 수 있다.
일반적으로 LOD(Linked Open Data) 응용 프로그램은 소스에서 데이터를 프리패치(pre-fetch)하고, 빠른 응답 속도를 위해 캐시에 저장할 수 있다.
그러나 이 과정에서, LOD(Linked Open Data) 클라우드의 데이터는 계속 업데이트되고 캐시에서 유지 관리되는 복사본도 업데이트해야 한다.
한편, 대역폭 및 계산 시간과 같은 제한으로 인해 LOD(Linked Open Data) 응용 프로그램은 업데이트 할 데이터 사본의 우선 순위를 결정해야만 한다.
자원 가용성을 최상으로 사용하기 위해서는 데이터를 가져 와서 색인(121)을 갱신하기 위해 좋은 스케줄링 전략(122)이 필요하다.
또한, LOD(Linked Open Data) 클라우드에서 이상적인 경우 변경이 발생하면 캐시를 업데이트해야 한다.
본 발명에서는 푸아송 분포 모델(117, Poisson distribution model)을 사용하여 제안된 변화 추 정치(115) 전략은 데이터의 두 가지 스냅 샷에서의 변화를 추정할 수 있다.
본 발명에서는 데이터 항목의 과거 변경 내역을 기반으로 일정 계획은 LOD (Linked Open Data) 원본의 로컬 복사본을 업데이트 할 시기를 예측해야 한다. 이를 위한 스케줄링 전략은 LOD (Linked Open Data) 소스의 과거 변경 기록을 기반으로 한다.
이러한 전략은 항목이 변경되는 빈도를 추정 한 다음 소스를 예약 할 시기를 결정할 수 있다. 예를 들어 항목을 예약하고 네 가지 변경 사항을 감지 한 경우 이전에 관찰 된 항목 기록을 기준으로 소스가 얼마나 자주 변경되었는지 추정 할 수 있다.
본 발명에 따른 ChangeRatio 전략은 LOD(Linked Open Data) 클라우드의 항목 수가 각 스냅 샷에서 변경되는 횟수를 계산할 수 있다.
ChangeRatio는 LOD (Linked Open Data)의 변경 횟수를 정의하며 [수학식 1]과 같이 표시될 수 있다.
[수학식 1]
Figure pat00001
[수학식 1]에서 함수는 아이템 oi의 값이 변경되었을 때 값이 1이고 변경되지 않았을 때 값이 0 인 아이템에서 변경이 발생했음을 나타낸다.
[수학식 1]에 의해서 산출되는, ChangeRatio는 항목의 변경 내역을 LOD(Linked Open Data)에 저장하는 데 유용하다.
한편, LOD(Linked Open Data) 소스는 두 스냅 샷 간의 변경 사항을 찾는 대신 자주 변경되므로 일정 기간 동안 동적 특성을 찾는 것이 좋다.
본 발명에서는 역학에 기반한 스케줄링 전략의 변화를 계량화하고 LOD(Linked Open Data) 클라우드의 다이나믹스를 측정할 수 있다.
Linked Open Data (LOD)의 역학(The dynamics, 118)은 위 [수학식 1]에서 언급된 것처럼 표현 될 수 있다. 이는 Linked Open Data(LOD) 소스의 다른 스냅 샷과 같은 두 데이터 세트 간의 변경을 정량화할 수 있다.
역학 함수(The dynamic function)는 시간의 경과에 따른 LOD(Linked Open Data)의 진화를 정량화할 수 있다.
이러한 역학(Dynamics)의 정량화는 다음의 [수학식 2]로 표현될 수 있다.
[수학식 2]
Figure pat00002
데이터가 계속 증가하고 새로운 엔티티가 계속 추가되고 제거됨에 따라 LOD(Linked Open Data)의 역학(dynamics)은 데이터의 역학을 발생시키는 시맨틱 드리프트(semantic drift)를 측정할 수 있다.
데이터의 규모를 관리하는 것은 다르지만, 본 발명에서는 규모의 문제를 해결하고 효과적인 방식으로 진화하는 데이터의 대규모를 시각화하는 차원을 줄이는 self-organizing maps (SOM)(120)을 제안한다.
클라우드에서 크롤링되는 링크 된 데이터는 (Subject, Predicate, Object 및 Context) NQuads(108) 및 데이터 캐싱 애플리케이션(113)이 시간 t의 일정한 간격으로 검색된 형태이다.
예를 들어, 전체 데이터 세트는 [수학식 3]과 같이 나타낼 수 있다.
[수학식 3]
Figure pat00003
[수학식 3]에서 시간 t에서 컨텍스트 c에서 데이터 집합에 포함 된 트리플 수를 나타낸다.
대부분의 스케줄링 전략에서 데이터 기능을 사용하여 캐시 데이터의 최신 성을 향상시킬 수 있다.
본 발명에서 제안된 전략은 변경 비율 및 동적 특성과 같은 기능을 사용하여 LOD(Linked Open Data) 클라우드에서 발생하는 변경을 예측한다.
그러나, 변경이 일어날 때마다 SPARQL endpoint(106)가 업데이트될 수 있다. 따라서 캐시 및 쿼리 결과를 사용하는 장기 실행 응용 프로그램은 쿼리를 정기적으로 다시 제출하여 최신 결과를 보장해야만 한다.
본 발명에서는 새로 고침 쿼리 스케줄링 문제를 해결하고 과부하를 피하는 것이 가능하다.
도 2는 일실시예에 따른 엔티티 역학 예측 방법을 설명하는 도면이다.
일실시예에 따른 엔티티 역학 예측 방법은 푸아송 분포(Poisson distribution)를 기반으로 변화 추정 모델(A change estimation model)을 생성할 수 있다(단계 201).
또한, 일실시예에 따른 엔티티 역학 예측 방법은 변화 추정 모델을 이용하여 연결된 데이터 클라우드(Linked Data Cloud)의 엔티티별 역학을 측정할 수 있다(단계 202).
또한, 일실시예에 따른 엔티티 역학 예측 방법은 연결된 데이터 클라우드(Linked Data Cloud)에 기록된 데이터 사본의 업데이트에 대한 우선순위를 결정할 수 있다(단계 203).
도 3 및 4는 일실시예에 따른 엔티티별 역학 측정 방법을 설명하는 도면이다.
먼저, 도 3을 살펴보면, 일실시예에 따른 엔티티 역학 예측 방법은 엔티티별 역학 측정을 위해 엔티티별 SOM(self-organizing map)를 통해 일정 기간 동안의 변화를 시각화할 수 있다(단계 301).
또한, 일실시예에 따른 엔티티 역학 예측 방법은 시각화 결과에 기초하여 상기 엔티티별 역학을 측정할 수 있다(단계 302).
다음으로, 도 4를 살펴보면, 일실시예에 따른 엔티티 역학 예측 방법은 데이터의 증감에 따라 LOD(linked open data)의 역학을 발생시키는 시맨틱 드리프트(semantic drift)를 측정할 수 있다(단계 401).
또한, 일실시예에 따른 엔티티 역학 예측 방법은 측정된 시맨틱 드리프트(semantic drift)에 기초하여 LOD(Linked Open Data) 클라우드에서 발생하는 변경을 예측할 수 있다(단계 402).
도 5 및 6은 일실시예에 따른 데이터 사본의 업데이트에 대한 우선순위를 결정하는 도면이다.
먼저, 도 5에 따르면, 일실시예에 따른 엔티티 역학 예측 방법은 데이터 사본의 업데이트에 대한 우선순위를 결정하기 위해, 상기 엔티티별 변경되는 빈도를 추정할 수 있다(단계 501).
또한, 일실시예에 따른 엔티티 역학 예측 방법은 추정된 빈도에 기초하여 다음 소스를 예약 할 시기를 결정하고(단계 502), 연결된 데이터 클라우드(Linked Data Cloud)에 기록된 데이터 사본의 업데이트에 대한 우선순위를 결정할 수 있다(단계 503).
다음으로, 도 6에 따르면, 일실시예에 따른 엔티티 역학 예측 방법은 데이터 사본의 업데이트에 대한 우선순위를 결정하기 위해, LOD(Linked Open Data) 클라우드의 항목 수가 각 스냅 샷에서 변경되는 횟수를 계산할 수 있다(단계 601).
또한, 일실시예에 따른 엔티티 역학 예측 방법은 계산된 횟수에 기초하여 업데이트 할 데이터 사본의 우선순위를 결정할 수 있다(단계 602).
도 7은 일실시예에 따른 엔티티 역학 예측 시스템(700)을 설명하는 도면이다.
일실시예에 따른 엔티티 역학 예측 시스템(700)은 확률 기반 모델을 기반으로 소스 가용성을 예측하고 로컬 복사본을 보다 효과적인 방식으로 업데이트할 수 있다.
이를 위해, 일실시예에 따른 엔티티 역학 예측 시스템(700)은 변화 추정 모델 생성부(710), 역학 측정부(720), 및 스케쥴러(730)를 포함할 수 있다.
구체적으로, 일실시예에 따른 변화 추정 모델 생성부(710)는 푸아송 분포(Poisson distribution)를 기반으로 하는 변화 추정 모델(A change estimation model)을 생성할 수 있다.
다음으로, 일실시예에 따른 역학 측정부(720)는 생성된 변화 추정 모델을 이용하여 연결된 데이터 클라우드(Linked Data Cloud)의 엔티티별 역학을 측정할 수 있다.
일례에 따르면, 역학 측정부(720)는 엔티티별 SOM(self-organizing map)를 통해 일정 기간 동안의 변화를 시각화하고, 상기 시각화 결과에 기초하여 상기 엔티티별 역학을 측정할 수 있다.
마지막으로, 일실시예에 따른 스케쥴러(730)는 측정된 엔티티별 역학을 고려하여 상기 연결된 데이터 클라우드(Linked Data Cloud)에 기록된 데이터 사본의 업데이트에 대한 우선순위를 결정할 수 있다.
한편, 역학 측정부(720)는 푸아송 분포 모델(Poisson distribution model)을 사용하여 엔티티별 변화 추정치를 계산하되, 데이터 항목의 과거 변경 내역을 기반으로 상기 변화 추정치를 계산할 수 있다. 이 경우, 스케쥴러(730)는 과거 변경 내역을 기반으로 데이터 사본의 업데이트 시기를 예측할 수 있다.
일실시예에 따르면, 역학 측정부(720)는 데이터의 증감에 따라 LOD(linked open data)의 역학을 발생시키는 시맨틱 드리프트(semantic drift)를 측정할 수도 있다. 이 경우, 역학 측정부(720)는 측정된 시맨틱 드리프트(semantic drift)에 기초하여 LOD(Linked Open Data) 클라우드에서 발생하는 변경을 예측할 수 있다.
또한, 일실시예에 따른 스케쥴러(730)는 변화 추정치에 기초하여, 엔티티별 변경되는 빈도를 추정할 수 있다. 이 경우, 스케쥴러(730)는 추정된 빈도에 기초하여 다음 소스를 예약 할 시기를 결정하고, 예약 할 시기에 기초하여 데이터 사본의 업데이트에 대한 우선순위를 결정할 수 있다.
뿐만 아니라, 일실시예에 따른 스케쥴러(730)는 측정된 엔티티별 역학에 기초하여, LOD(Linked Open Data) 클라우드의 항목 수가 각 스냅 샷에서 변경되는 횟수를 계산할 수 있다. 이 경우, 스케쥴러(730)는 계산된 횟수에 기초하여 업데이트 할 데이터 사본의 우선순위를 결정할 수 있다.
결국 본 발명을 이용하면, 확률 기반 모델을 기반으로 소스 가용성을 예측하고 로컬 복사본을 보다 효과적인 방식으로 업데이트할 수 있다.
뿐만 아니라, 본 발명을 이용하는 경우 웹 크롤러, 데이터 캐싱 응용 프로그램, 큰 그래프 데이터베이스 검색 및 건강 관리에서의 답변 응답 질문에 도움을 제공할 수 있고, 연결된 데이터 클라우드(Linked Data Cloud)의 엔티티 역학을 측정하기 위해 푸아송 분포를 기반으로 하는 변경 추정 모델을 제안할 수 있다.
또한, 본 발명을 이용하는 경우 LOD(Linked Open Data) 클라우드의 동적 특성을 측정하기 위해 SOM(self-organizing map)은 일정 기간 동안의 변화를 시각화할 수 있고, LOD(Linked Data Cloud)의 확장성 문제와 역학 관계를 다룰 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (12)

  1. 푸아송 분포(Poisson distribution)를 기반으로 하는 변화 추정 모델(A change estimation model)을 생성하는 단계;
    상기 생성된 변화 추정 모델을 이용하여 연결된 데이터 클라우드(Linked Data Cloud)의 엔티티별 역학을 측정하는 단계; 및
    상기 측정된 엔티티별 역학을 고려하여 상기 연결된 데이터 클라우드(Linked Data Cloud)에 기록된 데이터 사본의 업데이트에 대한 우선순위를 결정하는 단계
    를 포함하는 연결된 데이터 클라우드에서 엔티티의 역학을 예측하는 방법.
  2. 제1항에 있어서,
    상기 엔티티별 역학을 측정하는 단계는,
    상기 엔티티별 SOM(self-organizing map)를 통해 일정 기간 동안의 변화를 시각화하고, 상기 시각화 결과에 기초하여 상기 엔티티별 역학을 측정하는 단계
    를 포함하는 연결된 데이터 클라우드에서 엔티티의 역학을 예측하는 방법.
  3. 제1항에 있어서,
    상기 엔티티별 역학을 측정하는 단계는
    푸아송 분포 모델(Poisson distribution model)을 사용하여 엔티티별 변화 추정치를 계산하되, 데이터 항목의 과거 변경 내역을 기반으로 상기 변화 추정치를 계산하는 단계
    를 포함하고,
    상기 우선순위를 결정하는 단계는,
    상기 과거 변경 내역을 기반으로 상기 데이터 사본의 업데이트 시기를 예측하는 단계
    를 포함하는 연결된 데이터 클라우드에서 엔티티의 역학을 예측하는 방법.
  4. 제1항에 있어서,
    상기 데이터 사본의 업데이트에 대한 우선순위를 결정하는 단계는,
    상기 변화 추정치에 기초하여, 상기 엔티티별 변경되는 빈도를 추정하는 단계; 및
    상기 추정된 빈도에 기초하여 다음 소스를 예약 할 시기를 결정하는 단계; 및
    상기 예약 할 시기에 기초하여 상기 데이터 사본의 업데이트에 대한 우선순위를 결정하는 단계
    를 포함하는 연결된 데이터 클라우드에서 엔티티의 역학을 예측하는 방법.
  5. 제1항에 있어서,
    상기 데이터 사본의 업데이트에 대한 우선순위를 결정하는 단계는,
    상기 측정된 엔티티별 역학에 기초하여, LOD (Linked Open Data) 클라우드의 항목 수가 각 스냅 샷에서 변경되는 횟수를 계산하는 단계; 및
    상기 계산된 횟수에 기초하여 업데이트 할 데이터 사본의 우선순위를 결정하는 단계
    를 포함하는 연결된 데이터 클라우드에서 엔티티의 역학을 예측하는 방법.
  6. 제1항에 있어서,
    상기 엔티티별 역학을 측정하는 단계는
    데이터의 증감에 따라 LOD(linked open data)의 역학을 발생시키는 시맨틱 드리프트(semantic drift)를 측정하는 단계; 및
    상기 측정된 시맨틱 드리프트(semantic drift)에 기초하여 LOD(Linked Open Data) 클라우드에서 발생하는 변경을 예측하는 단계
    를 포함하는 연결된 데이터 클라우드에서 엔티티의 역학을 예측하는 방법.
  7. 푸아송 분포(Poisson distribution)를 기반으로 하는 변화 추정 모델(A change estimation model)을 생성하는 변화 추정 모델 생성부;
    상기 생성된 변화 추정 모델을 이용하여 연결된 데이터 클라우드(Linked Data Cloud)의 엔티티별 역학을 측정하는 역학 측정부; 및
    상기 측정된 엔티티별 역학을 고려하여 상기 연결된 데이터 클라우드(Linked Data Cloud)에 기록된 데이터 사본의 업데이트에 대한 우선순위를 결정하는 스케쥴러
    를 포함하는 연결된 데이터 클라우드에서 엔티티의 역학을 예측하는 시스템.
  8. 제7항에 있어서,
    상기 역학 측정부는,
    상기 엔티티별 SOM(self-organizing map)를 통해 일정 기간 동안의 변화를 시각화하고, 상기 시각화 결과에 기초하여 상기 엔티티별 역학을 측정하는 것을 특징으로 하는 연결된 데이터 클라우드에서 엔티티의 역학을 예측하는 시스템.
  9. 제7항에 있어서,
    상기 역학 측정부는,
    푸아송 분포 모델(Poisson distribution model)을 사용하여 엔티티별 변화 추정치를 계산하되, 데이터 항목의 과거 변경 내역을 기반으로 상기 변화 추정치를 계산하고,
    상기 스케쥴러는,
    상기 과거 변경 내역을 기반으로 상기 데이터 사본의 업데이트 시기를 예측하는 것을 특징으로 하는 연결된 데이터 클라우드에서 엔티티의 역학을 예측하는 시스템.
  10. 제7항에 있어서,
    상기 스케쥴러는,
    상기 변화 추정치에 기초하여, 상기 엔티티별 변경되는 빈도를 추정하고, 상기 추정된 빈도에 기초하여 다음 소스를 예약 할 시기를 결정하고, 상기 예약 할 시기에 기초하여 상기 데이터 사본의 업데이트에 대한 우선순위를 결정하는 것을 특징으로 하는 연결된 데이터 클라우드에서 엔티티의 역학을 예측하는 시스템.
  11. 제7항에 있어서,
    상기 스케쥴러는,
    상기 측정된 엔티티별 역학에 기초하여, LOD(Linked Open Data) 클라우드의 항목 수가 각 스냅 샷에서 변경되는 횟수를 계산하고, 상기 계산된 횟수에 기초하여 업데이트 할 데이터 사본의 우선순위를 결정하는 것을 특징으로 하는 연결된 데이터 클라우드에서 엔티티의 역학을 예측하는 시스템.
  12. 제7항에 있어서,
    상기 역학 측정부는, 데이터의 증감에 따라 LOD(linked open data)의 역학을 발생시키는 시맨틱 드리프트(semantic drift)를 측정하고, 상기 측정된 시맨틱 드리프트(semantic drift)에 기초하여 LOD(Linked Open Data) 클라우드에서 발생하는 변경을 예측하는 것을 특징으로 하는 연결된 데이터 클라우드에서 엔티티의 역학을 예측하는 시스템.
KR1020190002617A 2019-01-09 2019-01-09 푸아송 과정 및 Self-Organizing 지도를 사용하여 연결된 데이터 클라우드에 엔티티의 역학을 예측하는 방법 KR102158120B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190002617A KR102158120B1 (ko) 2019-01-09 2019-01-09 푸아송 과정 및 Self-Organizing 지도를 사용하여 연결된 데이터 클라우드에 엔티티의 역학을 예측하는 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190002617A KR102158120B1 (ko) 2019-01-09 2019-01-09 푸아송 과정 및 Self-Organizing 지도를 사용하여 연결된 데이터 클라우드에 엔티티의 역학을 예측하는 방법

Publications (2)

Publication Number Publication Date
KR20200092474A true KR20200092474A (ko) 2020-08-04
KR102158120B1 KR102158120B1 (ko) 2020-09-21

Family

ID=72048707

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190002617A KR102158120B1 (ko) 2019-01-09 2019-01-09 푸아송 과정 및 Self-Organizing 지도를 사용하여 연결된 데이터 클라우드에 엔티티의 역학을 예측하는 방법

Country Status (1)

Country Link
KR (1) KR102158120B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101675818B1 (ko) 2012-01-27 2016-11-14 엠파이어 테크놀로지 디벨롭먼트 엘엘씨 클라우드 마이그레이션을 위한 파라미터화된 다이나믹 모델
KR101678762B1 (ko) 2012-06-25 2016-11-23 알까뗄 루슨트 통신 네트워크의 네트워크 엔티티

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101675818B1 (ko) 2012-01-27 2016-11-14 엠파이어 테크놀로지 디벨롭먼트 엘엘씨 클라우드 마이그레이션을 위한 파라미터화된 다이나믹 모델
KR101678762B1 (ko) 2012-06-25 2016-11-23 알까뗄 루슨트 통신 네트워크의 네트워크 엔티티

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Akhtar, et al. "Evaluating scheduling strategies in LOD based application." 2017 19th Asia-Pacific Network Operations and Management Symposium (APNOMS). IEEE, (2017.09.29. 공개)* *
Umbrich, Jürgen, et al. "Towards dataset dynamics: Change frequency of linked open data sources." (2010.04. 공개)* *
Yue, Shihong, and Jianpei Wang. "Visualization of the electrical tomographic data distributions based on the self organization map neural tool."(2013.07.17. 공개)* *

Also Published As

Publication number Publication date
KR102158120B1 (ko) 2020-09-21

Similar Documents

Publication Publication Date Title
US11194809B2 (en) Predicting performance of database queries
US10318874B1 (en) Selecting forecasting models for time series using state space representations
US20230009836A1 (en) Time series database processing system
US9891959B2 (en) Stage-aware performance modeling for computer cluster sizing
Yamato Automatic offloading method of loop statements of software to FPGA
Khare et al. Linearize, predict and place: minimizing the makespan for edge-based stream processing of directed acyclic graphs
JP6176111B2 (ja) 分散処理管理装置及び分散処理管理方法
Bhatotia et al. Slider: Incremental sliding-window computations for large-scale data analysis
Cooray et al. Proactive self-adaptation for improving the reliability of mission-critical, embedded, and mobile software
JPWO2017188419A1 (ja) 計算資源管理装置、計算資源管理方法、及びプログラム
Barnawi et al. On characterizing the performance of distributed graph computation platforms
JP5803469B2 (ja) 予測方法及び予測プログラム
JP2009087190A (ja) ストリームデータ解析高速化装置、方法およびプログラム
KR102158120B1 (ko) 푸아송 과정 및 Self-Organizing 지도를 사용하여 연결된 데이터 클라우드에 엔티티의 역학을 예측하는 방법
Rejitha et al. Energy prediction of CUDA application instances using dynamic regression models
JP2022531480A (ja) 訪問予測
EP3058519A2 (en) Case-based reasoning
US11636377B1 (en) Artificial intelligence system incorporating automatic model updates based on change point detection using time series decomposing and clustering
US11770295B2 (en) Platform for establishing computing node clusters in different environments
US10255565B2 (en) Intelligent spatial enterprise analytics
Khan Hadoop performance modeling and job optimization for big data analytics
Yamato Study and evaluation of FPGA reconfiguration during service operation for environment-adaptive software
Esteves et al. Incremental dataflow execution, resource efficiency and probabilistic guarantees with Fuzzy Boolean nets
Ivanchikj et al. On the performance overhead of bpmn modeling practices
Cao et al. A frequent sequential pattern based approach for discovering event correlations

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant