Processamento eficiente de padrões de composição geométrica em grandes volumes de dados

• Ano de defesa: 2016
• Autor(a) principal: Khatibi, Amir Hassan Moghadam
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Laboratório Nacional de Computação Científica; Coordenação de Pós-Graduação e Aperfeiçoamento (COPGA); Brasil; LNCC; Programa de Pós-Graduação em Modelagem Computacional
• Palavras-chave em Português: Big data; Indexação espacial; Amostragem; Processamento eficiente; Processamento paralelo; CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO::BANCO DE DADOS
• Link de acesso: https://tede.lncc.br/handle/tede/284

A partir do fenômeno do dilúvio de dados, o processamento de grandes volumes de dados (Big Data) passou a ser uma atividade mandatória na potencialização do processo de tomada de decisões baseadas em ferramentas analíticas. Neste trabalho, argumentamos que o caos de dados produzido pelo fenômeno Big Data esconde, entre bilhões de elementos de conjunto de dados, objetos de alto nível que só podem ser reconhecidos uma vez que modelos de composição adequados são aplicados. A identificação de tais objetos é relevante em várias disciplinas e apresentamos um estudo de caso na astronomia. Neste trabalho formulamos o problema de Processar Eficiente de Padrões de Composição Geométrica em Big Data. Apresentamos uma nova técnica com algumas estratégias de poda para encontrar estes objetos, enquanto mostramos a robustez e eficiência da técnica proposta usando uma implementação do SPARK sobre a arquitetura paralela do Hadoop.