Tremendous and potentially infinite

Tremendous and potentially infinite volumes of data streams are often generated by
real-time surveillance systems, communication networks, Internet traffic, on-line transactions
in the financial market or retail industry, electric power grids, industry production
processes, scientific and engineering experiments, remote sensors, and other
dynamic environments. Unlike traditional data sets, stream data flow in and out of a
computer system continuously and with varying update rates. They are temporally ordered,
fast changing, massive, and potentially infinite. It may be impossible to store an entire
data stream or to scan through it multiple times due to its tremendous volume. Moreover,
stream data tend to be of a rather low level of abstraction, whereas most analysts
are interested in relatively high-level dynamic changes, such as trends and deviations. To
discover knowledge or patterns from data streams, it is necessary to develop single-scan,
on-line, multilevel, multidimensional stream processing and analysis methods.
Such single-scan, on-line data analysis methodology should not be confined to only
stream data. It is also critically important for processing non stream data that are massive.
With data volumes mounting by terabytes or even petabytes, stream data nicely
capture our data processing needs of today: even when the complete set of data is collected
and can be stored in massive data storage devices, single scan (as in data stream
systems) instead of random access (as in database systems) may still be the most realistic
processing mode, because it is often too expensive to scan such a data setmultiple times.
In this section,we introduce several on-line stream data analysis and mining methods.
Section 8.1.1 introduces the basic methodologies for stream data processing and querying.
Multidimensional analysis of stream data, encompassing stream data cubes and
multiple granularities of time, is described in Section 8.1.2. Frequent-pattern mining
and classification are presented in Sections 8.1.3 and 8.1.4, respectively. The clustering
of dynamically evolving data streams is addressed in Section 8.1.5.

ผลลัพธ์ (ไทย) 1:

ปริมาณข้อมูลมหาศาล และอนันต์อาจมักสร้างขึ้นโดยระบบรักษาความปลอดภัยแบบเรียลไทม์ เครือข่ายสื่อสาร วุ่นวาย ธุรกรรมที่ง่ายดายในตลาดการเงิน หรืออุตสาหกรรมขายปลีก กริดไฟฟ้า อุตสาหกรรมผลิตกระบวนการ การทดลองทางวิทยาศาสตร์ และวิศวกรรม เซ็นเซอร์ระยะไกล และอื่น ๆสภาพแวดล้อมแบบไดนามิก ซึ่งแตกต่างจากชุดข้อมูลดั้งเดิม สตรีมข้อมูลที่ไหลออกของการระบบคอมพิวเตอร์อย่างต่อเนื่อง และ มีการปรับปรุงแตกต่างกันราคาถูก มี temporally สั่งอย่างรวดเร็วในการเปลี่ยนแปลง ขนาดใหญ่ และไม่อาจ มันอาจจะไม่สามารถเก็บทั้งกระแสข้อมูลหรือการสแกนมันหลายครั้งเนื่องจากปริมาณมหาศาล นอกจากนี้กระแสข้อมูลมักจะ เป็นระดับค่อนข้างต่ำของ abstraction ในขณะที่นักวิเคราะห์ส่วนใหญ่มีความสนใจในระดับสูงค่อนข้างเปลี่ยนไดนามิก แนวโน้มและความแตกต่าง ถึงค้นพบความรู้หรือรูปแบบจากข้อมูลกระแส จำเป็นต้องพัฒนาแกนเดียวกระแสง่ายดาย หลาย มิติการประมวลผลและวิเคราะห์วิธีการเช่นเดียวสแกน วิธีวิเคราะห์ข้อมูลง่ายดายควรไม่สามารถจำกัดไปเท่านั้นกระแสข้อมูล ก็ยังเหลือที่สำคัญสำหรับการประมวลผลข้อมูลไม่ใช่กระแสที่มีขนาดใหญ่ด้วยปริมาณข้อมูลที่ติดตั้ง โดยไบต์หรือแม้ petabytes สตรีมข้อมูลอย่างดีจับความต้องการประมวลผลข้อมูลของวันนี้: แม้เมื่อชุดของข้อมูลที่เก็บรวบรวมและสามารถเก็บไว้ในการจัดเก็บข้อมูลขนาดใหญ่ อุปกรณ์เดียวสแกน (ในสตรีมข้อมูลระบบ) แทนการเข้าถึงแบบสุ่ม (ในระบบ) อาจจะเป็นจริงมากที่สุดประมวลผลโหมด เนื่องจากมันมักจะแพงเกินไปสแกนเช่นข้อมูล setmultiple ครั้งในส่วนนี้ เรานำวิเคราะห์ข้อมูลกระแสข้อมูลง่ายดายและวิธีการทำเหมืองแร่หลายส่วน 8.1.1 แนะนำวิธีการพื้นฐานสำหรับการประมวลผลข้อมูลกระแสข้อมูลและการสอบถามการวิเคราะห์กระแสข้อมูล ลูกบาศก์ข้อมูลกระแสข้อมูลที่ครอบคลุมหลายมิติ และgranularities หลายเวลา อธิบายไว้ในหัวข้อ 8.1.2 ทำเหมืองแร่รูปแบบบ่อยและการจัดประเภทจะแสดงในส่วน 8.1.3 และ 8.1.4 ตามลำดับ ในคลัสเตอร์ของการพัฒนาข้อมูลแบบไดนามิกจะอยู่ในส่วน 8.1.5

ผลลัพธ์ (ไทย) 3:

มหาศาล และอาจไม่มีที่สิ้นสุดของปริมาณกระแสข้อมูลมักจะสร้างโดย
เรียลไทม์การเฝ้าระวังระบบ เครือข่าย อินเทอร์เน็ต การสื่อสาร
ธุรกรรมออนไลน์ในอุตสาหกรรมตลาดการเงินและค้าปลีก สายส่งไฟฟ้า กระบวนการผลิต
อุตสาหกรรมทางวิทยาศาสตร์และวิศวกรรม , การทดลอง , เซ็นเซอร์ระยะไกล , และสภาพแวดล้อมแบบไดนามิก ๆ

ซึ่งแตกต่างจากชุดข้อมูลแบบดั้งเดิมกระแสข้อมูลที่ไหลเข้าและออกของ
ระบบคอมพิวเตอร์อย่างต่อเนื่อง และแตกต่างกับราคาปรับปรุง พวกเขาเป็นชั่วคราวสั่ง
เปลี่ยนแปลงอย่างรวดเร็วมาก และอาจไม่มีที่สิ้นสุด มันอาจเป็นไปไม่ได้ที่จะเก็บข้อมูลทั้งหมด
หรือสแกนผ่านมันหลายครั้ง เนื่องจากความมหาศาลปริมาตร โดย
กระแสข้อมูลมักจะเป็นในระดับต่ำค่อนข้างเป็นนามธรรม แต่นักวิเคราะห์ส่วนใหญ่
สนใจค่อนข้างสูงแบบไดนามิก การเปลี่ยนแปลง เช่น แนวโน้มและเบี่ยงเบน

ค้นพบความรู้หรือรูปแบบสตรีมข้อมูล จึงจำเป็นต้องพัฒนาเดียวสแกน
ออนไลน์ , หลาย , การประมวลผลกระแสหลายมิติและวิธีการวิเคราะห์ .
เช่นเดียวสแกน วิธีการวิเคราะห์ข้อมูลออนไลน์ไม่ควรคับ กระแสข้อมูลเท่านั้น

มันเป็นคุณสมบัติที่สำคัญสำหรับการประมวลผลกระแสข้อมูลที่ไม่ใหญ่มาก กับข้อมูลปริมาณการติดตั้งโดย
เทราไบต์ หรือแม้แต่ petabytes ข้อมูลดีๆ
จับกระแสความต้องการการประมวลผลของเราวันนี้ : แม้ว่าชุดสมบูรณ์ของข้อมูลที่เก็บ
และสามารถเก็บไว้ในอุปกรณ์จัดเก็บข้อมูลมากเดียว สแกน ( เช่น
สตรีม ข้อมูลระบบ ) แทนการเข้าถึงข้อมูลแบบสุ่ม ( ระบบฐานข้อมูล ) อาจจะยังเป็นจริง
ที่สุดการประมวลผลโหมด เพราะมันมักจะแพงมาก สแกน เช่น ข้อมูล setmultiple ครั้ง .
ในส่วนนี้เราแนะนำหลายออนไลน์สตรีมข้อมูลการวิเคราะห์และวิธีการทำเหมือง .
ส่วน 8.1.1 แนะนําวิธีการขั้นพื้นฐานสำหรับกระแสการประมวลผลข้อมูลสอบถาม .
การวิเคราะห์หลายมิติของข้อมูลสตรีมซึ่งรวมไปถึงกระแสข้อมูลหลายก้อนและ
granularities เวลาที่อธิบายไว้ในส่วน 8.1.2 . บ่อยแบบเหมืองแร่
และการจำแนกจะถูกนำเสนอในส่วน 8.1.3 และ 8.1.4 ตามลำดับ กลุ่มของกระแสข้อมูลแบบไดนามิก
ซึ่งระบุในส่วน 8.1.5 .