Sampling is the process of selectin

Sampling is the process of selecting a subgraph from
an original graph to represent the characteristics of it, at a
given point of time. As real-time mobile streaming networks
are temporal, unbounded and huge to fit in memory it is
difficult to analyze them with a commodity machine. We
need real-time evolving samples that can represent the huge
networks, while maintaining a trade-off between accuracy of
results and cost of computation over huge networks. What
if we have a real-time evolving sample of the stream with
the similar properties and topology of the original graph?
There are a number of algorithms proposed for sampling
of streams [1], [2], [3], and [4] etc. However, there are no
solutions to match all the properties of graphs. If the sample
matches few properties, which sample would yield proper
estimates for directed and weighted evolutionary graphs? In
this section, we refer to the work we carried out in [5].
We implemented three sequential algorithms, space saving
[6], reservoir sampling [1] and a biased random sampling
algorithm [5] to generate sample streams in real time. These
algorithms are briefed below.

ผลลัพธ์ (ไทย) 2:

การเก็บตัวอย่างเป็นกระบวนการของการเลือก subgraph จาก
กราฟเดิมเพื่อเป็นตัวแทนของลักษณะของมันที่
จุดเวลาที่กำหนด ในฐานะที่เป็นแบบ real-time เครือข่ายสตรีมมิ่งมือถือ
มีความชั่วมากมายและขนาดใหญ่เพื่อให้พอดีกับในหน่วยความจำมันเป็น
เรื่องยากที่จะวิเคราะห์พวกเขามาพร้อมกับเครื่องสินค้าโภคภัณฑ์ เรา
ต้องการเวลาจริงการพัฒนาตัวอย่างที่สามารถเป็นตัวแทนของขนาดใหญ่
เครือข่ายในขณะที่รักษาการออกระหว่างความถูกต้องของ
ผลการและค่าใช้จ่ายของการคำนวณผ่านเครือข่ายขนาดใหญ่ อะไร
ถ้าเรามีเวลาจริงการพัฒนาตัวอย่างของสตรีที่มี
คุณสมบัติที่คล้ายกันและโครงสร้างของกราฟเดิม?
มีจำนวนของขั้นตอนวิธีการที่นำเสนอสำหรับการสุ่มตัวอย่างมี
ลำธาร [1], [2], [3] และ [4 ] ฯลฯ แต่ไม่มี
การแก้ปัญหาเพื่อให้ตรงกับคุณสมบัติทั้งหมดของกราฟ ถ้าตัวอย่าง
ตรงกับคุณสมบัติไม่กี่ซึ่งตัวอย่างจะให้ผลผลิตที่เหมาะสม
ประมาณการสำหรับการกำกับและอำนวยการถ่วงน้ำหนักกราฟวิวัฒนาการ? ใน
ส่วนนี้เราหมายถึงการทำงานที่เราดำเนินการใน [5].
เราดำเนินการสามขั้นตอนวิธีการเรียงลำดับประหยัดพื้นที่
[6] อ่างเก็บน้ำสุ่มตัวอย่าง [1] และการสุ่มตัวอย่างลำเอียงสุ่ม
อัลกอริทึม [5] เพื่อสร้างกระแสตัวอย่างในเวลาจริง . เหล่านี้
ขั้นตอนวิธีการฟังการบรรยายสรุปดังต่อไปนี้

ผลลัพธ์ (ไทย) 3:

) คือกระบวนการของการเลือก subgraph จากเป็นกราฟแสดงคุณลักษณะของเดิมมัน , ที่จุดที่กำหนดของเวลา เป็นโทรศัพท์มือถือเครือข่ายสตรีมมิ่งแบบเรียลไทม์มีเวลา ไม่จำกัด และขนาดใหญ่ เพื่อให้พอดีกับในความทรงจำ มันคือยากที่จะวิเคราะห์ให้กับสินค้าเครื่อง เราต้องพัฒนาแบบเรียลไทม์ที่สามารถเป็นตัวแทนของตัวอย่างขนาดใหญ่เครือข่าย , ในขณะที่รักษาความถูกต้องของการแลกเปลี่ยนระหว่างผลลัพธ์และค่าใช้จ่ายในการคำนวณบนเครือข่ายขนาดใหญ่ อะไรถ้าเราได้แบบเรียลไทม์ ซึ่งตัวอย่างของกระแสกับคุณสมบัติที่คล้ายกันและรูปร่างของกราฟเดิม ?มีจำนวนของขั้นตอนวิธีที่เสนอสำหรับการสุ่มตัวอย่างกระแส [ 1 ] , [ 2 ] , [ 3 ] และ [ 4 ] เป็นต้น แต่ไม่มีโซลูชั่นเพื่อให้ตรงกับคุณสมบัติทั้งหมดของกราฟ ถ้าตัวอย่างตรงกับคุณสมบัติบางอย่าง ซึ่งตัวอย่างจะให้ผลผลิตที่เหมาะสมประมาณการสำหรับกำกับกราฟถ่วงน้ำหนักวิวัฒนาการ ? ในส่วนนี้เราดูที่ผลงานเราออกมา [ 5 ]เราใช้งานวิจัยต่อเนื่อง พื้นที่บันทึก[ 6 ] , อ่างเก็บน้ำ ) [ 1 ] และลำเอียงการสุ่มตัวอย่างขั้นตอนวิธี [ 5 ] เพื่อสร้างกระแสตัวอย่างในเวลาจริง เหล่านี้ขั้นตอนวิธีการที่จะอธิบายด้านล่าง