Upload
shanae
View
47
Download
0
Embed Size (px)
DESCRIPTION
Classification de Flux de Données par Échantillonnages sur Fenêtres Inclinées. Baptiste Csernel, Thésard 1er année Fabrice Clérot, Superviseur FT R&D Georges Hébrail, Superviseur ENST. Plan. Classification Automatique de Flux de Données StreamSamp Tests Perspectives. Les Flux de Données. - PowerPoint PPT Presentation
Citation preview
Classification de Flux de Données par
Échantillonnages sur Fenêtres InclinéesBaptiste Csernel, Thésard 1er année
Fabrice Clérot, Superviseur FT R&D
Georges Hébrail, Superviseur ENST
Plan
Classification Automatique de Flux de Données
StreamSamp Tests Perspectives
Les Flux de Données
Définition Un flux de donnée est une séquence infinie
d’éléments générés de façon continue à un rythme rapide.
Domaines d’Applications
Logs de sites Internet Tickets de communications téléphoniques Indices Boursiers Données de capteurs
Consommation Trafic routier Géologiques
Classification Automatique de flux de Données
Réaliser une typologie des éléments du flux en les regroupant par classes.
Pouvoir réaliser ces regroupements sur n’importe quelle partie du flux.
Contraintes des Algorithmes de Traitement des Flux de Données Au plus un passage par élément Temps de traitement par élément court Ressources CPU et mémoire utilisées par
élément faibles Applicable à l’ensemble du flux ou juste une
portion de ce dernier
CluStream
Division du traitement en deux parties, une en ligne, et une hors ligne.
Partie en ligne : Création et maintenance de micro clusters. Archivage régulier de l’état de ces micro clusters
dans des clichés. Partie hors ligne :
Classification finale réalisée à partir des micro clusters.
StreamSamp
Algorithme basé sur troix principes :
L’échantillonnage du flux
Le Stockage des échantillons dans une structure de fenêtre inclinées (tilted windows)
Séparation d’une partie en ligne et hors ligne
Algorithme (1/3) (partie en ligne)
….. 1117 1116 1115
Flux de DonnéesÉchantillonnage
à taux fixe αÉchantillons de taille
T et d’ordre 0
1114 1110
1107 1001 1091 1083
1078 1069 1061 1053
Jusqu’à L échantillons d’ordre o.
Algorithme (2/3) (partie en ligne)
1110
1107 1001 1091 1083
1078 1069 1061 1053
1048 1036 1031 1022
L = 3
1004 983 962 944
918 802 786 764
1078 1061 1036 1022
Échantillons de taille T et d’ordre o.
Échantillons de taille T et d’ordre o + 1.
Tirage aléatoire de T/2 éléments de chaque échantillon père
Algorithme (3/3) (partie hors ligne) Les échantillons portant sur la partie du flux à
analyser son fusionnés.
Chaque éléments d’un fichier d’ordre i reçoit une pondération de 2^(o)
Une méthode de classification traditionnelle (ici nuées dynamique) est appliquée à cet échantillon représentatif du flux.
Tests expérimentaux
Jeu de données KDD cup 1999 500 000 éléments 34 variables quantitatives Moyennes des scores sur six essais Scores calculés pour 5 clusters utilisateurs Score = Somme de l’inertie intra cluster
Scores
CluStream StreamSamp
Tout le Flux 1747 1412
1er moitié du Flux
1506 1389
2nd moitié du
Flux
1680 1155
Avantages et Défauts
Avantages Vitesse d’exécution
rapide et indépendante de la dimension.
Faible nombre de paramètres. (T, L, α)
Concentration de données adaptée au débit.
Défauts Poids très élevés sur les
échantillons représentants des portions du flux trop anciennes.
Perd les outliers.
Perspectives
Tester l’efficacité de StreamSamp pour d’autres traitements comme l’estimation de moments.
Adapter StreamSamp de façon à l’appliquer à une sélection effectuée au préalable sur le flux.
Bibliographie
L. Golab, M.T. Özsu, Data Stream Management Issue – A Survey (2003).
S. Muthukrishnan, Data Streams Algorithm and Applications (2003).
C.C. Aggarwal et al, A Framework for Clustering Evolving Data Streams (2003).
R. Motwani et al, Models and Issues In Data Stream (2002).
Algorithme (1/3) (partie en ligne) Echantillonnage du flux à taux fixe α dans un
fichier de taille fixe T auquel est assigné l’ordre 0.
Quand le fichier est plein un nouveau fichier est entammé.
Algorithme (2/3) (partie en ligne) Quand le nombre de fichiers d’un même
ordre o atteint une limite L, les deux plus fichiers d’ordre i sont fusionnés en un fichier d’ordre o+1.
Le nouveau fichier est formé par tirage aléatoire de T/2 éléments de chacun des fichiers pères.