Titel:Grafkomprimering ved hjælp af Mønstertilpasningsteknikker

forfattere: Rushabh Jitendrakumar Shah

Hent PDF

abstrakt: grafer kan bruges til at repræsentere en lang række data, der tilhører differentdomains. Grafer kan fange forholdet mellem data på en effektiv måde, og har været meget udbredt. I nyere tid, med fremkomsten af Big Data, derhar været et behov for at gemme og beregne på store datasæt effektivt. I betragtning af størrelsen på de pågældende datasæt har det imidlertid været en udfordring at finde optimale metoder til at opbevare og behandle dataene. Derfor, i dette papir, vestudy forskellige graf kompression teknikker og foreslå nye algoritmer til at gøredet samme. Specifikt givet en graf G = (V, E), hvor V er sæt afvertices og E er sæt af kanter, og |V| = n, foreslår vi teknikker tilkomprimere adjacency matrice repræsentation af grafen. Vores algoritmer er baseret på at finde mønstre inden for adjacency matricen data, og erstatte de fælles mønstre med specifikke markører. Alle de teknikker, der foreslås her, ertabsfri kompression af grafer. Baseret på de eksperimentelle resultater er detobserveret, at vores foreslåede teknikker opnår næsten 70% kompression somsammenlignet med adjacency matrice repræsentation. Resultaterne viser, at store graferkan gemmes effektivt i mindre hukommelse og udnytte den parallelle processorkraft af computernoder samt effektivt overføre data mellem ressourcer.