Transactions on Large-Scale Data- and Knowledge-Centered Systems XX: Special Issue on Advanced Techniques for Big Data Management

مجله LNCS Transactions on Large-Scale Data- and Knowledge-Centred Systems بر مدیریت داده ها، کشف دانش، و پردازش دانش تمرکز دارد که موضوعات اصلی و داغ در علوم کامپیوتر هستند. از دهه 1990، اینترنت به نیروی محرکه اصلی توسعه اپلیکیشن در همه حوزه ها تبدیل شده است. افزایش تقاضا برای اشتراک‌گذاری منابع در سایت‌های مختلف متصل از طریق شبکه‌ها منجر به تکامل سیستم‌های مدیریت داده و دانش از سیستم‌های متمرکز به سیستم‌های غیرمتمرکز شده است که برنامه‌های کاربردی توزیع‌شده در مقیاس بزرگ را قادر می‌سازند مقیاس‌پذیری بالایی را ارائه کنند. سیستم های غیرمتمرکز کنونی همچنان بر داده ها و دانش به عنوان منبع اصلی خود تمرکز می کنند. امکان سنجی این سیستم ها اساساً به تکنیک های P2P (همتا به همتا) و پشتیبانی از سیستم های عامل با مقیاس بندی و کنترل غیرمتمرکز متکی است. هم افزایی بین شبکه‌ها، سیستم‌های P2P و فناوری‌های عامل، کلید سیستم‌های داده‌محور و دانش محور در محیط‌های مقیاس بزرگ است. این، بیستمین شماره تراکنش‌ها در مقیاس بزرگ داده‌ها و سیستم‌های دانش‌محور، مجموعه‌ای نماینده و مفید از مقالات را ارائه می‌کند که طیف گسترده‌ای از موضوعات مهم در حوزه تکنیک‌های پیشرفته برای مدیریت کلان داده را پوشش می‌دهد. کلان داده به یک اصطلاح محبوب تبدیل شده است که برای توصیف رشد تصاعدی و در دسترس بودن داده ها استفاده می شود. گسترش و ادغام رادیکال اخیر محاسبات، شبکه، دستگاه‌های دیجیتال و ذخیره‌سازی داده، بستری قوی برای انفجار داده‌های بزرگ فراهم کرده است، و همچنین ابزاری برای تولید، پردازش، اشتراک‌گذاری و تحلیل داده‌های بزرگ است. به طور کلی، داده ها تنها زمانی مفید هستند که بتوان از آنها معنا و ارزش استخراج کرد. کشف کلان داده به دانشمندان داده و سایر تحلیلگران امکان می دهد تا الگوها و همبستگی ها را از طریق تجزیه و تحلیل حجم زیادی از داده ها از انواع مختلف کشف کنند. بینش‌های به‌دست‌آمده از کشف کلان داده‌ها می‌تواند مزیت‌های رقابتی قابل‌توجهی را برای کسب‌وکارها فراهم کند که منجر به کمپین‌های بازاریابی موفق‌تر، کاهش ریزش مشتری و کاهش ضرر ناشی از تقلب شود. در عمل، تقاضای فزاینده برای کاربردهای پردازش داده و تجزیه و تحلیل داده در مقیاس بزرگ، توسعه راه‌حل‌های جدید را از صنعت و دانشگاه تحریک کرده است.

The LNCS journal Transactions on Large-Scale Data- and Knowledge-Centered Systems focuses on data management, knowledge discovery, and knowledge processing, which are core and hot topics in computer science. Since the 1990s, the Internet has become the main driving force behind application development in all domains. An increase in the demand for resource sharing across different sites connected through networks has led to an evolution of data- and knowledge-management systems from centralized systems to decentralized systems enabling large-scale distributed applications providing high scalability. Current decentralized systems still focus on data and knowledge as their main resource. Feasibility of these systems relies basically on P2P (peer-to-peer) techniques and the support of agent systems with scaling and decentralized control. Synergy between grids, P2P systems, and agent technologies is the key to data- and knowledge-centered systems in large-scale environments. This, the 20th issue of Transactions on Large-Scale Data- and Knowledge-Centered Systems, presents a representative and useful selection of articles covering a wide range of important topics in the domain of advanced techniques for big data management. Big data has become a popular term, used to describe the exponential growth and availability of data. The recent radical expansion and integration of computation, networking, digital devices, and data storage has provided a robust platform for the explosion in big data, as well as being the means by which big data are generated, processed, shared, and analyzed. In general, data are only useful if meaning and value can be extracted from them. Big data discovery enables data scientists and other analysts to uncover patterns and correlations through analysis of large volumes of data of diverse types. Insights gleaned from big data discovery can provide businesses with significant competitive advantages, leading to more successful marketing campaigns, decreased customer churn, and reduced loss from fraud. In practice, the growing demand for large-scale data processing and data analysis applications has spurred the development of novel solutions from both industry and academia.