ПЕРСПЕКТИВИ ЗАСТОСУВАННЯ ОПТИМАЛЬНИХ ВЕКТОРНИХ КОДІВ ДЛЯ ОПРАЦЮВАННЯ МАСИВІВ ДАНИХ
DOI:
https://doi.org/10.35546/kntu2078-4481.2023.2.29Ключові слова:
комбінаторна оптимізація, система координат тора, індексація даних, потужність методу кодування, оптимальний кільцевий монолітно-груповий код, шифрування данихАнотація
У цій роботі розглянуто метод опрацювання масивів даних у просторовому полі системи координат тора, побудована на множині комбінаційних сум векторних елементів комбінаторної конфігурації типу «ідеальна кільцева в’язанка» (IКB) як базису цієї системи координат, де базис – це підмножина множини наборів координат решітки тора, утвореної послідовним додаванням векторних елементів ІКВ, які, разом з їхніми модульними сумами, заповнюють названу решітку. Досліджено особливості опрацювання дво- і багатовимірних масивів даних у просторовому полі координатної системи тора з використанням оптимальних кільцевих монолітно-групових кодів, сформованих в базисі цієї системи. Встановлено взаємно однозначну відповідність між множиною наборів категорій атрибутів вхідних даних і множиною наборів координат просторової решітки тора, число осей системи координат якої визначає кількість категорій, а число позицій на кожній осі – кількість атрибутів кожної категорії. Обґрунтовано доцільність застосування оптимальних векторних монолітно-групових кодів для опрацювання даних в просторовому полі такої системи координат, що дає змогу зменшити використання машинного часу та пам’яті для опрацювання даних, завдяки кодуванню наборів даних за двома і більше категоріями атрибутів одночасно. З’ясовано, що загальна кількість вузлових точок координатної сітки тора обумовлює потужність методу оптимального кодування наборів даних, а її розміри і розмірність окреслюють відповідну систему категоризації атрибутів. Наведено приклад кодування даних за двома категоріями атрибутів в базисі системи координат тора, що дає змогу зрозуміти сутність зазначеного методу опрацювання даних. Передбачена можливість застосування оптимальних векторних кодів для шифрування опрацьованих даних під час їх пересилання каналами зв’язку.
Посилання
Eldawy A., Mokbel M. F., Alharthi S., Alzaidy A, Tarek K., Ghani S. SHAHED. A MapReduce-based system for querying and visualizing spatio-temporal satellite data. IEEE International Conference on Data Engineering. 2015. Seoul, South Korea, 13–17 April 2015.
Eldawy A., Mokbel MF, Jonathan C. Hadoop Viz: A MapReduce framework for extensible visualization of big spatial data. The 32nd IEEE International Conference on Data Engineering. 2016. 16-20 May 2016. Helsinki, Finland: IEEE, 2016. P. 601–612.
Laszlo I., Rassat A., Fowler P.W., Graovas A. Topological coordinates for toroidal structures. Chemical Physics Letters: Elsevier Science B.V. 2001. Vol. 342. 2001. P. 369–374.
Ma Y., Wu H., Wang L., Huang B., Ranjan R., Zomaya A., Jie W. Remote sensing big data computing: Challenges and opportunities. Future Generation Computer Systems. 2015, no. 51. P. 47–60. URL: https://doi. org/10.1016/j.future.2014.10.029
Moore E.H., Pollatsek H.S. Difference Sets: Connecting Algebra, Combinatorics, and Geometry. New York: AMS, 2013. 314 p.
Nikos E. Mastorakis. Singular value decomposition in multidimensional arrays. International Journal of Systems Science. 1996. Vol.27, Iss. 7. P. 647–650. URL: https://doi.org/10.1080/00207729608929261
Pekturk M. K., Unal M. A review on real-time big data analysis in remote sensing applications. 25th Signal Processing and Communications Applications Conference (SIU). 2017. Antalya, Turkey, 15–18, May 2017.
Ray S., Simion B., Brown A.D., Johnson R. A parallel spatial data analysis infrastructure for the cloud. ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems. 2013. 5–8 November 2013. Orlando, FL, USA.
Riznyk V. Multi-dimensional Systems Based on Perfect Combinatorial Models, Multidimensional Systems: Problems and Solutions. 1998. London: IEE, Savoy Place, P. 5/1–5/4.
Riznyk V. Multi-modular Optimum Coding Systems Based on Remarkable Geometric Properties of Space. Advances in Intelligent Systems and Computing. – Springer. 2017. Vol. 512. P. 129–148. URL: https://doi.org/10.1007/978-3-319-45991-2_9
Singer J. Division of mathematics: perfect difference sets. Tranactions of the New York Academy of Sciences. 1966. Vol. 28, Iss. 7, Series II. P. 883–888. URL: https://doi.org/10.1111/j.2164-0947.1966.tb02392.x
Sun Z., Shen J., Zhu Y. Big data for remote sensing: Challenges and opportunities Big data for remote sensing. Challenges and opportunities/ IEEE. 2016. Vol. 104, no. 11. P. 2207–2219. URL: https://doi.org/10.1109/Jproc.2016.598228
Tang W., Feng W. Parallel map projection of vector-based big spatial data: Coupling cloud computing with graphics processing units. Computers, Environment and Urban Systems.2014. Vol. 61. P. 187–197. URL: https: //doi.org/10.1016/j.compenvurbsys.2014.01.001
Wu Z., Feng J., Qiao F., Tan Z. – M. Fast multidimensional ensemble empirical mode decomposition for the analysis of big spatio-temporal datasets. Philos Trans A Math Phys Eng Sci. 2016. Vol. 374(2065), 2015.01.97
Xiaochuang Y., Li Guoqing. Big spatial vector data management: a review. Big Earth Data. 2018. Vol. 2, no. 1. P. 108–129. URL: https://doi.org/10.1080/20964471.2018.1432115
Ye S., Yan T., Yue Y., Lin W., Li L.,Yao X., Zhu D. Computers & Geosciences . 2016. Vol. 89. P. 44–56. URL: https:// doi.org/10.1016/j.cageo.2016.01.007
Жук К.Д., Тунік А.А., Чинаєв П.І. Багатовимірні системи автоматичного керування. Енциклопедія кібернетики. 1973. Т. 1. С. 140–142.
