روش Prefetching Candidate Mining

     روش Prefetching Candidate Mining

در ابزارهای با حافظه کم مانند دستگاه­های موبایل یا PDA مورد استفاده قرار می­گیرد[۱۲]. درخواست­های کاربر پردازش شده و دنباله درخواست­ها در یک مدل مارکوف ترتیب اول ذخیره می­شود، برای محدود کردن مقدار حافظه مصرفی، دنباله­ها بر­اساس احتمال آن­ها رتبه بندی می­شوند.

۱-۱-۲-  روش­های مبتنی برتوابع وزن دار

در این روش­ها علاوه بر الگوهای دسترسی کاربران و احتمال درخواست­ها، هزینه­ها از قبیل ترافیک شبکه، بار سرور، سربار برنامه­ها و مانند اینها نیز در نظر گرفته می­شوند.

۱-۱-۲-۱-                     توابع پیش­واکشی بر­اساس اندازه صفحات وب

توابع پیش­واکشی بر­اساس اندازه صفحات وب، در تابع پیش­واکشی استفاده شده در [۱۳] اندازه صفحات وب در نظر گرفته می­شود. صفحات با اندازه بزرگتر شانس کمتری برای پیش واکشی دارند. در­واقع ایده اصلی در­نظر گرفتن هزینه الگوریتم پیش­واکشی است که در صورت پیش­واکشی اشتباه، الگوریتم باعث افزایش زیاد ترافیک در شبکه نگردد.

۱-۱-۲-۲-                     پیش­بینی با استفاده از مدل انطباق بخشی

پیش­بینی با استفاده از مدل انطباق بخشی(PPM)، از مدل­های مارکوف با ترتیب m جهت ذخیره الگوهای دسترسی کاربران استفاده می­کند. یک مدل مارکوف با ترتیب n شامل دنباله­ای از آخرین n+1 درخواست­های کاربر است. پیش­بینی با مقایسه الگوی دسترسی فعلی با مدل­های مارکوف انجام می­گیرد[۱۴].

۱-۱-۲-۳-                     روش­های صرفاً مبتنی­بر داده­کاوی

روش­های صرفاً مبتنی­بر داده­کاوی، با داده­کاوی فایل­های log وب، می­توان به الگوهای دسترسی و رفتارهای کاربران در وب دست یافت. در [۱۵] یک پروکسی سرور مبتنی­بر پیش­بینی ایجاد شده­است که از یک تابع کاوشگر دنباله درخواست­ها و از یک تابع مدیریت بافر مبتنی بر پیش­بینی استفاده می­کند.

نظر دهید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

پاسخ من را به ایمیلم ارسال کن