ডেটা স্ট্রিম ক্লাস্টারিংকে ডেটার ক্লাস্টারিং হিসাবে বর্ণনা করা হয় যা টেলিফোন ডেটা, মাল্টিমিডিয়া ডেটা, আর্থিক লেনদেন ইত্যাদি সহ অবিচ্ছিন্নভাবে প্রদর্শিত হয়৷ ডেটা স্ট্রিম ক্লাস্টারিংকে সাধারণত একটি স্ট্রিমিং অ্যালগরিদম হিসাবে বিবেচনা করা হয় এবং উদ্দেশ্য হল, পয়েন্টগুলির একটি ক্রম দেওয়া, একটি সেরা ক্লাস্টারিং করা। প্রবাহের, অল্প পরিমাণ মেমরি এবং সময় ব্যবহার করে।
কিছু অ্যাপ্লিকেশনের জন্য তাদের মিলের উপর ভিত্তি করে সেটে এই ধরনের ডেটার স্বয়ংক্রিয় ক্লাস্টারিং প্রয়োজন। উদাহরণগুলিতে ওয়েব অনুপ্রবেশ সনাক্তকরণ, ওয়েব ক্লিকস্ট্রিম বিশ্লেষণ এবং স্টক মার্কেট বিশ্লেষণের অ্যাপ্লিকেশন রয়েছে৷
স্ট্যাটিক ডেটা সেট ক্লাস্টার করার জন্য বেশ কয়েকটি গতিশীল পদ্ধতি রয়েছে ক্লাস্টারিং ডেটা স্ট্রীমগুলি এই জাতীয় অ্যালগরিদমগুলিতে অতিরিক্ত শক্তি রাখে। এটা দেখা যায় যে কম্পিউটেশনের ডেটা স্ট্রীম মডেলের জন্য প্রয়োজনীয় অ্যালগরিদম ডেটার উপর একটি একক পাস তৈরি করতে, আবদ্ধ মেমরি এবং নির্দিষ্ট প্রক্রিয়াকরণের সময়, যেখানে স্ট্রীমটি সময়ের সাথে সাথে অত্যন্ত গতিশীল এবং বিকশিত হতে পারে।
ডাটা স্ট্রীম ক্লাস্টারিংয়ের বিভিন্ন পদ্ধতি রয়েছে যা নিম্নরূপ -
গত ডেটার সারসংক্ষেপ গণনা ও সঞ্চয় করুন − সীমিত মেমরি স্পেস এবং দ্রুত প্রতিক্রিয়ার প্রয়োজনীয়তার কারণে, পূর্বে দেখা ডেটার সারসংক্ষেপ গণনা করুন, প্রাসঙ্গিক ফলাফলগুলি সংরক্ষণ করুন এবং প্রয়োজনে গুরুত্বপূর্ণ পরিসংখ্যান গণনা করতে এই জাতীয় সারাংশ ব্যবহার করুন৷
একটি বিভক্ত-এবং-জয় কৌশল প্রয়োগ করুন - এটি আগমনের ক্রম অনুসারে ডেটা স্ট্রীমগুলিকে খণ্ডে ভাগ করতে পারে, এই খণ্ডগুলির জন্য সারাংশ গণনা করতে পারে এবং তারপরে সারাংশগুলিকে একত্রিত করতে পারে। এই পদ্ধতিতে, ছোট বিল্ডিং ব্লকগুলি থেকে উচ্চতর মডেলগুলি তৈরি করা যেতে পারে।
আগত ডেটা স্ট্রীমের ক্রমবর্ধমান ক্লাস্টারিং − যেহেতু স্ট্রিম ডেটা ক্রমাগত এবং ক্রমবর্ধমানভাবে সিস্টেমের পরিচয় দেয়, তাই পরিবর্তিত ক্লাস্টারগুলি ক্রমবর্ধমানভাবে পরিশীলিত হওয়া উচিত৷
মাইক্রোক্লাস্টারিংয়ের পাশাপাশি ম্যাক্রোক্লাস্টারিং বিশ্লেষণ সম্পাদন করুন − স্ট্রীম ক্লাস্টার দুটি ধাপে গণনা করা যেতে পারে নিম্নরূপ −
-
এটি মাইক্রোক্লাস্টার স্তরে সংক্ষিপ্তসারগুলি গণনা এবং সংরক্ষণ করতে পারে, যেখানে একটি অনুক্রমিক বটম-আপ ক্লাস্টারিং অ্যালগরিদম প্রয়োগ করে মাইক্রোক্লাস্টার গঠিত হয়৷
-
এটি ব্যবহারকারী-নির্দিষ্ট স্তরে ম্যাক্রোক্লাস্টার গণনা করতে পারে (যেমন মাইক্রোক্লাস্টারগুলিকে গ্রুপ করার জন্য অন্য ক্লাস্টারিং অ্যালগরিদম ব্যবহার করে)। এই দ্বি-পদক্ষেপ গণনা দক্ষতার সাথে ডেটা সংকুচিত করে এবং ত্রুটির একটি ছোট ক্ষেত্রে ফলাফল প্রদান করে৷
ক্লাস্টার বিবর্তনের বিশ্লেষণের জন্য একাধিক সময়ের গ্রানুলারিটি অন্বেষণ করুন − যেহেতু সাম্প্রতিক ডেটাগুলি প্রায়শই স্ট্রীম ডেটা বিশ্লেষণে দূরবর্তী (অর্থাৎ, পুরানো) ডেটা থেকে একটি ভিন্ন ভূমিকা পালন করে, সময়ের মধ্যে বিভিন্ন পয়েন্টে সংক্ষিপ্ত ডেটার স্ন্যাপশটগুলি সংরক্ষণ করতে একটি কাত টাইম ফ্রেম মডেল ব্যবহার করুন৷
স্ট্রিম ক্লাস্টারিংকে অন-লাইন এবং অফ-লাইন প্রক্রিয়াগুলিতে ভাগ করুন − ডেটা স্ট্রিমিং করার সময়, ডেটা স্ন্যাপশটের প্রাথমিক সারসংক্ষেপগুলি গণনা করা, সংরক্ষণ করা এবং ক্রমবর্ধমানভাবে আপডেট করা উচিত৷
অতএব, এই ধরনের গতিশীল পরিবর্তনশীল ক্লাস্টার বজায় রাখার জন্য একটি অন-লাইন প্রক্রিয়া প্রয়োজন। ইতিমধ্যে, একজন ব্যবহারকারী অতীত, বর্তমান বা ক্রমবর্ধমান ক্লাস্টার সম্পর্কে জিজ্ঞাসা করতে প্রশ্ন করতে পারে। এই ধরনের বিশ্লেষণ অফ-লাইন বা অনলাইন ক্লাস্টার রক্ষণাবেক্ষণের স্বাধীন প্রক্রিয়া হিসাবে সঞ্চালিত হতে পারে৷
