به طور کلی، دو نوع مدل معماری در توسعه‌ی سیستم‌های داده‌کاوی توزیع شده مورد استفاده قرار می‌گیرند، که عبارتند از: کلاینت سرور، و عامل‌های نرم‌افزاری. همان‌طور که در شکل ۳-۲ نشان داده شده است، دسته‌ی عامل‌ها، خود می‌توانند با توجه به اینکه آیا قابلیت جابجایی با هدایت خود را دارند یا خیر، به دو گروه تقسیم شوند.[۸۹]
سیستم‌های داده‌کاوی توزیع شده
معماری‌ها
کلاینت – سرور
عامل‌های نرم‌افزاری
جابجایی با هدایت خود
ساکن و بی حرکت
موبایل
شکل ۳- ۲: گروه‌بندی سیستم‌های داده‌کاوی توزیع شده
۳-۲-۲- مشکلات داده‌کاوی توزیع شده
مسئله‌ای که داده کاوی توزیع شده می‌خواهد آن را حل کند، کشف و استخراج دانش از پایگاه داده توزیع شده است، که این کار با مشکلات پیچیده‌ای روبرو است، مانند منابع داده‌ای بزرگ، مشکلات انتقال داده، ترکیب داده‌ها، و غیره. در زیر به تعدادی از این موارد اشاره شده است:
۳-۲-۲-۱- افزونگی داده
برای استفاده و مدیریت درست، معمولاً حجم عظیمی از افزونگی داده در پایگاه داده توزیع شده وجود دارد، و این مسئله تأثیرات منفی بسیاری بر روی داده‌کاوی می‌گذارد، و منجر به بروز مشکل داده‌های ناجور می‌شود.

( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

۳-۲-۲-۲- تغییرات پویای محیط
در محیط شبکه‌ای داده متغیر است، داده‌کاوی و جمع آوری نتایج درست که وابسته به زمان باشند، مشکل است.
۳-۲-۲-۳- سربار ارتباطات
در محیط توزیع شده، ارتباطات داده‌ای تأثیر قابل توجهی بر روی زمان سپری شده دارند، و هزینه‌ها به طور عمده مرتبط با پهنای باند و ترافیک شبکه هستند، بنابراین در زمان طراحی سیستم داده‌کاوی، تا جایی که امکان دارد باید ارتباطات داده‌ای کاهش یابد.
۳-۲-۲-۴- مشکلات داده‌کاوی توزیع شده به روش سنتی
پردازش داده‌ها با بهره گرفتن از روش داده کاوی و مدل سیستم کاوش سنتی برپایه‌ی روش متمرکز هستند. راه حل کلی داده کاوی بر روی مخازن توزیع شده، انتقال داده‌های سایت‌های محلی به بخش مرکزی و سپس اجرای متد داده کاوی متمرکز برای کاوش داده است. مزیت این روش این است که با بهره گرفتن از تکنولوژی داده کاوی و سیستم کاوش، می‌توان به نتایج ایده‌آل رسید، اما معایب و نواقص این روش نیز بارز است، که در اینجا به دو مورد اشاره می‌شود:
داده کاوی به معنای استخراج دانش از حجم عظیم داده است، و انتقال حجم عظیم داده به بخش مرکزی می‌تواند منجر به تراکم زیاد بر روی شبکه شود.
داده‌ای که می‌بایست در این روش، بر روی شبکه منتقل شود، اغلب با مشکلات و مسائل امنیتی روبرو است.
۳-۳- عامل‌ها و داده‌کاوی
در بسیاری از حالات، هم سیستم‌های چند عامله و هم سیستم‌های داده‌کاوی، درگیر مسائل هوشمندی می‌شوند. این مورد، چالش‌های مشترکی که هر دو حوزه با آن‌ها روبرو هستند را آشکار می‌سازد. برای مقابله با چنین چالش‌هایی، در کنار تکنیک‌های جدیدی که در هر یک از این دو حوزه باید ابداع شوند، یک روش قابل اطمینان، ترکیب این دو رشته است که بتوانند مکمل یکدیگر باشند.
چرا تعاملات و یکپارچه کردن عامل‌ها و داده‌کاوی اهمیت دارد؟ دلائل صریح و روشن و غیر صریحی برای این مسئله وجود دارد. دلائل صریح می‌توانند شامل موارد زیر باشند [۹۰, ۹۱]:
محدودیت‌ها و چالش‌های سیستم‌هایی که تنها بر پایه‌ی عامل‌ها بنا نهاده شده‌اند، با داده‌کاوی قابل حل است. در واقع تکنولوژی داده‌کاوی مکمل تکنولوژی عامل می‌باشد. به عنوان نمونه، می‌توان از یادگیری عامل‌ها بر پایه‌ی داده‌کاوی، مدل‌سازی کاربر و تجزیه و تحلیل اطلاعات نام برد.
محدودیت‌ها و چالش‌هایی که سیستم‌های داده‌کاوی با آن‌ها روبرو هستند، می‌توانند توسط تکنولوژی عامل بهتر پاسخ داده شوند. به عنوان مثال، زیرساخت داده‌کاوی برپایه‌ی عامل، استفاده از عامل‌ها برای آماده سازی و مدیریت داده‌ها، و سرویس‌دهی بر پایه‌ی عامل.
کاوش-عامل، می‌تواند نتایج و دستاوردهای بهتری را نسبت به حالتی که این دو تکنولوژی بطور مجزا بکار گرفته می‌شوند، به ارمغان آورد. به عنوان نمونه، هوشمندی بیشتر قابلیت‌ها در درک بهتر مسائل، یادگیری، سازگاری، تصمیم‌گیری، کشف، و استدلال.
و دلائل غیرصریح که مهم هستند و باید مورد توجه قرار بگیرند، می‌توانند شامل موارد زیر باشند:
کاوش-عامل، برای مقابله با پدیده‌ی هوشمندی و پیچیدگی‌های سیستم در سیستم‌های هوشمند پیچیده، ضروری است. سیستم‌های هوشمند ساده، و سایر مسائل که بتوانند با بهره گرفتن از یکی از این دو تکنولوژی پاسخ داده شوند، مانند سیستم یکپارچه کردن داده‌ها بر پایه‌ی عامل، نیازی به بکارگیری هر دو تکنولوژی ندارند.
ظهور هوشمندی، در کاوش عامل، می‌تواند قابلیت حل مشکل سیستم‌های هوشمند را قدرت بخشد، که این تنها، با بهره گرفتن از یکی از این دو تکنولوژی قابل انجام نیست.
نقش‌های غیرواضح باید از طریق مطالعات میان رشته‌ای کشف شوند. شناسایی نقش‌ها و توسعه آن‌ها، می‌تواند یکی از دو طرف یا کل سیستم یکپارچه‌ی کاوش عامل را بطور گسترده‌ای توسعه دهد.
مباحث تحقیقاتی، فرصت‌ها، تکنیک‌ها، و سیستم‌های جدید در جامعه کاوش عامل، شکل می‌گیرد.
این مورد که تکنولوژی عامل‌ها و داده‌کاوی می‌توانند مکمل یکدیگر باشند، باید مورد بحث و بررسی قرار گیرد. کاوش عامل، می‌تواند با ارائه‌ تکنیک‌ها و رویکرد‌های نوین، هر دو حوزه را توسعه دهد و چالش‌های آن‌ها را بگونه‌ای رفع کند که هر کدام به تنهایی قادر به آن نیستند. مزایایی که کاوش عامل برای حوزه‌های داده‌کاوی و عامل‌ها به ارمغان می‌آورد عبارتند از:
بهبود تکنولوژی عامل‌ها از طریق داده‌کاوی: تعاملات کاوش-عامل، اولین بار در سال ۱۹۹۱ با یادگیری عامل‌ها بر پایه‌ی داده‌کاوی صورت گرفت. داده‌کاوی، می‌تواند در جنبه‌های مختلف، علی‌الخصوص، در یادگیری عامل، هماهنگی و برنامه‌ریزی عامل، مدلسازی و سرویس‌دهی کاربر، و سرویس‌دهی شبکه، تاثیر قابل توجهی در رشد و بهبود تکنولوژی عامل داشته باشد.
توسعه دادن داده‌کاوی از طریق عامل‌ها: حدود سال ۱۹۹۳ تلاش برای استفاده از داده‌کاوی برپایه‌ی عامل‌ها یا به عبارتی استفاده از تکنولوژی عامل برای بهبود داده‌کاوی شکل گرفت. بهبود این تکنولوژی می‌تواند از جنبه‌های مختلفی مورد بررسی قرار گیرد، به عنوان نمونه، زیرساخت کشف دانش بر پایه‌ی عامل، پردازش توزیع شده بر پایه‌ی عامل، داده‌کاوی تعاملی بر پایه‌ی عامل، و ذخیره کردن داده بر پایه‌ی عامل.
ساخت سیستم‌های فوق هوشمند: استفاده از کاوش عامل می‌تواند منجر به ساخت سیستم‌های هوشمندتری شود که به بهترین نحو از قدرت هوشمندی عامل‌ها و قدرت داده‌کاوی در پردازش دانش بهره می‌برند.
۳-۳-۱- حوزه کاوش عامل
یکپارچه‌سازی و تعاملات داده‌کاوی و عامل‌ها، یا بطور مخفف، کاوش عامل، حوزه‌ی تحقیقاتی جدید و نویدبخشی را شکل داده است. محققان این حوزه، همچون سایر حوزه‌های علمی نوظهور، بر روی متدولوژی‌ها، اصول، تکنیک‌ها و برنامه‌های کاربردی یکپارچه‌سازی و تعاملات بین عامل‌ها و داده‌کاوی مطالعاتی را انجام می‌دهند. کاوش عامل، یک حوزه جامع، چند بعدی و میان رشته‌ای است.
به منظور تلفیق این دو تکنولوژی، نکته‌ای که باید مورد توجه قرار بگیرد این است که کاوش عامل، باید بین آن‌ها از ابعاد مختلف (شکل ۳-۳)، به عنوان مثال، منابع، زیرساخت، یادگیری، دانش، تعامل، واسط، اجتماعی، برنامه کاربردی، و کارایی اشتراک عمل برقرار کند [۹۲]. این ابعاد به اختصار در زیر شرح داده شده‌اند:
لایه‌ی منابع: تعاملات و یکپارچه‌سازی در سطح داده‌ها و اطلاعات صورت می‌گیرد.
لایه‌ی زیرساخت: تعاملات و یکپارچه‌سازی در زیرساخت، معماری، و یا در سطح پردازشی شکل می‌گیرد.
لایه‌ی دانش: در این لایه، تعاملات و یکپارچه‌سازی بر مبنای دانش هستند، که شامل دانش دامنه، دانش افراد خبره، متا دانش، دانش بازیافتی، استخراج شده یا کشف شده از منابع می‌باشند.
لایه‌ی یادگیری: تعاملات و یکپارچه‌سازی این لایه بر پایه‌ی متدهای یادگیری، قابلیت‌های یادگیری، و دیدگاه کارایی شکل می‌گیرد.
لایه‌ی تعاملات: در این لایه، به تعاملات و یکپارچه‌سازی از دیدگاه هماهنگی، مشارکت، مذاکره، و ارتباطات پرداخته می‌شود.
لایه‌ی واسط: تعاملات و یکپارچه‌سازی این دو تکنولوژی در این لایه درارتباط با واسط بین کاربر و سیستم، مدلسازی کاربر و طراحی واسط است.
لایه‌ی اجتماعی: در این لایه، تعاملات و یکپارچه‌سازی می‌تواند بر روی فاکتورهای سازمانی و اجتماعی، به عنوان مثال، نقش انسان، باشد.
لایه‌ی برنامه کاربردی: تعاملات و یکپارچه‌سازی این لایه در ارتباط با مشکلات برنامه‌ها و دامنه است.
لایه‌ی کارایی: تعاملات و یکپارچه‌سازی به منظور افزایش کارایی یکی از تکنولوژی‌ها و یا کل سیستم صورت می‌گیرد.
شکل ۳- ۳: اشتراک عمل چند بعدی کاوش- عامل
اگر از این ابعاد به مبحث کاوش عامل پرداخته شود، مسائل و مباحث تحقیقاتی بسیاری ظهور پیدا می‌کنند. می‌توان باتوجه به مسائل گفته شده، نقشه‌ی راه تحقیقاتی کاوش عامل، به عنوان یک حوزه‌ی میان رشته‌ای را ایجاد کرد.