1. Un algorithme distribué pour le clustering de grands graphes
- Author
-
Inoubli, Wissem, Aridhi, Sabeur, Mezni, Haithem, Maddouri, Mondher, Nguifo, Engelbert, Laboratoire d'Informatique, Programmation, Algorithmique et Heuristique (LIPAH), Faculté des Sciences Mathématiques, Physiques et Naturelles de Tunis (FST), Université de Tunis El Manar (UTM)-Université de Tunis El Manar (UTM), Laboratoire Lorrain de Recherche en Informatique et ses Applications (LORIA), Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS), Université de Jendouba (UJ), Taibah University, Laboratoire d'Informatique, de Modélisation et d'optimisation des Systèmes (LIMOS), SIGMA Clermont (SIGMA Clermont)-Université d'Auvergne - Clermont-Ferrand I (UdA)-Ecole Nationale Supérieure des Mines de St Etienne-Centre National de la Recherche Scientifique (CNRS)-Université Blaise Pascal - Clermont-Ferrand 2 (UBP), Aridhi, Sabeur, Computational Algorithms for Protein Structures and Interactions (CAPSID), Inria Nancy - Grand Est, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Department of Complex Systems, Artificial Intelligence & Robotics (LORIA - AIS), Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Laboratoire Lorrain de Recherche en Informatique et ses Applications (LORIA), Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS), and Université Blaise Pascal - Clermont-Ferrand 2 (UBP)-Université d'Auvergne - Clermont-Ferrand I (UdA)-SIGMA Clermont (SIGMA Clermont)-Ecole Nationale Supérieure des Mines de St Etienne (ENSM ST-ETIENNE)-Centre National de la Recherche Scientifique (CNRS)
- Subjects
[INFO.INFO-AI] Computer Science [cs]/Artificial Intelligence [cs.AI] ,[INFO.INFO-DB]Computer Science [cs]/Databases [cs.DB] ,[INFO.INFO-LG]Computer Science [cs]/Machine Learning [cs.LG] ,[INFO.INFO-DC] Computer Science [cs]/Distributed, Parallel, and Cluster Computing [cs.DC] ,[INFO.INFO-DB] Computer Science [cs]/Databases [cs.DB] ,[INFO.INFO-LG] Computer Science [cs]/Machine Learning [cs.LG] ,[INFO.INFO-DC]Computer Science [cs]/Distributed, Parallel, and Cluster Computing [cs.DC] ,[INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI] - Abstract
International audience; Le clustering de graphes est l'une des techniques clés qui permet de comprendre les structures présentes dans les données de graphe. La détection des clusters et l'identification des ponts et des bruit sont également des tâches critiques car elles jouent un rôle important dans l'analyse des graphes. Récem-ment, plusieurs algorithmes de clustering de graphes ont été proposés et utilisés dans de nombreux domaines d'application. La plupart de ces algorithmes sont basés sur les algorithmes de clustering structurel. Néanmoins, ces derniers ont été conçus pour le traitement des petits graphes. D'où, leur performance peut se dégrader dans le cas des graphes larges qui imposent des défis supplémentaires. Dans cet article, nous proposons DSCAN, un algorithme distribué de clustering de graphes qui est basé sur le clustering structurel. Notre algorithme est im-plimenté sur la base de framework de traitement de grands graphes BLADYG. L'évaluation expérimentale de DSCAN a montré son efficacité et sa compétiti-vité pour le traitement de grands graphes.
- Published
- 2020