Classification de Flux de Données par Échantillonnages sur Fenêtres Inclinées Baptiste Csernel, Thésard 1er année Fabrice Clérot, Superviseur FT R&D Georges Hébrail, Superviseur ENST Plan Classification Automatique de Flux de Données StreamSamp Tests Perspectives Les Flux de Données Définition Un flux de donnée est une séquence infinie d’éléments générés de façon continue à un rythme rapide. Domaines d’Applications Logs de sites Internet Tickets de communications téléphoniques Indices Boursiers Données de capteurs Consommation Trafic routier Géologiques Classification Automatique de flux de Données Réaliser une typologie des éléments du flux en les regroupant par classes. Pouvoir réaliser ces regroupements sur n’importe quelle partie du flux. Contraintes des Algorithmes de Traitement des Flux de Données Au plus un passage par élément Temps de traitement par élément court Ressources CPU et mémoire utilisées par élément faibles Applicable à l’ensemble du flux ou juste une portion de ce dernier CluStream Division du traitement en deux parties, une en ligne, et une hors ligne. Partie en ligne : Création et maintenance de micro clusters. Archivage régulier de l’état de ces micro clusters dans des clichés. Partie hors ligne : Classification finale réalisée à partir des micro clusters. StreamSamp Algorithme basé sur troix principes : L’échantillonnage du flux Le Stockage des échantillons dans une structure de fenêtre inclinées (tilted windows) Séparation d’une partie en ligne et hors ligne Algorithme (1/3) (partie en ligne) Échantillonnage à taux fixe α Flux de Données ….. 1117 1116 Échantillons de taille T et d’ordre 0 1115 1114 1110 1107 1001 1091 1083 1078 1069 1061 1053 Jusqu’à L échantillons d’ordre o. Algorithme (2/3) (partie en ligne) L=3 Échantillons de taille T et d’ordre o. Échantillons de taille T et d’ordre o + 1. 1110 1078 1061 1036 1022 1107 1001 1091 1083 1004 983 962 944 1078 1069 1061 1053 918 802 786 764 1048 1036 1031 1022 Tirage aléatoire de T/2 éléments de chaque échantillon père Algorithme (3/3) (partie hors ligne) Les échantillons portant sur la partie du flux à analyser son fusionnés. Chaque éléments d’un fichier d’ordre i reçoit une pondération de 2^(o) Une méthode de classification traditionnelle (ici nuées dynamique) est appliquée à cet échantillon représentatif du flux. Tests expérimentaux Jeu de données KDD cup 1999 500 000 éléments 34 variables quantitatives Moyennes des scores sur six essais Scores calculés pour 5 clusters utilisateurs Score = Somme de l’inertie intra cluster Scores CluStream StreamSamp Tout le Flux 1747 1412 1er moitié du Flux 1506 1389 2nd moitié du Flux 1680 1155 Avantages et Défauts Avantages Vitesse d’exécution rapide et indépendante de la dimension. Faible nombre de paramètres. (T, L, α) Concentration de données adaptée au débit. Défauts Poids très élevés sur les échantillons représentants des portions du flux trop anciennes. Perd les outliers. Perspectives Tester l’efficacité de StreamSamp pour d’autres traitements comme l’estimation de moments. Adapter StreamSamp de façon à l’appliquer à une sélection effectuée au préalable sur le flux. Bibliographie L. Golab, M.T. Özsu, Data Stream Management Issue – A Survey (2003). S. Muthukrishnan, Data Streams Algorithm and Applications (2003). C.C. Aggarwal et al, A Framework for Clustering Evolving Data Streams (2003). R. Motwani et al, Models and Issues In Data Stream (2002). Algorithme (1/3) (partie en ligne) Echantillonnage du flux à taux fixe α dans un fichier de taille fixe T auquel est assigné l’ordre 0. Quand le fichier est plein un nouveau fichier est entammé. Algorithme (2/3) (partie en ligne) Quand le nombre de fichiers d’un même ordre o atteint une limite L, les deux plus fichiers d’ordre i sont fusionnés en un fichier d’ordre o+1. Le nouveau fichier est formé par tirage aléatoire de T/2 éléments de chacun des fichiers pères.