چارچوب پیش‌بینی عملکرد اتونومیک برای پجستار انبار داده با استفاده از رویکرد یادگیری کند

اطلاعات یکی از مهم‌ترین دارایی‌های یک سازمان است. در سال‌های اخیر، حجم داده‌های ذخیره‌شده در سازمان‌ها، نیازهای مختلف کاربر، محدودیت‌های زمانی، و پیچیدگی‌های مدیریت جستجو به صورت نمایی افزایش‌یافته است. با توجه به این مشکلات، مدل‌سازی عملکرد پرس و جوها در انبار داده‌ها (‏DWs)‏نقش کلیدی را در سازمان‌ها ایفا می‌کند. با این حال، DW ها اطلاعات مربوطه را در دسترس تصمیم گیرندگان قرار می‌دهند، مدیریت DW روز به روز سخت‌تر و وقت گیر می‌شود. مدیران DW زمان زیادی را صرف مدیریت پرس و جوها می‌کنند، که همچنین بر عملکرد انبار داده تاثیر می‌گذارد. برای افزایش عملکرد انبارهای داده بارگذاری شده با پرس و جوهای مختلف، یک چارچوب مبتنی بر پیش‌بینی مورد نیاز است که رفتار معیارهای عملکرد پرس و جو را در یک DW پیش‌بینی کند. در این مطالعه، ما یک چارچوب پیش‌بینی عملکرد خودکار مبتنی بر خوشه را با استفاده از رویکرد استدلال مبتنی بر مورد پیشنهاد می‌کنیم که معیارهای عملکرد انبار داده را از قبل با ترکیب ویژگی‌های محاسبه خودکار تعیین می‌کند. این پیش‌بینی برای نظارت و مدیریت پرس و جو مفید است. برای ارزیابی، از معیارهایی

Highlights•Proposed an autonomic performance prediction framework for data warehouse.•Case-based reasoning approach is used to predict performance metric of the data warehouse.•Cluster-based approach using k-means clustering is applied for efficient retrieval.•Autonomic computing characteristics self-inspection, self-prediction and self-adaptation are incorporated.•Proposed approach produced better results as compared to existing lazy learning approaches such as IBK, KStar, LWL.AbstractInformation is one of the most important assets of an organization. In recent years, the volume of data stored in organizations, varying user requirements, time constraints, and query management complexities have grown exponentially. Due to these problems, the performance modeling of queries in data warehouses (DWs) has assumed a key role in organizations. DWs make relevant information available to decision-makers; however, DW administration is becoming increasingly difficult and time-consuming. DW admin