Combinaison des techniques de Compression et de datamining pour le Big Data

Abstract

Le volume des données à stocker est à analyser connait une augmentation exponentielle depuis l'aire du big data. Le volume est donc un des plus grand défis dans tous les domaines. Dans le cadre de cette thèse on s'est intéressé au domaine des CSPs (Problèmes de Satisfaction des Contraintes). Nous avons proposé de nouvelles techniques de compression pour les contraintes table, basées sur des techniques de datamining, dans le but de réduire la taille de l'espace mémoire requis pour leur représentation en mémoire. Mais aussi dans le but de réduire les temps de résolution des CSPs. Cela en appliquant des techniques de résolutions sur les CSPs compressés. Notre première contribution est une amélioration d'une méthode déjà existence basée sur un FP-Tree. La deuxième contribution est une nouvelle méthode de compression basée sur les itemsets fréquents maximaux. La troisième proposition est une version distribuée de la méthode basé sur un FP-Tree en exploitant la méthode de clustering K-means et la technologie Spark. Les résultats obtenus pour les trois contributions ont fait objets de publications dans un journal et dans des conférences de renommé internationale.