Abstract— Nowadays, data storage requirements fromend-users are growing, demandingmore capacity, more reliability and the capability to access information from anywhere. Cloud storage services meet this demand by providing transparent and reliable storage solutions. Most of these solutions are built on distributed infrastructures that rely on data redundancy to guarantee a 100% of data availability.Unfortunately, existing redundancy schemes very often assume that resources are homogeneous, an assumption that may increase storage costs in heterogeneous infrastructures – e.g., clouds built of voluntary resources. In this work, we analyze how distributed redundancy schemes can be optimally deployed over heterogeneous infrastructures. Specifically, we are interested in infrastructures where nodes present different online availabilities. Considering these heterogeneities,we present a mechanism to measure data availability more precisely than existing works. Using this mechanism, we infer the optimal data placement policy that reduces the redundancy used, and then its associated overheads. In heterogeneous settings, our results show that data redundancy can be reduced up to 70%. Keywords—Link prediction, Social networks

چکيده:  پیش بینی وقوع لینک ها، یک مساله اساسی و بنیادین در شبکه ها می باشد. در موضوع پیش بینی لینک، نمایی از یک شبکه به ما داده می شود و ما مایل هستیم که بدانیم در آینده نزدیک، احتمالا چه تراکنش هایی میان اعضای فعلی شبکه روی می دهد و یا اینکه کدام یک از تراکنش های موجود را از دست می دهیم. هر چند این مساله به صورت گسترده ای مورد مطالعه و بررسی قرار گرفته است؛ با این حال، مشکل چگونگی ترکیب بهینه و موثر اطلاعات حاصل از ساختار شبکه با داده های فراوان گره و یال، تا حد زیادی پابرجا می ماند. ما یک الگوریتم مبتنی بر پیمایش های رندوم نظارت شده را توسعه می دهیم که به صورت طبیعی اطلاعات حاصل از ساختار شبکه را با خصوصیات سطح گره و یال ترکیب می نماید. ما این الگوریتم را با استفاده از این خصوصیات بدست می آوریم تا اینکه یک پیمایش رندوم را بر روی گراف، هدایت نماییم. ما یک وظیفه یادگیری نظارت شده را فرمول بندی می نماییم که هدف آن، یادگیری تابعی است که مقادیر شدت و قدرت یال ها را بگونه ای در نظر می گیرد که یک پیمایش گر رندوم با احتمال بیشتری، گره هایی را ملاقات نماید که در آینده، لینک های جدیدی به آن، ایجاد می شود. در این راستا، یک الگوریتم آموزشی کارآمد را ایجاد می نماییم تا اینکه به صورت مستقیم تابع تخمین قدرت یال را بدست آوریم. آزمایش های ما بر روی گراف شبکه اجتماعی Facebook و نیز شبکه های مشارکتی بزرگ، نشان می دهند که شیوه مورد استفاده ما، نسبت به روش های نظارت نشده مدرن و نیز روش هایی که بر مبنای استخراج ویژگی عمل می نمایند، برتری دارد.
کلمات کليديـ پیش بینی لینک،‌شبکه های اجتماعی