Vai al contenuto| Home page|

   Ti trovi in: HOME »Programmi, progetti e risultati »I progetti »PRIN - Programmi di ricerca di Rilevante Interesse Nazionale»Programma di ricerca
INIZIO_TESTO_DA_INDICIZZARE

PROGRAMMA DI RICERCA 2006

italiano - english
Programmi di ricerca simili:
Classificazione scientifico-disciplinare
Classificazione brevettuale
Classificazione geografica
Bibliografia
[ACS87] A. Aggarwal, A. Chandra, M. Snir. Hierarchical Memory with Block transfer. Proc. FOCS, 1987

[ADRR04] G. Aggarwal, M. Datar, S. Rajagopalan, M. Ruhl. On the streaming model augmented with a sorting primitive. Proc. FOCS, 540-549, 2004

[AV88] A. Aggarwal, J.S. Vitter. The input/output complexity of sorting and related problems. Comm. ACM, 31(9):1116-1127, 1988

[ADM06] D.Ajwani, R. Dementiev, U. Meyer. A computational study of external-memory BFS algorithms. Proc. SODA, 601-610, 2006

[ADE01] P.R. Amestoy, I.S. Duff, J.Y. L'Excellent, X.S. Li. Analysis and comparison of two general sparse solvers for distributed memory computers, ACM Trans. Math. Softw., 27(4):388-421, 2001

[ABF05] L. Arge, G.S. Brodal, R. Fagerberg. Cache-oblivious data structures. Handb. Data Str. and Appl., 34, 2005

[AFI05] G. Ausiello, P.G. Franciosa and G.F. Italiano. Small Stretch Spanners on Dynamic Graphs. Proc. ESA, 2005

[B05] D.P. Bertsekas, Dynamic Programming and Optimal Control, Vol. 1, 3rd Ed., 2005

[B+03] M. Bianco, G. Bilardi, F. Pesavento, G. Pucci, B.A. Schrefler. A frontal solver tuned for fully-coupled non-linear hygro-thermo-mechanical problems. Int. J. Numer. Meth. in Eng., 57(13):1801-1818, 2003

[BEP02] G. Bilardi, K. Ekanadham, P. Pattnaik, Optimal organizations for pipelined hierarchical memories, Proc. SPAA, 109-116, 2002

[BP01] G. Bilardi, E. Peserico, A Characterization of Temporal Locality and Its Portability across Memory Hierarchies, Proc. ICALP, 128-139, 2001

[BF03] G.S. Brodal, R. Fagerberg. On the limits of cache-obliviousness. Proc. STOC, 307-315, 2003

[BW94] M. Burrows, D.J. Wheeler, A block-sorting lossless data compression algorithm, Res. Report 124, DSRC, 1994

[CMV05] B. Catania, A. Maddalena, A. Vakali. XML document indexes: a classification. IEEE Internet Comp., 2005

[CLGKP94] P. M. Chen, E. L. Lee, G. A. Gibson, R. H. Katz, D. A. Patterson. RAID: High-performance, reliable secondary storage. ACM Comp. Surv., 26(2):145-185, 1994

[CDPP05] P.F. Cortese, G. Di Battista, M. Patrignani, M. Pizzonia. Clustering Cycles into Cycles of Clusters, JGAA, 9:391-413, 2005

[DDFLPP99] C. Demetrescu, G. Di Battista, I. Finocchi, G. Liotta, M. Patrignani, M. Pizzonia: Infinite Trees and the Future. Proc. GD, 379-391, 1999

[DFIN02] C. Demetrescu, I. Finocchi, G.F. Italiano, and S. Naeher. Visualization in Algorithm Engineering: Tools and Techniques. In "Experim. Algorithmics, From Algorithm Design to Robust and Efficient Softw.", LNCS 2547, 2002

[DFR06] C. Demetrescu, I. Finocchi, and A. Ribichini. Trading off space for passes in graph streaming problems. Proc. SODA, 714-723, 2006

[DI04] C. Demetrescu and G. F. Italiano. A new approach to dynamic all pairs shortest paths. JACM, 51(6), 968-992, 2004

[DEG99] J.W. Demmel, S.C. Eisenstat, J.R. Gilbert, X.S. Li, J.W.H. Liu. A supernodal approach to sparse partial pivoting. SIAM J. Matrix Anal. and App., 20(3):720-755, 1999

[DDGL05a] E. Di Giacomo, W. Didimo, L. Grilli, G. Liotta: WhatsOnWeb: Using Graph Drawing to Search the Web. Proc. GD, 480-491, 2005

[DDLM04] E. Di Giacomo, W. Didimo, G. Liotta, H. Meijer: Computing Radial Drawings on the Minimum Number of Circles. Proc. GD, 251-261, 2004

[D59] E.W. Dijkstra. A note on two problems in connexion with graphs. Num. Mathematik, 1959

[FPP05] C. Fantozzi, A. Pietracaprina, G. Pucci. Translating Submachine Locality into Locality of Reference. JPDC S.I. IPDPS'04 Best Papers, 2005

[FPRU94] U. Feige, P. Raghavan, D. Peleg, E. Upfal. Computing with noisy information. SIAM J. Comp., 23:1001-1018, 1994

[FKMSZ04] J. Feigenbaum, S. Kannan, A. McGregor, S. Suri, J. Zhang. On graph problems in a semi-streaming model. Proc. ICALP, 531-543, 2004

[FCE95] Q.W. Feng, R.F. Cohen, P. Eades. Planarity for Clustered Graphs. Proc. ESA, 213-226, 1995

[FLMM05] P. Ferragina, F. Luccio, G. Manzini, and S. Muthukrishnan. Structuring labeled trees for optimal succinctness, and beyond. FOCS, 2005

[FM05] P. Ferragina, G. Manzini. Indexing Compressed Text. JACM, 52:552-581, 2005

[FI04] I. Finocchi, G. F. Italiano. Sorting and searching in the presence of memory faults (without redundancy). Proc. STOC, 101-110, 2004

[FGMP02] G. Franceschini, R. Grossi, J. I. Munro, L. Pagli, Implicit B-trees: New results for the dictionary problem. Proc. FOCS and JCSS S.I., 145-154, 2003

[FJ98] M. Frigo, S. Johnson, FFTW: An adaptive software architecture for the FFT, Proc. ICASSP, 3:1381-1384, 1998

[FLPR99] M. Frigo, C.E. Leiserson, H. Prokop, S. Ramachandran. Cache-Oblivious Algorithms. Proc. FOCS, 285-297, 1999

[GLS05] M.T. Goodrich, G.S. Lueker, J.Z. Sun. C-planarity of extrovert clustered graphs. Proc. GD, 211-222, 2005

[GV05] R. Grossi, J.S. Vitter. Compressed Suffix Arrays and Suffix Trees with Applications to Text Indexing and String Matching. SIAM J. Comp., 35(2):378-407, 2005.

[HEW98] M. L. Huang, P. Eades, J. Wang: On-line Animated Visualization of Huge Graphs using a Modified Spring Algorithm. J. Vis. Lang. and Comp., 9(6): 623-645, 1998.

[ISO89] International Standards Organization: "Intra-Domain IS-IS Routing Protocol", ISO-IEC JTC1/SC6 WG2N323, 1989

[K05] M. Kaki. Findex: search result categories help users when document ranking fails. Proc. CHI, 131-140, 2005

[K99] V. King. Fully dynamic algorithms for maintaining all-pairs shortest paths and transitive closure in digraphs. Proc. FOCS, 1999

[LRP95] J. Lamping, R. Rao, P. Pirolli. A focus-context technique based on hyperbolic geometry for visualization large hierarchies. Proc. InterCHI, 401-408, 1995.

[MS00] L. Marsan and M.-F. Sagot, Algorithms for extracting structured motifs using a suffix tree with application to promoter and regulatory site consensus identification. J. Comp. Bio., 7:345-360, 2000.

[MZ03] U. Meyer, N. Zeh. I/O-efficient undirected shortest paths. Proc. ESA, 434-445, 2003

[M+02] R. Milo, S. Shen-Orr, S. Itzkovitz, N. Kashtan, D. Chklovskii, U. Alon. Network motifs: simple building blocks of complex networks. Science 298(5594): 824-827, 2002

[M99] J. Moy, "OSPF: Anatomy of an Internet Routing Protocol", Addison-Wesley, 1999

[M05] S. Muthukrishnan. Data streams: algorithms and applications. http://athos.rutgers.edu/~muthu.

[NPW04] E. Nardelli, G. Proietti, and P. Widmayer. Nearly linear time minimum spanning tree maintenance for transient node failures. Algoritmica, 40:119-132, 2004

[PS05] N. Pisanti, M.F. Sagot: Inference of Network Expressions. In Applied Combinatorics on Words, 5:241-267, 2005

[PSWZ04] G. Prencipe, N. Santoro, P. Widmayer, T. Zuva. Computing all the Best Swap Edges Distributively. Proc. OPODIS, 2004, 154-168

[PZ03] A. Pietracaprina, D. Zandolin., Mining Frequent Itemsets using Patricia Tries, Proc. FIMI, 2003

[R+05] M. T. Ross et al., The DNA sequence of the human X chromosome Nature 434:325-337, 2005

[RMC91] G. G. Robertson, J.D. Mackinlay, S. K. Card, Cone trees: animated 3D visualizations of hierarchical information. Proc. CHI, 189-193, 1991

[R03] J. Ruhl. Efficient Algorithms for New Computational Models. PhD thesis, MIT, 2003

[SB94] M. Sarkar, M.H. Brown, Graphical fisheye views. Comm. of ACM, 37:73-84, 1994

[SGG05] A. Silberschatz, P.B. Galvin, G. Gagna. Operating Systems Concepts, 7th Edition, Wiley, 2005

[Vi01] J.S. Vitter. External Memory Algorithms and Data Structures: Dealing with MASSIVE DATA, ACM Comp. Surv., 33(2):209-271, 2001

[WSS99] J.T.L.Wang and B.A. Shapiro and D. Shasha, Pattern Discovery in Biomolecular Data, Oxford University Press, 1999

[We05] S. Wernike: A faster algorithm for detecting network motifs. Proc. WABI, 1-12, 2005

[WPD01] R. Whaley, A. Petitet, J. Dongarra, Automated Empirical Optimization of Software and the ATLAS Project. Par. Comp., 27(1-2):3-35, 2001

[ZE99] O. Zamir and O. Etzioni. Grouper: a dynamic clustering interface to web search results. Comp. Networks, 31(11-16):1361-1374, 1999

[ZL77] J. Ziv, A. Lempel. A universal algorithm for sequential data compression, IEEE Tr. Inf. Theory, 23(3):337-343, 1977
Parole Chiave
ALGORITMI, STRUTTURE DI DATI, SISTEMI A MEMORIA COMPLESSA, MEMORIA ESTERNA, COMPRESSIONE DEI DATI, GRAFI, VISUALIZZAZIONE DI DATI

MAINSTREAM: Algoritmi per strutture informative di grandi dimensioni e 'data streams'.

Università degli Studi di Roma "La Sapienza"
Abstract
Questo progetto di ricerca viene proposto da un gruppo di cinque sedi universitarie che si collocano sul fronte più avanzato della ricerca nel campo degli algoritmi, con i seguenti obiettivi:

(1) Scoprire nuove tecniche e nuove metodologie algoritmiche per elaborare strutture informative di grandi dimensioni;

(2) Identificare e risolvere problemi di natura algoritmica, cruciali in importanti applicazioni in cui si richiede la gestione di grandi moli di dati; e

(3) Contribuire ad un rapido trasferimento di tecnologie algoritmiche evolute mediante sperimentazione ed ingegnerizzazione di codici di algoritmi efficienti.

Come naturale conseguenza del nostro approccio, al tempo stesso metodologico e orientato alle applicazioni, il programma di ricerca è articolato in due Work Part (WP) mutuamente correlate:

WP1 - MODELLI COMPUTAZIONALI E METODOLOGIE ALGORITMICHE

In questa Work Part studieremo vari modelli computazionali utilizzati per gestire strutture informative di grandi dimensioni come i modelli a memoria esterna, a memoria gerarchica e a memoria 'pipeline', i modelli per memorie non affidabili e, infine, il modello 'data stream'. In particolare studieremo come le tecniche di progetto di algoritmi e gli aspetti tecnologici dei sistemi con memoria complessa interagiscono e si adattano l'un l'altro. Inoltre ci >>>

Coordinatore Scientifico del Programma di Ricerca
Giorgio Ausiello Università degli Studi di ROMA "La Sapienza"
Obiettivo del Programma di Ricerca
Negli ultimi dieci anni gli sviluppi nelle applicazioni informatiche hanno posto sempre maggiore enfasi sulla gestione di grandi moli di dati, come stringhe molto lunghe, collezioni di testi e documenti di grandi dimensioni, grafi e matrici di grande taglia, e così via. La necessità di gestire grandi moli di dati sorge ad esempio in bioinformatica, in meteorologia, nella soluzione di problemi computazionali difficili, e nella visualizzazione ed esplorazione di grandi reti informatiche (come Internet) o sociali. Per varie ragioni, progettare algoritmi efficienti per grandi moli di dati può essere un compito molto arduo. Tipicamente, i dati sono memorizzati in memoria esterna e questo rende necessario l'impiego di tecniche algoritmiche per la loro gestione in modo da minimizzare il numero di accessi a disco. Questo scenario rende inoltre necessario l'uso di nuove tecniche di compressione e visualizzazione. Si noti che talvolta le dimensioni dei dati generati dalle applicazioni possono essere talmente grandi da renderne difficoltosa la memorizzazione perfino in memoria esterna, richiedendone quindi un'analisi "al volo". Infine, trattando con grandi moli di dati, le probabilità di errore nei moderni sistemi di memoria diventano tipicamente non trascurabili, rendendo quindi indispensabile l'impiego di algoritmi tolleranti a questo tipo di errori.

Questo progetto di ricerca viene proposto da un gruppo di cinque sedi universitarie che si >>>

Durata
24 mesi
Base di partenza scientifica nazionale o internazionale
In seguito illustriamo per ciascun task il contesto scientifico in cui si inquadra.

WP1 - MODELLI COMPUTAZIONALI E METODOLOGIE ALGORITMICHE

Task 1.1 - Sistemi di memoria complessi

Le moderne piattaforme di calcolo sono caratterizzate da sistemi di memoria piuttosto complessi, tipicamente organizzati in una gerarchia di livelli di capacità e tempi di accesso crescenti. Per avere buone prestazioni è cruciale adattare la struttura del calcolo alla struttura del sistema di memoria, particolarmente nel caso di grandi moli dati o di "streams". Memorie complesse e di grandi dimensioni sono inoltre soggette ad errori, ed è necessario adottare opportuni accorgimenti per garantire la correttezza dei calcoli. Riassumiamo qui alcuni (recenti) risultati rilevanti ai fini del progetto, nel campo della adattività (sia a livello algoritmico che di gestione della memoria virtuale) e degli algoritmi resistenti agli errori.

Algoritmi adattivi

Due approcci molto noti per lo sviluppo di algoritmi adattivi in gerarchiche di memoria si basano rispettivamente sul framework External Memory (EM) (cfr.[AV88]) e sul framework Cache Oblivious (CO) (cfr.[FLPR99]). Entrambi i framework si basano su un modello di gerarchia di memoria a due livelli, uno veloce ma piccolo e l'altro grande ma lento. Si può accedere ai blocchi della memoria lenta solo copiandoli >>>