୧. ଡାଟା ମାସ୍କିଂର ଧାରଣା
ଡାଟା ମାସ୍କିଂକୁ ଡାଟା ମାସ୍କିଂ ମଧ୍ୟ କୁହାଯାଏ। ଆମେ ମାସ୍କିଂ ନିୟମ ଏବଂ ନୀତି ଦେଇଥିବାବେଳେ ଏହା ମୋବାଇଲ୍ ଫୋନ୍ ନମ୍ବର, ବ୍ୟାଙ୍କ କାର୍ଡ ନମ୍ବର ଏବଂ ଅନ୍ୟାନ୍ୟ ସୂଚନା ପରି ସମ୍ବେଦନଶୀଳ ତଥ୍ୟକୁ ପରିବର୍ତ୍ତନ, ପରିବର୍ତ୍ତନ କିମ୍ବା କଭର କରିବାର ଏକ ବୈଷୟିକ ପଦ୍ଧତି। ଏହି କୌଶଳ ମୁଖ୍ୟତଃ ଅବିଶ୍ୱସନୀୟ ପରିବେଶରେ ସିଧାସଳଖ ବ୍ୟବହାର ହେବାରୁ ସମ୍ବେଦନଶୀଳ ତଥ୍ୟକୁ ରୋକିବା ପାଇଁ ବ୍ୟବହୃତ ହୁଏ।
ଡାଟା ମାସ୍କିଂ ନୀତି: ଡାଟା ମାସ୍କିଂ ମୂଳ ଡାଟା ବୈଶିଷ୍ଟ୍ୟ, ବ୍ୟବସାୟିକ ନିୟମ ଏବଂ ଡାଟା ପ୍ରାସଙ୍ଗିକତା ବଜାୟ ରଖିବା ଉଚିତ ଯାହା ଦ୍ୱାରା ପରବର୍ତ୍ତୀ ବିକାଶ, ପରୀକ୍ଷଣ ଏବଂ ଡାଟା ବିଶ୍ଳେଷଣ ମାସ୍କିଂ ଦ୍ୱାରା ପ୍ରଭାବିତ ହେବ ନାହିଁ। ମାସ୍କିଂ ପୂର୍ବରୁ ଏବଂ ପରେ ଡାଟା ସ୍ଥିରତା ଏବଂ ବୈଧତା ନିଶ୍ଚିତ କରନ୍ତୁ।
2. ଡାଟା ମାସ୍କିଂ ବର୍ଗୀକରଣ
ଡାଟା ମାସ୍କିଂକୁ ଷ୍ଟାଟିକ୍ ଡାଟା ମାସ୍କିଂ (SDM) ଏବଂ ଡାଇନାମିକ୍ ଡାଟା ମାସ୍କିଂ (DDM) ରେ ବିଭକ୍ତ କରାଯାଇପାରେ।
ସ୍ଥିର ଡାଟା ମାସ୍କିଂ (SDM): ଷ୍ଟାଟିକ୍ ଡାଟା ମାସ୍କିଂ ପାଇଁ ଉତ୍ପାଦନ ପରିବେଶରୁ ପୃଥକୀକରଣ ପାଇଁ ଏକ ନୂତନ ଅଣ-ଉତ୍ପାଦନ ପରିବେଶ ଡାଟାବେସ୍ ସ୍ଥାପନ ଆବଶ୍ୟକ। ସମ୍ବେଦନଶୀଳ ତଥ୍ୟ ଉତ୍ପାଦନ ଡାଟାବେସ୍ ରୁ ବାହାର କରାଯାଏ ଏବଂ ତା’ପରେ ଅଣ-ଉତ୍ପାଦନ ଡାଟାବେସ୍ ରେ ସଂରକ୍ଷଣ କରାଯାଏ। ଏହିପରି ଭାବରେ, ଡିସେନ୍ସଟାଇଜଡ୍ ତଥ୍ୟ ଉତ୍ପାଦନ ପରିବେଶରୁ ପୃଥକ କରାଯାଏ, ଯାହା ବ୍ୟବସାୟିକ ଆବଶ୍ୟକତା ପୂରଣ କରେ ଏବଂ ଉତ୍ପାଦନ ତଥ୍ୟର ସୁରକ୍ଷା ସୁନିଶ୍ଚିତ କରେ।
ଡାଇନାମିକ୍ ଡାଟା ମାସ୍କିଂ (DDM): ଏହା ସାଧାରଣତଃ ଉତ୍ପାଦନ ପରିବେଶରେ ବାସ୍ତବ ସମୟରେ ସମ୍ବେଦନଶୀଳ ତଥ୍ୟକୁ ଅଣସମ୍ବେଦନଶୀଳ କରିବା ପାଇଁ ବ୍ୟବହୃତ ହୁଏ। କେତେକ ସମୟରେ, ବିଭିନ୍ନ ପରିସ୍ଥିତିରେ ସମାନ ସମ୍ବେଦନଶୀଳ ତଥ୍ୟ ପଢ଼ିବା ପାଇଁ ବିଭିନ୍ନ ସ୍ତରର ମାସ୍କିଂ ଆବଶ୍ୟକ ହୁଏ। ଉଦାହରଣ ସ୍ୱରୂପ, ବିଭିନ୍ନ ଭୂମିକା ଏବଂ ଅନୁମତି ଭିନ୍ନ ଭିନ୍ନ ମାସ୍କିଂ ଯୋଜନା କାର୍ଯ୍ୟକାରୀ କରିପାରେ।
ଡାଟା ରିପୋର୍ଟିଂ ଏବଂ ଡାଟା ଉତ୍ପାଦ ମାସ୍କିଂ ଆପ୍ଲିକେସନ୍
ଏପରି ପରିସ୍ଥିତିରେ ମୁଖ୍ୟତଃ ଆଭ୍ୟନ୍ତରୀଣ ତଥ୍ୟ ମନିଟରିଂ ଉତ୍ପାଦ କିମ୍ବା ବିଲବୋର୍ଡ, ବାହ୍ୟ ସେବା ତଥ୍ୟ ଉତ୍ପାଦ ଏବଂ ତଥ୍ୟ ବିଶ୍ଳେଷଣ ଉପରେ ଆଧାରିତ ରିପୋର୍ଟ, ଯେପରିକି ବ୍ୟବସାୟ ରିପୋର୍ଟ ଏବଂ ପ୍ରକଳ୍ପ ସମୀକ୍ଷା ଅନ୍ତର୍ଭୁକ୍ତ।
3. ଡାଟା ମାସ୍କିଂ ସମାଧାନ
ସାଧାରଣ ଡାଟା ମାସ୍କିଂ ଯୋଜନାଗୁଡ଼ିକ ମଧ୍ୟରେ ଅନ୍ତର୍ଭୁକ୍ତ: ଅବୈଧକରଣ, ଅନିୟମିତ ମୂଲ୍ୟ, ଡାଟା ପ୍ରତିସ୍ଥାପନ, ପ୍ରତିସମ ଏନକ୍ରିପ୍ସନ, ହାରାହାରି ମୂଲ୍ୟ, ଅଫସେଟ୍ ଏବଂ ରାଉଣ୍ଡିଂ, ଇତ୍ୟାଦି।
ଅବୈଧକରଣ: ଅବୈଧକରଣ ସମ୍ବେଦନଶୀଳ ତଥ୍ୟର ଏନକ୍ରିପ୍ସନ୍, କଟନ କିମ୍ବା ଲୁଚାଇ ରଖିବାକୁ ବୁଝାଏ। ଏହି ଯୋଜନା ସାଧାରଣତଃ ପ୍ରକୃତ ତଥ୍ୟକୁ ସ୍ୱତନ୍ତ୍ର ପ୍ରତୀକ (ଯେପରିକି *) ସହିତ ବଦଳାଇଥାଏ। କାର୍ଯ୍ୟ ସରଳ, କିନ୍ତୁ ବ୍ୟବହାରକାରୀମାନେ ମୂଳ ତଥ୍ୟର ଫର୍ମାଟ୍ ଜାଣିପାରିବେ ନାହିଁ, ଯାହା ପରବର୍ତ୍ତୀ ତଥ୍ୟ ପ୍ରୟୋଗଗୁଡ଼ିକୁ ପ୍ରଭାବିତ କରିପାରେ।
ଅନିୟମିତ ମୂଲ୍ୟ: ଅନିୟମିତ ମୂଲ୍ୟ ସମ୍ବେଦନଶୀଳ ତଥ୍ୟର ଅନିୟମିତ ପ୍ରତିସ୍ଥାପନକୁ ବୁଝାଏ (ସଂଖ୍ୟାଗୁଡ଼ିକ ଅଙ୍କ ବଦଳାଇଥାଏ, ଅକ୍ଷରଗୁଡ଼ିକ ଅକ୍ଷର ବଦଳାଇଥାଏ, ଏବଂ ଅକ୍ଷରଗୁଡ଼ିକ ଅକ୍ଷର ବଦଳାଇଥାଏ)। ଏହି ମାସ୍କିଂ ପଦ୍ଧତି କିଛି ପରିମାଣରେ ସମ୍ବେଦନଶୀଳ ତଥ୍ୟର ଫର୍ମାଟ୍ ସୁନିଶ୍ଚିତ କରିବ ଏବଂ ପରବର୍ତ୍ତୀ ତଥ୍ୟ ପ୍ରୟୋଗକୁ ସହଜ କରିବ। କିଛି ଅର୍ଥପୂର୍ଣ୍ଣ ଶବ୍ଦ ପାଇଁ ମାସ୍କିଂ ଅଭିଧାନ ଆବଶ୍ୟକ ହୋଇପାରେ, ଯେପରିକି ଲୋକଙ୍କ ନାମ ଏବଂ ସ୍ଥାନ।
ଡାଟା ପ୍ରତିସ୍ଥାପନ: ଡାଟା ପ୍ରତିସ୍ଥାପନ ନଲ୍ ଏବଂ ରାଣ୍ଡମ୍ ମୂଲ୍ୟର ମାସ୍କିଂ ସହିତ ସମାନ, କେବଳ ସ୍ୱତନ୍ତ୍ର ଅକ୍ଷର କିମ୍ବା ରାଣ୍ଡମ୍ ମୂଲ୍ୟ ବ୍ୟବହାର କରିବା ପରିବର୍ତ୍ତେ, ମାସ୍କିଂ ଡାଟାକୁ ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ମୂଲ୍ୟ ସହିତ ବଦଳାଯାଏ।
ସମମେଟ୍ରିକ୍ ଏନକ୍ରିପ୍ସନ୍: ସିମେଟ୍ରିକ୍ ଏନକ୍ରିପ୍ସନ ଏକ ସ୍ୱତନ୍ତ୍ର ରିଭର୍ସିବଲ୍ ମାସ୍କିଂ ପଦ୍ଧତି। ଏହା ଏନକ୍ରିପ୍ସନ କୀ ଏବଂ ଆଲଗୋରିଦମ ମାଧ୍ୟମରେ ସମ୍ବେଦନଶୀଳ ତଥ୍ୟକୁ ଏନକ୍ରିପ୍ଟ କରେ। ଲଜିକାଲ୍ ନିୟମ ଅନୁଯାୟୀ ସାଇଫର୍ଟେକ୍ସଟ୍ ଫର୍ମାଟ୍ ମୂଳ ତଥ୍ୟ ସହିତ ସୁସଙ୍ଗତ।
ହାରାହାରି: ହାରାହାରି ଯୋଜନା ପ୍ରାୟତଃ ପରିସଂଖ୍ୟାନ ପରିସ୍ଥିତିରେ ବ୍ୟବହୃତ ହୁଏ। ସାଂଖ୍ୟିକ ତଥ୍ୟ ପାଇଁ, ଆମେ ପ୍ରଥମେ ସେମାନଙ୍କର ମଧ୍ୟମା ଗଣନା କରୁ, ଏବଂ ତା’ପରେ ଅସମ୍ବେଦନଶୀଳ ମୂଲ୍ୟଗୁଡ଼ିକୁ ମଧ୍ୟମା ଚାରିପାଖରେ ଅନିୟମିତ ଭାବରେ ବଣ୍ଟନ କରୁ, ଏହିପରି ତଥ୍ୟର ଯୋଗଫଳ ସ୍ଥିର ରଖୁ।
ଅଫସେଟ୍ ଏବଂ ରାଉଣ୍ଡିଂ: ଏହି ପଦ୍ଧତି ଡିଜିଟାଲ୍ ତଥ୍ୟକୁ ଅନିୟମିତ ପରିବର୍ତ୍ତନ ଦ୍ୱାରା ପରିବର୍ତ୍ତନ କରେ। ଅଫସେଟ୍ ରାଉଣ୍ଡିଂ ତଥ୍ୟର ସୁରକ୍ଷା ବଜାୟ ରଖି ପରିସରର ଆନୁମାନିକ ସତ୍ୟତା ସୁନିଶ୍ଚିତ କରେ, ଯାହା ପୂର୍ବ ଯୋଜନା ତୁଳନାରେ ପ୍ରକୃତ ତଥ୍ୟର ନିକଟତର, ଏବଂ ବଡ଼ ତଥ୍ୟ ବିଶ୍ଳେଷଣର ପରିସ୍ଥିତିରେ ଏହାର ବହୁତ ଗୁରୁତ୍ୱ ଅଛି।
ସୁପାରିଶ କରାଯାଇଥିବା ମଡେଲ୍ "ଏମଏଲ-ଏନପିବି-୫୬୬୦" ଡାଟା ମାସ୍କିଂ ପାଇଁ
୪. ସାଧାରଣତଃ ବ୍ୟବହୃତ ଡାଟା ମାସ୍କିଂ କୌଶଳ
(୧). ପରିସଂଖ୍ୟାନ କୌଶଳ
ଡାଟା ନମୁନା ଏବଂ ଡାଟା ଏକତ୍ରୀକରଣ
- ତଥ୍ୟ ନମୁନାକରଣ: ତଥ୍ୟ ସେଟର ଏକ ପ୍ରତିନିଧିତ୍ୱକାରୀ ଉପସେଟ୍ ଚୟନ କରି ମୂଳ ତଥ୍ୟ ସେଟର ବିଶ୍ଳେଷଣ ଏବଂ ମୂଲ୍ୟାଙ୍କନ ଡି-ଆଇଡେଣ୍ଟିଫିକେସନ୍ କୌଶଳର ପ୍ରଭାବକୁ ଉନ୍ନତ କରିବା ପାଇଁ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ପଦ୍ଧତି।
- ତଥ୍ୟ ଏକତ୍ରୀକରଣ: ମାଇକ୍ରୋଡାଟାରେ ଗୁଣଧର୍ମରେ ପ୍ରୟୋଗ କରାଯାଇଥିବା ପରିସଂଖ୍ୟାନ କୌଶଳ (ଯେପରିକି ସମଷ୍ଟି, ଗଣନା, ହାରାହାରି, ସର୍ବାଧିକ ଏବଂ ସର୍ବନିମ୍ନ) ର ଏକ ସଂଗ୍ରହ ଭାବରେ, ଫଳାଫଳ ମୂଳ ତଥ୍ୟ ସେଟରେ ଥିବା ସମସ୍ତ ରେକର୍ଡର ପ୍ରତିନିଧିତ୍ୱ କରେ।
(2). କ୍ରିପ୍ଟୋଗ୍ରାଫି
ଡିସେନସିଟିଲାଇଜେସନର ପ୍ରଭାବକୁ ଡିସେନସିଟିଲାଇଜ କରିବା କିମ୍ବା ବୃଦ୍ଧି କରିବା ପାଇଁ କ୍ରିପ୍ଟୋଗ୍ରାଫି ଏକ ସାଧାରଣ ପଦ୍ଧତି। ବିଭିନ୍ନ ପ୍ରକାରର ଏନକ୍ରିପସନ୍ ଆଲଗୋରିଦମ ବିଭିନ୍ନ ଡିସେନସିଟିଲାଇଜସନ୍ ପ୍ରଭାବ ହାସଲ କରିପାରିବେ।
- ନିର୍ଣ୍ଣାୟକ ଏନକ୍ରିପ୍ସନ: ଏକ ଅଣ-ରାଣ୍ଡମ୍ ସିମେଟ୍ରିକ୍ ଏନକ୍ରିପ୍ସନ। ଏହା ସାଧାରଣତଃ ID ଡାଟା ପ୍ରକ୍ରିୟାକରଣ କରେ ଏବଂ ଆବଶ୍ୟକ ହେଲେ ସିଫରଟେକ୍ସଟକୁ ଡିକ୍ରିପ୍ଟ ଏବଂ ମୂଳ ID ରେ ପୁନଃସ୍ଥାପିତ କରିପାରିବ, କିନ୍ତୁ କୀକୁ ସଠିକ୍ ଭାବରେ ସୁରକ୍ଷିତ ରଖିବା ଆବଶ୍ୟକ।
- ଅପରିବର୍ତ୍ତନୀୟ ଏନକ୍ରିପସନ୍: ହାସ୍ ଫଙ୍କସନ୍ ଡାଟା ପ୍ରକ୍ରିୟାକରଣ ପାଇଁ ବ୍ୟବହୃତ ହୁଏ, ଯାହା ସାଧାରଣତଃ ID ଡାଟା ପାଇଁ ବ୍ୟବହୃତ ହୁଏ। ଏହାକୁ ସିଧାସଳଖ ଡିକ୍ରିପ୍ଟ କରାଯାଇପାରିବ ନାହିଁ ଏବଂ ମ୍ୟାପିଂ ସମ୍ପର୍କକୁ ସଂରକ୍ଷଣ କରିବାକୁ ପଡିବ। ଏହା ସହିତ, ହାସ୍ ଫଙ୍କସନ୍ ର ବୈଶିଷ୍ଟ୍ୟ ଯୋଗୁଁ, ଡାଟା ସଂଘର୍ଷ ହୋଇପାରେ।
- ହୋମୋମର୍ଫିକ୍ ଏନକ୍ରିପ୍ସନ୍: ସାଇଫରଟେକ୍ସଟ୍ ହୋମୋମର୍ଫିକ୍ ଆଲଗୋରିଦମ ବ୍ୟବହୃତ ହୁଏ। ଏହାର ବୈଶିଷ୍ଟ୍ୟ ହେଉଛି ଯେ ସାଇଫରଟେକ୍ସଟ୍ କାର୍ଯ୍ୟର ଫଳାଫଳ ଡିକ୍ରିପ୍ସନ୍ ପରେ ପ୍ଲେଟେକ୍ସଟ୍ କାର୍ଯ୍ୟର ଫଳାଫଳ ସହିତ ସମାନ। ତେଣୁ, ଏହା ସାଧାରଣତଃ ସାଂଖ୍ୟିକ କ୍ଷେତ୍ର ପ୍ରକ୍ରିୟାକରଣ ପାଇଁ ବ୍ୟବହୃତ ହୁଏ, କିନ୍ତୁ କାର୍ଯ୍ୟଦକ୍ଷତା କାରଣରୁ ଏହା ବ୍ୟାପକ ଭାବରେ ବ୍ୟବହୃତ ହୁଏ ନାହିଁ।
(3). ସିଷ୍ଟମ୍ ପ୍ରଯୁକ୍ତିବିଦ୍ୟା
ଦମନ ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ଗୋପନୀୟତା ସୁରକ୍ଷା ପୂରଣ କରୁନଥିବା ତଥ୍ୟ ଆଇଟମ୍ଗୁଡ଼ିକୁ ଡିଲିଟ୍ କରିଦିଏ କିମ୍ବା ସୁରକ୍ଷା ଦିଏ, କିନ୍ତୁ ସେଗୁଡ଼ିକୁ ପ୍ରକାଶ କରେ ନାହିଁ।
- ମାସ୍କିଂ: ଏହା ଗୁଣବତ୍ତା ମୂଲ୍ୟକୁ ଲୁଚାଇବା ପାଇଁ ସବୁଠାରୁ ସାଧାରଣ ଡିସେନସିଟିଲାଇଜେସନ୍ ପଦ୍ଧତିକୁ ବୁଝାଏ, ଯେପରିକି ପ୍ରତିପକ୍ଷ ନମ୍ବର, ପରିଚୟ ପତ୍ରକୁ ତାରା ଚିହ୍ନିତ କରାଯାଇଛି, କିମ୍ବା ଠିକଣାକୁ ଛୋଟ କରାଯାଇଛି।
- ସ୍ଥାନୀୟ ଦମନ: ନିର୍ଦ୍ଦିଷ୍ଟ ଗୁଣବତ୍ତା ମୂଲ୍ୟ (ସ୍ତମ୍ଭ) ଡିଲିଟ୍ କରିବା, ଅଣ-ଅତ୍ୟାବଶ୍ୟକୀୟ ଡାଟା କ୍ଷେତ୍ରଗୁଡ଼ିକୁ ଅପସାରଣ କରିବାର ପ୍ରକ୍ରିୟାକୁ ବୁଝାଏ;
- ରେକର୍ଡ ଦମନ: ନିର୍ଦ୍ଦିଷ୍ଟ ରେକର୍ଡ (ଧାଡି) ଡିଲିଟ୍ କରିବା, ଅଣ-ଅତ୍ୟାବଶ୍ୟକୀୟ ଡାଟା ରେକର୍ଡଗୁଡ଼ିକୁ ଡିଲିଟ୍ କରିବା ପ୍ରକ୍ରିୟାକୁ ବୁଝାଏ।
(୪). ଛଦ୍ମନାମ ପ୍ରଯୁକ୍ତିବିଦ୍ୟା
ସୁଡୋମ୍ୟାନିଂ ହେଉଛି ଏକ ଡି-ଆଇଡେଣ୍ଟିଫିକେସନ୍ କୌଶଳ ଯାହା ଏକ ପ୍ରତ୍ୟକ୍ଷ ଚିହ୍ନଟକାରୀ (କିମ୍ବା ଅନ୍ୟ ସମ୍ବେଦନଶୀଳ ଚିହ୍ନଟକାରୀ) ବଦଳାଇବା ପାଇଁ ଏକ ଛଦ୍ମନାମ ବ୍ୟବହାର କରେ। ଛଦ୍ମନାମ କୌଶଳ ପ୍ରତ୍ୟେକ ବ୍ୟକ୍ତିଗତ ସୂଚନା ବିଷୟ ପାଇଁ ପ୍ରତ୍ୟକ୍ଷ କିମ୍ବା ସମ୍ବେଦନଶୀଳ ଚିହ୍ନଟକାରୀ ବଦଳରେ ଅନନ୍ୟ ଚିହ୍ନଟକାରୀ ସୃଷ୍ଟି କରେ।
- ଏହା ମୂଳ ID ସହିତ ମେଳ ଖାଉଥିବା, ମ୍ୟାପିଂ ଟେବୁଲକୁ ସଂରକ୍ଷଣ କରିବା ଏବଂ ମ୍ୟାପିଂ ଟେବୁଲକୁ କଡ଼ାକଡ଼ି ଭାବରେ ପ୍ରବେଶ ନିୟନ୍ତ୍ରଣ କରିବା ପାଇଁ ସ୍ୱାଧୀନ ଭାବରେ ଅନିୟମିତ ମୂଲ୍ୟ ସୃଷ୍ଟି କରିପାରିବ।
- ଆପଣ ଛଦ୍ମନାମ ସୃଷ୍ଟି କରିବା ପାଇଁ ଏନକ୍ରିପ୍ସନ ମଧ୍ୟ ବ୍ୟବହାର କରିପାରିବେ, କିନ୍ତୁ ଡିକ୍ରିପସନ କୀକୁ ସଠିକ୍ ଭାବରେ ରଖିବାକୁ ପଡିବ;
ଏହି ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ବହୁ ସଂଖ୍ୟକ ସ୍ୱାଧୀନ ଡାଟା ବ୍ୟବହାରକାରୀଙ୍କ କ୍ଷେତ୍ରରେ ବହୁଳ ଭାବରେ ବ୍ୟବହୃତ ହୁଏ, ଯେପରିକି ଖୋଲା ପ୍ଲାଟଫର୍ମ ପରିସ୍ଥିତିରେ OpenID, ଯେଉଁଠାରେ ବିଭିନ୍ନ ଡେଭଲପରମାନେ ସମାନ ବ୍ୟବହାରକାରୀଙ୍କ ପାଇଁ ଭିନ୍ନ ଭିନ୍ନ Openids ପାଆନ୍ତି।
(୫)। ସାଧାରଣୀକରଣ କୌଶଳ
ସାଧାରଣୀକରଣ କୌଶଳ ଏକ ଡି-ଆଇଡେଣ୍ଟିଫିକେସନ୍ କୌଶଳକୁ ବୁଝାଏ ଯାହା ଏକ ଡାଟା ସେଟରେ ଚୟନିତ ଗୁଣଗୁଡ଼ିକର ଗ୍ରାନୁଲାରିଟିକୁ ହ୍ରାସ କରେ ଏବଂ ଡାଟାର ଏକ ସାଧାରଣ ଏବଂ ସଂକ୍ଷିପ୍ତ ବର୍ଣ୍ଣନା ପ୍ରଦାନ କରେ। ସାଧାରଣୀକରଣ ପ୍ରଯୁକ୍ତିବିଦ୍ୟା କାର୍ଯ୍ୟକାରୀ କରିବା ସହଜ ଏବଂ ରେକର୍ଡ-ସ୍ତରୀୟ ତଥ୍ୟର ପ୍ରାମାଣିକତାକୁ ସୁରକ୍ଷା ଦେଇପାରେ। ଏହା ସାଧାରଣତଃ ଡାଟା ଉତ୍ପାଦ କିମ୍ବା ତଥ୍ୟ ରିପୋର୍ଟରେ ବ୍ୟବହୃତ ହୁଏ।
- ରାଉଣ୍ଡିଂ: ଚୟନିତ ଗୁଣ ପାଇଁ ଏକ ରାଉଣ୍ଡିଂ ଆଧାର ଚୟନ କରିବା ଅନ୍ତର୍ଭୁକ୍ତ, ଯେପରିକି ଉପର କିମ୍ବା ନିମ୍ନଗାମୀ ଫୋରେନସିକ୍ସ, ଯାହା ଫଳାଫଳ 100, 500, 1K, ଏବଂ 10K ପ୍ରଦାନ କରେ।
- ଉପର ଏବଂ ତଳ କୋଡିଂ କୌଶଳ: ଉପର (କିମ୍ବା ତଳ) ସ୍ତରକୁ ପ୍ରତିନିଧିତ୍ୱ କରୁଥିବା ଏକ ଥ୍ରେସହୋଲ୍ଡ ସହିତ ସୀମା ଉପରେ (କିମ୍ବା ତଳ) ମୂଲ୍ୟଗୁଡ଼ିକୁ ବଦଳାନ୍ତୁ, ଯାହା "X ଉପରେ" କିମ୍ବା "X ତଳେ" ଫଳାଫଳ ପ୍ରଦାନ କରିବ।
(୬). ଅନିୟମିତତା କୌଶଳ
ଏକ ପ୍ରକାରର ଡି-ଆଇଡେଣ୍ଟିଫିକେସନ୍ ଟେକ୍ନୋଲୋଜି ଭାବରେ, ରେଣ୍ଡମାଇଜେସନ୍ ଟେକ୍ନୋଲୋଜି ରେଣ୍ଡମାଇଜେସନ୍ ମାଧ୍ୟମରେ ଏକ ଗୁଣର ମୂଲ୍ୟକୁ ପରିବର୍ତ୍ତନ କରିବାକୁ ବୁଝାଏ, ଯାହା ଫଳରେ ରେଣ୍ଡମାଇଜେସନ୍ ପରେ ମୂଲ୍ୟ ମୂଳ ପ୍ରକୃତ ମୂଲ୍ୟଠାରୁ ଭିନ୍ନ ହୋଇଥାଏ। ଏହି ପ୍ରକ୍ରିୟା ସମାନ ଡାଟା ରେକର୍ଡରେ ଥିବା ଅନ୍ୟ ଗୁଣ ମୂଲ୍ୟରୁ ଏକ ଗୁଣ ମୂଲ୍ୟ ପାଇବା ପାଇଁ ଆକ୍ରମଣକାରୀଙ୍କ କ୍ଷମତାକୁ ହ୍ରାସ କରେ, କିନ୍ତୁ ଫଳାଫଳ ତଥ୍ୟର ପ୍ରାମାଣିକତାକୁ ପ୍ରଭାବିତ କରେ, ଯାହା ଉତ୍ପାଦନ ପରୀକ୍ଷା ତଥ୍ୟ ସହିତ ସାଧାରଣ।
ପୋଷ୍ଟ ସମୟ: ସେପ୍ଟେମ୍ବର-୨୭-୨୦୨୨
