朱亞?wèn)|，高翠芳

(1.江蘇聯(lián)合職業(yè)技術(shù)學(xué)院信息中心，江蘇南京 211135; 2.江南大學(xué)理學(xué)院，江蘇無(wú)錫 214122)

基于PSO的云計(jì)算環(huán)境中大數(shù)據(jù)優(yōu)化聚類算法

朱亞?wèn)|1，高翠芳2

(1.江蘇聯(lián)合職業(yè)技術(shù)學(xué)院信息中心，江蘇南京 211135; 2.江南大學(xué)理學(xué)院，江蘇無(wú)錫 214122)

在云計(jì)算環(huán)境下，對(duì)大數(shù)據(jù)進(jìn)行優(yōu)化聚類是實(shí)現(xiàn)數(shù)據(jù)優(yōu)化訪問(wèn)和挖掘的基礎(chǔ)。傳統(tǒng)方法采用模糊C均值聚類算法進(jìn)行云計(jì)算中的大數(shù)據(jù)聚類，易陷入局部極值，產(chǎn)生聚類偏移，效果不佳。提出一種基于優(yōu)化粒子群(PSO)算法的大數(shù)據(jù)聚類算法。分析了云計(jì)算環(huán)境中的大數(shù)據(jù)結(jié)構(gòu)模型，計(jì)算大數(shù)據(jù)的離散樣本頻譜特征，實(shí)現(xiàn)聚類樣本的特征提取和信息模型構(gòu)建。由于粒子群在搜索過(guò)程中經(jīng)常會(huì)陷入局部最優(yōu)解，采用混沌映射方法，帶領(lǐng)粒子逃離局部最優(yōu)解，設(shè)計(jì)粒子群優(yōu)化算法進(jìn)行特征聚類，達(dá)到大數(shù)據(jù)優(yōu)化聚類的目的。仿真結(jié)果表明，采用該算法進(jìn)行數(shù)據(jù)聚類，誤分率降低，尋優(yōu)性能較好，具有較好的應(yīng)用價(jià)值。

粒子群;數(shù)據(jù)聚類;云計(jì)算;大數(shù)據(jù)

0 引言

各種云計(jì)算系統(tǒng)的出現(xiàn)使得信息處理和計(jì)算向著云計(jì)算方向發(fā)展。在云計(jì)算系統(tǒng)中，允許開(kāi)發(fā)者將寫(xiě)好的程序放在“云”里運(yùn)行，實(shí)現(xiàn)云計(jì)算系統(tǒng)的程控?cái)U(kuò)展和智能共享。在云計(jì)算環(huán)境中，海量的大數(shù)據(jù)需要進(jìn)行調(diào)度和訪問(wèn)，達(dá)到數(shù)據(jù)挖掘的目的。實(shí)現(xiàn)云計(jì)算中大數(shù)據(jù)挖掘的基礎(chǔ)在于數(shù)據(jù)聚類，因此研究云計(jì)算環(huán)境中大數(shù)據(jù)優(yōu)化聚類算法具有重要意義。

聚類算法的本質(zhì)是將海量大數(shù)據(jù)信息流通過(guò)統(tǒng)計(jì)信息分析的方法分成若干個(gè)層次的子集，提取數(shù)據(jù)信息流的屬性特征量，調(diào)整聚類中心實(shí)現(xiàn)數(shù)據(jù)聚類優(yōu)化。傳統(tǒng)大數(shù)據(jù)聚類算法主要有分割聚類算法、融合法和分裂法、層次類別算法以及神經(jīng)網(wǎng)絡(luò)控制算法［1-3］。其中，采用粒子群聚類的聚類粒度分割算法具有典型性，取得了一定的研究成果。文獻(xiàn)［4］提出一種基于K -means算法的云計(jì)算環(huán)境中的大數(shù)據(jù)聚類算法，基于互聯(lián)網(wǎng)的相關(guān)服務(wù)的增加、使用和交付模式，實(shí)現(xiàn)大數(shù)據(jù)聚類;但是該算法存在對(duì)內(nèi)存空間需求太大、計(jì)算開(kāi)銷大的缺點(diǎn)。文獻(xiàn)［5］提出一種基于模糊C均值聚類的云計(jì)算環(huán)境中的大數(shù)據(jù)聚類算法。算法隨著數(shù)據(jù)量的增加，數(shù)據(jù)密度和類別距離大小出現(xiàn)非線性偏移，導(dǎo)致聚類中心不穩(wěn)定，聚類效果不好。文獻(xiàn)［6］提出基于分?jǐn)?shù)階Fourier變換特征匹配和K-L變換分類的云計(jì)算設(shè)備中的大數(shù)據(jù)特征高效分類挖掘算法，實(shí)現(xiàn)云計(jì)算設(shè)備中的大數(shù)據(jù)特征高效分類挖掘。算法的缺陷在于動(dòng)態(tài)擴(kuò)展性不好，且對(duì)初始聚類中心較為敏感，需要進(jìn)行改進(jìn)。

粒子群算法能夠通過(guò)各個(gè)粒子間的合作和競(jìng)爭(zhēng)關(guān)系尋求最優(yōu)解，并且其算法結(jié)構(gòu)簡(jiǎn)單，易實(shí)現(xiàn)，從而在參數(shù)優(yōu)化方面?zhèn)涫荜P(guān)注。于是文中便利用粒子群的特點(diǎn)，并針對(duì)上述問(wèn)題，提出一種基于改進(jìn)粒子群(Particle Swarm Optimization，PSO)算法的云計(jì)算環(huán)境中大數(shù)據(jù)特征提取和大數(shù)據(jù)聚類算法。首先分析了云計(jì)算環(huán)境中的大數(shù)據(jù)結(jié)構(gòu)模型，進(jìn)行大數(shù)據(jù)的特征提取和信息模型構(gòu)建，設(shè)計(jì)粒子群優(yōu)化算法進(jìn)行特征聚類，并采用混沌搜索對(duì)粒子群優(yōu)化算法進(jìn)行改進(jìn)，提高其收斂速度和全局尋優(yōu)能力，達(dá)到大數(shù)據(jù)優(yōu)化聚類的目的。

1 云計(jì)算環(huán)境中大數(shù)據(jù)存儲(chǔ)機(jī)制及數(shù)據(jù)結(jié)構(gòu)分析

1.1 云計(jì)算環(huán)境中大數(shù)據(jù)存儲(chǔ)機(jī)制體系構(gòu)架

云計(jì)算是通過(guò)互聯(lián)網(wǎng)來(lái)提供動(dòng)態(tài)易擴(kuò)展的大數(shù)據(jù)存儲(chǔ)空間和結(jié)構(gòu)模型。為了實(shí)現(xiàn)云計(jì)算環(huán)境中大數(shù)據(jù)存儲(chǔ)聚類和分類挖掘，需要首先在云計(jì)算環(huán)境中構(gòu)建大數(shù)據(jù)存儲(chǔ)機(jī)制體系構(gòu)架。云計(jì)算環(huán)境中大數(shù)據(jù)存儲(chǔ)采用虛擬化存儲(chǔ)池結(jié)構(gòu)，云計(jì)算部署依賴于計(jì)算機(jī)集群，從上到下分別是:I/O虛擬計(jì)算機(jī)，USB接口層序和磁盤(pán)層，企業(yè)數(shù)據(jù)中心通過(guò)各種終端獲取應(yīng)用服務(wù)，使計(jì)算分布在大量的分布式計(jì)算機(jī)上［7］。云計(jì)算環(huán)境中大數(shù)據(jù)存儲(chǔ)總體架構(gòu)如圖1所示。

圖1中，當(dāng)所有的云計(jì)算虛擬機(jī)都被分配到物理機(jī)之后，利用下述公式能夠計(jì)算本次聚類中的全局最優(yōu)解［8］，并能根據(jù)最優(yōu)解將全部云計(jì)算中的大數(shù)據(jù)特征聚類中心VM分配到物理機(jī)PM上:

對(duì)樣本進(jìn)行分析采集，判斷樣本是否為典型樣本，以此樣本為數(shù)據(jù)，設(shè)大數(shù)據(jù)庫(kù)信數(shù)據(jù)信息流樣本S=，分別在時(shí)間段T1，T2，…，TK進(jìn)行數(shù)據(jù)信息采樣。

現(xiàn)在把云計(jì)算環(huán)境中大數(shù)據(jù)集合X分為c類，其中1＜c＜n。把數(shù)據(jù)的分割轉(zhuǎn)化為對(duì)空間的分割，得到大數(shù)據(jù)的存儲(chǔ)結(jié)構(gòu)中心矢量為:

其中，Vi為目標(biāo)聚類特征的第i個(gè)矢量(第i個(gè)聚類中心矢量)。

模糊劃分矩陣表示為:

對(duì)單個(gè)數(shù)據(jù)源進(jìn)行冗余數(shù)據(jù)降維處理，在進(jìn)行多通道QoS需求的虛擬機(jī)分簇挖掘的過(guò)程中，其輸入部分(為虛擬機(jī)和物理機(jī)的集合)以及相關(guān)參數(shù)分別為VMS= {VM，VM，…，VM}，PMS= {PM，PM，…，PM}，啟12m12n發(fā)因子為α，啟發(fā)因子的期望值為β，最大挖掘次數(shù)為Imax。由此，客戶端上傳的數(shù)據(jù)塊提供固定大小的數(shù)據(jù)塊，實(shí)現(xiàn)云聚類。通過(guò)上述的云計(jì)算環(huán)境中大數(shù)據(jù)存儲(chǔ)機(jī)制體系構(gòu)架分析，為進(jìn)行大數(shù)據(jù)聚類提供準(zhǔn)確的數(shù)據(jù)基礎(chǔ)［9］。

1.2 大數(shù)據(jù)信息流模型構(gòu)建與特征提取

假設(shè)云計(jì)算環(huán)境中的信息流時(shí)間序列為{x(t0+ iΔt)}，i=0，1，…，N-1。設(shè)X和Y為屬性集合，云計(jì)算環(huán)境下大數(shù)據(jù)聚類空間狀態(tài)矢量表達(dá)式為:

式中，x(t)為云計(jì)算環(huán)境下大數(shù)據(jù)聚類系統(tǒng)信息流時(shí)間序列;J為云計(jì)算環(huán)境下大數(shù)據(jù)重構(gòu)的相空間的時(shí)間窗函數(shù);m為目標(biāo)聚類調(diào)節(jié)因子;Δt為數(shù)據(jù)采樣時(shí)間間隔。

計(jì)算大數(shù)據(jù)的離散樣本頻譜特征Xp(u )，主特征量為:

其中，sc(t)為大數(shù)據(jù)的特征標(biāo)量時(shí)間序列;ej2πf0t為大數(shù)據(jù)聚類數(shù)據(jù)的離散樣本中心。

數(shù)據(jù)集為 { X1，X2，…，Xn}，( F ，Q)為樣本數(shù)據(jù)高階貝塞爾函數(shù)統(tǒng)計(jì)量，確定節(jié)點(diǎn)數(shù)據(jù)包的置信度，確立置信區(qū)間，得到的置信度和置信區(qū)間分別為:

數(shù)據(jù)聚類中心的粒子最優(yōu)解的向量矩陣為:

其中，σr為粒子在k+1時(shí)刻的位置;Rr×r則為實(shí)矩陣。

對(duì)角向量可以表述為粒子距離目標(biāo)解的遠(yuǎn)近，并且滿足:

基于誤差反傳的梯度下降訓(xùn)練，實(shí)現(xiàn)對(duì)大數(shù)據(jù)的特征優(yōu)化提取，輸入得數(shù)據(jù)聚類系統(tǒng)，實(shí)現(xiàn)模式識(shí)別。

2 大數(shù)據(jù)聚類算法的改進(jìn)實(shí)現(xiàn)

在上述對(duì)云計(jì)算中的大數(shù)據(jù)信息流模型進(jìn)行構(gòu)建與特征提取的基礎(chǔ)上，進(jìn)行大數(shù)據(jù)聚類優(yōu)化設(shè)計(jì)與實(shí)現(xiàn)。傳統(tǒng)方法采用模糊C均值聚類算法進(jìn)行云計(jì)算中的大數(shù)據(jù)聚類，易陷入局部極值，產(chǎn)生聚類偏移，效果不好［10］。文中提出一種基于粒子群優(yōu)化(PSO)算法的大數(shù)據(jù)聚類算法。粒子群(PSO)優(yōu)化算法由Kennedy和Eberhart于1995年提出，是一種新型智能優(yōu)化算法。利用粒子群算法進(jìn)行云計(jì)算中的大數(shù)據(jù)聚類處理時(shí)，由于每個(gè)個(gè)體有不一樣的特征，適應(yīng)度高的個(gè)體更容易進(jìn)入下一代，由此可以優(yōu)化聚類算法的實(shí)現(xiàn)效率。

假設(shè)在D維大數(shù)據(jù)聚類搜索空間中，有m個(gè)粒子組成一個(gè)種群，每個(gè)大數(shù)據(jù)信息特征矢量Xi對(duì)應(yīng)的一個(gè)函數(shù)為:

其中，fi是Xi模因組適應(yīng)度函數(shù);Pij(k)表示k時(shí)刻第i個(gè)粒子的全局優(yōu)化粒子權(quán)值。

設(shè)置門(mén)限值Nth，當(dāng)Neff＜Nth時(shí)，第j個(gè)粒子移動(dòng)的概率為:

其中，xk為第k個(gè)動(dòng)態(tài)慣性權(quán)重;a為聚類中心的控制參量。

根據(jù)不同數(shù)據(jù)聚類任務(wù)［8］，調(diào)整適應(yīng)度函數(shù)內(nèi)權(quán)重，得到PSO聚類的權(quán)重系數(shù)為:

其中，α，β{ }為云計(jì)算環(huán)境下大數(shù)據(jù)聚類的分集聚斂目標(biāo)函數(shù)，得到優(yōu)化的PSO聚類目標(biāo)函數(shù)為:

其中，粒子的位置對(duì)應(yīng)樣本數(shù)據(jù)的k個(gè)聚類中心。除了粒子位置外，對(duì)粒子的適應(yīng)度和速度進(jìn)行編碼。由于樣本數(shù)據(jù)的屬性向量維數(shù)為d，則粒子的位置和速度為k×d維矩陣。

針對(duì)粒子群算法容易出現(xiàn)早熟并且收斂速度慢的缺陷［11］，文中采用混沌映射方法對(duì)其進(jìn)行優(yōu)化，帶領(lǐng)粒子逃離局部最優(yōu)解，加速收斂?；煦缢阉鞅砻嫔巷@示出毫無(wú)規(guī)律的遍歷，然而它是憑借著其內(nèi)在規(guī)則隨機(jī)不重復(fù)地對(duì)系統(tǒng)中所有狀態(tài)進(jìn)行搜索遍歷?；煦绶椒ㄊ紫纫苫煦缧蛄校@里采取Logistic映射獲得混沌序列，可以通過(guò)如下方程進(jìn)行描述:

在粒子群不斷進(jìn)行迭代計(jì)算的過(guò)程中，超過(guò)一定代數(shù)，其算法收斂速度便開(kāi)始降低，于是為了提高粒子群的收斂速度和全局尋優(yōu)能力，通過(guò)生成的混沌序列來(lái)擾動(dòng)全局最優(yōu)粒子。對(duì)于前述的m個(gè)粒子，將它們的每一維度一一映射到(0，1)范圍上，于是便能夠得到向量D=(d1，d2，…，dm)。其中，di為粒子第i維，其表達(dá)式為:

式中，gbesti為適應(yīng)度最高粒子的第i維;a和b分別為粒子在任意維度中的取值下限和上限。

利用混沌擾動(dòng)重新進(jìn)行迭代計(jì)算，得到新序列:

把得到的新序列Z1當(dāng)成新粒子，并進(jìn)行適應(yīng)度計(jì)算，如果計(jì)算得到Z1適應(yīng)度高于之前搜索得到的最優(yōu)解，那么便令Z1為當(dāng)前最優(yōu)解。

通過(guò)上述處理，在云計(jì)算系統(tǒng)的大數(shù)據(jù)聚類中就代表一個(gè)任務(wù)調(diào)度策略［12］。改進(jìn)的PSO大數(shù)據(jù)優(yōu)化聚類算法流程描述如圖2所示。

3 仿真實(shí)驗(yàn)

為了驗(yàn)證文中算法在實(shí)現(xiàn)云計(jì)算環(huán)境中大數(shù)據(jù)優(yōu)化聚類和數(shù)據(jù)挖掘中的性能，對(duì)其進(jìn)行仿真實(shí)驗(yàn)。

仿真實(shí)驗(yàn)硬件環(huán)境為:處理器Intel(R)Core(TM) 2 Duo CPU主頻2.93 GHz，內(nèi)存2 GB;操作系統(tǒng):Windows 7。仿真軟件采用Matlab 7。

實(shí)驗(yàn)中，大數(shù)據(jù)的采樣頻率fs=4f0=20 kHz。大數(shù)據(jù)聚類的時(shí)間中心t0=15 s，數(shù)據(jù)量從10 MB到1 GB，以10 MB為單位，粒子群數(shù)量N為30 984個(gè)，粒子群聚類過(guò)程中的相空間搜索維度設(shè)置為30，粒子移動(dòng)的概率為0.34，每次PSO運(yùn)行迭代5 000次。大數(shù)據(jù)聚類的算法處理參數(shù)設(shè)置見(jiàn)表1。

表1 大數(shù)據(jù)聚類的算法處理參數(shù)設(shè)置

根據(jù)上述仿真環(huán)境和參數(shù)設(shè)定結(jié)果，對(duì)云計(jì)算中的大數(shù)據(jù)聚類進(jìn)行仿真，其中大數(shù)據(jù)的特征分布如圖3所示。

由圖3可見(jiàn)，原始的大數(shù)據(jù)二維特征分布具有隨機(jī)性，在二維空間中難以實(shí)現(xiàn)對(duì)其規(guī)律性的特征提取和分類。采用文中算法進(jìn)行特征提取和數(shù)據(jù)聚類處理，進(jìn)行大數(shù)據(jù)的特征提取和信息模型構(gòu)建，設(shè)計(jì)粒子群優(yōu)化算法進(jìn)行特征聚類，得到的特征提取結(jié)果如圖4所示。

由圖4可見(jiàn)，文中算法能有效實(shí)現(xiàn)對(duì)云計(jì)算中的大數(shù)據(jù)的特征提取，波束的聚焦性能較好，為數(shù)據(jù)優(yōu)化聚類提供準(zhǔn)確的特征依據(jù)，以此為基礎(chǔ)實(shí)現(xiàn)數(shù)據(jù)聚類。

采用不同算法分析大數(shù)據(jù)聚類的尋優(yōu)性能，得到聚類中心尋優(yōu)性能曲線如圖5所示。

由圖5可見(jiàn)，文中算法在連續(xù)不斷迭代的計(jì)算過(guò)程中，以穩(wěn)定的收斂速度向最優(yōu)解逼近，相比其他算法，具有明顯的全局最優(yōu)解搜尋優(yōu)勢(shì)和較好的收斂速度，提高了數(shù)據(jù)聚類的尋優(yōu)能力［13］，從而提高了大數(shù)據(jù)聚類精度，降低了誤分率。通過(guò)定量分析可知，采用文中算法的誤分率比傳統(tǒng)算法降低了13.56%，展示了較好的大數(shù)據(jù)聚類挖掘能力。

4 結(jié)束語(yǔ)

在云計(jì)算環(huán)境中，海量的大數(shù)據(jù)需要進(jìn)行調(diào)度和訪問(wèn)，達(dá)到數(shù)據(jù)挖掘的目的。實(shí)現(xiàn)云計(jì)算中大數(shù)據(jù)挖掘的基礎(chǔ)在于數(shù)據(jù)聚類，文中提出一種基于改進(jìn)PSO算法的大數(shù)據(jù)聚類算法。首先分析了云計(jì)算環(huán)境中的大數(shù)據(jù)結(jié)構(gòu)模型，進(jìn)行大數(shù)據(jù)的特征提取和信息模型構(gòu)建［14］，設(shè)計(jì)粒子群優(yōu)化算法進(jìn)行特征聚類，達(dá)到大數(shù)據(jù)優(yōu)化聚類的目的。仿真結(jié)果表明，文中算法在提高云計(jì)算環(huán)境中的大數(shù)據(jù)聚類性能方面表現(xiàn)優(yōu)異。通過(guò)文中算法進(jìn)行數(shù)據(jù)聚類，降低了誤分率，具有較好的尋優(yōu)性能。

［1］ 譚鵬許，陳 越，蘭巨龍，等.用于云存儲(chǔ)的安全容錯(cuò)編碼［J］.通信學(xué)報(bào)，2014，35(3):109-115.

［2］ 魏理豪，王 甜，陳 飛，等.基于層次分析法的信息系統(tǒng)實(shí)用化評(píng)價(jià)研究［J］.科技通報(bào)，2014，30(2):143-145.

［3］ 吳 濤，陳黎飛，郭躬德.優(yōu)化子空間的高維聚類算法［J］.計(jì)算機(jī)應(yīng)用，2014，34(8):2279-2284.

［4］ 辛 宇，楊 靜，湯楚蘅，等.基于局部語(yǔ)義聚類的語(yǔ)義重疊社區(qū)發(fā)現(xiàn)算法［J］.計(jì)算機(jī)研究與發(fā)展，2015，52(7): 1510-1521.

［5］ 許成鵬，朱志祥.一種基于云計(jì)算平臺(tái)的數(shù)據(jù)庫(kù)加密保護(hù)系統(tǒng)［J］.電子設(shè)計(jì)工程，2015，23(19):97-100.

［6］ 陶新民，宋少宇，曹盼東，等.一種基于流形距離核的譜聚類算法［J］.信息與控制，2012，41(3):307-313.

［7］ 劉少偉，孔令梅，任開(kāi)軍，等.云環(huán)境下優(yōu)化科學(xué)工作流執(zhí)行性能的兩階段數(shù)據(jù)放置與任務(wù)調(diào)度策略［J］.計(jì)算機(jī)學(xué)報(bào)，2011，34(11):2121-2130.

［8］ 許 丞，劉 洪，譚 良.Hadoop云平臺(tái)的一種新的任務(wù)調(diào)度和監(jiān)控機(jī)制［J］.計(jì)算機(jī)科學(xué)，2013，40(1):112-117.

［9］ 張 潔.云計(jì)算環(huán)境下的數(shù)據(jù)存儲(chǔ)保護(hù)機(jī)制研究與仿真［J］.計(jì)算機(jī)仿真，2013，30(8):254-257.

［10］張彬橋.云環(huán)境下計(jì)算資源調(diào)度策略與仿真研究［J］.計(jì)算機(jī)仿真，2013，30(11):392-395.

［11］王德政，申山宏，周寧寧.云計(jì)算環(huán)境下的數(shù)據(jù)存儲(chǔ)［J］.計(jì)算機(jī)技術(shù)與發(fā)展，2011，21(4):81-84.

［12］ Qin Z R，Wang G Y，Wu L Y，et al.A scalable rough set knowledge reduction algorithm［C］//Proceedings of rough sets and current trends in computing，［s.l.］:［s.n.］，2004: 445-454.

［13］Liao Lüchao，Jiang Xinhua，Zou Fumin，et al.A spectral clustering method for big trajectory data mining with latent semantic correlation［J］.Chinese Journal of Electronics，2015，43(5): 956-964.

［14］余曉東，雷英杰，岳韶華，等.基于粒子群優(yōu)化的直覺(jué)模糊核聚類算法研究［J］.通信學(xué)報(bào)，2015，36(5):74-80.

Big Data Optimization Clustering Algorithm Based on PSO in Cloud Computing Environment

ZHU Ya-dong1，GAO Cui-fang2
(1.Information Center，Jiangsu Union Technical Institute，Nanjing 211135，China; 2.School of Science，Jiangnan University，Wuxi 214122，China)

In the cloud computing environment，the optimization of big data is the basis for the data optimized access and mining.In the traditional method，the fuzzy C means clustering algorithm is used to cluster the big data in the cloud computing，which is easy to fall into local extremum.A big data clustering algorithm based on Particle Swarm Optimization(PSO)is proposed.The big data structure model in cloud computing environment is analyzed，and the discrete sample spectrum characteristics of big data are calculated，realizing feature extraction and information model construction of clustering sample.The particles are often fallen into local extremum in searching.The chaotic mapping is used to take the particles against the local extremum.The PSO is designed to carry on the feature clustering for the purpose of optimization clustering for big data.Simulation shows that the proposed algorithm is used for data clustering，and the error rate is reduced，and the optimization performance is better，and it has good application value.

particle swarm;data clustering;cloud computing;big data

TP391.9

A

1673-629X(2016)09-0178-05

10.3969/j.issn.1673-629X.2016.09.040

2015-12-07

2016-04-12< class="emphasis_bold">網(wǎng)絡(luò)出版時(shí)間

時(shí)間:2016-08-01

國(guó)家自然科學(xué)基金青年基金(61402202)

朱亞?wèn)|(1976-)，男，碩士，副教授，研究方向?yàn)橛?jì)算機(jī)網(wǎng)絡(luò)、信息安全。

http://www.cnki.net/kcms/detail/61.1450.TP.20160801.0907.050.html