宋蓓蓓

(安徽工業(yè)經(jīng)濟(jì)職業(yè)技術(shù)學(xué)院 計(jì)算機(jī)與藝術(shù)學(xué)院，安徽 合肥 230051)

隨著動(dòng)態(tài)分布式網(wǎng)絡(luò)信息傳輸技術(shù)的發(fā)展，動(dòng)態(tài)協(xié)同網(wǎng)絡(luò)的數(shù)據(jù)信息維數(shù)越來(lái)越多，需要結(jié)合大數(shù)據(jù)和云信息處理技術(shù)，構(gòu)建網(wǎng)絡(luò)多屬性大數(shù)據(jù)聚類(lèi)挖掘模型，提高網(wǎng)絡(luò)數(shù)據(jù)的檢測(cè)和識(shí)別能力.通過(guò)網(wǎng)絡(luò)多屬性大數(shù)據(jù)的聚類(lèi)挖掘和特征分析，構(gòu)建網(wǎng)絡(luò)多屬性大數(shù)據(jù)聚類(lèi)分析模型[1]，提高網(wǎng)絡(luò)的信息管理能力，相關(guān)的網(wǎng)絡(luò)多屬性大數(shù)據(jù)聚類(lèi)挖掘方法研究，在網(wǎng)絡(luò)的組網(wǎng)設(shè)計(jì)和大數(shù)據(jù)信息管理中具有重要意義[2].

網(wǎng)絡(luò)多屬性大數(shù)據(jù)聚類(lèi)挖掘建立在對(duì)數(shù)據(jù)候選特征分析的基礎(chǔ)上，通過(guò)貝葉斯關(guān)聯(lián)規(guī)則分析，進(jìn)行網(wǎng)絡(luò)多屬性大數(shù)據(jù)聚類(lèi)挖掘[3]，傳統(tǒng)方法的網(wǎng)絡(luò)多屬性大數(shù)據(jù)聚類(lèi)挖掘方法主要有基于網(wǎng)絡(luò)爬蟲(chóng)的大數(shù)據(jù)挖掘技術(shù)[4]，通過(guò)設(shè)置網(wǎng)絡(luò)爬蟲(chóng)TCP/IP協(xié)議棧，對(duì)網(wǎng)絡(luò)大數(shù)據(jù)進(jìn)行布局分配以實(shí)現(xiàn)數(shù)據(jù)采集，并通過(guò)解決網(wǎng)絡(luò)層次間的挖掘傳輸問(wèn)題，完成聚類(lèi)挖掘技術(shù)模型的搭建.基于模糊卷積神經(jīng)網(wǎng)絡(luò)的大數(shù)據(jù)聚類(lèi)挖掘方法[5]，構(gòu)建網(wǎng)絡(luò)多屬性大數(shù)據(jù)聚類(lèi)挖掘的聯(lián)合特征分析模型，通過(guò)自相關(guān)統(tǒng)計(jì)分析和模糊度匹配，進(jìn)行網(wǎng)絡(luò)多屬性大數(shù)據(jù)聚類(lèi)挖掘.但是上述傳統(tǒng)方法進(jìn)行網(wǎng)絡(luò)多屬性大數(shù)據(jù)聚類(lèi)挖掘時(shí)的適應(yīng)度水平不高，抗干擾性不好.

針對(duì)傳統(tǒng)方法存在的弊端，本文提出基于差分進(jìn)化算法的網(wǎng)絡(luò)多屬性大數(shù)據(jù)聚類(lèi)挖掘方法.在構(gòu)建網(wǎng)絡(luò)多屬性數(shù)據(jù)參數(shù)采集模型的基礎(chǔ)上，結(jié)合差分進(jìn)化算法進(jìn)行網(wǎng)絡(luò)多屬性大數(shù)據(jù)特征參數(shù)的聚類(lèi)挖掘優(yōu)化設(shè)計(jì)，從而實(shí)現(xiàn)大數(shù)據(jù)特征聚類(lèi)和可靠性挖掘.最后進(jìn)行仿真測(cè)試分析，顯示了本文方法在提高網(wǎng)絡(luò)多屬性大數(shù)據(jù)聚類(lèi)挖掘能力方面的優(yōu)越性能.

1 網(wǎng)絡(luò)多屬性大數(shù)據(jù)存儲(chǔ)特征分析

1.1 存儲(chǔ)結(jié)構(gòu)分析

為了實(shí)現(xiàn)基于差分進(jìn)化算法的網(wǎng)絡(luò)多屬性大數(shù)據(jù)聚類(lèi)挖掘，構(gòu)建網(wǎng)絡(luò)多屬性大數(shù)據(jù)參數(shù)采集和優(yōu)化存儲(chǔ)結(jié)構(gòu)模型[6-7]，并采用多維特征空間融合和匹配調(diào)度的方法，進(jìn)行網(wǎng)絡(luò)多屬性大數(shù)據(jù)的傳輸結(jié)構(gòu)分析.

首先采用演化貝葉斯參數(shù)估計(jì)方法，進(jìn)行網(wǎng)絡(luò)多屬性大數(shù)據(jù)的網(wǎng)格分塊區(qū)域調(diào)度[8]，在臨近區(qū)域中，將邊緣特征融合測(cè)度作為網(wǎng)絡(luò)多屬性大數(shù)據(jù)挖掘的候選區(qū)域，遍歷這些區(qū)域獲得網(wǎng)絡(luò)多屬性大數(shù)據(jù)的聚類(lèi)中心子集.在候選目標(biāo)集中，得到網(wǎng)絡(luò)多屬性大數(shù)據(jù)聚類(lèi)信息熵為

(1)

式中，xi、xj表示網(wǎng)絡(luò)多屬性大數(shù)據(jù)挖掘候選區(qū)域在[i,j]矩陣下的信息權(quán)重值，σ表示候選目標(biāo)信息參數(shù).

采用熵函數(shù)聚類(lèi)方法，進(jìn)行網(wǎng)絡(luò)多屬性大數(shù)據(jù)分布式概率重組，得到網(wǎng)絡(luò)多屬性大數(shù)據(jù)聚類(lèi)的隨機(jī)概率密度的分布條件p(vi|y=1)

(2)

式中，μ0、σ0分別為網(wǎng)絡(luò)多屬性大數(shù)據(jù)的目標(biāo)樣本數(shù)據(jù)和標(biāo)準(zhǔn)信息差.

采用多維特征分解方法，進(jìn)行網(wǎng)絡(luò)多屬性大數(shù)據(jù)信息特征重構(gòu)，得到網(wǎng)絡(luò)多屬性大數(shù)據(jù)的模糊信息聚類(lèi)樣本分布為

(3)

通過(guò)構(gòu)造網(wǎng)絡(luò)多屬性大數(shù)據(jù)的分類(lèi)存儲(chǔ)器，利用多維信息重組和分塊區(qū)域分解技術(shù)，構(gòu)建網(wǎng)絡(luò)多屬性大數(shù)據(jù)的參數(shù)采集模型，其表達(dá)為

(4)

式中，α<ζ<β，l(z)為網(wǎng)絡(luò)多屬性大數(shù)據(jù)樣本位置，Dα和Dβ分別為正樣本和負(fù)樣本.根據(jù)參數(shù)采集結(jié)果，采用信道轉(zhuǎn)換和均衡配置方法進(jìn)行動(dòng)態(tài)結(jié)構(gòu)性重組，得到網(wǎng)絡(luò)多屬性大數(shù)據(jù)存儲(chǔ)結(jié)構(gòu)模型如圖1所示.

圖1 網(wǎng)絡(luò)多屬性大數(shù)據(jù)存儲(chǔ)結(jié)構(gòu)模型

以網(wǎng)絡(luò)多屬性大數(shù)據(jù)的存儲(chǔ)結(jié)構(gòu)為基礎(chǔ)進(jìn)行分析，從而實(shí)現(xiàn)網(wǎng)絡(luò)多屬性大數(shù)據(jù)的優(yōu)化聚類(lèi)和挖掘[9].

1.2 網(wǎng)絡(luò)多屬性大數(shù)據(jù)特征分析

采用稀疏性特征分析方法進(jìn)行網(wǎng)絡(luò)多屬性大數(shù)據(jù)的隨機(jī)測(cè)量矩陣分解，結(jié)合快速特征收斂性控制方法，通過(guò)網(wǎng)絡(luò)多屬性樣本重組[10]，得到網(wǎng)絡(luò)多屬性大數(shù)據(jù)的模糊相關(guān)系數(shù)

(5)

式中，lt為網(wǎng)絡(luò)多屬性大數(shù)據(jù)的聚類(lèi)區(qū)域.

結(jié)合灰度特征重組和語(yǔ)義分布式融合方法，得到網(wǎng)絡(luò)多屬性大數(shù)據(jù)聚類(lèi)的隨機(jī)概率密度函數(shù)

(6)

(7)

采用機(jī)器學(xué)習(xí)分類(lèi)方法，得到網(wǎng)絡(luò)多屬性大數(shù)據(jù)的聯(lián)合特征分布參數(shù)φ和θ.采用重采樣策略，得到網(wǎng)絡(luò)大數(shù)據(jù)的特征隨機(jī)測(cè)量矩陣分解的計(jì)算公式

(8)

(9)

綜上分析，實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)多屬性大數(shù)據(jù)存儲(chǔ)結(jié)構(gòu)分析和大數(shù)據(jù)特征分析[11].

2 網(wǎng)絡(luò)多屬性大數(shù)據(jù)聚類(lèi)挖掘優(yōu)化設(shè)計(jì)

2.1 網(wǎng)絡(luò)多屬性數(shù)據(jù)的特征融合

在實(shí)現(xiàn)網(wǎng)絡(luò)多屬性大數(shù)據(jù)存儲(chǔ)特征分析的基礎(chǔ)上，采用快速特征收斂性控制方法，建立網(wǎng)絡(luò)多屬性大數(shù)據(jù)的隨機(jī)檢測(cè)模型，通過(guò)灰度特征信息重組方法，得到網(wǎng)絡(luò)多屬性大數(shù)據(jù)聚類(lèi)的更新規(guī)則約束參量θ的解

(10)

根據(jù)網(wǎng)絡(luò)多屬性大數(shù)據(jù)的屬性分布進(jìn)行模糊聚類(lèi)，得到網(wǎng)絡(luò)多屬性大數(shù)據(jù)差分進(jìn)化的約束相關(guān)性因子為

(11)

式中，R=(rij,aij)m×n表示網(wǎng)絡(luò)多屬性大數(shù)據(jù)融合的特征分布矩陣，基于數(shù)據(jù)層面構(gòu)建大數(shù)據(jù)分類(lèi)模型，得到網(wǎng)絡(luò)多屬性大數(shù)據(jù)分類(lèi)的聯(lián)合特征解

(12)

式中，tij表示數(shù)據(jù)空間的類(lèi)間指數(shù)分布參數(shù)，uij表示網(wǎng)絡(luò)多屬性大數(shù)據(jù)的互信息熵.

以P為網(wǎng)絡(luò)多屬性分布的概率密度，根據(jù)網(wǎng)絡(luò)多屬性大數(shù)據(jù)的融合參數(shù)滿(mǎn)足

(13)

式中，Ui,j(t)表示網(wǎng)絡(luò)多屬性大數(shù)據(jù)動(dòng)態(tài)特征分布信息熵.

基于決策邊界的多數(shù)類(lèi)樣本分析方法，得到共享的通道數(shù)為N，構(gòu)建網(wǎng)絡(luò)多屬性大數(shù)據(jù)聚類(lèi)的聯(lián)合關(guān)聯(lián)決策函數(shù)為：

(14)

綜上分析，采用差分進(jìn)化方法，進(jìn)行網(wǎng)絡(luò)多屬性參數(shù)識(shí)別和聚類(lèi).

2.2 網(wǎng)絡(luò)多屬性大數(shù)據(jù)聚類(lèi)挖掘優(yōu)化

基于網(wǎng)絡(luò)多屬性大數(shù)據(jù)的特征融合結(jié)果，設(shè)定網(wǎng)絡(luò)多屬性大數(shù)據(jù)的互信息特征向量用vi表示，且vi=((w1,t1),(w2,t2),…,(wj,tj))，通過(guò)差分進(jìn)化方法進(jìn)行網(wǎng)絡(luò)多屬性大數(shù)據(jù)的聚類(lèi)中心尋優(yōu).遍歷網(wǎng)絡(luò)多屬性大數(shù)據(jù)聚類(lèi)區(qū)域的候選目標(biāo)集，得到多屬性大數(shù)據(jù)聚類(lèi)的模糊集為

V=Pi∈P(i=1,2,…,m)+|vi+Ek|2.

(15)

使用聯(lián)合特征分布式進(jìn)化方法，得到網(wǎng)絡(luò)多屬性大數(shù)據(jù)聚類(lèi)挖掘的公式為

(16)

式中，Vi表示網(wǎng)絡(luò)多屬性大數(shù)據(jù)的關(guān)聯(lián)分析度量值.

在非線性可分的數(shù)據(jù)集中，得到網(wǎng)絡(luò)多屬性聚類(lèi)挖掘輸出的相似度系數(shù)為

(17)

式中，pi,j(t)為網(wǎng)絡(luò)多屬性大數(shù)據(jù)的分布集，Δp(t)為網(wǎng)絡(luò)多屬性大數(shù)據(jù)分布的聯(lián)合特征參數(shù)分布集.用4元組(Ei,Ej,d,t)來(lái)表示網(wǎng)絡(luò)多屬性大數(shù)據(jù)的主特征量，采用決策樹(shù)調(diào)度和多屬性差分進(jìn)化算法，得到聚類(lèi)挖掘輸出的聯(lián)合特征量

(18)

式中，m為網(wǎng)絡(luò)多屬性大數(shù)據(jù)聚類(lèi)挖掘的進(jìn)化維數(shù)，(dik)2為非線性數(shù)據(jù)集.

結(jié)合差分進(jìn)化算法，構(gòu)建網(wǎng)絡(luò)多屬性大數(shù)據(jù)聚類(lèi)挖掘優(yōu)化模型，其表示為

(19)

式中，‖xk‖2表示網(wǎng)絡(luò)多屬性大數(shù)據(jù)的決策性自變量.

綜上分析，通過(guò)差分進(jìn)化算法進(jìn)行網(wǎng)絡(luò)多屬性大數(shù)據(jù)的聚類(lèi)中心尋優(yōu)，實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)多屬性大數(shù)據(jù)的特征聚類(lèi)和可靠性挖掘.實(shí)現(xiàn)過(guò)程如圖2所示.

圖2 網(wǎng)絡(luò)多屬性大數(shù)據(jù)聚類(lèi)挖掘?qū)崿F(xiàn)過(guò)程

3 仿真測(cè)試

網(wǎng)絡(luò)多屬性大數(shù)據(jù)采集的樣本長(zhǎng)度為1024，數(shù)據(jù)分類(lèi)的屬性為12，關(guān)聯(lián)規(guī)則分布維數(shù)為5，相似度融合系數(shù)為0.36，差分進(jìn)化的迭代次數(shù)為100，根據(jù)上述參數(shù)設(shè)定，得到網(wǎng)絡(luò)多屬性大數(shù)據(jù)統(tǒng)計(jì)特征量分布如圖3所示.

圖3 網(wǎng)絡(luò)多屬性大數(shù)據(jù)統(tǒng)計(jì)特征量分布

根據(jù)圖3所示的大數(shù)據(jù)統(tǒng)計(jì)特征量分布檢測(cè)結(jié)果，實(shí)現(xiàn)數(shù)據(jù)聚類(lèi)，得到聚類(lèi)挖掘預(yù)測(cè)效果如圖4所示.

圖4 數(shù)據(jù)聚類(lèi)挖掘預(yù)測(cè)值

分析圖4得知，本文方法進(jìn)行網(wǎng)絡(luò)多屬性大數(shù)據(jù)的特征聚類(lèi)挖掘的聚斂度水平較高，數(shù)據(jù)聚類(lèi)融合性較好.

為了進(jìn)一步驗(yàn)證本文方法的應(yīng)用性能，將文獻(xiàn)[4]方法和文獻(xiàn)[5]方法作為對(duì)比方法，與本文方法分別就其數(shù)據(jù)分類(lèi)的準(zhǔn)確率與聚類(lèi)挖掘的識(shí)別率兩項(xiàng)指標(biāo)進(jìn)行對(duì)比分析，記錄運(yùn)用三種方法進(jìn)行網(wǎng)絡(luò)多屬性大數(shù)據(jù)聚類(lèi)挖掘的數(shù)據(jù)分類(lèi)的準(zhǔn)確率，得到對(duì)比結(jié)果如圖5所示.

圖5 數(shù)據(jù)分類(lèi)正確率

對(duì)比圖5得知，本文方法對(duì)網(wǎng)絡(luò)多屬性大數(shù)據(jù)分類(lèi)的正確率較高，明顯高于文獻(xiàn)[4]和文獻(xiàn)[5]方法的正確率，由此可見(jiàn)，本文方法進(jìn)行網(wǎng)絡(luò)多屬性大數(shù)據(jù)聚類(lèi)挖掘的性能更好.

運(yùn)用三種方法測(cè)試網(wǎng)絡(luò)多屬性大數(shù)據(jù)挖掘的識(shí)別率，得到對(duì)比結(jié)果如圖6所示.

圖6 數(shù)據(jù)聚類(lèi)挖掘的識(shí)別率

根據(jù)圖6得知對(duì)比結(jié)果得知，本文方法進(jìn)行網(wǎng)絡(luò)多屬性大數(shù)據(jù)聚類(lèi)挖掘的識(shí)別率較高，且相對(duì)穩(wěn)定，由此可知，本文方法能夠有效提高網(wǎng)絡(luò)多屬性大數(shù)據(jù)聚類(lèi)挖掘的識(shí)別率.

4 結(jié)語(yǔ)

構(gòu)建網(wǎng)絡(luò)多屬性大數(shù)據(jù)聚類(lèi)分析模型，提高網(wǎng)絡(luò)的信息管理能力，本文提出基于差分進(jìn)化算法的網(wǎng)絡(luò)多屬性大數(shù)據(jù)聚類(lèi)挖掘方法.采用多維特征空間融合和匹配調(diào)度的方法，進(jìn)行網(wǎng)絡(luò)多屬性大數(shù)據(jù)的傳輸結(jié)構(gòu)分析，采用稀疏性特征分析方法進(jìn)行網(wǎng)絡(luò)多屬性大數(shù)據(jù)的隨機(jī)測(cè)量矩陣分解.采用快速特征收斂性控制的方法，建立網(wǎng)絡(luò)多屬性大數(shù)據(jù)的隨機(jī)檢測(cè)模型，采用差分進(jìn)化方法，進(jìn)行網(wǎng)絡(luò)多屬性參數(shù)識(shí)別和聚類(lèi)挖掘.研究得知，本文方法進(jìn)行網(wǎng)絡(luò)多屬性大數(shù)據(jù)聚類(lèi)的收斂性較好，特征聚類(lèi)性較強(qiáng)，提高了數(shù)據(jù)的檢測(cè)識(shí)別率.