大數據環境下網絡穩定性測試模型研究

摘 "要： 傳統的計算機網絡穩定性分析模型受制于大數據環境下的隨機性、突發性、有限性等弊端，分析結果偏差較大。提出基于模糊層次以及主元分析的大數據環境下網絡穩定性測量模型，通過構建符合大數據環境下的網絡穩定性評價指標體系，采用主元分析法塑造大數據環境下網絡穩定性檢測模型以及性能評估模型，以用戶行為為源數據模型，在用戶行為大數據環境下對網絡穩定性進行測量。實驗以大型電子商務網絡為例進行分析，測試網絡魯棒性結果顯示，該方法能夠較好地完成大數據環境下的網絡魯棒性測試。

關鍵詞： 大數據; 網絡; 穩定度; 主元分析

中圖分類號： TP391.9 " " " " " " " " " " "文獻標識碼： A " " " " " " " " " " " " " "文章編號： 1004?373X（2015）06?0001?03

Research on network stability testing model under the environment of Big data communication

GONG Wei?zhi1， XU Jian?hong1， LIU Zeng?liang2

（1. School of Automation and Electrical Engineering， University of Science and Technology Beijing， Beijing 100083， China;

2. Teaching and Research Department of Information Command and fight， National Defense University PLA China， Beijing 100091， China）

Abstract： Traditional model for analyzing the stability of the computer network is subject to the big data communication under the environment of the randomness， sudden and finiteness， so the analysis deviation is bigger. The network stability measurement model based on fuzzy hierarchy and principal component analysis in large data environment is put forward. By building a network stability evaluation index system conforming to the big data environment， the principal component analysis method to establish network stability testing model and performance evaluation model under the environment of big data， which takes user behavior as the source data model， measures the network stability under the condition of big data in the user behavior. By taking large?scale e?commerce network as an example for experimental analysis， the network robustness was tested. The result indicates that the method can better accomplish robustness testing of the big data communication network.

Keywords： big data; network; stability; principal component analysis

0 "引 "言

隨著計算機技術的發展以及智能化程度的不斷增加，當前計算機行業對網絡發展的貢獻作用逐漸增強，相關行業的網絡化發展促進了該地區經濟的增長。而不斷發生的網絡安全事件、入侵事件和不同網絡事故爆發的頻率明顯增加。這就對相應的計算機網絡的穩定性提出了更高的要求。在用戶行為大數據環境下的網絡，需要具備快速通信能力、應急反應能力、對破壞的網絡進行快速修復的能力。因為，在大數據的通信環境下，網絡突發事件往往具有不確定性，不同的數據流量對網絡的穩定性要求也不同，因此需要準確了解在用戶行為大數據環境下的通信網絡的穩定性，確保計算機安全得到最大化的保護[1?2]。傳統的計算機網絡的穩定性分析模型無法適應大數據環境下入侵事件的隨機性、突發性、有限性等特征，對當地計算機網絡穩定性測量結果偏差較大，具有一定的局限性[3?6]。

1 "大數據環境下網絡穩定性評價體系

網絡穩定性是指發生網絡入侵等突發性危機的過程中，計算機網絡抗干擾、抗毀性能力的大小。穩定的計算機網絡能夠為大規模數據通信中的突發性事件提供幫助，確保時間效益最大化以及網絡損失最小化。對這種在用戶行為大數據環境下網絡穩定性的評價需要從評價指標、穩定度等兩方面進行分析。

1.1 "基于模糊層次的網絡評價指標穩定度計算

大數據通信下的網絡穩定性評價指標較多，一般采取相互直接關聯性較為有效。采用模糊層次分析方法得到不同指標下的評價權重，采集的指標中呈現了大數據通信下的網絡穩定性分析層次性，同時大量檢測指標又具有模糊性，可通過模糊層次分析法能夠得到不同指標的權重：

[Y=WTX] " " " " " " " " " （1）

式中：[Y=y1，y2，…，yn]用于描述衡量在用戶行為大數據環境下的網絡衡量指標的權重集;[X=x1，x2，…，xn]表示專家對不同指標的打分評價集，該集合可通過經驗得出;W用于描述模糊互補矩陣，且有[i=1nwi=1]。

之后，Y中不同數據量下，網絡穩定度測試指標的權重需要和達標評估系數逐次相乘，求和獲取單個不同指標的穩定度：

[Ri=j=1nyjwj] " " " " " " "（2）

其中：[Ri]表示在用戶行為大數據環境下的網絡單個指標的穩定度。

1.2 "網絡在多指標下的關聯結構分析

第1.1節敘述單個指標下在用戶行為大數據環境下的網絡單個指標的穩定度計算過程。在多指標大數據通信下的網絡穩定性評價體系下，多指標結構評估是一個串聯同并聯融合的混合指標評估過程，這種結構的穩定度用圖1所示。

lt;E：＼a06＼15年06期＼Image＼36T1.tifgt;

圖1 多指標結構下網絡穩定度結構圖

多指標通信網絡通常由大數據通信子系統、數據協調通信系統以及漏洞修補子系統三個并聯系統以及一個串聯系統構成，不同的子系統都包含多個評價指標，可得計算機網絡總體指標的穩定度的運算公式為：

[R=j=131-i=1m（1-Ri）] " " （3）

通過上述分析的方法能夠對在用戶行為大數據環境下的計算機網絡的穩定性進行計算，確保對其實時的穩定程度有較好的了解。

1.3 "計算機網絡穩定性計算過程

為了分析該方法對于在用戶行為大數據環境下的計算機網絡穩定性分析的作用，應構建相應的區域評估模型進行測試。本文采用6個反映高風險大數據通信下網絡發展特征的主要指標，塑造計算機網絡性能評估指標體系，指標分別為：信道寬度[x1]，緊急檢測[x2]，安全檢測人員比例[x3]，可承載的數據量[x4]，信道可承載量[x5]，調度能力[x6]，這些指標描述了大數據的通信環境中計算機網絡的評價指標，可通過主成分分析法進行簡化。

假設存在n個年度，假設n=10，p個評估指標，其中p=6。

（1） 塑造計算機網絡性能評估指標體系的原始數據矩陣：

[X=X11X12...X1pX21X22...X2p? " " " "? " ? " "?Xn1Xn2...Xnp] " " " （4）

（2） 運算相關系數矩陣：

[R=k11k12…k1pk21k22…k2p ? " " ? " ? " ?kp1kp2…kpp] " " "（5）

在式（5）中，[kij（i，j=1，2，…，p）]是原始變量[xi]以及[xj]的相關系數，其運算公式為：

[kij=k=1n（Xki-Xi）（Xkj-Xj）k=1n（Xki-Xi）2（Xkj-Xj）2] " （6）

如果對稱矩陣[rij=rji]，則只運算其上三角元素以及下三角元素即可。

（3）運算特征值和特征向量，解特征方法[λ-R=0]，獲取特征值[λi（i=1，2，…，p）]并確保其按照從大到小的順序進行排列，則有[λ1≥λ2≥…≥λt≥0];再分別獲取對應于特征值[λi]的特征向量[ei（i=1，2，…，p）]。

（4） 運算主成分貢獻率[Zi]：[rik=1prki（i=1，2，…，p）];累計貢獻率[k=1γkk=2γi]，通常設在累計貢獻率為85%～95%的特征值[λ1，λ2，…，λm]對應為第一，第二，…，第[m（m≤p）]個主成分。

運算主成分載荷為e，[ei=γkeki（i=1，2，…，p）。]

最后將不同主成分的方差貢獻率當成權重，線性加權求和獲取綜合評價函數：

[Zi=j=1meiyj] （7）

式中：[Zi]用于描述第i個數據流的計算機通信網絡的穩定性，該值越高，表明第i個數據區域網絡穩定性越強，反之越弱。

2 "實驗分析

實驗采用具有高危險性的云計算環境下的大數據通信網絡作為分析的對象，對本文模型控制下的計算機網絡的穩定性能進行評估，采用計算機仿真進行數據處理。選取的指標為第1節中的6個指標。根據6個指標計算公式計算的綜合得分能力，見表1。

表1 計算機網絡穩定能力的綜合得分

分析表1可得，從第一次實驗開始，采用本文模型計算下的計算機網絡的穩定性綜合得分呈現逐次遞增趨勢，說明該區域的計算機網絡的通信能力逐漸增強，這符合當地的一個網絡逐漸穩定加強的基本情況，說明本文模型是有效的。

為了突出本文模型的優勢，選擇傳統的單指標疊加的方法對以上數據中，在用戶行為大數據環境下的計算機網絡穩定性進行測試，不同方法下獲取的網絡穩定性能綜合分析值，并與真實數據進行對比，統計誤差，如圖2所述。

分析圖2可得，從第一次2002年開始，本文模型計算出的結果誤差與傳統的單指標疊加的方法相比較，誤差明顯較小。

lt;E：＼a06＼15年06期＼Image＼36T2.tifgt;

圖2 兩種模型下網絡穩定性計算誤差

3 "結 "語

本文提出基于模糊層次以及主元分析的計算機網絡穩定性測量模型，并應用用戶行為大數據環境下的計算機網絡中。通過模糊層次方法構建計算機網絡穩定性評價指標體系，采用主元分析法塑造計算機穩定分析模型以及性能評估模型，對云計算環境下的計算機網絡穩定性進行測量。實驗以具體網絡為例進行分析，對網絡的穩定性能的時間序列數據進行綜合分析和評估。

參考文獻

[1] 白曜銘，蔣建中，孫有銘，等.采用FFT方法的抗階數過估計信道盲辨識算法[J].信號處理，2014，30（1）：65?71.

[2] BOUARFA L， DANKELMAN J. Workflow mining and outlier detection from clinical activity logs [J]. Journal of Biomedical Informatics， 2012， 45（6）： 1185?1190.

[3] 張萌，張滬寅，葉剛.延遲時間和嵌入維數聯合優化的網絡流量預測[J].計算機工程與應用，2014，50（4）：103?109.

[4] 徐曉斌，張光衛，孫其博，等.一種誤差可控傳輸均衡的 WSN 數據融合算法[J].電子學報，2014，42（6）：1205?1209.

[5] WANG J， LI M， CHEN J， et al. A fast hierarchical clustering algorithm for functional modules discovery in protein interaction networks [J]. IEEE/ACM Transactions on Computational Biology and Bioinformatics， 2011， 8（3）： 607?620.

[6] NEPUSZ T， YU H， PACCANARO A. Detecting overlapping protein complexes in protein?protein interaction networks [J]. Nature Methods， 2012， 9（5）： 471?475.