移動網絡用戶行為挖掘模型及在E?Learning系統中的應用

王玲

摘 要： 通過對移動用戶的行為挖掘模型構建，并應用在E?Learning網絡學習移動中，實現E?Learning系統的優化設計。提出一種基于頻繁項集關聯規則分析的移動網絡用戶行為挖掘模型，結合嵌入式Linux進行E?Learning系統的開發設計。進行E?Learning系統的總體設計描述，開啟SQL驅動支持來編譯基于ARM平臺的QWT庫，構建TinyOS的通信機制，實現無線消息包組的傳輸。軟件開發主要包括移動網絡用戶節點程序設計、節點程序開發、上位機通信。在嵌入式Linux系統下的程序引導和軟件的移植實現了對移動網絡用戶行為模型挖掘和E?Learning系統的軟件開發設計。實驗結果表明，該移動網絡用戶行為挖掘模型具有較好的數據挖掘性能，系統優化設計提高了E?Learning系統對移動網絡用戶的服務質量，展示了較好的應用價值。

關鍵詞： 移動網絡用戶； 行為挖掘； E?Learning系統； 優化設計

中圖分類號： TN926?34； TP393 文獻標識碼： A 文章編號： 1004?373X（2016）24?0083?05

Mobile network user behavior mining model and its application in E?Learning system

WANG Ling

（School of Continuing Education， Guizhou University of Finance and Economics， Guiyang 550003， China）

Abstract： The optimization design of the E?Learning system was realized by the mobile user′s behavior mining model construction and application in the E?Learning network learning movement. A mobile network user′s behavior mining model based on association rules of frequent item sets is proposed. The development and design of E?Learning system is conducted based on embedded Linux. The overall design of the E?Learning system is described. The QWT library based on ARM platform is compiled by opening SQL driver support. The TinyOS communication mechanism is constructed to realize the wireless message transmission packet group. The software development mainly includes the mobile network user node program design， node program development and PC communication. The mobile network user behavior model mining and E?Learning system software development and design were implemented by means of the program guide and software porting in the embedded Linux system. The experimental results show that the mobile network user behavior mining model has good data mining performance， and system optimization design improves the service quality of E?Learning system for mobile network users. It has the good application value.

Keywords： mobile network user； behavior mining； E?Learning system； optimization design

0 引 言

移動網絡用戶在網絡空間中進行業務處理、數據收發和信息交換，產生各種與網絡用戶相關的業務流交互行為，移動網絡用戶的行為通過承載用戶業務和數據信息流數據特征流來體現，移動網絡用戶的行為特征信息流是一組時間序列，表現為具有某些特征量的統計特征和用戶關聯信息特征，通過對移動網絡用戶行為的特征提取和模式挖掘，可以定量控制和分析移動網絡的用戶行為，對移動網絡用戶行為的時間序列進行分段聚類挖掘處理，考慮利用不同業務流的相鄰分組和大數據信息特征，最大程度地實現存儲空間的均勻遍歷，提高移動網絡用戶的監控能力。Electronic Learning （E?Learning）是一種全新的網絡學習方法，隨著移動網絡用戶行為挖掘模型的有效構建，并應用在E?Learning的學習系統設計中，實現對資源庫的綜合集成，提高應用信息科技和互聯網技術進行內容傳播的能力。因此，移動網絡用戶行為的挖掘模型在E?Learning系統的構建具有重要的應用價值[1]。

E?Learning系統是建立在移動網絡用戶行為模型挖掘的基礎上，通過對承載用戶業務的數據流進行信息模型構建和特征分析，實現在某個時間點或時間段內的流量分析和查詢，以此為輸入嵌入到E?Learning系統中實現移動網絡用戶行為模型分析和構建。傳統方法中，對移動網絡用戶行為模型的挖掘方法主要有基于ARM硬件平臺開發的E?Learning系統下移動網絡用戶行為模型的挖掘、基于經驗模態分解的移動網絡用戶行為模型的挖掘方法、基于報文長度和時間間隔分段接收的移動網絡用戶行為模型挖掘方法等[2?4]，并取得了一定的研究成果。

1 移動網絡用戶行為挖掘模型及E?Learning系

系統總體設計

1.1 移動網絡用戶行為挖掘模型設計

通過研究移動網絡用戶行為挖掘模型，應用在E?Learning系統的構建中[5?7]，提高學習效率，首先構建移動網絡用戶行為挖掘模型，假設不同的用戶行為節點之間在通信狀態會產生MAC層與業務流關聯的時間序列[P=（p1，p2，…，pn）]，不同類型的業務流通過時間序列進行聚類調度分析，根據主機Agent與分析中心的協議規定，在主機Agent發送的各種監測數據是構建一段業務流進行移動網絡用戶行為監測，通過旁路方式捕獲計算機中主要負責數據收發的報文長度和時間間隔等用戶行為特征，進行移動網絡用戶行為特征挖掘，在移動網絡用戶行為挖掘過程中，用戶終端節點通過通信模塊收到服務請求后，監控模塊負責提供服務器端的底層的通信機制，移動網絡用戶行為挖掘模型的總體流程如圖1所示。

由圖1可見，移動網絡用戶行為挖掘通過信息檢索模塊負責提供服務器端用戶行為的規律特征，主服務器節點收到移動網絡用戶報文序列[P=（p1，p2，…，pn）]后，選取的報文子序列請求調度到存儲該文件的服務器服務隊列，文件信息資源接收時間戳后將根據報文長度加入服務器服務隊列對移動網絡用戶的行為進行時序關聯矩特征提取，每一行的各屬性由網絡行為決定，業務流段[Qi]和[Qi+1]之間存在兩個屬性值時，每一個行為屬性樣本[Xi]至各類屬性的狀態特征[Zj]的流量特征。

設移動網絡用戶的主機節點與特定外部對象持續指標[]為基本觀測窗口，為了準確觀察主機通信行為，計算用戶時間信息，采用關聯規則分析方法挖掘主機運行工作時間[W=te-ts]，[W]為移動網絡用戶的主機節點觀測的最大長度，系統通過頻繁項集設定觀測間隔[Δw]，將時間窗口[W]劃分為[n+1]個基本觀測窗口， 由此挖掘出移動網絡用戶的行為空間軸上的關聯特征信息：[{w0，w1，w2，…，wn}，n=WΔw]。假設[S={s1，s2，…，sm}]為移動網絡用戶相對獨立的子序列[D]在[]期間的截獲時間記錄，給定信息系統[S=（U，C?D，V，f）]，其中[]為參數的單項數據項[si]的開始、結束時間。通過[S]中貝葉斯粗糙集項信息[si]特征提取，計算移動網絡用戶行為的非空有限論域：

[wi′=tsi′-tsΔw， wi″=tei′-tsΔw]

引入粗糙集向量數據合并技術，進行移動網絡用戶行為的[P]分段分割處理，使得每一個[Qj]都是一個相對獨立關聯時間信息，則特定類型的用戶行為業務流在時間軸上的展寬為[W=te-ts]，[W]為本次主機行為觀測的最大長度，系統通過基本觀測間隔[Δw]將[W]劃分為[n+1]個基本觀測窗口：[{w0，w1，w2，…，wn}，n=WΔw]，見圖2。

假定[xm+1]為移動網絡用戶行為決策屬性的預測誤差，計算公式為[xm+1=x1]，在有限個mass函數中擴充論域[U′]。通過上述算法設計，實現了移動網絡用戶行為挖掘，通過行為挖掘，把移動網絡用戶的時序關系的支持度特征分為[h]個連續的段[Q1，Q2，…，Qh]：

[Q1=（p1，p2，…，pc1），Q2=（pc1+1，pc1+2，…，pc2）， ?Qh=（pch-1+1，pch-1+2，…，pch）， ch=n]

并嵌入E?Learning系統中，提高E?Learning系統的可靠性和學習自適應性。

1.2 基于移動網絡用戶行為挖掘模型的E?Learning系統總體設計

在上述進行了移動網絡用戶行為挖掘的基礎上，進行E?Learning系統設計，E?Learning系統設計主要是進行軟件開發設計。采用模塊化編程設計方法，將移動網絡用戶行為挖掘模型加載到Linux內核中， 利用虛擬文件系統VFS將驅動程序嵌入內核，實現流程主要有模塊的注冊，自動配置、初始化設備參數，中斷服務程序和模塊注銷四個步驟。設備驅動程序開發過程中在dev目錄下建立目錄filesystem，在該目錄下將linuxrc文件拷貝到filesystem/etc目錄下保存基本的用戶命令工具。

E?Learning系統的ARM硬件平臺采用CCS （Code Composer Studio）設計，CCS是TI公司推出的集成開發平臺，采用“自下而上”的設計方法，在用戶主目錄C5409 Device Simulator仿真環境下將系統管理程序分析向量的地址加載到PC，在E?Learning系統中，網絡設備通過嵌入式Linux的系統開發進行報文接收和信息調理，通過對移動網絡用戶行為的模式挖掘，結合密集通信采樣，識別用戶行為特征，輸入輸出系統給用戶提供一個簡單、統一的系統調用接口，實現用戶的在線學習，通過上述分析，E?Learning系統設計包括了程序驅動模塊、自動配置模塊、中斷模塊、時鐘模塊、I/O端口模塊等，得到本文設計的基于移動網絡用戶行為模型挖掘的E?Learning系統的總體設計結構圖如圖3所示。

根據上述設計結構框圖，進行E?Learning系統的軟件開發設計，在嵌入式開發環境下，在E?Learning系統中實現移動網絡用戶行為挖掘。

2 系統開發設計與實現

2.1 基于移動網絡用戶行為挖掘的E?Learning系統應用程序開發

在上述進行了移動網絡用戶行為挖掘模型設計的基礎上，進行E?Learning系統應用程序開發，采用交叉編譯以及使用標準GCC編譯的方式構建基于移動網絡用戶行為挖掘的E?Learning系統應用程序開發環境，編譯鏈接生成腳本名為install?qt?x11.sh的open source，在宿主機上進行編譯、仿真。開啟SQL驅動支持來編譯基于ARM平臺的QWT庫。運行make命令，開始編譯，移動網絡用戶行為挖掘的E?Learning系統應用程序將QWS的LIB庫放入rootfs的/lib下，文件編輯過程如圖4所示。

基于移動網絡用戶行為挖掘的E?Learning系統應用程序開發過程中，在軟件系統中使用的FFT函數，作為觸摸屏驅動進行人機通信，使用JTAG 板（一般借助H?JTAG 軟件） 把Linux 內核文件zImage直接燒寫入NOR FLASH。在虛擬文件系統中負責管理和存儲文件信息，從而引導加載程序（Boot loader），內核通過一個加載模塊來動態地加載或移除模塊（module），得到程序加載的接口代碼如下：

interface Scheduler {

The state of runNextTask running the taskvoid init（）；

command NesC keyword statement component task （bool sleep）； //調用runNextTask（TRUE）

command void taskLoop（）； //使用TaskBasic接口

}

在對移動網絡用戶行為挖掘中，運行的任務通過TaskBasic的接口聲明runNextTask（）的狀態。當E?Learning系統的一個組件使用post關鍵詞投遞一個移動網絡用戶行為特征時，它調用的是postTask命令。每一個TaskBasic（基本任務）必接收通知上層的射頻字節的ID作為參數連線到調度程序。并發信號通知高層次的主動消息組件（Active Message），調用unique函數獲得下一個任務的ID。自動地對聲明的任務進行連線，程序組件SchedulerBasicP用task或者post關鍵詞聲明射頻字節組件內部的任務，nesC編譯器會自動完成連線工作。通過構建TinyOS的通信機制，實現無線消息包組的傳輸，得到TinyOS的通信機制模塊如圖5所示。

在本文系統中，TinyOS是用匯編和C語言編寫的，整個程序由多個組件（component）連接（wired）構成，可通過對同一接口不同的句柄事件進行分別處理，asyc申明的命令或事件申明語法如下：

interface name {

commandSimple interface and parameterized interface （void）；

event result_t Logic function module （void）；

}

通過上述分析，完成了基于移動網絡用戶行為挖掘的E?Learning系統應用程序開發。

2.2 E?Learning系統的軟件平臺設計優化實現

在上述完成對E?Learning系統的移動網絡用為行為模式加載和嵌入式設計的基礎上，進行E?Learning系統的軟件平臺開發優化。軟件開發主要包括移動網絡用戶節點程序設計、節點程序開發、上位機通信等。E?Learning系統的節點程序主要支出TCP/IP協議棧，文件MinePressureCollectionC.nc里面完成在嵌入式Linux系統下的程序引導和軟件的移植，充分利用開源Linux操作系統的交叉編譯功能，在程序使用如下接口：

interface Embedded target systemr as Check；

//交叉編譯計數器設定

interface Read； //通過串口作為控制臺

interface Virtual machine installation；

//編譯出ARM上運行的代碼

interfacearm920t?eabi.tgz； //Indication

interface Boot；

interface DisseminationValue as SettingsValue；

interface export PATH=$PATH；

interface Init as SensorInit；

interface configuration file as SensorControl；

interface Overallcontrol compilation as Collection Control；

interface Linux kernel image as DisseminationControl；

//目錄下生成Linux內核映像文件

interface SplitControl as RadioControl；

interface LoUNIX class operating system； //UNIX類操作系統

interface Mount； //Persistent storage

interface ConfigStorage；

在上述接口程序配置的基礎上，執行“Make menuconfig”后，在主菜單里選擇退出，并選“Yes”保存，編譯結束后，會在arch/arm/boot目錄下進行添加、修改等操作。

采用的交叉編譯以及使用標準GCC編譯方式構建開發編譯環境，轉到腳本存放的目錄，輸入命令source install?qt?x11.sh，在E?Learning系統中，編譯phonon 模塊+ ?phonon?prefix

3 系統性能測試仿真實驗

為了測試本文模型在實現移動網絡用戶行為挖掘和E?Learning學習中的性能，進行系統性能測試，實驗中，采用Matlab數學編程工具進行移動網絡用戶行為挖掘模型的算法設計[8?10]，在程序設計的基礎上，采用s3c2440_adc_open（）函數進行移動網絡用戶行為挖掘的程序加載，I2C總線采用硬件設置器件地址實現同步通信尋址，編譯包括26個基本命令和8個專用命令進行總線寬度和數據傳輸開始位的設定，設置SDICON寄存器，運行Qt/Embedded實現移動網絡用戶行為挖掘，移動網絡用戶行為表現為一組承載用戶業務的數據流，得到挖掘到的移動網絡用戶行為數據流時間序列如圖6所示。

以上述挖掘到的移動網絡用戶行為的研究為對象，加載到本文設計的E?Learning系統中，進行E?Learning系統的學習服務質量對比分析，得到仿真結果如圖7所示。由圖7可見，采用本文方法進行E?Learning系統設計，通過對移動網絡用戶行為有效挖掘，提高了E?Learning系統對移動網絡用戶的服務質量，展示了較好的應用性能。

4 結 語

E?Learning系統是建立在移動網絡用戶行為模型挖掘的基礎上，通過對承載用戶業務的數據流進行信息模型構建和特征分析，實現在某個時間點或時間段內的流量分析和查詢，以此為輸入嵌入到E?Learning系統中實現移動網絡用戶行為模型分析和構建。本文提出一種基于頻繁項集關聯規則分析的移動網絡用戶行為挖掘模型，在嵌入式Linux系統下進行系統設計和軟件開發。實驗分析表明，該移動網絡用戶行為挖掘模型和E?Learning系統具有較好的行為挖掘準確性，提高了E?Learning系統對移動網絡用戶的服務質量，展示了較好的應用價值。

參考文獻

[1] 崔永君，張永花.基于特征尺度均衡的Linux系統雙閾值任務調度算法[J].計算機科學，2015，42（6）：181?184.

[2] MAHMOUD E E. Complex complete synchronization of two nonidentical hyperchaotic complex nonlinear systems [J]. Mathematical methods in the applied sciences， 2014， 37（3）： 321?328.

[3] PALOMARES I， MARTINEZ L， HERRERA F. A consensus model to detect and manage non?cooperative behaviors in large scale group decision making [J]. IEEE transactions on fuzzy system， 2014， 22（3）： 516?530.

[4] ELDEMERDASH Y A， DOBRE O A， LIAO B J. Blind identification of SM and Alamouti STBC?OFDM signals [J]. IEEE transactions on wireless communications， 2015， 14（2）： 972?982.

[5] KARAMI E， DOBRE O A. Identification of SM?OFDM and AL?OFDM signals based on their second?order cyclostationarity [J]. IEEE transactions on vehicular technology， 2015， 64（3）： 942?953.

[6] MOHAMMADKARIMI M， DOBRE O A. Blind identification of spatial multiplexing and Alamouti space?time block code via Kolmogorov?Smirnov（K?S） test [J]. IEEE communications letters， 2014， 18（10）： 1711?1714.

[7] ELDEMERDASH Y A， DOBRE O A， MAREY M， et al. An efficient algorithm for space?time block code classification [C]// Proceedings of IEEE Global Communications Conference. Atlanta， USA： IEEE， 2013： 3329?3334.

[8] 郭帥，馬書根，李斌，等.VorSLAM算法中基于多規則的數據關聯方法[J].自動化學報，2011，39（6）：883?894.

[9] 楊明，盧青，蘇標.基于環境承載力的連續型交通網絡設計雙層規劃模型與算法[J].長沙理工大學學報（自然科學版），2015（1）：23?28.

[10] 王茜，陳輝元，王士元.城市交通管控系統在應急處置體系中的研究與應用[J].中國電子商務，2014（16）：306.