網絡運維數據分析中的數據挖掘應用初探

王 燁

（萊蕪市光明電力服務有限公司，萊蕪 271100）

現階段，互聯網技術的應用越來越廣泛，網絡運行速度較之前相比也有了很大的提高，社會的不但發展對數據分析提出了更高的要求，在此背景下，數據挖掘技術應運而生，它可以在大量的數據中找到有價值的數據信息，從而完成對網絡數據的智能化控制和解讀，在大數據背景下的網絡管理和分析當中非常適用。

1 概述

1.1 網絡運維

網絡運維，就其本質方面來講就是從根本上確保企業穩定和安全的管理活動的一種，本身是有多種網絡維護組合而成的綜合性的維護體系。

1.2 數據挖掘概念

所謂的數據挖掘及時，從本質上來講，其實就是在海量的數據當中，進行相關規律和有用信息的找尋。在數據挖掘及時當中包含了多種計算方式，比如數據庫、統計學等。數據挖掘的基本思想就是：來自于統計學領域的抽樣檢測和假設估計，以及人工智能當中的可視化信息檢索、建模技術、進化計算以及搜索算法等，在對大量信息進行處理的過程當中，這些方面具有十分重要的意義。

1.3 數據挖掘對網絡運維數據分析的意義

之前在處理網絡故障的時候其針對性不強，同時維護效率也不高，與當下網絡的具體需求相違背。在具體維護網絡的過程當中有效利用數據挖掘及時，在有效確保預測能力不斷提高的同時，對其管理工作也有著一定的輔助意義，充分保護了網絡信息資源，有效確保了網絡服務質量的提升。

2 網絡運維數據分析中的數據挖掘應用

在分析網絡運維數據的過程當中，因為數據類型較多，所以我們在具體進行選擇的過程當中必須要嚴格按照相關數據的類型來進行，在分析和挖掘數據的過程中積極采用多種方法來進行。要想從根本上確保數據挖掘的準確性和可靠性，必須要不斷優化和完善現有的挖掘技術算法，另外，為了對不同的數據類型進行適應，甚至還會創造出更多的算法。

2.1 決策樹算法

在機器學習當中決策樹也是數據模型的一種，其實就是在對部門決策的附加概率記過進行表示的時候采用樹形結構，能夠將統計概率直觀的表現出來。而所要進行計算的具體對象則可以利用決策樹當中的節點來進行表示，對象則可以通過分叉來進行表示；而由根節點到葉節點當中對象路徑的值則可以由每個節點來進行表示。一般來講決策樹的節點主要有三個，也就是總結點、決策點以及機會點。而由三個步驟來完成決策樹的生成。其一，特征選擇。在分裂當前階段的時候其標準可以使眾多數據當中的其中一個特征。就其本質上來講，評估這些特征的方式是不一樣的，進而在計算決策樹的時候也會有所不同。其二，生成。結合特征評估標準由上往下生成了子節點一直到停止。其三，剪枝，在生成之后，決策樹通常會出現較為繁雜的情況，這個時候就必須要采用響應的技術措施將多余的環節去掉，將其規模進行不斷縮小。總的來講，決策樹最為主要的意義就是其預判性，結合相關模型預判可能發展的趨勢，運營商及其有關單位能夠結合預判結果對相應的風險做到有效預防。總的來講，決策樹算法的優點主要有以下幾點：在對離散型數據進行計算的時候較為適用，也就是數值型數據，進而可以提出一些蘊含的算法和規則。決策樹在計算的時候相對較為簡單且具有較高的使用頻率，能夠有效結合算法特征構造出一些理解起來相對較為容易的規則。然而決策樹算法在對缺失數據進行處理的時候具有較大的難度，對此必須要給予足夠的重視。

2.2 聚類法

所謂的聚類法，其實就是將獲取的所有對象根據其特性的不同對其進行分類，從而有效提高了數據分析的便利性。在對聚類法進行運用之前，數據信息本身就具有不確定性，它是進行數據挖掘工作的關鍵所在，從根本上保證了數據分析和挖掘結構的準確性。在數據挖局當中聚類法所具有的意義相關人員必須要給予充分的重視，保證數據分類的準確性，防止對后續工作造成影響。

2.3 人工神經網絡法

在人工智能當中，人工神經網絡是其研究內容之一，它通過分析和模擬人腦的神經系統，進而形成了和人腦結構差不多的計算機網絡體系。一般情況下在決策樹法之后進行該方法的應用，其只可以分析比較已存在的實例，現階段，人們對于該方法的應用主要是在對預測、時間序列等問題進行解決的時候。再者，在非管理模式當中，在描述類問題方面其敏感程度較高，然而由于及時和技術等方面的原因，人工神經網絡法的實用性不強，在此背景下，相關研究人員必須加強這方面的研發和利用，更好的服務于現代商業。

3 結束語

在網絡運維數據分析當中采用數據挖掘及時能夠有效提高其效率和準確性，確保決策的合理性和科學性。再者，網絡運維數據分析和數據挖掘及時之間的契合度較高。所以，在網絡運維數據分析當中充分應用數據挖掘技術，具有高效、便捷等優勢。在信息技術和計算機技術不斷進步的背景下，在網絡運維數據分析當中對于數據挖掘技術的應用較為越來越成熟，從根本上確保網絡運行的安全性和穩定性。