基于區塊鏈分布優化的大數據融合QM模型研究

王國軍, 胡靜, 汪瑾

(國網寧夏電力有限公司， 寧夏 銀川 750001)

0 引言

大數據領域的關鍵問題是如何將大數據表示為一個統一的模型，以及如何有效地降低大數據的維數[1]。結構化大數據、非結構化大數據和半結構化大數據全都有代表其獨特特征的表示模型，卻沒有統一的模型能夠統一表示這三類數據[2]。大量的區塊鏈分布大數據分布在網絡空間中，形成規模龐大的網絡資源庫，使得現有算法難以有效地處理大數據，從而降低了計算結果的精度，相關的大數據融合模型方面的研究受到了人們對的廣泛關注。

李紅等[3]提出大數據時代數據融合質量評價模型，該模型可擴展至多個數據庫融合的狀況，實現數據融合質量的提升。Birrenkott等[4]提出一種基于光容積描記的穩健大數據融合模型，評估每個調制的呼吸質量，同時對各個RQI進行融合，以獲得每個時間窗調制的單個RQI，并對剩余調制進行加權，以提供每個時間窗的單個RR估計，以此建立大數據融合模型。Shen Wang等[5]提出了一種基于區塊鏈的優化模型和體系結構，并在此基礎上，提出了一種兩階段的調度算法，提高了分布式數據先進控制方法。

基于此，本文提出基于壓縮感知和模糊分區調度的區塊鏈分布大數據融合模型，通過仿真實驗驗證，得出有效性結論。

1 數據的分塊存儲結構模型及信息聚類

1.1 區塊鏈分布大數據的分塊存儲結構模型

為了實現基于區塊鏈分布優化的大數據融合QM模型設計，首先構建區塊鏈分布大數據的分塊存儲結構模型，根據區塊鏈分布大數據的屬性分布進行共享調度，得到區塊鏈分布大數據信息評價結構模型，采用分塊調度的方法進行區塊鏈分布大數據的分塊存儲結構設計，建立區塊鏈分布大數據分布式融合模型，提高區塊鏈分布大數據的檢測和特征分辨能力，根據上述分析，進行區塊鏈分布大數據的分塊存儲模型設計,如圖1所示。

圖1 區塊鏈分布大數據的分塊存儲結構模型

圖1中，區塊鏈的用戶接口采集到用戶數據集后,將其輸入到資源調度器中，根據資源的固定屬性特征匹配到各自的客戶端，如：服務器-客戶機(CS)和用戶網絡邊緣設備(CE)中，在這個過程中，講用戶數據設為副本集合，進行副本管理，然后根據設置好的計算機原件參數進行副本優化，形成存儲元件，完成分塊儲存。

在云計算環境下，進行區塊鏈分布大數據QM融合集構造，區塊鏈分布大數據的存儲模型表示為一個p維矢量，區塊鏈分布大數據的信息分布式遷移特征量，如式(1)。

PQ=(ek+vk)×Ut

(1)

式中，ek表示區塊鏈大數據的特征數量值，vk表示特征基數值，Ut表示區塊鏈大數據的信息基量；用云計算方法實現區塊鏈分布大數據的大數據庫重建，提取區塊鏈分布大數據的關聯規則特征集，采用有向圖模型構建區塊鏈分布大數據的量化評價節點分布結構，在區塊鏈分布大數據信息庫中進行模糊關聯特征提取和信息匹配[6]，構造區塊鏈分布大數據的線性組合模型表達式，如式(2)、式(3)。

(2)

(3)

式中，Cij表示更新支撐集，Xij表示所選索引特征參數集，由此得到區塊鏈分布大數據QM融合模型，根據存儲節點分布，進行區塊鏈分布大數據QM融合。

1.2 區塊鏈分布大數據的大數據挖掘

在構建區塊鏈分布大數據的異構存儲結構模型的基礎上，提取區塊鏈分布大數據的關聯規則特征量，采用云計算技術實現區塊鏈分布大數據分塊QM融合，構建區塊鏈分布大數據的自適應調度參數▽2F(x)，描述區塊鏈分布大數據QM融合的約束參量，如式(4)。

2JT(x)J(x)+2S(x)

(4)

式中，JT表示線性組合模型信息匹配值，J(x)表示融合約束數據特征量，S(x)表示區塊鏈分布大數據QM融合節點。結合最優時延均衡控制方法進行分塊區域調度，設區塊鏈分布大數據的特征映射為f(k)，在大數據分布區域，進行區塊鏈分布大數據的分布式檢測和信息聚類[7]，到區塊鏈分布大數據QM融合的計算公式，如式(5)。

Ui,j(t)=exp[B[zi(t)-zj(t)]2]

(5)

式中，zi(t)和zj(t)分別表示區塊鏈分布大數據共享的模糊決策增量值和決策減量值。采用相關性的統計分析方法，得到區塊鏈分布大數據共享度，如式(6)。

(6)

式中，pi,j(t)表示區塊鏈分布大數據共享的模糊相關性特征分布集，用4元組(Ei,Ej,d,t)來表示區塊鏈分布大數據共享調度的主特征量，根據上述分析，建立區塊鏈分布大數據信息融合及QM融合的關聯函數,如式(7)。

(7)

式中，P(d|t,ci)為ci類區塊鏈分布大數據共享調度的分布概率，在語義本體模型中執行區塊鏈分布大數據的樣本統計，得到區塊鏈分布大數據信息采樣的n個統計變量，實現數據挖掘[8]。

2 大數據融合QM模型優化

2.1 分布大數據的統計特征量提取

在上述進行區塊鏈分布大數據的異構存儲結構模型設計的基礎上，進行大數據融合QM模型優化設計，基于壓縮感知和模糊分區調度的區塊鏈分布大數據融合模型，分析各數據模塊的參數特征，反復進特征融合，以此對混合型的區塊鏈分布大數據進行關聯特征分布式檢測[9]。

定義1: 在模糊聚類中心提取區塊鏈分布大數據的粗糙集特征量，結合模糊關聯特征檢測方法進行區塊鏈分布大數據的信息重組，區塊鏈分布大數據的融合系數滿足標準正態分布X～Sα(σ,β,μ)，0<α<2，則區塊鏈分布大數據的融合問題為一個共線性問題，如式(8)。

cx+b～Sα(|c|σ,sgn(c),cμ+b)

(8)

定義2：在時頻域內，區塊鏈分布大數據線性測量特征值滿足X～Sα(σ,β,μ)，1<α<2，則區塊鏈分布大數據的QM信息融合度，如式(9)。

E(x)=μ

(9)

定義3：如果區塊鏈分布大數據分布滿足凸組合模型X～Sα(1,β,0)，1<α<2，即區塊鏈分布大數據索引對應的列矩陣X正偏，區塊鏈分布檢測的誤差，如式(10)。

(10)

根據上述定義，得到區塊鏈分布大數據索引的關聯特征分布式檢測結果表示如下。

m1(d1)=0.177 0,m1(d2)=0.166 5,m1(d3)=0.259 7,m1(Θ)=0.396 8

m2(d1)=0.239 3,m2(d2)=0.221 4,m2(d3)=0.328 6,m2(Θ)=0.210 7

在校驗塊Dn中，進行區塊鏈分布大數據的特征分塊匹配，從而實現區塊鏈分布大數據的信息融合聚類處理，提高區塊鏈分布大數據的查全率。采用回歸檢驗和演化博弈方法進行區塊鏈分布大數據融合過程中的定量遞歸分析，結合遞歸分析結果，進行數據融合的QM模型設計。

2.2 大數據融合QM模型優化

提取區塊鏈分布大數據的統計特征量，采用回歸檢驗和演化博弈方法進行區塊鏈分布大數據融合過程中的定量遞歸分析[10]，構建區塊鏈分布大數據檢索模型，得到數據的融合尺度,如式(11)。

(11)

計算數據的新近似值和新殘差，得到統計特征量J(Wi)可以用如下形式簡化,如式(12)。

(12)

式中，H2表示統計特征量數據融合高度，Wi表示統計特征量數據融合元素。將壓縮感知重構算法用于在數據融合中，采用最速下降法和梯度投影方法進行區塊鏈分布大數據融合處理，得到區塊鏈分布大數據的特征檢測模型描述，如式(13)、式(14)。

R1(k)=R2(k)exp(-jω0Tp/2),k=0,1,…,(N-3)/2

(13)

R2(k)=Akexp(jφk),k=0,1,…,(N-3)/2

(14)

沿著目標函數值下降方向，建立區塊鏈分布大數據檢測模型，如式(15)。

JI(nTB)=Acos(n×2πΔfTB)-Bsin(n×2πΔfTB)=

Ccos(n×2πΔfTB-θ)

(15)

采用回歸檢驗和演化博弈方法進行區塊鏈分布大數據融合過程中的定量遞歸分析，提取區塊鏈分布大數據的關聯規則特征量，得到區塊鏈分布大數據檢測輸出，如式(16)。

(16)

根據關聯規則挖掘結果，實現區塊鏈分布大數據的分塊QM融合，根據上述分析，得到區塊鏈分布大數據融合模型，如圖2所示。

圖2 區塊鏈分布大數據融合模型

3 仿真測試分析

為了驗證本文方法在實現區塊鏈分布大數據融合中應用性能，進行仿真實驗分析。假設區塊鏈分布大數據的稀疏度為0.74，分塊融合的維數為12，對區塊鏈分布大數據采樣的長度為1 200，特征訓練集為100，根據上述仿真參數設定，進行區塊鏈分布大數據融合，得到原始的區塊鏈分布大數據和區塊鏈分布數據融合結果，如圖3、圖4所示。

由圖3和圖4可知，本文方法得到的原始區塊鏈分布處理結果數據以60%為固定值，數據在上下波動，大數據處理結果數值穩定。采樣點可在監測區塊鏈內采集數據的準確位置，該區塊鏈分布數據融合結果幅值最高為0.5，滿足區塊鏈分布大數據的自適應調度。

測試不同方法進行區塊鏈分布大數據融合的性能，測試數據的召回率Q，如式(17)。

(17)

式中，α(a)表示在數據融合中為a的召回量；β(a)表示a在測試結果最終選擇的大數據融合的總召回量，A表示區塊鏈分布大數據融合量。利用上述公式計算，得到召回性能對比結果，如表1所示。

表1 區塊鏈分布大數據融合的召回性能對比

由表1可知，利用本文方法對比文獻[3]方法、文獻[4]方法進行區塊鏈分布大數據融合的召回性能測試時，本文的召回率較高，在最終進行300次測試后，本文方法的召回率高達0.999。

以表1區域鏈分布大數據融合召回數值作為研究對象，進行區塊鏈分布大數據融合。當在同樣的數據規模下進行執行時間的測試，可得出不同的執行速度即得到區域鏈分布優化效率；而在不同的數據規模下，對比執行時間分布點高低情況即可得出區塊鏈分布效率，因此將橫坐標設為0-600個的數據規模，如圖5所示。

圖5 不同方法下區塊鏈分布優化效率分析

由圖5可知，在相同的數據規模情況下，本文方法進行的區塊鏈分布優化執行時間短，文獻[3]和文獻[4]方法耗時較長，這是由于在相同情況下，本文方法進行效率分析時，提取分布大數據的統計特征量，基于壓縮感知和模糊分區調度的區塊鏈分布大數據融合，對混合型的區塊鏈分布大數據進行關聯特征分布式檢測。說明采用本文方法進行區塊鏈分布大數據融合的特征分辨能力較好。而在不同數據規模時，本文方法的所有執行時間分布點都低于其他兩種方法，例如當本文方法在200個數據規模的情況下，執行時間不超過20 s，而其他方法在起始處理時間就大于20 s。

4 總結

構建區塊鏈分布大數據融合模型，結合特征挖掘和分布式調度的方法，進行區塊鏈分布大數據采樣和信息融合設計，提高區塊鏈分布大數據的定量遞歸分析能力。本文提出基于壓縮感知和模糊分區調度的區塊鏈分布大數據融合模型，提取區塊鏈分布大數據的統計特征量，進行區塊鏈分布大數據融合過程中的定量遞歸分析。在語義本體模型中執行區塊鏈分布大數據的樣本統計，對混合型的區塊鏈分布大數據進行關聯特征分布式檢測，采用差異化的特征分布式檢索方法進行區塊鏈分布大數據信息聚類，實現區塊鏈分布大數據融合的QM模型優化設計，分析實驗結果可知，本文方法進行區塊鏈分布大數據融合數據處理結果數值穩定，效果佳，同時召回率較高，特征分辨性能較好。