多節點網絡時序數據聚類挖掘方法

賀萌

（常州信息職業技術學院 江蘇省常州市 213164）

當前互聯網已經逐漸滲透到了人們的日常生活和工作當中，在醫療、社交、購物等各個領域當中均有涉及，同時也進一步提高了對大規模時間序列數據的獲取難度。隨著網絡當中時序數據的不斷產生，通過對其進行合理的數據挖掘能夠找出用戶所感興趣的知識、模式以及規律等重要信息，進一步為人們的生活提供便利條件。但由于時序數據與以往傳統統計數據相比，仍然存在著較大的不同，使得當前大部分針對經典數據類型的挖掘算法和方式無法直接應用到網絡中時序數據的挖掘中，尤其是對于多節點網絡而言，其特殊的網絡環境更是進一步增加了時序數據挖掘的難度[1]。針對時序數據的聚類分析是時序數據挖掘當中的一項重要內容，可將聚類看作是一種對時序數據分類和處理的手段。在多節點網絡環境當中，時序數據普遍存在自相關性大、相似度高的特點，因此挖掘難度相對更大。針對這一問題，相關領域的研究人員進行了不斷深入研究，并提出了多種針對這類型數據的挖掘方法，但目前在各個挖掘方法實際應用中均存在對數據的相似性度量自適應性差的問題[2]。基于此，本文開展了多節點網絡時序數據聚類挖掘方法研究。

1 多節點網絡時序數據聚類挖掘方法設計

1.1 構建時序數據存儲結構模型

由于時序數據存在多種特有的屬性，因此造成現有經典聚類算法無法直接在該數據當中應用的問題。針對這一問題，需要根據其特點為其重新構建相應的存儲結構模型[3]。在對多節點網絡環境當中的時序數據進行聚類挖掘時，首先應當對其存儲結構的模型進行構建，通過模型對時序數據的模糊隸屬度進行表達，以此方便后續各項操作的順利開展。采用空間結構優化重組的方式完成模型構建，假設多節點網絡當中存在的時序數據分布標量時間序列為x，則x的集合為：x=x1，x2，…，xn。在進行挖掘的過程中首先需要給定一個時序數據的統計屬性和分類屬性，以此獲取到相應模糊關聯規則分布序列。在聚類中心當中，通過稀疏矩陣的方式可實現對數據存儲結構的表達，因此，將該稀疏矩陣作為數據的存儲結構模型。由于在多節點網絡環境當中，存在大量分布相對散亂的稀疏節點，因此為了模型構建的完整性，將各個稀疏節點引入到上述矩陣當中，得到如公式（1）所示的時序數據存儲結構模型

公式（1）中，n表示為多節點網絡節點；P表示為分布相對散亂的稀疏節點測能值；xn表示為多節點網絡節點能量開銷。完成上述對結構模型的構建后，再結合混合屬性聚類方法將規模已知的數據集劃分為多個聚類簇。同時，在實際操作過程中，為了能夠捕獲時序數據的特殊性質，在構建完數據存儲結構模型后，采用循環神經網絡的方式，根據時間發生的先后順序，對該模型進行訓練[4]。由于時序數據屬于二維數據，因此為了保證訓練的效率，選擇利用長短記憶網絡的方式對其進行降維表達，并結合序列學習方法，利用當前時刻下的數據對下一時刻數據進行預測的方式，完成對整個模型的訓練，并得到相應的分布式重構訓練結果，為后續相似度度量提供依據。

1.2 時序數據聚類挖掘分塊相似性度量

為了確保后續在對時序數據進行多分辨融合聚類時，能夠將相同聚類簇當中的時序數據全部歸類，聚類前還需要對挖掘到的數據分塊進行相似性度量[5]。針對多節點網絡的運行特點，采用空間網格聚類的方式完成，并針對聚類得到的結果進行結構重組，重組后的輸出結果可用如下公式表示：

公式（2）中，q表示為分塊相似性度量結果；f表示為聚類挖掘分塊相似性門限概率；k表示為相似隸屬度。在按照公式（2）計算時，根據參數的協商策略，針對時序數據進行聚類處理。在虛擬數據庫當中，針對各個時序數據的二元結構調整進行重組。在重組的過程中，綜合時序數據的特點，采用二維結構的方式組合，并得到量化特征分布結果，實現對時序數據聚類挖掘分塊相似性的量化。

1.3 基于多節點網絡的多分辨融合聚類

在完成上述操作后，利用協同濾波方法對多節點網絡環境當中的時序數據集進行提純處理，將其中含有的干擾成分過濾，假設在該環境當中通過統計時序數據的到期時間窗口的函數如公式（3）所示：

公式（3）中，d表示為融合聚類中存在的干擾噪聲；m表示模糊化程度的指數權重。通過上述公式可以看出，當d的取值為0時，則此時時間窗口函數的取值最小，此時通過協同濾波的方式能夠實現對時序數據相似性特征和模糊度特征的提取。再利用干擾成分過濾的方式，將完成聚類挖掘后數據集合當中無關信息進行剔除，并針對多個聚類中心點之間的數據進行特征提取，結合能量剩余和簇首位檢測的方式實現對時序數據的協同濾波。針對完成過濾后的數據，將其節點劃分到各個聚類簇當中，實現模糊聚類，同時此時通過聚類輸出的結果即為多分辨融合聚類結果。

2 應用實驗效果分析

結合上述論述內容，從理論方面對挖掘方法進行了設計研究，為了進一步驗證該方法在實際多節點網絡環境當中的應用效果，選擇將該方法代入到某多節點網絡環境當中。在該多節點網絡當中引入Visual Studio統計軟件，并對實驗開始時該網絡環境當中的時序數據進行采樣，設置數據采樣長度為1100，按照本文上述挖掘思路，對數據進行聚類，并將其迭代次數設置為250次，將鄰居數據集設置為220，將數據的聚類中心設置為（2.5,4.8）。已知在該多節點網絡環境當中，用戶與用戶之間的相似性系數高達0.91，考慮到不同網絡用戶之間的共同評分，對其進行相似性度量，并將實驗過程中時間采樣的長度設定為20s，將節點數設置為150。結合上述各項參量的設定條件，對該多節點網絡環境當中的時序數據進行挖掘，并得到如圖1所示的原始時序數據分布圖。

圖1：原始時序數據分布圖

圖1中數據A～D表示為四種不同類型的原始時序數據，X表示為數據橫軸分布坐標，Y表示為數據縱軸分布坐標。從圖1可以看出，四種數據類型的分布主要集中在數據A：（0,0）、數據B：（1,1）、數據C：（2,2）和數據D（3,3），四個節點上，但同時各個數據在其相鄰的位置上也存在少量的分布，分界區域不明顯，并且兩個相鄰數據的分解上均存在兩種或三種不同的數據類型。針對上述四種數據類型的分布，利用現有數據聚類挖掘方法無法實現，因此利用本文提出的挖掘方法對其進行聚類。在按照本文上述設計思路完成對該實驗數據的挖掘后，針對最終得出的挖掘結果進行數據關聯匹配度計算，其公式為：

公式（4）中，δ表示為聚類挖掘數據結果的關聯匹配度；W表示為所有參與被正確聚類分配的時序數據總和；n表示為原始時序數據類型；x表示為多節點網絡當中的總節點數。根據上述公式（4）計算得出四種不同原始時序數據在本文聚類挖掘方法處理后的數據關聯匹配度，并將結果記錄如表1所示。

表1：聚類挖掘后時序數據關聯匹配度

表1中除數據C類型在樣本為50Gbit時出現了時序數據關聯匹配度小于0.9的情況產生，其余幾種條件下，聚類挖掘后時序數據關聯匹配度均達到了9以上。同時，針對關聯匹配度小于0.9的情況進行分析得出，其主要是由于在挖掘過程中受到數據本身存在殘缺問題的影響，與本文挖掘方法本身性能無關。同時在實驗過程中，通過本文提出的聚類挖掘方法引入了循環神經網絡結構，在實現提高時序數據信息價值的同時，降低了數據維度，保證了挖掘方法的運行效率。因此，結合上述實驗及結果可以進一步得出，本文提出的聚類挖掘方法在實際應用中，能夠實現對海量時序數據的高精度挖掘，提高了多節點網絡中對數據的檢測識別能力，并進一步促進了數據存儲結構的優化。

3 結束語

綜合本文上述論述得出，在對多節點網絡當中的時序數據進行聚類挖掘時，可通過本文上述論述思路實現，并且得到更加符合多節點網絡運行環境的挖掘結果。但由于研究能力有限，在進行應用實驗時發現，本文提出的全新的聚類挖掘方法在運行過程中容易造成網絡卡頓的問題，使得網絡運行的流暢性受到影響，造成不利后果產生。因此，針對這一問題，在今后的研究當中，還將針對多節點網絡的流暢運行問題，對聚類挖掘方法進行不斷地優化和創新，從而進一步提高該方法的適用性。