云計算下通信大數據多屬性特征引導融合仿真

李洪波，周春姐

(魯東大學信息與電氣工程學院，山東 煙臺 264025)

1 引言

計算機技術水平發展的同時，現代企業和個人所需要的信息數據要求也越來越高，造成了現代網絡數據中心面臨無法有效調配、匯總數據以及無法滿足當前網絡用戶對信息數據量穩定性、安全性以及加密性的各方面需求的雙重矛盾。在這樣的情況下，尋求一種基于當前通信大數據特征屬性，進行通信大數據引導融合的方法成為了當前網絡數據中心研究領域亟待解決的核心問題[1]。

由于目前絕大多數通信網絡由多種網絡節點構成，其目的就是綜合網絡大數據，滿足云計算下的用戶要求。所以有關人員相繼提出根據網絡節點和輻射區進行屬性特征融合的數據融合策略，這種策略可以簡稱為“節點融合”[2]。節點融合主要依靠PHD節電傳感器，根據濾波算法模擬出各節點的狀態特征，計算數據關聯度，并采用協方差交流法，實現數據引導融合。此外還有人提出了基于支持向量機的屬性融合方法和基于深度學習的屬性融合方法。前者通過訓練傳感器的屬性信息融合度預測值，以此獲取數據融合閾值，根據閾值的高低能否達到標準值，獲取最終的融合結果；二者需匯聚網絡中全部數據節點特征，并利用CNNM模型獲取每個節點終端的數據原始特征，在此基礎上，將得到的特征結果及融合數據傳輸到匯聚節點，完成數據融合。

上述幾種通信大數據屬性引導融合方法均存在屬性節點生存期較短的問題，究其根本在于，對當前數據進行粗獷式融合，沒有真正做到數據屬性特征梳理，導致節點屬性很容易同化或錯亂[3]。為了有效解決屬性節點生存期較短問題，提出新型云計算下通信大數據特征融合技術。

2 通信數據特征融合技術設計

2.1 信息數據團集成

在對當前通信大數據多屬性特征引導融合過程中，因為數據堆積環境的負載特殊性，需要將當前用戶所需要的特征數據先劃分為不同的數據團，根據每個數據團最關鍵的屬性信息，劃分為各個數據塊，并求得數據塊密度[4]，以數據塊密度作為數據團集成標簽，最終完成信息數據團集成。以下為具體集成步驟：

假設A代表當前數據G的最高有效連續性矩陣，V，E代表當前通信數據的實際節點以及數據邊的集合，P代表當前數據的預設劃分，Gi代表當前劃分P的一個實際數據團，Vi，Ei分別代表當前數據團Gi的實際節點和邊的數據集合，根據式(1)將當前用戶信息全部劃分為不同中的數據團，其表達式為

(1)

對獲取的數據團進行數據劃分，得到劃分后的數據模塊p(g)，其表達式為

(2)

式中，L(Vi，Vj)代表當前節點集合的實際邊數據量，I(s，t)代表當前通信大數據的實際信息增益值，?(E)代表不同連度下的節點數據量，R(z，p)代表當前大數據的屬性劃分，?(h)代表各個節點對當前數據模塊的實際貢獻值[5]。

在式(2)的基礎上，對數據模塊的密度μ*(s)進行計算，其計算公式為

(3)

式中，Aij代表當前通信大數據之間的連接性矩陣，L代表數據節點V和Vj之間數據邊界的數量，則可以根據公式直接定義當前數據模塊的密度，λ(d)代表當前數據節點的實際原始數據，ε(E)代表不同數據之間的屬性值關聯類別和規則[6-7]。

通過上述步驟完成數據塊的密度求解，數據塊密度可視為數據團的集成標簽，根據標簽能夠實現數據團進行集成劃分。在此基礎上需要計算集成標簽的初始重要程度。

假設RC(ei→ej)代表當前數據塊ei和ej之間的相對距離，根據式(4)計算當前數據塊的實際權值。其計算公式為

(4)

式中，m代表當前通信大數據基礎數據團的總量，sim(Tp)代表任意兩個數據聚類之間的實際關系距離的平均值[8]。

(5)

式中，vi代表當前數據內部的實際節點總量，Degree(e)代表當前模式圖G中，數據表e的相對節點數量，γ(W)代表用戶核心數據樣本類型數據集，μ(x)為樣本中的數據種類比[9]。

利用R，S分別指代當前大數據網絡用戶所需要的不同數據聚類主題，則根據數據源的聚類思想，將不同類型數據團進行有效集成，作為當前大數據信息不同數據類別的主題組，根據式(6)進行表述。

(6)

式中，Ti和Tj分別代表當前數據組中的數據表，Tp代表關系數據表Ti的權值。φ(C)代表當前數據團集成聚類的結果數量[10]。

綜上所述可以確定，對當前數據堆積環境下的使用用戶，在進行通信大數據分類過程中，可以采用上述方法將其全部轉化為不同類型的數據團，再根據數據聚類思想將數據團中的通信數據信息和數據屬性特征優化成不同的數據組，以此實現數據海量堆積情況下的數據團集成。

2.2 數據屬性特征計算

通過上述聚類集成方法將數據信息進行高度集成以后，即可將集成獲取的信息團進行分解，對信息屬性特征進行計算。采用粗糙集計算方法，對當前集成信息團的數據屬性進行評估，從而為后續特征引導融合提供數據基礎[11-12]。

設E為當前數據決策樹的屬性描述數值，D為當前數據屬性架構的集合，則信息團分解公式為

(7)

式中，QD(E)表示當前信息特征屬性E對當前屬性架構集合D的正域描述，V表示當前數據特征集合的實際基數。根據式(7)對分解后的信息團進行屬性特征計算，其表達式為

η′=η-Dj

(8)

式中，Dj表示數據屬性的對應條件依賴程度，即該數據在特征數據集中的權重[12]。

根據粗糙集來確定數據屬性特征比例關系，需要對當前通信大數據特征權重值進行計算，其詳細步驟如下：

step1:根據運算數據能夠獲取的計算屬性值，可以獲取當前數據集屬性集合權重，即數據集屬性集合依賴值，計算公式如下

(9)

setp2:根據式(9)獲取的數據，進一步計算當前屬性Dk對當前數據屬性SE的依賴性，即

(10)

setp3:根據以下公式計算當前數據集第j個數據屬性的歸一性系數。

(11)

根據上述的公式可以對當前數據屬性權重進行計算，以最大權值作為模糊決策樹的根節點、然后開始進行特征計算。

設通信大數據構成集合可以用Y={(yj，zj)|j=1，2…，e}表示，其中，yj=(yj1，yj2，…yje)能夠用于描述當前數據的權值集合；(B1，B2，…，Be)用于描述當前數據的對應屬性值。根據下列公式可以確定當前數據特征集合的綜合期望值。

(12)

假設，當前的數據屬性為Bg(g=1，2，…，e)，擁有r個不同屬性的信息權值，則將其屬性分解溝可以獲取如下描述

(13)

利用當前公式可計算的數據屬性Bg可以確定其信息增益對比值。

(14)

根據以下公式數據，可以針對上述計算獲取的增益對比值，建立優化決策樹

(15)

將當前信息的增益比最大值數據作為數據決策樹的各項分支數據，以此建立決策數據節點。再根據節點信息屬性權重，設置對應分支，從而獲取下級對應子節點，完成整個決策樹的建立。

根據上述闡述的方法，可以計算數據屬性的信息量，從而進行數據特征挖掘，完成數據屬性的特征計算。

2.3 信息屬性排序

屬性特征計算完畢后，需要對其進一步排序，才能進行最后的屬性引導融合。通過輸入輸出關聯法，排序和計算當前決策樹信息屬性特征權值。同時，采用分離法對去掉部分屬性的當前信息進行信息組內距離間距比值的計算，并根據聯系法對輸入和輸出特征的屬性關聯度進行計算，其計算公式為

(16)

(17)

在式(16)與式(17)中，S(k)表示當前數據屬性下實際輸入值的關聯梯度；C(k)表示當前數據屬性下實際分離值的關聯梯度；sign代表當前數據符號函數；SWK代表去k特征數據間的組內距離；SBK代表去k特征數據之間的組間距離。x(i，k)和y(i)分別表示當前樣本數據的屬性值和輸出值，此時數據k屬性的權值可以根據以下公式進行計算。

R(k)=αS(k)+(1-α)C(k)

(18)

式中，α為常數項，其值為0到1之間。

式(18)中，通信數據屬性的原始數據較大，也會導致其屬性特征權值增大。反之則會減小。這就導致了在后續特征引導時會出現信息數據屬性誤差，因此需要對當前數據特征屬性進行歸一化處理，從而有效消除數據誤差。設計采用最大規范法，對當前原始數據進行線性交叉，設minA和maxA分別表示當前數據實行的最大值和最小值，計算式如下：

(nmax(A)-min(A)+nmin(A))

(19)

通過上述公式，可以獲取對當前通信信息排序的方法，輸入和輸出的數據關聯公式如下

(20)

根據以上關系式和通信大數據樣本值的計算變化，可以獲取當前特征輸入值和輸出值的重要性衡量，對于特征數據庫屬性樣本值，輸入和輸出變化越大，屬性的重要程度就越高，再根據當前數據信息量計算重要性進行排序計算，即可完成最終結果排序。

2.4 實現數據融合

通過尋找和提取數據特征，盡可能明確當前通信數據的特征子集，在利用上述計算公式對特征進行過濾式選取。在2.3節提出的特征排序的基礎上，利用比對法篩選當前大數據的特征屬性需求性。

通過相似性度量方法對不同數據樣本的數據相似程度進行描述，描述過程通常采用歐氏距離計算，該算法表示為

(21)

式中，p和p′表示當前通信數據，d(p，p′)為數據中的信息需求實際差異性，fi和fi′分別表示數據內p，和p′中第i個特征數取值。wi取值為1時，表示當前特征沒有被融合；d表示數據維數。

利用相似數據K對當前通信數據進行估算，在選擇同類型數據后，需要對其進行調整，確定數據評估結果。利用平均值法，選擇數據K作為平均值估算樣本數據，并根據相似性進行引導融合，融合公式為

(22)

式中，pk代表當前數據p特征屬性最相近的數據，d(p，pk)表示數據之間的實際距離；δ表示常數。

根據上述論述，在對當前云計算通信數據特征屬性計算和排序后，利用當前數據用戶信息間的數據相關性進行數據度量，可以實現數據屬性的初選，再確定特征子集，最終實現多屬性的引導融合。

3 仿真研究

為了證明上述設計的云計算下通信大數據多屬性特征引導融合方法的可用性，需要進行仿真。本文仿真平臺采用Weak3.08，憑借Weak3.08高效的數據特征仿真能力，對本文方法的有效性開展實驗。

仿真從當前CUI數據庫中，調借了4個無任何標簽的模塊化數據集(KGE、Docword、USC_nytimes、Househoid)，實驗通過比較上述設計的融合方法和傳統基于支持向量機的特征融合方法的仿真特性進行有效性判別，特征參數選取數據節點融合能耗以及節點挖掘率。表1給出了實驗所用的五組數據集具體情況。

表1 實驗用數據集

仿真具有多個數據約簡方法，通過對數據需求的特征識別和融合分類完成實驗。圖1給出了實驗中兩種方法的節點融合耗能，其結果如下。

圖1 融合能耗對比

根據圖1能耗數據可以看出，隨著數據量的疊加，兩種方法的能耗沒有明顯的增減變化，證明兩種方法均存在較高的穩定性。但是根據數據結果可以看出，此次設計的融合方法與傳統向量機法相比，綜合能耗更小，平均能耗比例均在3%以下。

在相同的實驗環境下，通過對比10組不同的實驗數據的節點挖掘率，進一步驗證設計方法的有效性，其中A表示當前組別序號，X表示設計方法的挖掘率，Y表示傳統方法的挖掘率。具體數據如下。

表2 挖掘率對比表

因為數據挖掘樣本完全隨機選擇，其數據類型和數據量較為多元化，所以兩個實驗組獲取的挖掘率沒有明顯的規律。但是通過數據統計可以確定，上述設計方法的實際挖掘率明顯高于傳統方法，再次驗證了本文方法的優越性能。

4 結束語

高速增長的通信數據是現代網絡資源整理匯總的核心，也是未來數據管理領域面臨的重要挑戰。提出的通信大數據多屬性特征引導融合方法可以有效提高節點存活周期，從而實現特征引導融合效率的提高。