基于云計算與物聯網技術的數據挖掘分析

王艷雨，劉 萍

（鄭州工業應用技術學院，河南 新鄭451100）

物聯網技術，涉及到大量節點，節點代表不同服務器對象。通過節點可以協調計算機、通信網，優化改進互聯網體系。物聯網技術，可以識別控制現有網絡對象，將數據劃分為地址唯一標識符、位置數據描述、射頻數據流、傳感器網絡數據。數據挖掘時，基于不同角度分析數據，將數據轉化為價值信息。物聯網數據結合大數據模式，利用算法技術，深度挖掘隱藏數據。數據挖掘，需要采用不同術語，涉及到原始數據提取、信息獲取、模式分析等。在不同數據挖掘環節，均需要建立模型。通過該模型，預測和描述對應大數據，同時推廣到新數據體系中。互聯網產生海量數據，管理技術與方法缺失，云計算技術，集群技術提供問題解決思路[1]。利用數據挖掘技術、云計算技術，加強技術應用價值。在本文研究中，按照不同互聯網體系結構，建立數據挖掘系統方法。對于數據挖掘算法，則需要應用功能塊序列、分布式計算模型。

1 云計算與物聯網概述

1.1 云計算技術

云計算技術，需要借助分布式計算平臺，在海量數據中深度挖掘價值數據。按照自身需求訪問計算機、數據庫，可以提升數據挖掘效率。為了加強數據性能與安全性，云計算技術應用數據處理方式，同步開展存儲與計算操作，高效處理數據計算、容錯性、存儲等問題。云計算技術特點如下：第一，規模大。云計算技術規模非常大，涉及到百萬臺服務器。云計算技術可以加強計算能力。第二，虛擬資源。用戶使用設備裝置，在任意地方連接數據中心，從而獲得相應服務。數據并非處于任何實體內，主要源于云存儲。應用移動終端，互聯網技術，可以獲得理想化服務與數據。第三，可靠性與通用性強。多副本，計算節點，可以實現同構互換效果，提升云計算可靠性，顯著優于本地計算機。云計算應用不固定，一個云可以支持多個應用，具備較強通用性。云規模擴展方便，可以滿足不同客戶應用需求。第四，按需提供服務，性價比高。客戶按照自身需求，購買相對應的服務，成本造價低。由于自動化與容錯性水平高，實行集中化管理，企業無需支付高額的管理費用。云計算技術具備較強通用性，可以明顯提升數據資源利用率[2]。

1.2 物聯網技術

物聯網技術通過大量節點表示對象，涉及到數據傳輸、應用與匯總，能夠存儲到不同傳感器與服務器中，屬于新型網絡模式。物聯網技術融合計算機技術、通信技術，向公眾展示網絡技術未來發展趨勢。互聯網技術，通過實體對象，無縫連接信息網絡，確保業務運行的有效性。物聯網技術特征如下：第一，要用現代信息技術、電子標簽技術，獲得基礎性信息。第二，信息傳輸可靠性高，高度集成無線、有效網絡信息技術，通過傳感器、通信網絡，獲取和傳輸信息，確保信息傳輸可靠性。第三，基于云計算技術，傳輸和處理數據信息，通過標準化識別技術，及時處理異構數據，提升信息處理時效性，維護數據有效性。

2 基于云計算的物聯網特性

社會發展進程中，相應促進科學技術發展，全面展示出物聯網技術的應用效果，并在現代技術支持下，加快了物聯網技術發展速度。物聯網屬于物-物網絡體系，可以實時監控社會生產與生活，并且可以被應用于大量移動終端。然而，移動終端融入到物聯網體系內，數據產生量加大，數據格式與種類也趨于復雜。使用傳統數據挖掘方式，不能滿足物聯網應用需求。為了處理好現存問題，必須采用科學化挖掘技術，以此滿足物聯網發展需求，云計算系統可以有效滿足該項要求。在網絡體系中，物聯網數據的異構性與動態性較強，數據、時間、空間密切相關，相應增加了物聯網數據的挖掘難度。為了了解和掌握物聯網數據，必須花費大量時間存儲和管理，整體效率低下。面對上述要求，逐漸形成云計算挖掘技術，該項技術可簡化互聯網數據挖掘難度。技術應用期間，以云計算作為挖掘平臺，建立時空數據庫[3]。利用該數據庫，創建數據挖掘模型。借助云計算技術，深入研究和討論數據挖掘問題，驗證了模型在數據挖掘工作中的應用價值。

互聯網數據容量大，異構性與動態性特點顯著，數據種類復雜。由于存在以上特點，相應加大了數據挖掘難度。通過應用云計算網絡體系，高效處理技術問題，確保物聯網數據挖掘操作的便捷性。

3 物聯網數據挖掘技術

3.1 技術概述

現階段，數據挖掘技術的完善性不足，發展時間短，然而技術應用的范圍卻在持續擴大。注重提升信息處理技術可以有效作用于群眾的生產生活中。數據挖掘技術，可以歸屬到科學研究領域，也可以納入到交叉學科中。多數行業領域涉及數據挖掘，擴大技術應用范圍，各行業注重數據挖掘技術革新。聯合文獻報道分析，數據挖掘技術包含內容如下：第一，基于真實數據，擴大延伸數據，豐富數據庫。第二，深度挖掘數據信息，注重匯總分析、價值提取，為行業發展提供服務，全面滿足應用需求，同時提供生產生活便利。第三，計數方式的接受度較高，按照相關數據做出科學決策，深度挖掘和分析數據信息，確保決策的科學性與正確性。

3.2 數據挖掘技術特征

物聯網數據，具備時效性、異構性與多態性特點。深度挖掘數據價值，充分發揮出技術分布化與規模化特點，展示出資源節點作用，不僅可以維護數據安全性，還可以體現數據規模。物聯網數據，多分布在不同位置，精確劃分數據類型。由于數據信息量比較大，需要將傳感器節點配置到數據中，確保數據處理效果。

3.3 物聯網數據處理技術要求

互聯網數據特點，會增加數據質量控制難度，無法高效完成數據查詢、存儲、融合，應確保技術人員深入探索處理方法，滿足數據要求。分析處理數據時，高效解決矛盾問題。因此，物聯網數據處理技術要求如下：第一，異構性要求。為了處理好物聯網數據異構性問題，必須基于計算機軟件，合理應用計算機操作系統。不同感知信息，應當采用不同數據結構與數據庫。當操作系統不同時，則需要配置不同中間件。操作系統，可以處理運行平臺問題。通過數據庫體系，深度挖掘和存儲價值數據。中間件主要負責傳輸和過濾數據，應用科學操作系統、中間件、數據庫，能夠規避數據異構性，合理選擇數據庫與中間件。第二，海量性與時效性要求。數據海量性特點，會增加數據存儲難度，延遲計算結果，導致整個反應速度遲緩。針對上述問題，需要應用以下處理方法：一是，注重服務器升級，將數據置入到服務器內，之后再進行處理計算。二是，加強互聯網計算能力，提升智能化水平。同時處理數據信息，將數據處理任務置入到服務器內。第三，數據傳輸要求。確保數據采集與傳輸順利性，才可以有效挖掘和分析物聯網數據。數據采集與傳輸，依賴讀寫器、傳感器、射頻標簽、節點等，屬于物聯網數據源頭。為了確保物聯網系統運行的可靠性，系統硬件要滿足低功耗、強抗干擾性、高可靠性特點。正確選用架構模型，可以提升系統成熟度。為了順利開展數據傳輸工作，要正確選用優質數據源頭配件和機構模型[4]。

4 物聯網數據挖掘技術難題

物聯網技術發展期間，面臨的技術難題比較多，主要表現在以下方面：第一，物聯網數據量龐大，無法精準探知數據分布情況。數據處理模式對硬件要求嚴格，存在物聯網數據影響因素，涉及到數據傳輸安全、隱私性，法律約束等。將數據存儲到數據倉庫中，可靠性較低。所以，物聯網數據挖掘存在技術弊端，需要找尋最佳解決方案。第二，數據信息具備海量性特點，無法及時存儲數據信息，有效性與時效性低下。數據規模化存儲，對于計算機硬件的性能要求比較高。現有設備無法滿足標準化要求，已經成為技術應用難點。第三，隨著應用要求的提升，相應增加了數據利用率，表現為數據節點增加態勢。然而，當前可滿足需求的節點比較少，供需失衡嚴重，需要開發新技術完善，處理好數據節點供給不足問題。第四，不穩定因素影響，比如網絡穩定性、信息保密性、數據安全保障性，對物聯網技術應用的影響非常大。第五，物聯網數據具備規則且規則復雜。經由中央模式挖掘分布式數據，無法獲得理想化效果。

5 基于云計算的物聯網數據挖掘技術

5.1 云計算的數據挖掘模式

物聯網環境對物聯網數據挖掘模式的影響很大。物聯網數據類型復雜，且物與物的關聯與特性不同，導致物聯網建設數據挖掘模式時，與傳統數據挖局模式差別較大。物聯網在使用時，存在的問題隱患非常多。數據信息發送和接收時，會出現信息出錯和丟失情況。產生上述問題的原因，多是物聯網系統所致。云計算的數據挖掘模式，應當考慮到影響因素。在應用物聯網數據挖掘模型時，應當關注物與物的關系表達，處理好數據錯誤與丟失問題。當物與物存在間接關系時，使用SVD模型、拉普拉斯變換模型引導。當物與物存在直接關系時，物聯網數據挖掘模式表現出物與物關系能力，便于推導物與物間接關系。在物聯網數據挖掘模型中，可以應用超圖數據模型，超圖變點相互連接。針對物聯網數據復雜關系，利用超邊方式標示。物聯網數據挖掘模型，是基于馬爾科夫鏈的模型，在該模型中，預測未來概率時，無需按照傳統信息和知識，只需按照現有信息和知識，物聯網數據應用中，經常會面臨該類問題。穩定可外推參數模型，屬于物聯網數據挖掘模型的重要組成。在應用物聯網數據模型時，注重物理建模，明確物與物之間的關系，建立數據模型，以此描述數量關系。由于物聯網數據類型復雜，所以會出現丟失和錯誤問題。應用傳統方式進行物理建模，所遇到的困難問題非常多。

5.2 云計算的數據挖掘技術

在信息化時代下，逐漸凸顯出數據信息重要性，深度挖掘數據信息價值，將其應用到各行業領域，加強行業發展優勢。在云計算技術支持下，可以為數據挖掘技術發展提供優質體驗，為獲取數據價值提供便捷方式。云計算模式，利用數據收集、專注與匯總方式，提煉數據潛在價值，并將其應用到生產生活中。

第一，數據匯總調度。利用云計算技術，匯總調度數據信息，充分發揮出匯總調度技術優勢，實現不同格式數據的連接與交流，同時可以連接不同類型數據。對于不同類型數據，所應用的排列存儲方式也不同，為了無縫連接多種類型數據信息，處理好規約問題，必須滿足不同數據系統的格式要求，涉及到日志處理、事務處理與分析處理，深度挖掘數據價值[5]。

第二，服務管理與調度技術。云計算平臺，面對不同行業和群體，因此必須高度重視管理技術與調度功能。對于調度功能而言，注重資源匹配與服務分析，尤其是優先級數據與用戶，處理好服務隔離與互斥問題，確保云計算安全運行空間的充足性。應用管理功能，可以確保云計算平臺運行效益，針對數據挖掘服務能力設置。利用服務注冊與暴露方式，顯著提升本地服務能力暴露性，深度挖掘數據價值。

第三，算法并行化技術。在云計算平臺中，算法并行化技術屬于基礎技術，涉及到選擇可行性、并行算法、并行策略等。利用以上算法，深度挖掘數據價值。

5.3 構造物聯網數據挖掘技術模塊

物聯網數據挖掘，需要由多個模塊共同完成，比如物聯網感知層、數據挖掘服務層、數據層與傳輸層，不同模塊功能如下：第一，物聯網感知層。通過該模塊可以采集數據，確保不同區域采集節點的配合效果。采集節點包括傳感器、攝像頭，設備采集數據匯總到節點中，利用傳輸層上傳到云數據中心[6]。第二，傳輸層。傳輸層是向數據層傳輸數據，涉及到傳感器、無線網絡、有線網絡，確保網絡連接效果，同時將數據傳輸至數據中心，實現全網通信。第三，數據層。在技術體系中，數據層屬于核心部分，數據處理速度與能力，對技術可行性影響非常大，包括數據轉換模塊、存儲模塊，不僅可以提升數據異構性的標準化水平，還可以通過分布方式存儲數據信息。第四，數據挖掘層。涉及到用戶模塊、數據挖掘引擎、數據準備，屬于物聯網挖掘技術的重點，涉及到數據清理與轉換、數據模塊評估、數據挖掘算法、數據可視化功能。通過上述模塊連接信息，注重數據處理。按照云計算挖掘算法庫，為用戶提供數據挖掘功能，通識測試和評估挖掘模式。數據挖掘層節點，為數據挖掘模塊算法，集成多種功能算法。在平臺中，數據挖掘算法可以調整傳統算法，實現算法并行化處理。用戶模塊，通過數據挖掘平臺用戶接觸端，將系統顯示轉化為用戶可識別顯示，友好性與人性化特定顯著。用戶快速開展操作應用，數據挖掘額可獲取理解知識。為了確保數據挖掘平臺可移植性，用戶服務底層模塊添加開放模塊，調用數據挖掘平臺功能，豐富互聯網應用，加強應用價值。

6 系統實驗驗證

6.1 工作流程

基于云計算平臺，優化物聯網數據挖掘流程，包括用戶、主控節點、調用數據挖掘算法、準備物聯網數據、挖掘分布式數據、向用戶傳輸結果。第一，用戶請求。用戶請求物聯網數據挖掘系統，深度挖掘數據之后，系統主控節點判斷任務可行性，將信息傳遞給用戶，開展數據挖掘實踐。第二，數據挖掘過程。明確物聯網數據挖掘系統，深度挖掘數據之后，通過系統主控節點，合理選擇數據挖掘算法，滿足用戶使用需求，聯合標準結構，合理劃分數據挖掘任務。第三，具體節點任務。合理劃分數據挖掘任務，注重工作節點任務分配，有效開展數據處理工作，將數據挖掘結果傳輸給用戶[7]。

6.2 實驗驗證

為了對系統性能、可行性進行判斷，充分發揮出數據挖掘算法作用，聯合標準化算法開展實驗驗證。第一，實驗環境。實驗操作中，以計算機系統、硬盤作為基礎，合理應用虛擬機部署分布式節點。為了確保實驗效率與質量，安裝集成化開發環境，同時在虛擬機操作系統中安裝SSH服務，確保數據挖掘系統使用順利性。第二，實驗過程。搭建實驗環境，選擇關聯規則算法實驗數據，利于C++代碼程序，利用關鍵字搜索方式，轉化為標準化文件。運行程序算法之后，獲得物聯網數據挖掘運行結果，找尋頻繁項集，可以對性能予以判斷。值得一提的是，為了確保實驗效果，需要采用不同文件進行試驗，掌握系統運行時間。

7 結束語

綜上所述，現代技術快速發展，相應提升物聯網信息處理系統需求，對數據挖掘精確度、快速響應、高效性要求非常大。傳統數據挖掘算法，不能滿足用戶增長需求。通過大數據信息技術，能夠擴大云計算、物聯網數據挖掘系統應用范圍，全面提升數據處理的準確性與高效性。在物聯網體系中，將數據挖掘算法劃分為功能塊，將其映射到用戶中。通過本文建立的模型，可以顯著提升數據分析效果，云數據中心、終端設備網絡流量，值得推廣應用。