林倩瑜

(集美大學誠毅學院， 福建 廈門 361021)

隨著云計算技術和云服務技術的快速發(fā)展，大量用戶通過云存儲的方法將數(shù)據(jù)存儲在云系統(tǒng)中，實現(xiàn)對數(shù)據(jù)的在線調度和管理。云存儲系統(tǒng)中的大數(shù)據(jù)稱為云服務組合大數(shù)據(jù)，云服務組合大數(shù)據(jù)的準確挖掘和分類管理是保障云服務質量的關鍵。當采用智能挖掘和信息處理算法進行云服務組合大數(shù)據(jù)的優(yōu)化挖掘和調度，并根據(jù)云服務組合大數(shù)據(jù)的挖掘結果構成最優(yōu)的服務組合時，可提高數(shù)據(jù)的自適應檢索和調度性能。研究云服務組合大數(shù)據(jù)的優(yōu)化分類挖掘算法在云服務器的優(yōu)化管理和智能控制方面都具有重要意義[1]。

云服務組合大數(shù)據(jù)建立在對大規(guī)模數(shù)據(jù)集的特征提取和關聯(lián)規(guī)則約束分析基礎上，結合模糊信息聚類和特征提取方法，實現(xiàn)云服務組合大數(shù)據(jù)的優(yōu)化挖掘和智能檢索[2]。傳統(tǒng)方法中，對云服務組合大數(shù)據(jù)挖掘的方法有時頻分析方法、平均互信息挖掘方法、模糊挖掘方法以及網(wǎng)格挖掘方法等[3-4]。上述方法采用智能特征提取技術進行云服務組合數(shù)據(jù)的關聯(lián)規(guī)則項提取和模糊聚類處理，提取云服務組合大數(shù)據(jù)集的規(guī)則知識項，實現(xiàn)數(shù)據(jù)優(yōu)化挖掘，取得了一定的研究成果。其中，文獻[5]中提出一種基于模糊指向性聚類的云服務組合大數(shù)據(jù)挖掘技術，采用機器學習方法進行關聯(lián)規(guī)則數(shù)據(jù)的量化編碼，基于模糊信息融合方法對大數(shù)據(jù)進行準確挖掘，但該方法的計算信息量較大，對云組合服務大數(shù)據(jù)挖掘的實時性不好。文獻[6]中提出基于粗糙集和神經(jīng)網(wǎng)絡的云服務組合大數(shù)據(jù)挖掘算法，構建云服務組合大數(shù)據(jù)的特征分布模型，采用BP神經(jīng)網(wǎng)絡進行數(shù)據(jù)分類，在特征子空間中實現(xiàn)云組合服務大數(shù)據(jù)的優(yōu)化挖掘，但該方法在抗干擾能力方面性能不佳。

針對上述問題，本文提出一種基于模糊卷積神經(jīng)網(wǎng)絡的大數(shù)據(jù)分類挖掘技術。首先，進行云服務組合大數(shù)據(jù)的信息融合處理，對高維融合數(shù)據(jù)進行頻繁項檢測和關聯(lián)規(guī)則特征提?。蝗缓?，對提取的關聯(lián)規(guī)則采用模糊卷積神經(jīng)網(wǎng)絡分類器進行屬性分類，結合特征壓縮方法對分類輸出的云服務組合大數(shù)據(jù)進行降維處理，采用模糊聚類方法實現(xiàn)對云服務組合大數(shù)據(jù)的分類挖掘；最后，進行仿真實驗分析，證明了本文方法在提高云組合服務大數(shù)據(jù)挖掘能力方面的優(yōu)越性。

1 大數(shù)據(jù)的分布結構模型與特征提取

1.1 云服務組合大數(shù)據(jù)的特征分布模型

為實現(xiàn)云服務組合大數(shù)據(jù)的優(yōu)化挖掘，首先構建云服務組合模式下大數(shù)據(jù)的分布式數(shù)據(jù)結構模型，用四元組G表示云服務組合大數(shù)據(jù)的模糊分布式存儲中心，G=(V,E,W,C)。假設d為云服務組合大數(shù)據(jù)交互的相空間嵌入維數(shù)，采用多個非線性成分聯(lián)合統(tǒng)計方法進行云服務組合大數(shù)據(jù)的高維特征空間重構，結合模糊聚類方法進行大數(shù)據(jù)的自適應分類處理。根據(jù)上述分析，構建云服務組合大數(shù)據(jù)挖掘的總體結構模型，如圖1所示。

圖1 云服務組合大數(shù)據(jù)挖掘的總體結構模型

云服務組合大數(shù)據(jù)挖掘過程中受到的擾動影響因素較多，具有時變性和隨機性。采用模糊聚類方法進行大數(shù)據(jù)信息融合[7]，構建關聯(lián)規(guī)則項約束方程表達云服務組合大數(shù)據(jù)的信息流模型：

xn=x(t0+nΔt)=h[z(t0+nΔt)]+ωn

(1)

其中：h(·)為云服務組合大數(shù)據(jù)分布式時間序列，表示為一個具有多維數(shù)據(jù)結構模型的函數(shù)；ωn為大數(shù)據(jù)多傳感信息融合跟蹤的觀測或測量誤差。云服務組合大數(shù)據(jù)的分布結構模型的分布函數(shù)描述式為：

(2)

式中：p為分布式云服務組合大數(shù)據(jù)存儲結構的階數(shù)；α為統(tǒng)計信息采樣的時間窗口寬度。

k=0,1,…,N-1

(3)

其中an表示云服務組合大數(shù)據(jù)線性規(guī)劃模型的幅值。對于一組連續(xù)的云服務組合大數(shù)據(jù)，采用連續(xù)模板匹配技術進行大數(shù)據(jù)的分布式數(shù)據(jù)結構分析，結合匹配相關檢測方法進行云服務組合大數(shù)據(jù)的信息融合處理[9]。

1.2 數(shù)據(jù)特征提取

設有m個云服務組合大數(shù)據(jù)節(jié)點A1,A2,…,An，每個節(jié)點的閉頻繁項集特征提取輸出表示為a1,a2,…,an?；跇O限學習方法進行數(shù)據(jù)特征提取的全局尋優(yōu)，構造云服務組合大數(shù)據(jù)挖掘的線性規(guī)劃問題數(shù)學表達如下：

(4)

(5)

(6)

其中NI、NR和NS分別表示云服務組合大數(shù)據(jù)的平均互信息特征量和狀態(tài)分布集。

2 數(shù)據(jù)分類挖掘技術優(yōu)化

2.1 模糊卷積神經(jīng)網(wǎng)絡分類

在上述采用連續(xù)模板匹配技術的大數(shù)據(jù)分布式數(shù)據(jù)結構分析和關聯(lián)規(guī)則特征提取基礎上，進行數(shù)據(jù)分類挖掘算法的優(yōu)化設計。本文提出一種基于模糊卷積神經(jīng)網(wǎng)絡的大數(shù)據(jù)分類挖掘技術，采用統(tǒng)計平均方法[11]，構建需要挖掘的大數(shù)據(jù)的回歸分析模型：

(7)

采用一個多元統(tǒng)計特征方程描述云服務組合大數(shù)據(jù)的擬合狀態(tài)模型為

(8)

(9)

假設卷積神經(jīng)網(wǎng)絡進行大數(shù)據(jù)識別的學習步長為η，經(jīng)過n步訓練和學習后，采用自適應加權算法[13]，得到模糊卷積神經(jīng)網(wǎng)絡進行大數(shù)據(jù)特征分類器的加權系數(shù)為

(10)

采用模糊卷積神經(jīng)網(wǎng)絡的學習算法[14]，得到云服務組合大數(shù)據(jù)分類的自適應學習加權系數(shù)為

(11)

在B?D，A∩B?D等規(guī)則約束項下，得到云服務組合大數(shù)據(jù)分類的屬性集滿足：

(12)

數(shù)據(jù)的統(tǒng)計量化集為(u,v)∈E，設A?V，B?V且A∩B=φ，采用模糊卷積神經(jīng)網(wǎng)絡分類器進行屬性分類，實現(xiàn)云服務組合大數(shù)據(jù)重組和數(shù)據(jù)結構重排[14]。

2.2 數(shù)據(jù)特征降維和分類挖掘輸出

在采用模糊卷積神經(jīng)網(wǎng)絡分類器進行屬性分類的基礎上，為降低計算開銷，結合特征壓縮方法對分類輸出的云服務組合大數(shù)據(jù)進行降維處理[15]。特征壓縮器描述為

(13)

其中：

(14)

采用模糊卷積神經(jīng)網(wǎng)絡分類器得到云服務組合大數(shù)據(jù)的概念格結點為

(15)

對分類輸出的云服務組合大數(shù)據(jù)進行降維處理，采用模糊聚類方法實現(xiàn)對云服務組合大數(shù)據(jù)的分類挖掘[16-17]，下面詳述其實現(xiàn)過程。

輸出：云服務組合大數(shù)據(jù)分類挖掘結果α。

初始化參數(shù)，從t=1開始進行云服務組合大數(shù)據(jù)特征的自適應尋優(yōu)：

步驟1計算所有樣本云服務組合大數(shù)據(jù)挖掘的規(guī)則項特征點e(t)=y-Dα(t)。

步驟2構建模糊卷積神經(jīng)網(wǎng)絡分類器，得到神經(jīng)網(wǎng)絡分類器的加權值：

(16)

3 仿真試驗

為測試本文方法在實現(xiàn)大數(shù)據(jù)分類挖掘中的性能，進行仿真實驗。實驗軟件平臺采用Matlab 7，實驗中的大數(shù)據(jù)樣本庫采用Olivetti-Oracle Research Lab(ORL)云服務組合大數(shù)據(jù)庫。每個高維融合數(shù)據(jù)子塊閾值YHW=0.43，大數(shù)據(jù)采樣的占空比為0.5 dB，樣本訓練集規(guī)模為120 Kbps，測試集為3 000 Kbps，卷積神經(jīng)網(wǎng)絡的輸入層節(jié)點數(shù)為100，輸出層為20，關聯(lián)規(guī)則特征向量的分布密度為0.14，仿真迭代次數(shù)為100，對云服務組合大數(shù)據(jù)挖掘的采樣周期為12 s。實驗中，以數(shù)據(jù)挖掘的準確召回率為測試指標：

(17)

其中：I表示挖掘大數(shù)據(jù)事務中的項；li表示準確挖掘數(shù)據(jù)的組合長度；函數(shù)f(Ij,Ik)定義為

(18)

根據(jù)上述仿真環(huán)境和參數(shù)設定進行大數(shù)據(jù)分類挖掘的仿真實驗，得到數(shù)據(jù)挖掘的時域波形如圖2所示。

圖2 數(shù)據(jù)挖掘的時域波形

以云服務組合大數(shù)據(jù)為研究對象，采用模糊卷積神經(jīng)網(wǎng)絡分類器進行屬性分類。結合特征壓縮方法對分類輸出的云服務組合大數(shù)據(jù)進行降維處理，得到特征提取結果如圖3所示。

分析圖3得知：采用本文方法進行云服務組合大數(shù)據(jù)挖掘對各類數(shù)據(jù)的圖譜分辨能力較好，數(shù)據(jù)屬性聚類性能較高，特征分辨能力較強。采用不同方法測試數(shù)據(jù)挖掘的準確性，在相同的數(shù)據(jù)仿真條件下，以文獻[5]和文獻[6]的方法為對比。上述方法分別采用FCM方法和普通的神經(jīng)外網(wǎng)絡方法進行數(shù)據(jù)挖掘，本文方法建立在對上述兩種方法融合改進的基礎上，因此具有對比性。通過仿真得到對比結果如圖4所示。分析仿真結果發(fā)現(xiàn)：本文方法進行數(shù)據(jù)挖掘的精度比傳統(tǒng)方法分別提升了12.43%和21.76%，且迭代步數(shù)較短，說明挖掘的時效性較高。

圖3 大數(shù)據(jù)分類挖掘的特征提取結果

圖4 數(shù)據(jù)挖掘準確性對比

4 結束語

云服務組合大數(shù)據(jù)的準確挖掘和分類管理是保障云服務質量的關鍵。根據(jù)云服務組合大數(shù)據(jù)的挖掘結果構成最優(yōu)的服務組合，提高數(shù)據(jù)的自適應檢索和調度性能。本文提出一種基于模糊卷積神經(jīng)網(wǎng)絡的大數(shù)據(jù)分類挖掘技術，結合匹配相關檢測方法進行云服務組合大數(shù)據(jù)的信息融合處理，對高維融合數(shù)據(jù)進行頻繁項檢測和關聯(lián)規(guī)則特征提取。采用模糊卷積神經(jīng)網(wǎng)絡分類器進行屬性分類，結合特征壓縮方法對分類輸出的云服務組合大數(shù)據(jù)進行降維處理，采用模糊聚類方法實現(xiàn)對云服務組合大數(shù)據(jù)的分類挖掘。仿真分析結果表明，采用本文方法的大數(shù)據(jù)挖掘的分類性能較好，數(shù)據(jù)挖掘精度較高。