國家互聯(lián)網應急技術處理協(xié)調中心西藏分中心 黃 君 陳超雪

近些年來，物聯(lián)網挖掘技術作為信息化時代發(fā)展的重要結晶，正受到社會各界的廣泛關注。該技術能夠順利的應用到各行各業(yè)中去，主要是因為云計算的產生與發(fā)展，云計算為我國的各個領域創(chuàng)造了信息化發(fā)展的環(huán)境，為人們的工作和生活帶來了極大的便利。同時，云計算的采購成本比較低，為應用這項技術的領域節(jié)約了資金的投入。因此，應當擴大云計算在物聯(lián)網數據挖掘技術中的應用范圍，這將會促進社會的發(fā)展。

1 云計算背景下物聯(lián)網數據挖掘技術分析

云計算在實際的應用中，主要包含了以下幾個部分的內容，一是物聯(lián)網感知層，它最主要的功效就是發(fā)揮感知作用，依托的是被控制范圍內的大量的數據收集節(jié)點。它的工作內容主要是在被控制區(qū)域內安裝攝像頭、傳感器等多種形式的感知設備，對被控制區(qū)域的數據進行實時的采集。同時，還可以將這些被采集到的數據整合到節(jié)點后發(fā)送給總服務器；二是物聯(lián)網傳輸層，它是數據傳遞的中間環(huán)節(jié)，可以運用各種網絡對采集到的數據進行高效且準確的傳輸，保證采集到的數據可以被總服務器收到；三是物聯(lián)網數據層，它是實現物聯(lián)網數據挖掘的核心部分，通常包含數據轉換與數據存儲兩個方面，可以對采集到的數據進行合理的存儲和處理，這是保證數據挖掘工作順利開展的前提；四是物聯(lián)網數據挖掘服務層，這部分是物聯(lián)網數據能否被快速、準確挖掘的關鍵，它的功能的實現要依托于數據準備模塊、挖掘模塊以及個人模塊。

云計算的主要支持技術是虛擬化。所以，在搭建物聯(lián)網數據挖掘技術體系的實踐中，要需要做好虛擬化技術的有效應用。具體來講，在使用過程中，會出現高性能硬件產能過剩無法完全利用或老舊硬件的產能無法滿足需求的問題，虛擬化技術的存在就是為了實現它們的重組利用，它可以將底層的物理硬件透明化，實現硬件與軟件的相互分離。它可以將一個產能過剩的高性能硬件虛擬成多個資源，保證產能的有效利用，還可以將多個產能不足的老舊硬件整合在一起，形成一個虛擬資源，完成硬件之間的重組利用，提高利用效率。

除此之外，有效發(fā)揮海量數據處理技術與編程模型的工具作用，能為物聯(lián)網中海量數據的有效挖掘提供基礎性保障?，F階段，常用的數據處理與編程模型為MapReduce模型，如圖1所示，它主要是由Map函數與Reduce函數組成，也就是由Map階段和Reduce階段構成的。這種并行編程模型的運行過程是這樣的，第一，數據進入Map階段，由Map函數對其進行按行讀取和加工，數據被加工之后，會被分配到新的節(jié)點上；第二，數據進入Reduce階段，對在上個階段中經過處理的數據進行讀取，再對其進行新的合并處理。這種并行編程模型可以用來處理規(guī)模比較巨大、數量比較繁雜的數據集，并且在處理的過程中，可以對數據進行監(jiān)控，及時地發(fā)現其中出現的錯誤、異?；蛘呤鞘〉墓?jié)點，再次運行任務，因此，這種模型使用起來的安全性較高，用戶不必擔心在任務運行過程中出現錯誤或異常。

圖1 MapReduce并行編程模型

MapReduce并行編程模型體現了一種分而治之的思想，簡單來說，它是一種任務的分散與最終匯總。這種模型是將一個大規(guī)模的數據集，按照一定的規(guī)則發(fā)放到各個分節(jié)點中進行處理，這些分節(jié)點都是由同一個主節(jié)點管理的，再將各個分節(jié)點處理得到的結果進行合理地整合，得出一個最終的結果。

在并行編程中存在的諸如分布式存儲、網絡通信以及容錯處理等較為復雜的問題，復雜編程的人員無須手動處理，均可以依靠MapReduce并行編程模型處理。但在利用這種模型的過程中，應當注意的是，被處理的數據集一定要可以被分成若干個小的數據集，同時，每一個小數據集還可以實現并行處理。

2 基于云計算的物聯(lián)網數據挖掘實驗驗證

為了確定一種Apriori算法的可行性，我們將展開一項具體的實驗，對這種新設計的平臺工作效果進行驗證。

2.1 Apriori算法分析

Aprior算法是數據挖掘十大經典算法之一，是一種挖掘關聯(lián)規(guī)則的頻繁項集算法，其核心思想是通過候選集生成和情節(jié)的向下封閉檢測兩個階段來挖掘頻繁項集，已經被廣泛的應用到商業(yè)、網絡安全等各個領域。首先，將頻繁1-項集的集合用L1來表示，將L1作為已經完成的經驗，用以推導頻繁2-項集，頻繁2-項集用L2來表示，再將L2看做已經完成的經驗，來完成對頻繁3-項集的探索，頻繁3-項集用L3來表示，以此類推，將常數設為k，利用這種方法一直向下探索，直到再也找不到一個頻繁k-項集。與此同時，在使用這個算法時應當注意的是，在每一次尋找頻繁相機Lk的過程中，都要經歷一次在數據庫中尋找的過程。

另外，在眾多數據挖掘算法中，存在著許多以Apriori算法為基礎的改進算法，例如，基于哈希的數據挖掘算法，沒有備選項集的FP-GROWTH算法以及基于數據切割的算法等，由此可見，Apriori算法是一種較為經典的數據挖掘算法。到算法中，就是我們所說的Apriori算法。

2.2 實驗環(huán)境

這項實驗所用到的設備是一臺運行內存4G、存儲空間128G、操作系統(tǒng)為Windows XP的臺式計算機，在這臺設備的內部安裝3個采用Linux操作系統(tǒng)的虛擬機，并且分別在這3個虛擬機中設置上不同形式的節(jié)點。

2.3 實驗過程

在完成設備的準備以及其他相關的調試之后，要將與實驗算法相關的數據，采用C++程序代碼檢索重點詞語的手段，將其轉變?yōu)槿萘繛?024MB的PLM文件。再將轉變完成的文件利用HDFS傳輸到進行實驗的模擬平臺上，按照類別完成存儲。在上述的工作完成之后，就可以正式進行計算機系統(tǒng)的運行，按照系統(tǒng)運行的情況，對數據的變化進行實時且詳細的記錄，對實驗中頻繁出現的項集要密切關注。

2.4 實驗結果

實驗的過程中，我們在運行系統(tǒng)中傳輸了幾種不同大小的文件，最終得到了相對的運行時間，具體數據如表1所示。

從表1中的數據，我們可以得出以下結論，在文件大小逐步增加的情況下，文件運行的時間也在不斷地增加，這時候，采取Apriori算法，會獲得比較好的結果。它可以實現在數據龐大繁雜且不斷增多的情況下，迅速地搜尋到頻繁出現的項集。因此，通過實際的實驗，我們可以得知，這種算法可以實現對龐大數據信息的挖掘，滿足用戶的使用需求。

表1 文件大小與運營時間的關系表

總結：綜上所述，隨著信息化社會的不斷發(fā)展，信息產

Apriori算法得以實現是根據Apriori性質，它的主要內容是頻繁項集的非空子集也必須是一種頻繁項集。接下來我們對Apriori性質進行更深入的研究，依據頻繁項集的定義，這個定義簡單來說，就是如果一個項集I的最小支持度小于閾值support-min，則該項集就不屬于頻繁項集。這時，我們向這個項集中添加一個新的項X，這時，原本的項集I就變成了一個新的項集，我們用項集XUI來表示，這個新的項集的最小支持度依舊比閾值support-min小，因此，這個新的項集也不是一個頻繁項集。按照以上對于該種性質的研究，將其應用業(yè)已經成為我國國民產業(yè)中最重要的一環(huán)。物聯(lián)網與云計算都是信息化社會發(fā)展之中的先進產物，是當今社會信息化發(fā)展的重要體現，正在被各行各業(yè)廣泛的應用，在其中發(fā)揮著重要的作用。云計算的形成和發(fā)展為物聯(lián)網數據挖掘技術的發(fā)展提供了更多的可能性，依托這一背景，物聯(lián)網數據挖掘技術在未來一定會在各個領域中發(fā)揮更大的作用。