摘 要 為提高計(jì)算機(jī)網(wǎng)絡(luò)數(shù)據(jù)的聚類效果 提出了一種基于改進(jìn)遺傳算法的計(jì)算機(jī)網(wǎng)絡(luò)數(shù)據(jù)聚類方法 其采用改進(jìn)遺傳算法構(gòu)建初始種群 利用目標(biāo)函數(shù)提取計(jì)算機(jī)網(wǎng)絡(luò)特征 構(gòu)建計(jì)算機(jī)網(wǎng)絡(luò)數(shù)據(jù)信息流模型聚類計(jì)算機(jī)網(wǎng)絡(luò)數(shù)據(jù) 仿真結(jié)果表明 該方法的數(shù)據(jù)流處理任務(wù)完成總時(shí)間較短 負(fù)載均衡性較穩(wěn)定cpu 占用率較低 由此證明 該方法數(shù)據(jù)聚類效果較優(yōu)

關(guān)鍵詞 改進(jìn)遺傳算法 計(jì)算機(jī)網(wǎng)絡(luò) 數(shù)據(jù)聚類

中圖法分類號(hào)tp399 ?文獻(xiàn)標(biāo)識(shí)碼a

１ 引言

現(xiàn)階段，人工智能技術(shù)得到了飛速發(fā)展，計(jì)算機(jī)網(wǎng)絡(luò)已經(jīng)廣泛應(yīng)用于各個(gè)領(lǐng)域［１］ ，由此產(chǎn)生了海量的計(jì)算機(jī)網(wǎng)絡(luò)數(shù)據(jù)，如何有效處理計(jì)算機(jī)網(wǎng)絡(luò)數(shù)據(jù)成為目前的研究熱點(diǎn)［２］ 。對(duì)計(jì)算機(jī)網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行聚類處理［３～５］ ，可以了解計(jì)算機(jī)網(wǎng)絡(luò)數(shù)據(jù)之間的相似程度，為后續(xù)計(jì)算機(jī)網(wǎng)絡(luò)數(shù)據(jù)的分類、存儲(chǔ)、查詢等實(shí)際應(yīng)用提供理論基礎(chǔ)。目前，也有相關(guān)學(xué)者進(jìn)行了相應(yīng)的研究，潘繼財(cái)［６］ 針對(duì)混合屬性數(shù)據(jù)，在考慮樣本同聚類中心距離基礎(chǔ)上，提出了一種基于廣義線性模型的混合屬性數(shù)據(jù)聚類方法。通過計(jì)算混合屬性數(shù)據(jù)的相異度、樣本與聚類集間距實(shí)現(xiàn)數(shù)據(jù)聚類。實(shí)驗(yàn)發(fā)現(xiàn)該方法聚類適應(yīng)度較好，可以有效體現(xiàn)樣本間差異，且具有較高的準(zhǔn)確度，所需迭代次數(shù)也較少。李立生等［７］ 提出了一種基于稀疏自編碼的故障數(shù)據(jù)聚類清洗方法，主要對(duì)電網(wǎng)中錄波型故障指示器上傳的海量故障數(shù)據(jù)進(jìn)行特征學(xué)習(xí)與降維，對(duì)故障數(shù)據(jù)的特征進(jìn)行聚類與清洗，實(shí)現(xiàn)去除冗余數(shù)據(jù)的目的，以便運(yùn)維人員獲取故障信息及進(jìn)行后續(xù)處理。

遺傳算法可以對(duì)海量個(gè)體進(jìn)行種群處理，但傳統(tǒng)的遺傳算法容易陷入局部最優(yōu)，無法獲取全局最優(yōu)解。為此，本文提出了一種基于改進(jìn)遺傳算法的計(jì)算機(jī)網(wǎng)絡(luò)數(shù)據(jù)聚類方法，以期為海量計(jì)算機(jī)網(wǎng)絡(luò)數(shù)據(jù)的后續(xù)處理提供借鑒。

２ 計(jì)算機(jī)網(wǎng)絡(luò)數(shù)據(jù)的數(shù)據(jù)方法設(shè)計(jì)

２．１ 構(gòu)建初始種群

遺傳算法中初始種群是隨機(jī)形成的［８］ ，在實(shí)際計(jì)算過程中若沒有充分考慮解空間分布情況，則會(huì)導(dǎo)致大量個(gè)體全部集中在一個(gè)區(qū)域內(nèi)，不利于最優(yōu)解的搜索。為有效解決上述問題，改進(jìn)遺傳算法并確保個(gè)體均勻分布在求解空間，且保留個(gè)體之間差異性。在設(shè)定數(shù)量以及染色體長(zhǎng)度的情況下，隨機(jī)２ 個(gè)染色體之間的相似度為：

３ 仿真實(shí)驗(yàn)

為了能夠進(jìn)一步驗(yàn)證該方法（基于改進(jìn)遺傳算法的計(jì)算機(jī)網(wǎng)絡(luò)數(shù)據(jù)聚類方法）的有效性，與文獻(xiàn)［６］方法（基于廣義線性模型的混合屬性數(shù)據(jù)聚類方法）和文獻(xiàn)［７］方法（基于稀疏自編碼的故障數(shù)據(jù)聚類清洗方法）進(jìn)行對(duì)比實(shí)驗(yàn)分析，對(duì)比內(nèi)容為數(shù)據(jù)流處理任務(wù)完成總時(shí)間、負(fù)載均衡性、計(jì)算機(jī)數(shù)據(jù)聚類過程ＣＰＵ 占用率。

３．１ 仿真環(huán)境設(shè)置

此實(shí)驗(yàn)過程中的全部實(shí)驗(yàn)環(huán)節(jié)將在下述實(shí)驗(yàn)環(huán)境中完成。

（１）硬件。

內(nèi)存：５０ ＧＢ

ＲＡＭ：１６ ＧＢ

ＭＥＭ：４ ＧＢ

硬盤：２５６ ＧＢ

主頻：３．３ ＧＨｚ

顯卡：５１２ ＭＢ 獨(dú)立顯卡

（２）軟件。

操作系統(tǒng)：Ｗｉｎｄｏｗｓ ８ 以上

開發(fā)語(yǔ)言：Ｃ＋＋

數(shù)據(jù)庫(kù)：ＳＱＬ ｓｅｒｖｅｒ ２０１９

語(yǔ)料提取工具：ＮＬＰ

向量訓(xùn)練工具：ＦａｓｔＴｅｘｔ

３．２ 仿真數(shù)據(jù)選擇

在此次網(wǎng)絡(luò)中存在６ 個(gè)數(shù)據(jù)服務(wù)器以及２０ 個(gè)數(shù)據(jù)處理節(jié)點(diǎn)。將ＫＤＤ 數(shù)據(jù)集中１０％ 作為訓(xùn)練集，ｃｏｒｒｅｃｔ 文件作為驗(yàn)證集，共計(jì)６ 組數(shù)據(jù)集，具體設(shè)定結(jié)果如表１ 所列。

３．３ 仿真分析與結(jié)果

３．３．１ 數(shù)據(jù)流處理任務(wù)完成總時(shí)間分析

在此次實(shí)驗(yàn)過程中，為增加實(shí)驗(yàn)的對(duì)比性，在實(shí)驗(yàn)網(wǎng)絡(luò)節(jié)點(diǎn)固定的條件下，將任務(wù)數(shù)設(shè)定為１０，２０，５０，１００，２００ ５ 組，對(duì)比應(yīng)用不同方法的計(jì)算機(jī)網(wǎng)絡(luò)數(shù)據(jù)聚類任務(wù)完成總時(shí)間，具體實(shí)驗(yàn)結(jié)果如圖１ 所示。

對(duì)比上述實(shí)驗(yàn)結(jié)果可以看出，隨著任務(wù)量的增加，不同方法的計(jì)算機(jī)網(wǎng)絡(luò)數(shù)據(jù)聚類任務(wù)完成總時(shí)間存在明顯的差異。本文方法的數(shù)據(jù)量處理完成總時(shí)間相對(duì)穩(wěn)定，整體呈線性關(guān)系，無較大波動(dòng)。與本文方法相比，文獻(xiàn)［６］方法和文獻(xiàn)［７］方法的任務(wù)完成總時(shí)間波動(dòng)較大，且均長(zhǎng)于文中方法的任務(wù)完成總時(shí)間。綜合上述實(shí)驗(yàn)結(jié)果可以確定，應(yīng)用本文方法可有效控制聚類時(shí)間，從而進(jìn)一步提升數(shù)據(jù)流處理速度。

３．３．２ 負(fù)載均衡性分析

對(duì)任務(wù)量增加后的計(jì)算機(jī)網(wǎng)絡(luò)數(shù)據(jù)聚類的負(fù)載均衡性進(jìn)行分析，所得結(jié)果如圖２ 所示。

對(duì)圖２ 中內(nèi)容進(jìn)行分析可以看出，應(yīng)用３ 種方法后，計(jì)算機(jī)網(wǎng)絡(luò)數(shù)據(jù)聚類的負(fù)載均衡性存在明顯的差異。隨著數(shù)據(jù)聚類任務(wù)不斷增加，各數(shù)據(jù)節(jié)點(diǎn)的負(fù)載均衡性呈現(xiàn)出下降狀態(tài)。但應(yīng)用本文方法后，計(jì)算機(jī)網(wǎng)絡(luò)數(shù)據(jù)聚類的負(fù)載均衡性系數(shù)下降速度較為緩慢，且整體均衡性相對(duì)較高。與本文方法相比，應(yīng)用其他２ 種對(duì)比方法后，計(jì)算機(jī)網(wǎng)絡(luò)數(shù)據(jù)聚類的負(fù)載均衡性下降較為迅速且波動(dòng)較大，存在負(fù)載均衡系數(shù)激降的情況，嚴(yán)重影響了數(shù)據(jù)流處理效果。

３．３．３ 計(jì)算機(jī)數(shù)據(jù)聚類過程ＣＰＵ 占用率分析

在上述２ 實(shí)驗(yàn)環(huán)節(jié)的基礎(chǔ)上，對(duì)應(yīng)用不同方法后的計(jì)算機(jī)網(wǎng)絡(luò)數(shù)據(jù)聚類任務(wù)執(zhí)行ＣＰＵ 占用率進(jìn)行分析，所得實(shí)驗(yàn)結(jié)果如圖３ 所示。

從圖３ 所示內(nèi)容可以看出， 當(dāng)應(yīng)用本文方法后，實(shí)驗(yàn)網(wǎng)絡(luò)中各物理機(jī)的ＣＰＵ 占用率雖然存在細(xì)微的差異，但整體較為穩(wěn)定。應(yīng)用文獻(xiàn)［６］方法后，各物理機(jī)的ＣＰＵ 占用率雖無明顯波動(dòng)，但整體較高。應(yīng)用文獻(xiàn)［７］方法后，各物理機(jī)的ＣＰＵ 占用率存在較大差異。根據(jù)上述實(shí)驗(yàn)結(jié)果可以確定，本文方法具有較高的應(yīng)用價(jià)值，可進(jìn)一步提高大數(shù)據(jù)流處理網(wǎng)絡(luò)的穩(wěn)定性。

４ 結(jié)束語(yǔ)

本文利用改進(jìn)遺傳算法將計(jì)算機(jī)網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行分布式聚類。通過改進(jìn)遺傳算法構(gòu)建初始種群均勻分布數(shù)據(jù)；利用目標(biāo)函數(shù)描述特征選擇最優(yōu)化，提取計(jì)算機(jī)網(wǎng)絡(luò)特征；構(gòu)建計(jì)算機(jī)網(wǎng)絡(luò)數(shù)據(jù)信息流模型計(jì)算數(shù)據(jù)特征向量屬性，聚類計(jì)算機(jī)網(wǎng)絡(luò)數(shù)據(jù)。實(shí)驗(yàn)結(jié)果表明，該方法可以有效聚類計(jì)算機(jī)網(wǎng)絡(luò)數(shù)據(jù)。

參考文獻(xiàn)：

［１］ 蘆建蘭．計(jì)算機(jī)網(wǎng)絡(luò)數(shù)據(jù)庫(kù)安全問題研究［Ｊ］ ．電子測(cè)試，２０２１（１４）：１３３?１３４．

［２］ 諶英敏．?dāng)?shù)據(jù)加密技術(shù)在計(jì)算機(jī)網(wǎng)絡(luò)安全中的應(yīng)用［Ｊ］ ．通訊世界，２０２１，２８（４）：１３０?１３１．

［３］ 曾祥銀，鄭伯川，劉丹．基于深度卷積神經(jīng)網(wǎng)絡(luò)和聚類的左右軌道線檢測(cè)［Ｊ］ ．計(jì)算機(jī)應(yīng)用，２０２１，４１（８）：２３２４?２３２９．

［４］ 趙博宇，張長(zhǎng)青，陳蕾，等．生成式不完整多視圖數(shù)據(jù)聚類［Ｊ］ ．自動(dòng)化學(xué)報(bào)，２０２１，４７（８）：１８６７?１８７５．

［５］ 廖靜倩，張道文，高立，等．基于ＮＡＩＳ 事故數(shù)據(jù)聚類的丁字路口危險(xiǎn)場(chǎng)景研究［Ｊ］ ．汽車安全與節(jié)能學(xué)報(bào)，２０２１，１２（３）：３３６?３４５．

［６］ 潘繼財(cái)．基于廣義線性模型的混合屬性數(shù)據(jù)聚類方法［Ｊ］．信息技術(shù)，２０２１，４５（８）：６?１１．

［７］ 李立生，劉洋，盧文華，等．基于稀疏自編碼的故障數(shù)據(jù)聚類清洗方法［Ｊ］ ．科學(xué)技術(shù)與工程，２０２１，２１（１５）：６３３０?６３３６．

［８］ 肖釗，鄧杰文，劉曉明，等．基于運(yùn)行規(guī)律和ＴＩＣＣ 算法的風(fēng)電ＳＣＡＤＡ 高維時(shí)序數(shù)據(jù)聚類方法［Ｊ］．機(jī)械工程學(xué)報(bào)，２０２３，５８（２３）：１９６?２０７．

［９］ 竇圣霞，程志強(qiáng)．基于混沌關(guān)聯(lián)維特征的電能表計(jì)量多維數(shù)據(jù)聚類方法［Ｊ］ ．電力需求側(cè)管理，２０２２，２４（２）：１００?１０４．

作者簡(jiǎn)介：

許麗媛（１９８９—），碩士，研究方向：信息管理。