基于通信大數(shù)據(jù)挖掘的網(wǎng)絡(luò)業(yè)務(wù)類型劃分方法研究

李強(qiáng)　金雨超　郭景贊

在傳統(tǒng)的Gn數(shù)據(jù)解析過程中，業(yè)務(wù)類型里“未知服務(wù)”的占比通常在70%以上。為了提高解析結(jié)果的分析價值，結(jié)合數(shù)據(jù)分析和數(shù)據(jù)挖掘技術(shù)對DNS解析流量字段進(jìn)行細(xì)分，該設(shè)計方案在最大化利用原始數(shù)據(jù)的同時，能從多維度細(xì)分用戶網(wǎng)絡(luò)業(yè)務(wù)，優(yōu)化結(jié)果可以為用戶畫像、用戶標(biāo)簽、用戶群體特征等分析應(yīng)用提供有力支持。

數(shù)據(jù)挖掘 數(shù)據(jù)解析 網(wǎng)絡(luò)業(yè)務(wù)類型劃分 聚類算法

1 引言

21世紀(jì)信息和通信技術(shù)高速發(fā)展，技術(shù)的進(jìn)步給人們的日常生活帶來了諸多便利。通訊是社會交往中的重要紐帶，推動著數(shù)字信息的發(fā)展。通信行業(yè)的大數(shù)據(jù)應(yīng)用，能夠優(yōu)化移動通信網(wǎng)絡(luò)，開拓更豐富的服務(wù)業(yè)務(wù)，為移動用戶提供更精準(zhǔn)、更便捷的服務(wù)。

Gn數(shù)據(jù)是Gn口原始碼流解析得到的數(shù)據(jù)，主要反映用戶使用各類數(shù)據(jù)業(yè)務(wù)的詳細(xì)情況。在傳統(tǒng)的Gn數(shù)據(jù)解析過程中，流量類型里“未識別TCP流量業(yè)務(wù)”、“未識別UDP流量業(yè)務(wù)”和“DNS解析流量業(yè)務(wù)”等類型均被劃為未知服務(wù)。這樣的計算模型會導(dǎo)致解析結(jié)果里未知服務(wù)的占比很高。

本文針對原始Gn數(shù)據(jù)，提出了一種新的網(wǎng)絡(luò)業(yè)務(wù)分類方法：利用大數(shù)據(jù)并行計算模式解析DNS業(yè)務(wù)里的URL，解析結(jié)果通過挖掘算法（基于密度的聚類算法）模型處理，以確立新的網(wǎng)絡(luò)業(yè)務(wù)類型。

2 技術(shù)介紹

2.1 大數(shù)據(jù)處理步驟

大數(shù)據(jù)的飛速發(fā)展已經(jīng)影響到了各行各業(yè)，其中信息、互聯(lián)網(wǎng)和通信行業(yè)受到的影響最大。大數(shù)據(jù)的到來恰逢通信行業(yè)的轉(zhuǎn)型過渡階段，給這個行業(yè)注入了新鮮的血液。

大數(shù)據(jù)處理方法通常為四步，分別是原始數(shù)據(jù)的采集、數(shù)據(jù)導(dǎo)入和預(yù)處理、數(shù)據(jù)的統(tǒng)計和分析以及數(shù)據(jù)挖掘。下面將按照這四個步驟的順序進(jìn)行闡述。

（1）數(shù)據(jù)采集

數(shù)據(jù)的采集階段是指用數(shù)據(jù)庫來接收以Web、App等形式傳送的數(shù)據(jù)，在大數(shù)據(jù)的采集過程中，最主要的問題是處理高并發(fā)數(shù)，同一時間點可能會有上萬條申請操作。而采集階段通常采用的優(yōu)化方式是在這些數(shù)據(jù)庫之間進(jìn)行分時分片管理和負(fù)載均衡。

（2）數(shù)據(jù)導(dǎo)入和預(yù)處理

數(shù)據(jù)導(dǎo)入指的是將原始數(shù)據(jù)導(dǎo)入到分布式存儲集群，并且在導(dǎo)入過程中，對數(shù)據(jù)做去除噪聲點、篩選特定條件等清洗工作。導(dǎo)入和預(yù)處理過程中面臨的主要效率瓶頸是網(wǎng)絡(luò)帶寬和磁盤IO。

（3）數(shù)據(jù)統(tǒng)計和分析

大數(shù)據(jù)場景下的統(tǒng)計與分析主要通過分布式計算集群來對數(shù)據(jù)進(jìn)行分析和分類匯總等，在這一階段，最常用的兩個計算框架是Hadoop和Spark。統(tǒng)計與分析遇到的主要問題是，分析時所涉及的數(shù)據(jù)量通常很大，其對系統(tǒng)資源會造成極大的占用。

（4）數(shù)據(jù)挖掘

數(shù)據(jù)挖掘階段是一個知識發(fā)現(xiàn)的過程，一般沒有預(yù)先設(shè)定好的主題。比較典型的算法有用于聚類分析的K-means算法、用于統(tǒng)計學(xué)習(xí)的SVM算法和用于分類的Na?ve-Bayes算法。該過程的特點主要是用于挖掘的算法一般比較復(fù)雜，考慮到系統(tǒng)資源的開銷，需要選擇合適的計算框架。

2.2 基于聚點密度和距離的高效聚類算法

把一個數(shù)據(jù)集分割成不同的類或簇，使得同簇內(nèi)數(shù)據(jù)對象的相似性盡可能大，不同簇中數(shù)據(jù)對象的差異性也盡可能地大，通常采用聚類算法。從傳統(tǒng)的聚類分析方法來看，在進(jìn)行聚類之前都需要先確定要聚類的類別數(shù)目，然而在現(xiàn)實運營數(shù)據(jù)的分析過程中，聚類的類別結(jié)果通常是未知的，一般要經(jīng)過多次實驗來獲得相對合適的聚類數(shù)目?？紤]到本文中要分析的數(shù)據(jù)是多維度的結(jié)構(gòu)化數(shù)據(jù)，且聚類結(jié)果不需要人工干預(yù)，可以參考Alex Rodriguez和Alessandro Laio提出的新的聚類算法，下面對此聚類算法做簡要介紹。

該算法假設(shè)所確定的類簇中心點是由一些局部密度相對其較低的點所環(huán)繞，并且這些點與其他高局部密度點（其他類簇中心點）的距離都比較大。首先定義兩個值：局部密度ρi以及到其他高局部密度點的距離δi。

ρi=Σj X（dij-dc） `（1）

（2）

公式中dc是一個臨界變量值，是一個預(yù)先設(shè)定的參數(shù)。從公式（1）和（2）可以得出，ρi相當(dāng)于和點i的距離差值小于dc的點的個數(shù)。由于該算法只對ρi的相對值敏感，所以面對大數(shù)據(jù)量時，為了算法的健壯性，對dc的選擇最好使得平均每個點的鄰居數(shù)為所有點數(shù)量的1%～2%。

δi=minj：ρj>ρi （dij） （3）

根據(jù)公式（3），δi用來表示點i和點j直接的距離，其中ρj>ρi。對于ρ值最大的點，設(shè)置其δi=maxj （dij）。

局部密度ρi和據(jù)其他中心點距離δi的值均很大的點被認(rèn)為是類簇的中心。局部密度較小但是δi較大的點則是異常點。在確定了類簇中心之后，非中心點屬于其距離最近的類簇中心所代表的類簇。

圖1是以ρ為橫坐標(biāo)、以δ為縱坐標(biāo)的決策圖?？梢钥吹?，1號和10號兩個點的ρi和δi都比較大，可以作為聚類焦點。11、12、13三個點的δi比較大，但是ρi較?。ㄖ車c密度太?。?，所以是異常點，在聚類過程中將被清洗掉。

3 服務(wù)類型劃分系統(tǒng)模型設(shè)計

傳統(tǒng)的Gn數(shù)據(jù)解析過程中，在流量類型字段里，將“未識別TCP流量業(yè)務(wù)”、“未識別UDP流量業(yè)務(wù)”和“DNS解析流量業(yè)務(wù)”劃為未知服務(wù)。這樣的計算模型導(dǎo)致Gn數(shù)據(jù)解析后，業(yè)務(wù)類型里會有很高占比的未知服務(wù)。解決大量的“未知服務(wù)”的分類結(jié)果，既可以最大化地利用原始數(shù)據(jù)，又可以在多維度的情況下，細(xì)分用戶的網(wǎng)絡(luò)業(yè)務(wù)。系統(tǒng)采用分布式集群架構(gòu)，如圖2所示，分為數(shù)據(jù)獲取、數(shù)據(jù)清洗、數(shù)據(jù)解析、數(shù)據(jù)云存儲、數(shù)據(jù)模型挖掘、挖掘結(jié)果分析幾個步驟。

數(shù)據(jù)獲取階段，將Gn接口數(shù)據(jù)通過FTP的方式將數(shù)據(jù)傳送給數(shù)據(jù)清洗模塊。

數(shù)據(jù)清洗主要是完成無效字段的替換，將RNC解析流量對應(yīng)URL為空的記錄刪除，并完成目標(biāo)數(shù)據(jù)的選取，將Gn原始數(shù)據(jù)類型中流量類型為RNC解析流量的記錄截取出來。

數(shù)據(jù)解析，如圖3所示，所映射的URL包括查詢的域名及查詢類型。解析URL需要解析協(xié)議（如http、https）、域名或IP、端口號（如7001、8080）、Web上下文、URI，請求資源地址等。此處需要解析出域名，并將其存儲為一個新的字段。做一個URL映射表，將訪問域名進(jìn)行歸類映射，例如SINA映射為新聞咨詢?yōu)g覽，tianya映射為討論類論壇，weibo映射為社交網(wǎng)絡(luò)等。

數(shù)據(jù)云存儲階段，將解析后的數(shù)據(jù)以Parquet文件塊的形式存儲在HDFS上，作為數(shù)據(jù)挖掘接入口。

數(shù)據(jù)挖掘模型采用2.2節(jié)介紹的基于聚點密度和距離的高效聚類算法。將解析后的數(shù)據(jù)作為輸入端，通過挖掘模型計算，自動生成聚類結(jié)果。此處需要注意的是，由于算法中dc變量值（表示測量點臨界間距）需要事先設(shè)定好，所以為了得到合理的結(jié)果，需多次對數(shù)據(jù)進(jìn)行訓(xùn)練，找到一個符合業(yè)務(wù)分析需求的特定值。另外，根據(jù)用戶實際使用情況，同一種業(yè)務(wù)在不同時間段會產(chǎn)生不同的用戶體驗需求，以及每個人會有不同的使用習(xí)慣等，將輸入?yún)?shù)定為業(yè)務(wù)發(fā)生時間、RNC解析URL域名、年齡這三個字段。

4 計算結(jié)果分析

經(jīng)過多次訓(xùn)練，得到聚類分析結(jié)果，分別為：

（1）深夜（22：00—24：00），年齡<34，社交網(wǎng)絡(luò)；

（2）中午（11：00—13：00），26<年齡<32，新聞資訊瀏覽。

傳統(tǒng)方式的Gn數(shù)據(jù)解析后，服務(wù)類型分為流媒體業(yè)務(wù)、下載業(yè)務(wù)、即時通信、瀏覽業(yè)務(wù)和未知服務(wù)五類。結(jié)合聚類分析的結(jié)果可以初步判斷，在未知服務(wù)內(nèi)會有大部分人喜歡深夜使用社交網(wǎng)絡(luò)服務(wù)，以及會有很多青年人會選擇在中午的時候瀏覽新聞咨詢?？梢試L試在服務(wù)類型中將第五類未知服務(wù)新分出一類：社交網(wǎng)絡(luò)服務(wù)，其確定的方法可以按照聚類的方式倒推，即匹配其解析后的URL。

5 結(jié)束語

本文對比傳統(tǒng)的Gn數(shù)據(jù)解析方式，提出了一種基于數(shù)據(jù)挖掘的網(wǎng)絡(luò)業(yè)務(wù)類型劃分方法。在實際應(yīng)用中，該方法在處理大規(guī)模數(shù)據(jù)和高維數(shù)據(jù)時性能有待于提高。針對這種情況，有學(xué)者提出一種在高維空間挖掘映射聚類的方法PCKA，它能從多個維度中篩選出相關(guān)的維度，并根據(jù)相關(guān)維度進(jìn)行聚類。另一方面，如需要對全國范圍的Gn數(shù)據(jù)業(yè)務(wù)分類，應(yīng)使用更全面的數(shù)據(jù)進(jìn)行模型訓(xùn)練。

參考文獻(xiàn)：

[1] 陳宇. 京廣高鐵GPRS業(yè)務(wù)Gn接口數(shù)據(jù)監(jiān)測的應(yīng)用[J]. 鄭鐵科技， 2013（1）： 23.

[2] 韓宇. 基于數(shù)據(jù)挖掘的聯(lián)通運營監(jiān)控模塊的設(shè)計與實現(xiàn)[D]. 沈陽： 東北大學(xué)， 2011.

[3] 陳平，郭蘭珂，方俊湘. 微信業(yè)務(wù)的識別方法研究[J]. 移動通信， 2013，37（18）： 80-83.

[4] 鄭桂鳳. 移動互聯(lián)網(wǎng)的用戶行為分析系統(tǒng)的設(shè)計與實現(xiàn)[D]. 北京： 北京郵電大學(xué)， 2010.

[5] 閆春榮，牟宏蕾，郝亞飛. 移動通信大數(shù)據(jù)信息在決策分析平臺中的應(yīng)用方案研究[J]. 移動通信， 2016，40（10）： 24-28.

[6] 李玲俐. 數(shù)據(jù)挖掘中分類算法綜述[J]. 重慶師范大學(xué)學(xué)報： 自然科學(xué)版， 2011（4）： 44-47.

[7] 劉明吉，王秀峰. 數(shù)據(jù)挖掘中的數(shù)據(jù)預(yù)處理[J]. 計算機(jī)科學(xué)， 2000，27（4）： 54-57.

[8] 胡志風(fēng). 大數(shù)據(jù)在職務(wù)犯罪偵查模式轉(zhuǎn)型中的應(yīng)用[J]. 國家檢察官學(xué)院學(xué)報， 2016（4）： 144-153.

[9] 鄭雅麗. 圖書館應(yīng)用大數(shù)據(jù)的策略研究[J]. 科技視界， 2015（12）： 163-164.

[10] Usama Fayyad， Gregory Piatetsky-Shapiro， Padhraic Smyth. From data mining to knowledge discovery in databases[J]. AI magazine， 1996，17（3）： 37.

[11] Liao Shu-Hsien， Pei-Hui Chu， Pei-Yuan Hsiao. Data mining techniques and applications–A decade review from 2000 to 2011[J]. Expert Systems with Applications， 2012，39（12）： 11303-11311. ★