上行鏈路干擾下雙層網(wǎng)絡(luò)中心數(shù)據(jù)挖掘方法

冀江瑀，陳秀波

(1. 北京郵電大學(xué)網(wǎng)絡(luò)空間安全學(xué)院，北京 102206；2. 北京郵電大學(xué)網(wǎng)絡(luò)空間安全學(xué)院信息安全中心，北京 102206)

1 引言

隨著互聯(lián)網(wǎng)技術(shù)的不斷發(fā)展，網(wǎng)絡(luò)中多樣數(shù)據(jù)的呈現(xiàn)不斷增長(zhǎng)趨勢(shì)。這些數(shù)據(jù)的出現(xiàn)影響了網(wǎng)絡(luò)運(yùn)行速度以及數(shù)據(jù)挖掘的難度。其中，雙層網(wǎng)絡(luò)是采用物聯(lián)網(wǎng)和無(wú)線傳感組網(wǎng)進(jìn)行網(wǎng)絡(luò)組網(wǎng)設(shè)計(jì)的分布式網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，雙層網(wǎng)絡(luò)在實(shí)現(xiàn)數(shù)據(jù)傳輸中容易受到上行鏈路干擾，導(dǎo)致雙層網(wǎng)絡(luò)可靠性較低，需要對(duì)上行鏈路干擾下雙層網(wǎng)絡(luò)中心數(shù)據(jù)進(jìn)行挖掘，提升雙層網(wǎng)絡(luò)中心數(shù)據(jù)的可靠性。采用上行鏈路干擾抑制和特征提取方法，進(jìn)行雙層網(wǎng)絡(luò)中心數(shù)據(jù)挖掘優(yōu)化，提高對(duì)雙層網(wǎng)絡(luò)中心數(shù)據(jù)的檢測(cè)和識(shí)別能力，相關(guān)雙層網(wǎng)絡(luò)中心數(shù)據(jù)挖掘方法研究將在優(yōu)化網(wǎng)絡(luò)的傳輸性能，提高網(wǎng)絡(luò)輸出穩(wěn)定性對(duì)雙層網(wǎng)絡(luò)的優(yōu)化十分重要。為此，該領(lǐng)域相關(guān)研究者進(jìn)行了很多研究，并取得了一定成果。

文獻(xiàn)[3]提出復(fù)雜光纖網(wǎng)絡(luò)多來(lái)源數(shù)據(jù)深度挖掘方法。該方法通過(guò)優(yōu)化后的粒子群算法尋找到網(wǎng)絡(luò)中數(shù)據(jù)的特點(diǎn)，將獲取的數(shù)據(jù)特征和網(wǎng)絡(luò)中多種其它數(shù)據(jù)流相融合，將數(shù)據(jù)集合中數(shù)據(jù)長(zhǎng)度進(jìn)行排列，然后對(duì)數(shù)據(jù)密度進(jìn)行解析和聚類，完成網(wǎng)絡(luò)中數(shù)據(jù)的挖掘。該方法有效分析了光纖網(wǎng)絡(luò)中數(shù)據(jù)特征，提取精度較高，但該方法未過(guò)多考慮多層次網(wǎng)絡(luò)環(huán)境中多種數(shù)據(jù)，存在一定局限性。文獻(xiàn)[4]提出基于模糊神經(jīng)網(wǎng)絡(luò)的異常網(wǎng)絡(luò)數(shù)據(jù)挖掘方法。該方法首先獲取了網(wǎng)絡(luò)中異常數(shù)據(jù)之間存在的相似之處，將數(shù)據(jù)的屬性特征進(jìn)行有效的獲取，在此基礎(chǔ)上，引入聯(lián)合關(guān)聯(lián)規(guī)則將獲取的數(shù)據(jù)特征進(jìn)行模糊融合處理，將處理后的結(jié)果進(jìn)行混合加權(quán)和自適應(yīng)分塊匹配，完成網(wǎng)絡(luò)數(shù)據(jù)集的挖掘。該方法對(duì)異常數(shù)據(jù)的挖掘精度較好，但操作過(guò)程復(fù)雜且耗時(shí)較長(zhǎng)。

針對(duì)上述方法中存在的問(wèn)題，本文提出一種新的雙層網(wǎng)絡(luò)中心數(shù)據(jù)挖掘方法。該方法通過(guò)對(duì)雙層網(wǎng)絡(luò)中心數(shù)據(jù)特征的獲取以及對(duì)雙層網(wǎng)絡(luò)中干擾數(shù)據(jù)的抑制等處理，完成了雙層網(wǎng)絡(luò)中心數(shù)據(jù)挖掘方法的優(yōu)化。該方法研究了上行鏈路干擾情況下數(shù)據(jù)挖掘方法，與傳統(tǒng)方法相比具有數(shù)據(jù)挖掘精度高、耗時(shí)短等優(yōu)勢(shì)，具有一定研究?jī)r(jià)值。

2 雙層網(wǎng)絡(luò)中心數(shù)據(jù)的存儲(chǔ)模型

2.1 雙層網(wǎng)絡(luò)中心數(shù)據(jù)存儲(chǔ)模型構(gòu)建

為了實(shí)現(xiàn)上行鏈路干擾下雙層網(wǎng)絡(luò)中心數(shù)據(jù)挖掘，首先構(gòu)建上行鏈路干擾下雙層網(wǎng)絡(luò)傳輸和分析模型，根據(jù)數(shù)據(jù)的數(shù)值屬性和分類屬性進(jìn)行模糊聚類和信息融合處理。

當(dāng)上行鏈路干擾下雙層網(wǎng)絡(luò)中心數(shù)據(jù)分布關(guān)聯(lián)映射存在

Γ

：

P

→

Q

2+1，表示

Γ

(

v

)=[

u

(

v

)，

u

(

φ

(

v

))，…，

u

(

φ

2(

v

))]為一個(gè)采樣節(jié)點(diǎn)分布集，上行鏈路干擾下雙層網(wǎng)絡(luò)中心數(shù)據(jù)采集的標(biāo)簽分布集為

(1)

根據(jù)上行鏈路干擾下雙層網(wǎng)絡(luò)中心數(shù)據(jù)的種類屬性

b

(

j

=1，2，…，

n

)進(jìn)行特征分類，令

Y

={

Y

，

Y

，…，

Y

}是混合屬性數(shù)據(jù)集

U

上的一個(gè)向量分布集合，根據(jù)上行鏈路干擾下雙層網(wǎng)絡(luò)中心數(shù)據(jù)采樣的節(jié)點(diǎn)分布模型，雙層網(wǎng)絡(luò)中心數(shù)據(jù)的稀疏性特征分解模型為

+

j

2π(

η

-

η

)[

Ei

(

j

2π

f

(

b

-

η

))

(2)

(3)

根據(jù)上述分析，此時(shí)需要提取上行鏈路干擾下雙層網(wǎng)絡(luò)中心數(shù)據(jù)的統(tǒng)計(jì)特征量和關(guān)聯(lián)規(guī)則特征量，并對(duì)該環(huán)境下網(wǎng)絡(luò)中的核心數(shù)據(jù)進(jìn)行獲取和保存，構(gòu)建的儲(chǔ)存模型如圖1 所示。

圖1 雙層網(wǎng)絡(luò)中心數(shù)據(jù)分布存儲(chǔ)模型

2.2 分塊區(qū)域融合

在上述構(gòu)建的雙層網(wǎng)絡(luò)中心數(shù)據(jù)存儲(chǔ)模型基礎(chǔ)上，將上述數(shù)據(jù)進(jìn)行有效的融合十分重要。本文采用分塊區(qū)域融合方法進(jìn)行網(wǎng)絡(luò)數(shù)據(jù)的分塊區(qū)域融合處理，結(jié)合特征提取結(jié)果進(jìn)行數(shù)據(jù)挖掘，在大規(guī)模數(shù)據(jù)集約束下，上行鏈路干擾下雙層網(wǎng)絡(luò)中心數(shù)據(jù)的關(guān)聯(lián)規(guī)則知識(shí)集為

(4)

其中，

r

(

t

)為上行鏈路干擾下雙層網(wǎng)絡(luò)中心數(shù)據(jù)的統(tǒng)計(jì)特征量模糊加權(quán)值。

在模糊關(guān)聯(lián)度約束下，進(jìn)行上行鏈路干擾下雙層網(wǎng)絡(luò)的分布式融合處理，結(jié)合模糊質(zhì)心和均值進(jìn)行上行鏈路干擾下雙層網(wǎng)絡(luò)中心數(shù)據(jù)的自適應(yīng)融合，數(shù)據(jù)對(duì)象的統(tǒng)計(jì)特征值為

(5)

在混合屬性條件下，數(shù)據(jù)關(guān)聯(lián)規(guī)則點(diǎn)記為[

n

，

m

]，在有限數(shù)據(jù)集內(nèi)，相異度特征量滿足

N

∈[

n

，

m

]，數(shù)值屬性的屬性值為

(6)

其中，

φ

表示上行鏈路干擾下雙層網(wǎng)絡(luò)中心數(shù)據(jù)的能量分布幅值，為

N

階方陣，即

A

={

a

，，0<

i

，

j

<

N

}，其中

m

，為上行鏈路干擾下雙層網(wǎng)絡(luò)中心數(shù)據(jù)的魯棒特征分布矩陣，表示為

R

×1。

3 雙層網(wǎng)絡(luò)中心數(shù)據(jù)挖掘算法優(yōu)化

3.1 上行鏈路干擾抑制

在上述提取的上行鏈路干擾下雙層網(wǎng)絡(luò)中心數(shù)據(jù)基礎(chǔ)上，對(duì)其進(jìn)行數(shù)據(jù)挖掘優(yōu)化分析。構(gòu)建雙層網(wǎng)絡(luò)中心數(shù)據(jù)的多維尺度分解模型，采用射頻標(biāo)簽識(shí)別技術(shù)進(jìn)行上行鏈路干擾下雙層網(wǎng)絡(luò)中心數(shù)據(jù)的向量量化處理，構(gòu)建上行鏈路干擾下雙層網(wǎng)絡(luò)中心數(shù)據(jù)多源分布模型

G

=[

g

，

g

，…，

g

]

(7)

采用語(yǔ)義本體模型檢測(cè)方法，將上行鏈路干擾下雙層網(wǎng)絡(luò)中心數(shù)據(jù)進(jìn)行多元?jiǎng)澐帧８鶕?jù)挖掘數(shù)據(jù)的維度特征，采用云計(jì)算方法進(jìn)行處理。將數(shù)據(jù)從高維降低到低維，構(gòu)建上行鏈路干擾下雙層網(wǎng)絡(luò)中心數(shù)據(jù)融合模型，即

max

F

(

X

)=(

F

(

X

)，

F

(

X

)，…，

F

(

X

))

s.t.

g

(

X

)≤0(

j

=1，2，…，

p

)

h

(

X

)=0(

k

=1，2，…，

p

)

(8)

采用模糊關(guān)聯(lián)規(guī)則調(diào)度方法對(duì)獲取的雙層網(wǎng)絡(luò)中心數(shù)據(jù)進(jìn)行尋優(yōu)處理。獲取雙層網(wǎng)絡(luò)中任意節(jié)點(diǎn)的首要特征，在指定離散區(qū)間內(nèi)上行鏈路雙層網(wǎng)絡(luò)中心數(shù)據(jù)挖掘的關(guān)聯(lián)規(guī)則集表達(dá)式為

(9)

(10)

(11)

其中，

P

(

X

)、

P

(

Y

)表示上行鏈路干擾下雙層網(wǎng)絡(luò)中心數(shù)據(jù)的關(guān)聯(lián)融合度，

X

、

Y

為混合屬性條件向量集量，

P

(

X

∩

Y

)是上行鏈路干擾下雙層網(wǎng)絡(luò)中心數(shù)據(jù)融合的交叉分布概念集。從數(shù)據(jù)集中隨機(jī)選擇

k

個(gè)不同的數(shù)據(jù)進(jìn)行參數(shù)自適應(yīng)調(diào)節(jié)，得到調(diào)節(jié)系數(shù)，結(jié)合資源融合調(diào)度方法，對(duì)簇中心數(shù)值屬性進(jìn)行分類設(shè)計(jì)，得到輸出為

O

，數(shù)值屬性的模糊特征集為

T

=

N

O

。上行鏈路干擾下雙層網(wǎng)絡(luò)中心數(shù)據(jù)挖掘的匹配度為

(12)

設(shè)定上行鏈路干擾下雙層網(wǎng)絡(luò)中心數(shù)據(jù)分布關(guān)鍵指標(biāo)特征分布為

X

=(

x

，

x

………

x

)，在有限空間內(nèi)，得到上行鏈路干擾下雙層網(wǎng)絡(luò)中心數(shù)據(jù)挖關(guān)聯(lián)規(guī)則知識(shí)庫(kù)分布結(jié)構(gòu)滿足

c

O

<

O

，?

j

∈[0，

N

-1]。根據(jù)上述分析，實(shí)現(xiàn)對(duì)上行鏈路干擾下雙層網(wǎng)絡(luò)中心數(shù)據(jù)挖掘的干擾抑制。

3.2 數(shù)據(jù)挖掘輸出

根據(jù)關(guān)聯(lián)知識(shí)融合結(jié)果進(jìn)行雙層網(wǎng)絡(luò)中心數(shù)據(jù)的相關(guān)性融合，結(jié)合自適應(yīng)濾波方法進(jìn)行上行鏈路干擾抑制，實(shí)現(xiàn)上行鏈路干擾下雙層網(wǎng)絡(luò)中心數(shù)據(jù)挖掘優(yōu)化，構(gòu)建上行鏈路干擾下雙層網(wǎng)絡(luò)中心數(shù)據(jù)的量化融合矩陣

ψ

+1，計(jì)算式如下

(13)

將規(guī)模為

n

的數(shù)據(jù)集

X

劃分

C

個(gè)聚類簇，進(jìn)行上行鏈路干擾下雙層網(wǎng)絡(luò)中心數(shù)據(jù)的測(cè)度分解，得到測(cè)度分解矩陣為

(14)

(15)

考慮等價(jià)語(yǔ)義映射，得到上行鏈路干擾下雙層網(wǎng)絡(luò)中心數(shù)據(jù)分布的鏈路集滿足

P

∈

R

×、

R

∈

R

×和

H

∈

R

×，特征分布集滿足

d

～

p

(

e

，

q

)，上行鏈路干擾下雙層網(wǎng)絡(luò)中心數(shù)據(jù)挖掘的整合矩陣：

(16)

根據(jù)上述分析，結(jié)合上行鏈路干擾下雙層網(wǎng)絡(luò)中心數(shù)據(jù)整合的匹配指標(biāo)集

E

∈

E

(

k

=1，2，…，

t

)，構(gòu)建數(shù)據(jù)挖掘的圖模型為

P

∈

P

(

i

=1，2，…，

m

)，由此實(shí)現(xiàn)上行鏈路干擾下雙層網(wǎng)絡(luò)中心數(shù)據(jù)挖掘優(yōu)化。

4 仿真分析

4.1 實(shí)驗(yàn)環(huán)境及參數(shù)

仿真在Matlab 7.2 軟件上進(jìn)行，操作系統(tǒng)為Windows XP 系統(tǒng)，CPU 為3.6 GHz，運(yùn)行內(nèi)存為8 GB，上行鏈路干擾下雙層網(wǎng)絡(luò)中心數(shù)據(jù)采樣的分塊長(zhǎng)度為800，對(duì)雙層網(wǎng)絡(luò)中心數(shù)據(jù)檢測(cè)的迭代次數(shù)為100，上行鏈路干擾下雙層網(wǎng)絡(luò)中心數(shù)據(jù)采樣樣本的個(gè)數(shù)為1024，采樣的周期為T=0.04 s，雙層網(wǎng)絡(luò)中心數(shù)據(jù)挖掘過(guò)程中，受到上行鏈路干擾下的強(qiáng)度為SNR=0～24 dB。雙層網(wǎng)絡(luò)中心數(shù)據(jù)的采樣結(jié)果如圖2所示。

圖2 雙層網(wǎng)絡(luò)中心數(shù)據(jù)的采樣結(jié)果

4.2 仿真結(jié)果分析

以圖2數(shù)據(jù)為測(cè)試對(duì)象，構(gòu)建雙層網(wǎng)絡(luò)中心數(shù)據(jù)的多維尺度分解模型，根據(jù)關(guān)聯(lián)知識(shí)的融合結(jié)果進(jìn)行雙層網(wǎng)絡(luò)中心數(shù)據(jù)的相關(guān)性融合，得到數(shù)據(jù)挖掘輸出如圖3所示。

圖3 數(shù)據(jù)挖掘輸出

分析圖3得知，采用本文方法能有效實(shí)現(xiàn)雙層網(wǎng)絡(luò)中心數(shù)據(jù)挖掘，數(shù)據(jù)挖掘輸出的特征分辨力較好。隨著尺度系數(shù)的不斷改變，采用所提方法進(jìn)行數(shù)據(jù)挖掘后輸出的波形較為穩(wěn)定，且在規(guī)定時(shí)間范圍內(nèi)數(shù)據(jù)輸出的特征分辨率較為明顯，驗(yàn)證了所提方法的有效性。

為保證所提方法的有效性，仿真分析了所提方法、復(fù)雜光纖網(wǎng)絡(luò)多來(lái)源數(shù)據(jù)深度挖掘以及基于模糊神經(jīng)網(wǎng)絡(luò)的異常網(wǎng)絡(luò)數(shù)據(jù)挖掘?qū)ι闲墟溌犯蓴_下雙層網(wǎng)絡(luò)中心數(shù)據(jù)挖掘精度進(jìn)行了對(duì)比，為保證實(shí)驗(yàn)精度，進(jìn)行了多次迭代分析，且獲取的結(jié)果均為平均值，實(shí)驗(yàn)結(jié)果如圖4 所示：

圖4 不同方法數(shù)據(jù)挖掘精度分析

分析圖4 可以看出，隨著迭代次數(shù)的改變，所提方法、復(fù)雜光纖網(wǎng)絡(luò)多來(lái)源數(shù)據(jù)深度挖掘以及基于模糊神經(jīng)網(wǎng)絡(luò)的異常網(wǎng)絡(luò)數(shù)據(jù)挖掘方法在數(shù)據(jù)挖掘中的精度發(fā)生一定改變。其中，所提方法的數(shù)據(jù)挖掘精度最高約為98 %，復(fù)雜光纖網(wǎng)絡(luò)多來(lái)源數(shù)據(jù)深度挖掘的數(shù)據(jù)挖掘精度最高約為78 %，基于模糊神經(jīng)網(wǎng)絡(luò)的異常網(wǎng)絡(luò)數(shù)據(jù)挖掘方法的數(shù)據(jù)挖掘精度最高約為76 %，相比之下所提方法的挖掘精度最高。這是由于所提方法針對(duì)網(wǎng)絡(luò)中存在的干擾數(shù)據(jù)進(jìn)行抑制，提升了數(shù)據(jù)挖掘的精度，驗(yàn)證了所提方法的科學(xué)有效性。

為進(jìn)一步分析所提方法的有效性，仿真測(cè)試不同方法進(jìn)行數(shù)據(jù)挖掘的時(shí)間開銷，得到對(duì)比結(jié)果見表1所示：

表1 時(shí)間開銷對(duì)比(單位：s)

分析表1中數(shù)據(jù)得知，在相同實(shí)驗(yàn)環(huán)境下進(jìn)采用三種方法對(duì)上行鏈路干擾下雙層網(wǎng)絡(luò)中心數(shù)據(jù)挖掘的時(shí)間開銷存在一定差距。其中，所提方法的時(shí)間開銷最短約為0.34 s，而其它兩種方法的時(shí)間開銷始終高于所提方法，驗(yàn)證了所提方法的可行性。這是由于所提方法在進(jìn)行數(shù)據(jù)挖掘之前評(píng)估不同屬性數(shù)據(jù)度量值，獲取上行鏈路干擾下雙層網(wǎng)絡(luò)中心數(shù)據(jù)的譜特征分布，根據(jù)關(guān)聯(lián)規(guī)則特征量構(gòu)建雙層網(wǎng)絡(luò)中心數(shù)據(jù)分布存儲(chǔ)模型，降低了數(shù)據(jù)挖掘的復(fù)雜程度，進(jìn)而降低了挖掘的耗時(shí)。

5 結(jié)束語(yǔ)

針對(duì)上行鏈路干擾下雙層網(wǎng)絡(luò)中心數(shù)據(jù)挖掘方法中存在的一定問(wèn)題，提出了一種全新的優(yōu)化方法。該方法首先獲取雙層網(wǎng)絡(luò)中心數(shù)據(jù)的特征及分布情況，然后將其數(shù)據(jù)特征進(jìn)行融合，對(duì)數(shù)據(jù)向量進(jìn)行量化處理，在雙層網(wǎng)絡(luò)中心數(shù)據(jù)中存在干擾時(shí)，對(duì)其進(jìn)行有效的抑制，實(shí)現(xiàn)了上行鏈路干擾下雙層網(wǎng)絡(luò)中心數(shù)據(jù)挖掘方法的優(yōu)化。與傳統(tǒng)方法相比所提方法具有以下優(yōu)勢(shì)：

1)采用所提方法對(duì)上行鏈路干擾下雙層網(wǎng)絡(luò)中心數(shù)據(jù)挖掘進(jìn)行傳輸?shù)姆直媛市Ч^好，具有一定優(yōu)勢(shì)；

2)采用所提方法對(duì)上行鏈路干擾下雙層網(wǎng)絡(luò)中心數(shù)據(jù)挖掘的精度最高約為98 %，具有一定可信度。

3)采用所提方法對(duì)上行鏈路干擾下雙層網(wǎng)絡(luò)中心數(shù)據(jù)挖掘進(jìn)行傳輸?shù)臅r(shí)間開銷最短約為0.34 s，其處理速度較快。

雖然本文方法在現(xiàn)階段取得了一定成果，但還存在一定不足，未來(lái)將對(duì)數(shù)據(jù)中干擾成分進(jìn)行詳細(xì)研究，以提升數(shù)據(jù)挖掘的性能。