導(dǎo)語(yǔ)：復(fù)雜網(wǎng)絡(luò)數(shù)據(jù)挖掘論文一文來(lái)源于網(wǎng)友上傳，不代表本站觀點(diǎn)，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

1復(fù)雜網(wǎng)絡(luò)數(shù)據(jù)流密度分析

對(duì)于一個(gè)多種網(wǎng)絡(luò)形式并存的復(fù)雜網(wǎng)絡(luò)，假設(shè)復(fù)雜網(wǎng)絡(luò)作為一個(gè)網(wǎng)絡(luò)社區(qū)，在復(fù)雜網(wǎng)絡(luò)中存在的網(wǎng)絡(luò)類型數(shù)即社區(qū)數(shù)。我們用一個(gè)無(wú)向遍歷圖GV,E來(lái)表示整個(gè)網(wǎng)絡(luò)社區(qū)，如果網(wǎng)絡(luò)中有兩個(gè)節(jié)點(diǎn)有兩條不重合的網(wǎng)絡(luò)路徑，則說(shuō)明這兩個(gè)節(jié)點(diǎn)處于一個(gè)網(wǎng)絡(luò)環(huán)路當(dāng)中，網(wǎng)絡(luò)中的數(shù)據(jù)流需要經(jīng)過(guò)網(wǎng)絡(luò)環(huán)路到達(dá)特定的節(jié)點(diǎn)。當(dāng)在某個(gè)時(shí)間段里需要傳送的數(shù)據(jù)流個(gè)數(shù)大于網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)時(shí)，則說(shuō)明該網(wǎng)絡(luò)的數(shù)據(jù)流密度較大，為了能夠準(zhǔn)確地在復(fù)雜網(wǎng)絡(luò)中挖掘出所需的數(shù)據(jù)流，則需要根據(jù)數(shù)據(jù)流密度來(lái)劃分整個(gè)網(wǎng)絡(luò)社區(qū)，尋找數(shù)據(jù)流處于哪個(gè)社區(qū)，再確定數(shù)據(jù)流所在社區(qū)的環(huán)路。在這里我們通過(guò)設(shè)計(jì)算法確定網(wǎng)絡(luò)數(shù)據(jù)流密度，來(lái)對(duì)復(fù)雜網(wǎng)絡(luò)進(jìn)行社區(qū)劃分，再對(duì)社區(qū)進(jìn)行無(wú)向環(huán)路遍歷，并通過(guò)遍歷得到該社區(qū)網(wǎng)絡(luò)的所環(huán)路，確定所需查詢的數(shù)據(jù)流位于哪個(gè)環(huán)路。以下為復(fù)雜網(wǎng)絡(luò)中需要用到的符號(hào)說(shuō)明。

2增量子空間數(shù)據(jù)挖掘算法

為了能夠有效地在復(fù)雜網(wǎng)絡(luò)中挖掘出目的數(shù)據(jù)流，使用了復(fù)雜網(wǎng)絡(luò)數(shù)據(jù)流密度的分析方法在對(duì)復(fù)雜網(wǎng)絡(luò)進(jìn)行社區(qū)劃分后，通過(guò)對(duì)社區(qū)網(wǎng)絡(luò)進(jìn)行無(wú)向環(huán)路遍歷并得到社區(qū)網(wǎng)絡(luò)的所有環(huán)路。接下來(lái)挖掘算法先后挖掘出目的數(shù)據(jù)流所屬的社區(qū)以及環(huán)路，最終確定目的數(shù)據(jù)流的具體位置。

2.1基于社區(qū)網(wǎng)絡(luò)遍歷的數(shù)據(jù)流挖掘

當(dāng)數(shù)據(jù)流i與社區(qū)k的相關(guān)度最大時(shí)，說(shuō)明數(shù)據(jù)流i位于社區(qū)k的可能性就最大。但是當(dāng)多個(gè)數(shù)據(jù)流的大小區(qū)別不大時(shí)，以數(shù)據(jù)流的大小作為指標(biāo)來(lái)定義相關(guān)度會(huì)導(dǎo)致挖掘精度較低。這里我們也引入數(shù)據(jù)流的特征集和數(shù)據(jù)流中的分組隊(duì)列長(zhǎng)度來(lái)計(jì)算相關(guān)度。

2.2基于多增量空間的數(shù)據(jù)流挖掘

在采用基于社區(qū)網(wǎng)絡(luò)遍歷的數(shù)據(jù)流挖掘方法得到數(shù)據(jù)流的所屬社區(qū)后，我們接著采用基于多增量空間的數(shù)據(jù)流挖掘方法來(lái)挖掘出數(shù)據(jù)流的所屬環(huán)路。先將社區(qū)網(wǎng)絡(luò)的環(huán)路進(jìn)行多增量空間擴(kuò)展，即先得到

目標(biāo)數(shù)據(jù)流所經(jīng)過(guò)的環(huán)路，再得到數(shù)據(jù)流所經(jīng)過(guò)的節(jié)點(diǎn)與時(shí)間的相關(guān)系數(shù)，這樣就可以在時(shí)空上確定目的數(shù)據(jù)流位于環(huán)路的哪個(gè)節(jié)點(diǎn)中。

3實(shí)驗(yàn)結(jié)果

為了驗(yàn)證本文提出的基于復(fù)雜網(wǎng)絡(luò)數(shù)據(jù)流密度的增量子空間數(shù)據(jù)挖掘算法的效果，我們通過(guò)matlab7.0軟件進(jìn)行算法仿真，其中仿真的復(fù)雜網(wǎng)絡(luò)由多種網(wǎng)絡(luò)形式組成，網(wǎng)絡(luò)節(jié)點(diǎn)有200個(gè)，數(shù)據(jù)流大小為500bytes，節(jié)點(diǎn)的接收能耗為10nJ/bit，發(fā)射能耗為50nJ/bit，進(jìn)行信號(hào)處理和功率放大的能耗為10nJ/bit。其他節(jié)點(diǎn)干擾而產(chǎn)生的能量消耗為5nJ/bit。在對(duì)本文算法進(jìn)行分析的過(guò)程中，我們采用了對(duì)比分析的方法，Lopez-Yanez等人提出一種基于時(shí)間序列數(shù)據(jù)挖掘的新的關(guān)聯(lián)模型，該模型是基于伽瑪分類，是一種監(jiān)督模式識(shí)別模型，目的是為了挖掘已知模式中的時(shí)間序列，以預(yù)測(cè)未知的值。由Negrevergne等人提出的一種PARAMINER算法：一個(gè)通用的模式挖掘算法的多核架構(gòu)。多核架構(gòu)采用的是一種新的數(shù)據(jù)集縮減技術(shù)（稱之為EL-還原），在算法中通過(guò)結(jié)合新的技術(shù)用于處理多核心架構(gòu)的并行執(zhí)行數(shù)據(jù)集。為了驗(yàn)證本文算法的挖掘有效性，我們分別在增多節(jié)點(diǎn)數(shù)量和社區(qū)網(wǎng)絡(luò)數(shù)的情況下獲取算法的數(shù)據(jù)挖掘精度。實(shí)驗(yàn)采用的精度為NMI[16]，實(shí)驗(yàn)結(jié)果如圖3和圖4所示。在不同節(jié)點(diǎn)數(shù)量下基于復(fù)雜網(wǎng)絡(luò)數(shù)據(jù)流密度的增量子空間數(shù)據(jù)挖掘算法的挖掘精度更高，挖掘精度高于85%，而文獻(xiàn)[14]的挖掘精度在77%以上，挖掘精度在76%以上。因?yàn)?、提出的關(guān)聯(lián)模型、提出的多核架構(gòu)沒(méi)有準(zhǔn)確把握數(shù)據(jù)流在不同時(shí)間段里與環(huán)路位置的相關(guān)情況。而本文算法采用社區(qū)網(wǎng)絡(luò)遍歷和多增量空間的方法可以有效地確定這種相關(guān)性。圖4為不同社區(qū)數(shù)下的算法挖掘精度，從圖中可以看出，當(dāng)社區(qū)網(wǎng)絡(luò)的種類增多時(shí)，會(huì)對(duì)算法的挖掘精度造成影響，本文算法的挖掘精度在社區(qū)數(shù)為10時(shí)是95.7%，當(dāng)社區(qū)數(shù)增加到50時(shí)為87.5%。而基于時(shí)間序列數(shù)據(jù)挖掘方法的挖掘精度在社區(qū)數(shù)為10時(shí)是88.6%，在社區(qū)數(shù)為50時(shí)是77.4%，而PARAMINER算法在社區(qū)數(shù)為10時(shí)是86.7%，社區(qū)數(shù)為50時(shí)是78.2%。因此從數(shù)據(jù)分析來(lái)看，本文算法的數(shù)據(jù)挖掘精度在社區(qū)數(shù)增多時(shí)仍能保持在較高水平。

4結(jié)論

為了提高網(wǎng)絡(luò)數(shù)據(jù)流的挖掘精度，本文提出了一種基于復(fù)雜網(wǎng)絡(luò)數(shù)據(jù)流密度的增量子空間數(shù)據(jù)挖掘算法，該算法對(duì)復(fù)雜網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)流密度分析，根據(jù)數(shù)據(jù)流密度并采用無(wú)向環(huán)路遍歷的方法來(lái)劃分整個(gè)網(wǎng)絡(luò)社區(qū)，確定數(shù)據(jù)流所屬社區(qū)。利用基于社區(qū)網(wǎng)絡(luò)遍歷的數(shù)據(jù)流挖掘方法來(lái)挖掘出數(shù)據(jù)流位于哪一個(gè)社區(qū)，接著采用基于多增量空間的數(shù)據(jù)流挖掘方法來(lái)挖掘出數(shù)據(jù)流的所屬環(huán)路，并最終確定數(shù)據(jù)流在某一刻時(shí)間里位于哪個(gè)節(jié)點(diǎn)。在實(shí)驗(yàn)中通過(guò)數(shù)據(jù)分析和對(duì)比，證明了算法在數(shù)據(jù)挖掘精度上的有效性。

作者:侯燕李巍文喬農(nóng)單位:周口師范學(xué)院西南科技大學(xué)