基于大数据聚类的通信网络安全态势预测技术

传统通信网络安全态势预测技术缺乏大数据支撑,难以对发生的攻击进行详细分类和追踪,导致在进行长时间的态势预测中收敛过慢,准确度降低.提出一种基于大数据聚类的通信网络安全态势预测技术.分析通信网络的属性以及特点,选择安全态势描述一级指标,将数据标准化处理之后,细分出二级指标;优化大数据聚类算法,计算最优聚类数量、确定聚类中心,建立关联规则库并优化预测流程,完成基于大数据聚类的通信网络安全态势预测技术的设计.通过实验结果表明,与两种传统的安全态势预测技术相比,设计的技术收敛速度更快,全体数据点没有出现残差扩散的现象,并且数据完整度较高.

基于大数据聚类的搬运机器人抓取末端控制系统设计

为提高搬运机器人抓取效率,避免损伤货物,设计了基于大数据聚类的搬运机器人抓取末端控制系统。利用主控制器和驱动控制器平稳控制机器人运行,通过在末端执行器内安装红外扫描装置、集成锁相环路解码器LM567,判断货物是否处于抓取末端内部。使用FRS-402敏感电阻,降低力敏感电阻值,提高抓取的稳定性,完成系统硬件设计。基于大数据聚类拟合控制信号,降低数据维度并提取特征向量。通过匀速抓取、反馈减速以及应力松弛3步,实现搬运机器人抓取末端控制系统设计。实验结果表明,所设计系统能够有效减小抓取位置误差,提高搬运效率,降低货物损失。

基于改进K-means数据聚类算法的网络入侵检测

随着入侵手段的不断更新和升级,传统入侵检测方法准确率下降、检测时间延长,无法满足网络防御要求。为此,提出一种经过改进K均值(K-means)数据聚类算法,以应对不断升级的网络入侵行为。先以防火墙日志为基础转换数值,然后基于粒子群算法求取最优初始聚类中心,实现K-means数据聚类算法的改进;最后以计算得出的特征值为输入项,实现对网络入侵行为的精准检测。结果表明:K-means算法改进后较改进前的戴维森堡丁指数更小,均低于0.6,达到了改进目的。改进K-means算法各样本的准确率均高于90%,相对更高,检测时间均低于10 s,相对更少,说明该方法能够以高效率完成更准确的网络入侵检测。

基于数据聚类的共享电源无线网络通信数据加密系统

共享电源无线网络通信数据加密方法由于难以对缺失信息进行精准聚类,导致在规定时间内加密范围较小。为此,提出基于数据聚类的共享电源无线网络通信数据加密系统。系统硬件主要设计了STM32微处理器和通信器,STM32微处理器的外设结构可以直接与共享电源中的DMA单元关联运行,内部的芯片支持后期升级与拓展,引导ST为STM32微处理器提供固定驱动程序,为数据聚类提供了空间。通信器采用GPRS芯片,在安全方面设计了接收端口与发送端口之间基于串口RS232的TCP连接,支持5G网络环境下的所有射频技术应用,是提高聚类数据效率的基础。利用数据聚类进行数据筛选,设定共享电源无线网络通信数据筛选程序,将聚类信息汇总分别在发送端和接收端进行加密,实现加密软件操作。实验结果表明,加密数据量为50 GB时,正常数据加密时间为24.39 s,存在缺失数据加密时间为24.57 s,加密时间为15 s时,该文方法的加密数据量可达15 GB,表明该文方法能够很好地弥补缺失信息,扩大加密范围。

基于数据聚类的无线网络通信数据加密系统

无线网络通信数据加密安全性问题严重威胁通信安全,为了解决这个安全隐患,设计了基于数据聚类的无线网络通信数据加密系统。采用锁盒和门禁模块设计加密控制子系统,使文件块密钥保存到密码箱中。在密钥管理子系统中研制步进电动机驱动电路,消除存储于只读内存中的干扰网卡地址。结合改进K-means算法聚类无线通信数据,处理聚类数据,使其形成密文。通过检查无线网络ID和时间戳,生成加密聚类通信报告,实现无线网络安全通信。由实验结果可知,该系统能够得到准确加密信息,且与理想时间戳存在00:01:00的误差,证明了该系统在保证安全通信基础上提高了加密性能。

基于改进PSO-Means算法的大数据聚类处理方法

针对大数据聚类处理存在不同类型数据聚类效果差、聚类耗时长的问题,提出了基于改进PSO-Means(Particle Swarm Optimization Means)算法的大数据聚类处理方法。该方法采用粒子群算法确定一次聚类过程中单位粒子的飞行时间和飞行方向,预先设定初始聚类中心的选择范围,并适当调整单位粒子的惯性权重,以消除粒子振荡造成的聚类缺陷,成功获取基于大规模数据的聚类中心。结合生成树算法,通过从样本偏差和质心偏度两个方面对PSO算法进行优化,并将优化后的聚类中心输入到k-means聚类算法中,实现大数据聚类处理。实验结果表明,改进的PSO-Means方法可以有效地聚类不同类型的数据,并且聚类耗时仅为0.3 s,验证了该方法具备较好的聚类性能和聚类效率。

蜂窝移动网络大数据聚类异常挖掘方法仿真

蜂窝移动网络可提供话音、数据、视频图像等业务,具有终端移动性、越区切换和跨本地网自动漫游功能,因此上述网络环境中的数据为移动宽带数据流量,数据量巨大,并一直处于自更新状态,导致其聚类过程中易产生异常数据。针对上述问题,提出蜂窝移动网络大数据聚类异常挖掘方法。根据蜂窝移动网络的结构、数据存储结构以及数据特征,对数据属性聚类,并提取异常数据的弱相关特征值。基于以上情况,将提取的弱相关特征值输入至聚类器中,挖掘蜂窝移动网络大数据的异常数据。实验结果表明,蜂窝移动网络大数据量逐渐增多时,研究方法的挖掘准确性仍能保持在98.5%以上,耗时可控制4ms以内,漏检率始终低于1%,误检率不超过2%。以上所得数据说明该方法的应用可靠性更优。

基于大数据聚类的飞行探测器复合跟踪控制系统设计

飞行探测器会受到气象条件、磁场等环境干扰,影响探测器的运动轨迹,进而影响跟踪精度;为实现对飞行探测器运动轨迹的实时跟踪与控制,设计基于大数据聚类的飞行探测器复合跟踪控制系统;在复合框架体系中,设置主控芯片、伺服驱动设备两类应用结构,并联合信标机元件,调节微惯性传感器器件的实时连接状态,完成飞行探测器复合跟踪控制系统的硬件设计;完善大数据聚类算法,根据跟踪路径节点标定结果,定义具体的复合跟踪坐标系,完成对飞行探测器复合跟踪的实时控制建模,结合相关硬件,实现基于大数据聚类的飞行探测器复合跟踪控制系统的设计;实验结果表明,所设计系统在跟踪1号、2号目标的跟踪准确率平均值分别为96.5%、97.0%,对目标跟踪时延的平均值为0.9 ms,可以保证基站主机对飞行探测器运动轨迹的实时控制能力。

基于密度峰值的高维电力负荷数据聚类方法

由于电力能源应用量的暴增,电力负荷数据体量也逐渐加大,隐藏信息挖掘难度越来越大,对负荷数据处理技术提出了更高的要求,为此提出基于密度峰值的高维电力负荷数据聚类方法。深入剖析电力负荷数据特征,检测并修正其中的异常数据,去除负荷曲线基荷部分,完成负荷数据的预处理。确定电力负荷数据局部密度计算公式,引入密度峰值聚类算法制定高维电力负荷数据聚类程序,执行指定程序即可获得负荷数据聚类结果。实验数据显示,应用提出方法后,DBI指标最小值为0.22,FMI指标最大值为0.96,表明其数据聚类效果更好,证实了提出方法的应用性能较佳。

基于改进k-means算法的电力负荷数据聚类方法

针对现有数据聚类方法难以对电力系统负荷数据进行有效聚类的问题,该文结合改进k-means算法,完成电力负荷数据聚类方法设计。该研究基于电力负荷数据中心点生成过程,构建中心点间距与类簇距离判定函数,筛选电力负荷数据聚类中心。确定聚类中心后,采用数据分离方法完成正常负荷数据和异常负荷数据的分离,在分离过程中应保证数据连续,以避免潜在有用数据丢失。利用改进的k-means算法分析电力负荷数据,计算不同种类数据间的欧氏距离。设定指针矩阵,融合不同类中心点,对原始数据区间规范化操作,获取不同簇的负荷数据聚类通道传输功率谱密度。将数据依次分配到不同簇上,实现电力负荷数据聚类。由实验结果可知,该方法站点1数据聚类范围为0.3~0.48 pu,站点2数据聚类范围为0.34~0.47 pu,优于对比方法,与理想聚类范围最贴近,具有良好的聚类效果。

结合非负矩阵分解和流形学习的大数据聚类方法研究

数据规模扩大与数据关系复杂化给数据聚类带来了挑战,现有方法性能已无法满足求解具备多视图、多类型关系的多维数据聚类问题。提出了一种结合非负矩阵分解框架的流形学习方法,学习多维数据的准确低阶表示,该低阶表示可用于数据检索、分类和聚类等多种用途。还在非负矩阵分解框架中加入多样流形学习,利用不同数据类型数据点之间的距离信息来学习不同的流形以进行数据聚类。直接从输入数据矩阵中同时学习,而不是像现有聚类方法那样依靠重构一个大对称矩阵来求解多维数据聚类问题。对于新制定的目标函数,建立了一套更新规则,保证了所提出方法的正确性和收敛性。进行了严格的实验来测试所提出方法在多维数据上的聚类性能,并将其与基于非负矩阵分解的其他方法进行对比。实验结果表明,所提出方法能够更好地学习数据聚类结构,验证了其有效性。

一种基于路网数据聚类计算的烟草市场区域自动划分方法的研究

按照一定规则对市场区域进行划分是提高管理质效、增强布局科学性、优化市场单元管理的重要手段。在行业加快高质量发展、推进专卖数字化转型的大背景下,文章利用地图工具及路网数据实现了地图数据的聚类计算,从而探索了烟草市场区域的自动化划分方法。该方法既能提升烟草市场区域布局的科学性,又能利用大数据思维和方法助力烟草专卖管理的数字化转型。

基于大数据聚类的通信网络安全态势预测方法研究

文章综合运用大数据聚类技术和深度学习方法,提出一种基于密度的空间聚类算法(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)、K-means聚类以及长短期记忆(Long Short-Term Memory,LSTM)神经网络的通信网络安全态势预测方法。该方法通过聚类分析多源异构的网络安全数据,提取关键安全态势特征,并利用LSTM模型建立安全态势预测模型。实验结果验证了该方法的有效性,为智能化网络安全管理提供新的思路。

基于相似性保持和特征变换的高维数据聚类改进算法

提出一种基于相似性保持和特征变换的高维数据聚类改进算法。首先,通过相似性度量函数计算得到高维空间对象相似度矩阵,并利用近邻法、Floyd最短路径算法将相似度矩阵转换为最短路径距离矩阵;然后,将高维特征变换转化为遗传优化问题,利用特征变换降维后的二维数据进行k-均值聚类,并根据(高维坐标,降维后二维坐标)值进行RBF神经网络训练,当新对象输入时,利用训练好的神经网络对其进行二维映射,通过判断该对象与各聚类簇中心距离的远近获得其归属;最后,通过试验验证了改进相似性度量函数能够有效表达高维数据对象间的相似性,且基于特征变换的降维方法具有可操作性。

基于改进量子旋转门的量子进化数据聚类

在量子进化计算中,量子旋转门是种群进化的主要算子,但是该算子旋转角度的选取是离散且固定的,使问题的搜索容易陷入局部最优.因此,本文提出了一种改进的量子旋转门算子,它能够自适应地计算旋转角度,使种群能够具有比较好的全局搜索能力;同时为了避免陷入局部最优,本文对旋转后的概率幅进行了修正操作.针对数据聚类问题,本文提出了一种基于改进量子旋转门的量子进化数据聚类方法.仿真对比实验表明:与采用常规的量子旋转门的算法及一些其他的进化算法相比,本文方法在聚类正确率上有了很大的改善;同时,针对具有对称分布的数据集,在统一采用对称距离测度后,本文的方法也取得了较好的效果.

混合属性数据聚类的新方法

提出了一种数值型和类别型混合属性数据聚类的全局算法。算法通过随机选取足够多的初始原型来覆盖数据集的全局分布信息,然后通过评估函数迭代地消去多余的原型。最后对本文算法进行了验证,证明了该算法的有效性和收敛性。并与其他已有同类型算法的聚类结果进行比较,说明本文算法对混合属性数据具有更高的聚类准确度,为解决混合型数据聚类问题提供了一种新途径。

基于特征加权理论的数据聚类算法

针对数据挖掘过程中数据聚类操作的初始聚类数目和初始聚类中心确定困难的问题,提出了一种软子空间结合竞争合并机制的模糊加权聚类算法.通过对软子空间聚类算法的目标函数进行改写,并结合数据簇势的大小对各数据簇进行竞争与合并操作,实现了对数据的聚类处理.结果表明,该算法能够准确地对数据样本进行聚类,并且聚类结果与初始数据簇数目和初始聚类中心无关,能够满足对高维数据聚类处理的需要,具有较好的实际应用价值.

TGSOM:一种用于数据聚类的动态自组织映射神经网络

针对传统Kohonen自组织特征映射(SOFM)神经网络模型结构需预先指定的限制,提出一种新的树形动态自组织映射(TGSOM)神经网络,当用于数据挖掘时该网络以其生成速度快可视性好具有显著优越性。该文详尽描述了该网络模型的生成算法,研究了算法中扩展因子的作用。扩展因子与训练样本数据的维数无关,其作用是控制网络的生长,扩展因子可以反映数据聚类的精度,即扩展因子值的大小与聚类精度的高低成正比。在聚类的不同阶段使用大小不等的扩展因子还可以实现层次聚类。

基于改进K-means++和DBSCAN的大数据聚类方法

为改善大规模数据集的处理性能,提出了基于改进K-means++和基于密度的含噪声应用空间聚类(DBSCAN)算法的大数据聚类方法。首先,将K-means++与局部搜索策略相结合,在数据集上进行初始化分区,然后利用DBSCAN算法在每个分组内单独执行数据聚类。利用改进K-means++算法提高数据预处理质量,并通过分区并行聚类的操作显著降低DBSCAN的计算负担,加快处理速度。最后,通过两阶段的剪枝策略对边缘聚类进行高效合并。实验结果表明,所提方法大幅降低了DBSCAN的执行时间,且聚类数据的质量与原DBSCAN算法非常接近,在UCI库的Bitcoin数据集上比其他比较方法的聚类效率提高了10倍以上,在处理时间和聚类数据质量之间实现了最优平衡。

数据聚类的FCM与aiNet方法

模糊C均值聚类算法使用欧氏距离衡量,遇到潜在的类或簇背离超球面结构时表现不佳。利用免疫理论中的克隆选择、亲和力成熟和免疫网络理论来建构一种网络模型aiNet,将其用于数据聚类可以减少数据中的冗余,描述数据结构和聚类形状。通过实验比较了这两种方法的特点,结果表明,当潜在的类或簇背离凸集时,aiNet方法表现出良好的适应性。