基于COFI-Tree的N-最有兴趣项目集挖掘算法

BOMO算法采用递归构造条件子树,在挖掘大数据集时耗时较长,执行效率低,为了解决这一不足,文中给出一种基于COFI-Tree的挖掘N-最有兴趣项目集算法。算法采用COFI-Tree结构,无需递归构造条件子树FP-Tree,在同一时间内只有一个COFI-Tree在内存,并且有效地减少了其运算时间。通过对两种算法进行对比分析,实验结果得出:该算法比BOMO算法程序执行时间明显缩短;在挖掘大数据集时执行效率显著提高,尤其是k<4时,性能最好。由此可见,改进后的算法是可行有效的。

一种含负项目的一般化关联规则挖掘算法

传统的关联规则是形如A B反映正项目之间关联关系的蕴涵式,它无法反映出数据之间隐藏的负关联关系。在表达式中引入负项目,将这种传统的关联规则扩展成包含正、负项目的一般化关联规则。介绍了一般化关联规则的概念及其相关性质定理,并加以证明,提出了一种基于频繁模式树的挖掘混合正、负项目的一般化关联规则的MGPNFP算法,对其性能进行了分析,并比较了MGPNFP算法比现有的挖掘含负项目关联规则的算法所具有的优势。

增量式规则获取方法在个性化服务中的应用

基于规则的个性化服务技术具有简单、直接等优点,但及时更新规则库比较困难。将基于规则树的增量式规则获取方法应用于个性化服务技术中,在保证规则质量前提下,大大缩短了学习时所用时间,能及时更新规则库。通过实验验证了该方法是可行的有效的。

一种联合检测命名数据网络中攻击的方法

兴趣泛洪攻击(interest flooding attack,IFA)和合谋兴趣泛洪攻击(conspiracy interest flooding attack,CIFA)是命名数据网络(named data networking,NDN)面临的典型的安全威胁.针对现有检测方法的检测特征单一因此不能有效地辨别攻击种类以及检测率不够高等问题,提出一种基于关联规则算法和决策树算法联合检测NDN中攻击的方法.首先,通过提取NDN路由节点的内容缓存(content cache,CS)中的数据信息挖掘CS中新的检测特征“缓存增长率”,实验发现“CS数据包增长率”是辨别IFA还是CIFA的有利依据.其次,使用关联规则算法将新的检测特征与待定兴趣表(pending interest table,PIT)中多个检测特征联合,寻找各个特征之间的关联性并将其作为决策树的输入.最后,使用决策树算法检测攻击.该方法使用决策树算法和关联规则算法联合检测NDN中的攻击,不仅避免了单一特征检测攻击造成的误判并且丰富了决策树的分类属性.分析仿真结果表明该检测方法可以精确地区分并检测IFA和CIFA并且提高了检测率.

基于C-D的关联规则兴趣度挖掘算法

传统的关联规则算法是针对关联关系计算它们的支持度和置信度来判断它们的关联程度,看它们之间是否具有很好的兴趣度。这里给出一种新的计算关联规则兴趣度的方法——基于坐标的距离关联规则兴趣度挖掘方法。此方法是一种基于坐标的关联规则度量方法,利用关联规则在坐标中的位置和坐标中关联规则的极限位置,根据距离的大小度量兴趣度大小。算法采用SQL SERVER作为存放数据库,以VC++作为开发环境,对新兴趣度进行测试,验证了算法的正确性。