针对当前云网络信息数据挖掘过程存在挖掘存储容量不足,数据挖掘效率低,挖掘成功率较差等不足,提出了一种基于人工智能裁决机制的云网络信息数据挖掘算法。引入人工智能裁决框架机制,统筹兼顾传输带宽、挖掘带宽、节点缓存等影响因素,...针对当前云网络信息数据挖掘过程存在挖掘存储容量不足,数据挖掘效率低,挖掘成功率较差等不足,提出了一种基于人工智能裁决机制的云网络信息数据挖掘算法。引入人工智能裁决框架机制,统筹兼顾传输带宽、挖掘带宽、节点缓存等影响因素,获取数据挖掘强度指数,且通过该指数强化数据挖掘效率,实现了云网络条件下数据的高效并发挖掘。仿真实验表明:与当前广泛使用的超线性数据挖掘算法(Superlinear Data Mining algorithm,SDM算法)、螺旋自适应数据挖掘算法(Spiral Adaptive Data Mining algorithm,SADM算法)相比,文中算法能够显著提高挖掘效率,降低挖掘时延及挖掘错误率,有效改善网络因挖掘因素而导致的时延难题,具有显著的实际部署价值。展开更多
文摘针对当前云网络信息数据挖掘过程存在挖掘存储容量不足,数据挖掘效率低,挖掘成功率较差等不足,提出了一种基于人工智能裁决机制的云网络信息数据挖掘算法。引入人工智能裁决框架机制,统筹兼顾传输带宽、挖掘带宽、节点缓存等影响因素,获取数据挖掘强度指数,且通过该指数强化数据挖掘效率,实现了云网络条件下数据的高效并发挖掘。仿真实验表明:与当前广泛使用的超线性数据挖掘算法(Superlinear Data Mining algorithm,SDM算法)、螺旋自适应数据挖掘算法(Spiral Adaptive Data Mining algorithm,SADM算法)相比,文中算法能够显著提高挖掘效率,降低挖掘时延及挖掘错误率,有效改善网络因挖掘因素而导致的时延难题,具有显著的实际部署价值。
