大数据网络中异常数据的分类检索算法设计

有效发现异常数据对于保护大数据网络安全具有重要意义。针对常规分类检索算法准确性不高、时间开销大的问题,设计一种大数据网络中异常数据的分类检索算法。通过计算影响程度,选取网络大数据特征,包括源IP信息熵、目的端口信息熵、出入度比值、单边连接密度、数据流持续时间、TCP总量、包长度、空闲时间平均值,并实施标准化处理。由数据特征构成特征向量,用于描述网络数据样本。利用改进密度峰值聚类算法对网络大数据样本分类。基于相似度构建检索模型,利用计算异常数据参考样本与每个类别之间的相似度,将相似度最大值对应的簇作为异常簇,由此完成了对异常数据的检索。结果表明:所研究分类检索方法的CH指标更好、Jaccard系数更大以及分类检索总时间开销更少,由此说明所研究分类检索方法的分类检索能力更强,能在更短的时间内完成更为准确的异常数据检索。

基于IDPC-RVM的多模态间歇过程质量变量在线预测

间歇过程具有多模态特性,现有的间歇过程模态划分方法中过程数据高维特征和模态中心的选取直接影响模态划分结果的合理性,进而影响间歇过程质量变量在线预测的精度。为提高间歇过程质量变量在线预测的精度,提出了一种基于改进密度峰值聚类相关向量机(improved density peaks clustering-relevance vector machine,IDPC-RVM)的间歇过程质量变量在线预测方法。首先,在密度峰值聚类算法基础上,考虑过程数据的高维特征进行样本相似性度量,并通过样本密度不平衡下的模态中心选取策略准确获取间歇过程模态中心;其次,利用模态划分指标在无须先验知识的情况下获取间歇过程最优模态数目,并识别过渡模态完成间歇过程的模态划分;最后,建立各模态数据的RVM预测模型,实现间歇过程质量变量的在线预测。青霉素发酵过程的实验结果表明,与RVM、SCFCM-RVM和DPC-RVM方法相比,对青霉素浓度预测的均方根误差(RMSE)降低至0.0093,判定系数(R^(2))提升至0.9995,有效地提高了预测精度。