高维数据流的自适应子空间聚类算法

高维数据流聚类是数据挖掘领域中的研究热点。由于数据流具有数据量大、快速变化、高维性等特点,许多聚类算法不能取得较好的聚类质量。提出了高维数据流的自适应子空间聚类算法SAStream。该算法改进了HPStream中的微簇结构并定义了候选簇,只在相应的子空间内计算新来数据点到候选簇质心的距离,减少了聚类时被检查微簇的数目,将形成的微簇存储在金字塔时间框架中,使用时间衰减函数删除过期的微簇;当数据流量大时,根据监测的系统资源使用情况自动调整界限半径和簇选择因子,从而调节聚类的粒度。实验结果表明,该算法具有良好的聚类质量和快速的数据处理能力。

网络流量过程的统计型流量包络

提出了用于网络流量过程建模的两类统计型流量包络的一般性转换方法.基于单个时刻意义成立的流量包络及其剩余分布,转换得到样本轨道意义上成立的流量包络,针对常见的整形数据流聚合流量过程加以改进,以较小的计算量得到简洁直观的转换结果.相关理论结果可有效用于求解得到解析分析特性较好的统计型流量包络,扩展相应的网络流量过程建模和服务性能理论分析在实际网络中的应用.