大数据环境下基于Hadoop框架的改进Apriori挖掘算法（英文）

针对Hadoop框架下的用户行为大数据挖掘效率问题,提出了一种改进的关联规则Apriori挖掘算法。该算法首先实现了Hadoop框架下的项集分类建模。然后通过传统关联规则Apriori算法的挖掘步骤分析,对候选项目集的生成方式进行了改进,并结合标志位信息实现无用事务去除,有效压缩了事务和项目的数量,从而缩短了任务处理时间。在具体实现过程中对改进Apriori算法流程进行了Map Reduce处理。仿真实验表明:相比于传统Apriori算法,改进后的Apriori挖掘算法具有更高的执行效率。

基于群体智能算法的大数据迁移策略研究

针对云数据中心不同于传统的数据中心,其管理和维护需要解决更加复杂的问题的情况,为实现云计算平台中大数据系统的平稳升级和更新,提出了一种基于群体智能算法的大数据迁移策略,解决了负载平衡和带宽瓶颈问题。首先对云计算体系架构上的大数据迁移技术进行研究和分析,然后采用人工鱼群优化算法解决m个服务器之间n个数据迁移的最优解问题。最后,将量子比特引入到人工鱼群算法中实现其三大基本行为。Cloudsim仿真平台上的测试结果表明:相比其他迁移策略,所提出算法能更有效地提高云数据中心的运行效率,具有更好的全局寻优能力。