曹建春，曾 赟

(黃河水利職業(yè)技術(shù)學(xué)院，河南 開封475004)

0 引 言

隨著海洋運(yùn)輸及海底開發(fā)業(yè)務(wù)的發(fā)展，基于海上各種應(yīng)用的電子信息系統(tǒng)越來越多，如用于海底開發(fā)的目標(biāo)探測(cè)系統(tǒng)，在海運(yùn)業(yè)務(wù)中發(fā)揮重要作用的氣象傳感網(wǎng)絡(luò)，現(xiàn)有的這些應(yīng)用大多是基于物聯(lián)網(wǎng)的體系結(jié)構(gòu)，其利用各種類型的傳感器對(duì)目標(biāo)物采集數(shù)據(jù)，然后發(fā)送至各自系統(tǒng)的信息處理中心進(jìn)行數(shù)據(jù)處理及挖掘。隨著業(yè)務(wù)的增加，傳統(tǒng)的信息處理系統(tǒng)無論在數(shù)據(jù)挖掘的處理效率，還是數(shù)據(jù)存儲(chǔ)容量都無法滿足日益擴(kuò)張的應(yīng)用服務(wù)。

云計(jì)算是一種分布式﹑并行化的計(jì)算架構(gòu)［1］，它利用虛擬化技術(shù)把分布在不同地方的計(jì)算資源按照一定的邏輯進(jìn)行組合，同一處理任務(wù)可以通過進(jìn)程的劃分運(yùn)行在云系統(tǒng)不同的計(jì)算節(jié)點(diǎn)，有效的增加了系統(tǒng)的信息處理速率。同時(shí)，基于云的數(shù)據(jù)挖掘算法可以避免傳統(tǒng)算法中收斂速率過慢，時(shí)效性過低的缺點(diǎn)，有效提高了海上海量數(shù)據(jù)挖掘的效率。

本文在研究現(xiàn)有的云計(jì)算架構(gòu)及數(shù)據(jù)挖掘技術(shù)的基礎(chǔ)上，改造Apriori 算法，提出一種基于云計(jì)算的高性能數(shù)據(jù)挖掘算法，并進(jìn)行仿真，同時(shí)和傳統(tǒng)的算法進(jìn)行比較分析。

1 基于云的數(shù)據(jù)挖掘原理

1.1 云計(jì)算架構(gòu)

云計(jì)算是最新的信息科學(xué)研究方向，利用虛擬化的技術(shù)將分布在不同地方的計(jì)算機(jī)硬件進(jìn)行統(tǒng)一，對(duì)所有硬件資源進(jìn)行抽象，并按照一定的邏輯進(jìn)行資源劃分。

對(duì)于用戶端，云架構(gòu)是一種透明的［2］﹑安全可靠并且可擴(kuò)展的架構(gòu)。用戶無需知道具體的硬件資源，只需提交作業(yè)，則云服務(wù)器自動(dòng)進(jìn)行資源分配。

圖1 為云計(jì)算平臺(tái)架構(gòu)圖。

圖1 云計(jì)算平臺(tái)架構(gòu)Fig.1 The cloud computing platform architecture

云計(jì)算服務(wù)平臺(tái)根據(jù)用戶申請(qǐng)的任務(wù)所需要資源動(dòng)態(tài)的進(jìn)行平臺(tái)中計(jì)算及存儲(chǔ)資源的分配。當(dāng)前可利用資源不能滿足用戶所需資源時(shí)，云計(jì)算平臺(tái)通過監(jiān)控服務(wù)控制程序從可用資源池中調(diào)用新的可用資源放入當(dāng)前資源池中。

1.2 數(shù)據(jù)挖掘原理

在云計(jì)算平臺(tái)中，不同應(yīng)用程序所得到的數(shù)據(jù)是按照一定的邏輯關(guān)系進(jìn)行編排，組成一個(gè)數(shù)據(jù)隊(duì)列。然后利用云處理平臺(tái)統(tǒng)一進(jìn)行處理，根據(jù)不同的用戶需求來分配相應(yīng)的資源。

具體步驟如下:

假設(shè)海上不同應(yīng)用程序所得到的數(shù)據(jù)集合為{b1，b2，…bp}，應(yīng)用程序的個(gè)數(shù)為p，數(shù)據(jù)之間的復(fù)雜度設(shè)為λ。云計(jì)算平臺(tái)首先將數(shù)據(jù)集合{b1，b2，…，bp}進(jìn)行融合，屬性相同的數(shù)據(jù)進(jìn)行合并，轉(zhuǎn)化為結(jié)構(gòu)化的數(shù)據(jù)隊(duì)列{e1，e2，…，cq}，其中屬性個(gè)數(shù)為q。

首先需要求得數(shù)據(jù)bi與需求之間的耦合性［3］:

則針對(duì)特性需求數(shù)據(jù)bi進(jìn)行數(shù)據(jù)挖據(jù)，所需要的耗時(shí)公式如下:

式(1)分析可知，數(shù)據(jù)之間復(fù)雜系數(shù)λ 與數(shù)據(jù)挖掘需求之間呈現(xiàn)線性關(guān)系，隨著應(yīng)用系數(shù)數(shù)據(jù)復(fù)雜度的提升而提升。式(2)分析可知對(duì)不同的應(yīng)用系統(tǒng)，其數(shù)據(jù)挖據(jù)之間的耦合性增強(qiáng)，則最終的處理時(shí)間隨之增加。

在海上各種數(shù)據(jù)處理系統(tǒng)有可能處于不同的地點(diǎn)，并且各種信息處理系統(tǒng)架構(gòu)也可能不同，隨著應(yīng)用的增多，無論從復(fù)雜度還是處理信息量都有了指數(shù)級(jí)增長(zhǎng)。傳統(tǒng)的集中式數(shù)據(jù)挖掘處理平臺(tái)的計(jì)算性能以及存儲(chǔ)容量已經(jīng)越來越不能滿足業(yè)務(wù)的擴(kuò)展，并且傳統(tǒng)算法在處理多屬性數(shù)據(jù)挖掘算法時(shí)，容易陷入局部最優(yōu)點(diǎn)。

2 基于云計(jì)算的數(shù)據(jù)挖掘模式設(shè)計(jì)

2.1 云計(jì)算對(duì)數(shù)據(jù)挖據(jù)的優(yōu)化處理

如上節(jié)所示，利用統(tǒng)一的信息處理平臺(tái)對(duì)不同應(yīng)用的海量數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘處理時(shí)，其算法的收斂效果較差，并且計(jì)算資源和存儲(chǔ)資源并不能滿足客戶需求的增長(zhǎng)，從而導(dǎo)致信息系統(tǒng)的效率降低。本文利用分布式的云架構(gòu)對(duì)數(shù)據(jù)挖掘算法進(jìn)行改進(jìn)，提出一種分布式架構(gòu)及網(wǎng)格處理的Apriori 數(shù)據(jù)挖掘［4］算法，有效提升了計(jì)算效率。

首先在初始化階段，云計(jì)算服務(wù)器需要對(duì)各種需要處理的數(shù)據(jù)，根據(jù)屬性進(jìn)行判斷、排序、優(yōu)化等操作，下面詳細(xì)描述其步驟:

1)對(duì)不同應(yīng)用程序所得到的數(shù)據(jù)集合的屬性進(jìn)行統(tǒng)計(jì)，并將隨機(jī)的數(shù)據(jù)集合按照不同的數(shù)據(jù)屬性重新進(jìn)行排序。

2)對(duì)排序后的序列進(jìn)行簡(jiǎn)化處理，相同屬性的數(shù)據(jù)刪除冗余數(shù)據(jù)。并且云服務(wù)器端需要構(gòu)建各數(shù)據(jù)之間的關(guān)聯(lián)系數(shù)。

①首先得到不同屬性數(shù)據(jù)的邏輯關(guān)系集。

②假設(shè)用戶所需的數(shù)據(jù)集的屬性為B，經(jīng)過云服務(wù)器端邏輯處理后的邏輯屬性為D，則需要計(jì)算用戶需求E 與原始數(shù)據(jù)及屬性B 及處理后的邏輯屬性D 之間的關(guān)系:η(D，E)及η(D － {B}，E)。

3)計(jì)算原始屬性B 與用戶需求E 之間的關(guān)聯(lián)系數(shù)，公式如下:

若計(jì)算的該關(guān)聯(lián)系數(shù)大于0，則表示原始屬性B與用戶需求E 之間相關(guān)，則在云存儲(chǔ)端保存原始數(shù)據(jù);否則，則說明原始屬性B 代表的數(shù)據(jù)集與用戶需求沒有關(guān)系，不保存數(shù)據(jù)。

4)最后將經(jīng)過上述步驟處理的有效數(shù)據(jù)保存在云數(shù)據(jù)庫(kù)端。

數(shù)據(jù)冗余判斷及關(guān)聯(lián)性處理如圖2 所示。

圖2 數(shù)據(jù)關(guān)聯(lián)處理模型Fig.2 Data processing model

通過上面預(yù)處理后，能有效降低數(shù)據(jù)的復(fù)雜性，并且去除冗余數(shù)據(jù)，為接下來的數(shù)據(jù)挖掘提供有效數(shù)據(jù)。

2.2 云數(shù)據(jù)挖掘算法

本文利用Apriori 算法對(duì)云數(shù)據(jù)挖掘進(jìn)行計(jì)算。首先統(tǒng)計(jì)經(jīng)過云計(jì)算服務(wù)器預(yù)處理的數(shù)據(jù)屬性個(gè)數(shù)，得到針對(duì)每個(gè)不同屬性的業(yè)務(wù)數(shù)據(jù)集。然后對(duì)每個(gè)屬性的數(shù)據(jù)逐次進(jìn)行計(jì)算。首先計(jì)算得出屬性種類為1 的需要挖掘的數(shù)據(jù)集，記為M1。然后根據(jù)與屬性為1 的關(guān)聯(lián)系數(shù)，計(jì)算屬性種類為2 的需要挖掘的數(shù)據(jù)集，記為M2，同理依次計(jì)算屬性為3，4，…，L的數(shù)據(jù)集，并記錄為M3，M4，…，ML。為了有效地進(jìn)行計(jì)算的資源分配［5］，按照如下步驟進(jìn)行:

1)對(duì)集合進(jìn)行關(guān)聯(lián)

對(duì)每個(gè)屬性的信息集ML－1做自相關(guān)運(yùn)算，得到相關(guān)矩陣集Di，假設(shè)m1，m2∈ML－1，則mj(k)為包含所有屬性的信息集M1，M2，…，ML中排序?yàn)閖 的向量中的第k 元素，云計(jì)算服務(wù)器端把信息集合中的每個(gè)向量按照升序排列，有:

同時(shí)，本文假設(shè)在信息集M1，M2，…，ML相鄰向量之間互相關(guān)，則每個(gè)矩陣向量中元素m1，m2也具有相關(guān)性，數(shù)據(jù)之間進(jìn)行連接操作可以簡(jiǎn)化數(shù)據(jù)挖掘算法的復(fù)雜度，具體公式如下所示:

最終經(jīng)過關(guān)聯(lián)處理后的數(shù)據(jù)表達(dá)式如下:

2)冗余數(shù)據(jù)裁剪

數(shù)據(jù)挖掘是從海量的信息中提取出用戶所需數(shù)據(jù)，而原始數(shù)據(jù)中包含大量的數(shù)據(jù)冗余信息，需要進(jìn)行裁剪。若原始數(shù)據(jù)集為Di，包含所有屬性的數(shù)據(jù)集，則D 為數(shù)據(jù)集Ml，Ml超集，也即Ml∈Dl，同時(shí)根據(jù)Dl所包含的數(shù)據(jù)屬性數(shù)目來推斷出ML－1，則推斷過程中由于原始數(shù)據(jù)集Dl數(shù)目信息量過于龐大，其算法復(fù)雜度很高，所以需要對(duì)Dl作冗余裁剪及壓縮數(shù)據(jù)信息含量。若屬性i 的數(shù)據(jù)集Mi與屬性j 的數(shù)據(jù)集Mj之間信息存在交叉數(shù)據(jù)，則對(duì)交叉數(shù)據(jù)進(jìn)行裁剪，最終實(shí)現(xiàn)對(duì)原始數(shù)據(jù)集Dl的簡(jiǎn)化。

3 算法仿真

本仿真平臺(tái)為Visual c ++6.0，構(gòu)建的云計(jì)算平臺(tái)原始數(shù)據(jù)集為所有信息數(shù)據(jù)總量P，數(shù)據(jù)屬性的個(gè)數(shù)為l，沒有經(jīng)過處理后的信息集為{b1，b2，…，bp}，經(jīng)過云服務(wù)器端處理后的信息集為{c1，c2，…c3}，那么原始數(shù)據(jù)集中的向量bj與經(jīng)過邏輯處理后的向量ck之間可以進(jìn)行關(guān)系描述。

對(duì)上述數(shù)據(jù)可以計(jì)算基于云計(jì)算的數(shù)據(jù)挖掘算法耗時(shí)，公式如下:

上述耗時(shí)是衡量算法最重要的性能指標(biāo)。

在本次實(shí)驗(yàn)中數(shù)據(jù)屬性設(shè)為15，每個(gè)屬性的數(shù)據(jù)樣本量為1 000。

第1 個(gè)實(shí)驗(yàn)假設(shè)數(shù)據(jù)屬性不同的數(shù)據(jù)之間的沒有相關(guān)性，也即數(shù)據(jù)的復(fù)雜度較低，圖3 為利用傳統(tǒng)的算法與本算法的比較曲線圖。

圖3 復(fù)雜度小的數(shù)據(jù)處理耗時(shí)曲線圖Fig.3 The time curve of the small complexity data processing

數(shù)據(jù)屬性不同的數(shù)據(jù)之間的有相關(guān)性，也即數(shù)據(jù)的復(fù)雜度較高，圖4 同樣為利用傳統(tǒng)的算法與本算法的比較曲線圖。

圖4 復(fù)雜度大的數(shù)據(jù)處理耗時(shí)曲線圖Fig.4 The time curve of the big complexity data processing

4 結(jié) 語

現(xiàn)代海洋業(yè)務(wù)的信息處理系統(tǒng)業(yè)務(wù)越來越多，傳統(tǒng)的對(duì)多業(yè)務(wù)的數(shù)據(jù)挖據(jù)算法的時(shí)效性已經(jīng)越來越不能滿足客戶的需求;同時(shí)，隨著計(jì)算機(jī)科學(xué)的發(fā)展，基于云計(jì)算集分布式架構(gòu)在處理多數(shù)據(jù)信息處理中的應(yīng)用越來越成熟。

本文在研究現(xiàn)有的云計(jì)算架構(gòu)及數(shù)據(jù)挖掘技術(shù)的基礎(chǔ)上，改造Apriori 算法，提出了一種基于云計(jì)算的高性能數(shù)據(jù)挖掘算法，并進(jìn)行仿真。

［1］GOETHALS B．Memory issues in frequent itemset mining［C］//Proc of ACM Symposium on Applied Computing．New York，NY:ACM，2004:530 －534．

［2］BARALIS E，CERQUITELLI T，CHIUSANO S．Index support for frequent itemset mining in a relational DBMS［C］//Proc of Data Engineering 2005．ICDE 2005．Los Alamitos，CA:IEEE Computer Society，2005:754－765．

［3］WILLIAM A M，MOHAMMED J Z．Systems support for scalable data mining［J］．ACM SIGKDD Explorations Newsletter，2000，2(2):56 －65．

［4］臧麗娜，鄭艷娟，張宇敬．面向云計(jì)算的船舶生產(chǎn)信息平臺(tái)建設(shè)［J］．艦船科學(xué)技術(shù)，2014，36(12):107 －111．ZANG Li-na，ZHENG Yan-juan，ZHANG Yu-jing．Research on ship production information platform based on cloud computing［J］．Ship Science and Technology，2014，36(12):107 －111．

［5］曹強(qiáng)，潘維光．?dāng)?shù)據(jù)挖掘技術(shù)在艦載信息系統(tǒng)中的應(yīng)用研究［J］．艦船科學(xué)技術(shù)，2005，27(8):62 －65．CAO Qiang，PAN Wei-guang．A study of DM technique using in warship C4ISR［J］．Ship Science and Technology，2005，27(8):62 －65．