段汝林 林德豐

關(guān)鍵詞： 分布式數(shù)據(jù)流; 網(wǎng)絡(luò)處理器; 數(shù)據(jù)收集; 數(shù)據(jù)分類; 分類平臺; 特征更新

中圖分類號： TN711?34; TP274+.2 ? ? ? ? ? ? ?文獻標識碼： A ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2019）04?0117?04

Network processor data acquisition and classification platform

based on distributed data streams

DUAN Rulin1，2， LIN Defeng1

（1. School of Education Information Technology， South China Normal University， Guangzhou 510631， China;

2. Department of Computer Engineering， Guangdong Youth Vocational College， Guangzhou 510545， China）

Abstract： The accurate data classifier is not constructed when the adaptive distributed data stream processing and adjustment technology is used for acquisition and classification of distributed data， resulting in classification accuracy deviation. Therefore， a network processor data acquisition and classification platform based on distributed data streams is designed. The overall architecture of the designed platform includes the platform management layer， distributed data acquisition layer and distributed data classification layer. The network processor receives the distributed data streams by means of the network switch port. The transformers and PHYs are adopted to process the obtained data， and interact with the master control chip FPGA， so as to save the data and realize collection of distributed data streams. The distributed data stream classification process realized in the network processor includes the training phase and the testing phase. During the training phase， the update rules of distributed data streams are used to complete the data feature selection. During the testing phase， the classification feature update of distributed data streams is conducted， and screening of the feature data with high correlation degrees is conducted， so as to realize classification of distributed data streams. The experimental results show that the designed platform has an average classification accuracy of as high as 99.5%， a short time?consumption， and small memory usage.

Keywords： distributed data stream; network processor; data acquisition; data classification; classification platform; feature update

隨著大數(shù)據(jù)時代的到來，計算機網(wǎng)絡(luò)不斷更新、分布式計算機技術(shù)日新月異，使得數(shù)據(jù)流分布在不同的網(wǎng)絡(luò)節(jié)點上[1]，因此，網(wǎng)絡(luò)處理器如何實現(xiàn)分布式數(shù)據(jù)流高效、全面、準確的收集與分類成為重點研究的問題。文獻[2]中，采用基于Web數(shù)據(jù)的自動采集與分類系統(tǒng)對網(wǎng)絡(luò)信息進行收集與分類，能夠?qū)崿F(xiàn)集中式數(shù)據(jù)流的有效采集與分類，但面對分布式數(shù)據(jù)流的采集與分類性能較弱。文獻[3]采用自適應(yīng)的分布式數(shù)據(jù)流處理調(diào)整技術(shù)對網(wǎng)絡(luò)處理器中的分布式數(shù)據(jù)流進行收集與分類，能夠根據(jù)具體的數(shù)據(jù)分布狀況進行數(shù)據(jù)采集，缺點是未構(gòu)建精準的數(shù)據(jù)分類器，導(dǎo)致分類精度有所偏差。文獻[4]描述的是一種面向分布式數(shù)據(jù)流的閉頻繁模式挖掘方法，能夠有效挖掘分布式數(shù)據(jù)流的特征并實施準確分類，但在分布式數(shù)據(jù)流采集階段，僅對分布式數(shù)據(jù)庫進行一次掃描，采集到的數(shù)據(jù)不全面。針對上述問題，本文設(shè)計基于分布式數(shù)據(jù)流的網(wǎng)絡(luò)處理器數(shù)據(jù)收集分類平臺，實現(xiàn)網(wǎng)絡(luò)中分布式數(shù)據(jù)流高效、準確收集與分類。

1 ?網(wǎng)絡(luò)處理器數(shù)據(jù)收集分類平臺

1.1 ?基于分布式數(shù)據(jù)流的網(wǎng)絡(luò)處理器平臺總體架構(gòu)

圖1為網(wǎng)絡(luò)處理器數(shù)據(jù)收集分類平臺的總體架構(gòu)，主要包括平臺管理層、分布式數(shù)據(jù)收集層、分布式數(shù)據(jù)分類層[5]。平臺管理層主要是對分布式數(shù)據(jù)流、Web方式、SNMP方式進行管理，與分布式數(shù)據(jù)收集層連接，為分布式數(shù)據(jù)流的收集提供基礎(chǔ);分布式數(shù)據(jù)分類層與分布式數(shù)據(jù)收集層可通過數(shù)據(jù)轉(zhuǎn)發(fā)適配層的接口進行連接，分布式數(shù)據(jù)收集層采集的分布式數(shù)據(jù)流信息被傳輸?shù)椒植际綌?shù)據(jù)分類層，根據(jù)相關(guān)標準進行數(shù)據(jù)分類。

1.2 ?基于分布式數(shù)據(jù)流的網(wǎng)絡(luò)處理器數(shù)據(jù)收集

網(wǎng)絡(luò)處理器中分布式數(shù)據(jù)流的收集，主要采用與網(wǎng)絡(luò)交換機的隨機端口連接的方式收集數(shù)據(jù)信息，網(wǎng)絡(luò)處理器中的數(shù)據(jù)收集器對獲取的數(shù)據(jù)進行處理[6]，確保收集到的數(shù)據(jù)完整保存。

網(wǎng)絡(luò)處理器中分布式數(shù)據(jù)流采集架構(gòu)如圖2所示。圖2中，網(wǎng)絡(luò)處理器通過A1接口、A2接口接收網(wǎng)絡(luò)中分布式數(shù)據(jù)流，數(shù)據(jù)收集器的變壓器、PHY會對收集到的數(shù)據(jù)進行處理，然后與主控芯片F(xiàn)PGA進行交互。經(jīng)過數(shù)據(jù)收集器處理后的分布式數(shù)據(jù)，從A3接口經(jīng)過以太網(wǎng)交換機被完整地傳輸?shù)接涗浽O(shè)備中，實現(xiàn)分布式數(shù)據(jù)流的收集。

1.3 ?基于分布式數(shù)據(jù)流的網(wǎng)絡(luò)處理器數(shù)據(jù)分類

網(wǎng)絡(luò)處理器分布式數(shù)據(jù)流分類的主要過程為訓(xùn)練階段與測試階段。訓(xùn)練階段主要進行分布式數(shù)據(jù)流的訓(xùn)練、對其進行特征選擇[7];測試階段主要進行分布式數(shù)據(jù)流特征選擇、對關(guān)聯(lián)度較大的特征數(shù)據(jù)進行篩選，實現(xiàn)分布式數(shù)據(jù)流的分類。

在分布式數(shù)據(jù)流訓(xùn)練階段，網(wǎng)絡(luò)處理器對分布式數(shù)據(jù)流進行特征選擇時，需采用分布式數(shù)據(jù)頻率調(diào)整規(guī)則更新分布式數(shù)據(jù)頻率，分布式數(shù)據(jù)流詳細更新規(guī)則為[8]：

[HDdj=cdjB]

式中：[cdj]為包含特征項[dj]的分布式數(shù)據(jù)數(shù)量;[B]為訓(xùn)練集的分布式數(shù)據(jù)數(shù)量。

利用獲取的分布式數(shù)據(jù)流中特征數(shù)據(jù)的[HD]值，根據(jù)特征數(shù)據(jù)是否包含分布式數(shù)據(jù)流分類特征實施更新。設(shè)置[O1=uii=1，2，…，x]表示網(wǎng)絡(luò)處理器中分布式數(shù)據(jù)流的一級分類標準集合，其中，[ui]表示一級分類標準，[x]表示一級分類標準的數(shù)量。[O2=vii=1，2，…，a]表示網(wǎng)絡(luò)處理器中分布式數(shù)據(jù)流的二級分類標準集合。其中，[vi]表示二級分類標準，[a]表示二級分類標準的數(shù)量。經(jīng)過分布式數(shù)據(jù)流特征選擇后獲取新特征集合[A=djj=1，2，…，m]，拆分不符合分布式數(shù)據(jù)流特征分類標準的數(shù)據(jù)，[A1=djij=1，2，…，m;i=1，2，…，l]為[dj]拆分后的特征子集，[dj]拆分后的分布式數(shù)據(jù)用[dji]描述，[m]為特征項數(shù)量，特征子集包含[l]個分布式特征數(shù)據(jù)。

定義分布式數(shù)據(jù)流的分類閾值用[α，β]描述，詳細的數(shù)據(jù)收集分類過程為：

進行初始化，[A=?]

[Fori=1，2，…，n]

[IFHDdj<aTHENdj?A]

[IFdj∩ui∈A1THENA=dj，A，HDdj=β]

[IFdj∩vi∈A1THENA=dj，A，HDdj=β-1]

根據(jù)上述的數(shù)據(jù)收集分類過程，能夠降低數(shù)據(jù)特征的維度，獲取關(guān)聯(lián)度較大的特征數(shù)據(jù)[9]，對關(guān)聯(lián)度較大的特征數(shù)據(jù)實施篩選，可獲取符合分類標準的分布式數(shù)據(jù)流分類結(jié)果，實現(xiàn)網(wǎng)絡(luò)處理器數(shù)據(jù)的有效分類[10]。

2 ?實驗分析

2.1 ?平臺性能測試

為了驗證本文設(shè)計平臺的性能，采用本文平臺、自適應(yīng)的分布式數(shù)據(jù)流處理調(diào)整平臺和基于Web數(shù)據(jù)的自動采集與分類平臺構(gòu)建三種仿真測試平臺。實驗從運行時間、內(nèi)存使用量以及網(wǎng)絡(luò)通信傳輸量三方面驗證本文平臺的性能。表1為三種平臺在不同分布式數(shù)據(jù)流量下進行數(shù)據(jù)收集與分類的運行時間對比情況;圖3描述了不同平臺的內(nèi)存使用量對比情況;圖4描述了不同平臺的網(wǎng)絡(luò)通信傳輸量對比情況。

分析表1可知，本文平臺的運行時間均值為2.98 s，隨著分布式數(shù)據(jù)流量大幅度增加，本文平臺的運行時間增長比較緩慢，運行時差較小，說明本文平臺面對大規(guī)模分布式數(shù)據(jù)流量同樣具有較高的效率;自適應(yīng)的分布式數(shù)據(jù)流處理調(diào)整平臺運行時間均值為9.86 s，該平臺面對小規(guī)模的分布式數(shù)據(jù)流量，運行效率較高，但隨著分布式數(shù)據(jù)流量的增大，運行時間快速增長，直至5 000 KB時，運行時間為18.3 s，用時較長;基于Web數(shù)據(jù)的自動采集與分類平臺的運行時間均值為11.34 s，該平臺在分布式數(shù)據(jù)流量為1 000 KB與5 000 KB時運行時間分別為4.6 s，18.9 s，運行用時相對本文平臺較長，效率較低。

由圖3能夠看出，隨著運行時間的增長，本文平臺的內(nèi)存使用量最少，基本穩(wěn)定在300 MB左右;自適應(yīng)的分布式數(shù)據(jù)流處理調(diào)整平臺所占內(nèi)存隨著時間的增長呈現(xiàn)大幅度增長，最高達到800 MB;基于Web數(shù)據(jù)的自動采集與分類平臺的內(nèi)存使用量同樣隨著時間的增長呈現(xiàn)較大漲幅，最大值為910 MB。

分析圖4可知，三種平臺在實驗初始階段分布式數(shù)據(jù)流量為200 KB時的網(wǎng)絡(luò)傳輸通信量相差較少，均在100～200 KB之間，本文平臺在之后5個分布式數(shù)據(jù)流量節(jié)點的網(wǎng)絡(luò)傳輸通信量增長幅度最大;自適應(yīng)的分布式數(shù)據(jù)流處理調(diào)整平臺在之后5個分布式數(shù)據(jù)流量節(jié)點的網(wǎng)絡(luò)傳輸通信量增長幅度較小;基于Web數(shù)據(jù)的自動采集與分類平臺分布式數(shù)據(jù)流量不斷增加，該平臺傳輸通信量并沒有明顯的增長趨勢，說明該平臺的網(wǎng)絡(luò)傳輸能力較弱，進行分布式數(shù)據(jù)流收集的效率較低。

實驗結(jié)果表明，本文平臺能夠根據(jù)網(wǎng)絡(luò)處理器中分布式數(shù)據(jù)流的數(shù)量及時調(diào)整網(wǎng)絡(luò)傳輸通信量，數(shù)據(jù)傳輸效率較高，同時具有運行時間短、使用內(nèi)存較小的優(yōu)勢。

2.2 ?分布式數(shù)據(jù)流分類精確度分析

為驗證本文平臺對分布式數(shù)據(jù)流分類的高精確度優(yōu)勢，利用第2.1節(jié)的實驗方法，構(gòu)建3種仿真實驗平臺，人工控制網(wǎng)絡(luò)交換機發(fā)送分布式流量數(shù)據(jù)包，實驗分5次進行，分別記錄3種平臺的數(shù)據(jù)分類精確度如圖5所示。

由圖5得，3種平臺在實驗中呈現(xiàn)不同的分類狀態(tài)。本文平臺的分類精確度曲線始終位于99%～100%之間，分類精確度均值高達99.5%，無明顯波動狀態(tài)，說明本平臺不僅分類精確度高，且性能比較穩(wěn)定。隨著實驗次數(shù)的增加，基于Web數(shù)據(jù)的自動采集與分類平臺的分類精確度呈大幅度下降趨勢，最低精確度僅為94.5%，該平臺不可用于網(wǎng)絡(luò)處理器中分布式數(shù)據(jù)流的有效分類。自適應(yīng)的分布式數(shù)據(jù)流處理調(diào)整平臺分類精確度雖然總體上是上升的趨勢，但在第4次實驗時分類精確度僅為96.9%，降低了該平臺分類精確度均值。說明本文平臺能夠?qū)Ψ植际綌?shù)據(jù)流進行準確分類。

3 ?結(jié) ?論

本文設(shè)計基于分布式數(shù)據(jù)流的網(wǎng)絡(luò)處理器數(shù)據(jù)收集分類平臺，經(jīng)驗證，該平臺能夠根據(jù)網(wǎng)絡(luò)處理器中分布式數(shù)據(jù)流的數(shù)量及時調(diào)整網(wǎng)絡(luò)傳輸通信量，數(shù)據(jù)傳輸效率較高;同時具有運行時間短、使用內(nèi)存較小的優(yōu)勢，可用于網(wǎng)絡(luò)處理器中分布式數(shù)據(jù)流的快速收集與分類;對于分布式數(shù)據(jù)流的分類，該平臺的分類精確度均值高達99.5%，所設(shè)計平臺為網(wǎng)絡(luò)中分布式數(shù)據(jù)的高效、科學(xué)處理提供參考依據(jù)。

參考文獻

[1] 段青玲，魏芳芳，張磊，等.基于Web數(shù)據(jù)的農(nóng)業(yè)網(wǎng)絡(luò)信息自動采集與分類系統(tǒng)[J].農(nóng)業(yè)工程學(xué)報，2016，32（12）：172?178.

DUAN Qingling， WEI Fangfang， ZHANG Lei， et al. Automatic acquisition and classification system for agricultural network information based on Web data [J]. Transactions of the Chinese Society of Agricultural Engineering， 2016， 32（12）： 172?178.

[2] 馬元文，王鵬，周之敏，等.一種自適應(yīng)的分布式數(shù)據(jù)流處理調(diào)整技術(shù)[J].計算機工程，2015，41（12）：15?20.

MA Yuanwen， WANG Peng， ZHOU Zhimin， et al. An adaptive adjustment technology of distributed data stream processing [J]. Computer engineering， 2015， 41（12）： 15?20.

[3] 唐穎峰，陳世平.一種面向分布式數(shù)據(jù)流的閉頻繁模式挖掘方法[J].計算機應(yīng)用研究，2015，32（12）：3560?3564.

TANG Yingfeng， CHEN Shiping. Closed frequent patterns mining method over distributed data streams [J]. Application research of computers， 2015， 32（12）： 3560?3564.

[4] 唐穎峰，陳世平.一種基于網(wǎng)格塊的分布式數(shù)據(jù)流聚類算法[J].小型微型計算機系統(tǒng)，2016，37（3）：488?493.

TANG Yingfeng， CHEN Shiping. Distributed data stream clustering algorithm with grid blocks [J]. Journal of Chinese computer systems， 2016， 37（3）： 488?493.

[5] ZHENG Z， JEONG H Y， HUANG T， et al. KDE based outlier detection on distributed data streams in multimedia network [J]. Multimedia tools & applications， 2017， 76（17）： 18027?18045.

[6] PAPAPETROU O， GAROFALAKIS M， DELIGIANNAKIS A. Sketching distributed sliding?window data streams [J]. The VLDB journal， 2015， 24（3）： 345?368.

[7] 田澤，索高華，張榮華，等.基于FPGA的AFDX網(wǎng)絡(luò)高速數(shù)據(jù)采集器設(shè)計[J].電子技術(shù)應(yīng)用，2016，42（8）：179?182.

TIAN Ze， SUO Gaohua， ZHANG Ronghua， et al. Design of high speed data acquisition system for AFDX network based on FPGA [J]. Application of electronic technique， 2016， 42（8）： 179?182.

[8] 陳付梅，韓德志，畢坤，等.大數(shù)據(jù)環(huán)境下的分布式數(shù)據(jù)流處理關(guān)鍵技術(shù)探析[J].計算機應(yīng)用，2017，37（3）：620?627.

CHEN Fumei， HAN Dezhi， BI Kun， et al. Key technologies of distributed data stream processing based on big data [J]. Journal of computer applications， 2017， 37（3）： 620?627.

[9] 李維聰，孫海蓉.基于LabVIEW的USB無線數(shù)據(jù)采集儀[J].計算機仿真，2015，32（2）：455?458.

LI Weicong， SUN Hairong. A wireless data acquisition system based on USB and LabVIEW [J]. Computer simulation， 2015， 32（2）： 455?458.

[10] RHO J， AZUMI T， OYAMA H， et al. Distributed processing for automotive data stream management system on mixed single? and multi?core processors [J]. ACM SIGBED review， 2016， 13（3）： 15?22.