孫柳

（廣東工業(yè)大學(xué) 華立學(xué)院，廣州 511325）

0 引言

隨著云存儲空間多維資源分布數(shù)據(jù)庫存儲和信息傳輸技術(shù)的發(fā)展，云存儲空間多維資源分布數(shù)據(jù)庫的數(shù)據(jù)信息維數(shù)越來越多，需要結(jié)合大數(shù)據(jù)和云信息處理技術(shù)，構(gòu)建云存儲空間多維資源分布數(shù)據(jù)庫的大數(shù)據(jù)并行聚類模型，提高云存儲空間多維資源分布數(shù)據(jù)庫數(shù)據(jù)的檢測和識別能力。通過云存儲空間多維資源數(shù)據(jù)并行聚類和特征分析，構(gòu)建云存儲空間多維資源數(shù)據(jù)聚類分析模型［1］，提高云存儲空間多維資源分布數(shù)據(jù)庫的信息管理能力。相關(guān)的并行聚類方法研究，在云存儲和資源分布數(shù)據(jù)庫的組網(wǎng)設(shè)計(jì)和大數(shù)據(jù)信息管理中具有重要意義［2］。

對云存儲空間多維資源數(shù)據(jù)并行聚類是建立在對數(shù)據(jù)的候選特征分析基礎(chǔ)上，通過貝葉斯關(guān)聯(lián)規(guī)則分析，進(jìn)行云存儲空間多維資源數(shù)據(jù)并行聚類［3］。傳統(tǒng)方法中，對云存儲空間多維資源數(shù)據(jù)并行聚類方法主要有：基于模糊信息檢測的云存儲空間多維資源數(shù)據(jù)并行聚類方法［4］、基于統(tǒng)計(jì)分析的云存儲空間多維資源數(shù)據(jù)并行聚類方法［5］、基于粗糙集特征匹配的云存儲空間多維資源數(shù)據(jù)并行聚類方法［6］等。由于傳統(tǒng)方法進(jìn)行云存儲空間多維資源數(shù)據(jù)并行聚類存在適應(yīng)度水平不高，抗干擾性不好等問題。對此，本文提出基于多種群協(xié)同進(jìn)化算法的云存儲空間多維資源數(shù)據(jù)并行聚類方法。首先構(gòu)建云存儲空間多維資源數(shù)據(jù)的參數(shù)采集模型，對采集的云存儲空間多維資源數(shù)據(jù)進(jìn)行模糊并行特征分布式重組，提取云存儲空間多維資源數(shù)據(jù)聚類特征參數(shù)集，采用關(guān)聯(lián)粗糙集特征分析方法進(jìn)行云存儲空間多維資源數(shù)據(jù)的多尺度小波結(jié)構(gòu)分解，然后采用多種群協(xié)同控制的方法，建立云存儲空間多維資源數(shù)據(jù)的并行聚類模型。通過關(guān)聯(lián)協(xié)同濾波檢測方法，進(jìn)行云存儲空間多維資源數(shù)據(jù)的分組特征檢測和融合聚類處理，利用差分進(jìn)化方法進(jìn)行云存儲空間多維資源數(shù)據(jù)的聚類中心尋優(yōu)，遍歷云存儲空間多維資源數(shù)據(jù)聚類區(qū)域的候選目標(biāo)集，實(shí)現(xiàn)對云存儲空間多維資源數(shù)據(jù)的并行關(guān)聯(lián)規(guī)則聚類和可靠性挖掘。經(jīng)仿真測試分析，展示了本文方法在提高云存儲空間多維資源數(shù)據(jù)并行聚類能力方面的優(yōu)越性能。

1 云存儲空間多維資源數(shù)據(jù)存儲特征分析

1.1 結(jié)構(gòu)分析

為了實(shí)現(xiàn)基于多種群協(xié)同進(jìn)化算法的云存儲空間多維資源數(shù)據(jù)并行聚類，構(gòu)建云存儲空間多維資源數(shù)據(jù)的參數(shù)采集和優(yōu)化存儲結(jié)構(gòu)模型，采用多維特征空間融合和匹配調(diào)度的方法，進(jìn)行云存儲空間多維資源數(shù)據(jù)的傳輸結(jié)構(gòu)分析，通過信道轉(zhuǎn)換和均衡配置，進(jìn)行云存儲空間多維資源數(shù)據(jù)融合［7］，得到云存儲空間多維資源數(shù)據(jù)存儲結(jié)構(gòu)模型如圖1 所示。

圖1 云存儲空間多維資源數(shù)據(jù)存儲結(jié)構(gòu)模型Fig.1 Cloud storage space multi－dimensional resource data storage structure model

在云存儲空間多維資源數(shù)據(jù)存儲結(jié)構(gòu)模型中，采用演化貝葉斯準(zhǔn)參數(shù)估計(jì)方法，構(gòu)造云存儲空間多維資源數(shù)據(jù)的分類存儲器，通過多維信息重組和分塊區(qū)域重構(gòu)，進(jìn)行云存儲空間多維資源數(shù)據(jù)的網(wǎng)格分塊區(qū)域調(diào)度［8］。在臨近區(qū)域中，邊緣特征融合測度作為云存儲空間多維資源數(shù)據(jù)挖掘的候選區(qū)域，遍歷這些區(qū)域獲得云存儲空間多維資源數(shù)據(jù)的聚類中心子集，在候選目標(biāo)集中，得到云存儲空間多維資源數(shù)據(jù)聚類信息熵為：

采用熵函數(shù)聚類方法，進(jìn)行云存儲空間多維資源數(shù)據(jù)分布式概率密度重組，得到云存儲空間多維資源數(shù)據(jù)聚類的隨機(jī)概率密度條件p（vi ｜y＝1）、p（vi ｜y＝0），其滿足高斯分布：

式中，μ1、σ1和μ0、σ0分別為云存儲空間多維資源數(shù)據(jù)的目標(biāo)樣本數(shù)據(jù)和標(biāo)準(zhǔn)信息差。

采用多維特征分解方法，進(jìn)行云存儲空間多維資源數(shù)據(jù)信息特征重構(gòu)，得到云存儲空間多維資源數(shù)據(jù)的模糊信息聚類樣本分布為：

式中，α ＜ζ ＜β，l（z）為云存儲空間多維資源數(shù)據(jù)樣本位置；lt為云存儲空間多維資源數(shù)據(jù)聚類區(qū)域位置；Dα和Dζ，β分別為正樣本和負(fù)樣本。根據(jù)云存儲空間多維資源數(shù)據(jù)的結(jié)構(gòu)參數(shù)分析，進(jìn)行云存儲空間多維資源數(shù)據(jù)的優(yōu)化聚類和挖掘［9］。

1.2 特征分析

采用關(guān)聯(lián)粗糙集特征分析方法進(jìn)行云存儲空間多維資源數(shù)據(jù)的多尺度小波結(jié)構(gòu)分解，結(jié)合特征收斂性控制的方法，通過云存儲空間多維資源分布數(shù)據(jù)庫多屬性樣本重組［10］，得到云存儲空間多維資源數(shù)據(jù)的模糊相關(guān)系數(shù)：

結(jié)合灰度特征重組和語義分布式融合方法，得到云存儲空間多維資源數(shù)據(jù)聚類的隨機(jī)概率密度分布集。云存儲空間多維資源數(shù)據(jù)的多維概率密度函數(shù)為：

采用機(jī)器學(xué)習(xí)的分類學(xué)習(xí)方法，得到云存儲空間多維資源數(shù)據(jù)的聯(lián)合特征分布參數(shù)φ和θ。采用重采樣策略，得到云存儲空間多維資源分布數(shù)據(jù)庫的特征分配概率P（zi＝j(luò)｜z－i，wi）的算式為：

綜上分析，構(gòu)建了云存儲空間的多維資源數(shù)據(jù)融合模型，結(jié)合特征檢測方法，實(shí)現(xiàn)數(shù)據(jù)并行聚類分析［11］。

2 云存儲空間多維資源數(shù)據(jù)聚類

2.1 云存儲空間多維資源分布數(shù)據(jù)庫多屬性數(shù)據(jù)特征融合

采用多種群協(xié)同控制的方法，建立云存儲空間多維資源數(shù)據(jù)的并行聚類模型，通過關(guān)聯(lián)協(xié)同濾波檢測方法［12］，得到云存儲空間多維資源數(shù)據(jù)聚類的更新規(guī)則約束參量的解：

根據(jù)云存儲空間多維資源數(shù)據(jù)的屬性分布進(jìn)行模糊聚類，得到云存儲空間多維資源數(shù)據(jù)的差分進(jìn)化約束的相關(guān)性因子為：

其中，云存儲空間多維資源數(shù)據(jù)融合的特征分布矩陣為R＝(rij，aij)m ×n，基于數(shù)據(jù)層面構(gòu)建大數(shù)據(jù)分類模型，得到云存儲空間多維資源數(shù)據(jù)分類的聯(lián)合特征解為：

獲取原始數(shù)據(jù)集，引入云存儲空間多維資源數(shù)據(jù)的互信息熵，即：

以P為云存儲空間多維資源分布數(shù)據(jù)庫多屬性分布的概率密度為：

根據(jù)云存儲空間多維資源數(shù)據(jù)的融合參數(shù)應(yīng)滿足：

用Ui，j(t) 表示的云存儲空間多維資源數(shù)據(jù)動態(tài)特征分布信息熵。

基于決策邊界的類樣本分析方法［13］，得到共享的通道數(shù)為P，構(gòu)建云存儲空間多維資源數(shù)據(jù)聚類的聯(lián)合關(guān)聯(lián)決策函數(shù)為：

其中，d（omi，rmi）表示聯(lián)合度評估系數(shù)。充分利用數(shù)據(jù)空間的類間指數(shù)分布，采用差分進(jìn)化方法，基于高斯概率分布方法，云存儲空間多維資源分布數(shù)據(jù)庫多屬性特征融合輸出為Ek∈E（k＝1，2，…，t）。根據(jù)類別的不同屬性，得到云存儲空間多維資源分布數(shù)據(jù)庫多屬性數(shù)據(jù)特征融合模型為Pi∈P（i＝1，2，…，m）。

綜上分析，采用差分進(jìn)化方法，進(jìn)行云存儲空間多維資源分布數(shù)據(jù)庫多屬性參數(shù)識別和聚類［14］。

2.2 云存儲空間多維資源數(shù)據(jù)并行聚類

其中，Vi為云存儲空間多維資源數(shù)據(jù)的關(guān)聯(lián)分析度量值，使用聯(lián)合特征分布式進(jìn)化方法，得到云存儲空間多維資源數(shù)據(jù)并行聚類的聯(lián)合公式為：

在非線性可分的數(shù)據(jù)集中，得到云存儲空間多維資源分布數(shù)據(jù)庫多屬性并行聚類輸出的相似度系數(shù)為：

其中：p為云存儲空間多維資源數(shù)據(jù)的分布集，f為云存儲空間多維資源數(shù)據(jù)分布的聯(lián)合特征參數(shù)分布集。用4 元組(Ei，Ej，d，t) 來表示云存儲空間多維資源數(shù)據(jù)的主特征量，采用決策樹調(diào)度和多屬性差分進(jìn)化方法，得到并行聚類輸出的聯(lián)合特征量：

式中，m為云存儲空間多維資源數(shù)據(jù)并行聚類的進(jìn)化維數(shù)，（dik）2為非線性數(shù)據(jù)集。

綜上分析，通過差分進(jìn)化方法進(jìn)行云存儲空間多維資源數(shù)據(jù)的聚類中心尋優(yōu)，實(shí)現(xiàn)對云存儲空間多維資源數(shù)據(jù)的并行關(guān)聯(lián)規(guī)則聚類和可靠性挖掘。

3 仿真測試

對云存儲空間多維資源數(shù)據(jù)采集的樣本長度為1024，云存儲空間的特征分布維數(shù)為3，嵌入維數(shù)為125，數(shù)據(jù)分類的屬性為6，多種群迭代的部署為24，差分進(jìn)化的迭代數(shù)為100。根據(jù)上述參數(shù)設(shè)定，得到云存儲空間多維資源數(shù)據(jù)統(tǒng)計(jì)特征量分布如圖2 所示。

圖2 云存儲空間多維資源數(shù)據(jù)統(tǒng)計(jì)特征量分布Fig.2 Distribution of statistical characteristics of multi－dimensional resource data in cloud storage space

根據(jù)圖2 大數(shù)據(jù)檢測結(jié)果，實(shí)現(xiàn)云存儲空間多維資源數(shù)據(jù)聚類，得到并行聚類預(yù)測值如圖3 所示。

圖3 數(shù)據(jù)并行聚類預(yù)測值Fig.3 Data parallel clustering predicted value

分析圖3 得知，本文方法進(jìn)行云存儲空間多維資源數(shù)據(jù)的特征并行聚類的聚斂度水平較高，數(shù)據(jù)聚類融合性較好。測試數(shù)據(jù)分類的準(zhǔn)確率，得到聚類誤差收斂結(jié)果如圖4 所示。

圖4 數(shù)據(jù)聚類收斂曲線Fig.4 Data clustering convergence curve

分析圖4 得知，本文方法對云存儲空間多維資源數(shù)據(jù)分類的正確率較高。在不同的數(shù)據(jù)聚類中心，測試云存儲空間多維資源數(shù)據(jù)挖掘的識別率，得到測試結(jié)果如圖5 所示。

圖5 數(shù)據(jù)并行聚類的識別率Fig.5 Recognition rate of data parallel clustering

根據(jù)圖5 仿真結(jié)果得知，本文方法進(jìn)行云存儲空間多維資源數(shù)據(jù)并行聚類處理，提高了數(shù)據(jù)的識別率。

4 結(jié)束語

本文提出基于多種群協(xié)同進(jìn)化算法的云存儲空間多維資源數(shù)據(jù)并行聚類方法，采用多維特征空間融合和匹配調(diào)度，進(jìn)行云存儲空間多維資源數(shù)據(jù)的傳輸結(jié)構(gòu)分析，結(jié)合灰度特征重組和語義分布式融合方法，得到云存儲空間多維資源數(shù)據(jù)聚類的隨機(jī)概率密度分布集?；跊Q策邊界的多數(shù)類樣本分析方法，充分利用數(shù)據(jù)空間的類間指數(shù)分布，采用差分進(jìn)化方法，遍歷云存儲空間多維資源數(shù)據(jù)聚類區(qū)域的候選目標(biāo)集，實(shí)現(xiàn)對云存儲空間多維資源數(shù)據(jù)的并行關(guān)聯(lián)規(guī)則聚類和可靠性挖掘。研究得知，本文方法進(jìn)行云存儲空間多維資源數(shù)據(jù)聚類的收斂性較好，并行關(guān)聯(lián)規(guī)則聚類性較強(qiáng)，提高了數(shù)據(jù)的檢測識別率。