ＴＣＰ连接性能的ＦＣＭ聚类分析.docVIP

ＴＣＰ连接性能的ＦＣＭ聚类分析 　　摘要：分析了模糊聚类中的FCM（Fuzzy C-Means）算法，利用该算法对一个TCP连接日志的抽样数据进行聚类，利用聚类中心对任选的两组数据集进行分类，并对聚类结果进行了分析。 　　关键词：模糊聚类；FCM算法；TCP连接 　　中图分类号：TN915文献标识码：A 文章编号：1009-3044(2008)25-1527-03 　　Clustering Analysis of TCP Connection Capability Based on FCM 　　GAO Ai-hua1, LI Chun-fang2, CUI Wei1 　　(1. HNUST University, Qinhuangdao 066004, China；2 Hebei Institute of Physical Education, Shijiazhuang 050041, China) 　　Abstract: Analyzed the algorithm of FCM(Fuzzy C-Means), clustered a sample dataset of TCP log using FCM, classified 2 groups dataset using the center point, and analyzed the clusterings outcome. 　　Key words: fuzzy clustering; FCM; TCP connection 　　1 引言 　　聚类属于无监督分类，在没有训练数据样本的情况下，依据对象自身的相似性把一组对象划分成一系列有意义的子集，并使同一类中的数据对象相似度高，不同类中的数据对象相似度低。聚类分析作为统计学的一个分支，已经研究了多年，主要集中于基于距离的聚类分析[1-2]。模糊聚类可以得到样本对于类别的不确定性描述，更能客观地反映现实世界，成为聚类研究的主流。 　　2 FCM 算法 　　2.1 算法思想 　　模糊C均值(FCM)聚类法是基于目标函数的模糊聚类算法，由J.C.Bezdek和P.F.Castelaz于1977年提出的，是在传统C均值算法(K-means)中应用了模糊技术。设被分类对象的集合为U={u1,u2,…,un},其中每一个ui有m个特征指标，设为ui={ui1,ui2,…,uim}，特征指标矩阵为，如果要把U分成c类(2≤c≤n)，设c个聚类中心向量。为获得最佳的模糊分类，从Mfc中优选出一个最好的模糊分类，即求出适当的模糊矩阵R及V，使目标函数： 　　 J(R,V)=∑ ∑(rik)q ||uk-Vi||2 (1) 　　达到极小值，其中q1(一般q=2)，||uk-Vi||表示对象uk与第i类聚类中心向量Vi的距离。常用的距离有：Chebyshev距离，Hamming距离，Euclid的距离。FCM算法就是采用迭代运算求出目标函数J(R,V)的近似解。 　　目标函数的物理意义：使用模糊分类矩阵R元素的q次方(rik)q 作为权重对uk与第i类聚类中心向量Vi的距离的求和，rik是uk对第i类的隶属度，即是一种加权的K-means算法思想。 　　2.2 算法步骤 　　1977年，J.C.Bezdek证明了：当q≥1，uk≠Vi 时，该算法是收敛的[3]。求最佳模糊分类矩阵和最佳聚类中心矩阵算法如下： 　　第1步：选定分类数c，2≤c≤n，任取一初始模糊分类矩阵R(0)∈Mfc,逐步迭代，l=0，1，2，…。 　　第2步：对于R(l)，计算聚类中心矩阵V(l)=(V1(l) V2(l) …Vc(l) )T，其中 　　 Vi(l)=∑ (rik(l))quk/∑ (rik(l))q (2) 　　第3步：修正模糊分类矩阵R(l)，取 　　 (3) 　　第4步：比较R(l)与R(l+1)，若对于给定的精度ε0，有Max{|rik(l)-rik(l+1)|}≤ε，则R(l+1)和V(l)即为所求，停止迭代；否则，l=l+1，回到第2步，重复进行。 　　算法解释：求公式(1)的最小值，用Lagrange数乘法J(R,V,λ)=∑ ∑(rik)q ||uk-Vi||2+∑λk[∑(rik)-1]，对J(R,V,λ)求偏导数并令它们等于0，由于||uk-vi||≥0，q1，解得式(2)和(3)[4]。 　　上述算法得到的模糊分类矩阵R(l+1)和聚类中心矩阵V(l)是相对于分类数c，初始模糊分类矩阵R(0)，ε和参数q的局部最优解。 　　算法要求uk≠Vi ，模糊分类矩阵R(0)要满足模糊分类矩阵的3个条件外，还要满足：(1) R(0)不能是每一元素都相同的常数矩阵；(2) R(0)不能是某行