Web网络大数据聚类中心调度技术研究.docVIP

Web网络大数据聚类中心调度技术研究 　　摘 要： 针对传统调度方法一直存在调度精度不准确的问题，提出一种Web网络大数据的聚类中心调度技术的研究方案。针对Web网络大数据重新建立调度模型有效的对数据进行识别，优化聚类中心的K?means算法，解决对大数据调度能力差的问题，提高聚类中心的大数据调度能力，最后使用建立调度模型完成在Web网络大数据环境下的聚类中心数据调度。设计对比仿真试验，通过实验数据可以有效地证明Web网络大数据的聚类中心调度技术的有效性。 　　关键词： Web网络大数据； 聚类中心； 调度技术； 数据识别； 数据调度 　　中图分类号： TN711?34； TP391.3 文献标识码： A 文章编号： 1004?373X（2017）24?0025?03 　　Abstract： In allusion to the problem of the inaccurate scheduling precision of the traditional scheduling method， a research scheme of clustering center scheduling technology for Web network big data is proposed. The Web network big data scheduling model is reconstructed for effective data recognition. The K?means algorithm in clustering center is optimized to resolve the problem of poor big data scheduling capability and improve the big data scheduling capability in clustering center. The constructed scheduling model is employed to accomplish the data scheduling of clustering center in the Web network big data environment. The contrast simulation experiment was carried out. The experimental data effectively demonstrates the validity of the clustering center scheduling technology for Web network big data. 　　Keywords： Web network big data； clustering center； scheduling technology； data identification； data scheduling 　　0 引 言 　　互联网时代的快速崛起，在网络上信息传递的数量已经出现井喷式的爆发，许多依附互联网的产业应运而生[1?2]。聚类中心是对数据进行系统分类以及统计调用网络应用层的关键设置[3?4]。聚类中心能够在Web网络环境中进行数据的系统分析筛选，通过不同信道将信息划分成若干个簇族，这样方便对海量信息进行汲取分类，保证了数据的有效性同时完成了对数据调度任务[5?6]。传统的聚类中心对大数据进行调度是通过数据属性筛选提取进行调度的，这样的方法虽然调度准确率极高但是调度时间很长，在数据量增长以平方计算的今天，此方法已经不能满足人们的正常需求[7?8]。针对上述情况，本文提出一种Web网络大数据的聚类中心调度技术研究方案。还设计了对比仿真试验，通过实验数据的分析有效地证明了本文研究的Web网络大数据的聚类中心调度技术的有效性。 　　1 聚类中心调度技术的设计方案 　　本文针对聚类中心数据调度技术进行一定的有效设计，主要针对调度的数据模型进行有效的研发，调度数据模型是对大数据进行筛选、分类、簇族选取的关键所在，其中优化数据调用算法也是节省时间的有效手段。本文在调度数据模型的设计过程中，对其中的K?means算法进行了有效的优化，这样可以提高数据的分配同时加强管理调用的能力。最后通过调用模型完成了在Web网络下的大数据调用。其调度数据的流程图如图1所示。 　　1.1 大数据调度模型的建立 　　Web网络环境下的大数据首先需要进行标注筛选，这样能够有效地提高本文设计调度模型抗数据干扰能力，但是由于簇族划分过程中会出现数据波动，还需要对调度模型进行系统条件筛选： 　　式中：为簇族划分熵函数；为大数据的可信度；为筛选预处