大数据时代网络下云信息采集方法改进与研究.docVIP

大数据时代网络下云信息采集方法改进与研究 　　摘 要针对大数据时代网络下云信息采集的抗干扰性不强，准确采集的检测率不高的问题，提出一种基于相干功率谱密度估计的大数据时代网络下云信息采集方法。首先对大数据时代网络下云信息进行时间序列的状态空间重构，计算云信息时间序列的自相关函数。然后采用平均互信息特征提取方法进行云信息的功率谱密度估计，实现对大数据时代网络下云信息的数据融合处理，结合K均值聚类算法实现云信息的准确采集。最后进行仿真测试，实验结果表明，采用该方法进行云信息采集的准确性较好，干扰能力较强。 　　【关键词】大数据 网络 云信息 数据 聚类 　　在大数据的网络时代，大量的数据通过云存储方式进行数据存储和信息传输，云信息数据以文本、数据、多媒体、音视频以等形式存在于网络空间中，在云存储系统中，大数据通过云信息的格式存储于网络的隐通道和传输信道中，需要对大数据时代网络下云信息进行有效的挖掘和数据采集，通过云信息准确采集和检测，实现对网络云存储数据库的实时信息监测和数据访问调度。为了提高云存储数据库的访问能力和信息检索能力，需要对大数据时代网络下中的云信息进行有效采集，研究运行的采集方法在实现优化的大数据管理和信息调度方面同样具有积极重要的意义。本文针对传统的云信息采集方法存在检测准确度不好和计算开销过大等问题，本文提出一种基于相干功率谱密度估计的大数据时代网络下云信息采集方法，得出有效性结论。 　　1 云信息时间序列分析模型 　　为了实现大数据时代网络下云信息采集方法，首先对大数据时代网络下云信息进行时间序列的状态空间重构，结合时间序列分析方法，进行大数据时代网络下云信息的统计分析，假设云信息的网分布结构模型表示为一个二元组结构，是不同特征数目的异构本体，云信息的初始数据融合中心满足，设和是两个环，令为云信息特征向量的同态映射，对于任意观测样本数据集，云信息聚类中心矢量的空间数均满足： 　　（1）加法同态， 　　即； 　　（2）乘法同态， 　　即，采用云信息的特征序列训练重构方法得到数据集的属性类别集： 　　（1） 　　基于离散对数分解方法，得到云信息的特征矢量的属性值为。假设D表示大数据时代网络下云信息的特征挖掘数据集，o，p为数据集D中的邻居序列元素，表示云信息的特征矢量p和o之间的欧式距离，设q为集合X中的数据对象之外的一个点，则得到两个数据聚类中心矢量的欧式距离为。 　　定义1假定云信息数据集合X，Y为两个有限向量集，且，对于一个正整数k，相似k距离邻居序列的第k距离记为k_distance（p），定义为邻居序列轨迹另一组云信息时间序列对象o的支持向量集，其中，，对数据进行有效采集的约束条件满足： 　　（1）至少存在k个邻域的并集，满足指向性向量的欧式距离； 　　（2）数据对象p的逆存在k-1个信息融合向量对象模型，满足。 　　采用相空间重构方法进行云信息时间序列分析模型构建，在相空间中数据对象p的逆第k距离邻域具有波束指向性特征，对于给定的信息系统状态响应系数k，云信息对象p的逆服从Zipf分布，梯度环信息域D中第k距离邻域的相空间重构轨迹记作，定义如下： 　　（2） 　　通过对云信息时间序列的相空间重构，得到对象p的逆满足第k距离邻域相干点积功率累积尺度，以此为进行云信息采集模型构建。 　　2 云信息时间序列的自相关函数计算 　　通过计算信息时间序列的自相关函数，为进行云信息采集提供有效的数据输入基础，大数据时代网络的云信息传输的时间尺度可描述为： 　　（3） 　　上式中，是第n条数据传输信道上的云信息时间序列的振荡幅值，为第n条数据传输路径传输时延，fc为大数据时代网络中的信道调制频率，采用自适应波束调频方法，得到云信息采集的信道模型为： 　　（4） 　　其中，和分别是大数据时代网络中云信息传播损失和传递时延，设大数据时代网络数据传输节点的传递路径有P条，则认为数据中心网络在云信息的跨平台传输过程中的特征分布函数为： 　　（5） 　　通过云信息特征的自相关波束形成，进行云信息采集的时域波形拟合，采用线性回归估计，可得云信息时间序列的时域和频域的伸缩尺度表示为： 　　（6） 　　（7） 　　其中，k表示采样频率，v表示云信息传输结构分布的带宽，Wx为时间窗口函数。 　　大数据网络中的云信息特征时间序列为x（t），采用时频特征分析方法进行数据挖掘和信息融合处理，对大数据库进行访问过程中，对不同特征数目的子集进行状态空间的信息融合，采用二进制向量描述方法进行云信息的特征优选，得到云信息时间序列特征优选的表达式为： 　　（8） 　　将特征优化问题转化为云信息流的数据融合和自相关函数的向量模型估计问题，描述为： 　　（9） 　　式中，si为一个特征选择的