文摘

因为静态云平台不能满足移动互联网服务的多样性和低效的数据挖掘问题,我们提出了一个可靠的和有效的数据挖掘云平台建设方案基于移动互联网服务机会驱动和应用感知。在这个方案中,首先建立了数据选择机制基于移动互联网服务机会开车。其次,通过不同云计算和云平台的渠道知道,非线性映射的服务提出了感知模型的数据集。最后,驾驶特点的基础上,提取感知特性,云平台将构造通过移动互联网应用程序的服务机会,这可能提供健壮和高效的数据挖掘服务。实验结果表明,该机制,基于分布式数据挖掘云平台相比,具有明显的优势在系统运行时间,内存使用,和数据聚类所需的时间以及平均聚类质量。

1。介绍

数据管理的云平台具有较高的性能和高效的数据挖掘1),已广泛应用于各个领域,如知识发现和叶斑病动力学(2),和ERP应用程序(3]。所以,云平台(4,5)服务质量发挥了重要作用,保证移动互联网和数据挖掘。

在数据挖掘中,Rakocevic et al。6嵌入一个分布式数据挖掘算法成为一个传感器网络,使用当地的预测在每个传感器节点,使当地的预测和提供了一些最初的投票方案。大量的3 d视频数据的体系结构提出了(7),设计了一个模型的关键为保护隐私视频数据加密模型。Ronowicz et al。8]研究颗粒配方之间的因果关系的特点,以及所选的质量属性。

关于服务的司机,Ghosh et al。9)开发成本分析和优化框架通过使用随机一个IaaS云的可用性和性能模型。提出了一种贝叶斯网络的经济模式你们et al。10为选择和组合云服务)。设计驱动的移动服务的重要性和挑战进行了讨论(11),检测条件感兴趣的用户,并相应地通知他们。

此外,快速可伸缩视频编码(SVC) channel-recommendation IPTV系统基于云和点对点(P2P)混合动力平台进行了研究(12]。编排应用云计算的硬件和软件资源的机制提出Petcu et al。13最近],它应该支持开发开源平台即服务。这部小说监控体系结构提出了Alcaraz Calero和Aguado14),应向云提供者和云消费者。

然而,这些研究结果忽视了云平台的数据集之间的关系和服务需求的移动互联网和互联网的影响缺乏深入研究应用在云平台上。因此,我们提出了云平台与移动互联网服务机会驱动和应用程序了解数据挖掘。

剩下的纸是组织如下。部分2描述了移动互联网服务驱动的数据选择机制。节3,我们设计应用感知模型。节4,我们提出了高效的数据挖掘云平台。仿真结果给出了部分5。最后,我们总结论文部分6。

2。数据选择机制的移动互联网服务

在移动互联网中,我们假设一个服务的数据集函数,用来优化数据选择满足服务需求,为服务提供了最优的数据集。这是角色计划用于解决组合问题的移动互联网和云计算。一般来说,移动互联网服务架构模型如图1。数据输入是由服务设置和存储在云平台。服务请求已成功收到时,云平台将选择数据并发送输出反馈给用户根据请求。

存在一些问题,应考虑在数据选择的进展,如下:(1)数据是否对应服务,是否能满足服务需求,(2)缺乏用户信息反馈机制用于判断用户是否满意的数据,(3)如何协调多个用户的需求,(4)如何协调不增加数据的输入和输出负载的云平台。

用户设置和数据集的映射关系图所示2。这里,是由服务的关系,其中包括下列情形:(1)单个用户的多个数据集,(2)单独的数据设置为多个用户,(3)单用户数据集的结合。根据以上问题,我们给出以下服务驱动的定义:(1) :服务和它的长度,(2) :数据集和它的长度,(3) :用户设置和它的长度,(4)量化宽松政策():服务的满意度数据,(5) :数据服务的数量单位时间内,(6) :所消耗的时间数据服务,(7) :之间的服务会话的数量和。根据上面的电台,有显示为公式的关系(1)在移动互联网应用程序: 来,让表示会话的数量。让表示数据包的长度。让表示完成的时间服务。让表示的吞吐量。

因此,公式(2)给出了基于服务机会的数据选择模型驱动的。这里,服务请求启动服务机会驱动按照概率。数据集,以满足服务请求通过云平台。混合的请求服务的多个数据集,数据集可以计算与XOR运算形成一个数据集,选择不受干扰,避免性能下降的数据: 来,让表示服务机会请求驱动因素。向量表示服务机会的重量。数据类型的值可以根据满足服务请求的能力。如果数据类型为0,当前数据集可以独立于服务请求。如果数据类型是1,超过2的数据集可以满足当前的服务请求。让表示数据集的数量。表示给用户反馈的数据集。

3所示。应用程序感知模型

在移动互联网应用程序的处理进展,云平台可通过不同云之间非线性映射和频道从服务的数据集,可以满足不同的需要从不同的云数据融合的数据集。在这里,重要的是协调传输和融合multicloud应用程序,如图3。在这里,这个循环图的象征3表示的云平台。

基于相同的服务请求和位于同一区域,协调数据传输网络组成的multicloud需要知道应用程序和保持时间同步。当应用程序请求在不同的地区,为了保证空间同步,时间必须保持异步,见公式(3)。基于上述时间和空间同步请求和异步操作,公式(4)说明知觉矩阵的应用程序和数据输出矩阵和关系: 在这里,和代表了不同的应用要求。让函数表示应用程序的数据集的位置映射: 来,让表示应用程序感知矩阵。让表示multicloud协调通量。让阿_心肌梗死表示数据集的输出矩阵。

因此,移动互联网应用感知的数据输出流如下:(1)根据原则和初始化向量和参数模型,(2)计算矩阵_心肌梗死根据公式(4),(3)O_心肌梗死设置为1,这意味着服务请求活跃和等待数据输出,(4)数据选择和集成云设备的激活后,(5)该地区的一致性和时间判断根据公式(3),(6)如果空间是一致的,时间同步是通过公式(4),(7)如果空间不一样,时间是异步的。云平台在一个稳定的状态。在异步周期中,多个云分割数据被激活。独立数据集的结束后获得的数据集成。

4所示。高效的数据挖掘云平台

根据服务机会驾驶特点和提取感知特性,如何构建云平台为移动互联网应用提供健壮和高效的数据挖掘服务已成为一个关键问题的QoS保证在移动互联网。在云平台,客户服务满意度可以通过添加每个数据服务满意度计算公式所示(5): 如果客户服务需求的满足数据集大于用户指定最小值,数据集是健壮的。否则,数据集应该通过数据挖掘来重建。

为了方便服务机会的驾驶特点,我们定义了服务驱动树。树由叶节点。每个叶子节点代表一个服务标识符和概率的机会。中间节点表示的子树能力用服务机会的总结驱动重量的叶节点。服务驱动树如图4。如果当前节点和子节点的时间同步,链接将被记录为1;否则,它用0。从根节点到叶子节点,可以得到一组二进制位字符串。每个叶子节点可以访问服务基于自适应驾驶向量,从而减少数据挖掘的复杂性。服务机会驱动树如图5。

在这里,我们组4叶节点和服务初始化每个叶节点的概率。4叶节点概率之和等于1。根节点的服务机会驱动重量等于1。中间节点2的云所组成,如表所示1。

如表所示1,虽然SE4机会重量低,服务驱动路径向量都是异步的,数据挖掘的复杂度较低,数据集群服务可以获得较高的实时。虽然SE3最好的机会,但服务驱动的路径是异构的,数据挖掘是复杂的,所以数据聚类是穷人,实时性能很差。此外,SE1的价值、SE2 SE3, SE4可以计算基于服务请求和服务驱动树如图4。

如表所示2机会驱动的方案,数据挖掘4叶节点的复杂性已经减少。SE2和SE3,我们可以建立多个数据传输的路径通过权重的机会,以保证数据的实时性和准确性集群。此外,云平台可以由选择同一地区当前的叶节点和服务机会驱动的。基于上述服务机会驾驶特性和应用程序数据聚类挖掘,云平台的体系结构,如图6。在这里,①表达服务机会驱动特征的分析;②表示应用感知的特征提取;③表示聚类数据挖掘。建设算法描述如下。

算法1。建设云平台如下。
输入。它包括,,量化宽松政策(),数据挖掘复杂性阈值
输出。它包括数据集和云平台
开始而(1)初始参数:,;获得的价值而如果量化宽松政策()= 1或量化宽松政策()= 3计算时间; + +;结束时计算的值和基于量化宽松政策(),;获得服务的机会请求驱动因素;构建服务机会驱动树;分析数据挖掘DM复杂性;如果DM大于更新树;其他的如果时间同步其他的时间异步如果如果计算multicloud协调通量选择最优云构建云平台激活multicloud分割数据,获得最终的独立的数据集融合后的数据结束时
结束

5。绩效评估

为了验证云平台性能和数据挖掘的性能提出了云平台在移动互联网的服务基于机会驱动程序和数据挖掘的应用感知(CP-SAD),我们设计了实验1 GB的存储空间和100数据集随机分布在10个金币的云设备和评估事务数据库服务器。验证指标包括系统运行时间和内存占用率,数据聚类,所需的时间和平均聚类质量,这与云计算和分布式数据挖掘机制(CP-DDM);结果如图7。

从图7(一),我们发现CP-DDM机制系统运行时间的增加线性增加的数据集,而提出的操作时间CP-SAD机制保持稳定,因为使用服务机会驱动模型和实时分析司机的特点可以准确把握服务请求,优化系统初始化和服务驱动和应用程序方面的知觉延迟,不仅缩短操作时间,而且光滑的延迟抖动。

图7 (b)证明建议的机制可以优化内存容量,因为知觉特征提取的应用机制,这不仅可以了解应用程序所需数据的规模和分布,而且优化云平台的构成,结合服务驱动程序树的机会。建议的机制可以提高内存的利用率,避免了云平台系统性能退化引起的内存溢出。

从图7 (c),我们可以看到所需的数据挖掘聚类时间的增加先增加,然后降低云规模激活。这是因为大型的计算结果是在初始化阶段更耗时。然而,拟议的CP-SAD机制可以完成云设备初始化和减少数据挖掘时间越来越早。CP-SAD机制可以完成初始化后第一个云设备激活,和CP-DDM机制完成初始化时三种云设备被激活,这浪费了很多时间,数据挖掘聚类阶段。这是因为分布式数据挖掘是由云平台数据分布式存储和应用程序功能和服务请求不为非线性映射,导致数据挖掘延迟大。

聚类质量平均如图7 (d)随着云的规模的增加。在云的激活数量从0到4,平均聚类质量的两种机制的变化相同的法律,差距是大约10百分点。在云中进一步增加,平均聚类质量CP-DDM机制开始下降,直到10云是激活将升至60%。然而,CP-SAD平均聚类质量的机制已经停滞当有四云,然后线性增加。这是因为CP-SAD机制可以有效地抓住机遇驱动特点和提取感知特性和构造,为移动互联网应用提供健壮和高效的数据挖掘服务云平台,移动互联网的应用提高效率和可靠的服务质量。

时间复杂度的迭代数量分析结果CP-DDM CP-SAD如图7 (e)。建议的机制可以有效地计算数据和我的数据准确地用更少的迭代次数比CP-DDM之一,具有非常低的时间复杂度。

6。结论

为了提高移动互联网的云平台服务与质量保证和数据挖掘的效率,我们研究移动互联网的机会在服务驱动程序,以及意识到数据挖掘可靠和有效的应用程序。首先,数据选择机制分析的基础上设计的特点,移动互联网服务机会开车。其次,基于互联网服务之间的关系和数据集,云之间的非线性映射和互联网频道成立,它建立了一个互联网应用感知模型。第三,基于机会驱动和应用程序服务感知的特点,提出了一种云平台提供高效和健壮的数据挖掘服务的移动互联网应用。实验结果表明,该机制在运行时和内存占用率,数据聚类和所需的时间平均聚类质量比基于云平台的分布式数据挖掘。

利益冲突

作者宣称没有利益冲突有关的出版。