大型Web網(wǎng)絡(luò)數(shù)據(jù)中心信息資源挖掘技術(shù)探討

　　在大型網(wǎng)絡(luò)數(shù)據(jù)中心包含了許多多媒體信息資源，對于挖掘資源，提升資源利用率非常有幫助，本文提出一種模糊語義的大型web網(wǎng)絡(luò)數(shù)據(jù)中心資源高效挖掘技術(shù)，對資源信息流進行重建，利用泛華學(xué)習(xí)方法進行資源信息流模糊聚類分析，提取有益信息，完成數(shù)據(jù)迭代，實現(xiàn)資源優(yōu)化挖掘。數(shù)據(jù)表明采用該方法進行大型Web網(wǎng)絡(luò)數(shù)據(jù)中心資源挖掘的準(zhǔn)確性較好，資源調(diào)度的效率得到提高。

　　關(guān)鍵詞： Web網(wǎng)絡(luò), 數(shù)據(jù)中心, 資源挖掘,多媒體信息,模糊語義

　　隨著網(wǎng)絡(luò)多媒體信息技術(shù)的發(fā)展，大量的多媒體資源信息以視頻、聲音和文本等形式存儲在大型Web網(wǎng)絡(luò)數(shù)據(jù)中心，用戶通過數(shù)據(jù)庫訪問和檢索方法，進行多媒體資源調(diào)度使用。對大型Web網(wǎng)絡(luò)數(shù)據(jù)庫的訪問建立在對數(shù)據(jù)中心資源的高效挖掘基礎(chǔ)上，通過挖掘網(wǎng)絡(luò)數(shù)據(jù)中心資源的關(guān)聯(lián)特征信息，結(jié)合數(shù)據(jù)信息融合和聚類方法，實現(xiàn)資源調(diào)度和優(yōu)化分類，提高資源的使用效率。研究大型Web網(wǎng)絡(luò)數(shù)據(jù)中心資源高效挖掘技術(shù)，同樣在Web網(wǎng)絡(luò)數(shù)據(jù)庫的優(yōu)化設(shè)計中具有重要意義，相關(guān)的數(shù)據(jù)挖掘方法研究受到人們的極大重視[1]。在大型Web網(wǎng)絡(luò)數(shù)據(jù)中心構(gòu)架體系中，由于存儲構(gòu)架體系的差異性以及數(shù)據(jù)之間的擾動，導(dǎo)致對資源的挖掘和調(diào)度的準(zhǔn)確性不好，容易出現(xiàn)數(shù)據(jù)冗余。對此，本文提出基于模糊語義本體映射的大型Web網(wǎng)絡(luò)數(shù)據(jù)中心資源高效挖掘技術(shù)，并進行了仿真測試，得出有效性結(jié)論。

　　1 大型Web網(wǎng)絡(luò)數(shù)據(jù)中心資源分布結(jié)構(gòu)模型

　　1.1 大型Web網(wǎng)絡(luò)數(shù)據(jù)中心資源的分布式結(jié)構(gòu)構(gòu)架

　　為了實現(xiàn)對大型Web網(wǎng)絡(luò)數(shù)據(jù)中心資源高效挖掘，首先分析數(shù)據(jù)中心資源的分布式結(jié)構(gòu)模型，并進行資源信息流的時間序列擬合和多維信息特征重組。通過資源優(yōu)化挖掘，提高大型Web網(wǎng)絡(luò)數(shù)據(jù)中心的訪問和調(diào)度能力[2]。在大型Web網(wǎng)絡(luò)數(shù)據(jù)中心中，數(shù)據(jù)庫的存儲節(jié)點通過分布式結(jié)構(gòu)構(gòu)建方式將資源存儲在大型Web數(shù)據(jù)庫中，數(shù)據(jù)庫采用云存儲構(gòu)架模型進行數(shù)據(jù)讀取，將大型Web網(wǎng)絡(luò)數(shù)據(jù)中心資源數(shù)據(jù)進行二值圖模型構(gòu)建，表示為。在數(shù)據(jù)挖掘中，對采集的資源數(shù)據(jù)進行信息分類，分類集合A，B，融合聚類中心滿足，。假設(shè)大型Web網(wǎng)絡(luò)數(shù)據(jù)中心的數(shù)據(jù)存儲模型為一個分布節(jié)點為，網(wǎng)絡(luò)數(shù)據(jù)中心訪問接口的信息融合中心函數(shù)滿足，令：

　　為資源信息分布的模糊概念集，在數(shù)據(jù)分塊中選擇k個實例集，建立資源數(shù)據(jù)挖掘的聚類目標(biāo)函數(shù)為：

　　對聚類目標(biāo)函數(shù)進行極值優(yōu)化求解，得大型Web網(wǎng)絡(luò)數(shù)據(jù)中心資源挖掘模糊概念集為：

　　給定資源分布的4層量化信息結(jié)構(gòu)模型[3]，通過分布式結(jié)構(gòu)構(gòu)架，得大型Web網(wǎng)絡(luò)數(shù)據(jù)中心資源分布式的信息結(jié)構(gòu)模型用二元擬合為：

　　在Web網(wǎng)絡(luò)數(shù)據(jù)中心資源的分布式結(jié)構(gòu)構(gòu)架模型中，進行信息融合和數(shù)據(jù)聚類處理，實現(xiàn)資源高效挖掘。

　　1.2 大型Web網(wǎng)絡(luò)數(shù)據(jù)中心資源信息流模型

　　在大型Web網(wǎng)絡(luò)數(shù)據(jù)中心的查詢向量集中通過查詢接口進行信息特征提取，構(gòu)建大型Web網(wǎng)絡(luò)數(shù)據(jù)中心資源信息流模型，采用資源信息的文本塊學(xué)習(xí)器和實例學(xué)習(xí)器構(gòu)建資源信息分布的本體模型為：

　　采用本體映射方法構(gòu)建一個包含n個特征分類屬性的進行大型Web網(wǎng)絡(luò)數(shù)據(jù)中心數(shù)據(jù)庫語義映射關(guān)系，計算本體內(nèi)元素之間語義相似度[4]。在資源存儲空間中采用決策信息融合方法，資源信息流分布貝葉斯粗糙集可寫為：

　　式中：是大型Web網(wǎng)絡(luò)數(shù)據(jù)中心資源的有限論域;為資源挖掘的客觀推理準(zhǔn)則。構(gòu)建資源信息流分布的信息函數(shù)，采用傅里葉變換進行時頻特征分解[5]，過程為：

　　式中：為大型Web網(wǎng)絡(luò)數(shù)據(jù)中心的非平穩(wěn)態(tài)特征值;為邊界域的時頻聯(lián)合分布;為分類特征參數(shù);為置信增益函系數(shù)，在語義本體負(fù)域和邊界域內(nèi)，得到大型Web網(wǎng)絡(luò)數(shù)據(jù)中心資源信息流的二值決策模型為：

　　在語義本體論域框架中，進行資源信息流模型擬合，為進行信息融合和資源挖掘提供識別框架內(nèi)的冪集特征信息。

　　2 資源高效挖掘?qū)崿F(xiàn)

　　在對大型Web網(wǎng)絡(luò)數(shù)據(jù)中心資源信息流進行信息流重建后，進行資源高效挖掘算法優(yōu)化設(shè)計，提出基于模糊語義本體映射大型Web網(wǎng)絡(luò)數(shù)據(jù)中心資源高效挖掘技術(shù)，構(gòu)建大型Web網(wǎng)絡(luò)數(shù)據(jù)中心大數(shù)據(jù)信息流時間序列分析模型[6]，得網(wǎng)絡(luò)數(shù)據(jù)中心邊緣性狀態(tài)函數(shù)表示為：

　　式中：代表大型Web網(wǎng)絡(luò)數(shù)據(jù)中心錐形核分布狀態(tài)矢量;為一個核函數(shù)。采用特征量化分解方法進行資源信息重組，表達(dá)式為：

　　求得大型Web網(wǎng)絡(luò)數(shù)據(jù)中心多媒體資源流挖掘的最大梯度差[7]為：

　　式中：是資源信息語義指向性函數(shù);m，n分別是大型Web網(wǎng)絡(luò)數(shù)據(jù)中心多媒體資源的維數(shù)和頻數(shù)。采用泛化學(xué)習(xí)方法進行資源信息流的模糊聚類處理[8]，得到聚類中心矢量分布集合描述為：

　　式中：，表示大型Web網(wǎng)絡(luò)數(shù)據(jù)中心關(guān)聯(lián)規(guī)則分布概率密度函數(shù);X，Y為原始資源信息的負(fù)載量;是關(guān)聯(lián)規(guī)則互信息函數(shù)。采用表示大型Web網(wǎng)絡(luò)數(shù)據(jù)中心資源特征分布互信息量，結(jié)合語義本體映射方法實現(xiàn)互信息特征提取，得到資源分布的區(qū)域密度函數(shù)為：

　　式中：和分別是兩組資源信息列分布的模糊聚類中心;表示資源信息流采樣的長度;表示歸一化區(qū)域分布密度。待挖掘的資源信息的關(guān)聯(lián)屬性為，結(jié)合語義本體映射方法實現(xiàn)互信息特征提取，得到特征提取結(jié)果為：

　　以提取的特征為訓(xùn)練集，進行數(shù)據(jù)迭代，實現(xiàn)資源挖掘，迭代式為：

　　式中：為初始聚類參量;為大型Web網(wǎng)絡(luò)數(shù)據(jù)中心數(shù)據(jù)流樣本的特征維數(shù)。

　　3 仿真實驗與結(jié)果分析

　　為了測試本文算法在實現(xiàn)大型Web網(wǎng)絡(luò)數(shù)據(jù)中心資源挖掘中的性能，進行仿真實驗。實驗中，軟件工具采用Matlab 2010b，網(wǎng)絡(luò)數(shù)據(jù)中心數(shù)據(jù)庫采用Deep Web 200 GB，首先進行資源信息的原始數(shù)據(jù)采樣，資源信息流采集的長度為1 024，數(shù)據(jù)采樣的周期長T為0.04 s，實驗信噪比為-10 dB，信息聚類自適應(yīng)初始步長選為μ0=0.001。根據(jù)仿真環(huán)境和參數(shù)設(shè)定，進行資源仿真分析，進行大型Web網(wǎng)絡(luò)數(shù)據(jù)中心資源信息流重建，重建時域波形所示。

　　對采集的資源信息進行泛化學(xué)習(xí)和模糊聚類，結(jié)合語義本體映射方法實現(xiàn)互信息特征提取，實現(xiàn)資源挖掘，得到挖掘的精度對比結(jié)果所示。分析得知，采用本文方法進行大型Web網(wǎng)絡(luò)數(shù)據(jù)中心的資源挖掘的精度較高，性能更優(yōu)。

　　4 結(jié) 語

　　本文研究了大型Web網(wǎng)絡(luò)數(shù)據(jù)中心資源高效挖掘問題，提出基于模糊語義本體映射的大型Web網(wǎng)絡(luò)數(shù)據(jù)中心資源高效挖掘技術(shù)。通過實驗分析可知，采用本文方法進行資源挖掘準(zhǔn)確定位性能較好，資源調(diào)度能力較強。

　　參考文獻：

　　[1] 何力，丁兆云，賈焰，等.大規(guī)模層次分類中的候選類別搜索[J].計算機學(xué)報，2014，37(1)：41?49.

　　[2] 李永剛，張治中，李龍江.一種WLAN與eHRPD系統(tǒng)間負(fù)載均衡算法[J].微電子學(xué)與計算機，2017，34(1)：44?47.

　　[3] 王亞強，湯銘，曾沁，等.級聯(lián)式低消耗大規(guī)模網(wǎng)頁分類在線獲取方法[J].計算機應(yīng)用，2017，37(4)：924?927.

　　[4] 潘穎，元昌安，李文敬，等.一種支持更新操作的數(shù)據(jù)空間訪問控制方法[J].電子與信息學(xué)報，2016，38(8)：1935?1941.

　　[5] 郭明強，黃穎，謝忠.一種多核環(huán)境下的WebGIS模型優(yōu)化策略[J].計算機工程，2013，39(8)：15?19.

　　[6] 韓國輝，陳黎，梁時木，等.Na?ve Bayes分類器制導(dǎo)的專業(yè)網(wǎng)頁爬取算法[J].中文信息學(xué)報，2010，24(4)：32?38.

　　相關(guān)閱讀：計算機安全發(fā)表論文版面費多少