基于希尔伯特相似度的云平台异常传输数据聚类方法

doi:10.3969/j.issn.1006-2475.2023.09.004

摘要/Abstract

摘要： 云平台异常传输数据差异化很小，导致云平台异常传输数据聚类准确性较差，为此，提出一种基于希尔伯特相似度的云平台异常传输数据聚类方法。该方法采集云平台异常传输数据，将采集到的数据映射到希尔伯特空间内，同时构建希尔伯特指数，获取指数的离散概率分布。利用小波基分析云平台异常传输数据的敏感性，选取敏感度比较低的小波基对异常传输数据小波分解处理。计算希尔伯特空间内的相似度取值，划分到同一个数据集内，准确划分云平台异常传输数据，实现云平台异常传输数据聚类。实验结果表明，该方法的正确聚类数据数量为97组，异常传输数据聚类耗时仅为146 s，可以有效区分云平台中的异常传输数据。

关键词: 希尔伯特相似度, 云平台, 异常传输数据, 聚类, 数据划分, 低耗时

Abstract: The difference of abnormal transmission data of cloud platform is very small， which leads to poor accuracy of clustering of abnormal transmission data of cloud platform. Therefore， this paper proposes a clustering method of abnormal transmission data of cloud platform based on Hilbert similarity. The proposed method collects the abnormal transmission data of the cloud platform， maps the collected data into the Hilbert space， and constructs the Hilbert index to obtain the discrete probability distribution of indexs. Wavelet basis is used to analyze the sensitivity of abnormal transmission data of cloud platform， and the wavelet basis with relatively low sensitivity is selected for wavelet decomposition of abnormal transmission data. The proposed method calculates the similarity value in Hilbert space， divides it into a same data set， accurately divides the cloud platform abnormal transmission data， and realizes the cloud platform abnormal transmission data clustering. The experimental results show that the number of correct clustering data of the proposed method is 97 groups， and the time for clustering abnormal transmission data is only 146 s， which can effectively distinguish the abnormal transmission data in the cloud platform.

Key words: Hilbert similarity, cloud platform, abnormal data transmission, clustering, data division, low consumption time

中图分类号:

TP393.03

王宏杰, 徐胜超. 基于希尔伯特相似度的云平台异常传输数据聚类方法[J]. 计算机与现代化, 2023, 0(09): 27-31.

WANG Hong-jie, XU Sheng-chao. Clustering Method of Cloud Platform Abnormal Transmission Data Based on Hilbert Similarity[J]. Computer and Modernization, 2023, 0(09): 27-31.

参考文献［27］

［1］	王慧东，宋耀莲，田榆杰. 一种多属性的时空数据聚类算法分析研究［J］.重庆邮电大学学报（自然科学版）， 2021，33（4）：661-668.
［2］	廖彬，黄静莱，王鑫，等. SCEA：一种适应高维海量数据的并行聚类集成算法［J］.电子学报， 2021，49（6）：1077-1087.
［3］	屠莉，陈崚. 衰减窗口中的不确定数据流聚类算法［J］. 计算机应用研究， 2021，38（9）：2673-2677.
［4］	LONG Y H， DENG X Q， WANG Z W. Weighted block sparse subspace clustering algorithm based on information entropy［J］. Journal of Data Acquisition and Processing， 2021，36（3）：544-555.
［5］	SHENG Z R， CHENG L S. Clustering analysis method based on k-means and mahalanobis-taguchi system［J］. Statistics & Decision， 2021，37（14）：45-48.
［6］	XU S L， FENG L， LIU S L， et al. Self-adaption neighborhood density clustering method for mixed data stream with concept drift［J］. Engineering Applications of Artificial Intelligence， 2020， 89（11）. DOI：10.1016/j.engappai.2019.
	103451.
［7］	CHEN H Y， KONG L C， LI Y. A novel convex clustering method for high-dimensional data using semiproximal ADMM［J］. Mathematical Problems in Engineering， 2020，18（2）：1-12.
［8］	DONG F， LU J， SONG Y L， et al. A drift region-based data sample filtering method［J］. IEEE Transactions on Cybernetics， 2021， 52（9）：9377-9390.
［9］	KONSTANTINOPOULOS S， MIJOLLA G M D， CHOW J H， et al. Synchrophasor missing data recovery via data-driven filtering［J］. IEEE Transactions on Smart Grid， 2020，11（5）：4321-4330.
［10］	KUMAR A， TOMAR H， MEHLA V K， et al. Stationary wavelet transform based ECG signal denoising method［J］. ISA Transactions， 2020，114（24）. DOI：10.1016/j.isatra.
	2020.12.029.
［11］	LIANG CY， HE N. Research on ultrasound image of interventional catheterization processing method based on wavelet transform and fuzzy theory［J］. Filomat， 2020，34（15）：5187-5194.
［12］	GUO C， WANG H P， JIAN T， et al. Method for denoising and reconstructing radar HRRP using modified sparse auto-encoder［J］. Chinese Journal of Aeronautics， 2020，33（3）：1026-1036.
［13］	ZHANG S H， YANG Y X， QIN Q M， et al. Rapid blind denoising method for grating fringe images based on noise level estimation［J］. IEEE Sensors Journal， 2021，21（6）：8150-8160.
［14］	WU J J， MA C W， LI L D， et al. Probabilistic undirected graph based denoising method for dynamic vision sensor［J］. IEEE Transactions on Multimedia， 2021，23：1148-1159.
［15］	WAN Y T， MA A L， HE W， et al. Accurate multi-objective low-rank and sparse model for hyperspectral image denoising method［J］. IEEE Transactions on Evolutionary Computation， 2021，27（1）：37-51.
［16］	AHANI A， NADOUSHANI S， MORIDI A. Simultaneous regionalization of gauged and ungauged watersheds using a missing data clustering method［J］. Journal of Hydrologic Engineering， 2020，25（5）. DOI：10.1061/（ASCE）HE.1943
	-5584.0001916.
［17］	MI Y L， SHI Y， LI J H， et al. Fuzzy-based concept learning method： Exploiting data with fuzzy conceptual clustering［J］. IEEE Transactions on Cybernetics， 2020，42（1）：1-12.
［18］	ZHAO F， GAO Y T， LI X N， et al. A similarity measurement for time series and its application to the stock market［J］. Expert Systems with Applications， 2021，182（4）. DOI：10.1016/j.eswa.2021.115217.
［19］	LI R R， WANG X F， LIU Y Q， et al. Improved technology similarity measurement in the medical field based on subject-action-object semantic structure： A case study of alzheimer's disease［J］. IEEE Transactions on Engineering Management， 2023，70（1）：280-293.
［20］	WU H T， CAO Y P， AN H H， et al. High-precision 3D shape measurement of rigid moving objects based on the Hilbert transform［J］. Applied Optics， 2021，60（27）：8390-8399.
［21］	LE T， HEO S， KIM H. Toward load identification based on the hilbert transform and sequence to sequence long short-term memory［J］. IEEE Transactions on Smart Grid， 2021，12（4）：3252-3264.
［22］	WANG X， YANG Y， CHEN M S， et al. AGNES-SMOTE： An oversampling algorithm based on hierarchical clustering and improved smotE［J］. Scientific Programming， 2020（2）：1-9.
［23］	LIU Y， LI B F. Bayesian hierarchical K-means clustering［J］. Intelligent Data Analysis， 2020，24（5）：977-992.
［24］	RAMSAY G. A cloud-computing platform for developing and evaluating vocal biomarkers based on home audio recordings： Resources for large-scale data processing and analysis［J］. The Journal of the Acoustical Society of America， 2020，148（4）：2791-2791.
［25］	WANG X J， HUANG F M， FAN X M， et al. Landslide susceptibility modeling based on remote sensing data and data mining techniques［J］. Environmental Earth Sciences， 2022，81（2）：1-19.
［26］	LIU P， WANG J， WANG Z P， et al. Cloud platform-oriented electrical vehicle abnormal battery cell detection and pack consistency evaluation with big data： Devising an early-warning system for latent risks［J］. IEEE Industry Applications Magazine， 2022，28（2）：44-55.
［27］	AL-DHAMARI A， SUDIRMAN R， MAHMOOD N H. Transfer deep learning along with binary support vector machine for abnormal behavior detection［J］. IEEE Access， 2020，8：61085-61095.

[1]	王秋忆, 周浩, 郑婷婷. 改进RetinaNet的电力设备目标检测方法[J]. 计算机与现代化, 2024, 0(01): 47-52.
[2]	张楠, 李温静, 刘彩, 谢可, 马世乾, 肖钧浩, 邹枫. 基于多源数据的电力作业人员实时行为安全预警[J]. 计算机与现代化, 2023, 0(10): 84-91.
[3]	韩雪. 基于约束聚类和粒子群算法的多路径规划[J]. 计算机与现代化, 2023, 0(08): 7-11.
[4]	孙子雨, 任燃, 魏曦哲. 基于DTW-TCN的股票分类及预测研究[J]. 计算机与现代化, 2023, 0(08): 31-37.
[5]	王艺成, 张国良, 张自杰, . 基于改进YOLOv5的小目标检测方法[J]. 计算机与现代化, 2023, 0(05): 100-105.
[6]	马瑜涓, 韩建宁, 史韶杰, 曹尚斌, 杨志秀. 基于HMRF的改进Kmeans脑肿瘤分割算法[J]. 计算机与现代化, 2023, 0(03): 1-5.
[7]	洪涛, 朱鹏宇, 郭波, 王敬宇. 基于半监督聚类的通信缺陷研判知识库构建及迭代技术[J]. 计算机与现代化, 2023, 0(02): 28-33.
[8]	刘兴建, 杨晓夫, 胡磊. 基于非负矩阵分解的半监督模型用于多层网络聚类[J]. 计算机与现代化, 2023, 0(02): 83-88.
[9]	文紫鑫, 李少英, 王斌成, 刘博, . 基于近邻关系聚合的人脸聚类方法[J]. 计算机与现代化, 2022, 0(12): 81-87.
[10]	关云鹏, 刘玉龙. 基于从共现矩阵提取关联的类别型数据聚类[J]. 计算机与现代化, 2022, 0(11): 1-8.
[11]	张子璇, 沙秀艳, 肖霏, 粟宝婵, 隋雨陆, 孟子宸. 基于犹豫模糊Canopy-K均值聚类算法的研究与应用[J]. 计算机与现代化, 2022, 0(11): 17-21.
[12]	丁绪东, 杨东润, 刘慧, 赵星凯, 张迎, 孙梅, . 数据驱动的蒸发器在线建模方法[J]. 计算机与现代化, 2022, 0(11): 22-31.
[13]	袁嘉立, 刘梦赤. 面向信息网模型的动态数据划分算法[J]. 计算机与现代化, 2022, 0(10): 100-105.
[14]	李春生, 冯阳宵, 富宇, 张可佳, 吴润桐. 基于均值聚类的员工行为分析方法[J]. 计算机与现代化, 2022, 0(09): 19-24.
[15]	陈广福, 连雁平, . 融合节点中心性和度相关聚类的有向网络链路预测[J]. 计算机与现代化, 2022, 0(08): 36-42.