小波神經(jīng)網(wǎng)絡(luò)背景下的大數(shù)據(jù)在線負(fù)載異常監(jiān)測技術(shù)

梁利利 李建軍

摘要：在小波神經(jīng)網(wǎng)絡(luò)的背景之下，為盡可能保證數(shù)據(jù)負(fù)載監(jiān)測的實(shí)用性以及準(zhǔn)確程度，相關(guān)工作者應(yīng)當(dāng)在神經(jīng)網(wǎng)絡(luò)算法的支持下，進(jìn)一步監(jiān)測大數(shù)據(jù)負(fù)載。并將監(jiān)測數(shù)據(jù)和閾值進(jìn)行對比，倘若實(shí)際負(fù)載數(shù)值比閥值大，那么可將其看作應(yīng)當(dāng)被平臺清理的異常負(fù)載，從而保證大數(shù)據(jù)平臺在線負(fù)載連接的可靠性。通過仿真結(jié)果我們可知，該方法能夠顯著提高項(xiàng)目的準(zhǔn)確性以及效率。

關(guān)鍵詞：小波神經(jīng)網(wǎng)絡(luò);數(shù)據(jù)負(fù)載;閾值

中圖分類號：TP274 文獻(xiàn)標(biāo)識碼：A 文章編號：1001-5922（2019）09-0094-03

從先前負(fù)載監(jiān)測模式我們能夠了解到，它憑借服務(wù)器以及負(fù)載兩者之間的通信狀況，進(jìn)而對負(fù)載的在線水平進(jìn)行檢測，該方法主要利用網(wǎng)絡(luò)點(diǎn)對點(diǎn)的方式進(jìn)一步判斷對方的在線狀態(tài)，然而該方法適用范圍有限，需眾多網(wǎng)絡(luò)資源的支持，并且無法將數(shù)據(jù)帶寬的優(yōu)勢體現(xiàn)出來。為改變這一不足，下面筆者將重點(diǎn)分析小波神經(jīng)網(wǎng)絡(luò)的使用情況，從小波理論以及神經(jīng)網(wǎng)絡(luò)算法人手，將兩者結(jié)合起來，進(jìn)一步監(jiān)測大數(shù)據(jù)平臺實(shí)際在線負(fù)載連接現(xiàn)狀。

1小波神經(jīng)網(wǎng)絡(luò)概述

小波神經(jīng)網(wǎng)絡(luò)（WNN）主要功能為變換小波，并對信號進(jìn)一步分解，從伸縮以及平移角度對其進(jìn)行詳細(xì)的研究;神經(jīng)網(wǎng)絡(luò)具有容錯(cuò)性以及自學(xué)習(xí)的特征。該網(wǎng)絡(luò)將小波變換所具有的局域化以及神經(jīng)網(wǎng)絡(luò)所具有的自學(xué)習(xí)特征結(jié)合起來，對小波變換以及神經(jīng)網(wǎng)絡(luò)兩者的優(yōu)勢進(jìn)行整合處理，從而建設(shè)出一種新式建模模式。如今，該方法深受人們的喜愛，主要應(yīng)用于數(shù)據(jù)以及圖像信號處理等工作中，于變形監(jiān)測預(yù)報(bào)工作中，和神經(jīng)網(wǎng)絡(luò)相比，該方法在優(yōu)化調(diào)整復(fù)雜非線性函數(shù)方面成效顯著。

2小波神經(jīng)網(wǎng)絡(luò)的負(fù)載監(jiān)測模型建立

隨著小波神經(jīng)網(wǎng)絡(luò)逐漸被人們認(rèn)可，與之有關(guān)的模型只增不減，筆者在文中將大數(shù)據(jù)在線負(fù)載異常監(jiān)測作為基礎(chǔ)的研究條件，于函數(shù)逼近角度人手，建造出小波神經(jīng)網(wǎng)絡(luò)的非線性時(shí)間序列監(jiān)測模型。

由于單次計(jì)算可能會使得數(shù)據(jù)不準(zhǔn)確，所以工作者可將多次預(yù)測值相加，以求得平均數(shù)值，以此保證預(yù)測結(jié)果的準(zhǔn)確度。

以ε以及M兩者的差值進(jìn)一步明確負(fù)載量的實(shí)際變化范圍。假使ε≥M，那么則說明該時(shí)間段之間，負(fù)載數(shù)值變化幅度比較大，為保證結(jié)果的準(zhǔn)確性，可對其再一次監(jiān)測，明確其在線狀態(tài)和所屬的負(fù)載類別;假使ε

2.2神經(jīng)網(wǎng)絡(luò)算法驗(yàn)證

為進(jìn)一步確定負(fù)載的在線狀態(tài)，避免偽在線負(fù)載狀態(tài)浪費(fèi)眾多資源，工作者可在神經(jīng)網(wǎng)絡(luò)算法的支持下，判斷在線負(fù)載的狀態(tài)。以預(yù)測模型為基礎(chǔ)，把利用該模型獲取的負(fù)載數(shù)量當(dāng)成神經(jīng)網(wǎng)絡(luò)的輸入，把通信情況當(dāng)成神經(jīng)網(wǎng)絡(luò)的輸出。將數(shù)值帶人以上公式，由此得出的預(yù)測數(shù)值是神經(jīng)網(wǎng)絡(luò)算法的重點(diǎn)研究目標(biāo)，將負(fù)載個(gè)數(shù)當(dāng)成輸人，那么n個(gè)負(fù)載的實(shí)際通信時(shí)間是xi（i=1，2，…，n），以輸出狀態(tài)為基礎(chǔ)，進(jìn)一步判斷與辨別此狀態(tài)下負(fù)載的連接以及通信現(xiàn)狀。使用正向以及反向計(jì)算的方法，不斷重復(fù)計(jì)算，盡可能避免誤差問題的出現(xiàn)，以算法輸出為基礎(chǔ)，進(jìn)一步判斷與辨別在線狀態(tài)下，負(fù)載數(shù)量實(shí)際現(xiàn)狀。

3實(shí)例淺析

為了進(jìn)一步明確算法于負(fù)載監(jiān)測之中的主要價(jià)值，相關(guān)工作者可借助CloudSim仿真平臺，進(jìn)一步檢測仿真算法的主要性能，挑選合適的數(shù)據(jù)樣本，樣本中一共包括10000個(gè)負(fù)載。具體步驟為：設(shè)置10000個(gè)樣本集合，將其都接到數(shù)據(jù)平臺，隨后于1h之內(nèi)對負(fù)載狀態(tài)進(jìn)行優(yōu)化處理，專門工作者斷開負(fù)載的連接，由此判斷該算法的主要性能。于1h之內(nèi)，對掉線負(fù)載實(shí)際數(shù)量進(jìn)行調(diào)整，掉線負(fù)載的上限是100，由此測試算法的主要性能，具體仿真數(shù)據(jù)如圖1所示。

通過圖1我們能夠了解到，本文算法可得出平臺的實(shí)際異常負(fù)載。于前20min之間，兩條線可重合于一起，擬合性能優(yōu)良;但是于20～30min之內(nèi)，出現(xiàn)掉線情況，以至于無法明確實(shí)際負(fù)載狀況;在30min時(shí)間段內(nèi)，文中算法能夠檢測出實(shí)際掉線負(fù)載數(shù)值。為進(jìn)一步明確使用該算法計(jì)算數(shù)據(jù)流量的長處，筆者采用對比的方式，把先前于約定時(shí)間內(nèi)，通過時(shí)間標(biāo)簽發(fā)送信號對掉線負(fù)載情況檢測情況和文中算法監(jiān)測情況做對比。使用傳統(tǒng)時(shí)間標(biāo)簽對其檢測主要內(nèi)容為：在約定時(shí)間內(nèi)，服務(wù)器給不同的負(fù)載發(fā)送特殊信號，由專門工作者對信號的發(fā)出、負(fù)載回答時(shí)間做記錄，通過兩者的時(shí)間差進(jìn)一步明確在線負(fù)載主要連接狀態(tài)，實(shí)踐表明，該方式雖然可獲得較為準(zhǔn)確的數(shù)據(jù)，然而卻非常浪費(fèi)網(wǎng)絡(luò)信息資源，因此大數(shù)據(jù)平臺無法使用該方法。試驗(yàn)的具體仿真結(jié)果如圖2所示。

通過分析圖2，我們能夠了解到，當(dāng)被監(jiān)測負(fù)載增加之時(shí)，會增加監(jiān)測流量，如果負(fù)載數(shù)量達(dá)到5000，那么利用時(shí)間標(biāo)簽算方式監(jiān)測的實(shí)際流量是370Mb，使用該算法監(jiān)測的實(shí)際流量是180Mb，可見前者耗費(fèi)的流量是后者的2倍。

4大數(shù)據(jù)在線負(fù)載異常監(jiān)測中小波神經(jīng)網(wǎng)絡(luò)分類

小波神經(jīng)網(wǎng)絡(luò)主要有以下幾種類型：

1）松散式結(jié)合

對樣本數(shù)據(jù)進(jìn)行小波優(yōu)化，將優(yōu)化獲得的數(shù)據(jù)當(dāng)成神經(jīng)網(wǎng)絡(luò)的輸入信號。

2）嵌人式融合

把小波變換和人工神經(jīng)網(wǎng)絡(luò)互相結(jié)合。該類型主要利用小波函數(shù)，以取代激活函。

5小波神經(jīng)網(wǎng)絡(luò)在負(fù)載模式識別中的應(yīng)用

設(shè)置以小波神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的負(fù)載識別體系，從而進(jìn)一步識別用電環(huán)節(jié)之中所存在的負(fù)載種類。具體方法包括。

5.1數(shù)據(jù)采集以及特征提取

對A/D采樣之時(shí)，主要利用12位的ADl674，以獲得電器負(fù)載的電壓以及電流信號，獲取完成以后，由專門工作者對其做變換傅立葉處理，獲得電流50Hz、100Hz、150Hz以及電壓50Hz的幅值，以此為基礎(chǔ)，計(jì)算這些信號負(fù)載實(shí)際總功率。

5.2建造小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

以輸入特征向量維數(shù)以及電路實(shí)際狀態(tài)為基礎(chǔ)，明確網(wǎng)絡(luò)的輸人以及輸出層節(jié)點(diǎn)數(shù)，倘若進(jìn)一步對電路輸出信號做Ⅳ層小波分解處理，由此獲得的特征向量是：IV+I維，因此神經(jīng)網(wǎng)絡(luò)的實(shí)際輸入節(jié)點(diǎn)數(shù)是IV+1;假如電路一共可處于M種狀態(tài)，則輸出層的神經(jīng)元個(gè)數(shù)一共是M。

5.3訓(xùn)練小波神經(jīng)網(wǎng)絡(luò)

提前設(shè)置特定電壓以及電流信號，將其當(dāng)作訓(xùn)練樣本的輸人。

5.4負(fù)載識別的結(jié)果輸出

將采集到的電壓以及電流信號當(dāng)成實(shí)際樣本輸人，以輸出結(jié)果為基礎(chǔ)，進(jìn)一步明確負(fù)載所屬類別。

6總結(jié)與展望

使用大數(shù)據(jù)平臺之時(shí)，工作者應(yīng)當(dāng)明確：接人網(wǎng)絡(luò)的在線負(fù)載量容易被多種因素干擾，比如：數(shù)據(jù)帶寬以及計(jì)算能力等，這就要求工作者要對在線負(fù)載與平臺做數(shù)據(jù)交換處理，保證其可和平臺保持密切聯(lián)系。為避免發(fā)生占據(jù)數(shù)據(jù)通道，過度浪費(fèi)資源的問題，工作人員應(yīng)當(dāng)使用切合實(shí)際的方式對在線負(fù)載做進(jìn)一步的監(jiān)測，充分利用資源。

在互聯(lián)網(wǎng)飛速發(fā)展的背景之下，網(wǎng)絡(luò)接人負(fù)載量呈現(xiàn)增加趨勢，網(wǎng)絡(luò)主要分析數(shù)據(jù)具體產(chǎn)生于此負(fù)載的本身資源。并以此為基礎(chǔ)，參考相鄰時(shí)間段范圍之內(nèi)的負(fù)載數(shù)量具體變化情況，設(shè)置符合現(xiàn)狀的負(fù)載預(yù)測模型，根據(jù)負(fù)載現(xiàn)狀對負(fù)載狀態(tài)做出判斷。針對負(fù)載變化幅度比較大的時(shí)間段，工作人員應(yīng)當(dāng)通過神經(jīng)網(wǎng)絡(luò)算法明確負(fù)載狀態(tài)，并對其做出正向以及反向的運(yùn)算。盡管此類數(shù)據(jù)是決策分析工作必不可少的資源，并且負(fù)載越多，數(shù)據(jù)實(shí)用性更高，然而你大量負(fù)載與網(wǎng)絡(luò)相連接，對網(wǎng)絡(luò)體系的穩(wěn)定性無疑是個(gè)挑戰(zhàn)。

7結(jié)語

綜上所述，我們可知小波變換為實(shí)用性信號分析工具，是眾多工作環(huán)節(jié)必不可少的工具，以具有強(qiáng)有力的信號為突出特征，深受人們的喜愛，在眾多行業(yè)中發(fā)揮著重要作用，其主要優(yōu)勢包括：可將信號局部特征展現(xiàn)出來，能夠分析非平穩(wěn)的信號，所以，神經(jīng)網(wǎng)絡(luò)算法能夠有效檢測大數(shù)據(jù)的實(shí)際負(fù)載能力。