異構(gòu)復(fù)雜信息網(wǎng)絡(luò)敏感數(shù)據(jù)流動態(tài)挖掘*

熊菊霞,吳盡昭

(1.中國科學(xué)院成都計(jì)算機(jī)應(yīng)用研究所，四川 成都 610041；2.中國科學(xué)院大學(xué)，北京 100049；3.廣西民族大學(xué)廣西混雜計(jì)算與集成電路設(shè)計(jì)分析重點(diǎn)實(shí)驗(yàn)室，廣西 南寧 530006)

1 引言

在異構(gòu)復(fù)雜信息網(wǎng)絡(luò)中，網(wǎng)絡(luò)基元結(jié)構(gòu)具有差異性，通常包含大量的敏感數(shù)據(jù)流，從數(shù)據(jù)流中提取有用特征是十分重要的工作[1]。但是，由于異構(gòu)網(wǎng)絡(luò)中不同結(jié)構(gòu)的網(wǎng)絡(luò)數(shù)據(jù)存在較強(qiáng)的動態(tài)變化，如何對異構(gòu)復(fù)雜信息網(wǎng)絡(luò)敏感數(shù)據(jù)流進(jìn)行有效的動態(tài)挖掘，成為現(xiàn)在數(shù)據(jù)挖掘領(lǐng)域中重要的問題[2]。

專家學(xué)者們提出一些關(guān)于網(wǎng)絡(luò)敏感數(shù)據(jù)流的挖掘方法。茹蓓等人[3]提出一種減少候選項(xiàng)集的數(shù)據(jù)流挖掘算法，通過數(shù)據(jù)掃描窗口建立全局樹，基于全局樹生成數(shù)據(jù)候選模式，從候選模式中選取出高效用的挖掘模式，完成數(shù)據(jù)挖掘。劉華成等人[4]提出一種動態(tài)調(diào)度的延遲敏感流網(wǎng)絡(luò)挖掘算法，采用能量最小化組合方程來節(jié)約挖掘時間，采用分解定界算法來提升分類器處理速度。趙小強(qiáng)等人[5]提出一種基于改進(jìn)模糊支持向量機(jī)FSVM(Fuzzy Support Vector Machine)的數(shù)據(jù)挖掘分類算法，預(yù)選出有效的候選支持向量，并對其進(jìn)行增強(qiáng)處理，在此基礎(chǔ)上設(shè)計(jì)隸屬度函數(shù)完成挖掘。劉洋等人[6]對大數(shù)據(jù)挖掘算法進(jìn)行分析，根據(jù)模型向量的改變量優(yōu)化數(shù)據(jù)迭代過程，在不同階段選擇不同的迭代和數(shù)據(jù)處理方式，以提高挖掘性能。

國外眾多學(xué)者也對此進(jìn)行了研究，并取得了較多突出的成果，Malik等人[7]指出，隨著數(shù)據(jù)規(guī)模的不斷擴(kuò)大，利用現(xiàn)有的方法進(jìn)行數(shù)據(jù)挖掘時，內(nèi)存往往容易成為瓶頸問題，因此很多科研人員從多個角度對數(shù)據(jù)挖掘方法進(jìn)行了改進(jìn)。比如，美國學(xué)者Freitas等人[8]針對大規(guī)模的數(shù)據(jù)進(jìn)行分析，先對原始數(shù)據(jù)集進(jìn)行簡單排序，其次分析網(wǎng)絡(luò)內(nèi)存的實(shí)現(xiàn)機(jī)制，在時間局部性方面進(jìn)行重點(diǎn)分析，以滿足大規(guī)模數(shù)據(jù)挖掘需求。Belorkar等人[9]利用敏感網(wǎng)絡(luò)對異構(gòu)基因表達(dá)數(shù)據(jù)進(jìn)行了分析，主要研究數(shù)據(jù)的異質(zhì)性，通過敏感網(wǎng)絡(luò)抑制了單區(qū)域數(shù)據(jù)集的選取功能，結(jié)合異質(zhì)性特征挖掘得到表達(dá)數(shù)據(jù)。但是，在異構(gòu)復(fù)雜信息網(wǎng)絡(luò)中，相關(guān)數(shù)據(jù)流挖掘方法無法在復(fù)雜網(wǎng)絡(luò)下找到準(zhǔn)確的挖掘特征，難以適應(yīng)復(fù)雜信息網(wǎng)絡(luò)敏感數(shù)據(jù)流特征的高動態(tài)變化，降低了挖掘精度。

針對上述問題，本文提出基于最大類間散度的網(wǎng)絡(luò)敏感數(shù)據(jù)流動態(tài)挖掘方法。實(shí)驗(yàn)結(jié)果表明，該方法在復(fù)雜信息網(wǎng)絡(luò)敏感數(shù)據(jù)流挖掘方面具有較高的實(shí)用性。

2 敏感數(shù)據(jù)流可挖掘特征獲取

2.1 最大類間散度計(jì)算

由于異構(gòu)復(fù)雜信息網(wǎng)絡(luò)承載著不同的協(xié)議和網(wǎng)絡(luò)信道，網(wǎng)絡(luò)基元結(jié)構(gòu)之間差異性較大，導(dǎo)致提取網(wǎng)絡(luò)中的敏感數(shù)據(jù)流特征困難。由此，以異構(gòu)復(fù)雜信息網(wǎng)絡(luò)中的敏感數(shù)據(jù)差異最大化間隔作為分類基礎(chǔ)，將差異化網(wǎng)絡(luò)基元結(jié)構(gòu)進(jìn)行區(qū)別劃分，得到網(wǎng)絡(luò)敏感數(shù)據(jù)流特征的最大類間散度，為全面高精度動態(tài)挖掘敏感數(shù)據(jù)提供基礎(chǔ)。

假設(shè)異構(gòu)復(fù)雜信息網(wǎng)絡(luò)數(shù)據(jù)庫中的待挖掘矩陣為X={x1,x2,…,xi}，i代表網(wǎng)絡(luò)數(shù)據(jù)庫中數(shù)據(jù)的序數(shù)，獲取第i時刻異構(gòu)復(fù)雜網(wǎng)絡(luò)數(shù)據(jù)庫中敏感數(shù)據(jù)矩陣xi={xi1,xi2,…,xim}，對應(yīng)的網(wǎng)絡(luò)數(shù)據(jù)流類型用向量yi表示，利用式(1)給出異構(gòu)復(fù)雜信息網(wǎng)絡(luò)敏感數(shù)據(jù)流整體矩陣：

Y=f(x1,x2,…,xn)=(y1,y2,…,yn)

(1)

向量yi是網(wǎng)絡(luò)數(shù)據(jù)流類型，對提取出的網(wǎng)絡(luò)敏感數(shù)據(jù)流特征降維處理。將敏感數(shù)據(jù)差異最大化間隔作為分類目標(biāo)，找出1組最佳分類向量，對其進(jìn)行映射變換，使變換后得到的網(wǎng)絡(luò)敏感數(shù)據(jù)流特征具有最大類間散度，并獲取最大類間散度特征值[10]。過程如下所示：

在上述給出的異構(gòu)復(fù)雜信息網(wǎng)絡(luò)數(shù)據(jù)庫矩陣X={x1,x2,…,xn}中，為維持復(fù)雜網(wǎng)絡(luò)內(nèi)原始數(shù)據(jù)的分布結(jié)構(gòu)形狀，利用最大間隔準(zhǔn)則約束找出一個線性映射：

(Sb-Sw)X=λiwi

(2)

得到最佳識別向量為：

(3)

其中，Sb和Sw分別代表網(wǎng)絡(luò)敏感數(shù)據(jù)流特征降維后，特征空間中的類間散度和類內(nèi)散度，作為差異化網(wǎng)絡(luò)基元結(jié)構(gòu)的劃分基礎(chǔ)。λi表示線性映射系數(shù)，T為轉(zhuǎn)置符號，wi表示最大間隔向量[11,12]。將其投影變換到低維特征空間Y中，使其具有最大類間散度：

Y=WTX

(4)

投影變換處理后，得到異構(gòu)復(fù)雜信息網(wǎng)絡(luò)的敏感數(shù)據(jù)向量：

(5)

2.2 最優(yōu)散度迭代

在2.1節(jié)獲取了異構(gòu)復(fù)雜信息網(wǎng)絡(luò)的敏感數(shù)據(jù)最大類間散度后，對其進(jìn)行遺傳迭代，確定最優(yōu)散度迭代函數(shù)，依據(jù)該函數(shù)動態(tài)挖掘敏感數(shù)據(jù)特征[13，14]，并對挖掘得到的敏感數(shù)據(jù)特征進(jìn)行篩選，得出動態(tài)可挖掘特征，克服傳統(tǒng)方法不容易形成可挖掘特征，進(jìn)而需要多次挖掘的不足，為數(shù)據(jù)的動態(tài)挖掘奠定基礎(chǔ)。

傳統(tǒng)的遺傳算法并沒有考慮個體或者組織的演變特征，只能夠通過編碼表現(xiàn)個體或者組織的一一對應(yīng)關(guān)系，模糊遺傳算法能夠打破這一規(guī)則，在[0，1]中為個體或者組織取值。模糊遺傳算法的這一特性使得其能夠很好地解決迭代中的隨機(jī)和非線性問題，解決更多的復(fù)雜問題。因此，本文使用模糊遺傳算法進(jìn)行網(wǎng)絡(luò)敏感數(shù)據(jù)最大類間散度迭代，量化異構(gòu)網(wǎng)絡(luò)基元結(jié)構(gòu)之間的差異性。lnfo(B)和lnfoA(B)分別表示不同的異構(gòu)網(wǎng)絡(luò)基元結(jié)構(gòu)，Gain(A)表示2者之間的差異，如下：

(6)

(7)

其中，B是異構(gòu)網(wǎng)絡(luò)基本元素構(gòu)成的向量，A是異構(gòu)網(wǎng)絡(luò)差異值向量，v是B中元素個數(shù)。Wopt是異構(gòu)復(fù)雜信息網(wǎng)絡(luò)的敏感數(shù)據(jù)向量。Pi是概率值。

Gain(A)=lnfo(B)-lnfoA(B)

(8)

得到：

Pri(t)=Gain(A)-Pi*hi(t)+nPi(t)

(9)

其中，hi(t)代表Pi在異構(gòu)復(fù)雜信息網(wǎng)絡(luò)敏感數(shù)據(jù)的變異參數(shù)，nPi(t)代表數(shù)據(jù)流特征響應(yīng)值，由此可以求出異構(gòu)復(fù)雜信息網(wǎng)絡(luò)敏感數(shù)據(jù)流特征響應(yīng)函數(shù)：

Sri(t)=S(t)×hi(t)+nsi(t)

(10)

其中，S(t)代表異構(gòu)復(fù)雜網(wǎng)絡(luò)數(shù)據(jù)庫的信道響函數(shù)，挖掘得到敏感數(shù)據(jù)特征為：

ri(t)=Sri(t)×Pri(-t)=

S(t)×P(-t)*hi(t)+nli(t)

(11)

以式(11)為基礎(chǔ)，對敏感數(shù)據(jù)挖掘特征形成概率進(jìn)行計(jì)算，公式如下：

(12)

其中，aij是特征系數(shù)，βj是敏感特征系數(shù)，bij是特征數(shù)據(jù)向量，Pj(t)是概率值。

得到優(yōu)選的敏感數(shù)據(jù)動態(tài)可挖掘特征為：

R(Xi)=bij(Pj(t))X

(13)

其中，X是數(shù)據(jù)庫中的待挖掘矩陣。

3 網(wǎng)絡(luò)敏感數(shù)據(jù)流挖掘

以上述得到的敏感數(shù)據(jù)動態(tài)可挖掘特征為基礎(chǔ)，對可挖掘特征進(jìn)行半監(jiān)督聚類分析，進(jìn)而完成網(wǎng)絡(luò)敏感數(shù)據(jù)流挖掘。

聚類分析是數(shù)據(jù)挖掘中的重要步驟，聚類是按照相似性原理，把1組個體劃分為若干類別的過程，聚類的目的是使同一類別的個體之間距離最小化，不同類別個體之間的距離最大化，從而提高數(shù)據(jù)挖掘精度。采用半監(jiān)督聚類方法可以有效地改善初始聚類中心敏感、聚類質(zhì)量不高的問題[15,16]。半監(jiān)督聚類方法是結(jié)合分類和K-means算法思想的一種新的聚類方法，是利用半監(jiān)督學(xué)習(xí)方法對聚類過程中類中心選取的過程。

假設(shè)主存中的數(shù)據(jù)特征點(diǎn)q是Q={d1,d2,…,dn,labels}中的元素，Q是一個數(shù)據(jù)特征矩陣，labels為可挖掘數(shù)據(jù)標(biāo)記的向量。利用labels初始化聚類中心Z，表示為：

(14)

其中，I為可挖掘數(shù)標(biāo)記個數(shù)。

聚類過程中，若缺少某類標(biāo)記，則由聚類中心自動產(chǎn)生，不斷重復(fù)上述初始化過程，直到出現(xiàn)重復(fù)聚類為止[17,18]。

對可挖掘特征點(diǎn)進(jìn)行聚類分配，將每一個可挖掘特征點(diǎn)di、labels分配至聚類L中，表示為：

L=argmin |di-Z|

(15)

在式(15)基礎(chǔ)上，重新計(jì)算初始化聚類中心Z：

(16)

其中，di是挖掘特征點(diǎn)向量。

由此則可以完成對可挖掘特征的聚類分析，挖掘得到數(shù)據(jù)隱藏信息模式，并對其進(jìn)行評價，若是合理，則進(jìn)行知識表示，將上述合理的信息模式進(jìn)行展示，從而實(shí)現(xiàn)異構(gòu)復(fù)雜信息網(wǎng)絡(luò)敏感數(shù)據(jù)的動態(tài)挖掘[19,20]。

具體數(shù)據(jù)挖掘流程如圖1所示。

Figure 1 Flow chart for dynamic mining of sensitive data in heterogeneous complex information networks圖1 異構(gòu)復(fù)雜信息網(wǎng)絡(luò)敏感數(shù)據(jù)動態(tài)挖掘流程圖

4 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文所提的基于模糊遺傳的網(wǎng)絡(luò)敏感數(shù)據(jù)流動態(tài)挖掘方法的綜合性能，實(shí)驗(yàn)采用的平臺為IBM的工控異構(gòu)網(wǎng)絡(luò)機(jī)，主頻為2.3 GHz CPU，內(nèi)存為24 GB。

實(shí)驗(yàn)數(shù)據(jù)來源于亞馬遜自動化工作流系統(tǒng)AWS(Automated Workflow System)數(shù)據(jù)庫，網(wǎng)址為https://aws.amazon.com/cn/datasets/。在實(shí)驗(yàn)中隨機(jī)采集500個真實(shí)復(fù)雜信息網(wǎng)絡(luò)數(shù)據(jù)集。采集器如圖2所示。

Figure 2 Data acquisition unit圖2 數(shù)據(jù)采集器

實(shí)驗(yàn)數(shù)據(jù)采集過程如圖3所示。

Figure 3 Flow chart of experimental data acquisition圖3 實(shí)驗(yàn)數(shù)據(jù)采集流程圖

在上述實(shí)驗(yàn)環(huán)境和數(shù)據(jù)設(shè)置條件下，選取以下指標(biāo)對本文方法進(jìn)行驗(yàn)證：

(1)可挖掘特征形成概率：數(shù)據(jù)可挖掘特征的獲取是實(shí)現(xiàn)數(shù)據(jù)挖掘的關(guān)鍵步驟，以式(12)的計(jì)算步驟為依據(jù)，對本文方法與文獻(xiàn)[7,8]方法的可挖掘特征形成概率進(jìn)行計(jì)算和對比。

(2)挖掘耗時：對本文方法與文獻(xiàn)[7,8]方法的挖掘耗時進(jìn)行對比，驗(yàn)證本文方法的時效性。

(3)labels標(biāo)記質(zhì)量：在獲取數(shù)據(jù)的可挖掘特征后，本文方法首先對可挖掘特征進(jìn)行了聚類分析，以此為基礎(chǔ)完成數(shù)據(jù)挖掘，提高挖掘精度。聚類分析中，labels標(biāo)記質(zhì)量的好壞會直接影響數(shù)據(jù)聚類質(zhì)量，進(jìn)而影響挖掘精度。

(4)挖掘精度：精度是驗(yàn)證方法性能的重要指標(biāo)，本實(shí)驗(yàn)選取這一指標(biāo)進(jìn)行分析。

(5)敏感數(shù)據(jù)挖掘內(nèi)存占用率：對比不同方法的挖掘內(nèi)存占用率，進(jìn)一步體現(xiàn)本文方法優(yōu)勢。

對本文方法與文獻(xiàn)[7，8]方法的可挖掘特征形成概率進(jìn)行計(jì)算，結(jié)果如表1所示。

Table 1 Comparison of mineable feature formation probability表1 可挖掘特征形成概率對比

分析表1可以看出，本文采用最大類間散度方法，將敏感數(shù)據(jù)的差異最大化間隔作為分類基礎(chǔ)進(jìn)行分析，并在遺傳迭代狀態(tài)確定最優(yōu)散度迭代函數(shù)，完成可挖掘特征優(yōu)選，由此得到的可挖掘特征形成概率整體高于90%，最高可達(dá)98%，可順利形成可挖掘特征。而文獻(xiàn)[7，8]方法的可挖掘特征形成概率在80%以下，遠(yuǎn)低于本文方法的，無法形成數(shù)據(jù)的可挖掘特征。

鑒于表1分析的結(jié)果，可知本文方法能夠順利形成數(shù)據(jù)的可挖掘特征，進(jìn)而能夠降低數(shù)據(jù)挖掘次數(shù)，有利于節(jié)約數(shù)據(jù)挖掘時間。為進(jìn)一步驗(yàn)證這一結(jié)果，對本文方法與文獻(xiàn)[7,8]方法進(jìn)行對比，結(jié)果如圖4所示。分析圖4可以看出，本文方法的挖掘耗時明顯低于文獻(xiàn)[7,8]方法的，以后可進(jìn)一步驗(yàn)證本文采用最大類間散度方法獲取數(shù)據(jù)的可挖掘特征的有效性，表明本文方法具有一定的可行性。

Figure 4 Time-consuming comparison of different mining methods圖4 不同方法挖掘耗時對比

對本文方法的labels標(biāo)記質(zhì)量的分析結(jié)果如圖5所示。根據(jù)圖5可知，在不同的labels標(biāo)記處，本文估計(jì)值與實(shí)際值之間的差異均較小，不超過6.0，且隨著標(biāo)記點(diǎn)的增加，估計(jì)值與實(shí)際值之間的差異呈現(xiàn)下降趨勢，表明本文方法具有較好的聚類效果。

Figure 5 Difference between estimated and true values圖5 估計(jì)值和真實(shí)值之間的差異

為充分驗(yàn)證本文方法的優(yōu)勢，選取挖掘精度和敏感數(shù)據(jù)挖掘內(nèi)存占用率為指標(biāo)進(jìn)行對比分析，結(jié)果如表2和圖6所示。

根據(jù)表2可知，本文方法的數(shù)據(jù)挖掘精度在90%左右，文獻(xiàn)[7]方法的數(shù)據(jù)挖掘精度最高為69%，文獻(xiàn)[8]方法的最高值為76%，表明本文方法能夠準(zhǔn)確地完成異構(gòu)復(fù)雜信息網(wǎng)絡(luò)敏感數(shù)據(jù)流動態(tài)挖掘，同時也進(jìn)一步驗(yàn)證了可挖掘特征的聚類質(zhì)量較高。

Table 2 Comparison of mining accuracy of different methods表2 不同方法挖掘精度對比

圖6為不同方法的敏感數(shù)據(jù)挖掘內(nèi)存占用率對比圖。從圖6中的情況來看，本文方法所占用的內(nèi)存容量較少，而其他2種方法所占用的內(nèi)容容量較多，主要是因?yàn)楸疚哪軌蝽樌@取可挖掘數(shù)據(jù)特征，避免了多次數(shù)據(jù)挖掘，從而降低了內(nèi)存占用率。這表明在對敏感數(shù)據(jù)流進(jìn)行挖掘的性能上，本文方法具有更大的優(yōu)勢。

Figure 6 Comparison of memory usage of different methods圖6 不同方法內(nèi)存占用率對比

5 結(jié)束語

復(fù)雜信息網(wǎng)絡(luò)中存在大量的敏感數(shù)據(jù)流，對其進(jìn)行有效挖掘，能夠促使網(wǎng)絡(luò)更加高效地運(yùn)行。針對現(xiàn)有方法存在數(shù)據(jù)挖掘精度低、挖掘時間長、占用內(nèi)存大等問題，本文提出了一種新的網(wǎng)絡(luò)敏感數(shù)據(jù)流動態(tài)挖掘方法。采用最大類間散度確定最優(yōu)散度迭代函數(shù)，對迭代函數(shù)最優(yōu)值進(jìn)行計(jì)算，獲取可挖掘的動態(tài)特征。以此為依據(jù)，對可挖掘特征進(jìn)行聚類分析，進(jìn)而實(shí)現(xiàn)數(shù)據(jù)挖掘。

將本文方法與文獻(xiàn)[7,8]方法進(jìn)行對比，結(jié)果表明：

(1)數(shù)據(jù)的可挖掘特征獲取概率較高，進(jìn)而降低了數(shù)據(jù)挖掘次數(shù)，節(jié)約了數(shù)據(jù)挖掘時間，并降低了內(nèi)存占用率；

(2)聚類分析中，labels標(biāo)記估計(jì)值與實(shí)際值之間的差異較小，說明對可挖掘特征的聚類質(zhì)量良好，進(jìn)而提高了數(shù)據(jù)挖掘精度。

綜上可知，本文所提方法的數(shù)據(jù)挖掘性能較好，為數(shù)據(jù)的深入研究奠定了基礎(chǔ)，具有一定的參考價值。