基于AI的主动数据挖掘技术在网络故障管理中的应用

讨论了基于人工智能的主动空间数据挖掘技术在故障管理中的应用，给出了一个应用模型，其中主动空间数据挖掘技术主要体现在数据融合，数据挖掘和知识发现的过程中，文中首先给出了规则定义和触发器定义，并对专家系统的知识发现过程给出了基于时间窗口的告警关联算法，最后给出了在仿真环境下的系统性能测试分析，模型实现和分析数据表明该模型是的可行的。     

关联规则在网络告警数据挖掘中的应用研究

从网络告警数据库中挖掘知识对网络管理和维护有重要作用.本文研究了将关联规则应用于网络告警数据挖掘的原理和算法,并给出具体实例.挖掘出的关联规则可以应用于告警过滤、告警关联、故障定位和故障预测等,可有效提高网络的智能化管理.     

网络告警知识发现研究与实现

文章研究企业网络告警数据中的知识发现问题,设计并实现了以Apriori算法为核心的网络告警关联规则发现系统。系统试运行结果表明,该系统能够有效发掘隐藏在海量告警数据背后、不易为网络管理人员所知的告警及故障模式知识。将发现的新知识应用到告警关联/故障诊断专家系统,有效突破了专家系统“知识获取”瓶颈,显著增强了专家系统推理和诊断网络故障的能力。     

关联规则分析及其在教务管理系统中的应用

关联规则分析是当前数据挖掘研究的主要模式之一。在介绍关联规则理论的基础上，针对教务管理系统数据的特点，提出了分时挖掘的思想，并对FP-增长算法进行了改进研究。最后是关联规则分析在教务管理系统中的应用实践。     

数据关联理论及算法的研究

数据关联是数据挖掘技术的一个重要部分,是数据库中已发现的一类重要内容,关联规则也越来越引起研究的重视。随着数据维数和类型的不断变化,对关联规则算法提出来更高度要求,传统算法以很难满足,以此找到性能更佳的相关算法正是研究的目标和意义所在,这就需要我们对关联规则的理论进行深入的研究。该文主要研究了关联规则理论的相关知识和概念,并在众多的关联规则算法中介绍了具有较大影响的关联规则算法的基本思想。针对经典的关联规则挖掘算法——Apriori算法,结合已有研究理论介绍了基于Apriori的改进算法,极大程度上发展和提高了关联规则的挖掘研究。     

数据挖掘算法在入侵检测系统中的应用*

数据挖掘可以利用各种分析工具从海量数据中发现模型和数据间的关系并做出预测。针对入侵检测系统的特点,将关联规则算法与序列模式算法应用于入侵检测系统中,介绍了将适当改进的关联规则Apriori算法与序列模式GSP算法相结合挖掘原始审计数据中频繁模式的过程,并着重研究了这两种算法结合扩展关联规则的算法应用。     

关联规则挖掘在网上书店系统中的应用

数簪挖掘技术是在大量的数据中发现未知知识的数据分析技术，利用数据挖掘技术分析客户数据，发现其中的耀律，从而为商务决策提供依据。本文研究了关联规则的相关分析并应用于网上书店系统，实现客户订单数据的关联规则挖掘。     

基于不确定性知识发现的入侵报警关联方法

针对入侵检测系统报警信息量大、琐碎和分散的问题,提出了一种基于不确定性知识发现的入侵报警关联方法。该方法的知识发现部分采用提出的不确定性序列模式发现算法—CWINEPI对报警数据进行序列模式发现,并将经过筛选后获得的入侵报警序列模式转化成入侵报警精简规则;再对入侵报警序列模式进行关联以获取攻击模式,并转化为入侵场景重建规则。入侵报警关联部分利用获取的入侵报警精简规则和入侵场景重建规则,以模式匹配方法构造报警关联引擎,对多个入侵检测系统上报的入侵报警进行关联。美国国防部高级研究计划局2000年入侵评测数据（DARPA2000）的报警数据验证了知识发现部分的良好性能;测试环境中的入侵报警的关联结果表明了该方法是高效、可行的。     

电力调度数据挖掘后处理方法的研究

关联规则是数据依赖关系的有效描述方法，是知识发现研究的重要内容．然而，随着所挖掘数据库规模的增大，由传统数据挖掘算法所生成的大量关联规则常常令用户的使用与分析十分困难．文中提出了一种新方法来解决这个问题并将其运用到电力调度数据挖掘系统中．实验结果表明，该方法消除了大量冗余规则，并且使用户可以从整体上把握整个规则集，提高了关联规则挖掘的准确性和易用性．     

一种基于网络管理数据库的多级关联挖掘算法

基于网络管理数据库而获得的知识对网络性能分析和维护有重要的意义。本文分析了网络管理数据库的特点，并针对网络性能数据和位置的关联，结合网络背景约束条件，给出了一种高效的多级关联挖掘算法。     

频繁情节挖掘方法在入侵检测中的应用

介绍了数据挖掘技术在入侵检测中的应用,提出了一种基于事件序列的频繁情节挖掘算法,并将该算法用于基于网络的入侵检测中。实验结果证明,与关联规则挖掘算法相比较,频繁情节挖掘算法可以有效地提高入侵检测系统的准确性,降低误报率。     

基于频繁项挖掘的贝叶斯网络结构学习算法BNSL-FIM

贝叶斯网络能够表示不确定知识并进行推理计算表达,但由于实际样本数据存在噪声和大小限制以及网络空间搜索的复杂性,贝叶斯网络结构学习始终会存在一定的误差。为了提高贝叶斯网络结构学习的准确度,提出了以最大频繁项集和关联规则分析结果为先验知识的贝叶斯网络结构学习算法BNSL-FIM 。首先从数据中挖掘出最大频繁项集并对该项集进行结构学习,之后使用关联规则分析结果对其进行校正,从而确定基于频繁项挖掘和关联规则分析的先验知识。然后提出一种融合先验知识的BDeu评分算法进行贝叶斯网络结构学习。最后在6个公开标准的数据集上开展了实验,并对比引入先验/不引入先验的结构与原始网络结构的汉明距离,结果表明所提算法与未引入先验的BDeu评分算法相比显著提高了贝叶斯网络结构学习的准确度。     

基于业务路径和频度矩阵的关联规则挖掘算法

关联规则挖掘为分析机载网络关联故障及提高排故效率提供了重要方法。分析了经典Apriori算法的局限性,结合机载网络领域知识、矩阵运算和频繁项集性质,提出一种高效的关联规则挖掘算法。应用机载网络故障具有的基于业务路径的关联特征,提出分块挖掘策略,从而实现挖掘过程的噪声隔离。提出频度矩阵和特征向量,结合矩阵特点和频繁项集性质,设计5个扫描策略,从而减少了循环次数和对比运算。与Apriori算法 相比,新算法能有效提高频繁项集的搜索速率。     

Applications of association rule mining in health informatics: a survey

Association rule mining is an effective data mining technique which has been used widely in health informatics research right from its introduction. Since health informatics has received a lot of attention from researchers in last decade, and it has developed various sub-domains, so it is interesting as well as essential to review state of the art health informatics research. As knowledge discovery researchers and practitioners have applied an array of data mining techniques for knowledge extraction from health data, so the application of association rule mining techniques to health informatics domain has been focused and studied in detail in this survey. Through critical analysis of applications of association rule mining literature for health informatics from 2005 to 2014, it has been explored that, instead of the more efficient alternative approaches, the Apriori algorithm is still a widely used frequent itemset generation technique for application of association rule mining for health informatics. Moreover, other limitations related to applications of association rule mining for health informatics have also been identified and recommendations have been made to mitigate those limitations. Furthermore, the algorithms and tools utilized for application of association rule mining have also been identified, conclusions have been drawn from the literature surveyed, and future research directions have been presented.     

数据挖掘技术

数据挖掘技术是当前数据库和人工智能领域研究的热点课题,为了使人们对该领域现状有个概略了解,在消化大量文献资料的基础上,首先对数据挖掘技术的国内外总体研究情况进行了概略介绍,包括数据挖掘技术的产生背景、应用领域、分类及主要挖掘技术;结合作者的研究工作,对关联规则的挖掘、分类规则的挖掘、离群数据的挖掘及聚类分析作了 较详细的论述;介绍了关联规则挖掘的主要研究成果,同时指出了关联规则衡量标准的不足及其改进方法,提出了分类模式的准确度评估方法;最后,描述了数据挖掘技术在科学研究、金属投资、市场营销、保险业、制造业及通信网络管理等行业的应用情况,并对数据挖掘技术的应用前景作了展望。     

Mining association rules for the quality improvement of the production process

Academics and practitioners have a common interest in the continuing development of methods and computer applications that support or perform knowledge-intensive engineering tasks. Operations management dysfunctions and lost production time are problems of enormous magnitude that impact the performance and quality of industrial systems as well as their cost of production. Association rule mining is a data mining technique used to find out useful and invaluable information from huge databases. This work develops a better conceptual base for improving the application of association rule mining methods to extract knowledge on operations and information management. The emphasis of the paper is on the improvement of the operations processes. The application example details an industrial experiment in which association rule mining is used to analyze the manufacturing process of a fully integrated provider of drilling products. The study reports some new interesting results with data mining and knowledge discovery techniques applied to a drill production process. Experiment’s results on real-life data sets show that the proposed approach is useful in finding effective knowledge associated to dysfunctions causes.     

基于频繁闭情节及其生成子的无冗余情节规则抽取

情节规则挖掘旨在发现频繁情节之间的因果关联,已广泛应用于传感器数据处理、网络安全监控、金融证券管理、事务日志分析等众多领域.针对一个事件序列上的无冗余情节规则挖掘,提出了算法Extractor.该算法采用最小且非重叠发生的支持度定义和深度优先的搜索策略来发现频繁闭情节及其生成子,保证了频繁闭情节及其生成子的挖掘质量和挖掘效率;利用非生成子情节的Apriori性质,避免了冗余的情节生成子判断;直接由频繁闭情节及其生成子产生无冗余情节规则,提高了情节规则的生成质量和生成效率.所进行的实验证实了该情节规则抽取算法的有效性.     

基于约束网络的因果关联规则挖掘研究

因果关联规则是知识库中一类特殊且重要的知识类型,相对一般关联规则,其优势在于能够揭示深层知识。首先对因果关系的特征和因果关联规则的挖掘方法进行了简介。针对在挖掘初始阶段如何限定可能导致结果的原因变量集合这一问题,运用了约束网络原理来构建一个实际系统变量间的因果关系结构。通过该因果关系结构可以比较容易地导出原因变量集合及各变量的类型,从而降低挖掘的复杂性,为提高挖掘结果的准确性提供有利条件。约束网络的引入优化了因果关联规则的挖掘过程,使之趋于更完备。     

频繁项集挖掘的研究进展及主流方法

关联分析作为数据挖掘的主要研究模块之一,主要用于发现隐藏在大型数据集中的强关联特征。而多数关联规则挖掘任务可分为频繁模式(频繁项集、频繁序列、频繁子图)的产生和规则的产生。前者发现数据集中满足最小支持度阈值的项集、序列与子图;后者从上一步发现的频繁模式中提取高置信度的规则。频繁项集挖掘是许多数据挖掘任务中的关键问题,也是关联规则挖掘算法的核心。十几年来,学者们致力于提高频繁项集的生成效率,从不同的角度进行改进以提高算法效率,大量的高效可伸缩性算法被提出。文中对频繁项集挖掘进行深入分析,对完全频繁项集、闭频繁项集、极大频繁项集的典型算法进行介绍和评述,最后对频繁项集挖掘算法的研究方向进行简要分析。