两种网络业务流分析方法的应用与实现

为了对网络业务流和网络性能进行测量与分析 ,我们根据 CAINONET的业务流设计课题实现了一个业务流设计的原型系统 - - - -业务流测量分析系统 TMAS.在 TMAS的分析子系统中 ,我们实现了业务级的分析方法 ,即具有路径约束的关联规则算法 PRAR和具有时态路径约束的关联规则算法 TPRAR.本文中我们先举了一个这两种算法的应用例子 ,再给出了这两种算法在 TMAS系统中的实际运行结果 .实际运行显示 ,这两种业务级分析方法可以弥补已有分析方法的不足 ,为进行网络业务流控制进一步提供了有效的依据     

面向业务流设计的TPRAR算法研究

通过对网络业务进行分析来达到对网络性能进行评价和优化变得日益重要.提出了一种新的基于业务流分析方法,采用关联规则挖掘的算法对全网业务进行关联关系分析.该方法在Apriori算法的基础上,引入时态约束和路径约束,使之更加体现网络业务的特性.使用该方法,可以充分利用已有数据,分析已有业务的行为,且可以预测未来业务的行为.并指出该分析方法是以业务为分析单位的,运用该方法可以从业务角度对网络状况和网络行为进行分析.     

一类相邻时态关联规则的知识发现问题

本文研究了一类新的知识发现问题即基于时态约束的相邻时态关联问题,首先我们引进了时间的时态型、基时态型等概念及其性质,然后我们给出了有限个属性在时态型的基础上描绘不同状态的时态事件空间,从而定义了事件之间的时态关联规则,由此导出了1种具有一定意义的相邻时态关联规则.这种相邻时态关联规则可以用于商品销售、股票价格等问题的知识发现和短期的预决策,最后讨论了在2个时态型下的相邻时态关联规则的算法主要步骤,并给出了实例的分析.     

一类具有时态约束的关联规则的知识发现问题

本文探讨了一类具有时态约束的关联规则的有关问题。首先,我们引入了时态型的定义以及相关的概念。接下来,我们给出了一种时态事件模型,用以描述基于时态型的不同属性的各种状态的事件,也定义了一类具有时态约束的关联规则,它能在诸如股票波动、天气预报、商品销售等领域提供短期的预测和决策。最后,我们给出了发现具有时态约束的关联规则算法的主要步骤。     

序列模式挖掘在网络业务流分析中的应用

网络业务流分析是为了适应网络优化的需要而出现的分析方法。把一种新的序列模式挖掘算法用于网络业务流分析，对网络业务的模式进行挖掘，性能上优于以往的算法。     

增强超宽带无线网络QoS的调度算法

基于对UWB网络中已有调度算法性能的分析,提出了一种用于增强UWB无线网络QoS的调度算法。该算法采用跨层设计的思想,能根据无线物理层信道状态和应用层业务传输速率的变化进行动态带宽分配,分配过程主要采用带宽借贷的思想,即在具有不同优先级的业务流之间进行带宽调度,以尽最大可能满足具有不同优先级的业务流QoS要求。仿真结果表明,该算法能有效地增强网络的QoS,提高整个网络的性能。     

一种基于时态约束的加权关联规则挖掘算法

时态关联规则是指带有时态约束的关联规则,针对现有的大多数时态关联规则挖掘算法并没有考虑数据项的不同重要性,提出了一种新的加权时态关联规则挖掘算法。算法以项目的生命周期作为时间特征,并且允许用户设定不同的项目权重。算法采用了树和矩阵的数据存储结构,挖掘过程中只需扫描一次数据库,同时利用向量之间的交集操作加快了加权支持度的计算速度。仿真实验表明,优化算法具有良好的挖掘效率。     

一种加权时态关联规则挖掘算法

许多现实数据库都存在时态语义问题,因此在挖掘关联规则时附加上时态约束会使规则更具有实际意义。但目前提出的大多数时态关联规则挖掘算法,一般都认为每个数据项的重要性相同,而从决策者角度出发,往往会优先考虑利润较高的项目。提出了一种加权时态关联规则挖掘算法,以项目的生命周期作为时间特征,允许用户设定不同的项目权重。实验结果证明,该算法不仅能有效地发现加权时态关联规则,而且挖掘出的规则更有价值。     

无线Mesh网络中基于队列长度的自适应EDCA算法研究

针对无线Mesh网络的网络特性,分析无线Mesh网络中的EDCA算法,提出一种基于队列长度的自适应EDCA算法。详细讨论该算法的具体实现过程及参数变化规则,通过仿真验证了该算法在提高网络性能的同时还可以达到对不同业务流的业务区分。     

基于审计的时态关联规则研究

传统关联规则挖掘很少考虑关联规则的时间适用性.时态关联规则是指带有时态约束的关联规则,每个关联规则都有着其成立的时间区域.结合其他算法的特点,提出了基于Fisher聚类的时态关联规则挖掘算法,它能够动态地发现关联规则以及关联规则有效的时间区域.实验结果证明该算法是合理有效的。     

基于关联规则的交通事故影响因素的挖掘

道路交通安全是一个公共的安全问题,每年因交通事故死亡的人数在所有安全事故导致的总死亡人数中占比最高。随着大数据智能分析技术的发展,广泛利用交通数据朔源事故原因,有利于提出针对性措施,预防交通事故的发生。文中针对导致交通事故的原因具有多样性的特点,提出利用交通事故的相关新闻数据,广泛结合新闻报道具有的 真实性和时效性特点来进行交通事故因素及责任的分析。以新浪网站交通事故新闻为数据源,从新闻事件中提取引发交通事故的相关因素。针对经典Apriori只适用于单一维度的关联挖掘以及需要频繁扫描数据库的缺点,提出了改进的多值属性Apriori算法。以省市为关注点,挖掘出导致事故发生的多种组合因素,由此总结出省市多发交通事故的规律,并提供给有关部门作为采取预防和监管措施的依据。     

一种高效的挖掘量化关联规则的MQAR算法

提出了一种挖掘量化关联规则的MQAR算法。此算法在挖掘关联规则时，只需扫描事务数据库一遍，提高了数据挖掘的效率；并且存放辅助信息所占的内存空间大大少于现有的挖掘算法；同时此算法不仅能挖掘出有关联的数据项集，还能找出这些项集之间数量上的相互关系。     

线性关联规则研究

首先讨论了布尔型关联规则的不足,然后提出了线性关联规则的概念,详细讨论了线性关联规则的挖掘方法,具体给出了线性关联规则的挖掘过程,分析了线性关联规则的作用。还给出了实验结果,并将线性关联规则和布尔型关联规则及定量关联规则进行了比较。     

基于神经网络与组成份分析的关联规则挖掘

通过对关联规则挖掘的分类研究，提出了关联规则挖掘的分类定义方法，从项集的相关性出发，阐述了一种基于ANN-PCA的快速、高效的挖掘算法，从而扩展了关联规则挖掘的应用。实验证明了该算法的有效性。     

一种有效的关联规则的挖掘方法

提出简单关联规则的定义，并证明传统算法挖出的规则集中的任何规则均可以由简单关联规则生成，而简单关联规则的数量远远小于传统算法挖掘出的规则数量，从理论上证明了简单关联规则算法的优越性。     

数据库中动态关联规则的挖掘

关联规则能挖掘变量间的相互依赖关系,但是不能反映规则本身的变化规律．为此本文提出了动态关联规则．首先将整个待挖掘数据集按时间划分成若干子集,每个子集挖掘得到的每条规则分别生成一个支持度和一个置信度,这样每条规则在全集上就对应了一个支持度向量和一个置信度向量．通过分析支持度向量和置信度向量,不仅可以发现规则随时间变化的情况,也能够预测规则的发展趋势．本文还提出了两个挖掘动态关联规则的算法,且对他们做了比较．并给出了柱状图和时间序列两种方法分析这两个向量．最后给出了一个挖掘动态关联规则的应用实例。     

扩展型关联规则和原关联规则及其若干性质

已有的关联规则模型所反映的基本上是频繁事件中所隐藏的一种积极或肯定关系，而没有反应其隐含的否定关系，在实际应用中，这种否定关系与肯定关系一样也是很重要的，在此论述的扩展型关联规则模型就能反映上述两种关系，据此可以得到更多的规则知识，此外，由于Aproiri关联规则生成方法产生的关联规则具有较大的冗余性，论述的原关联规则可以消除关联规则的这种冗余特性，挖掘原关联规则既能大大减少关联规则的数,目,又能节省规则生成时间，把扩展型关联规则和原关联规则相结合，可使得对扩展关联规则的挖掘更加有效，实验结果也支持了上述结论。     

原关联规则及其应用

在大型数据库项目之间发现关联规则是一个重要的数据挖掘问题,而挖掘出的关联规则数目常常是巨大的。文中介绍了简单关联规则和原关联规则的概念,而传统算法挖掘出的关联规则集中的任何规则,均可以由原关联规则导出,并且原关联规则的数目远远小于传统算法挖掘出的关联规则数目。对简单关联规则和原关联规则进行了分析比较,给出了挖掘原关联规则算法,并举例说明算法的执行过程。     

基于定制时间约束的正负时态关联规则挖掘

传统关联规则挖掘是在整个事务数据库的时间范围内进行的,但有时用户想得到某一特定时间范围(如商品的促销阶段)内的关联规则,该文对这一问题进行了详细讨论,提出了基于定制时间的时态支持度、时态频繁项集、时态置信度、时态关联规则等概念,在传统Apriori算法的基础上提出了挖掘时态频繁项集的算法。另一方面,讨论了当同时考虑正、负关联规则出现的矛盾规则问题以及用相关性解决这一问题的方法,提出了挖掘正负时态关联规则的算法,实例说明了算法的执行过程及有效性。     

一种改进的含负项目关联规则挖掘算法

在含负项目的一般化关联规则的挖掘中,由于负项目的引入使得频繁项集的搜索空间变得更加巨大,而同时挖掘出的关联规则数量也随之增大,但其中很多规则对用户来说是不感兴趣的,而且可能包含一些冗余和错误的规则。因此提出了最大支持度的概念,用来约束频繁项集的挖掘,排除没有意义的关联规则同时也提高了挖掘的效率。在挖掘中对正负项目分别采用不同的最小支持度,使得挖掘更加灵活。并通过实验证明改进是行之有效的。