一种融合邻边属性的个人社交网络社区发现算法

针对传统智能进化社区发现算法通常存在弱化节点属性和容易过早收敛等问题,提出基于邻边属性群智能聚类的个人社交网络社区发现算法NLA/SCD。在融合邻边结构及其节点属性相似特性的基础上,定义社会蜘蛛优化算法的适应度函数,并将社区模块度增量作为算子迭代准则。在雌性和雄性个体的进化与交配过程中,利用适应度函数和模块度增量函数从局部和全局角度优化社区划分的寻优过程,以保持种群多样性并避免算法过早收敛。实验结果表明,NLA/SCD算法能有效识别属性信息多样的个人社交网络,且具有较高的运行速度和划分精度。     

基于不相关性检验的大数据异常抽取算法

针对当前大数据异常抽取方法存在耗时长、精度低的问题,提出新的大数据异常抽取算法.构建基于Hadoop的大数据异常风险监测系统,对大数据流量分流处理,使用预处理端与储存端监测异常数据风险,利用最小二乘支持向量机计算风险趋势;引入Fisher函数,构建不相关性检验模型;利用模糊遗传方法算出异常数据流汇聚于多层空间内的模糊聚类中心,获取异常数据属性集分类增益方程,完成大数据异常抽取.根据实验结果可知:所提方法的最高耗时为9s,明显低于传统方法,且所提方法的抽取结果与实际情况一致.可得结论为:所提方法具有高速率、高精度优势,为大数据安全传输与应用提供技术基础.