基于序列模式挖掘的告警相关性分析算法

告警相关性分析在通信网络管理中有着重要的应用.提出了一种基于序列模式挖掘提取告警相关性规则的方法.针对引入时间约束的序列模式挖掘问题提出了较为完备的数学模型,定义了求解问题的规则,并构造了引入时间约束的序列模式挖掘算法(FSPTM算法).算法采用特定的数据结构记录序列的时间信息,提高了支持度的计算效率.对某省移动网络连续4个月告警数据的分析结果验证了算法的有效性.     

改进的PrefixSpan算法及其在序列模式挖掘中的应用

由于序列模式挖掘需要花费大量计算时间,并需要占用大量存储空间.减少计算量、节省存储空间开销成为序列模式挖掘的关键.因PrefixSpan 算法不产生候选,而适当应用Bitmap数据结构可避免重复扫描数据库,基于此,本文提出了BM-PrefixSpan算法,用于序列模式挖掘,设计并构造了PFPBM(Prefix of First Position on BitMap)表用于记录序列中的每个项在位图中第1次出现的位置.实验结果表明,BM-PrefixSpan算法综合了PrefixSpan和SPAM算法的优点,能够更快、更好地挖掘出序列模式.     

在频繁序列模式中挖掘并发序列模式

结构关系模式挖掘是本课题组提出的一种新的数据挖掘理论,主要研究序列之间的并发关系、互斥关系、重复关系等.并发序列模式挖掘是结构关系模式挖掘的重要组成部分.文中从序列间的相对关系出发研究并发关系,给出并发序列模式的相关性质,并对现有并发序列模式挖掘算法进行优化.通过实验对比可以看出：该算法根据并发序列模式的反单调特性和非平凡特性,对挖掘结果进行大幅精简,使得挖掘更有实际意义.     

4种序列模式挖掘算法的特性研究

序列模式挖掘是数据挖掘中的一个重要研究方向，对序列模式挖掘中的4种算法（AprioriAll、 GSP、 FreeSpan 、Prefixspan）的执行过程及其特点进行了研究，并对这几种算法的时空执行效率进行了定性和定量的分析比较，指出了4种算法各自的适用范围，得出的结果对序列模式挖掘系统的设计具有一定的参考价值。     

入侵检测中基于序列模式的告警关联分析

提出一种基于序列模式的告警关联分析模型,实现对攻击告警的分析。该模型预处理部分利用网络拓扑信息和告警属性相似度隶属函数对原始告警进行过滤和融合;在WINEPI算法的基础上,考虑告警数据库增长的情况,提出一种告警的增量式序列模式挖掘算法,用于关联规则发现;在线关联模块匹配规则库形成攻击场景图,并预测未知攻击事件。使用2000 DARPA攻击数据集测试表明,该模型能够明显改善入侵检测系统的性能,验证了模型和算法的有效性。     

基于依赖网络的告警分析算法

告警的相关性分析是网络管理中最重要最必要的技术,在分析告警分析的语法模型的基础上,提出了基于依赖网络的告警分析算法,即通过分层模型来对网络系统进行模型化处理,以静态依赖网络来描述告警传递模型,通过告警映射形成依赖网络来进行告警分析.     

小波滤波在时间序列频繁模式挖掘中的应用

与布尔型数据的频繁模式挖掘相比,时间序列的频繁模式挖掘是一个相对复杂的问题,目前对此类问题还缺少深入的研究.通过对小波滤波的研究,提出了一种时间序列的频繁模式挖掘算法,Frequent-Wavelet算法.该算法的特点是采用多孔平滑滤波器组对时间序列做低通平滑处理,用得到的多个尺度序列表示原序列,较好地解决了时间序列的平凡相似问题和时间轴伸缩问题.实验表明,Frequent-Wavelet算法对于时间序列的频繁模式挖掘具有较好的效果.     

一种序列模式的概念及挖掘算法

介绍了一种时间序列模式的形式和概念,讨论了其相关的挖掘算法,将时间序列模式既用于具有时间关系的购买行为的分析,以揭示购买行为后面一种序列关系信息,又用于其他有时间关联的事件分析,挖掘算法由以下几部分构成：建立频繁物品集,进行数据处理和转换,并生成修选子序列,通过验证后,得到长度为2,3,…的序列集合,从中选出独立最大序列即为所求,通过实例指出了该算法和传统的Aprioriall算法的不同之处。结果表明,这种序列模式在网络通信、气象分析等领域具有广阔的应用前景。     

一种有效的通信网络告警分析方法

以往大多告警分析研究都是假设通信网络中所有告警是平等的,考虑此假设的不合理性,提出了一种加权告警分析方法。首先,根据告警对网络的影响程度,采用熵值法为不同的告警分配不同的权值,并将其转换成适合于数据挖掘的序列数据集;然后,设计了一种加权告警序列模式挖掘算法,并采用了一种新颖的剪枝策略来缩减需要挖掘的数据集大小以提高算法的效率;最后,利用该算法挖掘告警数据中的时序关系。实验结果表明,这种加权告警分析方法在剪枝效果、挖掘重要告警序列模式和执行效率方面具有很好的性能。     

挖掘电信告警关联模式方法

关联模式挖掘算法通常受到最小支持度的限制,仅能得到频繁告警序列间的关联模式,针对这一问题,基于图论思想提出了一种挖掘电信网络告警间关联模式的方法.首先在单遍扫描数据库的条件下挖掘网络中的二项关联模式,然后直接发现其最大关联模式,从而避免大量中间项集的产生. 基于实际网络告警数据的实验结果表明,该方法不仅具有较高的效率,而且有效.     

一种基于单序列的序列模式挖掘方法研究

在前期研究工作的基础上,研究在单序列中序列模式的概念,讨论了相关的性质,这些概念和性质与多序列情况有很大的不同.在此基础上给出了在单序列中基于滑动窗口概念挖掘序列模式的方法及相关算法,为进一步研究序列模式及其挖掘算法提供了一定的理论基础.     

数据挖掘在网络入侵检测系统中的应用

论述了入侵检测系统的基本概念、分类,针对目前入侵检测系统中存在的问题,建立了一个基于数据挖掘技术的入侵检测系统模型,并介绍了该系统模型的组成及工作原理.     

Web挖掘在网络教学中的应用

介绍了Web挖掘的基本情况，分析了Web使用信息挖掘的步骤．提出了基于Web使用信息挖掘的个性化推荐算法，并将其运用到网络教学中，得出了个性化的网络教学体系结构．     

序列模式图构造算法分析与实现

分析了序列模式图构造算法的效率，采用实际开发工具具体予以实现，并对实验结果进行分析．序列模式图构造算法的实现对基于序列模式图进行进一步的挖掘有重要意义．     

广域消防报警网络系统的实现

介绍一种借助于电话电讯实现对广泛区域内消防设备进行大规模集散控制的消防网络系统。这个消防网络包括了一个“消防报警中心”和若干“消防子系统”。消防子系统对自己所辖范围内的火警进行监测。消防报警中心则对各消防子系统进行监测和管理。     

基于模糊神经网络融合技术的智能火灾预警系统

根据当今火灾探测的现状和实现火灾早期探测的需求,将多传感器数据融合技术应用在火灾预警系统中.选择多个传感器对火灾过程的多参数进行监测,特别对火灾发生初期产生的异常信息进行全面监控,弥补了采用单一传感器的不足,扩展了时间上和空间上的监测范围.系统采用基于模糊神经网络多传感器融合技术,增强了系统报警输出的灵敏度和可靠性,实现了提前预警的目的.     

基于Rough Set和neural network组合数据挖掘

提出了一种基于rough set和neural network的数据挖掘新方法。首先利用粗集理论对原始数据进行一致性属性约简，然后使用神经网络对数据进行学习，并同时完成属性的不一致约简，最后再由粗集对神经网络中的知识进行规则抽取。该方法充分融合了粗集理论强大的属性约简、规则生成能力和神经网络优良的分类、容错能力。实验表明，该方法快速有效，生成规则简单准确，具有良好的鲁棒性。