大型计算机网络中的非正常数据挖掘技术研究

随着互联网的不断发展和信息技术的广泛应用,我国的大型计算机网络也得到了发展和进步,但是在其发展过程中存在很多漏洞,使得计算机内的安全设备存在问题。对此,我国相关技术工作人员寻找出了一种新的方法来解决这一问题。这一问题严重影响到了挖掘大型计算机网络中的非正常数据,所以必须要针对大型计算机网络中的非正常数据挖掘技术进行改进和创新,在正常科学的挖掘模式下建立起数据库,对数据进行正确的处理和分析。这一方法就是系统分析法和聚类分析方法,主要分为横向系统分析和纵向系统分析,两种方法统一处理数据群,通过变化格式来保证数据的客观准确性。     

对大型计算机网络中的非正常数据挖掘技术的相关研究

如今大型计算机网络中经常会出现各种各样的安全隐患,这便造成了大型计算机网络中的非正常数据挖掘情况出现异常。对此,本文便研究了一种新的大型计算机网络中的非正常数据挖掘技术,此技术是借助多种程序进行辅助的,主要包括:数据洗涤、格式转变以及模式挖掘等程序,通过以上这些程序来挖掘计算机网络中的非正常数据。本文也根据实际情况探讨了非正常数据挖掘技术、非正常数据挖掘系统以及实验检测。     

基于E-Learning的数据挖掘系统的改进设计与实现

受到用户数据复杂性和多变性的影响,传统数据挖掘系统往往难以精确掌控用户数据走向。为加强数据挖掘系统的挖掘精度与稳定性,提出基于E-Learning的数据挖掘系统。该系统包括E-Learning编辑服务器和数据处理体系,ELearning编辑服务器由准备模块、展示模块和生成模块构成。准备模块为不了解E-Learning数据挖掘系统的用户提供帮助,将挖掘出的用户行为数据传递给展示模块,经展示模块对用户数据进行控制、筛选和解析并传输到生成模块与知识库,生成模块对挖掘出的用户数据进行个性化定制。数据处理体系利用数据挖掘查询语言进行数据查找与解析,将解析后的数据保存于知识库,并将数据传回E-Learning编辑服务器进行循环使用。软件设计中,给出通过数据挖掘查询语言衡量用户兴趣点,对知识库进行数据的多样性非标准挖掘过程。实验结果表明,所提方法拥有较高的挖掘准确度与稳定性。     

数据挖掘系统原型架构的研究

为从企业业务过程数据中挖掘出有用信息,分析了业务数据的特点,提出了数据挖掘原型架构。挖掘系统原型架构包括用户接口模块、控制实现模块和数据库。用户接口模块主要是实现数据挖掘系统与用户之间的信息交换;控制实现模块是相应各个业务过程中的数据挖掘具体步骤的实现;数据库是数据挖掘各个阶段具体操作的结果存放。对基于业务过程的数据挖掘系统原型中的关键技术问题进行了探讨。     

基于数据挖掘的智能旅游导航系统研究

为了解决传统PDA旅游导航系统存在旅游路线规划不完善、导航功能差和响应时间长的问题,设计基于数据挖掘的智能旅游导航系统。设计系统的总体结构包括旅游信息智能推荐模块、旅游行程规划模块、旅游信息资源库以及数据挖掘处理模块,系统中的旅游行程规划模块可根据游客自身需求,制定令游客满意的旅游线路;系统中的数据挖掘模块通过六大空间数据挖掘流程,深度挖掘游客感兴趣的旅游信息,加快旅游数据挖掘速率。给出系统的功能结构,并基于旅游多维数据的数据集特性挖掘的实现,挖掘出处于不同区域的旅游数据,基于旅游危险求助模块的实现,规避旅游导航过程中的危险情况,得到智能旅游导航结果。实验结果说明所设计系统旅游路线规划完善、导航性能强、响应效率高。     

主数据驱动视角下多源数据数字化挖掘系统设计

多源数据挖掘过程中,由于缺少参数分析,导致数据挖掘不完整且精准度较低,为了解决这类问题,提出主数据管理驱动下多源数据数字化挖掘方法。分析主数据管理驱动挖掘原理,通过适配器驱动模块传递数据,借助接口器支配与处理数据。使用克里格数据挖掘算法调整参数并处理"脏数据"后,设计数据挖掘流程。实验结果显示,主数据管理驱动挖掘方法挖掘数量与实际值相差最小为40个,数据挖掘完整度较高。在检测数据为8 000个时,挖掘精准度达到95%,能够为多源数据归一化提供技术支持。     

虚拟社区网络低维冗余数据快速挖掘系统设计

虚拟社区网络低维冗余数据本体结构属性难以确定,导致不能挖掘出全部的低维冗余数据,为此设计了虚拟社区网络低维冗余数据快速挖掘系统。利用基于ARM72TDI芯片的数据采集器获取原始数据,选取适当的方式进行数据读取与传送。采用自适应特征调度方法构建低维冗余数据聚类相似性函数,通过用四阶累积量切片压缩处理数据。引入权重因素,计算虚拟社区网络节点间相似度,分析虚拟社区网络用户之间多重关系。采用邻域空间交叉融合方法提取数据本体结构属性,以此实现低维冗余数据挖掘。测试结果表明,该系统能够挖掘出全部低维冗余数据,数据挖掘总耗时为21.3 s,说明该系统能够全面、快速挖掘出低维冗余数据。     

应用Aprion算法实现大规模数据库关联规则挖掘的技术研究

随着信息技术的发展,大数据时代的到来,在这种环境下必须进行数据挖掘工作。从大量的应用数据中将潜在的有价值的知识和信息挖掘出来,以便将其应用在实际工作的改进中。目前,数据挖掘的方法有很多,其中关联规则挖掘技术应用比较广泛,这种数据挖掘方式利用Aprion算法,挖掘出置信度和支持度均比较高的关联信息,反映出数据库中的数据相互之间的复杂性和有趣性,进而挖掘出数据之间的有益关联,促进大规模数据库信息挖掘技术的发展,主要从Aprion算法方面分析大规模数据库关联规则挖掘的技术。     

基于云计算的电力云数据并行化处理系统设计

为了提高电力云数据并行化处理和调度能力,提出基于云计算的电力云数据并行化处理系统设计。主要包括云计算信息处理模块、数据加载模块、总线控制模块和人机交互模块,构建电力云数据并行化处理的集成数据库模型,采用分布式云结构融合方法实现对电力云数据并行调度过程中的分块模板检测和输出总线控制,采用网络重构方法实现对电力云数据并行调度处理过程中的网络组网设计,在数据加载模块中实现对电力云数据的并行加载,通过总线输出控制建立电力云数据并行处理的集成云信息处理平台,实现对电力云数据并行挖掘和优化处理。仿真测试结果表明,设计的电力云数据并行处理系统数据挖掘和资源调度能力较强,提高了电力云数据的集成处理能力。     

基于改进聚类算法的Web异常数据挖掘软件设计

以往Web异常数据挖掘软件通常采用小波变换和回声状态网络模型,存在数据库内闭频繁项集"左边"数据循环散布现象,大大降低了异常数据挖掘精度。研究Web异常数据挖掘的软件开发与改进方法,通过post Web异常数据挖掘的堆栈弹出,保障Web数据库内不出现闭频繁项集"左边"数据循环散布现象。在此基础上,采用改进的K-means算法设计用户行为数据分类模块分类用户行为数据,采用异常检测模块通过MapReduce中的map函数确定数据的异常访问类型,Combine和Reduce函数汇总异常访问类型一致的异常检测数据,输出Web异常数据,并采用警告触发模块进行警告。经实验证明,所研究方法挖掘Web异常数据的平均准确度约为97.86%,挖掘不同规则中异常数据的平均结果为96.88%,说明此方法具有较高的挖掘精度和实用性。