基于大数据分析的散乱缺损信息无损恢复方法

王 雅 超

(北京林业大学 信息学院, 北京 100083)

在对云计算交互中的数据进行调度和转发过程中, 由于链路的不稳定性和随机转发性, 导致云计算交互中的数据易出现信息缺失和丢帧[1].在集成数据交互中心, 由于数据的随机转发性导致散乱数据易出现信息丢包, 因此需对散乱缺损信息进行无损恢复设计, 以提高数据信息转发的安全性.

目前, 对云计算交互中心的散乱缺损信息无损恢复方法主要采用多源数据的信息服务数据库构建方法, 结合压缩感知和特征重构方法进行散乱缺损信息的服务质量(quality of service, QoS)预测, 结合信息重构和特征分解方法实现散乱缺损信息的无损恢复[2-3].文献[4]提出了一种基于关联规则挖掘的云计算交互中心的散乱缺损信息无损恢复方法, 采用大数据处理技术进行云计算交互中心的信息调度, 计算散乱缺损信息组元特征的模糊关联度信息, 结合模糊C均值聚类方法进行云计算交互中心的散乱缺损信息无损恢复, 但该方法的计算开销较大, 复杂度较高； 文献[5]提出了一种基于云计算的散乱缺损信息无损恢复系统, 采用大数据处理技术进行散乱缺损信息优化分级存储和管理, 以提高散乱缺损信息的扩展查询和并行无损恢复能力, 但该方法的抗干扰性较差, 信息恢复能力较弱.针对上述问题, 本文提出一种基于大数据分析的散乱缺损信息无损恢复方法.在云存储的数据交互中心采集散乱缺损信息组成大数据比特序列, 分析数据在云计算中心的存储结构模型, 先利用联合稀疏分解方法进行散乱缺损信息的特征分解, 采用压缩感知方法进行散乱缺损信息的特征压缩和信息自适应特征聚类处理, 再结合大数据信息融合方法进行散乱缺损信息的关联特征挖掘, 最后采用相空间重构方法进行散乱缺损信息的特征重组, 在重构的相空间中进行散乱缺损信息的无损信息恢复.仿真实验结果表明, 本文方法可以提高信息的恢复能力.

1 散乱缺损信息的分布存储结构分析和特征提取

1.1 散乱缺损信息的存储结构分析

首先需构建云计算交互中心散乱缺损信息的大数据分布模型, 采用大数据处理技术进行散乱缺损信息的数据结构分析, 利用模糊均衡控制的分叉树调度技术进行散乱缺损信息的数据存储分布式空间设计, 在重构的散乱缺损信息相空间中进行信息恢复, 采用压缩感知技术实现散乱缺损信息的优化调度和管理[6], 构建云计算交互中心的散乱缺损信息采样和数据结构分布模型, 在云计算平台中, 散乱缺损信息的存储结构模型如图1所示.

图1 散乱缺损信息的分布存储结构模型Fig.1 Distributed storage structure model of scattered defect information

y(k)=s1(k)+n1(k),φ(k)=s2(k)+n2(k),

(1)

s1(k)=AAHej(Ωk+θH),s2(k)=AAHBej(Ωk+θHB),

(2)

其中,AH,AHB,θH,θHB分别为前p个元素的数值属性值.

设X为具有m个属性的散乱缺损信息集, 结合本体结构重组方法, 进行云计算交互中心的散乱缺损信息的数据结构重组和模糊检测[8], 散乱缺损信息的数据结构重组结构模型为

(3)

根据数据重组结构模型, 在云存储的数据交互中心采集散乱缺损信息组成大数据比特序列, 分析数据在云计算中心的存储结构模型, 提高数据的无损信息修复能力[9].

1.2 散乱缺损信息的特征提取

分析数据在云计算中心的存储结构模型, 利用联合稀疏分解方法进行散乱缺损信息的特征分解, 结合闭频繁项集检测方法进行云计算交互中心的散乱缺损信息组元特征分解[10], 特征分解的多次迭代式为

(4)

下面给出散乱缺损信息的线性组合模型, 采用相似度特征提取方法进行云计算交互中心的散乱缺损信息匹配和模糊检测[11], 对得出的残差值进行对比, 检测统计关系模型为

(5)

(6)

其中Dis(A)表示云计算交互中心散乱缺损信息模糊聚类中心.分析活动区域内的数据分块特征, 计算关联度的度量值, 采用F检验分析方法, 得到关联度的分配权重为

(7)

根据检验结果进行散乱缺损信息的无损恢复, 利用联合稀疏分解方法进行散乱缺损信息的特征分解, 采用压缩感知方法进行散乱缺损信息的特征压缩和信息自适应特征聚类处理.

2 散乱缺损信息的无损恢复算法优化

2.1 压缩感知数据聚类及相空间重构

在利用联合稀疏分解方法进行散乱缺损信息特征分解的基础上, 进行散乱缺损信息的无损恢复算法优化设计, 在动态平衡控制下, 得到散乱缺损信息的关联特征优化挖掘结果为

(8)

(9)

(10)

(11)

其中:αn为散乱缺损信息的属性特征分布的信任权重;Bl(n)为关联度度量值的渐近系数.基于Taken嵌入式定理, 构建散乱缺损信息的相空间模型为

(12)

其中：x(t)表示散乱缺损信息相空间重构的比特序列;J为轨迹数据集;m为散乱缺损信息在相空间中的嵌入维数; Δt表示采样时间间隔.根据散乱缺损信息轨迹数据集的区域集合性特征, 进行信息的无损恢复设计.

2.2 散乱缺损信息特征重组的恢复输出

采用相空间重构方法进行散乱缺损信息的特征重组, 在重构的相空间中进行散乱缺损信息的无损信息恢复[12].散乱缺损信息特征分布的统计特征分布集表示为

Xn={Xn,Xn-τ,Xn-2τ,…,Xn-(d-1)τ}.

(13)

定义散乱缺损信息簇中的信息分布模型为[s,q]=[x(t),x(t+τ)], 对散乱缺损信息进行QoS控制, 结合时间隙的尺度分解方法对分类输出的散乱缺损信息进行降维处理, 得到数据分布集为

(14)

(15)

(16)

由正交矩阵的保范性, 将设计矩阵分解为一系列小的子矩阵, 得到散乱缺失信息无损恢复的奇异值分解为

根据时域统计特征进行分布式结构信息融合处理, 其中C和β无关, 因此可舍弃, 即

(18)

采用相空间重构方法进行散乱缺损信息的特征重组, 得到输出的最小二乘解为

(19)

其中V(k)1,Σ(k)1,U(k)1为X(k)进行SVD运算所得.根据散乱缺损信息的不对称性与陡峭性, 结合特征分析和数据聚类处理方法进行散乱缺损信息无损恢复, 采用正态分布和规则性调度方法实现对散乱缺损信息的结构重组, 提高信息散乱缺损信息无损恢复的自适应能力.

3 仿真实验分析

为测试本文方法在进行散乱缺损信息无损恢复中的应用性能, 进行仿真实验.实验采用MATLAB设计, 对散乱缺失信息采样来自Armadillo数据库, 采用OpenMP进行数据的线性组合设计, 信息相空间重构的嵌入维数设为m=4, 采样时间延迟为13 ms, 信息的训练集长度为1 024, 测试集规模为200, 实验测试的数据信息列于表1.

表1 实验数据信息

图2 待恢复的散乱缺损信息Fig.2 Scattered defect information to be recovered

根据上述仿真环境和参数设定, 进行散乱缺损信息的无损信息恢复仿真实验, 得到待恢复的信息时域波形如图2所示.以图2的数据为输入, 采用本文方法进行散乱缺损信息无损恢复, 采用相空间重构方法进行散乱缺损信息的特征重组, 得到相空间重构结果如图3所示.在重构的相空间中进行散乱缺损信息的无损信息恢复, 得到信息恢复结果如图4所示.由图4可见, 采用本文方法能有效恢复图2中缺失的信息, 提高了散乱缺失信息的无损恢复能力, 信息恢复的准确性较高.测试不同方法进行散乱缺损信息恢复的运行时间, 对比结果列于表2.由表2可见, 采用本文方法进行散乱缺损信息无损恢复的时间开销较小, 提高了信息恢复的实时性.

图3 散乱缺损信息的相空间重构结果Fig.3 Phase space reconstruction results of scattered defect information

图4 信息恢复输出Fig.4 Information restoration output

综上所述, 本文提出了一种基于大数据分析的散乱缺损信息无损恢复方法.在云存储的数据交互中心采集散乱缺损信息组成大数据比特序列, 分析数据在云计算中心的存储结构模型, 利用联合稀疏分解方法进行散乱缺损信息的特征分解, 采用压缩感知方法进行散乱缺损信息的特征压缩和信息自适应特征聚类处理, 结合大数据信息融合方法进行散乱缺损信息的关联特征挖掘, 采用相空间重构方法进行散乱缺损信息的特征重组, 在重构的相空间中进行散乱缺损信息的无损恢复.仿真实验结果表明, 本文方法能有效实现散乱缺损信息的无损恢复, 恢复信息的重构能力较好, 且时间开销较短.

表2 信息恢复运行时间(ms)