云計算環境下的海量光纖通信故障數據挖掘算法研究

摘要：本文基于云計算環境下的海量光纖通信故障數據信道模型，分析了數據挖掘算法的改進設計，對于故障數據的處理具有重要的參考與借鑒價值。關鍵詞：云計算；光纖通信；故障；數據挖掘算法在實際的應用過程中，數據挖掘技術主要是結合海量數據的某些特征，進行數據的提取，從而獲得對生產生活較為有利的信息，作為相關決策等的有效參考。云計算環境下，光纖通信具有數據量龐大、傳輸交流頻繁的特征，但是其在通信過程中極易受到其他因素的干擾，常常導致通信故障，數據挖掘技術的應用可以將光纖通信中的干擾因素影響降至最低，實現光纖通信的故障診斷與處理。1信道模型及故障數據時間序列分析1.1信道模型為了實現對云計算環境下海量光纖通信故障數據的有效挖掘，需要光纖數據傳輸的基礎上構建科學的通信信道模型，使得光纖通信過程中能夠實現故障數據的采集，結合故障的實際情況，進行相關故障問題的處理，實現光纖通信的通暢性與高效性。光纖通信信道為擴展信道，其在信道的傳播模式上，采用的是多輸入多輸出的方式，就光纖通信信道的特征來講，其主要包含了兩個方面的特征：為帶寬受限信道，在傳播過程中對于頻率較高的信號存在較大的吸收系數；傳播受到距離的約束，因此，具有多徑傳輸的特性，在傳播過程中極易受到電磁場干擾等的影響，加大了通信故障的發生概率。光纖通信過程中，由于信道為多徑結構，該結構的形成主要是由于網絡節點的信道傳播衰減所造成的。1.2信號模型及時間序列分析在建立了云計算環境下的海量光纖通信信道模型以后，可以在此基礎上建立相應的信號模型。在云計算環境下海量光纖通信狀態的識別與故障的診斷上，需要首先進行信號的檢測采集獲取，進而根據信號處理的相關算法進行光纖通信狀態的識別與判斷。2光纖通信故障數據挖掘算法改進設計2.1問題的提出及故障數據時頻分析在構建了云計算環境下的海量光纖通信的信道模型與故障數據時間序列的基礎上，有必要進行相關故障數據挖掘算法的改進設計。由于在云計算環境背景下，光纖通信具有數據規模龐大、擾動性極強等特點，這也就加劇了數據通信故障的出現概率，故障數據的挖掘算法可以有效實現故障的定位與識別，進而保證了數據傳輸的準確性，提高了光纖通信的整體水平。就目前來看，在故障數據的提取上，一般采用的是正態相關狀態特征的提取方式，在具體的應用中，由于光纖通信故障數據的耦合性較強，這就使得正態相關狀態特征不能完全滿足于云計算環境下光纖通信故障數據的挖掘操作，影響了光纖通信中故障問題的識別與處理。因此，為了有效解決此類問題，就需要進行數據挖掘算法的改進，本研究中采用的是非線性時間序列模型的分析方式，主要通過對故障數據的時域與頻域分析來實現故障的處理。2.2故障數據的經驗模態分解和故障特征聚類隨著對云計算環境下的海量光纖通信故障時頻的分析，以功率譜密度為特征進行故障數據的提取，可以得到有關的功率譜密度特征的提取結果與傳遞函數，進而在此情況下可以進行相關海量光纖通信故障數據的特征聚類，為后期故障的識別、分析與處理提供了重要的數據參考。3仿真實驗與結果分析在本文的模型中，需要檢測其模型在云計算環境下的海量光纖通信數據挖掘性能，就需要進行必要的仿真實驗，使用matlab仿真軟件，嚴格根據實驗的整體要求，進行實驗狀態下軟件與硬件環境的控制。在實驗狀態下，將云計算環境下的海量光纖網絡通信節點分布在3000m×3000m的均勻陣列區域內，而以光纖通信頻帶在2KHz與10KHz為研究對象，將載頻時寬控制在2ms的范圍內，而故障數據挖掘歸一化以后的初始頻率分別為0.05/0.15，在這種條件下，確定故障數據的采樣點數N=256，光纖通信過程中受到較為嚴重的電磁干擾，其信噪比在-10dB～10dB之間，結合此仿真相關參數，可以進行必要的仿真實驗。故障數據時間序列采樣以后，得到了如下結果：圖1光纖通信數據的時域采樣波形將云計算環境背景下的海量光纖通信數據作為研究的對象，進行相關的數據研究，得到故障數據的非線性時間序列分析模型，進而在此基礎上進行故障數據的時域與頻域分析，以功率譜密度作為特征提取，得到圖2的結果。圖2海量光纖通信故障數據的功率譜密度特征提取結果從圖中可以看出，應用本研究所采用的海量光纖通信故障數據的特征提取方式，對云計算環境下的海量光纖通信中的故障數據的經驗模態分解與故障特征聚類，在一定程度上驗證了此數據故障挖掘算法的可行性，并且經過相應的模擬分析，可以得到該數據挖掘算法具有較高的精度，可以在云計算環境下的海量光纖通信故障數據的處理中得到良好的應用效果，能夠實現對故障數據的分析與識別，保證光纖通信的整體效率與質量。另外，在有些時候，在云計算環境下的海量光纖通信故障數據的處理也采用手動逐層挖掘與CART算法的數據挖掘技術，在實際的應用中，主要是利用決策二叉樹的方式進行數據挖掘，很多應用實踐證明，這種數據挖掘算法的應用效果雖然也較好，誤碼率較低，平穩定較好，但是其在挖掘過程中與本研究的挖掘算法相比，具有耗時長的劣勢，其主要適用于數據量較小的情況，而本文的數據挖掘算法對于云計算環境下的海量數據挖掘情況更為適用。結束語：隨著經濟社會的發展，光纖通信的普及率較高，由于光纖通信過程中極易受到外部因素的影響，使得其信號傳輸面臨著極大的阻礙。因此，云計算環境下的海量光纖通信故障數據挖掘具有實施的必要性，數據挖掘算法的改進可以實現對故障數據的分析與處理，提升了其應用效果。參考文獻：[1]