虚拟化网络中的异常大数据剔除算法仿真

摘要

网络中的冗余数据过多会导致网络运行速度降低,为此提出虚拟化网络中的异常大数据剔除算法.分析虚拟化网络中异常大数据的类似度,使用决策树模型分解提取异常大数据数值属性特征以及分类属性特征,再利用关联规则分析法融合模糊数据,计算出属性值自相关的特征分块函数,即可挖掘出异常数据.利用测量数据间的接近度验证虚拟化网络数据,把节点数据作为一个集合,通过模糊集合间的接近度,设定冗余数据的判定门限值,将滤除数据带入粒子群优化以及支持向量机内构建数据库,并对所有粒子位置更新,采用最优粒子构建检测模型,同时调整异常特征剔除窗口参数,实现异常大数据剔除.仿真结果证明,所提方法能够全面剔除数据,且误剔除率低.