肖铮+董祥千+赵文革

摘 要： 针对传统调度方法一直存在调度精度不准确的问题，提出一种Web网络大数据的聚类中心调度技术的研究方案。针对Web网络大数据重新建立调度模型有效的对数据进行识别，优化聚类中心的K?means算法，解决对大数据调度能力差的问题，提高聚类中心的大数据调度能力，最后使用建立调度模型完成在Web网络大数据环境下的聚类中心数据调度。设计对比仿真试验，通过实验数据可以有效地证明Web网络大数据的聚类中心调度技术的有效性。

关键词： Web网络大数据； 聚类中心； 调度技术； 数据识别； 数据调度

中图分类号： TN711?34； TP391.3 文献标识码： A 文章编号： 1004?373X（2017）24?0025?03

Abstract： In allusion to the problem of the inaccurate scheduling precision of the traditional scheduling method， a research scheme of clustering center scheduling technology for Web network big data is proposed. The Web network big data scheduling model is reconstructed for effective data recognition. The K?means algorithm in clustering center is optimized to resolve the problem of poor big data scheduling capability and improve the big data scheduling capability in clustering center. The constructed scheduling model is employed to accomplish the data scheduling of clustering center in the Web network big data environment. The contrast simulation experiment was carried out. The experimental data effectively demonstrates the validity of the clustering center scheduling technology for Web network big data.

Keywords： Web network big data； clustering center； scheduling technology； data identification； data scheduling

0 引 言

互联网时代的快速崛起，在网络上信息传递的数量已经出现井喷式的爆发，许多依附互联网的产业应运而生[1?2]。聚类中心是对数据进行系统分类以及统计调用网络应用层的关键设置[3?4]。聚类中心能够在Web网络环境中进行数据的系统分析筛选，通过不同信道将信息划分成若干个簇族，这样方便对海量信息进行汲取分类，保证了数据的有效性同时完成了对数据调度任务[5?6]。传统的聚类中心对大数据进行调度是通过数据属性筛选提取进行调度的，这样的方法虽然调度准确率极高但是调度时间很长，在数据量增长以平方计算的今天，此方法已经不能满足人们的正常需求[7?8]。针对上述情况，本文提出一种Web网络大数据的聚类中心调度技术研究方案。还设计了对比仿真试验，通过实验数据的分析有效地证明了本文研究的Web网络大数据的聚类中心调度技术的有效性。……