APP下载

基于高阶统计特征的大数据异常负载检测仿真

2021-11-17兰瑞乐刘晓红

计算机仿真 2021年9期
关键词:利用特征检测

兰瑞乐,唐 忠,刘晓红

(1.南宁师范大学网络信息中心,广西南宁 530001;2.广西医科大学人文社会科学学院,广西南宁 530021;3.广西医科大学信息中心,广西南宁 530021)

1 引言

在网络信道内,受无线信道带宽内码间干扰影响,易出现通信信道配置不均衡的问题[1],由此造成异常负载。为避免这一问题,需检测网络内大数据异常负载,降低网络干扰,提升网络通信输出的准确性[2]。由此相关的大数据异常负载检测方法成为网络通信领域研究热点[3]。

文献[4]提出基于多窗口机制的高维大数据流连续异常点检测方法。使用时间序列和滑动窗口过滤高维在线监视连续数据流,向过滤后的候选异常数据中添加时间和类型标签,并使用K-means聚类方法收集具有时间标签的候选异常数据集,获取一组潜在的异常点。近似机制用于搜索正常点聚类的属性以消除异常错误判断,局部密度机制用于对从第一次聚类检测中获得的异常点进行分类,并再次准确地排除可能的正常数据点。使用时间权重来计算多个滑动窗口的检测结果,以获得最终的异常数据点集;文献[5]提出CPU-GPU异构数据分析系统上的负载均衡处理策略。使用流水线模型分解工作量,并基于流水线设计了一种负载均衡模型,以将工作量合理地分配给异构处理器,从而减少了系统的总执行时间。

作为一种有效的统计方法,高阶统计特征可有效反映信号的非高斯性与非线性特征,因此在数据信息统计领域中被普遍使用。……

登录APP查看全文

猜你喜欢

利用特征检测
利用min{a,b}的积分表示解决一类绝对值不等式
利用一半进行移多补少
如何表达“特征”
不忠诚的四个特征
利用数的分解来思考
Roommate is necessary when far away from home
小波变换在PCB缺陷检测中的应用
线性代数的应用特征