李洪波，周春姐

(鲁东大学信息与电气工程学院，山东 烟台 264025)

1 引言

计算机技术水平发展的同时，现代企业和个人所需要的信息数据要求也越来越高，造成了现代网络数据中心面临无法有效调配、汇总数据以及无法满足当前网络用户对信息数据量稳定性、安全性以及加密性的各方面需求的双重矛盾。在这样的情况下，寻求一种基于当前通信大数据特征属性，进行通信大数据引导融合的方法成为了当前网络数据中心研究领域亟待解决的核心问题[1]。

由于目前绝大多数通信网络由多种网络节点构成，其目的就是综合网络大数据，满足云计算下的用户要求。所以有关人员相继提出根据网络节点和辐射区进行属性特征融合的数据融合策略，这种策略可以简称为“节点融合”[2]。节点融合主要依靠PHD节电传感器，根据滤波算法模拟出各节点的状态特征，计算数据关联度，并采用协方差交流法，实现数据引导融合。此外还有人提出了基于支持向量机的属性融合方法和基于深度学习的属性融合方法。前者通过训练传感器的属性信息融合度预测值，以此获取数据融合阈值，根据阈值的高低能否达到标准值，获取最终的融合结果；二者需汇聚网络中全部数据节点特征，并利用CNNM模型获取每个节点终端的数据原始特征，在此基础上，将得到的特征结果及融合数据传输到汇聚节点，完成数据融合。

上述几种通信大数据属性引导融合方法均存在属性节点生存期较短的问题，究其根本在于，对当前数据进行粗犷式融合，没有真正做到数据属性特征梳理，导致节点属性很容易同化或错乱[3]。……