基于GT4的聚類分析算法研究

1.引言

計算機網(wǎng)絡技術的普及與應用給人們的生活帶來了翻天覆地的變化，同時在網(wǎng)絡上產(chǎn)生了大量雜亂無章的數(shù)據(jù)。而網(wǎng)格技術、Web技術的發(fā)展，為人們從分布的網(wǎng)絡資源中尋找有價值的信息提供了新的技術支持，同時也產(chǎn)生了許多基于網(wǎng)格的數(shù)據(jù)挖掘系統(tǒng)。而數(shù)據(jù)挖掘算法又是決定一個數(shù)據(jù)挖掘系統(tǒng)性能的主要衡量指標。任何軟件系統(tǒng)的設計都離不開算法，數(shù)據(jù)挖掘技術的執(zhí)行效率也與數(shù)據(jù)挖掘算法有關，隨著數(shù)據(jù)庫技術與數(shù)據(jù)挖掘技術的成熟與發(fā)展，像分類、聚類、決策樹、關聯(lián)等等數(shù)據(jù)挖掘算法已相當成熟，可以研究借鑒現(xiàn)有數(shù)據(jù)挖掘方法、數(shù)據(jù)挖掘模式、數(shù)據(jù)挖掘流程，建立一個基于網(wǎng)格的數(shù)據(jù)挖掘系統(tǒng)。筆者以眾多數(shù)據(jù)挖掘算法中的聚類分析算法為例，介紹基于GT4(Globus Tookit 4.0的簡稱，GT4的核心開發(fā)工具包(Java Web Service Core))的數(shù)據(jù)挖掘算法的設計過程。

聚類分析(Clustering Analysis)是一個應用比較廣泛的數(shù)據(jù)挖掘算法，算法的理論研究與實踐應用都已經(jīng)很成熟，把這一成熟的理論應用于基于網(wǎng)格的分布式系統(tǒng)中，會大大提高數(shù)據(jù)挖掘的效率。本文主要研究如何將聚類分析的CURE(Cluster Using Representation)算法和K-平均方法算法應用于基于GT4數(shù)據(jù)挖掘系統(tǒng)中。

2.系統(tǒng)結構設計

基于GT4數(shù)據(jù)挖掘系統(tǒng)的數(shù)據(jù)源是分布式數(shù)據(jù)源，分布式數(shù)據(jù)源是指在物理上分布而邏輯上集中的數(shù)據(jù)源系統(tǒng)。在該系統(tǒng)中，處在這個網(wǎng)格中的每臺計算機就是這個網(wǎng)格的一個節(jié)點，稱之為網(wǎng)格節(jié)點。在眾多的節(jié)點中，要有一個網(wǎng)格節(jié)點來控制和管理其他的節(jié)點，這個節(jié)點就叫做網(wǎng)格中心控制節(jié)點，決策支持都是由網(wǎng)格中心控制節(jié)點完成的。如果要完成某個數(shù)據(jù)挖掘任務，則可以由空閑的網(wǎng)格節(jié)點先按挖掘需求來完成本節(jié)點的挖掘任務，再由網(wǎng)格中心控制節(jié)點來匯總每個節(jié)點的數(shù)據(jù)挖掘情況。局部網(wǎng)格節(jié)點管理的信息具有局限性，涉及的范圍較小，主要完成單個節(jié)點數(shù)據(jù)的管理，對局部的數(shù)據(jù)挖掘結果進行匯總分析，但是這些局部節(jié)點的數(shù)據(jù)與全局節(jié)點的數(shù)據(jù)又是有一定關聯(lián)的。根據(jù)以上的分析可知，網(wǎng)格平臺下的數(shù)據(jù)挖掘任務由全局數(shù)據(jù)挖掘與局部數(shù)據(jù)挖掘共同完成。

3.算法的Web Service設計

3.1 全局聚類算法的Web Service設計

網(wǎng)格環(huán)境下的全局控制網(wǎng)格節(jié)點與局部網(wǎng)格節(jié)點間的關系我們可以理解為上下層的關系，這樣就可以借鑒基于層次的聚類分析算法，按照層次的自底向上的聚類方式，把全局控制節(jié)點當成是層次聚類的頂層。本課題全局聚類算法借鑒傳統(tǒng)的利用代表點聚類算法CURE.

CURE算法將層次方法與劃分方法結合到一起，選用有代表性的、固定數(shù)目的空間點來表示一個聚類。算法在開始時，每個點都是一個簇，然后將距離最近的簇結合，一直到簇的個數(shù)為要求的K.首先把每個數(shù)據(jù)點即局部網(wǎng)格節(jié)點看成一個聚類，然后再以一個特定的收縮因子向中心收縮它們。

CURE算法的主要執(zhí)行步驟如下：

(1)從數(shù)據(jù)源樣本對象中隨機抽取樣本集，生成一個樣本集合S;

(2)將樣本集合S分割為一組劃分，每個劃分大小為S/p;

(3)對每個劃分部分進行局部聚類;

(4)通過隨機采樣剔除聚類增長太慢的異常數(shù)據(jù);

(5)對局部聚類進行聚類，落在每個新形成的聚類中的代表性點，則根據(jù)用戶定義的收縮因子收縮或移向聚類中心;

(6)用相應的標記對聚類中的數(shù)據(jù)標上聚類號。

有了數(shù)據(jù)挖掘算法，就可以完成數(shù)據(jù)挖掘任務了。全局聚類算法的主要功能是響應用戶的數(shù)據(jù)挖掘請求，將對應的請求發(fā)送給局部網(wǎng)格節(jié)點，將局部網(wǎng)格節(jié)點的挖掘結果整理輸出。全局聚類算法Web Service資源的結構包括算法Web Service接口、算法資源屬性文檔、算法功能實現(xiàn)和算法功能發(fā)布四個部分。

利用傳統(tǒng)的聚類算法完成全局的數(shù)據(jù)的并行挖掘最重要的一步就是將全局聚類算法部署到GT4中，完成全局聚類算法的Web Service設計要經(jīng)過過以下幾步：

第一步：用WSDL(Web Service描述語言，是Web Service提供的XLM語言)來描述數(shù)據(jù)挖掘服務接口，該服務接口可以用Java來定義，利用Java-to-WSDL工具把Java定義的接口轉為WSDL文件。

第二步：用Java編寫全局聚類算法(CURE)代碼;

第三步：用WSDD配置文件和JNDI(GT4自帶文件)部署文件;

第四步：用Ant工具打包上面的所有文件，生成一個GAR文件;

第五步：向Web Service容器部署全局數(shù)據(jù)挖掘服務。

3.2 局部聚類算法的Web Service設計

局部聚類算法的主要功能是完成局部網(wǎng)格節(jié)點的數(shù)據(jù)挖掘任務，并把數(shù)據(jù)挖掘結果上傳到全局控制節(jié)點。局部網(wǎng)格節(jié)點的數(shù)據(jù)挖掘任務與傳統(tǒng)的單機數(shù)據(jù)挖掘任務類似，本課題局部聚類算法使用傳統(tǒng)的聚類算法K-平均方法，以K為參數(shù)，把N個對象分為K個簇，簇內(nèi)具有較高的相似度，而簇間的相似度較低[34].本論文的數(shù)據(jù)挖掘任務主要是由局部網(wǎng)格節(jié)點實現(xiàn)的，下面就詳細的介紹K-平均算法的主要執(zhí)行過程如下：

(1)從數(shù)據(jù)集中任意選擇K個對象作為各個簇的初始中心。

(2)根據(jù)現(xiàn)有的簇中心情況，利用距離公式計算其他對象到各個簇中心的距離。(可選的距離公式有：歐幾里、行德公式、距離公式、曼哈坦距離公式、明考斯基距離公式)。

(3)根據(jù)所得各個對象的距離值，將對象分配給距離最近的中心所對應的簇。

(4)重新生成各個簇的中心。

(5)判斷是否收斂。如果收斂，即簇不在發(fā)生變化，那么停止劃分，否則，重復(2)到(5)。

K-平均算法是一個經(jīng)典的聚類算法，將K-平均算法部署到GT4中，完成局部聚類算法的Web Service設計，部署方法與全局算法相似。

4.結論

基于GT4的數(shù)據(jù)挖掘系統(tǒng)中的數(shù)據(jù)挖掘服務資源有網(wǎng)格的中心控制節(jié)點(即全局節(jié)點)進行統(tǒng)一的管理，在局部網(wǎng)格節(jié)點挖掘過程中，根據(jù)其處理能力分配最佳的數(shù)據(jù)集給局部節(jié)點，從而使整個系統(tǒng)的計算負載相對均衡。其數(shù)據(jù)挖掘系統(tǒng)的規(guī)?？呻S著服務的多少動態(tài)伸縮。當系統(tǒng)要增加新的局部挖掘節(jié)點時，只需部署局部Web Service資源即可。將網(wǎng)格應用到分布式數(shù)據(jù)挖掘系統(tǒng)中，建立一個基于網(wǎng)格的數(shù)據(jù)挖掘系統(tǒng)，必將使其在各個領域都得到廣泛的應用。