异构复杂信息网络敏感数据流动态挖掘

计算机工程与科学

• 计算机网络与信息安全 • 上一篇下一篇

异构复杂信息网络敏感数据流动态挖掘

熊菊霞1,2,3,吴尽昭1,2,3

(1.中国科学院成都计算机应用研究所，四川成都 610041；2.中国科学院大学，北京 100049；

3.广西民族大学广西混杂计算与集成电路设计分析重点实验室，广西南宁 530006)

收稿日期:2019-06-13 修回日期:2019-10-09 出版日期:2020-04-25 发布日期:2020-04-25
基金资助:
国家自然科学基金（61772006）;广西科技重大专项项目（AA17204096）;广西科技基地和人才专项项目（2016AD05050）;
广西“八桂学者”专项资助;广西高校中青年教师基础能力提升项目（2017KY0174）

Dynamic mining of sensitive data streams in

heterogeneous complex information networks

XIONG Ju-xia1,2,3,WU Jin-zhao1,2,3

(1.Chengdu Institute of Computer Application,Chinese Academy of Sciences,Chengdu 610041;

2.University of Chinese Academy of Sciences,Beijing 100049;

3.Guangxi Key Laboratory of Hybrid Computational and IC Design Analysis,

Guangxi University for Nationalities,Nanning 530006,China)

Received:2019-06-13 Revised:2019-10-09 Online:2020-04-25 Published:2020-04-25

摘要/Abstract

摘要：

针对异构复杂信息网络中存在高维冗余的敏感数据流，可挖掘数据特征形成概率较低，导致需要多次挖掘、挖掘内存占用高、挖掘精度低、时间长的问题，提出基于最大类间散度的网络敏感数据流动态挖掘方法。将敏感数据的差异最大化间隔作为分类基础，得到网络敏感数据的最大类间散度，在遗传迭代状态下确定最优散度迭代函数，对迭代函数进行挖掘特征优选，得出动态可挖掘特征。对可挖掘特征进行聚类分析，挖掘得到数据隐藏信息模式，并对其进行评价，将合理的信息模式进行知识表示，从而实现异构复杂信息网络敏感数据流动态挖掘。实验结果表明，所提方法可挖掘特征形成概率高达98%，labels标记与实际值较为接近。所提方法挖掘精度高，且运行时间较短、内存占用率低。

关键词: 异构复杂信息网络, 敏感数据流, 动态挖掘, 散度迭代函数, 聚类分析

Abstract:

For the sensitive data streams with high-dimensional redundancy in heterogeneous complex information networks, the probability of data feature formation is low, which leads to multiple mining, high memory usage, low mining accuracy and long running time. Aiming at the above problems, a dynamic network sensitive data stream mining method based on the maximum inter-class divergence is proposed. The maximum difference interval between sensitive data is used as the basis for classification to obtain the maximum inter-class divergence of the network sensitive data. The optimal divergence iterative function is determined in the genetic iterative state. The mining characteristics of the iterative function are preferably selected to obtain the dynamic mining characteristics. Clustering analysis is performed on the mining characteristics to obtain data hiding information modes. These modes are evaluated, and knowledge representation is carried out on the reasonable information modes, so as to realize the dynamic mining of the sensitive data streams in the heterogeneous complex information networks. The experimental results show that the mineable feature formation probability of the method can be up to 98%, and the labels are close to the actual values. The method has the advantages of high mining accuracy, short running time and low memory usage.

Key words: heterogeneous complex information network, sensitive data stream, dynamic mining, divergence iterative function, clustering analysis

熊菊霞1,2,3,吴尽昭1,2,3. 异构复杂信息网络敏感数据流动态挖掘[J]. 计算机工程与科学.

XIONG Ju-xia1,2,3,WU Jin-zhao1,2,3.

Dynamic mining of sensitive data streams in

heterogeneous complex information networks

[J]. Computer Engineering & Science.

[1]	张柏恺, 杨德刚, 冯骥, . 一种去除聚类数量和邻域参数设置的自适应聚类算法[J]. 计算机工程与科学, 2021, 43(10): 1838-1847.
[2]	高星1，刘剑飞1，郝禄国2，董琪琪1. 基于YOLOv3算法的训练集优化和检测方法的研究[J]. 计算机工程与科学, 2020, 42(01): 103-109.
[3]	刘云鹏. 基于移动云教学平台的学情数据分析实证研究——以独立学院《动态网站设计》课程为例[J]. 计算机工程与科学, 2019, 41(增刊S1): 119-123.
[4]	李鑫健，刘漫丹. 基于最短时间距离的校园无线网络用户关联性度量[J]. 计算机工程与科学, 2019, 41(10): 1755-1762.
[5]	杜佳星,陈亚伟,张静. 基于聚类分析优化的距离修正室内定位算法[J]. 计算机工程与科学, 2018, 40(02): 246-254.
[6]	文静，曹妍，张琳，牟向伟. 基于双重遗传的聚类分析算法研究[J]. 计算机工程与科学, 2017, 39(12): 2320-2325.
[7]	陈秀明1,2,钱丽1,3,胡贤德1,李敬明1,2,张怡文1. 直觉犹豫模糊集的相关系数在群推荐中的应用[J]. 计算机工程与科学, 2017, 39(11): 2139-2144.
[8]	杨红波1,郑剑2. 基于改进聚类分析的神经网络集成方法应用研究[J]. J4, 2015, 37(05): 974-978.
[9]	黄闽英，牟锐. 对模糊聚类分析法的改进及其在SRM中的应用[J]. J4, 2011, 33(6): 144-149.
[10]	孙晓博，廖桂平. 基于新的相似性度量的加权粗糙聚类算法[J]. J4, 2011, 33(12): 110-115.
[11]	蒋德珑1,2，李〓盛3，王克文1，付金光1. 模糊聚类分析系统的研究与实现[J]. J4, 2011, 33(12): 121-125.
[12]	李峻金，向阳，牛鹏. 一种用于数据挖掘的差异粒子群算法[J]. J4, 2010, 32(6): 95-98.
[13]	邝祝芳谭骏珊. KMApriori：一种有效的数据库异常检测方法[J]. J4, 2008, 30(6): 18-21.
[14]	何振峰. 一种两阶段的限制层次聚类算法[J]. J4, 2006, 28(7): 70-72.
[15]	张文军张润杰古德祥. 具有随机化统计检验的聚类分析算法与网络实现[J]. J4, 2006, 28(12): 74-76.

异构复杂信息网络敏感数据流动态挖掘

Dynamic mining of sensitive data streams in

heterogeneous complex information networks

PDF

可视化

摘要/Abstract

引用本文

使用本文

相关文章 15

编辑推荐

Metrics

本文评价