基于FP-Growth改进算法的云服务器故障数据分析

计算机工程与科学

基于FP-Growth改进算法的云服务器故障数据分析

何望1,2，林果园1,2

（1.中国矿业大学计算机科学与技术学院，江苏徐州 221000;2.矿山数字化教育部工程研究中心，江苏徐州 221000)

收稿日期:2019-07-18 修回日期:2020-01-03 出版日期:2020-05-25 发布日期:2020-05-25
基金资助:
中央高校基本科研业务费专项资金（2017XKQY079）

Analysis of cloud server fault data based

on improved FP-Growth algorithm

HE Wang1,2,LIN Guo-yuan1,2

(1.School of Computer Science and Technology,China University of Mining and Technology,Xuzhou 221000;

(2.Digitization of Mine,Engineering Research Center of Ministry of Education of China,Xuzhou 221000,China)

Received:2019-07-18 Revised:2020-01-03 Online:2020-05-25 Published:2020-05-25

摘要/Abstract

摘要：

针对云服务器使用过程中参数异常的问题，介绍了云服务器的参数数据获取、数据清洗整理和有效分析过程。针对现有频繁模式增长（FP-Growth）算法中存在的条件FP-tree构建过程过于冗余以及数据量级越大处理效率越低的问题，提出了一种改进的FP-Growth算法，引入数组标记策略，每个FP-tree节点只保留指向父节点的指针。改进算法在挖掘过程中无需生成条件FP-tree，减少了时空消耗。实验结果表明，改进后的FP-Growth并行算法能够有效地提高云平台虚拟机异常数据的关联分析效率，并且改进算法也适用于较大规模数据集的数据挖掘工作。

关键词: 云服务器, 故障分析, FP-Growth算法, 数据挖掘

Abstract:

In order to analyze the problem of abnormal parameters in the process of using the cloud server, the process of parameter data acquisition, data cleaning, and effective analysis of the cloud server is introduced. Aiming at the problems that the conditional FP-tree construction process is too redundant and the larger amount of data causes lower processing efficiency in the existing FP-Growth algorithm, an improved FP-Growth algorithm is proposed. It introduces the array tagging strategy, and each FP-tree node retains only pointers to the parent node. It does not need to generate a conditional FP-tree during the mining process, thus reducing time and space consumption. Experimental results show that the improved FP-Growth parallel algorithm can effectively improve the correlation analysis efficiency of abnormal data of cloud platform virtual machines, and is also suitable for data mining of large-scale data sets.

Key words: cloud server, fault analysis, FP-Growth algorithm, data mining

何望1,2，林果园1,2. 基于FP-Growth改进算法的云服务器故障数据分析[J]. 计算机工程与科学.

HE Wang1,2,LIN Guo-yuan1,2.

Analysis of cloud server fault data based

on improved FP-Growth algorithm

[J]. Computer Engineering & Science.

[1]	张逢, 文斌, 闫一非, 曾昭武, 周伟, . 身份加密多云多副本完整性审计协议[J]. 计算机工程与科学, 2024, 46(03): 453-462.
[2]	赵琰, 马慧芳, 王文涛, 童海斌, 贺相春. 可靠响应表示增强的知识追踪方法[J]. 计算机工程与科学, 2024, 46(03): 535-544.
[3]	雷轩, 程光, 张玉健, 郭靓, 张付存. 基于电力网络态势感知平台的告警信息关联分析[J]. 计算机工程与科学, 2023, 45(07): 1197-1208.
[4]	王晨宇, 温浩珉, 郭晟楠, 林友芳, 万怀宇, . 面向快递员揽收到达时间预测的多任务深度时空网络[J]. 计算机工程与科学, 2023, 45(01): 136-144.
[5]	程小刚, 郭韧, 周长利, . 基于理性密码学的分布式隐私保护数据挖掘框架[J]. 计算机工程与科学, 2022, 44(10): 1781-1787.
[6]	王文涛, 马慧芳, 舒跃育, 贺相春. 基于上下文表示的知识追踪方法[J]. 计算机工程与科学, 2022, 44(09): 1693-1701.
[7]	刘云, 肖添. 网络日志数据中条件因果挖掘算法的优化研究[J]. 计算机工程与科学, 2021, 43(09): 1584-1590.
[8]	文凯, 许萌萌, 张许红, . 基于列表结构的加权可擦除项集挖掘算法[J]. 计算机工程与科学, 2021, 43(09): 1676-1683.
[9]	熊中敏, 汪博, 陶然, 郑宗生, 陈明, . 一种基于主属性判定的关联规则挖掘约简算法[J]. 计算机工程与科学, 2021, 43(04): 738-745.
[10]	方姣丽, 左克, 黄春, 刘杰, 李胜国, 卢凯. FD-LSTM:基于大规模系统日志的故障分析模型[J]. 计算机工程与科学, 2021, 43(01): 33-41.
[11]	藏润强, 左美云, 郭鑫鑫. 基于Doc2Vec和BiLSTM的老年患者疾病预测研究[J]. 计算机工程与科学, 2020, 42(12): 2273-2279.
[12]	谭胜昔，贾金萍，赵斌，吉根林. 动态空间网络中的黑洞模式挖掘算法[J]. 计算机工程与科学, 2020, 42(02): 325-333.
[13]	何登平1，2，3，何宗浩1,2，李培强1,2. 基于Spark的并行化高效用项集挖掘算法[J]. 计算机工程与科学, 2019, 41(10): 1723-1730.
[14]	陈胜发，贾瑞玉. 基于密度权重Canopy的改进K-medoids算法[J]. 计算机工程与科学, 2019, 41(10): 1823-1828.
[15]	何登平1,2,3，何宗浩1,2. 基于R-list的Top-K高效用项集挖掘算法[J]. 计算机工程与科学, 2019, 41(07): 1318-1324.