基于區(qū)塊鏈分布優(yōu)化的大數(shù)據(jù)融合QM模型研究

王國(guó)軍, 胡靜, 汪瑾

(國(guó)網(wǎng)寧夏電力有限公司， 寧夏 銀川 750001)

0 引言

大數(shù)據(jù)領(lǐng)域的關(guān)鍵問(wèn)題是如何將大數(shù)據(jù)表示為一個(gè)統(tǒng)一的模型，以及如何有效地降低大數(shù)據(jù)的維數(shù)[1]。結(jié)構(gòu)化大數(shù)據(jù)、非結(jié)構(gòu)化大數(shù)據(jù)和半結(jié)構(gòu)化大數(shù)據(jù)全都有代表其獨(dú)特特征的表示模型，卻沒(méi)有統(tǒng)一的模型能夠統(tǒng)一表示這三類數(shù)據(jù)[2]。大量的區(qū)塊鏈分布大數(shù)據(jù)分布在網(wǎng)絡(luò)空間中，形成規(guī)模龐大的網(wǎng)絡(luò)資源庫(kù)，使得現(xiàn)有算法難以有效地處理大數(shù)據(jù)，從而降低了計(jì)算結(jié)果的精度，相關(guān)的大數(shù)據(jù)融合模型方面的研究受到了人們對(duì)的廣泛關(guān)注。

李紅等[3]提出大數(shù)據(jù)時(shí)代數(shù)據(jù)融合質(zhì)量評(píng)價(jià)模型，該模型可擴(kuò)展至多個(gè)數(shù)據(jù)庫(kù)融合的狀況，實(shí)現(xiàn)數(shù)據(jù)融合質(zhì)量的提升。Birrenkott等[4]提出一種基于光容積描記的穩(wěn)健大數(shù)據(jù)融合模型，評(píng)估每個(gè)調(diào)制的呼吸質(zhì)量，同時(shí)對(duì)各個(gè)RQI進(jìn)行融合，以獲得每個(gè)時(shí)間窗調(diào)制的單個(gè)RQI，并對(duì)剩余調(diào)制進(jìn)行加權(quán)，以提供每個(gè)時(shí)間窗的單個(gè)RR估計(jì)，以此建立大數(shù)據(jù)融合模型。Shen Wang等[5]提出了一種基于區(qū)塊鏈的優(yōu)化模型和體系結(jié)構(gòu)，并在此基礎(chǔ)上，提出了一種兩階段的調(diào)度算法，提高了分布式數(shù)據(jù)先進(jìn)控制方法。

基于此，本文提出基于壓縮感知和模糊分區(qū)調(diào)度的區(qū)塊鏈分布大數(shù)據(jù)融合模型，通過(guò)仿真實(shí)驗(yàn)驗(yàn)證，得出有效性結(jié)論。

1 數(shù)據(jù)的分塊存儲(chǔ)結(jié)構(gòu)模型及信息聚類

1.1 區(qū)塊鏈分布大數(shù)據(jù)的分塊存儲(chǔ)結(jié)構(gòu)模型

為了實(shí)現(xiàn)基于區(qū)塊鏈分布優(yōu)化的大數(shù)據(jù)融合QM模型設(shè)計(jì)，首先構(gòu)建區(qū)塊鏈分布大數(shù)據(jù)的分塊存儲(chǔ)結(jié)構(gòu)模型，根據(jù)區(qū)塊鏈分布大數(shù)據(jù)的屬性分布進(jìn)行共享調(diào)度，得到區(qū)塊鏈分布大數(shù)據(jù)信息評(píng)價(jià)結(jié)構(gòu)模型，采用分塊調(diào)度的方法進(jìn)行區(qū)塊鏈分布大數(shù)據(jù)的分塊存儲(chǔ)結(jié)構(gòu)設(shè)計(jì)，建立區(qū)塊鏈分布大數(shù)據(jù)分布式融合模型，提高區(qū)塊鏈分布大數(shù)據(jù)的檢測(cè)和特征分辨能力，根據(jù)上述分析，進(jìn)行區(qū)塊鏈分布大數(shù)據(jù)的分塊存儲(chǔ)模型設(shè)計(jì),如圖1所示。

圖1 區(qū)塊鏈分布大數(shù)據(jù)的分塊存儲(chǔ)結(jié)構(gòu)模型

圖1中，區(qū)塊鏈的用戶接口采集到用戶數(shù)據(jù)集后,將其輸入到資源調(diào)度器中，根據(jù)資源的固定屬性特征匹配到各自的客戶端，如：服務(wù)器-客戶機(jī)(CS)和用戶網(wǎng)絡(luò)邊緣設(shè)備(CE)中，在這個(gè)過(guò)程中，講用戶數(shù)據(jù)設(shè)為副本集合，進(jìn)行副本管理，然后根據(jù)設(shè)置好的計(jì)算機(jī)原件參數(shù)進(jìn)行副本優(yōu)化，形成存儲(chǔ)元件，完成分塊儲(chǔ)存。

在云計(jì)算環(huán)境下，進(jìn)行區(qū)塊鏈分布大數(shù)據(jù)QM融合集構(gòu)造，區(qū)塊鏈分布大數(shù)據(jù)的存儲(chǔ)模型表示為一個(gè)p維矢量，區(qū)塊鏈分布大數(shù)據(jù)的信息分布式遷移特征量，如式(1)。

PQ=(ek+vk)×Ut

(1)

式中，ek表示區(qū)塊鏈大數(shù)據(jù)的特征數(shù)量值，vk表示特征基數(shù)值，Ut表示區(qū)塊鏈大數(shù)據(jù)的信息基量；用云計(jì)算方法實(shí)現(xiàn)區(qū)塊鏈分布大數(shù)據(jù)的大數(shù)據(jù)庫(kù)重建，提取區(qū)塊鏈分布大數(shù)據(jù)的關(guān)聯(lián)規(guī)則特征集，采用有向圖模型構(gòu)建區(qū)塊鏈分布大數(shù)據(jù)的量化評(píng)價(jià)節(jié)點(diǎn)分布結(jié)構(gòu)，在區(qū)塊鏈分布大數(shù)據(jù)信息庫(kù)中進(jìn)行模糊關(guān)聯(lián)特征提取和信息匹配[6]，構(gòu)造區(qū)塊鏈分布大數(shù)據(jù)的線性組合模型表達(dá)式，如式(2)、式(3)。

(2)

(3)

式中，Cij表示更新支撐集，Xij表示所選索引特征參數(shù)集，由此得到區(qū)塊鏈分布大數(shù)據(jù)QM融合模型，根據(jù)存儲(chǔ)節(jié)點(diǎn)分布，進(jìn)行區(qū)塊鏈分布大數(shù)據(jù)QM融合。

1.2 區(qū)塊鏈分布大數(shù)據(jù)的大數(shù)據(jù)挖掘

在構(gòu)建區(qū)塊鏈分布大數(shù)據(jù)的異構(gòu)存儲(chǔ)結(jié)構(gòu)模型的基礎(chǔ)上，提取區(qū)塊鏈分布大數(shù)據(jù)的關(guān)聯(lián)規(guī)則特征量，采用云計(jì)算技術(shù)實(shí)現(xiàn)區(qū)塊鏈分布大數(shù)據(jù)分塊QM融合，構(gòu)建區(qū)塊鏈分布大數(shù)據(jù)的自適應(yīng)調(diào)度參數(shù)▽2F(x)，描述區(qū)塊鏈分布大數(shù)據(jù)QM融合的約束參量，如式(4)。

2JT(x)J(x)+2S(x)

(4)

式中，JT表示線性組合模型信息匹配值，J(x)表示融合約束數(shù)據(jù)特征量，S(x)表示區(qū)塊鏈分布大數(shù)據(jù)QM融合節(jié)點(diǎn)。結(jié)合最優(yōu)時(shí)延均衡控制方法進(jìn)行分塊區(qū)域調(diào)度，設(shè)區(qū)塊鏈分布大數(shù)據(jù)的特征映射為f(k)，在大數(shù)據(jù)分布區(qū)域，進(jìn)行區(qū)塊鏈分布大數(shù)據(jù)的分布式檢測(cè)和信息聚類[7]，到區(qū)塊鏈分布大數(shù)據(jù)QM融合的計(jì)算公式，如式(5)。

Ui,j(t)=exp[B[zi(t)-zj(t)]2]

(5)

式中，zi(t)和zj(t)分別表示區(qū)塊鏈分布大數(shù)據(jù)共享的模糊決策增量值和決策減量值。采用相關(guān)性的統(tǒng)計(jì)分析方法，得到區(qū)塊鏈分布大數(shù)據(jù)共享度，如式(6)。

(6)

式中，pi,j(t)表示區(qū)塊鏈分布大數(shù)據(jù)共享的模糊相關(guān)性特征分布集，用4元組(Ei,Ej,d,t)來(lái)表示區(qū)塊鏈分布大數(shù)據(jù)共享調(diào)度的主特征量，根據(jù)上述分析，建立區(qū)塊鏈分布大數(shù)據(jù)信息融合及QM融合的關(guān)聯(lián)函數(shù),如式(7)。

(7)

式中，P(d|t,ci)為ci類區(qū)塊鏈分布大數(shù)據(jù)共享調(diào)度的分布概率，在語(yǔ)義本體模型中執(zhí)行區(qū)塊鏈分布大數(shù)據(jù)的樣本統(tǒng)計(jì)，得到區(qū)塊鏈分布大數(shù)據(jù)信息采樣的n個(gè)統(tǒng)計(jì)變量，實(shí)現(xiàn)數(shù)據(jù)挖掘[8]。

2 大數(shù)據(jù)融合QM模型優(yōu)化

2.1 分布大數(shù)據(jù)的統(tǒng)計(jì)特征量提取

在上述進(jìn)行區(qū)塊鏈分布大數(shù)據(jù)的異構(gòu)存儲(chǔ)結(jié)構(gòu)模型設(shè)計(jì)的基礎(chǔ)上，進(jìn)行大數(shù)據(jù)融合QM模型優(yōu)化設(shè)計(jì)，基于壓縮感知和模糊分區(qū)調(diào)度的區(qū)塊鏈分布大數(shù)據(jù)融合模型，分析各數(shù)據(jù)模塊的參數(shù)特征，反復(fù)進(jìn)特征融合，以此對(duì)混合型的區(qū)塊鏈分布大數(shù)據(jù)進(jìn)行關(guān)聯(lián)特征分布式檢測(cè)[9]。

定義1: 在模糊聚類中心提取區(qū)塊鏈分布大數(shù)據(jù)的粗糙集特征量，結(jié)合模糊關(guān)聯(lián)特征檢測(cè)方法進(jìn)行區(qū)塊鏈分布大數(shù)據(jù)的信息重組，區(qū)塊鏈分布大數(shù)據(jù)的融合系數(shù)滿足標(biāo)準(zhǔn)正態(tài)分布X～Sα(σ,β,μ)，0<α<2，則區(qū)塊鏈分布大數(shù)據(jù)的融合問(wèn)題為一個(gè)共線性問(wèn)題，如式(8)。

cx+b～Sα(|c|σ,sgn(c),cμ+b)

(8)

定義2：在時(shí)頻域內(nèi)，區(qū)塊鏈分布大數(shù)據(jù)線性測(cè)量特征值滿足X～Sα(σ,β,μ)，1<α<2，則區(qū)塊鏈分布大數(shù)據(jù)的QM信息融合度，如式(9)。

E(x)=μ

(9)

定義3：如果區(qū)塊鏈分布大數(shù)據(jù)分布滿足凸組合模型X～Sα(1,β,0)，1<α<2，即區(qū)塊鏈分布大數(shù)據(jù)索引對(duì)應(yīng)的列矩陣X正偏，區(qū)塊鏈分布檢測(cè)的誤差，如式(10)。

(10)

根據(jù)上述定義，得到區(qū)塊鏈分布大數(shù)據(jù)索引的關(guān)聯(lián)特征分布式檢測(cè)結(jié)果表示如下。

m1(d1)=0.177 0,m1(d2)=0.166 5,m1(d3)=0.259 7,m1(Θ)=0.396 8

m2(d1)=0.239 3,m2(d2)=0.221 4,m2(d3)=0.328 6,m2(Θ)=0.210 7

在校驗(yàn)塊Dn中，進(jìn)行區(qū)塊鏈分布大數(shù)據(jù)的特征分塊匹配，從而實(shí)現(xiàn)區(qū)塊鏈分布大數(shù)據(jù)的信息融合聚類處理，提高區(qū)塊鏈分布大數(shù)據(jù)的查全率。采用回歸檢驗(yàn)和演化博弈方法進(jìn)行區(qū)塊鏈分布大數(shù)據(jù)融合過(guò)程中的定量遞歸分析，結(jié)合遞歸分析結(jié)果，進(jìn)行數(shù)據(jù)融合的QM模型設(shè)計(jì)。

2.2 大數(shù)據(jù)融合QM模型優(yōu)化

提取區(qū)塊鏈分布大數(shù)據(jù)的統(tǒng)計(jì)特征量，采用回歸檢驗(yàn)和演化博弈方法進(jìn)行區(qū)塊鏈分布大數(shù)據(jù)融合過(guò)程中的定量遞歸分析[10]，構(gòu)建區(qū)塊鏈分布大數(shù)據(jù)檢索模型，得到數(shù)據(jù)的融合尺度,如式(11)。

(11)

計(jì)算數(shù)據(jù)的新近似值和新殘差，得到統(tǒng)計(jì)特征量J(Wi)可以用如下形式簡(jiǎn)化,如式(12)。

(12)

式中，H2表示統(tǒng)計(jì)特征量數(shù)據(jù)融合高度，Wi表示統(tǒng)計(jì)特征量數(shù)據(jù)融合元素。將壓縮感知重構(gòu)算法用于在數(shù)據(jù)融合中，采用最速下降法和梯度投影方法進(jìn)行區(qū)塊鏈分布大數(shù)據(jù)融合處理，得到區(qū)塊鏈分布大數(shù)據(jù)的特征檢測(cè)模型描述，如式(13)、式(14)。

R1(k)=R2(k)exp(-jω0Tp/2),k=0,1,…,(N-3)/2

(13)

R2(k)=Akexp(jφk),k=0,1,…,(N-3)/2

(14)

沿著目標(biāo)函數(shù)值下降方向，建立區(qū)塊鏈分布大數(shù)據(jù)檢測(cè)模型，如式(15)。

JI(nTB)=Acos(n×2πΔfTB)-Bsin(n×2πΔfTB)=

Ccos(n×2πΔfTB-θ)

(15)

采用回歸檢驗(yàn)和演化博弈方法進(jìn)行區(qū)塊鏈分布大數(shù)據(jù)融合過(guò)程中的定量遞歸分析，提取區(qū)塊鏈分布大數(shù)據(jù)的關(guān)聯(lián)規(guī)則特征量，得到區(qū)塊鏈分布大數(shù)據(jù)檢測(cè)輸出，如式(16)。

(16)

根據(jù)關(guān)聯(lián)規(guī)則挖掘結(jié)果，實(shí)現(xiàn)區(qū)塊鏈分布大數(shù)據(jù)的分塊QM融合，根據(jù)上述分析，得到區(qū)塊鏈分布大數(shù)據(jù)融合模型，如圖2所示。

圖2 區(qū)塊鏈分布大數(shù)據(jù)融合模型

3 仿真測(cè)試分析

為了驗(yàn)證本文方法在實(shí)現(xiàn)區(qū)塊鏈分布大數(shù)據(jù)融合中應(yīng)用性能，進(jìn)行仿真實(shí)驗(yàn)分析。假設(shè)區(qū)塊鏈分布大數(shù)據(jù)的稀疏度為0.74，分塊融合的維數(shù)為12，對(duì)區(qū)塊鏈分布大數(shù)據(jù)采樣的長(zhǎng)度為1 200，特征訓(xùn)練集為100，根據(jù)上述仿真參數(shù)設(shè)定，進(jìn)行區(qū)塊鏈分布大數(shù)據(jù)融合，得到原始的區(qū)塊鏈分布大數(shù)據(jù)和區(qū)塊鏈分布數(shù)據(jù)融合結(jié)果，如圖3、圖4所示。

由圖3和圖4可知，本文方法得到的原始區(qū)塊鏈分布處理結(jié)果數(shù)據(jù)以60%為固定值，數(shù)據(jù)在上下波動(dòng)，大數(shù)據(jù)處理結(jié)果數(shù)值穩(wěn)定。采樣點(diǎn)可在監(jiān)測(cè)區(qū)塊鏈內(nèi)采集數(shù)據(jù)的準(zhǔn)確位置，該區(qū)塊鏈分布數(shù)據(jù)融合結(jié)果幅值最高為0.5，滿足區(qū)塊鏈分布大數(shù)據(jù)的自適應(yīng)調(diào)度。

測(cè)試不同方法進(jìn)行區(qū)塊鏈分布大數(shù)據(jù)融合的性能，測(cè)試數(shù)據(jù)的召回率Q，如式(17)。

(17)

式中，α(a)表示在數(shù)據(jù)融合中為a的召回量；β(a)表示a在測(cè)試結(jié)果最終選擇的大數(shù)據(jù)融合的總召回量，A表示區(qū)塊鏈分布大數(shù)據(jù)融合量。利用上述公式計(jì)算，得到召回性能對(duì)比結(jié)果，如表1所示。

表1 區(qū)塊鏈分布大數(shù)據(jù)融合的召回性能對(duì)比

由表1可知，利用本文方法對(duì)比文獻(xiàn)[3]方法、文獻(xiàn)[4]方法進(jìn)行區(qū)塊鏈分布大數(shù)據(jù)融合的召回性能測(cè)試時(shí)，本文的召回率較高，在最終進(jìn)行300次測(cè)試后，本文方法的召回率高達(dá)0.999。

以表1區(qū)域鏈分布大數(shù)據(jù)融合召回?cái)?shù)值作為研究對(duì)象，進(jìn)行區(qū)塊鏈分布大數(shù)據(jù)融合。當(dāng)在同樣的數(shù)據(jù)規(guī)模下進(jìn)行執(zhí)行時(shí)間的測(cè)試，可得出不同的執(zhí)行速度即得到區(qū)域鏈分布優(yōu)化效率；而在不同的數(shù)據(jù)規(guī)模下，對(duì)比執(zhí)行時(shí)間分布點(diǎn)高低情況即可得出區(qū)塊鏈分布效率，因此將橫坐標(biāo)設(shè)為0-600個(gè)的數(shù)據(jù)規(guī)模，如圖5所示。

圖5 不同方法下區(qū)塊鏈分布優(yōu)化效率分析

由圖5可知，在相同的數(shù)據(jù)規(guī)模情況下，本文方法進(jìn)行的區(qū)塊鏈分布優(yōu)化執(zhí)行時(shí)間短，文獻(xiàn)[3]和文獻(xiàn)[4]方法耗時(shí)較長(zhǎng)，這是由于在相同情況下，本文方法進(jìn)行效率分析時(shí)，提取分布大數(shù)據(jù)的統(tǒng)計(jì)特征量，基于壓縮感知和模糊分區(qū)調(diào)度的區(qū)塊鏈分布大數(shù)據(jù)融合，對(duì)混合型的區(qū)塊鏈分布大數(shù)據(jù)進(jìn)行關(guān)聯(lián)特征分布式檢測(cè)。說(shuō)明采用本文方法進(jìn)行區(qū)塊鏈分布大數(shù)據(jù)融合的特征分辨能力較好。而在不同數(shù)據(jù)規(guī)模時(shí)，本文方法的所有執(zhí)行時(shí)間分布點(diǎn)都低于其他兩種方法，例如當(dāng)本文方法在200個(gè)數(shù)據(jù)規(guī)模的情況下，執(zhí)行時(shí)間不超過(guò)20 s，而其他方法在起始處理時(shí)間就大于20 s。

4 總結(jié)

構(gòu)建區(qū)塊鏈分布大數(shù)據(jù)融合模型，結(jié)合特征挖掘和分布式調(diào)度的方法，進(jìn)行區(qū)塊鏈分布大數(shù)據(jù)采樣和信息融合設(shè)計(jì)，提高區(qū)塊鏈分布大數(shù)據(jù)的定量遞歸分析能力。本文提出基于壓縮感知和模糊分區(qū)調(diào)度的區(qū)塊鏈分布大數(shù)據(jù)融合模型，提取區(qū)塊鏈分布大數(shù)據(jù)的統(tǒng)計(jì)特征量，進(jìn)行區(qū)塊鏈分布大數(shù)據(jù)融合過(guò)程中的定量遞歸分析。在語(yǔ)義本體模型中執(zhí)行區(qū)塊鏈分布大數(shù)據(jù)的樣本統(tǒng)計(jì)，對(duì)混合型的區(qū)塊鏈分布大數(shù)據(jù)進(jìn)行關(guān)聯(lián)特征分布式檢測(cè)，采用差異化的特征分布式檢索方法進(jìn)行區(qū)塊鏈分布大數(shù)據(jù)信息聚類，實(shí)現(xiàn)區(qū)塊鏈分布大數(shù)據(jù)融合的QM模型優(yōu)化設(shè)計(jì)，分析實(shí)驗(yàn)結(jié)果可知，本文方法進(jìn)行區(qū)塊鏈分布大數(shù)據(jù)融合數(shù)據(jù)處理結(jié)果數(shù)值穩(wěn)定，效果佳，同時(shí)召回率較高，特征分辨性能較好。