Hadoop物联网数据挖掘的算法分析

前言：想要写出一篇引人入胜的文章？我们特意为您整理了Hadoop物联网数据挖掘的算法分析范文，希望能给你带来灵感和参考，敬请阅读。

摘要：介绍了物联网数据处理的若干关键技术，如大数据采集、大数据存储、大数据的分析与挖掘等。以hadoop为平台对物联网数据进行挖掘与分析，为了提高处理庞大数据的实效性，基于MapReduce架构采用了朴素贝叶斯分类算法、K-modes聚类算法以及ECLAT算法。分析认为，应用这三类算法，提高了数据分类效率，优化了类内对象之间的相似性以及类间对象之间的关联性，为更高效的数据挖掘提供了很好的思路。

关键词：物联网；Hadoop；朴素贝叶斯；K-modes；ECLAT

0引言

当前计算机技术发展迅速，物联网是在计算机、互联网之后信息产业发展的第三次浪潮，它必将成为社会发展的重要推力，它能够实现人与人、人与物和物与物之间的沟通与交流。物联网的兴起也必将再次引发数据的快速增长，对许多行业来说既是更严峻的挑战，也是更宝贵的机遇。物联网正在深刻改变着人们的生活习惯、工作方式。本文主要采用Hadoop分布式系统架构处理物联网环境下的大数据，Hadoop是一个分布式计算平台，具有高可靠性、高扩展性、高效性以及高容错性等优点。其主要由三大部分构成，HDFS(HadoopDistributedFileSystem)分布式文件系统、HadoopMapReduce分布式计算模型和HBase分布式数据库。因此，如何更好地应用Hadoop计算平台处理好物联网大数据，将是一个待攻克的难题。本文主要分析如何运用Hadoop平台处理大数据的理论依据，以及物联网的应用前景。

1物联网概述

物联网[1]底层网络通过RFID(RadioFrequencyIdentification)、WSNs（WirelessSensorNetworks）、无线局域网等网络技术采集物物交换信息并传输到智能汇聚网关，通过智能汇聚网关接入到网络融合体系，最后利用包括广播电视网、互联网、电信网等网络途径使信息到达终端用户应用系统。作为底层的数据感知层次[2]，在这个阶段主要感知各种各样的信息内容，例如二维标签、识别器、摄像头信息、传感网络等。然后，整理收集到的数据通过传输层进行传递，例如网络管理中心、通信网络和智能处理等。最后，系统处理传输层的数据，通过人机交互解决信息处理和人机界面的问题。

2Hadoop工作原理

2.1Hadoop基本架构

Hadoop主要是处理大数据的开源式平台，其具有海量存储、成本低廉、效率高以及牢靠性高等特点，因此可以应用到物联网平台的大数据处理[3]。Hadoop的两大主要元件是HDFS和MapReduce。前者的工作主要是存储海量的数据，其存储方式是分布式的；后者主要是计算处理这些大数据，其计算方式也是分布式处理[4]。为了更好的理解这两个元件的体系结构及其工作流程.

2.2HDFS分布式文件系统

HDFS是一个分布式文件系统，其具有高容错性和低廉的成本。HDFS实现的主要目标有以下几点。①以最快的速度检查出硬件异常情况并且及时解决异常。②进行批量化处理文件，提高效率节省时间，重点强调数据的吞吐量。③支持大数据集，不仅可以处理聚集式的高宽带数据，而且可以支持成百个节点的单个集群。④其访问模式是“一次输入，多次读取”，保证了数据访问吞吐量的高效性。⑤HDFS设计可实现不同平台间的互相转移，因而促进了大数据程序平台的广泛应用。HDFS以主从（Master/Slave）结构为主，HDFS集群由一个NameNode和许多个DataNode组成。NameNode为主服务器，主要负责管理存储文件以及访问客户端操作文件。DataNode主要负责管理存储数据，也就是存储小的数据块。

2.3MapReduce分布式计算框架

MapReduce的两大阶段主要是Map阶段和Reduce阶段。Map阶段构成：①输入数据格式解析（InputFormat）；②输入数据处理（Mapper）；③数据分组（Partitioner）。而Reduce阶段构成：①数据远程拷贝；②数据按照KEY排序；③数据处理（Reduce）；④数据输出格式（OutputFormat）。其工作流程如下。⑴数据预处理：从HDFS数据库中读取数据，分析输入数据格式。⑵MAP映射任务：读取自己所属的文件分片，将每一条数据转换成键值对，运用MAP函数得到新的键值对并将其存储到中间节点上。⑶定位缓存文件：将上一步得到的键值对的存储位置信息发送给Reducer。⑷Reduce阶段：通过位置信息读取文件，将所有数据进行重新排序并且合并同一KEY值，再通过Reduce函数化简，最后输出最终结果值。

3数据挖掘算法分析

MapReduce架构具有简易性、效率高、靠谱性以及并行的运算方式等特点，同时MapReduce架构的运用广度也有局限性，不能实现全部算法的应用。因此，最关键的是此算法需满足可伸缩性的特点，这里采用三类算法：分类算法、聚类算法和关联规则算法，研究改造并且能够应用到MapReduce架构中。

3.1朴素贝叶斯分类算法

朴素贝叶斯分类算法[5]（NaiveBayesianclassifi-cation，NBC），即将所有数据进行分类，先以一个特定的点定义好类别，建造一个分类器，其作用是将待定的数据先通过映射，划分到确定的类别。简言之，首先需构建一个分类器，获得某个已知样本的先验概率的前提，再运用贝叶斯公式：()()()()PABPBPBAPA=⑴得出一个后验概率，最后确定后验概率最大的类是对象所属的类。朴素贝叶斯分类算法采用的是扫描式方式，其算法操作如下：⑴Main函数：读取数据集；⑵Map函数：计算离散属性取值的总和、其连续属性的平均值μ以及标准差δ；⑶Reduce函数：整合输出统计值；⑷Main函数：由步骤3的结果生成分类器。

3.2K-modes聚类算法

K-modes聚类算法[6]，即先将对象进行聚集划分成不同的类别和子集，通过静态分类的方法将相似的成员对象分为一类，以区别于其他簇中的对象。由于这种方式不需要进行人工标注处理，因而具有一定的自适应性即无需看管监督的算法。K-modes算法不仅其算法思想容易实现，而且本身简单易用，因此成为最常用的聚类算法之一。K-modes算法是K-means算法基础上的延伸，不仅可以处理数值型数值，也可以处理分类属性型的数据，这是一个大的改进。K-modes算法可以很好的处理数量少的数据集，同时也可以高效处理庞大的数据集，其算法时间复杂度为O（tnkm），共同决定于迭代数t，数据集中对象数n，划分子类数k，以及属性数量m。K-modes算法中modes可直接描述每一个类的属性和特性，便于解析聚类结果。K-modes算法是收敛的。以上是传统的K-modes算法的优点，其也有缺点。K-modes算法虽然是收敛的，但是Huang证明其只能在局限收敛中实现最小值，在全局收敛中实现不了。聚类算法的好坏取决于相异度度量方法，K-modes算法在展示两者的差异性不占优势。聚类算法中modes决定了结果的精确度，而此算法的modes不是独一无二的。因此，采用改进的K-modes算法。K-modes聚类算法[7]采用迭代式的方式，其算法操作如下。⑴main函数：读取数据集中的初始中心点。⑵map函数：主要计算差异值、众数和目标函数值。⑶main函数：最后读取和判断目标函数值，若连续两轮的结果无变化，则结束这次过程，得出中心点，反之需要进行下一轮的迭代进程。因此，聚类算法的应用能够将类内对象的相似性达到最大，类间对象的相似性尽量的小，从而可以更好的区分对象间的差别。

3.3ECLAT频繁项集挖掘算法

关联规则挖掘算法的主要作用是找出不同项集之间的关联性，并且应用到大数据中。例如，顾客去便利超市买东西，观察分析顾客的购物车，会发现商品间的联系。因而调整商品的摆放位置，可以更好的促销商品。ECLAT算法[8]其本质是一种频繁项集挖掘算法，其异于传统的数据结构，是基于垂直数据结构格式。其工作流程如下：首先全面扫描所有数据，然后将数据的格式展示为垂直的，最后得到一个项集的长度值，即项集支持度的计数。依据算法Apriori的特性，从K=1开始，对频繁K项集的交进行计算，构建备选的K+1项集并且选出第K+1项时，反复操作，将K的值加一，当不能挖掘出频繁项集便结束这个工作。ECLAT频繁项集挖掘算法也是采用迭代式，其算法操作如下。⑴Main函数：读取上一轮的挖掘数据。⑵Map函数：存储垂直K项集。⑶Reduce函数：对垂直K项集挖掘出频繁K项集。⑷Main函数：读取最终的Reduce函数中的结果，如果不是空值，继续进行下一轮挖掘，反之就结束此程序。因此，ECLAT算法的最大优势是更快地找出数据间的关联性，为数据挖掘提供了很好的解决方法。

4应用前景

随着物联网技术的发展，其能够广泛应用到各行各业[9]。例如，农业物联网即物联网技术应用于农业领域，从农业的生产、经营、管理到服务都可以提供支持，通过农业信息感知设备，提高农业生产的品质与效率。智能交通中，将物联网技术应用到交通运输领域，实现交通运输的智能化，提高国家的整体实力和科技水平。城市安全管理是将物联网技术应用到公共安全领域。例如城轨站点安全监测，人员密集的公共场所安全监测，桥梁建筑物安全监测，以及特定危险品的生产场所的安全监测等。同时，物联网可以应用到石油行业中，从油气勘探、钻井、油田生产到管理运输和炼油化工等方面，物联网技术大大提高了生产和管理效率，从而增强我国石油行业的可持续发展能力和国际影响力。

5结束语

本文通过Hadoop平台挖掘分析物联网数据，并且将朴素贝叶斯分类算法、K-modes聚类算法以及ECLAT频繁项集挖掘算法应用于MapReduce架构。结果表明，这三类算法的运用可以更高效的处理大数据，从而获取更有价值的信息。优化物联网数据挖掘分析方法，进而促进物联网产业的发展。物联网作为新一代信息技术的典型代表，不仅渗透到农业生产、智能交通、公共安全、石油产业等领域，而且对将来的经济发展和社会生活都将产生深远影响。物联网的挖掘分析方法在实际运用中还需要进一步探索与研究。

作者:陈娟 单位:扬州大学广陵学院