数据挖掘分类技术在电信网络风险预警中应用

《数据挖掘分类技术在电信网络风险预警中应用》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、数据挖掘分类技术在电信网络风险预警中应用　　摘要：决策树和人工神经网络是数据挖掘分类任务中两项重要技术，各具特点，对不同的数据类型应采用不同的算法进行相应的研究应用。为了深入地说明各自的特点，根据决策树C5.0算法以及人工神经网络的BP网络模型的原理，按照数据挖掘的标准过程，应用SPSSClementine作为工具对电信网络风险进行了预警，并对结果进行了比较研究，验证了两种数据挖掘分类技术的一些性能差异。本文分析了数据挖掘技术中常用的决策树和神经网络两种算法，为以后对电信网络风险预警提供了一种研究角度和方法。Abstract：Deci

2、sion-makingtreeandartificialneuralnetworkaretwoimportanttechnologiesofdataminingandclassificationtask，eachwithcharacteristics，weshouldusedifferentalgorithmsfordifferenttypesofdatatoresearchandapply.Inordertoexplaintheirowncharacteristics，inaccordancewithdecision-makingt

3、reeC5.0algorithmsandtheprinciplesofnetworkBPmodelofartificialneuralnetworks，aswellasthestandardprocessofdataminingandclassification，weusethe8SPSSClementinetocarryoutthetelecommunicationnetworkriskpre-warning，andtheresultsarecompared.Thispaperanalyzedtwoalgorithmsofdecis

4、ion-makingtreeandartificialneuralnetworkindataminingtechnology，andprovidedanewresearchangleandmethodfortelecommunicationnetworkriskpre-warninginthefuture.关键词：决策树；人工神经网络；风险预警；电信网络Keywords：decision-makingtree；artificialneuralnetworks；riskpre-warning；telecommunicationnetwo

5、rk中图分类号：F262.5文献标识码：A文章编号：1006-4311（2013）19-0210-020引言8在众多关系到国计民生的重要的信息系统中，不可或缺的支撑平台就是电信网络，因此，电信网络是促进国民经济发展的关键基础设施。随着信息通信技术的不断发展，电信规模越来越大，开放性也越来越强，在丰富人们生活的同时，电信网络也面临着越来越多的威胁，存在着很多的风险。国内对电信网络风险预警的相关研究还处于起步状态，具体表现在：一是预测的电信网络安全变量指标的选取很多凭直观经验，缺乏客观基础，没有形成统一的指标体系；二是研究所用的方法基本上

6、是传统方法，使用数据挖掘技术的很少[1]。1数据挖掘中的分类技术在数据挖掘过程中一项重要的任务就是分类，通过分类可以找出给定数据集分成若干类的具体分类的规则。目前主要通过以决策树为代表的符号处理法和以神经网络为代表的连接主义方法来解决分类规则的提取问题[2]。在数据挖掘模型中使用最广泛的模型之一就是决策树模型。此模型采用自顶向下的算法，选择的分类都是每个节点效果最好的属性，这一个过程一直继续到能够准确地对这棵树进行训练或使用过所有的属性。选取每个结点时都要测试数据的属性并及时修剪决策树是决策树算法的核心问题。常用的算法有基于信息增益的

7、ID3（Quinlan1986）和后继改进的C4.5（Quinlan1993），C5.0是C4.5应用于大数据集上的分类算法，主要在执行效率和内存使用方面进行了改进。8另一种高效的数据挖掘的分类方法就是神经网络，它是由大量的处理单元互相连接而成的网络，由于它能够模拟大脑的基本特征而进行识别和训练，因此这种模式不需要经验知识，但是不容易从中提取规则，这是由其内部规则可理解性差导致的。前向网络的BP模型和径向基网络的RBF模型是神经网络常用的两种模型。为了进一步对比分析决策树和神经网络算法的性能，根据两种算法的特点引以具体的实例。决策树的

8、常用基本算法是C5.0算法，而人工神经网络的典型模型是BP网络模型，因此，分析中选用C5.0算法和BP网络模型，通过分析对比两者可以很好的说明决策树和神经网络分类性能的差别。1.1C5.0算法原理在ID3、C4.5算法的