[发明专利]一种基于多域信息的物理对象关联聚类方法

说明书

本发明公开了一种基于多域信息的物理对象关联聚类方法，实施步骤包括：计算任意两个物理对象在所有域的信息之间所存在的关联关系并建立物理对象关联初始对称矩阵，对物理对象关联初始对称矩阵进行结构压缩，得到稀疏对称的物理对象关联矩阵，所述物理对象关联矩阵中包含多个对角线放置的非零值密集块，且除非零值密集块之外的区域的元素值均为零，对稀疏对称的物理对象关联矩阵进行聚类计算，针对聚类计算结果进行解释输出。本发明能够针对互联网中物理对象多域信息数据量大、物理对象节点个数众多的特点实现多域信息的物理对象关联聚类，能适应互联网高速变化，具有计算快速、高效的优点。

技术领域

本发明涉及大规模的互联网物理对象关联聚类等应用领域，具体涉及一种基于多域信息的物理对象关联聚类方法，通过多域信息有效的建立物理对象间的关联矩阵结构，采用矩阵压缩和矩阵分割的方法提高聚类速度。

背景技术

网络技术伴随着时代的发展进步也显现出了一些新的特性，主要表现在与其他网络的联系上。一方面是物理网络，如工业控制网络、传感器网络，这些网络技术与信息网络间的关联不断加深。另一方面是社会网络与信息网络的联系更加紧密，人的行为，人与人的之间关系，都在不同程度上影响着信息网络的通信与运转。比如，在信息网络或物理网络中，网络的交互过程是基于人的活动而进行的，而人与人之间的关联活动又可以基于社交网络、企事业活动等而相互影响。

现今，网络研究不再仅仅局限在传统的计算机信息网络，对多域网络的分析已经成为当前网络研究的热点。多域网络是由传统的信息网络、物理对象基于信息网络建立的物理网络、物理对象基于相关社会信息建立的社会网络所组成的多域融合网络，形成了网络空间中重要的一类子空间，各类网络内部又存在各种子网、各个分区，并形成了复杂的互联关系和交互关系。对网络的多域融合关联分析已成为现如今的研究热点，PCS Computing(Physical-Cyber-Social Computing)成为多域融合研究的专有名词。相比于对计算机网络的传统研究方法，融合分析更多的把多域信息的有关因素考虑进来。

随着信息技术的发展普及，世界各国在互联网方面的信息量都呈急速膨胀的态势，其中包括互联网设备的种类和规模、互联网数据通信总量等方面。这些方面的信息所出现的爆炸式增长，对于互联网中物理对象的多域分析带来了更艰巨的挑战。虽然计算机的硬件性能逐年提升，计算机的硬件成本逐年降低，但是硬件性能的增长还远远跟不上信息爆炸的速度，因此，面对数量巨大、种类繁多的互联网物理对象，在其关联聚类分析方面仍然面临着不小的挑战。

聚类分析方法有多种实现，如k-means聚类算法、层次聚类算法、SOM聚类算法、FCM聚类算法等等。这些方法的核心包括如下三大部分内容：

1、相似性衡量(similarity measurement)

相似性衡量方法包括有基于距离的方法、基于相似系数的方法、基于核函数的方法等。基于距离的方法主要包括欧式距离、Mahalanobis距离和Lance&Williams距离等等。基于相似系数的方法主要有夹角余弦和相关系数的方法，基于相似系数的方法优点是不受线性变换的影响，并可以轻松的转化为距离，但其运算速度比距离法慢得多。基于核函数的方法主要是利用数据从低维空间投影到高维空间中求解。

2、聚类算法(clustering algorithm)