[发明专利]基于设备连接关系的设备相似性聚类方法和系统

权利要求书

1.一种基于设备连接关系的设备相似性聚类方法，其特征在于，所述方法包括：

计算网络设备间的相似度，得到n维的相似度矩阵；

将所述n维的相似度矩阵降维为m维的相似度矩阵；

对所述m维的相似度矩阵进行聚类，得到所述网络设备间聚类结果。

2.根据权利要求1所述的基于设备连接关系的设备相似性聚类方法，其特征在于，所述计算网络设备间的相似度，包括：

采用simrank算法计算网络设备间相似度。

3.根据权利要求2所述的基于设备连接关系的设备相似性聚类方法，其特征在于，所述采用simrank算法计算网络设备间相似度，包括：

将网络设备编号作为节点，将所述网络设备间的连接关系作为边，构建图网络；

初始化相似度矩阵，使得网络设备间相似度为0，网络设备与自身相似度为1；

利用simrank算法迭代计算图网络中网络设备间相似度，直到相似度矩阵停止变化，得到n维的相似度矩阵。

4.根据权利要求1所述的基于设备连接关系的设备相似性聚类方法，其特征在于，所述将n维的相似度矩阵降维为m维的相似度矩阵，包括：

采用主成分分析法将n维的相似度矩阵降维为m维的相似度矩阵。

5.根据权利要求1所述的基于设备连接关系的设备相似性聚类方法，其特征在于，所述对m维的相似度矩阵进行聚类，包括：

采用K-Means算法对m维的相似度矩阵进行聚类。

6.根据权利要求5所述的基于设备连接关系的设备相似性聚类方法，其特征在于，所述采用K-Means算法对m维的相似度矩阵进行聚类，包括：

从m维的相似度矩阵中选取若干个值作为k值；

针对每个所述k值，对降维后的相似度矩阵进行K-Means聚类，得到聚类结果，并计算每个所述k值对应的误差平方和；

计算所述误差平方和中下降最快的点，得到所述下降最快的点对应的目标k值；

根据所述目标k值获取所述目标k值对应的目标聚类结果，所述目标聚类结果为所述网络设备间聚类结果。

7.根据权利要求6所述的基于设备连接关系的设备相似性聚类方法，其特征在于，所述采用K-Means算法对m维的相似度矩阵进行聚类，还包括：

在进行K-Means聚类前将每个所述k值发送到不同的分节点中；

在计算出所述聚类结果和所述误差平方和后，每个所述分节点将所述聚类结果和所述误差平方和返回到主节点上，并按照所述k值对所述误差平方和进行排序。

8.一种基于设备连接关系的设备相似性聚类系统，其特征在于，所述系统包括：

相似度计算单元，用于计算网络设备间的相似度，得到n维的相似度矩阵；

降维单元，用于将所述n维的相似度矩阵降维为m维的相似度矩阵；

聚类单元，用于对所述m维的相似度矩阵进行聚类，得到所述网络设备间聚类结果。

9.根据权利要求8所述的基于设备连接关系的设备相似性聚类系统，其特征在于，所述相似度计算单元包括：

图网络构建模块，用于将网络设备编号作为节点，将所述网络设备间的连接关系作为边，构建图网络；

相似度矩阵初始化模块，用于初始化相似度矩阵，使得网络设备间相似度为0，网络设备与自身相似度为1；

simrank相似度计算模块，用于利用simrank算法迭代计算图网络中网络设备间相似度，直到相似度矩阵停止变化，得到n维的相似度矩阵；

所述聚类单元包括：

k值选取模块，用于从m维的相似度矩阵中选取若干个值作为k值；

节点模块，用于针对所述k值，对降维后的相似度矩阵进行K-Means聚类，得到聚类结果，并计算所述k值对应的误差平方和；用于计算所述误差平方和中下降最快的点，得到所述下降最快的点对应的目标k值；用于根据所述目标k值获取所述目标k值对应的目标聚类结果，所述目标聚类结果为所述网络设备间聚类结果。