评价指标体系，采用主元分析法塑造大数据环境下网络稳定性检测模型以及性能评估模型，以用户行为为源数据模型，在用户行为大数据环境下对网络稳定性进行测量。实验以大型电子商务网络为例进行分析，测试网络鲁棒性结果显示，该方法能够较好地完成大数据环境下的网络鲁棒性测试。
关键词： 大数据; 网络; 稳定度; 主元分析
中图分类号： TP391.9 文献标识码： A 文章编号： 1004⁃373X（2015）06⁃0001⁃03
Research on network stability testing model under the environment of Big data communication
GONG Wei⁃zhi1， XU Jian⁃hong1， LIU Zeng⁃liang2
（1. School of Automation and Electrical Engineering， University of Science and Technology Beijing， Beijing 100083， China;
2. Teaching and Research Department of Information Command and fight， National Defense University PLA China， Beijing 100091， China）
Abstract： Traditional model for analyzing the stability of the computer network is subject to the big data communication under the environment of the randomness， sudden and finiteness， so the analysis deviation is bigger. The network stability measurement model based on fuzzy hierarchy and principal component analysis in large data environment is put forward. By building a network stability evaluation index system conforming to the big data environment， the principal component analysis method to establish network stability testing model and performance evaluation model under the environment of big data， which takes user behavior as the source data model， measures the network stability under the condition of big data in the user behavior. By taking large⁃scale e⁃commerce network as an example for experimental analysis， the network robustness was tested. The result indicates that the method can better accomplish robustness testing of the big data communication network.
Keywords： big data; network; stability; principal component analysis
0 引 言
随着计算机技术的发展以及智能化程度的不断增加，当前计算机行业对网络发展的贡献作用逐渐增强，相关行业的网络化发展促进了该地区经济的增长。而不断发生的网络安全事件、入侵事件和不同网络事故爆发的频率明显增加。这就对相应的计算机网络的稳定性提出了更高的要求。在用户行为大数据环境下的网络，需要具备快速通信能力、应急反应能力、对破坏的网络进行快速修复的能力。因为，在大数据的通信环境下，网络突发事件往往具有不确定性，不同的数据流量对网络的稳定性要求也不同，因此需要准确了解在用户行为大数据环境下的通信网络的稳定性，确保计算机安全得到最大化的保护[1⁃2]。传统的计算机网络的稳定性分析模型无法适应大数据环境下入侵事件的随机性、突发性、有限性等特征，对当地计算机网络稳定性测量结果偏差较大，具有一定的局限性[3⁃6]。
1 大数据环境下网络稳定性评价体系
网络稳定性是指发生网络入侵等突发性危机的过程中，计算机网络抗干扰、抗毁性能力的大小。稳定的计算机网络能够为大规模数据通信中的突发性事件提供帮助，确保时间效益最大化以及网络损失最小化。对这种在用户行为大数据环境下网络稳定性的评价需要从评价指标、稳定度等两方面进行分析。
1.1 基于模糊层次的网络评价指标稳定度计算
大数据通信下的网络稳定性评价指标较多，一般采取相互直接关联性较为有效。采用模糊层次分析方法得到不同指标下的评价权重，采集的指标中呈现了大数据通信下的网络稳定性分析层次性，同时大量检测指标又具有模糊性，可通过模糊层次分析法能够得到不同指标的权重：
[Y=WTX] （1）
式中：[Y=y1，y2，…，yn]用于描述衡量在用户行为大数据环境下的网络衡量指标的权重集;[X=x1，x2，…，xn]表示专家对不同指标的打分评价集，该集合可通过经验得出;W用于描述模糊互补矩阵，且有[i=1nwi=1]。
之后，Y中不同数据量下，网络稳定度测试指标的权重需要和达标评估系数逐次相乘，求和获取单个不同指标的稳定度：
[Ri=j=1nyjwj] （2）
其中：[Ri]表示在用户行为大数据环境下的网络单个指标的稳定度。
1.2 网络在多指标下的关联结构分析
第1.1节叙述单个指标下在用户行为大数据环境下的网络单个指标的稳定度计算过程。在多指标大数据通信下的网络稳定性评价体系下，多指标结构评估是一个串联同并联融合的混合指标评估过程，这种结构的稳定度用图1所示。
<E：＼a06＼15年06期＼Image＼36T1.tif>
图1 多指标结构下网络稳定度结构图
多指标通信网络通常由大数据通信子系统、数据协调通信系统以及漏洞修补子系统三个并联系统以及一个串联系统构成，不同的子系统都包含多个评价指标，可得计算机网络总体指标的稳定度的运算公式为：
[R=j=131-i=1m（1-Ri）] （3）
通过上述分析的方法能够对在用户行为大数据环境下的计算机网络的稳定性进行计算，确保对其实时的稳定程度有较好的了解。
1.3 计算机网络稳定性计算过程
为了分析该方法对于在用户行为大数据环境下的计算机网络稳定性分析的作用，应构建相应的区域评估模型进行测试。本文采用6个反映高风险大数据通信下网络发展特征的主要指标，塑造计算机网络性能评估指标体系，指标分别为：信道宽度[x1]，紧急检测[x2]，安全检测人员比例[x3]，可承载的数据量[x4]，信道可承载量[x5]，调度能力[x6]，这些指标描述了大数据的通信环境中计算机网络的评价指标，可通过主成分分析法进行简化。
假设存在n个年度，假设n=10，p个评估指标，其中p=6。
（1） 塑造计算机网络性能评估指标体系的原始数据矩阵：
[X=X11X12...X1pX21X22...X2p⋮ ⋮ ⋮ ⋮Xn1Xn2...Xnp] （4）
（2） 运算相关系数矩阵：
[R=k11k12…k1pk21k22…k2p ⋮ ⋮ ⋮ ⋮kp1kp2…kpp] （5）
在式（5）中，[kij（i，j=1，2，…，p）]是原始变量[xi]以及[xj]的相关系数，其运算公式为：
[kij=k=1n（Xki-Xi）（Xkj-Xj）k=1n（Xki-Xi）2（Xkj-Xj）2] （6）
如果对称矩阵[rij=rji]，则只运算其上三角元素以及下三角元素即可。
（3）运算特征值和特征向量，解特征方法[λ-R=0]，获取特征值[λi（i=1，2，…，p）]并确保其按照从大到小的顺序进行排列，则有[λ1≥λ2≥…≥λt≥0];再分别获取对应于特征值[λi]的特征向量[ei（i=1，2，…，p）]。
（4） 运算主成分贡献率[Zi]：[rik=1prki（i=1，2，…，p）];累计贡献率[k=1γkk=2γi]，通常设在累计贡献率为85%～95%的特征值[λ1，λ2，…，λm]对应为第一，第二，…，第[m（m≤p）]个主成分。
运算主成分载荷为e，[ei=γkeki（i=1，2，…，p）。]
最后将不同主成分的方差贡献率当成权重，线性加权求和获取综合评价函数：
[Zi=j=1meiyj] （7）
式中：[Zi]用于描述第i个数据流的计算机通信网络的稳定性，该值越高，表明第i个数据区域网络稳定性越强，反之越弱。
2 实验分析
实验采用具有高危险性的云计算环境下的大数据通信网络作为分析的对象，对本文模型控制下的计算机网络的稳定性能进行评估，采用计算机仿真进行数据处理。选取的指标为第1节中的6个指标。根据6个指标计算公式计算的综合得分能力，见表1。
表1 计算机网络稳定能力的综合得分
分析表1可得，从第一次实验开始，采用本文模型计算下的计算机网络的稳定性综合得分呈现逐次递增趋势，说明该区域的计算机网络的通信能力逐渐增强，这符合当地的一个网络逐渐稳定加强的基本情况，说明本文模型是有效的。
为了突出本文模型的优势，选择传统的单指标叠加的方法对以上数据中，在用户行为大数据环境下的计算机网络稳定性进行测试，不同方法下获取的网络稳定性能综合分析值，并与真实数据进行对比，统计误差，如图2所述。
分析图2可得，从第一次2002年开始，本文模型计算出的结果误差与传统的单指标叠加的方法相比较，误差明显较小。
<E：＼a06＼15年06期＼Image＼36T2.tif>
图2 两种模型下网络稳定性计算误差
3 结 语
本文提出基于模糊层次以及主元分析的计算机网络稳定性测量模型，并应用用户行为大数据环境下的计算机网络中。通过模糊层次方法构建计算机网络稳定性评价指标体系，采用主元分析法塑造计算机稳定分析模型以及性能评估模型，对云计算环境下的计算机网络稳定性进行测量。实验以具体网络为例进行分析，对网络的稳定性能的时间序列数据进行综合分析和评估。
参考文献
[1] 白曜铭，蒋建中，孙有铭，等.采用FFT方法的抗阶数过估计信道盲辨识算法[J].信号处理，2014，30（1）：65⁃71.
[2] BOUARFA L， DANKELMAN J. Workflow mining and outlier detection from clinical activity logs [J]. Journal of Biomedical Informatics， 2012， 45（6）： 1185⁃1190.
[3] 张萌，张沪寅，叶刚.延迟时间和嵌入维数联合优化的网络流量预测[J].计算机工程与应用，2014，50（4）：103⁃109.
[4] 徐晓斌，张光卫，孙其博，等.一种误差可控传输均衡的 WSN 数据融合算法[J].电子学报，2014，42（6）：1205⁃1209.
[5] WANG J， LI M， CHEN J， et al. A fast hierarchical clustering algorithm for functional modules discovery in protein interaction networks [J]. IEEE/ACM Transactions on Computational Biology and Bioinformatics， 2011， 8（3）： 607⁃620.
[6] NEPUSZ T， YU H， PACCANARO A. Detecting overlapping protein complexes in protein⁃protein interaction networks [J]. Nature Methods， 2012， 9（5）： 471⁃475.