网络运维数据分析中的数据挖掘应用初探

王 烨

（莱芜市光明电力服务有限公司，莱芜 271100）

现阶段，互联网技术的应用越来越广泛，网络运行速度较之前相比也有了很大的提高，社会的不但发展对数据分析提出了更高的要求，在此背景下，数据挖掘技术应运而生，它可以在大量的数据中找到有价值的数据信息，从而完成对网络数据的智能化控制和解读，在大数据背景下的网络管理和分析当中非常适用。

1 概述

1.1 网络运维

网络运维，就其本质方面来讲就是从根本上确保企业稳定和安全的管理活动的一种，本身是有多种网络维护组合而成的综合性的维护体系。

1.2 数据挖掘概念

所谓的数据挖掘及时，从本质上来讲，其实就是在海量的数据当中，进行相关规律和有用信息的找寻。在数据挖掘及时当中包含了多种计算方式，比如数据库、统计学等。数据挖掘的基本思想就是：来自于统计学领域的抽样检测和假设估计，以及人工智能当中的可视化信息检索、建模技术、进化计算以及搜索算法等，在对大量信息进行处理的过程当中，这些方面具有十分重要的意义。

1.3 数据挖掘对网络运维数据分析的意义

之前在处理网络故障的时候其针对性不强，同时维护效率也不高，与当下网络的具体需求相违背。在具体维护网络的过程当中有效利用数据挖掘及时，在有效确保预测能力不断提高的同时，对其管理工作也有着一定的辅助意义，充分保护了网络信息资源，有效确保了网络服务质量的提升。

2 网络运维数据分析中的数据挖掘应用

在分析网络运维数据的过程当中，因为数据类型较多，所以我们在具体进行选择的过程当中必须要严格按照相关数据的类型来进行，在分析和挖掘数据的过程中积极采用多种方法来进行。要想从根本上确保数据挖掘的准确性和可靠性，必须要不断优化和完善现有的挖掘技术算法，另外，为了对不同的数据类型进行适应，甚至还会创造出更多的算法。

2.1 决策树算法

在机器学习当中决策树也是数据模型的一种，其实就是在对部门决策的附加概率记过进行表示的时候采用树形结构，能够将统计概率直观的表现出来。而所要进行计算的具体对象则可以利用决策树当中的节点来进行表示，对象则可以通过分叉来进行表示；而由根节点到叶节点当中对象路径的值则可以由每个节点来进行表示。一般来讲决策树的节点主要有三个，也就是总结点、决策点以及机会点。而由三个步骤来完成决策树的生成。其一，特征选择。在分裂当前阶段的时候其标准可以使众多数据当中的其中一个特征。就其本质上来讲，评估这些特征的方式是不一样的，进而在计算决策树的时候也会有所不同。其二，生成。结合特征评估标准由上往下生成了子节点一直到停止。其三，剪枝，在生成之后，决策树通常会出现较为繁杂的情况，这个时候就必须要采用响应的技术措施将多余的环节去掉，将其规模进行不断缩小。总的来讲，决策树最为主要的意义就是其预判性，结合相关模型预判可能发展的趋势，运营商及其有关单位能够结合预判结果对相应的风险做到有效预防。总的来讲，决策树算法的优点主要有以下几点：在对离散型数据进行计算的时候较为适用，也就是数值型数据，进而可以提出一些蕴含的算法和规则。决策树在计算的时候相对较为简单且具有较高的使用频率，能够有效结合算法特征构造出一些理解起来相对较为容易的规则。然而决策树算法在对缺失数据进行处理的时候具有较大的难度，对此必须要给予足够的重视。

2.2 聚类法

所谓的聚类法，其实就是将获取的所有对象根据其特性的不同对其进行分类，从而有效提高了数据分析的便利性。在对聚类法进行运用之前，数据信息本身就具有不确定性，它是进行数据挖掘工作的关键所在，从根本上保证了数据分析和挖掘结构的准确性。在数据挖局当中聚类法所具有的意义相关人员必须要给予充分的重视，保证数据分类的准确性，防止对后续工作造成影响。

2.3 人工神经网络法

在人工智能当中，人工神经网络是其研究内容之一，它通过分析和模拟人脑的神经系统，进而形成了和人脑结构差不多的计算机网络体系。一般情况下在决策树法之后进行该方法的应用，其只可以分析比较已存在的实例，现阶段，人们对于该方法的应用主要是在对预测、时间序列等问题进行解决的时候。再者，在非管理模式当中，在描述类问题方面其敏感程度较高，然而由于及时和技术等方面的原因，人工神经网络法的实用性不强，在此背景下，相关研究人员必须加强这方面的研发和利用，更好的服务于现代商业。

3 结束语

在网络运维数据分析当中采用数据挖掘及时能够有效提高其效率和准确性，确保决策的合理性和科学性。再者，网络运维数据分析和数据挖掘及时之间的契合度较高。所以，在网络运维数据分析当中充分应用数据挖掘技术，具有高效、便捷等优势。在信息技术和计算机技术不断进步的背景下，在网络运维数据分析当中对于数据挖掘技术的应用较为越来越成熟，从根本上确保网络运行的安全性和稳定性。