小波神经网络背景下的大数据在线负载异常监测技术

梁利利 李建军

摘要：在小波神经网络的背景之下，为尽可能保证数据负载监测的实用性以及准确程度，相关工作者应当在神经网络算法的支持下，进一步监测大数据负载。并将监测数据和阈值进行对比，倘若实际负载数值比阀值大，那么可将其看作应当被平台清理的异常负载，从而保证大数据平台在线负载连接的可靠性。通过仿真结果我们可知，该方法能够显著提高项目的准确性以及效率。

关键词：小波神经网络;数据负载;阈值

中图分类号：TP274 文献标识码：A 文章编号：1001-5922（2019）09-0094-03

从先前负载监测模式我们能够了解到，它凭借服务器以及负载两者之间的通信状况，进而对负载的在线水平进行检测，该方法主要利用网络点对点的方式进一步判断对方的在线状态，然而该方法适用范围有限，需众多网络资源的支持，并且无法将数据带宽的优势体现出来。为改变这一不足，下面笔者将重点分析小波神经网络的使用情况，从小波理论以及神经网络算法人手，将两者结合起来，进一步监测大数据平台实际在线负载连接现状。

1小波神经网络概述

小波神经网络（WNN）主要功能为变换小波，并对信号进一步分解，从伸缩以及平移角度对其进行详细的研究;神经网络具有容错性以及自学习的特征。该网络将小波变换所具有的局域化以及神经网络所具有的自学习特征结合起来，对小波变换以及神经网络两者的优势进行整合处理，从而建设出一种新式建模模式。如今，该方法深受人们的喜爱，主要应用于数据以及图像信号处理等工作中，于变形监测预报工作中，和神经网络相比，该方法在优化调整复杂非线性函数方面成效显著。

2小波神经网络的负载监测模型建立

随着小波神经网络逐渐被人们认可，与之有关的模型只增不减，笔者在文中将大数据在线负载异常监测作为基础的研究条件，于函数逼近角度人手，建造出小波神经网络的非线性时间序列监测模型。

由于单次计算可能会使得数据不准确，所以工作者可将多次预测值相加，以求得平均数值，以此保证预测结果的准确度。

以ε以及M两者的差值进一步明确负载量的实际变化范围。假使ε≥M，那么则说明该时间段之间，负载数值变化幅度比较大，为保证结果的准确性，可对其再一次监测，明确其在线状态和所属的负载类别;假使ε

2.2神经网络算法验证

为进一步确定负载的在线状态，避免伪在线负载状态浪费众多资源，工作者可在神经网络算法的支持下，判断在线负载的状态。以预测模型为基础，把利用该模型获取的负载数量当成神经网络的输入，把通信情况当成神经网络的输出。将数值带人以上公式，由此得出的预测数值是神经网络算法的重点研究目标，将负载个数当成输人，那么n个负载的实际通信时间是xi（i=1，2，…，n），以输出状态为基础，进一步判断与辨别此状态下负载的连接以及通信现状。使用正向以及反向计算的方法，不断重复计算，尽可能避免误差问题的出现，以算法输出为基础，进一步判断与辨别在线状态下，负载数量实际现状。

3实例浅析

为了进一步明确算法于负载监测之中的主要价值，相关工作者可借助CloudSim仿真平台，进一步检测仿真算法的主要性能，挑选合适的数据样本，样本中一共包括10000个负载。具体步骤为：设置10000个样本集合，将其都接到数据平台，随后于1h之内对负载状态进行优化处理，专门工作者断开负载的连接，由此判断该算法的主要性能。于1h之内，对掉线负载实际数量进行调整，掉线负载的上限是100，由此测试算法的主要性能，具体仿真数据如图1所示。

通过图1我们能够了解到，本文算法可得出平台的实际异常负载。于前20min之间，两条线可重合于一起，拟合性能优良;但是于20～30min之内，出现掉线情况，以至于无法明确实际负载状况;在30min时间段内，文中算法能够检测出实际掉线负载数值。为进一步明确使用该算法計算数据流量的长处，笔者采用对比的方式，把先前于约定时间内，通过时间标签发送信号对掉线负载情况检测情况和文中算法监测情况做对比。使用传统时间标签对其检测主要内容为：在约定时间内，服务器给不同的负载发送特殊信号，由专门工作者对信号的发出、负载回答时间做记录，通过两者的时间差进一步明确在线负载主要连接状态，实践表明，该方式虽然可获得较为准确的数据，然而却非常浪费网络信息资源，因此大数据平台无法使用该方法。试验的具体仿真结果如图2所示。

通过分析图2，我们能够了解到，当被监测负载增加之时，会增加监测流量，如果负载数量达到5000，那么利用时间标签算方式监测的实际流量是370Mb，使用该算法监测的实际流量是180Mb，可见前者耗费的流量是后者的2倍。

4大数据在线负载异常监测中小波神经网络分类

小波神经网络主要有以下几种类型：

1）松散式结合

对样本数据进行小波优化，将优化获得的数据当成神经网络的输入信号。

2）嵌人式融合

把小波变换和人工神经网络互相结合。该类型主要利用小波函数，以取代激活函。

5小波神经网络在负载模式识别中的应用

设置以小波神经网络为基础的负载识别体系，从而进一步识别用电环节之中所存在的负载种类。具体方法包括。

5.1数据采集以及特征提取

对A/D采样之时，主要利用12位的ADl674，以获得电器负载的电压以及电流信号，获取完成以后，由专门工作者对其做变换傅立叶处理，获得电流50Hz、100Hz、150Hz以及电压50Hz的幅值，以此为基础，计算这些信号负载实际总功率。

5.2建造小波神经网络结构

以输入特征向量维数以及电路实际状态为基础，明确网络的输人以及输出层节点数，倘若进一步对电路输出信号做Ⅳ层小波分解处理，由此获得的特征向量是：IV+I维，因此神经网络的实际输入节点数是IV+1;假如电路一共可处于M种状态，则输出层的神经元个数一共是M。

5.3训练小波神经网络

提前设置特定电压以及电流信号，将其当作训练样本的输人。

5.4负载识别的结果输出

将采集到的电压以及电流信号当成实际样本输人，以输出结果为基础，进一步明确负载所属类别。

6总结与展望

使用大数据平台之时，工作者应当明确：接人网络的在线负载量容易被多种因素干扰，比如：数据带宽以及计算能力等，这就要求工作者要对在线负载与平台做数据交换处理，保证其可和平台保持密切联系。为避免发生占据数据通道，过度浪费资源的问题，工作人员应当使用切合实际的方式对在线负载做进一步的监测，充分利用资源。

在互联网飞速发展的背景之下，网络接人负载量呈现增加趋势，网络主要分析数据具体产生于此负载的本身资源。并以此为基础，参考相邻时间段范围之内的负载数量具体变化情况，设置符合现状的负载预测模型，根据负载现状对负载状态做出判断。针对负载变化幅度比较大的时间段，工作人员应当通过神经网络算法明确负载状态，并对其做出正向以及反向的运算。尽管此类数据是决策分析工作必不可少的资源，并且负载越多，数据实用性更高，然而你大量负载与网络相连接，对网络体系的稳定性无疑是个挑战。

7结语

综上所述，我们可知小波变换为实用性信号分析工具，是众多工作环节必不可少的工具，以具有强有力的信号为突出特征，深受人们的喜爱，在众多行业中发挥着重要作用，其主要优势包括：可将信号局部特征展现出来，能够分析非平稳的信号，所以，神经网络算法能够有效检测大数据的实际负载能力。