基于云计算与物联网技术的数据挖掘分析

王艳雨，刘 萍

（郑州工业应用技术学院，河南 新郑451100）

物联网技术，涉及到大量节点，节点代表不同服务器对象。通过节点可以协调计算机、通信网，优化改进互联网体系。物联网技术，可以识别控制现有网络对象，将数据划分为地址唯一标识符、位置数据描述、射频数据流、传感器网络数据。数据挖掘时，基于不同角度分析数据，将数据转化为价值信息。物联网数据结合大数据模式，利用算法技术，深度挖掘隐藏数据。数据挖掘，需要采用不同术语，涉及到原始数据提取、信息获取、模式分析等。在不同数据挖掘环节，均需要建立模型。通过该模型，预测和描述对应大数据，同时推广到新数据体系中。互联网产生海量数据，管理技术与方法缺失，云计算技术，集群技术提供问题解决思路[1]。利用数据挖掘技术、云计算技术，加强技术应用价值。在本文研究中，按照不同互联网体系结构，建立数据挖掘系统方法。对于数据挖掘算法，则需要应用功能块序列、分布式计算模型。

1 云计算与物联网概述

1.1 云计算技术

云计算技术，需要借助分布式计算平台，在海量数据中深度挖掘价值数据。按照自身需求访问计算机、数据库，可以提升数据挖掘效率。为了加强数据性能与安全性，云计算技术应用数据处理方式，同步开展存储与计算操作，高效处理数据计算、容错性、存储等问题。云计算技术特点如下：第一，规模大。云计算技术规模非常大，涉及到百万台服务器。云计算技术可以加强计算能力。第二，虚拟资源。用户使用设备装置，在任意地方连接数据中心，从而获得相应服务。数据并非处于任何实体内，主要源于云存储。应用移动终端，互联网技术，可以获得理想化服务与数据。第三，可靠性与通用性强。多副本，计算节点，可以实现同构互换效果，提升云计算可靠性，显著优于本地计算机。云计算应用不固定，一个云可以支持多个应用，具备较强通用性。云规模扩展方便，可以满足不同客户应用需求。第四，按需提供服务，性价比高。客户按照自身需求，购买相对应的服务，成本造价低。由于自动化与容错性水平高，实行集中化管理，企业无需支付高额的管理费用。云计算技术具备较强通用性，可以明显提升数据资源利用率[2]。

1.2 物联网技术

物联网技术通过大量节点表示对象，涉及到数据传输、应用与汇总，能够存储到不同传感器与服务器中，属于新型网络模式。物联网技术融合计算机技术、通信技术，向公众展示网络技术未来发展趋势。互联网技术，通过实体对象，无缝连接信息网络，确保业务运行的有效性。物联网技术特征如下：第一，要用现代信息技术、电子标签技术，获得基础性信息。第二，信息传输可靠性高，高度集成无线、有效网络信息技术，通过传感器、通信网络，获取和传输信息，确保信息传输可靠性。第三，基于云计算技术，传输和处理数据信息，通过标准化识别技术，及时处理异构数据，提升信息处理时效性，维护数据有效性。

2 基于云计算的物联网特性

社会发展进程中，相应促进科学技术发展，全面展示出物联网技术的应用效果，并在现代技术支持下，加快了物联网技术发展速度。物联网属于物-物网络体系，可以实时监控社会生产与生活，并且可以被应用于大量移动终端。然而，移动终端融入到物联网体系内，数据产生量加大，数据格式与种类也趋于复杂。使用传统数据挖掘方式，不能满足物联网应用需求。为了处理好现存问题，必须采用科学化挖掘技术，以此满足物联网发展需求，云计算系统可以有效满足该项要求。在网络体系中，物联网数据的异构性与动态性较强，数据、时间、空间密切相关，相应增加了物联网数据的挖掘难度。为了了解和掌握物联网数据，必须花费大量时间存储和管理，整体效率低下。面对上述要求，逐渐形成云计算挖掘技术，该项技术可简化互联网数据挖掘难度。技术应用期间，以云计算作为挖掘平台，建立时空数据库[3]。利用该数据库，创建数据挖掘模型。借助云计算技术，深入研究和讨论数据挖掘问题，验证了模型在数据挖掘工作中的应用价值。

互联网数据容量大，异构性与动态性特点显著，数据种类复杂。由于存在以上特点，相应加大了数据挖掘难度。通过应用云计算网络体系，高效处理技术问题，确保物联网数据挖掘操作的便捷性。

3 物联网数据挖掘技术

3.1 技术概述

现阶段，数据挖掘技术的完善性不足，发展时间短，然而技术应用的范围却在持续扩大。注重提升信息处理技术可以有效作用于群众的生产生活中。数据挖掘技术，可以归属到科学研究领域，也可以纳入到交叉学科中。多数行业领域涉及数据挖掘，扩大技术应用范围，各行业注重数据挖掘技术革新。联合文献报道分析，数据挖掘技术包含内容如下：第一，基于真实数据，扩大延伸数据，丰富数据库。第二，深度挖掘数据信息，注重汇总分析、价值提取，为行业发展提供服务，全面满足应用需求，同时提供生产生活便利。第三，计数方式的接受度较高，按照相关数据做出科学决策，深度挖掘和分析数据信息，确保决策的科学性与正确性。

3.2 数据挖掘技术特征

物联网数据，具备时效性、异构性与多态性特点。深度挖掘数据价值，充分发挥出技术分布化与规模化特点，展示出资源节点作用，不仅可以维护数据安全性，还可以体现数据规模。物联网数据，多分布在不同位置，精确划分数据类型。由于数据信息量比较大，需要将传感器节点配置到数据中，确保数据处理效果。

3.3 物联网数据处理技术要求

互联网数据特点，会增加数据质量控制难度，无法高效完成数据查询、存储、融合，应确保技术人员深入探索处理方法，满足数据要求。分析处理数据时，高效解决矛盾问题。因此，物联网数据处理技术要求如下：第一，异构性要求。为了处理好物联网数据异构性问题，必须基于计算机软件，合理应用计算机操作系统。不同感知信息，应当采用不同数据结构与数据库。当操作系统不同时，则需要配置不同中间件。操作系统，可以处理运行平台问题。通过数据库体系，深度挖掘和存储价值数据。中间件主要负责传输和过滤数据，应用科学操作系统、中间件、数据库，能够规避数据异构性，合理选择数据库与中间件。第二，海量性与时效性要求。数据海量性特点，会增加数据存储难度，延迟计算结果，导致整个反应速度迟缓。针对上述问题，需要应用以下处理方法：一是，注重服务器升级，将数据置入到服务器内，之后再进行处理计算。二是，加强互联网计算能力，提升智能化水平。同时处理数据信息，将数据处理任务置入到服务器内。第三，数据传输要求。确保数据采集与传输顺利性，才可以有效挖掘和分析物联网数据。数据采集与传输，依赖读写器、传感器、射频标签、节点等，属于物联网数据源头。为了确保物联网系统运行的可靠性，系统硬件要满足低功耗、强抗干扰性、高可靠性特点。正确选用架构模型，可以提升系统成熟度。为了顺利开展数据传输工作，要正确选用优质数据源头配件和机构模型[4]。

4 物联网数据挖掘技术难题

物联网技术发展期间，面临的技术难题比较多，主要表现在以下方面：第一，物联网数据量庞大，无法精准探知数据分布情况。数据处理模式对硬件要求严格，存在物联网数据影响因素，涉及到数据传输安全、隐私性，法律约束等。将数据存储到数据仓库中，可靠性较低。所以，物联网数据挖掘存在技术弊端，需要找寻最佳解决方案。第二，数据信息具备海量性特点，无法及时存储数据信息，有效性与时效性低下。数据规模化存储，对于计算机硬件的性能要求比较高。现有设备无法满足标准化要求，已经成为技术应用难点。第三，随着应用要求的提升，相应增加了数据利用率，表现为数据节点增加态势。然而，当前可满足需求的节点比较少，供需失衡严重，需要开发新技术完善，处理好数据节点供给不足问题。第四，不稳定因素影响，比如网络稳定性、信息保密性、数据安全保障性，对物联网技术应用的影响非常大。第五，物联网数据具备规则且规则复杂。经由中央模式挖掘分布式数据，无法获得理想化效果。

5 基于云计算的物联网数据挖掘技术

5.1 云计算的数据挖掘模式

物联网环境对物联网数据挖掘模式的影响很大。物联网数据类型复杂，且物与物的关联与特性不同，导致物联网建设数据挖掘模式时，与传统数据挖局模式差别较大。物联网在使用时，存在的问题隐患非常多。数据信息发送和接收时，会出现信息出错和丢失情况。产生上述问题的原因，多是物联网系统所致。云计算的数据挖掘模式，应当考虑到影响因素。在应用物联网数据挖掘模型时，应当关注物与物的关系表达，处理好数据错误与丢失问题。当物与物存在间接关系时，使用SVD模型、拉普拉斯变换模型引导。当物与物存在直接关系时，物联网数据挖掘模式表现出物与物关系能力，便于推导物与物间接关系。在物联网数据挖掘模型中，可以应用超图数据模型，超图变点相互连接。针对物联网数据复杂关系，利用超边方式标示。物联网数据挖掘模型，是基于马尔科夫链的模型，在该模型中，预测未来概率时，无需按照传统信息和知识，只需按照现有信息和知识，物联网数据应用中，经常会面临该类问题。稳定可外推参数模型，属于物联网数据挖掘模型的重要组成。在应用物联网数据模型时，注重物理建模，明确物与物之间的关系，建立数据模型，以此描述数量关系。由于物联网数据类型复杂，所以会出现丢失和错误问题。应用传统方式进行物理建模，所遇到的困难问题非常多。

5.2 云计算的数据挖掘技术

在信息化时代下，逐渐凸显出数据信息重要性，深度挖掘数据信息价值，将其应用到各行业领域，加强行业发展优势。在云计算技术支持下，可以为数据挖掘技术发展提供优质体验，为获取数据价值提供便捷方式。云计算模式，利用数据收集、专注与汇总方式，提炼数据潜在价值，并将其应用到生产生活中。

第一，数据汇总调度。利用云计算技术，汇总调度数据信息，充分发挥出汇总调度技术优势，实现不同格式数据的连接与交流，同时可以连接不同类型数据。对于不同类型数据，所应用的排列存储方式也不同，为了无缝连接多种类型数据信息，处理好规约问题，必须满足不同数据系统的格式要求，涉及到日志处理、事务处理与分析处理，深度挖掘数据价值[5]。

第二，服务管理与调度技术。云计算平台，面对不同行业和群体，因此必须高度重视管理技术与调度功能。对于调度功能而言，注重资源匹配与服务分析，尤其是优先级数据与用户，处理好服务隔离与互斥问题，确保云计算安全运行空间的充足性。应用管理功能，可以确保云计算平台运行效益，针对数据挖掘服务能力设置。利用服务注册与暴露方式，显著提升本地服务能力暴露性，深度挖掘数据价值。

第三，算法并行化技术。在云计算平台中，算法并行化技术属于基础技术，涉及到选择可行性、并行算法、并行策略等。利用以上算法，深度挖掘数据价值。

5.3 构造物联网数据挖掘技术模块

物联网数据挖掘，需要由多个模块共同完成，比如物联网感知层、数据挖掘服务层、数据层与传输层，不同模块功能如下：第一，物联网感知层。通过该模块可以采集数据，确保不同区域采集节点的配合效果。采集节点包括传感器、摄像头，设备采集数据汇总到节点中，利用传输层上传到云数据中心[6]。第二，传输层。传输层是向数据层传输数据，涉及到传感器、无线网络、有线网络，确保网络连接效果，同时将数据传输至数据中心，实现全网通信。第三，数据层。在技术体系中，数据层属于核心部分，数据处理速度与能力，对技术可行性影响非常大，包括数据转换模块、存储模块，不仅可以提升数据异构性的标准化水平，还可以通过分布方式存储数据信息。第四，数据挖掘层。涉及到用户模块、数据挖掘引擎、数据准备，属于物联网挖掘技术的重点，涉及到数据清理与转换、数据模块评估、数据挖掘算法、数据可视化功能。通过上述模块连接信息，注重数据处理。按照云计算挖掘算法库，为用户提供数据挖掘功能，通识测试和评估挖掘模式。数据挖掘层节点，为数据挖掘模块算法，集成多种功能算法。在平台中，数据挖掘算法可以调整传统算法，实现算法并行化处理。用户模块，通过数据挖掘平台用户接触端，将系统显示转化为用户可识别显示，友好性与人性化特定显著。用户快速开展操作应用，数据挖掘额可获取理解知识。为了确保数据挖掘平台可移植性，用户服务底层模块添加开放模块，调用数据挖掘平台功能，丰富互联网应用，加强应用价值。

6 系统实验验证

6.1 工作流程

基于云计算平台，优化物联网数据挖掘流程，包括用户、主控节点、调用数据挖掘算法、准备物联网数据、挖掘分布式数据、向用户传输结果。第一，用户请求。用户请求物联网数据挖掘系统，深度挖掘数据之后，系统主控节点判断任务可行性，将信息传递给用户，开展数据挖掘实践。第二，数据挖掘过程。明确物联网数据挖掘系统，深度挖掘数据之后，通过系统主控节点，合理选择数据挖掘算法，满足用户使用需求，联合标准结构，合理划分数据挖掘任务。第三，具体节点任务。合理划分数据挖掘任务，注重工作节点任务分配，有效开展数据处理工作，将数据挖掘结果传输给用户[7]。

6.2 实验验证

为了对系统性能、可行性进行判断，充分发挥出数据挖掘算法作用，联合标准化算法开展实验验证。第一，实验环境。实验操作中，以计算机系统、硬盘作为基础，合理应用虚拟机部署分布式节点。为了确保实验效率与质量，安装集成化开发环境，同时在虚拟机操作系统中安装SSH服务，确保数据挖掘系统使用顺利性。第二，实验过程。搭建实验环境，选择关联规则算法实验数据，利于C++代码程序，利用关键字搜索方式，转化为标准化文件。运行程序算法之后，获得物联网数据挖掘运行结果，找寻频繁项集，可以对性能予以判断。值得一提的是，为了确保实验效果，需要采用不同文件进行试验，掌握系统运行时间。

7 结束语

综上所述，现代技术快速发展，相应提升物联网信息处理系统需求，对数据挖掘精确度、快速响应、高效性要求非常大。传统数据挖掘算法，不能满足用户增长需求。通过大数据信息技术，能够扩大云计算、物联网数据挖掘系统应用范围，全面提升数据处理的准确性与高效性。在物联网体系中，将数据挖掘算法划分为功能块，将其映射到用户中。通过本文建立的模型，可以显著提升数据分析效果，云数据中心、终端设备网络流量，值得推广应用。