一种基于深度学习的互联网流量大数据分析方法技术

本发明专利技术及互联网流量大数据分析领域，具体涉及一种基于深度学习的互联网流量大数据分析方法，包括如下步骤：S1、基于NMKNN填充算法实现互联网流量监测数据的填充处理；S2、基于类间区分度的属性约简算法实现互联网流量监测数据的约简处理，得约简互联网流量监测数据；S3、基于Bi

【技术实现步骤摘要】
一种基于深度学习的互联网流量大数据分析方法


[0001]本专利技术涉及互联网流量大数据分析领域，具体涉及一种基于深度学习的互联网流量大数据分析方法。

技术介绍

[0002]随着互联网、移动智能终端、物联网等信息与通信技术的迅猛发展，以及计算机存储和计算能力的不断提升，各种数据的爆炸式增长和持续获取成为可能，大数据时代悄然而至。相较于传统的数据，人们将大数据的特征总结为5个V，即体量大(volume)、速度快(velocity)、模态多(variety)、难辨识(veracity)和价值大密度低(value)。如何分析大数据，充分挖掘大数据的潜在价值，成为目前研究的热点。
[0003]在互联网领域，网络流量监测是获取网络流量指标和网络用户行为参数的最有效手段。随着互联网用户的日益增多，互联网需要研究和分析的数据也在不断增多，如何从海量的用户流量数据中挖掘出流量规律和用户行为规律(即如何进行互联网流量大数据分析)，就成为业内亟需解决的技术难题。

技术实现思路

[0004]本专利技术的目的在于提供一种基于深度学习的互联网流量大数据分析方法，可以实现用户流量规律和用户行为规律的准确挖掘，从而将纷繁多样的互联网流量大数据转换成具有信息和商业价值的可用数据。
[0005]为实现上述目的，本专利技术采取的技术方案为：
[0006]一种基于深度学习的互联网流量大数据分析方法，包括如下步骤：
[0007]S1、基于NMKNN填充算法实现互联网流量监测数据的填充处理；
[0008]S2、基于类间区分度的属性约简算法实现互联网流量监测数据的约简处理，得约简互联网流量监测数据；
[0009]S3、基于Bi
‑
LSTM+Attention模型实现约简互联网流量监测数据的分类，得互联网流量监测数据集；
[0010]S4、基于Hadoop运行预设的互联网流量大数据分析算法实现互联网流量监测数据集的分析，并输出对应的分析结果。
[0011]进一步地，每一个互联网流量监测数据集对应一个互联网流量大数据分析算法。
[0012]进一步地，还包括：
[0013]采用数据挖掘模块基于预设的互联网流量大数据挖掘规则实现互联网流量大数据挖掘的步骤。
[0014]锦衣地，每一个数据挖掘模块配置一组互联网流量大数据挖掘规则。
[0015]进一步地，每一组互联网流量大数据挖掘规则均配置一身份标记模块，用于实现互联网流量大数据来源的标记，且每一种来源配置唯一的标记符号。
[0016]进一步地，还包括基于Tableau Desktop实现分析结果及其与目标数据关联关系
的可视化分析的步骤。
[0017]进一步地，还包括基于异常流量数据监测模块实现异常互联网流量大数据监测的步骤。
[0018]进一步地，还包括基于异常分析模块实现异常互联网流量大数据出现原因的分析的步骤。
[0019]进一步地，每一个数据挖掘模块配置一数据挖掘端，每个数据挖掘端均包括带散热风扇的柱形外壳以及内载于柱形外壳内的电路板。
[0020]进一步地，所述柱形外壳上布置一压敏胶粘附层。
[0021]本专利技术具有以下有益效果：
[0022]可以实现用户流量规律和用户行为规律的准确挖掘，从而将纷繁多样的互联网流量大数据转换成具有信息和商业价值的可用数据。
附图说明
[0023]图1为本专利技术实施例1一种基于深度学习的互联网流量大数据分析方法的流程图。
[0024]图2为本专利技术实施例2一种基于深度学习的互联网流量大数据分析方法的流程图。
[0025]图3为本专利技术实施例3一种基于深度学习的互联网流量大数据分析方法的流程图。
[0026]图4为本专利技术实施例4一种基于深度学习的互联网流量大数据分析方法的流程图。
[0027]图5为本专利技术实施例中数据挖掘端的正面结构示意图。
[0028]图6为本专利技术实施例中数据挖掘端的背面结构示意图。
具体实施方式
[0029]为了使本专利技术的目的及优点更加清楚明白，以下结合实施例对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0030]实施例1
[0031]如图1所示，一种基于深度学习的互联网流量大数据分析方法，其特征在于，包括如下步骤：
[0032]S1、基于NMKNN填充算法实现互联网流量监测数据的填充处理；
[0033]S2、基于类间区分度的属性约简算法实现互联网流量监测数据的约简处理，得约简互联网流量监测数据；
[0034]S3、基于Bi
‑
LSTM+Attention模型实现约简互联网流量监测数据的分类，得互联网流量监测数据集；
[0035]S4、基于Hadoop运行预设的互联网流量大数据分析算法实现互联网流量监测数据集的分析，并输出对应的分析结果。
[0036]本实施例中，每一个互联网流量监测数据集对应一个互联网流量大数据分析算法。
[0037]实施例2
[0038]如图2所示，一种基于深度学习的互联网流量大数据分析方法，包括如下步骤：
[0039]S1、采用数据挖掘模块基于预设的互联网流量大数据挖掘规则实现互联网流量大
数据挖掘；
[0040]S2、基于NMKNN填充算法实现互联网流量监测数据的填充处理；
[0041]S3、基于类间区分度的属性约简算法实现互联网流量监测数据的约简处理，得约简互联网流量监测数据；
[0042]S4、基于Bi
‑
LSTM+Attention模型实现约简互联网流量监测数据的分类，得互联网流量监测数据集；
[0043]S5、基于Hadoop运行预设的互联网流量大数据分析算法实现互联网流量监测数据集的分析，并输出对应的分析结果。
[0044]本实施例中，每一个互联网流量监测数据集对应一个互联网流量大数据分析算法。每一个数据挖掘模块配置一组互联网流量大数据挖掘规则。每一组互联网流量大数据挖掘规则均配置一身份标记模块，用于实现互联网流量大数据来源的标记，且每一种来源配置唯一的标记符号。
[0045]实施例3
[0046]如图3所示，一种基于深度学习的互联网流量大数据分析方法，包括如下步骤：
[0047]S1、采用数据挖掘模块基于预设的互联网流量大数据挖掘规则实现互联网流量大数据挖掘；
[0048]S2、基于NMKNN填充算法实现互联网流量监测数据的填充处理；
[0049]S3、基于类间区分度的属性约简算法实现互联网流量监测数据的约简处理，得约简互联网流量监测数据；
[0050]S4、基于Bi
‑
LSTM+Attention模型实现约简互联网流量监测数据的分类，得互联网流量监测数据集；
[0051]S5、基于Hadoop运行预设的互联网流量大数据分析算本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的互联网流量大数据分析方法，其特征在于，包括如下步骤：S1、基于NMKNN填充算法实现互联网流量监测数据的填充处理；S2、基于类间区分度的属性约简算法实现互联网流量监测数据的约简处理，得约简互联网流量监测数据；S3、基于Bi
‑
LSTM+Attention模型实现约简互联网流量监测数据的分类，得互联网流量监测数据集；S4、基于Hadoop运行预设的互联网流量大数据分析算法实现互联网流量监测数据集的分析，并输出对应的分析结果。2.如权利要求所述的一种基于深度学习的互联网流量大数据分析方法，其特征在于，每一个互联网流量监测数据集对应一个互联网流量大数据分析算法。3.如权利要求所述的一种基于深度学习的互联网流量大数据分析方法，其特征在于，还包括：采用数据挖掘模块基于预设的互联网流量大数据挖掘规则实现互联网流量大数据挖掘的步骤。4.如权利要求3所述的一种基于深度学习的互联网流量大数据分析方法，其特征在于，每一个数据挖掘模块配置一组互联网流量大数据挖掘规则。5.如权利要求4所述的一种基于深...

【专利技术属性】
技术研发人员：刘建，殷文斐，程文，
申请(专利权)人：苏州敏视达信息科技有限公司，
类型：发明
国别省市：