基于张量理论的数据建模与应用研究

发布时间：2024-12-26 05:54

　　运营商大数据包含网络用户进行信息交换的全量数据,在网络服务提供、网络管理、网络安全等方面具有重要应用。运营商大数据中包含各种数据集,如DPI数据(深度数据包检测),CDR数据(呼叫详细记录),用户信息数据等。DPI数据是通过深度包检测技术对网络关键点处的流量和报文内容进行检测分析获得的。但由于网络拥堵,不可靠的协议,以及数据采集等原因,DPI数据不可避免地会发生数据丢失的问题。另一方面,在数据挖掘和数据应用等领域,保证数据的完整性又具有至关重要的作用。因此如何实现从部分流量数据中推断出完整的流量数据,对于各种网络工程任务变得越来越重要。基于上述现实需求,论文的研究内容主要集中在如何对于DPI流量数据进行有效的张量建模,并使用高效准确的算法实现缺失数据的恢复。虽然在传统矩阵补全领域已经存在很多的研究成果可以实现数据的恢复。但是最近有研究表明与基于矩阵补全的算法相比,基于张量的补全算法可以更加高效准确地恢复流量数据中的缺失值。因此,论文基于DPI流量数据的特点和实际应用场景的需求,使用不同的张量模型对DPI流量数据进行数据建模,并应用不同的张量补全算法对张量中的缺失数据进行补全。本文的主要工...

【文章页数】：61 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景及价值
    1.2 国内外相关研究
    1.3 研究思路与内容
    1.4 论文框架结构
第二章 张量的相关原理
    2.1 张量的概念
    2.2 张量的相关运算
        2.2.1 张量的纤维与切片
        2.2.2 张量矩阵化
        2.2.3 张量间的运算
    2.3 张量CP分解
    2.4 张量的Tucker分解
    2.5 耦合矩阵-张量因子分解(CMTF)
    2.6 本章小结
第三章 DPI张量的数据补全方法
    3.1 基于传统矩阵的数据补全算法
        3.1.1 DPI矩阵模型
        3.1.2 非负矩阵分解
        3.1.3 低秩矩阵补全
        3.1.4 矩阵补全的结果展示
    3.2 面向DPI张量补全的低秩张量补全算法
        3.2.1 DPI张量模型
        3.2.2 低秩张量补全的概念
        3.2.3 TSVT算法
    3.3 实验结果分析
    3.4 本章小结
第四章 基于DPI耦合张量的数据补全方法
    4.1 DPI耦合张量模型
    4.2 耦合张量补全
    4.3 耦合张量补全的优化
        4.3.1 用户动态偏好
        4.3.2 耦合张量中的用户动态偏好
    4.4 实验结果分析
    4.5 本章小结
第五章 总结与展望
    5.1 工作总结
    5.2 未来展望
参考文献
致谢
攻读学位期间取得的研究成果



本文编号：4020636