0 引言

    隨著電力通信網(wǎng)絡以功能為中心持續(xù)性發(fā)展，產(chǎn)生了大量分專業(yè)、分功能和分管理域的運維管理系統(tǒng)，進而導致大量電力數(shù)據(jù)孤島的產(chǎn)生。如何利用分布式系統(tǒng)更好地處理這些數(shù)據(jù)量巨大且類型復雜的電力通信運維數(shù)據(jù)已成為研究的熱點問題。聚類分析作為數(shù)據(jù)處理的一個有效手段，支持對大量無序分散數(shù)據(jù)進行整合分類從而進行更深層次的關聯(lián)性分析或者數(shù)據(jù)挖掘，在電力通信網(wǎng)絡中得到越來越廣泛的應用。同時，分布式系統(tǒng)中并行化處理機制因其優(yōu)秀的靈活性和高效性逐漸成為數(shù)據(jù)挖掘的一個重要研究方向。

    國內(nèi)外學者也越來越對這方面加大關注，文獻[1]提出了一種基于DBSACN算法的并行優(yōu)化的聚類算法。文獻[2]中通過計算距離選擇最中心的k個數(shù)據(jù)點作為初始聚類中心，然后用k-medoids算法進行迭代聚類，提高了聚類效果，但不適合處理大規(guī)模數(shù)據(jù)；文獻[3]提出了一種蟻群 k-medoids 融合聚類算法，該算法不需要人為確定類簇數(shù)目和初始聚類中心，提高了聚類效果，但也僅只適用于小型數(shù)據(jù)集；文獻[4]采用基于粒計算的聚類算法，該算法在初始聚類中心的選取過程中的計算量較大，且在處理大規(guī)模數(shù)據(jù)時存在時延問題；文獻[5]提出了將局部搜索過程嵌入到迭代局部搜索過程中的方法，顯著減少了計算時間。文獻[6]在Hadoop平臺上實現(xiàn)了傳統(tǒng)k-medoids聚類算法的并行化處理，減少了聚類時間，但在初始聚類中心的選取機制上沒有進行改進，沒有提高聚類效果；文獻[7]采用基于核的自適應聚類算法，克服了k-medoids 的初值敏感問題，但是沒有降低算法的時間復雜度。

    綜上所述，k-medoids聚類算法存在初始值敏感、運行速度慢、時間復雜度較高等問題，需要對k-medoids算法中初始點選取以及并行化方式進行算法優(yōu)化設計。

1 k-medoids聚類初始點選取改進機制

    k-medoids算法是一種基于劃分的聚類算法，具有簡單、收斂速度快以及對噪聲點不敏感等優(yōu)點，因此在模式識別、數(shù)據(jù)挖掘等領域都得到了廣泛的應用。k-medoids算法初始中心點的選取十分重要，如果初始中心點選擇的是離群點時，就會導致由離群點算出的質(zhì)心會偏離整個簇，造成數(shù)據(jù)分析不正確；如果選擇的初始中心點離得太近，就會顯著增加計算的時間消耗。因此本文算法首先對初始中心點的選取進行優(yōu)化。基于密度的聚類可以很好地分離簇和環(huán)境噪聲，所以本文采用基于密度的聚類思想，盡量減少噪聲數(shù)據(jù)對選取初始點的影響。

    定義1：點密度是對于數(shù)據(jù)集U中的數(shù)據(jù)集的樣本點x，以x為球心，某一正數(shù)r為半徑的球形域中所包含樣本點的個數(shù)，記作Dens(x)。其中：

    本文算法中，首先對每個數(shù)據(jù)點并行計算點密度，并將點密度作為該數(shù)據(jù)點的一個屬性。選取初始聚類中心的具體步驟如下：

    (1)計算數(shù)據(jù)集中m個數(shù)據(jù)點之間的距離。

    (2)計算每個樣本點的點密度Dens(x_i)以及均值點密度AvgDens，將點密度大于AvgDens的點即核心點存入集合T中，并記錄其簇中所包含的數(shù)據(jù)點。

    (3)合并所有具有公共核心點的簇。

    (4)計算各個簇的類簇密度CDens(c_i)，選擇其中k個較大密度的簇，計算其中心點，即為初始聚類中心。

    類簇中心點的計算方法如下：假設有一個類簇c_i包含m個數(shù)據(jù)點{x₁，x₂，…，x_m}，則其中心點n_i按如式(5)計算：

    經(jīng)過上述步驟，可以優(yōu)化初始聚類中心點的選取，使之后的聚類迭代運算更加有效，降低搜索范圍，大大減少搜索指派的時間。

2 k-medoids聚類算法并行化設計策略

    本文針對k-medoids算法具有初始點選取復雜、聚類迭代時間久、中心點選取消耗資源過多等缺點，使用Hadoop平臺下的MapReduce編程框架對算法進行初始點的點密度計算選取并行化、非中心點分配并行化和中心點更新并行化等方面的改進。MapReduce分為Map(映射)和Reduce(化簡)兩部分操作，使用MapReduce實現(xiàn)算法并行化關鍵在于Map函數(shù)和Reduce函數(shù)的設計。其中Map函數(shù)將可并行執(zhí)行的多個任務映射到多個計算節(jié)點，多個計算節(jié)點對各自被分派的任務并行進行處理，Reduce函數(shù)則是在各計算節(jié)點處理結束后，將計算結果返回給主進程進行匯總。

2.1 點密度計算并行化策略

    在點密度的計算中，由于一個數(shù)據(jù)點的點密度對其他數(shù)據(jù)點的點密度沒有影響，所以該計算過程是可以并行化的。使用MultithreadedMapper在一個JVM進程里以多線程的方式同時運行多個Mapper，每個線程實例化一個Mapper對象，各個線程并發(fā)執(zhí)行。主進程把數(shù)據(jù)點分派給若干個不同的計算節(jié)點進行處理，計算節(jié)點將數(shù)據(jù)平均分成k份，且有k個線程，每個線程中的數(shù)據(jù)點都與數(shù)據(jù)集中所有點進行距離計算，進而計算出點密度，最后通過Reduce函數(shù)將計算結果匯總并輸出。并行處理使得點密度計算所用時間大大減少，提高了算法的執(zhí)行效率。

2.2 非中心點分配及中心點更新并行化策略

    非中心點分配階段的主要工作是計算各數(shù)據(jù)點到每個中心點的距離，由于每個數(shù)據(jù)點跟各個中心點距離的計算互不影響，所以該計算過程也是可并行化的。此階段的MapReduce化過程中，Map函數(shù)主要負責將數(shù)據(jù)集里除中心點外的每一個樣本點分配給與其距離最近的聚類中心，Reduce函數(shù)則負責通過計算更新每一個簇的中心點，按照這個原則迭代下去一直到達到設定閾值。主進程利用Map函數(shù)把非中心點分配的任務分派給若干個計算節(jié)點，每個計算節(jié)點采用基于Round-Robin的并行化分配策略。首先把每一個數(shù)據(jù)點看作一個請求，輪詢地分配給不同的線程，對非中心點和每一個中心點的距離進行計算，找出最小的距離，然后把該非中心點指派給最小距離所對應的中心點。

    因為輪詢調(diào)度算法是假設所有服務器中的處理性能都是相同，并不關心每臺服務器當前的計算速度和響應速度。因此當用戶發(fā)出請求時，如果服務間隔的時間變化較大的時候，那么Round-Robin調(diào)度算法是非常容易導致服務器之間的負載發(fā)生不平衡表現(xiàn)。而本文中所運用的每個數(shù)據(jù)點都是平等的，所以不會造成服務器分配任務不均的問題。因此基于Round-Robin的策略是可行的。

    本文算法在實現(xiàn)聚類的過程中經(jīng)歷了兩次并行化劃分，分別是非中心點分配和中心點更新過程。這兩次并行化過程是周而復始的，直到滿足程序退出的條件才會終止循環(huán)。

3 仿真實驗與結果分析

    仿真實驗分別使用本文算法、DBSCAN并行化算法^[1]和k-medoids并行化算法^[8]進行對比試驗，證明各個算法的優(yōu)劣性。為了證明本文算法的有效性，實驗將分析不同算法的聚類時間、聚類準確度以及增加線程數(shù)之后的時間消耗。實驗將在兩種類型的數(shù)據(jù)集上進行測試：

    (1)電力數(shù)據(jù)集。電力通信數(shù)據(jù)的屬性有設備狀態(tài)、設備資產(chǎn)、網(wǎng)絡拓撲等，其數(shù)據(jù)量約為1 GB。

    (2)公有數(shù)據(jù)集。分別為200數(shù)量級的Northix、1 000數(shù)量級的DSA、5 000數(shù)量級的SSC和10 000數(shù)量級的GPSS。

3.1 電力數(shù)據(jù)集實驗結果分析

    實驗首先設置6個線程對數(shù)據(jù)集進行處理，三種算法對電力數(shù)據(jù)進行聚類的結果見表1。其中k-medoids并行化算法^[8]采用標簽共現(xiàn)原則對初始點選取進行改進，但沒有考慮線程的分配方式，因此其執(zhí)行效率最差；DBSCAN算法考慮到了初始點的選取，并采用動態(tài)分配策略實現(xiàn)并行化，但在計算動態(tài)分配過程中增加了一定消耗，因此聚類準確度和執(zhí)行效率都略有提升；本文所提出的算法，既考慮了初始點的合理選取，同時采用簡單有效的并行化分配策略，以減少計算和過多資源占用，因此相對于k-medoids并行化算法和DBSCAN并行化算法執(zhí)行效率大幅提升，準確度也有所提高。

    然后增加線程處理器的數(shù)量至8個，得到下表的聚類結果，見表2。

    由表2可得，使用8個線程時，本文算法比k-medoids并行化算法執(zhí)行時間快了42.64%，比DBSCAN并行化算法快了24.70%。

    各類算法增加線程后所用時間相比原算法減少的百分比如圖1。

    由圖1可知，k-medoids并行化算法減少了10.20%，DBSCAN并行化算法減少了1.68%，本文算法減少了16.13%，說明本文算法在線程數(shù)增加時，可以更有效地減少運算時間，提高執(zhí)行效率。

3.2 公有數(shù)據(jù)集實驗結果分析

    基于Northix、DSA、SSC和GPSS數(shù)據(jù)集使用5個線程實現(xiàn)算法的聚類準確度比較見表3。

    本文算法的聚類準確度均高于k-medoids并行化算法和DBSCAN并行化算法，并且在處理較大數(shù)量級的數(shù)據(jù)集時，本文算法準確度更占優(yōu)勢。不同數(shù)據(jù)集上各算法的執(zhí)行時間如圖2。

    根據(jù)圖2，隨著數(shù)據(jù)量的增大，三種算法執(zhí)行效率差異逐漸增大，本文算法性能明顯優(yōu)于k-medoids并行性算法和DBSCAN并行算法。接著對三個算法使用7個線程時的執(zhí)行時間進行比較，如圖3所示。

    從圖3中可以看出，使用7個線程在1 000、5 000、10 000數(shù)據(jù)級時，本文算法執(zhí)行時間明顯優(yōu)于其他兩個算法。

3.3 實驗小結

    仿真實驗可知，在同一線程數(shù)時，本文算法比對比算法聚類準確率高，執(zhí)行時間短；在線程數(shù)增加時，本文算法執(zhí)行時間顯著降低；隨著數(shù)據(jù)量的增長，本文算法在保證更高準確度的基礎上，執(zhí)行時間優(yōu)勢逐漸凸顯。

4 結論

    本文針對電力通信數(shù)據(jù)的聚類處理問題，提出基于密度的聚類思想對k-medoids算法初始點的選取策略進行優(yōu)化，并利用MapReduce編程框架實現(xiàn)了算法的并行化處理。通過仿真實驗表明本文提出的優(yōu)化算法可行有效，并具有較好的執(zhí)行效率。在接下來的研究中可以考慮線程數(shù)小于聚類數(shù)時的優(yōu)化分配策略，進一步提高算法性能。

參考文獻

[1] 蔡永強，陳平華，李惠.基于云計算平臺的并行DBSCAN算法[J].廣東工業(yè)大學學報,2016，33(1)：51-56.

[2] PARK H S，JUN C H.A simple and fast algorithm for k-medoids clustering[J].Expert System with Applications，2009，36(2)：3336-3341.

[3] 趙燁，黃澤君.蟻群K-medoids融合的聚類算法[J].電子測量與儀器學報，2012，26(9)：800-804.

[4] 馬菁，謝娟英.基于粒計算的k-medoids聚類算法[J].計算機應用，2012，32(7)：1973-1977.

[5] 吳景嵐，朱文興.基于k中心點的迭代局部搜索聚類算法[J].計算機研究與發(fā)展，2004，41(Z)：246-252.

[6] Jiang Yaobin，Zhang Jiongmin.Parallel k-medoids clustering algorithm based on Hadoop[C].Proceedings of the IEEE International Conference on Software Engineering and Service Sciences，2014：649-651.

[7] 孫勝，王元珍.基于核的自適應k-medoid聚類[J].計算機工程與設計，2009，30（3）：674-677.

[8] 馬曉慧.一種改進的可并行的K-medoids聚類算法[J].智能計算機與應用，2015：874-876.

作者信息:

曾  瑛，李星南，劉新展

（廣東電網(wǎng)公司 廣東電網(wǎng)電力調(diào)度控制中心，廣東 廣州510600）