通信網絡的分類范文
前言：我們精心挑選了數篇優質通信網絡的分類文章，供您閱讀參考。期待這些文章能為您帶來啟發，助您在寫作的道路上更上一層樓。
第1篇
doi：10.3969/j.issn.1673-0194.2015.08.039
[中圖分類號]F626 [文獻標識碼]A [文章編號]1673-0194（2015）08-0056-01
近年來通信業發展飛速，移動、聯通等大型電信運營商要對通信工程進行合理的分層分類管理，這樣可以有效地節約成本，進而提高電信運營商的經營效益。
1 從管理層進行區分
目前，包含移動、聯通在內的較大的電信運營商都已經在海外上市，這些運營商一般都包含地市、省、集團三級結構，從公司組織結構上講，移動和電信是母子公司架構，聯通等是股份公司、分公司架構，而這些電信運營商的地市公司屬于本地網，由分公司對其進行管理。不論使用何種架構，從本質上來說，這些大運營商的決策中心都是集團公司，利潤中心是省級公司。電信運營商的地市級公司只是成本中心或營銷中心。所以，具有全局戰略意義的重大通信工程應由集團公司進行統一規劃，再由地市級、省級公司落實，例如調整優化全網結構等。只有這樣才能使電信運營商的經營順利進行，才能保證通信工程的質量。具有局部戰略意義的通信工程則可以由省級公司主導，集團公司只需要審批并進行指導。戰略意義及影響較小的通信工程可以交由地市級公司來主導，因為這些項目一般具有總投資大、數量多的特點，由地市級公司對其進行立項并負責其投資回報率，可以實現這些通信工程項目收益最大化，有利于這些電信運營商的發展。
2 從市場角度進行區分
從市場角度講，運營商可以分為引導客戶需求和滿足客戶需求兩類，依據對市場的了解程度，把那些以占領市場、滿足客戶需求為目標的通信工程放在比較接近市場與用戶的本地網進行立項，可以有效地提高運營商的市場反應速度，進而更好地滿足客戶需求。省級集團客戶和全國性行業客戶，應依據決策者與信息所有者相一致的原則，將其交由省級公司或者集團公司進行統一部署，為用戶提供專業化、界面統一的服務。以引導客戶需求為最終目標的通信工程項目如新技術、新業務的上線應該交由集團公司進行統一部署、統一牽頭、分步實施，因為建設這些通信工程項目需要決策單位對整個通信行業十分了解，需要決策單位有敏銳的洞察力和長遠的眼光。
3 從地域和投資額進行劃分
依據責、權、利相統一的原則，立項主導單位可以依據通信工程的投資額大小來劃分，也可以依據地域不同來劃分，例如：集團公司對全國性光纜工程進行統一規劃，省級公司對省級干線進行立項，地市級公司對本地網內的小通信工程以及二級干線進行統籌實施。但是地域和投資額劃分方式存在一定的弊端，這兩種劃分方式都是粗放型的。如果運營商要成功獲得競爭優勢，不能以這兩種劃分方式為主導，其只能在運營商總體規劃中起輔助作用。
4 投資額較大的通信工程的分類方法
電信運營是技術密集、資本密集產業，它具有寡頭壟斷、投資巨大、進入門檻高以及政策性強等特點。如今電信運營商已在我國形成“5-1”競爭格局，而且各地也存在著許多以接入服務以及增值服務為基礎的開放性虛擬運營商與地方小型運營商。基于這些情況，可以使用麥肯錫―通用電器矩陣對新業務通信工程和戰略性工程決策進行優先排序。麥肯錫―通用電器矩陣是以新業務吸引力和企業競爭力為軸做出的表格，而新業務領域吸引力包含的主要因素是風險、收益率、市場規模和增長空間。公司的競爭地位包含的主要因素是靈活性、競爭優勢持續性、市場份額以及有效的業務系統等。麥肯錫―通用電器矩陣主要對外部市場以及企業自身比較優勢進行描述，電信運營商可以依據自身能力和資源狀況以及所面對的市場情況，指導電信運營商充分利用網絡外部性、協同效應以及電信運營業的規模經濟進行合理的投資。
5 本地小通信工程的分類方法
本地小通信工程工作量大，單個項目投資額小，投資項目零散。電信運營商在管理實務中一般會根據參數與指標的不同對這些本地小通信工程進行分類，由本地小通信工程所在地域決定其建設優先級別和投資額度。目前劃分方法有ABC分類法，以及根據非直接收益投資和直接收益投資分類兩種。ABC分類法是把收入增長率以及投資回報率作為劃分的維度，這種分類法在進行劃分的同時，還考慮了成長性與收益性這兩個具有一定關聯性的目標，這兩個目標都是一種前瞻性指標，它們都要求對未來的發展趨勢、區域經濟環境以及工程服務對象等有充分了解。在ABC分類方法的實際使用中，因為信息的不對稱性，一般使用那些歷史性指標，對企業所在行業的發展趨勢進行預測。倘若企業是其服務對象，還要把握該企業擁有的能力與資源狀況、該企業所在行業的發展趨勢等。非直接收益投資指的是沒有使企業的收入明顯增長的投資。在非直接收益投資和直接收益投資分類中，一般要先對直接收益投資項目進行立項。
第2篇
數據挖掘 數據解析 網絡業務類型劃分 聚類算法
1 引言
21世紀信息和通信技術高速發展，技術的進步給人們的日常生活帶來了諸多便利。通訊是社會交往中的重要紐帶，推動著數字信息的發展。通信行業的大數據應用，能夠優化移動通信網絡，開拓更豐富的服務業務，為移動用戶提供更精準、更便捷的服務。
Gn數據是Gn口原始碼流解析得到的數據，主要反映用戶使用各類數據業務的詳細情況。在傳統的Gn數據解析過程中，流量類型里“未識別TCP流量業務”、“未識別UDP流量業務”和“DNS解析流量業務”等類型均被劃為未知服務。這樣的計算模型會導致解析結果里未知服務的占比很高。
本文針對原始Gn數據，提出了一種新的網絡業務分類方法：利用大數據并行計算模式解析DNS業務里的URL，解析結果通過挖掘算法（基于密度的聚類算法）模型處理，以確立新的網絡業務類型。
2 技術介紹
2.1 大數據處理步驟
大數據的飛速發展已經影響到了各行各業，其中信息、互聯網和通信行業受到的影響最大。大數據的到來恰逢通信行業的轉型過渡階段，給這個行業注入了新鮮的血液。
大數據處理方法通常為四步，分別是原始數據的采集、數據導入和預處理、數據的統計和分析以及數據挖掘。下面將按照這四個步驟的順序進行闡述。
（1）數據采集
數據的采集階段是指用數據庫來接收以Web、App等形式傳送的數據，在大數據的采集過程中，最主要的問題是處理高并發數，同一時間c可能會有上萬條申請操作。而采集階段通常采用的優化方式是在這些數據庫之間進行分時分片管理和負載均衡。
（2）數據導入和預處理
數據導入指的是將原始數據導入到分布式存儲集群，并且在導入過程中，對數據做去除噪聲點、篩選特定條件等清洗工作。導入和預處理過程中面臨的主要效率瓶頸是網絡帶寬和磁盤IO。
（3）數據統計和分析
大數據場景下的統計與分析主要通過分布式計算集群來對數據進行分析和分類匯總等，在這一階段，最常用的兩個計算框架是Hadoop和Spark。統計與分析遇到的主要問題是，分析時所涉及的數據量通常很大，其對系統資源會造成極大的占用。
（4）數據挖掘
數據挖掘階段是一個知識發現的過程，一般沒有預先設定好的主題。比較典型的算法有用于聚類分析的K-means算法、用于統計學習的SVM算法和用于分類的Na?ve-Bayes算法。該過程的特點主要是用于挖掘的算法一般比較復雜，考慮到系統資源的開銷，需要選擇合適的計算框架。
2.2 基于聚點密度和距離的高效聚類算法
把一個數據集分割成不同的類或簇，使得同簇內數據對象的相似性盡可能大，不同簇中數據對象的差異性也盡可能地大，通常采用聚類算法。從傳統的聚類分析方法來看，在進行聚類之前都需要先確定要聚類的類別數目，然而在現實運營數據的分析過程中，聚類的類別結果通常是未知的，一般要經過多次實驗來獲得相對合適的聚類數目?？紤]到本文中要分析的數據是多維度的結構化數據，且聚類結果不需要人工干預，可以參考Alex Rodriguez和Alessandro Laio提出的新的聚類算法，下面對此聚類算法做簡要介紹。
該算法假設所確定的類簇中心點是由一些局部密度相對其較低的點所環繞，并且這些點與其他高局部密度點（其他類簇中心點）的距離都比較大。首先定義兩個值：局部密度ρi以及到其他高局部密度點的距離δi。
ρi=Σj X（dij-dc） `（1）
（2）
公式中dc是一個臨界變量值，是一個預先設定的參數。從公式（1）和（2）可以得出，ρi相當于和點i的距離差值小于dc的點的個數。由于該算法只對ρi的相對值敏感，所以面對大數據量時，為了算法的健壯性，對dc的選擇最好使得平均每個點的鄰居數為所有點數量的1%～2%。
δi=minj：ρj>ρi （dij） （3）
根據公式（3），δi用來表示點i和點j直接的距離，其中ρj>ρi。對于ρ值最大的點，設置其δi=maxj （dij）。
局部密度ρi和據其他中心點距離δi的值均很大的點被認為是類簇的中心。局部密度較小但是δi較大的點則是異常點。在確定了類簇中心之后，非中心點屬于其距離最近的類簇中心所代表的類簇。
圖1是以ρ為橫坐標、以δ為縱坐標的決策圖?？梢钥吹?，1號和10號兩個點的ρi和δi都比較大，可以作為聚類焦點。11、12、13三個點的δi比較大，但是ρi較?。ㄖ車c密度太小），所以是異常點，在聚類過程中將被清洗掉。
3 服務類型劃分系統模型設計
傳統的Gn數據解析過程中，在流量類型字段里，將“未識別TCP流量業務”、“未識別UDP流量業務”和“DNS解析流量業務”劃為未知服務。這樣的計算模型導致Gn數據解析后，業務類型里會有很高占比的未知服務。解決大量的“未知服務”的分類結果，既可以最大化地利用原始數據，又可以在多維度的情況下，細分用戶的網絡業務。系統采用分布式集群架構，如圖2所示，分為數據獲取、數據清洗、數據解析、數據云存儲、數據模型挖掘、挖掘結果分析幾個步驟。
數據獲取階段，將Gn接口數據通過FTP的方式將數據傳送給數據清洗模塊。
數據清洗主要是完成無效字段的替換，將RNC解析流量對應URL為空的記錄刪除，并完成目標數據的選取，將Gn原始數據類型中流量類型為RNC解析流量的記錄截取出來。
數據解析，如圖3所示，所映射的URL包括查詢的域名及查詢類型。解析URL需要解析協議（如http、https）、域名或IP、端口號（如7001、8080）、Web上下文、URI，請求資源地址等。此處需要解析出域名，并將其存儲為一個新的字段。做一個URL映射表，將訪問域名進行歸類映射，例如SINA映射為新聞咨詢瀏覽，tianya映射為討論類論壇，weibo映射為社交網絡等。
數據云存儲階段，將解析后的數據以Parquet文件塊的形式存儲在HDFS上，作為數據挖掘接入口。
數據挖掘模型采用2.2節介紹的基于聚點密度和距離的高效聚類算法。將解析后的數據作為輸入端，通過挖掘模型計算，自動生成聚類結果。此處需要注意的是，由于算法中dc變量值（表示測量點臨界間距）需要事先設定好，所以為了得到合理的結果，需多次對數據進行訓練，找到一個符合業務分析需求的特定值。另外，根據用戶實際使用情況，同一種業務在不同時間段會產生不同的用戶體驗需求，以及每個人會有不同的使用習慣等，將輸入參數定為業務發生時間、RNC解析URL域名、年齡這三個字段。
4 計算結果分析
經過多次訓練，得到聚類分析結果，分別為：
（1）深夜（22：00―24：00），年齡
（2）中午（11：00―13：00），26
傳統方式的Gn數據解析后，服務型分為流媒體業務、下載業務、即時通信、瀏覽業務和未知服務五類。結合聚類分析的結果可以初步判斷，在未知服務內會有大部分人喜歡深夜使用社交網絡服務，以及會有很多青年人會選擇在中午的時候瀏覽新聞咨詢?？梢試L試在服務類型中將第五類未知服務新分出一類：社交網絡服務，其確定的方法可以按照聚類的方式倒推，即匹配其解析后的URL。
5 結束語
本文對比傳統的Gn數據解析方式，提出了一種基于數據挖掘的網絡業務類型劃分方法。在實際應用中，該方法在處理大規模數據和高維數據時性能有待于提高。針對這種情況，有學者提出一種在高維空間挖掘映射聚類的方法PCKA，它能從多個維度中篩選出相關的維度，并根據相關維度進行聚類。另一方面，如需要對全國范圍的Gn數據業務分類，應使用更全面的數據進行模型訓練。
參考文獻：
[1] 陳宇. 京廣高鐵GPRS業務Gn接口數據監測的應用[J]. 鄭鐵科技， 2013（1）： 23.
[2] 韓宇. 基于數據挖掘的聯通運營監控模塊的設計與實現[D]. 沈陽： 東北大學， 2011.
[3] 陳平，郭蘭珂，方俊湘. 微信業務的識別方法研究[J]. 移動通信， 2013，37（18）： 80-83.
[4] 鄭桂鳳. 移動互聯網的用戶行為分析系統的設計與實現[D]. 北京： 北京郵電大學， 2010.
[5] 閆春榮，牟宏蕾，郝亞飛. 移動通信大數據信息在決策分析平臺中的應用方案研究[J]. 移動通信， 2016，40（10）： 24-28.
[6] 李玲俐. 數據挖掘中分類算法綜述[J]. 重慶師范大學學報： 自然科學版， 2011（4）： 44-47.
[7] 劉明吉，王秀峰. 數據挖掘中的數據預處理[J]. 計算機科學， 2000，27（4）： 54-57.
[8] 胡志風. 大數據在職務犯罪偵查模式轉型中的應用[J]. 國家檢察官學院學報， 2016（4）： 144-153.
[9] 鄭雅麗. 圖書館應用大數據的策略研究[J]. 科技視界， 2015（12）： 163-164.
第3篇
關鍵詞：網絡分類法；分類法；信息組織
當今，網絡信息迅速發展，如何提高用戶網絡信息資源的檢索率需要對網絡信息加以組織與揭示。分類法是一種按照事先規定好的學科或體系范疇，依照一定的屬性將信息分門別類地組織起來以便查檢的方法。傳統分類法是對文獻的一種分類法，包括《中圖法》、《人大法》等。網絡分類法是對分布在互聯網上的信息資源進行分類的方法。由于網絡信息分類法尚存在一些問題，如何利用傳統分類法的優勢完善網絡信息分類法成為如今討論的熱點。
1網絡信息分類法與傳統文獻分類法的比較
1．1分類對象不同傳統分類法以物理或實體的文獻為對象，如印刷文獻、磁帶、光盤等［1］，對其的內容進行標引和整序。網絡信息分類法則以分布在各個服務器上紛繁復雜的網絡資源為處理對象，對它們進行組織與加工。因為處理對象的不同，形成了兩種不同的分類法。1．2對象半衰期不同傳統分類法對象是實體文獻，半衰期長，更新速度慢。所以傳統分類法對文獻的標引與整序需要規范的受控詞匯。而網絡信息分類法對象是網絡化信息，半衰期短，更新速度快，穩定性差。所以網絡信息組織與整序需要靈活的自然語言。1．3類目的排列方式不同傳統分類法的類目嚴格按照邏輯層次劃分，具有科學性和嚴密性，偏向于專業性，對普通用戶適用性差。網絡分類法由于適用于普通用戶，專業性不強又同位類數量大，因此不局限于使用邏輯排列法，廣泛采用按重要性、字順排列的方法。
2傳統分類法在網絡信息組織中的應用
2．1傳統分類法在網絡信息組織中應用的現狀在國外，一些著名分類法被網站或搜索引擎用來組織網絡信息。在中國，傳統分類法應用于網站目前包括兩種情況：①各大搜索引擎的類目設計上，運用傳統分類法主題分類的思想，為縮小搜素范圍，在搜索框上方設計幾個主題模塊。比如，百度搜索引擎的搜索框上方已經將內容分為“新聞、地圖、貼吧”。②網址導航系統，在整體上或者局部參考一個或幾個文獻分類法的類目體系。但是，分類法應用于網絡信息資源的組織僅局限于局部分類體系或主題法，并沒有形成體系。2．2網絡信息組織的缺陷2．2．1分類體系混淆。網絡分類法在設置大類時，對知識的系統性考慮不足，更多的是以信息量和信息內容的重要性及其使用頻率為標準［2］，大多數網站只選取些熱門事物作為主題類目，忽略通用性的因素不科學的設置類目。2．2．2類目概念劃分邏輯混亂。類目概念劃分邏輯不清，比如搜狐網站將“財經”、“理財”、“股票”、“基金”原本屬于上下位類關系的主題詞列為同位類。各別網站為吸引眼球在類目下設置非此類的信息，如搜狐網站在“游戲”類目下設置“大學”、“情感”等主題。這種概念歸屬不清，給用戶查找相應信息造成了困難。2．3傳統分類法用于網絡信息組織的優勢由于網絡信息急劇膨脹，如何在復雜的信息中準確地查找信息，需要對信息進行科學的組織標引。目前網絡信息分類法并不完善，需要借鑒傳統分類法科學的分類優勢。①文獻分類法是綜合性分類法，覆蓋面廣，具有很高的通用性，科學性。②文獻分類法類目劃分邏輯層次分明，有利于網絡信息瀏覽檢索和對主題分類的控制。
3借鑒傳統分類法完善網絡信息組織
鑒于網絡信息分類法存在的問題，需要學習傳統分類法科學清晰、邏輯嚴密的類目體系，并結合自己身的特點，改進不足。可從以下幾點進行改進。3．1使類目體系設置依據科學嚴密的邏輯體系創建由于網絡信息類目設置隨意，給用戶檢索信息帶來了困難。因此，類目設置科學嚴密的邏輯體系，并且統一標準，可以使用戶在不同網站中快速精確的定位信息。3．2滿足檢索專業性信息的需要網絡信息中也不乏一些專業性的信息資源，由于隨意的類目加大了檢索難度，因此，規范類目名稱，或者應用數據庫式分類檢索方式，使用戶準確地查找到有價值的學術資料。目前，互聯網上的信息豐富冗雜，分類法成了網站信息組織的主要方法。我國的網絡信息分類法只注重信息的查全率，下一步就應該重視發展信息的查準率，這就需要借鑒傳統分類法的優勢，結合自身的特點，不斷完善網絡信息分類法，實現網絡信息資源效用最大化。
［參考文獻］
［1］俞君立．文獻分類法［M］．武漢：武漢大學出版社，2001：78～84．
