【技术实现步骤摘要】
本专利技术涉及大数据分析，特别涉及一种分层聚类共识构架的逻辑处理方法。
技术介绍
1、聚类是一种无监督学习的任务，旨在将数据集中的个体划分为不同的簇，使得同一簇内的个体相似度高，而不同簇之间的个体相似度低。聚类的目标是通过在数据中发现内在的结构和模式，实现数据的分组和分类。共识是指在多个个体之间达成一致或相似的结果或意见。共识的目标是通过个体之间的交互和信息传递，使得个体在某种共识标准下达成一致。虽然聚类和共识是不同的概念，但在某些情况下，可以将它们结合起来使用。
2、目前，在分布式系统中，个体可以通过共识算法达成一致，然后将数据集划分为不同簇进行聚类分析。虽然这种结合可以提高数据分析和决策的准确性和可靠性，但当数据的维度和规模不断增长时，系统的计算量和复杂度也随之大幅提升，因此在进行大数据处理时会占用大量的计算机资源。
3、因此，本专利技术提供一种分层聚类共识构架的逻辑处理方法。
技术实现思路
1、本专利技术提供一种分层聚类共识构架的逻辑处理方法，用以降低并行实现场景中大集群共识的计算复杂度，合理分配计算机的计算资源，提升聚类共识构架在处理大集群共识时的处理效率。
2、本专利技术提供一种分层聚类共识构架的逻辑处理方法，包括：
3、步骤1：获取原始集群共识，并对所述原始集群共识进行划分，创建多个迷你共识，同时，构建迷你共识聚类组件；
4、步骤2：基于所述迷你共识聚类组件，将数据集中的个体划分为不同类别的簇，并在每个簇内达成
5、步骤3：基于预设相似度算法对所述初始聚类共识结果进行分析，并根据分析结果对所述初始聚类共识结果进行层次划分，生成与层次一一对应的第一聚类共识结果，同时，利用预设聚类共识算法对每一所述第一聚类共识结果进行聚类分析，得到第二聚类共识结果；
6、步骤4：对不同层次的所述第二聚类共识结果进行融合，生成最终聚类共识结果，同时，对所述最终聚类共识结果进行评估，并基于评估结果对聚类共识架构进行调整和优化。
7、优选的，步骤1中，包括：
8、将聚类共识系统中的节点划分为多个集群，其中，每个集群包含若干个节点；
9、通过预设共识算法将每个集群内的节点进行共识，生成第一共识；
10、获取所有集群的第一共识并进行跨集群通信，对不同集群的所述第一共识进行协调和检验，生成第二共识，并基于所述第二共识，建立原始集群共识。
11、优选的，步骤1中，还包括：
12、根据预设划分算法确定迷你共识的大小，并对所述原始集群共识进行划分，生成多个迷你共识；
13、获取聚类组件的数量，并与所述迷你共识进行匹配，构建迷你共识聚类组件。
14、优选的，步骤2中，包括：
15、基于所述迷你共识聚类组件，对数据集中的个体进行聚类分析，并基于聚类分析结果将数据集划分为不同类别的簇，同时，将簇以及与簇对应的类别信息进行绑定；
16、通过所述迷你共识聚类组件将每个簇中的个体达成一致的共识，生成与每个簇一一对应的第三共识；
17、基于簇的绑定信息以及与簇对应的第三共识，产生初始聚类共识结果。
18、优选的，步骤3中，包括：
19、在算法数据库中获取与所述初始聚类共识结果匹配的预设相似度算法，并基于所述预设相似度算法对所述初始聚类共识结果进行相似度分析，产生第一分析结果；
20、基于所述第一分析结果，对所述初始聚类共识结果进行层次划分，得到多个共识层以及与每一共识层对应的第一聚类共识结果；
21、同时，使用多个预设聚类共识算法对每一共识层内的第一聚类共识结果进行分析，得到共识分区以及与共识分区一一对应的第二分析结果；
22、对同一共识层内的所有共识分区的第二分析结果进行融合分析，生成第二聚类共识结果。
23、优选的，基于所述预设相似度算法对所述初始聚类共识结果进行相似度分析，包括：
24、对所述初始聚类共识结果进行内容解析，并对解析结果中的数据特征进行提取，生成聚类共识特征信息；
25、对所述聚类共识特征信息进行种类划分，并基于划分结果生成第一筛选因子；
26、同时，结合预设特征-优先级对照表，对所述聚类共识特征信息中的每一特征进行优先级判定，并基于判定结果生成第二筛选因子；
27、结合所述第一筛选因子、第二筛选因子，在预设因子-函数匹配表中筛选出匹配度大于第一预设度的相似函数，并构建相似函数集；
28、同时，基于所述聚类共识特征信息，在预设特征-函数对照表中筛选出匹配度大于第二预设度的性能评估函数；
29、基于所述性能评估函数对所述相似函数集中的所有相似函数进行性能评估，并将所述相似函数集中的所有相似函数按照性能进行降序排列，建立性能评估排序表；
30、同时，在所述性能评估排序表中选取大于第一序数的相似函数，并填入预设空白矩阵中，构建相似矩阵；
31、基于所述相似矩阵，对所述初始聚类共识结果进行相似度分析得到第一分析结果。
32、优选的，步骤4中，包括：
33、获取每一层次的所述第二聚类共识结果，同时，结合预设特征选择方法删除所述第二聚类共识结果中的不相关特征以及对应的不相关共识结果，生成待提取聚类共识结果；
34、利用预设提取模块对每一层次中的待提取聚类共识结果进行提取，构建集成聚类共识结果，同时，利用预设共识函数对所述集成聚类共识结果进行共识，生成最终聚类共识结果；
35、获取使用场景以及使用目的，并根据预设场景-目的-参数映射表获取第一评估参数；
36、同时，获取性能需求信息，并根据预设需求-参数映射表获取第二评估参数；
37、结合所述第一评估参数、第二评估参数，对所述最终聚类共识结果进行性能评估，产生第一评估结果；
38、基于第一评估结果，在预设评估数据库中获取与所述第一评估结果的匹配度大于第一匹配度的历史聚类共识结果以及与每一所述历史聚类共识结果一一对应的历史评估结果；
39、基于所述历史聚类共识结果以及对应的历史评估结果，同时结合历史聚类共识结果与历史评估结果之间的映射关系，建立历史数据参考表；
40、将所述第一评估结果与所述历史数据参考表输入预设性能分析模型中进行对比分析，产生第一对比结果；
41、同时，结合所述第一评估参数、第二评估参数，在预设标准数据库中筛选得到与所述第一评估结果对应的标准参数，并将所述第一评估结果与所述标准参数进行对比分析，产生第二对比结果；
42、利用预设分析函数对所述第一对比结果、第二对比结果进行分析处理，得到综合性能评估结果；
43、将所述综合性能评估结果输入预设参数优化模型，获取相应的优化策略以及优化方法，并基于所述优化策略、优化方法对聚类共识架构进行优化调整。
本文档来自技高网...【技术保护点】
1.一种分层聚类共识构架的逻辑处理方法，其特征在于，包括：
2.根据权利要求1所述的一种分层聚类共识构架的逻辑处理方法，其特征在于，步骤1中，包括：
3.根据权利要求1所述的一种分层聚类共识构架的逻辑处理方法，其特征在于，步骤1中，还包括：
4.根据权利要求1所述的一种分层聚类共识构架的逻辑处理方法，其特征在于，步骤2中，包括：
5.根据权利要求1所述的一种分层聚类共识构架的逻辑处理方法，其特征在于，步骤3中，包括：
6.根据权利要求5所述的一种分层聚类共识构架的逻辑处理方法，其特征在于，基于所述预设相似度算法对所述初始聚类共识结果进行相似度分析，包括：
7.根据权利要求1所述的一种分层聚类共识构架的逻辑处理方法，其特征在于，步骤4中，包括：
8.根据权利要求3所述的一种分层聚类共识构架的逻辑处理方法，其特征在于，根据预设划分算法确定迷你共识的大小，包括：
【技术特征摘要】
1.一种分层聚类共识构架的逻辑处理方法，其特征在于，包括：
2.根据权利要求1所述的一种分层聚类共识构架的逻辑处理方法，其特征在于，步骤1中，包括：
3.根据权利要求1所述的一种分层聚类共识构架的逻辑处理方法，其特征在于，步骤1中，还包括：
4.根据权利要求1所述的一种分层聚类共识构架的逻辑处理方法，其特征在于，步骤2中，包括：
5.根据权利要求1所述的一种分层聚类共识构架的...
【专利技术属性】
技术研发人员：王语博，祁纲，韩国权，李芳，
申请(专利权)人：太极计算机股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。