22、电力数据聚类与无线自组网Sybil攻击防御研究

电力数据聚类与无线自组网Sybil攻击防御研究

1. 电力数据聚类分析

在对 5 个客户的电力使用数据进行聚类分析时，为了找到最优的聚类方案，我们考虑了 2 - 6 个聚类集合。首先使用 K - Means 方法对数据进行分组，之后运用 DBI（Davies - Bouldin Index）方法计算每个聚类集合的优化水平。

以下是不同聚类集合的相关计算结果：
| 聚类集合 | DBI 值 | 各聚类成员数量 |
| ---- | ---- | ---- |
| 2 | 1.234 | 聚类 1: 15；聚类 2: 88 |
| 3 | 0.931 | 聚类 1: 4；聚类 2: 58；聚类 3: 41 |
| 4 | 0.893 | 聚类 1: 12；聚类 2: 54；聚类 3: 34；聚类 4: 3 |
| 5 | 1.174 | 聚类 1: 4；聚类 2: 51；聚类 3: 35；聚类 4: 3；聚类 5: 40 |
| 6 | 0.990 | 聚类 1: 4；聚类 2: 51；聚类 3: 35；聚类 4: 1；聚类 5: 10；聚类 6: 2 |

从计算结果可知，聚类集合 4 的 DBI 值最小，为 0.893，这表明该聚类集合中每个对象与质心的密度最佳，且聚类之间的距离也分隔得很好，所以它是最优化的聚类集合。

在得到最优聚类集合后，进入测试阶段。选取 3 个被归类为电力使用异常的客户数据进行测试。具体操作是，确定每个测试数据对象到聚类 4 集合中各质心的距离，然后将这 3 个数据输入应用程序进行测试。结果显示，所有 3 个数据都被归类为电力使用异常的客户，原因是在将数据分配到最近的聚