25、大数据挖掘与智能校园安全保障

大数据挖掘与智能校园安全保障

1. 模式发现相关技术

1.1 模式发现阶段方法

模式发现阶段采用了多种领域的技术，如统计学、机器学习等，常用关联规则、数据挖掘等方法来寻找有趣的模式。此阶段常见的方法有关联规则和聚类，具体如下：
- 统计学 ：从网络日志中周期性生成统计信息报告，供网站管理员改善系统性能，便于网站修改。
- 聚类 ：将相似的数据项归为一类，不同的数据项归为不同类。这里选用了K - MEANS和DBSCAN聚类算法来提取有用信息，对具有相同内容或密度的元素进行分组。

1.2 K - Means聚类算法

K - means聚类算法用于在网站数据元素中寻找聚类组，并确定每个元素所属的聚类。其工作流程如下：
1. 用户指定K值，算法初始化K个聚类的质心。
2. 将数据点分配到最近的聚类。
3. 重新计算聚类质心，并更新质心位置。
4. 重复上述过程，直到聚类结果不再变化，数据点不再从当前聚类转移到其他聚类。

距离计算通常使用欧几里得距离，公式如下：
假设存在两个点$P = (x_1(P), x_2(P), x_3(P))$和$Q = (x_1(Q), x_2(Q), x_3(Q))$，距离计算公式为：
[
d(P, Q) = \sqrt{(x_1(P) - x_1(Q))^2 + (x_2(P) - x_2(Q))^2 + \cdots} = \sqrt{\sum_{J = 1}^{P} (x_j(P) - x_j(Q))^2}
]

聚类质心是最重要