本文選題：Spark計(jì)算框架 + 粒子群算法��； 參考：《計(jì)算機(jī)科學(xué)》2017年S1期

【摘要】：隨著電力通信網(wǎng)絡(luò)規(guī)模的不斷擴(kuò)大,電力通信網(wǎng)絡(luò)不間斷地產(chǎn)生海量通信數(shù)據(jù)。同時(shí),對(duì)通信網(wǎng)絡(luò)的攻擊手段也在不斷進(jìn)化,給電力通信網(wǎng)絡(luò)的安全造成極大威脅。針對(duì)以上問題,結(jié)合Spark大數(shù)據(jù)計(jì)算框架和PSO優(yōu)化神經(jīng)網(wǎng)絡(luò)算法的優(yōu)點(diǎn),提出基于Spark內(nèi)存計(jì)算框架的并行PSO優(yōu)化神經(jīng)網(wǎng)絡(luò)算法對(duì)電力通信網(wǎng)絡(luò)的安全態(tài)勢進(jìn)行預(yù)測。本研究首先引入Spark計(jì)算框架,Spark框架具有內(nèi)存計(jì)算以及準(zhǔn)實(shí)時(shí)處理的特點(diǎn),符合電力通信大數(shù)據(jù)處理的要求。然后提出PSO優(yōu)化算法對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行修正,以增加神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效率和準(zhǔn)確性。之后結(jié)合RDD的并行特點(diǎn),提出了一種并行PSO優(yōu)化神經(jīng)網(wǎng)絡(luò)算法。最后通過實(shí)驗(yàn)比較可以看出,基于Spark框架的PSO優(yōu)化神經(jīng)網(wǎng)絡(luò)算法的準(zhǔn)確度高,且相較于傳統(tǒng)基于Hadoop的預(yù)測方法在處理速度上有顯著提高。
[Abstract]:With the continuous expansion of power communication network scale, power communication network continuously produces massive communication data. At the same time, the attack means to the communication network is evolving, which poses a great threat to the security of the power communication network. In view of the above problems, combining the advantages of Spark big data computing framework and PSO optimization neural network algorithm, a parallel PSO optimization neural network algorithm based on Spark memory computing framework is proposed to predict the security situation of power communication network. In this paper, firstly, Spark framework is introduced, which has the characteristics of memory computing and quasi-real-time processing, which meets the requirement of big data processing in power communication. Then PSO optimization algorithm is proposed to modify the weights of neural networks to increase the learning efficiency and accuracy of neural networks. Then a parallel PSO optimization neural network algorithm is proposed according to the parallelism of RDD. Finally, the experimental results show that the accuracy of PSO optimization neural network algorithm based on Spark framework is high, and compared with the traditional prediction method based on Hadoop, the processing speed is improved significantly.
【作者單位】： 中央財(cái)經(jīng)大學(xué)信息學(xué)院;北京國電通網(wǎng)絡(luò)技術(shù)有限公司;人力資源和社會(huì)保障部人事考試中心;
【基金】：國網(wǎng)科技部項(xiàng)目(SGTYHT/14-JS-188)資助
【分類號(hào)】：TM73;TN915.853;TP393.08

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王開瑞;;電力通信網(wǎng)絡(luò)的常見故障及優(yōu)化措施[J];信息通信;2013年07期

2 ;中國電力科學(xué)研究院電力通信網(wǎng)絡(luò)實(shí)驗(yàn)室簡介[J];電力信息與通信技術(shù);2014年01期

3 朱培發(fā);;電力通信網(wǎng)絡(luò)故障問題的判斷和措施分析[J];科技與創(chuàng)新;2014年07期

4 樊啟柏;;淺談電力通信網(wǎng)絡(luò)的綜合發(fā)展[J];電力信息化;2006年08期

5 區(qū)文廣;;電力通信網(wǎng)絡(luò)管理問題與對(duì)策[J];大眾科技;2007年04期

6 朱金;黃堅(jiān);侯澤陽;;電力通信網(wǎng)絡(luò)及其通信業(yè)務(wù)淺析[J];才智;2010年08期

7 馬小軍;郭正懷;;電力通信網(wǎng)絡(luò)故障分析及處理[J];企業(yè)導(dǎo)報(bào);2011年19期

8 張寧;;淺談電力通信網(wǎng)絡(luò)管理系統(tǒng)結(jié)構(gòu)[J];科技創(chuàng)新與應(yīng)用;2012年34期

9 杜浩東;;電力通信網(wǎng)絡(luò)評(píng)價(jià)指標(biāo)體系研究[J];自動(dòng)化應(yīng)用;2013年07期

10 宰開文;;蕪湖地區(qū)電力通信網(wǎng)絡(luò)資源優(yōu)化效益分析[J];安徽電力;2008年02期

相關(guān)會(huì)議論文 前2條

1 周建勇;;電力通信網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化及應(yīng)用[A];廣東省電機(jī)工程學(xué)會(huì)2003-2004年度優(yōu)秀論文集[C];2005年

2 羅大勇;蔣U，

本文編號(hào)：1844156