数据挖掘在网络故障诊断中的应用
| 摘要 | 第1-4页 |
| Abstract | 第4-5页 |
| 目录 | 第5-8页 |
| 1 绪论 | 第8-12页 |
| ·论文起源和背景 | 第8页 |
| ·网络故障诊断技术的相关研究 | 第8-9页 |
| ·数据挖掘的崛起 | 第9-10页 |
| ·本文组织结构 | 第10页 |
| ·本文所做的工作 | 第10-12页 |
| 2 智能故障诊断技术 | 第12-18页 |
| ·智能诊断技术概述 | 第12页 |
| ·智能故障诊断方法研究现状 | 第12-14页 |
| ·基于专家系统的故障诊断方法 | 第12-13页 |
| ·使用机器学习获取知识 | 第13-14页 |
| ·改进推理过程 | 第14页 |
| ·智能故障诊断技术的发展趋势 | 第14-17页 |
| ·基于混合模型的系统 | 第14-15页 |
| ·机器学习提供知识 | 第15页 |
| ·分布式系统诊断 | 第15-17页 |
| ·小结 | 第17-18页 |
| 3 数据挖掘理论和方法 | 第18-39页 |
| ·数据挖掘发展历程和研究现状 | 第18-19页 |
| ·数据挖掘的挖掘任务 | 第19-20页 |
| ·关联规则发现 | 第20-24页 |
| ·基本概念 | 第20页 |
| ·关联规则方法分类 | 第20-21页 |
| ·关联规则挖掘中的fp-growth方法 | 第21-24页 |
| ·fp-growth算法的基本思想 | 第21页 |
| ·fp-tree构造算法 | 第21-23页 |
| ·fp-tree的挖掘算法 | 第23页 |
| ·fp-tree的增量挖掘 | 第23-24页 |
| ·分类方法 | 第24-34页 |
| ·分类方法的基本概念 | 第24-25页 |
| ·分类算法简介 | 第25-26页 |
| ·贝叶斯网络分类方法 | 第26-30页 |
| ·贝叶斯概率理论 | 第26-27页 |
| ·贝叶斯网络的数学描述 | 第27-29页 |
| ·贝叶斯网络的拓扑结构 | 第29-30页 |
| ·svm分类方法 | 第30-34页 |
| ·SVM的基本思想 | 第30-31页 |
| ·SVM的数学描述 | 第31-33页 |
| ·SVM对非线性分类的解决 | 第33-34页 |
| ·SVM对多分类的解决 | 第34页 |
| ·聚类 | 第34-38页 |
| ·聚类的基本概念 | 第34-35页 |
| ·聚类的种类 | 第35-38页 |
| ·划分的方法 | 第35页 |
| ·层次方法 | 第35-36页 |
| ·基于密度的方法 | 第36页 |
| ·基于网格的聚类方法 | 第36-37页 |
| ·基于模型的聚类方法 | 第37-38页 |
| ·小结 | 第38-39页 |
| 4 用于故障诊断挖掘的数据选取和预处理 | 第39-44页 |
| ·诊断工具提供的数据 | 第39-40页 |
| ·SNMP协议提供的数据 | 第40-41页 |
| ·MIB库提供的数据 | 第41-42页 |
| ·数据选择和预处理 | 第42-43页 |
| ·小结 | 第43-44页 |
| 5 关联规则方法在故障诊断中的运用 | 第44-52页 |
| ·网络故障诊断中的关联规则挖掘的问题 | 第44页 |
| ·网络故障诊断中的关联规则挖掘的问题的解决方法 | 第44-45页 |
| ·增量式挖掘方法 | 第44-45页 |
| ·记录时序数据并挖掘 | 第45页 |
| ·故障相关数据的增量式关联规则挖掘 | 第45-48页 |
| ·增量关联规则挖掘相关工作 | 第45页 |
| ·增量式频繁序列的发现 | 第45-47页 |
| ·增量式挖掘性能分析和小结 | 第47-48页 |
| ·故障相关数据的时序关联挖掘 | 第48-51页 |
| ·传统关联规则中的时序的表述 | 第48-49页 |
| ·故障相关数据的时序的重要性 | 第49-50页 |
| ·网络故障诊断关联规则中时序的表述 | 第50-51页 |
| ·小结 | 第51-52页 |
| 6 分类方法在故障诊断中的运用 | 第52-65页 |
| ·组合分类器的研究和应用 | 第52-54页 |
| ·懒散和急切分类方法 | 第52页 |
| ·分类器的组合和分类结果融合 | 第52-54页 |
| ·分类器的组合方法 | 第54-57页 |
| ·分类器组合的策略 | 第54-56页 |
| ·分类器的选择 | 第56-57页 |
| ·不完全决策树分类方法 | 第57-58页 |
| ·贝叶斯网络分类方法 | 第58-59页 |
| ·初始化完全潜在图 | 第58页 |
| ·融合先验知识 | 第58页 |
| ·潜在图修剪 | 第58-59页 |
| ·使用贝叶斯网络进行故障诊断 | 第59页 |
| ·SVM分类方法 | 第59-61页 |
| ·k最近邻组合分类器的结果融合算法 | 第61-63页 |
| ·性能分析和小结 | 第63-64页 |
| ·小结 | 第64-65页 |
| 7 聚类方法在故障诊断中的运用 | 第65-77页 |
| ·数据挖掘中的聚类方法 | 第65页 |
| ·聚类方法在网络故障诊断中的作用 | 第65页 |
| ·不同数据类型的相异度计算 | 第65-67页 |
| ·基于万有引力模型的相似度计算方法 | 第67-69页 |
| ·万有引力模型 | 第67-68页 |
| ·相似度计算方法的提出和思想 | 第68-69页 |
| ·渐进式生成树的聚类方法 | 第69-76页 |
| ·算法的提出和基础思想 | 第69-71页 |
| ·算法步骤 | 第71-72页 |
| ·算法验证 | 第72-74页 |
| ·算法分析 | 第74-76页 |
| ·小结 | 第76-77页 |
| 8 结束语 | 第77-78页 |
| 致谢 | 第78-79页 |
| 参考文献 | 第79-81页 |
