專利名稱：一種基于節(jié)點置信半徑的p2p網(wǎng)絡(luò)分布式聚類方法
技術(shù)領(lǐng)域：
本發(fā)明涉及計算機網(wǎng)絡(luò)通信、數(shù)據(jù)挖掘及分布式聚類領(lǐng)域，尤其涉及一種P2P網(wǎng)絡(luò)(對等網(wǎng)絡(luò))分布式聚類方法。
背景技術(shù)：
聚類(Clustering)分析是指對一個已給的數(shù)據(jù)對象集合，依照一定的規(guī)則將數(shù)據(jù)對象分成多類的過程，聚類使得同一聚類中的數(shù)據(jù)對象彼此盡可能相似，不同聚類中的數(shù)據(jù)對象彼此盡可能相異。迄今為止，人們已經(jīng)提出了許多聚類方法，例如K-Means， DBSCAN, Cure, Birch等。在諸多的聚類方法中，K-Means是應用最廣泛的方法之一，這是由于相比其他方法，K-Means方法具有方法簡單易實現(xiàn)且聚類效果穩(wěn)定的特點。
傳統(tǒng)的K-Means聚類方法分析處理是基于單個中心服務(wù)器上的數(shù)據(jù)。近年來，文件共享、視頻點播等分布式的P2P網(wǎng)絡(luò)日漸成為互聯(lián)網(wǎng)的主要應用，由于P2P網(wǎng)絡(luò)是一種不依賴于集中服務(wù)器的對等網(wǎng)絡(luò)，網(wǎng)絡(luò)中的任意節(jié)點均可以作為服務(wù)器提供資源，也可以作為客戶機下載資源，所以，在P2P網(wǎng)絡(luò)中，數(shù)據(jù)資源散落地分布在網(wǎng)絡(luò)各個節(jié)點上。由于站點在數(shù)據(jù)存儲量、信息安全及隱私保護等方面的限制，把不同站點的海量或者隱私數(shù)據(jù)全部集中到某一個中心服務(wù)器進行全局聚類是不可能的，因此研究適用于分布式環(huán)境下的 K-Means聚類方法尤其重要。
在P2P環(huán)境下的分布式聚類方法中，Eisenhardt等人提出一種Probe/Echo (探測/回應)機制的分布式聚類方法，該方法通過在網(wǎng)絡(luò)中對節(jié)點聚類進行同步，取得較為精確的聚類效果，但這種方法的缺陷是網(wǎng)絡(luò)帶寬使用率高、帶寬消耗非常大。Jin等人提出了 DFEKM方法，該方法通過計算聚類的置信半徑方式來完成聚類，但該方法并沒有提出一個合適的置信半徑計算方法，對所有節(jié)點采用固定閾值參數(shù)來確定置信半徑大小，由于聚類只能在分布式節(jié)點上局部地進行，該方法所設(shè)定的固定半徑并沒有考慮數(shù)據(jù)在節(jié)點上的分布式及局部性的特點，仍然需要較多的迭代數(shù)來完成聚類。

發(fā)明內(nèi)容
為了節(jié)約分布式網(wǎng)路聚類所需帶寬并盡可能保持聚類的精度，考慮到同一類的數(shù)據(jù)中存在稠密和稀疏的數(shù)據(jù)分布，如果在聚類過程中能保持稠密數(shù)據(jù)的類別屬性不發(fā)生改變，則近似認為聚類基本完成，而不考慮稀疏數(shù)據(jù)對聚類的影響。應用此原理，考慮數(shù)據(jù)在 P2P網(wǎng)絡(luò)節(jié)點中的分布式狀況，本發(fā)明提出一種基于節(jié)點置信半徑的P2P網(wǎng)絡(luò)分布式聚類方法，基于Fisher判別來確定聚類置信半徑的分布式K-Means聚類算法，在保持聚類精度的同時，大幅減少分布式網(wǎng)絡(luò)聚類過程中所需的迭代數(shù)，節(jié)約網(wǎng)絡(luò)帶寬。
本發(fā)明的技術(shù)方案是采用如下步驟
步驟1 在網(wǎng)絡(luò)中隨機選擇初始節(jié)點作為聚類發(fā)起節(jié)點，并且隨機選擇k個數(shù)據(jù)作為初始聚類中心；
步驟2 聚類發(fā)起節(jié)點將初始聚類中心作為Probe消息發(fā)送給其所有直接相鄰的鄰居節(jié)點，以便聚類發(fā)起節(jié)點自主地更新局部聚類中心并更新自身的聚類置信半徑；每一個鄰居節(jié)點也都繼續(xù)Probe消息轉(zhuǎn)發(fā)過程，并等待從其鄰居節(jié)點接收Echo消息，以完成局部聚類；
步驟3 聚類發(fā)起節(jié)點等待其鄰居節(jié)點回送Echo消息，若接收到其所有鄰居節(jié)點的 Echo消息，網(wǎng)絡(luò)中所有節(jié)點的局部聚類已完成，轉(zhuǎn)到步驟4，否則繼續(xù)等待鄰居節(jié)點回送 Echo消息；其中，Echo消息中包含節(jié)點根據(jù)自身數(shù)據(jù)及結(jié)合它的直接相鄰的鄰居節(jié)點聚類數(shù)據(jù)所完成的局部聚類后所形成的局部聚類中心、所得局部聚類中每個類所包含的數(shù)據(jù)對象數(shù)，以及本節(jié)點是否需要繼續(xù)迭代的邏輯變量；
步驟4 聚類發(fā)起節(jié)點將接收到的Echo消息中所包含的局部聚類信息與自身節(jié)點的局部聚類信息進行合并形成整個網(wǎng)絡(luò)的聚類中心，并應用Fisher線性判別準則計算該節(jié)點的置信半徑；
步驟5 聚類發(fā)起節(jié)點計算保留的上次聚類中心和本次聚類完成后所形成聚類中心的距離，若該距離小于置信半徑并且接收到的邏輯變量都為false，則聚類過程結(jié)束；否則轉(zhuǎn)到步驟2，開始下一輪聚類過程。
步驟2所述局部聚類過程具體是
1)節(jié)點Pn從其鄰居節(jié)點接受消息；
2)節(jié)點Pn進行消息判斷，若為Echo消息，則進行步驟7)；否則為Probe消息，轉(zhuǎn)步驟 3)繼續(xù)判斷；
3)節(jié)點Pn進行是否首次收到Probe消息判斷，如果否，則轉(zhuǎn)步驟8)；如果是，則繼續(xù)步驟4)；
4)節(jié)點Pn進行首次接收Probe消息處理，將消息處理數(shù)置1；將首次發(fā)送Probe消息的節(jié)點設(shè)為父節(jié)點P ；
5)節(jié)點Pn將收到的Probe消息轉(zhuǎn)發(fā)給除了父節(jié)點ρ以外的所有鄰居節(jié)點；
6)節(jié)點Pn將自身包含的局部數(shù)據(jù)按照其到Probe消息中所含聚類中心的距離進行聚類，將每一個局部數(shù)據(jù)分類到聚類中心距離最小的某一個聚類中，計算節(jié)點Pn的局部聚類中心和置信半徑；
7)鄰居節(jié)點返回了Echo消息給節(jié)點pn，節(jié)點Pn將接收消息處理數(shù)累加1 ；
8)鄰居節(jié)點發(fā)送了Probe消息給節(jié)點pn，節(jié)點Pn將接收消息處理數(shù)累加1，只對返回 Echo消息的鄰居節(jié)點進行局部聚類結(jié)果的合并；
9)節(jié)點Pn進行消息處理數(shù)判斷，如果消息處理數(shù)不等于鄰居數(shù)則轉(zhuǎn)到步驟1)繼續(xù)等待從鄰居節(jié)點接收消息；否則執(zhí)行步驟10)；
10)判斷本節(jié)點Pn前后兩次聚類中心的距離是否超過置信半徑或者接收到Echo消息中所包含的邏輯變量不全為false，若判斷正確，該節(jié)點或者其鄰居節(jié)點進一步聚類，進行步驟11)；如果判斷不成立，則執(zhí)行步驟12)；
11)節(jié)點Pn將邏輯變量置true，以指示初始聚類節(jié)點繼續(xù)下一個聚類迭代過程；
12)節(jié)點Pn將邏輯變量置false，節(jié)點Pn及以該節(jié)點為父節(jié)點P的其他節(jié)點已完成聚類；
13)節(jié)點Pn將接收到的Echo消息中所包含的聚類信息與本節(jié)點的聚類信息進行局部聚類中心的合并與更新，并形成節(jié)點Pn的Echo消息；14)節(jié)點pn發(fā)送Echo消息給父節(jié)點P。
本發(fā)明節(jié)約分布式網(wǎng)路聚類所需帶寬并盡可能保持聚類的精度，考慮到同一類的數(shù)據(jù)中存在稠密和稀疏的數(shù)據(jù)分布，采用一種基于Fisher判別來確定聚類置信半徑的分布式K-Means聚類算法，F(xiàn)isher線性判別是模式識別中的分類方法，該方法通過尋找最佳分類線，將兩類數(shù)據(jù)投影到分類線上，使得不同類數(shù)據(jù)之間的距離最大，并且使得類內(nèi)的數(shù)據(jù)密集分布。網(wǎng)絡(luò)中節(jié)點通過分別應用Fisher線性判別率，確定同一類數(shù)據(jù)在節(jié)點上的稠密和稀疏分布，從而確定聚類的置信半徑并指導下一步的聚類，因此，本發(fā)明的有益效果是通過對每個P2P節(jié)點的數(shù)據(jù)進行自主學習，根據(jù)網(wǎng)絡(luò)上各個節(jié)點的數(shù)據(jù)分布動態(tài)地計算出置信半徑，確定節(jié)點上的聚類置信半徑，指導下一次聚類及聚類的迭代過程，在保證聚類效果的同時，減少分布式網(wǎng)絡(luò)上聚類的迭代次數(shù)以節(jié)省帶寬，最終提高網(wǎng)絡(luò)的應用水平。


圖1是本發(fā)明方法的主流程圖； 圖2是節(jié)點消息處理流程圖；
圖3是節(jié)點消息傳遞圖；
圖4是本發(fā)明方法對一組數(shù)據(jù)對象進行聚類的數(shù)據(jù)分布圖； 圖5是聚類結(jié)束后聚類效果的比較圖； 圖6是聚類結(jié)束后所需迭代數(shù)比較圖。
具體實施例方式參照圖1，本發(fā)明應用Probe/Echo的消息傳遞機制，進行基于節(jié)點置信半徑的分布式聚類，主要過程如下
步驟101，初始化過程，在網(wǎng)絡(luò)中隨機選擇初始節(jié)點作為聚類發(fā)起節(jié)點，并且隨機選擇 k個數(shù)據(jù)作為初始聚類中心，接著執(zhí)行步驟102 ；
步驟102，聚類發(fā)起節(jié)點將初始聚類中心作為Probe消息發(fā)送給其所有直接相鄰的鄰居節(jié)點(以下的鄰居節(jié)點均指直接相鄰的鄰居節(jié)點)，以便聚類發(fā)起節(jié)點自主地更新局部聚類中心并更新自身的聚類置信半徑；每一個鄰居節(jié)點也都繼續(xù)Probe消息轉(zhuǎn)發(fā)過程，并等待從其鄰居節(jié)點接收Echo消息，以完成局部聚類。接著執(zhí)行步驟103 ；
步驟103，聚類發(fā)起節(jié)點等待其鄰居節(jié)點回送Echo消息，若接收到其所有鄰居節(jié)點的 Echo消息，說明網(wǎng)絡(luò)所有節(jié)點的局部聚類已完成，轉(zhuǎn)到步驟104，否則在步驟103繼續(xù)等待鄰居節(jié)點回送Echo消息。
步驟104，聚類發(fā)起節(jié)點將接收到Echo消息中所包含的局部聚類信息與自身節(jié)點的局部聚類信息進行合并形成整個網(wǎng)絡(luò)的聚類中心，并計算置信半徑，完成一次K-Means 聚類過程。Echo消息中包含節(jié)點根據(jù)自身數(shù)據(jù)及結(jié)合它的鄰居節(jié)點聚類數(shù)據(jù)所完成的局部聚類后所形成的局部聚類中心、所得局部聚類中每個類所包含的數(shù)據(jù)對象數(shù)。接著執(zhí)行步驟 105 ；
步驟105，進行聚類結(jié)束條件判斷，聚類發(fā)起節(jié)點計算保留的上次聚類中心和本次聚類完成后所形成聚類中心的距離，如果是第一次聚類就是初始聚類中心和本次完成聚類后形成的聚類中心之間的距離，如果不是第一次，顯然是上次和本次的聚類中心之間的距離，如果距離小于置信半徑并且接收到的Further變量都為false，說明所有節(jié)點的聚類結(jié)果較為穩(wěn)定，聚類過程結(jié)束；否則轉(zhuǎn)到步驟102，開始下一輪聚類過程。
其中， Probe消息中包含各個類的聚類中心；Echo消息中包含節(jié)點根據(jù)自身數(shù)據(jù)及結(jié)合它的直接相鄰的鄰居節(jié)點聚類數(shù)據(jù)所完成的局部聚類后所形成的局部聚類中心、 所得局部聚類中每個類所包含的數(shù)據(jù)對象數(shù)，以及本節(jié)點是否需要繼續(xù)迭代的邏輯變量 Further (邏輯變量，表示節(jié)點是否需要再次迭代，其取值只有true和false)，如果節(jié)點的前后兩次聚類中心距離大于本節(jié)點的置信半徑，F(xiàn)urther為true，表示需要繼續(xù)進行下一次迭代；相反，則設(shè)置Further為false。
其中，節(jié)點置信半徑的計算應用Fi sher線性判別準則，F(xiàn)i sher線性判別是模式識別中的分類方法，該方法通過尋找最佳分類線，將兩類數(shù)據(jù)投影到分類線上，使得不同類數(shù)據(jù)之間的距離最大，并且使得類內(nèi)的數(shù)據(jù)密集分布。網(wǎng)絡(luò)中節(jié)點通過分別應用Fisher線性判別率，確定同一類數(shù)據(jù)在節(jié)點上的稠密和稀疏分布，從而確定聚類的置信半徑并指導下一步的聚類。Fisher線性判別準則應用如下假設(shè)某一類數(shù)據(jù)對象共有 J/個數(shù)據(jù)對象，考慮將其分為兩類問題，假設(shè)Λ 個數(shù)據(jù)對象的中心為對M個數(shù)據(jù)對象,分別計算其到中心的距離， 并按照升序排列，得到一個按照距離排序的集合⑷義...,Μ),及其對應的數(shù)據(jù)對象集合為{ify =l,2_ikf}。其中，Ii是到按照到聚類中心距離排序的第i個數(shù)據(jù)對象，其到中心的距離為式。Fisher線性判別率表示為
JfiskeX" = ^Fj( 1)
其中，和分別表示所有數(shù)據(jù)對象以&為分隔點的兩個聚類均值距離以及距離方差和。
^p = Mjf(2) = (3)
其中，片是Jf1到孓的數(shù)據(jù)對象上而到/的距離均值；相似地，嶺是<+1到知上的距離均值。of則是式到^的數(shù)據(jù)對象上為到式的距離方差，of是到上的距離方差。。 )則是為以恥=U和^ =為兩類的Fisher線性判別率。
所有數(shù)據(jù)對象集上的Fisher線性判別率越大，說明通過該方法得到的兩類數(shù)據(jù)越明顯，從而找到以聚類中心的數(shù)據(jù)稠密與稀疏的分界點。當fisher判別率最大時，假設(shè)為ImJM ,此時的&為聚類的最佳分隔數(shù)據(jù)點，所得置信半徑為
CR = dR(4)
參照圖2，基于節(jié)點Fisher置信半徑的P2P網(wǎng)絡(luò)分布式聚類過程中，某個節(jié)點(假設(shè)為 Pn)的Probe/Echo消息及局部聚類處理過程具體如下
步驟201，節(jié)點其鄰居節(jié)點接受消息；接著執(zhí)行步驟202 ；步驟202，節(jié)點pn進行消息判斷，如果為Echo消息，則進行步驟207 ；否則為Probe消息，轉(zhuǎn)步驟203繼續(xù)判斷；
步驟203，節(jié)點pn進行是否首次收到Probe消息判斷，如果不是首次接收到Probe消息， 則進行步驟208 ；如果是首次接收Probe消息，則繼續(xù)步驟204 ；
步驟204，節(jié)點Pn進行首次接收Probe消息處理，將消息處理數(shù)(接收變量)置1 ；將首次發(fā)送Probe消息的節(jié)點設(shè)為父節(jié)點，假設(shè)為ρ節(jié)點。接著執(zhí)行步驟205 ；
步驟205，節(jié)點收到的Probe消息轉(zhuǎn)發(fā)給除了父節(jié)點ρ以外的所有鄰居節(jié)點；接著執(zhí)行步驟206 ；
步驟206，節(jié)點Pn將自身包含的局部數(shù)據(jù)按照其到Probe消息中所含聚類中心的距離進行聚類，將每一個局部數(shù)據(jù)分類到聚類中心距離最小的某一個聚類中，然后應用公式(5) 計算節(jié)點Pn的局部聚類中心，以及應用公式(1) _ (4)計算節(jié)點pn的置信半徑；接著執(zhí)行步驟207 ；
步驟207，鄰居節(jié)點返回了 Echo消息給節(jié)點pn，節(jié)點Pn將接收消息處理數(shù)累加1。繼續(xù)執(zhí)行步驟208 ；
步驟208，鄰居節(jié)點發(fā)送了 Probe消息給節(jié)點pn，節(jié)點Pn將接收消息處理數(shù)累加1，說明該鄰居節(jié)點不是將節(jié)點Pn作為父節(jié)點，因此不需要將該鄰居的局部聚類結(jié)果返回給節(jié)點 Pn來完成聚類消息的合并；即網(wǎng)絡(luò)中的節(jié)點只對返回Echo消息的鄰居節(jié)點進行局部聚類結(jié)果的合并，從而保證聚類結(jié)果的唯一性。接著執(zhí)行步驟209 ；
步驟209，節(jié)點Pn進行消息處理數(shù)判斷，如果消息處理數(shù)不等于鄰居數(shù)則轉(zhuǎn)到步驟201 繼續(xù)等待從鄰居節(jié)點接收消息；否則執(zhí)行步驟210。
步驟210，判斷本節(jié)點Pn前后兩次聚類中心的距離是否超過置信半徑或者接收到 Echo消息中所包含的Further變量不全為false，若判斷正確，說明該節(jié)點或者其鄰居節(jié)點需要進一步聚類，進行步驟211 ；如果判斷不成立，則執(zhí)行步驟212 ；
步驟211，節(jié)點pn將Further置true，以指示初始聚類節(jié)點繼續(xù)下一個聚類迭代過程。 接著執(zhí)行步驟212;
步驟212，節(jié)點？11將Further置false，說明節(jié)點Pn及以該節(jié)點為父節(jié)點的其他節(jié)點已完成聚類，不需要初始聚類節(jié)點繼續(xù)下一個聚類迭代過程。接著執(zhí)行步驟213 ；
步驟213，節(jié)點pn將接收到的Echo消息中所包含的聚類信息與本節(jié)點的聚類信息應用以下公式(5)- (7)進行局部聚類中心的合并與更新，并形成節(jié)點pn WEcho消息。接著執(zhí)行步驟214 ；
局部聚類中心的合并與更新的公式如下
權(quán)利要求
1.一種基于節(jié)點置信半徑的P2P網(wǎng)絡(luò)分布式聚類方法，其特征是采用如下步驟步驟1 在網(wǎng)絡(luò)中隨機選擇初始節(jié)點作為聚類發(fā)起節(jié)點，并且隨機選擇k個數(shù)據(jù)作為初始聚類中心；步驟2 聚類發(fā)起節(jié)點將初始聚類中心作為Probe消息發(fā)送給其所有直接相鄰的鄰居節(jié)點，以便聚類發(fā)起節(jié)點自主地更新局部聚類中心并更新自身的聚類置信半徑；每一個鄰居節(jié)點也都繼續(xù)消息轉(zhuǎn)發(fā)過程，并等待從其鄰居節(jié)點接收Echo消息，以完成局部聚類；步驟3:聚類發(fā)起節(jié)點等待其鄰居節(jié)點回送Echo消息，若接收到其所有鄰居節(jié)點的 Echo消息，網(wǎng)絡(luò)中所有節(jié)點的局部聚類已完成，轉(zhuǎn)到步驟4，否則繼續(xù)等待鄰居節(jié)點回送 Echo消息；其中，Echo消息中包含節(jié)點根據(jù)自身數(shù)據(jù)及結(jié)合它的直接相鄰的鄰居節(jié)點聚類數(shù)據(jù)所完成的局部聚類后所形成的局部聚類中心、所得局部聚類中每個類所包含的數(shù)據(jù)對象數(shù)，以及本節(jié)點是否需要繼續(xù)迭代的邏輯變量；步驟4 聚類發(fā)起節(jié)點將接收到的Echo消息中所包含的局部聚類信息與自身節(jié)點的局部聚類信息進行合并形成整個網(wǎng)絡(luò)的聚類中心，并應用Fisher線性判別準則計算該節(jié)點的置信半徑；步驟5 聚類發(fā)起節(jié)點計算保留的上次聚類中心和本次聚類完成后所形成聚類中心的距離，若該距離小于置信半徑并且接收到的邏輯變量都為false，則聚類過程結(jié)束；否則轉(zhuǎn)到步驟2，開始下一輪聚類過程。
2.根據(jù)權(quán)利要求1所述的一種基于節(jié)點置信半徑的P2P網(wǎng)絡(luò)分布式聚類方法，其特征是步驟2所述局部聚類過程具體是1)節(jié)點Pn從其鄰居節(jié)點接受消息；2)節(jié)點Pn進行消息判斷，若為Echo消息，則進行步驟7)；否則為Probe消息，轉(zhuǎn)步驟 3)繼續(xù)判斷；3)節(jié)點Pn進行是否首次收到消息判斷，如果否，則轉(zhuǎn)步驟8)；如果是，則繼續(xù)步驟4)；4)節(jié)點Pn進行首次接收ftObe消息處理，將消息處理數(shù)置1；將首次發(fā)送Probe消息的節(jié)點設(shè)為父節(jié)點P ；5)節(jié)點Pn將收到的ftObe消息轉(zhuǎn)發(fā)給除了父節(jié)點ρ以外的所有鄰居節(jié)點；6)節(jié)點Pn將自身包含的局部數(shù)據(jù)按照其到Probe消息中所含聚類中心的距離進行聚類，將每一個局部數(shù)據(jù)分類到聚類中心距離最小的某一個聚類中，計算節(jié)點Pn的局部聚類中心和置信半徑；7)鄰居節(jié)點返回了Echo消息給節(jié)點Pn，節(jié)點Pn將接收消息處理數(shù)累加1 ；8)鄰居節(jié)點發(fā)送了Probe消息給節(jié)點Pn，節(jié)點Pn將接收消息處理數(shù)累加1，只對返回 Echo消息的鄰居節(jié)點進行局部聚類結(jié)果的合并；9)節(jié)點Pn進行消息處理數(shù)判斷，如果消息處理數(shù)不等于鄰居數(shù)則轉(zhuǎn)到步驟1)繼續(xù)等待從鄰居節(jié)點接收消息；否則執(zhí)行步驟10)；10)判斷本節(jié)點Pn前后兩次聚類中心的距離是否超過置信半徑或者接收到Echo消息中所包含的邏輯變量不全為false，若判斷正確，該節(jié)點或者其鄰居節(jié)點進一步聚類，進行步驟11)；如果判斷不成立，則執(zhí)行步驟12)；11)節(jié)點Pn將邏輯變量置true，以指示初始聚類節(jié)點繼續(xù)下一個聚類迭代過程；12)節(jié)點Pn將邏輯變量置false，節(jié)點Pn及以該節(jié)點為父節(jié)點P的其他節(jié)點已完成聚類；13)節(jié)點Pn將接收到的Echo消息中所包含的聚類信息與本節(jié)點的聚類信息進行局部聚類中心的合并與更新，并形成節(jié)點Pn的Echo消息；14)節(jié)點Pn發(fā)送Echo消息給父節(jié)點P。
全文摘要
本發(fā)明公開一種基于節(jié)點置信半徑的P2P網(wǎng)絡(luò)分布式聚類方法；采用一種基于Fisher判別來確定聚類置信半徑的分布式K-Means聚類算法，通過對每個P2P節(jié)點的數(shù)據(jù)進行自主學習，網(wǎng)絡(luò)中節(jié)點通過分別應用Fisher線性判別率，確定同一類數(shù)據(jù)在節(jié)點上的稠密和稀疏分布，從而確定聚類的置信半徑并指導下一步的聚類，根據(jù)網(wǎng)絡(luò)上各個節(jié)點的數(shù)據(jù)分布動態(tài)地計算出置信半徑，確定節(jié)點上的聚類置信半徑，指導下一次聚類及聚類的迭代過程，在保證聚類效果的同時，減少分布式網(wǎng)絡(luò)上聚類的迭代次數(shù)以節(jié)省帶寬，提高網(wǎng)絡(luò)的應用水平。
文檔編號H04L12/58GK102185919SQ20111011349
公開日2011年9月14日 申請日期2011年5月4日 優(yōu)先權(quán)日2011年5月4日
發(fā)明者沈項軍, 蔣中秋, 林琳, 朱倩, 張科澤 申請人:江蘇大學