移动网络用户行为挖掘模型及在E?Learning系统中的应用

王玲

摘 要： 通过对移动用户的行为挖掘模型构建，并应用在E?Learning网络学习移动中，实现E?Learning系统的优化设计。提出一种基于频繁项集关联规则分析的移动网络用户行为挖掘模型，结合嵌入式Linux进行E?Learning系统的开发设计。进行E?Learning系统的总体设计描述，开启SQL驱动支持来编译基于ARM平台的QWT库，构建TinyOS的通信机制，实现无线消息包组的传输。软件开发主要包括移动网络用户节点程序设计、节点程序开发、上位机通信。在嵌入式Linux系统下的程序引导和软件的移植实现了对移动网络用户行为模型挖掘和E?Learning系统的软件开发设计。实验结果表明，该移动网络用户行为挖掘模型具有较好的数据挖掘性能，系统优化设计提高了E?Learning系统对移动网络用户的服务质量，展示了较好的应用价值。

关键词： 移动网络用户； 行为挖掘； E?Learning系统； 优化设计

中图分类号： TN926?34； TP393 文献标识码： A 文章编号： 1004?373X（2016）24?0083?05

Mobile network user behavior mining model and its application in E?Learning system

WANG Ling

（School of Continuing Education， Guizhou University of Finance and Economics， Guiyang 550003， China）

Abstract： The optimization design of the E?Learning system was realized by the mobile user′s behavior mining model construction and application in the E?Learning network learning movement. A mobile network user′s behavior mining model based on association rules of frequent item sets is proposed. The development and design of E?Learning system is conducted based on embedded Linux. The overall design of the E?Learning system is described. The QWT library based on ARM platform is compiled by opening SQL driver support. The TinyOS communication mechanism is constructed to realize the wireless message transmission packet group. The software development mainly includes the mobile network user node program design， node program development and PC communication. The mobile network user behavior model mining and E?Learning system software development and design were implemented by means of the program guide and software porting in the embedded Linux system. The experimental results show that the mobile network user behavior mining model has good data mining performance， and system optimization design improves the service quality of E?Learning system for mobile network users. It has the good application value.

Keywords： mobile network user； behavior mining； E?Learning system； optimization design

0 引 言

移动网络用户在网络空间中进行业务处理、数据收发和信息交换，产生各种与网络用户相关的业务流交互行为，移动网络用户的行为通过承载用户业务和数据信息流数据特征流来体现，移动网络用户的行为特征信息流是一组时间序列，表现为具有某些特征量的统计特征和用户关联信息特征，通过对移动网络用户行为的特征提取和模式挖掘，可以定量控制和分析移动网络的用户行为，对移动网络用户行为的时间序列进行分段聚类挖掘处理，考虑利用不同业务流的相邻分组和大数据信息特征，最大程度地实现存储空间的均匀遍历，提高移动网络用户的监控能力。Electronic Learning （E?Learning）是一种全新的网络学习方法，随着移动网络用户行为挖掘模型的有效构建，并应用在E?Learning的学习系统设计中，实现对资源库的综合集成，提高应用信息科技和互联网技术进行内容传播的能力。因此，移动网络用户行为的挖掘模型在E?Learning系统的构建具有重要的应用价值[1]。

E?Learning系统是建立在移动网络用户行为模型挖掘的基础上，通过对承载用户业务的数据流进行信息模型构建和特征分析，实现在某个时间点或时间段内的流量分析和查询，以此为输入嵌入到E?Learning系统中实现移动网络用户行为模型分析和构建。传统方法中，对移动网络用户行为模型的挖掘方法主要有基于ARM硬件平台开发的E?Learning系统下移动网络用户行为模型的挖掘、基于经验模态分解的移动网络用户行为模型的挖掘方法、基于报文长度和时间间隔分段接收的移动网络用户行为模型挖掘方法等[2?4]，并取得了一定的研究成果。

1 移动网络用户行为挖掘模型及E?Learning系

系统总体设计

1.1 移动网络用户行为挖掘模型设计

通过研究移动网络用户行为挖掘模型，应用在E?Learning系统的构建中[5?7]，提高学习效率，首先构建移动网络用户行为挖掘模型，假设不同的用户行为节点之间在通信状态会产生MAC层与业务流关联的时间序列[P=（p1，p2，…，pn）]，不同类型的业务流通过时间序列进行聚类调度分析，根据主机Agent与分析中心的协议规定，在主机Agent发送的各种监测数据是构建一段业务流进行移动网络用户行为监测，通过旁路方式捕获计算机中主要负责数据收发的报文长度和时间间隔等用户行为特征，进行移动网络用户行为特征挖掘，在移动网络用户行为挖掘过程中，用户终端节点通过通信模块收到服务请求后，监控模块负责提供服务器端的底层的通信机制，移动网络用户行为挖掘模型的总体流程如图1所示。

由图1可见，移动网络用户行为挖掘通过信息检索模块负责提供服务器端用户行为的规律特征，主服务器节点收到移动网络用户报文序列[P=（p1，p2，…，pn）]后，选取的报文子序列请求调度到存储该文件的服务器服务队列，文件信息资源接收时间戳后将根据报文长度加入服务器服务队列对移动网络用户的行为进行时序关联矩特征提取，每一行的各属性由网络行为决定，业务流段[Qi]和[Qi+1]之间存在两个属性值时，每一个行为属性样本[Xi]至各类属性的状态特征[Zj]的流量特征。

设移动网络用户的主机节点与特定外部对象持续指标[]为基本观测窗口，为了准确观察主机通信行为，计算用户时间信息，采用关联规则分析方法挖掘主机运行工作时间[W=te-ts]，[W]为移动网络用户的主机节点观测的最大长度，系统通过频繁项集设定观测间隔[Δw]，将时间窗口[W]划分为[n+1]个基本观测窗口， 由此挖掘出移动网络用户的行为空间轴上的关联特征信息：[{w0，w1，w2，…，wn}，n=WΔw]。假设[S={s1，s2，…，sm}]为移动网络用户相对独立的子序列[D]在[]期间的截获时间记录，给定信息系统[S=（U，C?D，V，f）]，其中[]为参数的单项数据项[si]的开始、结束时间。通过[S]中贝叶斯粗糙集项信息[si]特征提取，计算移动网络用户行为的非空有限论域：

[wi′=tsi′-tsΔw， wi″=tei′-tsΔw]

引入粗糙集向量数据合并技术，进行移动网络用户行为的[P]分段分割处理，使得每一个[Qj]都是一个相对独立关联时间信息，则特定类型的用户行为业务流在时间轴上的展宽为[W=te-ts]，[W]为本次主机行为观测的最大长度，系统通过基本观测间隔[Δw]将[W]划分为[n+1]个基本观测窗口：[{w0，w1，w2，…，wn}，n=WΔw]，见图2。

假定[xm+1]为移动网络用户行为决策属性的预测误差，计算公式为[xm+1=x1]，在有限个mass函数中扩充论域[U′]。通过上述算法设计，实现了移动网络用户行为挖掘，通过行为挖掘，把移动网络用户的时序关系的支持度特征分为[h]个连续的段[Q1，Q2，…，Qh]：

[Q1=（p1，p2，…，pc1），Q2=（pc1+1，pc1+2，…，pc2）， ?Qh=（pch-1+1，pch-1+2，…，pch）， ch=n]

并嵌入E?Learning系统中，提高E?Learning系统的可靠性和学习自适应性。

1.2 基于移动网络用户行为挖掘模型的E?Learning系统总体设计

在上述进行了移动网络用户行为挖掘的基础上，进行E?Learning系统设计，E?Learning系统设计主要是进行软件开发设计。采用模块化编程设计方法，将移动网络用户行为挖掘模型加载到Linux内核中， 利用虚拟文件系统VFS将驱动程序嵌入内核，实现流程主要有模块的注册，自动配置、初始化设备参数，中断服务程序和模块注销四个步骤。设备驱动程序开发过程中在dev目录下建立目录filesystem，在该目录下将linuxrc文件拷贝到filesystem/etc目录下保存基本的用户命令工具。

E?Learning系统的ARM硬件平台采用CCS （Code Composer Studio）设计，CCS是TI公司推出的集成开发平台，采用“自下而上”的设计方法，在用户主目录C5409 Device Simulator仿真环境下将系统管理程序分析向量的地址加载到PC，在E?Learning系统中，网络设备通过嵌入式Linux的系统开发进行报文接收和信息调理，通过对移动网络用户行为的模式挖掘，结合密集通信采样，识别用户行为特征，输入输出系统给用户提供一个简单、统一的系统调用接口，实现用户的在线学习，通过上述分析，E?Learning系统设计包括了程序驱动模块、自动配置模块、中断模块、时钟模块、I/O端口模块等，得到本文设计的基于移动网络用户行为模型挖掘的E?Learning系统的总体设计结构图如图3所示。

根据上述设计结构框图，进行E?Learning系统的软件开发设计，在嵌入式开发环境下，在E?Learning系统中实现移动网络用户行为挖掘。

2 系统开发设计与实现

2.1 基于移动网络用户行为挖掘的E?Learning系统应用程序开发

在上述进行了移动网络用户行为挖掘模型设计的基础上，进行E?Learning系统应用程序开发，采用交叉编译以及使用标准GCC编译的方式构建基于移动网络用户行为挖掘的E?Learning系统应用程序开发环境，编译链接生成脚本名为install?qt?x11.sh的open source，在宿主机上进行编译、仿真。开启SQL驱动支持来编译基于ARM平台的QWT库。运行make命令，开始编译，移动网络用户行为挖掘的E?Learning系统应用程序将QWS的LIB库放入rootfs的/lib下，文件编辑过程如图4所示。

基于移动网络用户行为挖掘的E?Learning系统应用程序开发过程中，在软件系统中使用的FFT函数，作为触摸屏驱动进行人机通信，使用JTAG 板（一般借助H?JTAG 软件） 把Linux 内核文件zImage直接烧写入NOR FLASH。在虚拟文件系统中负责管理和存储文件信息，从而引导加载程序（Boot loader），内核通过一个加载模块来动态地加载或移除模块（module），得到程序加载的接口代码如下：

interface Scheduler {

The state of runNextTask running the taskvoid init（）；

command NesC keyword statement component task （bool sleep）； //调用runNextTask（TRUE）

command void taskLoop（）； //使用TaskBasic接口

}

在对移动网络用户行为挖掘中，运行的任务通过TaskBasic的接口声明runNextTask（）的状态。当E?Learning系统的一个组件使用post关键词投递一个移动网络用户行为特征时，它调用的是postTask命令。每一个TaskBasic（基本任务）必接收通知上层的射频字节的ID作为参数连线到调度程序。并发信号通知高层次的主动消息组件（Active Message），调用unique函数获得下一个任务的ID。自动地对声明的任务进行连线，程序组件SchedulerBasicP用task或者post关键词声明射频字节组件内部的任务，nesC编译器会自动完成连线工作。通过构建TinyOS的通信机制，实现无线消息包组的传输，得到TinyOS的通信机制模块如图5所示。

在本文系统中，TinyOS是用汇编和C语言编写的，整个程序由多个组件（component）连接（wired）构成，可通过对同一接口不同的句柄事件进行分别处理，asyc申明的命令或事件申明语法如下：

interface name {

commandSimple interface and parameterized interface （void）；

event result_t Logic function module （void）；

}

通过上述分析，完成了基于移动网络用户行为挖掘的E?Learning系统应用程序开发。

2.2 E?Learning系统的软件平台设计优化实现

在上述完成对E?Learning系统的移动网络用为行为模式加载和嵌入式设计的基础上，进行E?Learning系统的软件平台开发优化。软件开发主要包括移动网络用户节点程序设计、节点程序开发、上位机通信等。E?Learning系统的节点程序主要支出TCP/IP协议栈，文件MinePressureCollectionC.nc里面完成在嵌入式Linux系统下的程序引导和软件的移植，充分利用开源Linux操作系统的交叉编译功能，在程序使用如下接口：

interface Embedded target systemr as Check；

//交叉编译计数器设定

interface Read； //通过串口作为控制台

interface Virtual machine installation；

//编译出ARM上运行的代码

interfacearm920t?eabi.tgz； //Indication

interface Boot；

interface DisseminationValue as SettingsValue；

interface export PATH=$PATH；

interface Init as SensorInit；

interface configuration file as SensorControl；

interface Overallcontrol compilation as Collection Control；

interface Linux kernel image as DisseminationControl；

//目录下生成Linux内核映像文件

interface SplitControl as RadioControl；

interface LoUNIX class operating system； //UNIX类操作系统

interface Mount； //Persistent storage

interface ConfigStorage；

在上述接口程序配置的基础上，执行“Make menuconfig”后，在主菜单里选择退出，并选“Yes”保存，编译结束后，会在arch/arm/boot目录下进行添加、修改等操作。

采用的交叉编译以及使用标准GCC编译方式构建开发编译环境，转到脚本存放的目录，输入命令source install?qt?x11.sh，在E?Learning系统中，编译phonon 模块+ ?phonon?prefix

3 系统性能测试仿真实验

为了测试本文模型在实现移动网络用户行为挖掘和E?Learning学习中的性能，进行系统性能测试，实验中，采用Matlab数学编程工具进行移动网络用户行为挖掘模型的算法设计[8?10]，在程序设计的基础上，采用s3c2440_adc_open（）函数进行移动网络用户行为挖掘的程序加载，I2C总线采用硬件设置器件地址实现同步通信寻址，编译包括26个基本命令和8个专用命令进行总线宽度和数据传输开始位的设定，设置SDICON寄存器，运行Qt/Embedded实现移动网络用户行为挖掘，移动网络用户行为表现为一组承载用户业务的数据流，得到挖掘到的移动网络用户行为数据流时间序列如图6所示。

以上述挖掘到的移动网络用户行为的研究为对象，加载到本文设计的E?Learning系统中，进行E?Learning系统的学习服务质量对比分析，得到仿真结果如图7所示。由图7可见，采用本文方法进行E?Learning系统设计，通过对移动网络用户行为有效挖掘，提高了E?Learning系统对移动网络用户的服务质量，展示了较好的应用性能。

4 结 语

E?Learning系统是建立在移动网络用户行为模型挖掘的基础上，通过对承载用户业务的数据流进行信息模型构建和特征分析，实现在某个时间点或时间段内的流量分析和查询，以此为输入嵌入到E?Learning系统中实现移动网络用户行为模型分析和构建。本文提出一种基于频繁项集关联规则分析的移动网络用户行为挖掘模型，在嵌入式Linux系统下进行系统设计和软件开发。实验分析表明，该移动网络用户行为挖掘模型和E?Learning系统具有较好的行为挖掘准确性，提高了E?Learning系统对移动网络用户的服务质量，展示了较好的应用价值。

参考文献

[1] 崔永君，张永花.基于特征尺度均衡的Linux系统双阈值任务调度算法[J].计算机科学，2015，42（6）：181?184.

[2] MAHMOUD E E. Complex complete synchronization of two nonidentical hyperchaotic complex nonlinear systems [J]. Mathematical methods in the applied sciences， 2014， 37（3）： 321?328.

[3] PALOMARES I， MARTINEZ L， HERRERA F. A consensus model to detect and manage non?cooperative behaviors in large scale group decision making [J]. IEEE transactions on fuzzy system， 2014， 22（3）： 516?530.

[4] ELDEMERDASH Y A， DOBRE O A， LIAO B J. Blind identification of SM and Alamouti STBC?OFDM signals [J]. IEEE transactions on wireless communications， 2015， 14（2）： 972?982.

[5] KARAMI E， DOBRE O A. Identification of SM?OFDM and AL?OFDM signals based on their second?order cyclostationarity [J]. IEEE transactions on vehicular technology， 2015， 64（3）： 942?953.

[6] MOHAMMADKARIMI M， DOBRE O A. Blind identification of spatial multiplexing and Alamouti space?time block code via Kolmogorov?Smirnov（K?S） test [J]. IEEE communications letters， 2014， 18（10）： 1711?1714.

[7] ELDEMERDASH Y A， DOBRE O A， MAREY M， et al. An efficient algorithm for space?time block code classification [C]// Proceedings of IEEE Global Communications Conference. Atlanta， USA： IEEE， 2013： 3329?3334.

[8] 郭帅，马书根，李斌，等.VorSLAM算法中基于多规则的数据关联方法[J].自动化学报，2011，39（6）：883?894.

[9] 杨明，卢青，苏标.基于环境承载力的连续型交通网络设计双层规划模型与算法[J].长沙理工大学学报（自然科学版），2015（1）：23?28.

[10] 王茜，陈辉元，王士元.城市交通管控系统在应急处置体系中的研究与应用[J].中国电子商务，2014（16）：306.