记录自《物联网概论》

一、数据中心与大数据

1.1数据中心分类

企业数据中心enterprise（EBC）

互联网数据中心internet（IBC）

1.2数据中心等级

依据可用性、稳定性、安全性

• Tier1----基本数据中心
• Tier2----基础设施部件冗余
• Tier3----基础设施同时可维修
• Tier4----基础设施故障容错

1.3大数据的分析与处理

传统的方法：

• 聚类分析。相似数据分为一类
• 因子分析。利用几个因素反映原数据的大部分西信息
• 相关分析
• 回归分析
• 深度学习

大数据的方法：

• 散列法
• 布隆过滤器
• 索引
• 字典树
• 并行计算

常见大数据处理形式

• 静态数据
• 在线数据
• 图数据

归纳为下面四种形式：

• 批量数据处理系统
• 流式数据处理系统
• 交互式数据处理系统
• 图数据处理系统

二、数据库系统

2.1数据库类型

数据模型使数据库的核心和基础。物联网中的数据具有时效性，采用分布式实时数据库技术势在必行。此数据最大特点在于，事务和数据都有时限性。一旦超过规定时间，数据就失去了价值。

2.2数据库操作

• 桌面类数据库：access，foxpro
• 客户机/服务器类：sql server，oracle，postgres和sysbase

2.3 数据库与物联网

nosql 自定义数据格式，应对巨大数据快速存储、共享、分析和检索

高扩展，读写性能好，低成本

类型：

• 键值存储系统：每个数据存储一个key作为索引，与之相关的其他数据统统存如value值中。不关系数据内容照单全收，可扩展性高，依赖key进行快速查询
• 列存储系统：传统为行存储，每行有不同的字段属性值，字段需提前定义好。而行存储以属性为核心，同属性数据聚合。大数据存储中只关心少数字段，存储效率更高，支持动态扩展
• 文档存储系统:键值型与关系型的平衡。数据由键值对存储，值存储为json格式。文档格式自定义，比关系型数据库更好扩展。
• 图数据库系统：图结构（边和点）和属性来表示和存储数据。对图数据处理效率相比传统而言，提高很多。

三、数据挖掘

3.1数据挖掘过程

1）数据处理

• 数据准备
• 数据选取
• 数据预处理
• 数据变换

2）数据挖掘

• 选择算法。选择算法、模型和参数，如分类决策树算法、聚类算法、最大期望算法和pageRank算法。
• 数据挖掘。，运用算法，提取用户感兴趣的知识并展现出来，这是算法的核心。

3）知识评估与表示

经过评估，去除冗余的无关的模式。如不满足客户需要，需要返回前面的步骤反复提取，重新选择数据，变换规则。另外，还需要可视化结果

3.2 数据挖掘方法

• 统计分析方法：个属性统计分析，找出关系
• 决策树：采用树形结构展现数据受各变量影响情况的分析预测模型，建立在信息论基础上，对数据进行分析。通过一批已知数据进行训练得出一个决策树，并基于此随数据进行预测。
• 神经网络：模拟人脑思考结构的数据分析模型，从输入值中，获取知识，不断调整参数，从而得出结果。可对大量复杂数据进行数据分析。完成极为复杂的模式抽取和趋势分析。
• 遗传算法：模拟生物进化过程的智能算法，模拟物竞天择适者生存的法则，最终进行问题搜索。
• 粗糙集：将知识理解为对数据的划分。每一被划分的集合称为概念。利用已知知识库，将不确定和不精确的知识利用已知知识库进行近似刻画处理
• 联机分析处理技术：用具体图形将信息模式、数据关联趋势呈现给决策者，使用户交互的分析数据的关系。

3.3 物联网中的数据挖掘

1）异构数据处理

海量多源异构数据挖掘

2）分布式数据挖掘

中央模式不可行。

分布式数据挖掘=分布式计算处理+数据挖掘

集中式。数据集于中心，分布发送给个节点进行处理。只适合数据量少。

局部式。全局控制节点，多点辅助节点。全局是核心，选择数据挖掘算法和处理集合。辅助接点从智能对象中接收数据，进行预处理并保存。辅助接点间互相交换对象数据，处理数据和信息。辅助接点受控于全局节点，并将预处理后的信息交与全局节点进一步处理。