基于异常识别与有损压缩的无线AP数仓构建方法

李明; 李明春; 刘世超

doi:10.13756/j.gtxyj.2022.05.013

您当前的位置：

首页 >

文章列表页 >

基于异常识别与有损压缩的无线AP数仓构建方法

无线通信技术 | 更新时间：2023-01-29

- 基于异常识别与有损压缩的无线AP数仓构建方法
- A Construction Method of Wireless AP Data Warehouse based on Anomaly Identification and Lossy Compression
- 光通信研究 2022年第5期页码：74-78
- 作者机构：
  
  烽火通信科技股份有限公司，武汉　430074
- 作者简介：
  
  李明（1980-），男，山东烟台人。高级工程师，硕士，主要研究方向为通信工程、宽带业务等。
  李明春，教授级高级工程师。E-mail：375952106@qq.com
- 基金信息：
- DOI：10.13756/j.gtxyj.2022.05.013
  中图分类号： TP311.13
- 纸质出版日期：2022-10-10，
  
  收稿日期：2022-03-23，
扫描看全文
李明, 李明春, 刘世超. 基于异常识别与有损压缩的无线AP数仓构建方法[J]. 光通信研究, 2022,(5):74-78.

LI Ming, LI Ming-chun, LIU Shi-chao. A Construction Method of Wireless AP Data Warehouse based on Anomaly Identification and Lossy Compression[J]. Study on Optical Communications, 2022,(5):74-78.
李明, 李明春, 刘世超. 基于异常识别与有损压缩的无线AP数仓构建方法[J]. 光通信研究, 2022,(5):74-78. DOI： 10.13756/j.gtxyj.2022.05.013.

LI Ming, LI Ming-chun, LIU Shi-chao. A Construction Method of Wireless AP Data Warehouse based on Anomaly Identification and Lossy Compression[J]. Study on Optical Communications, 2022,(5):74-78. DOI： 10.13756/j.gtxyj.2022.05.013.

摘要

针对近年来电气和电子工程师协会（IEEE）802.11所定义的无线网络通信标准的全面普及，设备使用量和物联（IoT）数据激增，网络传输压力大，数据管理难，数据安全风险大等问题，基于多年的WiFi无线访问接入点（AP）管理以及数据仓库实施经验，文章实现了基于异常识别与有损压缩的无线AP数仓的构建。仿真结果表明，通过对无线AP重复性较高数据的异常识别以及有损压缩，能够切实解决网络设备重复和数据量过大导致的分布式数据仓库存储压力大及通信拥堵问题，大大降低了企业构建物联网数据仓库的成本。

Abstract

In response of the comprehensive popularization of Institute of Electrical and Electronics Engineers (IEEE) 802.11 in recent years

the rapid increase of Internet of Things (IoT) data has brought about problems such as high network transmission pressure

difficult data management

and high data security risks. Based on years of experience in WiFi wireless Access Point (AP) management and data warehouse implementation

this article expounds a construction method of wireless AP data warehouse based on anomaly identification and lossy compression. The results show that the abnormal identification and lossy compression of data with high repeatability of wireless AP can effectively solve the problems of high storage pressure and communication congestion in distributed data warehouses which caused by the excessive amount of repeated data of network equipment

and greatly reduce the overall cost when the company implement the data warehouse with IoT datas.

关键词

无线访问接入点异常数据识别数据仓库物联网

Keywords

wireless APabnormal data recognitiondata warehouseIoT

references

刘振宇, 武思捷. 无线AP在企业WLAN中的价值体现[J]. 中国宽带, 2021(9): 113.

Liu Z Y, Wu S J. The Value of Wireless AP in Enterprise WLAN[J]. China Broadband, 2021(9): 113.

段洁, 胡显静, 林欢, 等. 面向物联网数据特征的信息中心网络缓存方案[J]. 电子与信息学报, 2021, 43(8): 2240-2248.

Duan J, Hu X J, Lin H, et al. Information-Centric Networking Caching Scheme for Data Characteristics of Internet of Things[J]. Journal of Electronics & Information Technology, 2021, 43(8): 2240-2248.

杨青. 基于大数据分析的网络异常流量检测[J]. 机械设计与制造工程, 2018, 47(11): 79-82.

Yang Q. The Network Anomaly Traffic Detection based on Large Data Analysis[J]. Machine Design and Manufacturing Engineering, 2018, 47(11): 79-82.

袁磊, 赵俊三, 李红波. 物联网空间数据仓库框架体系及关键技术分析[J]. 地理信息世界, 2013, 20(1): 58-62, 80.

Yuan L, Zhao J S, Li H B. Architecture and Key Technology of Spatial Data Warehouse in Internet of Things Environments[J]. Geomatics World, 2013, 20(1): 58-62, 80.

张金鑫, 夏云浩. 物联网海量数据存储中心异常识别关键技术研究[J]. 网络安全技术与应用, 2021(12): 61-62.

Zhang J X, Xia Y H. Research on Key Technologies of Anomaly Recognition in Massive Data Storage Center of Internet of Things[J]. Network Security Technology & Application, 2021(12): 61-62.

王鹤, 李石强, 于华楠. 基于分布式压缩感知和边缘计算的配电网电能质量数据压缩存储方法[J]. 电工技术学报, 2020, 35(21): 4553-4564.

Wang H, Li S Q, Yu H N, et al. Compression Acquisition Method for Power Quality Data of Distribution Network based on Distributed Compressed Sensing and Edge Computing[J]. Transactions of China Electrotechnical Society, 2020, 35(21): 4553-4564.

徐光伟, 白艳珂, 燕彩蓉, 等. 大数据存储中数据完整性验证结果的检测算法[J]. 计算机研究与发展, 2017(11): 2487-2496.

Xu G W, Bai Y K, Yan C R, et al. Check Algorithm of Data Integrity Verification Results in Big Data Storage[J]. Journal of Computer Research and Development, 2017(11): 2487-2496.

周爱武, 崔丹丹, 肖云. 一种改进的K-means聚类算法[J]. 微型机与应用, 2011, 30(21): 17-19.

Zhou A W, Cui D D, Xiao Y. An Improved K-means Clustering Algorithm[J]. Microcomputer & Its Applications, 2011, 30(21): 17-19.

李东琦. 聚类算法的研究[D]. 成都: 西南交通大学, 2007.

Li D Q. Research of Clustering Algorithms[D]. Chengdu: Southwest JiaoTong University, 2007.

蒋亮, 唐紫珺. 基于Flume, Kafka, HDFS的多源数据采集系统[J]. 信息技术与信息化, 2021(6): 115-117.

Jiang L, Tang Z J. Multi-source Data Acquisition System based on Flume, Kafka and HDFS[J]. Information Technology & Informatization, 2021(6): 115-117.

更多指标>

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于光纤传感的物联网节点定位技术研究

基于物联网的光纤传感技术应用方案