通信网络的分类范文

前言：我们精心挑选了数篇优质通信网络的分类文章，供您阅读参考。期待这些文章能为您带来启发，助您在写作的道路上更上一层楼。

第1篇

[关键词]运营商；通信网络建设；分层分类管理

doi：10.3969/j.issn.1673-0194.2015.08.039

[中图分类号]F626 [文献标识码]A [文章编号]1673-0194（2015）08-0056-01

近年来通信业发展飞速，移动、联通等大型电信运营商要对通信工程进行合理的分层分类管理，这样可以有效地节约成本，进而提高电信运营商的经营效益。

1 从管理层进行区分

目前，包含移动、联通在内的较大的电信运营商都已经在海外上市，这些运营商一般都包含地市、省、集团三级结构，从公司组织结构上讲，移动和电信是母子公司架构，联通等是股份公司、分公司架构，而这些电信运营商的地市公司属于本地网，由分公司对其进行管理。不论使用何种架构，从本质上来说，这些大运营商的决策中心都是集团公司，利润中心是省级公司。电信运营商的地市级公司只是成本中心或营销中心。所以，具有全局战略意义的重大通信工程应由集团公司进行统一规划，再由地市级、省级公司落实，例如调整优化全网结构等。只有这样才能使电信运营商的经营顺利进行，才能保证通信工程的质量。具有局部战略意义的通信工程则可以由省级公司主导，集团公司只需要审批并进行指导。战略意义及影响较小的通信工程可以交由地市级公司来主导，因为这些项目一般具有总投资大、数量多的特点，由地市级公司对其进行立项并负责其投资回报率，可以实现这些通信工程项目收益最大化，有利于这些电信运营商的发展。

2 从市场角度进行区分

从市场角度讲，运营商可以分为引导客户需求和满足客户需求两类，依据对市场的了解程度，把那些以占领市场、满足客户需求为目标的通信工程放在比较接近市场与用户的本地网进行立项，可以有效地提高运营商的市场反应速度，进而更好地满足客户需求。省级集团客户和全国性行业客户，应依据决策者与信息所有者相一致的原则，将其交由省级公司或者集团公司进行统一部署，为用户提供专业化、界面统一的服务。以引导客户需求为最终目标的通信工程项目如新技术、新业务的上线应该交由集团公司进行统一部署、统一牵头、分步实施，因为建设这些通信工程项目需要决策单位对整个通信行业十分了解，需要决策单位有敏锐的洞察力和长远的眼光。

3 从地域和投资额进行划分

依据责、权、利相统一的原则，立项主导单位可以依据通信工程的投资额大小来划分，也可以依据地域不同来划分，例如：集团公司对全国性光缆工程进行统一规划，省级公司对省级干线进行立项，地市级公司对本地网内的小通信工程以及二级干线进行统筹实施。但是地域和投资额划分方式存在一定的弊端，这两种划分方式都是粗放型的。如果运营商要成功获得竞争优势，不能以这两种划分方式为主导，其只能在运营商总体规划中起辅助作用。

4 投资额较大的通信工程的分类方法

电信运营是技术密集、资本密集产业，它具有寡头垄断、投资巨大、进入门槛高以及政策性强等特点。如今电信运营商已在我国形成“5-1”竞争格局，而且各地也存在着许多以接入服务以及增值服务为基础的开放性虚拟运营商与地方小型运营商。基于这些情况，可以使用麦肯锡―通用电器矩阵对新业务通信工程和战略性工程决策进行优先排序。麦肯锡―通用电器矩阵是以新业务吸引力和企业竞争力为轴做出的表格，而新业务领域吸引力包含的主要因素是风险、收益率、市场规模和增长空间。公司的竞争地位包含的主要因素是灵活性、竞争优势持续性、市场份额以及有效的业务系统等。麦肯锡―通用电器矩阵主要对外部市场以及企业自身比较优势进行描述，电信运营商可以依据自身能力和资源状况以及所面对的市场情况，指导电信运营商充分利用网络外部性、协同效应以及电信运营业的规模经济进行合理的投资。

5 本地小通信工程的分类方法

本地小通信工程工作量大，单个项目投资额小，投资项目零散。电信运营商在管理实务中一般会根据参数与指标的不同对这些本地小通信工程进行分类，由本地小通信工程所在地域决定其建设优先级别和投资额度。目前划分方法有ABC分类法，以及根据非直接收益投资和直接收益投资分类两种。ABC分类法是把收入增长率以及投资回报率作为划分的维度，这种分类法在进行划分的同时，还考虑了成长性与收益性这两个具有一定关联性的目标，这两个目标都是一种前瞻性指标，它们都要求对未来的发展趋势、区域经济环境以及工程服务对象等有充分了解。在ABC分类方法的实际使用中，因为信息的不对称性，一般使用那些历史性指标，对企业所在行业的发展趋势进行预测。倘若企业是其服务对象，还要把握该企业拥有的能力与资源状况、该企业所在行业的发展趋势等。非直接收益投资指的是没有使企业的收入明显增长的投资。在非直接收益投资和直接收益投资分类中，一般要先对直接收益投资项目进行立项。

第2篇

数据挖掘 数据解析 网络业务类型划分 聚类算法

1 引言

21世纪信息和通信技术高速发展，技术的进步给人们的日常生活带来了诸多便利。通讯是社会交往中的重要纽带，推动着数字信息的发展。通信行业的大数据应用，能够优化移动通信网络，开拓更丰富的服务业务，为移动用户提供更精准、更便捷的服务。

Gn数据是Gn口原始码流解析得到的数据，主要反映用户使用各类数据业务的详细情况。在传统的Gn数据解析过程中，流量类型里“未识别TCP流量业务”、“未识别UDP流量业务”和“DNS解析流量业务”等类型均被划为未知服务。这样的计算模型会导致解析结果里未知服务的占比很高。

本文针对原始Gn数据，提出了一种新的网络业务分类方法：利用大数据并行计算模式解析DNS业务里的URL，解析结果通过挖掘算法（基于密度的聚类算法）模型处理，以确立新的网络业务类型。

2 技术介绍

2.1 大数据处理步骤

大数据的飞速发展已经影响到了各行各业，其中信息、互联网和通信行业受到的影响最大。大数据的到来恰逢通信行业的转型过渡阶段，给这个行业注入了新鲜的血液。

大数据处理方法通常为四步，分别是原始数据的采集、数据导入和预处理、数据的统计和分析以及数据挖掘。下面将按照这四个步骤的顺序进行阐述。

（1）数据采集

数据的采集阶段是指用数据库来接收以Web、App等形式传送的数据，在大数据的采集过程中，最主要的问题是处理高并发数，同一时间c可能会有上万条申请操作。而采集阶段通常采用的优化方式是在这些数据库之间进行分时分片管理和负载均衡。

（2）数据导入和预处理

数据导入指的是将原始数据导入到分布式存储集群，并且在导入过程中，对数据做去除噪声点、筛选特定条件等清洗工作。导入和预处理过程中面临的主要效率瓶颈是网络带宽和磁盘IO。

（3）数据统计和分析

大数据场景下的统计与分析主要通过分布式计算集群来对数据进行分析和分类汇总等，在这一阶段，最常用的两个计算框架是Hadoop和Spark。统计与分析遇到的主要问题是，分析时所涉及的数据量通常很大，其对系统资源会造成极大的占用。

（4）数据挖掘

数据挖掘阶段是一个知识发现的过程，一般没有预先设定好的主题。比较典型的算法有用于聚类分析的K-means算法、用于统计学习的SVM算法和用于分类的Na?ve-Bayes算法。该过程的特点主要是用于挖掘的算法一般比较复杂，考虑到系统资源的开销，需要选择合适的计算框架。

2.2 基于聚点密度和距离的高效聚类算法

把一个数据集分割成不同的类或簇，使得同簇内数据对象的相似性尽可能大，不同簇中数据对象的差异性也尽可能地大，通常采用聚类算法。从传统的聚类分析方法来看，在进行聚类之前都需要先确定要聚类的类别数目，然而在现实运营数据的分析过程中，聚类的类别结果通常是未知的，一般要经过多次实验来获得相对合适的聚类数目。考虑到本文中要分析的数据是多维度的结构化数据，且聚类结果不需要人工干预，可以参考Alex Rodriguez和Alessandro Laio提出的新的聚类算法，下面对此聚类算法做简要介绍。

该算法假设所确定的类簇中心点是由一些局部密度相对其较低的点所环绕，并且这些点与其他高局部密度点（其他类簇中心点）的距离都比较大。首先定义两个值：局部密度ρi以及到其他高局部密度点的距离δi。

ρi=Σj X（dij-dc） `（1）

（2）

公式中dc是一个临界变量值，是一个预先设定的参数。从公式（1）和（2）可以得出，ρi相当于和点i的距离差值小于dc的点的个数。由于该算法只对ρi的相对值敏感，所以面对大数据量时，为了算法的健壮性，对dc的选择最好使得平均每个点的邻居数为所有点数量的1%～2%。

δi=minj：ρj>ρi （dij） （3）

根据公式（3），δi用来表示点i和点j直接的距离，其中ρj>ρi。对于ρ值最大的点，设置其δi=maxj （dij）。

局部密度ρi和据其他中心点距离δi的值均很大的点被认为是类簇的中心。局部密度较小但是δi较大的点则是异常点。在确定了类簇中心之后，非中心点属于其距离最近的类簇中心所代表的类簇。

图1是以ρ为横坐标、以δ为纵坐标的决策图。可以看到，1号和10号两个点的ρi和δi都比较大，可以作为聚类焦点。11、12、13三个点的δi比较大，但是ρi较小（周围点密度太小），所以是异常点，在聚类过程中将被清洗掉。

3 服务类型划分系统模型设计

传统的Gn数据解析过程中，在流量类型字段里，将“未识别TCP流量业务”、“未识别UDP流量业务”和“DNS解析流量业务”划为未知服务。这样的计算模型导致Gn数据解析后，业务类型里会有很高占比的未知服务。解决大量的“未知服务”的分类结果，既可以最大化地利用原始数据，又可以在多维度的情况下，细分用户的网络业务。系统采用分布式集群架构，如图2所示，分为数据获取、数据清洗、数据解析、数据云存储、数据模型挖掘、挖掘结果分析几个步骤。

数据获取阶段，将Gn接口数据通过FTP的方式将数据传送给数据清洗模块。

数据清洗主要是完成无效字段的替换，将RNC解析流量对应URL为空的记录删除，并完成目标数据的选取，将Gn原始数据类型中流量类型为RNC解析流量的记录截取出来。

数据解析，如图3所示，所映射的URL包括查询的域名及查询类型。解析URL需要解析协议（如http、https）、域名或IP、端口号（如7001、8080）、Web上下文、URI，请求资源地址等。此处需要解析出域名，并将其存储为一个新的字段。做一个URL映射表，将访问域名进行归类映射，例如SINA映射为新闻咨询浏览，tianya映射为讨论类论坛，weibo映射为社交网络等。

数据云存储阶段，将解析后的数据以Parquet文件块的形式存储在HDFS上，作为数据挖掘接入口。

数据挖掘模型采用2.2节介绍的基于聚点密度和距离的高效聚类算法。将解析后的数据作为输入端，通过挖掘模型计算，自动生成聚类结果。此处需要注意的是，由于算法中dc变量值（表示测量点临界间距）需要事先设定好，所以为了得到合理的结果，需多次对数据进行训练，找到一个符合业务分析需求的特定值。另外，根据用户实际使用情况，同一种业务在不同时间段会产生不同的用户体验需求，以及每个人会有不同的使用习惯等，将输入参数定为业务发生时间、RNC解析URL域名、年龄这三个字段。

4 计算结果分析

经过多次训练，得到聚类分析结果，分别为：

（1）深夜（22：00―24：00），年龄

（2）中午（11：00―13：00），26

传统方式的Gn数据解析后，服务型分为流媒体业务、下载业务、即时通信、浏览业务和未知服务五类。结合聚类分析的结果可以初步判断，在未知服务内会有大部分人喜欢深夜使用社交网络服务，以及会有很多青年人会选择在中午的时候浏览新闻咨询。可以尝试在服务类型中将第五类未知服务新分出一类：社交网络服务，其确定的方法可以按照聚类的方式倒推，即匹配其解析后的URL。

5 结束语

本文对比传统的Gn数据解析方式，提出了一种基于数据挖掘的网络业务类型划分方法。在实际应用中，该方法在处理大规模数据和高维数据时性能有待于提高。针对这种情况，有学者提出一种在高维空间挖掘映射聚类的方法PCKA，它能从多个维度中筛选出相关的维度，并根据相关维度进行聚类。另一方面，如需要对全国范围的Gn数据业务分类，应使用更全面的数据进行模型训练。

参考文献：

[1] 陈宇. 京广高铁GPRS业务Gn接口数据监测的应用[J]. 郑铁科技， 2013（1）： 23.

[2] 韩宇. 基于数据挖掘的联通运营监控模块的设计与实现[D]. 沈阳： 东北大学， 2011.

[3] 陈平，郭兰珂，方俊湘. 微信业务的识别方法研究[J]. 移动通信， 2013，37（18）： 80-83.

[4] 郑桂凤. 移动互联网的用户行为分析系统的设计与实现[D]. 北京： 北京邮电大学， 2010.

[5] 闫春荣，牟宏蕾，郝亚飞. 移动通信大数据信息在决策分析平台中的应用方案研究[J]. 移动通信， 2016，40（10）： 24-28.

[6] 李玲俐. 数据挖掘中分类算法综述[J]. 重庆师范大学学报： 自然科学版， 2011（4）： 44-47.

[7] 刘明吉，王秀峰. 数据挖掘中的数据预处理[J]. 计算机科学， 2000，27（4）： 54-57.

[8] 胡志风. 大数据在职务犯罪侦查模式转型中的应用[J]. 国家检察官学院学报， 2016（4）： 144-153.

[9] 郑雅丽. 图书馆应用大数据的策略研究[J]. 科技视界， 2015（12）： 163-164.

第3篇

关键词：网络分类法；分类法；信息组织

当今，网络信息迅速发展，如何提高用户网络信息资源的检索率需要对网络信息加以组织与揭示。分类法是一种按照事先规定好的学科或体系范畴，依照一定的属性将信息分门别类地组织起来以便查检的方法。传统分类法是对文献的一种分类法，包括《中图法》、《人大法》等。网络分类法是对分布在互联网上的信息资源进行分类的方法。由于网络信息分类法尚存在一些问题，如何利用传统分类法的优势完善网络信息分类法成为如今讨论的热点。

1网络信息分类法与传统文献分类法的比较

1．1分类对象不同传统分类法以物理或实体的文献为对象，如印刷文献、磁带、光盘等［1］，对其的内容进行标引和整序。网络信息分类法则以分布在各个服务器上纷繁复杂的网络资源为处理对象，对它们进行组织与加工。因为处理对象的不同，形成了两种不同的分类法。1．2对象半衰期不同传统分类法对象是实体文献，半衰期长，更新速度慢。所以传统分类法对文献的标引与整序需要规范的受控词汇。而网络信息分类法对象是网络化信息，半衰期短，更新速度快，稳定性差。所以网络信息组织与整序需要灵活的自然语言。1．3类目的排列方式不同传统分类法的类目严格按照逻辑层次划分，具有科学性和严密性，偏向于专业性，对普通用户适用性差。网络分类法由于适用于普通用户，专业性不强又同位类数量大，因此不局限于使用逻辑排列法，广泛采用按重要性、字顺排列的方法。

2传统分类法在网络信息组织中的应用

2．1传统分类法在网络信息组织中应用的现状在国外，一些著名分类法被网站或搜索引擎用来组织网络信息。在中国，传统分类法应用于网站目前包括两种情况：①各大搜索引擎的类目设计上，运用传统分类法主题分类的思想，为缩小搜素范围，在搜索框上方设计几个主题模块。比如，百度搜索引擎的搜索框上方已经将内容分为“新闻、地图、贴吧”。②网址导航系统，在整体上或者局部参考一个或几个文献分类法的类目体系。但是，分类法应用于网络信息资源的组织仅局限于局部分类体系或主题法，并没有形成体系。2．2网络信息组织的缺陷2．2．1分类体系混淆。网络分类法在设置大类时，对知识的系统性考虑不足，更多的是以信息量和信息内容的重要性及其使用频率为标准［2］，大多数网站只选取些热门事物作为主题类目，忽略通用性的因素不科学的设置类目。2．2．2类目概念划分逻辑混乱。类目概念划分逻辑不清，比如搜狐网站将“财经”、“理财”、“股票”、“基金”原本属于上下位类关系的主题词列为同位类。各别网站为吸引眼球在类目下设置非此类的信息，如搜狐网站在“游戏”类目下设置“大学”、“情感”等主题。这种概念归属不清，给用户查找相应信息造成了困难。2．3传统分类法用于网络信息组织的优势由于网络信息急剧膨胀，如何在复杂的信息中准确地查找信息，需要对信息进行科学的组织标引。目前网络信息分类法并不完善，需要借鉴传统分类法科学的分类优势。①文献分类法是综合性分类法，覆盖面广，具有很高的通用性，科学性。②文献分类法类目划分逻辑层次分明，有利于网络信息浏览检索和对主题分类的控制。

3借鉴传统分类法完善网络信息组织

鉴于网络信息分类法存在的问题，需要学习传统分类法科学清晰、逻辑严密的类目体系，并结合自己身的特点，改进不足。可从以下几点进行改进。3．1使类目体系设置依据科学严密的逻辑体系创建由于网络信息类目设置随意，给用户检索信息带来了困难。因此，类目设置科学严密的逻辑体系，并且统一标准，可以使用户在不同网站中快速精确的定位信息。3．2满足检索专业性信息的需要网络信息中也不乏一些专业性的信息资源，由于随意的类目加大了检索难度，因此，规范类目名称，或者应用数据库式分类检索方式，使用户准确地查找到有价值的学术资料。目前，互联网上的信息丰富冗杂，分类法成了网站信息组织的主要方法。我国的网络信息分类法只注重信息的查全率，下一步就应该重视发展信息的查准率，这就需要借鉴传统分类法的优势，结合自身的特点，不断完善网络信息分类法，实现网络信息资源效用最大化。

［参考文献］

［1］俞君立．文献分类法［M］．武汉：武汉大学出版社，2001：78～84．