数据挖掘技术在高校网络运维管理系统中的应用研究

2022-09-11

随着我国的网络信息技术的不断发展, 信息处理的大数据挖掘技术也逐走入了人们的视野。高校网络运维系统需要管理的信息类型较为复杂, 包括学生的课程信息、学籍信息、教师科研项目信息、后勤管理信息、宿舍管理信息、校园图书馆信息等, 增加了高校的信息管理系统的难度。但目前高校网络信息运维系统大多局限于信息的查询、修改、存储等功能, 而缺乏对信息的统计与分析, 因此需要高校赋予网络运维管理系统一定的辅助决策与数据分析的能力, 为了更好的发挥其功能性, 我们应采用数据挖掘技术来提高网络信息管理系统的准确性与高效性。

一、信息数据挖掘技术的概念

数据挖掘指的是从海量的数据或者庞大的数据库中对人们需要或感兴趣的数据进行检索、分析、提取的一个过程。其本质是在未加工的海量数据信息中找到有利用价值的数据信息, 这些有价值的数据信息就可为高校经营决策提供数据支持。一般以多种形式存在, 比如规律、规则、概念、模式等。高校信息数据挖掘也是一门综合性与交叉性较强的学科, 它集数据库技术、统计分析与机器学习为一身, 将传统的信息数据的查询等基本功能提升到能挖掘有效价值数据的层面上[1]。目前的数据挖掘技术已经被广泛应用到社会生产的各个领域, 包括对农业、医药、教育、电信、电力、市场营销、互联网、金融投资等。

二、数据挖掘技术的内容

数据挖掘是一种能将人工智能与数据库技术紧密结合起来的信息数据处理技术。数据挖掘的方法多数是借助机器来完成的。

(一) 粗糙集法

粗糙集法主要针对于不确定的问题包括研究未完全、信息描述不完整的数据, 进行扩展并形成集合论, 从而投入研究的解决方法。粗糙集法操作起来, 较为简单, 现在有许多数据挖掘的工具一般都是基于粗糙集法建立的。主要在先验知识不充分的情况下, 考察各类数据的分类能力或者对模糊与不确定性强的数据进行分析与处理。

(二) 聚类法

聚类法指的是对所分析的对象划分群体, 相同的群体具有相同的相似性, 不同的群体的相似性较小, 一般来说, 各个群体代表相应的类别。聚类所针对的数据就是当前所要处理的数据, 但在运用聚类法之前是不确定数据的类目以及构成的[3]。聚类法是数据挖掘的首要环节, 以群体方式对数据进行分类, 方便后续的分析。

(三) 决策树法

决策树法适用于解决分类问题, 共分为两个阶段:构造树与修剪树。构造树指的是通过训练数据做成测试函数, 根据不同的取值来建立分支, 并在各个分支下面建立下层分支, 以重复建立分支的方式来形决策树法[4]。而修剪树指的是继构造树法之后进行修剪, 对最终形成的决策树转化为具有一定规则的新事例分类。对比其他分类方法, 决策树法的分类更快捷、操作规则较简单, 并且容易转化为查询数据语言, 尤其能高效分类维数较高的问题。

(四) 人工神经网络法

人工神经网络法是作为一种软计算法学习管理与非管理模式的神经网络。如果运用管理模式, 则需预测出已有示例所能产生的结果, 通过对预测结果以及答案的比较来实现学习目标。其主要适用于分类、解决预测、时间序列等问题的解决。而非管理模式下的神经网络法更适用于对描述类问题的解决, 而不适用与对预测类问题的解决。其通过建立数据类的描述、合法性操作以及验证, 与数据模式无关。人工神经网络的规则类似与黑河, 需要较长的实践, 因此不能满足于商业化的分析要求。

(五) 进化计算法

进化计算法主要指的是模仿生物进化的模式的一种计算方法。主要包括对遗传编程、遗传算法、进化规划、进化策略等方法。进化计算法主要适用于约束度函数以此达到智能化搜索的效果。通过搜索数据来接近目标, 并将所需要的数据提取出来。因其操作具有变异性与杂交性, 搜索范围相对比较广泛, 因此成为所有方法中的最优解。它的框架式结构更适用于度函数与编码, 其他操作均可由系统自动替代。

三、数据挖掘技术在高校网络运维管理系统的应用

(一) 应用于基本信息运维管理

教师与学生可以通过搜索登陆入口或者输入网络地址两种方式登陆学校的网络信息管理系统。只有通过输入账号与密码才可以浏览首页。因此学校应该对账号和密码进行规定, 结合人员管理系统逐一生成对应的账号和密码, 信息管理系统也可以通过智能化的运算系统来判断出对应的用户角色, 从而协助师生完成操作[5]。主要包含以下步骤:一维护学生的基本信息, 教师可以选择手动输入学生的基本信息, 也可以利用Excel的数据导入功能直接导入;二直接查询基本信息, 通过各自所对应的班级, 快速浏览学生的情况;三是统计学生的基本信息;四是将数据导出并打印。

(二) 应用于了解学风建设以及学生的成绩等情况

通过信息数据挖掘技术, 统计分析出该校当年或者几年内学生成绩情况, 并对统计的结果对未来成绩走向进行预测。通过行为运算法则, 能够全面科学地把握学生成绩的走向, 为学风建设与教育活动的开展提供数据支持。除了可以查询统计学生成绩, 还能查询到学生的家庭信息, 图书馆周、月、季、年平均借阅次数、参与实践次数、月平均消费水平等。对于借阅书籍信息数据的汇总, 可以直接调取学校的图书馆借阅管理系统的数据;而学生家庭信息则可以从学校的档案管理系统进行了解;学生月平均消费水平则可以通过校园卡信息管理系统查看, 学生的实践次数可以通过学校的自动化办公系统中的电子档案数据进行了解;而学生的成绩情况则可以在教务管理系统中查看[6]。通过综合分析这些数据, 运用关联分析运算法则, 来对学生成绩进行排名, 明确主次因素, 排除无关因素。

(三) 应用于图书馆的数据分析

借助图书馆的管理系统, 可以很快查阅学生的借阅信息, 比如对某一类书籍或某本书或期刊的借阅次数以及数量等, 通过运用聚类分析法与相关的算法, 全面了解学生的阅读偏好, 从而指导校园图书馆为学生提供更方便、优质的服务。

(四) 应用于学生毕业与就业的信息指导

通过建立毕业信息管理系统行之有效的反映该校学生的毕业率与就业情况, 学校及时更新管理系统, 通过收录毕业生的最新信息, 保管好对应学生唯一的毕业编码, 做好查询与统计工作。并依靠综合调查学生各方面的数据信息, 比如学生在校期间所有的成绩平均水平、获奖情况、社会实践、校内社团活动、图书馆借阅情况等, 来为学生提供有针对性的指导。通过标准化、准确性高的数据挖掘以及处理技术, 运用相关算法对其进行计算分析, 从而明确那一类学生适合继续深造, 哪一类学生适合就业与哪种职业。

(五) 应用与教学评价

高校的教学评价是其进行教学管理的重要内容, 对高校的教学进度、教学方法、教学模式等都起指导作用, 同时也是提高教师的教学质量的主要措施。教学评价包括教师对学生的课堂学习评价以及学生对教师上课情况的评价两种, 它具有双向性与公平性。借助数据挖掘技术, 分析学生的上课表现、学习成绩、奖惩情况, 从而及时发现不足, 修正不良的学习习惯。同时还有利于克服教师从主观方面评价的不客观、不公正现象。

四、结束语

高校网络运维管理系统内的数据势必会随着办学年限、参与事项的数量增加而增加, 其运算的复杂性也逐渐提高。因此有效发挥大数据挖掘技术, 能够有利于对有效价值信息的分析与汇总, 从而为高校的运行管理提供可靠、科学的数据支持, 推动高校的可持续发展。为此高校应大力对数据挖掘技术的应用, 科学采用决策树、聚类法等分类与计算方法的运用, 在保障对管理系统的完整性与安全性的同时, 为高校的的管理决策提供有效的参考依据。

【相关链接】

从数据本身来考虑, 通常数据挖掘需要有数据清理、数据变换、数据挖掘实施过程、模式评估和知识表示等8个步骤。

信息收集、数据集成、数据规约要很长的时间, 而做商业运营数据挖掘时往往数据量非常大。数据规约技术可以用来得到数据集的规约表示, 它小得多, 但仍然接近于保持原数据的完整性, 并且规约后执行数据挖掘结果与规约前执行结果相同或几乎相同。数据清理、在数据库中的数据有一些是不完整的 (有些感兴趣的属性缺少属性值) , 含噪声的 (包含错误的属性值) , 并且是不一致的 (同样的信息不同的表示方式) , 因此需要进行数据清理, 将完整、正确、一致的数据信息存入数据仓库中。

摘要：高校的管理信息数据较为庞大, 类型较为复杂, 更新速度较快, 因此需要利用大数据挖掘技术来建立有效的高校网络运维管理系统, 提高对信息数据的管理能力。原有的高校信息管理系统较多采用的是嵌入式VB (Visual Basic) 的构架方法, 其对信息的系统植入以及多线程的管理性能并不高, 因此我们引入了具有多元特征的嵌入式Linux与数据挖掘技术。实践表明, 采用数据挖掘技术的网络运维管理系统, 更具有良好的人机交互性与可靠性。

关键词：高校网络运维管理系统,数据挖掘技术,嵌入式Linux