Data clustering based on correlation analysis applied to highly variable domains

جمع آوری داده های ترافیکی بر اساس تجزیه و تحلیل همبستگی، یک عنصر مهم از اهداف مدیریت چندگانه است که از جمله شکل گیری ترافیک و کیفیت خدمات کنترل می شود. الگوریتم های خوشه بندی مبتنی بر همبستگی موجود بر اساس نتایج بد نتایج تحت تاثیر قرار می گیرند و به سری زمانی بسیار متغیری که بیشترین اطلاعات ترافیک شبکه را مشخص می کنند، تحت تاثیر قرار می گیرند. این مقاله یک معیار تشابه جدید برای محاسبه خوشه های متغیرهای بسیار متغیر بر اساس همبستگی آنها ارائه می دهد. ارزیابی تجربی بر روی چندین مجموعه مصنوعی و واقعی نشان دهنده دقت و استحکام راه حل پیشنهادی است که روش های خوشه بندی موجود براساس همبستگی های آماری را بهبود می بخشد.