基于大数据分析的复杂系统智能家居安全性研究

摘要

由于智能家电和家庭接入点、所采用的通信方式、电力负荷以及经济考量带来的影响，使得智能家居控制与电力输送系统变得非常复杂，具有复杂网络的特征；这种复杂网络的安全性和鲁棒性性能变得极为重要；仅考虑网络拓扑及其他网络异常的性能只能满足短期预期，然而大范围网络故障具有系统性，主要与业务相关；针对此问题，根据本文所述的智能家居业务数据，提出一种基于复杂网络理论的新型网络化稳定方法。

关键词 ：智能家居业务，大数据，复杂系统，网络级联故障，鲁棒性

引言

居民用户和商业用户类服务是中国电力用户的主要组成部分，其数量占电网用户总数的80%以上。与工业用户等相比，这两类用户的构成更为复杂，用电行为特征和规律更加多样化。因此，针对这两类电网用户开展研究，是实现整个电力网用户有序且智能化的关键。商业综合体用电、区域公共侧用电以及集中区域的居民用电是这两类复杂用户的典型代表。本研究聚焦于居民区域的用电情况，在居民侧安装智能电气设备的前提下，开展智能电力相关关键技术的研究。在网络技术的推动下，如今网络家电如自动洗衣机、数字微波炉、数字电视机、冰箱等智能计算机已无处不在，数字化、智能家庭已成为现实，各类“物联家电”可通过网络增添远程智能控制功能，甚至在用电异常时，通过手机等移动终端实现及时自动报警。物联网实现了“万物互联”以及“高效、节能、安全、环保”与“管、控、营”的一体化，使生活中的一切都能具备“感知、思考”的能力，以各种“无需亲眼所见”的形式进入人们的日常生活空间。

随着智能电网的建设，将有效促进家庭用电监控系统对智能家电的实时监控与管理、自动抄表、自动支付等功能，使用户的生活更加便捷。其次，智能电网可接入小型家用风力和屋顶光伏发电设备，开发和推广可再生能源，使生活更加低碳。此外，在智能电网的支持下，用户可建立家庭用电监管服务平台，帮助用户降低用电成本，并在用户社区之间共享节能方案，提供更多的服务不仅促进了节能经济，还有助于提高人们的生活质量。我们目前正处于数据爆炸的时代，国际数据公司（IDC）的一份报告预测，从2005年到2020年，全球数据量将增长300倍，从130艾字节增加到40000艾字节。从早期的商业、金融等领域，到后来的交通、医疗、能源等各个领域，麦肯锡公司于2011年5月发布了《大数据：下一个前沿，竞争力、创新与生产力》，阐述了大数据的研究价值。大数据研究已引起国内外专家和学者的广泛关注，成为研究热点。

在能源领域，智能电网被视为大数据应用的重要领域之一。通过信息技术推动智能变电站、智能电表、在线监测系统、现场移动维护系统、测控系统以及各类信息管理系统中大量专业服务的一体化，并逐步构建相关应用程序，电力行业产生了结构多样、来源复杂、规模巨大的数据，这些数据广泛应用于电力系统规划与运维、资产管理、电力市场管理及终端用户服务中。智能电网的数据产生于大型电力系统的发电、输电、变电、配电、用电和调度各个生产环节。目前，在电力系统仿真、数据传输设备状态检测、高级计量基础设施数据分析、短期电力负荷预测等方面已开展大数据研究。基于云计算技术的大数据分析已具备较为完整的参考架构和软件，并已在部分行业中得到应用。然而，这些系统大多源自互联网行业，其设计、实现和功能特性充分体现了大数据与互联网服务的需求和特点。当应用于互联网以外的行业时，通常需要结合行业的大数据特征，基于全面详细的业务需求分析，针对现有系统的局限性进行定制开发和优化。为构建大规模房地产智能电力手段云平台的大数据分析能力，本文将详细讨论如何利用云计算技术解决此前在大规模房地产电力数据系统安装前分析过程中遇到的困难，从存储机制、计算机系统和作业调度等方面进行分析。

资源分配与任务调度是云计算的关键，通过对计算资源的屏蔽以及复杂云环境中的异构性进行处理，实现对云环境中各节点计算资源的统一管理和分配，使资源能够有效共享，协同工作以提高资源的高效利用。同时，根据用户需求，将适当的资源合理分配给客户端，实现业务成本与收益的统一。合理的资源分配和任务调度策略不仅能够在云环境中高效利用计算资源，还能充分发挥异构资源的优势，突出资源的时效性和地理特征。此外，通过资源的高效配置，还能对资源潜在故障、节点故障、停电等意外计算机问题及时反馈，从而更好地应对事故，提升系统的鲁棒性和容错系统能力，进一步提高服务质量。在云计算环境中，用户按需向云服务提交请求。为了提高系统的吞吐量，系统会首先将用户提交的任务进行分解。任务划分旨在尽量消除服务器之间交互通信带来的开销，降低整体运行时间。通常要求尽可能提高最大并行度，使任务之间的相关性最小化。

然而，根据大数据挖掘的云计算，关联度以及业务任务的影响程度相对接近，因此极易产生大规模系统的级联故障，因此必须依据数据服务对大数据进行分析，并按照自组织临界性的原理进行分析，以有效防止大范围的关联度相关故障；这些分布在空间中的节点在网络之间具有某种度量关系。通常存在一种误解，即将空间网络与平面网络概念混淆。在平面网络中，节点嵌入在同一空间中，且即使定义了网络边，节点之间也不能存在交叉。而空间网络则没有此类限制，我们只能说空间网络是平面网络的一个特例[1-3]。

由于网络节点空间嵌入的空间具有度量属性，引入空间因素会影响网络的结构，从而影响网络上的行为，这使得空间网络会表现出一些传统网络所不具备的特征。一般而言，空间网络通常具有以下四个特征：

1. 具有位置属性的节点 ；空间网络中的节点具有空间坐标，即对于一个网络用户而言，如果他知道自身在网络中某节点的坐标，则可以确定该节点的位置。空间网络的位置属性可带来良好的导航性能，也就是说，尽管用户可能不了解网络的整体拓扑结构，但他们通常仍能较为顺利地在网络中穿梭。道路网络就是一个很好的例子，生活经验告诉我们，通常只需了解目的地的大致位置，我们就能快速确定前往该地的路线，并且大多数情况下能够相对顺畅地到达目的地。

2. 即使具有边长属性，空间网络的边最短物理长度也是连接两个顶点的直线距离 ，但在现实中，由于地理因素和其他限制，即使空间网络的边也常常是弯曲的。而且边的长度往往与边的建设成本相关，例如智能家居的运营成本和网络连接成本。通常情况下，边的价格与边长成正比。同时，空间网络的结构往往与所连接边的长度属性密切相关，例如研究表明，在空间网络设计中，对网络传输效率与建设成本的不同权衡倾向会导致生成不同拓扑结构的空间网络。还值得注意的是，统计研究表明，近年来许多物理空间中的网络边长分布往往遵循幂律分布，这意味着在空间网络中，虽然大多数边的边长较短，但也存在少量跨越较大尺度的长程边。研究表明，空间网络的边长分布特征对许多网络行为（如网络中物质的扩散行为）具有重要影响。对于具有幂律形式边长分布的空间网络，可以推广拓扑空间维度的概念，进而定义网络的空间维度。

多层复合网络是指在网络节点之间共享一组层，每一层表示子网范围内的信息网络。例如，社交网络是一种典型的多层网络，每个网络层的子网表达人与人之间某一特定类型的关系信息。例如，根据人际关系，社交网络可被抽象为家庭关系层、友谊关系层、学生关系层等多层复合网络；按照通信工具也可被抽象为端口层、线路层、微通道层等多层网络。又如，经典物理学中的粒子扩散反应网络，可根据不同粒子在扩散通道中的扩散速率差异，抽象为不同层的复合粒子传输网络。再如，实时通信网络中的流量动态，可根据通信发生的时间，按不同时间段抽象为多层网络。

从复合地面的网络层抽象出来，其中每一层网络基于通信记录生成，代表通信网络在某个时间段的情况。多层复合网络通过多层聚合形成（从而得到融合网络），但融合网络会丢失大量有用信息。例如，在社交网络的聚合中，即使边可以表示人与人之间的链接，也无法区分链接的具体类型；在聚合通信网络中，即使边可以表示路由器与路由器之间的物理链路，也无法反映流量路由器在不同时间段的差异。此外，复合网络结构中的网络层可能存在行为上的差异。因此，使用多层复合网络来表达某些复杂系统，能够包含更多有用信息，从而进行更精细的研究。

这些复杂网络理论指导了从复杂网络的理论空间开展的研究，结合大数据挖掘，本文提出了一种智能家居系统安全解决方案。

2. 相关工作

2.1 空间复杂网络

针对当前网络的空间分析，以真实空间网络为重点的交通网络和基础设施网络是更为常见、重要且数据相对容易获取的空间网络。在智能交通分析研究中，航空网络的研究更为丰富。所谓航空网络，是指以机场或城市作为节点，以连接航班作为节点间连边所形成的网络。早期的航空网络研究主要集中在网络静态特征的分析上，例如对航空网络的特征路径长度、分布等进行统计分析。结果表明，航空网络是一种典型的小世界网络。另一个重要发现是，航空网络的分布性能表现为幂律函数与指数函数相乘的形式，直观上看，当数值较小时，呈现为幂律曲线下降，而当数值较大时，则呈现为指数下降曲线，这表明网络中不会出现非常大的节点值，这种现象是由于空间容量因素导致单个节点（即机场）无法容纳过多航班所致。后续研究在此基础上引入了机场的地理坐标，提供了一些附加的统计特性[4-6]。

地面公交、地铁、铁路网络是另一类基于空间的交通网络研究对象。这类网络不同于其他类型的网络，其以线路作为构成网络的基本单元，因此可称为线路交通网络。对这类网络的研究需要建立特殊的网络表示方法。为了不丢失信息，通常采用两种网络来表示它们，分别是L空间网络和P空间网络。在L空间网络中，两个节点（站点）之间存在边当且仅当至少有一条线路将这两个相邻节点连接起来；在P空间网络中，两个节点（站点）之间存在边只要这两个节点可以通过至少一条线路相互到达即可。

在L空间网络和P空间网络的框架下，已开展了大量关于线路交通网络的分析研究，例如：等人对印度与中国铁路网络之间的静态网络统计特征进行了统计分析；等人研究了中国铁路网络中相邻站点间的相关性程度。基于L空间网络和P空间网络的线路交通分析研究大多基于传统的网络统计指标，此类研究表明线路交通网络具有小世界特性，同时L空间网络和P空间网络的节点度分布倾向于呈指数或幂律形式。除了这些研究外，还出现了一些相对较新且深入的分析与研究，较具代表性的例子是：利用实际乘客数据进行的研究，其中使用了数据来提取首尔地铁网络最大客流的最小生成树，并基于分层欧洲铁路网络的视角进行相应的网络分析等研究。鉴于网络流量在物理层结构对逻辑层具有重要影响，以及空间因素等传统中心性难以准确描述实际网络流量的问题。其他空间交通网络的分析还包括海上航运网络、公共自行车网络及其他网络分析。例如，利用公共自行车的情况，已被全球多个城市记录并建立各自的公共自行车网络（其中节点为公共自行车租赁点，对于那些频繁借还自行车的站点之间建立连接，分析显示公共自行车网络具有明显的社区特征）。

为社区提供空间以进行网络实体信息传输服务的网络基础设施。城市道路网络、资源与能源传输网络、网络路由器属于典型的网络基础设施。对这类网络的分析除了包含传统的基于统计分析的大量研究（例如，针对网络的分布、聚类系数、特征路径长度等统计分析）之外，还包括许多与网络实际情况密切相关的分析研究。例如：有人利用长时间积累的大规模手机位置数据，建立了两个典型美国城市的道路网络交通流需求矩阵，并据此开展了这两个城市交通流分布及交通拥堵分析研究，得出一段交通堵塞往往源于特定小区域交通流动线路的结论；Youn等人对德累斯顿道路网络进行了分析，发现由网络连接边（即道路）围成的区域所生成的网格呈现近似幂律分布；卡维略等人利用实际交通流数据对全球三大都市道路网络的交通流进行了分析，指出目前个体出行仍仅依赖便捷性，缺乏交通引导，导致道路网络容易发生拥堵，道路资源无法高效利用等问题；Lammer等人对欧洲天然气输送管道网络进行空间网络分析表明，该网络具有高效的传输性能，并能在一定范围内更好地承受随机损坏对全球管道天然气输送带来的影响[7-8]。

2.2 大数据研究现状

大数据服务在商业规划、政府决策和新知识发现等方面发挥着重要作用，因此大数据正成为重要的战略资源，受到政府、产业界和学术界的普遍关注。目前的研究现状是，研究人员致力于探索云计算与大数据在各领域的融合机遇，旨在针对数据处理领域的重大问题，提出基于云的解决方案以解决大数据处理领域的问题。例如，从气象科学的角度，研究人员分析了气象数据分析面临的大挑战，并针对这些挑战提出了构建和部署云环境下的天气大数据分析服务；IBM研究人员从大数据分析、数据展示模型角度[ 9-10 ]，通过分析企业财务数据挖掘金融欺诈模型；tW. 詹斯将解释如何利用亚马逊EC2、美国国家能源研究科学计算中心（NERSC）、麦哲伦和未来电网等多个云平台协作实现美国国家航空航天局（NASA）发现外星人“项目”的科学计算任务。

在实际研究中，云计算与大数据服务的融合主要体现在两个方面：（1）将现有应用程序迁移到云服务上运行，或在云端开发和部署大数据服务；（2）研究基于云的大数据处理技术和工具。近年来，随着计算的发展和技术逐渐成熟，出于成本和性能两方面的考虑，越来越多的企业和间谍组织选择将应用程序迁移到云环境中实施，并在云端开发和部署大数据服务。例如，Facebook研究人员在其研究工作中描述了Facebook如何将其内部应用程序迁移至混合云执行；吴等人在其巧妙的研究工作中探讨了如何利用云计算丰富的资源和按需调用、降低运维成本的优势，实现网络技术应用程序向云端的迁移；张等人从大数据处理效率高的角度出发，设计了一种优化模型，用于将地理分布的数据资源高效地迁移到云端，以实现高效处理大数据。Facebook、Twitter等公司选择使用云基础设施作为大数据服务的支撑，通过采用MapReduce和Hadoop等大数据技术和工具，实现PB级数据处理。

另一方面，云计算作为大数据处理的技术支撑，催生了一系列基于云的大数据处理技术和工具。目前，主流的大数据处理技术和工具主要来自谷歌、微软、亚马逊和阿里云等互联网公司，这些公司主要通过将数据与外部数据分析相结合，为企业提供大数据存储和分析服务，帮助企业获取数据价值。例如，谷歌为用户提供Google BigQuery产品以支持海量数据分析；微软通过 Windows Azure Marketplace提供基于Azure的大数据分析服务；亚马逊在其平台上为用户提供大数据分析服务；阿里云也针对用户的大数据处理需求，提供了一系列大数据服务解决方案。

目前，与云环境相关的研究主要集中在大数据领域，或如何将大数据应用程序迁移到云端以降低成本、减轻构建大数据服务的负担，以及研究一些巧妙的大数据处理技术或工具，以设计更高效的大数据处理算法并应用于实践。但从数据服务构建的角度来看，当前仍缺乏对通用数据服务应用模型的深入研究，以提供快速构建大数据服务的技术支持。具体而言，在云环境中构建通用的大数据服务应用模式时，需要综合考虑大数据服务构建过程中的多种技术：如何收集构建大数据服务所需的数据资源；如何选择云环境中现有的资源服务，以满足大数据服务对存储、计算等IT资源的需求；以及如何设计数据分析算法以实现大数据处理，从而完成大数据服务的实施与部署。因此，如何设计云环境下的通用大数据服务应用模式，对高效构建大数据服务具有重要意义。

3. 提出的方案

基于智能家居的特点，对网络的空间复杂性进行分析，根据空间复杂网络分析提出适用于该基础的大数据分析算法，并依据该算法提出云计算的调度方案，从而获得基于大数据分析算法的智能家居系统防止级联故障的网络安全解决方案。

3.1. 基于数据的模糊聚类智能家居分析方法

FCM算法是一种基于划分的聚类算法，因此被认为是在同一簇内对象之间的相似性最大，而在不同簇之间的相似性最小。该算法在普通C均值算法的基础上进行了改进，因为普通C均值算法在数据分类上较为刚性，而FCM通过引入隶属函数实现了一种灵活的模糊划分。

每个数据属于不同层级类别，软数据划分算法的基本步骤如下：首先估计中心数据聚类，然后根据实际情况不断调整聚类中心，将待定数据点分配给距离最小的聚类中心，当满足终止条件时，算法停止。

设数据采集的n个样本由样本向量表征；数据样本被划分的类别数量为第i类的聚类原型为，构成聚类原型矩阵；隶属度矩阵，其中表示样本对聚类原型的隶属度，且，基于模糊聚类分析的目标函数可表示为：

$$
\min J(U,P) = \sum_{k=1}^{n} \sum_{i=1}^{c} u_{ik}^b d_{ik}^b, \quad b \in (1,\infty)
$$
$$
\text{s.t.} \sum_{i=1}^{c} u_{ik} = 1, \quad k = 1,2,\dots,n
$$

其中：模糊程度指数 $b$，是一种柔性参数控制算法，如果 $b$ 过大，则聚类效果较差，相反，接近传统的C均值算法，文献中通常描述的范围为 $[1.5, 2.5]$，$d_{ik}$ 表示样本 $x_k$ 与 $p_i$ 集群原型之间的相异度度量，通常采用欧几里得距离，即

$$
d_{ik} = \sqrt{\sum_{j=1}^{m}(x_{kj} - p_{ij})^2}
$$

（1）参数设置：在研究商业综合体电气控制系统的协调最优控制区域时，通常将电气设备对商业综合体电气控制系统的影响划分为若干级别，即关键节点、重要节点和孤立节点等。因此，针对不同节点的重要程度，我们采用分类数量；并相应地采用模糊程度指数；迭代终止阈值；迭代计数器；得到聚类原型 $p^{(t)}$;

（2）计算相应的划分矩阵：对于 $k \forall i$，如果 $d_{ik}^{(t)} > 0$，则存在

$$
u_{ik}^{(t)} = \left{ \sum_{j=1}^{c} \left( \frac{d_{ik}^{(t)}}{d_{jk}^{(t)}} \right)^{\frac{2}{b-1}} \right}^{-1}
$$

如果存在 $i$ 和 $r$，使得在 $d_{ir}^{(t)} = 0$、$u_{ir}^{(t)} = 1$ 和 $u_{ij}^{(t)} = 0 (j \neq r)$ 上成立；

（3）聚类原型矩阵 $P$，以更新：

$$
p_i^{(t+1)} = \frac{\sum_{k=1}^{n} (u_{ik}^{(t)})^b x_k}{\sum_{k=1}^{n} (u_{ik}^{(t)})^b}
$$

（4）如果 $|P^{(t)} - P^{(t+1)}| < \epsilon$ 算法停止，则输出分解后的矩阵 $U$ 和集群原型 $P$，否则令 $t = t + 1$，转向步骤 (2)。F‐矩阵范数，

$$
|P^{(t)} - P^{(t+1)}| F = \sqrt{\sum {i=1}^{m} \sum_{j=1}^{c} (p_{ij}^{(t)} - p_{ij}^{(t+1)})^2}
$$

3.2 云计算架构

云计算可以简单地被视为一种系统服务，包括服务提供商和使用的两大主要租户。云计算操作系统由服务提供商提供，内容分发服务通过网络提供；租户根据需求向服务提供商定制个人需求，并基于服务提供商授予的权限访问云计算系统。目前，一些云服务提供商（如Salesforce）提供了监控和显示模块，以向用户展示实时系统健康状态。然而，这些数据不仅仅是简单的日志数据显示，对于租户而言难以直接指导其行为选择。因此，我们认为应增加模型分析模块与监控模块，使整个云计算系统真正成为动态、可观测且可控的服务系统。租户和服务提供商可以获得与其利益相关的实时指标，并采取适当措施，确保云计算系统实现生态高效运行。

经过对云计算的分析，云计算架构可以分为四层：物理层、资源层架构、开发平台层、应用层。云计算架构的四层结构包含四级服务，可通过用户界面将Web服务提供给用户，所有服务都具备可靠、安全、可扩展、按需服务以及经济特性。此外，该表还列出了五种典型市场产品和服务：

• 物理层 ：指国内不同本地资源的地理分布，提供本地支持资源。本地资源包括计算资源、存储资源、传感器、服务器、网络等本地资源。物理层是云计算的底层基础设施。物理层负责物理资源的运行、管理、维护和升级，为大型企业的巨大IT需求提供硬件即服务（HaaS）服务。

• 资源层架构 ：分布式应用_L_指的是用于分布式资源部署的核心层，以提供基础服务。分布式资源层的基础服务包括基础设施服务（IaaS）、数据即服务（DaaS）、电子商务即服务（CaaS）。其中，基础设施服务（IaaS）是一种分布式计算服务，旨在提供灵活、高效、高强度的计算服务，主要通过虚拟化技术实现。数据即服务（DaaS）是一种分布式存储服务，提供可靠、安全、大容量、易用的数据存储服务。电子商务即服务（CaaS）是一种网络通信服务，提供可靠、安全的网络通信服务。

• 平台层 ：指通过API为开发者提供计算编程环境的各种云应用，同时为扩展应用开发者提供负载均衡、多样化的服务授权、电子邮件、用户界面支持。PaaS可加速应用服务的部署，支持应用服务扩展。

• 应用层 ：由开发平台的开发环境和市场需求提供支持，我们开发了多种应用程序。应用提供商负责软件开发、测试、运维、维护和升级，为用户提供安全可靠的可靠服务。

如今，云计算更常用的实现方式是Hadoop HDFS分布式存储，这种方法的优点是可以快速、安全地以分布式形式存储大量数据，不仅能确保存储的安全性，还能实现数据共享。这对于智能家居系统从家庭网络到网络，再到社区广域网的扩展非常有利，在此应用程序与智能家居应用程序之间，以及各个家庭和社区之间，可以实现数据共享，从而形成一个智能家居数据存储中心。

智能家居系统将云服务部署在应用服务器的虚拟机实例上，Hadoop的HDFS系统以这种方式连接：选择Hadoop HDFS文件系统挂载到虚拟机中作为虚拟机的存储目录，所采用的技术是webDAV技术。webDAV（web‐based Distributed Authoring and versioning，基于Web的分布式创作和版本控制）是基于HTTP 1.1的通信协议。它通过选择GET、POST、HEAD以及若干其他HTTP标准方法，并添加一些新方法，从而成为HTTP 1.1协议的扩展，使得应用程序可以直接向Web服务器写入文件，在写入文件时可对文件加锁（locking），写完后解锁（unlock），同时还支持对文件进行版本控制。基于webDAV可实现强大的内容管理系统或配置管理系统，此处用于 Hadoop的hdfs‐webdav，其访问形式为客户端==> hdfs‐webdav代理==> Hadoop NameNode服务器。

Root.dat 文件中存储了已在系统中注册的用户名及其对应的用户文件块描述IP地址，系统可利用该文件进行用户注册、认证，并在登录后通过节点文件的块描述IP地址访问文档。Node.dat 文件维护了云服务系统中所有子节点的IP地址、端口、最大空间、剩余空间等信息，客户端通过该文件可获取集群的全部信息，从而直接连接各个子节点，完成文件存储和计算能力调用，这大大提高了数据文件传输速率，减轻了管理节点的负载。

每个文件的具体分段信息由系统存储，以用户的用户名（Username）作为文件名存储在文件块描述文件中，该节点的IP地址可在Root.dat文件中找到。系统中不同角色之间存在两种类型的数据传输：信息数据和命令数据，其中信息数据是实时监控数据以及家庭信息系统完成任务所需的数据，例如系统描述及各类文档等信息，此类数据量相对较大；命令数据CMD则用于管理和控制子节点，通过命令数据确定自身下一步需要完成的工作。由于迁移策略计算存储，系统中的文件传输量相对较小，从而大大提高了系统的效率。

1. 文档的分布式存储流程
   客户端首次连接到管理节点时，文件存储系统会读取Root.dat文件数据，检查用户是否存在；若用户存在，则获取该用户所在节点块文件的IP地址；通过从管理节点的IP地址列表中读取Node.dat文件，读取子节点信息，基于上述信息完成数据分段功能，并启动多线程连接各个子节点，将数据存储在每个子节点上，最后更新用户名表，为新访问查找文档分布做准备。用户名文件将存储在某个节点上，该节点由管理节点根据已存储的用户名文件的IP地址信息文件进行分配，文件名为用户名，由于用户名在系统中是唯一的，因此每个用户的用户名唯一，不会造成混淆。

4. 仿真结果与分析

本文使用Matlab语言实现，在配备Intel 64位处理器和8G内存的机器上运行，操作系统为Windows 7。研究人员提出了多种不同的评估标准来评价复杂网络数据挖掘标准，例如

网络	节点	edge快数照量	作业站点
拓扑	4873	343303	20
home	251	14057	20
Stadium	2359	642959	28
Business zone	58186	160224	10

本节分析了云计算环境、大数据挖掘的收敛速度以及网络安全，图1展示了在不同快照数量T下网络的工作时间。可以发现，其运行时间与快照数量不成正比，相反，与快照数量成反比。

图1显示了工作站点网络在不同快照数量T下的运行时间。可以发现，运行时间与快照数量不成正比，相反，它与快照数量成反比。从图1可以看出，单机模式下算法的时间成本随着样本数据的增加而急剧上升，且随着数据数量的增加，时间成本增长较为缓慢。由此可见，随着节点数量的增加，运行时间并未增加，而是趋于稳定。

变量聚类无标度网络的TP值增加时，平均最大点数将减少，聚类系数具有阻碍作用。主要原因是较高的聚类系数意味着个体邻居关系更紧密，从而影响局部个体的形成。

5. 结论

基于智能家居的特征、复杂网络的空间利用理论，结合云计算的特点，采用大数据聚类方法解耦智能家居系统，从而避免网络大规模链式系统故障风险。仿真结果表明了算法的收敛性程度，且该算法能有效避免大范围的故障概率。