决策树在高校实验室智能管理平台的应用

张慧宁

摘要：本文针对传统高校实验室信息化管理系统需要较多的人工参与、效率低下，不能适应快速发展的现代化实验室的问题，提出构建基于决策树的高校实验室智能管理平台。其中，以Hadoop等大数据技术为支撑，实现数据快速、并行计算;以决策树为核心，进行数据挖掘，实现智能预测。可解决实际应用场景中的设备故障预警、防火预警和防盗预警等问题，具有极高的实用性。

[关键词]决策树 实验室管理 预警 大数据

传统高校实验室信息化管理系统需要较多的人工参与，效率低下，难以适应现代化高校实验室的发展。为此，建设智能化、现代化的高校实验室管理平台已成为大势所趋。国内外已存在大量相关的研究。其中，大数据技术拥有四个特征：价值高、体量大、速度快、种类多。基于这四个特征，必须对数据进行深度数据挖掘，以得到我们想要的信息。数据挖掘是创建数据挖掘模型的一组试探法和计算方法，通过对提供的数据进行分析，查找特定类型的模式和趋势，最终形成模型。主要包括分类、聚类、关联规则和预测模型。决策树是一类常用的大数据挖掘方法，适用于从一组不相关的数据集合中提取出一系列相关规则。

本文依托于大数据技术和决策树模型，构建高效智能的实验室管理平台，可减少实验室可能存在的风险的同时，能极大降低实验室管理员负担。

1 总体功能概要

平台功能以预测为核心，包括：故障预警、防火预警和防盗预警等功能，功能介绍如下。

1.1 设备智能故障预警功能

实验室历年积累了大量设备数据，将这些数据和设备生产商提供的参数数据，输入到计算层的大数据计算集群中，进行深度数据挖掘，从而建立设备运行故障模型。通过传感器等设备获取设备的运行时间、运行负载等数据，输入到计算层，计算得出设备运行信息，从而判断设备是否出现故障，进而智能通知实验室设备维修人员，实现设备的故障预警。

1.2 智能防火预警功能

防火预警功能，从公开数据等渠道获取实验室各类可燃物燃点信息，输入到平台，由平台基于决策树模型进行数据挖掘，建立实验室可燃物档案。后由，传感器定时获取设备温，度等信息，经过计算层计算，与已经建立的可燃物档案进行比对。一旦数据超过阈值，即可通知实验室管理员进行处理，或智能联系保卫部门进行处理。

1.3 智能防盗预警功能

由于实验室积累的盗窃行为数据较少，平台通过网络爬虫获取大量各类盜窃行为数据。经过计算层深度数据挖掘，建立盗窃行为特征库。平台运行过程中，再定时更新盗窃行为特征库。然后，通过实验室高清摄像头实时获取实验室人员流动图像信息，进行处理、计算后与盗窃行为特征库进行比对，智能识别盗窃行为，并进行预警，通知实验室管理员或者警卫员。

2 技术原理分析

2.1 三层模型概要

根据功能分析，将平台设计为三层：输入层、计算层和应用层。

输入层是平台的基础，通过ETL工具获取平台所需的数据，实现从已有信息化系统获取数据、从网络爬取公开数据、从传感器采集数据等功能。

计算层是平台的核心，通过Hadoop集群和Mahout对输入层提供的数据进行处理，实现大数据计算和深度数据挖掘。

应用层是平台的接口，使用计算层提供的服务，解决实际应用场景中的问题。实现故障预警、防火预警和防盗预警等功能。

三层互为补充，层层递进，构成整个平台。输入层为计算层提供数据服务，计算层使用输入层提供的服务为应用层提供计算服务，应用层使用数据计算层提供的服务为用户提供接口。

2.2 计算层

计算层的核心是Hadoop集群，使用HDFS、MapReduce、Hbase和Zoo Keeper提供快速、并行计算能力，使用Mahout提供深度数据挖掘能力。以下对Mahout在计算层的应用进行详尽阐述。

基于决策树（Decision Forest）的数据挖掘预测模型：

计算层的核心是基于Mahout提供的决策树模型实现智能预测。选取实验室应用服务器故障预测进行说明，表1是从实验室应用服务器群积累的运行数据中随机抽样出的7组数据。

对于决策树学习，关键是选择最优划分属性，选择方法有多种，实验选取的是最常用的一种指标“信息熵（informationentropy）”，，信息熵的定义为：

式中，D为样本集合，pi（i=.2...）为集合D中第i类样本所占的比例。求得的信息熵Ent（D）的值越小，样本集合D的纯度越高。

根据表1数据，可计算出样本集合D的信息熵为：

再根据公式（1），，可计算每个属性A的信息增益（informationgain），计算公式为：

式中，D、为样本数据集D根据属性A进行划分而产生的V个分支节点中的第v个分支的样本数目，Ent（D、）为跟据公式1计算得出的D、的信息熵。求得的信息增益Gain（D，A）越大，则使用属性A进行划分获得的“纯度提升”越大。故采用信息增益作为决策树的属性划分选择，即maxGain（D，A）。

根据表1数据，我们首先计算出用“CPU使用率”划分之后所获得的3个分支节点的信息熵为：

接着，根据公式（2）我们计算出“CPU使用率”的信息增益为：

类似的，再计算出“内存使用率”的信息增益：

Gain（D，内存使用率）=0.699

显然，内存使用率的信息增益最大，故选择其为划分属性，然后可构造出如图1所示决策树。

综上所述，只需再引入设备运行时间、运行环境湿度和温度等属性信息，再分别计算对应的Ent（D）、Gain（D，设备运行时间）等信息，依次比较出每次划分的最大信息增益，即可构建出最终决策树模型，实现智能预测。

3 总结

将决策树应用于高校实验室管理平台，能解决传统实验室信息化管理平台效率低下问题。其中，HDFS、MapReduce等技术的应用实现数据快速并行计算，决策树模型的应用实现智能预测。从而解决实验室设备故障预警、防火预警和防盗预警等实际应用场景中的问题。同时，使得实验室管理更加规范化、秩序化和科学化，适应不断提高的实验教学要求。

参考文献

[1]王帅国。雨课堂：移动互联网与大数据.背景下的智慧教学工具[J].现代教育技术，2017，27（05）：26-32.

[2]张淡，曹健，面向大数据分析的決策树算法[J].计算机科学，2016，43（S1）：374-379+383.

[3]孟小峰，慈祥，大数据管理：概念、技术与挑战[J].计算机研究与发展，2013，50（01）：146-169.