[发明专利]基于数据相似的平衡聚类压缩方法

摘要

本发明公开了一种基于数据相似的聚类压缩方法。本发明通过分析文件数据，从文件提取特征指纹构造特征向量，用于计算数据相似度，并利用带约束条件的图分割方法聚类输入文件集成多个均匀大小的类别，然后采用BMCOM等压缩方法对每个类别单独进行压缩，以去除类内部的冗余数据。本发明利用基于数据采样聚类方式，把具有较高可压缩性的关键数据作为样本数据，首先对样本数据进行聚类，然后通过稳定婚姻方法归类剩余数据，在不降低压缩效果的情况下可提高聚类效率。本发明可以作为一种压缩和归档方法应用到分布式存储系统中，能够克服已有方法的数据依赖和负载不均问题。

主权项

1、一种基于数据相似的平衡聚类压缩方法，其特征在于，包括以下步骤：(1)文件特征向量提取，从文件数据中提取特征向量用于计算文件相似度。(2)聚类样本选取，即从输入数据集D中选取部分数据作为样本数据集，即样本数据集为S。(3)样本数据聚类，利用平衡聚类方法聚类样本数据集S。(4)剩余数据聚类，按照相似度归类剩余数据X＝D-S，在满足负载均衡约束的前提下，把剩余数据归入到最相似的类。(5)结果压缩，对每个类别进行单独压缩，默认采用BMCOM压缩方法，同时亦可采用各种成熟的DELTA压缩方法。