Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh công nghệ thông tin và mạng Internet phát triển mạnh mẽ, dịch vụ World Wide Web đã trở thành một hạ tầng trao đổi thông tin thiết yếu trong mọi lĩnh vực đời sống, từ kinh tế, thương mại, xã hội đến giáo dục và y tế. Sự gia tăng nhanh chóng của số lượng người dùng và các thực thể tham gia mạng dẫn đến sự bùng nổ về số lượng tên miền cũng như địa chỉ Internet được đăng ký mỗi ngày tại các nhà cung cấp dịch vụ. Khối lượng dữ liệu khổng lồ này chứa đựng nhiều thông tin tiềm ẩn về hành vi người dùng, xu hướng truy cập, thói quen và sự biến chuyển của thị trường.

Tuy nhiên, các phương pháp quản trị và khai thác cơ sở dữ liệu truyền thống (như truy vấn ngôn ngữ SQL) bộc lộ nhiều giới hạn khi xử lý các tập dữ liệu có quy mô lớn, nhiều chiều và phức tạp. Để giải quyết bài toán trích xuất tri thức phục vụ quản lý hệ thống và hoạch định định hướng phát triển, đồ án tốt nghiệp "Áp dụng một số thuật toán khai phá dữ liệu trong quản lý địa chỉ Internet" được thực hiện nhằm nghiên cứu và ứng dụng các kỹ thuật khai phá dữ liệu vào việc quản trị, phân tích địa chỉ mạng.

Mục tiêu và nhiệm vụ nghiên cứu được giao cụ thể theo văn bản giao nhiệm vụ của Trường Đại học Dân lập Hải Phòng gồm 4 nội dung chính:

  1. Tìm hiểu các phương pháp phân cụm dữ liệu.
  2. Tìm hiểu một số phương pháp tạo các luật cơ bản và các giải thuật liên quan.
  3. Đề ra phương pháp xây dựng hệ thống.
  4. Thử nghiệm với các công cụ để giải quyết bài toán.

Đối tượng và phạm vi nghiên cứu của đề tài bao gồm:

  • Đối tượng nghiên cứu: Cơ sở lý thuyết về khám phá tri thức trong cơ sở dữ liệu (KDD), kỹ thuật tiền xử lý dữ liệu, các độ đo khoảng cách không gian metric, các thuật toán phân cụm dữ liệu (tập trung vào thuật toán phân hoạch K-Means và K-Medoids/PAM), cùng cấu trúc quản lý địa chỉ Internet (IPv4, IPv6, hệ thống phân giải tên miền DNS).
  • Phạm vi không gian và thời gian: Đồ án được thực hiện tại Khoa Công nghệ Thông tin, Trường Đại học Dân lập Hải Phòng, trong khoảng thời gian từ ngày 03 tháng 10 năm 2016 đến ngày 30 tháng 12 năm 2016.

Cơ sở lý thuyết và phương pháp

Đồ án xây dựng nền tảng nghiên cứu dựa trên sự kết hợp giữa lý thuyết khai phá dữ liệu, cấu trúc hạ tầng mạng máy tính và mô hình toán học giải thuật phân cụm.

Khung lý thuyết và hạ tầng quản lý địa chỉ Internet

  1. Quy trình khám phá tri thức (KDD): Tác giả hệ thống hóa quy trình khai phá tri thức gồm 6 giai đoạn tuần tự:

    • Chọn lọc dữ liệu (Data Selection): Tập hợp và phân tích dữ liệu phù hợp từ các nguồn lưu trữ phân tán.
    • Xóa bỏ dữ liệu không cần thiết (Data Cleaning): Loại bỏ dữ liệu nhiễu, dữ liệu thiếu hoặc thông tin sai lệch để làm sạch cơ sở dữ liệu.
    • Làm giàu dữ liệu (Data Enrichment): Kết hợp và bổ sung thông tin từ các cơ sở dữ liệu liên quan bên ngoài.
    • Chuẩn hóa và mã hóa dữ liệu (Coding and Normalization): Đưa dữ liệu về dạng biểu diễn tối ưu phục vụ thuật toán.
    • Khám phá tri thức / Khai phá dữ liệu (Data Mining): Áp dụng các thuật toán chuyên dụng để phát hiện quy luật và tri thức ẩn.
    • Báo cáo kết quả (Reporting): Trình bày và trực quan hóa các kết quả khai phá được dưới dạng báo cáo rõ ràng.

  2. Cấu trúc địa chỉ Internet và hệ thống tên miền:

    • Địa chỉ IPv4: Không gian địa chỉ 32 bit, chia làm 4 octet (tối đa $2^{32}$ địa chỉ), phân thành 5 lớp (Class A, B, C, D, E) và sử dụng cơ chế NAT (Network Address Translation) để chia tách mạng riêng (Private IP) và mạng công cộng (Public IP).
    • Địa chỉ IPv6: Không gian địa chỉ 128 bit (khoảng $2^{128}$ địa chỉ), biểu diễn dưới dạng 8 nhóm số Hexa phân tách bởi dấu hai chấm (:). Văn bản nêu rõ các cơ chế chuyển đổi tương thích giữa IPv4 và IPv6 gồm Dual-stack, Tunneling, và Translation, cùng các dải không gian địa chỉ như Global Unicast (2000::/3 đến 3FFF::/3), Link Local (FE80:: đến FEBF::), Loopback (::1), và Unique Local (FC00:: đến FDFF::).
    • Hệ thống tên miền (DNS) và thẩm quyền quản lý: DNS thực hiện chức năng ánh xạ giữa tên miền dạng ký tự dễ nhớ và địa chỉ IP số học. Cơ chế điều phối quốc tế do tổ chức IANA và ICANN quản lý; tại Việt Nam, Trung tâm Internet Việt Nam (VNNIC) trực thuộc Bộ Thông tin và Truyền thông thực hiện quản lý theo quy định tại Quyết định số 02/2008/QĐ-BTTTT ngày 05/03/2008.

Cấu trúc dữ liệu và các độ đo toán học trong phân cụm

Quá trình phân cụm dữ liệu (học không có thầy - unsupervised learning) tiếp cận dựa trên việc biểu diễn các đối tượng qua hai dạng cấu trúc ma trận:

  • Ma trận dữ liệu ($n \times p$): Biểu diễn $n$ đối tượng với $p$ thuộc tính đo lường.
  • Ma trận không giống nhau ($n \times n$): Chứa các giá trị $d(i, j)$ thể hiện khoảng cách hay mức độ khác biệt giữa cặp đối tượng $i$ và $j$.

Các kiểu thuộc tính được phân loại dựa trên kích thước miền (liên tục, rời rạc) và hệ đo (định danh, có thứ tự, khoảng, tỷ lệ, nhị phân). Để tính toán độ tương đồng hoặc độ phi tương đồng trong không gian metric, văn bản trình bày chi tiết các công thức toán học:

Tên độ đo khoảng cách / tương đồng Công thức toán học áp dụng Ghi chú và điều kiện
Khoảng cách Minkowski $d(x, y) = \left( \sum_{i=1}^{n} x_i - y_i
Khoảng cách Euclidean $d(x, y) = \sqrt{\sum_{i=1}^{n} (x_i - y_i)^2}$ Trường hợp đặc biệt của Minkowski khi $q = 2$
Khoảng cách Manhattan $d(x, y) = \sum_{i=1}^{n} x_i - y_i
Khoảng cách Chebychev $d(x, y) = \max_{i=1}^n x_i - y_i
Bình phương Euclidean $d(x, y) = \sum_{i=1}^{n} (x_i - y_i)^2$ Đo lường tỷ lệ chênh lệch tuyệt đối
Hệ số đối sánh đơn giản (Nhị phân đối xứng) $d(x, y) = \frac{b + c}{a + b + c + d}$ $a$: đồng 1; $d$: đồng 0; $b, c$: khác biệt
Hệ số Jaccard (Nhị phân không đối xứng) $d(x, y) = \frac{b + c}{a + b + c}$ Loại bỏ số lượng trường hợp cùng mang giá trị 0
Độ phi tương đồng thuộc tính định danh $d(x, y) = \frac{p - m}{p}$ $p$: tổng số thuộc tính; $m$: số thuộc tính trùng nhau

Phương pháp nghiên cứu thực tế

Tác giả sử dụng phương pháp phân tích - tổng hợp lý thuyết để phân loại 4 nhóm phương pháp phân cụm chính: phương pháp phân hoạch (K-Means, PAM/K-Medoids, CLARA, CLARANS), phương pháp phân cấp (AGNES, DIANA, CURE, BIRCH, CHAMELEON), phương pháp dựa trên mật độ (DBSCAN, OPTICS, DENCLUE, DBCLASD) và phương pháp dựa trên lưới. Sau đó, tác giả sử dụng phương pháp mô hình hóa toán học thông qua các bước lặp tính toán cụ thể và phương pháp thực nghiệm phát triển phần mềm ứng dụng để kiểm thử khả năng phân nhóm dữ liệu địa chỉ Internet.

Nội dung chính theo từng chương

Chương 1: Giới thiệu chung về khai phá dữ liệu

Chương 1 thiết lập khung khái niệm tổng quan về khai phá dữ liệu (Data Mining) và vị trí của nó trong quy trình khám phá tri thức từ kho dữ liệu (KDD). Tác giả phân tích phạm vi ứng dụng rộng rãi của Data Mining trong học máy, thống kê, thương mại, quản trị mạng, viễn thông và y sinh học, đồng thời chỉ ra các khó khăn kỹ thuật đặc thù như: kích thước cơ sở dữ liệu lớn (quy mô Terabyte), độ nhiễu cao, dữ liệu bị khuyết thiếu, số chiều không gian lớn và quan hệ ràng buộc phức tạp giữa các trường dữ liệu.

Phần tiếp theo của chương đi sâu vào các kỹ thuật biến đổi và chuẩn hóa dữ liệu:

  • Phương pháp chuẩn hóa toàn cục và chuẩn hóa trong cụm nhằm giảm độ lệch đơn vị đo.
  • Các kỹ thuật giảm chiều dữ liệu gồm Phân tích thành phần chính (PCA), Phân tách giá trị riêng (SVD) và Phép biến đổi Karhunen-Loéve (KL) nhằm tối thiểu hóa tổng khoảng cách bình phương (SSD).

Cuối chương 1, tác giả trình bày cơ sở hạ tầng mạng máy tính liên quan trực tiếp đến đề tài: nguyên lý truyền thông gói tin IP, kiến trúc địa chỉ IPv4 (cấu trúc 32 bit, các lớp mạng A, B, C, D, E, cơ chế NAT), kiến trúc địa chỉ IPv6 (128 bit, cấu trúc định tuyến phân cấp, các không gian địa chỉ Global Unicast, Link Local, Loopback, Unique Local), cùng nguyên lý vận hành của hệ thống phân giải tên miền (DNS) và vai trò quản lý nhà nước của VNNIC theo Quyết định số 02/2008/QĐ-BTTTT.

Chương 2: Các thuật toán trong khai phá dữ liệu

Chương 2 tập trung phân tích toán học và thuật toán học máy không giám sát phục vụ phân cụm dữ liệu. Tác giả làm rõ mục đích của phân cụm là tối đa hóa độ tương đồng giữa các đối tượng trong cùng một cụm và cực tiểu hóa độ tương đồng giữa các đối tượng thuộc các cụm khác nhau.

Nội dung chương trình bày chi tiết các yêu cầu kỹ thuật đối với một thuật toán phân cụm hiệu quả (độ phức tạp tuyến tính, khả năng chịu nhiễu, thích ứng dữ liệu đa chiều, xử lý cụm hình dạng bất kỳ) và phân tích 4 nhóm phương pháp:

  1. Phương pháp phân hoạch (Partitioning Methods): Chia tập $n$ phần tử thành $k$ cụm định trước ($k \le n$).
  2. Phương pháp phân cấp (Hierarchical Methods): Xây dựng cây phân cấp theo cách tiếp cận từ dưới lên (Bottom-Up như AGNES) hoặc từ trên xuống (Top-Down như DIANA).
  3. Phương pháp dựa trên mật độ (Density-Based Methods): Mở rộng cụm dựa trên tính liên kết mật độ (như DBSCAN, OPTICS), giúp phát hiện cụm có hình dạng phức tạp và loại bỏ ngoại lai.
  4. Phương pháp dựa trên lưới (Grid-Based Methods): Lượng tử hóa không gian thành các ô lưới đa chiều để tối ưu thời gian xử lý.

Trọng tâm của chương là giải thuật phân hoạch K-Means và K-Medoids (PAM). Tác giả minh họa từng bước thuật toán K-Means qua bài toán phân nhóm 4 đối tượng thuốc ($A, B, C, D$) với 2 đặc trưng ($X$: Trọng số, $Y$: Chỉ số pH) thành $k=2$ nhóm:

  • Tọa độ 4 đối tượng: $A(1, 1)$, $B(2, 1)$, $C(4, 3)$, $D(5, 4)$.
  • Khởi tạo 2 tâm ban đầu: $c_1(1, 1)$ (đối tượng $A$) và $c_2(2, 1)$ (đối tượng $B$).
  • Khoảng cách Euclidean từ đối tượng $C(4, 3)$ đến $c_1$ là $d(C, c_1) = \sqrt{(4-1)^2 + (3-1)^2} = \sqrt{13} \approx 3.61$; đến $c_2$ là $d(C, c_2) = \sqrt{(4-2)^2 + (3-1)^2} = \sqrt{8} \approx 2.83$.
  • Phân bổ vòng lặp 1: Nhóm 1 gồm ${A}$, Nhóm 2 gồm ${B, C, D}$.
  • Tính toán lại tâm cụm mới: Tâm $c_1$ giữ nguyên $(1, 1)$; tâm $c_2$ mới là giá trị trung bình tọa độ của $B, C, D$: $$c_2 = \left( \frac{2 + 4 + 5}{3}, \frac{1 + 3 + 4}{3} \right) = \left( \frac{11}{3}, \frac{8}{3} \right) \approx (3.67, 2.67)$$
  • Thuật toán tiếp tục lặp lại các bước tính khoảng cách và gán cụm cho đến khi vị trí các tâm hội tụ hoàn toàn.

Chương 3: Thử nghiệm hệ thống

Chương 3 trình bày việc xây dựng phần mềm thực nghiệm nhằm quản lý dữ liệu và thực thi các thuật toán phân cụm trên dữ liệu tên miền và địa chỉ Internet. Chương trình được thiết kế các phân hệ chức năng hoàn chỉnh bao gồm:

  • Thiết lập kết nối cơ sở dữ liệu: Cung cấp module cấu hình tham số máy chủ, cơ sở dữ liệu nguồn.
  • Hệ thống đăng nhập và phân quyền: Đảm bảo kiểm soát truy cập trước khi vào màn hình làm việc chính.
  • Quản lý và cập nhật dữ liệu bảng: Giao diện cho phép thêm mới, chỉnh sửa và quản lý danh sách tên miền đăng ký.
  • Tra cứu và tìm kiếm thông tin: Cho phép truy vấn dữ liệu địa chỉ IP và tên miền theo các tiêu chí.
  • Module phân cụm dữ liệu: Tích hợp chức năng thực thi thuật toán K-Means và K-Medoids (PAM) trực tiếp trên tập dữ liệu đã lưu trữ.

Thiết kế và triển khai hệ thống

Phần mềm thử nghiệm được xây dựng để ứng dụng các thuật toán phân cụm vào quản lý địa chỉ Internet, bao gồm các thành phần kiến trúc và giao diện chính:

[ Cơ sở dữ liệu IP/DNS ]
   [ Quản lý & Cập nhật dữ liệu ]             [ Xử lý Khai phá dữ liệu ]
   - Cập nhật bảng tên miền                   - Thực thi giải thuật K-Means
   - Tra cứu, tìm kiếm thông tin              - Thực thi giải thuật K-Medoids

Các phân hệ chức năng của phần mềm

  1. Phân hệ cấu hình và xác thực:

    • Kết nối CSDL (Hình 6): Cho phép người dùng thiết lập kết nối đến hệ thống quản trị cơ sở dữ liệu.
    • Giao diện đăng nhập (Hình 7): Quản lý thông tin xác thực của người dùng trước khi truy cập vào hệ thống.
    • Giao diện chính sau đăng nhập (Hình 8): Bảng điều khiển trung tâm liên kết đến các module chức năng.

  2. Phân hệ quản trị và tra cứu dữ liệu:

    • Cập nhật bảng dữ liệu tên miền (Hình 9): Hỗ trợ cập nhật thông tin chi tiết về các tên miền được đăng ký vào cơ sở dữ liệu.
    • Tìm kiếm thông tin (Hình 10): Cung cấp công cụ lọc và tra cứu thông tin tên miền, địa chỉ IP nhanh chóng.

  3. Phân hệ phân cụm khai phá tri thức (Hình 12):

    • Tích hợp thực thi hai thuật toán phân hoạch chính: K-Means và K-Medoids (PAM). Module cho phép người dùng nạp dữ liệu từ bảng, lựa chọn tham số $k$, chạy thuật toán và quan sát kết quả phân cụm các địa chỉ/tên miền.

Kết quả và đóng góp

Kết quả chính

  • Tổng hợp hệ thống lý thuyết: Đồ án đã hệ thống hóa đầy đủ cơ sở toán học của các phép đo khoảng cách trong không gian metric (Minkowski, Euclidean, Manhattan, Chebychev) và các công thức đo lường cho các kiểu dữ liệu khác nhau (dữ liệu số, dữ liệu định danh, dữ liệu nhị phân đối xứng/không đối xứng).
  • So sánh có hệ thống các phương pháp phân cụm: Đồ án cung cấp bảng phân tích ưu, nhược điểm của 4 họ thuật toán phân cụm chính trong khai phá dữ liệu:
Phương pháp phân cụm Thuật toán tiêu biểu Ưu điểm theo văn bản Nhược điểm / Hạn chế theo văn bản
Phân hoạch (Partitioning) K-Means, PAM, CLARA, CLARANS Đơn giản, dễ áp dụng, hiệu quả với cơ sở dữ liệu nhỏ và cụm dạng lồi Phải xác định trước $k$; nhạy cảm với nhiễu và ngoại lai; chỉ tìm được cụm đa giác lồi
Phân cấp (Hierarchical) AGNES, DIANA, CURE, BIRCH, CHAMELEON Linh hoạt mức độ chi tiết; áp dụng được với mọi kiểu đo khoảng cách Điều kiện dừng mơ hồ; không duyệt lại các mức trước; tốn bộ nhớ lưu cây; không hợp dữ liệu lớn
Dựa trên mật độ (Density-Based) DBSCAN, OPTICS, DENCLUE, DBCLASD Tìm được cụm có hình dạng bất kỳ; loại bỏ tốt phần tử nhiễu và ngoại lai Phù hợp chủ yếu với dữ liệu kiểu số; khó xử lý cấu trúc dữ liệu hỗn hợp phức tạp
Dựa trên lưới (Grid-Based) Phân cụm cấu trúc lưới không gian Thời gian xử lý nhanh; độc lập với số đối tượng dữ liệu trong tập ban đầu Phụ thuộc vào số ô chia trong mỗi chiều không gian lưới
  • Triển khai ứng dụng thực nghiệm: Xây dựng thành công phần mềm giao diện người dùng hoàn chỉnh cho phép kết nối CSDL, quản lý thông tin đăng ký tên miền, tìm kiếm dữ liệu và thực thi phân cụm bằng K-Means và K-Medoids.

Giải pháp và đóng góp của đề tài

  • Đề xuất quy trình ứng dụng thuật toán phân cụm vào việc quản lý địa chỉ Internet nhằm phân nhóm các tên miền, hỗ trợ nhận diện xu hướng truy cập và sở thích người dùng thay vì chỉ lưu trữ đơn thuần.
  • Trình bày trực quan, chi tiết từng bước tính toán đại số của thuật toán K-Means qua ví dụ cụ thể, giúp làm rõ cơ chế cập nhật tọa độ tâm cụm và phân bổ lại các đối tượng.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế

  • Hạn chế của thuật toán phân hoạch: Theo phân tích trong văn bản, phương pháp K-Means và các thuật toán phân hoạch yêu cầu người dùng phải xác định trước số cụm $k$. Đồng thời, thuật toán chỉ tạo ra các cụm có dạng đa giác lồi, không nhận diện được các cụm có hình dạng lõm, lồng nhau hoặc phủ lên nhau.
  • Độ nhạy cảm với dữ liệu nhiễu: Khi cơ sở dữ liệu có nhiều phần tử ngoại lai hoặc điểm dữ liệu ở quá xa, vị trí tâm cụm dễ bị lệch, làm giảm độ chính xác của kết quả phân cụm.
  • Giới hạn trên dữ liệu hỗn hợp: Các thuật toán được thử nghiệm chưa giải quyết triệt để bài toán phân cụm trên các cơ sở dữ liệu hỗn hợp phức tạp gồm nhiều lớp đối tượng có tính chất khác nhau.

Hướng nghiên cứu tiếp

  • Nghiên cứu kết hợp các phương pháp phân cụm khác nhau (như kết hợp giữa phân hoạch và dựa trên mật độ hoặc cấu trúc lưới) để xử lý hiệu quả các tập dữ liệu không gian và dữ liệu hỗn hợp.
  • Tự động hóa quá trình xác định tham số đầu vào (như số lượng cụm $k$) nhằm giảm thiểu sự phụ thuộc vào tri thức chuyên gia ban đầu.

Giá trị tham khảo

Đồ án là tài liệu tham khảo hữu ích cho các nhóm độc giả và mục đích nghiên cứu sau:

  • Sinh viên ngành Công nghệ thông tin và Khoa học máy tính: Tham khảo phần cơ sở lý thuyết về quy trình KDD 6 bước, các phương pháp tiền xử lý/chuẩn hóa dữ liệu (PCA, SVD, KL) và hướng dẫn tính toán chi tiết từng bước của giải thuật K-Means.
  • Người làm đề tài về Quản trị mạng và Viễn thông: Tham khảo tổng hợp kiến thức về cấu trúc IPv4, các lớp mạng, cơ chế chuyển đổi sang IPv6 (Dual-stack, Tunneling, Translation), các không gian địa chỉ IPv6 đặc thù, cùng khung pháp lý quản lý tên miền DNS của VNNIC theo Quyết định 02/2008/QĐ-BTTTT.
  • Người nghiên cứu phát triển phần mềm khai phá dữ liệu: Tham khảo mô hình thiết kế các màn hình chức năng của chương trình quản lý dữ liệu kết hợp phân cụm K-Means/K-Medoids.

Câu hỏi thường gặp

1. Quy trình khám phá tri thức từ dữ liệu (KDD) trong đồ án gồm những giai đoạn nào?

Văn bản nêu rõ quy trình gồm 6 giai đoạn: (1) Lựa chọn dữ liệu (data selection), (2) Xóa bỏ dữ liệu không cần thiết (cleaning), (3) Làm giàu dữ liệu (enrichment), (4) Chuẩn hóa và mã hóa dữ liệu (coding and normalization), (5) Khám phá tri thức (data mining), và (6) Báo cáo kết quả (reporting).

2. Sự khác biệt cơ bản về không gian địa chỉ giữa IPv4 và IPv6 được nêu trong đồ án là gì?

IPv4 sử dụng 32 bit để đánh địa chỉ (chia thành 4 octet) với không gian tối đa khoảng $2^{32}$ (xấp xỉ 4,3 tỷ) địa chỉ. Trong khi đó, IPv6 sử dụng 128 bit (chia thành 8 octet/hextet dạng Hexa) cho phép mở rộng không gian lên tới $2^{128}$ địa chỉ, giải quyết hoàn toàn nguy cơ cạn kiệt địa chỉ và loại bỏ sự phụ thuộc vào kỹ thuật NAT.

3. Những cơ chế nào được sử dụng để đảm bảo tương thích khi chuyển đổi giữa IPv4 và IPv6?

Văn bản trình bày 3 cơ chế tương thích:

  • Dual-stack: Thiết bị mạng chạy song song đồng thời cả hai giao thức IPv4 và IPv6.
  • Tunneling: Đóng gói lưu lượng IPv6 để truyền qua đoạn mạng IPv4 trung gian.
  • Translation: Chuyển đổi trực tiếp gói tin giữa các đoạn mạng IPv4 và IPv6 nối tiếp nhau.

4. Văn bản quy phạm pháp luật nào quy định chức năng, nhiệm vụ của Trung tâm Internet Việt Nam (VNNIC) được trích dẫn trong đồ án?

Đồ án trích dẫn Quyết định số 02/2008/QĐ-BTTTT do Bộ trưởng Bộ Thông tin và Truyền thông Lê Doãn Hợp ban hành ngày 05/03/2008 quy định chức năng, nhiệm vụ và quyền hạn của VNNIC trong việc quy hoạch, quản lý địa chỉ IP, số hiệu mạng ASN và tên miền quốc gia .vn.

5. Thuật toán K-Means thực hiện tính toán tâm cụm mới trong ví dụ 4 loại thuốc ở Chương 2 như thế nào?

Trong ví dụ ở Chương 2, với 4 mẫu thuốc $A(1, 1)$, $B(2, 1)$, $C(4, 3)$, $D(5, 4)$ và 2 tâm ban đầu $c_1(1, 1)$, $c_2(2, 1)$, sau vòng lặp 1 đối tượng $A$ thuộc Nhóm 1, các đối tượng $B, C, D$ thuộc Nhóm 2. Tâm mới của Nhóm 2 ($c_2$) được tính bằng trung bình cộng tọa độ của các điểm $B, C, D$: hoành độ $X = (2 + 4 + 5)/3 = 3.67$ và tung độ $Y = (1 + 3 + 4)/3 = 2.67$, tạo thành tâm mới $c_2(3.67, 2.67)$.

Kết luận

Đồ án tốt nghiệp của sinh viên Nguyễn Văn Tuyên đã hoàn thành các nhiệm vụ nghiên cứu được giao về việc áp dụng thuật toán khai phá dữ liệu trong bài toán quản trị địa chỉ Internet. Tác giả đã hệ thống hóa cơ sở lý thuyết toàn diện về quy trình KDD, các phép đo khoảng cách toán học và phân loại 4 nhóm giải thuật phân cụm chính. Trên cơ sở đó, đồ án đã minh họa chi tiết giải thuật K-Means và xây dựng thành công phần mềm thực nghiệm tích hợp các chức năng quản lý, tìm kiếm tên miền và phân cụm dữ liệu bằng K-Means và K-Medoids.