CN117459901A - 一种基于定位技术的云平台数据智能管理***及方法 - Google Patents
一种基于定位技术的云平台数据智能管理***及方法 Download PDFInfo
- Publication number
- CN117459901A CN117459901A CN202311807025.8A CN202311807025A CN117459901A CN 117459901 A CN117459901 A CN 117459901A CN 202311807025 A CN202311807025 A CN 202311807025A CN 117459901 A CN117459901 A CN 117459901A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- base station
- uploading
- local
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000005516 engineering process Methods 0.000 title claims abstract description 23
- 230000009471 action Effects 0.000 claims abstract description 43
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000007726 management method Methods 0.000 claims abstract description 18
- 230000006399 behavior Effects 0.000 claims description 28
- 230000005540 biological transmission Effects 0.000 claims description 27
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 9
- 230000033001 locomotion Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000005206 flow analysis Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 238000013523 data management Methods 0.000 claims 2
- 230000032683 aging Effects 0.000 claims 1
- 238000007373 indentation Methods 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/0289—Congestion control
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/10—Flow control between communication endpoints
- H04W28/14—Flow control between communication endpoints using intermediate storage
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
- H04W28/18—Negotiating wireless communication parameters
- H04W28/20—Negotiating bandwidth
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
- H04W28/26—Resource reservation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/51—Allocation or scheduling criteria for wireless resources based on terminal or device properties
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/52—Allocation or scheduling criteria for wireless resources based on load
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/56—Allocation or scheduling criteria for wireless resources based on priority criteria
- H04W72/566—Allocation or scheduling criteria for wireless resources based on priority criteria of the information or information source or recipient
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及云平台技术领域,具体为一种基于定位技术的云平台数据智能管理***及方法,包括:记录分析模块、定位模块、带宽分配模块、本地缓存模块和异地取包模块,记录分析模块用于分析用户的未来行为,定位模块用于对用户进行定位,并预测用户的行动轨迹,带宽分配模块用于向各本地基站预分配带宽,本地缓存模块用于缓存数据,异地取包模块用于异地下载用户的数据,并在用户到达缩进所在基站时,将数据包传输给用户,本发明能够通过预分配网络资源,为关键的地点优先提供所需的带宽和优先级,确保云平台能够获得良好的服务质量,能够更好地利用云端服务资源,增加用户的使用体验。
Description
技术领域
本发明涉及云服务技术领域,具体为一种基于定位技术的云平台数据智能管理***及方法。
背景技术
云平台是一种基于云计算技术的服务平台,通过互联网提供计算、存储、网络和应用等资源和服务,用户可以根据需要自由上传、下载和使用这些资源,无需进行复杂的硬件或软件配置,就可以实现高效可扩展的资源服务。
用户在云平台上的上传与下载行为通过本地基站与云端的数据通信来进行,但因为用户会在基站间移动,云平台需要在各基站预留出足够的本地通信带宽来处理用户的上传与下载请求,现有技术可以实现在检测到带宽不足时,对邻近基站的空闲波段进行复用,但这通常需要设置复杂的通信协议来进行基站间通信带宽的分配,因此,这种方式通信延迟很大,缺乏灵活性。
此外,不同用户对数据的需求情况不同,在云平台上发生上传与下载行为时***台服务资源的高效利用,也影响了用户对云平台的使用体验。
发明内容
本发明的目的在于提供一种基于定位技术的云平台数据智能管理***及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种基于定位技术的云平台数据智能管理***,包括:记录分析模块、定位模块、带宽分配模块、本地缓存模块和异地取包模块;
所述记录分析模块用于根据现有用户在云平台上的服务使用记录,分析用户在未来对云平台中各项服务的访问频率和平均使用流量,并计算预测结果与实际结果的偏差概率;
所述定位模块用于对用户进行定位,通过所有分析用户的行动轨迹与服务使用记录,得到用户的地理位置与云平台使用间的关联性,并预测用户未来的行动轨迹,给出计算用户前往各地点的概率;
所述带宽分配模块用于根据所有用户的地理位置分布、流量使用情况与未来行动轨迹,计算各地理坐标的负荷系数,向各坐标位置预分配带宽,在检测到上传到云平台的数据发生拥塞时,将拥塞数据存入本地基站的缓存,并根据预测结果与实际结果的偏差概率在缓存中预留出机动带宽;
所述本地缓存模块用于在本地基站中接收发生拥塞时用户未能上传的数据,根据用户的访问频率和流量大小确定缓存释放的优先级,预留出机动带宽后,按优先级顺序向云平台上传缓存内的数据;
所述异地取包模块用于在检测到下载行为拥塞时,根据用户的优先级对下载请求进行分类,一部分由本地基站下载,另一部分根据用户的移动轨迹,将数据下载到用户移动轨迹上其他基站的缓存中,用户前往该基站后,再通过近距离高速数据传输方式获取下载好的数据包。
进一步的,所述记录分析模块包括:流量分析单元、行为分析单元和稳定性评估单元;
所述流量分析单元用于根据用户的云端使用记录,预测用户未来使用流量的大小;
所述行为分析单元用于根据用户的使用记录,预测用户未来对云平台各项服务的使用频率;
所述稳定性评估单元用于计算预测结果与实际结果的偏差概率。
进一步的,所述定位模块包括:移动坐标单元和位置预测单元;
所述移动坐标单元用于获取用户的位置坐标,根据用户的历史位置与云端使用情况,分析地理位置与云平台使用间的关联性;
所述位置预测单元用于根据用户的历史运动轨迹,预测用户在未来前往其他位置的概率。
进一步的,所述带宽分配模块包括:荷载分配单元、拥塞检测单元和带宽预留单元;
所述荷载分配单元用于计算各地理坐标的负荷系数,向各地理坐标处的本地基站预分配带宽;
所述拥塞检测单元用于检测各地的本地基站是否发生上传或下载的网络拥塞情况;
所述带宽预留单元用于根据预测结果的准确性,计算预留带宽的大小,并在本地基站的缓存中,预留出机动带宽。
进一步的,所述本地缓存模块包括:数据缓存单元和优先释放单元;
所述数据缓存单元用于存储用户未能上传到云端,或云端未能下载到用户的数据;
所述优先释放单元用于评估用户对上传数据的时效需求程度,计算上传请求的优先级,按优先级从缓存中向云端发送数据。
进一步的,所述异地取包模块包括:异地缓存单元和高速取包单元;
所述异地缓存单元用于在检测到用户下载数据发送拥塞时,根据用户的移动轨迹,将数据下载到用户相邻基站的本地缓存中,通知用户前往取包;
所述高速取包单元用于用户到达相邻基站后,从相邻基站通过近距离高速传输方式,将基站本地缓存中下载的数据包传输到用户设备中。
一种基于定位技术的云平台数据智能管理方法,包括以下步骤:
S100.根据用户对云端数据的历史使用记录,预测用户未来的云端使用情况,并评估预测结果的准确性;
S200.获取用户定位,分析用户的行动轨迹,计算用户向各地点的移动概率,根据所有用户的行动轨迹与未来云端使用情况,计算各本地基站的预计荷载,根据基站的预计荷载预分配本地缓存;
S300.检测到基站上传数据拥塞时,将拥塞数据存入基站本地缓存,根据用户的未来云端使用情况,确定传输优先级,按优先级从缓存向云端上传数据;
S400.根据所有用户预测结果的准确性,计算基站与云端通信时的预留带宽,当有用户需要下载尚未从本地缓存中上传到云平台的数据时,通过预留带宽为该用户优先进行资源上传;
S500.检测到基站下载数据拥塞时,根据用户的行动轨迹,将数据下载到相邻基站的本地缓存中,用户到达该基站范围内时,通知用户前往取包,基站通过近距离高速数据传输方式,将缓存中的数据包下载到用户的设备中。
进一步的,步骤S100包括:
步骤S101.获取用户在云平台上的历史使用记录,所述历史使用记录包括:用户上传数据的记录、用户下载数据的记录、用户单次上传数据流量的大小和用户单次下载数据流量的大小;
步骤S102.对用户的上传行为进行统计,每两次上传行为之间的时间间隔记作数据集X,所述X={t1,t2,…,tn-1},其中n代表记录中上传行为发生的次数,tn-1代表第n-1次上传行为与第n次上传行为之间的时间间隔,统计数据集X中数据的均值与方差,均值记作c,方差记作;
计算用户的上传频率V,所述V=T/c,其中T为用户第一次发生上传行为到最后一次发生上传行为间的总时长;
以相同方法,统计用户上传行为与下载行为间的时间间隔,将用户上传与下载间的平均时间间隔记作t0;
步骤S103.按以下公式,对用户未来的流量使用情况进行预测:
其中,为用户两次上传行为间时间间隔的方差,e为自然对数的底数,A为用户的平均上传流量大小,B为用户的平均下载流量大小,V为上传数据频率,t代表距离用户最近一次上传行为的时间,R(t)为流量使用量的函数,t0为用户的平均上传下载时间间隔;
步骤S104.针对步骤S103中的预测结果,评估预测的准确性:
其中,R0代表流量预测结果的平均误差,ti代表数据集X中的第i个元素;
用上述方法计算出每一个用户的流量使用情况与流量预测结果的平均误差。
本步骤能够评估用户对数据的使用习惯,按照用户习惯进行服务资源的优先调取,通过智能的资源预分配,更好地利用云端服务资源。
进一步的,步骤S200包括:
步骤S201.每隔预设的时间te对用户进行定位,获取定位点所在的基站编号,根据用户历史定位点所在的基站编号,按时间顺序将这些基站的编号进行排列,构成序列Y,所述序列Y代表用户在基站间行动的轨迹,且Y=[W1,W2,…,Wm],其中,m为对用户进行定位的总次数,Wm为第m次定位时,定位点所在基站的编号;
步骤S202.将基站Wm的所有相邻基站记作数据集Z,Z={U1,U2,…,Ut,Ug},其中,g为基站Wm所有相邻基站的数量,Ut为第t各相邻基站的编号;
构建ARIMA模型,并构造序列Yj=[W1,W2,…,Wm,Uj],所述j∈{1,2,…,g},将j所有可能的取值依次代入序列Yj,并将其输入ARIMA模型,输出序列平滑度,构成序列L,L={k1,k2,…,kt,…,kg},其中,kt代表基站Ut所对应的序列平滑度;
将序列[W1,W2,…,Wm,Wm]输入ARIMA模型,计算出用户不移动时的序列平滑度k0,进一步计算出用户前往基站Ut的概率Pt,所述;
步骤S203.按步骤S201-S202中的方式,获取所有用户移动到基站Ut的概率,并计算基站Ut的每个本地用户不移动的概率,按以下公式计算基站Ut的预计荷载:
其中Rt为基站Ut的预计荷载,h为基站Ut本地用户的数量,d为相邻基站用户的数量,[R(te)]p表示第p个本地用户在下次定位时使用流量的预测值,[P0]p代表第p个本地用户不移动的概率,[R(te)]q表示第q个相邻基站用户在下次定位时使用流量的预测值,[Pt]q代表第q个相邻基站用户移动到基站Ut的概率;
步骤S204.根据基站Ut预计荷载Rt的值,为基站Ut预留本地缓存,并按照上述步骤,为所有基站预留本地缓存。
本步骤能够根据现有用户在云平台上的使用记录,计算每个地点的预计荷载与用户前往各地的概率,在各地点预先分配足够的通信空间,降低各地基站的通信压力。
进一步的,步骤S300包括:
步骤S301.检测基站的数据拥塞情况,当检测到基站与云端间上传数据拥塞时,转到步骤S302,当检测到基站与云端间下载数据拥塞时,转到步骤S501;
步骤S302.将无法及时上传到云端的拥塞数据存入基站的缓存中,并分析拥塞数据的来源,并按照来源用户的t0值从小到大的顺序,排列缓存中的待上传数据,构成待上传数据队列,按照所述待上传数据队列的顺序,从基站的本地缓存中向云平台上传数据。
进一步的,步骤S400包括:
步骤S401.根据用户的预测准确性,计算预留带宽:
其中,B为预留带宽,B0为总带宽,S为缓存中拥塞数据来源用户的数量,[R0]r表示第r个来源用户流量预测结果的平均误差,RN为缓存中现有数据的总流量;
步骤S402.当有用户需要下载尚未从本地缓存中上传到云平台的数据时,通过预留带宽为该用户优先进行资源上传。
本步骤根据评估准确度、用户的移动概率和的预计荷载,计算预留带宽,从而提高云平台整体的利用率,增加用户的使用体验。
进一步的,步骤S500包括:
步骤S501.检测到基站下载数据发送拥塞时,停止将新增下载需求添加进数据下载队列中;
对于提出新增下载需求的用户,获取步骤S200中用户前往各基站的概率,按概率从大到小的顺序排列,构成基站选择序列,将所述基站选择序列发送给用户,让用户从中选取一个作为取包基站;
步骤S502.云端将用户需要下载的数据下载到取包基站的本地缓存中,用户到达取包基站范围内时,取包基站利用高速近距离传输方式,将用户需要下载的数据包传输到用户设备中;
作为优选的,所述高速近距离传输方式为:有线传输、蓝牙和WIFI.6。
本步骤能够避免在网络本地下载速度缓慢时,急需资源的用户被动进行服务等待,可以为关键的云端数据服务提供所需的带宽和优先级,确保用户能够获得良好的云端服务质量。
与现有技术相比,本发明所达到的有益效果是:
1.本发明能够根据现有用户在云平台上的使用记录,计算每个地点的预计荷载与用户前往各地的概率,在各地点预先分配足够的通信空间,降低各地基站的通信压力,提高云平台服务的灵活性,通过预分配网络资源,为关键的地点提供所需的带宽和优先级,确保云平台能够获得良好的服务质量。
2.本发明能够评估用户对数据的使用***台的流量拥塞时,将流量存入当地缓存,按照用户***台整体的利用率,增加用户的使用体验。
3.本发明能够在云平台下载行为拥塞时,根据用户的移动习惯,将部分数据下载到邻近基站的缓存中,并将取包位置和预计时间发送给用户,用户前往该位置后,通过近距离高速传输方式将下载好的数据包发送到用户设备中,避免在网络本地下载速度缓慢时,急需资源的用户被动进行服务等待,可以为关键的云端数据服务提供所需的带宽和优先级,确保用户能够获得良好的云端服务质量。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种基于定位技术的云平台数据智能管理***的结构示意图;
图2是本发明一种基于定位技术的云平台数据智能管理方法的步骤示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,本发明提供技术方案:一种基于定位技术的云平台数据智能管理***,包括:记录分析模块、定位模块、带宽分配模块、本地缓存模块和异地取包模块;
所述记录分析模块用于根据现有用户在云平台上的服务使用记录,分析用户在未来对云平台中各项服务的访问频率和平均使用流量,并计算预测结果与实际结果的偏差概率;
所述记录分析模块包括:流量分析单元、行为分析单元和稳定性评估单元;
所述流量分析单元用于根据用户的云端使用记录,预测用户未来使用流量的大小;
所述行为分析单元用于根据用户的使用记录,预测用户未来对云平台各项服务的使用频率;
所述稳定性评估单元用于计算预测结果与实际结果的偏差概率。
所述定位模块用于对用户进行定位,通过所有分析用户的行动轨迹与服务使用记录,得到用户的地理位置与云平台使用间的关联性,并预测用户未来的行动轨迹,给出计算用户前往各地点的概率;
所述定位模块包括:移动坐标单元和位置预测单元;
所述移动坐标单元用于获取用户的位置坐标,根据用户的历史位置与云端使用情况,分析地理位置与云平台使用间的关联性;
所述位置预测单元用于根据用户的历史运动轨迹,预测用户在未来前往其他位置的概率。
所述带宽分配模块用于根据所有用户的地理位置分布、流量使用情况与未来行动轨迹,计算各地理坐标的负荷系数,向各坐标位置预分配带宽,在检测到上传到云平台的数据发生拥塞时,将拥塞数据存入本地基站的缓存,并根据预测结果与实际结果的偏差概率在缓存中预留出机动带宽;
所述带宽分配模块包括:荷载分配单元、拥塞检测单元和带宽预留单元;
所述荷载分配单元用于计算各地理坐标的负荷系数,向各地理坐标处的本地基站预分配带宽;
所述拥塞检测单元用于检测各地的本地基站是否发生上传或下载的网络拥塞情况;
所述带宽预留单元用于根据预测结果的准确性,计算预留带宽的大小,并在本地基站的缓存中,预留出机动带宽。
所述本地缓存模块用于在本地基站中接收发生拥塞时用户未能上传的数据,根据用户的访问频率和流量大小确定缓存释放的优先级,预留出机动带宽后,按优先级顺序向云平台上传缓存内的数据;
所述本地缓存模块包括:数据缓存单元和优先释放单元;
所述数据缓存单元用于存储用户未能上传到云端,或云端未能下载到用户的数据;
所述优先释放单元用于评估用户对上传数据的时效需求程度,计算上传请求的优先级,按优先级从缓存中向云端发送数据。
所述异地取包模块用于在检测到下载行为拥塞时,根据用户的优先级对下载请求进行分类,一部分由本地基站下载,另一部分根据用户的移动轨迹,将数据下载到用户移动轨迹上其他基站的缓存中,用户前往该基站后,再通过近距离高速数据传输方式获取下载好的数据包。
所述异地取包模块包括:异地缓存单元和高速取包单元;
所述异地缓存单元用于在检测到用户下载数据发送拥塞时,根据用户的移动轨迹,将数据下载到用户相邻基站的本地缓存中,通知用户前往取包;
所述高速取包单元用于用户到达相邻基站后,从相邻基站通过近距离高速传输方式,将基站本地缓存中下载的数据包传输到用户设备中。
一种基于定位技术的云平台数据智能管理方法,包括以下步骤:
S100.根据用户对云端数据的历史使用记录,预测用户未来的云端使用情况,并评估预测结果的准确性;
步骤S100包括:
步骤S101.获取用户在云平台上的历史使用记录,所述历史使用记录包括:用户上传数据的记录、用户下载数据的记录、用户单次上传数据流量的大小和用户单次下载数据流量的大小;
步骤S102.对用户的上传行为进行统计,每两次上传行为之间的时间间隔记作数据集X,所述X={t1,t2,…,tn-1},其中n代表记录中上传行为发生的次数,tn-1代表第n-1次上传行为与第n次上传行为之间的时间间隔,统计数据集X中数据的均值与方差,均值记作c,方差记作;
计算用户的上传频率V,所述V=T/c,其中T为用户第一次发生上传行为到最后一次发生上传行为间的总时长;
以相同方法,统计用户上传行为与下载行为间的时间间隔,将用户上传与下载间的平均时间间隔记作t0;
步骤S103.按以下公式,对用户未来的流量使用情况进行预测:
其中,为用户两次上传行为间时间间隔的方差,e为自然对数的底数,A为用户的平均上传流量大小,B为用户的平均下载流量大小,V为上传数据频率,t代表距离用户最近一次上传行为的时间,R(t)为流量使用量的函数,t0为用户的平均上传下载时间间隔;
步骤S104.针对步骤S103中的预测结果,评估预测的准确性:
其中,R0代表流量预测结果的平均误差,ti代表数据集X中的第i个元素;
用上述方法计算出每一个用户的流量使用情况与流量预测结果的平均误差。
S200.获取用户定位,分析用户的行动轨迹,计算用户向各地点的移动概率,根据所有用户的行动轨迹与未来云端使用情况,计算各本地基站的预计荷载,根据基站的预计荷载预分配本地缓存;
步骤S200包括:
步骤S201.每隔预设的时间te对用户进行定位,获取定位点所在的基站编号,根据用户历史定位点所在的基站编号,按时间顺序将这些基站的编号进行排列,构成序列Y,所述序列Y代表用户在基站间行动的轨迹,且Y=[W1,W2,…,Wm],其中,m为对用户进行定位的总次数,Wm为第m次定位时,定位点所在基站的编号;
步骤S202.将基站Wm的所有相邻基站记作数据集Z,Z={U1,U2,…,Ut,Ug},其中,g为基站Wm所有相邻基站的数量,Ut为第t各相邻基站的编号;
构建ARIMA模型,并构造序列Yj=[W1,W2,…,Wm,Uj],所述j∈{1,2,…,g},将j所有可能的取值依次代入序列Yj,并将其输入ARIMA模型,输出序列平滑度,构成序列L,L={k1,k2,…,kt,…,kg},其中,kt代表基站Ut所对应的序列平滑度;
将序列[W1,W2,…,Wm,Wm]输入ARIMA模型,计算出用户不移动时的序列平滑度k0,进一步计算出用户前往基站Ut的概率Pt,所述;
步骤S203.按步骤S201-S202中的方式,获取所有用户移动到基站Ut的概率,并计算基站Ut的每个本地用户不移动的概率,按以下公式计算基站Ut的预计荷载:
其中Rt为基站Ut的预计荷载,h为基站Ut本地用户的数量,d为相邻基站用户的数量,[R(te)]p表示第p个本地用户在下次定位时使用流量的预测值,[P0]p代表第p个本地用户不移动的概率,[R(te)]q表示第q个相邻基站用户在下次定位时使用流量的预测值,[Pt]q代表第q个相邻基站用户移动到基站Ut的概率;
步骤S204.根据基站Ut预计荷载Rt的值,为基站Ut预留本地缓存,并按照上述步骤,为所有基站预留本地缓存。
S300.检测到基站上传数据拥塞时,将拥塞数据存入基站本地缓存,根据用户的未来云端使用情况,确定传输优先级,按优先级从缓存向云端上传数据;
步骤S300包括:
步骤S301.检测基站的数据拥塞情况,当检测到基站与云端间上传数据拥塞时,转到步骤S302,当检测到基站与云端间下载数据拥塞时,转到步骤S501;
步骤S302.将无法及时上传到云端的拥塞数据存入基站的缓存中,并分析拥塞数据的来源,并按照来源用户的t0值从小到大的顺序,排列缓存中的待上传数据,构成待上传数据队列,按照所述待上传数据队列的顺序,从基站的本地缓存中向云平台上传数据。
S400.根据所有用户预测结果的准确性,计算基站与云端通信时的预留带宽,当有用户需要下载尚未从本地缓存中上传到云平台的数据时,通过预留带宽为该用户优先进行资源上传;
步骤S400包括:
步骤S401.根据用户的预测准确性,计算预留带宽:
其中,B为预留带宽,B0为总带宽,S为缓存中拥塞数据来源用户的数量,[R0]r表示第r个来源用户流量预测结果的平均误差,RN为缓存中现有数据的总流量;
步骤S402.当有用户需要下载尚未从本地缓存中上传到云平台的数据时,通过预留带宽为该用户优先进行资源上传。
S500.检测到基站下载数据拥塞时,根据用户的行动轨迹,将数据下载到相邻基站的本地缓存中,用户到达该基站范围内时,通知用户前往取包,基站通过近距离高速数据传输方式,将缓存中的数据包下载到用户的设备中。
步骤S500包括:
步骤S501.检测到基站下载数据发送拥塞时,停止将新增下载需求添加进数据下载队列中;
对于提出新增下载需求的用户,获取步骤S200中用户前往各基站的概率,按概率从大到小的顺序排列,构成基站选择序列,将所述基站选择序列发送给用户,让用户从中选取一个作为取包基站;
步骤S502.云端将用户需要下载的数据下载到取包基站的本地缓存中,用户到达取包基站范围内时,取包基站利用高速近距离传输方式,将用户需要下载的数据包传输到用户设备中;
作为优选的,所述高速近距离传输方式为:有线传输、蓝牙和WIFI.6。
实施例:
对用户的历史使用记录进行调取,得到用户在7时、13时、16时和22时进行了数据上传,13时、15时、20时和24时进行了相应的数据下载,平均上传流量为100MB,平均下载流量为50MB,则数据集X={6h,3h,6h},平均值为5h,方差为2,计算出函数R(t),验证R(t)的准确度,得到R0=0.42;
每隔1小时对用户进行定位,获取用户的行动轨迹,计算用户下一小时前往基站A的概率为0.3,范围内只有1个用户,则为基站A分配的缓存大小Rt=R(1)=132MB;
当发现基站A下载拥塞时,将用户需要下载的数据发送到相邻基站B的本地缓存中,用户前往基站B的范围内后,基站B通过蓝牙传输,将用户请求下载的数据包发送到用户设备中。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于定位技术的云平台数据智能管理方法,其特征在于,所述方法包括以下步骤:
S100.根据用户对云端数据的历史使用记录,预测用户未来的云端使用情况,并评估预测结果的准确性;
S200.获取用户定位,分析用户的行动轨迹,计算用户向各地点的移动概率,根据所有用户的行动轨迹与未来云端使用情况,计算各本地基站的预计荷载,根据基站的预计荷载预分配本地缓存;
S300.检测到基站上传数据拥塞时,将拥塞数据存入基站本地缓存,根据用户的未来云端使用情况,确定传输优先级,按优先级从缓存向云端上传数据;
S400.根据所有用户预测结果的准确性,计算基站与云端通信时的预留带宽,当有用户需要下载尚未从本地缓存中上传到云平台的数据时,通过预留带宽为该用户优先进行资源上传;
S500.检测到基站下载数据拥塞时,根据用户的行动轨迹,将数据下载到相邻基站的本地缓存中,用户到达该基站范围内时,通知用户前往取包,基站通过近距离高速数据传输方式,将缓存中的数据包下载到用户的设备中。
2.根据权利要求1所述的一种基于定位技术的云平台数据智能管理方法,其特征在于:
步骤S100包括:
步骤S101.获取用户在云平台上的历史使用记录,所述历史使用记录包括:用户上传数据的记录、用户下载数据的记录、用户单次上传数据流量的大小和用户单次下载数据流量的大小;
步骤S102.对用户的上传行为进行统计,每两次上传行为之间的时间间隔记作数据集X,所述X={t1,t2,…,tn-1},其中n代表记录中上传行为发生的次数,tn-1代表第n-1次上传行为与第n次上传行为之间的时间间隔,统计数据集X中数据的均值与方差,均值记作c,方差记作 ;
计算用户的上传频率V,所述V=T/c,其中T为用户第一次发生上传行为到最后一次发生上传行为间的总时长;
以相同方法,统计用户上传行为与下载行为间的时间间隔,将用户上传与下载间的平均时间间隔记作t0;
步骤S103.按以下公式,对用户未来的流量使用情况进行预测:
;
其中,为用户两次上传行为间时间间隔的方差,e为自然对数的底数,A为用户的平均上传流量大小,B为用户的平均下载流量大小,V为上传数据频率,t代表距离用户最近一次上传行为的时间,R(t)为流量使用量的函数,t0为用户的平均上传下载时间间隔;
步骤S104.针对步骤S103中的预测结果,评估预测的准确性:
;
其中,R0代表流量预测结果的平均误差,ti代表数据集X中的第i个元素;
用上述方法计算出每一个用户的流量使用情况与流量预测结果的平均误差。
3.根据权利要求2所述的一种基于定位技术的云平台数据智能管理方法,其特征在于:
步骤S200包括:
步骤S201.每隔预设的时间te对用户进行定位,获取定位点所在的基站编号,根据用户历史定位点所在的基站编号,按时间顺序将这些基站的编号进行排列,构成序列Y,所述序列Y代表用户在基站间行动的轨迹,且Y=[W1,W2,…,Wm],其中,m为对用户进行定位的总次数,Wm为第m次定位时,定位点所在基站的编号;
步骤S202.将基站Wm的所有相邻基站记作数据集Z,Z={U1,U2,…,Ut,Ug},其中,g为基站Wm所有相邻基站的数量,Ut为第t各相邻基站的编号;
构建ARIMA模型,并构造序列Yj=[W1,W2,…,Wm,Uj],所述j∈{1,2,…,g},将j所有可能的取值依次代入序列Yj,并将其输入ARIMA模型,输出序列平滑度,构成序列L,L={k1,k2,…,kt,…,kg},其中,kt代表基站Ut所对应的序列平滑度;
将序列[W1,W2,…,Wm,Wm]输入ARIMA模型,计算出用户不移动时的序列平滑度k0,进一步计算出用户前往基站Ut的概率Pt,所述;
步骤S203.按步骤S201-S202中的方式,获取所有用户移动到基站Ut的概率,并计算基站Ut的每个本地用户不移动的概率,按以下公式计算基站Ut的预计荷载:
;
其中Rt为基站Ut的预计荷载,h为基站Ut本地用户的数量,d为相邻基站用户的数量,[R(te)]p表示第p个本地用户在下次定位时使用流量的预测值,[P0]p代表第p个本地用户不移动的概率,[R(te)]q表示第q个相邻基站用户在下次定位时使用流量的预测值,[Pt]q代表第q个相邻基站用户移动到基站Ut的概率;
步骤S204.根据基站Ut预计荷载Rt的值,为基站Ut预留本地缓存,并按照上述步骤,为所有基站预留本地缓存。
4.根据权利要求3所述的一种基于定位技术的云平台数据智能管理方法,其特征在于:
步骤S300包括:
步骤S301.检测基站的数据拥塞情况,当检测到基站与云端间上传数据拥塞时,转到步骤S302,当检测到基站与云端间下载数据拥塞时,转到步骤S501;
步骤S302.将无法及时上传到云端的拥塞数据存入基站的缓存中,并分析拥塞数据的来源,并按照来源用户的t0值从小到大的顺序,排列缓存中的待上传数据,构成待上传数据队列,按照所述待上传数据队列的顺序,从基站的本地缓存中向云平台上传数据;
步骤S400包括:
步骤S401.根据用户的预测准确性,计算预留带宽:
;
其中,B为预留带宽,B0为总带宽,S为缓存中拥塞数据来源用户的数量,[R0]r表示第r个来源用户流量预测结果的平均误差,RN为缓存中现有数据的总流量;
步骤S402.当有用户需要下载尚未从本地缓存中上传到云平台的数据时,通过预留带宽为该用户优先进行资源上传。
5.根据权利要求4所述的一种基于定位技术的云平台数据智能管理方法,其特征在于:
步骤S500包括:
步骤S501.检测到基站下载数据发送拥塞时,停止将新增下载需求添加进数据下载队列中;
对于提出新增下载需求的用户,获取步骤S200中用户前往各基站的概率,按概率从大到小的顺序排列,构成基站选择序列,将所述基站选择序列发送给用户,让用户从中选取一个作为取包基站;
步骤S502.云端将用户需要下载的数据下载到取包基站的本地缓存中,用户到达取包基站范围内时,取包基站利用高速近距离传输方式,将用户需要下载的数据包传输到用户设备中。
6.一种基于定位技术的云平台数据智能管理***,其特征在于,所述***包括以下模块:记录分析模块、定位模块、带宽分配模块、本地缓存模块和异地取包模块;
所述记录分析模块用于根据现有用户在云平台上的服务使用记录,分析用户在未来对云平台中各项服务的访问频率和平均使用流量,并计算预测结果与实际结果的偏差概率;
所述定位模块用于对用户进行定位,通过所有分析用户的行动轨迹与服务使用记录,得到用户的地理位置与云平台使用间的关联性,并预测用户未来的行动轨迹,给出计算用户前往各地点的概率;
所述带宽分配模块用于根据所有用户的地理位置分布、流量使用情况与未来行动轨迹,计算各地理坐标的负荷系数,向各坐标位置预分配带宽,在检测到上传到云平台的数据发生拥塞时,将拥塞数据存入本地基站的缓存,并根据预测结果与实际结果的偏差概率在缓存中预留出机动带宽;
所述本地缓存模块用于在本地基站中接收发生拥塞时用户未能上传的数据,根据用户的访问频率和流量大小确定缓存释放的优先级,预留出机动带宽后,按优先级顺序向云平台上传缓存内的数据;
所述异地取包模块用于在检测到下载行为拥塞时,根据用户的优先级对下载请求进行分类,一部分由本地基站下载,另一部分根据用户的移动轨迹,将数据下载到用户移动轨迹上其他基站的缓存中,用户前往该基站后,再通过近距离高速数据传输方式获取下载好的数据包。
7.根据权利要求6所述的一种基于定位技术的云平台数据智能管理***,其特征在于:
所述记录分析模块包括:流量分析单元、行为分析单元和稳定性评估单元;
所述流量分析单元用于根据用户的云端使用记录,预测用户未来使用流量的大小;
所述行为分析单元用于根据用户的使用记录,预测用户未来对云平台各项服务的使用频率;
所述稳定性评估单元用于计算预测结果与实际结果的偏差概率。
8.根据权利要求7所述的一种基于定位技术的云平台数据智能管理***,其特征在于:
所述定位模块包括:移动坐标单元和位置预测单元;
所述移动坐标单元用于获取用户的位置坐标,根据用户的历史位置与云端使用情况,分析地理位置与云平台使用间的关联性;
所述位置预测单元用于根据用户的历史运动轨迹,预测用户在未来前往其他位置的概率。
9.根据权利要求8所述的一种基于定位技术的云平台数据智能管理***,其特征在于:
所述带宽分配模块包括:荷载分配单元、拥塞检测单元和带宽预留单元;
所述荷载分配单元用于计算各地理坐标的负荷系数,向各地理坐标处的本地基站预分配带宽;
所述拥塞检测单元用于检测各地的本地基站是否发生上传或下载的网络拥塞情况;
所述带宽预留单元用于根据预测结果的准确性,计算预留带宽的大小,并在本地基站的缓存中,预留出机动带宽。
10.根据权利要求9所述的一种基于定位技术的云平台数据智能管理***,其特征在于:
所述本地缓存模块包括:数据缓存单元和优先释放单元;
所述数据缓存单元用于存储用户未能上传到云端,或云端未能下载到用户的数据;
所述优先释放单元用于评估用户对上传数据的时效需求程度,计算上传请求的优先级,按优先级从缓存中向云端发送数据;
所述异地取包模块包括:异地缓存单元和高速取包单元;
所述异地缓存单元用于在检测到用户下载数据发送拥塞时,根据用户的移动轨迹,将数据下载到用户相邻基站的本地缓存中,通知用户前往取包;
所述高速取包单元用于用户到达相邻基站后,从相邻基站通过近距离高速传输方式,将基站本地缓存中下载的数据包传输到用户设备中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311807025.8A CN117459901B (zh) | 2023-12-26 | 2023-12-26 | 一种基于定位技术的云平台数据智能管理***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311807025.8A CN117459901B (zh) | 2023-12-26 | 2023-12-26 | 一种基于定位技术的云平台数据智能管理***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117459901A true CN117459901A (zh) | 2024-01-26 |
CN117459901B CN117459901B (zh) | 2024-03-26 |
Family
ID=89589682
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311807025.8A Active CN117459901B (zh) | 2023-12-26 | 2023-12-26 | 一种基于定位技术的云平台数据智能管理***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117459901B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117858132A (zh) * | 2024-03-07 | 2024-04-09 | 济南光路科技有限公司 | 一种基于云计算设备管理***及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108738151A (zh) * | 2018-05-18 | 2018-11-02 | 北京航空航天大学 | 一种基于粗略信息的无线预测资源分配方法 |
CN108900980A (zh) * | 2018-09-21 | 2018-11-27 | 北京邮电大学 | 一种在异构网络中基于移动性预测的资源分配优化方法 |
CN110602653A (zh) * | 2019-10-30 | 2019-12-20 | 中国科学技术大学 | 基于轨迹预测的预缓存方法 |
CN111629028A (zh) * | 2020-04-10 | 2020-09-04 | 清华大学 | 面向分布式多云存储的数据传输调度*** |
CN111935246A (zh) * | 2020-07-21 | 2020-11-13 | 山东省计算中心(国家超级计算济南中心) | 一种基于云边协作的用户生成内容上传方法和*** |
US20230041568A1 (en) * | 2020-04-02 | 2023-02-09 | Qualcomm Incorporated | Preloading application data based on network status prediction and data access behavior prediction |
CN115884094A (zh) * | 2023-03-02 | 2023-03-31 | 江西师范大学 | 一种基于边缘计算的多场景协作优化缓存方法 |
-
2023
- 2023-12-26 CN CN202311807025.8A patent/CN117459901B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108738151A (zh) * | 2018-05-18 | 2018-11-02 | 北京航空航天大学 | 一种基于粗略信息的无线预测资源分配方法 |
CN108900980A (zh) * | 2018-09-21 | 2018-11-27 | 北京邮电大学 | 一种在异构网络中基于移动性预测的资源分配优化方法 |
CN110602653A (zh) * | 2019-10-30 | 2019-12-20 | 中国科学技术大学 | 基于轨迹预测的预缓存方法 |
US20230041568A1 (en) * | 2020-04-02 | 2023-02-09 | Qualcomm Incorporated | Preloading application data based on network status prediction and data access behavior prediction |
CN111629028A (zh) * | 2020-04-10 | 2020-09-04 | 清华大学 | 面向分布式多云存储的数据传输调度*** |
CN111935246A (zh) * | 2020-07-21 | 2020-11-13 | 山东省计算中心(国家超级计算济南中心) | 一种基于云边协作的用户生成内容上传方法和*** |
CN115884094A (zh) * | 2023-03-02 | 2023-03-31 | 江西师范大学 | 一种基于边缘计算的多场景协作优化缓存方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117858132A (zh) * | 2024-03-07 | 2024-04-09 | 济南光路科技有限公司 | 一种基于云计算设备管理***及方法 |
CN117858132B (zh) * | 2024-03-07 | 2024-05-24 | 济南光路科技有限公司 | 一种基于云计算设备管理***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117459901B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117459901B (zh) | 一种基于定位技术的云平台数据智能管理***及方法 | |
US11411889B2 (en) | Predictive network system and method | |
Zhang et al. | On scheduling vehicle-roadside data access | |
CN102576317B (zh) | 服务设定支援方法 | |
Zhang et al. | Service scheduling of vehicle-roadside data access | |
US8144669B2 (en) | System and method for best effort scheduling | |
JP5343075B2 (ja) | オンラインキャッシュ及びピア・ツー・ピア転送を用いるメディアストリーミング | |
RU2207723C1 (ru) | Способ распределения ресурсов в системе электросвязи с множественным доступом | |
US9531522B2 (en) | System and method for proactive resource allocation | |
US20040093466A1 (en) | Cache management in a mobile device | |
US9342459B2 (en) | Cache management in a mobile device | |
CN102480763B (zh) | 向移动设备提供数据的方法和装置 | |
JPH08241257A (ja) | 情報処理装置および情報転送方法 | |
JP4405306B2 (ja) | コンテンツ送信装置およびコンテンツ再生装置 | |
GB2551619A (en) | Methods and systems for controlled wireless distribution of data for use at a location without reliable wireless connectivity | |
Al-Hilo et al. | Vehicle-assisted RSU caching using deep reinforcement learning | |
CN114979145B (zh) | 一种车联网中集成感知、通信与缓存的内容分发方法 | |
CN113271221A (zh) | 网络能力开放方法、***及电子设备 | |
US20140362823A1 (en) | Control method, control device, and communication system | |
JP2011191856A (ja) | ファイルキャッシュの管理方法、ファイルキャッシュ装置、及び、プログラム | |
CN114827250A (zh) | 实时响应的景区导游服务方法及*** | |
CN114610503A (zh) | 边缘计算中基于任务图整体资源需求的多应用在线计算卸载资源调度方法和*** | |
CN104737560A (zh) | 通信设备、服务提供设备、服务器以及存储介质 | |
CN115643608A (zh) | 服务提供方法、***、网关、设备和存储介质 | |
CN112241413A (zh) | 一种预推内容管理方法、装置及计算机设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |