CN106027344A - 基于大数据的家居服务系统 - Google Patents
基于大数据的家居服务系统 Download PDFInfo
- Publication number
- CN106027344A CN106027344A CN201610528995.8A CN201610528995A CN106027344A CN 106027344 A CN106027344 A CN 106027344A CN 201610528995 A CN201610528995 A CN 201610528995A CN 106027344 A CN106027344 A CN 106027344A
- Authority
- CN
- China
- Prior art keywords
- cloud service
- information data
- data
- module
- consultation information
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
- H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
- H04L12/2803—Home automation networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Automation & Control Theory (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于大数据的家居服务系统,包括数据资源准备模块、任务规划模块、可信组合评估模块、生活消费咨询信息数据调度模块和信息数据显示模块,其中所述可信组合评估模块包括评估子模块和评估优化子模块,所述生活消费咨询信息数据调度模块包括用于查找满足家居用户的信息调度请求的生活消费咨询信息数据的查找子模块。本发明实现了家居服务系统的信息实时获取功能;提高了支撑大数据服务的云服务组合方案的可信度,最大利益化地使用云端的存储和计算资源对生活消费咨询信息数据进行处理,降低了处理成本,且节约了评估时间,提高了评估速度;提高了满足家居用户的信息调度请求的生活消费咨询信息数据查找的效率。
Description
技术领域
本发明涉及智能家居领域,具体涉及基于大数据的家居服务系统。
背景技术
科学技术的飞速发展,智能家居领域也不断取得巨大的发展。家庭智能化将是大势所趋,不久将来,我国的智能家居市场也会突飞猛进。智能家居是以住宅为基础,基于网络通信、智能家电、灯具自动化,集系统、结构、服务、管理为一体的,利用综合布线技术智等实现舒适、安全、便捷的居住环境。智能家居由于其以上有益的特点,将在未来成为现代社会的新宠儿。而现有智能家居系统包括其控制系统基本上是对家居环境中的多个类别的电气设备进行硬件上的控制,实现远程操作,缺乏各种生活信息的实时获取。
发明内容
针对上述问题,本发明提供基于大数据的家居服务系统。
本发明的目的采用以下技术方案来实现:
基于大数据的家居服务系统,包括:
(1)数据资源准备模块,用于通过云服务对各方面的生活消费咨询信息数据进行搜集、分类并封装存储,其包括大数据信息服务器和数据资源分类子模块,所述大数据信息服务器用于搜集生活消费咨询信息数据,其通过互联网与各卖场的商品数据库以及小区广播信息数据库连接;
(2)任务规划模块,用于对生活消费咨询信息数据的处理过程划分为数据存储子任务、数据分类子任务、索引计算子任务和数据处理分析计算子任务,并为每个子任务匹配满足其需求的云端服务资源池,形成云服务组合方案,以获得大数据处理过程中所需的存储资源或计算资源;
(3)可信组合评估模块:用于根据任务规划模块生成的大数据服务的任务规划,执行云服务组合方案的评估,选择最优的云服务组合方案,为生活消费咨询信息数据的处理提供存储和汁算资源,其包括评估子模块和评估优化子模块;
所述评估子模块具体执行的操作为:
A、根据云端服务资源池SPv和对应的服务质量历史记录,进行云服务组合方案的效用函数X的建模并初始化模型中效用函数的各参数,设由任务规划模块获得的任务规划G={G1,G2,G3},对应的约束为C={C1,C2,C3},每个子任务Gv对应的云端服务资源池SPv共有mv个服务,对于云端服务资源池SPv中的每一个服务SPvω,其包含的历史记录个数为Lvω,由SPv形成的第γ个可行的云服务组合方案为CSγ,v∈[1,4],ω∈[1,mv],定义模型为:
其中,为第k维度的最大值,为第k维度的最小值,SPvωRh为隶属于SPvω的一条历史记录,xvω-h表示模型中效用函数的参数;
B、根据效用函数值按从小到大的顺序对各可行云服务组合方案进行排序,选择前Z个可行云服务组合方案作为优选云服务组合方案,Z的取值根据应用实例进行设定;
C、对每一组优选云服务组合方案计算其效用函数值的平均值;
D、选择效用函数值的平均值为最大的优选云服务组合方案作为最优的云服务组合方案;
所述评估优化子模块能够记录优选云服务组合方案的效用函数值和最优的组合云服务方案,并将其作为样本进行学习,如果新的优选云服务组合方案已经出现过,则直接调用其函数值;
(4)生活消费咨询信息数据调度模块,用于根据家居用户的信息调度请求在云端服务资源池的相应位置调度需要的生活消费咨询信息数据;
(5)信息数据显示模块,用于将调度的生活消费咨询信息数据信息咨询通过显示屏实时显示给家居用户。
其中,所述生活消费咨询信息数据调度模块包括用于查找满足家居用户的信息调度请求的生活消费咨询信息数据的查找子模块,所述查找子模块执行的具体操作为:
设xi为非结构化对等网络中的一个对等节点,为本地资源池,为邻居节点资源信息池,i∈[1,n],n为对等网络包含节点的总数,发起查询请求Mj的节点为xj,在xj的邻居节点集合中按照概率pj随机挑选出的对等节点集为pj×{xj1,xj2,...xjm},j∈[1,n];
当对等节点xB收到xj发送的查询请求Mj时,检查和中是否含有满足查询请求Mj的生活消费咨询信息数据,若是,根据所述生活消费咨询信息数据和生活消费咨询信息数据所在对等节点的位置信息,创建查询的响应消息并根据xj的位置信息,将所述响应信息返回给xj,然后将xj的生命值减1,若xj的生命值为0,丢弃查询请求Mj,若不为0,采用Q学习算法计算pj×{xj1,xj3,...xjm}中各对等节点的Q值,将查询请求Mj转发给pj×{xj1,xj2,...xjm}中Q值最大的节点,概率pj在网络悠闲时的取值范围为(5,8],在网络拥堵时的取值范围为[0,3);
设定Q值的计算公式为:
其中,Qnew表示Q的新值,Qold表示Q的老值,Qlearn表示被学习的值,α表示学习速率,β表示拥塞因素,表示时刻t节点xjμ的缓存队列中待处理的查询请求消息数,表示pj×{xj1,xj2,...xjm}中的节点xjμ处理一条查询请求消息所规定的时间,表示pj×{xj1,xj2,...xjm}中的节点xjμ处理一条查询请求消息实际所需的时间;函数I[x]在x>0时取值为1,x≤0时取值为0,α的取值范围是[0.25,0.3],β的取值范围是[0.45,0.5]。
本发明的有益效果为:
1、设置数据资源准备模块、任务规划模块、可信组合评估模块、生活消费咨询信息数据调度模块和信息数据显示模块,实现了家居服务系统的信息实时获取功能;
2、在生活消费咨询信息数据调度模块中设置用于查找满足家居用户的信息调度请求的生活消费咨询信息数据的查找子模块,定义了查找子模块执行的具体操作,提高了满足家居用户的信息调度请求的生活消费咨询信息数据查找的效率;
3、设置可信组合评估模块,提高了支撑大数据服务的云服务组合方案的可信度,最大利益化地使用云端的存储和计算资源对生活消费咨询信息数据进行处理,降低了处理成本,且采用评估优化子模块,节约了评估时间,提高了评估速度。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是本发明各模块的连接示意图;
图2是本发明评估子模块的工作流程图。
附图标记:
数据资源准备模块 1、任务规划模块 2、可信组合评估模块 3、生活消费咨询信息数据调度模块 4、信息数据显示模块 5、评估子模块 31、评估优化子模块 32、查找子模块41。
具体实施方式
结合以下实施例对本发明作进一步描述。
实施例1
参见图1、图2,本实施例的基于大数据的家居服务系统,包括:
(1)数据资源准备模块1,用于通过云服务对各方面的生活消费咨询信息数据进行搜集、分类并封装存储,其包括大数据信息服务器和数据资源分类子模块,所述大数据信息服务器用于搜集生活消费咨询信息数据,其通过互联网与各卖场的商品数据库以及小区广播信息数据库连接;
(2)任务规划模块2,用于对生活消费咨询信息数据的处理过程划分为数据存储子任务、数据分类子任务、索引计算子任务和数据处理分析计算子任务,并为每个子任务匹配满足其需求的云端服务资源池,形成云服务组合方案,以获得大数据处理过程中所需的存储资源或计算资源;
(3)可信组合评估模块3:用于根据任务规划模块2生成的大数据服务的任务规划,执行云服务组合方案的评估,选择最优的云服务组合方案,为生活消费咨询信息数据的处理提供存储和汁算资源,其包括评估子模块31和评估优化子模块32;
所述评估子模块31具体执行的操作为:
A、根据云端服务资源池SPv和对应的服务质量历史记录,进行云服务组合方案的效用函数X的建模并初始化模型中效用函数的各参数,设由任务规划模块2获得的任务规划G={G1,G2,G3},对应的约束为C={C1,C2,C3},每个子任务Gv对应的云端服务资源池SPv共有mv个服务,对于云端服务资源池SPv中的每一个服务SPvω,其包含的历史记录个数为Lvω,由SPv形成的第γ个可行的云服务组合方案为CSγ,v∈[1,4],ω∈[1,mv],定义模型为:
其中,为第k维度的最大值,为第k维度的最小值,SPvωRh为隶属于SPvω的一条历史记录,xvω-h表示模型中效用函数的参数;
B、根据效用函数值按从小到大的顺序对各可行云服务组合方案进行排序,选择前Z个可行云服务组合方案作为优选云服务组合方案,Z的取值根据应用实例进行设定;
C、对每一组优选云服务组合方案计算其效用函数值的平均值;
D、选择效用函数值的平均值为最大的优选云服务组合方案作为最优的云服务组合方案;
所述评估优化子模块能够记录优选云服务组合方案的效用函数值和最优的组合云服务方案,并将其作为样本进行学习,如果新的优选云服务组合方案已经出现过,则直接调用其函数值;
(4)生活消费咨询信息数据调度模块4,用于根据家居用户的信息调度请求在云端服务资源池的相应位置调度需要的生活消费咨询信息数据;
(5)信息数据显示模块5,用于将调度的生活消费咨询信息数据信息咨询通过显示屏实时显示给家居用户。
其中,所述生活消费咨询信息数据调度模块4包括用于查找满足家居用户的信息调度请求的生活消费咨询信息数据的查找子模块41,所述查找子模块41执行的具体操作为:
设xi为非结构化对等网络中的一个对等节点,为本地资源池,为邻居节点资源信息池,i∈[1,n],n为对等网络包含节点的总数,发起查询请求Mj的节点为xj,在xj的邻居节点集合中按照概率pj随机挑选出的对等节点集为pj×{xj1,xj2,...xjm},j∈[1,n];
当对等节点xi收到xj发送的查询请求Mj时,检查和中是否含有满足查询请求Mj的生活消费咨询信息数据,若是,根据所述生活消费咨询信息数据和生活消费咨询信息数据所在对等节点的位置信息,创建查询的响应消息并根据xj的位置信息,将所述响应信息返回给xj,然后将xj的生命值减1,若xj的生命值为0,丢弃查询请求Mj,若不为0,采用Q学习算法计算pj×{xj1,xj2,...xjm}中各对等节点的Q值,将查询请求Mj转发给pj×{xj1,xj2,...xjm}中Q值最大的节点,概率pj在网络悠闲时的取值范围为(5,8],在网络拥堵时的取值范围为[0,3);
设定Q值的计算公式为:
其中,Qnew表示Q的新值,Qold表示Q的老值,Qlearn表示被学习的值,α表示学习速率,β表示拥塞因素,表示时刻t节点xjμ的缓存队列中待处理的查询请求消息数,表示pj×{xj1,xj2,...xjm}中的节点xjμ处理一条查询请求消息所规定的时间,表示pj×{xj1,xj2,...xjm}中的节点xjμ处理一条查询请求消息实际所需的时间;函数I[x]在x>0时取值为1,x≤0时取值为0,α的取值范围是[0.25,0.3],β的取值范围是[0.45,0.5]。
本实施例设置数据资源准备模块1、任务规划模块2、可信组合评估模块3、生活消费咨询信息数据调度模块4和信息数据显示模块5,实现了家居服务系统的信息实时获取功能;设置可信组合评估模块3,提高了支撑大数据服务的云服务组合方案的可信度,最大利益化地使用云端的存储和计算资源对生活消费咨询信息数据进行处理,降低了处理成本,且采用评估优化子模块32,节约了评估时间,提高了评估速度;在生活消费咨询信息数据调度模块4中设置用于查找满足家居用户的信息调度请求的生活消费咨询信息数据的查找子模块41,定义了查找子模块41执行的具体操作,提高了满足家居用户的信息调度请求的生活消费咨询信息数据查找的效率,其中取值α=0.25,β=0.45,满足家居用户的信息调度请求的生活消费咨询信息数据查找的效率提高了2%。
实施例2
参见图1、图2,本实施例的基于大数据的家居服务系统,包括:
(1)数据资源准备模块1,用于通过云服务对各方面的生活消费咨询信息数据进行搜集、分类并封装存储,其包括大数据信息服务器和数据资源分类子模块,所述大数据信息服务器用于搜集生活消费咨询信息数据,其通过互联网与各卖场的商品数据库以及小区广播信息数据库连接;
(2)任务规划模块2,用于对生活消费咨询信息数据的处理过程划分为数据存储子任务、数据分类子任务、索引计算子任务和数据处理分析计算子任务,并为每个子任务匹配满足其需求的云端服务资源池,形成云服务组合方案,以获得大数据处理过程中所需的存储资源或计算资源;
(3)可信组合评估模块3:用于根据任务规划模块2生成的大数据服务的任务规划,执行云服务组合方案的评估,选择最优的云服务组合方案,为生活消费咨询信息数据的处理提供存储和汁算资源,其包括评估子模块31和评估优化子模块32;
所述评估子模块31具体执行的操作为:
A、根据云端服务资源池SPv和对应的服务质量历史记录,进行云服务组合方案的效用函数X的建模并初始化模型中效用函数的各参数,设由任务规划模块2获得的任务规划G={G1,G2,G3},对应的约束为C={C1,C2,C3},每个子任务Gv对应的云端服务资源池SPv共有mv个服务,对于云端服务资源池SPv中的每一个服务SPvω,其包含的历史记录个数为Lvω,由SPv形成的第γ个可行的云服务组合方案为CSγ,v∈[1,4],ω∈[1,mv],定义模型为:
其中,为第k维度的最大值,为第k维度的最小值,SPvωRh为隶属于SPvω的一条历史记录,xvω2h表示模型中效用函数的参数;
B、根据效用函数值按从小到大的顺序对各可行云服务组合方案进行排序,选择前Z个可行云服务组合方案作为优选云服务组合方案,Z的取值根据应用实例进行设定;
C、对每一组优选云服务组合方案计算其效用函数值的平均值;
D、选择效用函数值的平均值为最大的优选云服务组合方案作为最优的云服务组合方案;
所述评估优化子模块能够记录优选云服务组合方案的效用函数值和最优的组合云服务方案,并将其作为样本进行学习,如果新的优选云服务组合方案已经出现过,则直接调用其函数值;
(4)生活消费咨询信息数据调度模块4,用于根据家居用户的信息调度请求在云端服务资源池的相应位置调度需要的生活消费咨询信息数据;
(5)信息数据显示模块5,用于将调度的生活消费咨询信息数据信息咨询通过显示屏实时显示给家居用户。
其中,所述生活消费咨询信息数据调度模块4包括用于查找满足家居用户的信息调度请求的生活消费咨询信息数据的查找子模块41,所述查找子模块41执行的具体操作为:
设xi为非结构化对等网络中的一个对等节点,为本地资源池,为邻居节点资源信息池,i∈[1,n],n为对等网络包含节点的总数,发起查询请求Mj的节点为xj,在xj的邻居节点集合中按照概率pj随机挑选出的对等节点集为pj×{xj1,xj2,...xjm},j∈[1,n];
当对等节点xi收到xj发送的查询请求Mj时,检查和中是否含有满足查询请求Mj的生活消费咨询信息数据,若是,根据所述生活消费咨询信息数据和生活消费咨询信息数据所在对等节点的位置信息,创建查询的响应消息并根据xj的位置信息,将所述响应信息返回给xj,然后将xj的生命值减1,若xj的生命值为0,丢弃查询请求Mj,若不为0,采用Q学习算法计算pj×{xj1,xj2,...xjm}中各对等节点的Q值,将查询请求Mj转发给pj×{xj1,xj2,...xjm}中Q值最大的节点,概率pj在网络悠闲时的取值范围为(5,8],在网络拥堵时的取值范围为[0,3);
设定Q值的计算公式为:
其中,Qnew表示Q的新值,Qold表示Q的老值,Qlearn表示被学习的值,α表示学习速率,β表示拥塞因素,表示时刻t节点xjμ的缓存队列中待处理的查询请求消息数,表示pj×{xj1,xj2,...xjm}中的节点xjμ处理一条查询请求消息所规定的时间,表示pj×{xj1,xj2,...xjm}中的节点xjμ处理一条查询请求消息实际所需的时间;函数I[x]在x>0时取值为1,x≤0时取值为0,α的取值范围是[0.25,0.3],β的取值范围是[0.45,0.5]。
本实施例设置数据资源准备模块1、任务规划模块2、可信组合评估模块3、生活消费咨询信息数据调度模块4和信息数据显示模块5,实现了家居服务系统的信息实时获取功能;设置可信组合评估模块3,提高了支撑大数据服务的云服务组合方案的可信度,最大利益化地使用云端的存储和计算资源对生活消费咨询信息数据进行处理,降低了处理成本,且采用评估优化子模块32,节约了评估时间,提高了评估速度;在生活消费咨询信息数据调度模块4中设置用于查找满足家居用户的信息调度请求的生活消费咨询信息数据的查找子模块41,定义了查找子模块41执行的具体操作,提高了满足家居用户的信息调度请求的生活消费咨询信息数据查找的效率,其中取值α=0.3,β=0.46,满足家居用户的信息调度请求的生活消费咨询信息数据查找的效率提高了1.8%。
实施例3
参见图1、图2,本实施例的基于大数据的家居服务系统,包括:
(1)数据资源准备模块1,用于通过云服务对各方面的生活消费咨询信息数据进行搜集、分类并封装存储,其包括大数据信息服务器和数据资源分类子模块,所述大数据信息服务器用于搜集生活消费咨询信息数据,其通过互联网与各卖场的商品数据库以及小区广播信息数据库连接;
(2)任务规划模块2,用于对生活消费咨询信息数据的处理过程划分为数据存储子任务、数据分类子任务、索引计算子任务和数据处理分析计算子任务,并为每个子任务匹配满足其需求的云端服务资源池,形成云服务组合方案,以获得大数据处理过程中所需的存储资源或计算资源;
(3)可信组合评估模块3:用于根据任务规划模块2生成的大数据服务的任务规划,执行云服务组合方案的评估,选择最优的云服务组合方案,为生活消费咨询信息数据的处理提供存储和汁算资源,其包括评估子模块31和评估优化子模块32;
所述评估子模块31具体执行的操作为:
A、根据云端服务资源池SPv和对应的服务质量历史记录,进行云服务组合方案的效用函数X的建模并初始化模型中效用函数的各参数,设由任务规划模块2获得的任务规划G={G1,G2,G3},对应的约束为C={C1,C2,C3},每个子任务Gv对应的云端服务资源池SPv共有mv个服务,对于云端服务资源池SPv中的每一个服务SPvω,其包含的历史记录个数为Lvω,由SPv形成的第γ个可行的云服务组合方案为CSγ,v∈[1,4],ω∈[1,mv],定义模型为:
其中,为第k维度的最大值,为第k维度的最小值,SPvωRh为隶属于SPvω的一条历史记录,xvω-h表示模型中效用函数的参数;
B、根据效用函数值按从小到大的顺序对各可行云服务组合方案进行排序,选择前Z个可行云服务组合方案作为优选云服务组合方案,Z的取值根据应用实例进行设定;
C、对每一组优选云服务组合方案计算其效用函数值的平均值;
D、选择效用函数值的平均值为最大的优选云服务组合方案作为最优的云服务组合方案;
所述评估优化子模块能够记录优选云服务组合方案的效用函数值和最优的组合云服务方案,并将其作为样本进行学习,如果新的优选云服务组合方案已经出现过,则直接调用其函数值;
(4)生活消费咨询信息数据调度模块4,用于根据家居用户的信息调度请求在云端服务资源池的相应位置调度需要的生活消费咨询信息数据;
(5)信息数据显示模块5,用于将调度的生活消费咨询信息数据信息咨询通过显示屏实时显示给家居用户。
其中,所述生活消费咨询信息数据调度模块4包括用于查找满足家居用户的信息调度请求的生活消费咨询信息数据的查找子模块41,所述查找子模块41执行的具体操作为:
设xi为非结构化对等网络中的一个对等节点,为本地资源池,为邻居节点资源信息池,i∈[1,n],n为对等网络包含节点的总数,发起查询请求Mj的节点为xj,在xj的邻居节点集合中按照概率pj随机挑选出的对等节点集为pj×{xj1,xj2,...xjm},j∈[1,n];
当对等节点xi收到xj发送的查询请求Mj时,检查和中是否含有满足查询请求Mj的生活消费咨询信息数据,若是,根据所述生活消费咨询信息数据和生活消费咨询信息数据所在对等节点的位置信息,创建查询的响应消息并根据xj的位置信息,将所述响应信息返回给xj,然后将xj的生命值减1,若xj的生命值为0,丢弃查询请求Mj,若不为0,采用Q学习算法计算pj×{xj1,xj2,...xjm}中各对等节点的Q值,将查询请求Mj转发给pj×{xj1,xj2,...xjm}中Q值最大的节点,概率pj在网络悠闲时的取值范围为(5,8],在网络拥堵时的取值范围为[0,3);
设定Q值的计算公式为:
其中,Qnew表示Q的新值,Qold表示Q的老值,Qlearn表示被学习的值,α表示学习速率,β表示拥塞因素,表示时刻t节点xjμ的缓存队列中待处理的查询请求消息数,表示pj×{xj1,xj2,...xjm}中的节点xjμ处理一条查询请求消息所规定的时间,表示pj×{xj1,xj2,...xjm}中的节点xjμ处理一条查询请求消息实际所需的时间;函数I[x]在x>0时取值为1,x≤0时取值为0,α的取值范围是[0.25,0.3],β的取值范围是[0.45,0.5]。
本实施例设置数据资源准备模块1、任务规划模块2、可信组合评估模块3、生活消费咨询信息数据调度模块4和信息数据显示模块5,实现了家居服务系统的信息实时获取功能;设置可信组合评估模块3,提高了支撑大数据服务的云服务组合方案的可信度,最大利益化地使用云端的存储和计算资源对生活消费咨询信息数据进行处理,降低了处理成本,且采用评估优化子模块32,节约了评估时间,提高了评估速度;在生活消费咨询信息数据调度模块4中设置用于查找满足家居用户的信息调度请求的生活消费咨询信息数据的查找子模块41,定义了查找子模块41执行的具体操作,提高了满足家居用户的信息调度请求的生活消费咨询信息数据查找的效率,其中取值α=0.29,β=0.47,满足家居用户的信息调度请求的生活消费咨询信息数据查找的效率提高了2.1%。
实施例4
参见图1、图2,本实施例的基于大数据的家居服务系统,包括:
(1)数据资源准备模块1,用于通过云服务对各方面的生活消费咨询信息数据进行搜集、分类并封装存储,其包括大数据信息服务器和数据资源分类子模块,所述大数据信息服务器用于搜集生活消费咨询信息数据,其通过互联网与各卖场的商品数据库以及小区广播信息数据库连接;
(2)任务规划模块2,用于对生活消费咨询信息数据的处理过程划分为数据存储子任务、数据分类子任务、索引计算子任务和数据处理分析计算子任务,并为每个子任务匹配满足其需求的云端服务资源池,形成云服务组合方案,以获得大数据处理过程中所需的存储资源或计算资源;
(3)可信组合评估模块3:用于根据任务规划模块2生成的大数据服务的任务规划,执行云服务组合方案的评估,选择最优的云服务组合方案,为生活消费咨询信息数据的处理提供存储和汁算资源,其包括评估子模块31和评估优化子模块32;
所述评估子模块31具体执行的操作为:
A、根据云端服务资源池SPv和对应的服务质量历史记录,进行云服务组合方案的效用函数X的建模并初始化模型中效用函数的各参数,设由任务规划模块2获得的任务规划G={G1,G2,G3},对应的约束为C={C1,C2,C3},每个子任务Gv对应的云端服务资源池SPv共有mv个服务,对于云端服务资源池SPv中的每一个服务SPvω,其包含的历史记录个数为Lvω,由SPv形成的第γ个可行的云服务组合方案为CSγ,v∈[1,4],ω∈[1,mv],定义模型为:
其中,为第k维度的最大值,为第k维度的最小值,SPvωRh为隶属于SPvω的一条历史记录,xvω-h表示模型中效用函数的参数;
B、根据效用函数值按从小到大的顺序对各可行云服务组合方案进行排序,选择前Z个可行云服务组合方案作为优选云服务组合方案,Z的取值根据应用实例进行设定;
C、对每一组优选云服务组合方案计算其效用函数值的平均值;
D、选择效用函数值的平均值为最大的优选云服务组合方案作为最优的云服务组合方案;
所述评估优化子模块能够记录优选云服务组合方案的效用函数值和最优的组合云服务方案,并将其作为样本进行学习,如果新的优选云服务组合方案已经出现过,则直接调用其函数值;
(4)生活消费咨询信息数据调度模块4,用于根据家居用户的信息调度请求在云端服务资源池的相应位置调度需要的生活消费咨询信息数据;
(5)信息数据显示模块5,用于将调度的生活消费咨询信息数据信息咨询通过显示屏实时显示给家居用户。
其中,所述生活消费咨询信息数据调度模块4包括用于查找满足家居用户的信息调度请求的生活消费咨询信息数据的查找子模块41,所述查找子模块41执行的具体操作为:
设xi为非结构化对等网络中的一个对等节点,为本地资源池,为邻居节点资源信息池,i∈[1,n],n为对等网络包含节点的总数,发起查询请求Mj的节点为xj,在xj的邻居节点集合中按照概率pj随机挑选出的对等节点集为pj×{xj1,xj2,...xjm},j∈[1,n];
当对等节点xi收到xj发送的查询请求Mj时,检查和中是否含有满足查询请求Mj的生活消费咨询信息数据,若是,根据所述生活消费咨询信息数据和生活消费咨询信息数据所在对等节点的位置信息,创建查询的响应消息并根据xj的位置信息,将所述响应信息返回给xj,然后将xj的生命值减1,若xj的生命值为0,丢弃查询请求Mj,若不为0,采用Q学习算法计算pj×{xj1,xj2,...xjm}中各对等节点的Q值,将查询请求Mj转发给pj×{xj1,xj2,...xjm}中Q值最大的节点,概率pj在网络悠闲时的取值范围为(5,8],在网络拥堵时的取值范围为[0,3);
设定Q值的计算公式为:
其中,Qnew表示Q的新值,Qold表示Q的老值,Qlearn表示被学习的值,α表示学习速率,β表示拥塞因素,表示时刻t节点xjμ的缓存队列中待处理的查询请求消息数,表示pj×{xj1,xj2,...xjm}中的节点xjμ处理一条查询请求消息所规定的时间,表示pj×{xj1,xj2,...xjm}中的节点xjμ处理一条查询请求消息实际所需的时间;函数I[x]在x>0时取值为1,x≤0时取值为0,α的取值范围是[0.25,0.3],β的取值范围是[0.45,0.5]。
本实施例设置数据资源准备模块1、任务规划模块2、可信组合评估模块3、生活消费咨询信息数据调度模块4和信息数据显示模块5,实现了家居服务系统的信息实时获取功能;设置可信组合评估模块3,提高了支撑大数据服务的云服务组合方案的可信度,最大利益化地使用云端的存储和计算资源对生活消费咨询信息数据进行处理,降低了处理成本,且采用评估优化子模块32,节约了评估时间,提高了评估速度;在生活消费咨询信息数据调度模块4中设置用于查找满足家居用户的信息调度请求的生活消费咨询信息数据的查找子模块41,定义了查找子模块41执行的具体操作,提高了满足家居用户的信息调度请求的生活消费咨询信息数据查找的效率,其中取值α=0.27,β=0.48,满足家居用户的信息调度请求的生活消费咨询信息数据查找的效率提高了2%。
实施例5
参见图1、图2,本实施例的基于大数据的家居服务系统,包括:
(1)数据资源准备模块1,用于通过云服务对各方面的生活消费咨询信息数据进行搜集、分类并封装存储,其包括大数据信息服务器和数据资源分类子模块,所述大数据信息服务器用于搜集生活消费咨询信息数据,其通过互联网与各卖场的商品数据库以及小区广播信息数据库连接;
(2)任务规划模块2,用于对生活消费咨询信息数据的处理过程划分为数据存储子任务、数据分类子任务、索引计算子任务和数据处理分析计算子任务,并为每个子任务匹配满足其需求的云端服务资源池,形成云服务组合方案,以获得大数据处理过程中所需的存储资源或计算资源;
(3)可信组合评估模块3:用于根据任务规划模块2生成的大数据服务的任务规划,执行云服务组合方案的评估,选择最优的云服务组合方案,为生活消费咨询信息数据的处理提供存储和汁算资源,其包括评估子模块31和评估优化子模块32;
所述评估子模块31具体执行的操作为:
A、根据云端服务资源池SPv和对应的服务质量历史记录,进行云服务组合方案的效用函数X的建模并初始化模型中效用函数的各参数,设由任务规划模块2获得的任务规划G={G1,G2,G3},对应的约束为C={C1,C2,C3},每个子任务Gv对应的云端服务资源池SPv共有mv个服务,对于云端服务资源池SPv中的每一个服务SPvω,其包含的历史记录个数为Lvω,由SPv形成的第γ个可行的云服务组合方案为CSγ,v∈[1,4],ω∈[1,mv],定义模型为:
其中,为第k维度的最大值,为第k维度的最小值,SPvωRh为隶属于SPvω的一条历史记录,xvω-h表示模型中效用函数的参数;
B、根据效用函数值按从小到大的顺序对各可行云服务组合方案进行排序,选择前Z个可行云服务组合方案作为优选云服务组合方案,Z的取值根据应用实例进行设定;
C、对每一组优选云服务组合方案计算其效用函数值的平均值;
D、选择效用函数值的平均值为最大的优选云服务组合方案作为最优的云服务组合方案;
所述评估优化子模块能够记录优选云服务组合方案的效用函数值和最优的组合云服务方案,并将其作为样本进行学习,如果新的优选云服务组合方案已经出现过,则直接调用其函数值;
(4)生活消费咨询信息数据调度模块4,用于根据家居用户的信息调度请求在云端服务资源池的相应位置调度需要的生活消费咨询信息数据;
(5)信息数据显示模块5,用于将调度的生活消费咨询信息数据信息咨询通过显示屏实时显示给家居用户。
其中,所述生活消费咨询信息数据调度模块4包括用于查找满足家居用户的信息调度请求的生活消费咨询信息数据的查找子模块41,所述查找子模块41执行的具体操作为:
设xi为非结构化对等网络中的一个对等节点,为本地资源池,为邻居节点资源信息池,i∈[1,n],n为对等网络包含节点的总数,发起查询请求Mj的节点为xj,在xj的邻居节点集合中按照概率pj随机挑选出的对等节点集为pj×{xj1,xj2,...xjm},j∈[1,n];
当对等节点xi收到xj发送的查询请求Mj时,检查和中是否含有满足查询请求Mj的生活消费咨询信息数据,若是,根据所述生活消费咨询信息数据和生活消费咨询信息数据所在对等节点的位置信息,创建查询的响应消息并根据xj的位置信息,将所述响应信息返回给xj,然后将xj的生命值减1,若xj的生命值为0,丢弃查询请求Mj,若不为0,采用Q学习算法计算pj×{xj1,xj2,...xjm}中各对等节点的Q值,将查询请求Mj转发给pj×{xj1,xj2,...xjm}中Q值最大的节点,概率pj在网络悠闲时的取值范围为(5,8],在网络拥堵时的取值范围为[0,3);
设定Q值的计算公式为:
其中,Qnew表示Q的新值,Qold表示Q的老值,Qlearn表示被学习的值,α表示学习速率,β表示拥塞因素,表示时刻t节点xjμ的缓存队列中待处理的查询请求消息数,表示pj×{xj1,xj2,...xjm}中的节点xjμ处理一条查询请求消息所规定的时间,表示pj×{xj1,xj2,...xjm}中的节点xjμ处理一条查询请求消息实际所需的时间;函数I[x]在x>0时取值为1,x≤0时取值为0,α的取值范围是[0.25,0.3],β的取值范围是[0.45,0.5]。
本实施例设置数据资源准备模块1、任务规划模块2、可信组合评估模块3、生活消费咨询信息数据调度模块4和信息数据显示模块5,实现了家居服务系统的信息实时获取功能;设置可信组合评估模块3,提高了支撑大数据服务的云服务组合方案的可信度,最大利益化地使用云端的存储和计算资源对生活消费咨询信息数据进行处理,降低了处理成本,且采用评估优化子模块32,节约了评估时间,提高了评估速度;在生活消费咨询信息数据调度模块4中设置用于查找满足家居用户的信息调度请求的生活消费咨询信息数据的查找子模块41,定义了查找子模块41执行的具体操作,提高了满足家居用户的信息调度请求的生活消费咨询信息数据查找的效率,其中取值α=0.26,β=0.5,满足家居用户的信息调度请求的生活消费咨询信息数据查找的效率提高了2.8%。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (5)
1.基于大数据的家居服务系统,其特征是,包括:
(1)数据资源准备模块,用于通过云服务对各方面的生活消费咨询信息数据进行搜集、分类并封装存储;
(2)任务规划模块,用于对生活消费咨询信息数据的处理过程划分为数据存储子任务、数据分类子任务、索引计算子任务和数据处理分析计算子任务,并为每个子任务匹配满足其需求的云端服务资源池,形成云服务组合方案,以获得大数据处理过程中所需的存储资源或计算资源;
(3)可信组合评估模块:用于根据任务规划模块生成的大数据服务的任务规划,执行云服务组合方案的评估,选择最优的云服务组合方案,为生活消费咨询信息数据的处理提供存储和汁算资源;
(4)生活消费咨询信息数据调度模块,用于根据家居用户的信息调度请求在云端服务资源池的相应位置调度需要的生活消费咨询信息数据;
(5)信息数据显示模块,用于将调度的生活消费咨询信息数据信息咨询通过显示屏实时显示给家居用户。
2.根据权利要求1所述的基于大数据的家居服务系统,其特征是,所述数据资源准备模块包括大数据信息服务器和数据资源分类子模块,所述大数据信息服务器用于搜集生活消费咨询信息数据,其通过互联网与各卖场的商品数据库以及小区广播信息数据库连接。
3.根据权利要求1所述的基于大数据的家居服务系统,其特征是,所述生活消费咨询信息数据调度模块包括用于查找满足家居用户的信息调度请求的生活消费咨询信息数据的查找子模块。
4.根据权利要求1所述的基于大数据的家居服务系统,其特征是,所述可信组合评估模块包括评估子模块和评估优化子模块;
所述评估子模块具体执行的操作为:
A、根据云端服务资源池SPv和对应的服务质量历史记录,进行云服务组合方案的效用函数X的建模并初始化模型中效用函数的各参数,设由任务规划模块获得的任务规划G={G1,G2,G3},对应的约束为C={C1,C2,C3},每个子任务Gv对应的云端服务资源池SPv共有mv个服务,对于云端服务资源池SPv中的每一个服务SPvω,其包含的历史记录个数为Lvω,由SPv形成的第γ个可行的云服务组合方案为CSγ,v∈[1,4],ω∈[1,mv],定义模型为:
其中,为第k维度的最大值,为第k维度的最小值,SPvωRh为隶属于SPvω的一条历史记录,xvω-h表示模型中效用函数的参数;
B、根据效用函数值按从小到大的顺序对各可行云服务组合方案进行排序,选择前Z个可行云服务组合方案作为优选云服务组合方案,Z的取值根据应用实例进行设定;
C、对每一组优选云服务组合方案计算其效用函数值的平均值;
D、选择效用函数值的平均值为最大的优选云服务组合方案作为最优的云服务组合方案;
所述评估优化子模块能够记录优选云服务组合方案的效用函数值和最优的组合云服务方案,并将其作为样本进行学习,如果新的优选云服务组合方案已经出现过,则直接调用其函数值。
5.根据权利要求3所述的基于大数据的家居服务系统,其特征是,所述查找子模块执行的具体操作为:
设xi为非结构化对等网络中的一个对等节点,为本地资源池,为邻居节点资源信息池,i∈[1,n],n为对等网络包含节点的总数,发起查询请求MI的节点为xI,在xI的邻居节点集合中按照概率pI随机挑选出的对等节点集为pI×{xI1,xI2,…xIm},j∈[1,n];
当对等节点xi收到xI发送的查询请求MI时,检查和中是否含有满足查询请求MI的生活消费咨询信息数据,若是,根据所述生活消费咨询信息数据和生活消费咨询信息数据所在对等节点的位置信息,创建查询的响应消息并根据xI的位置信息,将所述响应信息返回给xI,然后将xI的生命值减1,若xI的生命值为0,丢弃查询请求MI,若不为0,采用Q学习算法计算pI×{xI1,xI2,…xIm}中各对等节点的Q值,将查询请求MI转发给pI×{xI1,xI2,…xIm}中Q值最大的节点,概率pI在网络悠闲时的取值范围为(5,8],在网络拥堵时的取值范围为[0,3);
设定Q值的计算公式为:
其中,Qnew表示Q的新值,Qold表示Q的老值,Qlearn表示被学习的值,α表示学习速率,β表示拥塞因素,表示时刻t节点xIμ的缓存队列中待处理的查询请求消息数,表示pI×{xI1,xI2,…xIm}中的节点xIμ处理一条查询请求消息所规定的时间,表示pI×{xI1,xI2,…xIm}中的节点xIμ处理一条查询请求消息实际所需的时间;函数I[x]在x>0时取值为1,x≤0时取值为0,α的取值范围是[0.25,0.3],β的取值范围是[0.45,0.5]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610528995.8A CN106027344A (zh) | 2016-07-05 | 2016-07-05 | 基于大数据的家居服务系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610528995.8A CN106027344A (zh) | 2016-07-05 | 2016-07-05 | 基于大数据的家居服务系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106027344A true CN106027344A (zh) | 2016-10-12 |
Family
ID=57106743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610528995.8A Withdrawn CN106027344A (zh) | 2016-07-05 | 2016-07-05 | 基于大数据的家居服务系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106027344A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110692047A (zh) * | 2019-05-19 | 2020-01-14 | 深圳齐心集团股份有限公司 | 一种基于大数据的文具信息调度系统 |
CN111274012A (zh) * | 2020-01-16 | 2020-06-12 | 珠海格力电器股份有限公司 | 服务调度方法、装置、电子设备及存储介质 |
-
2016
- 2016-07-05 CN CN201610528995.8A patent/CN106027344A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110692047A (zh) * | 2019-05-19 | 2020-01-14 | 深圳齐心集团股份有限公司 | 一种基于大数据的文具信息调度系统 |
WO2020232592A1 (zh) * | 2019-05-19 | 2020-11-26 | 深圳齐心集团股份有限公司 | 一种基于大数据的文具信息调度系统 |
CN111274012A (zh) * | 2020-01-16 | 2020-06-12 | 珠海格力电器股份有限公司 | 服务调度方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | A clustering network-based approach to service composition in cloud manufacturing | |
CN110111084A (zh) | 一种政务服务热线分析方法及系统 | |
Yang et al. | Green internet of things and big data application in smart cities development | |
Lv et al. | Cloud computing management platform of human resource based on mobile communication technology | |
Laganà et al. | Reducing the operational cost of cloud data centers through renewable energy | |
CN105069025A (zh) | 一种大数据的智能聚合可视化与管控系统 | |
CN107046557A (zh) | 移动云计算环境下动态Skyline查询的智能医疗呼叫查询系统 | |
CN112632025A (zh) | 一种基于paas平台的电网企业管理决策支持应用系统 | |
CN105184326A (zh) | 基于图数据的主动学习多标签社交网络数据分析方法 | |
Xie et al. | Trust-driven and PSO-SFLA based job scheduling algorithm on cloud | |
CN104933621A (zh) | 一种担保圈的大数据分析系统和方法 | |
Sinaeepourfard et al. | A zero emission neighbourhoods data management architecture for smart city scenarios: discussions toward 6Vs challenges | |
Rotuna et al. | Smart city applications built on Big Data technologies and secure IoT | |
Harnal et al. | Bibliometric mapping of trends, applications and challenges of artificial intelligence in smart cities | |
CN106027344A (zh) | 基于大数据的家居服务系统 | |
Luo | Financial data security management method and edge computing platform based on intelligent edge computing and big data | |
Liu et al. | A novel research on the influence of enterprise culture on internal control in big data and Internet of things | |
Xu et al. | The mobile media based emergency management of web events influence in cyber-physical space | |
Purohit et al. | With whom to coordinate, why and how in ad-hoc social media communications during crisis response | |
Ding et al. | Cloud computing and internet of things in the evaluation of ecological environment quality in rural tourist areas in smart cities | |
Wan et al. | Research on key success factors model for innovation application of Internet of Things with grounded theory | |
CN105959368A (zh) | 一种社交云热点资源预测与部署的方法 | |
Ye | Research on emergency resource scheduling in smart city based on HPSO algorithm | |
CN106777092B (zh) | 移动云计算环境下动态Skyline查询的智能医疗呼叫查询方法 | |
CN109523115A (zh) | 一种基于用电数据的分析系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C04 | Withdrawal of patent application after publication (patent law 2001) | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20161012 |