CN106027344A - 基于大数据的家居服务系统 - Google Patents

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

基于大数据的家居服务系统

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SP_v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G_v对应的云端服务资源池SP_v共有m_v个服务，对于云端服务资源池SP_v中的每一个服务SP_vω，其包含的历史记录个数为L_vω，由SP_v形成的第γ个可行的云服务组合方案为CS_γ，v∈[1,4]，ω∈[1,m_v]，定义模型为：

$\left\{\begin{array}{c}X\left({\mathrm{CS}}_{\mathrm{\γ}}\right)={\mathrm{\Σ}}_k^4\frac{Q_{O_{S\max }}\left(k\right)-{\mathrm{\Σ}}_{v=1}^4{\mathrm{\Σ}}_{\mathrm{\ω}=1}^{m_v}{\mathrm{\Σ}}_{h=1}^{L_{v\mathrm{\ω}}}{q}_d\left({\mathrm{SP}}_{v\mathrm{\ω}}{R}_h\right)\×x_{v\mathrm{\ω}-h}}{Q_{O_{S\max }}\left(k\right)-Q_{O_{S\min }}\left(k\right)}\×w_k\\ {\mathrm{\Σ}}_{\mathrm{\ω}=1}^{m_v}{\mathrm{\Σ}}_{h=1}^{L_{v\mathrm{\ω}}}{q}_k\left({\mathrm{SP}}_{v\mathrm{\ω}}{R}_h\right)\×x_{v\mathrm{\ω}-h}\≤C_k,1\≤k\≤4\\ {\mathrm{\Σ}}_{\mathrm{\ω}=1}^{m_v}{\mathrm{\Σ}}_{h=1}^{L_{v\mathrm{\ω}}}{x}_{v\mathrm{\ω}-h}=1,x_{v\mathrm{\ω}-h}\∈\{0,1\}\\ {\mathrm{\Σ}}_k^d{w}_k=1,w_k\∈\[0,1\]\end{array}\right.$

其中，为第k维度的最大值，为第k维度的最小值，SP_vωR_h为隶属于SP_vω的一条历史记录，x_vω-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x_i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M_j的节点为x_j,在x_j的邻居节点集合中按照概率p_j随机挑选出的对等节点集为p_j×｛x_j1,x_j2,...x_jm｝,j∈[1，n]；

当对等节点x_B收到x_j发送的查询请求M_j时，检查和中是否含有满足查询请求M_j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x_j的位置信息，将所述响应信息返回给x_j，然后将x_j的生命值减1，若x_j的生命值为0，丢弃查询请求M_j，若不为0，采用Q学习算法计算p_j×｛x_j1,x_j3,...x_jm}中各对等节点的Q值，将查询请求M_j转发给p_j×｛x_j1，x_j2,...x_jm}中Q值最大的节点，概率p_j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：

$Q_{new}=Q_{old}+{\mathrm{\αQ}}_{learn}+\mathrm{\β}\×I\[\frac{N_{x_{j\mathrm{\μ}}}\left(t\right)(T_{x_{j\mathrm{\μ}}}-{T^{\′}}_{x_{j\mathrm{\μ}}})}{{T^{\′}}_{x_{j\mathrm{\μ}}}\×T_{x_{j\mathrm{\μ}}}}\]\×\frac{1+N_{x_{j\mathrm{\μ}}}\left(t\right)}{T_{x_{j\mathrm{\μ}}}}$

其中，Q_new表示Q的新值，Q_old表示Q的老值，Q_learn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x_jμ的缓存队列中待处理的查询请求消息数，表示p_j×｛x_j1,x_j2,...x_jm}中的节点x_jμ处理一条查询请求消息所规定的时间，表示p_j×｛x_j1,x_j2,...x_jm}中的节点x_jμ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SP_v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G_v对应的云端服务资源池SP_v共有m_v个服务，对于云端服务资源池SP_v中的每一个服务SP_vω，其包含的历史记录个数为L_vω，由SP_v形成的第γ个可行的云服务组合方案为CS_γ，v∈[1,4]，ω∈[1,m_v]，定义模型为：

$\left\{\begin{array}{c}X\left({\mathrm{CS}}_{\mathrm{\γ}}\right)={\mathrm{\Σ}}_k^4\frac{Q_{O_{S\max }}\left(k\right)-{\mathrm{\Σ}}_{v=1}^4{\mathrm{\Σ}}_{\mathrm{\ω}=1}^{m_v}{\mathrm{\Σ}}_{h=1}^{L_{v\mathrm{\ω}}}{q}_d\left({\mathrm{SP}}_{v\mathrm{\ω}}{R}_h\right)\×x_{v\mathrm{\ω}-h}}{Q_{O_{S\max }}\left(k\right)-Q_{O_{S\min }}\left(k\right)}\×w_k\\ {\mathrm{\Σ}}_{\mathrm{\ω}=1}^{m_v}{\mathrm{\Σ}}_{h=1}^{L_{v\mathrm{\ω}}}{q}_k\left({\mathrm{SP}}_{v\mathrm{\ω}}{R}_h\right)\×x_{v\mathrm{\ω}-h}\≤C_k,1\≤k\≤4\\ {\mathrm{\Σ}}_{\mathrm{\ω}=1}^{m_v}{\mathrm{\Σ}}_{h=1}^{L_{v\mathrm{\ω}}}{x}_{v\mathrm{\ω}-h}=1,x_{v\mathrm{\ω}-h}\∈\{0,1\}\\ {\mathrm{\Σ}}_k^d{w}_k=1,w_k\∈\[0,1\]\end{array}\right.$

其中，为第k维度的最大值，为第k维度的最小值，SP_vωR_h为隶属于SP_vω的一条历史记录，x_vω-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x_i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M_j的节点为x_j,在x_j的邻居节点集合中按照概率p_j随机挑选出的对等节点集为p_j×｛x_j1，x_j2，...x_jm},j∈[1，n]；

当对等节点x_i收到x_j发送的查询请求M_j时，检查和中是否含有满足查询请求M_j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x_j的位置信息，将所述响应信息返回给x_j，然后将x_j的生命值减1，若x_j的生命值为0，丢弃查询请求M_j，若不为0，采用Q学习算法计算p_j×｛x_j1，x_j2，...x_jm}中各对等节点的Q值，将查询请求M_j转发给p_j×｛x_j1，x_j2，...x_jm}中Q值最大的节点，概率p_j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：

$Q_{new}=Q_{old}+{\mathrm{\αQ}}_{learn}+\mathrm{\β}\×I\[\frac{N_{x_{j\mathrm{\μ}}}\left(t\right)(T_{x_{j\mathrm{\μ}}}-{T^{\′}}_{x_{j\mathrm{\μ}}})}{{T^{\′}}_{x_{j\mathrm{\μ}}}\×T_{x_{j\mathrm{\μ}}}}\]\×\frac{1+N_{x_{j\mathrm{\μ}}}\left(t\right)}{T_{x_{j\mathrm{\μ}}}}$

其中，Q_new表示Q的新值，Q_old表示Q的老值，Q_learn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x_jμ的缓存队列中待处理的查询请求消息数，表示p_j×｛x_j1，x_j2，...x_jm}中的节点x_jμ处理一条查询请求消息所规定的时间，表示p_j×｛x_j1，x_j2，...x_jm}中的节点x_jμ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SP_v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G_v对应的云端服务资源池SP_v共有m_v个服务，对于云端服务资源池SP_v中的每一个服务SP_vω，其包含的历史记录个数为L_vω，由SP_v形成的第γ个可行的云服务组合方案为CS_γ，v∈[1，4]，ω∈[1，m_v]，定义模型为：

$\left\{\begin{array}{c}X\left({\mathrm{CS}}_{\mathrm{\γ}}\right)={\mathrm{\Σ}}_k^4\frac{Q_{O_{S\max }}\left(k\right)-{\mathrm{\Σ}}_{v=1}^4{\mathrm{\Σ}}_{\mathrm{\ω}=1}^{m_v}{\mathrm{\Σ}}_{h=1}^{L_{v\mathrm{\ω}}}{q}_d\left({\mathrm{SP}}_{v\mathrm{\ω}}{R}_h\right)\×x_{v\mathrm{\ω}-h}}{Q_{O_{S\max }}\left(k\right)-Q_{O_{S\min }}\left(k\right)}\×w_k\\ {\mathrm{\Σ}}_{\mathrm{\ω}=1}^{m_v}{\mathrm{\Σ}}_{h=1}^{L_{v\mathrm{\ω}}}{q}_k\left({\mathrm{SP}}_{v\mathrm{\ω}}{R}_h\right)\×x_{v\mathrm{\ω}-h}\≤C_k,1\≤k\≤4\\ {\mathrm{\Σ}}_{\mathrm{\ω}=1}^{m_v}{\mathrm{\Σ}}_{h=1}^{L_{v\mathrm{\ω}}}{x}_{v\mathrm{\ω}-h}=1,x_{v\mathrm{\ω}-h}\∈\{0,1\}\\ {\mathrm{\Σ}}_k^d{w}_k=1,w_k\∈\[0,1\]\end{array}\right.$

其中，为第k维度的最大值，为第k维度的最小值，SP_vωR_h为隶属于SP_vω的一条历史记录，x_vω2h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x_i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M_j的节点为x_j,在x_j的邻居节点集合中按照概率p_j随机挑选出的对等节点集为p_j×｛x_j1，x_j2，...x_jm},j∈[1，n]；

当对等节点x_i收到x_j发送的查询请求M_j时，检查和中是否含有满足查询请求M_j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x_j的位置信息，将所述响应信息返回给x_j，然后将x_j的生命值减1，若x_j的生命值为0，丢弃查询请求M_j，若不为0，采用Q学习算法计算p_j×｛x_j1,x_j2,...x_jm}中各对等节点的Q值，将查询请求M_j转发给p_j×｛x_j1,x_j2,...x_jm}中Q值最大的节点，概率p_j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：

$Q_{new}=Q_{old}+{\mathrm{\αQ}}_{learn}+\mathrm{\β}\×I\[\frac{N_{x_{j\mathrm{\μ}}}\left(t\right)(T_{x_{j\mathrm{\μ}}}-{T^{\′}}_{x_{j\mathrm{\μ}}})}{{T^{\′}}_{x_{j\mathrm{\μ}}}\×T_{x_{j\mathrm{\μ}}}}\]\×\frac{1+N_{x_{j\mathrm{\μ}}}\left(t\right)}{T_{x_{j\mathrm{\μ}}}}$

其中，Q_new表示Q的新值，Q_old表示Q的老值，Q_learn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x_jμ的缓存队列中待处理的查询请求消息数，表示p_j×｛x_j1,x_j2,...x_jm}中的节点x_jμ处理一条查询请求消息所规定的时间，表示p_j×｛x_j1,x_j2,...x_jm}中的节点x_jμ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SP_v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G_v对应的云端服务资源池SP_v共有m_v个服务，对于云端服务资源池SP_v中的每一个服务SP_vω，其包含的历史记录个数为L_vω，由SP_v形成的第γ个可行的云服务组合方案为CS_γ，v∈[1,4]，ω∈[1,m_v]，定义模型为：

$\left\{\begin{array}{c}X\left({\mathrm{CS}}_{\mathrm{\γ}}\right)={\mathrm{\Σ}}_k^4\frac{Q_{O_{S\max }}\left(k\right)-{\mathrm{\Σ}}_{v=1}^4{\mathrm{\Σ}}_{\mathrm{\ω}=1}^{m_v}{\mathrm{\Σ}}_{h=1}^{L_{v\mathrm{\ω}}}{q}_d\left({\mathrm{SP}}_{v\mathrm{\ω}}{R}_h\right)\×x_{v\mathrm{\ω}-h}}{Q_{O_{S\max }}\left(k\right)-Q_{O_{S\min }}\left(k\right)}\×w_k\\ {\mathrm{\Σ}}_{\mathrm{\ω}=1}^{m_v}{\mathrm{\Σ}}_{h=1}^{L_{v\mathrm{\ω}}}{q}_k\left({\mathrm{SP}}_{v\mathrm{\ω}}{R}_h\right)\×x_{v\mathrm{\ω}-h}\≤C_k,1\≤k\≤4\\ {\mathrm{\Σ}}_{\mathrm{\ω}=1}^{m_v}{\mathrm{\Σ}}_{h=1}^{L_{v\mathrm{\ω}}}{x}_{v\mathrm{\ω}-h}=1,x_{v\mathrm{\ω}-h}\∈\{0,1\}\\ {\mathrm{\Σ}}_k^d{w}_k=1,w_k\∈\[0,1\]\end{array}\right.$

其中，为第k维度的最大值，为第k维度的最小值，SP_vωR_h为隶属于SP_vω的一条历史记录，x_vω-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x_i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M_j的节点为x_j,在x_j的邻居节点集合中按照概率p_j随机挑选出的对等节点集为p_j×｛x_j1,x_j2,...x_jm},j∈[1,n]；

当对等节点x_i收到x_j发送的查询请求M_j时，检查和中是否含有满足查询请求M_j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x_j的位置信息，将所述响应信息返回给x_j，然后将x_j的生命值减1，若x_j的生命值为0，丢弃查询请求M_j，若不为0，采用Q学习算法计算p_j×｛x_j1,x_j2,...x_jm}中各对等节点的Q值，将查询请求M_j转发给p_j×｛x_j1,x_j2,...x_jm}中Q值最大的节点，概率p_j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：

$Q_{new}=Q_{old}+{\mathrm{\αQ}}_{learn}+\mathrm{\β}\×I\[\frac{N_{x_{j\mathrm{\μ}}}\left(t\right)(T_{x_{j\mathrm{\μ}}}-{T^{\′}}_{x_{j\mathrm{\μ}}})}{{T^{\′}}_{x_{j\mathrm{\μ}}}\×T_{x_{j\mathrm{\μ}}}}\]\×\frac{1+N_{x_{j\mathrm{\μ}}}\left(t\right)}{T_{x_{j\mathrm{\μ}}}}$

其中，Q_new表示Q的新值，Q_old表示Q的老值，Q_learn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x_jμ的缓存队列中待处理的查询请求消息数，表示p_j×｛x_j1,x_j2,...x_jm}中的节点x_jμ处理一条查询请求消息所规定的时间，表示p_j×｛x_j1,x_j2,...x_jm}中的节点x_jμ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SP_v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G_v对应的云端服务资源池SP_v共有m_v个服务，对于云端服务资源池SP_v中的每一个服务SP_vω，其包含的历史记录个数为L_vω，由SP_v形成的第γ个可行的云服务组合方案为CS_γ，v∈[1,4]，ω∈[1，m_v]，定义模型为：

$\left\{\begin{array}{c}X\left({\mathrm{CS}}_{\mathrm{\γ}}\right)={\mathrm{\Σ}}_k^4\frac{Q_{O_{S\max }}\left(k\right)-{\mathrm{\Σ}}_{v=1}^4{\mathrm{\Σ}}_{\mathrm{\ω}=1}^{m_v}{\mathrm{\Σ}}_{h=1}^{L_{v\mathrm{\ω}}}{q}_d\left({\mathrm{SP}}_{v\mathrm{\ω}}{R}_h\right)\×x_{v\mathrm{\ω}-h}}{Q_{O_{S\max }}\left(k\right)-Q_{O_{S\min }}\left(k\right)}\×w_k\\ {\mathrm{\Σ}}_{\mathrm{\ω}=1}^{m_v}{\mathrm{\Σ}}_{h=1}^{L_{v\mathrm{\ω}}}{q}_k\left({\mathrm{SP}}_{v\mathrm{\ω}}{R}_h\right)\×x_{v\mathrm{\ω}-h}\≤C_k,1\≤k\≤4\\ {\mathrm{\Σ}}_{\mathrm{\ω}=1}^{m_v}{\mathrm{\Σ}}_{h=1}^{L_{v\mathrm{\ω}}}{x}_{v\mathrm{\ω}-h}=1,x_{v\mathrm{\ω}-h}\∈\{0,1\}\\ {\mathrm{\Σ}}_k^d{w}_k=1,w_k\∈\[0,1\]\end{array}\right.$

其中，为第k维度的最大值，为第k维度的最小值，SP_vωR_h为隶属于SP_vω的一条历史记录，x_vω-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x_i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M_j的节点为x_j,在x_j的邻居节点集合中按照概率p_j随机挑选出的对等节点集为p_j×｛x_j1,x_j2,...x_jm｝,j∈[1，n]；

当对等节点x_i收到x_j发送的查询请求M_j时，检查和中是否含有满足查询请求M_j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x_j的位置信息，将所述响应信息返回给x_j，然后将x_j的生命值减1，若x_j的生命值为0，丢弃查询请求M_j，若不为0，采用Q学习算法计算p_j×｛x_j1，x_j2,...x_jm}中各对等节点的Q值，将查询请求M_j转发给p_j×｛x_j1,x_j2,...x_jm}中Q值最大的节点，概率p_j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：

$Q_{new}=Q_{old}+{\mathrm{\αQ}}_{learn}+\mathrm{\β}\×I\[\frac{N_{x_{j\mathrm{\μ}}}\left(t\right)(T_{x_{j\mathrm{\μ}}}-{T^{\′}}_{x_{j\mathrm{\μ}}})}{{T^{\′}}_{x_{j\mathrm{\μ}}}\×T_{x_{j\mathrm{\μ}}}}\]\×\frac{1+N_{x_{j\mathrm{\μ}}}\left(t\right)}{T_{x_{j\mathrm{\μ}}}}$

其中，Q_new表示Q的新值，Q_old表示Q的老值，Q_learn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x_jμ的缓存队列中待处理的查询请求消息数，表示p_j×｛x_j1,x_j2,...x_jm}中的节点x_jμ处理一条查询请求消息所规定的时间，表示p_j×｛x_j1,x_j2,...x_jm}中的节点x_jμ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SP_v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G_v对应的云端服务资源池SP_v共有m_v个服务，对于云端服务资源池SP_v中的每一个服务SP_vω，其包含的历史记录个数为L_vω，由SP_v形成的第γ个可行的云服务组合方案为CS_γ，v∈[1,4]，ω∈[1,m_v]，定义模型为：

$\left\{\begin{array}{c}X\left({\mathrm{CS}}_{\mathrm{\γ}}\right)={\mathrm{\Σ}}_k^4\frac{Q_{O_{S\max }}\left(k\right)-{\mathrm{\Σ}}_{v=1}^4{\mathrm{\Σ}}_{\mathrm{\ω}=1}^{m_v}{\mathrm{\Σ}}_{h=1}^{L_{v\mathrm{\ω}}}{q}_d\left({\mathrm{SP}}_{v\mathrm{\ω}}{R}_h\right)\×x_{v\mathrm{\ω}-h}}{Q_{O_{S\max }}\left(k\right)-Q_{O_{S\min }}\left(k\right)}\×w_k\\ {\mathrm{\Σ}}_{\mathrm{\ω}=1}^{m_v}{\mathrm{\Σ}}_{h=1}^{L_{v\mathrm{\ω}}}{q}_k\left({\mathrm{SP}}_{v\mathrm{\ω}}{R}_h\right)\×x_{v\mathrm{\ω}-h}\≤C_k,1\≤k\≤4\\ {\mathrm{\Σ}}_{\mathrm{\ω}=1}^{m_v}{\mathrm{\Σ}}_{h=1}^{L_{v\mathrm{\ω}}}{x}_{v\mathrm{\ω}-h}=1,x_{v\mathrm{\ω}-h}\∈\{0,1\}\\ {\mathrm{\Σ}}_k^d{w}_k=1,w_k\∈\[0,1\]\end{array}\right.$

其中，为第k维度的最大值，为第k维度的最小值，SP_vωR_h为隶属于SP_vω的一条历史记录，x_vω-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x_i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M_j的节点为x_j,在x_j的邻居节点集合中按照概率p_j随机挑选出的对等节点集为p_j×｛x_j1,x_j2,...x_jm},j∈[1,n]；

当对等节点x_i收到x_j发送的查询请求M_j时，检查和中是否含有满足查询请求M_j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x_j的位置信息，将所述响应信息返回给x_j，然后将x_j的生命值减1，若x_j的生命值为0，丢弃查询请求M_j，若不为0，采用Q学习算法计算p_j×｛x_j1,x_j2,...x_jm}中各对等节点的Q值，将查询请求M_j转发给p_j×｛x_j1,x_j2,...x_jm｝中Q值最大的节点，概率p_j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：

$Q_{new}=Q_{old}+{\mathrm{\αQ}}_{learn}+\mathrm{\β}\×I\[\frac{N_{x_{j\mathrm{\μ}}}\left(t\right)(T_{x_{j\mathrm{\μ}}}-{T^{\′}}_{x_{j\mathrm{\μ}}})}{{T^{\′}}_{x_{j\mathrm{\μ}}}\×T_{x_{j\mathrm{\μ}}}}\]\×\frac{1+N_{x_{j\mathrm{\μ}}}\left(t\right)}{T_{x_{j\mathrm{\μ}}}}$

其中，Q_new表示Q的新值，Q_old表示Q的老值，Q_learn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x_jμ的缓存队列中待处理的查询请求消息数，表示p_j×｛x_j1,x_j2,...x_jm｝中的节点x_jμ处理一条查询请求消息所规定的时间，表示p_j×｛x_j1,x_j2,...x_jm｝中的节点x_jμ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SP_v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G_v对应的云端服务资源池SP_v共有m_v个服务，对于云端服务资源池SP_v中的每一个服务SP_vω，其包含的历史记录个数为L_vω，由SP_v形成的第γ个可行的云服务组合方案为CS_γ，v∈[1,4]，ω∈[1,m_v]，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，SP_vωR_h为隶属于SP_vω的一条历史记录，x_vω-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x_i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M_I的节点为x_I,在x_I的邻居节点集合中按照概率p_I随机挑选出的对等节点集为p_I×{x_I1,x_I2,…x_Im},j∈[1,n]；

当对等节点x_i收到x_I发送的查询请求M_I时，检查和中是否含有满足查询请求M_I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x_I的位置信息，将所述响应信息返回给x_I，然后将x_I的生命值减1，若x_I的生命值为0，丢弃查询请求M_I，若不为0，采用Q学习算法计算p_I×{x_I1,x_I2,…x_Im}中各对等节点的Q值，将查询请求M_I转发给p_I×{x_I1,x_I2,…x_Im}中Q值最大的节点，概率p_I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，Q_new表示Q的新值，Q_old表示Q的老值，Q_learn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x_Iμ的缓存队列中待处理的查询请求消息数，表示p_I×{x_I1,x_I2,…x_Im}中的节点x_Iμ处理一条查询请求消息所规定的时间，表示p_I×{x_I1,x_I2,…x_Im}中的节点x_Iμ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]。