CN107590012B - 设备掉线原因分析方法及装置、存储介质、电子设备 - Google Patents

Abstract

本公开是关于一种设备掉线原因分析方法及装置，该方法包括：计算多个设备在第一预设时间内的掉线次数并判断各所述设备的掉线次数是否大于预设掉线次数；将所述掉线次数大于所述预设掉线次数的各所述设备的属性进行抽象化处理得到一属性数据集；对所述属性数据集进行频繁项集挖掘得到各属性之间的联系，并根据各属性之间的联系得到各所述设备之间的公共特征属性；根据所述公共特征属性判断各所述设备的掉线原因并根据所述掉线原因对各所述设备进行调整。该方法可以节省人力成本，还可以更好的解决设备的掉线问题。

Description

设备掉线原因分析方法及装置、存储介质、电子设备

技术领域

本公开涉及设备状态管理技术领域，具体而言，涉及一种设备掉线原因分析方法、设备掉线原因分析装置、计算机可读存储介质以及电子设备。

背景技术

伴随着物联网时代的到来，物联网技术得到了空前的发展。与此同时，越来越多的智能硬件设备走入了广大用户的生活之中，例如有智能手环、智能插座、智能空调等等。上述智能设备不仅方便了广大用户的生活，也改变了广大用户的生活习惯与生活方式。虽然智能设备具有十分广阔的发展前景，但是，由于智能设备在产品设计上的相关技术还没有达到相对比较成熟的阶段，因此在具体的使用过程中会存在一些不足的地方，例如智能设备在使用的过程中会经常掉线便是其中最主要的问题之一。

智能设备掉线问题会对广大用户造成非常严重的影响，例如会导致用户的数据丢失造成经济损失；也会降低用户体验，进而导致用户流失等等。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种设备掉线原因分析方法、设备掉线原因分析装置、计算机可读存储介质以及电子设备，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。

根据本公开的一个方面，提供一种设备掉线原因分析方法，包括：

计算多个设备在第一预设时间内的掉线次数并判断各所述设备的掉线次数是否大于预设掉线次数；

将所述掉线次数大于所述预设掉线次数的各所述设备的属性进行抽象化处理得到一属性数据集；

对所述属性数据集进行频繁项集挖掘得到各属性之间的联系，并根据各属性之间的联系得到各所述设备之间的公共特征属性；

根据所述公共特征属性判断各所述设备的掉线原因并根据所述掉线原因对各所述设备进行调整。

在本公开的一种示例性实施例中，计算多个设备在一预设时间内的掉线次数包括：

读取多个设备在第一预设时间内的上线、下线数据，并根据所述上线、下线数据计算所述预设时间内的掉线次数。

在本公开的一种示例性实施例中，对各所述设备的属性进行抽象化得到一属性数据集包括：

对各所述设备的属性进行依次编号并将编号后的各所述设备的属性生成一设备属性抽象化列表以得到所述属性数据集。

在本公开的一种示例性实施例中，对所述属性数据集进行频繁项集挖掘得到各属性之间的联系包括：

利用Apriori算法对所述属性数据集进行频繁项集挖掘，并根据频繁项集的挖掘结果得到各属性之间的联系。

在本公开的一种示例性实施例中，利用Apriori算法对所述属性数据集进行频繁项集挖掘，并根据频繁项集的挖掘结果得到各属性之间的联系包括：

步骤S10，设置一预设支持度以及所述属性数据集中包含的项的个数K；其中，K为大于1的整数；

步骤S20，扫描所述属性数据集并对所述属性数据集中的各属性的支持度计数得到第一候选项集；

步骤S30，判断所述第一候选向集中各属性的支持度是否大于预设支持度；

步骤S40，将所述第一候选向集中各属性的支持度大于所述预设支持度的属性组合成第一频繁项集；

步骤S50，利用所述第一频繁项集生成第二候选项集；

步骤S60，扫描所述属性数据集并对所述第二候选项集中的各属性的支持度计数；

步骤S70，判断所述第二候选项集中各属性的支持度是否大于所述预设支持度；

步骤S80，将所述第二候选项集中各属性的支持度大于所述预设支持度的属性组合成第二频繁项集；

步骤S90，重复步骤S40至步骤S70，直至得到第K频繁项集；根据所述第K频繁项集得到各所述属性之间的联系。

在本公开的一种示例性实施例中，所述设备掉线原因分析方法还包括：

建立一与所述属性数据集关联的属性字典；其中，所述属性字典中包括属性名称以及与所述属性名称对应的字典数值。

在本公开的一种示例性实施例中，所述设备掉线原因分析方法还包括：

计算所述预设掉线次数。

在本公开的一种示例性实施例中，计算所述预设掉线次数包括：

获取多个设备在第二预设时间内的上线、下线次数，并根据所述上线、下线次数计算各所述设备在所述第二预设时间内的掉线次数；

对各所述设备在所述第二预设时间内的掉线次数进行平均，得到所述预设掉线次数。

根据本公开的一个方面，提供一种设备掉线原因分析装置，包括：

掉线次数计算模块，用于计算多个设备在第一预设时间内的掉线次数并判断各所述设备的掉线次数是否大于预设掉线次数；

抽象化处理模块，用于将所述掉线次数大于所述预设掉线次数的各所述设备的属性进行抽象化处理得到一属性数据集；

频繁项集挖掘模块，用于对所述属性数据集进行频繁项集挖掘得到各属性之间的联系，并根据各属性之间的联系得到各所述设备之间的公共特征属性；

设备调整模块，用于根据所述公共特征属性判断各所述设备的掉线原因并根据所述掉线原因对各所述设备进行调整。

根据本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的设备掉线原因分析方法。

根据本公开的一个方面，提供一种电子设备，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的设备掉线原因分析方法。

本公开一种设备掉线原因分析方法及装置，根据各设备在第一预设时间内的掉线次数判断各设备的掉线次数是否大于预设掉线次数；然后将掉线次数大于预设掉线次数的各设备的属性进行抽象化处理得到一属性数据集；对属性数据集进行频繁项集挖掘得到各设备之间的公共特征属性；根据公共特征属性判断各设备的掉线原因并根据掉线原因对各设备进行调整；一方面，通过频繁项集挖掘得到各设备之间的公共特征属性，使得该公共特征属性可以通过机器学习进行得到，不再依赖于人工分析得到该公共特征属性，节省了大量的人力成本；另一方面，通过机器学习得到各设备之间的公共特征属性，使得该公共特征属性不过分的依赖于分析人员，因此该公共特征属性具有更好的客观性以及深入性，可以更好的解决设备的掉线问题。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示意性示出一种设备掉线原因分析方法的流程图。

图2示意性示出一种设备属性列表示例图。

图3示意性示出一种设备属性抽象化列表示例图。

图4示意性示出一种属性字典示例图。

图5示意性示出一种频繁项集挖掘方法的流程图。

图6示意性示出一种频繁项集挖掘流程图。

图7示意性示出另一种频繁项集挖掘流程图。

图8示意性示出一种设备掉线原因分析装置的框图。

图9示意性示出一种用于实现上述设备掉线原因分析方法的电子设备示例图。

图10示意性示出一种用于实现上述设备掉线原因分析方法的计算机存储介质。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

在一种智能设备掉线原因分析方法中，分析人员可以通过设备反馈回来的掉线情况，甄别出容易掉线的设备；然后对该容易掉线的设备进行分析，找到各容易掉线的设备之间的共同属性；然后再对该共同属性进行分析寻找掉线的原因。通过该方法虽然可以分析出一部分掉线的原因，但是也存在非常明显的不足，例如可以包括以下两个方面：一方面，采用人工分析，需要分析人员对设备的掉线情况进行统计，统计完成后的分析工作也同样需要分析人员进行完成，因此浪费了大量的人力资源成本；另一方面，人工分析的分析结果过多的依赖于分析人员的主观经验，很难做到分析结果的客观性以及深入性，使得分析结果的准确率大大降低。

本示例实施方式中首先提供了一种设备掉线原因分析方法。参考图1所示，该设备掉线原因分析方法可以包括以下步骤：

步骤S110.计算多个设备在第一预设时间内的掉线次数并判断各所述设备的掉线次数是否大于预设掉线次数。

步骤S120.将所述掉线次数大于所述预设掉线次数的各所述设备的属性进行抽象化处理得到一属性数据集。

步骤S130.对所述属性数据集进行频繁项集挖掘得到各属性之间的联系，并根据各属性之间的联系得到各所述设备之间的公共特征属性。

步骤S140.根据所述公共特征属性判断各所述设备的掉线原因并根据所述掉线原因对各所述设备进行调整。

上述设备掉线原因分析方法中，一方面，通过频繁项集挖掘得到各设备之间的公共特征属性，使得该公共特征属性可以通过机器学习进行得到，不再依赖于人工分析得到该公共特征属性，节省了大量的人力成本；另一方面，通过机器学习得到各设备之间的公共特征属性，使得该公共特征属性不过分的依赖于分析人员，因此该公共特征属性具有更好的客观性以及深入性，可以更好的解决设备的掉线问题。

下面，将对本示例实施方式中上述设备掉线原因分析方法中的各步骤进行详细的解释和说明。

在步骤S110中，计算多个设备在第一预设时间内的掉线次数并判断各所述设备的掉线次数是否大于预设掉线次数。

在本示例实施方式中，上述设备例如可以包括智能冰箱、智能饮水机、智能空调、智能手环等等，也可以包括跑步机等，本示例实施方式对此不做特殊限制；第一预设时间例如可以是6h、9h或者12h等，也可以是24h，本示例实施方式对此不做特殊限制；其中，计算多个设备在第一预设时间内的掉线次数可以包括：读取多个设备在第一预设时间内的上线、下线数据，并根据所述上线、下线数据计算所述预设时间内的掉线次数。详细而言：

读取上述多个设备(例如可以是冰箱、饮水机等)在第一预设时间内(例如可以是6h)内的上线、下线次数，然后根据该设备在该预设时间内的上线、下线次数计算该设备在该预设时间内的掉线次数；其中，设备从下一次下线到上线的过程为一次掉线情况，由此便可以统计出每个设备在这一段时间内的掉线次数；例如，在预设时间内，设备的下线次数为30次，上线次数为29次，则该设备在该预设时间内的掉线次数为29次；

进一步的，当计算出该设备的掉线次数后，判断该设备的掉线次数是否大于预设掉线次数，当该设备的掉线次数大于预设掉线次数时，可以认为该设备属于容易掉线设备；其中，该预设掉线次数可以是与该设备同品类的预设掉线次数；也可以是与该设备不同品类的掉线次数，本示例对此不做特殊限制。

在本示例的另一种实施方式中，上述设备掉线原因分析方法还可以包括：计算所述预设掉线次数。其中，计算该预设掉线次数可以包括以下步骤：

在步骤S1中，获取多个设备在第二预设时间内的上线、下线次数，并根据所述上线、下线次数计算各所述设备在所述第二预设时间内的掉线次数。

在本示例实施方式中，上述第二预设时间可以是18h或者24h等等，本示例实施方式对此不做特殊限制；为了使得预设掉线次数较为准确，第二预设时间可以大于上述第一预设时间；上述多个设备可以是同品类设备(例如可以是多个不同品牌的同一产品，例如多个品牌的冰箱等等)，也可以是不同品类设备(例如可以是同一品牌的不同产品，例如同一品牌的冰箱、饮水机、空调等等)，本示例对此不做特殊限制；举例而言：

获取多个品牌的同一产品(例如可以是冰箱)在上述第二预设时间内的上线、下线次数，然后根据各品牌冰箱在第二预设时间内的上线、下线次数计算各品牌冰箱在第二预设时间内的掉线次数。此外，在本公开的其他示例实施方式中，也可以通过其他的方式计算在第二预设时间内的掉线次数，例如可以同一品牌的多个产品(例如可以是冰箱、饮水机、空调等等)在上述第二预设时间内的上线、下线次数，然后根据各产品在第二预设时间内的上线、下线次数计算该品牌各产品在第二预设时间内的掉线次数，本示例实施方式对此不做特殊限制。

在步骤S2中，对各所述设备在所述第二预设时间内的掉线次数进行平均，得到所述预设掉线次数。

在本示例实施方式中，当各设备在上述第二预设时间内的掉线次数计算完成以后，对各设备在上述第二预设时间内的掉线次数进行求和运算，然后再进行平均，得到各设备在第二预设时间内的预设掉线次数。此处需要说明的是，在判断各设备在第一预设时间内的掉线次数是否与预设掉线次数相同时，可以先将各掉线次数换算成相同单位时间内的掉线次数(例如都可以是6h或者12h)，也可以将第一预设时间与第二预设时间设置为相同长短的时间，本公开对此不做特殊限制。但容易理解的是，在本公开的其他示例性实施例中，预设掉线次数也可以是根据掉线次数的排名/预设比例等方式获取，本示例性实施例中对此不做特殊限定。

进一步的，为了可以获取更长历史时间段各设备的上线、下线次数，还可以将该设备的上线、下线数据导出以后进行转存，可以存储在外部存储设备上，也可以存储在设备本身的存储设备上，本公开对此不做特殊限制。

在步骤S120中，将所述掉线次数大于所述预设掉线次数的各所述设备的属性进行抽象化处理得到一属性数据集。

在本示例实施方式中，当设备的掉线次数大于预设掉线次数时，可以将该设备定义为容易掉线设备，然后将所有容易掉线的设备加入容易掉线设备列表，然后再将各设备对应的属性(例如可以包括品牌、品类、芯片型号、联网方式、模组型号等等，也可以包括生产日期、产品批次等等，本示例对此不做特殊限制)填充至该设备对应的位置，可以参考图2所示；然后对各设备的属性进行抽象化处理得到一属性数据集，其中，抽象化处理可以包括：对各所述设备的属性进行依次编号并将编号后的各所述设备的属性生成一设备属性抽象化列表以得到所述属性数据集。详细而言：

参考图3所示，将各设备属性进行依次编号，例如，将设备A的品牌编号为1，品类编号为4，芯片型号编号为7等等；将设备B的品牌编号为2，品类编号为5，芯片型号编号为8等等；编号完成后，形成如图3所示的设备属性抽象化列表，然后将各设备的属性所对应的编号进行组合得到上述属性数据集；此处需要说明的是，对于品牌相同且品类相同的设备，所有该设备的属性所对应的属性编号可以相同也可以不同，本公开对此不做特殊限制。

在本示例的另一种实施方式中，上述设备掉线原因分析方法还包括：建立一与所述属性数据集关联的属性字典；其中，所述属性字典中包括属性名称以及与所述属性名称对应的字典数值。详细而言：

参考图4所示，为了方便最终的结果分析，建立参考图4所示的属性字典，该属性字典可以包括属性名称，以及各属性名称对应的的编号(字典数值)；当最终的分析结果完成后，可以根据分析结果中包括的数字然后查询该属性字典，找到各个设备掉线的公共原因。

在步骤S130中，对所述属性数据集进行频繁项集挖掘得到各属性之间的联系，并根据各属性之间的联系得到各所述设备之间的公共特征属性。

在本示例实施方式中，对上述属性数据集进行频繁项集挖掘可以包括：利用Apriori算法对所述属性数据集进行频繁项集挖掘，并根据频繁项集的挖掘结果得到各属性之间的联系。参考图5所示，进行频繁项集挖掘可以包括步骤S10至步骤S90。其中：

在步骤S10中，设置一预设支持度以及所述属性数据集中包含的项的个数K。其中，K为大于1的整数。

在步骤S20中，扫描所述属性数据集并对所述属性数据集中的各属性的支持度计数得到第一候选项集。

在步骤S30中，判断所述第一候选向集中各属性的支持度是否大于预设支持度。

在步骤S40中，将所述第一候选向集中各属性的支持度大于所述预设支持度的属性组合成第一频繁项集。

在步骤S50中，利用所述第一频繁项集生成第二候选项集。

在步骤S60中，扫描所述属性数据集并对所述第二候选项集中的各属性的支持度计数。

在步骤S70中，判断所述第二候选项集中各属性的支持度是否大于所述预设支持度。

在步骤S80中，将所述第二候选项集中各属性的支持度大于所述预设支持度的属性组合成第二频繁项集。

在步骤S90中，重复步骤S40至步骤S70，直至得到第K频繁项集；根据所述第K频繁项集得到各所述属性之间的联系。

下面，首先对通过Apriori算法进行频繁项集得挖掘规则进行简单说明：参考图6所示，首先设置最小支持度阈值(min_sup)以及待分析项集数k；然后扫描一数据集(例如可以是上述易掉线设备的各属性组成的属性数据集)得到候选1项集C1；紧接着判断候选1项集C1中各数据的支持度(支持度可以被定义为P(A∪B)，即A和B这两个项集在事务集D中同时出现的概率；在本公开中，可以理解为在掉线属性集D中，属性A和属性B同时出现的概率)是否大于最小支持度阈值；然后将大于最小支持度阈值的各数据组成频繁1项集L1，根据频繁1项集L1得到候选2项集C2，判断候选2项集C2中各数据的支持度是否大于最小支持度阈值，并将候选2项集C2中各数据的支持度大于最小支持度阈值的各数据组合成频繁2项集L2；重复上述步骤，最后，如果K>1，则候选K项集为频繁K-1项集Join后的结果，频繁K项集则是将候选K项集中大于最小支持度阈值的项集选择出来后的结果，即我们所要找到的结果。

进一步，参考图7所示，针对上述步骤S10至步骤S90进行进一步的详细说明：

在步骤S101中，设置一预设支持度(最小支持度阈值，例如可以是2，也可以是3或者其他正整数，本示例对此不做特殊限制)以及属性数据集中包含的项的个数K(例如可以是3)。其中，K为大于1的整数。

在步骤S201中，扫描所述属性数据集(例如可以定义为数据集D)并对所述属性数据集中的各属性的支持度计数得到第一候选项集C1，C1可以包括{I1}、{I2}、{I3}、{I4}、{I5}；其中，{I1}可以是品牌，{I2}可以是品类，{I3}可以是芯片型号，{I4}可以是联网方式等等；扫描D，得到{I1}的支持度为6、{I2}的支持度为7、{I3}的支持度为6、{I4}的支持度为2、{I5}的支持度为2。

在步骤S301中，判断第一候选向集C1中{I1}、{I2}、{I3}、{I4}、{I5}支持度是否大于预设支持度2，由于C1中各属性的支持度均大于2，因此C1中的各属性不需要去除。

在步骤S401中，将所述第一候选向集C1中各属性的支持度大于所述预设支持度的属性组合成第一频繁项集L1，则L1为{I1}、{I2}、{I3}、{I4}、{I5}。

在步骤S501中，利用所述第一频繁项集L1生成第二候选项集C2，得到C2为{I1，I2}、{I1，I3}、{I1，I4}、{I1，I5}、{I2，I3}、{I2，I4}、{I2，I5}、{I3，I4}、{I3，I5}、{I4，I5}。

在步骤S601中，扫描属性数据集D并对第二候选项集C2中的各属性的支持度计数，得到{I1，I2}的支持度为4、{I1，I3}的支持度为4、{I1，I4}的支持度为1、{I1，I5}的支持度为2、{I2，I3}的支持度为4、{I2，I4}的支持度为2、{I2，I5}的支持度为2、{I3，I4}的支持度为0、{I3，I5}的支持度为1、{I4，I5}的支持度为0。

在步骤S701中，判断所述第二候选项集C2中各属性的支持度是否大于所述预设支持度2。

在步骤S80中，将第二候选项集C2中各属性的支持度大于预设支持度2的属性组合成第二频繁项集L2，得到L2为{I1，I2}、{I1，I3}、{I1，I5}、{I2，I3}、{I2，I4}、{I2，I5}。

在步骤S90中，重复步骤S40至步骤S70，得到第3频繁项集为{I1，I2，I3}、{I1，I2，I5}；根据第3频繁项集L3得到各所述属性之间的联系；例如，通过查询属性字典可以得到XX品牌芯片为XX型号的空调容易掉线。通过该方法，相比于人工方法，不仅省时省力，而且能够更深入客观的分析掉线设备所具有的特征，对于我们解决设备掉线问题能够提供更好的支持。

在步骤S140中，根据所述公共特征属性判断各所述设备的掉线原因并根据所述掉线原因对各所述设备进行调整。举例而言：

当判断到由于XX品牌芯片为XX型号的空调容易掉线后们可以通过对芯片进行调整来防止该设备掉线。此外，在本公开的其他示例实施方式中，也可以通过其他方式对设备进行调整以防止设备掉线，例如判断到由于XX品牌通过XX方式进行联网的冰箱容易掉线，则可以调整该冰箱的联网方式来防止该冰箱掉线，本示例实施方式对此不做特殊限制。

本示例实施方式还提供了一种设备掉线原因分析装置。参考图8所示，该设备掉线原因分析装置可以包括：掉线次数计算模块810、抽象化处理模块820、频繁项集挖掘模块830以及设备调整模块840。其中：

掉线次数计算模块810可以用于计算多个设备在第一预设时间内的掉线次数并判断各所述设备的掉线次数是否大于预设掉线次数。

抽象化处理模块820可以用于将所述掉线次数大于所述预设掉线次数的各所述设备的属性进行抽象化处理得到一属性数据集。

频繁项集挖掘模块830可以用于对所述属性数据集进行频繁项集挖掘得到各属性之间的联系，并根据各属性之间的联系得到各所述设备之间的公共特征属性。

设备调整模块840可以用于根据所述公共特征属性判断各所述设备的掉线原因并根据所述掉线原因对各所述设备进行调整。

上述设备掉线原因分析装置中各模块的具体细节已经在对应的设备掉线原因分析方法中进行了详细想描述，因此此处不再赘述。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。

在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图9来描述根据本发明的这种实施方式的电子设备600。图9显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图9所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图2中所示的步骤S110：计算多个设备在第一预设时间内的掉线次数并判断各所述设备的掉线次数是否大于预设掉线次数；步骤S120：将所述掉线次数大于所述预设掉线次数的各所述设备的属性进行抽象化处理得到一属性数据集；步骤S130：对所述属性数据集进行频繁项集挖掘得到各属性之间的联系，并根据各属性之间的联系得到各所述设备之间的公共特征属性；步骤S140：根据所述公共特征属性判断各所述设备的掉线原因并根据所述掉线原因对各所述设备进行调整。

存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。

存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器660通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。

参考图10所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。

Claims (11)

1.一种设备掉线原因分析方法，其特征在于，包括：

计算多个设备在第一预设时间内的掉线次数并判断各所述设备的掉线次数是否大于预设掉线次数；其中，所述设备包括智能冰箱、智能饮水机、智能空调、智能手环中的多种；

将所述掉线次数大于所述预设掉线次数的各所述设备的属性进行抽象化处理得到一属性数据集；其中，各所述设备的属性包括品牌、品类、芯片型号、联网方式、模组型号、生产日期以及产品批次中的多种；

对所述属性数据集进行频繁项集挖掘得到各属性之间的联系，并根据各属性之间的联系得到各所述设备之间的公共特征属性；

根据所述公共特征属性判断各所述设备的掉线原因，并根据所述掉线原因对各所述设备的芯片和/或联网方式进行调整，以防止各所述设备掉线。

2.根据权利要求1所述的设备掉线原因分析方法，其特征在于，计算多个设备在一预设时间内的掉线次数包括：

读取多个设备在第一预设时间内的上线、下线数据，并根据所述上线、下线数据计算所述预设时间内的掉线次数。

3.根据权利要求1所述的设备掉线原因分析方法，其特征在于，对各所述设备的属性进行抽象化得到一属性数据集包括：

对各所述设备的属性进行依次编号并将编号后的各所述设备的属性生成一设备属性抽象化列表以得到所述属性数据集。

4.根据权利要求1所述的设备掉线原因分析方法，其特征在于，对所述属性数据集进行频繁项集挖掘得到各属性之间的联系包括：

利用Apriori算法对所述属性数据集进行频繁项集挖掘，并根据频繁项集的挖掘结果得到各属性之间的联系。

5.根据权利要求4所述的设备掉线原因分析方法，其特征在于，利用Apriori算法对所述属性数据集进行频繁项集挖掘，并根据频繁项集的挖掘结果得到各属性之间的联系包括：

步骤S10，设置一预设支持度以及所述属性数据集中包含的项的个数K；其中，K为大于1的整数；

步骤S20，扫描所述属性数据集并对所述属性数据集中的各属性的支持度计数得到第一候选项集；

步骤S30，判断所述第一候选向集中各属性的支持度是否大于预设支持度；

步骤S40，将所述第一候选向集中各属性的支持度大于所述预设支持度的属性组合成第一频繁项集；

步骤S50，利用所述第一频繁项集生成第二候选项集；

步骤S60，扫描所述属性数据集并对所述第二候选项集中的各属性的支持度计数；

步骤S70，判断所述第二候选项集中各属性的支持度是否大于所述预设支持度；

步骤S80，将所述第二候选项集中各属性的支持度大于所述预设支持度的属性组合成第二频繁项集；

步骤S90，重复步骤S40至步骤S70，直至得到第K-1频繁项集；根据所述第K频繁项集得到各所述属性之间的联系。

6.根据权利要求3所述的设备掉线原因分析方法，其特征在于，所述设备掉线原因分析方法还包括：

建立一与所述属性数据集关联的属性字典；其中，所述属性字典中包括属性名称以及与所述属性名称对应的字典数值。

7.根据权利要求1所述的设备掉线原因分析方法，其特征在于，所述设备掉线原因分析方法还包括：

计算所述预设掉线次数。

8.根据权利要求7所述的设备掉线原因分析方法，其特征在于，计算所述预设掉线次数包括：

获取多个设备在第二预设时间内的上线、下线次数，并根据所述上线、下线次数计算各所述设备在所述第二预设时间内的掉线次数；

对各所述设备在所述第二预设时间内的掉线次数进行平均，得到所述预设掉线次数。

9.一种设备掉线原因分析装置，其特征在于，包括：

掉线次数计算模块，用于计算多个设备在第一预设时间内的掉线次数并判断各所述设备的掉线次数是否大于预设掉线次数；其中，所述设备包括智能冰箱、智能饮水机、智能空调、智能手环中的多种；

抽象化处理模块，用于将所述掉线次数大于所述预设掉线次数的各所述设备的属性进行抽象化处理得到一属性数据集；其中，各所述设备的属性包括品牌、品类、芯片型号、联网方式、模组型号、生产日期以及产品批次中的多种；

频繁项集挖掘模块，用于对所述属性数据集进行频繁项集挖掘得到各属性之间的联系，并根据各属性之间的联系得到各所述设备之间的公共特征属性；

设备调整模块，用于根据所述公共特征属性判断各所述设备的掉线原因并根据所述掉线原因对各所述设备的芯片和/或联网方式进行调整，以防止各所述设备掉线。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-8任一项所述的设备掉线原因分析方法。

11.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-8任一项所述的设备掉线原因分析方法。

Images