CN108228879A - 一种数据更新方法、存储介质和智能设备 - Google Patents

Abstract

本发明提供了一种数据更新方法、存储介质和智能设备，包括：获取API关联的数据在服务器中的历史更新事件；获取所述API的类型；根据所述API的类型，对所述历史更新事件进行大数据统计分析，预测所述服务器中所述API关联的数据的更新时刻；根据预测的所述API关联的数据的更新时刻与所述API的类型，建立数据更新时刻表；据所述数据更新时刻表更新客户端中所述API关联的数据。本发明通过大数据分析预测服务器中数据的更新时刻，客户端无需频繁向服务器请求更新，可减少资源消耗，减少服务器请求压力。

Description

一种数据更新方法、存储介质和智能设备

技术领域

本发明涉及信息处理技术领域，尤其涉及一种数据更新方法、存储介质和智能设备。

背景技术

目前，在分布式系统环境中，利用中心服务器集成数据，客户端通过API(Application Programming Interface，应用程序编程接口)访问服务器中的数据。客户端上的数据与服务器中存储的相关数据应尽可能地保持一致。当服务器中存储的数据更新时，客户端上的数据也应当更新。然而，服务器中的数据何时更新，客户端很难把握。客户端请求更新不及时会导致客户端中的数据与服务器中数据不一致，如果客户端请求更新过于频繁，又会产生过多的资源消耗，增加服务器请求压力。

综上所述，由于客户端不能准确估计服务器数据更新的时间，请求更新不及时会导致客户端中的数据与服务器中数据不一致，请求更新过于频繁，又会产生过多的资源消耗，增加服务器的请求压力。

发明内容

本发明实施例提供了一种数据更新方法、存储介质和智能设备，以解决现有技术中，由于客户端不能准确估计服务器数据更新的时间，请求更新不及时会导致客户端中的数据与服务器中数据不一致，请求更新过于频繁，又会产生过多的资源消耗，增加服务器的请求压力的问题。

本发明实施例的第一方面提供了一种数据更新方法，包括：

获取API关联的数据在服务器中的历史更新事件；

获取所述API的类型；

根据所述API的类型，对所述历史更新事件进行大数据统计分析，预测所述服务器中所述API关联的数据的更新时刻；

根据预测的所述API关联的数据的更新时刻与所述API的类型，建立数据更新时刻表；

根据所述数据更新时刻表更新客户端中所述API关联的数据。

本发明实施例的第二方面提供了一种智能设备，包括存储器以及处理器，所述存储器存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下步骤：

获取API关联的数据在服务器中的历史更新事件；

获取所述API的类型；

根据所述API的类型，对所述历史更新事件进行大数据统计分析，预测所述服务器中所述API关联的数据的更新时刻；

根据预测的所述API关联的数据的更新时刻与所述API的类型，建立数据更新时刻表；

根据所述数据更新时刻表更新客户端中所述API关联的数据。

本发明实施例的第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如下步骤：

获取API关联的数据在服务器中的历史更新事件；

获取所述API的类型；

根据所述API的类型，对所述历史更新事件进行大数据统计分析，预测所述服务器中所述API关联的数据的更新时刻；

根据预测的所述API关联的数据的更新时刻与所述API的类型，建立数据更新时刻表；

根据所述数据更新时刻表更新客户端中所述API关联的数据。

本发明实施例中，通过获取API关联的数据在服务器中的历史更新事件，再获取所述API的类型，根据所述API的类型，对所述历史更新事件进行大数据统计分析，然后根据统计分析结果与对所述服务器中所述API关联的数据的更新时刻进行预测，根据预测的更新时刻与所述API的类型，建立数据更新时刻表，最后根据所述数据更新时刻表更新客户端中所述API关联的数据，本方案通过大数据分析预测服务器中数据的更新时刻，客户端根据预测的数据更新时刻及时更新数据，从而与服务器中的数据保持一致，方便用户访问最新的数，并且，客户端无需频繁向服务器请求更新，可减少资源消耗，减少服务器请求压力，提高数据更新的有效性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的数据更新方法的实现流程图；

图2是本发明实施例提供的数据更新方法S103的具体实现流程图；

图3是本发明实施例提供的数据更新方法中将属于同一个事件集合的历史更新事件进行聚类分析的具体实现流程图；

图4是本发明实施例提供的数据更新方法S104的具体实现流程图；

图5是本发明实施例提供的数据更新方法S105的具体实现流程图；

图6是本发明实施例提供的数据更新装置的结构框图；

图7是本发明实施例提供的服务器的示意图。

具体实施方式

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。

图1示出了本发明实施例提供的数据更新方法的实现流程，该方法流程包括步骤S101至S105。各步骤的具体实现原理如下：

S101：获取API关联的数据在服务器中的历史更新事件。

其中，API(Application Programming Interface，应用程序编程接口)与图形用户接口(GUI)或命令接口有着鲜明的差别，API属于一种操作系统或程序接口，而后两者都属于直接用户接口。在本发明实施例中，客户端通过API访问服务器中的数据。不同的API关联的数据不同。

具体地，客户端获取服务器指定时间段的日志文件，根据所述指定时间段的日志文件，获取API关联的数据在服务器中的历史更新事件。所述历史更新事件包括API关联的数据在服务器中的历史更新时间。进一步地，所述历史更新事件还包括不可重复的事件编号，用于区分历史更新事件。

S102：获取所述API的类型。

在本发明实施例中，API同时也是一种中间件，为各种不同平台提供数据共享。在本发明实施例中，API的类型包括交易类接口、实时查询类接口。不同类型的API关联的数据也不同。客户端通过不同类型的API访问不同类型的数据。

S103：根据所述API的类型，对所述历史更新事件进行大数据统计分析，预测所述服务器中所述API关联的数据的更新时刻。

具体地，对于一段时间内，不同类型的API关联的数据在服务器中的历史更新事件分别进行大数据统计分析，进而根据统计分析结果对所述API关联的数据的更新时刻进行预测估计。事实上，不同类型的API关联的数据在服务器上的更新时间可能不同。在本发明实施例中，所述API关联的数据在服务器的更新时间分为定期更新和不定期更新。其中，定期更新的数据为预先设置更新周期的数据，不定期更新的数据是根据产品需求进行的更新。例如，在产品的推广活动周期时，更新产品的价格数据为活动价格数据，在活动周期结束后再次更新数据，恢复到活动周期前的价格数据。

作为本发明的一个实施例，如图2所示，上述S103具体包括：

A1：按所述API的类型将所述历史更新事件分类，将同一类型的API关联的数据在服务器中的历史更新事件放入同一个事件集合中。具体地，同一个API关联的数据对应的历史更新事件存放在同一个事件集合中，通过获取一个事件集合来获取同一个API关联的数据的历史更新事件，以便对同一个API关联的数据的历史更新事件进行聚类分析。

A2：将属于同一个事件集合的历史更新事件进行聚类分析。具体地，聚类分析是指将物理或抽象对象的集合分组为由类似的对象组成的多个类的分析过程。聚类分析法是理想的多变量统计技术，分为分层聚类法和迭代聚类法两类。聚类分析方法包括直接聚类法、最短聚类法以及最远距离聚类法。在本发明实施例中，聚类分析的目的是把历史更新事件按一定的规则聚类，聚类的类别不是预设的，而是根据历史更新事件的特征(比如历史更新时间)而确定的。

A3：根据每个事件集合的聚类分析结果预测每个类型的API关联的数据在服务器中的更新时刻。

在本发明实施例中，通过将历史更新事件按API类型分类放入事件集合中，以便对同一类型API关联的数据的历史更新事件进行聚类分析，提高聚类分析的效率。根据事件集合中历史更新事件的聚类分析的结果对API关联的数据在服务器中的更新时刻进行预测，从而减少客户端向服务器请求更新的次数，减少服务器的请求压力。

作为本发明的一个实施例，图3示出了本发明实施例提供的数据更新方法步骤：将属于同一个事件集合的历史更新事件进行聚类分析的具体实现流程，详述如下：

A21：从同一个事件集合中，随机选择第一指定个数的历史更新事件作为第一聚类中心。具体地，聚类中心为聚类分析过程中分类的簇中心。

A22：计算所述同一个事件集合中每个历史更新事件与所述第一聚类中心的第一相似度。即，计算所述同一个事件集合中每个历史更新事件与作为第一聚类中心的历史更新事件的第一相似度，具体地，可通过计算每个历史更新事件到第一聚类中心的距离，距离越近，第一相似度越高。

A23：根据所述第一相似度将所述同一个事件集合中的历史更新事件进行初始聚类，并从所述初始聚类后的历史更新事件中选择第二指定个数的历史更新事件作为第二聚类中心。具体地，根据所述第一相似度将所述事件集合中的历史更新事件聚类，归类为第一指定个数的簇，从所述第一指定个数的簇中随机选择第二指定个数的历史更新事件作为第二聚类中心。

A24：计算所述同一个事件集合中，所述初始聚类后的每个历史更新事件与所述第二聚类中心的第二相似度，根据所述第二相似度将所述同一个事件集合中，所述初始聚类后的历史更新事件再次进行聚类。

A25：重复确定所述事件集合中的聚类中心，直到所确定的聚类中心收敛。具体地，根据步骤A22、步骤A23类推，重复确定所述同一个事件集合中的聚类中心，直至所确定的聚类中心收敛。其中，聚类中心收敛是指作为聚类中心的历史更新事件不再更改。可通过判断作为聚类中心的历史更新事件的事件编号是否改变。

在本发明实施例中，聚类分析的分类原则包括：同一类中的历史更新事件在某种意义上趋于彼此相似(相似度较高)；不同类中的历史更新事件趋近于不相似(相似度较低)。其中，相似度较高和相似度较低通过与设定的相似度阈值进行比较，若相似度不低于于预设相似度阈值，则认为相似度较高，趋于彼此相似；若相似度低于预设相似度阈值，则认为相似度较低，趋于彼此不相似。

可选地，在本发明实施例中，计算事件集合中的历史更新事件的更新时间与作为聚类中心的历史更新事件的更新时间的时间差值，将时间差值在预设时时间阈值范围内的归类到同一簇中。

S104：根据预测的所述API关联的数据的更新时刻与所述API的类型，建立数据更新时刻表。

在本发明实施例中，将预测的所述API关联的数据的更新时刻与所述API的类型一一对应，建立数据更新时刻表。具体地，在所述数据更新时刻表中，API关联的数据存在至少一个更新时刻，也就是说，一个类型的API关联的数据可能有多个更新时刻。

作为本发明的一个实施例，图4示出了本发明实施例提供的数据更新方法S104的具体实现流程，详述如下：

B1：获取用户历史行为信息。

B2：根据所述用户的历史行为信息，确定用户的历史登录时间。

B3：根据预测的所述API关联的数据的更新时刻、所述API的类型以及所述历史登录时间，建立数据更新时刻表。

在本发明实施例中，获取客户端的用户历史行为信息，其中，所述历史行为信息包括历史登录时间，所述历史登录时间可以为一天中的时间点。通过对用户的历史登录时间进行统计分析，在建立数据更新时刻表时，将预测的所述API关联的数据的更新时刻结合历史登录时间的统计分析结果，确定新的更新时刻，根据新的更新时刻建立数据更新时刻表。具体地，当预测的更新时刻在用户的历史登录时间之后预设时间范围内，则将用户的历史登录时间设置为新的更新时刻，以便用户登录使用时获取最新的数据，提高用户体验。进一步地，所述历史行为信息还包括用户的历史浏览数据，通过对所述历史浏览数据进行统计分析，对用户的偏好进行估计，从预测的所述API关联的数据的更新时刻中选择用户偏好的数据的更新时刻，与API的类型建立数据更新时刻表，对于用户偏好的数据以外的数据，按预定更新频率请求更新，从而实现个性化更新，提高用户体验。

S105：根据所述数据更新时刻表更新客户端中所述API关联的数据。

在本发明实施例中，所述数据更新时刻表中包括预测的API关联的数据在服务器中的更新时刻。具体地，客户端根据所述数据更新时刻表中的时间，通过API访问服务器中所述API关联的数据，获取更新的数据，从而对客户端中相应的数据进行更新。

作为本发明的一个实施例，图5示出了本发明实施例提供的数据更新方法S105的具体实现流程，详述如下：

C1：根据所述数据更新时刻表，发送更新请求至所述服务器，请求更新所述API关联的数据。具体地，通过API访问API关联的数据在服务器中是否更新。若有更新，服务器则发送更新数据至客户端。

C2：当接收到所述服务器反馈的更新数据时，则将所述更新数据的数据量与预设的更新数据量进行比较。

C3：若所述更新数据的数据量不小于所述预设的更新数据量，则根据所述更新数据，更新客户端中所述API关联的数据。

具体地，通过将服务器反馈的更新数据与预设的更新数据量比较，当更新数据的数据量不小于预设更新数据量时才更新客户端中相应的数据，避免资源浪费。若所述更新数据的数据量小于所述预设的更新数据量，则忽略此次更新。进一步地，在所述数据更新时刻表中对此次的更新时刻进行标记，标记为未更新。当所述数据更新时刻表中同一更新时刻标记为未更新的次数大于预设次数时，更新所述数据更新时刻表，将该更新时刻从所述数据更新表中剔除。

可选地，作为本发明的一个实施例，上述数据更新方法还包括：采用隐马尔可夫模型以预定访问频率访问API，判断当前时刻度服务器中与API关联的数据是否已更新。

具体地，马尔可夫模型(Markov Model)是一种统计模型，所述隐马尔可夫模型(Hidden Markov Model，HMM)也是统计模型，它用来描述一个含有隐含未知参数的马尔可夫过程。隐马尔可夫模型是马尔可夫链的一种，它的状态不能直接观察到，但能通过观测向量序列观察到，每个观测向量都是通过某些概率密度分布表现为各种状态，每一个观测向量是由一个具有相应概率密度分布的状态序列产生。所以，隐马尔可夫模型是一个双重随机过程，具有一定状态数的隐马尔可夫链和显示随机函数集。所述隐马尔可夫模型包括显示状态和隐式状态。在本发明实施例中，所述隐马尔可夫模型的显式状态是当前时刻数据是否已更新，所述隐马尔可夫模型的隐式状态是距离上一次数据更新的时间。通过所述预定访问频率访问API，以确定服务器中所述API关联的数据是否已更新，从而得到表征数据是否已更新的第一观测序列，利用所得到的第一观测序列，训练隐马尔可夫模型。如果判断当前时刻与API关联的数据已更新，则从API获取更新数据用以更新客户端相应的数据。

本发明实施例中，通过获取API关联的数据在服务器中的历史更新事件，再获取所述API的类型，根据所述API的类型，将所述历史更新事件分类，将同一类型的API关联的数据在服务器中的历史更新事件放入同一个事件集合中，将属于同一个事件集合的历史更新事件进行聚类分析，提高统计分析的效率，根据每个事件集合的聚类分析结果预测每个类型的API关联的数据在服务器中的更新时刻，然后根据预测的更新时刻与所述API的类型，建立数据更新时刻表，最后根据所述数据更新时刻表更新客户端中所述API关联的数据，本方案通过大数据分析预测服务器中数据的更新时刻，客户端根据预测的数据更新时刻及时更新数据，从而与服务器中的数据保持一致，方便用户访问最新的数，并且，客户端无需频繁向服务器请求更新，可减少资源消耗，减少服务器请求压力，提高数据更新的有效性。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

对应于上文实施例所述的数据更新方法，图6示出了本申请实施例提供的数据更新装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。

参照图6，该数据更新装置包括：历史更新事件获取单元61，类型获取单元62，时刻预测单元63，时刻表建立单元64，数据更新单元65，其中：

历史更新事件获取单元61，用于获取API关联的数据在服务器中的历史更新事件；

类型获取单元62，用于获取所述API的类型；

时刻预测单元63，用于根据所述API的类型，对所述历史更新事件进行大数据统计分析，预测所述服务器中所述API关联的数据的更新时刻；

时刻表建立单元64，用于根据预测的所述API关联的数据的更新时刻与所述API的类型，建立数据更新时刻表；

数据更新单元65，用于根据所述数据更新时刻表更新客户端中所述API关联的数据。

可选地，所述时刻预测单元63包括：

事件集合模块，用于按所述API的类型将所述历史更新事件分类，将同一类型的API关联的数据在服务器中的历史更新事件放入同一个事件集合中；

聚类分析模块，用于将属于同一个事件集合的历史更新事件进行聚类分析；

时刻预测模块，用于根据每个事件集合的聚类分析结果预测每个类型的API关联的数据在服务器中的更新时刻。

可选地，所述聚类分析模块包括：

第一选择子模块，用于从同一个事件集合中，随机选择第一指定个数的历史更新事件作为第一聚类中心；

第一相似度计算子模块，用于计算所述同一个事件集合中每个历史更新事件与所述第一聚类中心的第一相似度；

第二选择子模块，用于根据所述第一相似度将所述同一个事件集合中的历史更新事件进行初始聚类，并从所述初始聚类后的历史更新事件中选择第二指定个数的历史更新事件作为第二聚类中心；

第二相似度计算子模块，用于计算所述同一个事件集合中，所述初始聚类后的每个历史更新事件与所述第二聚类中心的第二相似度，根据所述第二相似度，将所述同一个事件集合中所述初始聚类后的历史更新事件再次进行聚类；

聚类中心收敛子模块，用于重复确定所述同一个事件集合中的聚类中心，直到所确定的聚类中心收敛。

可选地，所述时刻表建立单元64包括：

历史行为信息获取模块，用于获取用户历史行为信息；

历史登录时间确定模块，用于根据所述用户的历史行为信息，确定用户的历史登录时间；

时刻表建立模块，用于根据预测的所述API关联的数据的更新时刻、所述API的类型以及所述历史登录时间，建立数据更新时刻表。

可选地，所述数据更新单元65包括：

请求更新模块，用于根据所述数据更新时刻表，发送更新请求至所述服务器，请求更新所述API关联的数据；

数据量比较模块，用于当接收到所述服务器反馈的更新数据时，则将所述更新数据的数据量与预设的更新数据量进行比较；

数据更新模块，用于若所述更新数据的数据量不小于所述预设的更新数据量，则根据所述更新数据，更新客户端中所述API关联的数据。

本发明实施例中，通过获取API关联的数据在服务器中的历史更新事件，再获取所述API的类型，根据所述API的类型，对所述历史更新事件进行大数据统计分析，然后根据统计分析结果与对所述服务器中所述API关联的数据的更新时刻进行预测，根据预测的更新时刻与所述API的类型，建立数据更新时刻表，最后根据所述数据更新时刻表更新客户端中所述API关联的数据，本方案通过大数据分析预测服务器中数据的更新时刻，客户端根据预测的数据更新时刻及时更新数据，从而与服务器中的数据保持一致，方便用户访问最新的数，并且，客户端无需频繁向服务器请求更新，可减少资源消耗，减少服务器请求压力，提高数据更新的有效性。

图7是本发明一实施例提供的智能设备的示意图。如图7所示，该实施例的智能设备7包括：处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72，例如数据更新程序。所述处理器70执行所述计算机程序72时实现上述各个数据更新方法实施例中的步骤，例如图1所示的步骤101至105。或者，所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能，例如图6所示模块61至65的功能。

示例性的，所述计算机程序72可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器71中，并由所述处理器70执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序72在所述智能设备7中的执行过程。

所述智能设备7可以是桌上型计算机、笔记本、掌上电脑及云端智能设备等计算设备。所述智能设备可包括，但不仅限于，处理器70、存储器71。本领域技术人员可以理解，图7仅仅是智能设备7的示例，并不构成对智能设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述智能设备还可以包括输入输出设备、网络接入设备、总线等。

所述处理器70可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器71可以是所述智能设备7的内部存储单元，例如智能设备7的硬盘或内存。所述存储器71也可以是所述智能设备7的外部存储设备，例如所述智能设备7上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器71还可以既包括所述智能设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述智能设备所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种数据更新方法，其特征在于，包括：

获取API关联的数据在服务器中的历史更新事件；

获取所述API的类型；

根据所述API的类型，对所述历史更新事件进行大数据统计分析，预测所述服务器中所述API关联的数据的更新时刻；

根据预测的所述API关联的数据的更新时刻与所述API的类型，建立数据更新时刻表；

根据所述数据更新时刻表更新客户端中所述API关联的数据。

2.根据权利要求1所述的方法，其特征在于，所述根据所述API的类型，对所述历史更新事件进行大数据统计分析，预测所述服务器中所述API关联的数据的更新时刻的步骤，包括：

按所述API的类型将所述历史更新事件分类，将同一类型的API关联的数据在服务器中的历史更新事件放入同一个事件集合中；

将属于同一个事件集合的历史更新事件进行聚类分析；

根据每个事件集合的聚类分析结果预测每个类型的API关联的数据在服务器中的更新时刻。

3.根据权利要求2所述的方法，其特征在于，所述将属于同一个事件集合的历史更新事件进行聚类分析的步骤，包括：

从同一个事件集合中，随机选择第一指定个数的历史更新事件作为第一聚类中心；

计算所述同一个事件集合中每个历史更新事件与所述第一聚类中心的第一相似度；

根据所述第一相似度将所述同一个事件集合中的历史更新事件进行初始聚类，并从所述初始聚类后的历史更新事件中选择第二指定个数的历史更新事件作为第二聚类中心；

计算所述同一个事件集合中，所述初始聚类后的每个历史更新事件与所述第二聚类中心的第二相似度，根据所述第二相似度，将所述同一个事件集合中所述初始聚类后的历史更新事件再次进行聚类；

重复确定所述同一个事件集合中的聚类中心，直到所确定的聚类中心收敛。

4.根据权利要求1所述的方法，其特征在于，所述根据预测的所述API关联的数据的更新时刻与所述API的类型，建立数据更新时刻表的步骤，包括：

获取用户历史行为信息；

根据所述用户的历史行为信息，确定用户的历史登录时间；

根据预测的所述API关联的数据的更新时刻、所述API的类型以及所述历史登录时间，建立数据更新时刻表。

5.根据权利要求1至4任一项所述的方法，其特征在于，所述根据所述数据更新时刻表更新客户端中所述API关联的数据的步骤，包括：

根据所述数据更新时刻表，发送更新请求至所述服务器，请求更新所述API关联的数据；

当接收到所述服务器反馈的更新数据时，则将所述更新数据的数据量与预设的更新数据量进行比较；

若所述更新数据的数据量不小于所述预设的更新数据量，则根据所述更新数据，更新客户端中所述API关联的数据。

6.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述数据更新方法的步骤。

7.一种智能设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如下步骤：

获取API关联的数据在服务器中的历史更新事件；

获取所述API的类型；

根据所述API的类型，对所述历史更新事件进行大数据统计分析，预测所述服务器中所述API关联的数据的更新时刻；

根据预测的所述API关联的数据的更新时刻与所述API的类型，建立数据更新时刻表；

根据所述数据更新时刻表更新客户端中所述API关联的数据。

8.如权利要求7所述的智能设备，其特征在于，所述根据所述API的类型，对所述历史更新事件进行大数据统计分析，预测所述服务器中所述API关联的数据的更新时刻的步骤，包括：

按所述API的类型将所述历史更新事件分类，将同一类型的API关联的数据在服务器中的历史更新事件放入同一个事件集合中；

将属于同一个事件集合的历史更新事件进行聚类分析；

根据每个事件集合的聚类分析结果预测每个类型的API关联的数据在服务器中的更新时刻。

9.如权利要求7所述的智能设备，其特征在于，所述根据预测的所述API关联的数据的更新时刻与所述API的类型，建立数据更新时刻表的步骤，包括：

获取用户历史行为信息；

根据所述用户的历史行为信息，确定用户的历史登录时间；

根据预测的所述API关联的数据的更新时刻、所述API的类型以及所述历史登录时间，建立数据更新时刻表。

10.如权利要求7至9任一项所述的智能设备，其特征在于，所述根据所述数据更新时刻表更新客户端中所述API关联的数据的步骤，包括：

根据所述数据更新时刻表，发送更新请求至所述服务器，请求更新所述API关联的数据；

当接收到所述服务器反馈的更新数据时，则将所述更新数据的数据量与预设的更新数据量进行比较；

若所述更新数据的数据量不小于所述预设的更新数据量，则根据所述更新数据，更新客户端中所述API关联的数据。