CN108880945B - 一种云监控系统及方法 - Google Patents

一种云监控系统及方法 Download PDF

Info

Publication number
CN108880945B
CN108880945B CN201810872012.1A CN201810872012A CN108880945B CN 108880945 B CN108880945 B CN 108880945B CN 201810872012 A CN201810872012 A CN 201810872012A CN 108880945 B CN108880945 B CN 108880945B
Authority
CN
China
Prior art keywords
data
service
traffic
traffic data
cloud
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.)
Expired - Fee Related
Application number
CN201810872012.1A
Other languages
English (en)
Other versions
CN108880945A (zh
Inventor
单健锋
江鹏辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Koubei Network Technology Co Ltd
Original Assignee
Zhejiang Koubei Network Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Koubei Network Technology Co Ltd filed Critical Zhejiang Koubei Network Technology Co Ltd
Priority to CN201810872012.1A priority Critical patent/CN108880945B/zh
Publication of CN108880945A publication Critical patent/CN108880945A/zh
Application granted granted Critical
Publication of CN108880945B publication Critical patent/CN108880945B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0876—Network utilisation, e.g. volume of load or congestion level
    • H04L43/0894—Packet rate
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
    • H04L41/5003—Managing SLA; Interaction between SLA and QoS
    • H04L41/5009—Determining service level performance parameters or violations of service level contracts, e.g. violations of agreed response time or mean time between failures [MTBF]
    • 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)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Environmental & Geological Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种云监控系统，以及一种应用于餐饮行业的云监控系统，本申请另外提供一种云监控方法及装置，以及一种应用于餐饮行业的云监控方法及装置。其中，所述云监控系统包括：云系统获取业务第一流量数据，并发送至云监控中心；云监控中心从所述业务第一流量数据中提取业务高峰时间的业务高峰流量数据和/或业务优惠时间的业务优惠流量数据，并根据所述提取的流量数据建立数据预测模型，对从云系统获得的业务第二流量数据进行处理得到其数据特征，获得监控结果。上述云监控系统根据餐饮行业的流量数据特点以及完整的流量数据样本，建立数据预测模型，对客户端的流量数据进行预测，获得云监控结果，从而保证云监控结果的准确度以及避免误报。

Description

一种云监控系统及方法
技术领域
本申请涉及行业监控领域，具体涉及一种行业云的云监控系统。本申请另外提供一种应用于餐饮行业的云监控系统，以及一种云监控方法及装置和应用于餐饮行业的云监控方法及装置。
背景技术
近年来，随着互联网的发展，中国的各个行业已经具有完整的信息化基础，各个行业需要云平台实现流量数据向服务的转化，对外输出服务，以不断提升服务能力。行业云可以将这些业务流量数据的巨大潜在价值释放出来，而且，从技术上看，行业应用的特点非常符合行业云的服务模式和技术模式。行业云就是将原本分散的资源聚集起来，再以服务的形式提供给受众。因此，采用行业云，不仅可以实现行业内数据共享，也可以帮助行业流量数据拥有者将流量数据转换为服务，提升业务价值。
因此，为了更好的为各个行业提供服务，保证行业云平台的可靠性就变得至关重要，针对这个问题，便需要将云监控系统这一项技术引入到行业云平台上来，从而实现针对行业资源和互联网应用进行有效的云监控的服务。但是，由于不同行业的信息化差异较大，行业云承载着各个行业的SaaS系统，导致了传统云监控手段在具体行业内不适用，监控起不到准确的监控效果。如何针对不同行业的特点进行有效的云监控，保证云监控数据的准确度以及避免误报逐渐成为行业云监控的痛点。
为了解决上述问题，申请号201510521934.4的专利文献提供一种云监控系统的实现装置和方法，利用单对象类型完成对多对象类型的云监控，建立多对象类型元数据参与的面向复杂类型云监控的通用、统一监控。通过对行业通用指标的监控，建立了一套通用的行业云监控体系，从而在一定程度上解决了针对行业通用的云监控问题，但是具体到特定行业，仍然无法实现针对行业的特点进行有效的云监控，从而无法保证针对各个行业的云监控结果的准确度以及避免误报。
发明内容
本申请提供一种云监控系统，以及一种应用于餐饮行业的云监控系统，以解决现有的云监控系统存在的上述问题。本申请另外提供一种云监控方法及装置，以及一种应用于餐饮行业的云监控方法及装置。
本申请提供一种云监控系统，其特征在于，包括：
所述云系统，用于获取业务第一流量数据，向所述云监控中心提供所述业务第一流量数据；
所述云监控中心，用于获取所述云系统提供的所述业务第一流量数据，从所述业务第一流量数据中提取业务高峰时间的业务高峰流量数据和/或业务优惠时间的业务优惠流量数据，根据所述业务高峰流量数据和/或业务优惠流量数据建立用于预测流量数据特征的数据预测模型，利用所述数据预测模型对从云系统获得的业务第二流量数据进行处理，得到业务第二流量数据特征，根据所述业务第二流量数据特征，获得针对所述业务第二流量数据的监控结果。
可选的，所述云监控中心具体用于，从所述业务第一流量数据中查找时间特征符合预设的业务高峰时间的业务流量数据，将所述时间特征符合预设的业务高峰时间的业务流量数据作为业务高峰流量数据。
可选的，所述云监控中心具体用于，获得业务历史流量数据的记录信息，根据所述业务历史流量数据的记录信息，确定业务历史流量数据超过预设的业务流量数据阈值的时间，将所述业务历史流量数据超过预设的业务流量数据阈值的时间作为业务高峰时间。
可选的，所述业务历史流量数据为业务历史支付数据，所述业务流量数据阈值为业务支付数据阈值。
可选的，所述云监控中心具体用于，从所述业务第一流量数据中查找时间特征符合预设的业务优惠时间的业务流量数据，将所述时间特征符合预设的业务优惠时间的业务流量数据作为业务优惠流量数据。
可选的，所述云监控中心具体用于，获取商家预设的业务优惠时间，将所述时间特征符合所述商家预设的业务优惠时间的业务流量数据作为业务优惠流量数据。
可选的，所述云监控中心具体用于，从所述业务第一流量数据中过滤掉非业务高峰时间的非业务高峰流量数据和/或非业务优惠时间的非业务优惠流量数据，将所述业务第一流量数据中剩余的业务流量数据作为业务高峰时间的业务高峰流量数据和/或业务优惠时间的业务优惠流量数据。
可选的，所述云系统具体用于，通过API获取客户端第一流量数据，向所述云监控中心提供所述客户端第一流量数据；
所述云监控中心具体用于，获取所述云系统提供的所述客户端第一流量数据，从所述客户端第一流量数据中提取业务高峰时间的客户端第一流量数据和/或业务优惠时间的客户端第一流量数据，根据所述客户端第一流量数据建立用于预测流量数据特征的数据预测模型，利用所述数据预测模型对从云系统获得的客户端第二流量数据进行处理，得到客户端第二流量数据特征，根据所述客户端第二流量数据特征，获得针对所述客户端第二流量数据的监控结果。
可选的，所述云系统具体用于，通过采用http的通信方式获取服务商端的流量数据，向所述云监控中心提供所述服务商端的流量数据；
所述云监控中心具体用于，获取所述云系统提供的所述服务商端的流量数据，从所述服务商端的流量数据中提取业务高峰时间的服务商端的流量数据和/或业务优惠时间的服务商端的流量数据，根据所述服务商端的流量数据建立用于预测流量数据特征的数据预测模型，利用所述数据预测模型对从云系统获得的客户端第二流量数据进行处理，得到客户端第二流量数据特征，根据所述客户端第二流量数据特征，获得针对所述客户端第二流量数据的监控结果。
可选的，所述云系统还用于，根据业务系统授予的日志权限，获得所述业务系统的业务日志信息，对所述业务系统的业务日志信息进行分析，获取所述业务系统运行的业务流量数据，将所述业务系统运行的业务流量数据发给所述云监控中心；
所述云监控中心还用于，获取所述云系统提供的所述业务系统运行的业务流量数据，根据所述业务流量数据建立用于预测流量数据特征的数据预测模型，利用所述数据预测模型对从云系统获得的业务第二流量数据进行处理，得到业务第二流量数据特征，根据所述业务第二流量数据特征，获得针对所述业务第二流量数据的监控结果。
可选的，所述云系统具体用于，根据业务系统授予的日志权限，获得业务系统的业务第一流量数据的高峰日志信息，对所述业务系统的业务第一流量数据的高峰日志信息进行分析，获取业务高峰流量数据，将业务高峰流量数据发给所述云监控中心；
所述云监控中心还用于，获取所述云系统提供的所述业务高峰流量数据，根据所述业务高峰流量数据建立用于预测流量数据特征的数据预测模型，利用所述数据预测模型对从云系统获得的业务第二流量数据进行处理，得到业务第二流量数据特征，根据所述业务第二流量数据特征，获得针对所述业务第二流量数据的监控结果。
可选的，所述云系统具体用于，根据业务系统授予的日志权限，获得所述业务系统的业务第一流量数据的优惠日志信息，对所述业务系统的业务第一流量数据的优惠日志信息进行分析，获取业务优惠流量数据，将所述获取业务优惠流量数据，发给所述云监控中心。
所述云监控中心具体用于，获取所述云系统提供的所述获取业务优惠流量数据，根据所述业务优惠流量数据建立用于预测流量数据特征的数据预测模型，利用所述数据预测模型对从云系统获得的业务第二流量数据进行处理，得到业务第二流量数据特征，根据所述业务第二流量数据特征，获得针对所述业务第二流量数据的监控结果。
可选的，所述云监控中心具体用于，通过数据清洗操作对从所述业务第一流量数据中提取的流量高峰时间的业务高峰流量数据和/或业务优惠时间的业务优惠流量数据进行清洗，获得有效的流量数据，根据所述有效的流量数据提取流量数据特征，将具有相同特征的流量数据进行匹配形成特征集合，根据所述特征集合，建立用于预测流量数据特征的数据预测模型，利用所述数据预测模型，对云系统提供的业务第二流量数据进行预测，得到业务第二流量数据特征，根据所述业务第二流量数据特征，获得针对所述业务第二流量数据的监控结果。
可选的，所述云监控中心具体用于，在建立用于预测流量数据特征的数据预测模型之后，进一步将云系统提供的实际业务流量数据进行预测输入到所述数据预测模型中进行训练，获得训练后的数据预测模型，利用所述训练后的数据预测模型，对所述云系统提供的业务第二流量数据进行预测，得到业务第二流量数据特征，根据所述业务第二流量数据特征，获得针对所述业务第二流量数据的监控结果。
可选的，所述云监控中心具体用于，将所述云系统提供的业务第二流量数据进行预测输入到所述数据预测模型中进行预测，得到预测的业务第二流量数据特征，根据实际的业务第二流量数据特征与所述预测的数据第二流量数据特征进行比对，根据比对后的结果，对数据预测模型的参数进行调整，获得调整后的数据预测模型。
可选的，所述云监控中心具体用于，通过数据清洗操作对所述业务第一流量数据中提取的流量高峰时间的业务高峰流量数据和/或业务优惠时间的业务优惠流量数据进行清洗，获得有效的流量数据，通过稀疏矩阵存储所述有效的流量数据，获得扩充样本量后的有效流量数据，根据所述扩充样本量后的有效流量数据，提取流量数据特征并将具有相同特征的流量数据进行匹配形成特征集合。
可选的，其特征在于，所述云监控中心具体用于，通过数据清洗操作对所述业务第一流量数据中提取的流量高峰时间的业务高峰流量数据和/或业务优惠时间的业务优惠流量数据进行清洗，获得有效的流量数据，利用random tree随机森林经典算法提取流量数据特征，将具有相同特征的流量数据进行匹配形成特征集合。
可选的，所述流量数据特征包括以下至少一种信息：
在一段时间范围内的云系统的业务流量峰值信息；
在一段时间范围内的云系统的业务流量变化信息；
在一段时间范围内的云系统的业务总流量信息；
在一段时间范围内的云系统的单位时间的业务平均流量信息。
可选的，其特征在于，还包括:监控端，用于获取所述云监控中心提供的针对所述业务第二流量数据的监控结果，对所述针对所述业务第二流量数据的监控结果进行分析，输出报警信息。
可选的，所述云监控中心具体用于，从所述获得针对所述业务第二流量数据的监控结果中过滤掉非业务高峰时间和/或业务优惠时间的监控结果，将所述业务高峰时间和/或业务优惠时间内的监控结果发送至所述监控端；
所述监控端具体用于，获取所述云监控中心提供的所述业务高峰时间和/或业务优惠时间内的针对所述业务第二流量数据的监控结果，对所述业务高峰时间和/或业务优惠时间内的针对所述业务第二流量数据的监控结果进行分析，输出报警信息。
可选的，云系统和云监控中心；
所述云系统，用于获取餐饮业务第一流量数据，向所述云监控中心提供所述餐饮业务第一流量数据；
所述云监控中心，用于获取所述云系统提供的所述餐饮业务第一流量数据，从所述餐饮业务第一流量数据中提取顾客用餐高峰时间的餐饮业务高峰流量数据和/或顾客用餐优惠时间的餐饮业务优惠流量数据，根据所述餐饮业务高峰流量数据和/或餐饮业务优惠流量数据建立用于预测餐饮业务流量数据特征的数据预测模型，利用所述数据预测模型对从云系统获得的当前餐饮业务流量数据进行处理，得到当前餐饮业务流量数据特征，根据所述当前餐饮业务流量数据特征，获得针对所述当前餐饮业务流量数据的监控结果。
此外，本申请还提供一种云监控方法，包括：
获取云系统提供的业务第一流量数据；
从所述业务第一流量数据中提取业务高峰时间的业务高峰流量数据和/或业务优惠时间的业务优惠流量数据；
根据所述业务高峰流量数据和/或业务优惠流量数据，建立用于预测流量数据特征的数据预测模型；
利用所述数据预测模型对从云系统获得的业务第二流量数据进行处理，得到业务第二流量数据特征；
根据所述业务第二流量数据特征，获得针对所述业务第二流量数据的监控结果。
可选的，所述从所述业务第一流量数据中提取业务高峰时间的业务高峰流量数据，具体包括：
从所述业务第一流量数据中查找时间特征符合预设的业务高峰时间的业务流量数据，将所述时间特征符合预设的业务高峰时间的业务流量数据作为业务高峰流量数据。
可选的，获得所述业务高峰时间，具体包括：
获得业务历史流量数据的记录信息；
根据所述业务历史流量数据的记录信息，确定业务历史流量数据超过预设的业务流量数据阈值的时间；
将所述业务历史流量数据超过预设的业务流量数据阈值的时间作为业务高峰时间；
其中，所述业务历史流量数据为业务历史支付数据，所述业务流量数据阈值为业务支付数据阈值。
可选的，所述从所述业务第一流量数据中提取业务优惠时间的业务优惠流量数据，具体包括：
从所述业务第一流量数据中查找时间特征符合预设的业务优惠时间的业务流量数据，将所述时间特征符合预设的业务优惠时间的业务流量数据作为业务优惠流量数据。
可选的，所述从所述业务第一流量数据中提取业务优惠时间的业务优惠流量数据，具体包括：
获取商家预设的业务优惠时间；
将所述时间特征符合所述商家预设的业务优惠时间的业务流量数据作为业务优惠流量数据。
可选的，所述从所述业务第一流量数据中提取业务高峰时间的业务高峰流量数据和/或业务优惠时间的业务优惠流量数据，具体包括：
从所述业务第一流量数据中过滤掉非业务高峰时间的非业务高峰流量数据和/或非业务优惠时间的非业务优惠流量数据；
将所述业务第一流量数据中剩余的业务流量数据作为业务高峰时间的业务高峰流量数据和/或业务优惠时间的业务优惠流量数据。
可选的，所述云监控方法具体包括：
获取云系统提供的客户端第一流量数据；
从所述客户端第一流量数据中提取业务高峰时间的客户端第一流量数据和/或业务优惠时间的客户端第一流量数据；
根据所述客户端第一流量数据建立用于预测流量数据特征的数据预测模型；
利用所述数据预测模型对从云系统获得的客户端第二流量数据进行处理，得到客户端第二流量数据特征；
根据所述客户端第二流量数据特征，获得针对所述客户端第二流量数据的监控结果。
可选的，所述云监控方法具体包括：
获取云系统提供的服务商端的流量数据；
从所述服务商端的流量数据中提取业务高峰时间的服务商端的流量数据和/或业务优惠时间的服务商端的流量数据；
根据所述服务商端的流量数据建立用于预测流量数据特征的数据预测模型；
利用所述数据预测模型对从云系统获得的客户端第二流量数据进行处理，得到客户端第二流量数据特征；
根据所述客户端第二流量数据特征，获得针对所述客户端第二流量数据的监控结果。
可选的，所述云监控方法还包括：
获取云系统提供的业务系统运行的业务流量数据；
根据所述业务流量数据建立用于预测流量数据特征的数据预测模型；
利用所述数据预测模型对从云系统获得的业务第二流量数据进行处理，得到业务第二流量数据特征；
根据所述业务第二流量数据特征，获得针对所述业务第二流量数据的监控结果。
可选的，所述权利要求29所述的云监控方法，具体包括：
获取云系统提供的业务高峰流量数据；
根据所述业务高峰流量数据，建立用于预测流量数据特征的数据预测模型；
利用所述数据预测模型对从云系统获得的业务第二流量数据进行处理，得到业务第二流量数据特征；
根据所述业务第二流量数据特征，获得针对所述业务第二流量数据的监控结果。
可选的，所述权利要求29所述的云监控方法，具体包括：
获取云系统提供的获取业务优惠流量数据；
根据所述业务优惠流量数据，建立用于预测流量数据特征的数据预测模型；
利用所述数据预测模型对从云系统获得的业务第二流量数据进行处理，得到业务第二流量数据特征；
根据所述业务第二流量数据特征，获得针对所述业务第二流量数据的监控结果。
可选的，所述根据所述业务高峰流量数据和/或业务优惠流量数据建立用于预测流量数据特征的数据预测模型，具体包括：
通过数据清洗操作对从所述业务第一流量数据中提取的流量高峰时间的业务高峰流量数据和/或业务优惠时间的业务优惠流量数据进行清洗，获得有效的流量数据；
根据所述有效的流量数据提取流量数据特征，将具有相同特征的流量数据进行匹配形成特征集合；
根据所述特征集合，建立用于预测流量数据特征的数据预测模型；
可选的，所述利用所述数据预测模型对从云系统获得的业务第二流量数据进行处理，得到业务第二流量数据特征，具体包括：
在建立用于预测流量数据特征的数据预测模型之后，进一步将云系统提供的实际业务流量数据进行预测输入到所述数据预测模型中进行训练，获得训练后的数据预测模型；
利用所述训练后的数据预测模型，对所述云系统提供的业务第二流量数据进行预测，得到业务第二流量数据特征；
可选的，所述根据所述业务高峰流量数据和/或业务优惠流量数据，建立用于预测流量数据特征的数据预测模型，还包括：
将云系统提供的业务第二流量数据输入到所述数据预测模型中进行预测，得到预测的业务第二流量数据特征；
根据实际的业务第二流量数据特征与所述预测的数据第二流量数据特征进行比对，根据比对后的结果，对数据预测模型的参数进行调整，获得调整后的数据预测模型。
可选的，所述权利要求32所述的云监控方法，所述根据所述有效的流量数据提取流量数据特征，将具有相同特征的流量数据进行匹配形成特征集合，具体包括：
通过稀疏矩阵存储所述有效的流量数据，获得扩充样本量后的有效流量数据，根据所述扩充样本量后的有效流量数据，提取流量数据特征并将具有相同特征的流量数据进行匹配形成特征集合。
可选的，所述权利要求32所述的云监控方法，所述根据所述有效的流量数据提取流量数据特征，将具有相同特征的流量数据进行匹配形成特征集合，具体包括：
通过random tree随机森林经典算法提取流量数据特征，将具有相同特征的流量数据进行匹配形成特征集合。
可选的，所述流量数据特征包括以下至少一种信息：
在一段时间范围内的云系统的业务流量峰值信息；
在一段时间范围内的云系统的业务流量变化信息；
在一段时间范围内的云系统的业务总流量信息；
在一段时间范围内的云系统的单位时间的业务平均流量信息。
可选的，还包括：
获取所述云监控中心提供的针对所述业务第二流量数据的监控结果，对所述针对所述业务第二流量数据的监控结果进行分析，输出报警信息。
可选的，所述权利要求38所述的云监控方法，所述获取所述云监控中心提供的针对所述业务第二流量数据的监控结果，对所述针对所述业务第二流量数据的监控结果进行分析，输出报警信息，具体包括：
从所述获得针对所述业务第二流量数据的监控结果中过滤掉非业务高峰时间和/或业务优惠时间的监控结果，对所述业务高峰时间和/或业务优惠时间内的针对所述业务第二流量数据的监控结果进行分析，输出报警信息。
此外，本申请还提供一种应用于餐饮行业的云监控方法，包括：
获取云系统提供的餐饮业务第一流量数据；
从所述餐饮业务第一流量数据中提取顾客用餐高峰时间的餐饮业务高峰流量数据和/或顾客用餐优惠时间的餐饮业务优惠流量数据；
根据所述餐饮业务高峰流量数据和/或餐饮业务优惠流量数据建立用于预测餐饮业务流量数据特征的数据预测模型；
利用所述数据预测模型对从云系统获得的当前餐饮业务流量数据进行处理，得到当前餐饮业务流量数据特征；
根据所述当前餐饮业务流量数据特征，获得针对所述当前餐饮业务流量数据的监控结果。
相应的，本申请还提供一种云监控装置，包括：
获取数据单元，用于获取云系统提供的业务第一流量数据；
提取单元，用于从所述业务第一流量数据中提取业务高峰时间的业务高峰流量数据和/或业务优惠时间的业务优惠流量数据；
建模单元，用于根据所述业务高峰流量数据和/或业务优惠流量数据，建立用于预测流量数据特征的数据预测模型；
处理单元，用于利用所述数据预测模型对从云系统获得的业务第二流量数据进行处理，得到业务第二流量数据特征；
获取结果单元，用于根据所述业务第二流量数据特征，获得针对所述业务第二流量数据的监控结果。
相应的，本申请还提供一种应用于餐饮行业的云监控装置，其特征在于，包括：
获取数据单元，用于获取云系统提供的餐饮业务第一流量数据；
提取单元，用于从所述餐饮业务第一流量数据中提取顾客用餐高峰时间的餐饮业务高峰流量数据和/或顾客用餐优惠时间的餐饮业务优惠流量数据；
建模单元，用于根据所述餐饮业务高峰流量数据和/或餐饮业务优惠流量数据建立用于预测餐饮业务流量数据特征的数据预测模型；
处理单元，用于利用所述数据预测模型对从云系统获得的当前餐饮业务流量数据进行处理，得到当前餐饮业务流量数据特征；
获取结果单元，用于根据所述当前餐饮业务流量数据特征，获得针对所述当前餐饮业务流量数据的监控结果。
与现有技术相比，本申请具有以下优点:
本申请提供的一种云监控系统，具体而言，是一种基于行业云的云监控系统，通过云监控中心获取云系统提供的业务第一流量数据，从业务第一流量数据中提取业务高峰时间的业务高峰流量数据或业务优惠时间的业务优惠流量数据，根据所述业务高峰流量数据或业务优惠流量数据建立用于预测流量数据特征的数据预测模型，利用该数据预测模型对从云系统获得的业务第二流量数据进行处理，得到业务第二流量数据特征，根据业务第二流量数据特征，获得针对业务第二流量数据的监控结果。上述云监控系统能够根据餐饮行业的流量数据特点以及完整的流量数据样本，获得有效的流量数据，从而建立与餐饮行业高度契合的数据预测模型，通过上述数据预测模型对客户端的流量数据进行预测，获得针对餐饮行业特点的云监控结果，从而保证云监控数据的准确度以及避免误报。
附图说明
图1为本申请云监控系统的实施例的示意图；
图2为本申请云监控方法的实施例的流程图；
图3为本申请应用于餐饮行业的云监控方法的实施例的流程图；
图4为本申请云监控系统运行的具体流程图；
图5为本申请云监控系统应用于餐饮行业的实施例的完整架构图；
图6为本申请云监控装置的实施例的示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。除此之外，本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广。因此，本申请不受下面公开的具体实施例的限制。
如上所述，现有的云监控系统和方法中，更多的是一种通用的行业云监控体系，针对各个行业通用的指标进行云监控，无法保证针对各个行业的云监控结果的准确度以及避免误报。
鉴于此，本申请提供的一种云监控系统，其核心思想是：首先通过云监控中心来获取云系统提供的业务第一流量数据，从业务第一流量数据中提取业务高峰时间的业务高峰流量数据或业务优惠时间的业务优惠流量数据，根据上述业务高峰流量数据或业务优惠流量数据建立用于预测流量数据特征的数据预测模型，然后利用上述数据预测模型对从云系统获得的业务第二流量数据进行处理，得到业务第二流量数据特征，根据业务第二流量数据特征，获得针对所述业务第二流量数据的监控结果。本申请的上述系统能够根据餐饮行业的流量数据特点以及完整的流量数据样本，获得有效的流量数据，从而建立与餐饮行业高度契合的数据预测模型，通过上述数据预测模型对客户端的流量数据进行预测，获得针对餐饮行业特点的云监控结果，从而保证云监控结果的准确度以及避免误报。
下面基于本申请的云监控系统，对其实施例进行详细描述。此外，在下面的描述中，将分别针对云系统、云监控中心在本系统种所起的作用进行详细的说明。请参考图1和图4，其分别为本申请云监控系统的实施例的示意图和云监控系统运行的具体流程图。
本实施例中，一种云监控系统包括如下两个部分：
云系统101，用于获取业务第一流量数据，向所述云监控中心提供所述业务第一流量数据。
在本实施例中，若要通过云监控中心实现对行业云的整体流量数据进行有效的监控，需要先由云系统提供获取的业务系统的完整业务流量数据样本。云系统是指为各个行业提供云计算服务的行业云，各个行业将自己的业务系统部署到行业云上来，由行业云统一负责业务系统的运行，行业云与业务系统通过标准API进行数据交换，业务系统通过安装行业云提供的SDK调用API接口将客户端提供的业务流量数据上传至该行业云。需要说明的是，通常行业云平台通过API接口获得的业务流量数据样本是不完整的，完整的业务流量数据由客户端提供的流量数据和服务商端获取的线下流量数据两部分组成。而本步骤中的所述的业务第一流量数据即由客户端提供的当前一段时间的流量数据和服务商端获取的线下流量数据两部分组成的完整的业务流量数据。
在本实施例中，行业云若要获取业务系统的完整的业务流量数据样本，具体可以通过如下步骤实现：首先业务系统通过安装行业云提供的SDK调用API接口，将客户端提供的业务流量数据上传至该行业云。另外，一部分线下业务数据掌握在服务商端，为了获得完整的业务流量第一数据样本，需要服务商通过http接口的通信方式将掌握的业务数据回传给云系统。通过上述方式可以获得完整的业务数据。
云监控中心102，用于获取所述云系统提供的所述业务第一流量数据，从所述业务第一流量数据中提取业务高峰时间的业务高峰流量数据和/或业务优惠时间的业务优惠流量数据，根据所述业务高峰流量数据和/或业务优惠流量数据建立用于预测流量数据特征的数据预测模型，利用所述数据预测模型对从云系统获得的业务第二流量数据进行处理，得到业务第二流量数据特征，根据所述业务第二流量数据特征，获得针对所述业务第二流量数据的监控结果。
如上所述，云系统获取完整的业务流量数据后，向所述云监控中心提供完整的业务流量数据，由云监控中心从完整的业务数据中查找时间特征符合预设的业务高峰时间的业务流量数据，将时间特征符合预设的业务高峰时间的业务流量数据作为业务高峰流量数据。需要说明的是，业务高峰时间可以由以下方式确定，首先获取业务历史流量数据的记录信息，通过对所述业务历史流量数据的记录信息进行分析，确定业务历史流量数据超过预设的业务流量数据阈值的时间，将业务历史流量数据超过预设的业务流量数据阈值的时间作为业务高峰时间。需要补充说明的是，业务历史流量数据为业务历史支付数据，业务流量数据阈值为业务支付数据阈值，也就是说，将历史支付数据的支付高峰时间确定为业务高峰时间。
当然，云监控中心也可以从完整的业务数据中查找时间特征符合预设的业务优惠时间的业务流量数据，将时间特征符合预设的业务优惠时间的业务流量数据作为业务优惠流量数据。其中，业务优惠时间可以由商家直接预设业务优惠时间，将所述时间特征符合所述商家直接预设的业务优惠时间的业务流量数据作为业务优惠流量数据。
此外，云系统还可以根据业务系统授予的日志权限，获得业务系统的业务日志信息，对业务系统的业务日志信息进行分析，获取业务系统运行的业务流量数据记录信息，将业务系统运行的业务流量数据记录信息发送给云监控中心，云监控中心通过上述日志授权的方式获取完整的业务数据。具体而言，根据业务系统授予的日志权限，云系统可以直接获取业务系统的业务流量数据的高峰日志信息或优惠日志信息，对业务系统的业务流量数据的高峰日志信息或优惠日志信息进行分析，获取业务高峰流量数据或业务优惠流量数据，将业务高峰流量数据或业务优惠流量数据发给云监控中心。
如上所述，提取处于业务高峰时间的业务高峰流量数据或业务优惠时间的业务优惠流量数据之后，进一步的，需要对获取的业务高峰流量数据或业务优惠流量数据进行数据清洗，通过数据清洗操作主要是将非业务高峰时见的一些误操作产生的脏数据剔除掉，获得有效的流量数据。需要说明的是，由于业务高峰时间产生的脏数据是预测业务流量数据特征有效的数据，因此需要保留高峰时间的脏数据，仅仅剔除清洗掉非高峰时间的脏数据。通常意义上的脏数据主要是指系统中的数据不在给定范围内或对于实际业务毫无意义，或是数据格式非法，以及在系统中存在不规范的编码和含糊的业务逻辑的数据，具体到本实施例中主要是指在非业务高峰时间段由于用户误操作而产生的数据。
在获得有效的流量数据之后，需要采用random tree随机森林经典算法提取流量数据特征，并将具有相同特征的流量数据进行匹配形成特征集合，采用random tree随机森林经典算法提取流量数据特征能够保证其实时性较高。当然，根据有效的流量数据提取流量数据特征不限于采用random tree随机森林经典算法提取流量数据特征，也可以是其他特征提取算法，诸如PC主成分分析、SVM特征提取算法等。另外，本申请还提供一种优选的方式获取流量特征的方式，即，通过稀疏矩阵存储有效的流量数据，获得扩充样本量后的有效流量数据，根据扩充样本量后的有效流量数据，提取流量数据特征并将具有相同特征的流量数据进行匹配形成特征集合，该方式进一步保证了有效流量数据的可靠性，从而提高了提取流量数据特征的准确性。
进一步的，根据特征集合，建立用于预测流量数据特征的数据预测模型，在建立用于预测流量数据特征的数据预测模型之后，需要将云系统提供的实际业务流量数据进行预测输入到数据预测模型中进行训练，获得训练后的数据预测模型。
为了获得与餐饮行业高度契合的数据预测模型，我们需要更进一步的将云系统提供的实际业务流量数据输入到数据预测模型中进行预测，得到预测的实际业务流量数据特征，根据实际的业务流量数据特征与上述预测的实际业务流量数据特征进行比对，根据比对后的结果对数据预测模型的参数进行调整，获得调整后的数据预测模型。
利用所述调整后的数据预测模型，对云系统提供的当前业务第二流量数据进行分析和预测，从而获得当前业务第二流量数据特征，根据获得的当前业务第二流量数据特征，输出针对业务第二流量数据的实时监控结果。需要说明的是，本步骤中的业务第二流量数据为客户端提供的当前实际的流量数据。
综上所述，云监控中心获取完整的业务流量数据，具体而言是，获取云系统提供的所述客户端第一流量数据和所述服务商端的流量数据，从客户端第一流量数据和服务商端的流量数据中提取业务高峰时间的客户端第一流量数据或业务优惠时间的客户端第一流量数据，同时提取业务高峰时间的服务商端的流量数据或业务优惠时间的服务商端的流量数据，根据客户端第一流量数据和服务商端的流量数据建立用于预测流量数据特征的数据预测模型，利用数据预测模型对从云系统获得的客户端第二流量数据进行处理，得到客户端第二流量数据特征，根据客户端第二流量数据特征，输出针对业务第二流量数据的实时监控结果。需要说明的是，第一客户的流量数据是获取当前的前一段时间的客户端提供的流量数据，服务商端的流量数据是指当前的前一段时间的线下的流量数据，客户端第二流量数据是当前实际获取的客户端提供的流量数据。
在上述的具体实施例中，流量数据特征至少包括在一段时间范围内的云系统的业务流量峰值信息、业务流量变化信息、业务总流量信息、单位时间的业务平均流量信息中的一种信息。
另外，本申请提供的云监控系统还包括监控端，该监控端获取所述云监控中心提供的针对所述业务第二流量数据的监控结果，对所述针对所述业务第二流量数据的监控结果进行分析，输出报警信息。
需要说明的是，为了抑制不合理的报警，云监控中心可以从获得针对业务第二流量数据的监控结果中过滤掉非业务高峰时间或业务优惠时间的监控结果，仅仅将业务高峰时间或业务优惠时间内的监控结果发送至所述监控端；使得该监控端获取云监控中心提供的业务高峰时间或业务优惠时间内的针对业务第二流量数据的监控结果，并输出报警信息，从而避免了不合理时间段的报警。
本申请云监控系统优选地应用于餐饮行业云上系统，请参考图5，其为本申请云监控系统应用于餐饮行业的实施例的完整架构图。行业云平台通过全面开放标准API与餐饮行业系统建立对接，对接具体包括：餐饮行业系统集群以应用程序的形式连接行业云平台；餐饮行业系统授予行业云平台获取自身业务日志的权限；建立基于餐饮行业系统与行业云平台的云监控系统。云监控系统负责获取行业云提供的完整的业务流量数据，进行定制化处理。定制化处理具体包括：首先对完整的餐饮业务流量数据进行分析，提取餐饮业务流量高峰时间段的餐饮业务高峰流量数据，并进行流量数据清洗获得有效的流量数据，通过数据特征提取算法获取有效流量数据的数据特征并进行匹配形成特征集合，从而建立数据模型。通过数据模型对行业云提供的当前实际的流量数据进行分析预测，获得监控结果并发送至监控端。监控端根据接收的监控结果发出或抑制报警信息。
需要说明的是，通常情况下，餐饮行业相关流量数据具有实时性高、流量数据集中、峰值较短的特点。因此，云监控中心有针对性的对业务高峰时间的业务高峰流量数据和/或业务优惠时间的业务优惠流量数据进行清洗。并且针对餐饮数据本身实时性较高的特点，采用random tree随机森林经典方法进行特征提取，从而保证其实时性较高。
综上，本申请提出一种基于行业云的云监控系统。具体而言是通过云监控中心获取云系统提供的业务第一流量数据，从业务第一流量数据中提取业务高峰时间的业务高峰流量数据或业务优惠时间的业务优惠流量数据，根据所述业务高峰流量数据或业务优惠流量数据建立用于预测流量数据特征的数据预测模型，利用数据预测模型对从云系统获得的业务第二流量数据进行处理，得到业务第二流量数据特征，根据所述业务第二流量数据特征，获得针对所述业务第二流量数据的监控结果。上述云监控系统能够根据餐饮行业的流量数据特点以及完整的流量数据样本，获得有效的流量数据，从而建立与餐饮行业高度契合的数据预测模型，通过上述数据预测模型对客户端的流量数据进行预测，获得针对餐饮行业特点的云监控结果，从而保证针对餐饮行业特点的云监控数据的准确度以及避免误报。需要说明的是，本申请的云监控系统并不限于餐饮行业，还可以用于交通、丽人等行业。
与上述的云监控系统相对应，本申请还提供一种云监控方法，该方法可以应用于上述云监控系统，请参见图2，其为本申请云监控方法的实施例的流程图。由于本方法实施例相似于系统实施例，所以描述的比较简单，相关之处请参见系统实施例部分说明即可，下面描述方法实施例仅是示意性的。
本申请提供一种云监控方法，包括如下步骤：
步骤S201：获取云系统提供的业务第一流量数据。
在本实施例中，具体步骤由云监控中心执行，若要通过云监控中心实现对行业云的整体流量数据进行有效的监控，需要先由该云系统提供获取的业务系统的完整的业务流量数据样本。完整的业务流量数据即为本步骤中提到的业务第一流量数据。需要说明的是，业务第一流量数据由客户端的流量数据和服务商端获取的线下流量数据两部分组合而成。
步骤S202：从所述业务第一流量数据中提取业务高峰时间的业务高峰流量数据和/或业务优惠时间的业务优惠流量数据。
由云监控中心从完整的业务第一流量数据中查找时间特征符合预设的业务高峰时间的业务流量数据，将时间特征符合预设的业务高峰时间的业务流量数据作为业务高峰流量数据。需要说明的是，业务高峰时间可以由以下方式确定，首先获取业务历史流量数据的记录信息，通过对业务历史流量数据的记录信息进行分析，确定业务历史流量数据超过预设的业务流量数据阈值的时间，将业务历史流量数据超过预设的业务流量数据阈值的时间作为业务高峰时间。需要补充说明的是，业务历史流量数据为业务历史支付数据，业务流量数据阈值为业务支付数据阈值，也就是说，将历史支付数据的支付高峰时间确定为业务高峰时间。
当然，云监控中心也可以从完整的业务数据中查找时间特征符合预设的业务优惠时间的业务流量数据，将时间特征符合预设的业务优惠时间的业务流量数据作为业务优惠流量数据。其中，业务优惠时间可以由商家直接预设业务优惠时间，将所述时间特征符合所述商家直接预设的业务优惠时间的业务流量数据作为业务优惠流量数据。
此外，云系统还可以根据业务系统授予的日志权限，获得业务系统的业务日志信息，对业务系统的业务日志信息进行分析，获取业务系统运行的业务流量数据记录信息，将业务系统运行的业务流量数据记录信息发送给所述云监控中心，云监控中心通过上述日志授权的方式获取完整的业务数据。具体而言，根据业务系统授予的日志权限，云系统可以直接获取业务系统的业务流量数据的高峰日志信息或优惠日志信息，对业务系统的业务流量数据的高峰日志信息或优惠日志信息进行分析，获取业务高峰流量数据或业务优惠流量数据，将业务高峰流量数据或业务优惠流量数据发给云监控中心。
步骤S203：根据所述业务高峰流量数据和/或业务优惠流量数据，建立用于预测流量数据特征的数据预测模型。
如上所述，本实施例中，云监控中心提取处于业务高峰时间的业务高峰流量数据或业务优惠时间的业务优惠流量数据之后，进一步的，需要对获取的所述业务高峰流量数据或业务优惠流量数据进行数据清洗，通过数据清洗操作主要是将非业务高峰时间的一些误操作产生的脏数据剔除掉，获得有效的流量数据。需要说明的是，由于业务高峰时间产生的脏数据是预测业务流量数据特征有效的数据，因此需要保留高峰时间的脏数据，仅仅剔除清洗掉非高峰时间的脏数据。
通常意义上的脏数据主要是指系统中的数据不在给定范围内或对于实际业务毫无意义，或是数据格式非法，以及在系统中存在不规范的编码和含糊的业务逻辑的数据，具体到本实施例中主要是指在非业务高峰时间段由于用户误操作而产生的数据。
在获得有效的流量数据之后，需要采用random tree随机森林经典算法提取流量数据特征，并将具有相同特征的流量数据进行匹配形成特征集合。其中，采用random tree随机森林经典算法提取流量数据特征，能够保证实时性较高。当然，根据有效的流量数据提取流量数据特征不限于采用random tree随机森林经典算法提取流量数据特征，也可以是其他特征提取算法，诸如PC主成分分析、SVM特征提取算法等。
另外，本申请还提供一种优选的方式获取流量特征的方式，即，通过稀疏矩阵存储有效的流量数据，获得扩充样本量后的有效流量数据，根据扩充样本量后的有效流量数据，提取流量数据特征并将具有相同特征的流量数据进行匹配形成特征集合，该方式进一步保证了有效流量数据的可靠性，从而提高了提取流量数据特征的准确性。
进一步的，根据特征集合，建立用于预测流量数据特征的数据预测模型，在建立用于预测流量数据特征的数据预测模型之后，需要将云系统提供的实际业务流量数据进行预测输入到数据预测模型中进行训练，获得训练后的数据预测模型。
为了获得与行业高度契合的数据预测模型，我们需要更进一步的将所述云系统提供的实际业务流量数据输入到数据预测模型中进行预测，得到预测的实际业务流量数据特征，根据实际的业务流量数据特征与上述预测的实际业务流量数据特征进行比对，根据比对后的结果对数据预测模型的参数进行调整，获得调整后的数据预测模型。
步骤S204：利用所述数据预测模型对从云系统获得的业务第二流量数据进行处理，得到业务第二流量数据特征。
在本实施例中，云监控中心利用调整后的数据预测模型，对云系统提供的当前业务第二流量数据进行分析和预测，从而获得当前业务第二流量数据特征，根据获得的当前业务第二流量数据特征，输出针对业务第二流量数据的实时监控结果。需要说明的是，本步骤中的所述业务第二流量数据为客户端提供的当前实际的流量数据。
综上所述，云监控中心获取完整的业务流量数据，具体而言是，获取所述云系统提供的客户端第一流量数据和服务商端的流量数据，从客户端第一流量数据和服务商端的流量数据中提取业务高峰时间的客户端第一流量数据或业务优惠时间的客户端第一流量数据，同时提取业务高峰时间的服务商端的流量数据或业务优惠时间的服务商端的流量数据，根据客户端第一流量数据和服务商端的流量数据建立用于预测流量数据特征的数据预测模型，利用数据预测模型对从云系统获得的客户端第二流量数据进行处理，得到客户端第二流量数据特征。需要说明的是，第一客户的流量数据是获取当前的前一段时间的客户端提供的流量数据，服务商端的流量数据是指当前的前一段时间的线下的流量数据，客户端第二流量数据是当前实际获取的客户端提供的流量数据。
在上述的具体实施例中，所述流量数据特征至少包括在一段时间范围内的云系统的业务流量峰值信息、业务流量变化信息、业务总流量信息、单位时间的业务平均流量信息中的一种信息。
步骤S205：根据所述业务第二流量数据特征，获得针对所述业务第二流量数据的监控结果。
在本实施例中，通过对当前实际获取的客户端提供的流量数据特征的准确预测可以针对具体行业特点数据准确的监控结果，从而输出准确的报警信息、有效的规避误报。
另外，本申请提供的云监控方法还包括监控端获取所述云监控中心提供的针对所述业务第二流量数据的监控结果，对所述针对所述业务第二流量数据的监控结果进行分析，输出报警信息。
需要说明的是，为了抑制不合理的报警，云监控中心可以从所述获得针对所述业务第二流量数据的监控结果中过滤掉非业务高峰时间和/或业务优惠时间的监控结果，仅仅将所述业务高峰时间和/或业务优惠时间内的监控结果发送至所述监控端；使得该监控端获取所述云监控中心提供的所述业务高峰时间和/或业务优惠时间内的针对所述业务第二流量数据的监控结果，并输出报警信息，从而避免了不合理时间段的报警。
本申请云监控方法优选地应用于餐饮行业的云监控系统，通常情况下，餐饮行业相关流量数据具有实时性高、流量数据集中、峰值较短的特点。因此，云监控中心有针对性的对业务高峰时间的业务高峰流量数据或业务优惠时间的业务优惠流量数据进行清洗。并且针对餐饮数据本身实时性较高的特点，采用random tree随机森林经典方法进行特征提取，从而保证其实时性较高。
与上述的云监控系统相对应，本申请还提供一种应用于餐饮行业的云监控方法，该方法可以应用于上述云监控系统，请参见图3，其为本申请应用于餐饮行业的云监控方法的实施例的流程图。由于本方法实施例相似于系统实施例，所以描述的比较简单，相关之处请参见系统实施例部分说明即可，下面描述方法实施例仅是示意性的。
本申请提供一种应用于餐饮行业的云监控方法，包括如下步骤：
步骤S301：获取云系统提供的餐饮业务第一流量数据。
在本实施例中，若要通过云监控中心实现对行业云的整体流量数据进行有效的监控，需要先由该云系统提供获取的餐饮业务系统的完整的餐饮业务流量数据样本。完整的餐饮业务流量数据即为本步骤中提到的餐饮业务第一流量数据。需要说明的是，餐饮业务第一流量数据由就餐用户所使用的客户端提供的餐饮流量数据和餐饮服务商端获取的线下餐饮流量数据两部分组合而成。
步骤S302：从所述餐饮业务第一流量数据中提取顾客用餐高峰时间的餐饮业务高峰流量数据和/或顾客用餐优惠时间的餐饮业务优惠流量数据。
由云监控中心从所述完整的餐饮业务第一流量数据中查找时间特征符合预设的餐饮业务高峰时间的餐饮业务流量数据，将所述时间特征符合预设的餐饮业务高峰时间的餐饮业务流量数据作为餐饮业务高峰流量数据。云监控中心也可以从所述完整的餐饮业务数据中查找时间特征符合预设的餐饮业务优惠时间的餐饮业务流量数据，将所述时间特征符合预设的餐饮业务优惠时间的业务流量数据作为餐饮业务优惠流量数据。其中，业务优惠时间可以由商家直接预设餐饮业务优惠时间，将所述时间特征符合所述商家直接预设的餐饮业务优惠时间的餐饮业务流量数据作为餐饮业务优惠流量数据。
此外，所述云系统还可以根据业务系统授予的日志权限，获得所述餐饮业务高峰流量数据和/或餐饮业务优惠流量数据，与上述云监控方法类似，在此不再赘述。
步骤S303：根据所述餐饮业务高峰流量数据和/或餐饮业务优惠流量数据建立用于预测餐饮业务流量数据特征的数据预测模型。
如上所述，本实施例中，云监控中心提取处于餐饮业务高峰时间的餐饮业务高峰流量数据或餐饮业务优惠时间的餐饮业务优惠流量数据之后，进一步的，需要对获取的所述餐饮业务高峰流量数据或餐饮业务优惠流量数据进行数据清洗，通过数据清洗操作主要是将非餐饮业务高峰时间的一些用户误操作产生的脏数据剔除掉，获得有效的餐饮流量数据。
在获得有效的餐饮流量数据之后，需要采用random tree随机森林经典算法提取餐饮流量数据特征，并将具有相同特征的餐饮流量数据进行匹配形成特征集合。其中，采用random tree随机森林经典算法提取餐饮流量数据特征，能够保证其实时性较高。
另外，本申请还提供一种优选的方式获取流量特征的方式，即，通过稀疏矩阵存储所述有效的流量数据，获得扩充样本量后的有效流量数据，根据所述扩充样本量后的有效流量数据，提取流量数据特征并将具有相同特征的流量数据进行匹配形成特征集合，该方式进一步保证了有效流量数据的可靠性，从而提高了提取流量数据特征的准确性。
进一步的，根据所述餐饮特征集合，建立用于预测餐饮流量数据特征的餐饮数据预测模型，在建立用于预测餐饮流量数据特征的餐饮数据预测模型之后，需要将云系统提供的实际餐饮业务流量数据进行预测输入到所述餐饮数据预测模型中进行训练，获得训练后的餐饮数据预测模型。
为了获得与餐饮行业高度契合的数据预测模型，我们需要更进一步的将云系统提供的实际餐饮业务流量数据输入到餐饮数据预测模型中进行预测，得到预测的实际餐饮业务流量数据特征，根据实际的餐饮业务流量数据特征与上述预测的实际餐饮业务流量数据特征进行比对，根据比对后的结果对餐饮数据预测模型的参数进行调整，获得调整后的餐饮数据预测模型。
步骤S304：利用所述数据预测模型对从云系统获得的当前餐饮业务流量数据进行处理，得到当前餐饮业务流量数据特征。
在本实施例中，云监控中心利用调整后的餐饮数据预测模型，对系统提供的当前餐饮业务第二流量数据进行分析和预测，从而获得当前餐饮业务第二流量数据特征，根据获得的当前餐饮业务第二流量数据特征，输出针对餐饮业务第二流量数据的实时监控结果。具体过程与上述云监控方法类似，在此不再赘述。
步骤S305：根据所述当前餐饮业务流量数据特征，获得针对所述当前餐饮业务流量数据的监控结果。
与上述的一种云监控方法相对应，本申请还提供一种云监控装置，请参见图6，其为本申请云监控装置的实施例的示意图。由于本装置实施例相似于上述云监控方法实施例，所以描述的比较简单，相关之处请参见一种云监控方法实施例部分说明即可，下面描述装置实施例仅是示意性的。
在本实施例中，一种云监控装置包括如下部分：
获取数据单元601，用于获取云系统提供的业务第一流量数据。
在本实施例中，若要实现对行业云的整体流量数据进行有效的监控，需要先由获取数据单元601提供获取的业务系统的完整的业务流量数据样本。完整的业务流量数据即为本步骤中提到的业务第一流量数据。需要说明的是，业务第一流量数据由客户端的流量数据和服务商端获取的线下流量数据两部分组合而成。
提取单元602，用于从所述业务第一流量数据中提取业务高峰时间的业务高峰流量数据和/或业务优惠时间的业务优惠流量数据。
在本实施例中，提取单元602从完整的业务第一流量数据中查找时间特征符合预设的业务高峰时间的业务流量数据，将时间特征符合预设的业务高峰时间的业务流量数据作为业务高峰流量数据。需要说明的是，业务高峰时间可以由以下方式确定，首先获取业务历史流量数据的记录信息，通过对业务历史流量数据的记录信息进行分析，确定业务历史流量数据超过预设的业务流量数据阈值的时间，将业务历史流量数据超过预设的业务流量数据阈值的时间作为业务高峰时间。需要补充说明的是，业务历史流量数据为业务历史支付数据，业务流量数据阈值为业务支付数据阈值，也就是说，将历史支付数据的支付高峰时间确定为业务高峰时间。
建模单元603，用于根据所述业务高峰流量数据和/或业务优惠流量数据，建立用于预测流量数据特征的数据预测模型。
本实施例中，云监控中心提取处于业务高峰时间的业务高峰流量数据或业务优惠时间的业务优惠流量数据之后，进一步的，需要对获取的所述业务高峰流量数据或业务优惠流量数据进行数据清洗，通过数据清洗操作主要是将非业务高峰时间的一些误操作产生的脏数据剔除掉，获得有效的流量数据。建模单元603通过有效的流量数据建立用于预测流量数据特征的数据预测模型。
处理单元604，用于利用所述数据预测模型对从云系统获得的业务第二流量数据进行处理，得到业务第二流量数据特征。
获取结果单元605，用于根据所述业务第二流量数据特征，获得针对所述业务第二流量数据的监控结果。
在本实施例中，获取结果单元605通过对当前实际获取的客户端提供的流量数据特征的准确预测，可以获得针对具体行业业务流量数据的准确监控结果，从而输出准确的报警信息、有效的规避误报。
本申请虽然以较佳实施例公开如上，但其并不是用来限定本申请，任何本领域技术人员在不脱离本申请的精神和范围内，都可以做出可能的变动和修改，因此本申请的保护范围应当以本申请权利要求所界定的范围为准。

Claims (43)

1.一种云监控系统，其特征在于，包括：云系统和云监控中心；
所述云系统，用于获取业务第一流量数据，向所述云监控中心提供所述业务第一流量数据；
所述云监控中心，用于获取所述云系统提供的所述业务第一流量数据，从所述业务第一流量数据中提取业务高峰时间的业务高峰流量数据和业务优惠时间的业务优惠流量数据，根据所述业务高峰流量数据和业务优惠流量数据建立用于预测流量数据特征的数据预测模型，利用所述数据预测模型对从云系统获得的业务第二流量数据进行处理，得到业务第二流量数据特征，根据所述业务第二流量数据特征，获得针对所述业务第二流量数据的监控结果。
2.根据权利要求1所述的云监控系统，其特征在于，所述云监控中心具体用于，从所述业务第一流量数据中查找时间特征符合预设的业务高峰时间的业务流量数据，将所述时间特征符合预设的业务高峰时间的业务流量数据作为业务高峰流量数据。
3.根据权利要求1所述的云监控系统，其特征在于，所述云监控中心具体用于，获得业务历史流量数据的记录信息，根据所述业务历史流量数据的记录信息，确定业务历史流量数据超过预设的业务流量数据阈值的时间，将所述业务历史流量数据超过预设的业务流量数据阈值的时间作为业务高峰时间。
4.根据权利要求3所述的云监控系统，其特征在于，所述业务历史流量数据为业务历史支付数据，所述业务流量数据阈值为业务支付数据阈值。
5.根据权利要求1所述的云监控系统，其特征在于，所述云监控中心具体用于，从所述业务第一流量数据中查找时间特征符合预设的业务优惠时间的业务流量数据，将所述时间特征符合预设的业务优惠时间的业务流量数据作为业务优惠流量数据。
6.根据权利要求1所述的云监控系统，其特征在于，所述云监控中心具体用于，获取商家预设的业务优惠时间，将时间特征符合所述商家预设的业务优惠时间的业务流量数据作为业务优惠流量数据。
7.根据权利要求1所述的云监控系统，其特征在于，所述云监控中心具体用于，从所述业务第一流量数据中过滤掉非业务高峰时间的非业务高峰流量数据和/或非业务优惠时间的非业务优惠流量数据，将所述业务第一流量数据中剩余的业务流量数据作为业务高峰时间的业务高峰流量数据和/或业务优惠时间的业务优惠流量数据。
8.根据权利要求1所述的云监控系统，其特征在于，所述云系统具体用于，通过API获取客户端第一流量数据，向所述云监控中心提供所述客户端第一流量数据；
所述云监控中心具体用于，获取所述云系统提供的所述客户端第一流量数据，从所述客户端第一流量数据中提取业务高峰时间的客户端第一流量数据和/或业务优惠时间的客户端第一流量数据，根据所述客户端第一流量数据建立用于预测流量数据特征的数据预测模型，利用所述数据预测模型对从云系统获得的客户端第二流量数据进行处理，得到客户端第二流量数据特征，根据所述客户端第二流量数据特征，获得针对所述客户端第二流量数据的监控结果。
9.根据权利要求1所述的云监控系统，其特征在于，所述云系统具体用于，通过采用http的通信方式获取服务商端的流量数据，向所述云监控中心提供所述服务商端的流量数据；
所述云监控中心具体用于，获取所述云系统提供的所述服务商端的流量数据，从所述服务商端的流量数据中提取业务高峰时间的服务商端的流量数据和/或业务优惠时间的服务商端的流量数据，根据所述服务商端的流量数据建立用于预测流量数据特征的数据预测模型，利用所述数据预测模型对从云系统获得的客户端第二流量数据进行处理，得到客户端第二流量数据特征，根据所述客户端第二流量数据特征，获得针对所述客户端第二流量数据的监控结果。
10.根据权利要求1所述的云监控系统，其特征在于，所述云系统还用于，根据业务系统授予的日志权限，获得所述业务系统的业务日志信息，对所述业务系统的业务日志信息进行分析，获取所述业务系统运行的业务流量数据，将所述业务系统运行的业务流量数据发给所述云监控中心；
所述云监控中心还用于，获取所述云系统提供的所述业务系统运行的业务流量数据，根据所述业务流量数据建立用于预测流量数据特征的数据预测模型，利用所述数据预测模型对从云系统获得的业务第二流量数据进行处理，得到业务第二流量数据特征，根据所述业务第二流量数据特征，获得针对所述业务第二流量数据的监控结果。
11.根据权利要求10所述的云监控系统，其特征在于，所述云系统具体用于，根据业务系统授予的日志权限，获得业务系统的业务第一流量数据的高峰日志信息，对所述业务系统的业务第一流量数据的高峰日志信息进行分析，获取业务高峰流量数据，将业务高峰流量数据发给所述云监控中心；
所述云监控中心还用于，获取所述云系统提供的所述业务高峰流量数据，根据所述业务高峰流量数据建立用于预测流量数据特征的数据预测模型，利用所述数据预测模型对从云系统获得的业务第二流量数据进行处理，得到业务第二流量数据特征，根据所述业务第二流量数据特征，获得针对所述业务第二流量数据的监控结果。
12.根据权利要求10所述的云监控系统，其特征在于，所述云系统具体用于，根据业务系统授予的日志权限，获得所述业务系统的业务第一流量数据的优惠日志信息，对所述业务系统的业务第一流量数据的优惠日志信息进行分析，获取业务优惠流量数据，将所述获取业务优惠流量数据，发给所述云监控中心；
所述云监控中心具体用于，获取所述云系统提供的所述获取业务优惠流量数据，根据所述业务优惠流量数据建立用于预测流量数据特征的数据预测模型，利用所述数据预测模型对从云系统获得的业务第二流量数据进行处理，得到业务第二流量数据特征，根据所述业务第二流量数据特征，获得针对所述业务第二流量数据的监控结果。
13.根据权利要求1所述的云监控系统，其特征在于，所述云监控中心具体用于，通过数据清洗操作对从所述业务第一流量数据中提取的流量高峰时间的业务高峰流量数据和/或业务优惠时间的业务优惠流量数据进行清洗，获得有效的流量数据，根据所述有效的流量数据提取流量数据特征，将具有相同特征的流量数据进行匹配形成特征集合，根据所述特征集合，建立用于预测流量数据特征的数据预测模型，利用所述数据预测模型，对云系统提供的业务第二流量数据进行预测，得到业务第二流量数据特征，根据所述业务第二流量数据特征，获得针对所述业务第二流量数据的监控结果。
14.根据权利要求1所述的云监控系统，其特征在于，所述云监控中心具体用于，在建立用于预测流量数据特征的数据预测模型之后，进一步将云系统提供的实际业务流量数据进行预测输入到所述数据预测模型中进行训练，获得训练后的数据预测模型，利用所述训练后的数据预测模型，对所述云系统提供的业务第二流量数据进行预测，得到业务第二流量数据特征，根据所述业务第二流量数据特征，获得针对所述业务第二流量数据的监控结果。
15.根据权利要求1所述的云监控系统，其特征在于，所述云监控中心具体用于，将所述云系统提供的业务第二流量数据进行预测输入到所述数据预测模型中进行预测，得到预测的业务第二流量数据特征，根据实际的业务第二流量数据特征与所述预测的数据第二流量数据特征进行比对，根据比对后的结果，对数据预测模型的参数进行调整，获得调整后的数据预测模型。
16.根据权利要求13所述的云监控系统，其特征在于，所述云监控中心具体用于，通过数据清洗操作对所述业务第一流量数据中提取的流量高峰时间的业务高峰流量数据和/或业务优惠时间的业务优惠流量数据进行清洗，获得有效的流量数据，通过稀疏矩阵存储所述有效的流量数据，获得扩充样本量后的有效流量数据，根据所述扩充样本量后的有效流量数据，提取流量数据特征并将具有相同特征的流量数据进行匹配形成特征集合。
17.根据权利要求13所述的云监控系统，其特征在于，所述云监控中心具体用于，通过数据清洗操作对所述业务第一流量数据中提取的流量高峰时间的业务高峰流量数据和/或业务优惠时间的业务优惠流量数据进行清洗，获得有效的流量数据，利用random tree随机森林经典算法提取流量数据特征，将具有相同特征的流量数据进行匹配形成特征集合。
18.根据权利要求1所述的云监控系统，其特征在于，所述流量数据特征包括以下至少一种信息：
在一段时间范围内的云系统的业务流量峰值信息；
在一段时间范围内的云系统的业务流量变化信息；
在一段时间范围内的云系统的业务总流量信息；
在一段时间范围内的云系统的单位时间的业务平均流量信息。
19.根据权利要求1所述的云监控系统，其特征在于，还包括:监控端，用于获取所述云监控中心提供的针对所述业务第二流量数据的监控结果，对所述针对所述业务第二流量数据的监控结果进行分析，输出报警信息。
20.根据权利要求19所述的云监控系统，其特征在于，所述云监控中心具体用于，从所述获得针对所述业务第二流量数据的监控结果中过滤掉非业务高峰时间和/或业务优惠时间的监控结果，将所述业务高峰时间和/或业务优惠时间内的监控结果发送至所述监控端；
所述监控端具体用于，获取所述云监控中心提供的所述业务高峰时间和/或业务优惠时间内的针对所述业务第二流量数据的监控结果，对所述业务高峰时间和/或业务优惠时间内的针对所述业务第二流量数据的监控结果进行分析，输出报警信息。
21.一种应用于餐饮行业的云监控系统，其特征在于，云系统和云监控中心；
所述云系统，用于获取餐饮业务第一流量数据，向所述云监控中心提供所述餐饮业务第一流量数据；
所述云监控中心，用于获取所述云系统提供的所述餐饮业务第一流量数据，从所述餐饮业务第一流量数据中提取顾客用餐高峰时间的餐饮业务高峰流量数据和顾客用餐优惠时间的餐饮业务优惠流量数据，根据所述餐饮业务高峰流量数据和餐饮业务优惠流量数据建立用于预测餐饮业务流量数据特征的数据预测模型，利用所述数据预测模型对从云系统获得的当前餐饮业务流量数据进行处理，得到当前餐饮业务流量数据特征，根据所述当前餐饮业务流量数据特征，获得针对所述当前餐饮业务流量数据的监控结果。
22.一种云监控方法，其特征在于，包括：
获取云系统提供的业务第一流量数据；
从所述业务第一流量数据中提取业务高峰时间的业务高峰流量数据和业务优惠时间的业务优惠流量数据；
根据所述业务高峰流量数据和业务优惠流量数据，建立用于预测流量数据特征的数据预测模型；
利用所述数据预测模型对从云系统获得的业务第二流量数据进行处理，得到业务第二流量数据特征；
根据所述业务第二流量数据特征，获得针对所述业务第二流量数据的监控结果。
23.根据权利要求22所述的云监控方法，其特征在于，所述从所述业务第一流量数据中提取业务高峰时间的业务高峰流量数据，具体包括：
从所述业务第一流量数据中查找时间特征符合预设的业务高峰时间的业务流量数据，将所述时间特征符合预设的业务高峰时间的业务流量数据作为业务高峰流量数据。
24.根据权利要求22所述的云监控方法，其特征在于，获得所述业务高峰时间，具体包括：
获得业务历史流量数据的记录信息；
根据所述业务历史流量数据的记录信息，确定业务历史流量数据超过预设的业务流量数据阈值的时间；
将所述业务历史流量数据超过预设的业务流量数据阈值的时间作为业务高峰时间；
其中，所述业务历史流量数据为业务历史支付数据，所述业务流量数据阈值为业务支付数据阈值。
25.根据权利要求22所述的云监控方法，其特征在于，所述从所述业务第一流量数据中提取业务优惠时间的业务优惠流量数据，具体包括：
从所述业务第一流量数据中查找时间特征符合预设的业务优惠时间的业务流量数据，将所述时间特征符合预设的业务优惠时间的业务流量数据作为业务优惠流量数据。
26.根据权利要求22所述的云监控方法，其特征在于，所述从所述业务第一流量数据中提取业务优惠时间的业务优惠流量数据，具体包括：
获取商家预设的业务优惠时间；
将时间特征符合所述商家预设的业务优惠时间的业务流量数据作为业务优惠流量数据。
27.根据权利要求22所述的云监控方法，其特征在于，所述从所述业务第一流量数据中提取业务高峰时间的业务高峰流量数据和/或业务优惠时间的业务优惠流量数据，具体包括：
从所述业务第一流量数据中过滤掉非业务高峰时间的非业务高峰流量数据和/或非业务优惠时间的非业务优惠流量数据；
将所述业务第一流量数据中剩余的业务流量数据作为业务高峰时间的业务高峰流量数据和/或业务优惠时间的业务优惠流量数据。
28.根据权利要求22所述的云监控方法，其特征在于，具体包括：
获取云系统提供的客户端第一流量数据；
从所述客户端第一流量数据中提取业务高峰时间的客户端第一流量数据和业务优惠时间的客户端第一流量数据；
根据所述客户端第一流量数据建立用于预测流量数据特征的数据预测模型；
利用所述数据预测模型对从云系统获得的客户端第二流量数据进行处理，得到客户端第二流量数据特征；
根据所述客户端第二流量数据特征，获得针对所述客户端第二流量数据的监控结果。
29.根据权利要求22所述的云监控方法，其特征在于，具体包括：
获取云系统提供的服务商端的流量数据；
从所述服务商端的流量数据中提取业务高峰时间的服务商端的流量数据和/或业务优惠时间的服务商端的流量数据；
根据所述服务商端的流量数据建立用于预测流量数据特征的数据预测模型；
利用所述数据预测模型对从云系统获得的客户端第二流量数据进行处理，得到客户端第二流量数据特征；
根据所述客户端第二流量数据特征，获得针对所述客户端第二流量数据的监控结果。
30.根据权利要求22所述的云监控方法，其特征在于，还包括：
获取云系统提供的业务系统运行的业务流量数据；
根据所述业务流量数据建立用于预测流量数据特征的数据预测模型；
利用所述数据预测模型对从云系统获得的业务第二流量数据进行处理，得到业务第二流量数据特征；
根据所述业务第二流量数据特征，获得针对所述业务第二流量数据的监控结果。
31.根据权利要求30所述的云监控方法，其特征在于，具体包括：
获取云系统提供的业务高峰流量数据；
根据所述业务高峰流量数据，建立用于预测流量数据特征的数据预测模型；
利用所述数据预测模型对从云系统获得的业务第二流量数据进行处理，得到业务第二流量数据特征；
根据所述业务第二流量数据特征，获得针对所述业务第二流量数据的监控结果。
32.根据权利要求30所述的云监控方法，其特征在于，具体包括：
获取云系统提供的获取业务优惠流量数据；
根据所述业务优惠流量数据，建立用于预测流量数据特征的数据预测模型；
利用所述数据预测模型对从云系统获得的业务第二流量数据进行处理，得到业务第二流量数据特征；
根据所述业务第二流量数据特征，获得针对所述业务第二流量数据的监控结果。
33.根据权利要求22所述的云监控方法，其特征在于，所述根据所述业务高峰流量数据和/或业务优惠流量数据建立用于预测流量数据特征的数据预测模型，具体包括：
通过数据清洗操作对从所述业务第一流量数据中提取的流量高峰时间的业务高峰流量数据和/或业务优惠时间的业务优惠流量数据进行清洗，获得有效的流量数据；
根据所述有效的流量数据提取流量数据特征，将具有相同特征的流量数据进行匹配形成特征集合；
根据所述特征集合，建立用于预测流量数据特征的数据预测模型。
34.根据权利要求22所述的云监控方法，其特征在于，所述利用所述数据预测模型对从云系统获得的业务第二流量数据进行处理，得到业务第二流量数据特征，具体包括：
在建立用于预测流量数据特征的数据预测模型之后，进一步将云系统提供的实际业务流量数据进行预测输入到所述数据预测模型中进行训练，获得训练后的数据预测模型；
利用所述训练后的数据预测模型，对所述云系统提供的业务第二流量数据进行预测，得到业务第二流量数据特征。
35.根据权利要求22所述的云监控方法，其特征在于，所述根据所述业务高峰流量数据和/或业务优惠流量数据，建立用于预测流量数据特征的数据预测模型，还包括：
将云系统提供的业务第二流量数据输入到所述数据预测模型中进行预测，得到预测的业务第二流量数据特征；
根据实际的业务第二流量数据特征与所述预测的数据第二流量数据特征进行比对，根据比对后的结果，对数据预测模型的参数进行调整，获得调整后的数据预测模型。
36.根据权利要求33所述的云监控方法，其特征在于，所述根据所述有效的流量数据提取流量数据特征，将具有相同特征的流量数据进行匹配形成特征集合，具体包括：
通过稀疏矩阵存储所述有效的流量数据，获得扩充样本量后的有效流量数据，根据所述扩充样本量后的有效流量数据，提取流量数据特征并将具有相同特征的流量数据进行匹配形成特征集合。
37.根据权利要求33所述的云监控方法，其特征在于，所述根据所述有效的流量数据提取流量数据特征，将具有相同特征的流量数据进行匹配形成特征集合，具体包括：
通过random tree随机森林经典算法提取流量数据特征，将具有相同特征的流量数据进行匹配形成特征集合。
38.根据权利要求22所述的云监控方法，其特征在于，所述流量数据特征包括以下至少一种信息：
在一段时间范围内的云系统的业务流量峰值信息；
在一段时间范围内的云系统的业务流量变化信息；
在一段时间范围内的云系统的业务总流量信息；
在一段时间范围内的云系统的单位时间的业务平均流量信息。
39.根据权利要求22所述的云监控方法，其特征在于，还包括：
获取所述云监控中心提供的针对所述业务第二流量数据的监控结果，对所述针对所述业务第二流量数据的监控结果进行分析，输出报警信息。
40.根据权利要求39所述的云监控方法，其特征在于，所述获取所述云监控中心提供的针对所述业务第二流量数据的监控结果，对所述针对所述业务第二流量数据的监控结果进行分析，输出报警信息，具体包括：
从所述获得针对所述业务第二流量数据的监控结果中过滤掉非业务高峰时间和/或业务优惠时间的监控结果，对所述业务高峰时间和/或业务优惠时间内的针对所述业务第二流量数据的监控结果进行分析，输出报警信息。
41.一种应用于餐饮行业的云监控方法，其特征在于，包括：
获取云系统提供的餐饮业务第一流量数据；
从所述餐饮业务第一流量数据中提取顾客用餐高峰时间的餐饮业务高峰流量数据和顾客用餐优惠时间的餐饮业务优惠流量数据；
根据所述餐饮业务高峰流量数据和餐饮业务优惠流量数据建立用于预测餐饮业务流量数据特征的数据预测模型；
利用所述数据预测模型对从云系统获得的当前餐饮业务流量数据进行处理，得到当前餐饮业务流量数据特征；
根据所述当前餐饮业务流量数据特征，获得针对所述当前餐饮业务流量数据的监控结果。
42.一种云监控装置，其特征在于，包括：
获取数据单元，用于获取云系统提供的业务第一流量数据；
提取单元，用于从所述业务第一流量数据中提取业务高峰时间的业务高峰流量数据和业务优惠时间的业务优惠流量数据；
建模单元，用于根据所述业务高峰流量数据和业务优惠流量数据，建立用于预测流量数据特征的数据预测模型；
处理单元，用于利用所述数据预测模型对从云系统获得的业务第二流量数据进行处理，得到业务第二流量数据特征；
获取结果单元，用于根据所述业务第二流量数据特征，获得针对所述业务第二流量数据的监控结果。
43.一种应用于餐饮行业的云监控装置，其特征在于，包括：
获取数据单元，用于获取云系统提供的餐饮业务第一流量数据；
提取单元，用于从所述餐饮业务第一流量数据中提取顾客用餐高峰时间的餐饮业务高峰流量数据和顾客用餐优惠时间的餐饮业务优惠流量数据；
建模单元，用于根据所述餐饮业务高峰流量数据和餐饮业务优惠流量数据建立用于预测餐饮业务流量数据特征的数据预测模型；
处理单元，用于利用所述数据预测模型对从云系统获得的当前餐饮业务流量数据进行处理，得到当前餐饮业务流量数据特征；
获取结果单元，用于根据所述当前餐饮业务流量数据特征，获得针对所述当前餐饮业务流量数据的监控结果。
CN201810872012.1A 2018-08-02 2018-08-02 一种云监控系统及方法 Expired - Fee Related CN108880945B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810872012.1A CN108880945B (zh) 2018-08-02 2018-08-02 一种云监控系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810872012.1A CN108880945B (zh) 2018-08-02 2018-08-02 一种云监控系统及方法

Publications (2)

Publication Number Publication Date
CN108880945A CN108880945A (zh) 2018-11-23
CN108880945B true CN108880945B (zh) 2020-07-28

Family

ID=64307482

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810872012.1A Expired - Fee Related CN108880945B (zh) 2018-08-02 2018-08-02 一种云监控系统及方法

Country Status (1)

Country Link
CN (1) CN108880945B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113467525A (zh) * 2021-07-28 2021-10-01 中国银行股份有限公司 接口调用流量控制方法及装置
CN113592183B (zh) * 2021-08-05 2022-04-19 杭州企智互联科技有限公司 就餐高峰预测方法及装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103152389A (zh) * 2013-02-01 2013-06-12 华南师范大学 应用于云计算机系统中应对高峰访问的方法和装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103984994B (zh) * 2014-05-19 2017-02-01 东南大学 一种城市轨道交通客流高峰持续时间预测方法
CN104796301A (zh) * 2015-03-31 2015-07-22 北京奇艺世纪科技有限公司 网络流量异常判断方法和装置
CN106230944A (zh) * 2016-08-02 2016-12-14 合肥奇也信息科技有限公司 一种基于云计算机系统的高峰访问的运行装置
CN107886369A (zh) * 2017-11-29 2018-04-06 口碑(上海)信息技术有限公司 一种用于营销活动效果预测的方法、装置及电子设备
CN108171530B (zh) * 2017-12-06 2021-02-02 口碑(上海)信息技术有限公司 一种用于客单价和复购率的提升方法及装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103152389A (zh) * 2013-02-01 2013-06-12 华南师范大学 应用于云计算机系统中应对高峰访问的方法和装置

Also Published As

Publication number Publication date
CN108880945A (zh) 2018-11-23

Similar Documents

Publication Publication Date Title
CN107305611B (zh) 恶意账号对应的模型建立方法和装置、恶意账号识别的方法和装置
US20180075356A1 (en) Method and apparatus for monitoring system
CN104539514B (zh) 消息过滤方法和装置
AU2018212531A8 (en) Data content filter
TW201523487A (zh) 一種消息推送方法、裝置及系統
JP2019513246A (ja) ランダムフォレストモデルの訓練方法、電子装置及び記憶媒体
CN107741899B (zh) 处理终端数据的方法、装置及系统
WO2019000789A1 (zh) 直播视频推荐方法、装置及服务器
CN109743356B (zh) 工业互联网数据采集方法及装置、可读存储介质和终端
CN107967488B (zh) 一种服务器的分类方法及分类系统
CN108880945B (zh) 一种云监控系统及方法
US20210248174A1 (en) Using cross-matching between users and matching against reference data to facilitate content identification
CN107360122B (zh) 防止恶意请求的方法和装置
CN109495378B (zh) 检测异常帐号的方法、装置、服务器及存储介质
WO2015090099A1 (zh) 一种算法配置方法和系统
CN111859127A (zh) 消费数据的订阅方法、装置及存储介质
CN113225339B (zh) 网络安全监测方法、装置、计算机设备及存储介质
CN107306200B (zh) 网络故障预警方法和用于网络故障预警的网关
CN113824729A (zh) 一种加密流量检测方法、系统及相关装置
WO2017054307A1 (zh) 用户信息的识别方法及装置
CN117097578B (zh) 一种网络流量的安全监控方法、系统、介质及电子设备
US20150089050A1 (en) Mobile network system
CN116796015A (zh) 一种可视化多模态数据采集、传输、处理的方法
CN113141403B (zh) 一种日志传输方法和装置
CN109299365A (zh) 一种基于数据流的异常用户检索系统

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200728

CF01 Termination of patent right due to non-payment of annual fee