发明内容
本申请实施例提供一种基于边缘计算的大数据用户行为分析方法及电子设备,可以解决现有技术中由于资源调度不均导致用户行为分析困难的问题。
本申请实施例提供一种基于边缘计算的大数据用户行为分析方法,其,所述方法包括:
用户设备UE采集用户行为数据,并将所述用户行为数据发送到第一边缘计算节点;
所述第一边缘计算节点MECP检测自身的资源占用情况,若当前资源占用率大于预设阈值,则将所述UE采集到的用户行为数据发送至第二边缘计算节点MECP,并发送切换连接消息至所述UE,以使所述UE发送连接请求至所述第二MECP,进行握手连接;
所述第二MECP对用户行为数据进行预处理,提取用户行为数据特征,并将所述用户行为数据特征上报至云服务器;
所述云服务器根据所述用户行为数据特征,建立多输入对多输出结构many-to-many结构的长短期记忆网络LSTM模型,对当前所述用户的行为进行预测,并将预测结果发送至所述第二MECP;
所述第二MECP根据所述预测结果,生成个性化模式信息,并将所述个性化模式信息发送给所述UE,通过所述UE执行所述个性化模式。
可选地,在所述第一MECP将所述UE采集到的用户行为数据发送至第二边缘计算节点MECP之前,所述方法还包括:
所述第一MECP将所述用户行为数据上报至所述云服务器;
所述云服务器收集不同MECP的资源占用状态数据及不同MECP与第一MECP之间的距离数据,并设置资源占用状态及距离权重比及计算规则,计算出所述不同MECP的资源调用优先级,从所述不同MECP的资源占用比及距离综合最优的MECP作为所述第二MECP,并将所述用户行为数据发送至所述第二边缘计算节点MECP。
可选地,在所述第一MECP将所述UE采集到的用户行为数据发送至第二边缘计算节点MECP之前,所述方法还包括:
所述第一MECP将所述用户行为数据上报至所述云服务器;
所述云服务器利用网络切片技术,对所述第一MECP为中心的预设范围内的多个MECP进行组网,以组成虚拟MECP,并将所述用户行为数据发送至所述虚拟MECP,所述虚拟MECP节点为所述第二MECP。
可选地,所述方法还包括:
所述虚拟MECP根据自身多个不同MECP的资源占用率及组网能力进行资源调度,设置主处理MECP及协同处理MECP,将所述多个MECP的资源进行主-从协同,并根据所述MECP预处理能力,将所述MECP预处理步骤分配至自身的不同MECP协同处理。
可选地,所述用户行为数据包括用户属性及用户操作历史信息,则所述第二MECP对用户行为数据进行预处理,提取用户行为数据特征,包括:
提取出所述用户操作历史信息;
设置活跃用户判定规则,根据所述规则滤除非活跃用户操作历史信息;
将所述滤除后的用户操作历史信息划分为待训练集及候选集;
将所述待训练集和候选集用户的历史行为转化为时序序列,并将时序序列根据时间划窗划分为样本训练的训练集及测试集,基于所述训练集及测试集提取用户行为数据特征。
可选地,所述第二MECP生成个性化模式信息,并将所述个性化模式信息发送给所述UE,包括:
所述第二MECP根据所述预测结果确定用户针对特定内容的喜好程度,基于所述特定内容进行个性化设置,并将所述个性化设置信息发送至所述UE。
可选地,所述方法还包括:
若所述第二MECP宕机,则所述云服务器根据调度策略将所述第二MECP的资源调度至第三MECP,所述第三MECP为所述云服务器管理半径内资源占用率最优的MECP。
可选地,所述方法还包括:
所述云服务器通过网络分发网络将升级包分别发送给第一MECP和第二MECP,以使所述MECP进行自升级,或,
所述云服务器发送升级包给第一MECP,以使第一MECP将所述升级包发送给相邻的下一个MECP。
本发明实施例还提供一种电子设备,包括存储器及处理器,所述存储器中储存有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行上述的方法步骤。
上述提供的基于大数据的自适应链路建立方法,通过第一MECP进行资源调度至第二MECP,将资源灵活分配给资源占用率低的节点,提高了处理速度,简化了用户行为数据分析的资源节点。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件,但这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说,在不脱离本申请的范围的情况下,可以将第一客户端称为第二客户端,且类似地,可将第二客户端称为第一客户端。第一客户端和第二客户端两者都是客户端,但其不是同一客户端。
实施例一
本申请实施例提供了一种基于边缘计算的大数据用户行为分析方法,如图1所示,该方法包括:
S101、用户设备(User Equipment,UE)采集用户行为数据,并将所述用户行为数据发送到第一边缘计算节点;
UE作为移动终端载体,时时刻刻采集用户的行为数据,其中,用户行为数据包括用户点击操作,用户的定位信息,用户的历史选择记录信息和/或用户身份验证信息。该用户行为数据可以是不定时发送给第一边缘计算节点,也可以实时发送。
边缘计算节点是采用最新的5G NR非独立组网架构的一个节点,在5G NG架构中,核心网侧通常是云架构,由不同的云服务器集群组成,而在每一个节点又具备自身的局部数据处理能力。在边缘计算节点架构上,每一个边缘计算节点采用虚拟组网NFR的方式对附近地址位置的终端进行管控,并进行数据预处理。
S102、所述第一边缘计算节点MECP检测自身的资源占用情况,若当前资源占用率大于预设阈值,则将所述UE采集到的用户行为数据发送至第二边缘计算节点MECP,并发送切换连接消息至所述UE,以使所述UE发送连接请求至所述第二MECP,进行握手连接;
第一MECP检测自身的资源占用情况,例如当前CPU使用率,当前连接数,当前的数据存储量等,若当前的资源占用情况大于预设阈值(例如CPU使用率大于80%)则确定第一MECP已处于较为饱和的状态,此时需要将用户行为数据发送至第二MECP,并使得UE与第二MECP进行通信,而第一MECP则退出本次通信。
可选地,在所述第一MECP将所述UE采集到的用户行为数据发送至第二边缘计算节点MECP之前,所述方法还包括:
所述第一MECP将所述用户行为数据上报至所述云服务器;
所述云服务器收集不同MECP的资源占用状态数据及不同MECP与第一MECP之间的距离数据,并设置资源占用状态及距离权重比及计算规则,计算出所述不同MECP的资源调用优先级,从所述不同MECP的资源占用比及距离综合最优的MECP作为所述第二MECP,并将所述用户行为数据发送至所述第二边缘计算节点MECP。其中,优先级与资源占用率及距离有关,资源占用率越低证明可接入UE数量越多,距离越近证明其传输及处理速度有保证。为了方便说明,二者权重各占50%,即考虑优先级的时候,资源占用率与距离同等重要,需要同时考量这两个因素。
在其中的一个实施例中,在所述第一MECP将所述UE采集到的用户行为数据发送至第二边缘计算节点MECP之前,所述方法还包括:
所述第一MECP将所述用户行为数据上报至所述云服务器;
所述云服务器利用网络切片技术,对所述第一MECP为中心的预设范围内的多个MECP进行组网,以组成虚拟MECP,并将所述用户行为数据发送至所述虚拟MECP,所述虚拟MECP节点为所述第二MECP。网络切片(slicing)技术是一种应对移动性管理的虚拟组网技术。在5G领域中,网络切片技术会对MECP进行有效调度,在组网过程中不同时间不同地方其资源需求是不同的,通过网络切片技术可以对于资源需求大的地方进行大规模组网,对于资源需求少的地方进行小规模组网。在当前实施例中,还可以根据对MECP的组网规则进行预判,若当前是流量高峰期(如通过大数据进行历史流量分析并进行下一次流量预判),则进行组网时将第一MECP为中心的较多个MECP进行组网,若当前是流量低谷,则组网时将较少的MECP以第一MECP为中心进行组网。
此外,所述方法还包括:
所述虚拟MECP根据自身多个不同MECP的资源占用率及组网能力进行资源调度,设置主处理MECP及协同处理MECP,将所述多个MECP的资源进行主-从协同,并根据所述MECP预处理能力,将所述MECP预处理步骤分配至自身的不同MECP协同处理。主-协机制是传感器网络的一种重要机制,其特点在于自组网及主-从关系,即主设备对外统一交互,并将资源分发至不同的服务器处理,而协同服务器则需要将分发的任务进行并行处理,并将结果发送至主设备。
S103、所述第二MECP对用户行为数据进行预处理,提取用户行为数据特征,并将所述用户行为数据特征上报至云服务器;
在其中的一个实施例中,所述用户行为数据包括用户属性及用户操作历史信息,则所述第二MECP对用户行为数据进行预处理,提取用户行为数据特征,包括:
提取出所述用户操作历史信息;
设置活跃用户判定规则,根据所述规则滤除非活跃用户操作历史信息;
将所述滤除后的用户操作历史信息划分为待训练集及候选集;
将所述待训练集和候选集用户的历史行为转化为时序序列,并将时序序列根据时间划窗划分为样本训练的训练集及测试集,基于所述训练集及测试集提取用户行为数据特征。
S104、所述云服务器根据所述用户行为数据特征,建立多输入对多输出结构many-to-many结构的长短期记忆网络LSTM模型,对当前所述用户的行为进行预测,并将预测结果发送至所述第二MECP;
其中,建立many-to-many结构的LSTM模型步骤如下:
S1041.进行用户行为数据过滤,对于周期长、数据量小的用户行为数据进行滤除,保留高频次的活跃用户数据量;
S1042.在输入层进行intercept拼接,将日期,设备信息,用户操作数据等进行one-hot后输入;
S1043.Batch数据块选择,即随机采样一定样本作为一个batch数据块;
S1044.循环三角退火快照:通过循环调整网络学习率使网络依次收敛到不同的局部最优解处,将网络学习率n设置为随模型迭代轮数t改变的函数:
S1045.权值临界集成,输出下一周期的预测结果。(可参见刘博士的论文<于LSTM的WEB服务响应时间大数据预测方法>,本发明实施例不再累述)。
其中,预测结果可以是用户下一周期内将要进行的操作,或者将要打开的应用,或者将要观看的视频/游戏等。
S105、所述第二MECP根据所述预测结果,生成个性化模式信息,并将所述个性化模式信息发送给所述UE,通过所述UE执行所述个性化模式。
其中,所述第二MECP生成个性化模式信息,并将所述个性化模式信息发送给所述UE,具体可以为:
所述第二MECP根据所述预测结果确定用户针对特定内容的喜好程度,基于所述特定内容进行个性化设置,并将所述个性化设置信息发送至所述UE。
此外,所述方法还包括:
若所述第二MECP宕机,则所述云服务器根据调度策略将所述第二MECP的资源调度至第三MECP,所述第三MECP为所述云服务器管理半径内资源占用率最优的MECP。
此外,所述方法还包括:
所述云服务器通过网络分发网络将升级包分别发送给第一MECP和第二MECP,以使所述MECP进行自升级,或,
所述云服务器发送升级包给第一MECP,以使第一MECP将所述升级包发送给相邻的下一个MECP。
本发明实施例还提供一种自适应链路建立的系统20(如图2所示),包括第一MEPC201,云服务器202和第二MECP203,分别用于执行上述方法。
图3为一个实施例中电子设备的内部结构示意图。如图3所示,该终端包括通过系统总线连接的处理器、存储器和网络接口。其中,该处理器用于提供计算和控制能力,支撑整个电子设备的运行。存储器用于存储数据、程序等,存储器上存储至少一个计算机程序,该计算机程序可被处理器执行,以实现本申请实施例中提供的适用于电子设备的无线网络通信方法。存储器可包括非易失性存储介质及内存储器。非易失性存储介质存储有操作系统和计算机程序。该计算机程序可被处理器所执行,以用于实现以下各个实施例所提供的一种场景深度计算的方法。内存储器为非易失性存储介质中的操作系统计算机程序提供高速缓存的运行环境。网络接口可以是以太网卡或无线网卡等,用于与外部的电子设备进行通信。该电子设备可以是移动终端、平板电脑或者个人数字助理或穿戴式设备等。
本申请实施例还提供了一种计算机可读存储介质。一个或多个包含计算机可执行指令的非易失性计算机可读存储介质,当所述计算机可执行指令被一个或多个处理器执行时,执行上述方法的步骤。
一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述的方法。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。