CN110704504A - 数据源采集接口分发方法、系统、存储介质及终端 - Google Patents

数据源采集接口分发方法、系统、存储介质及终端 Download PDF

Info

Publication number
CN110704504A
CN110704504A CN201910894638.7A CN201910894638A CN110704504A CN 110704504 A CN110704504 A CN 110704504A CN 201910894638 A CN201910894638 A CN 201910894638A CN 110704504 A CN110704504 A CN 110704504A
Authority
CN
China
Prior art keywords
data source
source acquisition
acquisition interface
distribution
distribution proportion
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.)
Pending
Application number
CN201910894638.7A
Other languages
English (en)
Inventor
凤杰
陈建立
李留洋
侯金鑫
杨博文
强进
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.)
Tianyi Credit Reporting Co Ltd
Original Assignee
Tianyi Credit Reporting 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 Tianyi Credit Reporting Co Ltd filed Critical Tianyi Credit Reporting Co Ltd
Priority to CN201910894638.7A priority Critical patent/CN110704504A/zh
Publication of CN110704504A publication Critical patent/CN110704504A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G06F9/5055—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering software capabilities, i.e. software resources associated or available to the machine
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种数据源采集接口分发方法、系统、存储介质及终端，包括以下步骤：对各个数据源采集接口进行实时监控，获取性能参数和成本参数；在所述性能参数大于预设阈值的前提下，根据成本最低原则计算所述数据源采集接口的分配比例；根据所述分配比例实时调整所述各个数据源采集接口。本发明的数据源采集接口分发方法、系统、存储介质及终端通过动态地分发各个数据源接口，在保证数据源采集接口性能稳定的前提下，实现最优成本控制。

Description

数据源采集接口分发方法、系统、存储介质及终端
技术领域
本发明涉及数据采集的技术领域，特别是涉及一种数据源采集接口分发方法、系统、存储介质及终端。
背景技术
随着反欺诈核验类产品市场同质化严重，竞争日益激烈。在客户粘性不高，价格战策略居高不下的情况下，如何更好的在市场的竞争中构建护城河，在提升并保有目前的市场份额的前提下维持一定的利润率，在新产品和业务增长点出现前实现业务的降本增效与平稳过渡成为当前主要面对的问题。
数据源(Data Source)是提供某种所需要数据的器件或原始媒体。信息系统的数据源必需可靠且具备更新能力，常用的数据源至少包括：
(1)观测数据，即现场获取的实测数据，包括野外实地勘测、量算数据、台站的观测记录数据、遥测数据等。
(2)分析测定数据，即利用物理和化学方法分析测定的数据。
(3)图形数据，包括各种地形图和专题地图等。
(4)统计调查数据，包括各种类型的统计报表、社会调查数据等。
(5)遥感数据，是由地面、航空或航天遥感获得的数据。
现有技术中，通常通过主备数据源模式提供数据。然而，主备数据源模式在成本控制方面缺少灵活性。由于各个数据源采集接口的性能指标通常是波动的，这就导致通常认为的“较优”的数据源采集接口也会存在性能滑坡的情况，反之亦然。因此，如果对客户的路由配置保持固定不变，会存在以下缺陷：
(1)可能会影响客户的使用体验，轻则招致投诉，重则在客户本身粘性不高的背景下导致客户切量
(2)无法实现对成本的最佳控制。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种数据源采集接口分发方法、系统、存储介质及终端，通过动态地分发各个数据源接口，在保证数据源采集接口性能稳定的前提下，实现最优成本控制。
为实现上述目的及其他相关目的，本发明提供一种数据源采集接口分发方法，包括以下步骤：对各个数据源采集接口进行实时监控，获取性能参数和成本参数；在所述性能参数大于预设阈值的前提下，根据成本最低原则计算所述数据源采集接口的分配比例；根据所述分配比例实时调整所述各个数据源采集接口。
于本发明一实施例中，所述性能参数包括响应时长、查得率、准确率和实时价格中的一种或多种组合。
于本发明一实施例中，在所述性能参数大于预设阈值的前提下，根据成本最低原则计算所述数据源采集接口的分配比例包括以下步骤：
将各个数据源采集接口的性能参数作为系数，分配比例作为未知数，构建一个不等式方程组，所述不等式方程组中数据源采集接口的性能指标大于预设阈值；
基于线性规划算法计算所述不等式方程组的最优解，作为所述分配比例。
于本发明一实施例中，根据大数据算法计算所述数据源采集接口的分配比例。
对应地，本发明提供一种数据源采集接口分发系统，包括监控模块、计算模块和调整模块；
所述监控模块用于对各个数据源采集接口进行实时监控，获取性能参数和成本参数；
所述计算模块用于在所述性能参数大于预设阈值的前提下，根据成本最低原则计算所述数据源采集接口的分配比例；
所述调整模块用于根据所述分配比例实时调整所述各个数据源采集接口。
于本发明一实施例中，所述性能参数包括响应时长、查得率、准确率和实时价格中的一种或多种组合。
于本发明一实施例中，所述计算模块在所述性能参数大于预设阈值的前提下，根据成本最低原则计算所述数据源采集接口的分配比例包括以下步骤：
将各个数据源采集接口的性能参数作为系数，分配比例作为未知数，构建一个不等式方程组，所述不等式方程组中数据源采集接口的性能指标大于预设阈值；
基于线性规划算法计算所述不等式方程组的最优解，作为所述分配比例。
于本发明一实施例中，所述计算模块根据大数据算法计算所述数据源采集接口的分配比例。
本发明提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的数据源采集接口分发方法。
本发明提供一种终端，包括处理器及存储器；
所述存储器用于存储计算机程序；
所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行上述的数据源采集接口分发方法。
如上所述，本发明的数据源采集接口分发方法、系统、存储介质及终端，具有以下有益效果：
(1)通过实时监测各个采集接口的性能参数来动态确定采集接口的分发比例；
(2)在保证数据源采集接口性能稳定的前提下，实现了最优成本控制；
(3)提升了用户体验，增加了客户粘度。
附图说明
图1显示为本发明的数据源采集接口分发方法于一实施例中的流程图；
图2显示为本发明的数据源采集接口分发系统于一实施例中的结构示意图；
图3显示为本发明的终端于一实施例中的结构示意图。
元件标号说明
21 监控模块
22 计算模块
23 调整模块
31 处理器
32 存储器
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
本发明的数据源采集接口分发方法、系统、存储介质及终端通过动态地分发各个数据源接口，使得数据源采集接口在性能稳定的前提下，实现最优成本控制，从而实现降本增效的目的，极大地提升了用户体验。
如图1所示，于一实施例中，本发明的数据源采集接口分发方法包括以下步骤：
步骤S1、对各个数据源采集接口进行实时监控，获取性能参数和成本参数。
具体地，通过作为管理平台的终端对各个数据源采集接口信息实时的监控，并采集各个数据源采集接口的性能参数和成本参数。
所述性能参数是本发明中数据源采集接口分发的数据依据。于本发明一实施例中，所述性能参数包括响应时长、查得率、准确率和实时价格中的一种或多种组合。
由于各个数据源采集接口的成本可能是动态变化的。于本发明一实施例中，所述成本参数包括数据源采集杰克的实时成本。
步骤S2、在所述性能参数大于预设阈值的前提下，根据成本最低原则计算所述数据源采集接口的分配比例。
具体地，所述数据源采集接口的分配比例需遵循性能第一的原则，即首先需满足性能要求。故首先要求各个性能参数均大于对应的预设阈值，然后在上述前提下根据成本最低的原则进行各个数据源接口的分配比例的确定。
于本发明一实施例中，在所述性能参数大于预设阈值的前提下，根据成本最低原则计算所述数据源采集接口的分配比例包括以下步骤：
21)将各个数据源采集接口的性能参数作为系数，分配比例作为未知数，构建一个不等式方程组，所述不等式方程组中数据源采集接口的性能指标大于预设阈值。
具体地，分别以每个性能参数构建一个不等式。在所述不等式的左边为所述性能参数对应的预设阈值，所述不等式的右边为所述性能参数与所述分配比例构建的数据源采集接口的性能指标，且要求所述性能指标大于预设阈值。因此，有几个性能参数即能够构建几个不等式。
22)基于线性规划算法计算所述不等式方程组的最优解，作为所述分配比例。
具体地，线性规划(Linear Programming，LP)是运筹学中研究较早、发展较快、应用广泛、方法较成熟的一个重要分支，它是辅助人们进行科学管理的一种数学方法。线性规划研究线性约束条件下线性目标函数的极值问题的数学理论和方法，是运筹学的一个重要分支，广泛应用于军事作战、经济分析、经营管理和工程技术等方面，为合理地利用有限的人力、物力、财力等资源作出的最优决策，提供科学的依据。因此，本发明采用线性规划算法求解上述不等式组，从而获取性能参数大于预设阈值的情况下，最低成本对应的数据源采集接口的分配比例。
于本发明另一实施例中，根据大数据算法计算所述数据源采集接口的分配比例。其中，大数据是指以多元形式，自许多来源搜集而来的庞大数据组，往往具有实时性。在企业对企业销售的情况下，这些数据可能得自社交网络、电子商务网站、顾客来访纪录，还有许多其他来源。大数据算法主要基于人工智能，机器学习，模式学习，统计学等，通过对大数据高度自动化地分析，做出归纳性的推理，从中挖掘出潜在的模式，可以帮助企业、商家、用户调整市场政策、减少风险、理性面对市场，并做出正确的决策。目前，在很多领域尤其是在商业领域如银行、电信、电商等，数据挖掘可以解决很多问题，包括市场营销策略制定、背景分析、企业管理危机等。大数据的挖掘常用的方法有分类、回归分析、聚类、关联规则、神经网络方法、Web数据挖掘等。在本发明中，通过大数据算法对所述性能参数和成本参数进行分析，从而获取性能参数大于预设阈值的情况下，最低成本对应的数据源采集接口的分配比例。
步骤S3、根据所述分配比例实时调整所述各个数据源采集接口。
具体地，根据计算得到的分配比例对各个数据源采集接口的分配比例进行调整，从而完成对数据源采集接口的优化分发。
在实际使用中，采用本发明的数据源采集接口分发方法对商户的数据源采集接口进行为期一周的监控。其中，并未发现商户的数据源采集接口的调用异常，且数据源采集接口的服务成本降低了15％，从而达到了降本增效的目的。
如图2所示，于一实施例中，本发明的数据源采集接口分发系统包括监控模块21、计算模块22和调整模块23。
具体地，通过作为管理平台的终端对各个数据源采集接口信息实时的监控，并采集各个数据源采集接口的性能参数和成本参数。
所述性能参数是本发明中数据源采集接口分发的数据依据。于本发明一实施例中，所述性能参数包括响应时长、查得率、准确率和实时价格中的一种或多种组合。
由于各个数据源采集接口的成本可能是动态变化的。于本发明一实施例中，所述成本参数包括数据源采集杰克的实时成本。
计算模块22与监控模块21相连，用于在所述性能参数大于预设阈值的前提下，根据成本最低原则计算所述数据源采集接口的分配比例。
具体地，所述数据源采集接口的分配比例需遵循性能第一的原则，即首先需满足性能要求。故首先要求各个性能参数均大于对应的预设阈值，然后在上述前提下根据成本最低的原则进行各个数据源接口的分配比例的确定。
于本发明一实施例中，在所述性能参数大于预设阈值的前提下，根据成本最低原则计算所述数据源采集接口的分配比例包括以下步骤：
21)将各个数据源采集接口的性能参数作为系数，分配比例作为未知数，构建一个不等式方程组，所述不等式方程组中数据源采集接口的性能指标大于预设阈值。
具体地，分别以每个性能参数构建一个不等式。在所述不等式的左边为所述性能参数对应的预设阈值，所述不等式的右边为所述性能参数与所述分配比例构建的数据源采集接口的性能指标，且要求所述性能指标大于预设阈值。因此，有几个性能参数即能够构建几个不等式。
22)基于线性规划算法计算所述不等式方程组的最优解，作为所述分配比例。
具体地，线性规划(Linear Programming，LP)是运筹学中研究较早、发展较快、应用广泛、方法较成熟的一个重要分支，它是辅助人们进行科学管理的一种数学方法。线性规划研究线性约束条件下线性目标函数的极值问题的数学理论和方法，是运筹学的一个重要分支，广泛应用于军事作战、经济分析、经营管理和工程技术等方面，为合理地利用有限的人力、物力、财力等资源作出的最优决策，提供科学的依据。因此，本发明采用线性规划算法求解上述不等式组，从而获取性能参数大于预设阈值的情况下，最低成本对应的数据源采集接口的分配比例。
于本发明另一实施例中，根据大数据算法计算所述数据源采集接口的分配比例。其中，大数据是指以多元形式，自许多来源搜集而来的庞大数据组，往往具有实时性。在企业对企业销售的情况下，这些数据可能得自社交网络、电子商务网站、顾客来访纪录，还有许多其他来源。大数据算法主要基于人工智能，机器学习，模式学习，统计学等，通过对大数据高度自动化地分析，做出归纳性的推理，从中挖掘出潜在的模式，可以帮助企业、商家、用户调整市场政策、减少风险、理性面对市场，并做出正确的决策。目前，在很多领域尤其是在商业领域如银行、电信、电商等，数据挖掘可以解决很多问题，包括市场营销策略制定、背景分析、企业管理危机等。大数据的挖掘常用的方法有分类、回归分析、聚类、关联规则、神经网络方法、Web数据挖掘等。在本发明中，通过大数据算法对所述性能参数和成本参数进行分析，从而获取性能参数大于预设阈值的情况下，最低成本对应的数据源采集接口的分配比例。
分配模块23与计算模块22相连，用于根据所述分配比例实时调整所述各个数据源采集接口。
具体地，根据计算得到的分配比例对各个数据源采集接口的分配比例进行调整，从而完成对数据源采集接口的优化分发。
在实际使用中，采用本发明的数据源采集接口分发方法对商户的数据源采集接口进行为期一周的监控。其中，并未发现商户的数据源采集接口的调用异常，且数据源采集接口的服务成本降低了15％，从而达到了降本增效的目的。
需要说明的是，应理解以上系统的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，x模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上x模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(Digital Singnal Processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(Central Processing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
本发明的存储介质上存储有计算机程序，该程序被处理器执行时实现上述的数据源采集接口分发方法。所述存储介质包括：ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
如图3所示，于一实施例中，本发明的终端包括：处理器31及存储器32。
所述存储器32用于存储计算机程序。
所述存储器32包括：ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
所述处理器31与所述存储器32相连，用于执行所述存储器32存储的计算机程序，以使所述终端执行上述的物联网数据分发管理方法。
优选地，所述处理器31可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field Programmable Gate Array，简称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。
综上所述，本发明的数据源采集接口分发方法、系统、存储介质及终端通过实时监测各个采集接口的性能参数来动态确定采集接口的分发比例；在保证数据源采集接口性能稳定的前提下，实现了最优成本控制；提升了用户体验，增加了客户粘度。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种数据源采集接口分发方法，其特征在于，包括以下步骤：
对各个数据源采集接口进行实时监控，获取性能参数和成本参数；
在所述性能参数大于预设阈值的前提下，根据成本最低原则计算所述数据源采集接口的分配比例；
根据所述分配比例实时调整所述各个数据源采集接口。
2.根据权利要求1所述的数据源采集接口分发方法，其特征在于：所述性能参数包括响应时长、查得率、准确率和实时价格中的一种或多种组合。
3.根据权利要求1所述的数据源采集接口分发方法，其特征在于：在所述性能参数大于预设阈值的前提下，根据成本最低原则计算所述数据源采集接口的分配比例包括以下步骤：
将各个数据源采集接口的性能参数作为系数，分配比例作为未知数，构建一个不等式方程组，所述不等式方程组中数据源采集接口的性能指标大于预设阈值；
基于线性规划算法计算所述不等式方程组的最优解，作为所述分配比例。
4.根据权利要求1所述的数据源采集接口分发方法，其特征在于：根据大数据算法计算所述数据源采集接口的分配比例。
5.一种数据源采集接口分发系统，其特征在于，包括监控模块、计算模块和调整模块；
所述监控模块用于对各个数据源采集接口进行实时监控，获取性能参数和成本参数；
所述计算模块用于在所述性能参数大于预设阈值的前提下，根据成本最低原则计算所述数据源采集接口的分配比例；
所述调整模块用于根据所述分配比例实时调整所述各个数据源采集接口。
6.根据权利要求5所述的数据源采集接口分发系统，其特征在于：所述性能参数包括响应时长、查得率、准确率和实时价格中的一种或多种组合。
7.根据权利要求5所述的数据源采集接口分发系统，其特征在于：所述计算模块在所述性能参数大于预设阈值的前提下，根据成本最低原则计算所述数据源采集接口的分配比例包括以下步骤：
将各个数据源采集接口的性能参数作为系数，分配比例作为未知数，构建一个不等式方程组，所述不等式方程组中数据源采集接口的性能指标大于预设阈值；
基于线性规划算法计算所述不等式方程组的最优解，作为所述分配比例。
8.根据权利要求5所述的数据源采集接口分发系统，其特征在于：所述计算模块根据大数据算法计算所述数据源采集接口的分配比例。
9.一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至5中任一项所述的数据源采集接口分发方法。
10.一种终端，其特征在于：包括处理器及存储器；
所述存储器用于存储计算机程序；
所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行权利要求1至5中任一项所述的数据源采集接口分发方法。
CN201910894638.7A 2019-09-20 2019-09-20 数据源采集接口分发方法、系统、存储介质及终端 Pending CN110704504A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910894638.7A CN110704504A (zh) 2019-09-20 2019-09-20 数据源采集接口分发方法、系统、存储介质及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910894638.7A CN110704504A (zh) 2019-09-20 2019-09-20 数据源采集接口分发方法、系统、存储介质及终端

Publications (1)

Publication Number Publication Date
CN110704504A true CN110704504A (zh) 2020-01-17

Family

ID=69196272

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910894638.7A Pending CN110704504A (zh) 2019-09-20 2019-09-20 数据源采集接口分发方法、系统、存储介质及终端

Country Status (1)

Country Link
CN (1) CN110704504A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102124670A (zh) * 2008-09-08 2011-07-13 维里逊专利及许可公司 用于调整网络接口度量的方法和系统
CN102158346A (zh) * 2010-11-23 2011-08-17 北京神州泰岳软件股份有限公司 基于云计算的信息采集系统及方法
CN104092756A (zh) * 2014-07-09 2014-10-08 东南大学 一种基于dht机制的云存储系统的资源动态分配方法
CN107241384A (zh) * 2017-05-03 2017-10-10 复旦大学 一种基于多云架构的内容分发服务资源优化调度方法
CN107273184A (zh) * 2017-06-14 2017-10-20 沈阳师范大学 一种基于云端大数据迁移和处理成本的优化算法
CN108062269A (zh) * 2017-12-05 2018-05-22 上海交通大学 一种基于dpdk的计算资源弹性伸缩方法及系统
CN108241528A (zh) * 2017-01-19 2018-07-03 上海直真君智科技有限公司 一种用户自定义海量网络安全数据动态采集方法
US10069693B1 (en) * 2014-12-11 2018-09-04 Amazon Technologies, Inc. Distributed resource allocation

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102124670A (zh) * 2008-09-08 2011-07-13 维里逊专利及许可公司 用于调整网络接口度量的方法和系统
CN102158346A (zh) * 2010-11-23 2011-08-17 北京神州泰岳软件股份有限公司 基于云计算的信息采集系统及方法
CN104092756A (zh) * 2014-07-09 2014-10-08 东南大学 一种基于dht机制的云存储系统的资源动态分配方法
US10069693B1 (en) * 2014-12-11 2018-09-04 Amazon Technologies, Inc. Distributed resource allocation
CN108241528A (zh) * 2017-01-19 2018-07-03 上海直真君智科技有限公司 一种用户自定义海量网络安全数据动态采集方法
CN107241384A (zh) * 2017-05-03 2017-10-10 复旦大学 一种基于多云架构的内容分发服务资源优化调度方法
CN107273184A (zh) * 2017-06-14 2017-10-20 沈阳师范大学 一种基于云端大数据迁移和处理成本的优化算法
CN108062269A (zh) * 2017-12-05 2018-05-22 上海交通大学 一种基于dpdk的计算资源弹性伸缩方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王文庆;刘超飞;: "可靠实时数据采集模型设计与开发", no. 02 *
肖祥;: "面向海量数据的分布式信息管理平台研究", no. 04 *

Similar Documents

Publication Publication Date Title
US11398000B2 (en) Methods and systems for machine-learning for prediction of grid carbon emissions
Channe et al. Multidisciplinary model for smart agriculture using internet-of-things (IoT), sensors, cloud-computing, mobile-computing & big-data analysis
US20170329837A1 (en) Digital analytics system
CN111402061B (zh) 一种资产管理方法和系统
CN109858740A (zh) 企业风险的评估方法、装置、计算机设备及存储介质
CN104951446A (zh) 大数据处理方法及平台
CN111340246A (zh) 用于企业智能决策分析的处理方法、装置和计算机设备
Baloui Jamkhaneh et al. Inspection error and its effects on single sampling plans with fuzzy parameters
CN108280541A (zh) 基于随机森林和决策树的客户服务策略制定方法、装置
US20210081386A1 (en) Insights for multi-dimensional planning data
CN102750367A (zh) 在云端平台的大数据检核系统及其方法
CN107957988A (zh) 用于确定数据异常原因的方法、装置及电子设备
WO2024001045A1 (zh) 碳配额盈缺预测方法、装置电子设备及存储介质
CN104933621A (zh) 一种担保圈的大数据分析系统和方法
Giroux et al. A high-frequency mobile phone data collection approach for research in social-environmental systems: applications in climate variability and food security in sub-Saharan Africa
CN116203352A (zh) 一种配电网的故障预警方法、装置、设备及介质
Jie RETRACTED ARTICLE: Precision and intelligent agricultural decision support system based on big data analysis
CN113688542A (zh) 智能优化水资源配置方法、装置、计算机设备及存储介质
CN113592293A (zh) 风险识别处理方法、电子设备及计算机可读存储介质
CN110704504A (zh) 数据源采集接口分发方法、系统、存储介质及终端
CN116402528A (zh) 电力数据处理系统
CN114911769A (zh) 支持自定义动态标签构建的数据管理方法和系统
CN114219663A (zh) 产品推荐方法、装置、计算机设备及存储介质
Verdonck et al. A clustering approach to anonymize locations during dataset de-identification
Saadane et al. Data-driven agriculture and role of AI in smart farming

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