CN111159512A - 轨迹信息的处理方法和服务器 - Google Patents
轨迹信息的处理方法和服务器 Download PDFInfo
- Publication number
- CN111159512A CN111159512A CN201911422989.4A CN201911422989A CN111159512A CN 111159512 A CN111159512 A CN 111159512A CN 201911422989 A CN201911422989 A CN 201911422989A CN 111159512 A CN111159512 A CN 111159512A
- Authority
- CN
- China
- Prior art keywords
- track
- data
- entity
- track data
- trajectory
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Library & Information Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种轨迹信息的处理方法和服务器,在一个实施例中,该方法可应用于轨迹信息处理系统中的第一设备,包括:接收多个实体标识对应的轨迹数据,每个实体标识用于指示轨迹数据所属的实体;根据每个实体标识对应的轨迹数据量,将所述多个实体标识对应的多个实体的所有轨迹数据分配给多个第二设备,以使所述多个实体中的部分实体的所有轨迹数据被存储到同一第二设备中。以此可以改善现有技术中对于大数据的处理速度较低的问题。
Description
技术领域
本申请涉及大数据处理技术领域,具体而言,涉及一种轨迹信息的处理方法和服务器。
背景技术
在目前的大数据处理技术下,随着业务的进行,数据量会不断增加,且对各种数据进行处理的算法模型会不断增加,如何提高大数据处理速度以快速完成大量的数据处理是一个重要挑战。
目前的一种做法是:通过可以横向扩展的分布式系统,以增加计算节点的方式来加快计算过程。
但是,仅因为数据的增加或算法模型的增加就任意增加设备节点的方式,会耗费大量的设备成本,且计算速度仍然较低。
发明内容
本申请实施例的目的在于提供一种轨迹信息的处理方法和服务器,用以改善现有技术中对于大数据的处理速度较低的问题。
第一方面,本申请实施例提供一种轨迹信息的处理方法,应用于轨迹信息处理系统中的第一设备,所述方法包括:
接收多个实体标识对应的轨迹数据,每个实体标识用于指示轨迹数据所属的实体;
根据每个实体标识对应的轨迹数据量,将所述多个实体标识对应的多个实体的所有轨迹数据分配给多个第二设备,以使所述多个实体中的部分实体的所有轨迹数据被存储到同一第二设备中。
通过上述方法,可以让部分实体的所有轨迹数据被存储到同一第二设备中,降低了同一用户的轨迹数据被存储到不同第二设备上的概率。上述方法考虑到了各实体在轨迹数据上的业务不相关性,将各个实体的轨迹数据以分布式存储的方式实现数据本地化,在以各个实体作为计算对象以计算时空特征时,有利于降低系统内部的通信次数,提升带宽利用率,实现对于大数据处理的分布式优化处理,提升计算速度。相较于简单的增加计算节点的方式,上述方法能够在一定程度上降低设备成本。
在可选的实施方式中,所述根据每个实体标识对应的轨迹数据量,将所述多个实体标识对应的多个实体的所有轨迹数据分配给多个第二设备,包括:
根据每个实体标识对应的轨迹数据量,通过哈希取模法对所述多个实体中的每个实体的所有轨迹数据进行分配,以将所述多个实体标识对应的多个实体的所有轨迹数据分配给所述多个第二设备。
通过上述实现方式,以此可以使得每个第二设备对应的实体数量尽可能接近,有利于实现负载均衡。
在可选的实施方式中,所述方法还包括:
向所述多个第二设备发送轨迹分析任务,以供所述多个第二设备中的每个第二设备根据所述轨迹分析任务,加载已存储的各个实体的轨迹数据中的指定类型的轨迹数据,以通过所述每个第二设备的多个轨迹特征模型对所述指定类型的轨迹数据进行分析,得到单个第二设备的所述多个轨迹特征模型分别得到的轨迹分析结果;
接收所述多个第二设备中的任意设备发送的轨迹分析结果;
对接收到的轨迹分析结果进行汇总并存储。
通过上述实现方式,在各个实体的轨迹数据以分布式存储的方式实现数据本地化的情况下,基于各实体在轨迹数据上的业务不相关性,能够以一份或一类数据实现多种逻辑算法的模型分析。在加载并读取一份数据到内存后可以直接进行多种模型的并行计算,尽可能避免数据的重复加载。
在可选的实施方式中,所述方法还包括:
在获取到目标实体的至少一条新增轨迹数据时,基于所述目标实体的历史存储记录,从所述多个第二设备中确定存储有所述目标实体的历史轨迹数据的第一目标设备;
将所述至少一条新增轨迹数据发送给所述第一目标设备,以供所述第一目标设备存储所述至少一条新增轨迹数据。
通过上述实现方式,使得与同一实体的相关的所有轨迹数据被存储到同一设备中,避免同一实体的数据过于分散,有利于在执行个体轨迹分析任务时降低系统内部通信次数,提升计算效率。
在可选的实施方式中,所述方法还包括:
向所述第一目标设备发送轨迹分析任务,以供所述第一目标设备根据所述轨迹分析任务,加载所述第一目标设备上存储的所述新增轨迹数据,以通过所述第一目标设备上与所述新增轨迹数据对应的轨迹特征模型,对所述新增轨迹数据进行分析,得到新增轨迹分析结果;
接收所述第一目标设备发送的所述新增轨迹分析结果;
根据所述新增轨迹分析结果对已有的轨迹分析结果进行更新。
通过上述实现方式,可以避免第二设备对于目标实体的历史轨迹数据进行重复加载与分析,可以快速进行结果更新。
在可选的实施方式中,所述方法还包括:
向所述多个第二设备中的第二目标设备发送数据迁移指令,以供所述第二目标设备基于选定实体的实体标识,对所述选定实体的所有轨迹数据进行压缩,得到所述选定实体对应的压缩轨迹数据;
接收所述第二目标设备发送的所述压缩轨迹数据;
将所述压缩轨迹数据发送给所述多个第二设备中的第三目标设备,以供所述第三目标设备对所述压缩轨迹数据进行存储。
通过上述实现方式,可以避免第二设备因存储空间不足而影响轨迹数据的高效分析。
第二方面,本申请实施例提供一种轨迹信息的处理方法,应用于轨迹信息处理系统中的多个第二设备中的任一第二设备,所述方法包括:
接收所述轨迹信息处理系统中的第一设备发送的至少一个实体的轨迹数据,所述至少一个实体的轨迹数据是所述第一设备根据接收到的多个实体标识对应的轨迹数据后,根据每个实体标识对应的轨迹数据量分配给所述第二设备的;其中,每个实体标识用于指示轨迹数据所属的实体;
对所述第一设备发送的每个实体的轨迹数据进行存储。
通过上述方法,可以实现整个轨迹信息处理系统中的分布式存储,能够将各实体的数据实现本地化。在以各实体个体作为计算对象以计算时空特征时,有利于降低系统内部的通信次数,提升带宽利用率,实现对于大数据处理的分布式优化处理,提升计算速度,还能在一定程度上降低设备成本。
在可选的实施方式中,所述方法还包括:
响应所述第一设备的任务处理请求,调取至少一个轨迹特征模型,并读取已存储的各个实体的轨迹数据中的指定类型的轨迹数据;
通过所述至少一个轨迹特征模型对所述指定类型的轨迹数据进行分析,得到所述至少一个轨迹特征模型中每个模型的轨迹分析结果;
将所述至少一个轨迹特征模型中每个模型的轨迹分析结果发送给所述第一设备,以供所述第一设备根据所述轨迹分析结果进行汇总处理。
通过上述实现方式,第二设备可以快速得到各实体的指定类型的轨迹数据在一个或多个模型下的轨迹分析结果,避免了第二设备调用一个模型时需要遍历其他的多个节点并获取到所需的数据之后才能进行计算的情况,降低了系统内部的通信次数,提升了带宽利用率,提升了计算速度。
在可选的实施方式中,所述通过所述至少一个轨迹特征模型对所述指定类型的轨迹数据进行分析,得到所述至少一个轨迹特征模型中每个模型的轨迹分析结果,包括:
对所述至少一个轨迹特征模型中依赖同类数据的模型,以管道模式对读取到的所述指定类型的轨迹数据进行分析,得到所述管道模式下的各个模型的轨迹分析结果。
通过上述实现方式,通过依赖同类数据的多个轨迹特征模型构建管道模式,加载一次数据就可以完成多个模型的计算,相较于传统的每次调取模型都需要分别加载数据的方式,可以提升执行效率。
第三方面,实施例提供一种服务器,包括:
存储器;
处理器;
所述存储器存储有所述处理器可执行的计算机程序,所述计算机程序被所述处理器执行时执行前述实施方式任一项所述的方法。
第四方面,本申请实施例提供一种轨迹信息的处理装置,应用于轨迹信息处理系统中的第一设备,所述装置包括:
第一接收模块,用于接收多个实体标识对应的轨迹数据,每个实体标识用于指示轨迹数据所属的实体;
分配模块,用于根据每个实体标识对应的轨迹数据量,将所述多个实体标识对应的多个实体的所有轨迹数据分配给多个第二设备,以使所述多个实体中的部分实体的所有轨迹数据被存储到同一第二设备中。
该装置可以用于执行前述第一方面提供的方法。
第五方面,本申请实施例提供一种轨迹信息的处理装置,应用于轨迹信息处理系统中的多个第二设备中的任一第二设备,所述装置包括:
第二接收模块,用于接收所述轨迹信息处理系统中的第一设备发送的至少一个实体的轨迹数据,所述至少一个实体的轨迹数据是所述第一设备根据接收到的多个实体标识对应的轨迹数据后,根据每个实体标识对应的轨迹数据量分配给所述第二设备的;其中,每个实体标识用于指示轨迹数据所属的实体;
存储模块,用于对所述第一设备发送的每个实体的轨迹数据进行存储。
该装置可用于执行前述第二方面提供的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的一种轨迹信息处理系统的示意图。
图2为本申请实施例提供的一种服务器的结构框图。
图3为本申请实施例提供的一种轨迹信息的处理方法的流程图。
图4为本申请实施例提供的一种轨迹信息的处理方法的部分流程图。
图5为本申请实施例提供的一种轨迹信息的处理方法的另一部分流程图。
图6为本申请实施例提供的一种轨迹信息的处理装置的功能结构框图。
图7为本申请实施例提供的另一种轨迹信息的处理装置的功能结构框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
发明人经过研究发现,现有技术仅仅是从设备角度增加了用于计算的计算节点,以横向扩展的方式搭建分布式系统,通过在不同的计算节点上部署不同的特征计算模型,以实现分布式计算。但是,现有技术只是借用了传统的分布式计算框架的计算力,将用于计算的不同特征模型部署到了不同的节点上,若模型、算法增加,就添加新的计算节点进行计算。但是这样的方式需要耗费大量的设备成本,当数据量大、特征模型多时,一味地增加计算节点可能会影响计算速度,这是因为很多特征模型在进行计算时,可能需要访问其他的多个节点上的数据才能进行计算,系统内部通信次数过多的情况下,带宽利用率低、计算成本高、得到计算结果的时间长。
有鉴于此,发明人提出以下实施例以改善上述缺陷,在本申请实施例中,是根据业务数据内容来对分布式系统进行优化,从存储、计算的角度对大数据的业务处理过程进行优化,从而提升计算速度,而不是仅仅通过增加计算节点的方式来提升计算速度。
下面将对本申请实施例中的一些概念进行介绍,以便理解本方案。
时空特征:时空数据是同时具有时间和空间维度的数据,时空大数据包括时间、空间、专题属性信息,具有多源、海量、更新快速等特点。对于时空数据,可以按照时间和空间进行切分形成一组时空特征。例如,对于一批时空数据,可以以10分钟作为时间划分依据,以每个采集数据点作为空间划分依据对时空数据进行切分,得到多组时空特征,每组时空特征包含一个采集数据点在10分钟内的信息。
时空模型:时空模型主要用于研究时空数据,可以包括对于时空数据的表示、存储、操作、查询、更新、可视化等处理内容。例如,时空模型可以是针对公安警务应用场景,针对单一实体轨迹或多实体轨迹的轨迹活动特征进行时空建模得到的模型,所有和时空数据相关的计算模型都可以作为时空模型,时空模型实际上也可以称作时空分析算法。
请参阅图1,图1为本申请实施例提供的一种轨迹信息处理系统的示意图。
如图1所示,该轨迹信息处理系统包括第一设备100以及与该第一设备100通信连接的多个第二设备200。第一设备100、第二设备200均具有运算处理能力,第一设备100可以是服务器、计算机,第二设备200可以是服务器、个人计算机等。
在一个实例中,第一设备100作为主节点,第二设备200作为从节点。第一设备100可以将获取到的数据源经预处理后得到轨迹数据,并将轨迹数据分发给多个第二设备200中的任意设备,以实现数据的分布式存储。第一设备100还可以向第二设备200发送任务,以使第二设备200根据接收到的任务进行处理,并将处理结果返回给第一设备100。第一设备100可以对来自多个第二设备200的处理结果进行汇总并存储。
请参阅图2,图2为本申请实施例提供的一种服务器300的结构框图。图2所示的服务器300可以是图1中的第一设备100,也可以是图1中的第二设备200。
如图2所示,该服务器300包括存储器310、处理器320、通信单元330。存储器310、处理器320、通信单元330之间通过通讯总线直接或间接连接,以实现数据交互。
存储器310是一种存储介质,可以是高速RAM存储器,也可以是非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。存储器310可用于存储本申请实施例提供的轨迹信息的处理方法对应的计算机程序。
处理器320具有运算处理能力,可以是中央处理器(Central ProcessingUnit,CPU)、网络处理器(Network Processor,NP)等通用处理器;还可以是专用处理器或者其他可编程逻辑器件搭建的处理器。处理器320可以实现本申请实施例提供的方法、步骤及逻辑框图。
当存储器310上存储的计算机程序被处理器320运行时,可以实现本申请实施例提供的轨迹信息的处理方法。
通信单元330可以包括通信总线、通信芯片等通信所需的介质。服务器300可以通过通信单元330实现与外部设备的有线或无线通信连接,从而实现数据交互。
可以理解的是,图2所示的结构仅作为示意,具体应用时,服务器300还可以有更多的组件,或具有与图2所示所不同的配置方式。例如,该服务器300还可以包括显示单元,用于为用户提供交互界面,或展示本申请实施例提供的方法中的一些中间数据或结果数据。
请参阅图3,图3为本申请实施例提供的一种轨迹信息的处理方法的流程图。该方法可应用于轨迹信息处理系统,该轨迹信息处理系统包括第一设备以及多个第二设备。
该方法可以包括步骤:S31-S34。
S31:第一设备接收多个实体标识对应的轨迹数据,每个实体标识用于指示轨迹数据所属的实体。
其中,实体标识可以记为实体ID(Identity document,身份标识号),实体ID可以是人的标识或人的所属物标识。例如实体标识可以包括手机号、车牌号、虚拟账号(包括即时通讯账号)、身份证号等。通过与这些实体标识相关的轨迹信息可以分析出每个实体标识对应的轨迹数据。
在本申请实施例中,轨迹信息可以包括公安收集到的人像卡口轨迹、车辆卡口轨迹、电子围栏轨迹、WIFI围栏轨迹、人证核查核录轨迹等轨迹数据。例如,通过手机号、虚拟账户、身份证号的网上使用痕迹(包括电子围栏轨迹、WIFI围栏轨迹、人证核查核录轨迹),可以得知网上活动轨迹,通过车牌号对应的车辆卡口轨迹、身份证号对应的人像卡口轨迹可以得知出行活动轨迹。其中,通过对每个实体的实体标识对应的轨迹数据进行处理可以为警务、法务分析提供参考依据。
S32:第一设备根据每个实体标识对应的轨迹数据量,将多个实体标识对应的多个实体的所有轨迹数据分配给多个第二设备,以使多个实体中的部分实体的所有轨迹数据被存储到同一第二设备中。
在一个实例中,对于50个用户实体的2000条轨迹数据(包括根据车牌号得到的车辆出行数据、根据身份证号得到的酒店入住数据等),可以将这50个用户的轨迹数据分配给4个第二设备,使得该50个用户中部分用户的所有轨迹数据能够被存储到同一个第二设备中。其中,该4个第二设备中存储的数据数量可以相同,也可以不同,每个第二设备存储的数据量可以根据实际的用户存在多少条轨迹数据以及第一设备接收到的轨迹数据的总量而确定。
通过S32,可以让每个实体的所有轨迹数据被存储到同一第二设备中,避免了同一用户的轨迹数据被存储到不同第二设备上的情况,保障了个体数据在同一设备上的数据完整性,由于同一用户的数据被存储到同一第二设备中,实现了单个用户的轨迹数据本地化,在以各个实体个体作为计算对象以计算时空特征时,有利于降低系统内部的通信次数,提升带宽利用率,实现对于大数据处理的分布式优化处理,提升计算速度。相较于简单的增加计算节点的方式,本申请实施例提供的方案能够在一定程度上降低设备成本。
作为一种实现方式,上述S31-S32的方法可以用于对批量数据进行处理,例如,可以对第一设备首次获取到的批量的轨迹数据,基于各条轨迹数据所属的实体,对批量的轨迹数据进行快速分配,从而实现对于首批轨迹数据的快速分布式存储。
S33:第二设备接收轨迹信息处理系统中的第一设备发送的至少一个实体的轨迹数据。
其中,该至少一个实体的轨迹数据可以是一条数据,也可以是一段时间内的多条数据。该至少一个实体的轨迹数据是第一设备根据接收到的多个实体标识对应的轨迹数据后,根据每个实体标识对应的轨迹数据量分配给该第二设备的。其中,每个实体标识用于指示轨迹数据所属的实体。
S34:第二设备对第一设备发送的每个实体的轨迹数据进行存储。
其中,该S33-S34可以由轨迹信息处理系统中的多个第二设备中的任一第二设备执行。
通过上述S33-S34,可以实现整个轨迹信息处理系统中的分布式存储,能够将每个实体的数据实现数据本地化。在以各实体个体作为计算对象以计算时空特征时,有利于降低系统内部的通信次数,提升带宽利用率,实现对于大数据处理的分布式优化处理,提升计算速度,还能在一定程度上降低设备成本。
在一个应用场景中,本申请实施例提供的方案可以是为指定机构提供计算、查询、存储服务的方案,例如可以提供为警方、法务处理方等提供业务服务。
作为一种实现方式,上述S32可以包括:根据每个实体标识对应的轨迹数据量,通过哈希取模法对多个实体中的每个实体的所有轨迹数据进行分配,以将多个实体标识对应的多个实体的所有轨迹数据分配给多个第二设备。
其中,哈希取模法的思想是做除法运算取余数,以商和余数的值进行分配。
在一个实例中,若第一设备获取到了6000条轨迹数据,通过对6000条轨迹数据的实体标识进行识别,得知这6000条轨迹数据中对应100个用户实体,且该100个用户实体中每个实体的轨迹数据量相同,均为60条。假设存在6个第二设备,则可以通过哈希取模法对该100个用户的6000条数据进行分配,通过将轨迹数据总量与第二设备的数量进行除法运算,可以得知该6个第二设备在存储该6000条数据时,每个数据的存储量在1000条较为适宜,以此有利于实现负载均衡。通过将用户实体个数与第二设备的数量进行除法运算,可以得知余数为4,则可以为该6个第二设备中每个设备先分配16个实体的轨迹数据,再将最后4个实体的轨迹数据分配给该6个第二设备中的4个设备,以此可以使得每个第二设备对应的实体个数尽可能接近,有利于实现负载均衡。
在实际应用中,各个实体的轨迹数据量可能不是均衡的,但通过上述思想仍然可以为批量的轨迹数据进行快速分配。例如,若仅有两个第二设备,需要存储3个用户的100条轨迹数据(一个用户50条,另外两个用户均是25条),则一个第二设备可以存储一个用户的50条轨迹数据,另外一个第二设备存储剩余两个用户的50条轨迹数据。
对于同一批轨迹数据,在每个实体的所有轨迹数据都能够被完整存储到同一个第二设备的基础上,通过哈希取模法可以快速确定将哪些实体的轨迹数据分配给哪个第二设备,将数据同步到第二设备上,并且可以实现各个第二设备的数据存储量尽可能接近,从而实现负载均衡。即,在实现数据本地化的基础上,尽可能实现各个第二设备的数据量均衡。
可选地,针对上述S31-S34关于数据的分布式存储的内容,请参阅图4,轨迹信息的处理方法还可以包括计算任务的分布式执行过程,该计算任务的分布式执行过程包括步骤S41-44。
S41:第一设备向多个第二设备发送轨迹分析任务。
其中,轨迹分析任务可以作为任务处理请求,用于确定需要用到哪些轨迹特征模型(即,时空模型),每个轨迹特征模型中定义了参与计算的轨迹数据类型。
S42:该多个第二设备中的每个第二设备根据轨迹分析任务,加载已存储的各个实体的轨迹数据中的指定类型的轨迹数据,以通过每个第二设备的多个轨迹特征模型对指定类型的轨迹数据进行分析,得到单个第二设备的多个轨迹特征模型分别得到的轨迹分析结果。
在该多个第二设备中的任一第二设备接收到第一设备的轨迹分析任务时,将轨迹分析任务作为任务处理请求。响应该第一设备的任务处理请求,可以建立子任务,在子任务下根据任务处理请求调取至少一个轨迹特征模型,并读取已存储的各个实体的轨迹数据中的指定类型的轨迹数据。该指定类型的轨迹数据根据调取的轨迹特征模型确定。
单个第二设备通过该至少一个轨迹特征模型对该指定类型的轨迹数据进行并行分析,得到该至少一个轨迹特征模型中每个模型的轨迹分析结果。然后第二设备将该至少一个轨迹特征模型中每个模型的轨迹分析结果发送给第一设备。
通过上述实现方式,第一设备在向多个第二设备发送轨迹分析任务后,接收到轨迹分析任务的第二设备可以调取本地的一个或多个轨迹特征模型进行计算,并读取本地已存储的各个实体的指定类型的轨迹数据,从而快速得到各实体的指定类型的轨迹数据在一个或多个模型下的轨迹分析结果,避免了第二设备调用一个模型时需要遍历其他的多个节点并获取到所需的数据之后才能进行计算的情况,降低了系统内部的通信次数,提升了带宽利用率,提升了计算速度。
其中,若前述的至少一个轨迹特征模型中存储部分模型需要依赖相同类型的数据进行计算,第二设备对于至少一个轨迹特征模型中依赖同类数据的模型,以管道模式对读取到的指定类型的轨迹数据进行分析,得到管道模式下的各个模型的轨迹分析结果。
管道模式,又称pipeline模式。当各个实体的数据被存储到第二设备上后,在确定哪些模型是基于同种数据进行计算时,针对基于同种数据进行分析的模型,可以通过加载一次数据就完成多个模型的计算,从而提升执行效率。通过依赖同类数据的多个轨迹特征模型构建管道模式,可以实现一次加载操作下的多种计算,相较于传统的每次调取模型都需要分别加载数据的方式,可以提升执行效率。
在一个实例中,该至少一个轨迹特征模型中包括“首次入城计算模型B1”、“昼伏夜出计算模型B2”、“重点人员去往敏感地区长期未归计算模型B3”。对于首次入城的模型B1,可以分析出首次进入一个城市区域的外地人或外地车牌,可以用于对重点关注人员的人像卡口轨迹、重点关注车辆的出行轨迹进行分析计算。对于昼如夜出的模型B2,可以分析出一段时间内(例如5天、7天、半个月)内的大量轨迹信息集中在夜间(例如21:00-06:00)的本地重点关注车辆。本地重点关注车辆若出现昼伏夜出特征,出现风险、发生案件的几率可能会增大,因此进行关注。其中,重点关注人员、重点关注车辆可能会与刑事案件的涉案人员有关。
对于B1、B2、B3这三个轨迹特征模型,均需要用到各个实体的车辆出行轨迹数据,此时将该B1、B2、B3这三个轨迹特征模型组成管道模式,并以管道模式对第二设备上已存储的各个实体的车辆出行轨迹数据进行分析,得到管道模式下的各个模型的轨迹分析结果,并将得到的三个模型的轨迹分析结果返回给第一设备。
在另一个实例中,对于调取的一个轨迹特征模板B4,模型B4的计算结果可以参与该第二设备上的其他轨迹特征模型B5、B6的计算过程,即,模型B5、B6的计算过程需要依赖模型B4的计算结果,此时即使预先调取的至少一个轨迹特征模型中没有包括B5、B6,也可以将B4、B5、B6视作依赖相同类型的数据的几个轨迹特征模型,同样可以管道模式的思想进行计算,但在向第一设备返回轨迹分析结果时,可以选择性地返回模型B4的轨迹分析结果。
S43:第一设备接收多个第二设备中的任意设备发送的轨迹分析结果。
其中,在S43中,第一设备所接收到的每个轨迹分析结果是相应的第二设备根据轨迹分析任务进行处理后得到的。
S44:第一设备对接收到的轨迹分析结果进行汇总并存储。
其中,由于各个第二设备的处理速度可能有所差异,各个第二设备的轨迹分析结果可能只是总任务下的部分结果,因此第一设备可以对接收到的各个轨迹分析任务进行汇总并存储,以便后续查询。对于第一设备经过汇总并存储的轨迹分析结果,可以提供给用户进行查询、调用。第一设备还可以对各个第二设备的任务处理状态进行监测,例如将返回了轨迹分析结果的第二设备视作已完成此次任务,当轨迹分析任务所对应的所有第二设备都返回轨迹分析结果后,此次轨迹分析任务结束,第一设备对各个轨迹分析结果进行汇总存储。
在一个实例中,第一设备向三个第二设备发送了轨迹分析任务,该三个第二设备中每个第二设备都对一百个实体的轨迹数据进行了分析,第一设备可以接收到关于三百个实体的轨迹分析结果并进行汇总、存储,例如可以将汇总的内容存储到第一设备的结果数据库中。
可以理解的是,第一设备自身也可以作为其他服务器的从属节点,能够与其他系统的其他服务器进行数据交互。
通过上述关于存储、分析计算的内容,可以根据各实体个体在轨迹数据上的业务不相关性,将各个实体的轨迹数据以分布式存储的方式实现数据本地化,降低了网络IO(Input/Output,输入/输出)传输次数。并基于各实体在轨迹数据上的业务不相关性,能够以一份或一类数据实现多种逻辑算法,例如通过人的轨迹数据(包括坐飞机、火车、私家车等)可以计算“频繁出入”、“首次入城”等轨迹特征模型,从而得知哪些用户符合首次入城特征,哪些用户符合频繁出入特征,在以针对实体进行分析时,加载并读取一份数据到内存后可以直接进行多种模型的并行计算,尽可能避免数据的重复加载。
下面将介绍对于新增的轨迹数据的处理方式,包括步骤S51-S52。
S51:第一设备在获取到目标实体的至少一条新增轨迹数据时,基于目标实体的历史存储记录,从多个第二设备中确定存储有该目标实体的历史轨迹数据的第一目标设备。
其中,第一目标设备中存储的关于该目标实体的历史轨迹数据,可以是通过前述S31-S32或S33-S34的实现方式存储的轨迹数据。
S52:第一设备将该至少一条新增轨迹数据发送给第一目标设备,以供第一目标设备存储至少一条新增轨迹数据。
例如,在多个第二设备中的第一目标设备中已经存储了关于目标实体的150条轨迹数据的情况下,第一设备获取到了关于该目标实体的1条新增轨迹数据,基于该目标实体的历史存储记录确定出第一目标设备后,将新增的这条数据发送给第一目标设备,以使第一目标设备对接收到的新增轨迹数据进行存储。若第一设备获取到的是一段时间内(例如一天内)关于该目标实体的5条新增轨迹数据,则将新增的5条数据发送给确定出的第一目标设备,以使第一目标设备对接收到的5条新增轨迹数据进行存储。
通过上述实现方式,可以使得同一实体的所有轨迹数据被存储到同一第二设备中,避免同一实体的数据过于分散,有利于在执行个体轨迹分析任务时降低系统内部通信次数,提升计算效率。
对于目标实体的新增轨迹数据,若目标实体的轨迹数据未曾存储至任意第二设备中,可能无法得到目标实体的历史存储记录,此时可以将该目标实体的新增轨迹数据作为首次出现的实体的轨迹数据,处理方式可以参照前述的S31-S34,以此为该目标实体分配存储新增轨迹数据的节点,确定出的节点作为第一目标设备。
可选地,在上述S52之后,轨迹信息的处理方法还可以包括针对新增轨迹数据的分析计算过程,包括步骤S53-S55。
S53:第一设备向第一目标设备发送轨迹分析任务。
S54:第一目标设备根据轨迹分析任务,加载第一目标设备上存储的新增轨迹数据,以通过第一目标设备上与新增轨迹数据对应的轨迹特征模型,对新增轨迹数据进行分析,得到新增轨迹分析结果。
其中,S54中的新增轨迹数据可以包括S51-S52中的新增轨迹数据,还可以包括第一目标设备自上一次根据轨迹分析任务返回轨迹分析结果之后所接收到的所有新增的轨迹数据。
S55:第一设备接收第一目标设备发送的新增轨迹分析结果。
S56:第一设备根据新增轨迹分析结果对已有的轨迹分析结果进行更新。
上述S53-S56与前述S41-S44的实现方式类似,区别仅在于,在同样的轨迹分析任务、调用相同的轨迹特征模型的情况下,S53-S56的实现过程可以选择性地仅对新增轨迹数据进行分析,能够省略第二设备对于目标实体的历史轨迹数据的重复加载。第一设备在将对新增轨迹数据分析得到的新增轨迹分析结果与对历史轨迹数据分析得到的历史轨迹分析结果进行汇总后,可以得到该目标实体对于同类型的轨迹分析任务的总的轨迹分析结果,以此能够快速实现更新。
需要说明的是,若第一设备向第二目标设备发送的轨迹分析任务中涉及不曾调用过的轨迹特征模型,则需要加载的轨迹数据根据实际调用的轨迹特征模型确定。
可选地,请参阅图5,本申请实施例的轨迹信息的处理方法还可以包括数据迁移过程,包括S61-S63。
S61:第一设备向多个第二设备中的第二目标设备发送数据迁移指令,以供第二目标设备基于选定实体的实体标识,对选定实体的所有轨迹数据进行压缩,得到选定实体对应的压缩轨迹数据。
其中,数据迁移指令可以是第一设备根据各个第二设备的当前剩余存储空间所发出的指令,当第一设备监测到多个第二设备中存在一个第二目标设备的当前剩余存储空间低于一设定值(本领域技术人员自行设定)时,认为该第二目标设备难以再存储批量的新增轨迹数据。此时,第一设备可以向第二目标设备发送数据迁移指令。
数据迁移指令也可以是第一设备在接收到第二目标设备的迁移请求后发出的指令。当第二目标设备自行监测到当前存储空间低于设定值时,可以向第一设备发起迁移请求,从而使得第一设备根据迁移请求向第二目标设备发送数据迁移指令。
第二目标设备可以根据接收到的数据迁移指令确定选定实体,并基于选定实体的实体标识(可能有多个),将选定实体的所有轨迹数据进行压缩,得到选定实体对应的压缩轨迹数据。
S62:第一设备接收第二目标设备发送的压缩轨迹数据。
S63:第一设备将压缩轨迹数据发送给多个第二设备中的第三目标设备,以供第三目标设备对压缩轨迹数据进行存储。
其中,第一设备在接收到第二目标设备发送的压缩轨迹数据后,可以为这批压缩轨迹数据重新分配实现存储的节点,将压缩轨迹数据发送给多个第二设备中的第三目标设备,第三目标设备可以对压缩轨迹数据进行解压,从而对轨迹数据进行恢复。
基于同一发明构思,本申请实施例还提供一种轨迹信息的处理装置700,应用于轨迹信息处理系统中的第一设备,如图6所示,该装置包括第一接收模块701、分配模块702。该装置可用于执行前述轨迹信息的处理方法中关于第一设备的方法部分。
第一接收模块701,用于接收多个实体标识对应的轨迹数据,每个实体标识用于指示轨迹数据所属的实体。
分配模块702,用于根据每个实体标识对应的轨迹数据量,将多个实体标识对应的多个实体的所有轨迹数据分配给多个第二设备,以使多个实体中的部分实体的所有轨迹数据被存储到同一第二设备中。
可选地,该分配模块702,还可用于根据每个实体标识对应的轨迹数据量,通过哈希取模法对所述多个实体中的每个实体的所有轨迹数据进行分配,以将所述多个实体标识对应的多个实体的所有轨迹数据分配给所述多个第二设备。
可选地,该装置还可包括任务模块,用于向所述多个第二设备发送轨迹分析任务,以供所述多个第二设备中的每个第二设备根据所述轨迹分析任务,加载已存储的各个实体的轨迹数据中的指定类型的轨迹数据,以通过所述每个第二设备的多个轨迹特征模型对所述指定类型的轨迹数据进行分析,得到单个第二设备的所述多个轨迹特征模型分别得到的轨迹分析结果;接收所述多个第二设备中的任意设备发送的轨迹分析结果;对接收到的轨迹分析结果进行汇总并存储。
可选地,该装置还可包括新增数据处理模块,用于在获取到目标实体的至少一条新增轨迹数据时,基于所述目标实体的历史存储记录,从所述多个第二设备中确定存储有所述目标实体的历史轨迹数据的第一目标设备;分配模块702还可用于将所述至少一条新增轨迹数据发送给所述第一目标设备,以供所述第一目标设备存储所述至少一条新增轨迹数据。
可选地,任务模块还可用于向所述第一目标设备发送轨迹分析任务,以供所述第一目标设备根据所述轨迹分析任务,加载所述第一目标设备上存储的所述新增轨迹数据,以通过所述第一目标设备上与所述新增轨迹数据对应的轨迹特征模型,对所述新增轨迹数据进行分析,得到新增轨迹分析结果;接收所述第一目标设备发送的所述新增轨迹分析结果;根据所述新增轨迹分析结果对已有的轨迹分析结果进行更新。
可选地,该装置还可包括数据迁移模块,用于向所述多个第二设备中的第二目标设备发送数据迁移指令,以供所述第二目标设备基于选定实体的实体标识,对所述选定实体的所有轨迹数据进行压缩,得到所述选定实体对应的压缩轨迹数据;接收所述第二目标设备发送的所述压缩轨迹数据;将所述压缩轨迹数据发送给所述多个第二设备中的第三目标设备,以供所述第三目标设备对所述压缩轨迹数据进行存储。
基于同一发明构思,本申请实施例提供另一种轨迹信息的处理装置800,应用于轨迹信息处理系统中的多个第二设备中的任一第二设备,请参阅图7,该装置包括:第二接收模块801、存储模块802。该装置可用于实现前述轨迹信息的处理方法中关于第二设备的方法部分。
第二接收模块801,用于接收轨迹信息处理系统中的第一设备发送的至少一个实体的轨迹数据,至少一个实体的轨迹数据是第一设备根据接收到的多个实体标识对应的轨迹数据后,根据每个实体标识对应的轨迹数据量分配给第二设备的;其中,每个实体标识用于指示轨迹数据所属的实体。
存储模块802,用于对第一设备发送的每个实体的轨迹数据进行存储。
可选地,该装置还可包括响应模块,用于响应所述第一设备的任务处理请求,调取至少一个轨迹特征模型,并读取已存储的各个实体的轨迹数据中的指定类型的轨迹数据;通过所述至少一个轨迹特征模型对所述指定类型的轨迹数据进行分析,得到所述至少一个轨迹特征模型中每个模型的轨迹分析结果;将所述至少一个轨迹特征模型中每个模型的轨迹分析结果发送给所述第一设备,以供所述第一设备根据所述轨迹分析结果进行汇总处理。
可选地,该响应模块还可用于对所述至少一个轨迹特征模型中依赖同类数据的模型,以管道模式对读取到的所述指定类型的轨迹数据进行分析,得到所述管道模式下的各个模型的轨迹分析结果。
关于本申请实施例中关于轨迹信息的处理装置的其他细节,请参照前述关于轨迹信息的处理方法的相关描述,在此不再赘述。
除了上述实施例,本申请实施例还提供了一种存储介质,该存储介质上存储有计算机程序,计算机程序被执行时可以实现前述的轨迹信息的处理方法。存储介质可包括:U盘、移动硬盘、存储器、磁盘等各种可以存储程序代码的介质。例如,该存储介质可以是第一设备或第二设备的存储器310。
综上所述,通过本申请的各个实施例可以在对个体的轨迹信息进行分析时提升执行效率,利用了业务的不相关性实现了数据的分布式存储、高效实现数据本地化,降低了分布式计算过程中所需的网络通讯次数。并且通过管道模式下依赖同类数据的多个模型对相同类型的数据进行并行处理,减少了数据的重复加载至内存的次数,在一定程度上提升了在有限时间、有限设备资源情况下的执行速度。在实际应用场景中,针对大量的轨迹数据,上述方案可以实现晚上分析计算,白天直接使用轨迹分析结果的需求,能够快速从大量的轨迹数据中分析出符合筛选条件、满足特征模型的实体,可以快速从大量的轨迹数据中确定出哪些人、哪些数据是需要关注的对象,快速响应用户的查询需求,对于案情梳理、证据分析等业务需求能够提供高效的数据储备支持。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统。另一点,所讨论的相互之间的连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,作为分离部件说明的单元即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种轨迹信息的处理方法,其特征在于,应用于轨迹信息处理系统中的第一设备,所述方法包括:
接收多个实体标识对应的轨迹数据,每个实体标识用于指示轨迹数据所属的实体;
根据每个实体标识对应的轨迹数据量,将所述多个实体标识对应的多个实体的所有轨迹数据分配给多个第二设备,以使所述多个实体中的部分实体的所有轨迹数据被存储到同一第二设备中。
2.根据权利要求1所述的方法,其特征在于,所述根据每个实体标识对应的轨迹数据量,将所述多个实体标识对应的多个实体的所有轨迹数据分配给多个第二设备,包括:
根据每个实体标识对应的轨迹数据量,通过哈希取模法对所述多个实体中的每个实体的所有轨迹数据进行分配,以将所述多个实体标识对应的多个实体的所有轨迹数据分配给所述多个第二设备。
3.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
向所述多个第二设备发送轨迹分析任务,以供所述多个第二设备中的每个第二设备根据所述轨迹分析任务,加载已存储的各个实体的轨迹数据中的指定类型的轨迹数据,以通过所述每个第二设备的多个轨迹特征模型对所述指定类型的轨迹数据进行分析,得到单个第二设备的所述多个轨迹特征模型分别得到的轨迹分析结果;
接收所述多个第二设备中的任意设备发送的轨迹分析结果;
对接收到的轨迹分析结果进行汇总并存储。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在获取到目标实体的至少一条新增轨迹数据时,基于所述目标实体的历史存储记录,从所述多个第二设备中确定存储有所述目标实体的历史轨迹数据的第一目标设备;
将所述至少一条新增轨迹数据发送给所述第一目标设备,以供所述第一目标设备存储所述至少一条新增轨迹数据。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
向所述第一目标设备发送轨迹分析任务,以供所述第一目标设备根据所述轨迹分析任务,加载所述第一目标设备上存储的所述新增轨迹数据,以通过所述第一目标设备上与所述新增轨迹数据对应的轨迹特征模型,对所述新增轨迹数据进行分析,得到新增轨迹分析结果;
接收所述第一目标设备发送的所述新增轨迹分析结果;
根据所述新增轨迹分析结果对已有的轨迹分析结果进行更新。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
向所述多个第二设备中的第二目标设备发送数据迁移指令,以供所述第二目标设备基于选定实体的实体标识,对所述选定实体的所有轨迹数据进行压缩,得到所述选定实体对应的压缩轨迹数据;
接收所述第二目标设备发送的所述压缩轨迹数据;
将所述压缩轨迹数据发送给所述多个第二设备中的第三目标设备,以供所述第三目标设备对所述压缩轨迹数据进行存储。
7.一种轨迹信息的处理方法,其特征在于,应用于轨迹信息处理系统中的多个第二设备中的任一第二设备,所述方法包括:
接收所述轨迹信息处理系统中的第一设备发送的至少一个实体的轨迹数据,所述至少一个实体的轨迹数据是所述第一设备根据接收到的多个实体标识对应的轨迹数据后,根据每个实体标识对应的轨迹数据量分配给所述第二设备的;其中,每个实体标识用于指示轨迹数据所属的实体;
对所述第一设备发送的每个实体的轨迹数据进行存储。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
响应所述第一设备的任务处理请求,调取至少一个轨迹特征模型,并读取已存储的各个实体的轨迹数据中的指定类型的轨迹数据;
通过所述至少一个轨迹特征模型对所述指定类型的轨迹数据进行分析,得到所述至少一个轨迹特征模型中每个模型的轨迹分析结果;
将所述至少一个轨迹特征模型中每个模型的轨迹分析结果发送给所述第一设备,以供所述第一设备根据所述轨迹分析结果进行汇总处理。
9.根据权利要求8所述的方法,其特征在于,所述通过所述至少一个轨迹特征模型对所述指定类型的轨迹数据进行分析,得到所述至少一个轨迹特征模型中每个模型的轨迹分析结果,包括:
对所述至少一个轨迹特征模型中依赖同类数据的模型,以管道模式对读取到的所述指定类型的轨迹数据进行分析,得到所述管道模式下的各个模型的轨迹分析结果。
10.一种服务器,其特征在于,包括:
存储器;
处理器;
所述存储器存储有所述处理器可执行的计算机程序,所述计算机程序被所述处理器执行时执行权利要求1-9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911422989.4A CN111159512B (zh) | 2019-12-30 | 2019-12-30 | 轨迹信息的处理方法和服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911422989.4A CN111159512B (zh) | 2019-12-30 | 2019-12-30 | 轨迹信息的处理方法和服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111159512A true CN111159512A (zh) | 2020-05-15 |
CN111159512B CN111159512B (zh) | 2023-02-28 |
Family
ID=70560582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911422989.4A Active CN111159512B (zh) | 2019-12-30 | 2019-12-30 | 轨迹信息的处理方法和服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111159512B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950937A (zh) * | 2020-09-01 | 2020-11-17 | 上海海事大学 | 一种基于融合时空轨迹的重点人员风险评估方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103700010A (zh) * | 2013-12-30 | 2014-04-02 | 世纪禾光科技发展(北京)有限责任公司 | 一种商品轨迹系统及相关方法 |
US20180165349A1 (en) * | 2016-12-14 | 2018-06-14 | Linkedin Corporation | Generating and associating tracking events across entity lifecycles |
CN108874907A (zh) * | 2018-05-25 | 2018-11-23 | 北京明略软件系统有限公司 | 一种数据查询方法和装置、计算机可读存储介质 |
CN109190656A (zh) * | 2018-07-16 | 2019-01-11 | 浙江大学 | 一种低采样定位环境下的室内语义轨迹标注和补全方法 |
CN110569318A (zh) * | 2018-05-16 | 2019-12-13 | 杭州海康威视数字技术股份有限公司 | 时空数据的存储方法、查询方法及存储装置、查询装置 |
-
2019
- 2019-12-30 CN CN201911422989.4A patent/CN111159512B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103700010A (zh) * | 2013-12-30 | 2014-04-02 | 世纪禾光科技发展(北京)有限责任公司 | 一种商品轨迹系统及相关方法 |
US20180165349A1 (en) * | 2016-12-14 | 2018-06-14 | Linkedin Corporation | Generating and associating tracking events across entity lifecycles |
CN110569318A (zh) * | 2018-05-16 | 2019-12-13 | 杭州海康威视数字技术股份有限公司 | 时空数据的存储方法、查询方法及存储装置、查询装置 |
CN108874907A (zh) * | 2018-05-25 | 2018-11-23 | 北京明略软件系统有限公司 | 一种数据查询方法和装置、计算机可读存储介质 |
CN109190656A (zh) * | 2018-07-16 | 2019-01-11 | 浙江大学 | 一种低采样定位环境下的室内语义轨迹标注和补全方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950937A (zh) * | 2020-09-01 | 2020-11-17 | 上海海事大学 | 一种基于融合时空轨迹的重点人员风险评估方法 |
CN111950937B (zh) * | 2020-09-01 | 2023-12-01 | 上海海事大学 | 一种基于融合时空轨迹的重点人员风险评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111159512B (zh) | 2023-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084377B (zh) | 用于构建决策树的方法和装置 | |
CN110032447B (zh) | 用于分配资源的方法和装置 | |
CN108491267B (zh) | 用于生成信息的方法和装置 | |
CN109783581A (zh) | 权限管理方法、装置、电子设备及存储介质 | |
US20130275229A1 (en) | Apparatus and method for universal personal data portability | |
WO2021056737A1 (zh) | 高频业务数据的数据压缩方法、装置、设备及存储介质 | |
CN111367965B (zh) | 目标对象确定方法、装置、电子设备及存储介质 | |
CN111752944B (zh) | 数据分摊方法、装置、计算机设备及存储介质 | |
CN113230658A (zh) | 资源分配方法、装置、计算机可读介质及电子设备 | |
CN104035939A (zh) | 特有独立规则引擎的灵活监测框架 | |
CN111339183A (zh) | 数据处理方法、边缘节点、数据中心及存储介质 | |
CN110706148B (zh) | 人脸图像处理方法、装置、设备和存储介质 | |
CN113722276A (zh) | 日志数据处理方法、系统、存储介质及电子设备 | |
CN110602215B (zh) | 基于联盟区块链的资源处理方法及联盟区块链系统 | |
CN111159512B (zh) | 轨迹信息的处理方法和服务器 | |
CN110232136A (zh) | 一种基于云计算的大数据处理系统 | |
CN111402045B (zh) | 一种账户数据监管方法和装置 | |
CN116860470A (zh) | 数据传输方法、装置、计算机设备和存储介质 | |
CN111159107A (zh) | 数据处理方法和服务器集群 | |
CN115640457A (zh) | 信息管理方法、装置、设备、介质和程序产品 | |
CN116737351A (zh) | 图像处理系统运行管理方法、装置、存储介质及电子设备 | |
CN114723455A (zh) | 业务处理方法、装置、电子设备和存储介质 | |
CN114116908A (zh) | 一种数据管理方法、装置及电子设备 | |
CN113590575A (zh) | 一种基于服务集成共享的方法、装置、终端及存储介质 | |
CN111143328A (zh) | 一种敏捷商业智能数据构建方法、系统、设备、存储介质 |
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 |