CN111708846A - 一种多终端的数据管理方法及装置 - Google Patents
一种多终端的数据管理方法及装置 Download PDFInfo
- Publication number
- CN111708846A CN111708846A CN202010407409.0A CN202010407409A CN111708846A CN 111708846 A CN111708846 A CN 111708846A CN 202010407409 A CN202010407409 A CN 202010407409A CN 111708846 A CN111708846 A CN 111708846A
- Authority
- CN
- China
- Prior art keywords
- data
- database
- abnormal
- abnormal data
- normal
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013523 data management Methods 0.000 title claims abstract description 27
- 230000002159 abnormal effect Effects 0.000 claims abstract description 109
- 238000007635 classification algorithm Methods 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 31
- 238000013480 data collection Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000013075 data extraction Methods 0.000 claims description 7
- 238000013524 data verification Methods 0.000 claims description 7
- 238000012800 visualization Methods 0.000 claims description 7
- 238000013024 troubleshooting Methods 0.000 abstract description 9
- 238000004891 communication Methods 0.000 abstract description 5
- 230000000007 visual effect Effects 0.000 abstract description 5
- 230000008439 repair process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000007726 management method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
-
- 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
- G06F16/26—Visual data mining; Browsing structured data
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种多终端的数据管理方法及装置,属于通信技术领域,本公开首先采集至少一个终端的数据,然后通过统一的预设分类算法和预设修复算法对数据进行分类和修复,因此只需要采用一个处理逻辑,即可在同一业务场景下对多个终端产生的数据进行处理,并且提高了数据采集和修复速度。此外,采用多个数据库分别存储正常数据和异常数据,从而避免了现有技术中数据库分散在多服务端中,从而导致数据查询和排查问题困难等问题。采集的正常数据和异常数据可以以并可视化显示的方式直观地展示在用户面前,从而便于用户对数据进行监控和管理。
Description
技术领域
本公开涉及通信技术领域,尤其涉及一种多终端的数据管理方法及装置。
背景技术
目前,现有技术中在采集和统计分析多个终端产生的数据时,通常需要多个终端将自身产生的数据上传至相应的服务端,因此存在多服务器处理逻辑,从而导致在同一业务场景下的数据处理规则不统一的问题。并且,由于数据日志分散于多个服务端中,因此数据日志查看困难,排查问题麻烦且难以感知,在集群部署的情况下尤为明显。此外,随着服务端数据的积累,现有技术中常用的关系型数据库管理系统mysql的查询性能下降,虽然可以通过建立索引、分区、分表和分库等手段提升性能,但都存在一些问题,例如索引过多导致的性能下降,分库和分表后的多库多表导致排序统计困难,以及基于多维度的统计困难,建立多维冗余数据导致的存储空间浪费等问题。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本公开提供了一种多终端的数据管理方法及装置。
第一方面,本公开提供了一种多终端的数据管理方法,包括:
S101、采集至少一个终端产生的数据;
S102、通过预设分类算法对数据进行分类处理,得到正常数据和异常数据,并将正常数据存储于第一数据库,将异常数据存储于第二数据库;
S103、从第二数据库中提取异常数据,并通过预设修复算法修复异常数据,并重复执行S102,以通过预设分类算法对修复后的异常数据进行分类处理;
S104、从第一数据库中查询正常数据,和/或从第二数据库中查询异常数据,并可视化显示。
在一些实施例中,通过预设分类算法对数据进行分类处理,得到正常数据和异常数据具体包括:
通过预设分类算法对数据进行数据校验、数据清洗和数据提取中的至少一种,得到正常数据和异常数据。
在一些实施例中,将正常数据存储于第一数据库具体包括:
将正常数据发送至消息队列;
从消息队列中读取正常数据,并将正常数据存储于第一数据库;
将异常数据存储于第二数据库具体包括:
将异常数据标准化;
将标准化后的异常数据存储于第二数据库。
在一些实施例中,通过数据采集工具OpenAPI和SDK中的至少一种采集至少一个终端产生的数据。
在一些实施例中,第一数据库和/或第二数据库包括Elasticsearch 和Clickhouse中的至少一种。
在一些实施例中,将异常数据标准化具体包括:
通过数据采集工具Beats采集异常数据;
通过数据收集引擎Logstash将异常数据标准化。
在一些实施例中,通过可视化平台Kibana从第一数据库中查询正常数据,和/或从第二数据库中查询异常数据,并可视化显示。
第二方面,本公开提供了一种多终端的数据管理装置,包括:
数据采集单元,用于采集至少一个终端产生的数据;
数据处理单元,用于通过预设分类算法对数据进行分类处理,得到正常数据和异常数据,并将正常数据存储于第一数据库,将异常数据存储于第二数据库;
数据修复单元,用于从第二数据库中提取异常数据,并通过预设修复算法修复异常数据,并将修复后的异常数据传输至数据处理单元,以通过预设分类算法对修复后的异常数据进行分类处理;
数据查询单元,用于从第一数据库中查询正常数据,和/或从第二数据库中查询异常数据,并可视化显示。
第三方面,本公开提供了一种服务器,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如本公开第一方面任一的多终端的数据管理方法。
第四方面,本公开提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如本公开第一方面任一的多终端的数据管理方法。
本公开实施例提供的技术方案与现有技术相比具有如下优点:
通过首先采集至少一个终端的数据,然后通过统一的预设分类算法和预设修复算法对数据进行分类和修复,因此只需要采用一个处理逻辑,即可在同一业务场景下对多个终端产生的数据进行处理,并且提高了数据采集和修复速度。此外,采用多个数据库分别存储正常数据和异常数据,从而避免了现有技术中数据库分散在多服务端中,从而导致数据查询和排查问题困难等问题。采集的正常数据和异常数据可以以并可视化显示的方式直观地展示在用户面前,从而便于用户对数据进行监控和管理。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开实施例或现有技术中的技术方案,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,对于本领域普通技术人员而言,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为本公开实施例提供的一种多终端的数据管理方法流程示意图;
图2为本公开实施例提供的将正常数据存储于第一数据库的流程示意图;
图3为本公开实施例提供的将异常数据存储于第二数据库的流程示意图;
图4为本公开实施例提供的将异常数据标准化的流程示意图;
图5为本公开实施例提供的服务端的工作流程示意图;
图6为本公开实施例提供的一种多终端的数据管理装置结构框图;
图7为本公开实施例提供的一种服务器的结构示意图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点,下面将对本公开的方案进行进一步描述。需要说明的是,在不冲突的情况下,本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开,但本公开还可以采用其他不同于在此描述的方式来实施;显然,说明书中的实施例只是本公开的一部分实施例,而不是全部的实施例。
针对现有技术中在采集和统计分析多个终端产生的数据时,通常需要多个终端将自身产生的数据上传至相应的服务端,因此存在多服务器处理逻辑,从而导致在同一业务场景下的数据处理规则不统一的问题。并且,由于数据日志分散于多个服务端中,因此数据日志查看困难,排查问题麻烦且难以感知,在集群部署的情况下尤为明显。此外,随着服务端数据的积累,现有技术中常用的关系型数据库管理系统mysql的查询性能下降,虽然可以通过建立索引、分区、分表和分库等手段提升性能,但都存在一些问题,例如索引过多导致的性能下降,分库和分表后的多库多表导致排序统计困难,以及基于多维度的统计困难,建立多维冗余数据导致的存储空间浪费等问题。本公开实施例提供的多终端的数据管理的技术方案,首先采集至少一个终端的数据,然后通过统一的预设分类算法和预设修复算法对数据进行分类和修复,因此只需要采用一个处理逻辑,即可在同一业务场景下对多个终端产生的数据进行处理,并且提高了数据采集和修复速度。此外,采用多个数据库分别存储正常数据和异常数据,从而避免了现有技术中数据库分散在多服务端中,从而导致数据查询和排查问题困难等问题。采集的正常数据和异常数据可以以并可视化显示的方式直观地展示在用户面前,从而便于用户对数据进行监控和管理。
具体的,第一方面,图1为本公开实施例提供的一种多终端的数据管理方法流程示意图,包括:
S101、采集至少一个终端产生的数据;
在本步骤中,本公开实施例可以通过一个服务端对多个终端产生的数据进行统一管理。其中,终端例如可以是WEB、APP、小程序和桌面客户端等支持多端学习的学习系统,终端产生的数据例如可以是用户通过终端观看直播和视频产生的记录。
S102、通过预设分类算法对数据进行分类处理,得到正常数据和异常数据,并将正常数据存储于第一数据库,将异常数据存储于第二数据库;
在本步骤中,本公开实施例由于采用一个服务端,因此只需要采用一个处理逻辑,即可在同一业务场景下对多个终端产生的数据进行处理。因此在对采集的数据进行分类时,可以通过统一的预设分类算法对数据进行分类。
此外,本公开实施例设置有多个数据库,分别存储分类后的正常数据和异常数据,实现了采用一个服务端对数据的统一管理,从而避免了现有技术中数据库分散在多服务端中,从而导致数据查询和排查问题困难等问题,并且提高了数据采集速度。
S103、从第二数据库中提取异常数据,并通过预设修复算法修复异常数据,并重复执行步骤S102,以通过预设分类算法对修复后的异常数据进行分类处理;
在本步骤中,本公开实施例通过统一的预设修复算法,从多个终端的数据中提取出异常数据,实现了采用一个服务端对数据的统一管理,从而避免了现有技术中数据库分散在多服务端中,从而导致数据查询和排查问题困难等问题,并且提高了数据修复速度。
S104、从第一数据库中查询正常数据,和/或从第二数据库中查询异常数据,并可视化显示。
在本步骤中,本公开实施例可以实时查询存储在第一数据库中的正常数据,以及存储在第二数据库中的异常数据,并且可以以各种图标、表格和地图的形式可视化显示数据,从而使数据直观地显示在用户面前,便于用户对数据进行监控和管理。
本公开实施例首先采集至少一个终端的数据,然后通过统一的预设分类算法和预设修复算法对数据进行分类和修复,因此只需要采用一个处理逻辑,即可在同一业务场景下对多个终端产生的数据进行处理,并且提高了数据采集和修复速度。此外,采用多个数据库分别存储正常数据和异常数据,从而避免了现有技术中数据库分散在多服务端中,从而导致数据查询和排查问题困难等问题。采集的正常数据和异常数据可以以并可视化显示的方式直观地展示在用户面前,从而便于用户对数据进行监控和管理。
在一些实施例中,在图1所示多终端的数据管理方法的基础上,在步骤S102中,通过预设分类算法对数据进行分类处理,得到正常数据和异常数据具体包括:
通过预设分类算法对数据进行数据校验、数据清洗和数据提取中的至少一种,得到正常数据和异常数据。
在本公开实施例中,预设分类算法可以通过数据校验、数据清洗和数据提取等方式对数据进行完整性、合法性和业务校验,以便针对不同场景下的需求对数据进行筛选和过滤,以及针对各下游业务需求对数据进行灵活的提取。
需要说明的是,可根据实际需求采用相应的预设分类算法对数据进行处理,并且处理方式不限于数据校验、数据清洗和数据提取,本公开实施例不做具体限制。
在一些实施例中,在图1所示多终端的数据管理方法的基础上,如图2所示,步骤S102中将正常数据存储于第一数据库具体包括:
S201、将正常数据发送至消息队列;
在本步骤中,在将正常数据存储在第一数据库之前,本公开实施例先将正常数据发送到消息队列(MQ)中,消息队列可以对服务端进行解耦,降低服务端耦合,同时消息队列的数据异步处理特性加快了服务端的相应速度,提高了服务端的数据吞吐量,还可以对数据流量进行削峰处理,从而避免了高并发情况下造成的存储系统不可用等问题。
S202、从消息队列中读取正常数据,并将正常数据存储于第一数据库;
在本步骤中,第一数据库从消息队列中提取正常数据后,正常数据不再在消息队列中存储,从而使消息队列可以对后续的正常数据进行处理。
在图1所示多终端的数据管理方法的基础上,如图3所示,步骤 S102中将异常数据存储于第二数据库具体包括:
S301、将异常数据标准化;
在本步骤中,由于本公开实施例可以采集多个终端的数据,由于多个终端的数据存在差异,为了便于对多个终端的数据进行统一管理,因此在存储到第二数据库之前,需要对来自多个终端的异常数据进行标准化处理。
S302、将标准化后的异常数据存储于第二数据库。
在本步骤中,标准化后的异常数据被存储在一个数据库中,因此便于用户进行查询。
在一些实施例中,在图1所示多终端的数据管理方法的基础上,在步骤S101中,通过数据采集工具OpenAPI和SDK中的至少一种采集至少一个终端产生的数据。
在本公开实施例中,可根据终端数据的类型采用相应的数据采集工具对数据进行采集,例如数据采集工具OpenAPI和SDK。其中,本公开实施例中的服务端设置有OpenAPI接口,并采用HTTP协议,供终端接入。数据采集工具SDK又包括JS-SDK、Android-SDK、IOS-SDK和WX-SDK等,可快速集成在服务端上。此外,可根据实际需求设置相应的数据采集工具,本公开实施例不做具体限制。
在一些实施例中,第一数据库和/或第二数据库包括Elasticsearch 和Clickhouse中的至少一种。
在本公开实施例中,第一数据库和第二数据库可以采用 Elasticsearch和Clickhouse。ElasticSearch可以提供一个分布式多用户能力的全文搜索引擎,当运用在云计算中,具有实时搜索、稳定、可靠、快速和安装使用方便的优点。
传统数据库在数据大小比较小,索引大小适合内存,数据缓存命中率足够高的情形下能正常提供服务。但在要处理的数据量较大时,传统数据库提供的查询会变得越来越慢。虽然可以通过增加更多的内存和更快的磁盘等来加快查询四度,但会增加成本,并且提升有限。而本公开实施例采用的Clickhouse是一个用于联机分析处理(OLAP) 的列式数据库管理系统(columnar DBMS),可以快速地查询出结果。
Elasticsearch和Clickhouse均可以提升实时查询性能和联机分析处理能力,可以解决多维度数据分析的性能问题,同时还提供了很好的横向扩展能力。
需要说明的是,第一数据库和第二数据库也可以根据实际需求采用其它数据库,本公开实施例不做具体限制。
在一些实施例中,在图3所示的方法的基础上,如图4所示,步骤S301中将异常数据标准化具体包括:
S401、通过数据采集工具Beats采集异常数据;
在本步骤中,Beats是一个轻量级的数据采集工具,当有多个终端生成数据时,Beats可以提供一种轻量级简单的方式转发和收集数据,并推送给数据库Elasticsearch或Clickhouse。
S402、通过数据收集引擎Logstash将异常数据标准化。
在本步骤中,由于终端数据具有差异性,而数据收集引擎Logstash 支持各种终端数据的输入,可以在同一时间内从多个终端收集数据,能够以连续的流式传输方式,轻松地从WEB、APP、小程序和桌面客户端等支持多端学习的学习系统中采集数据。此外,Logstash还可以对来自多个终端的异常数据进行标准化处理,从而实现了对多个终端数据的统一管理。
需要说明的是,可以根据需求采用其它数据收集引擎对异常数据进行标准化,本公开实施例不做具体限制。
在一些实施例中,在图1所示多终端的数据管理方法的基础上,在步骤S104中,通过可视化平台Kibana从第一数据库中查询正常数据,和/或从第二数据库中查询异常数据,并可视化显示。
在本公开实施例中,可视化平台Kibana可以实时查询存储在第一数据库中的正常数据,以及存储在第二数据库中的异常数据,并且可以以各种图标、表格和地图的形式可视化显示数据,从而使数据直观地显示在用户面前,便于用户对数据进行监控和管理。
需要说明的是,可以根据实际需求采用其它可视化平台从数据库中查询数据,本公开实施例不做具体限制。
本公开实施例提供的多终端的数据管理方法,具体可应用于服务端,服务端的工作流程如图5所示,以下将对各工作流程进行具体说明:
第一步,服务端执行数据采集流程,通过数据采集工具OpenAPI、 JS-SDK、Android-SDK、IOS-SDK和WX-SDK采集相应的终端数据。
第二步,服务端执行数据处理流程,通过预设分类算法对上报的数据进行数据校验、数据清洗和数据提取。
第三步,服务端执行数据存储流程,对于正常数据的存储,需要先将正常数据发送到消息队列(MQ)中降低服务端耦合,然后再分别存储到第一数据库Elasticsearch和Clickhouse中。而对于异常数据的存储,需要先通过数据采集工具Beats采集多个终端的异常数据,然后转发给数据收集引擎Logstash对异常数据进行标准化处理,最后将标准化处理后的异常数据存储到第二数据库Elasticsearch中。
第四步,服务器执行数据查询流程,通过查询服务或者可视化平台Kibana从数据库Elasticsearch和Clickhouse中查询正常数据和异常数据。
此外,服务端还设置有数据修复系统,通过预设修复算法对存储在数据库Elasticsearch中的异常数据进行提取和修复,然后返回到第二步的数据处理流程。
本公开实施例通过集成ELK(Elasticsearch+Logstash+Kibana)系统,解决了集群环境下数据收集困难的问题,方便快速地查看数据定位问题,并通过监控报警及时反馈存在的问题并快速作出响应。并可基于数据分析出的问题制定规则对数据进行快速的修复,同时不会浪费较多的磁盘资源。
需要说明的是,还可以采用其它的服务端工作流程执行本公开实施例提供的多终端的数据管理方法,本公开实施例不做具体限制。
第二方面,图6为本公开实施例提供的一种多终端的数据管理装置结构框图,如图6所示,包括:
数据采集单元100,用于采集至少一个终端产生的数据;
数据处理单元200,用于通过预设分类算法对数据进行分类处理,得到正常数据和异常数据,并将正常数据存储于第一数据库300,将异常数据存储于第二数据库400;
数据修复单元500,用于从第二数据库400中提取异常数据,并通过预设修复算法修复异常数据,并将修复后的异常数据传输至数据处理单元200,以通过预设分类算法对修复后的异常数据进行分类处理;
数据查询单元600,用于从第一数据库300中查询正常数据,和/ 或从第二数据库400中查询异常数据,并可视化显示。
本公开实施例首先采集至少一个终端的数据,然后通过统一的预设分类算法和预设修复算法对数据进行分类和修复,因此只需要采用一个处理逻辑,即可在同一业务场景下对多个终端产生的数据进行处理,并且提高了数据采集和修复速度。此外,采用多个数据库分别存储正常数据和异常数据,从而避免了现有技术中数据库分散在多服务端中,从而导致数据查询和排查问题困难等问题。采集的正常数据和异常数据可以以并可视化显示的方式直观地展示在用户面前,从而便于用户对数据进行监控和管理。
在一些实施例中,数据处理单元200具体用于:
通过预设分类算法对数据进行数据校验、数据清洗和数据提取中的至少一种,得到正常数据和异常数据。
在一些实施例中,数据处理单元200还具体用于:
将正常数据发送至消息队列;
从消息队列中读取正常数据,并将正常数据存储于第一数据库 300;
将异常数据标准化;
将标准化后的异常数据存储于第二数据库400。
在一些实施例中,数据采集单元100通过数据采集工具OpenAPI 和SDK中的至少一种采集至少一个终端产生的数据。
在一些实施例中,第一数据库和/或第二数据库包括Elasticsearch 和Clickhouse中的至少一种。
在一些实施例中,数据处理单元200将异常数据标准化具体包括:
通过数据采集工具Beats采集异常数据;
通过数据收集引擎Logstash将异常数据标准化。
在一些实施例中,数据查询单元600通过可视化平台Kibana从第一数据库中查询正常数据,和/或从第二数据库中查询异常数据,并可视化显示。
第三方面,图7为本公开实施例提供的一种服务器的结构示意图,如图7所示,其示出了适于用来实现本公开实施例的服务器的结构示意图。以电子设备为例,本公开实施例中的服务器可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、 PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示,服务器700可以包括处理器(例如中央处理器、图形处理器等)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理,例如实现本公开实施例所提供的多终端的数据管理方法,其中该多终端的数据管理方法包括:
S101、采集至少一个终端产生的数据;
S102、通过预设分类算法对数据进行分类处理,得到正常数据和异常数据,并将正常数据存储于第一数据库,将异常数据存储于第二数据库;
S103、从第二数据库中提取异常数据,并通过预设修复算法修复异常数据,并重复执行S102,以通过预设分类算法对修复后的异常数据进行分类处理;
S104、从第一数据库中查询正常数据,和/或从第二数据库中查询异常数据,并可视化显示。
在RAM 703中,还存储有服务器备700操作所需的各种程序和数据。处理器701、ROM702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常,以下装置可以连接至I/O接口705:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置 706;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707;包括例如磁带、硬盘等的存储装置708;以及通信装置709。通信装置709可以允许服务器700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的服务器700,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置709从网络上被下载和安装,或者从存储装置708被安装,或者从ROM 702被安装。在该计算机程序被处理器701执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述服务器中所包含的;也可以是单独存在,而未装配入该服务器中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该服务器执行本实施例提供的多终端的数据管理方法包括:S101、采集至少一个终端产生的数据;S102、通过预设分类算法对数据进行分类处理,得到正常数据和异常数据,并将正常数据存储于第一数据库,将异常数据存储于第二数据库; S103、从第二数据库中提取异常数据,并通过预设修复算法修复异常数据,并重复执行S102,以通过预设分类算法对修复后的异常数据进行分类处理;S104、从第一数据库中查询正常数据,和/或从第二数据库中查询异常数据,并可视化显示。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块或单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块或单元的名称在某种情况下并不构成对该模块本身的限定,例如,数据采集单元还可以被描述为“用于采集至少一个终端产生的数据的单元”;数据处理单元还可以被描述为“用于通过预设分类算法对数据进行分类处理,得到正常数据和异常数据,并将正常数据存储于第一数据库3,将异常数据存储于第二数据库的单元”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于) 具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种多终端的数据管理方法,其特征在于,包括:
S101、采集至少一个终端产生的数据;
S102、通过预设分类算法对所述数据进行分类处理,得到正常数据和异常数据,并将所述正常数据存储于第一数据库,将所述异常数据存储于第二数据库;
S103、从所述第二数据库中提取所述异常数据,并通过预设修复算法修复所述异常数据,并重复执行所述S102,以通过所述预设分类算法对修复后的异常数据进行分类处理;
S104、从所述第一数据库中查询所述正常数据,和/或从所述第二数据库中查询所述异常数据,并可视化显示。
2.如权利要求1所述的方法,其特征在于,所述通过预设分类算法对所述数据进行分类处理,得到正常数据和异常数据具体包括:
通过预设分类算法对所述数据进行数据校验、数据清洗和数据提取中的至少一种,得到正常数据和异常数据。
3.如权利要求1所述的方法,其特征在于,所述将所述正常数据存储于第一数据库具体包括:
将所述正常数据发送至消息队列;
从所述消息队列中读取所述正常数据,并将所述正常数据存储于第一数据库;
所述将所述异常数据存储于第二数据库具体包括:
将所述异常数据标准化;
将标准化后的异常数据存储于第二数据库。
4.如权利要求1所述的方法,其特征在于,通过数据采集工具OpenAPI和SDK中的至少一种采集所述至少一个终端产生的数据。。
5.如权利要求1所述的方法,其特征在于,所述第一数据库和/或所述第二数据库包括Elasticsearch和Clickhouse中的至少一种。
6.如权利要求3所述的方法,其特征在于,所述将所述异常数据标准化具体包括:
通过数据采集工具Beats采集所述异常数据;
通过数据收集引擎Logstash将所述异常数据标准化。
7.如权利要求1所述的方法,其特征在于,通过可视化平台Kibana从所述第一数据库中查询所述正常数据,和/或从所述第二数据库中查询所述异常数据,并可视化显示。
8.一种多终端的数据管理装置,其特征在于,包括:
数据采集单元,用于采集至少一个终端产生的数据;
数据处理单元,用于通过预设分类算法对所述数据进行分类处理,得到正常数据和异常数据,并将所述正常数据存储于第一数据库,将所述异常数据存储于第二数据库;
数据修复单元,用于从所述第二数据库中提取所述异常数据,并通过预设修复算法修复所述异常数据,并将修复后的异常数据传输至所述数据处理单元,以通过所述预设分类算法对所述修复后的异常数据进行分类处理;
数据查询单元,用于从所述第一数据库中查询所述正常数据,和/或从所述第二数据库中查询所述异常数据,并可视化显示。
9.一种服务器,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的数据管理方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-7中任一所述的数据管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010407409.0A CN111708846A (zh) | 2020-05-14 | 2020-05-14 | 一种多终端的数据管理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010407409.0A CN111708846A (zh) | 2020-05-14 | 2020-05-14 | 一种多终端的数据管理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111708846A true CN111708846A (zh) | 2020-09-25 |
Family
ID=72538067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010407409.0A Pending CN111708846A (zh) | 2020-05-14 | 2020-05-14 | 一种多终端的数据管理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111708846A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112395346A (zh) * | 2020-12-10 | 2021-02-23 | 四川长虹电器股份有限公司 | 多端用户数据采集的方法 |
CN113407706A (zh) * | 2021-06-30 | 2021-09-17 | 未鲲(上海)科技服务有限公司 | 异常数据获取方法、装置、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106649527A (zh) * | 2016-10-20 | 2017-05-10 | 重庆邮电大学 | 基于Spark Streaming的广告点击异常检测系统及检测方法 |
CN107070680A (zh) * | 2016-12-02 | 2017-08-18 | 国家电网公司 | 一种it信息机房智能运维系统及方法 |
CN107679089A (zh) * | 2017-09-05 | 2018-02-09 | 全球能源互联网研究院 | 一种用于电力传感数据的清洗方法、装置和系统 |
CN108804497A (zh) * | 2018-04-02 | 2018-11-13 | 北京国电通网络技术有限公司 | 一种基于日志的大数据分析方法 |
CN109274540A (zh) * | 2018-11-16 | 2019-01-25 | 四川长虹电器股份有限公司 | 一种基于storm的Web访问日志处理方法 |
CN110879805A (zh) * | 2019-11-22 | 2020-03-13 | 北京锐安科技有限公司 | 一种数据异常发现方法、装置、服务器及存储介质 |
WO2020078385A1 (zh) * | 2018-10-18 | 2020-04-23 | 杭州海康威视数字技术股份有限公司 | 数据采集方法、装置、存储介质及系统 |
CN111092946A (zh) * | 2019-12-18 | 2020-05-01 | 博依特(广州)工业互联网有限公司 | 一种应用于边缘计算网关的数据处理方法及系统 |
-
2020
- 2020-05-14 CN CN202010407409.0A patent/CN111708846A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106649527A (zh) * | 2016-10-20 | 2017-05-10 | 重庆邮电大学 | 基于Spark Streaming的广告点击异常检测系统及检测方法 |
CN107070680A (zh) * | 2016-12-02 | 2017-08-18 | 国家电网公司 | 一种it信息机房智能运维系统及方法 |
CN107679089A (zh) * | 2017-09-05 | 2018-02-09 | 全球能源互联网研究院 | 一种用于电力传感数据的清洗方法、装置和系统 |
CN108804497A (zh) * | 2018-04-02 | 2018-11-13 | 北京国电通网络技术有限公司 | 一种基于日志的大数据分析方法 |
WO2020078385A1 (zh) * | 2018-10-18 | 2020-04-23 | 杭州海康威视数字技术股份有限公司 | 数据采集方法、装置、存储介质及系统 |
CN109274540A (zh) * | 2018-11-16 | 2019-01-25 | 四川长虹电器股份有限公司 | 一种基于storm的Web访问日志处理方法 |
CN110879805A (zh) * | 2019-11-22 | 2020-03-13 | 北京锐安科技有限公司 | 一种数据异常发现方法、装置、服务器及存储介质 |
CN111092946A (zh) * | 2019-12-18 | 2020-05-01 | 博依特(广州)工业互联网有限公司 | 一种应用于边缘计算网关的数据处理方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112395346A (zh) * | 2020-12-10 | 2021-02-23 | 四川长虹电器股份有限公司 | 多端用户数据采集的方法 |
CN113407706A (zh) * | 2021-06-30 | 2021-09-17 | 未鲲(上海)科技服务有限公司 | 异常数据获取方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110147398B (zh) | 一种数据处理方法、装置、介质和电子设备 | |
CN109034993B (zh) | 对账方法、设备、系统及计算机可读存储介质 | |
CN110262807B (zh) | 集群创建进度日志采集系统、方法和装置 | |
CN110362544B (zh) | 日志处理系统、日志处理方法、终端及存储介质 | |
CN111352921A (zh) | 基于elk的慢查询监控方法、装置、计算机设备及存储介质 | |
CN108073625B (zh) | 用于元数据信息管理的系统及方法 | |
CN112162965B (zh) | 一种日志数据处理的方法、装置、计算机设备及存储介质 | |
CN111352800A (zh) | 大数据集群监控方法及相关设备 | |
US11676345B1 (en) | Automated adaptive workflows in an extended reality environment | |
US10657099B1 (en) | Systems and methods for transformation and analysis of logfile data | |
CN112948492A (zh) | 一种数据处理系统、方法、装置、电子设备及存储介质 | |
WO2023273544A1 (zh) | 日志文件的存储方法、装置、设备和存储介质 | |
CN112306700A (zh) | 一种异常rpc请求的诊断方法和装置 | |
US10031901B2 (en) | Narrative generation using pattern recognition | |
CN110928934A (zh) | 一种用于业务分析的数据处理方法和装置 | |
CN114785690B (zh) | 基于服务网格的监控方法及相关设备 | |
CN111708846A (zh) | 一种多终端的数据管理方法及装置 | |
CN114356692A (zh) | 一种应用监控链路的可视化处理方法、装置及存储介质 | |
CN113032237B (zh) | 数据处理方法及装置、电子设备和计算机可读存储介质 | |
CN110866031A (zh) | 数据库访问路径的优化方法、装置、计算设备以及介质 | |
CN113595886A (zh) | 即时通讯消息的处理方法、装置、电子设备及存储介质 | |
CN112506490A (zh) | 一种接口生成方法、装置、电子设备及存储介质 | |
CN113179267A (zh) | 一种网络安全事件关联分析方法和系统 | |
CN111274104B (zh) | 数据处理方法、装置、电子设备及计算机可读存储介质 | |
WO2023273539A1 (zh) | 航班查询系统业务监控方法、装置、设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200925 |