CN111819550B - 一种数据处理方法及网络设备 - Google Patents

Abstract

一种数据处理方法，该方法应用于网络设备，获取包括M个移动设备的数据的第一数据，第一移动设备的数据包括第一移动设备使用器件的功耗和时长，以及第一移动设备的功耗、亮屏时长和灭屏时长，第一移动设备是是M个移动设备中的任一移动设备，M为大于2的整数；根据第一数据确定预测功耗；根据M个移动设备的实际功耗和预测功耗确定第一阈值；将预测功耗和第一阈值发送给M个移动设备，预测功耗和第一阈值用于指示第一移动设备监测第一移动设备的实际功耗，当第一移动设备的实际功耗与预测功耗的差值大于第一阈值时，确定第一移动设备的总功耗处于异常状态。本发明实施例，可以根据第一阈值和预测功耗对M个移动设备的功耗进行系统有效的管控。

Description

一种数据处理方法及网络设备

技术领域

本发明实施例涉及数据处理领域，具体涉及一种数据处理方法及网络设备。

背景技术

Android系统由于其开放性和多任务性给用户带来了许多便宜，如使用方便、成本低廉等，但同时也带来了诸多问题，如第三方应用的功耗问题。由于第三方应用各行其道，以致Android系统的功耗较大。目前，Android系统主要通过后台top应用监测第三方应用的功耗，但由于没有对移动设备功耗进行全面监测的策略，以致无法对移动设备功耗进行系统有效的管控。

发明内容

本发明实施例公开了一种数据处理方法及网络设备，用于提供一种移动设备功耗全面监测策略，以便可以对移动设备的功耗进行系统有效的管控。

第一方面公开数据处理方法，该方法应用于网络设备，获取包括M个移动设备的数据的第一数据，根据第一数据确定预测功耗，根据M个移动设备的实际功耗和预测功耗确定第一阈值，将预测功耗和第一阈值发送给M个移动设备，预测功耗和第一阈值用于指示第一移动设备监测第一移动设备的实际功耗，当第一移动设备的实际功耗与预测功耗的差值大于第一阈值时，确定第一移动设备的总功耗处于异常状态，以便可以根据第一阈值和预测功耗对这M个移动设备的功耗进行系统有效的管控。其中，第一移动设备的数据包括第一移动设备使用器件的功耗和时长，以及第一移动设备的功耗、亮屏时长和灭屏时长，第一移动设备是M个移动设备中的任一移动设备，M为大于2的整数。

在一个实施例中，根据第一数据确定预测功耗时，可以先根据第一数据确定第一特征向量，之后根据第一特征向量和线性回归模型确定预测功耗，以便可以快速地确定预测功耗。

在一个实施例中，根据M个移动设备的实际功耗和预测功耗确定第一阈值时，可以先计算M个移动设备中的每个移动设备的实际功耗和预测功耗的差值以获得功耗差值，之后将功耗差值进行正态分布处理以获得正态分布差值，根据预设规则从正态分布差值中确定第一阈值，以便可以得到精度较高的第一阈值。

在一个实施例中，获取包括N个移动设备的数据的第二数据，根据第二数据对N个移动设备上的应用进行分类以获得H类应用，确定H类应用中每类应用的阈值，将H类应用中每类应用的阈值发送给N个移动设备，第二阈值用于指示第二移动设备监测第一应用的后台总功耗，当第一应用的后台总功耗大于第二阈值时，确定第一应用的功耗处于异常状态，以便可以根据H类应用中每类应用的阈值对不同类的应用进行系统有效的管控，同时可以动态调整每类应用的阈值。其中，第二移动设备的数据包括第二移动设备上应用使用器件的后台总功耗，第二移动设备是N个移动设备中的任一移动设备，N为大于2的整数，H为大于2的整数，第一应用是第二移动设备上属于H类应用中的任一应用，第二阈值是第一应用所属应用类的阈值。

在一个实施例中，根据第二数据对N个移动设备上的应用进行分类以获得H类应用时，可以先根据第二数据绘制N个移动设备上应用的后台总功耗的累计分布函数(Cumulative Distribution Function，CDF)曲线，根据CDF曲线确定N个移动设备上应用的类别数H，根据CDF曲线和卷积神经网络(Convolutional Neural Network，CNN)将N个移动设备上的应用分为H类。

在一个实施例中，确定H类应用中每类应用的阈值，即将N个移动设备中的L个移动设备上的第二应用的后台总功耗确定为目标类应用的阈值，L个移动设备上的第二应用的后台总功耗均相同，L与N的比值等于预设比例，目标类应用是H类应用中的任一类应用，第二应用是目标类应用中功耗最大的应用。

在一个实施例中，获取包括K个移动设备的数据的第三数据，根据第三数据确定K个移动设备上应用的阈值，将K个移动设备上应用的阈值发送给K个移动设备，第三阈值用于指示第三移动设备监测第三应用的功耗，当第三应用的功耗与第三阈值的差值大于预设值时，确定第三应用的功耗处于异常状态，以便根据K个移动设备上应用的阈值对每个应用进行系统有效的管控。其中，第三移动设备的数据包括第三移动设备上应用使用器件的时长，第三移动设备是K个移动设备中的任一移动设备，K为大于2的整数，第三应用是第三移动设备上的应用，第三阈值是第三应用的阈值。

在一个实施例中，根据第三数据确定K个移动设备上应用的阈值时，可以先根据第三数据确定第二特征向量，之后根据第二特征向量和支持向量机(Support VectorMachine，SVM)确定K个移动设备上应用的阈值，或根据第二特征向量和深度神经网络(DeepNeural Network，DNN)模型确定K个移动设备上应用的阈值。

第二方面公开一种网络设备，该网络设备包括用于执行第一方面或第一方面的任一种可能实现方式所提供的数据处理方法的单元。

第三方面公开一种网络设备，该网络设备包括处理器、存储器和收发器，存储器用于存储程序代码，处理器用于执行程序代码，收发器用于与移动设备进行通信。当处理器执行存储器存储的程序代码时，使得处理器执行第一方面或第一方面的任一种可能实现方式所公开的数据处理方法。

第四方面公开一种可读存储介质，该可读存储介质存储了网络设备用于执行第一方面或第一方面的任一种可能实现方式所公开的数据处理方法的程序代码。

附图说明

图1是本发明实施例公开的一种数据处理方法的流程示意图；

图2是本发明实施例公开的一种功耗差值的直方图；

图3是本发明实施例公开的一种功耗差值的正态分布图；

图4是本发明实施例公开的一种箱型图原理的示意图；

图5是本发明实施例公开的一种箱型图确定的异常值的示意图；

图6是本发明实施例公开的一种耗电量随时间变化的示意图；

图7是本发明实施例公开的另一种数据处理方法的流程示意图；

图8是本发明实施例公开的一种CDF曲线的示意图；

图9是本发明实施例公开的一种CDF面积的直方图；

图10是本发明实施例公开的一种CDF面积的正态分布图；

图11是本发明实施例公开的一种轮廓系数的示意图；

图12是本发明实施例公开的一种分类后的应用的CDF曲线示意图；

图13是本发明实施例公开的一种网络设备的结构示意图；

图14是本发明实施例公开的另一种网络设备的结构示意图；

图15是本发明实施例公开的又一种网络设备的结构示意图。

具体实施方式

本发明实施例公开了一种数据处理方法及网络设备，用于提供一种移动设备功耗全面监测策略，以便可以对移动设备的功耗进行系统有效的管控。以下进行详细说明。

请参阅图1，图1是本发明实施例公开的一种数据处理方法的流程示意图。其中，该数据处理方法是从网络设备的角度来描述的。如图1所示，该数据处理方法可以包括以下步骤。

101、获取第一数据。

本实施例中，网络设备可以周期性地获取第一数据，第一数据包括M个移动设备的数据，可以是网络设备主动获取的，也可以是M个移动设备主动发送的。其中，第一移动设备的数据包括第一移动设备使用器件的功耗和时长，以及第一移动设备的功耗、亮屏时长和灭屏时长，第一移动设备采集数据的周期可以为一小时、两小时、一天等。第一移动设备使用器件的功耗和时长可以是第一移动设备上所有应用使用所有器件的功耗和时长；也可以是第一移动设备使用所有器件的功耗和时长；也可以是第一移动设备上所有应用中功耗最大的A个应用使用器件的功耗和时长，A为大于或等于2的整数；也可以是第一移动设备使用所有器件中功耗最大的B个器件的功耗和时长，B为大于或等于2的整数；也可以是第一移动设备上所有应用中功耗最大的A个应用使用所有器件中的B个器件的功耗和时长。例如：第一数据为每天使用的最耗电的10个应用中的12个器件(DISPLAY、CPU、GNSS、SENSOR、GPU、FRONTCAM、REARCAM、FLASHLIGHT、AUDIO、MODEM、WIFI、BT)的功耗和时长。其中，器件的功耗和时长是器件的前后台总功耗和前后台使用总时长。其中，第一移动设备是与网络设备建立连接的M个移动设备中的任一移动设备，M为大于2的整数。

本实施例中，网络设备获取到第一数据之后，可以先对第一数据进行优化处理，即过滤掉第一数据中的异常数据，也即过滤掉第一数据中的噪声。当M个移动设备采集数据的周期为一天时，对第一数据进行优化处理包括：统计时长要等于充电时长与非充电时长之和，或等于灭屏时长与亮屏时长之和；统计时长大于或等于22小时且小于或等于26小时；第一移动设备每天的功耗为亮屏功耗与灭屏功耗之和除以电池容量再乘以100；充电时长与统计时长的比例要小于或等于0.3333；第一移动设备每天的功耗要大于或等于5格电量，其中，第一移动设备的总电量分为100格。

102、根据第一数据确定预测功耗。

本实施例中，网络设备获取到第一数据之后，将根据第一数据确定预测功耗，即根据第一数据确定第一特征向量，以及根据第一特征向量和线性回归模型确定预测功耗。其中，此处的第一数据可以是网络设备直接获取的第一数据，也可以是经过优化处理后的第一数据。

本实施例中，网络设备获取到第一数据之后，可以先确定特征向量的维度。举例说明，当M个移动设备的系统为126版本，且M个移动设备采集数据的周期为一天时，假设M个移动设备每天使用器件的功耗和时长为每个移动设备上每天使用所有应用中功耗最大的100个应用使用所有器件中的12个器件的功耗和时长，12个器件分别为DISPLAY、CPU、GNSS、SENSOR、GPU、FRONTCAM、REARCAM、FLASHLIGHT、AUDIO、MODEM、WIFI、BT。此时，向量维度为2830(100*14*2+14*2+2)，其中，100*14*2中的100为应用数量，14为器件数量，由于MODEM和WIFI分为上下行，因此，器件数量不是12，而是14，2表示采集的是前后台的数据；14*2用于表征除上述100应用之外其他应用所使用这十二个器件的数据维度，其中，14和2的含义与之前的相同；最后的2表示采集的是亮屏和灭屏的时长。

本实施例中，网络设备确定特征向量的维度之后，将根据第一数据和特征向量的维度确定第三特征向量。其中，对未使用的器件的数据进行补零处理，以便确保每个向量的维度相同。之后对第三特征向量进行标准化或归一化处理得到第四特征向量，以便对第三特征向量中的数据去量纲，从而将第三特征向量中有单位的数据统一为无单位的数据。之后去掉第四特征向量中相关性较小的特征得到第一特征向量，即当特征相关性较小时，将删除该特征。之后根据第一特征向量和线性回归模型确定预测功耗，即将第一特征向量作为线性回归模型的输入确定预测功耗。在确定预测功耗时，可以尝试不同参数下的结果，选择误差最小的参数确定的线性回归模型的结果为预测功耗。

103、根据M个移动设备的实际功耗和预测功耗确定第一阈值。

本实施例中，网络设备根据第一数据确定预测功耗之后，将根据M个移动设备的实际功耗和预测功耗确定第一阈值。可以先计算M个移动设备中的每个移动设备的实际功耗和预测功耗的差值以获得功耗差值，之后将功耗差值进行正态分布处理以获得正态分布差值。请参阅图2，图2是本发明实施例公开的一种功耗差值的直方图，如图2所示，横坐标为功耗差值dv，纵坐标为功耗差值出现的频率，可见，功耗差值的直方图的偏度小于1，但峰值远大于1，不能近似为正态分布。请参阅图3，图3是本发明实施例公开的一种功耗差值的正态分布图。如图3所示，图3是由图2所示的功耗差值的直方图经过正态分布处理后的正态分布图。之后根据预设规则从正态分布差值中确定第一阈值，可以根据统计学中的3σ准则，将图3中处于μ+3σ处的差值确定为第一阈值。

本实施例中，也可以采用箱型图来确定第一阈值，请参阅图4，图4是本发明实施例公开的一种箱型图原理的示意图。如图4所示：下四分位数为Q1，中位数为Q2，上四分位数为Q3，IRQ＝Q3-Q1，将功耗差值处于[Q1-3IQR，Q3+3IQR]区间之外的值确定为重度异常值，将功耗差值处于[Q1-1.5IQR，Q3+1.5IQR]区间之外的值确定为轻度异常值。请参阅图5，图5是本发明实施例公开的一种箱型图确定的异常值的示意图。如图5所示，纵坐标为功耗差值，最下面的细横线为下限，中间三根横线中处于最下面的为下四分位数、处于中间的为中位数、处于最上面的为上四分位数，最上面的细横线为上限。请参阅图6，图6是本发明实施例公开的一种功耗随时间变化的示意图。如图6所示，横坐标为时间(单位为秒)，纵坐标为功耗(单位为mAh)，可见，随时间的增加，移动设备的功耗越来越大，移动设备的总功耗的异常状态也越来越严重。

104、将预测功耗和第一阈值发送给M个移动设备。

本实施例中，网络设备根据M个移动设备的实际功耗和预测功耗确定第一阈值之后，将预测功耗和第一阈值分别发送给M个移动设备，以便第一移动设备监测第一移动设备的实际功耗，当第一移动设备的实际功耗与预测功耗的差值大于第一阈值时，确定第一移动设备的总功耗处于异常状态，第一移动设备可以冷冻掉、杀掉或重启第一移动设备上的部分或全部后台应用。

请参阅图7，图7是本发明实施例公开的另一种数据处理方法的流程示意图。其中，该数据处理方法是从网络设备的角度来描述的。如图7所示，该数据处理方法可以包括以下步骤。

701、获取第一数据。

其中，步骤701与步骤101相同，详细描述请参考步骤101，在此不再赘述。

702、根据第一数据确定预测功耗。

其中，步骤702与步骤102相同，详细描述请参考步骤102，在此不再赘述。

703、根据M个移动设备的实际功耗和预测功耗确定第一阈值。

其中，步骤703与步骤103相同，详细描述请参考步骤103，在此不再赘述。

704、将预测功耗和第一阈值发送给M个移动设备。

其中，步骤704与步骤104相同，详细描述请参考步骤104，在此不再赘述。

705、获取第二数据。

本实施例中，网络设备可以周期性地获取第二数据，第二数据包括N个移动设备的数据，可以是网络设备主动获取的，也可以是N个移动设备主动发送的。其中，第二移动设备的数据包括第二移动设备上应用使用器件的后台总功耗，第二移动设备采集数据的周期可以为一小时、两小时、一天等。第二移动设备上应用使用器件的后台总功耗，可以是第二移动设备上所有应用使用所有器件的后台总功耗，也可以是第二移动设备上使用所有应用中功耗最大的A个应用使用器件的后台总功耗；也可以是第二移动设备上使用所有应用中功耗最大的A个应用使用所有器件中的B个器件的后台总功耗。例如：第二数据为每天使用的最耗电的10个应用中的12个器件(DISPLAY、CPU、GNSS、SENSOR、GPU、FRONTCAM、REARCAM、FLASHLIGHT、AUDIO、MODEM、WIFI、BT)的后台总功耗。其中，第二移动设备是N个移动设备中的任一移动设备，N为大于2的整数。

706、根据第二数据对N个移动设备上的应用进行分类，以获得H类应用。

本实施例中，网络设备获取到第二数据之后，将根据第二数据将N个移动设备上的应用分为H类，可以先根据第二数据绘制N个移动设备上应用的后台总功耗的CDF曲线。请参阅图8，图8是本发明实施例公开的一种CDF曲线的示意图。如图8所示，CDF曲线的横坐标为功耗(单位为mAh)，纵坐标为累计百分比(单位为％)。之后根据CDF曲线确定N个移动设备上应用的类别数H，可以先计算图8中第一区域的面积得到CDF面积。请参阅图9，图9是本发明实施例公开的一种CDF面积的直方图。如图9所示，横坐标为CDF面积area，纵坐标为CDF面积出现的频率。请参阅图10，图10是本发明实施例公开的一种CDF面积的正态分布图。图10是由图9中CDF面积的直方图经过正态分布处理后得到的。之后对图10所示的CDF面积进行kmean聚类得到轮廓系数。请参阅图11，图11是本发明实施例公开的一种轮廓系数的示意图。如图11所示，横坐标为聚类的类别数，纵坐标为轮廓系数，从图11所示的曲线中选取轮廓系数的局部峰值对应的类别数分别为7、8、11、17和20，之后按照这几种类别数和CDF面积分别对应用进行分类。举例说明，假设应用分类的类别数为7，CDF面积为10-101，用最大CDF面积101减去最小CDF面积得到91，再用91除以7得到13，可以分别将CDF面积处于10-23之间、23-36之间、36-49之间、49-62之间、62-75之间、75-88之间和88-101之间的应用确定为同一类应用。可以将上述几种分类中应用的分布最均匀的类别数确定为最优的类别数。之后根据CDF曲线和CNN模型将N个移动设备上的应用分为H类，即对分类后的应用的CDF曲线打标签，将属于同一类的应用曲线标记出来，同时将不同类应用的CDF曲线区别开来。请参阅图12，图12是本发明实施例公开的一种分类后的应用的CDF曲线示意图。如图12所示，应用分类的类别数为10，每类应用均是CDF曲线相隔最近的应用。其中，H为大于2的整数。

707、确定H类应用中每类应用的阈值。

本实施例中，网络设备根据第二数据对N个移动设备上的应用进行分类得到H类应用之后，将确定H类应用中每类应用的阈值，可以将N个移动设备中的L个移动设备上的第二应用的后台总功耗确定为目标类应用的阈值，L个移动设备上的第二应用的后台总功耗均相同，L与N的比值等于预设比例，目标类应用是H类应用中的任一类应用，第二应用是目标类应用中功耗最大的应用。如图12所示，图中的横线为纵坐标80％对应的横线，可以将该横线与CDF曲线相交对应的横坐标的值确定为H类应用中每类应用的阈值。由于横线与H类应用中每类应用的交点不止一个，可以将每类应用中交点对应的最大的横坐标值确定为H类应用中每类应用的阈值。

708、将H类应用中每类应用的阈值发送给N个移动设备。

本实施例中，网络设备确定H类应用中每类应用的阈值之后，将H类应用中每类应用的阈值发送给N个移动设备，以便第二移动设备监测第一应用的后台总功耗，当第一应用的后台总功耗大于第二阈值时，确定第一应用的功耗处于异常状态，第二移动设备可以冷冻掉、杀掉或重启第一应用。其中，第一应用是第二移动设备上属于H类应用中的任一应用，第二阈值是第一应用所属应用类的阈值。

709、获取第三数据。

本实施例中，网络设备可以周期性地获取第三数据，第三数据包括K个移动设备的数据，可以是网络设备主动获取的，也可以是K个移动设备主动发送的。其中，第三移动设备的数据包括第三移动设备上应用使用器件的时长，第三移动设备采集数据的周期可以为一小时、两小时、一天等。第三移动设备上应用使用器件的时长，可以是第三移动设备上所有应用使用所有器件的时长，也可以是第三移动设备使用所有应用中功耗最大的A个应用使用器件的时长；也可以是第三移动设备使用所有应用中功耗最大的A个应用使用所有器件中的B个器件的时长。例如：第三数据为每天使用的最耗电的10个应用中的12个器件(DISPLAY、CPU、GNSS、SENSOR、GPU、FRONTCAM、REARCAM、FLASHLIGHT、AUDIO、MODEM、WIFI、BT)的时长。其中，器件的时长是器件的前后台使用总时长，第三移动设备是K个移动设备中的任一移动设备，K为大于2的整数。

710、根据第三数据确定K个移动设备上应用的阈值。

本实施例中，网络设备获取到第三数据之后，将根据第三数据确定K个移动设备上应用的阈值，可以先根据第三数据确定第二特征向量，其中，确定第二特征向量的详细过程与步骤102中确定第一特征向量的过程相同，详细描述请参考步骤102，在此不再赘述。之后根据第二特征向量和SVM确定K个移动设备上应用的阈值，或根据第二特征向量和DNN模型确定K个移动设备上应用的阈值。其中，根据第二特征向量和SVM确定第三阈值，或根据第二特征向量和DNN模型确定第三阈值的过程与步骤102中根据第一特征向量和线性回归模型确定预测功耗的过程相同，详细描述请参考步骤102，在此不再赘述。

711、将K个移动设备上应用的阈值发送给K个移动设备。

本实施例中，网络设备根据第三数据确定K个移动设备上应用的阈值之后，将K个移动设备上应用的阈值发送给K个移动设备，以便第三移动设备监测第三应用的功耗，当第三应用的功耗与第三阈值的差值大于预设值时，确定第三应用的功耗处于异常状态，第三移动设备可以冷冻掉、杀掉或重启第三应用。其中，第三应用是第三移动设备上的应用，第三阈值是第三应用的阈值。

其中，步骤701-704、步骤705-708以及步骤709-711之间可以是并行执行的，也可以是串行执行的。步骤705-708与步骤709-711可以均存在，可以均不存在，也可以只存在其一。

请参阅图13，图13是本发明实施例公开的一种网络设备的结构示意图。如图13所示，该网络设备可以包括：

通信单元1301，用于获取第一数据，第一数据包括M个移动设备的数据，第一移动设备的数据包括第一移动设备使用器件的功耗和时长，以及第一移动设备的功耗、亮屏时长和灭屏时长，第一移动设备是M个移动设备中的任一移动设备，M为大于2的整数；

第一确定单元1302，用于根据通信单元1301获取的第一数据确定预测功耗；

第二确定单元1303，用于根据M个移动设备的实际功耗和第一确定单元1302确定的预测功耗确定第一阈值；

通信单元1301，还用于将第一确定单元1302确定的预测功耗和第二确定单元1303确定的第一阈值发送给M个移动设备，预测功耗和第一阈值用于指示第一移动设备监测第一移动设备的实际功耗，当第一移动设备的实际功耗与预测功耗的差值大于第一阈值时，确定第一移动设备的总功耗处于异常状态。

请参阅图14，图14是本发明实施例公开的另一种网络设备的结构示意图。其中，图14所示的网络设备是由图13所示的网络设备优化得到的。其中，第一确定单元1302包括：

根据第一数据确定第一特征向量；

根据第一特征向量和线性回归模型确定预测功耗。

作为一种可能的实施方式，第二确定单元1303可以包括：

计算子单元13031，用于计算M个移动设备中的每个移动设备的实际功耗和预测功耗的差值，以获得功耗差值；

正态子单元13032，用于将计算子单元13031计算得到的功耗差值进行正态分布处理，以获得正态分布差值；

第一确定子单元13033，用于根据预设规则从正态子单元13032得到的正态分布差值中确定第一阈值。

作为一种可能的实施方式，通信单元1301，还用于获取第二数据，第二数据包括N个移动设备的数据，第二移动设备的数据包括第二移动设备上应用使用器件的后台总功耗，第二移动设备是N个移动设备中的任一移动设备，N为大于2的整数；

该网络设备还可以包括：

分类单元1304，用于根据通信单元1301获取的第二数据对N个移动设备上的应用进行分类，以获得H类应用，H为大于2的整数；

第三确定单元1305，用于确定分类单元1304分类的H类应用中每类应用的阈值；

通信单元1301，还用于将第三确定单元1305确定的H类应用中每类应用的阈值发送给N个移动设备，第二阈值用于指示第二移动设备监测第一应用的后台总功耗，当第一应用的后台总功耗大于第二阈值时，确定第一应用的功耗处于异常状态，第一应用是第二移动设备上属于H类应用中的任一应用，第二阈值是第一应用所属应用类的阈值。

作为一种可能的实施方式，分类单元1304可以包括：

绘制子单元13041，用于根据第二数据绘制N个移动设备上应用的后台总功耗的CDF曲线；

第二确定子单元13042，用于根据绘制子单元13041绘制的CDF曲线确定N个移动设备上应用的类别数H；

分类子单元13043，用于根据绘制子单元13041绘制的CDF曲线和CNN模型将N个移动设备上的应用分为第二确定子单元13042确定的H类。

作为一种可能的实施方式，第三确定单元1305包括：

将N个移动设备中的L个移动设备上的第二应用的后台总功耗确定为目标类应用的阈值，L个移动设备上的第二应用的后台总功耗均相同，L与N的比值等于预设比例，目标类应用是H类应用中的任一类应用，第二应用是目标类应用中功耗最大的应用。

作为一种可能的实施方式，通信单元1301，还用于获取第三数据，第三数据包括K个移动设备的数据，第三移动设备的数据包括第三移动设备上应用使用器件的时长，第三移动设备是K个移动设备中的任一移动设备，K为大于2的整数；

该网络设备还可以包括：

第四确定单元1306，用于根据通信单元1301获取的第三数据确定K个移动设备上应用的阈值；

通信单元1301，还用于将第四确定单元1306确定的K个移动设备上应用的阈值发送给K个移动设备，第三阈值用于指示第三移动设备监测第三应用的功耗，当第三应用的功耗与第三阈值的差值大于预设值时，确定第三应用的功耗处于异常状态，第三应用是第三移动设备上的应用，第三阈值是第三应用的阈值。

作为一种可能的实施方式，第四确定单元1306包括：

根据第三数据确定第二特征向量；

根据第二特征向量和支SVM确定K个移动设备上应用的阈值，或根据第二特征向量和DNN模型确定K个移动设备上应用的阈值。

请参阅图15，图15是本发明实施例公开的又一种网络设备的结构示意图。如图15所示，该网络设备可以包括处理器1501、存储器1502、收发器1503和总线1504。处理器1501可以是一个通用中央处理器(CPU)，多个CPU，微处理器，特定应用集成电路(application-specific integrated circuit，ASIC)，或一个或多个用于控制本发明方案程序执行的集成电路。存储器1002可以是只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(ElectricallyErasable Programmable Read-Only Memory，EEPROM)、只读光盘(Compact Disc Read-Only Memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器1502可以是独立存在，总线1504与处理器1501相连接。存储器1502也可以和处理器1501集成在一起。总线1504可包括一通路，在上述组件之间传送信息。其中：

收发器1503，用于获取第一数据，第一数据包括M个移动设备的数据，第一移动设备的数据包括第一移动设备使用器件的功耗和时长，以及第一移动设备的功耗、亮屏时长和灭屏时长，第一移动设备是M个移动设备中的任一移动设备，M为大于2的整数；

存储器1502存储有一组程序代码，处理器1501用于调用存储器1502存储的程序代码执行以下操作：

根据第一数据确定预测功耗；

根据M个移动设备的实际功耗和预测功耗确定第一阈值；

收发器1503，还用于将预测功耗和第一阈值发送给M个移动设备，预测功耗和第一阈值用于指示第一移动设备监测第一移动设备的实际功耗，当第一移动设备的实际功耗与预测功耗的差值大于第一阈值时，确定第一移动设备的总功耗处于异常状态。

作为一种可能的实施方式，处理器1501根据第一数据确定预测功耗包括：

根据第一数据确定第一特征向量；

根据第一特征向量和线性回归模型确定预测功耗。

作为一种可能的实施方式，处理器1501根据M个移动设备的实际功耗和预测功耗确定第一阈值包括：

计算M个移动设备中的每个移动设备的实际功耗和预测功耗的差值，以获得功耗差值；

将功耗差值进行正态分布处理，以获得正态分布差值；

根据预设规则从正态分布差值中确定第一阈值。

作为一种可能的实施方式，收发器1503，还用于获取第二数据，第二数据包括N个移动设备的数据，第二移动设备的数据包括第二移动设备上应用使用器件的后台总功耗，第二移动设备是N个移动设备中的任一移动设备，N为大于2的整数；

处理器1501还用于调用存储器1502存储的程序代码执行以下操作：

根据第二数据对N个移动设备上的应用进行分类，以获得H类应用，H为大于2的整数；

确定H类应用中每类应用的阈值；

收发器1503，还用于将H类应用中每类应用的阈值发送给N个移动设备，第二阈值用于指示第二移动设备监测第一应用的后台总功耗，当第一应用的后台总功耗大于第二阈值时，确定第一应用的功耗处于异常状态，第一应用是第二移动设备上属于H类应用中的任一应用，第二阈值是第一应用所属应用类的阈值。

作为一种可能的实施方式，处理器1501根据第二数据对N个移动设备上的应用进行分类，以获得H类应用包括：

根据第二数据绘制N个移动设备上应用的后台总功耗的CDF曲线；

根据CDF曲线确定N个移动设备上应用的类别数H；

根据CDF曲线和CNN模型将N个移动设备上的应用分为H类。

作为一种可能的实施方式，处理器1501确定H类应用中每类应用的阈值包括：

将N个移动设备中的L个移动设备上的第二应用的后台总功耗确定为目标类应用的阈值，L个移动设备上的第二应用的后台总功耗均相同，L与N的比值等于预设比例，目标类应用是H类应用中的任一类应用，第二应用是目标类应用中功耗最大的应用。

作为一种可能的实施方式，收发器1503，还用于获取第三数据，第三数据包括K个移动设备的数据，第三移动设备的数据包括第三移动设备上应用使用器件的时长，第三移动设备是K个移动设备中的任一移动设备，K为大于2的整数；

处理器1501还用于调用存储器1502存储的程序代码执行以下操作：

根据第三数据确定K个移动设备上应用的阈值；

收发器1503，还用于将K个移动设备上应用的阈值发送给K个移动设备，第三阈值用于指示第三移动设备监测第三应用的功耗，当第三应用的功耗与第三阈值的差值大于预设值时，确定第三应用的功耗处于异常状态，第三应用是第三移动设备上的应用，第三阈值是第三应用的阈值。

作为一种可能的实施方式，处理器1501根据第三数据确定K个移动设备上应用的阈值包括：

根据第三数据确定第二特征向量；

根据第二特征向量和SVM确定K个移动设备上应用的阈值，或根据第二特征向量和DNN模型确定K个移动设备上应用的阈值。

其中，步骤102-103、步骤702-703、步骤706-707和步骤710可以由网络设备中的处理器1501和存储器1502来执行，步骤101、步骤104、步骤701、步骤704-705、步骤708-709和步骤711可以由网络设备中的收发器1503来执行。

其中，第一确定单元1302、第二确定单元1303、分类单元1304、第三确定单元1305和第四确定单元1306可以由网络设备中的处理器1501和存储器1502来实现，通信单元1301可以由网络设备中的收发器1503来实现。

本发明实施例还公开了一种可读存储介质，该可读存储介质存储了网络设备用于执行图1和7所示的数据处理方法的程序代码。

本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中，通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (14)

1.一种数据处理方法，其特征在于，所述方法应用于网络设备，包括：

获取第一数据，所述第一数据包括M个移动设备的数据，第一移动设备的数据包括所述第一移动设备使用器件的功耗和时长，以及所述第一移动设备的功耗、亮屏时长和灭屏时长，所述第一移动设备是所述M个移动设备中的任一移动设备，所述M为大于2的整数；

根据所述第一数据确定预测功耗；

计算所述M个移动设备中的每个移动设备的实际功耗和所述预测功耗的差值，以获得功耗差值；

将所述功耗差值进行正态分布处理，以获得正态分布差值；

根据预设规则从所述正态分布差值中确定第一阈值；

将所述预测功耗和所述第一阈值发送给所述M个移动设备，所述预测功耗和所述第一阈值用于指示所述第一移动设备监测所述第一移动设备的实际功耗，当所述第一移动设备的实际功耗与所述预测功耗的差值大于所述第一阈值时，确定所述第一移动设备的总功耗处于异常状态。

2.根据权利要求1所述的方法，其特征在于，所述根据所述第一数据确定预测功耗包括：

根据所述第一数据确定第一特征向量；

根据所述第一特征向量和线性回归模型确定预测功耗。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取第二数据，所述第二数据包括N个移动设备的数据，第二移动设备的数据包括所述第二移动设备上应用使用器件的后台总功耗，所述第二移动设备是所述N个移动设备中的任一移动设备，所述N为大于2的整数；

根据所述第二数据对所述N个移动设备上的应用进行分类，以获得H类应用，所述H为大于2的整数；

确定所述H类应用中每类应用的阈值；

将所述H类应用中每类应用的阈值发送给所述N个移动设备，第二阈值用于指示所述第二移动设备监测第一应用的后台总功耗，当所述第一应用的后台总功耗大于所述第二阈值时，确定所述第一应用的功耗处于异常状态，所述第一应用是所述第二移动设备上属于所述H类应用中的任一应用，所述第二阈值是所述第一应用所属应用类的阈值。

4.根据权利要求3所述的方法，其特征在于，所述根据所述第二数据对所述N个移动设备上的应用进行分类，以获得H类应用包括：

根据所述第二数据绘制所述N个移动设备上应用的后台总功耗的累计分布函数CDF曲线；

根据所述CDF曲线确定所述N个移动设备上应用的类别数H；

根据所述CDF曲线和卷积神经网络CNN模型将所述N个移动设备上的应用分为H类。

5.根据权利要求3所述的方法，其特征在于，所述确定所述H类应用中每类应用的阈值包括：

将所述N个移动设备中的L个移动设备上的第二应用的后台总功耗确定为目标类应用的阈值，所述L个移动设备上的第二应用的后台总功耗均相同，所述L与所述N的比值等于预设比例，所述目标类应用是H类应用中的任一类应用，所述第二应用是所述目标类应用中功耗最大的应用。

6.根据权利要求1-5任一项所述的方法，其特征在于，所述方法还包括：

获取第三数据，所述第三数据包括K个移动设备的数据，第三移动设备的数据包括所述第三移动设备上应用使用器件的时长，所述第三移动设备是所述K个移动设备中的任一移动设备，所述K为大于2的整数；

根据所述第三数据确定所述K个移动设备上应用的阈值；

将所述K个移动设备上应用的阈值发送给所述K个移动设备，第三阈值用于指示所述第三移动设备监测第三应用的功耗，当所述第三应用的功耗与所述第三阈值的差值大于预设值时，确定所述第三应用的功耗处于异常状态，所述第三应用是所述第三移动设备上的应用，所述第三阈值是所述第三应用的阈值。

7.根据权利要求6所述的方法，其特征在于，所述根据所述第三数据确定所述K个移动设备上应用的阈值包括：

根据所述第三数据确定第二特征向量；

根据所述第二特征向量和支持向量机SVM确定所述K个移动设备上应用的阈值，或根据所述第二特征向量和深度神经网络DNN模型确定所述K个移动设备上应用的阈值。

8.一种网络设备，其特征在于，包括处理器、存储器和收发器，其中：

所述收发器，用于获取第一数据，所述第一数据包括M个移动设备的数据，第一移动设备的数据包括所述第一移动设备使用器件的功耗和时长，以及所述第一移动设备的功耗、亮屏时长和灭屏时长，所述第一移动设备是所述M个移动设备中的任一移动设备，所述M为大于2的整数；

所述存储器存储有一组程序代码，所述处理器用于调用所述存储器存储的程序代码执行以下操作：

根据所述第一数据确定预测功耗；

计算所述M个移动设备中的每个移动设备的实际功耗和所述预测功耗的差值，以获得功耗差值；

将所述功耗差值进行正态分布处理，以获得正态分布差值；

根据预设规则从所述正态分布差值中确定第一阈值；

所述收发器，还用于将所述预测功耗和所述第一阈值发送给所述M个移动设备，所述预测功耗和所述第一阈值用于指示所述第一移动设备监测所述第一移动设备的实际功耗，当所述第一移动设备的实际功耗与所述预测功耗的差值大于所述第一阈值时，确定所述第一移动设备的总功耗处于异常状态。

9.根据权利要求8所述的网络设备，其特征在于，所述处理器根据所述第一数据确定预测功耗包括：

根据所述第一数据确定第一特征向量；

根据所述第一特征向量和线性回归模型确定预测功耗。

10.根据权利要求8所述的网络设备，其特征在于，所述收发器，还用于获取第二数据，所述第二数据包括N个移动设备的数据，第二移动设备的数据包括所述第二移动设备上应用使用器件的后台总功耗，所述第二移动设备是所述N个移动设备中的任一移动设备，所述N为大于2的整数；

所述处理器还用于调用所述存储器存储的程序代码执行以下操作：

根据所述第二数据对所述N个移动设备上的应用进行分类，以获得H类应用，所述H为大于2的整数；

确定所述H类应用中每类应用的阈值；

所述收发器，还用于将所述H类应用中每类应用的阈值发送给所述N个移动设备，第二阈值用于指示所述第二移动设备监测第一应用的后台总功耗，当所述第一应用的后台总功耗大于所述第二阈值时，确定所述第一应用的功耗处于异常状态，所述第一应用是所述第二移动设备上属于所述H类应用中的任一应用，所述第二阈值是所述第一应用所属应用类的阈值。

11.根据权利要求10所述的网络设备，其特征在于，所述处理器根据所述第二数据对所述N个移动设备上的应用进行分类，以获得H类应用包括：

根据所述第二数据绘制所述N个移动设备上应用的后台总功耗的累计分布函数CDF曲线；

根据所述CDF曲线确定所述N个移动设备上应用的类别数H；

根据所述CDF曲线和卷积神经网络CNN模型将所述N个移动设备上的应用分为H类。

12.根据权利要求10所述的网络设备，其特征在于，所述处理器确定所述H类应用中每类应用的阈值包括：

将所述N个移动设备中的L个移动设备上的第二应用的后台总功耗确定为目标类应用的阈值，所述L个移动设备上的第二应用的后台总功耗均相同，所述L与所述N的比值等于预设比例，所述目标类应用是H类应用中的任一类应用，所述第二应用是所述目标类应用中功耗最大的应用。

13.根据权利要求8-12任一项所述的网络设备，其特征在于，所述收发器，还用于获取第三数据，所述第三数据包括K个移动设备的数据，第三移动设备的数据包括所述第三移动设备上应用使用器件的时长，所述第三移动设备是所述K个移动设备中的任一移动设备，所述K为大于2的整数；

所述处理器还用于调用所述存储器存储的程序代码执行以下操作：

根据所述第三数据确定所述K个移动设备上应用的阈值；

所述收发器，还用于将所述K个移动设备上应用的阈值发送给所述K个移动设备，第三阈值用于指示所述第三移动设备监测第三应用的功耗，当所述第三应用的功耗与所述第三阈值的差值大于预设值时，确定所述第三应用的功耗处于异常状态，所述第三应用是所述第三移动设备上的应用，所述第三阈值是所述第三应用的阈值。

14.根据权利要求13所述的网络设备，其特征在于，所述处理器根据所述第三数据确定所述K个移动设备上应用的阈值包括：

根据所述第三数据确定第二特征向量；

根据所述第二特征向量和支持向量机SVM确定所述K个移动设备上应用的阈值，或根据所述第二特征向量和深度神经网络DNN模型确定所述K个移动设备上应用的阈值。

Images