CN115408250B - 一种基于智慧校园的多源数据采集分析系统及方法 - Google Patents
一种基于智慧校园的多源数据采集分析系统及方法 Download PDFInfo
- Publication number
- CN115408250B CN115408250B CN202211360032.3A CN202211360032A CN115408250B CN 115408250 B CN115408250 B CN 115408250B CN 202211360032 A CN202211360032 A CN 202211360032A CN 115408250 B CN115408250 B CN 115408250B
- Authority
- CN
- China
- Prior art keywords
- port
- data
- user
- time
- focus
- 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.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims description 21
- 230000004044 response Effects 0.000 claims description 48
- 238000004364 calculation method Methods 0.000 claims description 43
- 238000012544 monitoring process Methods 0.000 claims description 21
- 238000012886 linear function Methods 0.000 claims description 19
- 230000009545 invasion Effects 0.000 claims description 14
- 230000000903 blocking effect Effects 0.000 claims description 8
- 238000007405 data analysis Methods 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000004069 differentiation Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3438—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment monitoring of user actions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3466—Performance evaluation by tracing or monitoring
- G06F11/3476—Data logging
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及智慧校园数据采集分析技术领域，具体为一种基于智慧校园的多源数据采集分析系统及方法，包括历史访问日志获取模块、焦点端口分析模块、第一指数分析模块、第一显示数据标记模块、输入模型确定模块和显示数据更新模块；历史访问日志获取模块用于获取智慧校园平台中的历史访问日志；焦点端口分析模块用于分析可选端口数据对应的焦点指数并分析得到焦点端口；第一指数分析模块用于分析焦点端口发生拥堵的第一指数；输入模型确定模块用于基于第一显示数据的显示时长，判断存在卡顿现象时的用户输入模型；显示数据更新模块基于用户输入模型确定焦点端口显示的模型数据，并基于模型数据输出实时焦点端口显示的更新数据。
Description
技术领域
本发明涉及智慧校园数据采集分析技术领域，具体为一种基于智慧校园的多源数据采集分析系统及方法。
背景技术
智慧校园管理系统是指基于物联网的智能校园工作、学习、生活一体化环境。这种集成环境以各种应用服务系统为载体，将教学、科研、管理和校园生活充分融合。为学校教学、科研和管理提供更加科学准确的数据支持；在大学校园中智慧校园的应用体现在各方各面，与学生密切相关的多为登录校园网站平台进行选课，在选课平台上存在来自不同用户端数据信息，构成多源的信息网络，与此同时智慧校园平台给用户提供了便捷的选课方式，使得数据的记录有迹可循；但同时大量的数据登录平台且在进行同一操作时往往给系统平台带来很大的数据压力，很容易造成用户拥堵、平台卡顿的现象，同时在选课过程中显示的数据也会因为卡顿造成实际数据与后台数据的差异较大，容易导致用户对平台给出差异化较大的数据做出错误的判断。
发明内容
本发明的目的在于提供一种基于智慧校园的多源数据采集分析系统及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：一种基于智慧校园的多源数据采集分析方法，包括以下步骤：
步骤S1：获取智慧校园平台中的历史访问日志，历史访问日志包括用户访问时间、平台响应时间和日志记录内容；用户访问时间包括用户第一访问时间和用户第二访问时间，用户第一访问时间是指用户登陆智慧校园平台的时间，用户第二访问时间是指用户登录智慧校园平台后开始点击端口的时间，平台响应时间是指智慧校园平台针对用户点击的端口响应对应数据进行显示的时间，日志记录内容是指智慧校园平台提供用户的可选端口数据、对应端口显示的数据和用户访问数量；
步骤S2：基于用户历史访问日志，分析智慧校园平台提供用户的可选端口数据对应的焦点指数并分析得到焦点端口；焦点端口是指可选端口中焦点指数最大值时对应的端口；确定焦点端口是为了在智慧校园平台众多端口选择过程中出现卡顿异常时能够基于历史数据缩小异常端口的分析范围，节约异常处理时间提高问题解决的效率；如用户在选课过程中发生卡顿，不分析用户网络状态之间的差异化，只分析用户体量即并发用户数对端口造成的影响，虽然一旦任一端口卡顿体现于用户的是整体的卡顿，但是基于平台后端对问题的优化以及处理需要确定端口的范围以更快更有效的解决问题，同时需要显示焦点端口正确的显示数据。
步骤S3：基于步骤S2中的焦点端口，分析焦点端口发生拥堵的第一指数，设置第一指数阈值，当第一指数大于第一指数阈值时，标记智慧校园平台中焦点端口显示的数据为第一显示数据，并记录第一显示数据的显示时长；分析焦点端口发生拥堵是为了确定智慧校园平台可能发生卡顿的时间以及情景；分析拥堵概率是为了在智慧校园平台的运行监控中对可能存在拥堵的时间节点进行提醒，且可以快速有效的处理当拥堵产生时带来的问题；
步骤S4：基于第一显示数据的显示时长，判断智慧校园平台是否存在卡顿现象，若存在卡顿现象，分析卡顿持续时长内的用户输入模型，基于用户输入模型确定焦点端口显示的模型数据，并基于模型数据输出实时焦点端口显示的更新数据。分析更新数据可以缩短平台卡顿时段显示数据的差异化，使得用户可以最大化的基于平台显示数据进行可分析性操作。
进一步的，步骤S2包括以下具体步骤：
步骤S21：可选端口数据包括可选端口的数量和可选端口的总容量，获取第i个可选端口第j个用户的目标偏差值aij，aij=t1ij-t2ij，其中t1ij表示第i个可选端口的第j个用户的第一访问时间，t2ij表示第i个可选端口的第j个用户的第二访问时间，计算第i个可选端口的平均目标偏差指数ai0，
其中ki表示第i个端口访问的总用户数量，j≤ki；
计算平均目标偏差指数反应出用户进入智慧校园平台选择端口的目的性较强，即用户选择课程的方向性较为明显，可以从一方面反应出这个端口即对应课程的热门程度；
步骤S22：获取第i个端口在第一监测时长内的用户访问数量si，第一监测时长为从智慧校园平台开放端口时间到终止端口的时间周期内第一个显示的数据为0对应端口的记录时长；记录监测时长为t0，则单位时间内第i个端口的用户侵入指数为ri0=si/t0；计算用户侵入指数是从单位时间内用户选择数量进行反应端口即课程的热门程度；
步骤S23：利用公式：wi=ai0+ri0，计算第i个端口的焦点指数，将焦点指数按照从大到小的顺序排列并获取焦点指数最大值对应的端口为焦点端口。
进一步的，步骤S3包括以下分析步骤：
步骤S31：获取历史访问日志中焦点端口在第z次记录的第二监测时长内的数据对Lz，Lz=(rz1,hz1)，其中rz1为第z次记录单位时间内的用户入侵指数，hz1表示第z次记录用户入侵指数对应的平均平台响应时间；第二监测时长是指焦点端口显示的数据与实际访问用户数量相匹配对应的时段，相匹配是指焦点端口显示的数据+实际访问用户数量=焦点端口对应的总容量；
步骤S32：获取历史访问日志中任意两次监测对应的数据对，并计算关于自变量为平均用户入侵指数、因变量为平均平台响应时间的一次函数h=c1r+c2；代入两组数据对计算得到对应的常数c1和常数c2，h={h11,h21,......,hz1}，r={r11,r21,......,rz1}；计算一次函数是为了得到用户在总容量充足情况下对应访问的函数关系；
步骤S33：利用公式：
计算第一指数d，其中h0表示实时获取的平台响应时间，h表示实时平台响应时间对应用户入侵指数在一次函数中的理论平台响应时间。
进一步的，基于第一显示数据的显示时长，判断智慧校园平台是否存在卡顿现象，若存在卡顿现象，分析卡顿持续时长内的用户输入模型，包括以下步骤：
获取第一显示数据的显示时长p0和第一显示数据显示后的实时平台响应时间h0，当p0大于等于h0时，则输出智慧校园平台存在卡顿现象；
获取历史访问日志中第z次记录中第一显示数据对应的数值uz、结束卡顿后焦点端口显示的数据vz和第一显示时长内焦点端口的用户访问数量qz，卡顿持续时长即为第一显示时长；利用公式：
计算平均碰撞指数f，z≤m，m表示总记录次数，平均碰撞指数是指根据历史数据分析出在卡顿时段内进行点击动作的用户成功点击的平均比例；
建立用户输入模型G=q0*f，其中q0表示第一显示时长内焦点端口的实际用户访问数量。
进一步的，基于用户输入模型确定焦点端口显示的模型数据，并基于模型数据输出实时焦点端口显示的更新数据，包括以下步骤：
获取实时模型数据G0，以及实时第一显示数据对应的数值u0，则输出实时焦点端口显示的更新数据G1=u0-G0。
分析更新数据是为了在系统产生拥堵的时刻可以最大化的判断系统实际在端口成功操作的人数，使得用户在读取端口显示的数据时不至于偏差太大造成平台响应完成后端口显示数据为0的情况，此情况是指一般在平台卡顿时会显示一个数据，当平台恢复正常时往往显示的数值与卡顿前数值差异较大，这一差异点就是因为在卡顿时段内会存在部分用户成功点击端口的情况，所以本发明是基于发生卡顿时刻的数据分析卡顿持续时长内预测存在成功选择端口的人数来降低用户所读取数据与实际数据的差异值，使得平台显示的数据更加精确也为登录平台的用户对端口的选择增加了主动性，因为一旦平台显示的数据差异化很大对用户的主动选择分析判断影响也会很大。
一种基于智慧校园的多源数据采集分析系统，包括历史访问日志获取模块、焦点端口分析模块、第一指数分析模块、第一显示数据标记模块、输入模型确定模块和显示数据更新模块；
历史访问日志获取模块用于获取智慧校园平台中的历史访问日志，历史访问日志包括用户访问时间、平台响应时间和日志记录内容；用户访问时间包括用户第一访问时间和用户第二访问时间，用户第一访问时间是指用户登陆智慧校园平台的时间，用户第二访问时间是指用户登录智慧校园平台后开始点击端口的时间，平台响应时间是指智慧校园平台针对用户点击的端口响应对应数据进行显示的时间，日志记录内容是指智慧校园平台提供用户的可选端口数据、对应端口显示的数据和用户访问数量；
焦点端口分析模块用于分析智慧校园平台提供用户的可选端口数据对应的焦点指数并分析得到焦点端口；
第一指数分析模块用于分析焦点端口发生拥堵的第一指数；
第一显示数据标记模块用于设置第一指数阈值，当第一指数大于第一指数阈值时，标记智慧校园平台中焦点端口显示的数据为第一显示数据；
输入模型确定模块用于基于第一显示数据的显示时长，判断存在卡顿现象时的用户输入模型；
显示数据更新模块用于基于用户输入模型确定焦点端口显示的模型数据，并基于模型数据输出实时焦点端口显示的更新数据。
进一步的，焦点端口分析模块包括偏差指数计算单元、用户侵入指数计算单元、焦点指数计算单元和焦点端口确定单元；
偏差指数计算单元用于基于用户偏差值计算偏差指数；
用户侵入指数计算单元用于基于用户访问数量计算对应端口用户侵入指数；
焦点指数计算单元用于基于偏差指数计算单元的偏差指数和用户侵入指数计算单元的用户侵入指数分析焦点指数；
焦点端口确定单元用于将焦点指数按照从大到小的顺序排列并获取焦点指数最大值对应的端口为焦点端口。
进一步的，第一指数分析模块包括数据对获取单元、一次函数分析单元、第一指数计算单元；
数据对获取单元用于获取历史访问日志中焦点端口记录的数据对；
一次函数分析单元用于基于数据对获取单元中的数据对，计算关于自变量为平均用户入侵指数、因变量为平均平台响应时间的一次函数，以及对应的常数；
第一指数计算单元用于基于理论平台响应时间和实际平台响应时间计算第一指数。
进一步的，输入模型确定模块包括平均碰撞指数计算单元和用户输入模型建立单元；
平均碰撞指数计算单元用于获取历史访问日志中第一显示内容对应的数值、结束卡顿后焦点端口显示的数据和第一显示时长内焦点端口的用户访问数量，计算平均碰撞指数；
用户输入模型建立单元基于实际用户访问数量和平均碰撞指数计算单元中的平均碰撞指数建立用户输入模型。
进一步的，显示数据更新模块包括实时模型数据获取单元、端口容量获取单元和更新数据计算单元；
实时模型数据获取单元用于获取实时模型数据；
端口容量获取单元用于获取焦点端口的总容量；
更新数据计算单元用于基于实时模型数据、焦点端口的总容量和第一显示数据对应的数值计算更新数据。
与现有技术相比，本发明所达到的有益效果是：本发明通过对智慧校园平台中不同课程或老师对应端口的热门程度进行分析使得系统有效的定位可能造成拥堵的异常端口，并基于这个异常端口判断其拥堵概率以此显示并发用户数与异常发生的关系，使得系统对多源数据的分析具有掌控性，有效的判断数据的异常情况；与此同时，本发明还对存在拥堵或卡顿时的显示数据进行模型预测，以此更新显示数据，降低实际数据与后台数据的差异，使得平台显示的数据更加精确也为登录平台的用户对端口的选择增加了可判断性和有效选择性。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明一种基于智慧校园的多源数据采集分析系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明提供技术方案：一种基于智慧校园的多源数据采集分析方法，包括以下步骤：
步骤S1：获取智慧校园平台中的历史访问日志，历史访问日志包括用户访问时间、平台响应时间和日志记录内容；用户访问时间包括用户第一访问时间和用户第二访问时间，用户第一访问时间是指用户登陆智慧校园平台的时间，用户第二访问时间是指用户登录智慧校园平台后开始点击端口的时间，平台响应时间是指智慧校园平台针对用户点击的端口响应对应数据进行显示的时间，日志记录内容是指智慧校园平台提供用户的可选端口数据、对应端口显示的数据和用户访问数量；
如在智慧校园的选课平台上会存在对应课程或者老师的访问端口，当用户进行访问端口的点击时，对应的时刻即表示用户访问时间；点击端口后，选课平台进行后端的运算处理且在平台上对该课程或者老师的实时剩余可选人数进行显示更新的时间即表示平台响应时间，其中智慧平台上可供选择的课程或老师即为智慧校园平台提供用户的可选端口数据，实时剩余可选人数即为端口对应显示的数据，用户访问数量即表示点击端口的用户数量；
步骤S2：基于用户历史访问日志，分析智慧校园平台提供用户的可选端口数据对应的焦点指数并分析得到焦点端口；焦点端口是指可选端口中焦点指数最大值时对应的端口；焦点指数是指智慧校园平台提供用户的可选端口在用户历史访问日志中呈现出的受欢迎程度，焦点指数越大表明此可选端口被选择的次数越多；确定焦点端口是为了在智慧校园平台众多端口选择过程中出现卡顿异常时能够基于历史数据缩小异常端口的分析范围，节约异常处理时间提高问题解决的效率；如用户在选课过程中发生卡顿，不分析用户网络状态之间的差异化，只分析用户体量即并发用户数对端口造成的影响，虽然一旦任一端口卡顿体现于用户的是整体的卡顿，但是基于平台后端对问题的优化以及处理需要确定端口的范围以更快更有效的解决问题，同时需要显示焦点端口正确的显示数据。
步骤S3：基于步骤S2中的焦点端口，分析焦点端口发生拥堵的第一指数，设置第一指数阈值，当第一指数大于第一指数阈值时，标记智慧校园平台中焦点端口显示的数据为第一显示数据，并记录第一显示数据的显示时长；分析焦点端口发生拥堵是为了确定智慧校园平台可能发生卡顿的时间以及情景；分析拥堵概率是为了在智慧校园平台的运行监控中对可能存在拥堵的时间节点进行提醒，且可以快速有效的处理当拥堵产生时带来的问题；
步骤S4：基于第一显示数据的显示时长，判断智慧校园平台是否存在卡顿现象，若存在卡顿现象，分析卡顿持续时长内的用户输入模型，基于用户输入模型确定焦点端口显示的模型数据，并基于模型数据输出实时焦点端口显示的更新数据。分析更新数据可以缩短平台卡顿时段显示数据的差异化，使得用户可以最大化的基于平台显示数据进行可分析性操作。
步骤S2包括以下具体步骤：
步骤S21：可选端口数据包括可选端口的数量和可选端口的总容量，可选端口的总容量即为每个课程或老师下的总名额，如课程A提供100个名额给学生，课程B提供120个名额给学生，则100对应课程A的总容量，120对应课程B的总容量；获取第i个可选端口第j个用户的目标偏差值aij，aij=t1ij-t2ij，其中t1ij表示第i个可选端口的第j个用户的第一访问时间，t2ij表示第i个可选端口的第j个用户的第二访问时间，计算第i个可选端口的平均目标偏差指数ai0，
其中ki表示第i个端口访问的总用户数量，j≤ki；
计算平均目标偏差指数反应出用户进入智慧校园平台选择端口的目的性较强，即用户选择课程的方向性较为明显，可以从一方面反应出这个端口即对应课程的热门程度；
步骤S22：获取第i个端口在第一监测时长内的用户访问数量si，第一监测时长为从智慧校园平台开放端口时间到终止端口的时间周期内第一个显示的数据为0对应端口的记录时长；记录监测时长为t0，则单位时间内第i个端口的用户侵入指数为ri0=si/t0；计算用户侵入指数是从单位时间内用户选择数量进行反应端口即课程的热门程度；开放端口是指智慧校园平台开放选课，终止端口是指智慧校园平台关闭选课；
步骤S23：利用公式：wi=ai0+ri0，计算第i个端口的焦点指数，将焦点指数按照从大到小的顺序排列并获取焦点指数最大值对应的端口为焦点端口。
步骤S3包括以下分析步骤：
步骤S31：获取历史访问日志中焦点端口在第z次记录的第二监测时长内的数据对Lz，Lz=(rz1,hz1)，其中rz1为第z次记录单位时间内的用户入侵指数，hz1表示第z次记录用户入侵指数对应的平均平台响应时间；第二监测时长是指焦点端口显示的数据与实际访问用户数量相匹配对应的时段，相匹配是指焦点端口显示的数据+实际访问用户数量=焦点端口对应的总容量；如当焦点端口的总容量为100时，经过一段时间后焦点端口显示的数据内容为60，且这一时间段实际访问用户为40，故称这一段时间为相匹配对应的时段即第二监测时长；
步骤S32：获取历史访问日志中任意两次监测对应的数据对，并计算关于自变量为平均用户入侵指数、因变量为平均平台响应时间的一次函数h=c1r+c2；代入两组数据对计算得到对应的常数c1和常数c2，h={h11,h21,......,hz1}，r={r11,r21,......,rz1}；计算一次函数是为了得到用户在总容量充足情况下对应访问的函数关系；
如：当选取的两组数据对为L1=(r11,h11)=(10,200ms)，L2=((r21,h21)=(15,250ms)；
则代入得到200=c1*10+c2，250=c1*15+c2，解出c1=10，c2=100；
则h=10*r+100；
步骤S33：利用公式：
计算第一指数d，其中h0表示实时获取的平台响应时间，h表示实时平台响应时间对应用户入侵指数在一次函数中的理论平台响应时间。如实际在用户入侵指数为30时实时获取的平台响应时间h0为680ms，而代入r=30时在一次函数中得到的理论平台响应时间为400ms，则第一指数d=(680-400)/400=0.7。
基于第一显示数据的显示时长，判断智慧校园平台是否存在卡顿现象，若存在卡顿现象，分析卡顿持续时长内的用户输入模型，包括以下步骤：
获取第一显示数据的显示时长p0和第一显示数据显示后的实时平台响应时间h0，当p0大于等于h0时，则输出智慧校园平台存在卡顿现象；
获取历史访问日志中第z次记录中第一显示数据对应的数值uz、结束卡顿后焦点端口显示的数据vz和第一显示时长内焦点端口的用户访问数量qz，卡顿持续时长即为第一显示时长；利用公式：
计算平均碰撞指数f，z≤m，m表示总记录次数，平均碰撞指数是指根据历史数据分析出在卡顿时段内进行点击动作的用户成功点击的平均比例；其中用户成功点击端口是指用户操作后平台完成响应并记录端口显示的数据，即一个用户选择一门课程，成功选择后则该门课程对应的学生容量减一；
建立用户输入模型G=q0*f，其中q0表示第一显示时长内焦点端口的实际用户访问数量。
基于用户输入模型确定焦点端口显示的模型数据，并基于模型数据输出实时焦点端口显示的更新数据，包括以下步骤：
获取实时模型数据G0，以及实时第一显示数据对应的数值u0，则输出实时焦点端口显示的更新数据G1=u0-G0，G0表示代入计算用户输入模型的输出值。本发明在分析焦点端口时不限于最大值对应焦点端口的数量，即表示当最大值对应的焦点端口不唯一时，本系统可以同时对所有焦点端口进行分析；更新数据是经过模型预测出成功点击端口的人数，在卡顿时显示的第一显示数据上进行剔除，再将剔除后的第一显示数据的数据进行更新，更新数据意为系统判断出焦点端口后在焦点端口记录的数据中分析可能存在拥堵的情景，拥堵情景基于并发用户数量判断，结合实际数据与预测数据分析并传输信号以更新焦点端口的显示数据。
分析更新数据是为了在系统产生拥堵的时刻可以最大化的判断系统实际在端口成功操作的人数，使得用户在读取端口显示的数据时不至于偏差太大造成平台响应完成后端口显示数据为0的情况，此情况是指一般在平台卡顿时会显示一个数据，当平台恢复正常时往往显示的数值与卡顿前数值差异较大，这一差异点就是因为在卡顿时段内会存在部分用户成功点击端口的情况，所以本发明是基于发生卡顿时刻的数据分析卡顿持续时长内预测存在成功选择端口的人数来降低用户所读取数据与实际数据的差异值，使得平台显示的数据更加精确也为登录平台的用户对端口的选择增加了主动性，因为一旦平台显示的数据差异化很大对用户的主动选择分析判断影响也会很大。
一种基于智慧校园的多源数据采集分析系统，包括历史访问日志获取模块、焦点端口分析模块、第一指数分析模块、第一显示数据标记模块、输入模型确定模块和显示数据更新模块；
历史访问日志获取模块用于获取智慧校园平台中的历史访问日志，历史访问日志包括用户访问时间、平台响应时间和日志记录内容；用户访问时间包括用户第一访问时间和用户第二访问时间，用户第一访问时间是指用户登陆智慧校园平台的时间，用户第二访问时间是指用户登录智慧校园平台后开始点击端口的时间，平台响应时间是指智慧校园平台针对用户点击的端口响应对应数据进行显示的时间，日志记录内容是指智慧校园平台提供用户的可选端口数据、对应端口显示的数据和用户访问数量；
焦点端口分析模块用于分析智慧校园平台提供用户的可选端口数据对应的焦点指数并分析得到焦点端口；
第一指数分析模块用于分析焦点端口发生拥堵的第一指数；
第一显示数据标记模块用于设置第一指数阈值，当第一指数大于第一指数阈值时，标记智慧校园平台中焦点端口显示的数据为第一显示数据；
输入模型确定模块用于基于第一显示数据的显示时长，判断存在卡顿现象时的用户输入模型；
显示数据更新模块用于基于用户输入模型确定焦点端口显示的模型数据，并基于模型数据输出实时焦点端口显示的更新数据。
焦点端口分析模块包括偏差指数计算单元、用户侵入指数计算单元、焦点指数计算单元和焦点端口确定单元；
偏差指数计算单元用于基于用户偏差值计算偏差指数；
用户侵入指数计算单元用于基于用户访问数量计算对应端口用户侵入指数；
焦点指数计算单元用于基于偏差指数计算单元的偏差指数和用户侵入指数计算单元的用户侵入指数分析焦点指数；
焦点端口确定单元用于将焦点指数按照从大到小的顺序排列并获取焦点指数最大值对应的端口为焦点端口。
第一指数分析模块包括数据对获取单元、一次函数分析单元、第一指数计算单元；
数据对获取单元用于获取历史访问日志中焦点端口记录的数据对；
一次函数分析单元用于基于数据对获取单元中的数据对，计算关于自变量为平均用户入侵指数、因变量为平均平台响应时间的一次函数，以及对应的常数；
第一指数计算单元用于基于理论平台响应时间和实际平台响应时间计算第一指数。
输入模型确定模块包括平均碰撞指数计算单元和用户输入模型建立单元；
平均碰撞指数计算单元用于获取历史访问日志中第一显示内容对应的数值、结束卡顿后焦点端口显示的数据和第一显示时长内焦点端口的用户访问数量，计算平均碰撞指数；
用户输入模型建立单元基于实际用户访问数量和平均碰撞指数计算单元中的平均碰撞指数建立用户输入模型。
显示数据更新模块包括实时模型数据获取单元、端口容量获取单元和更新数据计算单元；
实时模型数据获取单元用于获取实时模型数据；
端口容量获取单元用于获取焦点端口的总容量；
更新数据计算单元用于基于实时模型数据、焦点端口的总容量和第一显示数据对应的数值计算更新数据。
需要说明的是，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。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于智慧校园的多源数据采集分析方法，其特征在于，包括以下步骤：
步骤S1：获取智慧校园平台中的历史访问日志，所述历史访问日志包括用户访问时间、平台响应时间和日志记录内容；所述用户访问时间包括用户第一访问时间和用户第二访问时间，所述用户第一访问时间是指用户登陆智慧校园平台的时间，所述用户第二访问时间是指用户登录智慧校园平台后开始点击端口的时间，所述平台响应时间是指智慧校园平台针对用户点击的端口响应对应数据进行显示的时间，所述日志记录内容是指智慧校园平台提供用户的可选端口数据、对应端口显示的数据和用户访问数量；
步骤S2：基于用户历史访问日志，分析智慧校园平台提供用户的可选端口数据对应的焦点指数并分析得到焦点端口；所述焦点端口是指可选端口中焦点指数最大值时对应的端口；
所述步骤S2包括以下具体步骤：
步骤S21：可选端口数据包括可选端口的数量和可选端口的总容量，获取第i个可选端口第j个用户的目标偏差值aij，aij=t1ij-t2ij，其中t1ij表示第i个可选端口的第j个用户的第一访问时间，t2ij表示第i个可选端口的第j个用户的第二访问时间，计算第i个可选端口的平均目标偏差指数ai0，
其中ki表示第i个端口访问的总用户数量，j≤ki；
步骤S22：获取第i个端口在第一监测时长内的用户访问数量si，所述第一监测时长为从智慧校园平台开放端口时间到终止端口的时间周期内第一个显示的数据为0对应端口的记录时长；记录所述监测时长为t0，则单位时间内第i个端口的用户侵入指数为ri0=si/t0；
步骤S23：利用公式：wi=ai0+ri0，计算第i个端口的焦点指数，将焦点指数按照从大到小的顺序排列并获取焦点指数最大值对应的端口为焦点端口；
步骤S3：基于步骤S2中的焦点端口，分析焦点端口发生拥堵的第一指数，设置第一指数阈值，当第一指数大于第一指数阈值时，标记智慧校园平台中焦点端口显示的数据为第一显示数据，并记录第一显示数据的显示时长；
所述步骤S3包括以下分析步骤：
步骤S31：获取历史访问日志中焦点端口在第z次记录的第二监测时长内的数据对Lz，Lz=(rz1,hz1)，其中rz1为第z次记录单位时间内的用户入侵指数，hz1表示第z次记录用户入侵指数对应的平均平台响应时间；所述第二监测时长是指焦点端口显示的数据与实际访问用户数量相匹配对应的时段，所述相匹配是指焦点端口显示的数据+实际访问用户数量=焦点端口对应的总容量；
步骤S32：获取历史访问日志中任意两次监测对应的数据对，并计算关于自变量为平均用户入侵指数、因变量为平均平台响应时间的一次函数h=c1r+c2；代入两组数据对计算得到对应的常数c1和常数c2，h={h11,h21,......,hz1}，r={r11,r21,......,rz1}；
步骤S33：利用公式：
计算第一指数d，其中h0表示实时获取的平台响应时间，h表示实时平台响应时间对应用户入侵指数在一次函数中的理论平台响应时间；
步骤S4：基于第一显示数据的显示时长，判断智慧校园平台是否存在卡顿现象，若存在卡顿现象，分析卡顿持续时长内的用户输入模型，基于用户输入模型确定焦点端口显示的模型数据，并基于模型数据输出实时焦点端口显示的更新数据。
2.根据权利要求1所述的一种基于智慧校园的多源数据采集分析方法，其特征在于：所述基于第一显示数据的显示时长，判断智慧校园平台是否存在卡顿现象，若存在卡顿现象，分析卡顿持续时长内的用户输入模型，包括以下步骤：
获取第一显示数据的显示时长p0和第一显示数据显示后的实时平台响应时间h0，当p0大于等于h0时，则输出智慧校园平台存在卡顿现象；
获取历史访问日志中第z次记录中第一显示数据对应的数值uz、结束卡顿后焦点端口显示的数据vz和第一显示时长内焦点端口的用户访问数量qz，所述卡顿持续时长即为第一显示时长；利用公式：
计算平均碰撞指数f，z≤m，m表示总记录次数，
建立用户输入模型G=q0*f，其中q0表示第一显示时长内焦点端口的实际用户访问数量。
3.根据权利要求2所述的一种基于智慧校园的多源数据采集分析方法，其特征在于：所述基于用户输入模型确定焦点端口显示的模型数据，并基于模型数据输出实时焦点端口显示的更新数据，包括以下步骤：
获取实时模型数据G0，以及实时第一显示数据对应的数值u0，则输出实时焦点端口显示的更新数据G1=u0-G0。
4.一种采用权利要求1-3中任一项所述的一种基于智慧校园的多源数据采集分析方法的基于智慧校园的多源数据采集分析系统，其特征在于，包括历史访问日志获取模块、焦点端口分析模块、第一指数分析模块、第一显示数据标记模块、输入模型确定模块和显示数据更新模块；
所述历史访问日志获取模块用于获取智慧校园平台中的历史访问日志，所述历史访问日志包括用户访问时间、平台响应时间和日志记录内容；所述用户访问时间包括用户第一访问时间和用户第二访问时间，所述用户第一访问时间是指用户登陆智慧校园平台的时间，所述用户第二访问时间是指用户登录智慧校园平台后开始点击端口的时间，所述平台响应时间是指智慧校园平台针对用户点击的端口响应对应数据进行显示的时间，所述日志记录内容是指智慧校园平台提供用户的可选端口数据、对应端口显示的数据和用户访问数量；
所述焦点端口分析模块用于分析智慧校园平台提供用户的可选端口数据对应的焦点指数并分析得到焦点端口；
所述第一指数分析模块用于分析焦点端口发生拥堵的第一指数；
所述第一显示数据标记模块用于设置第一指数阈值，当第一指数大于第一指数阈值时，标记智慧校园平台中焦点端口显示的数据为第一显示数据；
所述输入模型确定模块用于基于第一显示数据的显示时长，判断存在卡顿现象时的用户输入模型；
所述显示数据更新模块用于基于用户输入模型确定焦点端口显示的模型数据，并基于模型数据输出实时焦点端口显示的更新数据。
5.根据权利要求4所述的一种基于智慧校园的多源数据采集分析系统，其特征在于：所述焦点端口分析模块包括偏差指数计算单元、用户侵入指数计算单元、焦点指数计算单元和焦点端口确定单元；
所述偏差指数计算单元用于基于用户偏差值计算偏差指数；
所述用户侵入指数计算单元用于基于用户访问数量计算对应端口用户侵入指数；
所述焦点指数计算单元用于基于所述偏差指数计算单元的偏差指数和所述用户侵入指数计算单元的用户侵入指数分析焦点指数；
所述焦点端口确定单元用于将焦点指数按照从大到小的顺序排列并获取焦点指数最大值对应的端口为焦点端口。
6.根据权利要求5所述的一种基于智慧校园的多源数据采集分析系统，其特征在于：所述第一指数分析模块包括数据对获取单元、一次函数分析单元、第一指数计算单元；
所述数据对获取单元用于获取历史访问日志中焦点端口记录的数据对；
所述一次函数分析单元用于基于所述数据对获取单元中的数据对，计算关于自变量为平均用户入侵指数、因变量为平均平台响应时间的一次函数，以及对应的常数；
所述第一指数计算单元用于基于理论平台响应时间和实际平台响应时间计算第一指数。
7.根据权利要求6所述的一种基于智慧校园的多源数据采集分析系统，其特征在于：所述输入模型确定模块包括平均碰撞指数计算单元和用户输入模型建立单元；
所述平均碰撞指数计算单元用于获取历史访问日志中第一显示内容对应的数值、结束卡顿后焦点端口显示的数据和第一显示时长内焦点端口的用户访问数量，计算平均碰撞指数；
所述用户输入模型建立单元基于实际用户访问数量和所述平均碰撞指数计算单元中的平均碰撞指数建立用户输入模型。
8.根据权利要求7所述的一种基于智慧校园的多源数据采集分析系统，其特征在于：所述显示数据更新模块包括实时模型数据获取单元、端口容量获取单元和更新数据计算单元；
所述实时模型数据获取单元用于获取实时模型数据；
所述端口容量获取单元用于获取焦点端口的总容量；
所述更新数据计算单元用于基于实时模型数据、焦点端口的总容量和第一显示数据对应的数值计算更新数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211360032.3A CN115408250B (zh) | 2022-11-02 | 2022-11-02 | 一种基于智慧校园的多源数据采集分析系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211360032.3A CN115408250B (zh) | 2022-11-02 | 2022-11-02 | 一种基于智慧校园的多源数据采集分析系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115408250A CN115408250A (zh) | 2022-11-29 |
| CN115408250B true CN115408250B (zh) | 2023-01-31 |
Family
ID=84169303
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211360032.3A Active CN115408250B (zh) | 2022-11-02 | 2022-11-02 | 一种基于智慧校园的多源数据采集分析系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115408250B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116029866B (zh) * | 2023-02-20 | 2023-06-09 | 南京鲜玩网络科技有限公司 | 一种基于互联网的智慧园区管理系统及方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110086649B (zh) * | 2019-03-19 | 2023-06-16 | 深圳壹账通智能科技有限公司 | 异常流量的检测方法、装置、计算机设备及存储介质 |
| CN110362632B (zh) * | 2019-07-22 | 2022-11-15 | 无限极（中国）有限公司 | 一种数据同步方法、装置、设备及计算机可读存储介质 |
| CN113157685A (zh) * | 2021-05-17 | 2021-07-23 | 杭州小鱼互动科技有限公司 | 一种用于智慧数据中心的信息采集端口 |
-
2022
- 2022-11-02 CN CN202211360032.3A patent/CN115408250B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115408250A (zh) | 2022-11-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110113226B (zh) | 一种检测设备异常的方法及装置 | |
| CN104538041A (zh) | 异常声音检测方法及系统 | |
| CN115408250B (zh) | 一种基于智慧校园的多源数据采集分析系统及方法 | |
| CN108550047A (zh) | 交易量的预测方法及装置 | |
| CN110245207B (zh) | 一种题库构建方法、题库构建装置及电子设备 | |
| CN110335162A (zh) | 一种基于深度强化学习的股票市场量化交易系统及算法 | |
| CN108600965B (zh) | 一种基于客人位置信息的客流数据预测方法 | |
| CN111105628A (zh) | 一种停车场画像构建方法和装置 | |
| CN110097283A (zh) | 基于人脸识别的教学管理系统及方法 | |
| CN113705715A (zh) | 一种基于lstm和多尺度fcn的时间序列分类方法 | |
| CN111680913A (zh) | 一种舰员的超负荷工作检测方法及系统 | |
| CN118228601B (zh) | 一种氦气储气泄露预警系统及方法 | |
| CN117241306A (zh) | 一种4g网络异常流量数据实时监测方法 | |
| US20050283511A1 (en) | Cross-feature analysis | |
| US20230409422A1 (en) | Systems and Methods for Anomaly Detection in Multi-Modal Data Streams | |
| CN113434229A (zh) | 一种教育教学云桌面智能分析管理方法、系统及计算机存储介质 | |
| CN113065710A (zh) | 一种基于人工智能和区块链的金融预测系统 | |
| He et al. | Robust dual recurrent neural networks for financial time series prediction | |
| CN116167454A (zh) | 智能化的二分类模型训练方法及装置 | |
| CN115474108A (zh) | 一种基于边缘计算的事件监控系统及监控方法 | |
| CN108734612A (zh) | 一种基于多方面信息采集的课堂教学质量评价器 | |
| CN109408531B (zh) | 缓慢下跌型数据的检测方法及装置、电子设备、存储介质 | |
| CN113128452A (zh) | 一种基于图像识别的绿化满意度采集方法和系统 | |
| Qiao | Prediction model of stock market based on Chaos Theory | |
| CN116521105B (zh) | 一种基于大数据设备数据管理方法及系统 |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A multi-source data collection and analysis system and method based on smart campus Granted publication date: 20230131 Pledgee: Nanjing Bank Co.,Ltd. Nanjing North Branch Pledgor: Nanjing Xinhua Software Technology Co.,Ltd. Registration number: Y2024980034914 |