CN116610731B - 一种大数据分布式存储方法、装置、电子设备及存储介质 - Google Patents
一种大数据分布式存储方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116610731B CN116610731B CN202310894391.5A CN202310894391A CN116610731B CN 116610731 B CN116610731 B CN 116610731B CN 202310894391 A CN202310894391 A CN 202310894391A CN 116610731 B CN116610731 B CN 116610731B
- Authority
- CN
- China
- Prior art keywords
- data
- storage
- distance
- index
- calculating
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013500 data storage Methods 0.000 claims abstract description 107
- 230000008859 change Effects 0.000 claims abstract description 40
- 238000013144 data compression Methods 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 23
- 239000013598 vector Substances 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000007906 compression Methods 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 230000000903 blocking effect Effects 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F16/24—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
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1097—Protocols in which an application is distributed across nodes in the network for distributed storage of data in networks, e.g. transport arrangements for network file system [NFS], storage area networks [SAN] or network attached storage [NAS]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Fuzzy Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Bioethics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及数据存储技术领域，揭露了一种大数据分布式存储方法、装置、电子设备以及存储介质，所述方法包括：计算多源数据集中每个数据的数据密度及距离变化率；根据数据密度及距离变化率计算每个数据的数据中心度，基于数据中心度对多源数据集进行聚类，得到多个数据聚类簇；分别对每个数据聚类簇进行属性加密，得到加密字符串，对加密字符串进行数据压缩，得到压缩数据集；根据存储指标数据计算每个数据存储节点的存储性能；根据存储性能对压缩数据集进行分配，确定目标数据存储节点，将压缩数据集写入目标数据存储节点。本发明可以提高大数据分布式存储的效率。
Description
技术领域
本发明涉及数据存储技术领域，尤其涉及一种大数据分布式存储方法、装置、电子设备及存储介质。
背景技术
随着科技的发展，以及云计算环境地普及，数据业务产生的数据量已经变得十分庞大，因此，数据库设计是影响云计算使用和普及的重要因素。目前数据库在使用过程中，因用户的访问次数逐渐增加，大数据的规模也会随着增加，导致传统的数据存储模式容易发生负载现象，不利于提高数据库的提取效率。用户对大数据进行分布式数据存储的需求也越发强烈，数据存储的分布式部署成为了云计算后另一项重点研究内容。
现有的大数据分布式存储方法主要包括对大数据进行数据优化，根据构造的数据配置图，确定云计算文件传输效率，得到分布式大数据的存储状况，再将其转换为数据块。凭借上述获得的存储情况，对数据块尺寸进行调优，最后将上述构造的配置图转换为智能调度器，实现数据块智能存储。但该方法需要消耗大量时间将分布式大数据转换为数据块，且未全面考虑到存储数据包的重复性以及活动因子特点，因此会产生很多冗余数据，导致大数据分布式存储的存储效率过低。
发明内容
本发明提供一种大数据分布式存储方法、装置、电子设备及存储介质，其主要目的在于解决大数据分布式存储时效率较低的问题。
为实现上述目的，本发明提供的一种大数据分布式存储方法，包括：
获取多源数据集，计算所述多源数据集中每个数据的数据密度及距离变化率；
根据所述数据密度及所述距离变化率计算所述多源数据集中每个数据的数据中心度，基于所述数据中心度对所述多源数据集进行聚类，得到多个数据聚类簇；
分别对每个所述数据聚类簇进行属性加密，得到加密字符串，对所述加密字符串进行数据压缩，得到压缩数据集；
获取预设的数据存储节点的存储指标数据，根据所述存储指标数据计算每个所述数据存储节点的存储性能；
根据所述存储性能对所述压缩数据集进行分配，确定所述压缩数据集对应的目标数据存储节点，将所述压缩数据集写入所述目标数据存储节点。
可选地，所述计算所述多源数据集中每个数据的数据密度及距离变化率，包括：
将所述多源数据集映射到预构建的向量空间，得到所述多源数据集中每个数据的数据向量，并计算每个所述数据向量之间的欧式距离；
根据所述欧式距离计算所述多源数据集的平均距离，根据所述平均距离计算多源数据集中每个数据的距离数据量及邻域半径；
利用如下公式计算所述多源数据集的平均距离：其中，/>为平均距离，/>表示所述多源数据集中数据总数，/>表示所述多源数据集中第/>个数据，/>表示所述多源数据集中第/>个数据，/>表示第/>个数据与第/>个个数据之间的欧式距离；
将所述数据距离数据量与所述邻域半径之间的比值作为所述多源数据集中每个数据的数据密度；
查找所述多源数据集中每个数据在所述平均距离内的距离数据量，根据所述距离数据量及所述欧式距离确定距离变化率。
可选地，所述基于所述数据中心度对所述多源数据集进行聚类，得到多个数据聚类簇，包括：
根据所述数据中心度从所述多源数据集中选取预设数量的数据中心点；
根据所述数据中心的领域半径对所述多源数据集进行数据聚类，得到初始聚类簇；
查找每个所述数据中心的领域半径内的重复数据，对所述初始聚类簇内的所述重复数据进行数据剔除，得到所述多源数据集的数据聚类簇。
可选地，所述分别对每个所述数据聚类簇进行属性加密，包括：
对每个所述数据聚类簇中的数据进行数据编码，得到数据编码簇，对所述数据编码簇进行划分，得到分块数据编码；
分别对所述分块数据编码进行加密，得到加密密文及密钥，对所述加密密文及所述加密密钥进行数据补正，得到标准密文及标准密钥；
对所述标准密文及所述标准密钥进行拼接，得到每个所述分块数据编码的分块字符串；
对每个所述分块字符串进行数据拼接，得到每个所述数据聚类簇的加密字符串。
可选地，所述对所述加密字符串进行数据压缩，得到压缩数据集，包括：
统计所述加密字符串中每个字符的数量，根据所述每个字符数量计算所述每个字符的字符频率；
将所述字符频率作为节点构建所述加密字符串中每个字符的二叉树，对所述每个字符的二叉树进行合并，得到所述加密字符串的编码树；
利用所述编码树对所述加密字符串进行数据压缩，得到压缩数据集。
可选地，所述根据所述存储指标数据计算每个所述数据存储节点的存储性能，包括：
根据所述存储指标数据构建所述数据存储节点的加权指标矩阵，对所述加权指标矩阵进行数据归一化，得到标准指标矩阵；
求解所述标准指标矩阵的正向解以及负向解，计算每个所述存储指标数据与所述正向解之间的正向距离以及每个所述存储指标数据与所述负向解之间的负向距离；
利用如下公式计算每个所述存储指标数据与所述正向解之间的正向距离：其中，/>为第/>个指标存储数据与所述正向解之间的正向距离，/>为所述指标存储数据中第/>个指标数据，/>表示所述指标存储数据中指标数据的总数，/>表示第/>个正向解，/>表示正向解的总数；
根据所述正向距离及所述负向距离计算每个所述存储指标数据对应的存储性能；
利用如下公式计算每个所述存储指标数据对应的存储性能：其中，/>为第/>个指标存储数据对应的存储性能，/>为第/>个指标存储数据对应的正向距离，/>为第/>个指标存储数据对应的负向距离。
可选地，所述根据所述存储性能对所述压缩数据集进行分配，确定所述压缩数据集对应的目标数据存储节点，包括：
根据所述存储性能计算每个所述数据存储节点的数据存储比例，以及计算每个所述压缩数据集的数据长度，根据所述数据长度统计数据总长度；
根据所述数据存储比例及所述数据总长度计算每个所述数据存储节点的数据存储长度；
根据所述数据存储长度及所述压缩数据集的数据长度对所述压缩数据集进行分配，得到所述压缩数据集对应的目标数据存储节点。
为了解决上述问题，本发明还提供一种大数据分布式存储装置，所述装置包括：
数据密度及距离变化率计算模块，用于获取多源数据集，计算所述多源数据集中每个数据的数据密度及距离变化率；
数据聚类模块，用于根据所述数据密度及所述距离变化率计算所述多源数据集中每个数据的数据中心度，基于所述数据中心度对所述多源数据集进行聚类，得到多个数据聚类簇；
加密压缩模块，用于分别对每个所述数据聚类簇进行属性加密，得到加密字符串，对所述加密字符串进行数据压缩，得到压缩数据集；
存储性能计算模块，用于获取预设的数据存储节点的存储指标数据，根据所述存储指标数据计算每个所述数据存储节点的存储性能；
数据存储模块，用于根据所述存储性能对所述压缩数据集进行分配，确定所述压缩数据集对应的目标数据存储节点，将所述压缩数据集写入所述目标数据存储节点。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的大数据分布式存储方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的大数据分布式存储方法。
本发明实施例通过计算多源数据集中每个数据的数据密度以及距离变化率，能够计算出每个数据的数据中心度，进而根据得到更精确地聚类中心点，得到更精确的数据聚类簇；对数据聚类簇进行属性加密以及数据压缩，能够提高压缩数据集的数据安全性同时减小数据量，以有效地提高大数据分布式存储的效率；计算数据传输节点的存储指标数据，根据存储指标数据计算数据传输节点的存储性能，能够确定每个存储节点的数据存储能力，从而根据存储性能对所述压缩数据集进行分配，确定每个压缩数据集对应的目标数据存储节点，提高数据的存储效率，实现大数据的高效存储。因此本发明提出的大数据分布式存储方法、装置、电子设备及计算机可读存储介质，可以解决大数据分布式存储时效率较低的问题。
附图说明
图1为本发明一实施例提供的大数据分布式存储方法的流程示意图；
图2为本发明一实施例提供的计算多源数据集中每个数据的数据密度及距离变化率的流程示意图；
图3为本发明一实施例提供的对每个数据聚类簇进行属性加密的流程示意图；
图4为本发明一实施例提供的大数据分布式存储装置的功能模块图；
图5为本发明一实施例提供的实现所述大数据分布式存储方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种大数据分布式存储方法。所述大数据分布式存储方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述大数据分布式存储方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的大数据分布式存储方法的流程示意图。在本实施例中，所述大数据分布式存储方法包括：
S1、获取多源数据集，计算所述多源数据集中每个数据的数据密度及距离变化率。
本发明实施例中，所述多源数据集是云计算过程中的计算数据，包括不同数据库对应的云计算数据；本发明另一实施例中，数据密度是反映多源数据集中每个数据之间的数据紧密程度，距离变化率表示每个反映多源数据集中每个数据之间的距离程度，通过数据密度以及距离变化率综合计算每个数据的数据中心度，进而对多源数据集进行更精确地聚类。
本发明实施例中，参阅图2所示，所述计算所述多源数据集中每个数据的数据密度及距离变化率，包括：
S21、将所述多源数据集映射到预构建的向量空间，得到所述多源数据集中每个数据的数据向量，并计算每个所述数据向量之间的欧式距离；
S22、根据所述欧式距离计算所述多源数据集的平均距离，根据所述平均距离计算多源数据集中每个数据的距离数据量及邻域半径；
S23、将所述数据距离数据量与所述邻域半径之间的比值作为所述多源数据集中每个数据的数据密度；
S24、查找所述多源数据集中每个数据在所述平均距离内的距离数据量，根据所述距离数据量及所述欧式距离确定距离变化率。
本发明实施例中，通过平均距离能够反映多源数据集的全局平均距离，进而反映多源数据集中每个数据的数据中心程度。
本发明实施例中，利用如下公式计算所述多源数据集的平均距离：其中，/>为平均距离，/>表示所述多源数据集中数据总数，/>表示所述多源数据集中第/>个数据，/>表示所述多源数据集中第/>个数据，表示第/>个数据与第/>个个数据之间的欧式距离。
本发明实施例中，可将多源数据集映射到预构建坐标系中，将坐标点作为数据向量；其中，距离数据量为多源数据集中每个数据在平均距离内包含的数据量，邻域半径为每个数据在平均距离内包含的数据量之间的欧式距离均值，进而通过距离数据量及邻域半径能够计算多源数据集中每个数据的数据密度。
本发明另一可选实施例中，查找多源数据集中每个数据在平均距离内的距离数据量，若距离数据量内包含的数据中存在一个数据的距离数据量大于数据自身的数据量，则选取距离数据量中与数据自身之间的最小的欧式距离作为距离变化率，反之，选取最大的欧式距离作为距离变化率，进而确定每个数据之间的距离程度。
S2、根据所述数据密度及所述距离变化率计算所述多源数据集中每个数据的数据中心度，基于所述数据中心度对所述多源数据集进行聚类，得到多个数据聚类簇。
本发明实施例中，将数据密度及距离变化率的乘积作为多源数据集中每个数据的数据中心的，进而数据中心度反映每个数据的与其他数据之间的距离程度，数据中心度越大，表示数据周围的数据点的密度越高，因此能够根据数据中心度选取聚类中心点，提高聚类的精确度。
本发明实施例中，所述基于所述数据中心度对所述多源数据集进行聚类，得到多个数据聚类簇，包括：
根据所述数据中心度从所述多源数据集中选取预设数量的数据中心点；
根据所述数据中心的领域半径对所述多源数据集进行数据聚类，得到初始聚类簇；
查找每个所述数据中心的领域半径内的重复数据，对所述初始聚类簇内的所述重复数据进行数据剔除，得到所述多源数据集的数据聚类簇。
本发明实施例中，可以选取数据中心度最高的n个数据作为数据中心点进行聚类，并根据上述计算得到的数据中心点的邻域半径，对邻域半径的数据进行聚类，得到初始聚类簇；同时，数据中心点每个邻域可能会包括重复的数据，即数据中心点的邻域半径出现重叠，导致同一个数据被多次聚类，需要对重复数据进行剔除，使得每个数据只会出现在一个数据聚类簇内，保证数据聚类的准确度，以及后续数据分布式存储的准确度。
S3、分别对每个所述数据聚类簇进行属性加密，得到加密字符串，对所述加密字符串进行数据压缩，得到压缩数据集。
本发明实施例中，属性加密是分别根据数据聚类簇中的数据针对性地进行数据转化，实现根据数据属性进行数据转换，数据转换后进行数据加密，得到每个数据聚类的加密字符串。
本发明实施例中，参阅图3所示，所述分别对每个所述数据聚类簇进行属性加密，包括：
S31、对每个所述数据聚类簇中的数据进行数据编码，得到数据编码簇，对所述数据编码簇进行划分，得到分块数据编码；
S32、分别对所述分块数据编码进行加密，得到加密密文及密钥，对所述加密密文及所述加密密钥进行数据补正，得到标准密文及标准密钥；
S33、对所述标准密文及所述标准密钥进行拼接，得到每个所述分块数据编码的分块字符串；
S34、对每个所述分块字符串进行数据拼接，得到每个所述数据聚类簇的加密字符串。
本发明实施例中，所述数据编码为将数据聚类簇中的数据转换为 8 位的ASCII字符串，得到数据编码簇，将数据编码簇划分为8 位或8 位倍数的多个分块数据编码，再利用非对称加密算法对分块数据编码进行编码，以得到对应的密文及密钥。
本发明实施例中，数据补正是将每个密文补正得到4位或4位倍数的标准密文以将密钥补正得到8位或8位倍数的标准密钥，以实现分块数据编码的加密以及数据位数的补正，便于后续的数据压缩，具体地，本发明实施例可以利用加零的方式实现数据补正；通过对标准密文及标准密钥进行拼接，进一步地提高了标准密文的复杂度，从而有效地提高加密字符串的数据安全性。
本发明实施例中，由于数据的补正会产生数据的冗余，以及增加了加密字符串数据的位，因此，需要对加密字符串进行数据压缩，减小数据的计算量。
本发明实施例中，所述对所述加密字符串进行数据压缩，得到压缩数据集，包括：
统计所述加密字符串中每个字符的数量，根据所述每个字符数量计算所述每个字符的字符频率；
将所述字符频率作为节点构建所述加密字符串中每个字符的二叉树，对所述每个字符的二叉树进行合并，得到所述加密字符串的编码树；
利用所述编码树对所述加密字符串进行数据压缩，得到压缩数据集。
本发明实施例中，将字符频率作为根节点，每个二叉树只包括一个根节点，将节点值之和最小的两个二叉树进行合并，直至所有字符的二叉树合并层一个编码树，通过编码树中根节点遍历到每个字符对应的子节点所经历的路径就是这个字符的编码，进而通过多加密字符串中字符进行数据编码能够对加密字符串进行数据压缩，以减小加密字符串的数据量。
本发明实施例中，通过对数据聚类簇进行属性加密以及数据压缩，能够提高数据安全的同时减小数据量，以提高数据分布式存储的安全性以及数据存储的效率。
S4、获取预设的数据存储节点的存储指标数据，根据所述存储指标数据计算每个所述数据存储节点的存储性能。
本发明实施例中，数据存储节点是预构建的数据存储服务器，其中，所述存储指标数据表示每个数据存储服务器的数据传输性能以及存储负载状况的指标数据，例如，每个数据存储节点对应的数据存储服务器端的剩余带宽，数据存储服务器的负载数据以及中央处理器的内存使用率等存储指标数据，进而综合性地判断每个数据传输节点的存储性能，具体地，可以从每个数据存储服务器的运行日志中获取每个数据存储节点的存储指标数据。
本发明实施例中，所述根据所述存储指标数据计算每个所述数据存储节点的存储性能，包括：
根据所述存储指标数据构建所述数据存储节点的加权指标矩阵，对所述加权指标矩阵进行数据归一化，得到标准指标矩阵；
求解所述标准指标矩阵的正向解以及负向解，计算每个所述存储指标数据与所述正向解之间的正向距离以及每个所述存储指标数据与所述负向解之间的负向距离；
根据所述正向距离及所述负向距离计算每个所述存储指标数据对应的存储性能。
本发明实施例中，所述加权指标矩阵是利用预设的指标权重对每个存储指标数据赋予对应的权重，例如，通过历史实验得到剩余带宽以及负载数据对数据存储节点的存储性能影响较大，则剩余带宽以及负载数据对应的指标权重数据赋予更高的权重，将每个数据存储节点的加权指标数据作为行向量，得到数据存储节点的加权指标矩阵，进行数据归一化，消除量纲，得到更精确的标准指标矩阵。
本发明实施例中，所述正向解是标准指标矩阵中的最优解，即标准指标矩阵中正向存储指标数据的最大值以及负向指标数据的最小值，例如，剩余带宽的值越大，存储性能越好，则剩余带宽为正向存储指标数据，内存使用率越小，存储性能越好，则内存使用率为负向存储指标数据，反之，正向解是标准指标矩阵中的最差解，即标准指标矩阵中正向存储指标数据的最小值以及负向指标数据的最大值，通过计算每个存储节点的存储指标数据的正向距离以及负向距离，能够反应每个存储节点与最佳存储指标数据的距离，距离越小，存储性能越好，进而根据存储指标数据计算每个数据存储节点的存储性能，本发明实施例中，正向解以及负向解的个数与存储指标中的指标数据的个数相同。
本发明实施例中，利用如下公式计算每个所述存储指标数据与所述正向解之间的正向距离：其中，/>为第/>个指标存储数据与所述正向解之间的正向距离，/>为所述指标存储数据中第/>个指标数据，/>表示所述指标存储数据中指标数据的总数，/>表示第/>个正向解，/>表示正向解的总数。
本发明实施例中，利用如下公式计算每个所述存储指标数据对应的存储性能：其中，/>为第/>个指标存储数据对应的存储性能，/>为第/>个指标存储数据对应的正向距离，/>为第/>个指标存储数据对应的负向距离。
本发明实施例中，通过存储指标数据计算存储节点的存储性能，能够确定每个存储节点的数据存储能力，进而对压缩数据集进行分配，实现大数据的高效存储。
S5、根据所述存储性能对所述压缩数据集进行分配，确定所述压缩数据集对应的目标数据存储节点，将所述压缩数据集写入所述目标数据存储节点。
本发明实施例中，根据存储性能确定数据存储节点的优先级，存储性能越大，对应的数据存储节点的优先级越高，根据优先级对压缩数据集进行分配，得到压缩数据集对应的目标数据存储节点。
本发明实施例中，所述根据所述存储性能对所述压缩数据集进行分配，确定所述压缩数据集对应的目标数据存储节点，包括：
根据所述存储性能计算每个所述数据存储节点的数据存储比例，以及计算每个所述压缩数据集的数据长度，根据所述数据长度统计数据总长度；
根据所述数据存储比例及所述数据总长度计算每个所述数据存储节点的数据存储长度；
根据所述数据存储长度及所述压缩数据集的数据长度对所述压缩数据集进行分配，得到所述压缩数据集对应的目标数据存储节点。
本发明实施例中，所述数据存储比例是通过每个数据存储节点的存储性能占总存储性能的总数计算得到，将存储比例以数据总长度相乘确定每个数据存储节点分配的数据存储长度，进而对压缩数据集进行分配，本发明实施例中，可以根据压缩数据集中数据的类型计算压缩数据集的数据长度。
本发明实施例中，通过将压缩数据集压缩数据集写入对应的目标数据存储节点能够保证目标数据传输节点的数据存储性能最优，避免数据存储时出现数据传输节点过载，进而高效地对数据进行分布存储，提高大数据分布式存储的效率。
本发明实施例通过计算多源数据集中每个数据的数据密度以及距离变化率，能够计算出每个数据的数据中心度，进而根据得到更精确地聚类中心点，得到更精确的数据聚类簇；对数据聚类簇进行属性加密以及数据压缩，能够提高压缩数据集的数据安全性同时减小数据量，以有效地提高大数据分布式存储的效率；计算数据传输节点的存储指标数据，根据存储指标数据计算数据传输节点的存储性能，能够确定每个存储节点的数据存储能力，从而根据存储性能对所述压缩数据集进行分配，确定每个压缩数据集对应的目标数据存储节点，提高数据的存储效率，实现大数据的高效存储。因此本发明提出的大数据分布式存储方法，可以解决大数据分布式存储时效率较低的问题。
如图4所示，是本发明一实施例提供的大数据分布式存储装置的功能模块图。
本发明所述大数据分布式存储装置400可以安装于电子设备中。根据实现的功能，所述大数据分布式存储装置400可以包括数据密度及距离变化率计算模块401、数据聚类模块402、加密压缩模块403、存储性能计算模块404及数据存储模块405。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述数据密度及距离变化率计算模块401，用于获取多源数据集，计算所述多源数据集中每个数据的数据密度及距离变化率；
所述数据聚类模块402，用于根据所述数据密度及所述距离变化率计算所述多源数据集中每个数据的数据中心度，基于所述数据中心度对所述多源数据集进行聚类，得到多个数据聚类簇；
所述加密压缩模块403，用于分别对每个所述数据聚类簇进行属性加密，得到加密字符串，对所述加密字符串进行数据压缩，得到压缩数据集；
所述存储性能计算模块404，用于获取预设的数据存储节点的存储指标数据，根据所述存储指标数据计算每个所述数据存储节点的存储性能；
所述数据存储模块405，用于根据所述存储性能对所述压缩数据集进行分配，确定所述压缩数据集对应的目标数据存储节点，将所述压缩数据集写入所述目标数据存储节点。
详细地，本发明实施例中所述大数据分布式存储装置400中所述的各模块在使用时采用与上述图1至图3中所述的大数据分布式存储方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图5所示，是本发明一实施例提供的实现大数据分布式存储方法的电子设备的结构示意图。
所述电子设备500可以包括处理器501、存储器502、通信总线503以及通信接口504，还可以包括存储在所述存储器502中并可在所述处理器501上运行的计算机程序，如大数据分布式存储方法程序。
其中，所述处理器501在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器501是所述电子设备的控制核心（ControlUnit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器502内的程序或者模块（例如执行大数据分布式存储方法程序等），以及调用存储在所述存储器502内的数据，以执行电子设备的各种功能和处理数据。
所述存储器502至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器502在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器502在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（Secure Digital，SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器502还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器502不仅可以用于存储安装于电子设备的应用软件及各类数据，例如大数据分布式存储方法程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线503可以是外设部件互连标准（Peripheral ComponentInterconnect，简称PCI）总线或扩展工业标准结构（Extended Industry StandardArchitecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器502以及至少一个处理器501等之间的连接通信。
所述通信接口504用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图中仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图中示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器501逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备500中的所述存储器502存储的大数据分布式存储方法程序是多个指令的组合，在所述处理器501中运行时，可以实现：
获取多源数据集，计算所述多源数据集中每个数据的数据密度及距离变化率；
根据所述数据密度及所述距离变化率计算所述多源数据集中每个数据的数据中心度，基于所述数据中心度对所述多源数据集进行聚类，得到多个数据聚类簇；
分别对每个所述数据聚类簇进行属性加密，得到加密字符串，对所述加密字符串进行数据压缩，得到压缩数据集；
获取预设的数据存储节点的存储指标数据，根据所述存储指标数据计算每个所述数据存储节点的存储性能；
根据所述存储性能对所述压缩数据集进行分配，确定所述压缩数据集对应的目标数据存储节点，将所述压缩数据集写入所述目标数据存储节点。
具体地，所述处理器501对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备500集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取多源数据集，计算所述多源数据集中每个数据的数据密度及距离变化率；
根据所述数据密度及所述距离变化率计算所述多源数据集中每个数据的数据中心度，基于所述数据中心度对所述多源数据集进行聚类，得到多个数据聚类簇；
分别对每个所述数据聚类簇进行属性加密，得到加密字符串，对所述加密字符串进行数据压缩，得到压缩数据集；
获取预设的数据存储节点的存储指标数据，根据所述存储指标数据计算每个所述数据存储节点的存储性能；
根据所述存储性能对所述压缩数据集进行分配，确定所述压缩数据集对应的目标数据存储节点，将所述压缩数据集写入所述目标数据存储节点。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，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模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (8)
1.一种大数据分布式存储方法，其特征在于，所述方法包括：
获取多源数据集，计算所述多源数据集中每个数据的数据密度及距离变化率，其中，所述数据密度是反映所述多源数据集中每个数据之间的数据紧密程度，所述距离变化率是反映所述多源数据集中每个数据之间的距离程度； 所述计算所述多源数据集中每个数据的数据密度及距离变化率，包括：将所述多源数据集映射到预构建的向量空间，得到所述多源数据集中每个数据的数据向量，并计算每个所述数据向量之间的欧式距离；根据所述欧式距离计算所述多源数据集的平均距离，根据所述平均距离计算多源数据集中每个数据的距离数据量及邻域半径；
利用如下公式计算所述多源数据集的平均距离：其中，/>为平均距离，/>表示所述多源数据集中数据总数，/>表示所述多源数据集中第/>个数据，/>表示所述多源数据集中第/>个数据，/>表示第/>个数据与第/>个个数据之间的欧式距离；
将所述数据距离数据量与所述邻域半径之间的比值作为所述多源数据集中每个数据的数据密度；查找所述多源数据集中每个数据在所述平均距离内的距离数据量，根据所述距离数据量及所述欧式距离确定距离变化率；
根据所述数据密度及所述距离变化率计算所述多源数据集中每个数据的数据中心度，基于所述数据中心度对所述多源数据集进行聚类，得到多个数据聚类簇；
分别对每个所述数据聚类簇进行属性加密，得到加密字符串，对所述加密字符串进行数据压缩，得到压缩数据集；
获取预设的数据存储节点的存储指标数据，根据所述存储指标数据计算每个所述数据存储节点的存储性能；所述根据所述存储指标数据计算每个所述数据存储节点的存储性能，包括：根据所述存储指标数据构建所述数据存储节点的加权指标矩阵，对所述加权指标矩阵进行数据归一化，得到标准指标矩阵；求解所述标准指标矩阵的正向解以及负向解，计算每个所述存储指标数据与所述正向解之间的正向距离以及每个所述存储指标数据与所述负向解之间的负向距离；
利用如下公式计算每个所述存储指标数据与所述正向解之间的正向距离：其中，/>为第/>个指标存储数据与所述正向解之间的正向距离，/>为所述指标存储数据中第/>个指标数据，/>表示所述指标存储数据中指标数据的总数，/>表示第/>个正向解，/>表示正向解的总数；
根据所述正向距离及所述负向距离计算每个所述存储指标数据对应的存储性能；
利用如下公式计算每个所述存储指标数据对应的存储性能：本发明实施例中，/>为第/>个指标存储数据对应的存储性能，/>为第/>个指标存储数据对应的正向距离，/>为第/>个指标存储数据对应的负向距离；
根据所述存储性能对所述压缩数据集进行分配，确定所述压缩数据集对应的目标数据存储节点，将所述压缩数据集写入所述目标数据存储节点。
2.如权利要求1所述的大数据分布式存储方法，其特征在于，所述基于所述数据中心度对所述多源数据集进行聚类，得到多个数据聚类簇，包括：
根据所述数据中心度从所述多源数据集中选取预设数量的数据中心点；
根据所述数据中心的领域半径对所述多源数据集进行数据聚类，得到初始聚类簇；
查找每个所述数据中心的领域半径内的重复数据，对所述初始聚类簇内的所述重复数据进行数据剔除，得到所述多源数据集的数据聚类簇。
3.如权利要求1所述的大数据分布式存储方法，其特征在于，所述分别对每个所述数据聚类簇进行属性加密，包括：
对每个所述数据聚类簇中的数据进行数据编码，得到数据编码簇，对所述数据编码簇进行划分，得到分块数据编码；
分别对所述分块数据编码进行加密，得到加密密文及密钥，对所述加密密文及加密密钥进行数据补正，得到标准密文及标准密钥；
对所述标准密文及所述标准密钥进行拼接，得到每个所述分块数据编码的分块字符串；
对每个所述分块字符串进行数据拼接，得到每个所述数据聚类簇的加密字符串。
4.如权利要求1所述的大数据分布式存储方法，其特征在于，所述对所述加密字符串进行数据压缩，得到压缩数据集，包括：
统计所述加密字符串中每个字符的数量，根据所述每个字符数量计算所述每个字符的字符频率；
将所述字符频率作为节点构建所述加密字符串中每个字符的二叉树，对所述每个字符的二叉树进行合并，得到所述加密字符串的编码树；
利用所述编码树对所述加密字符串进行数据压缩，得到压缩数据集。
5.如权利要求1所述的大数据分布式存储方法，其特征在于，所述根据所述存储性能对所述压缩数据集进行分配，确定所述压缩数据集对应的目标数据存储节点，包括：
根据所述存储性能计算每个所述数据存储节点的数据存储比例，以及计算每个所述压缩数据集的数据长度，根据所述数据长度统计数据总长度；
根据所述数据存储比例及所述数据总长度计算每个所述数据存储节点的数据存储长度；
根据所述数据存储长度及所述压缩数据集的数据长度对所述压缩数据集进行分配，得到所述压缩数据集对应的目标数据存储节点。
6.一种大数据分布式存储装置，其特征在于，所述装置包括：
数据密度及距离变化率计算模块，用于获取多源数据集，计算所述多源数据集中每个数据的数据密度及距离变化率，其中，所述数据密度是反映所述多源数据集中每个数据之间的数据紧密程度，所述距离变化率是反映所述多源数据集中每个数据之间的距离程度；所述计算所述多源数据集中每个数据的数据密度及距离变化率，包括：将所述多源数据集映射到预构建的向量空间，得到所述多源数据集中每个数据的数据向量，并计算每个所述数据向量之间的欧式距离；根据所述欧式距离计算所述多源数据集的平均距离，根据所述平均距离计算多源数据集中每个数据的距离数据量及邻域半径；
利用如下公式计算所述多源数据集的平均距离：其中，/>为平均距离，/>表示所述多源数据集中数据总数，/>表示所述多源数据集中第/>个数据，/>表示所述多源数据集中第/>个数据，/>表示第/>个数据与第/>个个数据之间的欧式距离；
将所述数据距离数据量与所述邻域半径之间的比值作为所述多源数据集中每个数据的数据密度；查找所述多源数据集中每个数据在所述平均距离内的距离数据量，根据所述距离数据量及所述欧式距离确定距离变化率；
数据聚类模块，用于根据所述数据密度及所述距离变化率计算所述多源数据集中每个数据的数据中心度，基于所述数据中心度对所述多源数据集进行聚类，得到多个数据聚类簇；
加密压缩模块，用于分别对每个所述数据聚类簇进行属性加密，得到加密字符串，对所述加密字符串进行数据压缩，得到压缩数据集；
存储性能计算模块，用于获取预设的数据存储节点的存储指标数据，根据所述存储指标数据计算每个所述数据存储节点的存储性能；所述根据所述存储指标数据计算每个所述数据存储节点的存储性能，包括：根据所述存储指标数据构建所述数据存储节点的加权指标矩阵，对所述加权指标矩阵进行数据归一化，得到标准指标矩阵；求解所述标准指标矩阵的正向解以及负向解，计算每个所述存储指标数据与所述正向解之间的正向距离以及每个所述存储指标数据与所述负向解之间的负向距离；
利用如下公式计算每个所述存储指标数据与所述正向解之间的正向距离：其中，/>为第/>个指标存储数据与所述正向解之间的正向距离，/>为所述指标存储数据中第/>个指标数据，/>表示所述指标存储数据中指标数据的总数，/>表示第/>个正向解，/>表示正向解的总数；
根据所述正向距离及所述负向距离计算每个所述存储指标数据对应的存储性能；
利用如下公式计算每个所述存储指标数据对应的存储性能：本发明实施例中，/>为第/>个指标存储数据对应的存储性能，/>为第/>个指标存储数据对应的正向距离，/>为第/>个指标存储数据对应的负向距离；
数据存储模块，用于根据所述存储性能对所述压缩数据集进行分配，确定所述压缩数据集对应的目标数据存储节点，将所述压缩数据集写入所述目标数据存储节点。
7.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至5中任意一项所述的大数据分布式存储方法。
8.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5中任意一项所述的大数据分布式存储方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310894391.5A CN116610731B (zh) | 2023-07-20 | 2023-07-20 | 一种大数据分布式存储方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310894391.5A CN116610731B (zh) | 2023-07-20 | 2023-07-20 | 一种大数据分布式存储方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116610731A CN116610731A (zh) | 2023-08-18 |
| CN116610731B true CN116610731B (zh) | 2023-11-07 |
Family
ID=87680498
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310894391.5A Active CN116610731B (zh) | 2023-07-20 | 2023-07-20 | 一种大数据分布式存储方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116610731B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117688410B (zh) * | 2024-02-02 | 2024-05-24 | 山东同利新材料有限公司 | 一种对马来酸二乙酯生产数据智能管理方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113542060A (zh) * | 2021-07-07 | 2021-10-22 | 电子科技大学中山学院 | 一种基于设备通信数据特征的异常设备检测方法 |
| CN115941708A (zh) * | 2022-11-04 | 2023-04-07 | 深圳市行云数据技术有限公司 | 云端大数据存储管理方法、装置、电子设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230032070A1 (en) * | 2021-07-20 | 2023-02-02 | CyCarrier Technology Co., Ltd. | Log categorization device and related computer program product with adaptive clustering function |
-
2023
- 2023-07-20 CN CN202310894391.5A patent/CN116610731B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113542060A (zh) * | 2021-07-07 | 2021-10-22 | 电子科技大学中山学院 | 一种基于设备通信数据特征的异常设备检测方法 |
| CN115941708A (zh) * | 2022-11-04 | 2023-04-07 | 深圳市行云数据技术有限公司 | 云端大数据存储管理方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116610731A (zh) | 2023-08-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2018149345A1 (zh) | 一种数据处理方法及装置 | |
| CN112860695B (zh) | 监控数据查询方法、装置、设备、存储介质及程序产品 | |
| US10664481B2 (en) | Computer system programmed to identify common subsequences in logs | |
| CN116610731B (zh) | 一种大数据分布式存储方法、装置、电子设备及存储介质 | |
| CN109960612A (zh) | 一种确定数据存储占比的方法、装置及服务器 | |
| CN112733531B (zh) | 虚拟资源分配方法、装置、电子设备及计算机存储介质 | |
| CN113890712A (zh) | 数据传输方法、装置、电子设备及可读存储介质 | |
| CN114185895A (zh) | 数据导入导出方法、装置、电子设备及存储介质 | |
| CN111949681A (zh) | 数据的聚合处理装置、方法和存储介质 | |
| CN112256472B (zh) | 分布式数据调取方法、装置、电子设备及存储介质 | |
| CN106453611A (zh) | 一种多存储节点负载均衡的方法及装置 | |
| CN109947736B (zh) | 实时计算的方法和系统 | |
| CN116975884A (zh) | 一种数据安全存储方法及装置 | |
| CN116842012A (zh) | 一种Redis集群的分片存储方法、装置、设备及存储介质 | |
| CN112364102A (zh) | 一种基于区块链的大数据交易方法、装置、介质及设备 | |
| CN115941708B (zh) | 云端大数据存储管理方法、装置、电子设备及存储介质 | |
| CN116647560A (zh) | 物联网计算机集群协调优化控制方法、装置、设备及介质 | |
| CN109285015A (zh) | 一种虚拟资源的分配方法及系统 | |
| US11748255B1 (en) | Method for searching free blocks in bitmap data, and related components | |
| CN115328394A (zh) | 基于链式映射的云数据存储方法、装置、设备及存储介质 | |
| CN107729577A (zh) | 一种基于多维哈希表的数据查找方法、终端设备及存储介质 | |
| CN113204556A (zh) | 基于低位哈希标签的存储方法、系统、终端及存储介质 | |
| CN113704616B (zh) | 信息推送方法、装置、电子设备及可读存储介质 | |
| CN116540990B (zh) | 基于嵌入式实现电子产品的代码集成方法及装置 | |
| CN112100453A (zh) | 一种字符串分布统计方法、系统、设备及计算机存储介质 |
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 |