CN116881304B - 基于分布式edi的api网关编排管理系统及方法 - Google Patents
基于分布式edi的api网关编排管理系统及方法 Download PDFInfo
- Publication number
- CN116881304B CN116881304B CN202310917537.3A CN202310917537A CN116881304B CN 116881304 B CN116881304 B CN 116881304B CN 202310917537 A CN202310917537 A CN 202310917537A CN 116881304 B CN116881304 B CN 116881304B
- Authority
- CN
- China
- Prior art keywords
- data
- model
- standard
- received
- packet
- 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 27
- 238000004140 cleaning Methods 0.000 claims abstract description 55
- 238000013499 data model Methods 0.000 claims abstract description 50
- 238000012795 verification Methods 0.000 claims abstract description 21
- 238000007726 management method Methods 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 238000003860 storage Methods 0.000 claims abstract description 16
- 230000003993 interaction Effects 0.000 claims abstract description 13
- 238000012790 confirmation Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 41
- 230000002159 abnormal effect Effects 0.000 claims description 28
- 238000004458 analytical method Methods 0.000 claims description 26
- 238000001514 detection method Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000013524 data verification Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 101100379081 Emericella variicolor andC gene Proteins 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000013500 data storage Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007730 finishing process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 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
- G06F16/2455—Query execution
- G06F16/24552—Database cache management
-
- 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
- G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
-
- 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
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)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了基于分布式EDI的API网关编排管理系统及方法,涉及API网关编排技术领域,为了解决数据在进行交换时稳定性不佳以及数据交换后存储管理不佳的问题。本发明通过数据清洗模块可以根据数据的验证情况进行更精细的清洗强度的选择,使不同的数据正对性的选择不同强度的清洗,提高了数据清洗的优渥性,利用模型优化参数对标准数据模型的网络层数进行训练优化,可以提高数据进行数据交互时的稳定性,根据缓存数据确认模块中将子数据类型集合利用空间饱和度和空间剩余容量确定单次进行数据缓存的每个数据对应的数据集单次缓存个数,可以有效的提高数据与存储空间的匹配度。
Description
技术领域
本发明涉及API网关编排技术领域,具体为基于分布式EDI的API网关编排管理系统及方法。
背景技术
API之主要目的是提供应用程序与开发人员以访问一组例程的能力,而又无需访问源码,或理解内部工作机制的细节。
公开号为CN105573742A的中国专利公开了一种异构实时数据库的统一应用程序编程接口实现方法,主要通过对外提供了一套统一的异构实时库应用程 序编程接口规范,满足了各业务应用通过异构实时数据进行统一存储、整合、共享、以及统 一和标准访问的需求,业务系统无需知道数据库的具体厂商,从而实现了异构实时库数据 的统一接入和访问,上述专利虽然解决了数据实时接收的问题,但是在实际操作中还存在以下问题:
1.编程数据接收后没有对数据进行进一步的清洗,从而使数据中存有异常以及数据优化性不佳,导致编程数据与平台进行交互时数据的稳定性和安全性降低。
2.当数据交换平台将数据进行接收后,没有对数据进行进一步的检测,从而导致数据的安全性降低,并且没有进行进一步的数据校验,从而使数据的容错率提高导致数据质量降低。
3.应用程序编程接口对数据进行接收后,没有根据数据的情况对应的将数据进行存储管理以及没有对数据中的字段进行分析,从而使数据存储的管理性降低以及后期检索不便。
发明内容
本发明的目的在于提供基于分布式EDI的API网关编排管理系统及方法,通过数据清洗模块可以根据数据的验证情况进行更精细的清洗强度的选择,使不同的数据正对性的选择不同强度的清洗,提高了数据清洗的优渥性,利用模型优化参数对标准数据模型的网络层数进行训练优化,可以提高数据进行数据交互时的稳定性,根据缓存数据确认模块中将子数据类型集合利用空间饱和度和空间剩余容量确定单次进行数据缓存的每个数据对应的数据集单次缓存个数,可以有效的提高数据与存储空间的匹配度,可以解决现有技术中的问题。
为实现上述目的,本发明提供如下技术方案:
基于分布式EDI的API网关编排管理系统,包括:
数据接收单元,用于:
将数据进行统一的接收,其中,当数据进行接收时,先将数据划分为若干个数据包,并且为每个数据包分配一个序列号;
当数据包进行接收时,先将序列号进行检测,若序列号检测为合格时,则进行正常数据接收,若序列号检测为不合格时,则数据不进行接收;
接收数据处理单元,用于:
基于数据接收单元中接收的合格数据,将数据进行分析;
其中,将数据导入神经网络模型中,通过神经网络模型将数据进行数据清洗,并且通过数据清洗的结果进行数据节点集合;
数据交互平台,用于:
基于接收数据处理单元中清洗完成的数据,将数据进行格式化统一,并将格式化统一完成的数据进行独立的存储;
数据获取解析单元,用于:
基于数据交互平台中统一完成的数据,将接收到的数据与历史数据进行对比解析,并根据解析的结果将结果异常的数据进行剔除;
其中,解析结果正常的数据标注为目标数据;
解析数据校验单元,用于:
基于数据获取解析单元中获取的目标数据,将目标数据通过CRC校验模型进行数据校验,并根据校验结果将校验合格的数据标注为标准数据;
校验数据处理单元,用于:
基于解析数据校验单元中获取的标准数据,将标准数据进行数据缓存;
其中,将标准数据的进行节点划分,根据划分的节点数据进行关键信息数据截取,并将截取的关键信息数据进行数据分析;
数据接收单元,还用于:
对每个单位时间内接收到的数据的数据类型进行识别,获取每个数据对应的数据类型;
按照所述数据类型进行分类,形成与每个单位时间的所述数据类型对应的数据集合,其中,所述数据集合的数量与所述数据类型一一对应;
针对每个数据集合中所包含的数据量,确定每个数据集合对应的数据包基准数据量;
其中,所述数据包基准数据量通过如下公式获取:
;
其中,C表示数据包基准数据量;C xmax 和C xmin 分别表示单次进行序号检测的最大检测序号量对应的数据量和最低检测序号量对应的数据量;C z 表示单位时间接收的数据总量;C 0表示每个所述数据集合所包含的数据量;
按照每个所述数据集合对应的数据包基准数据量对每个所述数据集合进行数据划分,获得每个所述数据集合对应的若干个数据包,并且为每个数据包分配一个序列号;
提取每个所述数据集合对应的数据包基准数据量以及每个所述数据集合的数据总量;
利用所述每个所述数据集合对应的数据包基准数据量以及每个所述数据集合的数据总量设置每个所述数据集合对应的比例阈值,其中,所述比例阈值通过如下公式获取:
;
其中,P c 表示比例阈值;C 0i 表示第i个单位时间的所述数据集合所包含的数据量;C zi 表示第i个单位时间接收的数据总量;n表示已经历的单位时间的个数;
以所述每个所述数据集合对应的数据包基准数据量为单位对所述数据集合中的数据进行数据划分,直至所述数据集合中的所有数据均完成划分,形成若干个数据包;
在所述数据集合中的所有数据均完成划分后,提取最后一个生成的数据包;
监测所述最后一个数据包的数据量,当所述最后一个数据包的数据量与所述数据包基准数据量进行比较,获得所述最后一个数据包的数据量与所述数据包基准数据量之间的比值;
当所述最后一个数据包的数据量与所述数据包基准数据量之间的比值小于预设的比例阈值时,则将所述最后一个数据包与所述数据集合中的任意一个数据包进行合并;
当所述最后一个数据包的数据量与所述数据包基准数据量之间的比值不小于所述预设的比例阈值时,则将所述最后一个数据包作为独立数据包进行后续的序列号分配;
接收数据处理单元,包括:
数据学习模块,用于:
获取合格的接收数据,将合格的数据导入神经网络模型,导入后形成接收数据模型;
将标准数据参数响应至接收数据模型中,并将每个标准数据参数的数据特征与接收数据模型中的每个数据节点进行对应;
根据对应完成的数据特征与数据节点,将对应完成的数据特征与数据节点进行模型训练,训练后获取标准数据模型;
数据清洗模块,用于:
基于数据学习模块中获取的标准数据模型,将标准数据模型进行清洗验证,根据验证结果确定标准数据模型的清洗精度;
其中,清洗精度为一级、二级和三级,一级清洗精度最弱,三级清洗精度最强,根据验证结果的阈值判断标准数据模型属于的清洗精度;
根据标准数据模型的清洗精度确认标准数据模型的网络层数;
数据优化模块,用于:
基于数据清洗模块中获取的标准数据模型的网络层数,将标准数据模型的函数值生成模型优化参数,并利用模型优化参数对标准数据模型的网络层数进行训练优化;
利用优化后的标准数据模型对标准数据模型中的若干个数据进行清洗,并得到数据集合;
所述校验数据处理单元,包括:
数据划分模块,用于:
将标准数据进行获取,获取后提取标准数据中的若干个数据集,将若干个数据集的数据节点进行划分;
将每个数据节点中的关键信息数据进行截取,并根据截取的关键信息数据对数据集的数据类型进行确认;
类型缓存模块,用于:
基于数据划分模块中确认的数据类型,将数据类型与缓存空间进行对应;
其中,缓存空间包括空间饱和度和空间剩余容量;
将数据类型数据的长度进行获取,当缓存空间的空间剩余容量大于数据长度时,对数据进行聚类,得到数据类型的数据的子数据类型集合;
缓存数据确认模块,用于:
基于类型缓存模块中获取的子数据类型集合,将子数据类型集合利用空间饱和度和空间剩余容量确定单次进行数据缓存的每个数据对应的数据集单次缓存个数;
根据缓存次数确认适配的存储空间;
缓存数据词典适配模块,用于:
基于缓存数据确认模块中存储空间内的缓存数据,将数据中的每个字段信息数据获取;
根据获取的字段信息数据,将词典数据与字段信息数据进行词语对应;
根据对应完成的词语将数据的目标检索词语进行确认。
优选的,所述数据获取解析单元,还用于:
获取数据交换平台的每次成功获取的历史数据,并解析历史接收数据的完整性和安全性,根据完整性和安全性评估本次接收数据的异常指数;
并根据异常评估体系计算出接收数据的安全指数,其中,若计算结果在标准阈值内,则此计算数据为正常数据,若计算结果不在标准阈值内,则此计算数据为异常数据;
获取异常数据后,将异常数据从接收数据中进行剔除,将正常数据进行接收,并标注为目标数据。
优选的,所述解析数据校验单元,还用于:
将目标数据导入至CRC校验模型中;
其中,CRC校验模型为一个二进制位串组成的代码和一个系数为‘0’和‘1’取值的多项式数据;
若目标数据通过CRC校验模型进行除法运算时,运算结果为除尽结果,则校验结果为合格校验结果;
若目标数据通过CRC校验模型进行除法运算时,运算结果为未除尽结果,则校验结果为不合格校验结果;
将校验结果为合格的数据标注为标准数据。
本发明提供另一种技术方案,基于分布式EDI的API网关编排管理系统的实现方法,包括以下步骤:
第一步:先通过数据接收单元将数据进行接收,数据接收时根据每个数据的序列号对数据进行检测,将检测合格的数据进行接收;
第二步:将接收的合格数据通过接收数据处理单元进行数据清洗,其中,不同的数据自动适配不同精度的清洗;
第三步:数据清洗完成后通过数据交互平台将数据进行格式统一化,格式统一化完成后通过数据获取解析单元将统一完成后的数据异常检测,并将检测异常的数据进行剔除;
第四步:将目标数据通过解析数据校验单元进行进一步的校验,并将校验成功的数据通过校验数据处理单元进行缓存和检索词确认。
与现有技术相比,本发明的有益效果如下:
1.本发明提供的基于分布式EDI的API网关编排管理系统及方法,通过数据学习模块将每个标准数据参数的数据特征与接收数据模型中的每个数据节点进行对应,并根据对应完成的数据特征与数据节点,将对应完成的数据特征与数据节点进行模型训练,可以提高数据在进行模型训练时的稳定性,通过数据清洗模块可以根据数据的验证情况进行更精细的清洗强度的选择,使不同的数据正对性的选择不同强度的清洗,提高了数据清洗的优渥性,通过数据优化模块将标准数据模型的函数值生成模型优化参数,并利用模型优化参数对标准数据模型的网络层数进行训练优化,可以提高数据进行数据交互时的稳定性。
2.本发明提供的基于分布式EDI的API网关编排管理系统及方法,通过将历史成功接收数据与本次接收数据的数据对比解析,可以快速的对比出本次接收数据中的异常数据,并根据异常评估体系计算出接收数据的安全指数,将超出安全指数的数据标注为异常数据并进行剔除,可以进一步的提高数据的安全性,通过CRC校验模型将目标数据进行除法运算,可以使校验的流程更加的便捷,同时通过CRC校验模型将目标数据进行校验可以使校验的检错和纠错能力更强。
3.本发明提供的基于分布式EDI的API网关编排管理系统及方法,通过类型缓存模块将数据类型数据的长度进行获取,对数据进行聚类,得到数据类型的数据的子数据类型集合,同时根据缓存数据确认模块中将子数据类型集合利用空间饱和度和空间剩余容量确定单次进行数据缓存的每个数据对应的数据集单次缓存个数,可以有效的提高数据与存储空间的匹配度,进而提高数据存储的稳定性,通过缓存数据词典适配模块将词典数据与字段信息数据进行词语对应,根据对应完成的词语将数据的目标检索词语进行确认,可以提高该数据后期在检索时的便捷度,使检索更加的快捷。
附图说明
图1为本发明的整理流程示意图;
图2为本发明的数据接收单元模块示意图;
图3为本发明的校验数据处理单元模块示意图。
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。
为了解决现有技术中,在对编程数据接收后没有对数据进行进一步的清洗,从而使数据中存有异常以及数据优化性不佳,导致编程数据与平台进行交互时数据的稳定性和安全性降低的问题,请参阅图1和图2,本实施例提供以下技术方案:
基于分布式EDI的API网关编排管理系统,包括:数据接收单元,用于:将数据进行统一的接收,其中,当数据进行接收时,先将数据划分为若干个数据包,并且为每个数据包分配一个序列号;当数据包进行接收时,先将序列号进行检测,若序列号检测为合格时,则进行正常数据接收,若序列号检测为不合格时,则数据不进行接收;接收数据处理单元,用于:基于数据接收单元中接收的合格数据,将数据进行分析;其中,将数据导入神经网络模型中,通过神经网络模型将数据进行数据清洗,并且通过数据清洗的结果进行数据节点集合;数据交互平台,用于:基于接收数据处理单元中清洗完成的数据,将数据进行格式化统一,并将格式化统一完成的数据进行独立的存储;数据获取解析单元,用于:基于数据交互平台中统一完成的数据,将接收到的数据与历史数据进行对比解析,并根据解析的结果将结果异常的数据进行剔除;其中,解析结果正常的数据标注为目标数据;解析数据校验单元,用于:基于数据获取解析单元中获取的目标数据,将目标数据通过CRC校验模型进行数据校验,并根据校验结果将校验合格的数据标注为标准数据;校验数据处理单元,用于:基于解析数据校验单元中获取的标准数据,将标准数据进行数据缓存;其中,将标准数据的进行节点划分,根据划分的节点数据进行关键信息数据截取,并将截取的关键信息数据进行数据分析。
接收数据处理单元,包括:数据学习模块,用于:获取合格的接收数据,将合格的数据导入神经网络模型,导入后形成接收数据模型;将标准数据参数响应至接收数据模型中,并将每个标准数据参数的数据特征与接收数据模型中的每个数据节点进行对应;根据对应完成的数据特征与数据节点,将对应完成的数据特征与数据节点进行模型训练,训练后获取标准数据模型,所述接收数据处理单元,还包括:数据清洗模块,用于:基于数据学习模块中获取的标准数据模型,将标准数据模型进行清洗验证,根据验证结果确定标准数据模型的清洗精度;其中,清洗精度为一级、二级和三级,一级清洗精度最弱,三级清洗精度最强,根据验证结果的阈值判断标准数据模型属于的清洗精度;根据标准数据模型的清洗精度确认标准数据模型的网络层数;数据优化模块,用于:基于数据清洗模块中获取的标准数据模型的网络层数,将标准数据模型的函数值生成模型优化参数,并利用模型优化参数对标准数据模型的网络层数进行训练优化;利用优化后的标准数据模型对标准数据模型中的若干个数据进行清洗,并得到数据集合。
具体的,通过数据学习模块将每个标准数据参数的数据特征与接收数据模型中的每个数据节点进行对应,并根据对应完成的数据特征与数据节点,将对应完成的数据特征与数据节点进行模型训练,可以提高数据在进行模型训练时的稳定性,通过数据清洗模块可以根据数据的验证情况进行更精细的清洗强度的选择,使不同的数据正对性的选择不同强度的清洗,提高了数据清洗的优渥性,通过数据优化模块将标准数据模型的函数值生成模型优化参数,并利用模型优化参数对标准数据模型的网络层数进行训练优化,可以提高数据进行数据交互时的稳定性。
具体的,将数据进行统一的接收,其中,当数据进行接收时,先数据划分为若干个数据包,并且为每个数据包分配一个序列号,包括:
对每个单位时间内接收到的数据的数据类型进行识别,获取每个数据对应的数据类型;
按照所述数据类型进行分类,形成与每个单位时间的所述数据类型对应的数据集合,其中,所述数据集合的数量与所述数据类型一一对应;
针对每个数据集合中所包含的数据量,确定每个数据集合对应的数据包基准数据量;
其中,所述数据包基准数据量通过如下公式获取:
;
其中,C表示数据包基准数据量;C xmax 和C xmin 分别表示单次进行序号检测的最大检测序号量对应的数据量和最低检测序号量对应的数据量;C z 表示单位时间接收的数据总量;C 0表示每个所述数据集合所包含的数据量;
按照每个所述数据集合对应的数据包基准数据量对每个所述数据集合进行数据划分,获得每个所述数据集合对应的若干个数据包,并且为每个数据包分配一个序列号。
上述技术方案的技术效果为:上述技术方案实现了对接收到的数据进行统一处理和划分,以及为每个数据包分配序列号的功能。具体的技术效果包括:
数据类型识别:能够对每个单位时间内接收到的数据进行数据类型识别,即确定每个数据对应的数据类型。能够后续对数据进行分类和处理。
数据分类和集合形成:根据数据类型,将接收到的数据进行分类,形成与每个单位时间的数据类型对应的数据集合。每个数据集合中包含同一类型的数据,数据集合的数量与数据类型一一对应。能够对不同类型的数据进行进一步的处理和分析。
数据量基准确定:针对每个数据集合中包含的数据量,确定每个数据集合对应的数据包基准数据量。能够确定每个数据集合在进行数据划分时的基准,确保每个数据包的数据量相对均匀。
数据包划分和序列号分配:根据每个数据集合对应的数据包基准数据量,对每个数据集合进行数据划分,获得若干个数据包,并为每个数据包分配一个序列号。能够对接收到的数据进行分段处理,方便后续的数据传输、存储和分析。
因此,本实施例的技术方案能够有效管理接收到的数据,实现数据的统一处理和划分,为后续的数据处理和分析提供了基础。通过对数据类型的识别、数据分类和集合形成、数据量基准的确定,以及数据包的划分和序列号的分配,可以更好地组织和管理数据,提高数据处理的效率和准确性。
另一方面,通过使用C xmax 和C xmin 这两个表示最大检测序号量和最低检测序号量对应的数据量,以及C z 表示单位时间接收的数据总量,结合C 0表示每个数据集合所包含的数据量,可以计算出数据包基准数据量C。
对数据包数量进行高精度控制,确定了数据包基准数据量C后,可以根据每个数据集合的数据量将其划分为若干个数据包。数据包基准数据量C的设定可以用于控制每个数据包的数据量,使得每个数据包的大小相对均匀。这有助于在数据传输、存储和处理过程中进行有效的管理和控制。
数据处理的效率和准确性提升:通过确定数据包基准数据量C,可以使数据包的大小相对均匀,避免出现过大或过小的数据包。这有助于提高数据处理的效率和准确性,确保数据在传输和存储过程中的合理性和可操作性。
因此,利用上述公式获取数据包基准数据量C实现对数据包的数量和大小的控制,从而提高数据处理的效率和准确性。通过合理划分数据包,可以更好地管理数据、提高数据传输和存储的效率,并为后续的数据处理和分析提供更可靠的基础。
具体的,按照每个所述数据集合对应的数据包基准数据量对每个所述数据集合进行数据划分,获得每个所述数据集合对应的若干个数据包,包括:
提取每个所述数据集合对应的数据包基准数据量以及每个所述数据集合的数据总量;
利用所述每个所述数据集合对应的数据包基准数据量以及每个所述数据集合的数据总量设置每个所述数据集合对应的比例阈值,其中,所述比例阈值通过如下公式获取:
;
其中,P c 表示比例阈值;C 0i 表示第i个单位时间的所述数据集合所包含的数据量;C zi 表示第i个单位时间接收的数据总量;n表示已经历的单位时间的个数;
以所述每个所述数据集合对应的数据包基准数据量为单位对所述数据集合中的数据进行数据划分,直至所述数据集合中的所有数据均完成划分,形成若干个数据包;
在所述数据集合中的所有数据均完成划分后,提取最后一个生成的数据包;
监测所述最后一个数据包的数据量,当所述最后一个数据包的数据量与所述数据包基准数据量进行比较,获得所述最后一个数据包的数据量与所述数据包基准数据量之间的比值;
当所述最后一个数据包的数据量与所述数据包基准数据量之间的比值小于预设的比例阈值时,则将所述最后一个数据包与所述数据集合中的任意一个数据包进行合并;
当所述最后一个数据包的数据量与所述数据包基准数据量之间的比值不小于所述预设的比例阈值时,则将所述最后一个数据包作为独立数据包进行后续的序列号分配。
上述技术方案的技术效果为:上实现了根据数据包基准数据量对数据集合进行划分,并根据比例阈值进行数据包的合并或独立分配,从而实现了数据的灵活划分和处理。具体的技术效果包括:
数据集合划分:根据每个数据集合对应的数据包基准数据量和数据集合的数据总量,将数据集合划分为若干个数据包。划分过程以数据包基准数据量为单位进行,直至数据集合中的所有数据完成划分。这有助于将数据划分为合适大小的数据包,以便进行后续的处理和传输。
比例阈值设置:利用每个数据集合对应的数据包基准数据量和数据集合的数据总量,设置每个数据集合的比例阈值。比例阈值用于控制最后一个生成的数据包的大小与数据包基准数据量之间的比值,作为判断是否进行合并的依据。
数据包合并:监测最后一个生成的数据包的数据量,并将其与数据包基准数据量进行比较。当最后一个数据包的数据量与数据包基准数据量之间的比值小于预设的比例阈值时,将最后一个数据包与数据集合中的任意一个数据包进行合并。这有助于保持数据包的大小适中,避免生成过多小尺寸的数据包。
数据包独立分配:当最后一个数据包的数据量与数据包基准数据量之间的比值不小于预设的比例阈值时,将最后一个数据包作为独立的数据包进行后续的序列号分配。这有助于确保数据包的独立性和完整性,在数据处理和传输过程中进行准确的标识和管理。
因此,本实施例技术方案能够根据数据包基准数据量和比例阈值对数据集合进行灵活的划分和处理,确保数据包的大小适中,并实现数据包的合并或独立分配。这有助于优化数据处理的效率和资源利用,同时保证数据的完整性和可操作性。
另一方面,利用上述元素获取比例阈值Pc的技术效果是根据每个单位时间内接收到的数据量和数据集合中的数据量,计算得到一个比例阈值Pc,用于判断最后一个生成的数据包是否需要与数据集合中的其他数据包进行合并。具体技术效果包括:
动态适应性:通过使用C 0i 和C zi 表示每个单位时间的数据集合的数据量和接收的数据总量,可以根据实际情况动态计算比例阈值P c 。这使得比例阈值可以根据数据的实际情况进行调整,以适应不同时间段和不同数据流量的变化。
数据量控制:比例阈值P c 用于控制最后一个生成的数据包的数据量与数据包基准数据量之间的比值。通过调整比例阈值P c ,可以控制数据包的合并情况,从而控制生成的数据包的大小。这有助于保持数据包的合适大小,以便于后续处理和传输。
自适应性:由于比例阈值P c 是根据已经历的单位时间个数n计算得出的,所以随着时间的推移,比例阈值P c 可以根据数据集合和接收数据总量的变化进行自适应调整。这能够使得数据包的合并与否能够随着时间和数据量的变化而灵活变化,以最优化地处理数据。
因此,利用上述公式获取比例阈值P c 能够根据实际数据量和数据集合的变化,计算得出一个比例阈值,用于控制数据包的合并情况。这有助于根据实际情况动态调整数据包的大小,从而提高数据处理的效率和资源利用。
为了解决现有技术中,当数据交换平台将数据进行接收后,没有对数据进行进一步的检测,从而导致数据的安全性降低的问题,请参阅图1,本实施例提供以下技术方案:
数据获取解析单元,还用于:获取数据交换平台的每次成功获取的历史数据,并解析历史接收数据的完整性和安全性,根据完整性和安全性评估本次接收数据的异常指数;并根据异常评估体系计算出接收数据的安全指数,其中,若计算结果在标准阈值内,则此计算数据为正常数据,若计算结果不在标准阈值内,则此计算数据为异常数据;获取异常数据后,将异常数据从接收数据中进行剔除,将正常数据进行接收,并标注为目标数据。
具体的,将数据交换平台的数据进行接收后,通过将历史成功接收数据与本次接收数据的数据对比解析,可以快速的对比出本次接收数据中的异常数据,并根据异常评估体系计算出接收数据的安全指数,将超出安全指数的数据标注为异常数据并进行剔除,可以进一步的提高数据的安全性。
为了解决现有技术中,数据交换平台将数据进行获取后,没有进行进一步的数据校验,从而使数据的容错率提高导致数据质量降低的问题,请参阅图1,本实施例提高以下技术方案:
所述解析数据校验单元,还用于:将目标数据导入至CRC校验模型中;其中,CRC校验模型为一个二进制位串组成的代码和一个系数为‘0’和‘1’取值的多项式数据;若目标数据通过CRC校验模型进行除法运算时,运算结果为除尽结果,则校验结果为合格校验结果;若目标数据通过CRC校验模型进行除法运算时,运算结果为未除尽结果,则校验结果为不合格校验结果;将校验结果为合格的数据标注为标准数据。
具体的,通过CRC校验模型将目标数据进行除法运算,可以使校验的流程更加的便捷,同时通过CRC校验模型将目标数据进行校验可以使校验的检错和纠错能力更强。
为了解决现有技术中,当应用程序编程接口对数据进行接收后,没有根据数据的情况对应的将数据进行存储管理以及没有对数据中的字段进行分析,从而使数据存储的管理性降低以及后期检索不便的问题,请参阅图1和图3,本实施例提供以下技术方案:
所述校验数据处理单元,包括:数据划分模块,用于:将标准数据进行获取,获取后提取标准数据中的若干个数据集,将若干个数据集的数据节点进行划分;将每个数据节点中的关键信息数据进行截取,并根据截取的关键信息数据对数据集的数据类型进行确认;类型缓存模块,用于:基于数据划分模块中确认的数据类型,将数据类型与缓存空间进行对应;其中,缓存空间包括空间饱和度和空间剩余容量;将数据类型数据的长度进行获取,当缓存空间的空间剩余容量大于数据长度时,对数据进行聚类,得到数据类型的数据的子数据类型集合,所述校验数据处理单元,还包括:缓存数据确认模块,用于:基于类型缓存模块中获取的子数据类型集合,将子数据类型集合利用空间饱和度和空间剩余容量确定单次进行数据缓存的每个数据对应的数据集单次缓存个数;根据缓存次数确认适配的存储空间;缓存数据词典适配模块,用于:基于缓存数据确认模块中存储空间内的缓存数据,将数据中的每个字段信息数据获取;根据获取的字段信息数据,将词典数据与字段信息数据进行词语对应;根据对应完成的词语将数据的目标检索词语进行确认。
具体的,通过类型缓存模块将数据类型数据的长度进行获取,对数据进行聚类,得到数据类型的数据的子数据类型集合,同时根据缓存数据确认模块中将子数据类型集合利用空间饱和度和空间剩余容量确定单次进行数据缓存的每个数据对应的数据集单次缓存个数,可以有效的提高数据与存储空间的匹配度,进而提高数据存储的稳定性,通过缓存数据词典适配模块将词典数据与字段信息数据进行词语对应,根据对应完成的词语将数据的目标检索词语进行确认,可以提高该数据后期在检索时的便捷度,使检索更加的快捷。
基于分布式EDI的API网关编排管理系统的实现方法,包括以下步骤:
第一步:先通过数据接收单元将数据进行接收,数据接收时根据每个数据的序列号对数据进行检测,将检测合格的数据进行接收;
第二步:将接收的合格数据通过接收数据处理单元进行数据清洗,其中,不同的数据自动适配不同精度的清洗;
第三步:数据清洗完成后通过数据交互平台将数据进行格式统一化,格式统一化完成后通过数据获取解析单元将统一完成后的数据异常检测,并将检测异常的数据进行剔除;
第四步:将目标数据通过解析数据校验单元进行进一步的校验,并将校验成功的数据通过校验数据处理单元进行缓存和检索词确认。
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。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (4)
1.基于分布式EDI的API网关编排管理系统,其特征在于,包括:
数据接收单元,用于:
将数据进行统一的接收,其中,当数据进行接收时,先将数据划分为若干个数据包,并且为每个数据包分配一个序列号;
当数据包进行接收时,先将序列号进行检测,若序列号检测为合格时,则进行正常数据接收,若序列号检测为不合格时,则数据不进行接收;
接收数据处理单元,用于:
基于数据接收单元中接收的合格数据,将数据进行分析;
其中,将数据导入神经网络模型中,通过神经网络模型将数据进行数据清洗,并且通过数据清洗的结果进行数据节点集合;
数据交互平台,用于:
基于接收数据处理单元中清洗完成的数据,将数据进行格式化统一,并将格式化统一完成的数据进行独立的存储;
数据获取解析单元,用于:
基于数据交互平台中统一完成的数据,将接收到的数据与历史数据进行对比解析,并根据解析的结果将结果异常的数据进行剔除;
其中,解析结果正常的数据标注为目标数据;
解析数据校验单元,用于:
基于数据获取解析单元中获取的目标数据,将目标数据通过CRC校验模型进行数据校验,并根据校验结果将校验合格的数据标注为标准数据;
校验数据处理单元,用于:
基于解析数据校验单元中获取的标准数据,将标准数据进行数据缓存;
其中,将标准数据的进行节点划分,根据划分的节点数据进行关键信息数据截取,并将截取的关键信息数据进行数据分析;
数据接收单元,还用于:
对每个单位时间内接收到的数据的数据类型进行识别,获取每个数据对应的数据类型;
按照所述数据类型进行分类,形成与每个单位时间的所述数据类型对应的数据集合,其中,所述数据集合的数量与所述数据类型一一对应;
针对每个数据集合中所包含的数据量,确定每个数据集合对应的数据包基准数据量;
其中,所述数据包基准数据量通过如下公式获取:
;
其中,C表示数据包基准数据量;C xmax 和C xmin 分别表示单次进行序号检测的最大检测序号量对应的数据量和最低检测序号量对应的数据量;C z 表示单位时间接收的数据总量;C 0表示每个所述数据集合所包含的数据量;
按照每个所述数据集合对应的数据包基准数据量对每个所述数据集合进行数据划分,获得每个所述数据集合对应的若干个数据包,并且为每个数据包分配一个序列号;
提取每个所述数据集合对应的数据包基准数据量以及每个所述数据集合的数据总量;
利用所述每个所述数据集合对应的数据包基准数据量以及每个所述数据集合的数据总量设置每个所述数据集合对应的比例阈值,其中,所述比例阈值通过如下公式获取:
;
其中,P c 表示比例阈值;C 0i 表示第i个单位时间的所述数据集合所包含的数据量;C zi 表示第i个单位时间接收的数据总量;n表示已经历的单位时间的个数;
以所述每个所述数据集合对应的数据包基准数据量为单位对所述数据集合中的数据进行数据划分,直至所述数据集合中的所有数据均完成划分,形成若干个数据包;
在所述数据集合中的所有数据均完成划分后,提取最后一个生成的数据包;
监测所述最后一个数据包的数据量,当所述最后一个数据包的数据量与所述数据包基准数据量进行比较,获得所述最后一个数据包的数据量与所述数据包基准数据量之间的比值;
当所述最后一个数据包的数据量与所述数据包基准数据量之间的比值小于预设的比例阈值时,则将所述最后一个数据包与所述数据集合中的任意一个数据包进行合并;
当所述最后一个数据包的数据量与所述数据包基准数据量之间的比值不小于所述预设的比例阈值时,则将所述最后一个数据包作为独立数据包进行后续的序列号分配;
接收数据处理单元,包括:
数据学习模块,用于:
获取合格的接收数据,将合格的数据导入神经网络模型,导入后形成接收数据模型;
将标准数据参数响应至接收数据模型中,并将每个标准数据参数的数据特征与接收数据模型中的每个数据节点进行对应;
根据对应完成的数据特征与数据节点,将对应完成的数据特征与数据节点进行模型训练,训练后获取标准数据模型;
数据清洗模块,用于:
基于数据学习模块中获取的标准数据模型,将标准数据模型进行清洗验证,根据验证结果确定标准数据模型的清洗精度;
其中,清洗精度为一级、二级和三级,一级清洗精度最弱,三级清洗精度最强,根据验证结果的阈值判断标准数据模型属于的清洗精度;
根据标准数据模型的清洗精度确认标准数据模型的网络层数;
数据优化模块,用于:
基于数据清洗模块中获取的标准数据模型的网络层数,将标准数据模型的函数值生成模型优化参数,并利用模型优化参数对标准数据模型的网络层数进行训练优化;
利用优化后的标准数据模型对标准数据模型中的若干个数据进行清洗,并得到数据集合;
所述校验数据处理单元,包括:
数据划分模块,用于:
将标准数据进行获取,获取后提取标准数据中的若干个数据集,将若干个数据集的数据节点进行划分;
将每个数据节点中的关键信息数据进行截取,并根据截取的关键信息数据对数据集的数据类型进行确认;
类型缓存模块,用于:
基于数据划分模块中确认的数据类型,将数据类型与缓存空间进行对应;
其中,缓存空间包括空间饱和度和空间剩余容量;
将数据类型数据的长度进行获取,当缓存空间的空间剩余容量大于数据长度时,对数据进行聚类,得到数据类型的数据的子数据类型集合;
缓存数据确认模块,用于:
基于类型缓存模块中获取的子数据类型集合,将子数据类型集合利用空间饱和度和空间剩余容量确定单次进行数据缓存的每个数据对应的数据集单次缓存个数;
根据缓存次数确认适配的存储空间;
缓存数据词典适配模块,用于:
基于缓存数据确认模块中存储空间内的缓存数据,将数据中的每个字段信息数据获取;
根据获取的字段信息数据,将词典数据与字段信息数据进行词语对应;
根据对应完成的词语将数据的目标检索词语进行确认。
2.根据权利要求1所述的基于分布式EDI的API网关编排管理系统,其特征在于:所述数据获取解析单元,还用于:
获取数据交换平台的每次成功获取的历史数据,并解析历史接收数据的完整性和安全性,根据完整性和安全性评估本次接收数据的异常指数;
并根据异常评估体系计算出接收数据的安全指数,其中,若计算结果在标准阈值内,则此计算数据为正常数据,若计算结果不在标准阈值内,则此计算数据为异常数据;
获取异常数据后,将异常数据从接收数据中进行剔除,将正常数据进行接收,并标注为目标数据。
3.根据权利要求1所述的基于分布式EDI的API网关编排管理系统,其特征在于:所述解析数据校验单元,还用于:
将目标数据导入至CRC校验模型中;
其中,CRC校验模型为一个二进制位串组成的代码和一个系数为‘0’和‘1’取值的多项式数据;
若目标数据通过CRC校验模型进行除法运算时,运算结果为除尽结果,则校验结果为合格校验结果;
若目标数据通过CRC校验模型进行除法运算时,运算结果为未除尽结果,则校验结果为不合格校验结果;
将校验结果为合格的数据标注为标准数据。
4.一种如权利要求1-3任一项所述的基于分布式EDI的API网关编排管理系统的实现方法,其特征在于,包括以下步骤:
第一步:先通过数据接收单元将数据进行接收,数据接收时根据每个数据的序列号对数据进行检测,将检测合格的数据进行接收;
第二步:将接收的合格数据通过接收数据处理单元进行数据清洗,其中,不同的数据自动适配不同精度的清洗;
第三步:数据清洗完成后通过数据交互平台将数据进行格式统一化,格式统一化完成后通过数据获取解析单元将统一完成后的数据异常检测,并将检测异常的数据进行剔除;
第四步:将目标数据通过解析数据校验单元进行进一步的校验,并将校验成功的数据通过校验数据处理单元进行缓存和检索词确认。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310917537.3A CN116881304B (zh) | 2023-07-25 | 2023-07-25 | 基于分布式edi的api网关编排管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310917537.3A CN116881304B (zh) | 2023-07-25 | 2023-07-25 | 基于分布式edi的api网关编排管理系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116881304A CN116881304A (zh) | 2023-10-13 |
CN116881304B true CN116881304B (zh) | 2024-03-22 |
Family
ID=88267851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310917537.3A Active CN116881304B (zh) | 2023-07-25 | 2023-07-25 | 基于分布式edi的api网关编排管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116881304B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101661494A (zh) * | 2009-09-29 | 2010-03-03 | 莱芜钢铁集团有限公司 | 一种分布式中间件与数据库数据交互方法 |
CN103577425A (zh) * | 2012-07-24 | 2014-02-12 | 中兴通讯股份有限公司 | 一种数据处理的方法和系统 |
CN109660560A (zh) * | 2019-01-23 | 2019-04-19 | 视联动力信息技术股份有限公司 | 一种数据同步方法和系统 |
KR20190100847A (ko) * | 2018-02-08 | 2019-08-29 | 주식회사 포스코아이씨티 | Api 기반의 스마트팩토리 시스템 |
CN110413599A (zh) * | 2019-06-18 | 2019-11-05 | 上海展湾信息科技有限公司 | 数据实时处理与存储系统及方法 |
CN113127465A (zh) * | 2021-04-16 | 2021-07-16 | 刘涵宇 | 一种数据融合方法及系统 |
-
2023
- 2023-07-25 CN CN202310917537.3A patent/CN116881304B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101661494A (zh) * | 2009-09-29 | 2010-03-03 | 莱芜钢铁集团有限公司 | 一种分布式中间件与数据库数据交互方法 |
CN103577425A (zh) * | 2012-07-24 | 2014-02-12 | 中兴通讯股份有限公司 | 一种数据处理的方法和系统 |
KR20190100847A (ko) * | 2018-02-08 | 2019-08-29 | 주식회사 포스코아이씨티 | Api 기반의 스마트팩토리 시스템 |
CN109660560A (zh) * | 2019-01-23 | 2019-04-19 | 视联动力信息技术股份有限公司 | 一种数据同步方法和系统 |
CN110413599A (zh) * | 2019-06-18 | 2019-11-05 | 上海展湾信息科技有限公司 | 数据实时处理与存储系统及方法 |
CN113127465A (zh) * | 2021-04-16 | 2021-07-16 | 刘涵宇 | 一种数据融合方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116881304A (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106487939B (zh) | 一种确定用户ip子网的方法和装置、一种电子设备 | |
US20050165635A1 (en) | Systems and methods for forecasting demand of an object in a managed supply chain | |
US20230108309A1 (en) | Methods and systems for gas meter replacement prompt based on a smart gas internet of things | |
CN110109824B (zh) | 大数据自动回归测试方法、装置、计算机设备和存储介质 | |
CN111325310A (zh) | 一种数据预测方法、装置及存储介质 | |
CN105306252A (zh) | 一种自动判别服务器故障的方法 | |
CN116150191A (zh) | 一种用于云端数据架构的数据运算加速方法及系统 | |
CN116881304B (zh) | 基于分布式edi的api网关编排管理系统及方法 | |
WO2017186037A1 (zh) | 移动设备标识的设置方法及装置 | |
CN110704454B (zh) | 报表数据采集系统及方法 | |
CN117560247A (zh) | 基于edi平台的分布式及api网关编排管理方法及系统 | |
CN103793519A (zh) | 一种支持海量数据导出的自动化工具 | |
CN116482713A (zh) | 一种用于北斗导航接收机的导航数据校验方法 | |
CN110058811A (zh) | 信息处理装置、数据管理系统、方法以及计算机可读介质 | |
CN112732549B (zh) | 基于聚类分析的测试程序分类方法 | |
CN113626387A (zh) | 一种任务数据的导出方法、装置、电子设备及存储介质 | |
CN112418509A (zh) | 任务数据预测方法、装置、存储介质及电子装置 | |
CN112712194A (zh) | 一种用电成本智能优化分析的电量预测方法及装置 | |
CN113570333B (zh) | 一种适用于集成的流程设计方法 | |
CN117193675B (zh) | 基于分布式计算容量的固态储存器管理系统 | |
CN114219501B (zh) | 样本标注资源分配方法、装置及应用 | |
CN116939058B (zh) | 基于云制造模式的多协议设备接入方法及系统 | |
CN115473343B (zh) | 一种智能网关多主站并行接入测试方法 | |
CN117666448B (zh) | 基于物联网能耗预测的节能方法、装置、设备及介质 | |
CN117332993B (zh) | 基于物联网的金融机具控制管理方法及系统 |
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 |