CN117556288A - 一种基于物联网的物理空间管理系统及方法 - Google Patents

一种基于物联网的物理空间管理系统及方法 Download PDF

Info

Publication number
CN117556288A
CN117556288A CN202311853030.2A CN202311853030A CN117556288A CN 117556288 A CN117556288 A CN 117556288A CN 202311853030 A CN202311853030 A CN 202311853030A CN 117556288 A CN117556288 A CN 117556288A
Authority
CN
China
Prior art keywords
data
internet
things
node
distance
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.)
Granted
Application number
CN202311853030.2A
Other languages
English (en)
Other versions
CN117556288B (zh
Inventor
孙伟杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Weiyan Hongchuang Design Institute Co ltd
Original Assignee
Shenzhen Weiyan Hongchuang Design Institute Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Weiyan Hongchuang Design Institute Co ltd filed Critical Shenzhen Weiyan Hongchuang Design Institute Co ltd
Priority to CN202311853030.2A priority Critical patent/CN117556288B/zh
Publication of CN117556288A publication Critical patent/CN117556288A/zh
Application granted granted Critical
Publication of CN117556288B publication Critical patent/CN117556288B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
    • G06F3/0601—Interfaces specially adapted for storage systems
    • G06F3/0668—Interfaces specially adapted for storage systems adopting a particular infrastructure
    • G06F3/067—Distributed or networked storage systems, e.g. storage area networks [SAN], network attached storage [NAS]
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/50—Safety; Security of things, users, data or systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Human Computer Interaction (AREA)
  • Computer Security & Cryptography (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及数据存储技术，揭露了一种基于物联网的物理空间管理系统及方法，该系统包括近邻密度计算模块、数据聚类模块、距离拓扑图生成模块、目标存储节点选取模块及分布存储模块，可根据每个物联网数据的近邻密度及数据距离计算聚类中心及近邻相似度，根据聚类中心及近邻相似度进行数据聚类，得到数据类簇集；构建数据存储节点之间的节点连通图，计算每个数据存储节点之间的节点距离，根据节点距离生成距离拓扑图；从距离拓扑图中选取目标存储节点；获取每个目标存储节点的节点属性，根据节点属性计算目标存储节点与每个数据类簇之间的节点适配度，根据节点适配度对数据类簇集进行分布存储。有助于高效地对物理存储空间进行管理。

Description

一种基于物联网的物理空间管理系统及方法
技术领域
本发明涉及数据存储技术领域，尤其涉及一种基于物联网的物理空间管理系统及方法。
背景技术
随着物联网技术的快速发展和普及，物联网大数据的数量呈几何倍数增长，物联网目前广泛应用于医疗保健、交通、智能家居和监控系统等领域，并且正在以前所未有的速度快速增长，物联网设备产生大量的传感数据来反映用户和设备的物理环境或状况。由于大多数物联网设备的资源和存储容量都有限，因此通常需要将数据传输并存储在资源丰富的平台上，便于从中检索数据以进行分析和决策。物联网数据具有多源异构、规模大和冗余度高等特点，目前大部分的物联网数据都是通过采集器将数据上传到云端进行通信。每个设备在一个固定时间段生成时间序列数据，用于执行连续的监测任务。传统的物联网大数据存储以并行数据存储为主，硬件配置要求不高，系统运行和维护成本较低。但随着物联网环境的日益复杂，数据丢失、窃取、泄露等问题不断发生，传统的存储系统不能实现高质量的数据存储，出现了存储时延长、安全性较低、存储速度慢等情况，因此，如何高效地对数据存储空间进行管理成为亟待解决的问题。
发明内容
本发明提供一种基于物联网的物理空间管理系统及方法，其主要目的在于解决数据存储空间管理的效率较低的问题。
为实现上述目的，本发明提供的一种基于物联网的物理空间管理系统，其特征在于，所述系统包括近邻密度计算模块、数据聚类模块、距离拓扑图生成模块、目标存储节点选取模块及分布存储模块，其中：
所述近邻密度计算模块，用于获取物联网数据集及数据存储节点，计算所述物联网数据集中每个物联网数据的数据距离，根据所述数据距离计算每个所述物联网数据的近邻密度；
所述数据聚类模块，用于根据所述近邻密度及所述数据距离计算聚类中心及近邻相似度，根据所述聚类中心及所述近邻相似度对所述物联网数据集进行数据聚类，得到数据类簇集；
所述距离拓扑图生成模块，用于构建所述数据存储节点之间的节点连通图，计算每个所述数据存储节点之间的节点距离，根据所述节点距离生成所述节点连通图对应的距离拓扑图；
所述目标存储节点选取模块，用于确定所述距离拓扑图中每个数据存储节点的数据存储速度，根据所述数据存储速度从所述距离拓扑图中选取目标存储节点；
所述分布存储模块，用于获取每个所述目标存储节点的节点属性，根据所述节点属性计算所述每个所述目标存储节点与所述数据类簇集中每个数据类簇之间的节点适配度，根据所述节点适配度对所述数据类簇集进行分布存储。
可选地，所述近邻密度计算模块在根据所述数据距离计算每个所述物联网数据的近邻密度时，具体用于：
根据所述数据距离计算每个所述物联网数据的自然近邻数据；
根据所述自然近邻数据及其对应的数据距离计算每个所述物联网数据之间的数据隶属度；
利用如下公式计算每个所述物联网数据的数据隶属度：
其中，u(xi，xj)表示第i个物联网数据xi与第j个物联网数据xj之间的数据隶属度，dij表示物联网数据xi与物联网数据xj之间的数据距离，bi表示第i个物联网数据xi对应的自然近邻数据的总数，N(xi)表示第i个物联网数据xi对应的自然近邻数据的集合；
根据所述数据隶属度及所述自然近邻数据计算每个所述物联网数据的近邻密度；
利用如下公式计算每个所述物联网数据的近邻密度：
其中，ρi表示第i个物联网数据xi的近邻密度，u(xi，xj)表示第i个物联网数据xi与第j个物联网数据xj之间的数据隶属度，N(xi)表示第i个物联网数据xi对应的自然近邻数据的集合，bi表示第i个物联网数据xi对应的自然近邻数据的总数，k表示预设的近邻数据的总数。
可选地，所述数据聚类模块在根据所述近邻密度及所述数据距离计算聚类中心及近邻相似度时，具体用于：
根据所述近邻密度及所述数据距离确定每个所述物联网数据的相对距离，将所述相对距离与所述近邻密度相乘，得到每个所述物联网数据的聚类中心度；
根据所述聚类中心度确定预设数量的聚类中心；
根据所述数据距离计算每个所述物联网数据的K近邻数据集，根据所述K近邻数据集确定所述物联网数据之间的共享近邻集；
根据所述共享近邻集及所述K近邻数据集计算近邻相似度。
可选地，所述数据聚类模块在根据所述共享近邻集及所述K近邻数据集计算近邻相似度时，具体用于：
根据所述K近邻数据集计算所述物联网数据之间的相似度；
利用如下公式计算所述物联网数据之间的相似度：
其中，w(xi,xj)表示第i个物联网数据xi与第j个物联网数据xj之间的相似度，N(xi)表示第i个物联网数据xi对应的自然近邻数据的集合，knn(xi)表示第i个物联网数据xi对应的K近邻数据集，dij表示第i个物联网数据xi与第j个物联网数据xj之间的数据距离，k表示预设的近邻数据的总数；
根据所述共享近邻集计算计算所述物联网数据之间的相似度权重；
利用如下公式计算所述物联网数据之间的相似度权重：
其中，β(xi,xj)表示第i个物联网数据xi与第j个物联网数据xj之间的相似度权重，|SN(xi,xj)|表示共享近邻集中的数据总数，k表示预设的近邻数据的总数；
根据所述相似度及所述相似度权重计算所述物联网数据之间的近邻相似度。
可选地，数据聚类模块在根据所述聚类中心及所述近邻相似度对所述物联网数据集进行数据聚类，得到数据类簇集，具体用于：
将所述聚类中心的自然近邻数据分配给所述聚类中心对应的类簇中，得到初始数据类簇集及未分配物联网数据；
根据所述近邻相似度将所述未分配物联网数据分配到所述初始数据类簇集，得到数据类簇集。
可选地，所述距离拓扑图生成模块在构建所述数据存储节点之间的节点连通图时，具体用于：
获取所述数据存储节点之间的链路关系；
以所述数据存储节点为顶点，根据所述链路关系及所述顶点生成所述数据存储节点之间的节点连通图。
可选地，所述目标存储节点选取模块在根据所述数据存储速度从所述距离拓扑图中选取目标存储节点时，具体用于：
计算所述距离拓扑图中每个数据存储节点的最短节点距离；
将所述最短节点距离大于等于预设的节点距离对应的数据存储节点作为初始存储节点；
根据每个所述初始存储节点的数据存储速度选取预设数量阈值的目标存储节点。
可选地，所述距离拓扑图生成模块在根据所述节点距离生成所述节点连通图对应的距离拓扑图时，具体用于：
在所述节点连通图中逐一选取一个顶点作为目标顶点；
根据所述节点距离确定所述节点连通图中每个顶点与所述目标顶点之间的目标节点距离；
将所述目标节点距离小于预设距离阈值的顶点与所述目标顶点相连，得到所述节点连通图对应的距离拓扑图。
可选地，所述分布存储模块在根据所述节点属性计算所述每个所述目标存储节点与所述数据类簇集中每个数据类簇之间的节点适配度时，具体用于：
分别将所述数据类簇集中每个数据类簇分配给所述目标存储节点后，计算每个所述目标存储节点的分配存储指标；
利用如下公式计算每个所述目标存储节点的分配存储指标：
M(h,s)＝α(muse/mtotal)+α(1―LRs)
其中，M(h,s)表示将数据类簇s分配给目标存储节点h后目标存储节点h后的分配存储指标，α表示预设的衡量系数，muse将数据类簇s分配给目标存储节点h后目标存储节点h后的可用存储空间，mtotal表示目标存储节点h的总存储空间，LRs将数据类簇s分配给目标存储节点h后将数据类簇s分配给目标存储节点h后的剩余负载；
根据所述分配存储指标所述及所述节点属性计算每个所述目标存储节点与每个所述数据类簇之间的节点适配度；
利用如下公式计算每个所述目标存储节点与每个所述数据类簇之间的节点适配度：
H(h,s)＝λ1Eh+λ2Bh+λ3M(h,s)
其中，H(h,s)表示数据类簇s与目标存储节点h之间的节点适配度，Eh表示目标存储节点h的剩余带宽，Bh表示目标存储节点h的CPU，M(h,s)表示将数据类簇s分配给目标存储节点h后目标存储节点h后的分配存储指标，λ1、λ2、λ3分别表示预设的指标权重。
为了解决上述问题，本发明还提供一种基于物联网的物理空间管理方法，所述方法包括：
获取物联网数据集及数据存储节点，计算所述物联网数据集中每个物联网数据的数据距离，根据所述数据距离计算每个所述物联网数据的近邻密度；
根据所述近邻密度及所述数据距离计算聚类中心及近邻相似度，根据所述聚类中心及所述近邻相似度对所述物联网数据集进行数据聚类，得到数据类簇集；
构建所述数据存储节点之间的节点连通图，计算每个所述数据存储节点之间的节点距离，根据所述节点距离生成所述节点连通图对应的距离拓扑图；
确定所述距离拓扑图中每个数据存储节点的数据存储速度，根据所述数据存储速度从所述距离拓扑图中选取目标存储节点；
获取每个所述目标存储节点的节点属性，根据所述节点属性计算所述每个所述目标存储节点与所述数据类簇集中每个数据类簇之间的节点适配度，根据所述节点适配度对所述数据类簇集进行分布存储。
本发明实施例通过计算每个物联网数据的近邻密度及近邻相似度，可以对所述物联网数据集进行数据聚类，使得数据类簇中的物联网数据具有较高的相似性，平衡数据差异，得到更精确地数据类簇集；根据节点距离生成对应的距离拓扑图，可得到满足安全距离的距离拓扑图，更稳定、更安全地进行数据存储；根据距离拓扑图中每个数据存储节点的数据存储速度选取目标存储节点，可进一步地减小数据传输距离，提高数据传输的效率，有利于提高物理存储空间的管理效率；根据节点属性计算存储节点与数据类簇之间的节点适配度，再根据节点适配度对数据类簇集进行分布存储，实现了对物联网数据集的分布存储，从而高效地利用物理存储空间。因此本发明提出的基于物联网的物理空间管理系统及方法，可以提高区里存储空间管理的效率。
附图说明
图1为本发明一实施例提供的基于物联网的物理空间管理系统的系统架构图；
图2为本发明一实施例提供的数据聚类模块在计算聚类中心及近邻相似度时的系统架构图；
图3为本发明一实施例提供的目标存储节点选取模块从距离拓扑图中选取目标存储节点时的系统架构图；
图4为本发明一实施例提供的基于物联网的物理空间管理方法的流程示意图；
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
为使本发明实施例的目的、技术方案和优点更加清楚，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作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。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种。
取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
另外，下述各方法实施例中的步骤时序仅为一种举例，而非严格限定。
实际上，基于物联网的物理空间管理系统所部署的服务端设备可能是由一台或多台设备构成的。上述基于物联网的物理空间管理系统可以实现为：业务实例、虚拟机、硬件设备。比如，该基于物联网的物理空间管理系统可以实现为部署在云节点中的一个或多个设备上的一种业务实例。简单来说，该基于物联网的物理空间管理系统可以理解为是部署在云节点上的一种软件，用于为各用户端提供基于物联网的物理空间管理系统。或者，该基于物联网的物理空间管理系统也可以实现为部署在云节点中的一个或多个设备上的一种虚拟机。该虚拟机中安装有用于管理各用户端的应用软件。或者，该基于物联网的物理空间管理系统还可以实现为由众多相同或不同类型的硬件设备构成的服务端，设置一个或多个硬件设备用于为各用户端提供基于物联网的物理空间管理系统。
在实现形式上，基于物联网的物理空间管理系统和用户端相互适应。即，基于物联网的物理空间管理系统作为安装于云服务平台的应用，则用户端作为与该应用建立通信连接的客户端；或实现基于物联网的物理空间管理系统作为网站实现，则用户端作为网页实现；再或实现基于物联网的物理空间管理系统作为云服务平台实现，则用户端作为即时通信应用中的小程序实现。
如图1所示，是本发明一实施例提供的基于物联网的物理空间管理系统的系统架构图。
本发明所述基于物联网的物理空间管理系统100可以设置于云端服务器中，在实现形式上，可以作为一个或多个服务设备，也可以作为一应用安装于云端(例如移动服务运营方的服务器、服务器集群等)上，或者也可以开发为网站。根据实现的功能，所述基于物联网的物理空间管理系统100可以包括近邻密度计算模块101、数据聚类模块102、距离拓扑图生成模块103、目标存储节点选取模块104及分布存储模块105。本发明所述模块也可以称之为单元，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。
本发明实施例中，基于物联网的物理空间管理系统中，上述各个模块均可独立实现，且与其他模块调用。这里的调用可以理解为，某一模块可以连接另一类型的多个模块，并为其连接的多个模块提供相应服务。比如，分享评测模块可以调用同一信息采集模块，以获取该信息采集模块采集的信息基于上述特性，本发明实施例提供的基于物联网的物理空间管理系统中，无需修改程序代码，即可通过增加模块、并直接调用的形式来调整基于物联网的物理空间管理系统架构的适用范围，实现集群式水平拓展，以便达到快捷灵活拓展基于物联网的物理空间管理系统的目的。
下面结合具体实施例，分别针对基于物联网的物理空间管理系统的各个组成部分以及具体工作流程进行说明：
所述近邻密度计算模块101，用于获取物联网数据集及数据存储节点，计算所述物联网数据集中每个物联网数据的数据距离，根据所述数据距离计算每个所述物联网数据的近邻密度。
本发明实施例中，物联网数据集中包括多个物联网设备所产生的数据，例如，多媒体设备的数据、施工设备的产品数据以及计算机硬件记录的数据等，大多是以数值的形式进行存储，不同物联网设备的的数据产生时间、数据长度、数值大小的不同会导致物联网数据集的数据密度分布不均，因此，通过近邻密度可以将相近的物联网数据聚类，以将物联网数据集分类存储。
本发明实施例中，数据存储节点是物联网数据存储的工作节点，多个数据存储节点的存储空间组成物联网数据的物理空间，数据存储节点负责物联网数据的存储与读取，不同的数据可以被分配到不同的数据存储节点中，因此，数据的存储不会受到单个数据存储节点的空间限制，提高物联网数据存储的效率。
在一个实施例中，数据距离是每个物联网数据之间的欧式距离，通过物联网数据之间的欧式距离可以对数据分布相近的物联网数据进行聚类，从而可以提高数据分类的精确度。
在本发明实施例中，所述近邻密度计算模块101在根据所述数据距离计算每个所述物联网数据的近邻密度时，具体用于：
根据所述数据距离计算每个所述物联网数据的自然近邻数据；
根据所述自然近邻数据及其对应的数据距离计算每个所述物联网数据之间的数据隶属度；
根据所述数据隶属度及所述自然近邻数据计算每个所述物联网数据的近邻密度。
本发明实施例中，自然近邻数据是通过数据距离从物联网数据集中选取预设数量的K近邻数据，若两个物联网数据互为K近邻数据，则表示物联网数据互为自然近邻数据。
本发明实施例中，数据隶属度表示每个自然近邻数据对物联网数据的隶属程度，数据隶属度越大，则自然近邻数据与物联网数据之间越紧密。
在本发明实施例中，利用如下公式计算每个所述物联网数据的数据隶属度：
其中，u(xi，xj)表示第i个物联网数据xi与第j个物联网数据xj之间的数据隶属度，dij表示物联网数据xi与物联网数据xj之间的数据距离，bi表示第i个物联网数据xi对应的自然近邻数据的总数，N(xi)表示第i个物联网数据xi对应的自然近邻数据的集合。
本发明实施例中，数据密度表示在物联网数据集围绕每个物联网数据的物联网数据越密集，从而可以根据数据密度在物联网数据集中计算出聚类中心，以更精确地对物联网数据集进行数据聚类。
在本发明实施例中，利用如下公式计算每个所述物联网数据的近邻密度：
其中，ρi表示第i个物联网数据xi的近邻密度，u(xi，xj)表示第i个物联网数据xi与第j个物联网数据xj之间的数据隶属度，N(xi)表示第i个物联网数据xi对应的自然近邻数据的集合，bi表示第i个物联网数据xi对应的自然近邻数据的总数，k表示预设的近邻数据的总数。
本发明实施例中，通过计算近邻密度可以分别计算自然近邻数据以及非自然近邻数据对每个物联网数据的密度贡献，从而更精确地计算出全部物联网数据对物联网数据xi的密度贡献，进而平衡密集区域和稀疏区域间的密度差异，使得较稀疏区域的物联网数据也有较高的局部密度，能更准确找到物联网数据集中的聚类中心。
所述数据聚类模块102，用于根据所述近邻密度及所述数据距离计算聚类中心及近邻相似度，根据所述聚类中心及所述近邻相似度对所述物联网数据集进行数据聚类，得到数据类簇集。
本发明实施例中，聚类中心是根据每个物联网数据的数据密度对数据分布更接近的数据聚类到一个聚类簇中，以对物联网数据进行分类存储，提高物联网数据物理存储空间的利用率。
在本发明实施例中所述数据聚类模块102包括聚类中心度计算模块201、聚类中心确定模块202、近邻集计算模块203及近邻相似度计算模块204。
在本发明实施例中，参阅图2所示，所述数据聚类模块102在根据所述近邻密度及所述数据距离计算聚类中心及近邻相似度时，具体用于：
所述聚类中心度计算模块201，用于根据所述近邻密度及所述数据距离确定每个所述物联网数据的相对距离，将所述相对距离与所述近邻密度相乘，得到每个所述物联网数据的聚类中心度；
所述聚类中心确定模块202，用于根据所述聚类中心度确定预设数量的聚类中心；
所述近邻集计算模块203，用于根据所述数据距离计算每个所述物联网数据的K近邻数据集，根据所述K近邻数据集确定所述物联网数据之间的共享近邻集；
所述近邻相似度计算模块204，用于根据所述共享近邻集及所述K近邻数据集计算近邻相似度。
本发明实施例中，相对距离表示不同近邻密度的物联网数据距离其他物联网数据之间的数据距离，通过相对距离可以进一步地表示物联网数据之间的数据分布情况。本发明实施例在目标物联网数据的近邻密度是最大值时，选取距离其他物联网数据的数据距离最大值作为相对距离；在近邻密度不是最大值时，在近邻密度大于目标物联网数据的近邻密度的物联网数据集合中选取距离其他物联网数据的数据距离最小值作为目标物联网数据的相对距离，其中，目标物联网数据是确定相对距离的物联网数据。
本发明实施例中，将每个物联网数据的相对距离与对应的近邻密度相乘，得到每个物联网数据在物联网数据集中的决策度，决策度越大，相对距离与近邻密度的值对应也较大，可以进一步对反映每个物联网数据的数据密度，从而可以确定物联网数据在物联网数据集中的数据分布情况，将物联网数据根据聚类中心度的大小从大到小排序，得到数据序列，从数据序列中选取预设数量的物联网数据的作为聚类中心。
本发明实施例中，根据数据距离及预设数量对物联网数据集进行K近邻聚类，得到每个物联网数据的K近邻数据集，每个K近邻数据集中包括预设数量的物联网数据，K近邻数据集之间的数据交集作为物联网数据之间的共享近邻集。
在本发明实施例中，所述数据聚类模块102在根据所述共享近邻集及所述K近邻数据集计算近邻相似度时，具体用于：
根据所述K近邻数据集计算所述物联网数据之间的相似度；
根据所述共享近邻集计算计算所述物联网数据之间的相似度权重；
根据所述相似度及所述相似度权重计算所述物联网数据之间的近邻相似度。
本发明实施例中，相似度表示物联网数据之间的相似度，可以通过K近邻数据集及自然近邻数据确定。
本发明实施例中，利用如下公式计算所述物联网数据之间的相似度：
其中，w(xi,xj)表示第i个物联网数据xi与第j个物联网数据xj之间的相似度，N(xi)表示第i个物联网数据xi对应的自然近邻数据的集合，knn(xi)表示第i个物联网数据xi对应的K近邻数据集，dij表示第i个物联网数据xi与第j个物联网数据xj之间的数据距离，k表示预设的近邻数据的总数。
本发明实施例中，通过相似度权重数增可以增强互为自然近邻数据或者共享近邻数据时近邻相似度计算的精确度。
本发明实施例中，利用如下公式计算所述物联网数据之间的相似度权重：
其中，β(xi,xj)表示第i个物联网数据xi与第j个物联网数据xj之间的相似度权重，|SN(xi,xj)|表示共享近邻集中的数据总数，k表示预设的近邻数据的总数。
本发明实施例中，将相似度与相似度权重相乘，得到物联网数据之间的近邻相似度，通过近邻相似度可以将相似的物联网数据聚类到同一个数据类簇中，从而更精确地对物联网数据集进行数据聚类。
在本发明实施例中，所述数据聚类模块102在根据所述聚类中心及所述近邻相似度对所述物联网数据集进行数据聚类，得到数据类簇集时，具体用于：
将所述聚类中心的自然近邻数据分配给所述聚类中心对应的类簇中，得到初始数据类簇集及未分配物联网数据；
根据所述近邻相似度将所述未分配物联网数据分配到所述初始数据类簇集，得到数据类簇集。
本发明实施例中，当物联网数据之间互为自然近邻数据时，表示物联网数据之间的紧密程度较高，因此，将聚类中心的自然近邻数据分配给聚类中心对应的类簇中。已分配的自然近邻数据为已分配数据，非自然近邻数据为未分配物联网数据，根据近邻相似度确定与未分配物联网数据之间近邻相似度最大的已分配数据，将未分配物联网数据分配到近邻相似度最大的已分配数据对应的初始数据类簇中，完成对物联网数据集的聚类，得到数据类簇集，进一步地，若还存在未分配数据，可以将未分配数据分配给近邻密度比它大且距离它最近的物联网数据所在数据类簇，提高数据聚类的精确度。
本发明实施例中，通过聚类中心及近邻相似度对物联网数据集进行数据聚类，可以使同一数据类簇中的物联网数据之间具有较高的相似性，平衡物联网数据之间的相似性差异，同时可以使数据分布密度较小的物联网数据能被正确聚类，有效地提高数据聚类的精确度。
所述距离拓扑图生成模块103，用于构建所述数据存储节点之间的节点连通图，计算每个所述数据存储节点之间的节点距离，根据所述节点距离生成所述节点连通图对应的距离拓扑图。
本发明实施例中，节点连通图是数据存储节点为顶点构建的无向连通图，通节点连通图可以确定每个数据存储节点之间的连接关系。
在本发明实施例中，所述距离拓扑图生成模块103在构建所述数据存储节点之间的节点连通图时，具体用于：
获取所述数据存储节点之间的链路关系；
以所述数据存储节点为顶点，根据所述链路关系及所述顶点生成所述数据存储节点之间的节点连通图。
本发明实施例中，链路关系是节点间是否存在数据链路，若存在，则顶点之间有连接关系，从而可以构建数据存储节点之间的无向连通图，作为节点连通图，具体地，可以根据数据存储节点之间的数据传输协议确定数据存储节点之间的链路关系。
本发明实施例中，节点距离是数据存储节点之间的最短路径的数据长度，距通常是基于网络拓扑计算的。可以用不同的度量方式计算数据距离，例如网络延迟、带宽和吞吐量等，一般可使用网络延迟作为数据存储节点之间的节点距离。
本发明实施例中，距离拓扑图是表示数据存储节点之间满足安全距离，即距离拓扑图中数据存储节点的距离满足预设的安全距离，从而保证数据类簇存储时的安全性。
在本发明实施例中，所述距离拓扑图生成模块103在根据所述节点距离生成所述节点连通图对应的距离拓扑图时，具体用于：
在所述节点连通图中逐一选取一个顶点作为目标顶点；
根据所述节点距离确定所述节点连通图中每个顶点与所述目标顶点之间的目标节点距离；
将所述目标节点距离小于预设距离阈值的顶点与所述目标顶点相连，得到所述节点连通图对应的距离拓扑图。
本发明实施例中，目标节点距离是节点连通图中每个顶点与目标顶点之间的节点距离，通过将目标节点距离小于预设距离阈值的顶点与目标顶点相连，可以得到满足安全距离的距离拓扑图，从而可以更稳定、更安全地进行数据存储。
所述目标存储节点选取模块104，用于确定所述距离拓扑图中每个数据存储节点的数据存储速度，根据所述数据存储速度从所述距离拓扑图中选取目标存储节点。
本发明实施例中，数据存储速度是每个数据存储节点的进行数据读取时的速度，数据存储速度越快，数据存储节点存储物联网数据的效率就会更快，进而可以提高物理空间管理的效率，具体地，可以根据距离拓扑图中每个数据存储节点的节点名称查找配置参数，进而可以确定每个数据存储节点的数据存储速度。
在本发明实施例中，所述目标存储节点选取模块104包括最短节点距离计算模块301、初始节点选取模块302以及目标目标存储节点303。
在本发明实施例中，参阅图3所示，所述目标存储节点选取模块104在根据所述数据存储速度从所述距离拓扑图中选取目标存储节点时，具体用于：
所述最短节点距离计算模块301，用于计算所述距离拓扑图中每个数据存储节点的最短节点距离；
所述初始节点选取模块302，用于将所述最短节点距离大于等于预设的节点距离对应的数据存储节点作为初始存储节点；
目标目标存储节点303，用于根据每个所述初始存储节点的数据存储速度选取预设数量阈值的目标存储节点。
本发明实施例中，最短节点距离是距离拓扑图中每个数据存储节点与其他数据存储节点之前的最短节点距离，在节点距离大于等于预设的节点距离时，将数据存储节点作为目标存储节点的可选数据节点，进一步地数据存储速度较大的出书存储节点作为目标存储节点，其中，目标存储节点的数据数量不超过预设的数量阈值，在初始存储节点的总数小于数量阈值时，将每个初始存储节点都视为目标存储节点，以保证物联网数据存储的效率。
本发明实施例中，通过数据存储速度以及距离拓扑图选取目标存储节点可以同时兼顾节点距离以及节点存储速度，从而进一步地减小数据传输距离，提高数据传输的效率，有利于提高物理存储空间的管理效率。
所述分布存储模块105，用于获取每个所述目标存储节点的节点属性，根据所述节点属性计算所述每个所述目标存储节点与所述数据类簇集中每个数据类簇之间的节点适配度，根据所述节点适配度对所述数据类簇集进行分布存储。
本发明实施例中，节点属性是每个目标存储节点的基本属性，包括目标存储节点的剩余带宽、储存节点的CPU(Central Processing Unit，中央处理器)、内存利用率以及剩余负载情况等可以反映存储性能的节点属性，进而通过节点数据可以计算每个目标存储节点与每个数据类簇之间的节点适配度，从而更精确地对数据类簇集进行分布存储。
在本发明实施例中，所述分布存储模块105在根据所述节点属性计算所述每个所述目标存储节点与所述数据类簇集中每个数据类簇之间的节点适配度时，具体用于：
分别将所述数据类簇集中每个数据类簇分配给所述目标存储节点后，计算每个所述目标存储节点的分配存储指标；
根据所述分配存储指标所述及所述节点属性计算每个所述目标存储节点与每个所述数据类簇之间的节点适配度。
本发明实施例中，分别将数据类簇分配给目标存储节点，计算数据类簇分配后对每个目标存储节点的影响，例如，剩余的存储空间、剩余负载等，从而更精确地对数据类簇进行分布存储。
本发明实施例中，利用如下公式计算每个所述目标存储节点的分配存储指标：
M(h,s)＝α(muse/mtotal)+α(1―LRs)
其中，M(h,s)表示将数据类簇s分配给目标存储节点h后目标存储节点h后的分配存储指标，α表示预设的衡量系数，muse将数据类簇s分配给目标存储节点h后目标存储节点h后的可用存储空间，mtotal表示目标存储节点h的总存储空间，LRs将数据类簇s分配给目标存储节点h后将数据类簇s分配给目标存储节点h后的剩余负载。
本发明实施例中，利用如下公式计算每个所述目标存储节点与每个所述数据类簇之间的节点适配度：
H(h,s)＝λ1Eh+λ2Bh+λ3M(h,s)
其中，H(h,s)表示数据类簇s与目标存储节点h之间的节点适配度，Eh表示目标存储节点h的剩余带宽，Bh表示目标存储节点h的CPU，M(h,s)表示将数据类簇s分配给目标存储节点h后目标存储节点h后的分配存储指标，λ1、λ2、λ3分别表示预设的指标权重。
本发明实施例中，通过将数据类簇存储到节点适配度最大的目标存储节点中，可以根据目标存储数据节点的节点属性将物联网数据进行分布存储，从而高效地利用物理存储空间，优选地，在节点适配度最大的目标存储节点的可用空间为0时，可以根据节点适配度依次将数据类簇进行分配，直至数据类簇完成存储，从而提高物理存储空间的管理效率，避免物联网数据丢失。
参照图4所示，为本发明一实施例提供的基于物联网的物理空间管理方法的流程示意图。在本实施例中，所述基于物联网的物理空间管理方法包括：
S1、获取物联网数据集及数据存储节点，计算所述物联网数据集中每个物联网数据的数据距离，根据所述数据距离计算每个所述物联网数据的近邻密度；
S2、根据所述近邻密度及所述数据距离计算聚类中心及近邻相似度，根据所述聚类中心及所述近邻相似度对所述物联网数据集进行数据聚类，得到数据类簇集；
S3、构建所述数据存储节点之间的节点连通图，计算每个所述数据存储节点之间的节点距离，根据所述节点距离生成所述节点连通图对应的距离拓扑图；
S4、确定所述距离拓扑图中每个数据存储节点的数据存储速度，根据所述数据存储速度从所述距离拓扑图中选取目标存储节点；
S5、获取每个所述目标存储节点的节点属性，根据所述节点属性计算所述每个所述目标存储节点与所述数据类簇集中每个数据类簇之间的节点适配度，根据所述节点适配度对所述数据类簇集进行分布存储。
本发明实施例通过计算每个物联网数据的近邻密度及近邻相似度，可以对所述物联网数据集进行数据聚类，使得数据类簇中的物联网数据具有较高的相似性，平衡数据差异，得到更精确地数据类簇集；根据节点距离生成对应的距离拓扑图，可得到满足安全距离的距离拓扑图，更稳定、更安全地进行数据存储；根据距离拓扑图中每个数据存储节点的数据存储速度选取目标存储节点，可进一步地减小数据传输距离，提高数据传输的效率，有利于提高物理存储空间的管理效率；根据节点属性计算存储节点与数据类簇之间的节点适配度，再根据节点适配度对数据类簇集进行分布存储，实现了对物联网数据集的分布存储，从而高效地利用物理存储空间。因此本发明提出的基于物联网的物理空间管理系统，可以提高区里存储空间管理的效率。
在本发明所提供的几个实施例中，应该理解到，所揭露的电子设备，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。
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。
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 (10)

1.一种基于物联网的物理空间管理系统，其特征在于，所述系统包括近邻密度计算模块、数据聚类模块、距离拓扑图生成模块、目标存储节点选取模块及分布存储模块，其中：
所述近邻密度计算模块，用于获取物联网数据集及数据存储节点，计算所述物联网数据集中每个物联网数据的数据距离，根据所述数据距离计算每个所述物联网数据的近邻密度；
所述数据聚类模块，用于根据所述近邻密度及所述数据距离计算聚类中心及近邻相似度，根据所述聚类中心及所述近邻相似度对所述物联网数据集进行数据聚类，得到数据类簇集；
所述距离拓扑图生成模块，用于构建所述数据存储节点之间的节点连通图，计算每个所述数据存储节点之间的节点距离，根据所述节点距离生成所述节点连通图对应的距离拓扑图；
所述目标存储节点选取模块，用于确定所述距离拓扑图中每个数据存储节点的数据存储速度，根据所述数据存储速度从所述距离拓扑图中选取目标存储节点；
所述分布存储模块，用于获取每个所述目标存储节点的节点属性，根据所述节点属性计算所述每个所述目标存储节点与所述数据类簇集中每个数据类簇之间的节点适配度，根据所述节点适配度对所述数据类簇集进行分布存储。
2.如权利要求1所述的基于物联网的物理空间管理系统，其特征在于，所述近邻密度计算模块在根据所述数据距离计算每个所述物联网数据的近邻密度时，具体用于：
根据所述数据距离计算每个所述物联网数据的自然近邻数据；
根据所述自然近邻数据及其对应的数据距离计算每个所述物联网数据之间的数据隶属度；
利用如下公式计算每个所述物联网数据的数据隶属度：
其中，u(xi，xj)表示第i个物联网数据xi与第j个物联网数据xj之间的数据隶属度，dij表示物联网数据xi与物联网数据xj之间的数据距离，bi表示第i个物联网数据xi对应的自然近邻数据的总数，N(xi)表示第i个物联网数据xi对应的自然近邻数据的集合；
根据所述数据隶属度及所述自然近邻数据计算每个所述物联网数据的近邻密度；
利用如下公式计算每个所述物联网数据的近邻密度：
其中，ρi表示第i个物联网数据xi的近邻密度，u(xi，xj)表示第i个物联网数据xi与第j个物联网数据xj之间的数据隶属度，N(xi)表示第i个物联网数据xi对应的自然近邻数据的集合，bi表示第i个物联网数据xi对应的自然近邻数据的总数，k表示预设的近邻数据的总数。
3.如权利要求1所述的基于物联网的物理空间管理系统，其特征在于，所述数据聚类模块，在根据所述近邻密度及所述数据距离计算聚类中心及近邻相似度时，具体用于：
根据所述近邻密度及所述数据距离确定每个所述物联网数据的相对距离，将所述相对距离与所述近邻密度相乘，得到每个所述物联网数据的聚类中心度；
根据所述聚类中心度确定预设数量的聚类中心；
根据所述数据距离计算每个所述物联网数据的K近邻数据集，根据所述K近邻数据集确定所述物联网数据之间的共享近邻集；
根据所述共享近邻集及所述K近邻数据集计算近邻相似度。
4.如权利要求3所述的基于物联网的物理空间管理系统，其特征在于，所述数据聚类模块在根据所述共享近邻集及所述K近邻数据集计算近邻相似度时，具体用于：
根据所述K近邻数据集计算所述物联网数据之间的相似度；
利用如下公式计算所述物联网数据之间的相似度：
其中，w(xi,xj)表示第i个物联网数据xi与第j个物联网数据xj之间的相似度，N(xi)表示第i个物联网数据xi对应的自然近邻数据的集合，knn(xi)表示第i个物联网数据xi对应的K近邻数据集，dij表示第i个物联网数据xi与第j个物联网数据xj之间的数据距离，k表示预设的近邻数据的总数；
根据所述共享近邻集计算计算所述物联网数据之间的相似度权重；
利用如下公式计算所述物联网数据之间的相似度权重：
其中，β(xi,xj)表示第i个物联网数据xi与第j个物联网数据xj之间的相似度权重，|SN(xi,xj)|表示共享近邻集中的数据总数，k表示预设的近邻数据的总数；
根据所述相似度及所述相似度权重计算所述物联网数据之间的近邻相似度。
5.如权利要求1所述的基于物联网的物理空间管理系统，其特征在于，所述数据聚类模块在根据所述聚类中心及所述近邻相似度对所述物联网数据集进行数据聚类，得到数据类簇集，具体用于：
将所述聚类中心的自然近邻数据分配给所述聚类中心对应的类簇中，得到初始数据类簇集及未分配物联网数据；
根据所述近邻相似度将所述未分配物联网数据分配到所述初始数据类簇集，得到数据类簇集。
6.如权利要求1所述的基于物联网的物理空间管理系统，其特征在于，所述距离拓扑图生成模块在构建所述数据存储节点之间的节点连通图时，具体用于：
获取所述数据存储节点之间的链路关系；
以所述数据存储节点为顶点，根据所述链路关系及所述顶点生成所述数据存储节点之间的节点连通图。
7.如权利要求1所述的基于物联网的物理空间管理系统，其特征在于，所述目标存储节点选取模块在根据所述数据存储速度从所述距离拓扑图中选取目标存储节点时，具体用于：
计算所述距离拓扑图中每个数据存储节点的最短节点距离；
将所述最短节点距离大于等于预设的节点距离对应的数据存储节点作为初始存储节点；
根据每个所述初始存储节点的数据存储速度选取预设数量阈值的目标存储节点。
8.如权利要求1所述的基于物联网的物理空间管理系统，其特征在于，所述距离拓扑图生成模块在根据所述节点距离生成所述节点连通图对应的距离拓扑图时，具体用于：
在所述节点连通图中逐一选取一个顶点作为目标顶点；
根据所述节点距离确定所述节点连通图中每个顶点与所述目标顶点之间的目标节点距离；
将所述目标节点距离小于预设距离阈值的顶点与所述目标顶点相连，得到所述节点连通图对应的距离拓扑图。
9.如权利要求1所述的基于物联网的物理空间管理系统，其特征在于，所述分布存储模块在根据所述节点属性计算所述每个所述目标存储节点与所述数据类簇集中每个数据类簇之间的节点适配度时，具体用于：
分别将所述数据类簇集中每个数据类簇分配给所述目标存储节点后，计算每个所述目标存储节点的分配存储指标；
利用如下公式计算每个所述目标存储节点的分配存储指标：
M(h,s)＝α(muse/mtotal)+α(1―LRs)
其中，M(h,s)表示将数据类簇s分配给目标存储节点h后目标存储节点h后的分配存储指标，α表示预设的衡量系数，muse将数据类簇s分配给目标存储节点h后目标存储节点h后的可用存储空间，mtotal表示目标存储节点h的总存储空间，LRs将数据类簇s分配给目标存储节点h后将数据类簇s分配给目标存储节点h后的剩余负载；
根据所述分配存储指标所述及所述节点属性计算每个所述目标存储节点与每个所述数据类簇之间的节点适配度；
利用如下公式计算每个所述目标存储节点与每个所述数据类簇之间的节点适配度：
H(h,s)＝λ1Eh+λ2Bh+λ3M(h,s)
其中，H(h,s)表示数据类簇s与目标存储节点h之间的节点适配度，Eh表示目标存储节点h的剩余带宽，Bh表示目标存储节点h的CPU，M(h,s)表示将数据类簇s分配给目标存储节点h后目标存储节点h后的分配存储指标，λ1、λ2、λ3分别表示预设的指标权重。
10.一种基于物联网的物理空间管理方法，其特征在于，所述方法包括：
获取物联网数据集及数据存储节点，计算所述物联网数据集中每个物联网数据的数据距离，根据所述数据距离计算每个所述物联网数据的近邻密度；
根据所述近邻密度及所述数据距离计算聚类中心及近邻相似度，根据所述聚类中心及所述近邻相似度对所述物联网数据集进行数据聚类，得到数据类簇集；
构建所述数据存储节点之间的节点连通图，计算每个所述数据存储节点之间的节点距离，根据所述节点距离生成所述节点连通图对应的距离拓扑图；
确定所述距离拓扑图中每个数据存储节点的数据存储速度，根据所述数据存储速度从所述距离拓扑图中选取目标存储节点；
获取每个所述目标存储节点的节点属性，根据所述节点属性计算所述每个所述目标存储节点与所述数据类簇集中每个数据类簇之间的节点适配度，根据所述节点适配度对所述数据类簇集进行分布存储。
CN202311853030.2A 2023-12-28 2023-12-28 一种基于物联网的物理空间管理系统及方法 Active CN117556288B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311853030.2A CN117556288B (zh) 2023-12-28 2023-12-28 一种基于物联网的物理空间管理系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311853030.2A CN117556288B (zh) 2023-12-28 2023-12-28 一种基于物联网的物理空间管理系统及方法

Publications (2)

Publication Number Publication Date
CN117556288A true CN117556288A (zh) 2024-02-13
CN117556288B CN117556288B (zh) 2024-07-12

Family

ID=89811355

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311853030.2A Active CN117556288B (zh) 2023-12-28 2023-12-28 一种基于物联网的物理空间管理系统及方法

Country Status (1)

Country Link
CN (1) CN117556288B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105760503A (zh) * 2016-02-23 2016-07-13 清华大学 一种快速计算图节点相似度的方法
CN111061821A (zh) * 2019-11-12 2020-04-24 国网山东省电力公司聊城供电公司 基于改进k值聚类算法的低压配电网拓扑校验方法及系统
CN113344128A (zh) * 2021-06-30 2021-09-03 福建师范大学 一种基于微簇的工业物联网自适应流聚类方法及装置
CN113961562A (zh) * 2021-10-25 2022-01-21 合肥联信电源有限公司 基于海量数据的物联网数据存储处理分析系统
CN114417972A (zh) * 2021-12-17 2022-04-29 国网江西省电力有限公司南昌供电分公司 一种基于主成分分析和密度峰值聚类的用户用电行为分析方法
CN115908882A (zh) * 2022-09-23 2023-04-04 阿里巴巴（中国）有限公司 图片聚类方法及装置
CN116709464A (zh) * 2023-06-28 2023-09-05 安徽理工大学 一种无线传感器网络非均匀分簇自适应路由方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105760503A (zh) * 2016-02-23 2016-07-13 清华大学 一种快速计算图节点相似度的方法
CN111061821A (zh) * 2019-11-12 2020-04-24 国网山东省电力公司聊城供电公司 基于改进k值聚类算法的低压配电网拓扑校验方法及系统
CN113344128A (zh) * 2021-06-30 2021-09-03 福建师范大学 一种基于微簇的工业物联网自适应流聚类方法及装置
CN113961562A (zh) * 2021-10-25 2022-01-21 合肥联信电源有限公司 基于海量数据的物联网数据存储处理分析系统
CN114417972A (zh) * 2021-12-17 2022-04-29 国网江西省电力有限公司南昌供电分公司 一种基于主成分分析和密度峰值聚类的用户用电行为分析方法
CN115908882A (zh) * 2022-09-23 2023-04-04 阿里巴巴（中国）有限公司 图片聚类方法及装置
CN116709464A (zh) * 2023-06-28 2023-09-05 安徽理工大学 一种无线传感器网络非均匀分簇自适应路由方法

Also Published As

Publication number Publication date
CN117556288B (zh) 2024-07-12

Similar Documents

Publication Publication Date Title
CN111027736B (zh) 多目标优化下的微服务组合部署与调度方法
CN109919316B (zh) 获取网络表示学习向量的方法、装置和设备及存储介质
CN104995870B (zh) 多目标服务器布局确定方法和装置
CN111586091B (zh) 一种实现算力组配的边缘计算网关系统
CN110909182A (zh) 多媒体资源搜索方法、装置、计算机设备及存储介质
CN113379176B (zh) 电信网络异常数据检测方法、装置、设备和可读存储介质
CN117221078A (zh) 关联规则确定方法、装置及存储介质
CN117221087A (zh) 告警根因定位方法、装置及介质
CN111324429A (zh) 一种基于多代血统参考距离的微服务组合调度方法
CN111310072B (zh) 关键词提取方法、装置和计算机可读存储介质
CN110851282B (zh) 一种基于内存网格的分布式数据计算方法及系统
CN117556288B (zh) 一种基于物联网的物理空间管理系统及方法
CN111935005A (zh) 数据传输方法、装置、处理设备及介质
Yang et al. Trust-based scheduling strategy for cloud workflow applications
Jungum et al. Device selection decision making using multi-criteria for offloading application mobile codes
CN113327154B (zh) 基于大数据的电商用户讯息推送方法及系统
CN111562990B (zh) 一种基于消息的轻量级无服务器计算方法
CN115016889A (zh) 一种用于云计算的虚拟机优化调度方法
CN112003900B (zh) 实现分布式系统中高负载场景下服务高可用的方法、系统
CN111598390B (zh) 服务器高可用性评估方法、装置、设备和可读存储介质
CN117610541B (zh) 大规模数据的作者消歧方法、装置及可读存储介质
CN118101720B (zh) 基于边缘云的新能源数据采集控制方法及系统
CN113724023B (zh) 媒介资源的推送方法、装置、电子设备及存储介质
CN115776445B (zh) 面向流量迁移的节点识别方法、装置、设备及存储介质
Sridhar et al. Decision Tree based Classification of Profiled Mobile Device Resource Status Information for Data Offloading in Private Network

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