【技术实现步骤摘要】
监测数据的存储方法及装置
本专利技术实施例涉及数据存储
,更具体地,涉及监测数据的存储方法及装置。
技术介绍
海水养殖的实时监测在实际应用过程中具有多源异构、规模大、时空关联性强、冗余度高等特点,目前研究的重点在物联网信息服务系统中的时空关联以及事件查询等方面内容,已经取得了一定的研究成果。但是在海量异构存储方面,仍然存在存储性能低以及数据共享难度高等问题,不能达到物联网数据存储的要求。目前使用的最广泛的关系型数据库将这种实体-联系模型转化成二维表结构的形式来存储数据。但是海水养殖需要监测海量的数据,即需要实时监测数据,又需要收集历史数据,以便于预测海水养殖的状态。关系数据库使用的这种模式无法很好的满足在海洋环境下处理海量异构数据的需求,不能有效处理带有时态信息的半结构化和非结构化数据;其次,是性能上的限制,为静态应用而设计的关系型数据库管理系统并不是为高效数据处理而设计的,而面向海洋环境的实时信息处理系统中需要处理大量费时的I/O操作,传统的关系型数据库是磁盘数据库,相比于内存数据库,磁盘读写的速度远落后于内存读写,因此关系型数据库在处理实时数据的情况下其性能并不令人满意;再次,传统的关系型数据库面对数据规模、数据模型复杂时,扩展困难且维护复杂;直接使用存储规模较大的Hbase等数据库,无法很好的满足实时采集信息的需求,而且不同“热度”的信息,检索的概率不同。
技术实现思路
本专利技术实施例提供一种克服上述问题或者至少部分地解决上述问题的监测数据的存储方法及装置。第一个方面,本专利技术实施例提供一种监测数据的存储方法,包括:接收监测终端实时采集的监测数 ...
【技术保护点】
1.一种监测数据的存储方法,其特征在于,包括:接收监测终端实时采集的监测数据并作为目标数据,之后判断迁移标志位在当前时刻是否处于锁定状态;若确定迁移标志位处于锁定状态,则将所述目标数据存储至临时数据库,并根据预设时间段的redis数据库中各监测数据的搜索频率生成贝叶斯网络模型;根据所述贝叶斯网络模型计算redis数据库中各监测数据在未来时间段的搜索概率,并选择一定数量的、在未来时间段的搜索概率较低的监测数据组成迁移数据集合,将所述迁移数据集合迁移至Hbase数据库中,以使得所述redis数据库的可用存储容量大于第一预设阈值;将所述迁移标志位更新为非锁定状态,之后将所述临时数据库中存储的监测数据转移至redis数据库,判断redis数据库的可用存储容量是否低于第二预设阈值,若低于所述第二预设阈值,则将所述迁移标志位更新为锁定状态;其中,所述贝叶斯网络模型用于表征redis数据库中各监测数据在所述预设时间段的搜索概率。
【技术特征摘要】
1.一种监测数据的存储方法,其特征在于,包括:接收监测终端实时采集的监测数据并作为目标数据,之后判断迁移标志位在当前时刻是否处于锁定状态;若确定迁移标志位处于锁定状态,则将所述目标数据存储至临时数据库,并根据预设时间段的redis数据库中各监测数据的搜索频率生成贝叶斯网络模型;根据所述贝叶斯网络模型计算redis数据库中各监测数据在未来时间段的搜索概率,并选择一定数量的、在未来时间段的搜索概率较低的监测数据组成迁移数据集合,将所述迁移数据集合迁移至Hbase数据库中,以使得所述redis数据库的可用存储容量大于第一预设阈值;将所述迁移标志位更新为非锁定状态,之后将所述临时数据库中存储的监测数据转移至redis数据库,判断redis数据库的可用存储容量是否低于第二预设阈值,若低于所述第二预设阈值,则将所述迁移标志位更新为锁定状态;其中,所述贝叶斯网络模型用于表征redis数据库中各监测数据在所述预设时间段的搜索概率。2.根据权利要求1所述的存储方法,其特征在于,所述预设时间段为最近一次迁移标志位更新为非锁定状态的时刻至最近一次迁移标志位更新为锁定状态的时刻。3.根据权利要求1所述的存储方法,其特征在于,所述贝叶斯网络模型表示为BQG=(N,E,W,T),其中,N为节点集合,N=S∪A∪O;其中S={si|i=1,...,M},监测数据节点si用于表征第i个监测终端采集的监测数据在所述预设时间段是否计划被搜索;A={ai|i=1,...,M},搜索节点ai用于表征监测数据节点si是否按计划被搜索到;O={oi|i=1,...,M},证据节点oi,用于表征是否对搜索节点ai进行过验证;E为有向边集合,E={E1∪E2∪E3};表示第i个监测终端采集的监测数据在所述预设时间段计划被搜索到;表示监测数据节点si被搜索到是否是计划搜索;表示数据查询的发生可以被某些证据节点后验;W为E上的权值,W=(w1,w2,w3);其中w1依附于有向边E1,表示在某一监测数据节点s下可能发生后续搜索搜索节点a的概率;w2依附于有向边E2,表示在某一搜索节点a发生后成功到达下一监测数据节点s的概率;w3={(ti,fi)|i=1,...,M}依附于有向边E3,其中,ti表示搜索的发生能被验证到的概率P(oi|ai);fi表示搜索行为未发生而被验证到的概率T={ρi|i=1,...,L}为局部条件概率分布表,用于将贝叶斯网络模型中的节点和对应的直接父节点关联起来,对于任意节点ki,若ki存在父节点,则与ki相对应的局部条件概率分布表示为ρ=P(ki|Pre(ki)),其中Pre(ki)表示节点ki的所有父节点。4.根据权利要求3所述的存储方法,其特征在于,所述根据所述贝叶斯网络模型计算redis数据库中各监测数据在未来时间段的搜索概率,具体为:根...
【专利技术属性】
技术研发人员:岳峻,王庆,杨慧慧,贾世祥,李雪艳,战超,张笑敏,
申请(专利权)人:鲁东大学,
类型:发明
国别省市:山东,37
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。