一种数据处理方法及网络设备技术

一种数据处理方法，该方法应用于网络设备，获取包括M个移动设备的数据的第一数据，第一移动设备的数据包括第一移动设备使用器件的功耗和时长，以及第一移动设备的功耗、亮屏时长和灭屏时长，第一移动设备是是M个移动设备中的任一移动设备，M为大于2的整数；根据第一数据确定预测功耗；根据M个移动设备的实际功耗和预测功耗确定第一阈值；将预测功耗和第一阈值发送给M个移动设备，预测功耗和第一阈值用于指示第一移动设备监测第一移动设备的实际功耗，当第一移动设备的实际功耗与预测功耗的差值大于第一阈值时，确定第一移动设备的总功耗处于异常状态。本发明专利技术实施例，可以根据第一阈值和预测功耗对M个移动设备的功耗进行系统有效的管控。

【技术实现步骤摘要】
【国外来华专利技术】一种数据处理方法及网络设备
本专利技术实施例涉及数据处理领域，具体涉及一种数据处理方法及网络设备。
技术介绍
Android系统由于其开放性和多任务性给用户带来了许多便宜，如使用方便、成本低廉等，但同时也带来了诸多问题，如第三方应用的功耗问题。由于第三方应用各行其道，以致Android系统的功耗较大。目前，Android系统主要通过后台top应用监测第三方应用的功耗，但由于没有对移动设备功耗进行全面监测的策略，以致无法对移动设备功耗进行系统有效的管控。
技术实现思路
本专利技术实施例公开了一种数据处理方法及网络设备，用于提供一种移动设备功耗全面监测策略，以便可以对移动设备的功耗进行系统有效的管控。第一方面公开数据处理方法，该方法应用于网络设备，获取包括M个移动设备的数据的第一数据，根据第一数据确定预测功耗，根据M个移动设备的实际功耗和预测功耗确定第一阈值，将预测功耗和第一阈值发送给M个移动设备，预测功耗和第一阈值用于指示第一移动设备监测第一移动设备的实际功耗，当第一移动设备的实际功耗与预测功耗的差值大于第一阈值时，确定第一移动设备的总功耗处于异常状态，以便可以根据第一阈值和预测功耗对这M个移动设备的功耗进行系统有效的管控。其中，第一移动设备的数据包括第一移动设备使用器件的功耗和时长，以及第一移动设备的功耗、亮屏时长和灭屏时长，第一移动设备是M个移动设备中的任一移动设备，M为大于2的整数。在一个实施例中，根据第一数据确定预测功耗时，可以先根据第一数据确定第一特征向量，之后根据第一特征向量和线性回归模型确定预测功耗，以便可以快速地确定预测功耗。在一个实施例中，根据M个移动设备的实际功耗和预测功耗确定第一阈值时，可以先计算M个移动设备中的每个移动设备的实际功耗和预测功耗的差值以获得功耗差值，之后将功耗差值进行正态分布处理以获得正态分布差值，根据预设规则从正态分布差值中确定第一阈值，以便可以得到精度较高的第一阈值。在一个实施例中，获取包括N个移动设备的数据的第二数据，根据第二数据对N个移动设备上的应用进行分类以获得H类应用，确定H类应用中每类应用的阈值，将H类应用中每类应用的阈值发送给N个移动设备，第二阈值用于指示第二移动设备监测第一应用的后台总功耗，当第一应用的后台总功耗大于第二阈值时，确定第一应用的功耗处于异常状态，以便可以根据H类应用中每类应用的阈值对不同类的应用进行系统有效的管控，同时可以动态调整每类应用的阈值。其中，第二移动设备的数据包括第二移动设备上应用使用器件的后台总功耗，第二移动设备是N个移动设备中的任一移动设备，N为大于2的整数，H为大于2的整数，第一应用是第二移动设备上属于H类应用中的任一应用，第二阈值是第一应用所属应用类的阈值。在一个实施例中，根据第二数据对N个移动设备上的应用进行分类以获得H类应用时，可以先根据第二数据绘制N个移动设备上应用的后台总功耗的累计分布函数(Cumulative Distribution Function，CDF)曲线，根据CDF曲线确定N个移动设备上应用的类别数H，根据CDF曲线和卷积神经网络(Convolutional Neural Network，CNN)将N个移动设备上的应用分为H类。在一个实施例中，确定H类应用中每类应用的阈值，即将N个移动设备中的L个移动设备上的第二应用的后台总功耗确定为目标类应用的阈值，L个移动设备上的第二应用的后台总功耗均相同，L与N的比值等于预设比例，目标类应用是H类应用中的任一类应用，第二应用是目标类应用中功耗最大的应用。在一个实施例中，获取包括K个移动设备的数据的第三数据，根据第三数据确定K个移动设备上应用的阈值，将K个移动设备上应用的阈值发送给K个移动设备，第三阈值用于指示第三移动设备监测第三应用的功耗，当第三应用的功耗与第三阈值的差值大于预设值时，确定第三应用的功耗处于异常状态，以便根据K个移动设备上应用的阈值对每个应用进行系统有效的管控。其中，第三移动设备的数据包括第三移动设备上应用使用器件的时长，第三移动设备是K个移动设备中的任一移动设备，K为大于2的整数，第三应用是第三移动设备上的应用，第三阈值是第三应用的阈值。在一个实施例中，根据第三数据确定K个移动设备上应用的阈值时，可以先根据第三数据确定第二特征向量，之后根据第二特征向量和支持向量机(Support Vector Machine，SVM)确定K个移动设备上应用的阈值，或根据第二特征向量和深度神经网络(Deep Neural Network，DNN)模型确定K个移动设备上应用的阈值。第二方面公开一种网络设备，该网络设备包括用于执行第一方面或第一方面的任一种可能实现方式所提供的数据处理方法的单元。第三方面公开一种网络设备，该网络设备包括处理器、存储器和收发器，存储器用于存储程序代码，处理器用于执行程序代码，收发器用于与移动设备进行通信。当处理器执行存储器存储的程序代码时，使得处理器执行第一方面或第一方面的任一种可能实现方式所公开的数据处理方法。第四方面公开一种可读存储介质，该可读存储介质存储了网络设备用于执行第一方面或第一方面的任一种可能实现方式所公开的数据处理方法的程序代码。附图说明图1是本专利技术实施例公开的一种数据处理方法的流程示意图；图2是本专利技术实施例公开的一种功耗差值的直方图；图3是本专利技术实施例公开的一种功耗差值的正态分布图；图4是本专利技术实施例公开的一种箱型图原理的示意图；图5是本专利技术实施例公开的一种箱型图确定的异常值的示意图；图6是本专利技术实施例公开的一种耗电量随时间变化的示意图；图7是本专利技术实施例公开的另一种数据处理方法的流程示意图；图8是本专利技术实施例公开的一种CDF曲线的示意图；图9是本专利技术实施例公开的一种CDF面积的直方图；图10是本专利技术实施例公开的一种CDF面积的正态分布图；图11是本专利技术实施例公开的一种轮廓系数的示意图；图12是本专利技术实施例公开的一种分类后的应用的CDF曲线示意图；图13是本专利技术实施例公开的一种网络设备的结构示意图；图14是本专利技术实施例公开的另一种网络设备的结构示意图；图15是本专利技术实施例公开的又一种网络设备的结构示意图。具体实施方式本专利技术实施例公开了一种数据处理方法及网络设备，用于提供一种移动设备功耗全面监测策略，以便可以对移动设备的功耗进行系统有效的管控。以下进行详细说明。请参阅图1，图1是本专利技术实施例公开的一种数据处理方法的流程示意图。其中，该数据处理方法是从网络设备的角度来描述的。如图1所示，该数据处理方法可以包括以下步骤。101、获取第一数据。本实施例中，网络设备可以周期性地获取第一数据，第一数据包括M个移动设备的数据，可以是网络设备主动获取的，也可以是M个移动设备主动发送的。其中，第一移动设备的数据包括第一移动设备使用器件的功耗和时长，以及第一移动设备的功耗、亮屏时长和灭屏时长，第一移动设备采集数据的周期可以为一小时、本文档来自技高网...

【技术保护点】
一种数据处理方法，其特征在于，所述方法应用于网络设备，包括：/n获取第一数据，所述第一数据包括M个移动设备的数据，第一移动设备的数据包括所述第一移动设备使用器件的功耗和时长，以及所述第一移动设备的功耗、亮屏时长和灭屏时长，所述第一移动设备是所述M个移动设备中的任一移动设备，所述M为大于2的整数；/n根据所述第一数据确定预测功耗；/n根据所述M个移动设备的实际功耗和所述预测功耗确定第一阈值；/n将所述预测功耗和所述第一阈值发送给所述M个移动设备，所述预测功耗和所述第一阈值用于指示所述第一移动设备监测所述第一移动设备的实际功耗，当所述第一移动设备的实际功耗与所述预测功耗的差值大于所述第一阈值时，确定所述第一移动设备的总功耗处于异常状态。/n

【技术特征摘要】
【国外来华专利技术】一种数据处理方法，其特征在于，所述方法应用于网络设备，包括：
获取第一数据，所述第一数据包括M个移动设备的数据，第一移动设备的数据包括所述第一移动设备使用器件的功耗和时长，以及所述第一移动设备的功耗、亮屏时长和灭屏时长，所述第一移动设备是所述M个移动设备中的任一移动设备，所述M为大于2的整数；
根据所述第一数据确定预测功耗；
根据所述M个移动设备的实际功耗和所述预测功耗确定第一阈值；
将所述预测功耗和所述第一阈值发送给所述M个移动设备，所述预测功耗和所述第一阈值用于指示所述第一移动设备监测所述第一移动设备的实际功耗，当所述第一移动设备的实际功耗与所述预测功耗的差值大于所述第一阈值时，确定所述第一移动设备的总功耗处于异常状态。


根据权利要求1所述的方法，其特征在于，所述根据所述第一数据确定预测功耗包括：
根据所述第一数据确定第一特征向量；
根据所述第一特征向量和线性回归模型确定预测功耗。


根据权利要求1或2所述的方法，其特征在于，所述根据所述M个移动设备的实际功耗和所述预测功耗确定第一阈值包括：
计算所述M个移动设备中的每个移动设备的实际功耗和所述预测功耗的差值，以获得功耗差值；
将所述功耗差值进行正态分布处理，以获得正态分布差值；
根据预设规则从所述正态分布差值中确定第一阈值。


根据权利要求1-3任一项所述的方法，其特征在于，所述方法还包括：
获取第二数据，所述第二数据包括N个移动设备的数据，第二移动设备的数据包括所述第二移动设备上应用使用器件的后台总功耗，所述第二移动设备是所述N个移动设备中的任一移动设备，所述N为大于2的整数；
根据所述第二数据对所述N个移动设备上的应用进行分类，以获得H类应用，所述H为大于2的整数；
确定所述H类应用中每类应用的阈值；
将所述H类应用中每类应用的阈值发送给所述N个移动设备，第二阈值用于指示所述第二移动设备监测第一应用的后台总功耗，当所述第一应用的后台总功耗大于所述第二阈值时，确定所述第一应用的功耗处于异常状态，所述第一应用是所述第二移动设备上属于所述H类应用中的任一应用，所述第二阈值是所述第一应用所属应用类的阈值。


根据权利要求4所述的方法，其特征在于，所述根据所述第二数据对所述N个移动设备上的应用进行分类，以获得H类应用包括：
根据所述第二数据绘制所述N个移动设备上应用的后台总功耗的累计分布函数CDF曲线；
根据所述CDF曲线确定所述N个移动设备上应用的类别数H；
根据所述CDF曲线和卷积神经网络CNN模型将所述N个移动设备上的应用分为H类。


根据权利要求4或5所述的方法，其特征在于，所述确定所述H类应用中每类应用的阈值包括：
将所述N个移动设备中的L个移动设备上的第二应用的后台总功耗确定为目标类应用的阈值，所述L个移动设备上的第二应用的后台总功耗均相同，所述L与所述N的比值等于预设比例，所述目标类应用是H类应用中的任一类应用，所述第二应用是所述目标类应用中功耗最大的应用。


根据权利要求1-6任一项所述的方法，其特征在于，所述方法还包括：
获取第三数据，所述第三数据包括K个移动设备的数据，第三移动设备的数据包括所述第三移动设备上应用使用器件的时长，所述第三移动设备是所述K个移动设备中的任一移动设备，所述K为大于2的整数；
根据所述第三数据确定所述K个移动设备上应用的阈值；
将所述K个移动设备上应用的阈值发送给所述K个移动设备，第三阈值用于指示所述第三移动设备监测第三应用的功耗，当所述第三应用的功耗与所述第三阈值的差值大于预设值时，确定所述第三应用的功耗处于异常状态，所述第三应用是所述第三移动设备上的应用，所述第三阈值是所述第三应用的阈值。


根据权利要求7所述的方法，其特征在于，所述根据所述第三数据确定所述K个移动设备上应用的阈值包括：
根据所述第三数据确定第二特征向量；
根据所述第二特征向量和支持向量机SVM确定所述K个移动设备上应用的阈值，或根据所述第二特征向量和深度神经网络DNN模型确定所述K个移动设备上应用的阈值。


一种网络设备，其特征在于，包括处理器、存储器和收发器，其中：
所述收发器，用于获取第一数据，所述第一数据包括M个移动设备的数据，第一移动...

【专利技术属性】
技术研发人员：张浩，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：广东;44