【技术实现步骤摘要】
本专利技术涉及物联网设备资源调度优化领域，具体而言，涉及一种基于大数据的智能物联网设备资源调度优化方法。
技术介绍
1、大数据是指从大量、多样、快速变化的数据中提取有价值信息。在物联网设备资源调度中，大数据可以帮助我们更好地理解设备之间的相互关系，从而实现更高效的资源调度。云计算可以为物联网设备提供弹性、可扩展的计算资源。通过将计算任务分布在多个计算节点上，云计算可以提高物联网设备的资源利用率。机器学习可以帮助我们从大量数据中学习到有用的知识，从而实现更智能的资源调度。通过训练模型，预测设备的性能和需求，从而实现更合理的资源分配。优化算法是一类寻找最优解的方法，包括线性规划、整数规划、非线性规划等。在物联网设备资源调度中，优化算法可以帮助我们找到最优的资源分配方案，从而提高整体性能。
2、但是现有的物联网设备资源调度的过程中存在一些不足之处仍需要进行改进，物联网设备产生的数据量非常大，导致数据处理和分析困难。现有的数据处理很难满足物联网设备资源调度的需求。物联网设备收集的数据可能存在噪声、缺失值等问题，影响数据质量。低质量的数据可能导致资源调度方案的不准确。物联网设备类型繁多，性能各异。现有的资源调度方法很难处理设备之间的差异性，导致资源利用率低。物联网设备对实时性要求很高，需要快速响应并调整资源调度方案。现有的资源调度方法很难满足这一要求。因此我们对此做出改进，提出一种基于大数据的智能物联网设备资源调度优化方法。
技术实现思路
1、本专利技术的目的在于：针对目前存在的
2、e＝integrateddata/(separatedata*integratepercent)；
3、其中integrateddata是整合后的数据量，separatedata是原始数据量，integratepercent是数据整合成功率；形成一个统一的数据库，方便后续的分析和处理；
4、步骤二、通过视化工具将数据以图表、仪表盘形式展示出来，便于人们更直观地理解数据和发现数据中的规律；从原始数据中提取有用的特征，数据提取特征公式为：这些特征帮助机器学习模型更好地理解和预测设备的行为；standard deviation)＝sqrt(σ(xi-e(x))^2/n)；
5、其中，xi是数据集中的每个值，e(x)是均值，n是数据集中的元素数量
6、步骤三、根据问题的性质和数据的特性，选择合适的机器学习模型，回归模型、分类模型、聚类模型；使用收集到的数据对模型进行训练，使得模型能够学习到数据的规律和特征；
7、步骤四、模型评估：通过评价指标对模型的性能进行评估，准确率(precision)公式：p＝tp/(tp+fp)；其中，tp(true positive)是正确数据，fp(false positive)是错误数据；
8、召回率(recall)公式：r＝tp/(tp+fn)；其中，tp(true positive)是正确数据，fn(false negative)错误数据；
9、f分数(f1 score)公式：f＝2*(p*r)/(p+r)；其中，p(precision)是准确率，r(recall)是召回率；
10、准确率、召回率和f分数之间的关系公式：p＝1-(1-r)^(-1)*(1-f)^(-1)；其中，p(precision)是准确率，r(recall)是召回率，f(f1 score)是f分数；
11、准确率、召回率和f分数的改进公式：dp＝p+r-f；其中，dp(difference)是改进，p(precision)是准确率，r(recall)是召回率，f(f1 score)是f分数；
12、步骤五、根据模型评估的结果，对模型进行调整和优化，设备资源利用率优化公式为：
13、eur＝(device1energyutilizationrate+device2energyutilizationrate+...+devicenenergyutilizationrate)/n>＝devicemaxenergyutilizationrate；
14、其中eur为设备资源利用率，n为设备数量，device1energyutilizationrate分别为各设备资源利用率，devicemaxenergyutilizationrate为设备最大资源利用率；调整模型的参数、添加新的特征。
15、作为本专利技术优选的方案，还包括模型部署，所述模型部署将训练好的模型部署到实际的资源调度系统中，实现实时的资源调度，在调度时设备负载公式为：
16、l＝(device1load+device2load+...+devicenload)/n<＝devicemaxload：设备负载均衡公式，其中l为设备负载，n为设备数量，device1load分别为各设备负载，devicemaxload为设备最大负载，模型更新，随着数据的不断更新和积累，定期对模型进行更新，以保持模型的准确性和有效性。
17、作为本专利技术优选的方案，还包括异常检测，所述异常检测通过机器学习算法，对设备的行为进行异常检测，及时发现设备故障、网络拥堵异常情况，设备总故障率公式：
18、fr＝device1faultrate+device2faultrate+...+devicenfaultrate<＝maxacceptablefaultrate；其中fr为设备总故障率，n为设备数量，device1faultrate分别为各设备故障率，maxacceptablefaultrate为最大接受故障率，通过关联规则挖掘，发现设备使用之间的关联性，某个设备的使用与另一个设备的使用有很高的关联性，优先调度这些设备一起使用。
19、作为本专利技术优选的方案，还包括预测分析，所述预测分析通过时间序列分析或者其他预测模型，对设备未来的需求进行预测，提前调整资源分配设备处理能力优化公式：
20、p＝device1processingcapability+device2processingcapability+...+devicenprocessingcapability>＝taskmaxprocessingcapability；其中p为设备总处理能力，n为设备数量，device1processing本文档来自技高网...
【技术保护点】
1.一种基于大数据的智能物联网设备资源调度优化方法，其特征在于，包括以下步骤：步骤一、收集物联网设备资源的数据，并对数据进行清洗，数据清洗效率公式：E＝CleanedData/(RawData*CleanPercent)，其中CleanedData是清洗后的数据量，RawData是原始数据量，CleanPercent是数据清洗成功率；数据清洗去除无效、重复或者错误的数据，确保数据的准确性和完整性；将来自不同来源的数据进行整合，数据整合效率公式：
2.根据权利要求1所述的基于大数据的智能物联网设备资源调度优化方法，其特征在于，还包括模型部署，所述模型部署将训练好的模型部署到实际的资源调度系统中，实现实时的资源调度，在调度时设备负载公式为：
3.根据权利要求2所述的基于大数据的智能物联网设备资源调度优化方法，其特征在于，还包括异常检测，所述异常检测通过机器学习算法，对设备的行为进行异常检测，及时发现设备故障、网络拥堵异常情况，设备总故障率公式：FR＝Device1FaultRate+Device2FaultRate+...+DeviceNFaultRate&l
4.根据权利要求3所述的基于大数据的智能物联网设备资源调度优化方法，其特征在于，还包括预测分析，所述预测分析通过时间序列分析或者其他预测模型，对设备未来的需求进行预测，提前调整资源分配设备处理能力优化公式：
5.根据权利要求4所述的基于大数据的智能物联网设备资源调度优化方法，其特征在于，还包括资源竞争分析，所述资源竞争分析通过博弈论数学模型，分析设备之间的资源竞争，制定公平的资源分配策略，设备维护预测，设备维护成本优化公式：
6.根据权利要求5所述的基于大数据的智能物联网设备资源调度优化方法，其特征在于，还包括资源优化，所述资源优化通过设备的资源使用数据，优化设备的资源使用，降低设备的资源消耗，设备能量消耗优化公式：
7.根据权利要求6所述的基于大数据的智能物联网设备资源调度优化方法，其特征在于，还包括数据质量监控，所述数据质量监控通过对数据质量的监控，使得数据的准确性和完整性。
8.根据权利要求7所述的基于大数据的智能物联网设备资源调度优化方法，其特征在于，还包括系统性能优化，所述系统性能优化通过对系统的性能进行监控和分析，设备响应时间优化公式：
9.根据权利要求8所述的基于大数据的智能物联网设备资源调度优化方法，其特征在于，还包括数据安全与隐私保护，所述数据安全与隐私保护确保在数据收集、存储和处理过程中，遵循相关法律法规，保护用户的隐私和数据安全，数据质量监控与维护，定期对数据进行质量检查，使得数据的准确性和完整性，并对于质量问题及时进行修复。
10.根据权利要求9所述的基于大数据的智能物联网设备资源调度优化方法，其特征在于，还包括模型性能监控与调整，所述模型性能监控与调整对模型的性能进行持续监控，根据模型在实际应用中的表现，进行相应的调整优化；系统安全性评估与防护，对系统进行定期的安全性评估。
...【技术特征摘要】
1.一种基于大数据的智能物联网设备资源调度优化方法，其特征在于，包括以下步骤：步骤一、收集物联网设备资源的数据，并对数据进行清洗，数据清洗效率公式：e＝cleaneddata/(rawdata*cleanpercent)，其中cleaneddata是清洗后的数据量，rawdata是原始数据量，cleanpercent是数据清洗成功率；数据清洗去除无效、重复或者错误的数据，确保数据的准确性和完整性；将来自不同来源的数据进行整合，数据整合效率公式：
2.根据权利要求1所述的基于大数据的智能物联网设备资源调度优化方法，其特征在于，还包括模型部署，所述模型部署将训练好的模型部署到实际的资源调度系统中，实现实时的资源调度，在调度时设备负载公式为：
3.根据权利要求2所述的基于大数据的智能物联网设备资源调度优化方法，其特征在于，还包括异常检测，所述异常检测通过机器学习算法，对设备的行为进行异常检测，及时发现设备故障、网络拥堵异常情况，设备总故障率公式：fr＝device1faultrate+device2faultrate+...+devicenfaultrate<＝maxaccept ablefaultrate；其中fr为设备总故障率，n为设备数量，device1faultrate分别为各设备故障率，maxacceptablefaultrate为最大接受故障率。
4.根据权利要求3所述的基于大数据的智能物联网设备资源调度优化方法，其特征在于，还包括预测分析，所述预测分析通过时间序列分析或者其他预测模型，对设备未来的需求进行预测，提前调整资源分配设备处理...
【专利技术属性】
技术研发人员：庞宇雄，卢炜军，庞智尹，
申请(专利权)人：广州金财智链数字科技有限公司，
类型：发明
国别省市：
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。