一种基于大数据的智能数据分析方法及其终端设备

技术领域

本申请涉及终端设备数据处理技术领域，尤其涉及一种基于大数据的智能数据分析方法及其终端设备。

背景技术

近年来，随着应用种类的增多和应用性能的升级，终端设备处理应用的数据量也呈爆发式增长，其中不乏存在一些杂乱无序无规则的应用数据，并且这些杂乱无序无规则的应用数据量也呈井喷式增长，而由于杂乱无序无规则的应用数据具有多维度的特征，所以终端设备对大批量的多维度的杂乱无序无规则的应用数据进行分析处理时，往往需要消耗较多的时间，从而影响了终端设备的性能。

因此，如何提高终端设备对海量杂乱无序无规则的应用数据的分析处理效率，进而提高终端设备的性能，是目前本领域技术人员急需解决的技术问题。

发明内容

本申请提供了一种基于大数据的智能数据分析方法及其终端设备，以提高终端设备对海量杂乱无序无规则的应用数据的分析处理效率，从而提高终端设备的性能。

为解决上述技术问题，本申请提供如下技术方案：

一种基于大数据的智能数据分析方法，包括如下步骤：步骤S110、从DRAM和/或NVM芯片中收集终端设备中采集应用产生的数据，并且终端设备的CPU的分析区域将收集的数据进行分类，得到一个主数据集和多个次数据集；步骤S120、CPU的分析区域依据主数据集中数据获得主代表数据，依据每个次数据集中的数据获得相应的次代表数据；步骤S130、CPU的分析区域计算每个次代表数据与主代表数据之间距离，并且将距离作为权重以修正相应的次代表数据；步骤S140、CPU的分析区域依据主代表数据和每个修正后的次代表数据，得到聚合数据；步骤S150、CPU对聚合数据进行分析处理，响应应用的调用，并且通过显示屏进行展示。

如上所述的基于大数据的智能数据分析方法，其中，优选的是，将终端设备中运行的应用产生的数据从DRAM中和/或NVM芯片中进行收集，并且终端设备的CPU将收集的数据写至分析区域中预先训练的数据分类模型中，以按照数据所遵循的规则特征将收集的数据进行分类，得到一个主数据集和多个次数据集。

如上所述的基于大数据的智能数据分析方法，其中，优选的是，主数据集和次数据集中的每个数据集内部的数据所遵循的规则特征相同，而每个数据集之间所遵循的规则特征不同。

如上所述的基于大数据的智能数据分析方法，其中，优选的是，CPU的分析区域计算主数据集的聚类中心，将离聚类中心最近的数据最为主数据集的主代表数据；CPU的分析区域计算每个次数据集的聚类中心，将每个次数据集中离聚类中心最近的数据作为该次数据集的次代表数据。

如上所述的基于大数据的智能数据分析方法，其中，优选的是，CPU的分析区域计算次代表数据与主代表数据之间的距离

一种基于大数据的智能数据分析的终端设备，包括：CPU、显示屏、DRAM、NVM芯片；CPU收集存储于DRAM和/或NVM芯片中的应用产生的数据，并且CPU的分析区域将收集的数据进行分类，得到一个主数据集和多个次数据集；CPU的分析区域依据主数据集中数据获得主代表数据，依据每个次数据集中的数据获得相应的次代表数据；CPU的分析区域计算每个次代表数据与主代表数据之间距离，并且将距离作为权重以修正相应的次代表数据；CPU的分析区域依据主代表数据和每个修正后的次代表数据，得到聚合数据；CPU对聚合数据进行分析处理，以响应终端设备上的应用的调用，并且通过显示屏进行展示。

如上所述的基于大数据的智能数据分析的终端设备，其中，优选的是，CPU将终端设备中运行的应用产生的数据从DRAM中和/或NVM芯片中进行收集，并且CPU将收集的数据写至CPU的分析区域中预先训练的数据分类模型中，以按照数据所遵循的规则特征将收集的数据进行分类，得到一个主数据集和多个次数据集。

如上所述的基于大数据的智能数据分析的终端设备，其中，优选的是，主数据集和次数据集中的每个数据集内部的数据所遵循的规则特征相同，而每个数据集之间所遵循的规则特征不同。

如上所述的基于大数据的智能数据分析的终端设备，其中，优选的是，CPU的分析区域计算主数据集的聚类中心，将离聚类中心最近的数据最为主数据集的主代表数据；CPU的分析区域计算每个次数据集的聚类中心，将每个次数据集中离聚类中心最近的数据作为该次数据集的次代表数据。

如上所述的基于大数据的智能数据分析的终端设备，其中，优选的是，CPU的分析区域计算次代表数据与主代表数据之间的距离

相对上述背景技术，本申请所提供的基于大数据的智能数据分析方法及系统在对数据分析时，聚合数据中除了主代表数据，还添加了多个次代表数据，因此本申请可以分析无规则无序的数据。另外，分析的聚合数据是从数据中选择出来的主代表数据和次代表数据，因此极大的减少了数据量，所以本申请可以快速地处理海量数据，进而可以提高了无规则无序数据的分析效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的基于大数据的智能数据分析方法的流程图；

图2是本申请实施例提供的基于大数据的智能数据分析终端设备的示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

实施例一

请参阅图1，图1是本申请实施例提供的基于大数据的智能数据分析方法的流程图。

本申请提供了一种基于大数据的智能数据分析方法，应用于终端设备中，包括如下步骤：

步骤S110、从DRAM和/或NVM芯片中收集终端设备中应用产生的数据，并且终端设备的CPU的分析区域将收集的数据进行分类，得到一个主数据集和多个次数据集；

其中，终端设备可以是手机、平板电脑、笔记板电脑、POS机等；应用运行于终端设备上，例如：淘宝、京东、优酷视频、百度等。应用在终端中运行时，会产生不同的数据，例如：淘宝在运行时，会在普通环境中产生一些查询数据、沟通信息，在安全环境中产生一些支付信息、个人信息等；优酷视频运行时，会在普通环境产生一些浏览信息，还会在安全环境产生支付信息、个人信息等。这些应用数据临时存储在终端设备的DRAM中，或固定存储在终端设备的NVM芯片中。

为了对应用产生的这些数据进行分析，在CPU中预先划分出一个分析区域，在分析区域中运行预先训练的数据分析模型。具体的，将终端设备中运行的应用产生的数据从DRAM中和/或NVM芯片中进行收集，并且终端设备的CPU将收集的数据写至分析区域中预先训练的数据分类模型中，例如：将淘宝运行产生的查询信息、沟通信息、个人信息、支付信息等信息一起输入至数据分类模型中，以按照数据所遵循的规则特征将收集的数据在CPU中进行分类，得到一个主数据集和多个次数据集，其中主数据集和次数据集中的每个数据集内部的数据所遵循的规则特征相同，而每个数据集之间所遵循的规则特征不同。

其中，数据分类模型是通过将预先采集的各种应用产生的数据以及预先分析出的各种应用产生的数据所遵循的规则特征输入神经网络预测模型，从而预先训练该神经网络预测模型，得到数据分类模型。具体的，神经网络预测模型

在上述基础上，采用梯度下降法训练得到

将预先收集的不同应用产生的数据以及预先分析出的每个数据所遵循的规则特征进行集合，以构建应用数据特征向量集

将应用数据特征向量集

在使用时，通过将收集的不同应用的数据作为

作为举例，采集的不同应用的数据所对应集合为

将同一规则特征所对应的数据集合在一起形成一个数据集，例如：将淘宝应用中遵循规则特征

步骤S120、CPU的分析区域依据主数据集中数据获得主代表数据，依据每个次数据集中的数据获得相应的次代表数据；

具体的，终端设备的CPU的分析区域计算主数据集的聚类中心，将离聚类中心最近的数据最为主数据集的主代表数据。同理，计算每个次数据集的聚类中心，将每个次数据集中离聚类中心最近的数据作为该次数据集的次代表数据。

步骤S130、CPU的分析区域计算每个次代表数据与主代表数据之间距离，并且将距离作为权重以修正相应的次代表数据；

具体的，终端设备的CPU的分析区域计算次代表数据与主代表数据之间的距离

步骤S140、CPU的分析区域依据主代表数据和每个修正后的次代表数据，得到聚合数据；

具体的，终端设备的CPU的分析区域依据下列公式得到聚合数据

步骤S150、CPU对聚合数据进行分析处理，以响应应用的调用，并且通过显示屏进行展示。

终端设备的CPU的分析区域得到聚合数据后，CPU的其他区域对聚合数据进行分析处理，以响应终端设备上的应用的调用，例如：在淘宝应用调用存储在DRAM和NVM芯片中的杂乱无规则的海量数据时，经过上述对数据的处理后，CPU将聚合数据作为对淘宝应用调用数据的响应，并且应用响应处理后的数据后，并将响应结果进行渲染展示在显示屏上。

实施例二

请参阅图2，图2是本申请实施例提供的基于大数据的智能数据分析设备的示意图。

本申请提供了一种基于大数据的智能数据分析的终端设备200，例如：手机、平板电脑、笔记板电脑、POS机等，终端设备200包括：CPU210、显示屏220、DRAM230、NVM芯片240；在终端设备200上运行有多种应用，例如：淘宝、京东、优酷视频、百度等；多种应用在终端设备200上运行时会在DRAM230、NVM芯片240中产生各种数据，例如：淘宝在运行时，会在普通环境中产生一些查询数据、沟通信息，在安全环境中产生一些支付信息、个人信息等，这些数据以相应的形式存储在DRAM230、NVM芯片240中；优酷视频运行时，会在普通环境产生一些浏览信息，还会在安全环境产生支付信息、个人信息等，这些数据也以相应的形式存储在DRAM230、NVM芯片240中。例如：临时存储在DRAM230中，或者相对固定存储在NVM芯片240中。

为了对应用产生的这些数据进行分析处理，在CPU210中预先划分出一个分析区域211，在分析区域211中运行预先训练的数据分析模型。

其中，CPU210收集存储于DRAM230和/或NVM芯片240中的应用产生的数据，并且终端设备的CPU210的分析区域211将收集的数据进行分类，得到一个主数据集和多个次数据集。

具体的，CPU210将终端设备200中运行的应用产生的数据从DRAM230中和/或NVM芯片240中进行收集，并且终端设备200的CPU210将收集的应用的数据写至分析区域211中预先训练的数据分类模型中，以按照数据所遵循的规则特征将收集的数据进行分类，得到一个主数据集和多个次数据集，其中主数据集和次数据集中的每个数据集内部的数据所遵循的规则特征相同，而每个数据集之间所遵循的规则特征不同。

其中，数据分类模型是通过将预先采集的各种应用产生的数据以及预先分析出的各种应用产生的数据所遵循的规则特征输入神经网络预测模型，从而预先训练该神经网络预测模型，得到数据分类模型。具体的，神经网络预测模型

在上述基础上，采用梯度下降法训练得到

将预先收集的不同应用产生的数据以及预先分析出的每个数据所遵循的规则特征进行集合，以构建应用数据特征向量集

将应用数据特征向量集

在使用时，通过将收集的不同应用的数据作为

作为举例，采集的不同应用的数据所对应集合为

将同一规则特征所对应的数据集合在一起形成一个数据集，例如：将淘宝应用中遵循规则特征

CPU210的分析区域211依据主数据集中数据获得主代表数据，依据每个次数据集中的数据获得相应的次代表数据。

具体的，终端设备的CPU210的分析区域211计算主数据集的聚类中心，将离聚类中心最近的数据最为主数据集的主代表数据。同理，计算每个次数据集的聚类中心，将每个次数据集中离聚类中心最近的数据作为该次数据集的次代表数据。

CPU210的分析区域211计算每个次代表数据与主代表数据之间距离，并且将距离作为权重以修正相应的次代表数据。

具体的，终端设备的CPU210的分析区域211计算次代表数据与主代表数据之间的距离

CPU210的分析区域211依据主代表数据和每个修正后的次代表数据，得到聚合数据。

具体的，终端设备的CPU210的分析区域211依据下列公式得到聚合数据

CPU210对聚合数据进行分析处理，以响应终端设备200上的应用的调用，并且通过显示屏进行展示。

具体的，终端设备的CPU210的分析区域211得到聚合数据后，CPU210的其他区域对聚合数据进行分析处理，以响应终端设备200上的应用的调用，例如：在淘宝应用调用存储在DRAM230和NVM芯片240中的杂乱无规则的海量数据时，经过上述对数据的处理后，CPU210将聚合数据作为对淘宝应用调用数据的响应，并且应用响应处理后的数据后，并将响应结果进行渲染展示在显示屏220上。

由于本申请中在对数据分析处理时，聚合数据中除了主代表数据，还添加了多个次代表数据，因此本申请可以使得终端设备在分析无规则无序的数据时，可以全面的考虑，而避免了因次要数据的丢失影响分析处理的准确性。另外，分析处理的聚合数据是从数据中选择出来的主代表数据和次代表数据，相对于分析处理全部的数据，极大的减少了数据量，所以本申请可以使得终端设备快速地处理海量数据，从而可以提高了无规则无序数据的分析效率，以使终端设备适应增多应用种类和增强应用性能而带来的爆发式数据增长，提高了终端设备的性能。

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。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。