数据聚合方法、装置和控制服务器

【技术领域】

本发明实施例涉及通信技术领域，尤其涉及一种数据聚合方法、装置和控制服务器。

【背景技术】

随着移动业务的不断升级和现网规模的不断扩大，对现网流量的分析也愈发复杂，需要对网络流量数据进行监测来实现全网流量流向的分析。流量数据具有多个参数，其中，流向分析是流量数据分析的重中之重，流量本网率、本省率，流量调度准确性、调度合理性以及联合政企、互联网运营中心进行违规转售分析、业务恶意竞争避免都需要准确的流量流向以及流量数据传输路径的评估结果。由于现网中接入的业务数量多且接入的客户复杂，传统的简单网络管理协议(Simple Network Management Protocol，简称SNMP)方式已经不足以满足流量数据的统计需求，SNMP方式虽然可以实现对流量数据的准确统计，但对于流量数据流向的分析能力较弱，无法准确的监测两个网际互连协议(InternetProtocol，简称IP)地址间传输的数据流的流向。

现有网络中已经部署了网络流(NetFlow)采集及分析系统，在省网、城域网、互联网数据中心(Internet Data Center，简称IDC)、内容分发网络(Content DeliveryNetwork，简称CDN)、分组核心网(Evolved Packet Core，简称EPC)防火墙上均进行了流量采集策略的配置，通过流量采集策略可以采集到网络流，网络流可以将同一设备上流转的流量进行聚类，使具有相同出接口与入接口的流量各自汇聚成网络流，采集到较多流量信息。但该部分流量信息为原始流量数据，在进行分析与网络优化时使用不便，效率较低，各网络流各自为战，无法全面、清晰的显示全网流量流向，易读性差，且对该部分数据的统计分析较为原始，未进行全网视图的流量流向分析。对于同一出接口下的流量统计分为两部分，第一部分包括该出接口流出的流量，第二部分包括其他入接口流入的流量中标注了出接口为该出接口的流量。这两部分流量某种情况下可能会出现重复，导致流量统计准确性较低。

【发明内容】

有鉴于此，本发明实施例提供了一种数据聚合方法、装置和控制服务器，用以解决流量统计准确性较低的问题。

第一方面，本发明实施例提供了一种数据聚合方法，应用于控制服务器，所述方法包括：

根据误差校正函数对所述矩阵数据进行加权计算，生成加权矩阵数据；

根据综合效用函数对所述加权矩阵数据进行聚合，生成聚合数据；

根据矢性函数对所述聚合数据进行矢量化计算，生成矢量聚合数据。

在一种可能的实现方式中，所述根据误差校正函数对所述矩阵数据进行加权计算，生成加权矩阵数据之前，还包括：

根据中转服务器发送的流量数据生成网络流，所述网络流包括数性数据和流向数据；

根据设置的采样规则对所述网络流进行采样，生成采样数据；

根据矩阵函数对所述采样数据进行矩阵化处理，生成矩阵数据。

在一种可能的实现方式中，所述网络流通过传输路径进行传输，所述传输路径包括至少一条链路；

所述根据综合效用函数对所述加权矩阵数据进行聚合，生成聚合数据之前，还包括：

根据所述流向数据生成所述传输路径的路径评价指标；

根据业务数据对所述路径评价指标进行需求分析，生成所述路径评价指标的权重；

根据所述路径评价指标的权重和所述路径评价指标构建综合效用函数。

在一种可能的实现方式中，所述流向数据包括所述网络流的数据大小、流向带宽、丢包率、传输时延、源网际互连协议IP地址、目的IP地址、源通信端口号、目的通信端口号、输入逻辑网络端口、输出网络逻辑端口中至少一个。

在一种可能的实现方式中，所述路径评价指标包括所述传输路径的可用带宽、可靠传输概率和传输时延；

所述根据所述流向数据生成所述传输路径的路径评价指标，包括：

根据公式可用带宽＝网络流的最小数据大小*(1-流向带宽)对所述网络流的最小数据大小和每条链路的流向带宽进行计算，生成所述传输路径的可用带宽；

根据每条链路的丢包率生成每条链路的可靠传输概率；

对所述每条链路的可靠传输概率进行连乘计算，生成所述传输路径的可靠传输概率；

将每条链路的传输时延相加，生成所述传输路径的传输时延。

在一种可能的实现方式中，所述根据矢性函数对所述聚合数据进行矢量化计算，生成矢量聚合数据，包括：

根据矢性函数确定出逻辑网络端口矢量、端口地址矢量和IP地址矢量；

根据所述逻辑网络端口矢量、所述端口地址矢量和所述IP地址矢量生成矢量集合；

根据设置的矢量化规则对所述矢量集合进行统计，确定出所述聚合数据的矢量化方向；

根据所述矢量化方向对所述聚合数据进行矢量化计算，生成矢量化聚合数据。

在一种可能的实现方式中，所述根据矢性函数对所述聚合数据进行矢量化计算，生成矢量聚合数据之后，还包括：

根据所述采样数据生成均值向量的估计量和协方差矩阵的估计量；

判断所述均值向量的估计量与均值向量的真实值是否满足无偏估计，且判断所述协方差矩阵的估计量与协方差矩阵的真实值是否满足无偏估计；

若判断出所述均值向量的估计量与所述均值向量的真实值满足无偏估计，且判断出所述协方差矩阵的估计量与所述协方差矩阵的真实值满足无偏估计，则确定出矢量聚合数据具有合理性。

第二方面，本发明实施例提供了一种数据聚合装置，所述装置包括：

第一生成模块，用于根据误差校正函数对所述矩阵数据进行加权计算，生成加权矩阵数据；

第二生成模块，用于根据综合效用函数对所述加权矩阵数据进行聚合，生成聚合数据；

第三生成模块，用于根据矢性函数对所述聚合数据进行矢量化计算，生成矢量聚合数据。

第三方面，本发明实施例提供了一种控制服务器，包括：一个或多个处理器；存储器；以及一个或多个计算机程序，其中所述一个或多个计算机程序被存储在所述存储器中，所述一个或多个计算机程序包括指令，当所述指令被所述设备执行时，使得所述设备执行第一方面或第一方面任一可能的实现方式中的数据聚合方法。

第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行第一方面或第一方面任一可能的实现方式中的数据聚合方法。

本发明实施例提供的技术方案中，根据误差校正函数对矩阵数据进行加权计算，生成加权矩阵数据；根据综合效用函数对加权矩阵数据进行聚合，生成聚合数据；根据矢性函数对聚合数据进行矢量化计算，生成矢量聚合数据。控制服务器将不同路由的流量承载情况作为误差校正因子选择的考虑因素，提高了流量统计的准确性，提高了数据流向的分析能力，对后续的网络维护、流量调整和网络优化提供了支撑。

【附图说明】

为了更清楚地说明本发明实施例的技术方案，下面将对实施例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的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例提供的一种数据聚合方法的流程图；

图2为本发明实施例提供的另一种数据聚合方法的流程图；

图3为本发明实施例提供的一种二维数组的示意图；

图4为本发明实施例提供的一种数据聚合装置的结构示意图；

图5为本发明实施例提供的一种控制服务器的示意图。

【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做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。

应当明确，所描述的实施例仅仅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做出创造性劳动前提下所获得的所有其它实施例，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。在本发明实施例和所附权利要求书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。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，甲和/或乙，可以表示：单独存在甲，同时存在甲和乙，单独存在乙这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

取决于语境，如在此所使用的词语“如果”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)”。

图1为本发明实施例提供的一种数据聚合方法的流程图，如图1所示，该方法包括：

步骤101、根据误差校正函数对矩阵数据进行加权计算，生成加权矩阵数据。

步骤102、根据综合效用函数对加权矩阵数据进行聚合，生成聚合数据。

步骤103、根据矢性函数对聚合数据进行矢量化计算，生成矢量聚合数据。

本发明实施例提供的数据聚合方法的技术方案中，根据误差校正函数对矩阵数据进行加权计算，生成加权矩阵数据；根据综合效用函数对加权矩阵数据进行聚合，生成聚合数据；根据矢性函数对聚合数据进行矢量化计算，生成矢量聚合数据。控制服务器将不同路由的流量承载情况作为误差校正因子选择的考虑因素，提高了流量统计的准确性，提高了数据流向的分析能力，对后续的网络维护、流量调整和网络优化提供了支撑。

图2为本发明实施例提供的另一种数据聚合方法的流程图，如图2所示，该方法包括：

步骤201、根据中转服务器发送的流量数据生成网络流。

本发明实施例中各步骤由控制服务器执行。

本步骤中，工作人员为运营商核心路由器(以下简称路由器)配置流量采集策略，路由器根据流量采集策略采集流经该路由器的流量数据，并将采集的流量数据发送至中转服务器。中转服务器将流量数据保存至本地数据库，并将流量数据发送至控制服务器。控制服务器根据流量数据生成网络流，网络流包括数性数据和流向数据，其中，数性数据包括只有大小没有方向的数据。一个网络流包括在一个源IP地址和目的IP地址间传输的单向数据包流，且所有数据包具有共同的传输层源和目的端口号。网络流可以提供网络流量的会话级视图，记录下每个传输控制协议(Transmission Control Protocol，简称TCP)/IP的信息。控制服务器生成网络流后，对网络流进行编号，对后续流程所使用的数据条目进行筛选，筛选出包含源IP地址、目的IP地址、源通信端口号、目的通信端口号、网络层协议类型、服务类型、输入逻辑端口、输出逻辑端口等信息的数据条目，删除其他使用不到的数据条目，提高控制服务器的运行效率，减少冗余数据的产生。

步骤202、根据设置的采样规则对网络流进行采样，生成采样数据。

本步骤中，采样规则可根据实际需求进行设置，由于现网规模较大，流经路由器的流量数据较多，因此本发明实施例中以采样规则为1000:1为例进行描述，即从1000个流量数据中抽取一个数据作为采样数据。在实际处理中可根据具体情况或需求选择采样设备，例如，路由器的转发处理性能较强，综合处理能力较弱；控制服务器的转发处理能力较弱，综合处理能力较强。若需要较强的转发处理性能，对综合处理性能的要求不高，则可通过路由器进行采样；若需要较强的综合处理性能，对转发处理性能的要求不高，则可通过控制服务器进行采样。又例如，若网络流中的流量数据较多，则控制服务器对网络流进行采样时的负荷较高，对控制服务器的性能会产生一定影响，此时可直接在路由器上进行采样，生成采样数据。

步骤203、根据矩阵函数对采样数据进行矩阵化处理，生成矩阵数据。

本步骤中，将采样数据定义为二维数组A[m][n]，二维数组A为一个m行n列的二维数组。在逻辑上可以把二维数组看作一个具有行和列的矩阵，二维数组的行和列分别代表两个有向矢量，计算复杂度为m*n。矩阵可以看做n个列向量m，即矩阵的维数为n个列向量表示的m维空间，每个m维空间即为一个列向量m，该矩阵的列向量m就可以看作是一个空间，计算复杂度为1*n。

图3为本发明实施例提供的一种二维数组的示意图，如图3所示，该二维数组为8行5列的数组，该二维数组中的数字表示网络流的数据编号。

矩阵函数f(B)包括：

其中，μ为网络流的数据编号，矩阵P中的数据与二维数组中的数据一一对应，例如，μ

矩阵函数可以准确表示网络流，并将存储的信息形成一条条的列向量，每条列向量可以单独处理，提高了数据处理效率。

步骤204、根据误差校正函数对矩阵数据进行加权计算，生成加权矩阵数据。

本步骤中，加权矩阵数据包括根据误差校正函数进行加权校正处理后的矩阵数据，即P(x)·f(B)。流量数据的准确性将直接影响流量分析的准确性与后续网络优化的合理性，对网络的可用性也会产生影响，因此为保障网络流量数据的准确性，需要预先根据误差校正函数对矩阵数据进行误差校正。

误差校正函数包括：

其中，x为高斯函数的不定积分上限，η为采样数据与真实数据之间的误差量。

误差校正函数作为流量数据准确性的评价指标，表示该流量数据的准确性。高斯函数的不定积分为误差校正函数，在统计学与概率论中，高斯函数是常态分布的密度函数，根据中心极限定理它是复杂总和的有限概率分布。高斯函数从均值μ开始到指定值x的概率公式如下：

其中，P为高斯函数从均值μ开始到指定值x的概率，σ为高斯函数方差的平方根，σ为一个极小的正数，保证归一化的高斯函数分母不为零。

步骤205、根据流向数据生成传输路径的路径评价指标。

本步骤中，网络流的源节点与网络流的目的节点之间可能存在多条传输路径，网络流可能在该多条传输路径中的任意一条传输路径上进行传输，每条传输路径包括至少一条链路。本发明实施例中，定义一条传输路径为P

传输路径的可用带宽包括：

f(P

其中，i∈{1，2，...，K}，K表示传输路径中的链路数量，f(P

传输路径的可靠传输概率包括：

其中，i∈{1，2，...，K}，K表示传输路径中的链路数量，g(P

传输路径的传输时延包括：

其中，i∈{1，2，...，K}，K表示传输路径中的链路数量，h(P

本发明实施例中，控制服务器还可以根据路由优先级和路由开销对传输路径进行评价。备选传输路径的路由协议不同时，根据路由优先级对传输路径进行评价，路由优先级越低，表明传输路径可信度越高；备选传输路径的路由协议相同时，根据路由开销对传输路径进行评价，路由开销越低，表明传输路径越有优势。

步骤206、根据业务数据对路径评价指标进行需求分析，生成路径评价指标的权重。

本步骤中，业务数据包括用户数据。控制服务器统计用户数据中对于可用带宽、可靠传输概率和传输时延三种性能属性的需求偏重，生成统计结果，根据统计结果确定出路径评价指标的权重，路径评价指标的权重包括可用带宽的权重、可靠传输概率的权重和传输时延的权重。例如，统计结果显示用户对于传输时延的要求较高时，可将传输时延的权重设置为较大的权重值，将可用带宽和可靠传输概率的权重设置为较小的权重值。

步骤207、根据路径评价指标的权重和路径评价指标构建综合效用函数。

本步骤中，根据路径评价指标的权重对对应的路径评价指标进行加权计算，得到综合效用函数，综合效用函数可以体现传输路径的综合能力。综合效用函数公式包括：

其中，U(P

步骤208、根据综合效用函数对加权矩阵数据进行聚合，生成聚合数据。

本步骤中，聚合数据包括U(P

步骤209、根据数性数据与流向数据之间的映射关系函数确定出矢性函数。

本步骤中，控制服务器根据数性数据与流向数据生成数性数据与流向数据之间的映射关系函数，每个数性数据对应于一个流向数据，流向数据用于表示对应的数性数据的方向。映射关系函数包括数性数据分量和流向数据分量，映射关系函数与数性数据分量和流向数据分量的关系包括：

则流向数据分量可以表示为：

其中，F(x)表示映射关系函数，u(x)表示流向数据分量，v(x)表示数性数据分量，流向数据分量即为矢性函数。

步骤210、根据矢性函数对聚合数据进行矢量化计算，生成矢量聚合数据。

本发明实施例中，步骤210具体可包括：

步骤2101、根据矢性函数确定出逻辑网络端口矢量、端口地址矢量和IP地址矢量。

本步骤中，控制服务器针对不同流量的流向数据，按照TCP/IP网络四层模型由低层至高层的顺序构建出逻辑网络端口矢量、IP地址矢量和端口地址矢量。其中，逻辑网络端口矢量包括由输入逻辑网络端口指向输出逻辑网络端口的矢量，端口地址矢量包括由源通信端口指向目的通信端口的矢量，IP地址矢量包括由源IP地址指向目的IP地址的矢量。

步骤2102、根据逻辑网络端口矢量、端口地址矢量和IP地址矢量生成矢量集合。

步骤2103、根据设置的矢量化规则对矢量集合进行统计，确定出聚合数据的矢量化方向。

本步骤中，通常情况下，矢量集合中的三个矢量的方向相同，但少数情况下三个矢量的方向也可能不同。例如，三个矢量中有两个矢量的方向相同，另外一个矢量的方向与该两个矢量的方向偏差较大，则制定矢量化规则为舍弃该偏差较大的矢量，以方向相同的两个矢量的方向作为聚合数据的矢量化方向，以提高矢量化方向的准确性。矢量化规则可以为任意可以提高矢量化方向的准确性的规则，本发明实施例对此不作限定。

步骤2104、根据矢量化方向对聚合数据进行矢量化计算，生成矢量化聚合数据。

本步骤中，矢量化聚合数据包括u(U(P

步骤211、根据采样数据生成均值向量的估计量和协方差矩阵的估计量。

本步骤中，网络流本质上为一组服从二维正态分布的数据，分布情况由均指向量和协方差矩阵决定。

均值向量的估计量包括：

协方差矩阵的估计量包括：

其中，X

步骤212、判断均值向量的估计量与均值向量的真实值是否满足无偏估计，且判断协方差矩阵的估计量与协方差矩阵的真实值是否满足无偏估计。

步骤213、若判断出均值向量的估计量与均值向量的真实值满足无偏估计，且判断出协方差矩阵的估计量与协方差矩阵的真实值满足无偏估计，则确定出矢量聚合数据具有合理性。

本步骤中，若判断出均值向量的估计量与均值向量的真实值满足无偏估计，且判断出协方差矩阵的估计量与协方差矩阵的真实值不满足无偏估计；或者，若判断出均值向量的估计量与均值向量的真实值不满足无偏估计，且判断出协方差矩阵的估计量与协方差矩阵的真实值不满足无偏估计；或者，若判断出均值向量的估计量与均值向量的真实值不满足无偏估计，且判断出协方差矩阵的估计量与协方差矩阵的真实值满足无偏估计，则确定出矢量聚合数据不具有合理性。

本发明实施例提供的数据聚合方法的技术方案中，根据误差校正函数对矩阵数据进行加权计算，生成加权矩阵数据；根据综合效用函数对加权矩阵数据进行聚合，生成聚合数据；根据矢性函数对聚合数据进行矢量化计算，生成矢量聚合数据。控制服务器将不同路由的流量承载情况作为误差校正因子选择的考虑因素，提高了流量统计的准确性，提高了数据流向的分析能力，对后续的网络维护、流量调整和网络优化提供了支撑。

本发明实施例中，控制服务器根据业务数据对路径评价指标进行需求分析，生成路径评价指标的权重，使得控制服务器可以根据不同的流量特征和性能需求，进行个性化的流量分析评估和优化方案选择，有效满足不同的业务类型数据对于可用带宽、可靠传输概率以及传输时延的差异化需求。

本发明实施例中，控制服务器支持网络流的流量分析与流量流向分析，可以准确识别网络流量的流向，对流入现网的不明流量可以实现准确识别，从而实现对不合规流量的准确定位与快速封堵。

本发明实施例中，控制服务器对流量数据进行筛选提取，提高了流量统计的准确性，为网络流量分析打好基础，为现网优化做好底层数据支撑。

图4为本发明实施例提供的一种数据聚合装置的结构示意图，如图4所示，该装置包括第一生成模块11、第二生成模块12和第三生成模块13，第一生成模块11与第二生成模块12连接，第二生成模块12与第三生成模块13连接。

第一生成模块11用于根据误差校正函数对矩阵数据进行加权计算，生成加权矩阵数据；第二生成模块12用于根据综合效用函数对加权矩阵数据进行聚合，生成聚合数据；第三生成模块13用于根据矢性函数对聚合数据进行矢量化计算，生成矢量聚合数据。

本发明实施例中，该装置还包括第四生成模块14，第五生成模块15和第六生成模块16。第四生成模块14与第五生成模块15连接，第五生成模块15与第六生成模块16连接，第六生成模块16与第一生成模块11连接。

第四生成模块14用于根据中转服务器发送的流量数据生成网络流，网络流包括数性数据和流向数据；第五生成模块15用于根据设置的采样规则对网络流进行采样，生成采样数据；第六生成模块16用于根据矩阵函数对采样数据进行矩阵化处理，生成矩阵数据。

本发明实施例中，该装置还包括第七生成模块17、第八生成模块18和构建模块19。第七生成模块17与第四生成模块14、第八生成模块18和构建模块19连接，第八生成模块18与构建模块19连接。

第七生成模块17用于根据流向数据生成传输路径的路径评价指标；第八生成模块18用于根据业务数据对路径评价指标进行需求分析，生成路径评价指标的权重；构建模块19用于根据路径评价指标的权重和路径评价指标构建综合效用函数。

本发明实施例中，第七生成模块17具体用于根据公式可用带宽＝网络流的最小数据大小*(1-流向带宽)对网络流的最小数据大小和每条链路的流向带宽进行计算，生成传输路径的可用带宽；根据每条链路的丢包率生成每条链路的可靠传输概率；对每条链路的可靠传输概率进行连乘计算，生成传输路径的可靠传输概率；将每条链路的传输时延相加，生成传输路径的传输时延。

本发明实施例中，第三生成模块13具体用于根据矢性函数确定出逻辑网络端口矢量、端口地址矢量和IP地址矢量；根据逻辑网络端口矢量、端口地址矢量和IP地址矢量生成矢量集合；根据设置的矢量化规则对矢量集合进行统计，确定出聚合数据的矢量化方向；根据矢量化方向对聚合数据进行矢量化计算，生成矢量化聚合数据。

本发明实施例中，该装置还包括第九生成模块20、判断模块21和确定模块22。第九生成模块20与第五生成模块15和判断模块21连接，判断模块21与确定模块22连接。

第九生成模块20用于根据采样数据生成均值向量的估计量和协方差矩阵的估计量；判断模块21用于判断均值向量的估计量与均值向量的真实值是否满足无偏估计，且判断协方差矩阵的估计量与协方差矩阵的真实值是否满足无偏估计；确定模块22用于若判断模块21判断出均值向量的估计量与均值向量的真实值满足无偏估计，且判断出协方差矩阵的估计量与协方差矩阵的真实值满足无偏估计，则确定出矢量聚合数据具有合理性。

本发明实施例提供的数据聚合装置的技术方案中，根据误差校正函数对矩阵数据进行加权计算，生成加权矩阵数据；根据综合效用函数对加权矩阵数据进行聚合，生成聚合数据；根据矢性函数对聚合数据进行矢量化计算，生成矢量聚合数据。控制服务器将不同路由的流量承载情况作为误差校正因子选择的考虑因素，提高了流量统计的准确性，提高了数据流向的分析能力，对后续的网络维护、流量调整和网络优化提供了支撑。

本发明实施例中，控制服务器根据业务数据对路径评价指标进行需求分析，生成路径评价指标的权重，使得控制服务器可以根据不同的流量特征和性能需求，进行个性化的流量分析评估和优化方案选择，有效满足不同的业务类型数据对于可用带宽、可靠传输概率以及传输时延的差异化需求。

本发明实施例中，控制服务器支持网络流的流量分析与流量流向分析，可以准确识别网络流量的流向，对流入现网的不明流量可以实现准确识别，从而实现对不合规流量的准确定位与快速封堵。

本发明实施例中，控制服务器对流量数据进行筛选提取，提高了流量统计的准确性，为网络流量分析打好基础，为现网优化做好底层数据支撑。

本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行上述数据聚合方法的实施例。

图5为本发明实施例提供的一种控制服务器的示意图，包括：该实施例的控制服务器3包括：处理器31、存储器32以及存储在存储器32中并可在处理器31上运行的计算机程序33，该计算机程序33被处理器31执行时实现实施例中的数据聚合方法，为避免重复，此处不一一赘述。

控制服务器3包括，但不仅限于，处理器31、存储器32。本领域技术人员可以理解，图5仅仅是控制服务器3的示例，并不构成对控制服务器3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如网络设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器31可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器32可以是控制服务器3的内部存储单元，例如控制服务器3的硬盘或内存。存储器32也可以是控制服务器3的外部存储设备，例如控制服务器3上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。进一步地，存储器32还可以既包括控制服务器3的内部存储单元也包括外部存储设备。存储器32用于存储计算机程序以及网络设备所需的其他程序和数据。存储器32还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

取决于语境，如在此所使用的词语“如果”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)”。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，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，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。