一种基于工业互联网的公共服务平台的制作方法

1.本发明涉及公共服务平台领域，尤其是涉及一种基于工业互联网的公共服务平台。


背景技术：

2.由于目前工业生产规模不断扩大，工业生产划分为不同的区域，工业管理员工需要实时掌握工业设备数据和工业现场运行状态，使得管理难度增加。由于工业设备多样性,工业生产区域性,使得对工业整体统一监控管理受到一定的制约。对于传统工业的监控系统，广泛采用的是有线形式，导致整个系统局限性，工业人员只能通过现场看管或者现场安装计算机进行监控。人员现场看管，由于工业生产设备众多，分布广泛等特点，耗费大量的生产人员，也需要消耗大量的体力，传统的工业监控系统，人力和时间浪费，还会导致工业设备之间数据不能很好实时的共享，导致浪费资源的现象，增加了生产成本。传统的工业监控方式故障预防性差，当设备发送故障时不能及时处理，而且没有预防故障发生的方法，只有当出现设备故障，才知道问题所在，造成了设备损失耗费大量的资金。


技术实现要素：

3.本发明提供一种基于工业互联网的公共服务平台，以解决现有技术中存在的由于目前工业生产规模不断扩大，工业生产划分为不同的区域，工业管理员工需要实时掌握工业设备数据和工业现场运行状态，使得管理难度增加。由于工业设备多样性,工业生产区域性,使得对工业整体统一监控管理受到一定的制约。对于传统工业的监控系统，广泛采用的是有线形式，导致整个系统局限性，工业人员只能通过现场看管或者现场安装计算机进行监控。人员现场看管，由于工业生产设备众多，分布广泛等特点，耗费大量的生产人员，也需要消耗大量的体力，传统的工业监控系统，人力和时间浪费，还会导致工业设备之间数据不能很好实时的共享，导致浪费资源的现象，增加了生产成本。传统的工业监控方式故障预防性差，当设备发送故障时不能及时处理，而且没有预防故障发生的方法，只有当出现设备故障，才知道问题所在，造成了设备损失耗费大量的资金的上述问题。
4.为了达到上述目的，本发明提供如下技术方案：
5.一种基于工业互联网的公共服务平台，包括：企业智能服务门户模块、人工智能计算引擎模块、动态知识图谱模块、业务边缘计算模块和云资源智能运维支撑模块；所述企业智能服务门户模块用于对企业用户、企业服务、平台运营和app系统的管理；所述人工智能计算引擎模块用于通过人工智能模型从大数据中发现规律提取新知识并自动生成多样化的可视化算法模型库；所述动态知识图谱模块用于海量数据的存储、知识抽取和共享；所述业务边缘计算模块用于数据采集与边缘处理；所述云资源智能运维支撑模块用于对资源进行虚拟化的云操作。
6.其中，所述企业智能服务门户模块包括：企业用户管理模块、企业服务管理模块和app开发管理模块，所述企业用户管理模块用于对用户进行新增、删除、修改和查看操作；所
述企业服务管理模块用于实时采集工业设备安装调试、工业设备远程诊断和检验检测等配套工业服务的数据；所述app开发管理模块用于用户注册账号和管理用户账号操作。
7.其中，所述人工智能计算引擎模块包括：可视化交互模型库、企业级智能算法模块、企业级计算执行引擎模块和行业智能算法资源调度运行模块；所述可视化交互模型库用于从大数据中发现规律提取新知识并自动生成多样化的可视化算法模型库；所述企业级智能算法模块用于将机器学习算法api标准化；所述企业级计算执行引擎模块用于对数据进行分布式流处理并对无界数据集进行连续不断处理、聚合和分析的过程；所述行业智能算法资源调度运行模块用于对若干个节点进行资源调度与任务调度，并将任务分配到集群中一系列计算节点上并行运行。
8.其中，动态知识图谱模块包括：知识开放与共享模块、动态知识图谱创建模块和海量异构数据存储模块；所述知识开放与共享模块用于将数据中各种知识信息流动起来；所述动态知识图谱创建模块用于对图计算和图挖掘提供对应接口并对图进行分布式管理以及并行处理；所述海量异构数据存储模块用于结构化和非结构化海量数据存储、集成和访问。
9.其中，业务边缘计算模块包括：边缘数据采集管理模块、边缘数据可信预处理模块和边缘处理进度监控模块，所述边缘数据采集管理模块用于采集各行业数据；所述边缘数据可信预处理模块用于数据清洗与语义集成；所述边缘处理进度监控模块用于数据传输消息队列管理和数据处理进程状态监控。
10.其中，所述云资源智能运维支撑模块包括虚拟资源动态调度模块、资源可信管理模块和资源运行状态管控模块；所述虚拟资源动态调度模块用于网络、计算和存储等资源虚拟化的云操作；所述资源可信管理模块用于资源集群参数配置、节点访问权限配置、运行可靠性配置、性能优化配置；所述资源运行状态管控模块监控和资源调度线程状态显示，通过可读性指标快速识别集群的异常状况。
11.其中，所述海量异构数据存储模块包括：数据统计控制子模块，所述数据统计控制子模块用于分析工业生产过程和评估生产状况，针对异常的状况，发现后及时采取措施让工业生产过程保持稳定；所述数据统计控制子模块利用概率统计的原理制作对应坐标轴，通过计算得出两条控制线和一条中心线，横轴作为时间轴，把所有按规定的时间顺序所得的样件的数值，依次描绘于坐标轴上并依次将相邻两个点用直线连接起来，并根据数据流向图得出评估生产状况结果，工作人员通过所述终端单元查看工业生产状况结果。
12.其中，所述边缘处理进度监控模块包括：报警监控模块，通过边缘数据采集管理模块对采集各企业数据进行实时分析，通过边缘数据可信预处理模块对分析数据进行判定，若发现数据异常情况则启动报警监控模块进行警报处理，公共服务平台根据异常数据进行自我调整，工作人员通过所述企业智能服务门户模块接收到异常数据并采取对应措施。
13.其中，所述边缘数据可信预处理模块还包括：预测推荐单元；所述边缘数据采集管理模块将采集的数据源数据传输至所述边缘数据可信预处理模块后对数据进行预处理，所述预测推荐单元基于预处理后的数据向用户提供服务预测推荐行为；所述预测推荐行为包括：从所述海量异构数据存储模块输入待训练数据，并对待训练数据进行相应的数据预处理操作；经过数据预处理操作后，进行模型的训练操作；对初步训练好的模型进行测试，获取测试信息，当测试信息达到预期效果的情况下将训练好的数据模型存储于所述海量异构
数据存储模块；根据用户的操作行为提取用户的行为数据，将所述行为数据输入至所述预测推荐单元，所述预测推荐单元通过调用所述数据模型生成对应的预测分析数值，完成对行为数据的预测分析，基于所述行为数据的预测分析，向用户提供服务推荐。
14.其中，所述边缘数据可信预处理模块包括：分布式消息处理模块，所述边缘数据采集管理模块扩展若干个数据源数据，所述云资源智能运维支撑模块从若干个数据源获取数据后缓存于所述海量异构数据存储模块内，数据源数据通过所述海量异构数据存储模块进行初步的分类之后发送至所述分布式消息处理模块，所述分布式消息处理模块对从所述边缘数据采集管理模块获取的数据源数据进行实时的计算分析，并将计算分析结果缓存至所述海量异构数据存储模块，待数据达到聚合条件之后通过所述分布式消息处理模块对数据进行聚合计算、预警判定，将聚合计算和预警判定完成之后的数据缓存至所述海量异构数据存储模块并实时推送至所述企业智能服务门户模块进行展示。
15.与现有技术相比，本发明具有以下优点：
16.一种基于工业互联网的公共服务平台，包括：企业智能服务门户模块、人工智能计算引擎模块、动态知识图谱模块、业务边缘计算模块和云资源智能运维支撑模块；所述企业智能服务门户模块用于对企业用户、企业服务、平台运营和app系统的管理；所述人工智能计算引擎模块用于通过人工智能模型从大数据中发现规律提取新知识并自动生成多样化的可视化算法模型库；所述动态知识图谱模块用于海量数据的存储、知识抽取和共享；所述业务边缘计算模块用于数据采集与边缘处理；所述云资源智能运维支撑模块用于对资源进行虚拟化的云操作。通过基于工业互联网的公共服务平台赋予企业智能化的能力，有效缩短产品生产周期、提高设备利用率和生产效率；推动传统业务向智能化服务转型升级，从而实现更大范围、更高效率、更加精准地优化现有生产和服务资源科学配置。
17.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
18.下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
19.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
20.图1为本发明实施例中一种基于工业互联网的公共服务平台的结构图；
21.图2为本发明实施例中一种基于工业互联网的公共服务平台的企业智能服务门户模块结构图；
22.图3为本发明实施例中一种基于工业互联网的公共服务平台的人工智能计算引擎模块结构图。
具体实施方式
23.以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
24.本发明实施例提供了一种基于工业互联网的公共服务平台，请参照图1至图3，该
基于工业互联网的公共服务平台包括：企业智能服务门户模块、人工智能计算引擎模块、动态知识图谱模块、业务边缘计算模块和云资源智能运维支撑模块；所述企业智能服务门户模块用于对企业用户、企业服务、平台运营和app系统的管理；所述人工智能计算引擎模块用于通过人工智能模型从大数据中发现规律提取新知识并自动生成多样化的可视化算法模型库；所述动态知识图谱模块用于海量数据的存储、知识抽取和共享；所述业务边缘计算模块用于数据采集与边缘处理；所述云资源智能运维支撑模块用于对资源进行虚拟化的云操作。
25.上述技术方案的工作原理为：所述企业智能服务门户模块用于对企业用户、企业服务、平台运营和app系统的管理；所述人工智能计算引擎模块用于通过人工智能模型从大数据中发现规律提取新知识并自动生成多样化的可视化算法模型库；所述动态知识图谱模块用于海量数据的存储、知识抽取和共享；所述业务边缘计算模块用于数据采集与边缘处理；所述云资源智能运维支撑模块用于对资源进行虚拟化的云操作。通过基于工业互联网的公共服务平台赋予企业智能化的能力，有效缩短产品生产周期、提高设备利用率和生产效率；推动传统业务向智能化服务转型升级，从而实现更大范围、更高效率、更加精准地优化现有生产和服务资源科学配置。
26.上述技术方案的有益效果为：所述企业智能服务门户模块用于对企业用户、企业服务、平台运营和app系统的管理；所述人工智能计算引擎模块用于通过人工智能模型从大数据中发现规律提取新知识并自动生成多样化的可视化算法模型库；所述动态知识图谱模块用于海量数据的存储、知识抽取和共享；所述业务边缘计算模块用于数据采集与边缘处理；所述云资源智能运维支撑模块用于对资源进行虚拟化的云操作。通过基于工业互联网的公共服务平台赋予企业智能化的能力，有效缩短产品生产周期、提高设备利用率和生产效率；推动传统业务向智能化服务转型升级，从而实现更大范围、更高效率、更加精准地优化现有生产和服务资源科学配置。
27.在另一实施例中，所述企业智能服务门户模块所述企业智能服务门户模块包括：企业用户管理模块、企业服务管理模块和app开发管理模块，所述企业用户管理模块用于对用户进行新增、删除、修改和查看操作；所述企业服务管理模块用于实时采集工业设备安装调试、工业设备远程诊断和检验检测等配套工业服务的数据；所述app开发管理模块用于用户注册账号和管理用户账号操作。
28.上述技术方案的工作原理为：所述企业用户管理模块用于对用户进行新增、删除、修改和查看操作，可以进入用户新增功能，通过填入名称、角色、联系方式和详细描述后完成用户创建；所述企业服务管理模块用于实时采集工业设备安装调试、工业设备远程诊断和检验检测等配套工业服务的数据；所述app开发管理模块用于用户注册账号和管理用户账号操作。从而为用户提供了简单便捷的窗口。
29.上述技术方案的有益效果为：所述企业用户管理模块用于对用户进行新增、删除、修改和查看操作；所述企业服务管理模块用于实时采集工业设备安装调试、工业设备远程诊断和检验检测等配套工业服务的数据；所述app开发管理模块用于用户注册账号和管理用户账号操作。从而为用户提供了简单便捷的窗口。
30.在另一实施例中，所述人工智能计算引擎模块包括：可视化交互模型库、企业级智能算法模块、企业级计算执行引擎模块和行业智能算法资源调度运行模块；所述可视化交
互模型库用于从大数据中发现规律提取新知识并自动生成多样化的可视化算法模型库；所述企业级智能算法模块用于将机器学习算法api标准化；所述企业级计算执行引擎模块用于对数据进行分布式流处理并对无界数据集进行连续不断处理、聚合和分析的过程；所述行业智能算法资源调度运行模块用于对若干个节点进行资源调度与任务调度，并将任务分配到集群中一系列计算节点上并行运行。
31.上述技术方案的工作原理为：所述可视化交互模型库用于从从纷繁复杂的大数据中发现规律，提取新知识，自动生成多样化的可视化算法模型库；所述企业级智能算法模块用于将机器学习算法api标准化，以便将多种算法更容易地组合成单个管道或者工作流；所述企业级计算执行引擎模块用于对数据进行分布式流处理并对无界数据集进行连续不断处理、聚合和分析的过程，支持弹性的，高吞吐的，容错的实时数据流的处理。数据可以通过多种数据源获取，也可以通过高阶数组成的复杂算法处理，最终，处理后的数据可以输出到文件系统、数据仓库以及实时可视化界面中；所述行业智能算法资源调度运行模块用于对若干个节点进行资源调度与任务调度，并将任务分配到集群中一系列计算节点上并行运行，运行一个计算处理的应用程序时，首先是提交应用程序，从而调用资源调度器为驱动申请资源。申请成功后，向主节点为应用程序申请资源。之后，调用资源调度器把任务分发到工作节点执行器进行执行。在各个工作节点进行分布式的并行计算。
32.上述技术方案的有益效果为：所述可视化交互模型库用于从从纷繁复杂的大数据中发现规律，提取新知识，自动生成多样化的可视化算法模型库；所述企业级智能算法模块用于将机器学习算法api标准化，以便将多种算法更容易地组合成单个管道或者工作流；所述企业级计算执行引擎模块用于对数据进行分布式流处理并对无界数据集进行连续不断处理、聚合和分析的过程，支持弹性的，高吞吐的，容错的实时数据流的处理。数据可以通过多种数据源获取，也可以通过高阶数组成的复杂算法处理，最终，处理后的数据可以输出到文件系统、数据仓库以及实时可视化界面中；所述行业智能算法资源调度运行模块用于对若干个节点进行资源调度与任务调度，并将任务分配到集群中一系列计算节点上并行运行，运行一个计算处理的应用程序时，首先是提交应用程序，从而调用资源调度器为驱动申请资源。申请成功后，向主节点为应用程序申请资源。之后，调用资源调度器把任务分发到工作节点执行器进行执行。在各个工作节点进行分布式的并行计算。
33.在另一实施例中，动态知识图谱模块包括：知识开放与共享模块、动态知识图谱创建模块和海量异构数据存储模块；所述知识开放与共享模块用于将数据中各种知识信息流动起来；所述动态知识图谱创建模块用于对图计算和图挖掘提供对应接口并对图进行分布式管理以及并行处理；所述海量异构数据存储模块用于结构化和非结构化海量数据存储、集成和访问。
34.上述技术方案的工作原理为：所述知识开放与共享模块用于将数据中各种知识信息流动起来，实现知识和经验的积累，实现知识抽取和共享，支持查询、检索和修改；所述动态知识图谱创建模块用于对图计算和图挖掘提供对应接口并对图进行分布式管理以及并行处理，极大的方便了大家对分布式图处理的需求；所述海量异构数据存储模块用于结构化和非结构化海量数据存储、集成和访问。可实现面向特定行业价值链的分布式数据空间构建与开放服务环境。
35.上述技术方案的有益效果为：所述知识开放与共享模块用于将数据中各种知识信
息流动起来，实现知识和经验的积累，实现知识抽取和共享，支持查询、检索和修改；所述动态知识图谱创建模块用于对图计算和图挖掘提供对应接口并对图进行分布式管理以及并行处理，极大的方便了大家对分布式图处理的需求；所述海量异构数据存储模块用于结构化和非结构化海量数据存储、集成和访问。可实现面向特定行业价值链的分布式数据空间构建与开放服务环境。
36.在另一实施例中，业务边缘计算模块包括：边缘数据采集管理模块、边缘数据可信预处理模块和边缘处理进度监控模块，所述边缘数据采集管理模块用于采集各行业数据；所述边缘数据可信预处理模块用于数据清洗与语义集成；所述边缘处理进度监控模块用于数据传输消息队列管理和数据处理进程状态监控。
37.上述技术方案的工作原理为：业务边缘计算模块包括：边缘数据采集管理模块、边缘数据可信预处理模块和边缘处理进度监控模块，所述边缘数据采集管理模块用于采集各行业数据；所述边缘数据可信预处理模块用于数据清洗与语义集成；所述边缘处理进度监控模块用于数据传输消息队列管理和数据处理进程状态监控。从而实现结构化、半结构化和非结构化共存的业务边缘数据获取、数据特征自动标记、混杂结构智能预处理、主题自我生成和处理进程实时监控等功能。
38.上述技术方案的有益效果为：业务边缘计算模块包括：边缘数据采集管理模块、边缘数据可信预处理模块和边缘处理进度监控模块，所述边缘数据采集管理模块用于采集各行业数据；所述边缘数据可信预处理模块用于数据清洗与语义集成；所述边缘处理进度监控模块用于数据传输消息队列管理和数据处理进程状态监控。从而实现结构化、半结构化和非结构化共存的业务边缘数据获取、数据特征自动标记、混杂结构智能预处理、主题自我生成和处理进程实时监控等功能。
39.在另一实施例中，所述云资源智能运维支撑模块包括虚拟资源动态调度模块、资源可信管理模块和资源运行状态管控模块；所述虚拟资源动态调度模块用于网络、计算和存储等资源虚拟化的云操作；所述资源可信管理模块用于资源集群参数配置、节点访问权限配置、运行可靠性配置、性能优化配置；所述资源运行状态管控模块监控和资源调度线程状态显示，通过可读性指标快速识别集群的异常状况。
40.上述技术方案的工作原理为：所述虚拟资源动态调度模块用于网络、计算和存储等资源虚拟化的云操作；所述资源可信管理模块用于资源集群参数配置、节点访问权限配置、运行可靠性配置、性能优化配置；所述资源运行状态管控模块监控和资源调度线程状态显示，通过可读性指标快速识别集群的异常状况。可支持十万级数据节点的虚拟化、自动调度、资源动态配置、集群参数配置、同步参数配置、启停集群服务、查看集群的运行状态、查看集群节点信息、系统主动预警等功能。为企业系统管理员提供一套简单，易操作和可视化云资源运维管理。
41.上述技术方案的有益效果为：所述云资源智能运维支撑模块包括虚拟资源动态调度模块、资源可信管理模块和资源运行状态管控模块；所述虚拟资源动态调度模块用于网络、计算和存储等资源虚拟化的云操作；所述资源可信管理模块用于资源集群参数配置、节点访问权限配置、运行可靠性配置、性能优化配置；所述资源运行状态管控模块监控和资源调度线程状态显示，通过可读性指标快速识别集群的异常状况。可支持十万级数据节点的虚拟化、自动调度、资源动态配置、集群参数配置、同步参数配置、启停集群服务、查看集群
的运行状态、查看集群节点信息、系统主动预警等功能。为企业系统管理员提供一套简单，易操作和可视化云资源运维管理。
42.在另一实施例中，所述海量异构数据存储模块包括：数据统计控制子模块，所述数据统计控制子模块用于分析工业生产过程和评估生产状况，针对异常的状况，发现后及时采取措施让工业生产过程保持稳定；所述数据统计控制子模块利用概率统计的原理制作对应坐标轴，通过计算得出两条控制线和一条中心线，横轴作为时间轴，把所有按规定的时间顺序所得的样件的数值，依次描绘于坐标轴上并依次将相邻两个点用直线连接起来，并根据数据流向图得出评估生产状况结果，工作人员通过所述终端单元查看工业生产状况结果。
43.上述技术方案的工作原理为：所述数据统计控制子模块用于分析工业生产过程和评估生产状况，针对异常的状况，发现后及时采取措施让工业生产过程保持稳定；所述数据统计控制子模块利用概率统计的原理制作对应坐标轴，通过计算得出两条控制线和一条中心线，横轴作为时间轴，把所有按规定的时间顺序所得的样件的数值，依次描绘于坐标轴上并依次将相邻两个点用直线连接起来，并根据数据流向图得出评估生产状况结果，工作人员通过所述终端单元查看工业生产状况结果。
44.上述技术方案的有益效果为：所述数据统计控制子模块用于分析工业生产过程和评估生产状况，针对异常的状况，发现后及时采取措施让工业生产过程保持稳定；所述数据统计控制子模块利用概率统计的原理制作对应坐标轴，通过计算得出两条控制线和一条中心线，横轴作为时间轴，把所有按规定的时间顺序所得的样件的数值，依次描绘于坐标轴上并依次将相邻两个点用直线连接起来，并根据数据流向图得出评估生产状况结果，工作人员通过所述终端单元查看工业生产状况结果。针对异常的状况，发现后及时采取措施让工业生产过程保持稳定，这样能最大程度的保证产品质量。
45.在另一实施例中，所述边缘处理进度监控模块包括：报警监控模块，通过边缘数据采集管理模块对采集各企业数据进行实时分析，通过边缘数据可信预处理模块对分析数据进行判定，若发现数据异常情况则启动报警监控模块进行警报处理，公共服务平台根据异常数据进行自我调整，工作人员通过所述企业智能服务门户模块接收到异常数据并采取对应措施。
46.上述技术方案的工作原理为：所述边缘处理进度监控模块包括：报警监控模块，通过边缘数据采集管理模块对采集各企业数据进行实时分析，通过边缘数据可信预处理模块对分析数据进行判定，若发现数据异常情况则启动报警监控模块进行警报处理，公共服务平台根据异常数据进行自我调整，工作人员通过所述企业智能服务门户模块接收到异常数据并采取对应措施。
47.上述技术方案的有益效果为：所述边缘处理进度监控模块包括：报警监控模块，通过边缘数据采集管理模块对采集各企业数据进行实时分析，通过边缘数据可信预处理模块对分析数据进行判定，若发现数据异常情况则启动报警监控模块进行警报处理，公共服务平台根据异常数据进行自我调整，工作人员通过所述企业智能服务门户模块接收到异常数据并采取对应措施。以防设备发生故障时不能及时处理，有效确保平台的正常运行。
48.在另一实施例中，所述边缘数据可信预处理模块还包括：预测推荐单元；所述边缘数据采集管理模块将采集的数据源数据传输至所述边缘数据可信预处理模块后对数据进
行预处理，所述预测推荐单元基于预处理后的数据向用户提供服务预测推荐行为；所述预测推荐行为包括：从所述海量异构数据存储模块输入待训练数据，并对待训练数据进行相应的数据预处理操作；经过数据预处理操作后，进行模型的训练操作；对初步训练好的模型进行测试，获取测试信息，当测试信息达到预期效果的情况下将训练好的数据模型存储于所述海量异构数据存储模块；根据用户的操作行为提取用户的行为数据，将所述行为数据输入至所述预测推荐单元，所述预测推荐单元通过调用所述数据模型生成对应的预测分析数值，完成对行为数据的预测分析，基于所述行为数据的预测分析，向用户提供服务推荐。
49.上述技术方案的工作原理为：所述边缘数据采集管理模块将采集的数据源数据传输至所述边缘数据可信预处理模块后对数据进行预处理，所述预测推荐单元基于预处理后的数据向用户提供服务预测推荐行为；所述预测推荐行为包括：从所述海量异构数据存储模块输入待训练数据，并对待训练数据进行相应的数据预处理操作；经过数据预处理操作后，进行模型的训练操作；对初步训练好的模型进行测试，获取测试信息，当测试信息达到预期效果的情况下将训练好的数据模型存储于所述海量异构数据存储模块；根据用户的操作行为提取用户的行为数据，将所述行为数据输入至所述预测推荐单元，所述预测推荐单元通过调用所述数据模型生成对应的预测分析数值，完成对行为数据的预测分析，基于所述行为数据的预测分析，向用户提供服务推荐。
50.所述云资源智能运维支撑模块对数据进行层次分析的过程中，高维数据也带来了一致性满足的难度，传统层次分析法中较多使用判断矩阵的最大特征根与判断矩阵的阶数的差异来度量判断矩阵的一致性指标，如果未达到满意的一致性，需要不断进行人工微调矩阵以达到满意的一致性，这个无疑增加了很多计算量和复杂度。通过获取数据矩阵分值的核数密度估计后，我们要求得分值分布密度的最大处。而为了求得专家分值密度最大值，使用梯度下降法来对密度最大值进行迭代求值。在数据处理领域，提出使用梯度下降法对概率密度核数进行迭代将其沿着梯度下降的方向，逐步迭代收敛到密度数最大的地方。首先为了得到密度的极大值，利用核数的可微性，求核密度估计数，其中，核密度估计数公式为：
[0051][0052]
其中，fh(x)表示核密度估计数；h表示带宽；n表示带宽内随机变量个数；kh表示核数；x表示分布随机变量；xi表示点i分布随机变量。
[0053]
通过获取核密度估计数能更好的对数据进行层次进行分析，避免因计算量过大而造成的计算复杂和错误率高的情况。
[0054]
上述技术方案的有益效果为：所述边缘数据采集管理模块将采集的数据源数据传输至所述边缘数据可信预处理模块后对数据进行预处理，所述预测推荐单元基于预处理后的数据向用户提供服务预测推荐行为；所述预测推荐行为包括：从所述海量异构数据存储模块输入待训练数据，并对待训练数据进行相应的数据预处理操作；经过数据预处理操作后，进行模型的训练操作；对初步训练好的模型进行测试，获取测试信息，当测试信息达到预期效果的情况下将训练好的数据模型存储于所述海量异构数据存储模块；根据用户的操作行为提取用户的行为数据，将所述行为数据输入至所述预测推荐单元，所述预测推荐单
元通过调用所述数据模型生成对应的预测分析数值，完成对行为数据的预测分析，基于所述行为数据的预测分析，向用户提供服务推荐。从而给用户提供方便，并保证数据的准确性和安全性。
[0055]
在另一实施例中，所述边缘数据可信预处理模块包括：分布式消息处理模块，所述边缘数据采集管理模块扩展若干个数据源数据，所述云资源智能运维支撑模块从若干个数据源获取数据后缓存于所述海量异构数据存储模块内，数据源数据通过所述海量异构数据存储模块进行初步的分类之后发送至所述分布式消息处理模块，所述分布式消息处理模块对从所述边缘数据采集管理模块获取的数据源数据进行实时的计算分析，并将计算分析结果缓存至所述海量异构数据存储模块，待数据达到聚合条件之后通过所述分布式消息处理模块对数据进行聚合计算、预警判定，将聚合计算和预警判定完成之后的数据缓存至所述海量异构数据存储模块并实时推送至所述企业智能服务门户模块进行展示。
[0056]
上述技术方案的工作原理为：所述边缘数据采集管理模块扩展若干个数据源数据，所述云资源智能运维支撑模块从若干个数据源获取数据后缓存于所述海量异构数据存储模块内，数据源数据通过所述海量异构数据存储模块进行初步的分类之后发送至所述分布式消息处理模块，所述分布式消息处理模块对从所述边缘数据采集管理模块获取的数据源数据进行实时的计算分析，并将计算分析结果缓存至所述海量异构数据存储模块，待数据达到聚合条件之后通过所述分布式消息处理模块对数据进行聚合计算、预警判定，将聚合计算和预警判定完成之后的数据缓存至所述海量异构数据存储模块并实时推送至所述企业智能服务门户模块进行展示。
[0057]
上述技术方案的有益效果为：所述边缘数据采集管理模块扩展若干个数据源数据，所述云资源智能运维支撑模块从若干个数据源获取数据后缓存于所述海量异构数据存储模块内，数据源数据通过所述海量异构数据存储模块进行初步的分类之后发送至所述分布式消息处理模块，所述分布式消息处理模块对从所述边缘数据采集管理模块获取的数据源数据进行实时的计算分析，并将计算分析结果缓存至所述海量异构数据存储模块，待数据达到聚合条件之后通过所述分布式消息处理模块对数据进行聚合计算、预警判定，将聚合计算和预警判定完成之后的数据缓存至所述海量异构数据存储模块并实时推送至所述企业智能服务门户模块进行展示。
[0058]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。