一种动态订阅数据的方法、装置、电子设备及存储介质与流程

电子通信装置的制造及其应用技术1.本公开涉及计算机技术领域，特别是涉及一种动态订阅数据的方法、装置、电子设备及存储介质。背景技术：2.telemetry(网络遥测)是一项远程的从物理设备或虚拟设备上高速采集数据的技术。3.其中，telemetry可以采用动态订阅的方式实现。所谓的动态订阅是指设备作为服务端，采集器作为客户端主动发起到设备的连接，由设备进行数据采集上送。并且，采集器断开连接后动态订阅会自动取消，且不支持关于动态订阅的配置恢复。4.为了实现多次动态订阅，相关技术中，用户手动配置多次动态订阅，这样，在每次动态订阅的配置完成后，采集器响应于动态订阅，也就是，采集器主动发起到设备的连接，从而进行数据采集。可见，由于人为配置工作量较大，导致针对数据的动态订阅智能化不足。技术实现要素：5.本公开的目的在于提供一种动态订阅数据的方法、装置、电子设备及存储介质，用以提高动态订阅数据的智能化水平。具体技术方案如下：6.根据本公开的第一方面，提供了一种动态订阅数据的方法，应用于采集器，所述方法包括：7.确定待向目标设备发起动态订阅的目标时间段；其中，所述目标时间段为属于指定时间粒度的时间范围内的一指定时间段；8.利用预先训练的回归模型，预测在所述目标时间段下，所述采集器向所述目标设备发起所述动态订阅的目标订阅次数；其中，所述回归模型用于表征：所述指定时间粒度下的各个所述指定时间段，以及所述采集器向所述目标设备发起所述动态订阅的订阅次数的对应关系；9.在进入所述目标时间段后，基于所述目标订阅次数，向所述目标设备发起所述动态订阅，得到所述动态订阅所需的数据内容。10.可选地，所述回归模型在训练时所利用的样本数据包括：11.历史时间范围内的各个所述指定时间段，以及，在所述历史时间范围内的每一指定时间段下所述采集器向所述目标设备发起所述动态订阅的订阅次数；所述历史时间范围属于所述指定时间粒度。12.可选地，所述回归模型的训练方式包括：13.获取所述样本数据；14.基于所述样本数据，构建各个二维特征，其中，所述二维特征中的特征元素包括所述历史时间范围内的一指定时间段对应的表征数据，以及在该指定时间段下所述采集器向所述目标设备发起所述动态订阅的订阅次数；15.利用各个二维特征数据，对待训练的回归模型中的模型参数进行训练，得到训练完成的回归模型。16.可选地，所述待训练的回归模型的确定方式包括：17.若所述样本数据中的各个订阅次数按照时间顺序呈线性趋势，将线性回归模型确定为待训练的回归模型；18.若所述样本数据中的各个订阅次数按照时间顺序呈非线性趋势，将非线性回归模型确定为待训练的回归模型。19.可选地，利用预先训练的回归模型，预测在所述目标时间段下，所述采集器向所述目标设备发起所述动态订阅的目标订阅次数，包括：20.确定所述目标时间段对应的模型输入数据；21.将所述模型输入数据，输入所述预先训练的回归模型，得到在所述目标时间段下，所述采集器向所述目标设备发起所述动态订阅的目标订阅次数。22.可选地，所述在进入所述目标时间段后，基于所述目标订阅次数，向所述目标设备发起所述动态订阅，得到所述动态订阅所需的数据内容，包括：23.利用生成的所述目标时间段下的所述目标订阅次数，生成订阅计划；其中，所述订阅计划包括所述目标订阅次数以及相邻的所述动态订阅的时间间隔；24.按照所述订阅计划，在进入所述目标时间段后，向所述目标设备发起所述动态订阅，得到所述动态订阅所需的数据内容。25.可选地，所述目标时间段的数量为多个；26.所述订阅计划具体包括：每一目标时间段下的目标订阅次数以及每一目标时间段下相邻的所述动态订阅的时间间隔。27.根据本公开的第二方面，提供了一种动态订阅数据的装置，所述装置包括：28.确定模块，用于确定待向目标设备发起动态订阅的目标时间段；其中，所述目标时间段为属于指定时间粒度的时间范围内的一指定时间段；29.预测模块，用于利用预先训练的回归模型，预测在所述目标时间段下，所述采集器向所述目标设备发起所述动态订阅的目标订阅次数；其中，所述回归模型用于表征：所述指定时间粒度下的各个所述指定时间段，以及所述采集器向所述目标设备发起所述动态订阅的订阅次数的对应关系；30.订阅模块，用于在进入所述目标时间段后，基于所述目标订阅次数，向所述目标设备发起所述动态订阅，得到所述动态订阅所需的数据内容。31.可选地，所述回归模型在训练时所利用的样本数据包括：32.历史时间范围内的各个所述指定时间段，以及，在所述历史时间范围内的每一指定时间段下所述采集器向所述目标设备发起所述动态订阅的订阅次数；所述历史时间范围属于所述指定时间粒度。33.可选地，所述回归模型的训练方式包括：34.获取所述样本数据；35.基于所述样本数据，构建各个二维特征，其中，所述二维特征中的特征元素包括所述历史时间范围内的一指定时间段对应的表征数据，以及在该指定时间段下所述采集器向所述目标设备发起所述动态订阅的订阅次数；36.利用各个二维特征数据，对待训练的回归模型中的模型参数进行训练，得到训练完成的回归模型。37.可选地，所述待训练的回归模型的确定方式包括：38.若所述样本数据中的各个订阅次数按照时间顺序呈线性趋势，将线性回归模型确定为待训练的回归模型；39.若所述样本数据中的各个订阅次数按照时间顺序呈非线性趋势，将非线性回归模型确定为待训练的回归模型。40.可选地，所述预测模块具体用于：41.确定所述目标时间段对应的模型输入数据；42.将所述模型输入数据，输入所述预先训练的回归模型，得到在所述目标时间段下，所述采集器向所述目标设备发起所述动态订阅的目标订阅次数。43.可选地，所述订阅模块具体用于：44.利用生成的所述目标时间段下的所述目标订阅次数，生成订阅计划；其中，所述订阅计划包括所述目标订阅次数以及相邻的所述动态订阅的时间间隔；45.按照所述订阅计划，在进入所述目标时间段后，向所述目标设备发起所述动态订阅，得到所述动态订阅所需的数据内容。46.可选地，所述目标时间段的数量为多个；47.所述订阅计划具体包括：每一目标时间段下的目标订阅次数以及每一目标时间段下相邻的所述动态订阅的时间间隔。48.根据本公开的第三方面，提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；49.存储器，用于存放计算机程序；50.处理器，用于执行存储器上所存放的程序时，实现任一动态订阅数据的方法。51.根据本公开的第四方面，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内存储有计算机程序，所述计算机程序被处理器执行时实现任一动态订阅数据的方法。52.本公开还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一所述的动态订阅数据的方法。53.本公开实施例提供的一种动态订阅数据的方法，可以确定待向目标设备发起动态订阅的目标时间段，并且利用预先训练的回归模型，预测目标时间段下，采集器向目标设备发起动态订阅的目标订阅次数，在进入目标时间段后，可以利用所预测的目标订阅次数，向目标设备发起动态订阅，从而得到动态订阅所需的数据内容。可见，本方案通过预先训练的回归模型，合理预测目标时间段下的目标订阅次数，并基于目标订阅次数发起动态订阅，而不是每次动态订阅均需用户人为配置。因此，通过本方案可以提升动态订阅数据的智能化水平。54.当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。附图说明55.为了更清楚地说明本公开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公开的一些实施例，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实施例。56.图1为本公开实施例所提供的一种动态订阅数据的系统的结构示意图；57.图2为本公开实施例所提供的一种动态订阅数据的方法的流程图；58.图3为本公开实施例所提供的一种动态订阅数据的方法的另一流程图；59.图4为本公开实施例所提供的一种样本数据拟合得到的回归模型的函数示意图；60.图5为本公开实施例所提供的一种动态订阅数据的装置的示意图；61.图6为本公开实施例所提供的一种电子设备的示意图。具体实施方式62.下面将结合本公开中的附图，对本公开中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员基于本技术所获得的所有其他实施例，都属于本公开保护的范围。63.目前telemetry动态订阅时采集器和设备的连接断开，设备会自动取消订阅，不再采样并推送数据，并且不支持配置恢复，只能等待人为重新配置，使得采集器重新下发连接请求。不仅智能化和自动化水平不足，并且在可能有订阅采集需求的情况下再重新人为配置不仅增加工作量，还会导致采样工作滞后。64.为了提升针对数据的动态订阅的智能化水平，本公开提供了一种动态订阅数据的方法、装置、电子设备及存储介质。65.其中，本公开提供的一种动态订阅数据的方法可以应用于采集器，该采集器可以发起到物理设备或虚拟设备的连接，从而进行数据采集。可以理解的是，本公开并不对采集器的具体形态进行限定，例如：采集器可以为终端形态，也可以为服务器形态。66.具体而言，本公开所提供的一种动态订阅数据的方法的执行主体可以为动态订阅数据的装置。其中，该动态订阅数据的装置可以为运行于采集器的功能软件，例如：用于动态订阅数据的功能软件，此时，该动态订阅数据的装置可以向物理设备或虚拟设备发起动态订阅，从而进行数据采集。67.需要说明的是，本公开所提供的一种动态订阅数据的方法可以应用于任一具有动态订阅数据的需求的场景，例如：从物理设备或虚拟设备上采集接口流量、cpu(central processing unit，中央处理器)或内存数据等信息的场景，其中，物理设备可以包括但不限于路由器、交换机等等，虚拟设备可以包括但不局限于各类虚拟机等等。另外，可以理解的是，本公开实施例中的采集器为用于实现动态订阅数据的系统中的设备，该用于实现动态订阅数据的系统还可以包括被采集数据的目标设备，即上述的物理设备或虚拟设备。68.本公开所提供的一种动态订阅数据的方法，可以包括如下步骤：69.确定待向目标设备发起动态订阅的目标时间段；其中，所述目标时间段为属于指定时间粒度的时间范围内的一指定时间段；70.利用预先训练的回归模型，预测在所述目标时间段下，所述采集器向所述目标设备发起所述动态订阅的目标订阅次数；其中，所述回归模型用于表征：所述指定时间粒度下的各个所述指定时间段，以及所述采集器向所述目标设备发起所述动态订阅的订阅次数的对应关系；71.在进入所述目标时间段后，基于所述目标订阅次数，向所述目标设备发起所述动态订阅，得到所述动态订阅所需的数据内容。72.本公开实施例提供的一种动态订阅数据的方法，可以确定待向目标设备发起动态订阅的目标时间段，并且利用预先训练的回归模型，预测目标时间段下，采集器向目标设备发起动态订阅的目标订阅次数，在进入目标时间段后，可以利用所预测的目标订阅次数，向目标设备发起动态订阅，从而得到动态订阅所需的数据内容。可见，本方案通过预先训练的回归模型，合理预测目标时间段下的目标订阅次数，并基于目标订阅次数发起动态订阅，而不是每次动态订阅均需用户人为配置。因此，通过本方案可以提升动态订阅数据的智能化水平。73.为了方便理解方案，下面首先从用于实现动态订阅数据的系统的角度进行工作原理介绍。其中，如图1所示，用于实现动态订阅数据的系统可以包括：位于采集侧的采集器和位于设备侧的设备。其中，位于设备侧的设备为采集器发起动态订阅的目标设备，例如：路由器router a、路由器router b……路由器router n。其中，在动态订阅时，采集器可以主动发起到设备侧的连接，从而采集所需的设备侧所产生的数据，这些数据可以为接口流量数据、cpu、内存数据等数据；在得到所采集的数据后，采集器或者与采集器相通信的其他设备可以对这些数据进行分析，从而及时的对网络和/或设备进行调优，从而提升该动态订阅数据的系统的网络效果。74.本公开实施例所提供的方案中，当滑动窗口△t到来时，采集器可以采集统计历史的动态订阅数据并通过回归分析得到当前滑动窗口的动态订阅次数，向设备侧的设备发起动态订阅，以获取动态订阅所需的数据内容。需要说明的是，滑动窗口△t即为上述的目标时间段，一个滑动窗口可以为一个指定时间段，各个滑动窗口组成指定时间粒度的时间范围，即各个指定时间段组成动态订阅的一个周期t；所谓回归分析即上述利用预先训练的回归模型，预测目标时间段下采集器向目标设备发起动态订阅的次数；采集统计即采集并统计该回归模型训练时所需的样本数据：采集并统计历史时间范围内的各个指定时间段，以及，历史时间范围内每一指定时间段下采集器向目标设备发起动态订阅的次数。75.当采集器发起采集数据的动态订阅时，目标设备可以根据采集器的需求，将动态订阅所需的数据内容上报至采集器。另外，采集器可以通过指定的network(网络)命令与设备侧的目标设备产生连接，从而得到动态订阅所需的数据内容，其中，指定的network命令可以为tcp协议的连接建立命令或udp协议的连接建立命令，等等。76.需要说明的是，上述对用于实现动态订阅数据的系统中的设备之间的交互关系的说明，仅仅作为示例，并不应构成对本公开的限定。77.如图2所示，本公开所提供的一种动态订阅数据的方法，可以包括如下步骤：78.s201：确定待向目标设备发起动态订阅的目标时间段；79.其中，所述目标时间段为属于指定时间粒度的时间范围内的一指定时间段；80.本公开所提供的动态订阅数据的方法，是对指定时间段下的动态订阅次数进行预测，并自动发起订阅，因此为了完成动态订阅数据，首先需要确定待向目标设备发起动态订阅的目标时间段，从而执行后续的动态订阅数据的步骤，实现对数据的动态订阅。81.另外，本公开所提供的动态订阅数据的方法，可以针对一个或多个目标时间段进行动态订阅数据，因此，并不对目标时间段的数量进行限定，也就是说，可以确定一个目标时间段，也可以确定多个时间段，这都是合理的。82.需要说明的是，指定时间粒度可以根据实际需求进行设定，例如：指定时间粒度可以为天、周、月等等；而在指定时间粒度确定后，可以对指定时间粒度的时间范围，按照预定的时长进行划分，从而得到多个指定时间段，目标时间段则为一指定时间段。例如：以天作为指定时间粒度，指定时间粒度的时长范围为一天，若以小时作为预定的时长，此时，可将一天划分为24个指定时间段；那么，目标时间段为某一天中的一个小时；或者，以周作为指定时间粒度，指定时间粒度的时间范围为一周，若以天作为预定的时长，此时，可以将一个周划分为7个指定时间段，那么，目标时间段为某一周中的一天。83.可以理解的是，在具体应用中，用户可以通过人机交互界面，来给定待向目标设备发起动态订阅的目标时间段，当然并不局限于此。84.s202：利用预先训练的回归模型，预测在目标时间段下，采集器向目标设备发起动态订阅的目标订阅次数；85.其中，所述回归模型用于表征：所述指定时间粒度下的各个所述指定时间段，以及所述采集器向所述目标设备发起所述动态订阅的订阅次数的对应关系；86.在确定待向目标设备发起动态订阅的目标时间段后，可以利用预先训练的回归模型对采集器向目标设备发起动态订阅的目标订阅次数进行预测，从而执行后续的动态订阅数据的步骤，得到动态订阅所需的数据内容。87.可选地，在一种实现方式中，所述回归模型是利用样本数据训练得到的模型；所述样本数据包括历史时间范围内的各个所述指定时间段，以及，在所述历史时间范围内的每一指定时间段下所述采集器向所述目标设备发起所述动态订阅的订阅次数；所述历史时间范围属于所述指定时间粒度。88.可以理解的是，该回归模型是用于预测目标时间段下，采集器向目标设备发起动态订阅的目标订阅次数的模型，因此，为了准确的预测目标订阅次数，可以利用历史时间范围的各个指定时间段，以及历史时间范围内的每一指定时间段下采集器向目标设备发起动态订阅的订阅次数，并且该历史时间范围属于指定时间粒度。也就是，利用历史周期下的各个指定时间段与历史订阅次数的对应关系，训练该回归模型。通过样本数据对回归模型的训练方式，可以准确的预测目标时间段下的目标订阅次数，提高了动态订阅数据的效率。89.另外，在一种实现方式中，利用预先训练的回归模型，预测在目标时间段下，采集器向目标设备发起动态订阅的目标订阅次数的方式，可以包括：90.确定所述目标时间段对应的模型输入数据；91.将所述模型输入数据，输入所述预先训练的回归模型，得到在所述目标时间段下，所述采集器向所述目标设备发起所述动态订阅的目标订阅次数。92.为了完成对目标订阅次数的预测，首先需要确定目标时间段对应的模型输入数据，该模型输入数据即为目标时间段的表征数据，并且，与训练模型时所利用到的表征数据的确定方式相同。示例性的，目标时间段的表征数据的确定方式可以包括：将该目标时间段在指定时间粒度所包括的多个指定时间段中的位置信息，作为目标时间段的表征数据。例如：以上述的将一天划分为24个指定时间段为例，针对目标时间段：7:00-8:00，该目标时间段的表征数据可以为目标时间段在24个指定时间段中的位置信息：8。上述的目标时间段的表征数据的确定方式仅仅作为示例，并不应该构成对本公开的限定，例如：不同的指定时间段可以对应不同的编号信息，此时，可以将编号信息，作为目标时间段的表征数据。93.在确定目标时间段对应的模型输入数据后，可以将该模型输入数据输入预先训练的回归模型，从而得到目标时间段下，采集器向目标设备发起动态订阅的目标订阅次数。94.s203：在进入所述目标时间段后，基于目标订阅次数，向目标设备发起动态订阅，得到动态订阅所需的数据内容；95.在得到针对目标时间段的目标订阅次数后，待进入目标时间段后，可以基于该目标订阅次数，向目标设备发起动态订阅，从而得到动态订阅所需的数据内容，从而实现动态订阅数据。96.其中，需要说明的是，向目标设备发起动态订阅的方式可以有多种，在此不做限定。在一些实施例中，所述在进入所述目标时间段后，基于所述目标订阅次数，向所述目标设备发起所述动态订阅，得到所述动态订阅所需的数据内容可以包括：97.利用生成的所述目标时间段下的所述目标订阅次数，生成订阅计划；其中，所述订阅计划包括所述目标订阅次数以及相邻的所述动态订阅的时间间隔；98.按照所述订阅计划，在进入所述目标时间段后，向所述目标设备发起所述动态订阅，得到所述动态订阅所需的数据内容。99.若所述目标时间段的数量为多个；所述订阅计划具体包括：每一目标时间段下的目标订阅次数以及每一目标时间段下相邻的所述动态订阅的时间间隔。100.需要说明的是，相邻的动态订阅的时间间隔可以是是平均分配的也可以是随机分配的，在此不做限定，当平均分配时，该时间间隔的确定方式可以为：目标时间段与目标订阅次数的比值，根据该比值，确定相邻的动态订阅的时间间隔。另外，该订阅计划也可以是仅仅按照订阅次数所生成的订阅计划，并不对相邻的动态订阅的时间间隔进行限定，例如：当一次动态订阅完成后，立即向目标设备发起下一次动态订阅，这都是合理的。101.在一些实施例中，针对一目标时间段，在进入该目标时间段后，按照所生成的针对该目标时间段的订阅计划，向目标设备发起动态订阅包括：设置初始订阅次数为0，则在目标时间段内采集器每向目标设备发起一次动态订阅，订阅次数+1，直至订阅次数等于目标订阅次数，得到动态订阅所需的数据内容；其中，相邻的动态订阅之间的时间间隔为该订阅计划所设置的时间间隔。102.需要说明的是，上述对目标设备发起动态订阅的方式仅仅作为示例，并不应构成对本公开的限定。103.本公开实施例提供的一种动态订阅数据的方法，可以确定待向目标设备发起动态订阅的目标时间段，并且利用预先训练的回归模型，预测目标时间段下，采集器向目标设备发起动态订阅的目标订阅次数，在进入目标时间段后，可以利用所预测的目标订阅次数，向目标设备发起动态订阅，从而得到动态订阅所需的数据内容。可见，本方案通过预先训练的回归模型，合理预测目标时间段下的目标订阅次数，并基于目标订阅次数发起动态订阅，而不是每次动态订阅均需用户人为配置。因此，通过本方案可以提升动态订阅数据的智能化水平。104.另外，本发明提供的一种动态订阅数据的方法，结合统计学中的回归思想，提出一种利用回归分析的动态订阅采集数据的方法，该方法不需要目标设备改进芯片算法或增加功能模块，仅仅利用采集器就能完成针对数据的动态订阅。采集器对历史时间范围的各个指定时间段内的动态订阅的次数进行统计和回归分析，拟合相关性较好的回归模型，并根据拟合好的回归模型预测目标时间段下的目标订阅次数，有助于自动生成合理的动态订阅的周期计划，减少人为配置工作量，提升智能化水平。105.可选的，在本公开的另一实施例中，所述回归模型的训练方式包括：106.获取所述样本数据；107.基于所述样本数据，构建各个二维特征，其中，所述二维特征中的特征元素包括所述历史时间范围内的一指定时间段对应的表征数据，以及在该指定时间段下所述采集器向所述目标设备发起所述动态订阅的订阅次数；108.利用各个二维特征数据，对待训练的回归模型中的模型参数进行训练，得到训练完成的回归模型。109.需要说明的是，在对回归模型进行训练时，需要先获取样本数据，从而实现对回归模型的训练。该样本数据可以是基于历史时间范围内各个指定时间段下人工配置的动态订阅所形成的数据。也就是，历史的人工配置的动态订阅的次数与历史时间范围内各个指定时间段的对应关系所形成的数据。得到样本数据后，考虑到该样本数据包含有历史时间范围内的一指定时间段对应的表征数据，以及在该指定时间段下所述采集器向所述目标设备发起所述动态订阅的订阅次数，因此可以基于该样本数据构建各个二维特征，并根据各个二维特征数据，对回归模型进行训练，得到训练完成的回归模型。其中，历史时间范围内的一指定时间段对应的表征数据可以为：历史时间范围中，该指定时间段的位置信息或编号信息等。为了方便理解各个二维特征数据，下面结合表1中的内容进行介绍：110.表1111.第n个滑动窗口△t订阅次数n二维特征16(1，6)210(2,10)35(3,5)49(4,9)58(5,8)612(6,12)715(7,15)82(8,2)920(9,20)1017(10,17)1126(11,26)124(12,4)1319(13,19)1413(14,13)1520(15,20)1615(16,15)1711(17,11)1818(18,18)1915(19,15)2010(20,10)216(21,6)227(22,7)2312(23,12)2426(24,26)112.此时，历史时间范围为一天，每个滑动窗口△t所包含的时间范围为1小时，上述的各个指定时间段为24个小时的时间段，即一天被分为了24个滑动窗口，其中n可以为上述历史时间范围内的一指定时间段对应的表征数据。表1中为各个滑动窗口与订阅次数的对应关系，并且形成了二维特征(n△t，n)，n△t表征第n个滑动窗口△t，可以利用所形成的二维特征对回归模型进行训练。利用各个二维特征数据，对待训练的回归模型中的模型参数进行训练的过程，本公开并不对此进行限定。113.通过利用样本数据构建各个二维特征的方式，可以准确的根据样本数据对回归模型进行训练，使得回归模型拟合，从而提升了动态订阅数据的效率。114.可选的，在本公开的另一实施例中，所述待训练的回归模型的确定方式包括：115.若所述样本数据中的各个订阅次数按照时间顺序呈线性趋势，将线性回归模型确定为待训练的回归模型；116.若所述样本数据中的各个订阅次数按照时间顺序呈非线性趋势，将非线性回归模型确定为待训练的回归模型。117.由于回归模型可以存在多种，因此需要根据实际情况选择合适的回归模型进行训练。并且，考虑到样本数据中所获得的各个指定时间段对应的订阅次数的分布方式，可以选择不同的回归模型进行训练。当各个订阅次数按照时间顺序呈线性趋势时，可以将线性回归模型确定为待训练的回归模型，例如：岭回归模型、lasso回归模型等。当各个订阅次数按照时间顺序呈非线性趋势时，可以将非线性回归模型确定为待训练的回归模型，例如：逻辑回归模型、多项式回归模型等。118.示例性的，在一种实现方式中，岭回归模型是一种专用于共线性数据分析的有偏估计回归模型，实质上是一种改良的最小二乘估计法，通过放弃最小二乘法的无偏性，以损失部分信息、降低精度为代价获得回归系数更为符合实际、更可靠的回归模型。lasso回归模型是通过构造一个惩罚函数得到一个较为精炼的模型，保留了子集收缩的优点，是一种处理具有复共线性数据的有偏估计模型。逻辑回归模型是通过连续的自变量或分类的自变量训练的、用于预测动态订阅次数的模型。多项式回归模型是用多个数据点去训练一个多项式展开式的多个系数，该系数用最小二乘拟合所确定，当训练完成后可以得到多项式回归模型。通过上述方式确定不同的回归模型，可以确定更符合实际的待训练的回归模型，提升该回归模型的训练精度，从而提高了动态订阅数据的效率。119.针对样本数据中各个订阅次数按照时间顺序所呈现的不同趋势，可以选择不同的回归模型进行训练，使得所训练的回归模型拟合，能够适用于各个不同趋势的样本数据，适用性强，能够提升所得到的的回归模型在预测动态订阅的次数时的准确度。120.为了方便理解方案，下面结合图3对对本公开所提供的一种动态订阅数据的方法的原理内容进行介绍。121.首先，统计时间范围t1～t2中的各个滑动窗口的订阅次数，即历史时间范围内的各个指定时间段下采集器向目标设备发起动态订阅的订阅次数；并且，提取二维特征(n△t，n)，其中，n为滑动窗口△t的编号，n为该滑动窗口△t时间范围内的订阅次数；之后，选择合适的回归模型，即上述确定待训练的回归模型；通过拟合相关系数得到拟合后的回归模型，即上述利用各个二维特征数据，对待训练的回归模型中的模型参数进行训练，得到训练完成的回归模型；在得到拟合后的回归模型后，可以预测下一个滑动窗口△t对应的订阅次数n，即预测在所述目标时间段下，所述采集器向所述目标设备发起所述动态订阅的目标订阅次数。122.待下一个滑动窗口△t到来时，可以利用所预测的订阅次数，由采集器向目标设备发起动态订阅，即在进入所述目标时间段后，基于所述目标订阅次数，向所述目标设备发起所述动态订阅，得到所述动态订阅所需的数据内容。123.本公开实施例提供的一种动态订阅数据的方法，采集器能够对历史时间范围内各个指定时间段的动态订阅次数统计和回归分析，并且拟合相关性较好的回归模型，从而预测目标时间段的目标订阅次数，可以减少人为配置工作量，从而提升动态订阅的智能化水平。124.为了方便理解，以多项式回归模型为例，对回归模型的训练过程以及训练结果进行介绍：125.以多项式回归模型为例，训练该多项式回归模型的样本数据为表1中的数据；该多项式回归模型可以为：126.n＝a0+a1t+a2t2+…+amtm，t＝nδt127.对该多项式回归模型进行训练时，可以将所构建的二维特征(n△t，n)作为输入，直至模型拟合，即利用各个二维特征数据，对待训练的回归模型中的模型参数进行训练得到训练完成的回归模型。128.通过图4中的样本数据对多项式回归模型进行训练，得到训练完成的回归模型可以为：129.n＝12.18-4.593t+1.108t2-0.07709t3+0.001646t4130.如图4所示，图中的各个点即为所构建的二维特征(n△t，n)，横坐标为第n个滑动窗口△t，纵坐标为每个滑动窗口的订阅次数统计n；图中的曲线即为训练完成的四阶多项式回归模型。131.得到训练完成的四阶多项式回归模型后，采集器可以根据该四阶多项式回归模型预测下一周期时间范围内滑动窗口△t的订阅次数。例如：当目标时间段t＝n△t＝13时，利用该四阶多项式回归模型可以预测得到，目标订阅次数n＝17(n为整数)，并且可以预测指定时间粒度的时间范围内的各个目标时间段的目标订阅次数，即可以预测一天的周期范围内，24个滑动窗口中各个滑动窗口所对应的订阅次数。132.根据所预测的目标订阅次数，可以生成订阅计划，针对第13个滑动窗口而言，按照所生成的订阅计划，采集器可以在一天内的第13个滑动窗口△t主动对目标设备发起17次动态订阅。133.本公开实施例提供的一种动态订阅数据的方法，可以确定待向目标设备发起动态订阅的目标时间段，并且利用预先训练的回归模型，预测目标时间段下，采集器向目标设备发起动态订阅的目标订阅次数，在进入目标时间段后，可以利用所预测的目标订阅次数，向目标设备发起动态订阅，从而得到动态订阅所需的数据内容。可见，本方案通过预先训练的回归模型，合理预测目标时间段下的目标订阅次数，并基于目标订阅次数发起动态订阅，而不是每次动态订阅均需用户人为配置。因此，通过本方案可以提升动态订阅数据的智能化水平。134.基于上述动态订阅数据的方法，本公开实施例还提供了一种动态订阅数据的装置，如图5所示，该装置包括：135.确定模块510，用于确定待向目标设备发起动态订阅的目标时间段；其中，所述目标时间段为属于指定时间粒度的时间范围内的一指定时间段；136.预测模块520，用于利用预先训练的回归模型，预测在所述目标时间段下，所述采集器向所述目标设备发起所述动态订阅的目标订阅次数；其中，所述回归模型用于表征：所述指定时间粒度下的各个所述指定时间段，以及所述采集器向所述目标设备发起所述动态订阅的订阅次数的对应关系；137.订阅模块530，用于在进入所述目标时间段后，基于所述目标订阅次数，向所述目标设备发起所述动态订阅，得到所述动态订阅所需的数据内容。138.本公开实施例提供的一种动态订阅数据的方法，可以确定待向目标设备发起动态订阅的目标时间段，并且利用预先训练的回归模型，预测目标时间段下，采集器向目标设备发起动态订阅的目标订阅次数，在进入目标时间段后，可以利用所预测的目标订阅次数，向目标设备发起动态订阅，从而得到动态订阅所需的数据内容。可见，本方案通过预先训练的回归模型，合理预测目标时间段下的目标订阅次数，并基于目标订阅次数发起动态订阅，而不是每次动态订阅均需用户人为配置。因此，通过本方案可以提升动态订阅数据的智能化水平。139.可选地，所述回归模型在训练时所利用的样本数据包括：历史时间范围内的各个所述指定时间段，以及，在所述历史时间范围内的每一指定时间段下所述采集器向所述目标设备发起所述动态订阅的订阅次数；所述历史时间范围属于所述指定时间粒度。140.可选地，所述回归模型的训练方式包括：141.获取所述样本数据；142.基于所述样本数据，构建各个二维特征，其中，所述二维特征中的特征元素包括所述历史时间范围内的一指定时间段对应的表征数据，以及在该指定时间段下所述采集器向所述目标设备发起所述动态订阅的订阅次数；143.利用各个二维特征数据，对待训练的回归模型中的模型参数进行训练，得到训练完成的回归模型。144.可选地，所述待训练的回归模型的确定方式包括：145.若所述样本数据中的各个订阅次数按照时间顺序呈线性趋势，将线性回归模型确定为待训练的回归模型；146.若所述样本数据中的各个订阅次数按照时间顺序呈非线性趋势，将非线性回归模型确定为待训练的回归模型。147.可选地，所述预测模块具体用于：148.确定所述目标时间段对应的模型输入数据；149.将所述模型输入数据，输入所述预先训练的回归模型，得到在所述目标时间段下，所述采集器向所述目标设备发起所述动态订阅的目标订阅次数。150.可选地，所述订阅模块具体用于：151.利用生成的所述目标时间段下的所述目标订阅次数，生成订阅计划；其中，所述订阅计划包括所述目标订阅次数以及相邻的所述动态订阅的时间间隔；152.按照所述订阅计划，在进入所述目标时间段后，向所述目标设备发起所述动态订阅，得到所述动态订阅所需的数据内容。153.可选地，所述目标时间段的数量为多个；154.所述订阅计划具体包括：每一目标时间段下的目标订阅次数以及每一目标时间段下相邻的所述动态订阅的时间间隔。155.本公开还提供了一种电子设备，如图6所示，包括处理器601、通信接口602、存储器603和通信总线604，其中，处理器601，通信接口602，存储器603通过通信总线604完成相互间的通信，156.存储器603，用于存放计算机程序；157.处理器601，用于执行存储器603上所存放的程序时，实现任一种动态订阅数据的方法。158.上述电子设备提到的通信总线可以是外设部件互连标准(peripheral component interconnect，pci)总线或扩展工业标准结构(extended industry standard architecture，eisa)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。159.通信接口用于上述电子设备与其他设备之间的通信。160.存储器可以包括随机存取存储器(random access memory，ram)，也可以包括非易失性存储器(non-volatile memory，nvm)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。161.上述的处理器可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(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。162.在本公开提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一动态订阅数据的方法。163.在本公开提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一动态订阅数据的方法。164.在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本公开所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solid state disk(ssd))等。165.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。166.本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。167.以上所述仅为本公开的较佳实施例，并非用于限定本公开的保护范围。凡在本公开的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本公开的保护范围内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!