本发明涉及到一种面向多源异构数据的云推送方法
背景技术：
：随着移动通信技术的快速发展，移动互联网已成为互联网发展的主流，成为人们获取信息的主要渠道。通过移动互联网，大量多源异构数据整合在一起创造了全球性的信息共享环境。为了满足用户的需求，各种移动应用呈爆炸性增长，需要推送的数据也向多源化发展。这些多源异构数据对移动终端设备上信息的捕获提出了较高要求,主要体现在移动性和时限性两个方面。移动性要求低功耗、低速率条件下的消息传输；时限性要求信息在规定时间内发送到移动终端设备上。如何快速有效的推送多源异构数据成为社会面临的新问题。这些多源异构数据难以共享也没有统一的方法进行推送，传统的数据推送方法也已经不能适应现在用户对信息的实时需求。目前主要的推送方式是由服务器主动将变化的信息发送给用户，无需用户参与，减少了交互的次数和负担，缩短了反应时间，提高了效率，但是这些方法都不适用于多源异构数据的推送。IOS和Android平台虽然都有自己的推送系统，但由于在网络，操作系统和应用方面的限制，在使用上有一定的局限性，谷歌云消息服务在国内也无法使用，iPhone上的APNS也仅适用于iOS，无法跨平台推送，所以国内外目前对于跨平台的多源异构数据还无法进行实时高效的推送。国内外学者和研究机构从不同的视角对多源异构数据和推送方式进行了研究。首先，从数据传输方向出发的代表性工作主要是YangWang，BharadwajVeeravall设计了一种分阶段获取云端分享数据的算法，能够有效的控制数据的传输成本。国内的许福龙，刘明等人进一步提出了一种基于相对距离感知的动态数据传输策略，采用传感器节点到汇聚点的相对距离来计算节点传输概率的大小,并以此作为消息传输时选择下一跳的依据。从决策方向出发的研究有YangFang-Chun,SuSen提出一种基于模糊多属性决策理论的语义Web服务组合的优化选择算法，该算法能够评价以实数、区间数和语言型数据描述的信息,从而进行综合决策。同济大学的蒋乾悦，张亚英进一步提出了一种基于模糊综合决策的服务器推送方法，该方法将传统的长轮询技术和轮询相结合，得到了一种复合式轮询技术。在利用推送技术实现系统的研究中，中国科学院软件研究所的刘鑫，陈伟提出了一种基于AJAX和ServerPush的web树组件，为用户提供了类似于在windows资源管理器中对目录树操作的基本功能和用户体验。但以上方法均只是通过修改推送方式而实现对单一数据源进行推送，并没有过多考虑多源异构数据的推送问题。技术实现要素：为了克服现有的推送方法无法解决多源异构数据的推送问题，本发明提出一种面向多源异构数据的云推送方法,该方法针对多源异构数据的特征，综合移动互联网安全性和隐私性等特点，来计算分布式环境中多源异构数据的特征值和特征向量，用于快速分离数据源中的同构数据和异构数据，利用云推送技术来实现同构数据和异构数据的自动分离和高效推送。为了解决上述技术问题提供如下技术方案。一种面向多源异构数据的云推送方法，包括如下步骤：第一步：设计云推送平台，过程如下：1.1云推送平台推送三种类型的消息：通知、透传消息及富媒体，通知为向移动端推送展现在系统通知栏的通知消息；透传消息是指以透传的方式将自定义的内容发送到客户端，开发者可以预先在客户端设定好规则，进行消息定制化；富媒体是指推送图片、视频、音频、网址等形式的信息；1.2云推送平台同时应支持向所有用户或根据标签分类向特定用户群体推送消息，根据用户订阅的消息内容，将用户分组，给分组用户不同的标签，根据不同的标签，进行相应内容的推送，对单个用户进行单个标签，最终根据标签内容进行推送；1.3云推送平台提供用户信息及通知消息统计信息，根据用户的反馈信息统计信息留存率，通信率，流量消耗等；1.4云推送平台可以跨平台使用(PC,iOS,Android),用户还可以根据自己的需要添加自定义功能；第二步：多源异构数据的采集，过程如下：2.1将环境中不同系统中的多源异构数据视为云数据，根据系统给予的不同权值，将将云数据分类为不同的模块，如通知模块，富媒体模块，透传消息模块；2.2云推送平台根据用户订阅的模块信息进行管理，根据不同用户订阅的模块，将用户进行分组，具有相同模块的用户为同组并贴上标签。同时管理注册用户的信息；2.3云推送服务器对云数据信息进行管理，将信息按照时间进行管理，记录下每次更新的数据，以便下一步推送时使用；2.4云推送平台对(2.3)中的更新信息进行预处理，将数据格式相同，权值相同的分成不同分组，方便同构数据和异构数据的分离。本发明提出MDCP(MultipleDecisionCloudPush)模型将访问信息库的数据，通过确定权值和属性分离进行决策推送，即为整个“订阅-收集-决策-推送”周期；第三步：信息收集完成后，需要MDCP模型对云数据进行分离，分为多源异构数据和多源同构数据，过程如下：3.1多源异构数据成分分析由于对异构性问题的欠考虑，导致在推送时效率的降低，甚至无法工作。所以在面对异构数据时，选择一个合适的推送方式是必要的。本发明需要解决的问题就是利用这些分布在不同云服务器上的云数据来得到数据的主成分，通过每个主要数据成分值Xi与给出的μ相减即为该成分在该方向上的偏移值，将每个数据的主要成分值Xi(i＝1,2...n)填入矩阵S中。S＝[x1,x2,x3...xn](1)再将矩阵S乘以它的对角矩阵ST后求和再取平均，由于该矩阵乘以它的对角矩阵后得到的为确定的数值，所以该值可以用来表示整体的异构程度，用V表示。V=1NΣi=1N{|(xi-μ)||(xi-μ)T|}---(2)]]>其中μ是根据评估得出的权重值，根据不同的系统得到其取值范围，N为样本总量，由于此时V为确定的数值，该样本的异构程度可用特征值V表示。如果出现多源异构数据需要推送，此时每个数据的主成分不能分为X1～XN，此时需要Xi变为Xij，所以矩阵S变为：S=X11,X12,...X1NX21,X22,...X2N........................Xi1,Xi2,....XiN---(3)]]>此时，V为矩阵，视为特征矩阵，所以V乘以它的对角矩阵，即可推出云数据的特征值k：|V-kE|(4)V给出了特征向量，通过化简求出了相应的特征值k，特征值k的大小和V共同度量了不同云数据的异构程度。但是该方法中没有考虑到数据传输负荷的问题，分布式环境中不同的云数据传输受到通信率，计算能力等因素的限制，希望减少云服务器之间的数据通信量，避免直接传输大量样本，可将数据以矩阵方式进行排列组合，再基于此数据结构进行云推送。3.2多源同构数据的推送，过程如下：在云数据中，虽然存在着大量的多源异构数据，但是还存在着海量多源同构数据，当用户需要的推送内容属于同构数据时，使用协方差矩阵将数据按特征向量分解，分解同构数据就能使用更高效的推送方式，不需要在各个点反复迭代，节约了数据通信率；首先，用第一个云数据站点上的样本估计局部方差和均值向量μ1，再取得第二个云数据站点上的样本估计局部方差和均值向量μ2，直到得到所有云数据站点的样本Nμ。Nkμk为未更新的剩余样本，μK为样本NK的均值向量。在局部方差和均值向量的规定范围内，则认为是这些云数据站点提供的是同构数据，求出平均均值向量μ，再通过Nμ和Nkμk求出平均参数协方差：μ‾=1N+Nk---(5)]]>Σi=1N+NkXi=1N+NK(Nμ+NKμk)---(6)]]>因此在各个云数据样本充足的情况下，计算同构数据的准确性是非常大的，由于是同构数据,次增量更新方程为:Σ*=1N+NkΣi=1N+Nk(xi-μ*)(xi-μ*)T---(7)]]>μ*=μ‾-μk---(8)]]>其中(K＝1,2，3.....)，由于在上述算法中，可以注意到协方差矩阵是对称的，因此在推送过程中，同构数据每次更新，只需要传输半个协方差矩阵，MDCP模型使用基于WebSocket的MQTT(MessageQueuingTelemetryTransport，消息队列遥测传输,是IBM开发的一个即时通讯协议)进行推送，若系统数目为M，参数个数为d，该算法的时间复杂度为：O(M,d)＝(M-1)(d(d+1)/2+d+1)3.3多源异构数据的推送多源异构数据是对同构数据主要成分进行扩展，为了方便数学计算，引入置换矩阵P，对云服务器上取得的样本进行置换映射，结果记为y，即：y＝(ya,yb)t＝PmX(9)其目的是将当前样本中和同构数据中相同的部分集中到向量的前面，用ya表示，而将不同的部分放置在向量的后面，用yb表示，同样，对均值矩阵和协方差矩阵进行置换，结果分别记为μ，∑：μ＝(μa,μb)t＝PmμΣ=ΣaΣbΣbtΣc=PmΣPmT---(10)]]>μ和置换矩阵都是上一次计算得出的量，Σa是在m样本中已经得到的协方差矩阵，Σc是与同构数据中不同元素的协方差矩阵，而Σb是他们之间协方差构成的矩阵。该公式符合高维分布，所以云数据样本就可以采用该高维分布计算，其表达式如下，d为高维分布中的维度值:N(y|μ,Σ)=1(2π)d/2Σ1/2exp{12(y-μ)TΣ-1(y-μ)}---(11)]]>y，μ，∑通过(5)(9)(10)3个公式带入进行简化，并取自然对数可得l(μ,Σ|y)=ΣilogP(μa,Σa|yaj,μb,Σc,Σb)---(12)]]>再求偏导，化简后可得：Σa=1NnΣi=1Nm(ya-μa)(ya-μa)T-Σc-1ΣbT1NMΣi=1NM(yb-μb)(yb-μb)TΣc-1Σb+ΣbΣc-1+ΣbΣc-1ΣbT---(13)]]>其中第一行是与同构数据相同的元素项，已经在公式计(10)中计算出来，第二行就是异构数据，所以信息源更新后推送异构数据的公式即为：Σa=1NΣi=1N(yb-μb)(yb-μb)T---(14)]]>由于在异构数据中，每种云数据的元素的个数是不一定的，所以需要查找每个N，由于转置矩阵的存在，仅需要传输一半的数据。因此传输复杂的为：O(M,d)＝(M-1)(d2+2d)这部分复杂的异构数据推送，MDCP模型将调用互联网上公开的第三方开源免费云推送服务(如百度云推送等)来进行推送。第三方平台的消息推送服务完全免费，可以零成本使用，并拥有强大的服务器集群，具有极高的吞吐能力，用户订阅的消息能以更快的速度送达用户端.3.4MDCP模型运行流程通过上述分析，原有的推送系统确实难以实现对多源异构数据的实时高效推送，当得到需要推送的任务之后，调用MDCP模型。当消息进入推送列表时，MDCP模型通过特征值计算分离出多源同构数据和多源异构数据，首先对云数据进行权值的确定，权值的大小由系统根据属性的重要程度进行分配，再将属性根据权值进行分离，若是多源同构数据，则使用第三方推送方式，若是多源异构数据则使用MQTT推送，若无法推送，则重新进入等待通道。根据该周期的循环性，将MDCP模型用于筛选出重复数据和变化数据信息，再根据特征向量区分出多源同构数据还是多源异构数据，最后根据用户订阅的系统的数量，网络的带宽，推送的数据的数量以及保密性等综合判断所使用的推送方式。进一步，所述云推送框架是面向多源异构数据云推送平台的逻辑架构，分为如下五层：4.1云数据层：该层是云推送平台中的主要部分，各个系统中的多源异构数据形成了云数据，所有数据都属于该层，实现了数据的逻辑虚拟化，第二步中采集的多源异构数据便是来自该层。4.2数据管理层：该层是架构的核心，实现了云推送中数据与推送的协同工作，对外也提供具有相同数据的访问服务。该层与云数据层相连，数据采集完成后，通过MDCP模型来完成推送的选择，同时根据应用接口层来进行数据的分组。4.3应用接口层该层可按需配置，根据用户订阅的不同应用或模块，提供不同数据存储和访问的应用服务，如工资推送服务，学习成绩服务，炒股信息服务，视频监控服务等等，这些服务通过应用接口层与云数据层交互。4.4访问层：授权用户均可通过标准的接口来访问云推送系统，根据用户层中的不同用户类型，给予不同的用户权限，各类用户访问的方式也不完全相同。4.5用户层:用户层主要负责管理各类注册用户，同时也负责用户信息的修改，更新，查询等，同时也管理各类登录终端，如：PC，IOS，Android等。本发明设计的云推送方法面向多源异构数据，通过计算数据的特征值和特征向量来快速分离同构数据和异构数据，以实现数据的高效推送。通过设计多维决策云推送(MDCPMultipledecisioncloudpush)模型，使云推送不仅减少了数据推送更新过程中的同步数据量，缩短了时间，而且解决了多源异构数据的跨平台的推送的问题，特别针对数据量巨大，且工作在低带宽，网络不可靠的情况下工作效率有明显提升。本发明利用多源异构数据云推送技术，解决了目前推送系统中的不足。与现有技术相比有如下优点：1.适用于实时性要求高的推送场合2.可以根据用户属性的标签，分析分组测试推送功能，进行智能推送3.推送过程操作简单，准确高效。4.云推送服务器实时感知数据变态，当推送数据变化时，服务器主动推送信息据至APP端，体现推送的高效，实时。附图说明图1是云推送平台功能设计的示意图。图2是MDCP模型运行过程的示意图。图3是云推送过程设计的示意图。图4是云推送逻辑架构的示意图。图5是通信率变化图。图6是云推送方法流量图。图7是传统推送平台留存率的示意图。图8是云推送平台留存率的示意图。具体实施方式下面结合附图对本发明做进一步说明。实施例1参照图1～图8，一种面向多源异构数据的云推送方法，包括以下步骤：第一步：设计云推送平台，对平台中各个功能模块进行解析，云推送平台功能设计如图1所示1.1云推送平台可以推送三种类型的消息：通知、透传消息及富媒体。通知为向移动端推送展现在系统通知栏的通知消息。透传消息是指以透传的方式将自定义的内容发送到客户端。开发者可以预先在客户端设定好规则，进行消息定制化。富媒体是指推送图片、视频、音频、网址等形式的信息。1.2云推送平台同时应支持向所有用户或根据标签分类向特定用户群体推送消息，根据用户订阅的消息内容，将用户分组，给分组用户不同的标签，根据不同的标签，进行相应内容的推送，对单个用户进行单个标签，最终根据标签内容进行推送。1.3云推送平台提供用户信息及通知消息统计信息，根据用户的反馈信息统计信息留存率，通信率，流量消耗等1.4云推送平台可以跨平台使用(PC，iOS，Android)，用户还可以根据自己的需要添加自定义功能。第二步：多源异构数据的采集过程,如图3所示2.1将其他各个系统中的多源异构数据视为云数据，根据用户订阅的信息，将云数据分类为不同的模块。2.2云推送平台对用户订阅的模块信息进行管理，包括订阅内容，注册信息，修改信息等。2.3云推送服务器对云数据信息进行管理，包括云数据的更新，修改等。2.4云推送平台对(2.3)中的更新信息进行预处理，包括数据的格式，大小等。第三步：信息收集完成后，需要MDCP模型对云数据进行分离，分为多源异构数据和多源同构数据，其流程如图3所示：3.1多源异构数据成分分析本发明需要解决的问题就是利用这些分布在不同云服务器上的云数据来得到数据的主成分，通过每个主要数据成分值Xi与给出的μ相减即为该成分在该方向上的偏移值，将每个数据的主要成分值Xi(i＝1,2...n)填入矩阵S中。S＝[x1,x2,x3...xn](1)再将矩阵S乘以它的对角矩阵ST后求和再取平均，由于该矩阵乘以它的对角矩阵后得到的为确定的数值，所以该值可以用来表示整体的异构程度，用V表示。V=1NΣi=1N{|(xi-μ)||(xi-μ)T|}---(2)]]>其中μ是根据评估得出的权重值，根据不同的系统得到其取值范围，N为样本总量，由于此时V为确定的数值，该样本的异构程度可用特征值V表示。如果出现多源异构数据需要推送，此时每个数据的主成分不能分为X1～XN，此时需要Xi变为XIJ，所以矩阵S变为：S=X11,X12,...X1NX21,X22,...X2N........................Xi1,Xi2,....XiN---(3)]]>此时，V为矩阵，视为特征矩阵，所以V乘以它的对角矩阵，即可推出云数据的特征值k：|V-kE|(4)V给出了特征向量，通过化简求出了相应的特征值k，特征值k的大小和V共同度量了不同云数据的异构程度。但是该方法中没有考虑到数据传输负荷的问题，分布式环境中不同的云数据传输受到通信率，计算能力等因素的限制，希望减少云服务器之间的数据通信量，避免直接传输大量样本，可将数据以矩阵方式进行排列组合，再基于此数据结构进行云推送。3.2多源同构数据的推送在云数据中，虽然存在着大量的多源异构数据，但是还存在着海量多源同构数据，当用户需要的推送内容属于同构数据时，使用协方差矩阵将数据按特征向量分解，分解同构数据就能使用更高效的推送方式，不需要在各个点反复迭代，节约了数据通信率。首先，用第一个云数据站点上的样本估计局部方差和均值向量μ1，再取得第二个云数据站点上的样本估计局部方差和均值向量μ2，直到得到所有云数据站点的样本Nμ。Nkμk为未更新的剩余样本，μK为样本NK的均值向量。在局部方差和均值向量的规定范围内，则认为是这些云数据站点提供的是同构数据，求出平均均值向量μ，再通过Nμ和Nkμk求出平均参数协方差：μ‾=1N+Nk---(5)]]>Σi=1N+NkXi=1N+NK(Nμ+NKμk)---(6)]]>因此在各个云数据样本充足的情况下，计算同构数据的准确性是非常大的，由于是同构数据,次增量更新方程为:Σ*=1N+NkΣi=1N+Nk(xi-μ*)(xi-μ*)T---(7)]]>μ*=μ‾-μk---(8)]]>其中(K＝1,2，3.....)。由于在上述算法中，可以注意到协方差矩阵是对称的，因此在推送过程中，同构数据每次更新，只需要传输半个协方差矩阵，MDCP模型使用基于WebSocket的MQTT进行推送，若系统数目为M，参数个数为d，该算法的时间复杂度为：O(M,d)＝(M-1)(d(d+1)/2+d+1)3.3多源异构数据的推送多源异构数据是对同构数据主要成分进行扩展，为了方便数学计算，引入置换矩阵P，对云服务器上取得的样本进行置换映射，结果记为y，即：y＝(ya,yb)t＝PmX(9)其目的是将当前样本中和同构数据中相同的部分集中到向量的前面，用ya表示，而将不同的部分放置在向量的后面，用yb表示，同样，对均值矩阵和协方差矩阵进行置换，结果分别记为μ，∑：μ＝(μa,μb)t＝PmμΣ=ΣaΣbΣbtΣc=PmΣPmT---(10)]]>μ和置换矩阵都是上一次计算得出的量，Σa是在m样本中已经得到的协方差矩阵，Σc是与同构数据中不同元素的协方差矩阵，而Σb是他们之间协方差构成的矩阵。该公式符合高维分布，所以云数据样本就可以采用该高维分布计算，其表达式如下:N(y|μ,Σ)=1(2π)d/2Σ1/2exp{12(y-μ)TΣ-1(y-μ)}---(11)]]>y，μ，∑通过(5)(9)(10)3个公式带入进行简化，并取自然对数可得l(μ,Σ|y)=ΣilogP(μa,Σa|yaj,μb,Σc,Σb)---(12)]]>再求偏导，化简后可得：Σa=1NnΣi=1Nm(ya-μa)(ya-μa)T-Σc-1ΣbT1NMΣi=1NM(yb-μb)(yb-μb)TΣc-1Σb+ΣbΣc-1+ΣbΣc-1ΣbT---(13)]]>其中第一行是与同构数据相同的元素项，已经在公式计(10)中计算出来，第二行就是异构数据，所以信息源更新后推送异构数据的公式即为：Σa=1NΣi=1N(yb-μb)(yb-μb)T---(14)]]>由于在异构数据中，每种云数据的元素的个数是不一定的，所以需要查找每个N，由于转置矩阵的存在，仅需要传输一半的数据。因此传输复杂的为：O(M,d)＝(M-1)(d2+2d)这部分复杂的异构数据推送，MDCP模型将调用互联网上公开的第三方开源免费云推送服务(如百度云推送等)来进行推送。第三方平台的消息推送服务完全免费，可以零成本使用，并拥有强大的服务器集群，具有极高的吞吐能力，用户订阅的消息能以更快的速度送达用户端。3.4MDCP模型运行流程通过上述分析，原有的推送系统确实难以实现对多源异构数据的实时高效推送，当得到需要推送的任务之后，调用MDCP模型，其运行过程如图2所示。当消息进入推送列表时，MDCP模型通过特征值计算分离出多源同构数据和多源异构数据，若是多源同构数据，则使用MQTT协议推送(图2①)，若是多源异构数据则使用第三方推送方式(图2②)，若无法推送，则重新进入等待通道(图2③)。第四步：云推送框架是面向多源异构数据云推送平台的逻辑架构图，如图4所示，云推送平台逻辑架构一般可分为如下五层：4.1云数据层：该层是云推送平台中的主要部分，各个系统中的多源异构数据形成了云数据，所有数据都属于该层，实现了数据的逻辑虚拟化，第二步中采集的多源异构数据便是来自该层。4.2数据管理层：该层是架构的核心，实现了云推送中数据与推送的协同工作，对外也提供具有相同数据的访问服务。该层与云数据层相连，数据采集完成后，通过MDCP模型来完成推送的选择，同时根据应用接口层来进行数据的分组。4.3应用接口层该层可按需配置，根据用户订阅的不同应用或模块，提供不同数据存储和访问的应用服务，如工资推送服务，学习成绩服务，炒股信息服务，视频监控服务等等，这些服务通过应用接口层与云数据层交互。4.4访问层：授权用户均可通过标准的接口来访问云推送系统，根据用户层中的不同用户类型，给予不同的用户权限，各类用户访问的方式也不完全相同。4.5用户层:用户层主要负责管理各类注册用户，同时也负责用户信息的修改，更新，查询等，同时也管理各类登录终端，如：PC,IOS,Android等。实施例2本发明提供了一种面向多源异构数据的云推送方法，将其应用于Android和iOS两大平台，包括以下步骤：第一步：云推送方法运用在Android和iOS平台上。1.1本发明使用云推送平台在安卓和iOS中进行了测试，云数据来源于成绩系统，工资系统和微影视系统，采集到数据后将数据的主要成分值权重为：用户权限，用户登录时间，用户发布/订阅的模式(一对多/一对一)，用户登录数量，传输数据量。权重μ是经过综合考虑而确定的，假设本系统中成分值权重为(0.3，0.2,0.2,0.1,0.1，0.1)。权重越高，该成分值的变化对最后MDCP推送结果的影响越大。由于数据来源于三个系统，并且微影视系统的数据类型不同(存在富媒体信息)，所以采集到的数据属于多源异构数据，如表1所示。表1云数据数据成分值1.2将表一中数据带入具体实施例1中公式(3)中可得：S=0.0850.1220.2310.0810.0980.950.1270.1280.2460.2000.3100.8100.8910.1290.8710.7640.9900.7690.3610.7650.5600.8090.5910.7600.8190.5810.1290.7940.8990.8700.2700.8000.5310.7500.9990.969]]>将矩阵S和权重值μ代入具体实施例1中公式(2)中可得：V1=|0.085-0.3||0.122-0.2||0.231-0.2||0.081-0.1||0.098-0.1||0.95-0.1||0.127-0.3||0.128-0.2||0.246-0.2||0.200-0.1||0.310-0.1||0.81-0.1||0.891-0.3||0.129-0.2||0.871-0.2||0.764-0.1||0.990-0.1||0.769-0.1||0.361-0.3||0.765-0.2||0.560-0.2||0.809-0.1||0.591-0.1||0.760-0.1||0.819-0.3||0.581-0.2||0.129-0.2||0.794-0.1||0.899-0.1||0.870-0.1||0.270-0.3||0.800-0.2||0.531-0.2||0.750-0.1||0.999-0.1||0.969-0.1|]]>V=15Σi=15V1·V1T=0.0120.1670.2310.4310.9810.9930.1250.1450.2460.2650.2300.2310.8010.1200.8710.5640.9230.9280.3230.7650.5230.8570.3910.1250.8320.5810.1270.7560.8670.8490.2460.8000.5310.7500.0120.980]]>得到特征矩阵之后，通过具体实施例1中公式(4)可以求出特征值0.0120.1670.2310.4310.9810.9930.1250.1450.2460.2650.2300.2310.8010.1200.8710.5640.9230.9280.3230.7650.5230.8570.3910.1250.8320.5810.1270.7560.8670.8490.2460.8000.5310.7500.0120.980-k100000010000001000000100000010000001]]>化简后可得：k1＝1.2k2＝1.6k3＝4.9k3＝4.9明显属于异构数据，k1，k2可以视为多源同构数据。ya=0.0850.1220.2310.0810.1270.1280.2460.2000.8910.1290.8710.7640.3610.7650.5600.8090.8190.5810.1290.7940.2700.8000.5310.750yb=0.0980.950.3100.8100.9900.7690.5910.7600.8990.8700.9990.969]]>y=(ya,yb)t=0.0850.1270.9810.3610.8190.2700.1220.1280.1290.7650.5810.8000.2310.2460.8710.5600.1290.5310.0810.2000.7640.8090.7940.7500.0980.3100.9900.5910.8990.9990.9500.8100.7690.7600.8700.969]]>1.3表2各个时间段的数据成分值均值由表2所示，为了求得均值矩阵μ，通过6个不同时间段测出6组均值，构成矩阵μ：μ=0.050.080.0850.090.0950.100.1200.1390.1840.6180.2000.080.6410.1490.1400.2100.3000.200.20030.090.0510.2300.2010.900.2300.120.2320.5600.6400.800.9170.600.0900.1500.1500.78]]>MDCP最终确定综合推送方式，由于权重为k＝(0.3,0.2,0.2,0.1,0.1)，所以l(μ，Σy)＝Σ|y·k将μ,Σy代入具体实施例1公式(12)，得出高维分布N＝(L,μ,Σ),根据向量计算N＝(0.35，0.25,0.15)。将L代入具体实施例1公式(13)中，可以得出：Σa=0.038,0.050,0.500,0.020,0,00.050,0.040,0.010,0,0.750,00.500,0.010,0.028,0,0,0.980]]>由于每次推送部分为更新的数据，所以去除矩阵中后面3列多余数据，得到Σd为更新数据：Σd=0.038,0.050,0.5000.050,0.040,0.0100.500,0.010,0.028]]>从矩阵中可以看出，Σd为对称矩阵，所以每次更新是传输的数据量为原来传统推送方式的二分之一，大大提高了推送效率。第二步：云推送平台提供用户信息及通知消息统计信息，根据用户的反馈信息统计信息留存率，通信率，流量消耗等2.1通信率分析，如图5所示，横坐标表示任务数，纵坐标表示通信率为衡量本发明提出的MDCP算法的能力，从平均传输率，通信率，静置时流量，推送留存率来对多源异构数据云推送方法中的模型有效性进行评估。通信率是指单位时间内用户与云推送平台的通信次数，测试用户是否愿意使用该平台进行数据推送,并同时测试了在通信次数高的时候会不会产生其他问题，传统的推送方式通信率基本不变是由于在推送任务队列消息的整个过程中一直都会向服务器发送请求，而本发明提出的云推送模型处于信息收集阶段，随着系统的运行，任务数量增多，优势就逐渐显示出来，在任务数越多，花费的通信量反而变少，如表3所示。表3平均传输率数据表2.2云推送方法流量，如图6所示，横坐标表示流量值，纵坐标表示静置时间。静置时流量是指在手机静置时由于推送而产生的额外流量，云推送平台是否会因为通信率的改善而产生大量流量，分别使用云推送平台和传统推送平台进行比较，结果表明云推送平台在移动设备静置时间较长情况下流量消耗少于传统推送平台。平均传输率是指通过多次对比计算，与普通推送方式相对比的传输量，结果如表4所示：表3静置时流量对比表2.3云推送方法留存率，如图7和图8所示，横坐标表示星期数，纵坐标表示留存率的百分比。留存率是指在一定时间内，如1-6个星期，用户还留有该推送消息的比例，也能从一定程度反映出该模型对用户的影响，传统推送平台与云推送平台留存率对比图，结果表明几乎每星期云推送平台的留存率都大于传统推送平台留存率的一倍以上，6个星期后传统推送平台的留存率已经不到20％，而云推送平台几乎达到50％。当前第1页1 2 3