本申请涉及大数据和云计算的数据处理技术领域，尤其涉及结合大数据和云计算的智能设备数据处理方法及云服务器。
背景技术：
智能家居相较于传统家居能够为用户提供更大的便捷性、舒适性和智能性。通过智能家，可以居构建高效的住宅设施与家庭日程事务的管理系统，从而实现对诸多不同类型的智能家居的智能化管理和调度。在实际应用时，为了对智能家居实现统一、高效的管理，一般采用云端集成的管理方式，也即一套智能家居均与一个云服务器通信，并受该云服务器的管理。云服务器在对智能家居进行管理时，为了提高管理效率，通常会对智能家居对应的用户行为数据进行分析，然而通过现有技术对用户行为数据进行分析时，常常会出现占用云服务器较多的时间片资源以及内存资源的问题。
技术实现要素：
本申请提供结合大数据和云计算的智能设备数据处理方法及云服务器，以改善现有技术的上述技术问题。
提供一种结合大数据和云计算的智能设备数据处理方法，所述方法包括：
基于获取到的每个智能家居对应的用户行为数据以及每个智能家居对应的状态记录日志的设备运行数据，解析基于所述智能家居所形成的智能家居网络对应的网络状态数据，以获取所述网络状态数据中包括的每个智能家居所对应的数据流量校验结果；
通过所述数据流量校验结果提取所述网络状态数据的待处理数据；其中，所述待处理数据用于确定用户行为数据的数据维度数；
确定所述待处理数据对应的用户标签数据和属性指向值并基于所述属性指向值建立每组用户行为数据与所述用户标签数据的对应关系，根据所述对应关系确定每组用户行为数据的数据维度数；
按照所述数据维度数对每组用户行为数据进行数据属性字段提取，得到每组用户行为数据对应的n个第一数据属性字段；对所述n个第一数据属性字段进行筛分得到m个第二数据属性字段，根据所述m个第二数据属性字段对所述智能家居进行调度；其中，n为正整数，m为小于n的正整数，所述第二数据属性字段的特征识别度大于所述第一数据属性字段的特征识别度。
提供一种云服务器，所述云服务器用于：
基于获取到的每个智能家居对应的用户行为数据以及每个智能家居对应的状态记录日志的设备运行数据，解析基于所述智能家居所形成的智能家居网络对应的网络状态数据，以获取所述网络状态数据中包括的每个智能家居所对应的数据流量校验结果；
通过所述数据流量校验结果提取所述网络状态数据的待处理数据；其中，所述待处理数据用于确定用户行为数据的数据维度数；
确定所述待处理数据对应的用户标签数据和属性指向值并基于所述属性指向值建立每组用户行为数据与所述用户标签数据的对应关系，根据所述对应关系确定每组用户行为数据的数据维度数；
按照所述数据维度数对每组用户行为数据进行数据属性字段提取，得到每组用户行为数据对应的n个第一数据属性字段；对所述n个第一数据属性字段进行筛分得到m个第二数据属性字段，根据所述m个第二数据属性字段对所述智能家居进行调度；其中，n为正整数，m为小于n的正整数，所述第二数据属性字段的特征识别度大于所述第一数据属性字段的特征识别度。
提供一种云服务器，包括：处理器，以及与处理器连接的内存和网络接口；所述网络接口与云服务器中的存储器连接；所述处理器在运行时通过所述网络接口从所述存储器中调取计算机程序，并通过所述内存运行所述计算机程序，以执行上述的方法。
提供一种应用于计算机的可读存储介质，所述可读存储介质烧录有计算机程序，所述计算机程序在云服务器的内存中运行时实现上述的方法。
本发明实施例提供的结合大数据和云计算的智能设备数据处理方法及云服务器，首先基于用户行为数据和设备运行数据解析智能家居网络对应的网络状态数据获得网络状态数据中包括的每个智能家居所对应的数据流量校验结果。
其次通过数据流量校验结果提取网络状态数据的待处理数据。
然后确定待处理数据对应的用户标签数据和属性指向值并基于属性指向值建立每组用户行为数据与所述用户标签数据的对应关系，根据对应关系确定每组用户行为数据的数据维度数。
最后按照数据维度数对每组用户行为数据进行数据属性字段提取得到每组用户行为数据对应的n个第一数据属性字段并进行筛分得到m个第二数据属性字段，根据m个第二数据属性字段对智能家居进行调度。
如此，能够筛分出高特征识别度的数据属性字段，从而精简云服务器处理的数据属性字段的数量，提高云服务器对数据属性字段的处理效率，避免占用云服务器过多的时间片资源和内存资源。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1是本申请根据一示例性实施例示出的一种智能设备管理系统的架构图。
图2是本申请根据一示例性实施例示出的一种结合大数据和云计算的智能设备数据处理方法的流程图。
图3是本申请根据一示例性实施例示出的一种结合大数据和云计算的智能设备数据处理装置的一个实施例框图。
图4为本申请根据一示例性实施例示出的云服务器的一种硬件结构图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请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。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。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”。
针对现有技术存在的云服务器得时间片资源和内存资源占用过度的技术问题，发明人进行了深入研究和分析，发现现有的云服务器在对用户行为数据进行分析时，为了提高数据分析准确性，会根据用户行为数据进行用户画像的提取，在提取用户画像时需要对用户行为数据进行数据属性字段的提取并对数据属性字段的筛分，从而根据筛分得到的数据属性字段进行用户画像提取以实现对对应智能家居的管理。
然而在上述方法中，筛分出的数据属性字段的特征识别度较小，这会导致云服务器对过多的数据属性字段进行处理，如此会占用云服务器过多的时间片资源和内存资源。
为改善上述技术问题，本发明实施例提供了一种结合大数据和云计算的智能设备数据处理方法及云服务器，能够筛分出高特征识别度的数据属性字段，从而精简云服务器处理的数据属性字段的数量，提高云服务器对数据属性字段的处理效率，避免占用云服务器过多的时间片资源和内存资源。
为实现上述目的，请首先参阅图1，首先提供了一种智能设备管理系统100的通信架构示意图，所述智能设备管理系统100可以包括互相之间通信连接的云服务器200以及多个智能家居300，所述智能家居300可以是电视、电脑、空调、照明灯、洗衣机、热水器和抽油烟机等，在此不作限定。云服务器200可以从智能家居300中获取用户行为数据并进行数据属性字段的精准筛分以提取用户画像，从而实现对智能家居300的管理。在对筛分出的数据属性字段进行分析时，由于数据属性字段具有高特征识别度，能够提高云服务器对数据属性字段的处理效率，避免占用云服务器过多的时间片资源和内存资源。
在上述基础上，请结合参阅图2，提供了结合大数据和云计算的智能设备数据处理方法流程示意图，所述方法可以应用于图1中的云服务器200，具体可以包括以下步骤s210-步骤s240所描述的内容。
步骤s210，基于获取到的每个智能家居对应的用户行为数据以及每个智能家居对应的状态记录日志的设备运行数据，解析基于所述智能家居所形成的智能家居网络对应的网络状态数据，以获取所述网络状态数据中包括的每个智能家居所对应的数据流量校验结果。
其中，用户行为数据可以是用户通过移动终端或者便携式终端与智能家居300进行交互时所产生的数据，用户行为数据能够反映用户对智能家居300的使用习惯和使用偏好等。设备运行数据用于记录智能家居300的运行状态例如耗电量、损耗记录和数据处理记录等。
其中，智能家居网络可以对应一个住宅区、也可是一户住户所对应的多个智能家居300。例如，以一户住户为例，智能家居网络可以是该住户中的所有智能家居300所形成的交互网络。数据流量校验结果用于表征智能家居300的使用安全性，例如，数据流量校验结果可以表征智能家居300在启动、运行和关闭时的数据流量和通信协议的稳定状态。
步骤s220，通过所述数据流量校验结果提取所述网络状态数据的待处理数据；其中，所述待处理数据用于确定用户行为数据的数据维度数。
详细地，为了确保提取得到的待处理数据的准确性和可靠性，从而确保后续确定出的数据维度数的精准性，步骤s220具体可以包括以下步骤s221和步骤s222所描述的内容。
步骤s221，将所述数据流量校验结果中相对于具备数据备份密钥的校验结果标签具有数据修改标识的目标结果数据转移到预设缓存区；
步骤s222，根据所述数据流量校验结果中的剩余结果数据提取所述网络状态数据中数据更新频率不随所述具有数据修改标识的目标结果数据的更新而初始化的待处理数据。
在本实施例中，通过对数据流量校验结果进行目标数据结果的确定和转移，能够避免目标结果数据对待处理数据的影响，从而确保提取得到的待处理数据的准确性和可靠性，保证后续确定出的数据维度数的精准性。
步骤s230，确定所述待处理数据对应的用户标签数据和属性指向值并基于所述属性指向值建立每组用户行为数据与所述用户标签数据的对应关系，根据所述对应关系确定每组用户行为数据的数据维度数。
在本实施例中，用户标签数据用于对用户身份进行识别和区分，属性指向值用于指示用户行为数据与用户标签数据之间的映射路径以辅助建立对应关系，数据维度数可以是用户行为数据的初始特征的数量，初始特征是用户行为数据中的数据属性字段。
步骤s240，按照所述数据维度数对每组用户行为数据进行数据属性字段提取，得到每组用户行为数据对应的n个第一数据属性字段；对所述n个第一数据属性字段进行筛分得到m个第二数据属性字段，根据所述m个第二数据属性字段对所述智能家居进行调度；其中，n为正整数，m为小于n的正整数，所述第二数据属性字段的特征识别度大于所述第一数据属性字段的特征识别度。
在本实施例中，根据所述m个第二数据属性字段对所述智能家居进行调度，具体包括：对每组用户行为数据对应的m个第二数据属性字段进行聚类得到聚类结果，通过所述聚类结果提取每个智能家居的用户画像并根据所述用户画像对所述智能家居网络进行调度。
可以理解，通过执行上述步骤s210-步骤s240所描述的内容，首先基于用户行为数据和设备运行数据解析智能家居网络对应的网络状态数据获得网络状态数据中包括的每个智能家居所对应的数据流量校验结果，其次通过数据流量校验结果提取网络状态数据的待处理数据，然后确定待处理数据对应的用户标签数据和属性指向值并基于属性指向值建立每组用户行为数据与所述用户标签数据的对应关系，根据对应关系确定每组用户行为数据的数据维度数，最后按照数据维度数对每组用户行为数据进行数据属性字段提取得到每组用户行为数据对应的n个第一数据属性字段并进行筛分得到m个第二数据属性字段，根据m个第二数据属性字段对智能家居进行调度。如此，能够筛分出高特征识别度的数据属性字段，从而精简云服务器处理的数据属性字段的数量，提高云服务器对数据属性字段的处理效率，避免占用云服务器过多的时间片资源和内存资源。
在具体实施过程中，为了实现对第一数据属性字段的准确筛分，以确保第二数据属性字段的数量最小化，步骤s240所描述的对所述n个第一数据属性字段进行筛分得到m个第二数据属性字段，进一步可以包括以下步骤s241和步骤s242所描述的内容。
步骤s241，根据获取的每组用户行为数据的数据流轨迹和数据认证协议确定用于筛分所述n个第一数据属性字段的多个指标数据的筛分权重以及不同指标数据之间的指标重叠率。
步骤s242，基于确定的所述多个指标数据的筛分权重以及不同指标数据之间的指标重叠率，对所述n个第一数据属性字段进行筛分，使得筛分出的m个第二数据属性字段中的每个第二数据属性字段对应的目标指标数据的目标筛分权重位于第一预设区间内且筛选出m个第二数据属性字段之间的指标重叠率位于第二预设区间内；其中，所述第一预设区间和所述第二预设区间用于指示数据属性字段的特征识别度的分布。
通过执行上述步骤s241和步骤s242所描述的内容，能够实现对第一数据属性字段的准确筛分，以确保第二数据属性字段的数量最小化，从而将云服务器200的时间片资源和内存资源的占用最小化。
在具体实施过程中，发明人发现，在确定指标数据的筛分权重和指标重叠率时，往往会存在筛分权重过小且指标重叠率过大的技术问题。究其原因，是没有将数据流轨迹和数据认证协议之间的时序一致性考虑在内。为了解决这一技术问题，步骤s241所描述的根据获取的每组用户行为数据的数据流轨迹和数据认证协议确定用于筛分所述n个第一数据属性字段的多个指标数据的筛分权重以及不同指标数据之间的指标重叠率，具体可以包括以下步骤s2411-步骤s2415所描述的内容。
步骤s2411，按照预设时间步长间隔将每组用户行为数据的数据流轨迹进行切分得到多个轨迹区段并针对每个轨迹区段生成对应的轨迹描述数据，将生成的轨迹描述数据按照时序先后顺序拼接成所述数据流轨迹对应的轨迹数据集；其中，所述轨迹数据集中的每组轨迹描述数据的第一时序权重不同。
步骤s2412，基于每组用户行为数据对应的轨迹数据集对应的第一时序权重的分布轨迹调整预设的协议解析线程中的线程参数，并基于调整过后的协议解析线程对每组用户行为数据对应的数据认证协议进行认证密钥的解析，获得每组用户行为数据轨迹对应的数据认证协议的多个认证密钥以及每个认证密钥的第二时序权重。
步骤s2413，判断每组用户行为数据对应的第一时序权重的数量与第二时序权重的数量是否相同；在每组用户行为数据对应的第一时序权重的数量与第二时序权重的数量不相同时，则计算每组用户行为数据对应的第一时序权重对应的第一权重均值以及每组用户行为数据对应的第二时序权重对应的第二权重均值，以所述第一权重均值和所述第二权重均值中的较大值对应的时序权重的数量为基准，对所述第一权重均值和所述第二权重均值中的较小值对应的时序权重进行合并以使得每组用户行为数据对应的第一时序权重的数量与第二时序权重的数量相同。
步骤s2414，在每组用户行为数据对应的第一时序权重的数量与第二时序权重的数量相同时，提取每组用户行为数据对应的轨迹数据集中的其中一个轨迹区段的轨迹影响数据的数据描述信息，并行地将每组用户行为数据对应的数据认证协议中具有最大第二时序权重的认证密钥作为基准密钥；根据每组用户行为数据的时序有效性指标数据采用所述基准密钥对所述数据描述信息进行加密计算得到所述数据描述信息对应的加密信息；基于所述加密信息和所述数据描述信息的信息相关度确定每组用户行为数据对应的数据流轨迹和数据认证协议之间的时序差异系数并采用所述时序差异系数对所述第一时序权重和所述第二时序权重进行修正得到第一目标时序权重和第二目标时序权重。
步骤s2415，根据所述第一目标时序权重确定所述数据流轨迹对应的轨迹变量数据并通过所述轨迹变量数据确定用于筛分所述n个第一数据属性字段的多个指标数据的筛分权重；采用所述第二目标时序权重对所述筛分权重进行加权得到目标筛分权重，通过每个认证密钥计算对应的所述目标筛分权重之间的初始重叠率并将所述初始重叠率中的最小值确定为所述指标重叠率。
通过应用上述步骤s2411-步骤s2415，能够没有将数据流轨迹和数据认证协议之间的时序一致性考虑在内，从而准确确定出筛分权重和指标重叠率，解决筛分权重过小且指标重叠率过大的技术问题。
在一个可以实现的实施方式中，为了对待处理数据进行完整的分析从而确保用户标签数据的全面性以及属性指向值的精准性，在步骤s230中，确定所述待处理数据对应的用户标签数据和属性指向值，示例性地可以通过以下子步骤s2311-步骤s2313实现。
步骤s2311，提取所述待处理数据对应的属性配置参数和多个数据编码；基于所述属性配置参数生成所述待处理数据对应的第一编码分组标识以及第二编码分组标识；其中，所述第一编码分组标识和所述第二编码分组标识分别用于表征所述待处理数据的编码更新速率和编码迭代速率。
步骤s2312，为所述多个数据编码中的一部分数据编码设置所述第一编码分组标识并为所述多个数据编码中的另一部分数据编码设置所述第二编码分组标识；依据所述第一编码分组标识下的第一数据编码以及所述第一数据编码之间的相关性系数计算所述第二编码分组标识下的第二数据编码与所述第一编码分组标识下的第一数据编码之间的关联系数，并通过所述关联系数将所述第一编码分组标识下的部分第一数据编码划分到所述第二编码分组标识下。
步骤s2313，对所述第一编码分组标识下的第一数据编码进行译码获得用户标签集并从所述用户标签集中选取出多个互相之间的特征相关度低于预设相关度的用户标签数据；对所述第二编码分组标识下的第二数据编码进行译码获得属性指向序列并基于所述属性指向序列的结构化数据确定所述属性指向值。
可以理解，通过上述步骤s2311-步骤s2313所描述的内容，能够对待处理数据进行完整的分析从而确保用户标签数据的全面性以及属性指向值的精准性。
在具体实施过程中，发明人发现，在建立对应关系时会出现用户标签数据缺失的问题。究其原因，是由于不同用户行为数据可能对应相同的用户标签数据，当同一个用户标签数据对应多个用户行为数据时，用户标签数据的数据调用累计值会增加，而在建立对应关系时默认的参数配置会自动删除数据调用累计值超过预定值的用户标签数据，这会导致用户标签数据的缺失从而造成对应关系的不完整，进而影响到数据维度数的准确性。为了改善上述技术问题，在步骤s230中，基于所述属性指向值建立每组用户行为数据与所述用户标签数据的对应关系，根据所述对应关系确定每组用户行为数据的数据维度数，具体可以包括以下步骤s2321-步骤s2324所描述的内容。
步骤s2321，将所述属性指向值按照每组用户行为数据对应的数据热度值依次映射到每组用户行为数据所对应的数据列表中，得到由所述属性指向值在每组用户行为数据所对应的数据列表中的映射指向值所组成的指向数组。
步骤s2322，基于所述指向数组确定每组用户行为数据对应的用户标签数据的数据调用累计值；从预存的参数配置中解析得到用于检测数据调用累计值的异常情况的预定值。
步骤s2323，在所述数据调用累计值大于所述预定值时，对所述参数配置进行修改以关闭对所述数据调用累计值的异常检测进程；在关闭所述异常检测进程后，根据每组用户行为数据及其对应的用户标签数据之间的路径标识信息建立所述对应关系。
步骤s2324，从所述对应关系中提取出每组用户行为数据对应的标签路径轨迹并基于所述标签路径轨迹之间的交点数量确定每组用户行为数据的数据维度数。
如此，基于上述步骤s2321-步骤s2324所描述的内容，能够在建立对应关系时对默认的参数配置进行修改，从而避免异常检测进程自动删除数据调用累计值超过预定值的用户标签数据。这样可以避免用户标签数据的缺失，确保对应关系的完整性，进而确保数据维度数的准确性。
在实际应用时，为了确保第一数据属性字段的全面性，避免遗漏特征识别度高的第一数据属性字段，在步骤s240中，按照所述数据维度数对每组用户行为数据进行数据属性字段提取，得到每组用户行为数据对应的n个第一数据属性字段，进一步地可以包括以下步骤（1）-步骤（3）所描述的内容。
（1）确定根据所述数据维度数所计算得到的每组用户行为数据的报文信息。
（2）针对所述报文信息中的当前报文信息，依据当前报文信息在对应的智能家居的有效运行时段内的第一封装累计值以及各所述报文信息在所述对应的智能家居的有效运行时段内的第二封装累计值，确定当前报文信息在所述对应的智能家居的有效运行时段内的报文封装热度。
（3）基于所述报文封装热度对所述数据维度数进行迭代得到目标数据维度数并根据所述目标数据维度数从每组用户行为数据中提取n个第一数据属性字段。
可以理解，在应用上述步骤（1）-步骤（3）所描述的内容时，能够确保第一数据属性字段的全面性，避免遗漏特征识别度高的第一数据属性字段。
在一种可替换的实施方式中，上述步骤（3）所描述的基于所述报文封装热度对所述数据维度数进行迭代得到目标数据维度数并根据所述目标数据维度数从每组用户行为数据中提取n个第一数据属性字段，具体可以通过以下步骤（31）-步骤（34）的内容实现。
（31）将各个报文封装热度对应的热度评价系数列出并建立报文热度评价列表；其中，所述报文热度评价列表为分块列表，每块子列表对应一个列表迭代系数且每个列表迭代系数对应至少一个热度评价系数，所述报文热度评价列表的各块子列表具有由小到大的列表关联关系。
（32）根据所述列表关联关系将每块子列表对应的列表迭代系数以及该列表迭代系数对应的热度评价系数进行加权求和，得到每个报文封装热度对应的迭代因子以及迭代优先级。
（33）按照所述迭代优先级由大到小的顺序采用对应的迭代因子依次对所述数据维度数进行迭代得到所述目标数据维度数。
（34）按照所述目标维度数将每组用户行为数据进行字段切分，得到多个数据字段，对每个数据字段中的属性标签进行解析得到每个数据字段对应的属性描述值，根据所述属性描述值对所述数据字段进行转换，得到所述数据字段对应的第一数据属性字段。
在执行上述步骤（31）-步骤（34）所描述的内容时，能够对数据维度数进行迭代，从而确保对每组用户行为数据进行字段切分的数量，这样可以确保确定出的第一数据属性字段的全面性，避免遗漏部分特征识别度较高的第一数据属性字段。
基于上述同样的发明构思，请结合参阅图3，提供了结合大数据和云计算的智能设备数据处理装置400的功能模块框图，关于所述智能设备数据处理装置400的具体描述如下。
a1.一种结合大数据和云计算的智能设备数据处理装置400，所述装置包括：
数据解析模块410，用于基于获取到的每个智能家居对应的用户行为数据以及每个智能家居对应的状态记录日志的设备运行数据，解析基于所述智能家居所形成的智能家居网络对应的网络状态数据，以获取所述网络状态数据中包括的每个智能家居所对应的数据流量校验结果；
数据提取模块420，用于通过所述数据流量校验结果提取所述网络状态数据的待处理数据；其中，所述待处理数据用于确定用户行为数据的数据维度数；
关系建立模块430，用于确定所述待处理数据对应的用户标签数据和属性指向值并基于所述属性指向值建立每组用户行为数据与所述用户标签数据的对应关系，根据所述对应关系确定每组用户行为数据的数据维度数；
字段筛分模块440，用于按照所述数据维度数对每组用户行为数据进行数据属性字段提取，得到每组用户行为数据对应的n个第一数据属性字段；对所述n个第一数据属性字段进行筛分得到m个第二数据属性字段，根据所述m个第二数据属性字段对所述智能家居进行调度；其中，n为正整数，m为小于n的正整数，所述第二数据属性字段的特征识别度大于所述第一数据属性字段的特征识别度。
a2.如a1所述的智能设备数据处理装置，所述字段筛分模块440，具体用于：
确定根据所述数据维度数所计算得到的每组用户行为数据的报文信息；
针对所述报文信息中的当前报文信息，依据当前报文信息在对应的智能家居的有效运行时段内的第一封装累计值以及各所述报文信息在所述对应的智能家居的有效运行时段内的第二封装累计值，确定当前报文信息在所述对应的智能家居的有效运行时段内的报文封装热度；
基于所述报文封装热度对所述数据维度数进行迭代得到目标数据维度数并根据所述目标数据维度数从每组用户行为数据中提取n个第一数据属性字段。
a3.如a2所述的智能设备数据处理装置，所述字段筛分模块440，进一步用于：
将各个报文封装热度对应的热度评价系数列出并建立报文热度评价列表；其中，所述报文热度评价列表为分块列表，每块子列表对应一个列表迭代系数且每个列表迭代系数对应至少一个热度评价系数，所述报文热度评价列表的各块子列表具有由小到大的列表关联关系；
根据所述列表关联关系将每块子列表对应的列表迭代系数以及该列表迭代系数对应的热度评价系数进行加权求和，得到每个报文封装热度对应的迭代因子以及迭代优先级；
按照所述迭代优先级由大到小的顺序采用对应的迭代因子依次对所述数据维度数进行迭代得到所述目标数据维度数；
按照所述目标维度数将每组用户行为数据进行字段切分，得到多个数据字段，对每个数据字段中的属性标签进行解析得到每个数据字段对应的属性描述值，根据所述属性描述值对所述数据字段进行转换，得到所述数据字段对应的第一数据属性字段。
a4.如a1所述的智能设备数据处理装置，所述数据提取模块420，具体用于：
将所述数据流量校验结果中相对于具备数据备份密钥的校验结果标签具有数据修改标识的目标结果数据转移到预设缓存区；
根据所述数据流量校验结果中的剩余结果数据提取所述网络状态数据中数据更新频率不随所述具有数据修改标识的目标结果数据的更新而初始化的待处理数据。
a5.如a1所述的智能设备数据处理装置，所述字段筛分模块440，进一步用于：
根据获取的每组用户行为数据的数据流轨迹和数据认证协议确定用于筛分所述n个第一数据属性字段的多个指标数据的筛分权重以及不同指标数据之间的指标重叠率；
基于确定的所述多个指标数据的筛分权重以及不同指标数据之间的指标重叠率，对所述n个第一数据属性字段进行筛分，使得筛分出的m个第二数据属性字段中的每个第二数据属性字段对应的目标指标数据的目标筛分权重位于第一预设区间内且筛选出m个第二数据属性字段之间的指标重叠率位于第二预设区间内；其中，所述第一预设区间和所述第二预设区间用于指示数据属性字段的特征识别度的分布。
a6.如a5所述的智能设备数据处理装置，所述字段筛分模块440，进一步用于：
按照预设时间步长间隔将每组用户行为数据的数据流轨迹进行切分得到多个轨迹区段并针对每个轨迹区段生成对应的轨迹描述数据，将生成的轨迹描述数据按照时序先后顺序拼接成所述数据流轨迹对应的轨迹数据集；其中，所述轨迹数据集中的每组轨迹描述数据的第一时序权重不同；
基于每组用户行为数据对应的轨迹数据集对应的第一时序权重的分布轨迹调整预设的协议解析线程中的线程参数，并基于调整过后的协议解析线程对每组用户行为数据对应的数据认证协议进行认证密钥的解析，获得每组用户行为数据轨迹对应的数据认证协议的多个认证密钥以及每个认证密钥的第二时序权重；
判断每组用户行为数据对应的第一时序权重的数量与第二时序权重的数量是否相同；在每组用户行为数据对应的第一时序权重的数量与第二时序权重的数量不相同时，则计算每组用户行为数据对应的第一时序权重对应的第一权重均值以及每组用户行为数据对应的第二时序权重对应的第二权重均值，以所述第一权重均值和所述第二权重均值中的较大值对应的时序权重的数量为基准，对所述第一权重均值和所述第二权重均值中的较小值对应的时序权重进行合并以使得每组用户行为数据对应的第一时序权重的数量与第二时序权重的数量相同；
在每组用户行为数据对应的第一时序权重的数量与第二时序权重的数量相同时，提取每组用户行为数据对应的轨迹数据集中的其中一个轨迹区段的轨迹影响数据的数据描述信息，并行地将每组用户行为数据对应的数据认证协议中具有最大第二时序权重的认证密钥作为基准密钥；根据每组用户行为数据的时序有效性指标数据采用所述基准密钥对所述数据描述信息进行加密计算得到所述数据描述信息对应的加密信息；基于所述加密信息和所述数据描述信息的信息相关度确定每组用户行为数据对应的数据流轨迹和数据认证协议之间的时序差异系数并采用所述时序差异系数对所述第一时序权重和所述第二时序权重进行修正得到第一目标时序权重和第二目标时序权重；
根据所述第一目标时序权重确定所述数据流轨迹对应的轨迹变量数据并通过所述轨迹变量数据确定用于筛分所述n个第一数据属性字段的多个指标数据的筛分权重；采用所述第二目标时序权重对所述筛分权重进行加权得到目标筛分权重，通过每个认证密钥计算对应的所述目标筛分权重之间的初始重叠率并将所述初始重叠率中的最小值确定为所述指标重叠率。
a7.如a1所述的智能设备数据处理装置，所述关系建立模块430，具体用于：
提取所述待处理数据对应的属性配置参数和多个数据编码；基于所述属性配置参数生成所述待处理数据对应的第一编码分组标识以及第二编码分组标识；其中，所述第一编码分组标识和所述第二编码分组标识分别用于表征所述待处理数据的编码更新速率和编码迭代速率；
为所述多个数据编码中的一部分数据编码设置所述第一编码分组标识并为所述多个数据编码中的另一部分数据编码设置所述第二编码分组标识；依据所述第一编码分组标识下的第一数据编码以及所述第一数据编码之间的相关性系数计算所述第二编码分组标识下的第二数据编码与所述第一编码分组标识下的第一数据编码之间的关联系数，并通过所述关联系数将所述第一编码分组标识下的部分第一数据编码划分到所述第二编码分组标识下；
对所述第一编码分组标识下的第一数据编码进行译码获得用户标签集并从所述用户标签集中选取出多个互相之间的特征相关度低于预设相关度的用户标签数据；对所述第二编码分组标识下的第二数据编码进行译码获得属性指向序列并基于所述属性指向序列的结构化数据确定所述属性指向值。
a8.如a7所述的智能设备数据处理装置，所述关系建立模块430，进一步用于：
将所述属性指向值按照每组用户行为数据对应的数据热度值依次映射到每组用户行为数据所对应的数据列表中，得到由所述属性指向值在每组用户行为数据所对应的数据列表中的映射指向值所组成的指向数组；
基于所述指向数组确定每组用户行为数据对应的用户标签数据的数据调用累计值；从预存的参数配置中解析得到用于检测数据调用累计值的异常情况的预定值；
在所述数据调用累计值大于所述预定值时，对所述参数配置进行修改以关闭对所述数据调用累计值的异常检测进程；在关闭所述异常检测进程后，根据每组用户行为数据及其对应的用户标签数据之间的路径标识信息建立所述对应关系；
从所述对应关系中提取出每组用户行为数据对应的标签路径轨迹并基于所述标签路径轨迹之间的交点数量确定每组用户行为数据的数据维度数。
基于上述同样的发明构思，还提供了结合大数据和云计算的智能设备数据处理系统，具体描述如下。
b1.一种结合大数据和云计算的智能设备数据处理系统，包括互相之间通信连接的云服务器和多个智能家居；其中，所述云服务器用于：
基于获取到的每个智能家居对应的用户行为数据以及每个智能家居对应的状态记录日志的设备运行数据，解析基于所述智能家居所形成的智能家居网络对应的网络状态数据，以获取所述网络状态数据中包括的每个智能家居所对应的数据流量校验结果；
通过所述数据流量校验结果提取所述网络状态数据的待处理数据；其中，所述待处理数据用于确定用户行为数据的数据维度数；
确定所述待处理数据对应的用户标签数据和属性指向值并基于所述属性指向值建立每组用户行为数据与所述用户标签数据的对应关系，根据所述对应关系确定每组用户行为数据的数据维度数；
按照所述数据维度数对每组用户行为数据进行数据属性字段提取，得到每组用户行为数据对应的n个第一数据属性字段；对所述n个第一数据属性字段进行筛分得到m个第二数据属性字段，根据所述m个第二数据属性字段对所述智能家居进行调度；其中，n为正整数，m为小于n的正整数，所述第二数据属性字段的特征识别度大于所述第一数据属性字段的特征识别度。
b2.如b1所述的智能设备数据处理系统，所述云服务器具体用于：
确定根据所述数据维度数所计算得到的每组用户行为数据的报文信息；
针对所述报文信息中的当前报文信息，依据当前报文信息在对应的智能家居的有效运行时段内的第一封装累计值以及各所述报文信息在所述对应的智能家居的有效运行时段内的第二封装累计值，确定当前报文信息在所述对应的智能家居的有效运行时段内的报文封装热度；
基于所述报文封装热度对所述数据维度数进行迭代得到目标数据维度数并根据所述目标数据维度数从每组用户行为数据中提取n个第一数据属性字段。
b3.如b2所述的智能设备数据处理系统，所述云服务器进一步用于：
将各个报文封装热度对应的热度评价系数列出并建立报文热度评价列表；其中，所述报文热度评价列表为分块列表，每块子列表对应一个列表迭代系数且每个列表迭代系数对应至少一个热度评价系数，所述报文热度评价列表的各块子列表具有由小到大的列表关联关系；
根据所述列表关联关系将每块子列表对应的列表迭代系数以及该列表迭代系数对应的热度评价系数进行加权求和，得到每个报文封装热度对应的迭代因子以及迭代优先级；
按照所述迭代优先级由大到小的顺序采用对应的迭代因子依次对所述数据维度数进行迭代得到所述目标数据维度数；
按照所述目标维度数将每组用户行为数据进行字段切分，得到多个数据字段，对每个数据字段中的属性标签进行解析得到每个数据字段对应的属性描述值，根据所述属性描述值对所述数据字段进行转换，得到所述数据字段对应的第一数据属性字段。
b4.如b1所述的智能设备数据处理系统，所述云服务器具体用于：
将所述数据流量校验结果中相对于具备数据备份密钥的校验结果标签具有数据修改标识的目标结果数据转移到预设缓存区；
根据所述数据流量校验结果中的剩余结果数据提取所述网络状态数据中数据更新频率不随所述具有数据修改标识的目标结果数据的更新而初始化的待处理数据。
b5.如b1所述的智能设备数据处理系统，所述云服务器进一步用于：
根据获取的每组用户行为数据的数据流轨迹和数据认证协议确定用于筛分所述n个第一数据属性字段的多个指标数据的筛分权重以及不同指标数据之间的指标重叠率；
基于确定的所述多个指标数据的筛分权重以及不同指标数据之间的指标重叠率，对所述n个第一数据属性字段进行筛分，使得筛分出的m个第二数据属性字段中的每个第二数据属性字段对应的目标指标数据的目标筛分权重位于第一预设区间内且筛选出m个第二数据属性字段之间的指标重叠率位于第二预设区间内；其中，所述第一预设区间和所述第二预设区间用于指示数据属性字段的特征识别度的分布。
b6.如b5所述的智能设备数据处理系统，所述云服务器进一步用于：
按照预设时间步长间隔将每组用户行为数据的数据流轨迹进行切分得到多个轨迹区段并针对每个轨迹区段生成对应的轨迹描述数据，将生成的轨迹描述数据按照时序先后顺序拼接成所述数据流轨迹对应的轨迹数据集；其中，所述轨迹数据集中的每组轨迹描述数据的第一时序权重不同；
基于每组用户行为数据对应的轨迹数据集对应的第一时序权重的分布轨迹调整预设的协议解析线程中的线程参数，并基于调整过后的协议解析线程对每组用户行为数据对应的数据认证协议进行认证密钥的解析，获得每组用户行为数据轨迹对应的数据认证协议的多个认证密钥以及每个认证密钥的第二时序权重；
判断每组用户行为数据对应的第一时序权重的数量与第二时序权重的数量是否相同；在每组用户行为数据对应的第一时序权重的数量与第二时序权重的数量不相同时，则计算每组用户行为数据对应的第一时序权重对应的第一权重均值以及每组用户行为数据对应的第二时序权重对应的第二权重均值，以所述第一权重均值和所述第二权重均值中的较大值对应的时序权重的数量为基准，对所述第一权重均值和所述第二权重均值中的较小值对应的时序权重进行合并以使得每组用户行为数据对应的第一时序权重的数量与第二时序权重的数量相同；
在每组用户行为数据对应的第一时序权重的数量与第二时序权重的数量相同时，提取每组用户行为数据对应的轨迹数据集中的其中一个轨迹区段的轨迹影响数据的数据描述信息，并行地将每组用户行为数据对应的数据认证协议中具有最大第二时序权重的认证密钥作为基准密钥；根据每组用户行为数据的时序有效性指标数据采用所述基准密钥对所述数据描述信息进行加密计算得到所述数据描述信息对应的加密信息；基于所述加密信息和所述数据描述信息的信息相关度确定每组用户行为数据对应的数据流轨迹和数据认证协议之间的时序差异系数并采用所述时序差异系数对所述第一时序权重和所述第二时序权重进行修正得到第一目标时序权重和第二目标时序权重；
根据所述第一目标时序权重确定所述数据流轨迹对应的轨迹变量数据并通过所述轨迹变量数据确定用于筛分所述n个第一数据属性字段的多个指标数据的筛分权重；采用所述第二目标时序权重对所述筛分权重进行加权得到目标筛分权重，通过每个认证密钥计算对应的所述目标筛分权重之间的初始重叠率并将所述初始重叠率中的最小值确定为所述指标重叠率。
b7.如b1所述的智能设备数据处理系统，所述云服务器具体用于：
提取所述待处理数据对应的属性配置参数和多个数据编码；基于所述属性配置参数生成所述待处理数据对应的第一编码分组标识以及第二编码分组标识；其中，所述第一编码分组标识和所述第二编码分组标识分别用于表征所述待处理数据的编码更新速率和编码迭代速率；
为所述多个数据编码中的一部分数据编码设置所述第一编码分组标识并为所述多个数据编码中的另一部分数据编码设置所述第二编码分组标识；依据所述第一编码分组标识下的第一数据编码以及所述第一数据编码之间的相关性系数计算所述第二编码分组标识下的第二数据编码与所述第一编码分组标识下的第一数据编码之间的关联系数，并通过所述关联系数将所述第一编码分组标识下的部分第一数据编码划分到所述第二编码分组标识下；
对所述第一编码分组标识下的第一数据编码进行译码获得用户标签集并从所述用户标签集中选取出多个互相之间的特征相关度低于预设相关度的用户标签数据；对所述第二编码分组标识下的第二数据编码进行译码获得属性指向序列并基于所述属性指向序列的结构化数据确定所述属性指向值。
b8.如b7所述的智能设备数据处理系统，所述云服务器进一步用于：
将所述属性指向值按照每组用户行为数据对应的数据热度值依次映射到每组用户行为数据所对应的数据列表中，得到由所述属性指向值在每组用户行为数据所对应的数据列表中的映射指向值所组成的指向数组；
基于所述指向数组确定每组用户行为数据对应的用户标签数据的数据调用累计值；从预存的参数配置中解析得到用于检测数据调用累计值的异常情况的预定值；
在所述数据调用累计值大于所述预定值时，对所述参数配置进行修改以关闭对所述数据调用累计值的异常检测进程；在关闭所述异常检测进程后，根据每组用户行为数据及其对应的用户标签数据之间的路径标识信息建立所述对应关系；
从所述对应关系中提取出每组用户行为数据对应的标签路径轨迹并基于所述标签路径轨迹之间的交点数量确定每组用户行为数据的数据维度数。
进一步地，请结合参阅图4，提供了一种云服务器200，包括：处理器210，以及与处理器210连接的内存220和网络接口230，所述网络接口230与云服务器200中的存储器240连接。其中，所述处理器210在运行时通过所述网络接口230从所述存储器240中调取计算机程序，并通过所述内存220运行所述计算机程序，以执行图2所示的方法。此外，还提供了一种应用于计算机的可读存储介质，所述可读存储介质烧录有计算机程序，所述计算机程序在云服务器200的内存中运行时实现图2所示的方法。
本领域技术人员在考虑说明书及实践这里申请的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未申请的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
1.一种结合大数据和云计算的智能设备数据处理方法，其特征在于，所述方法包括：
基于获取到的每个智能家居对应的用户行为数据以及每个智能家居对应的状态记录日志的设备运行数据，解析基于所述智能家居所形成的智能家居网络对应的网络状态数据，以获取所述网络状态数据中包括的每个智能家居所对应的数据流量校验结果；
其中：
数据流量校验结果用于表征智能家居的使用安全性；
通过所述数据流量校验结果提取所述网络状态数据的待处理数据；其中，所述待处理数据用于确定用户行为数据的数据维度数；
确定所述待处理数据对应的用户标签数据和属性指向值并基于所述属性指向值建立每组用户行为数据与所述用户标签数据的对应关系，根据所述对应关系确定每组用户行为数据的数据维度数；
按照所述数据维度数对每组用户行为数据进行数据属性字段提取，得到每组用户行为数据对应的n个第一数据属性字段；对所述n个第一数据属性字段进行筛分得到m个第二数据属性字段，根据所述m个第二数据属性字段对所述智能家居进行调度；其中，n为正整数，m为小于n的正整数，所述第二数据属性字段的特征识别度大于所述第一数据属性字段的特征识别度。
2.如权利要求1所述的智能设备数据处理方法，其特征在于，通过所述数据流量校验结果提取所述网络状态数据的待处理数据，包括：
将所述数据流量校验结果中相对于具备数据备份密钥的校验结果标签具有数据修改标识的目标结果数据转移到预设缓存区；
根据所述数据流量校验结果中的剩余结果数据提取所述网络状态数据中数据更新频率不随所述具有数据修改标识的目标结果数据的更新而初始化的待处理数据。
3.如权利要求1所述的智能设备数据处理方法，其特征在于，对所述n个第一数据属性字段进行筛分得到m个第二数据属性字段，包括：
根据获取的每组用户行为数据的数据流轨迹和数据认证协议确定用于筛分所述n个第一数据属性字段的多个指标数据的筛分权重以及不同指标数据之间的指标重叠率；
基于确定的所述多个指标数据的筛分权重以及不同指标数据之间的指标重叠率，对所述n个第一数据属性字段进行筛分，使得筛分出的m个第二数据属性字段中的每个第二数据属性字段对应的目标指标数据的目标筛分权重位于第一预设区间内且筛选出m个第二数据属性字段之间的指标重叠率位于第二预设区间内；其中，所述第一预设区间和所述第二预设区间用于指示数据属性字段的特征识别度的分布。
4.如权利要求3所述的智能设备数据处理方法，其特征在于，根据获取的每组用户行为数据的数据流轨迹和数据认证协议确定用于筛分所述n个第一数据属性字段的多个指标数据的筛分权重以及不同指标数据之间的指标重叠率，包括：
按照预设时间步长间隔将每组用户行为数据的数据流轨迹进行切分得到多个轨迹区段并针对每个轨迹区段生成对应的轨迹描述数据，将生成的轨迹描述数据按照时序先后顺序拼接成所述数据流轨迹对应的轨迹数据集；其中，所述轨迹数据集中的每组轨迹描述数据的第一时序权重不同；
基于每组用户行为数据对应的轨迹数据集对应的第一时序权重的分布轨迹调整预设的协议解析线程中的线程参数，并基于调整过后的协议解析线程对每组用户行为数据对应的数据认证协议进行认证密钥的解析，获得每组用户行为数据轨迹对应的数据认证协议的多个认证密钥以及每个认证密钥的第二时序权重；
判断每组用户行为数据对应的第一时序权重的数量与第二时序权重的数量是否相同；在每组用户行为数据对应的第一时序权重的数量与第二时序权重的数量不相同时，则计算每组用户行为数据对应的第一时序权重对应的第一权重均值以及每组用户行为数据对应的第二时序权重对应的第二权重均值，以所述第一权重均值和所述第二权重均值中的较大值对应的时序权重的数量为基准，对所述第一权重均值和所述第二权重均值中的较小值对应的时序权重进行合并以使得每组用户行为数据对应的第一时序权重的数量与第二时序权重的数量相同；
在每组用户行为数据对应的第一时序权重的数量与第二时序权重的数量相同时，提取每组用户行为数据对应的轨迹数据集中的其中一个轨迹区段的轨迹影响数据的数据描述信息，并行地将每组用户行为数据对应的数据认证协议中具有最大第二时序权重的认证密钥作为基准密钥；根据每组用户行为数据的时序有效性指标数据采用所述基准密钥对所述数据描述信息进行加密计算得到所述数据描述信息对应的加密信息；基于所述加密信息和所述数据描述信息的信息相关度确定每组用户行为数据对应的数据流轨迹和数据认证协议之间的时序差异系数并采用所述时序差异系数对所述第一时序权重和所述第二时序权重进行修正得到第一目标时序权重和第二目标时序权重；
根据所述第一目标时序权重确定所述数据流轨迹对应的轨迹变量数据并通过所述轨迹变量数据确定用于筛分所述n个第一数据属性字段的多个指标数据的筛分权重；采用所述第二目标时序权重对所述筛分权重进行加权得到目标筛分权重，通过每个认证密钥计算对应的所述目标筛分权重之间的初始重叠率并将所述初始重叠率中的最小值确定为所述指标重叠率。
5.如权利要求1所述的智能设备数据处理方法，其特征在于，确定所述待处理数据对应的用户标签数据和属性指向值，包括：
提取所述待处理数据对应的属性配置参数和多个数据编码；基于所述属性配置参数生成所述待处理数据对应的第一编码分组标识以及第二编码分组标识；其中，所述第一编码分组标识和所述第二编码分组标识分别用于表征所述待处理数据的编码更新速率和编码迭代速率；
为所述多个数据编码中的一部分数据编码设置所述第一编码分组标识并为所述多个数据编码中的另一部分数据编码设置所述第二编码分组标识；依据所述第一编码分组标识下的第一数据编码以及所述第一数据编码之间的相关性系数计算所述第二编码分组标识下的第二数据编码与所述第一编码分组标识下的第一数据编码之间的关联系数，并通过所述关联系数将所述第一编码分组标识下的部分第一数据编码划分到所述第二编码分组标识下；
对所述第一编码分组标识下的第一数据编码进行译码获得用户标签集并从所述用户标签集中选取出多个互相之间的特征相关度低于预设相关度的用户标签数据；对所述第二编码分组标识下的第二数据编码进行译码获得属性指向序列并基于所述属性指向序列的结构化数据确定所述属性指向值。
6.如权利要求5所述的智能设备数据处理方法，其特征在于，基于所述属性指向值建立每组用户行为数据与所述用户标签数据的对应关系，根据所述对应关系确定每组用户行为数据的数据维度数，包括：
将所述属性指向值按照每组用户行为数据对应的数据热度值依次映射到每组用户行为数据所对应的数据列表中，得到由所述属性指向值在每组用户行为数据所对应的数据列表中的映射指向值所组成的指向数组；
基于所述指向数组确定每组用户行为数据对应的用户标签数据的数据调用累计值；从预存的参数配置中解析得到用于检测数据调用累计值的异常情况的预定值；
在所述数据调用累计值大于所述预定值时，对所述参数配置进行修改以关闭对所述数据调用累计值的异常检测进程；在关闭所述异常检测进程后，根据每组用户行为数据及其对应的用户标签数据之间的路径标识信息建立所述对应关系；
从所述对应关系中提取出每组用户行为数据对应的标签路径轨迹并基于所述标签路径轨迹之间的交点数量确定每组用户行为数据的数据维度数。
7.如权利要求1所述的智能设备数据处理方法，其特征在于，按照所述数据维度数对每组用户行为数据进行数据属性字段提取，得到每组用户行为数据对应的n个第一数据属性字段，进一步包括：
确定根据所述数据维度数所计算得到的每组用户行为数据的报文信息；
针对所述报文信息中的当前报文信息，依据当前报文信息在对应的智能家居的有效运行时段内的第一封装累计值以及各所述报文信息在所述对应的智能家居的有效运行时段内的第二封装累计值，确定当前报文信息在所述对应的智能家居的有效运行时段内的报文封装热度；
基于所述报文封装热度对所述数据维度数进行迭代得到目标数据维度数并根据所述目标数据维度数从每组用户行为数据中提取n个第一数据属性字段。
8.一种云服务器，其特征在于，包括：
处理器，以及
与处理器连接的内存和网络接口；
所述网络接口与云服务器中的存储器连接；
所述处理器在运行时通过所述网络接口从所述存储器中调取计算机程序，并通过所述内存运行所述计算机程序，以执行上述权利要求1-7任一项所述的方法。
技术总结