【技术实现步骤摘要】
本专利技术涉及云端信息管理，具体涉及一种在线教育平台的云端信息管理方法。
技术介绍
1、随着在线教育的快速发展，云端信息管理成为教育平台基础设施中的核心组成部分。在线教育平台需要处理海量的用户数据、课程内容、学习记录、考试成绩等信息，同时还要确保平台的高可用性、可扩展性和数据安全性。云端技术提供了灵活的计算资源和存储空间，使平台能够动态调整处理能力以应对不同的流量需求，尤其是在考试高峰期、直播课程期间等关键时刻。
2、相关技术中，在线教育平台在直播课等高峰期可能会遇到性能瓶颈，例如视频卡顿、页面加载慢、请求超时等问题，会出现人员重复刷新点击页面，该节点的请求量过大，系统会通过负载均衡来将请求分配到其他节点；然而有时会存在未遇到性能瓶颈而人员无意识的频繁刷新会消耗额外带宽和计算资源，从而占用服务器资源，降低其他用户请求的响应速度，增加系统负担，影响整体资源利用效率。
技术实现思路
1、为了解决相关技术中由于会存在未遇到性能瓶颈而人员无意识的频繁刷新会消耗额外带宽和计算资源，从而占用服务器资源，降低其他用户请求的响应速度，增加系统负担，影响整体资源利用效率的技术问题，本专利技术提供一种在线教育平台的云端信息管理方法，所采用的技术方案具体如下：
2、本专利技术提出了一种在线教育平台的云端信息管理方法，方法包括：
3、获取在线教育平台每个服务器节点每个采集时刻下的用户刷新请求的频次和负载数据，以及所有服务器节点所有采集时刻采集的多维度的实时数据，其中，所
4、根据cpu利用率、带宽利用率的波动离散性和极差，确定每个服务器节点的cpu高峰波动特征指标和带宽高峰波动特征指标；结合所述cpu高峰波动特征指标和所述带宽高峰波动特征指标，从服务器节点中筛选得到高频刷新节点；
5、根据高频刷新节点每一采样时刻下的用户刷新请求的频次分布变化和负载数据变化，从每个高频刷新节点的采样时刻下筛选得到高频刷新时刻；根据高频刷新时刻在时序上的分布，确定刷新分布密集的刷新分段，根据刷新分段内所有高频刷新时刻的负载变化，确定高频刷新节点的无意识刷新表现评估值；
6、根据每一服务器节点的无意识刷新表现评估值确定无意识影响节点，限制无意识影响节点的最大刷新频次。
7、进一步地，所述根据cpu利用率、带宽利用率的波动离散性和极差，确定每个服务器节点的cpu高峰波动特征指标和带宽高峰波动特征指标，包括：
8、计算每个服务器节点所有采样时刻的cpu利用率的方差和极差的乘积，归一化处理作为cpu高峰波动特征指标；
9、计算每个服务器节点所有采样时刻的带宽利用率的方差和极差的乘积，归一化处理作为带宽高峰波动特征指标。
10、进一步地，所述结合所述cpu高峰波动特征指标和所述带宽高峰波动特征指标，从服务器节点中筛选得到高频刷新节点，包括：
11、计算所述cpu高峰波动特征指标和所述带宽高峰波动特征指标的乘积值，归一化处理作为高频刷新特征值；
12、将所述高频刷新特征值大于预设刷新特征阈值的服务器节点作为高频刷新节点。
13、进一步地，所述根据高频刷新节点每一采样时刻下的用户刷新请求的频次分布变化和负载数据变化，从每个高频刷新节点的采样时刻下筛选得到高频刷新时刻，包括：
14、根据同一高频刷新节点所有采样时刻下的用户刷新请求的频次分布和离散性特征，确定每一采样时刻的刷新请求的需求因子；
15、相类比刷新请求的需求因子计算得到同一高频刷新节点每一采样时刻下的负载数据的需求因子；
16、根据每一采样时刻下刷新请求的需求因子和负载数据的需求因子的相关性和数值差异，确定每一采样时刻下刷新请求与负载的刷新请求量-负载依赖性指标；
17、将所述刷新请求量-负载依赖性指标大于预设依赖性阈值的采样时刻下作为高频刷新时刻。
18、进一步地，所述根据同一高频刷新节点所有采样时刻下的用户刷新请求的频次分布和离散性特征，确定每一采样时刻的刷新请求的需求因子，包括：
19、将任一采样时刻作为目标时刻，计算同一高频刷新节点所有采样时刻下的用户刷新请求的频次的均值，将目标时刻下的用户刷新请求的频次与该均值的差值归一化处理，作为刷新频次差异；
20、计算同一高频刷新节点所有采样时刻下的用户刷新请求的频次的方差的相反数，并进行最大最小值归一化处理得到刷新频次稳定指标；
21、将所述刷新频次差异和所述刷新频次稳定指标的比值作为目标时刻的刷新请求的需求因子。
22、进一步地，所述根据每一采样时刻下刷新请求的需求因子和负载数据的需求因子的相关性和数值差异，确定每一采样时刻下刷新请求与负载的刷新请求量-负载依赖性指标，包括：
23、基于皮尔逊相关系数计算每一时刻下刷新请求的需求因子和负载数据的需求因子的相关性指标；
24、计算任一采样时刻下刷新请求的需求因子与负载数据的需求因子的差值绝对值，将差值绝对值的相反数进行归一化处理，作为对应采样时刻的需求相似指标；
25、计算需求相似指标与相关性指标的乘积，归一化处理得到对应采样时刻的刷新请求量-负载依赖性指标。
26、进一步地，所述根据高频刷新时刻在时序上的分布，确定刷新分布密集的刷新分段，包括：
27、将任一高频刷新时刻与前一高频刷新时刻之间的时间间隔，作为对应高频刷新时刻的高频间隔；
28、将任一高频间隔在时序上两侧的其他高频间隔作为相邻间隔，计算相邻间隔的持续时间均值作为中间的高频间隔的影响间隔值；计算中间的高频间隔的持续时间与影响间隔值的比值，作为特殊比；
29、在所述特殊比大于预设比值时，将中间的高频间隔作为特殊间隔；将相距最近的两个特殊间隔之间的时间间隔，作为刷新分布密集的刷新分段。
30、进一步地，所述根据刷新分段内所有高频刷新时刻的负载变化，确定高频刷新节点的无意识刷新表现评估值，包括：
31、计算刷新分段内所有高频刷新时刻的负载数据的均值，进行归一化处理得到刷新分段的负载系数；
32、将所述负载系数小于预设负载阈值的刷新分段作为无意识分段；
33、根据高频刷新节点的无意识分段所对应高频刷新时刻的数量，确定无意识刷新表现评估值。
34、进一步地，所述根据高频刷新节点的无意识分段所对应高频刷新时刻的数量，确定无意识刷新表现评估值，包括：
35、将高频刷新节点的无意识分段所对应高频刷新时刻的数量与所有高频刷新时刻数量的比值，作为无意识刷新表现评估值。
36、进一步地，所述根据每一服务器节点的无意识刷新表现评估值确定无意识影响节点，包括：
37、将所述无意识刷新表现评估值大于预设表现阈值的服务器节点作为无意识影响节点。
38、本专利技术具有如下有益效果：
39、本本文档来自技高网...
【技术保护点】
1.一种在线教育平台的云端信息管理方法，其特征在于，所述方法包括：
2.如权利要求1所述的一种在线教育平台的云端信息管理方法，其特征在于，所述根据CPU利用率、带宽利用率的波动离散性和极差，确定每个服务器节点的CPU高峰波动特征指标和带宽高峰波动特征指标，包括：
3.如权利要求1所述的一种在线教育平台的云端信息管理方法，其特征在于，所述结合所述CPU高峰波动特征指标和所述带宽高峰波动特征指标，从服务器节点中筛选得到高频刷新节点，包括：
4.如权利要求1所述的一种在线教育平台的云端信息管理方法，其特征在于，所述根据高频刷新节点每一采样时刻下的用户刷新请求的频次分布变化和负载数据变化，从每个高频刷新节点的采样时刻下筛选得到高频刷新时刻，包括：
5.如权利要求4所述的一种在线教育平台的云端信息管理方法，其特征在于，所述根据同一高频刷新节点所有采样时刻下的用户刷新请求的频次分布和离散性特征，确定每一采样时刻的刷新请求的需求因子，包括：
6.如权利要求4所述的一种在线教育平台的云端信息管理方法，其特征在于，所述根据每一采样时刻下刷
7.如权利要求1所述的一种在线教育平台的云端信息管理方法，其特征在于，所述根据高频刷新时刻在时序上的分布，确定刷新分布密集的刷新分段，包括：
8.如权利要求1所述的一种在线教育平台的云端信息管理方法，其特征在于，所述根据刷新分段内所有高频刷新时刻的负载变化，确定高频刷新节点的无意识刷新表现评估值，包括：
9.如权利要求8所述的一种在线教育平台的云端信息管理方法，其特征在于，所述根据高频刷新节点的无意识分段所对应高频刷新时刻的数量，确定无意识刷新表现评估值，包括：
10.如权利要求1所述的一种在线教育平台的云端信息管理方法，其特征在于，所述根据每一服务器节点的无意识刷新表现评估值确定无意识影响节点，包括：
...【技术特征摘要】
1.一种在线教育平台的云端信息管理方法，其特征在于，所述方法包括：
2.如权利要求1所述的一种在线教育平台的云端信息管理方法，其特征在于，所述根据cpu利用率、带宽利用率的波动离散性和极差，确定每个服务器节点的cpu高峰波动特征指标和带宽高峰波动特征指标，包括：
3.如权利要求1所述的一种在线教育平台的云端信息管理方法，其特征在于，所述结合所述cpu高峰波动特征指标和所述带宽高峰波动特征指标，从服务器节点中筛选得到高频刷新节点，包括：
4.如权利要求1所述的一种在线教育平台的云端信息管理方法，其特征在于，所述根据高频刷新节点每一采样时刻下的用户刷新请求的频次分布变化和负载数据变化，从每个高频刷新节点的采样时刻下筛选得到高频刷新时刻，包括：
5.如权利要求4所述的一种在线教育平台的云端信息管理方法，其特征在于，所述根据同一高频刷新节点所有采样时刻下的用户刷新请求的频次分布和离散性特征，确定每一采样时刻的刷新请求的需求因子，包括：
【专利技术属性】
技术研发人员：李毅兵，马弛，彭尉，
申请(专利权)人：辽宁智教科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。