本发明属于云计算技术领域，尤其涉及一种基于上下文感知的智慧城市云计算分析方法。
背景技术：
随着信息技术的发展，产生了海量的数据，如何有效地管理和组织这些海量数据已经成为一个突出的问题。元数据是解决这一问题的有效手段，能支持系统对数据的管理和维护。具体来说，在数据仓库系统中，元数据机制主要支持以下五类系统管理功能:
(1)描述哪些数据在数据仓库中；
(2)定义要进入数据仓库中的数据和从数据仓库中产生的数据；
(3)记录根据业务事件发生而随之进行的数据抽取工作时间安排；
(4)记录并检测系统数据一致性的要求和执行情况；
(5)衡量数据质量。
元数据管理系统中，对元数据的有效分析至关重要。元数据分析功能主要实现针对元数据的基本分析功能。包括血缘分析(血统分析)、影响分析、实体关联分析、实体影响分析、主机拓扑分析、指标一致性分析等。
当前的元数据分析系统的数据关联关系的查找都是通过关系数据库来完成，最终形成数据的来源与去向关系图。在此过程中需要执行多条SQL(Structured Query Language，结构化查询语言)语句，往往后一条SQL语句的查询条件是前一条SQL语句得到的结果，因此这些SQL语句只能顺序执行，不能并发执行，而数据库的查询操作需要大量的磁盘I/O(输入/输出)操作，磁盘操作非常耗时，生成元数据的关联图通常都需要很长的响应时间。而且，元数据的分析往往要涉及到多个表的连接操作，对多表进行连接操作非常耗费计算机的资源如CPU、内存等，如果表中还存储了海量的数据，数据查询的响应时间会非常慢。
通常，数据分析应用是指以数据为对象，对数据进行分析处理的应用。数据分析应用，尤其是大数据业务的分析应用，日渐成为诸如云计算系统的分布式系统下的主要应用。Hadoop，作为目前普遍流行的大数据平台，是能够对大量数据进行分布式处理的分布式系统基础架构。在Hadoop上能够开发和运行处理大数据的各种应用，例如，MapReduce应用。MapReduce是可用于大规模数据的并行运算的软件架构，其可用于实现大数据的数据分析应用。
目前云计算需要将上万台甚至上百万台服务器整合为一个弹性化的资源池向应用层提供服务，在云计算中，每一个计算设备称为计算节点，目前一般采用服务器作为计算节点。传统的云计算系统监控分析方法一般采用的都是对每个服务器的运行状况逐一进行收集并分析，这种方法在服务器数量巨大而且服务器之间关联性很高的云计算系统中显得有些力不从心。在云计算海量集群的环境下，传统针对单机的监控方法面临以下问题：
1、传统监控方法都是基于传统硬件监控模型，并没有基础的理论模型支撑，无法对其进行深入研究；
2、传统监控方法只是针对单个或少量节点前提下的监控方法，无法对云计算环境下的海量节点的集群整体进行从微观到宏观整体性的监控；
3、传统监控技术无法迅速对具有海量节点数目集群的整体状态进行迅速高效的判断，从而不能对集群整体整体的负载情况以及集群调度策略是否得当进行有效判定。
当云计算服务器数量大到一定程度后我们对系统宏观特性的分析就不能采用普通的分析和统计方法了。传统的信息系统由于服务器数量较少，即使有规模上万的数据中心但服务器之间关联性小，从宏观到微观的对应关系还不能采用热力学的方法，而云计算系统服务器数量很大而且服务器之间的工作受相应的调度策略、系统控制流、数据流所关联影响，服务器之间存在相互作用的机制，所以呈现出与热力学系统相似的动力学特性。但将相空间热力学的分析方法应用到云计算系统监控分析中并不是简单的套用就能实现的，还有很多具体的细节需要完善，
综上所述，现有的智慧城市大数据的存储管理服务中，复杂、多源、动态大数据的存储存在效率低和可靠性差；而且数据分析中不能利用相空间热力学的分析方法避免服务器之间的影响问题。
技术实现要素：
本发明的目的在于提供一种基于上下文感知的智慧城市云计算分析方法，旨在解决现有的智慧城市大数据的存储管理服务中，复杂、多源、动态大数据的存储存在效率低和可靠性差；而且数据分析中不能利用相空间热力学的分析方法避免服务器之间的影响的问题。
本发明是这样实现的，一种基于上下文感知的智慧城市云计算分析方法，所述基于上下文感知的智慧城市云计算分析方法采用基于上下文感知的云计算平台的四层结构，上下文感知算法实现智慧城市大数据的存储。
进一步，所述基于上下文感知的智慧城市云计算分析方法具体包括以下步骤：
步骤一，首先上下文数据转化为一个参数列表用于定义规则里的设置文件；规则的规则定义包含一个列表的元素定期评估的引擎；
步骤二，基于上下文感知的相关规则包含两个部分:规则定义和规则实现；其中规则定义部分是根据rule-def标签是复杂的规则，那些触发某个动作如果true.Complex灵便的评估规则名称属性，描述一个属性来指定动作触发和可能的参数的一个属性的行动。
进一步，所述规则由条件、行为和行动组成。
进一步，所述基于上下文感知的相关规则包含两个部分:规则定义和规则实现步骤如下：
<rule-definitions>
<rule-def name“inform About Ready To Start Presentation”
Action＝“conferenceSuggestion”>
<rule name＝”is User Near”
Or-next-rule＝”ture”/>
.......
</rule-def>
</rule-definitions>。
进一步，所述上下文感知算法实现智慧城市大数据的存储中，存储方法包括
(1)缓存框架单元将元数据库中的数据加载至缓存器中并为所述的缓存器创建连接池；
(2)元数据分析模块响应用户提交的元数据分析指令，并将元数据分析指令对应的元数据分析消息发送至元数据分析服务端；
(3)元数据分析服务端根据元数据分析任务通过缓存框架单元查询缓存器，并获得对应的元数据分析结果；
(4)元数据分析服务端将元数据分析结果对应的分析结果消息发送至元数据分析模块；
(5)元数据分析模块解析元数据分析服务端发送的分析结果消息得到元数据分析结果，并显示元数据分析结果。
进一步，所述的缓存框架单元包括数据加载模块，所述的缓存框架单元将所述的元数据库中的数据加载至所述的缓存服务中，包括以下步骤：
1)所述的数据加载模块连接所述的元数据库；
2)所述的数据加载模块查询所述的元数据库中的元数据实例表，并根据所述的元数据实例表创建并保存哈希值映射表；
3)所述的数据加载模块将所述的元数据库中的数据加载至所述的缓存器中；
所述的数据加载模块查询所述的元数据库中的元数据实例表，并根据所述的元数据实例表创建并保存哈希值映射表，包括以下步骤：
(a)所述的数据加载模块创建哈希值映射表；
(b)所述的数据加载模块查询所述的元数据库中的元数据实例表，并获取元数据实例序列号、元数据类型和元数据名称三个字段所对应的数据；
(c)所述的数据加载模块对元数据实例序列号进行哈希运算，并获得所述的元数据实例序列号对应的哈希值；
(d)所述的数据加载模块将所述的元数据实例序列号与所对应的哈希值保存至所述的哈希值映射表；
所述的数据加载模块对元数据实例序列号进行哈希运算，具体为：
所述的数据加载模块根据Java对象的HashCode()函数方法、MD5算法或SHA-1算法对元数据实例序列号进行哈希运算；
所述的数据加载模块将所述的元数据库中的数据加载至所述的缓存器中，包括以下步骤：
(A)所述的数据加载模块将所述的元数据库中的元数据实例表加载到所述的缓存器中；
(B)所述的数据加载模块将所述的元数据库中的元数据组合关系表加载到所述的缓存器中；
(C)所述的数据加载模块将所述的元数据库中的元数据依赖关系表加载到所述的缓存器中；
所述的缓存器包括数个缓存子服务器，所述的数据加载模块将所述的元数据库中的元数据实例表加载到所述的缓存器中，包括以下步骤：
a)所述的数据加载模块根据所述的哈希值对所述的缓存子服务器的数量取模，并用取模后的值作为该元数据实例表中的数据对应缓存的缓存子服务器的下标；
b)所述的数据加载模块以所述的元数据实例序列号为键值，以所述的元数据类型和所述的元数据名称为变量将所述的元数据实例表的数据保存至所对应的缓存子服务器中；
所述的数据加载模块将所述的元数据库中的元数据组合关系表加载到所述的缓存器中，包括以下步骤：
A)所述的数据加载模块查询所述的元数据库中的元数据组合关系表，并获取元数据实例序列号和组合关系元数据序列号两个字段的数据；
B)所述的数据加载模块以所述的元数据实例序列号为键值，以所述的组合关系元数据序列号为变量将所述的元数据组合关系表的数据保存至所对应的缓存子服务器中；
所述的缓存框架单元包括连接池管理模块和缓存配置模块，所述的连接池管理模块根据所述的缓存配置模块中存储的所述的缓存器的相关配置信息，为所述的缓存器创建连接池；
所述的元数据分析服务端包括任务调度模块、分布式缓存接口和分析消息接收队列，所述的元数据分析服务端根据所述的元数据分析任务通过缓存框架单元查询缓存器，包括以下步骤：
(一)所述的分析消息接收队列接收所述的元数据分析模块发送的所述的元数据分析消息；
(二)所述的任务调度模块解析所述的元数据分析消息并得到所述的元数据分析任务；
(三)所述的任务调度模块根据所述的元数据分析任务通过所述的分布式缓存接口调用所述的缓存框架单元；
(四)所述的任务调度模块通过所述的分布式缓存框架服务器查询所述的分布式缓存服务器；
所述的缓存框架单元还包括应用程序编程接口，所述的获得对应的元数据分析结果，包括以下步骤：
第一，所述的任务调度模块获得所述的元数据库中的元数据实例序列，并将所述的缓存器中以元数据实例序列号为键值的缓存数据为根节点，并将所述的根节点加入到分析结果对象树中；
第二，所述的任务调度模块将元数据实例序列号加入到任务集中作为进行元数据分析的初始对象；
第三，所述的任务调度模块以元数据实例序列号为参数，并通过调用所述的应用程序编程接口在所述的元数据组合关系模块和所述的元数据依赖关系模块中查找组合关系元数据序列号和依赖关系元数据序列号，形成组合关系元数据序列号集与依赖关系元数据序列号集；
第四，所述的任务调度模块为所述的组合关系元数据序列号集中的各个组合关系元数据序列号启动一个查询线程，以所述的各个组合关系元数据序列号为参数在所述的元数据实例模块中查询得到对应的元数据实例并加入到以所述的元数据实例序列号为根节点的分析结果对象树中；
第五，所述的任务调度模块为所述的依赖关系元数据序列号集中的各个依赖关系元数据序列号启动一个查询线程，以所述的各个依赖关系元数据序列号为参数在所述的元数据实例模块中查询得到对应的元数据实例并加入到以所述的元数据实例序列号为根节点的分析结果对象树中；
第六，所述的任务调度模块从所述的任务集中删除元数据实例序列号，将所述的组合关系元数据序列号集与依赖关系元数据序列号集加入到所述的任务集中；
第七，所述的任务调度模将所述的任务集中的各个关系元数据序列号作为元数据实例序列号，返回上述步骤第二，直到所述的任务集为空。
进一步，所述的元数据分析模块包括图形化界面子模块，所述的元数据分析模块响应用户提交的元数据分析指令，包括以下步骤：
所述的图形化界面子模块显示图形化界面；
所述的图形化界面子模块响应用户提交的元数据分析指令并得到所对应的元数据分析任务；
所述的元数据分析模块还包括任务解析子模块和解析消息发送队列，将所述的元数据分析指令对应的元数据分析消息发送至元数据分析服务端，包括以下步骤：
所述的任务解析模块将所述元数据分析任务的数据封装为对应的元数据分析消息，并将所对应的元数据分析消息发送至所述的解析消息发送队列；
所述的解析消息发送队列将所述的元数据分析消息发送至所述的元数据分析服务端；
所述的元数据分析服务端还包括分析消息发送队列，所述的元数据分析服务端将所述的元数据分析结果对应的分析结果消息发送至所述的元数据分析模块，包括以下步骤：
所述的任务调度模块将所对应的元数据分析结果封装为所对应分析结果消息；
所述的分析消息发送队列发送所述的对应的分析结果消息至所述的元数据分析模块；
任务调度模块将所对应的元数据分析结果封装为所对应分析结果消息，具体为：
所述的任务调度模块将所对应的元数据分析结果以XML方式进行封装，并得到所对应分析结果消息；
所述的元数据分析模块包括任务解析子模块和解析消息接收队列，所述的任务解析子模块解析所述的元数据分析模块发送的分析结果消息得到元数据分析结果，并显示所述的元数据分析结果，包括以下步骤：
所述的解析消息接收队列接收所述的元数据分析模块发送的分析结果消息；
所述的任务解析模块解析所述的分析结果消息并得到所述的元数据分析结果，以及将所述的元数据分析结果发送至所述的图形化界面子模块；
所述的图形化界面子模块显示所述的元数据分析结果；
所述的图形化界面子模块显示所述的元数据分析结果，具体为：
所述的图形化界面子模块以图形的方式显示所述的元数据分析结果。
进一步，所述基于上下文感知的智慧城市云计算分析方法还包括：采用相空间热力学的分析方法对云计算平台进行监控分析；所述监控分析包括广义温度的定义分析，所述广义温度的计算公式为：
式(1)中，Tt为云计算平台在t时刻的广义温度，其取值范围是[0，1]，Vt为云计算平台在t时刻的速度，Vmax为云计算平台的最大速度，其值为
Vt的计算公式为：
式(2)中，Xt+1为计算节点在t+1时刻的x轴坐标，Xt为计算节点在t时刻的x轴坐标，yt+1为计算节点在t+1时刻的y轴坐标，yt为计算节点在t时刻的y轴坐标。
进一步，相空间的坐标体系由与计算节点的CPU占用率对应的x轴和与计算节点的内存占用率对应的y轴构成，设任一时刻外部对云计算平台只有两个负载请求输入参数ai和bi，一秒钟内有l次负载请求；
所述监控分析还包括广义绝对温度T的定义分析，所述广义绝对温度T的计算公式为：
式(3)中，为云计算平台在任一时刻的总平均速度，为一秒时间间隔内云计算平台的运动平均速度；Δv为m个计算节点一秒内的速度在外界负载输入影响下的速度变化，m为云计算平台内的计算节点的数量，X为计算节点的x轴坐标，y为计算节点的y轴坐标；
所述监控分析还包括广义绝对零度T0，所述广义绝对零度T0的值为零，表示所有计算节点的负载均为0，且无任何外部负载请求的状态；
所述监控分析还包括广义熵和广义归一化熵的定义分析，所述广义熵的计算公式为：
S＝klnΩ (4)
式(4)中，S为广义熵，k为玻尔兹曼常数，Ω为微观状态数；
所述广义归一化熵的计算公式为：
式(5)中，K为广义归一化熵，S1为云计算平台当前的广义熵，S2为云计算平台在平衡态时的广义熵，k为玻尔兹曼常数，Ω1为云计算平台当前的微观状态数，Ω2为云计算平台在平衡态时的微观状态数。
进一步，所述广义归一化熵的近似计算方法如下：假设云计算系统需要监控分析的计算节点数为m，将相空间划分为一个n×n的网格，m个计算节点的当前工作参数映射到相空间并落入n×n的网格中，在平衡态时，m个计算节点会以随机的方式落入到n×n个网格中，m个计算节点的参数落入n×n个网格的微观状态数Ω2＝(n×n)m；
而在非平衡态时，m个计算节点会落入到l个网格中，这时1≤l≤n×n，m个计算节点的参数落入l个网格内，其微观状态数Ω1＝lm，此时，所述广义归一化熵的计算公式为当l＝1时，所述广义归一化熵K为0，这时m个计算节点参数全部落入一个网格内，云计算平台处于理想的均衡状态；当l＝n×n时，所述广义归一化熵K为1，这时m个计算节点参数随机分布于相空间内，云计算平台处于非常不理想的均衡状态；所述广义归一化熵K值越高表明云计算平台当前均衡状态越不理想；
所述相空间划分为n×n网格，网格n×n的密度与计算节点数量成正比，划分网格n×n满足以下条件：m＞n×n；
所述监控分析还包括相空间投影点重心位置的定义分析，所述相空间投影点重心位置G(x0，y0)的计算公式为：
式(6)中，X0为G(x0，y0)的x轴坐标，y0为G(x0，y0)的y轴坐标，Xj为n×n中每个网格中心的x轴坐标，y1为n×n中每个网格中心的y轴坐标，m为云计算平台中计算节点的数量。
本发明提供的基于上下文感知的智慧城市云计算分析方法，基于上下文感知的云计算平台为用户提供了一种新型、可靠、高效的数据服务模式；面向智慧城市大数据的存储管理服务中，复杂、多源、动态大数据的存储出现了效率低和可靠性差的问题。本发明采用基于上下文感知的云计算平台的四层结构，上下文感知算法实现智慧城市大数据的存储；理论分析和模式测试结果表明基于上下文感知的云计算平台满足了动态大数据的可靠存储的前提下，降低了数据分布式影响，极大提高了智慧城市大数据的存储管理能力。
本发明通过缓存将元数据库中的元数据信息加载到缓存器中，实现在缓存器中直接查询元数据间的关系，不需查询数据库，不产生磁盘I/O，查询效率极高，由于不使用元数据库中元数据表结构，因此不需要数据表连接运算，从而需要大量计算资源，大大降低了系统使用的计算资源。
同时，本发明通过创建连接池提高对缓存器的访问性能，由于数据访问连接的创建和销毁都是非常消耗系统资源的，通过提供数据连接池，预先创建好多个数据连接，需要建立连接的时候直接从池中取一个连接使用，使用完成后还回池中，避免数据连接频繁地创建、释放连接的资源消耗。
本发明的缓存实现了元数据分析的系统及方法架构简单，具有极高的可伸缩性，可以根据需要增加缓存器；使用维护方便快捷，工作性能稳定可靠，为企业元数据分析应用的进一步发展奠定了坚实的基础，具有更广泛的应用范围。
本发明将已经很成熟并有深入的理论支撑的相空间热力学的分析方法应用于云计算分析，能够实现对云计算环境下的海量节点的集群整体进行从微观到宏观的监控，直接对集群整体的状态进行迅速高效的判断，从而对集群整体的负载情况以及集群调度策略是否得当进行有效判定；本发明为云计算平台的健康、快速发展打下了坚实的基础。
本发明的云计算平台的广义温度反映了平台当前状态下服务器的活跃程度，平台的广义温度越高，表明平台此刻的负载量越大，而如果平台的广义温度越低，说明平台的负载量越小。在广义温度为0时，说明平台处于关机状态或完全没有任务请求的状态；而广义温度为1时，说明平台处于满负荷状态，即所有的节点都在运行。
由于本发明的平台的广义温度的变化量是和用户的信息请求息息相关的，用户请求量的增加必然会导致平台温度的增加，因此为了有效控制平台的温度的变化速率，平台往往会采用一些调度算法来降低整个平台的节点负荷，即减小平台的温度的变化速率，有效的维持平台的负载均衡度。因此监控方法可以通过观察平台广义温度的变化量来实时监控平台负载量的变化情况，如果平台温度过高，或者平台外界请求过多，监控平台便可以通知平台采取一定的调度策略来使整个平台达到一种均衡的状态。
附图说明
图1是本发明实施例提供的基于上下文感知的智慧城市云计算分析方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示，本发明实施例提供的基于上下文感知的智慧城市云计算分析方法包括以下步骤：
S101：首先上下文数据转化为一个参数列表用于定义规则里的设置文件；规则的规则定义包含一个列表的元素定期评估的引擎；
S102：基于上下文感知的相关规则包含两个部分:规则定义和规则实现；其中规则定义部分是根据rule-def标签是复杂的规则，那些触发某个动作如果true.Complex灵便的评估规则名称属性，描述一个属性来指定动作触发和可能的参数的一个属性的行动。
本发明实施例的具体步骤如下：
首先上下文数据转化为一个参数列表用于定义规则里的设置文件。规则的规则定义包含一个列表的元素定期评估的引擎。由几个元素组成的规则是:条件(表示为布尔表达式，基于规则实现)、行为(动作触发规则条件得到满足时)，和行动(字符串参数作为参数传递给操作)。使用的规则实现指定不同的表情评估上下文。字符串字段等于快车平等之间的上下文参数和一个字符串。这规则可以应用于上下文参数的字符串val-问题，比如用户的名字。用户还可以指定高级功能:他可以将规则应用布尔代数，或者他可以实现定制的聚合功能。在第二种情况下，数据是首次超过了组件，结果进一步用于评价规则。代表操作之间的基本类型和允许的规则制定不同的上下文参数的限制值。结合时他们可以导致更复杂的条件:
Rule＝Rule OR Rule|Rule AND Rule|Rule Impl。
基于上下文感知的相关规则包含两个部分:规则定义和规则实现。其中规则定义部分是根据rule-def标签是复杂的规则，那些触发某个动作如果true.Complex灵便的评估规则名称属性，描述一个属性来指定动作触发和可能的参数的一个属性的行动。
<rule-definitions>
<rule-def name“inform About Ready To Start Presentation”
Action＝“conferenceSuggestion”>
<rule name＝”is User Near”
Or-next-rule＝”ture”/>
.......
</rule-def>
</rule-definitions>。
进一步，所述上下文感知算法实现智慧城市大数据的存储中，存储方法包括
(1)缓存框架单元将元数据库中的数据加载至缓存器中并为所述的缓存器创建连接池；
(2)元数据分析模块响应用户提交的元数据分析指令，并将元数据分析指令对应的元数据分析消息发送至元数据分析服务端；
(3)元数据分析服务端根据元数据分析任务通过缓存框架单元查询缓存器，并获得对应的元数据分析结果；
(4)元数据分析服务端将元数据分析结果对应的分析结果消息发送至元数据分析模块；
(5)元数据分析模块解析元数据分析服务端发送的分析结果消息得到元数据分析结果，并显示元数据分析结果。
进一步，所述的缓存框架单元包括数据加载模块，所述的缓存框架单元将所述的元数据库中的数据加载至所述的缓存服务中，包括以下步骤：
1)所述的数据加载模块连接所述的元数据库；
2)所述的数据加载模块查询所述的元数据库中的元数据实例表，并根据所述的元数据实例表创建并保存哈希值映射表；
3)所述的数据加载模块将所述的元数据库中的数据加载至所述的缓存器中；
所述的数据加载模块查询所述的元数据库中的元数据实例表，并根据所述的元数据实例表创建并保存哈希值映射表，包括以下步骤：
(a)所述的数据加载模块创建哈希值映射表；
(b)所述的数据加载模块查询所述的元数据库中的元数据实例表，并获取元数据实例序列号、元数据类型和元数据名称三个字段所对应的数据；
(c)所述的数据加载模块对元数据实例序列号进行哈希运算，并获得所述的元数据实例序列号对应的哈希值；
(d)所述的数据加载模块将所述的元数据实例序列号与所对应的哈希值保存至所述的哈希值映射表；
所述的数据加载模块对元数据实例序列号进行哈希运算，具体为：
所述的数据加载模块根据Java对象的HashCode()函数方法、MD5算法或SHA-1算法对元数据实例序列号进行哈希运算；
所述的数据加载模块将所述的元数据库中的数据加载至所述的缓存器中，包括以下步骤：
(A)所述的数据加载模块将所述的元数据库中的元数据实例表加载到所述的缓存器中；
(B)所述的数据加载模块将所述的元数据库中的元数据组合关系表加载到所述的缓存器中；
(C)所述的数据加载模块将所述的元数据库中的元数据依赖关系表加载到所述的缓存器中；
所述的缓存器包括数个缓存子服务器，所述的数据加载模块将所述的元数据库中的元数据实例表加载到所述的缓存器中，包括以下步骤：
a)所述的数据加载模块根据所述的哈希值对所述的缓存子服务器的数量取模，并用取模后的值作为该元数据实例表中的数据对应缓存的缓存子服务器的下标；
b)所述的数据加载模块以所述的元数据实例序列号为键值，以所述的元数据类型和所述的元数据名称为变量将所述的元数据实例表的数据保存至所对应的缓存子服务器中；
所述的数据加载模块将所述的元数据库中的元数据组合关系表加载到所述的缓存器中，包括以下步骤：
A)所述的数据加载模块查询所述的元数据库中的元数据组合关系表，并获取元数据实例序列号和组合关系元数据序列号两个字段的数据；
B)所述的数据加载模块以所述的元数据实例序列号为键值，以所述的组合关系元数据序列号为变量将所述的元数据组合关系表的数据保存至所对应的缓存子服务器中；
所述的缓存框架单元包括连接池管理模块和缓存配置模块，所述的连接池管理模块根据所述的缓存配置模块中存储的所述的缓存器的相关配置信息，为所述的缓存器创建连接池；
所述的元数据分析服务端包括任务调度模块、分布式缓存接口和分析消息接收队列，所述的元数据分析服务端根据所述的元数据分析任务通过缓存框架单元查询缓存器，包括以下步骤：
(一)所述的分析消息接收队列接收所述的元数据分析模块发送的所述的元数据分析消息；
(二)所述的任务调度模块解析所述的元数据分析消息并得到所述的元数据分析任务；
(三)所述的任务调度模块根据所述的元数据分析任务通过所述的分布式缓存接口调用所述的缓存框架单元；
(四)所述的任务调度模块通过所述的分布式缓存框架服务器查询所述的分布式缓存服务器；
所述的缓存框架单元还包括应用程序编程接口，所述的获得对应的元数据分析结果，包括以下步骤：
第一，所述的任务调度模块获得所述的元数据库中的元数据实例序列，并将所述的缓存器中以元数据实例序列号为键值的缓存数据为根节点，并将所述的根节点加入到分析结果对象树中；
第二，所述的任务调度模块将元数据实例序列号加入到任务集中作为进行元数据分析的初始对象；
第三，所述的任务调度模块以元数据实例序列号为参数，并通过调用所述的应用程序编程接口在所述的元数据组合关系模块和所述的元数据依赖关系模块中查找组合关系元数据序列号和依赖关系元数据序列号，形成组合关系元数据序列号集与依赖关系元数据序列号集；
第四，所述的任务调度模块为所述的组合关系元数据序列号集中的各个组合关系元数据序列号启动一个查询线程，以所述的各个组合关系元数据序列号为参数在所述的元数据实例模块中查询得到对应的元数据实例并加入到以所述的元数据实例序列号为根节点的分析结果对象树中；
第五，所述的任务调度模块为所述的依赖关系元数据序列号集中的各个依赖关系元数据序列号启动一个查询线程，以所述的各个依赖关系元数据序列号为参数在所述的元数据实例模块中查询得到对应的元数据实例并加入到以所述的元数据实例序列号为根节点的分析结果对象树中；
第六，所述的任务调度模块从所述的任务集中删除元数据实例序列号，将所述的组合关系元数据序列号集与依赖关系元数据序列号集加入到所述的任务集中；
第七，所述的任务调度模将所述的任务集中的各个关系元数据序列号作为元数据实例序列号，返回上述步骤第二，直到所述的任务集为空。
进一步，所述的元数据分析模块包括图形化界面子模块，所述的元数据分析模块响应用户提交的元数据分析指令，包括以下步骤：
所述的图形化界面子模块显示图形化界面；
所述的图形化界面子模块响应用户提交的元数据分析指令并得到所对应的元数据分析任务；
所述的元数据分析模块还包括任务解析子模块和解析消息发送队列，将所述的元数据分析指令对应的元数据分析消息发送至元数据分析服务端，包括以下步骤：
所述的任务解析模块将所述元数据分析任务的数据封装为对应的元数据分析消息，并将所对应的元数据分析消息发送至所述的解析消息发送队列；
所述的解析消息发送队列将所述的元数据分析消息发送至所述的元数据分析服务端；
所述的元数据分析服务端还包括分析消息发送队列，所述的元数据分析服务端将所述的元数据分析结果对应的分析结果消息发送至所述的元数据分析模块，包括以下步骤：
所述的任务调度模块将所对应的元数据分析结果封装为所对应分析结果消息；
所述的分析消息发送队列发送所述的对应的分析结果消息至所述的元数据分析模块；
任务调度模块将所对应的元数据分析结果封装为所对应分析结果消息，具体为：
所述的任务调度模块将所对应的元数据分析结果以XML方式进行封装，并得到所对应分析结果消息；
所述的元数据分析模块包括任务解析子模块和解析消息接收队列，所述的任务解析子模块解析所述的元数据分析模块发送的分析结果消息得到元数据分析结果，并显示所述的元数据分析结果，包括以下步骤：
所述的解析消息接收队列接收所述的元数据分析模块发送的分析结果消息；
所述的任务解析模块解析所述的分析结果消息并得到所述的元数据分析结果，以及将所述的元数据分析结果发送至所述的图形化界面子模块；
所述的图形化界面子模块显示所述的元数据分析结果；
所述的图形化界面子模块显示所述的元数据分析结果，具体为：
所述的图形化界面子模块以图形的方式显示所述的元数据分析结果。
进一步，所述基于上下文感知的智慧城市云计算分析方法还包括：采用相空间热力学的分析方法对云计算平台进行监控分析；所述监控分析包括广义温度的定义分析，所述广义温度的计算公式为：
式(1)中，Tt为云计算平台在t时刻的广义温度，其取值范围是[0，1]，Vt为云计算平台在t时刻的速度，Vmax为云计算平台的最大速度，其值为
Vt的计算公式为：
式(2)中，Xt+1为计算节点在t+1时刻的x轴坐标，Xt为计算节点在t时刻的x轴坐标，yt+1为计算节点在t+1时刻的y轴坐标，yt为计算节点在t时刻的y轴坐标。
进一步，相空间的坐标体系由与计算节点的CPU占用率对应的x轴和与计算节点的内存占用率对应的y轴构成，设任一时刻外部对云计算平台只有两个负载请求输入参数ai和bi，一秒钟内有l次负载请求；
所述监控分析还包括广义绝对温度T的定义分析，所述广义绝对温度T的计算公式为：
式(3)中，为云计算平台在任一时刻的总平均速度，为一秒时间间隔内云计算平台的运动平均速度；Δv为m个计算节点一秒内的速度在外界负载输入影响下的速度变化，m为云计算系统内的计算节点的数量，X为计算节点的x轴坐标，y为计算节点的y轴坐标；
所述监控分析还包括广义绝对零度T0，所述广义绝对零度T0的值为零，表示所有计算节点的负载均为0，且无任何外部负载请求的状态；
所述监控分析还包括广义熵和广义归一化熵的定义分析，所述广义熵的计算公式为：
S＝klnΩ (4)
式(4)中，S为广义熵，k为玻尔兹曼常数，Ω为微观状态数；
所述广义归一化熵的计算公式为：
式(5)中，K为广义归一化熵，S1为云计算平台当前的广义熵，S2为云计算平台在平衡态时的广义熵，k为玻尔兹曼常数，Ω1为云计算平台当前的微观状态数，Ω2为云计算平台在平衡态时的微观状态数。
进一步，所述广义归一化熵的近似计算方法如下：假设云计算系统需要监控分析的计算节点数为m，将相空间划分为一个n×n的网格，m个计算节点的当前工作参数映射到相空间并落入n×n的网格中，在平衡态时，m个计算节点会以随机的方式落入到n×n个网格中，m个计算节点的参数落入n×n个网格的微观状态数Ω2＝(n×n)m；
而在非平衡态时，m个计算节点会落入到l个网格中，这时1≤l≤n×n，m个计算节点的参数落入l个网格内，其微观状态数Ω1＝lm，此时，所述广义归一化熵的计算公式为当l＝1时，所述广义归一化熵K为0，这时m个计算节点参数全部落入一个网格内，云计算平台处于理想的均衡状态；当l＝n×n时，所述广义归一化熵K为1，这时m个计算节点参数随机分布于相空间内，云计算平台处于非常不理想的均衡状态；所述广义归一化熵K值越高表明云计算平台当前均衡状态越不理想；
所述相空间划分为n×n网格，网格n×n的密度与计算节点数量成正比，划分网格n×n满足以下条件：m＞n×n；
所述监控分析还包括相空间投影点重心位置的定义分析，所述相空间投影点重心位置G(x0，y0)的计算公式为：
式(6)中，X0为G(x0，y0)的x轴坐标，y0为G(x0，y0)的y轴坐标，Xj为n×n中每个网格中心的x轴坐标，y1为n×n中每个网格中心的y轴坐标，m为云计算平台中计算节点的数量。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。