数据分析方法、装置、服务器及存储介质与流程

本申请涉及人工智能，尤其涉及一种数据分析方法、装置、服务器及存储介质。

背景技术：

1、随着云计算、人工智能(artificial intelligence，简称ai)等技术的发展，安防监控领域朝着数字化和智能化发展，智能监控技术在安防领域得到广泛应用，尤其是在企业办公、大型超市、家庭等区域，通过视频监控系统并辅助人脸识别、行为识别等技术，对非法闯入者进行识别、对危险行为进行判定，安防系统进行联网报警，确保人员和财产安全。

2、物联网的发展和云计算技术的成熟，现在的视频监控系统大多采用云计算模式构建，即通过监控探头获取监控视频，并将视频的全部处理交由云端进行。在这个过程中会出现两个问题。首先，随着视频监控设备的广泛应用，监控视频的数据量也随之爆炸式增长，当监控视频的视频流上传给云平台时，就会有很大概率会引起网络拥塞，占用大量的网络带宽。同时，视频流中的有效信息是远小于如此庞大的数据流，因此，这种系统的的数据传输效率也很低。第二个问题是，海量未经处理的视频数据流上传至云端，其传输、存储、分析都将消耗大量云端服务器资源，给服务器的运行带来巨大压力，极有可能导致服务器故障。

技术实现思路

1、本申请提供一种数据分析方法、装置、服务器及存储介质，以解决现有技术中采用集中式处理模式对数据进行分析时，海量视频传输、分析、存储带有巨大压力，同时信息处理反馈的实时性不强等问题。

2、为达到上述目的，本申请采用如下技术方案：

3、第一方面，提供一种数据分析方法，应用于数据分析系统，数据分析系统包括中心服务器、边缘服务器以及数据采集设备，数据采集设备与边缘服务器连接，边缘服务器与中心服务器连接，边缘服务器部署有第一智能ai模型，第一ai模型用于执行数据特征提取任务，中心服务器部署有第二ai模型，第二ai模型用于执行数据分析任务，第一ai模型的算法时间复杂度小于第二ai模型的算法时间复杂度；该方法包括：边缘服务器接收到数据采集设备发送的采集数据之后，基于采集数据的大小，确定算力资源；边缘服务器基于算力资源，加载第一ai模型，得到采集数据的数据特征，并向中心服务器发送数据特征；中心服务器接收各边缘服务器发送的数据特征，并将数据特征输入第二ai模型，得到数据分析结果。

4、可选的，基于采集数据的大小，确定算力资源，包括：根据采集数据的大小，确定处理采集数据的算力需求信息，并将算力需求信息确定为算力资源。

5、可选的，边缘服务器包括多个算力节点；边缘服务器基于算力资源，加载第一ai模型，包括：边缘服务器从多个算力节点中确定空闲算力节点，并按照算力需求信息为空闲算力节点分配算力资源；边缘服务器为分配算力资源的空闲算力节点下发第一ai模型的镜像，并运行镜像。

6、可选的，边缘服务器包括多个算力节点，采集数据包括多个图像；在边缘服务器接收到数据采集设备发送的采集数据之后，方法还包括：边缘服务器按照各算力节点的当前负载从小到大的顺序，对多个算力节点排序，得排序结果；边缘服务器按照排序结果中的顺序，依次为各图像分配算力节点；一个图像对应一个算力节点。

7、第二方面，提供一种数据分析系统，数据分析系统包括中心服务器、边缘服务器以及数据采集设备，数据采集设备与边缘服务器连接，边缘服务器与中心服务器连接，边缘服务器部署有第一智能ai模型，第一ai模型用于执行数据特征提取任务，中心服务器部署有第二ai模型，第二ai模型用于执行数据分析任务，第一ai模型的算法时间复杂度小于第二ai模型的算法时间复杂度；边缘服务器用于接收到数据采集设备发送的采集数据之后，基于采集数据的大小，确定算力资源；边缘服务器还用于基于算力资源，加载第一ai模型，得到采集数据的数据特征，并向中心服务器发送数据特征；中心服务器用于接收各边缘服务器发送的数据特征，并将数据特征输入第二ai模型，得到数据分析结果。

8、可选的，边缘服务器，具体用于：根据采集数据的大小，确定处理采集数据的算力需求信息，并将算力需求信息确定为算力资源。

9、可选的，边缘服务器包括多个算力节点；边缘服务器，具体用于：从多个算力节点中确定空闲算力节点，并按照算力需求信息为空闲算力节点分配算力资源；为分配算力资源的空闲算力节点下发第一ai模型的镜像，并运行镜像。

10、可选的，边缘服务器包括多个算力节点，采集数据包括多个图像；在边缘服务器接收到数据采集设备发送的采集数据之后，边缘服务器还用于：按照各算力节点的当前负载从小到大的顺序，对多个算力节点排序，得排序结果；按照排序结果中的顺序，依次为各图像分配算力节点；一个图像对应一个算力节点。

11、第三方面，提供一种服务器，其特征在于，包括：处理器、用于存储处理器可执行的指令的存储器；其中，处理器被配置为执行指令，以实现上述第一方面的数据分析方法。

12、第四方面，提供一种计算机可读存储介质，计算机可读存储介质上存储有指令，其特征在于，当计算机可读存储介质中的指令由服务器的处理器执行时，使得服务器能够执行如上述第一方面的数据分析方法。

13、本申请实施例提供的技术方案至少带来以下有益效果：相对于目前的数据分析系统，本申请由边缘服务器接收数据采集设备的数据，可以效减少的数据分析系统工作时数据采集设备上传给中心服务器的数据量，减轻了大量数据传输的网络带宽压力，降低了数据分析系统正常使用的所需的网络要求。面对日益增加的数据采集设备数量，中心服务器所需处理的数据量也爆炸式增长，本申请将中心服务器的部分处理压力分配到边缘服务器，有效减轻了中心服务器的处理压力，从而使中心服务器有能力发挥其优势，进行更多的功能。传统的数据分析系统由于大量数据集中处理，导致信息交互延迟较大，本申请通过将处理压力分散的方式，可以减短中心服务器的处理时间，增强数据分析的实时性。

技术特征：

1.一种数据分析方法，其特征在于，应用于数据分析系统，所述数据分析系统包括中心服务器、边缘服务器以及数据采集设备，所述数据采集设备与所述边缘服务器连接，所述边缘服务器与所述中心服务器连接，所述边缘服务器部署有第一智能ai模型，所述第一ai模型用于执行数据特征提取任务，所述中心服务器部署有第二ai模型，所述第二ai模型用于执行数据分析任务，所述第一ai模型的算法时间复杂度小于所述第二ai模型的算法时间复杂度；所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述基于所述采集数据的大小，确定算力资源，包括：

3.根据权利要求2所述的方法，其特征在于，所述边缘服务器包括多个算力节点；所述边缘服务器基于所述算力资源，加载所述第一ai模型，包括：

4.根据权利要求1所述的方法，其特征在于，所述边缘服务器包括多个算力节点，所述采集数据包括多个图像；在所述边缘服务器接收到所述数据采集设备发送的采集数据之后，所述方法还包括：

5.一种数据分析系统，其特征在于，所述数据分析系统包括中心服务器、边缘服务器以及数据采集设备，所述数据采集设备与所述边缘服务器连接，所述边缘服务器与所述中心服务器连接，所述边缘服务器部署有第一智能ai模型，所述第一ai模型用于执行数据特征提取任务，所述中心服务器部署有第二ai模型，所述第二ai模型用于执行数据分析任务，所述第一ai模型的算法时间复杂度小于所述第二ai模型的算法时间复杂度；

6.根据权利要求5所述的系统，其特征在于，所述边缘服务器，具体用于：

7.根据权利要求6所述的系统，其特征在于，所述边缘服务器包括多个算力节点；所述边缘服务器，具体用于：

8.根据权利要求5所述的系统，其特征在于，所述边缘服务器包括多个算力节点，所述采集数据包括多个图像；在所述边缘服务器接收到所述数据采集设备发送的采集数据之后，所述边缘服务器还用于：

9.一种服务器，其特征在于，包括：处理器、用于存储所述处理器可执行的指令的存储器；其中，所述处理器被配置为执行指令，以实现权利要求1-4中任一项所述的数据分析方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有指令，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如权利要求1-4中任一项所述的数据分析方法。

技术总结
本申请提供一种数据分析方法、装置、服务器及存储介质，涉及人工智能技术领域，用以解决现有技术中采用集中式处理模式对数据进行分析时，海量视频传输、分析、存储带有巨大压力，同时信息处理反馈的实时性不强等问题。该方法包括：边缘服务器接收到数据采集设备发送的采集数据之后，基于采集数据的大小，确定算力资源；边缘服务器基于算力资源，加载第一AI模型，得到采集数据的数据特征，并向中心服务器发送数据特征；中心服务器接收各边缘服务器发送的数据特征，并将数据特征输入第二AI模型，得到数据分析结果。

技术研发人员：魏强,孟彬,程义远
受保护的技术使用者：中国联合网络通信集团有限公司
技术研发日：
技术公布日：2024/3/24