技术领域
[0001] 本发明涉及数据统计技术领域，尤其指一种同源跨屏数据嗅探方法。
相关背景技术
[0002] 随着互联网+(Internet Plus)的不断发展，多屏的使用已经成为当前人们媒介消费的潮流。越来越多的广告主顺应消费者的媒介行为嬗变，纷纷将其它视频媒体(在线视频、移动视频、楼宇屏、数字电视等)与传统电视进行跨屏整合优化，跨屏传播的业态已然形成。如此，用户行为轨迹变得扑朔迷离，其活动范畴不再局限于电视和PC间，各色移动、可穿戴和智能设备层出不穷，对广告研究而言，更加难以用科学的、完整的、高效的方式研究和评估用户有效行为路径。
[0003] 跨屏传播搭建了一个多维的传播网络，让目标人群在不同的空间、时间都在接触广告的信息，这种“广告包围”式传播会使信息接受者产生更多的思考，更多关于品牌或产品的联想，也就有机会达到1+1>2的传播效果，即产生跨屏传播的协同效应。跨屏传播的协同效应包括不同视频媒体在传播时间、传播空间上的互补效应；覆盖人群广度上的延伸效应；在不同媒体看到广告后的重复效应；以及跨屏优化所产生的成本效应等。
[0004] 然而，跨屏传播的优化也面临一个巨大的挑战，即同源研究的问题。同源研究是指通过同一样本收集受众接触不同屏幕广告的数据，即同源数据。基于同源样本对各个媒体进行相关主题研究是指导跨屏优化的关键。只有基于同源样本所监测出来的结果，才能够最好反映到不同受众人群在各个媒体的到达情况，特别是了解到各媒体之间的重合度。
[0005] 目前常用的同源跨屏研究主要基于问卷调研或程序植入的方式进行。尽管传统研究方法能在一定程度解决同源跨屏研究遇到的问题，但随着互联网+的不断发展，各种智能设备层出不穷，用户的接触面越发丰富，以问卷和程序植入方式进行研究已无法满足现阶段的需求。
具体实施方式
[0017] 为使本发明的目的、技术方案和优点更加清楚明白，下文中将结合附图对本发明的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
[0018] 在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0019] 图1是本发明的一种实施例中同源跨屏数据嗅探方法的流程示意图。如图1所示，该方法包括：
[0020] 步骤101，根据预先设置的筛选条件，对多数据流进行筛选，所述同源跨屏的多数据流包括智能电视数据、互联网数据、智能家庭数据、移动设备数据和PC设备数据。
[0021] 在本步骤中，预先为每种类型的数据流设置筛选条件。
[0022] 智能电视的筛选条件是：
[0023] SmartTV(Start_Time,End_Time,Node_Info,Channel)，
[0024] SmartTVi分量分解为 和
[0025] 其中，SmartTV表示智能电视数据流，i表示智能电视数据流序号；
[0026] 是第i号智能电视数据流的开始时间；
[0027] 是第i号智能电视数据流的结束时间；
[0028] 是第i号智能电视数据流的终端信息。
[0029] 是第i号智能电视数据流的通道信息。
[0030] 互联网数据的筛选条件是：
[0031] Itraffic(Start_Time,End_Time,Node_Info,(URLs∪Protocols∪Applications))，
[0032] 分量分解为和
[0033] 其中，Mode表示互联网数据流，i表示互联网数据流序号；
[0034] 是第i号指定类型数据流的开始时间；
[0035] 是第i号指定类型数据流的结束时间；
[0036] 是第i号指定类型数据流的终端信息；
[0037] 为第i号指定类型数据流终端信息的域名与路径；
[0038] 为第i号指定类型数据流终端信息使用的协议；
[0039] 为第i号指定类型数据流终端信息使用的应用。
[0040] 智能家居数据的筛选条件是：
[0041] SmartHome(Start_Time,End_Time,Node_Info,State)，
[0042] SmartHomei分量分解为和
[0043] 其中，SmartHome表示智能家居数据流，i表示智能家居数据流序号；
[0044] 为第i号智能家居数据流的开始时间；
[0045] 为第i号智能家居数据流的结束时间；
[0046] 为第i号智能家居数据流的终端信息；
[0047] 为第i号智能家居数据流的终端信息的状态或模式。
[0048] 移动设备数据的筛选条件是：
[0049] MobileDevice(Start_Time,End_Time,Node_Info,APP)，
[0050] MobileDevicei分量分解为和
[0051] 其中，MobileDevice表示移动设备数据流量，i表示移动设备数据流序号；
[0052] 为第i号移动设备数据流量的开始时间；
[0053] 为第i号移动设备数据流量的结束时间；
[0054] 为第i号移动设备数据流量的终端信息；
[0055] 为第i号移动设备数据流量的终端信息使用的应用。
[0056] PC设备数据的筛选条件是：
[0057] PCDevice(Start_Time,End_Time,Node_Info,(APPs∪URLs))，
[0058] PCDevicei分量分解为和
[0059] 其中，PCDevice表示PC设备数据流，i表示PC设备数据流序号。
[0060] 为第i号PC设备数据流的开始时间；
[0061] 为第i号PC设备数据流的结束时间；
[0062] 为第i号PC设备数据流的终端信息；
[0063] 为第i号PC设备数据流的终端信息使用的应用；
[0064] 为第i号PC设备数据流的终端信息的域名与路径。
[0065] 根据不同的数据流，采用相应的筛选方式提取有效数据信息。
[0066] 步骤102：将筛选后的数据和环境参量导入智能学习引擎，所述环境参量包括系统环境参量、设备环境参量和网络环境参量。
[0067] 在本步骤中，系统环境参量、设备环境参量和网络环境参量如下。
[0068] 系统环境参量为：
[0069] SystemVariable(Start_Time,End_Time,Node_Info,OS_Info)，
[0070] SystemVariablei分量分解为和
[0071] 其中，SystemVariable表示对应设备系统环境参量，i表示设备序号；
[0072] 为第i号设备系统环境参量的开始时间；
[0073] 为第i号设备系统环境参量的结束时间；
[0074] 为第i号设备系统环境参量的终端信息；
[0075] 为第i号设备系统环境参量终端信息使用的操作系统信息。
[0076] 设备环境参量为：
[0077] DeviceVariable(Start_Time,End_Time,Node_Info,Temp,RAM,CPU,ROM,Net_Stat)，
[0078] DeviceVariablei分量分解为和
[0079] 其中，DeviceVariable表示对应设备环境参量，i表示设备序号；
[0080] 为第i号设备的设备环境参量的开始时间；
[0081] 为第i号设备的设备环境参量的结束时间；
[0082] 为第i号设备的设备环境参量的设备温度；
[0083] 为第i号设备的设备环境参量的内存信息；
[0084] 为第i号设备的设备环境参量的处理器信息；
[0085] 为第i号设备的设备环境参量的存储信息；
[0086] 为第i号设备的设备环境参量的网络状态。
[0087] 网络环境参量为：
[0088] NetworkVariable(Start_Time,End_Time,Traffic,Node_Info,Protocls,Sesstions)，
[0089] NetworkVariablei分量分解为和
[0090] 其中，NetworkVariable表示对应网络环境参量，i表示设备序号；
[0091] 为第i号设备的网络环境参量的开始时间；
[0092] 为第i号设备的网络环境参量的结束时间；
[0093] 为第i号设备的网络环境参量的网络流量信息；
[0094] 为第i号设备的网络环境参量的终端信息；
[0095] 为第i号设备的网络环境参量的协议信息；
[0096] 为第i号设备的网络环境参量的网络会话信息。
[0097] 步骤103：智能学习引擎对融合处理后的数据进行学习，选择相适应的可伸缩通道与嗅探模式类型生成可伸缩通道嗅探模式，可伸缩通道嗅探模式包括可伸缩环形数据嗅探、可伸缩队列数据嗅探和可伸缩堆栈数据嗅探。
[0098] 在本步骤中，
[0099] 按递增方式计算系统资源消耗，
[0100]
[0101] 其中，Resource表示资源，System_Usage表示系统消耗，i表示序号。
[0102] 按递减方式计算数据处理效果最佳方式，
[0103]
[0104] 其中，Effect表示数据处理，System_Effect表示系统的数据处理，i表示序号。
[0105] 计算满足系统资源与数据处理的最优方案组，
[0106]
[0107] 其中，Solution为方案，Resource表示资源，Effect表示数据处理，i表示序号。
[0108] 根据计算出的最优方案组选择可伸缩通道与嗅探模式类型生成可伸缩通道嗅探模式。
[0109] 非可伸缩通道由于预先占用资源，系统资源需预先分配，无法根据环境变量的改变而调整，难以适应复杂多变的的现实环境。可伸缩通道根据系统资源状况，动态调用内存和CPU，更适应于复杂多变的环境。因此，在本发明实施例中，采用可伸缩通道嗅探模式用来降低系统负载，提升系统资源利用效能，优化数据采集方式。
[0110] 可伸缩通道嗅探模式包括可伸缩环形数据嗅探如图3所示、可伸缩队列数据嗅探如图4所示和可伸缩堆栈数据嗅探如图5所示。
[0111] 步骤104，智能学习引擎向系统提供可伸缩通道嗅探模式，系统根据生成的可伸缩通道嗅探模式要求设置参量，并将可伸缩通道嗅探模式下系统信息反馈给智能学习引擎。
[0112] 在本步骤中，如图6所示，智能学习引擎根据输入数据提供适应于当前环境的组合模式，系统根据组合模式要求设置相应参量，并将新模式下的系统信息不断反馈给智能学习引擎。
[0113] 本发明提供的同源跨屏数据嗅探方法，首先对来自智能电视、互联网流量、智能家庭、移动设备和PC设备的多源数据进行预处理，降低海量多源数据造成的系统过载，处理性能不足的问题，避免了出现数据峰值时的系统崩溃。然后对将处理后的数据与系统环境参量、设备环境参量和网络环境参量分别导入智能知识学习库和组合模式筛选，智能知识学习库根据输入网络数据及其参量进行学习，选择相适应的组合模式进行数据嗅探，组合模式筛选根据智能知识学习库反馈组合模式，选择可伸缩通道与嗅探模式类型，最后生成可伸缩通道嗅探模式。该方法可大大提高同源跨屏数据获取丰富程度与质量，对后续的同源跨屏数据分析和研究具有重要意义和使用价值。
[0114] 虽然本发明所揭露的实施方式如上，但所述的内容仅为便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式及细节上进行任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。
