APP下载

基于Java的微服务技术在构建企业智能大数据平台下的应用与开发研究

2019-08-12李晓明应毅曾岳

现代电子技术 2019年15期

李晓明 应毅 曾岳

摘  要: 为解决企业大数据平台适配灵活性较差、功能化参数分配不协调等问题,设计基于Java微服务技术的新型企业智能大数据平台。从服务接口凭证调取、账号管理、说明文档推送三个角度完成基于Java微服务技术的大数据平台需求分析调研。在此基础上,利用完整的大数据框架协调智能平台接口与服务模块间的制约关系,完成新型企业智能大数据平台的搭建,实现基于Java的微服务技术在构建企业智能大数据平台下的应用与开发研究。对比实验结果表明,与传统企业大数据平台相比,应用基于Java微服务技术的新型企业智能大数据平台后,功能化参数分配协调性得到大幅提升,适配灵活性最大值可达到90%。

關键词: Java微服务; 企业大数据平台; 智能平台搭建; 接口凭证; 说明文档; 平台接口

中图分类号: TN915?34; TP399                   文献标识码: A                      文章编号: 1004?373X(2019)15?0165?05

Application and development of Java?based micro?service technology in intelligent

big data platform establishment of enterprises

LI Xiaoming1, YING Yi1, ZENG Yue2

(1. School of Computer Science and Engineering, San Jiang University, Nanjing 210012, China;

2. School of Software Engineering, Jinling Institute of Technology, Nanjing 211169, China)

Abstract: In order to solve the problems of poor adaptive flexibility and inconsistent allocation of functional parameters of enterprise big data platform, a new enterprise intelligent big data platform based on Java micro?service technology is designed. The demand analysis and research of big data platform based on Java micro?service technology is completed in three aspects of service interface voucher taking, account management and description document push. On this basis, a complete big data framework is used to coordinate the restrictive relation between interface and service module of the intelligent platform, complete the construction of a new enterprise intelligent big data platform, and realize the application and development of Java?based micro?service technology in the construction of enterprise intelligent big data platform. The comparison experimental results show that, in comparison with the traditional enterprise big data platform, the new enterprise intelligent big data platform based on Java micro?service technology can greatly improve the coordination capacity of functional parameter allocation, and the maximum adaptive flexibility can reach 90%.

Keywords: Java micro?service; enterprise big data platform; intelligent platform set?up; interface credentials; description documents; platform interface

0  引  言

Java技术吸纳了C++语言的应用优势,通过面向对象的数据编程手段,解决原发信息节点指针不明显的问题。从实用性方面来看,Java编程技术具备明显的语言应用优势,能够充分化简复杂的理论对象关系,并以连贯的思维方式、多信息数据进行编码处理。传统企业大数据平台以C++语言作为后台程序的主要编码依据,并通过搭建移动设备浏览程序的方式,增加平台自身的浏览量[1?2]。这种平台运行方法通过Logistic回归法则计算各窗口的组件化条件,并通过资源信息整合的方式完成MLP软件运行环境的搭建。在这种软件运行环境中,所有与企业相关的信息数据都可在B/S架构模型的促进下进行自主顺序排列,不仅实现了企业大数据的分层组件化处理,也在一定程度上降低了模块化信息传递风险因素的发生概率。随着科学技术手段的进步,这种传统的平台搭建方法逐渐暴露出功能化参数分配协调程度受限、适配灵活性不达标等应用弊端。为解决上述问题,引入Java微服务技术,通过分析信息流基础需求的方式,搭建一种新型的企业智能大数据平台,对比实验说明这种新型平台的实用性。

1  基于Java微服务技术的大数据平台需求分析

通过接口凭证调取、企业账号管理等途径实现基于Java微服务技术平台需求分析,完成新型大数据平台搭建的准备工作。

1.1  Java服务接口凭证调取

Java服务接口凭证调取需要在安全Open ID协议的促进下,提取企业智能大数据平台的access token权限,并根据数据字符的投放条件规划现有待管理企业微服务账号的基本存储上限。Open ID协议是企业智能大数据平台中促进数据传输的主要媒介[3]。为了实现多个企业微服务账号间的信息互通传输,可以利用移动端互联的技术手段对平台中企业核心计算机的access token权限进行提取,再增设一个新型的平台账号管理空间用于管理不同Java微服务对象的个人绑定信息[4]。默认企业智能大数据平台的IP地址为http://getcallbackip.com/cgi?bin/URL,Java服务接口凭证的调取操作原理如图1所示。

1.2  企业微服务账号管理

企业微服务账号管理可以借助Java服务接口凭证,确定大数据说明文档推送起始点、终止点的具体位置。传统企业大数据平台中所有微服务账号均呈现较为散乱的分布状态,当企业计算机对账号管理空间发出调取指令后,这些微服务账号会同时进入接口节点,并按照账号存储数据总量由小到大的顺序进行调取检测,这也是导致传统平台适配灵活性较差的主要原因[5?6]。为有效解决上述问题,新型企业智能大数据平台在确保Java服务接口凭证无误的前提下,通过微服务账号管理结构对所有待检测数据进行类别划分。当企业计算机对账号管理空间发出调取申请后,微服务账号管理结构会在存储空间内进行初步筛选,再将满足调取要求的企业微服务账号传输至承运单元。通过这种方式提升企业智能大数据平台的运行管理级别,并适当提升平台的适配灵活性,具体企业微服务账号管理原则如图2所示。

图1  Java服务接口凭证调取原理详解图

图2  企业微服务账号管理原则详解图

1.3  大数据说明文档的推送

大数据说明文档推送是基于Java微服务技术平台需求分析的关键环节,且该项操作需要在多个企业微服务账号的促进下为大数据框架、服务接口等平台模块提供物理信息的依存条件[7]。在Java服务接口凭证满足平台计算机调取规则的前提下,企业微服务账号管理会在企业计算机中长期存储。在此运行条件下,大数据说明文档可以通过智能界面接口进入平台的大数据框架中,并作为基础数据算子连接平台接口及Java服务模块间的信息传输[8?9]。常规大数据说明文档信息与菜单项列表保持相同的排列顺序,在企业智能大数据平台处于平稳运行的条件下,这些待推送的说明文档会按照企业计算机的调取规则进行物理排列,并通过不断更改组合形态的方式弱化功能化参数的传输协调性,使得企业信息具备更强的响应连接速度。大数据说明文档的推送原则如图3所示。

图3  大数据说明文档推送原则注解图

2  企业智能大数据平台的构建与开发

在基于Java微服务技术平台需求分析的基础上,通过大数据框架完善、智能平台接口设计、Java服务模块实现三个步骤,实现新型企业智能大数据平台的构建与开发。

2.1  大数据架构完善

新型企业平台的大数据框架在保留B/S架构的基础上,采用Web网络结构连接待推送文档与智能平台接口间的数据传输。这种新型的企业平台大数据架构采用分层管理模式,以Web浏览器作为核心搭建设备,不仅在应用层面上实现了服务器功能的高度统一,也在一定程度上深化了瀏览器的数据处理能力。采用新型大数据架构的企业服务平台可以轻松实现软、硬件运行环境间的功能性转化,且随着智能平台接口数量的不断增加,Java服务模块可在接收企业数据的同时,通过大数据框架与平台核心计算机建立物理连接,并在输入、输出信道的促进下完成物理信息互换操作[10?11]。从功能结构方面来看,企业平台的大数据框架可分为客户端层、服务层、数据处理层三个主要层次,且每个层次中都包含大量的智能平台接口,根据处理数据类型的不同,这些接口所具备的物理权限也都不相同。完整的企业平台大数据框架结构如图4所示。

2.2  智能平台接口设计

新型企业大数据平台的智能接口包含JSON,Getrisk,Chronic三种标准类型。其中,JSON平台接口主要存在于大数据框架结构中的服务层,是智能性连接服务的直观表现形式。该类型的智能平台接口满足Integer企业数据的查询要求,可在允许存储空间为空的前提下,对所有运行数据库中存储的企业数据信息进行调取、查找[12]。Getrisk平台接口主要存在于大数据框架结构中的数据处理层,可以充分适应平台存储结构运行要求。该类型的智能平台接口始终保持String浮点精度条件,在一切存储空间不为空的前提下,都可以实现对企业数据信息的良性处理[13?14]。Chronic平台接口在大数据框架中起到传输桥梁的作用,其应用条件相对宽泛,不需要对存储空间进行严格的限制,且能够对企业数据信息进行较为迅速的连接处理。详细智能平台接口设计标准如表1所示。

参考文献

[1] 郭嘉,郭晓峰,沈建京.关于大数据中用户资源信息提取仿真研究[J].计算机仿真,2018,35(7):414?417.

GUO Jia, GUO Xiaofeng, SHEN Jianjing. Simulation research on user resource information extraction in big data [J]. Computer simulation, 2018, 35(7): 414?417.

[2] 安强强,李赵兴,张峰,等.基于机器学习的通信网络非结构化大数据分析算法[J].电子设计工程,2018,26(14):53?56.

AN Qiangqiang, LI Zhaoxing, ZHANG Feng, et al. Machine learning based unstructured large data analysis algorithm for communication networks [J]. Electronic design engineering, 2018, 26(14): 53?56.

[3] 李艳,吕鹏,李珑.基于大数据挖掘与决策分析体系的高校图书馆个性化服务研究[J].图书情报知识,2016,19(2):60?68.

LI Yan, L? Peng, LI Long. Research on personalized services of university library based on the big data mining and decision analysis system [J]. Document, information & knowledge, 2016, 19(2): 60?68.

[4] 姜俊锋,丁香乾,侯瑞春,等.基于Citespace Ⅲ的大数据研究的可视化分析[J].计算机与数字工程,2016,14(2):291?295.

JIANG Junfeng, DING Xiangqian, HOU Ruichun, et al. Visua?lization analysis about big data research based on citespaceⅢ [J]. Computer and digital engineering, 2016, 14(2): 291?295.

[5] 黄超,余英,张炜,等.对智能配电网大数据统一支撑平台体系和构架分析[J].自动化与仪器仪表,2016,23(7):137?138.

HUANG Chao, YU Ying, ZHANG Wei, et al. Analysis of the unified support platform system and framework for big data in smart distribution network [J]. Automation & instrumentation, 2016, 23(7): 137?138.

[6] 李寒曦,錢杰,汪炎平.基于智能化系统理论的IT智能移动巡检平台开发与研究[J].科技通报,2016,32(3):132?135.

LI Hanxi, QIAN Jie, WANG Yanping. Development of IT intelligent mobile inspection platform based on intelligent theory [J]. Bulletin of science and technology, 2016, 32(3): 132?135.

[7] 田歆,汪寿阳,鄂尔江,等.零售大数据与商业智能系统的设计、实现与应用[J].系统工程理论与实践,2017,37(5):1282?1293.

Tian Xin, Wang Shouyang, E Erjiang, et al. Design, implementation and practice of big data and business intelligence system for retail industry [J]. Systems engineering?theory & practice, 2017, 37(5): 1282?1293.

[8] 江凯,苏谦,白皓,等.大数据环境下高速铁路线下结构检测数据管理平台设计与分析[J].铁道标准设计,2016,12(3):24?28.

JIANG Kai, SU Qian, BAI Hao, et al. Design and analysis of data management platform for high speed railway infrastructure inspection [J]. Railway standard design, 2016, 12(3): 24?28.

[9] 何胜,冯新翎,武群辉,等.基于用户行为建模和大数据挖掘的图书馆个性化服务研究[J].图书情报工作,2017(1):40?46.

HE Sheng, FENG Xinling, WU Qunhui, et al. Research on personalized services of library based on user behavior mode?ling and big data mining [J]. Library and information service, 2017(1): 40?46.

[10] 杨甲甲,赵俊华,文福拴,等.智能电网环境下基于大数据挖掘的居民负荷设备识别与负荷建模[J].电力建设,2016,37(12):11?23.

YANG Jiajia, ZHAO Junhua, WEN Fushuan, et al. Residential appliance identification and load modeling based on big data mining in smart grid environment [J]. Electric power construction, 2016, 37(12): 11?23.

[11] BACCARELLI E, CORDESCHI N, MEI A, et al. Energy?efficient dynamic traffic offloading and reconfiguration of networked data centers for big data stream mobile computing: review, challenges, and a case study [J]. Computers & chemical engineering, 2016, 91(2): 182?194.

[12] CHEN M, MA Y, SONG J, et al. Smart clothing: connecting human with clouds and big data for sustainable health monito?ring [J]. Mobile networks & applications, 2016, 21(5): 1?21.

[13] HARTMANN P M, ZAKI M, FELDMANN N, et al. Cap?tu?ring value from big data ? a taxonomy of data?driven business models used by start?up firms [J]. International journal of ope?rations & production management, 2016, 36(10): 1382?1406.

[14] ZHANG Q, YANG L, CHEN Z. Privacy preserving deep computation model on cloud for big data feature learning [J]. IEEE transactions on computers, 2016, 65(5): 1351?1362.

[15] LEI Y, JIA F, LIN J, et al. An intelligent fault diagnosis method using unsupervised feature learning towards mechanical big data [J]. IEEE transactions on industrial electronics, 2016, 63(5): 3137?3147.

[16] ZHANG Y. GroRec: a group?centric intelligent recommender system integrating social, mobile and big data technologies [J]. IEEE transactions on services computing, 2016, 9(5): 786?795.