高校圖書館智能設(shè)備的信息提取

張旋

[摘 ? ? ? ? ? 要] ?隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展，將會有更多智能設(shè)備通過校園WiFi設(shè)備接入互聯(lián)網(wǎng)。了解智能設(shè)備的準(zhǔn)確信息可以進(jìn)一步提高網(wǎng)絡(luò)運(yùn)營商的網(wǎng)絡(luò)服務(wù)質(zhì)量以及服務(wù)提供商的安全性，并為高校智慧圖書館建設(shè)提供數(shù)據(jù)分析依據(jù)。提出一種基于Hadoop平臺和用戶自定義功能的校園WiFi網(wǎng)絡(luò)智能設(shè)備信息提取方案。用戶自定義函數(shù)是根據(jù)高校圖書館日常服務(wù)中的常見參數(shù)開發(fā)的，用于處理大量非標(biāo)準(zhǔn)化數(shù)據(jù)。提出的信息提取方案的核心是將處理后的輸入數(shù)據(jù)與預(yù)先構(gòu)建的智能設(shè)備規(guī)則數(shù)據(jù)庫進(jìn)行字符串匹配。測試是基于高校圖書館日常師生登陸平臺檢索數(shù)據(jù)集進(jìn)行的。測試結(jié)果表明，提出的方法能準(zhǔn)確地從校園WiFi網(wǎng)絡(luò)中提取設(shè)備信息。

[關(guān) ? ?鍵 ? 詞] ?高校圖書館;智能設(shè)備;信息提取;無線網(wǎng)絡(luò)

[中圖分類號] ?G647 ? ? ? ? ? ? ? ? [文獻(xiàn)標(biāo)志碼] ?A ? ? ? ? ? ?[文章編號] ?2096-0603（2019）25-0224-02

在校園網(wǎng)絡(luò)中，讀者用戶使用各種智能設(shè)備（如手機(jī)、平板電腦、智能手表等），通過校園無線網(wǎng)絡(luò)接入互聯(lián)網(wǎng)。隨著智慧圖書館的發(fā)展，更多的智能設(shè)備將通過無線網(wǎng)絡(luò)接入互聯(lián)網(wǎng)。為了向服務(wù)訂閱者提供更好的網(wǎng)絡(luò)服務(wù)質(zhì)量和業(yè)務(wù)體驗，高校圖書館服務(wù)人員將收集大量的測量數(shù)據(jù)，包括安全性和用戶行為信息。然后進(jìn)一步執(zhí)行數(shù)據(jù)處理，如測試網(wǎng)絡(luò)管理的瓶頸，并提高用戶的體驗質(zhì)量。智能設(shè)備的提取是上述數(shù)據(jù)處理過程中的關(guān)鍵任務(wù)之一。本文通過高等院校圖書館在校園網(wǎng)絡(luò)環(huán)境下提取數(shù)據(jù)流量以此建立分析智能設(shè)備信息的方案。傳統(tǒng)蜂窩網(wǎng)絡(luò)的運(yùn)營商可以通過分析信息流量獲取大部分設(shè)備信息，如國際移動設(shè)備標(biāo)識通常嵌入信息通信量中。然而，這些信息在默認(rèn)情況下不包含在WiFi條件下的數(shù)據(jù)流量信息。為了獲得校園無線網(wǎng)絡(luò)中智能設(shè)備等此類信息，一種可能的方法是收集和解析智能設(shè)備與云之間交換的超文本傳輸協(xié)議（HTTP）消息中的用戶代理（UA）字符串。圖1顯示了UA的一個例子。如圖所示，可以通過解析過程提取瀏覽器類型、操作系統(tǒng)、字符集等信息。

盡管有兩個公共標(biāo)準(zhǔn)可用于格式化設(shè)備標(biāo)簽，但大多數(shù)制造商都忽略了這些標(biāo)準(zhǔn)，從而使信息提取更加困難。對這個問題，現(xiàn)有兩種解決方案。一種是無線通用資源文件（WURFL），這是一種基于唯一內(nèi)容的UA識別方法，如設(shè)備信息。通過將唯一標(biāo)識的內(nèi)容與預(yù)定義的文件進(jìn)行匹配，可以從Web服務(wù)器中提取設(shè)備信息。然而，由于新設(shè)備的出現(xiàn)和現(xiàn)有設(shè)備的頻繁升級，WURFL不能保證長期的高精度。另一種解決方案基于UA字符串匹配。應(yīng)用UA字符串匹配，需要使用包含UA字符串和設(shè)備模型的匹配規(guī)則預(yù)先設(shè)置數(shù)據(jù)庫。提取設(shè)備信息的方法是將捕獲的字符串映射到數(shù)據(jù)庫中的預(yù)置值。雖然實現(xiàn)起來很簡單，但是這種方法效率很低，尤其是在大數(shù)據(jù)背景的今天，我們提出的方案旨在克服現(xiàn)有兩種方法的缺點，特別是我們在方案中實現(xiàn)Hadoop以快速高效地處理大量數(shù)據(jù)。此外，Hive UDF以統(tǒng)一數(shù)據(jù)格式對數(shù)據(jù)進(jìn)行預(yù)處理。

本文的其余部分組織如下：給出智能設(shè)備信息提取方案的框架;介紹基于Hadoop的數(shù)據(jù)處理技術(shù)，并描述了如何實現(xiàn)UDF函數(shù);給出實驗結(jié)果;總結(jié)這項實驗工作。

一、方案概述

圖2顯示了所提議的信息提取方案的概述?？傮w而言，該方案包括4個部分，即流量采集、數(shù)據(jù)預(yù)處理、智能設(shè)備信息提取和智能設(shè)備信息記錄（SDIR）。

流量收集是指從目標(biāo)網(wǎng)絡(luò)中收集原始數(shù)據(jù)流量。流量收集點可以部署在通信網(wǎng)絡(luò)的不同位置，如核心網(wǎng)絡(luò)、聚合層、基于遠(yuǎn)程服務(wù)器的訪問節(jié)點和網(wǎng)絡(luò)網(wǎng)關(guān)。

數(shù)據(jù)預(yù)處理是對采集到的交通數(shù)據(jù)進(jìn)行凈化和過濾，因為采集到的交通數(shù)據(jù)可能存在噪聲。經(jīng)過數(shù)據(jù)預(yù)處理后，核心函數(shù)（即基于DPI9的核心函數(shù)）只處理采集數(shù)據(jù)的一小部分，大大降低了方案的計算開銷。研究發(fā)現(xiàn)，大多數(shù)移動應(yīng)用程序使用HTTP與服務(wù)器通信。在本文中，我們將使用HTTP演示所提出的信息提取方案。我們提出的方案可以很容易地擴(kuò)展，如應(yīng)用報頭/消息字段以更好地兼容其他專有協(xié)議。在大量實驗基礎(chǔ)上設(shè)計該方案的濾波策略，使近98%的原始數(shù)據(jù)能夠被準(zhǔn)確地清洗和濾波。策略包括用戶類型、位置、通信協(xié)議等。

智能設(shè)備信息提取是本方案的核心功能。此函數(shù)用于匹配從預(yù)定義庫中捕獲的、經(jīng)常維護(hù)和更新的UA字符串。

SDIR是提取方案的匯總。在此步驟中，從原始數(shù)據(jù)流量中成功地提取了所需的信息，如設(shè)備類型、品牌、模型等。收集SDIRs以進(jìn)行進(jìn)一步的數(shù)據(jù)統(tǒng)計、分析和挖掘。SDIR的詳細(xì)應(yīng)用超出了信息提取方案的范圍。

二、基于UDF的智能設(shè)備信息提取方案

經(jīng)過數(shù)據(jù)預(yù)處理后，可以獲得包含接入網(wǎng)絡(luò)用戶賬戶、用戶訪問統(tǒng)一資源定位器（URL）和UA字符串的有用數(shù)據(jù)流，用于基于UDF-方案的信息提取。為了處理大量的UA字符串，實現(xiàn)基于Hadoop的MapReduce支持并行處理。Hadoop需要處理的5個步驟如下：

1.在Hive數(shù)據(jù)庫中收集和預(yù)處理原始流量。

2.從預(yù)處理中清除和過濾UA字符串?dāng)?shù)據(jù)。

3.使用在MapReduce上實現(xiàn)的UDF函數(shù)解析和正則化UA字符串?dāng)?shù)據(jù)。

4.通過WebMagic.11創(chuàng)建和管理一個智能設(shè)備規(guī)則數(shù)據(jù)庫。

5.通過與數(shù)據(jù)庫匹配的UA字符串提取智能設(shè)備信息。

在第1步中，Hive是一個基于Hadoop的數(shù)據(jù)倉庫，它使用Hadoop-HDFS作為數(shù)據(jù)存儲并提供HiveQL。除了內(nèi)置功能外，Hive還提供用戶定義功能（UDF）來增強(qiáng)數(shù)據(jù)處理。由于非標(biāo)準(zhǔn)的UA字符串不能由HiveQL內(nèi)置in語句處理，因此我們定義了一個UDF，它將非標(biāo)準(zhǔn)數(shù)據(jù)格式處理為期望的格式，以便進(jìn)行信息匹配。

要啟動步驟3中的調(diào)節(jié)過程，將一個UA字符串的正則表達(dá)式文件作為數(shù)據(jù)結(jié)構(gòu)列表讀入內(nèi)存。正則表達(dá)式包含智能設(shè)備信息，用于解析原始的UA字符串。表1顯示了正則表達(dá)式的一個示例。當(dāng)原始的UA字符串與正則表達(dá)式匹配時，將得到解析過的UA字符串。表2顯示了一些原始UA刺和相應(yīng)的解析過的刺的例子。

? 在步驟4中，WebMagic是一個簡單而靈活的Java web爬蟲程序框架。它被用于從可信的電子商務(wù)網(wǎng)站收集智能設(shè)備相關(guān)信息，信息數(shù)據(jù)庫也由WebMagic自動定期更新。最終結(jié)果存儲在SDIR數(shù)據(jù)結(jié)構(gòu)中。

三、實驗與案例分析

在本節(jié)中，我們以實際網(wǎng)絡(luò)數(shù)據(jù)為基礎(chǔ)，通過實驗驗證所提出的信息提取方案。通過與中國一家網(wǎng)絡(luò)運(yùn)營商的合作，以天津音樂學(xué)院圖書館為調(diào)研地點收集了為期5天的原始數(shù)據(jù)。數(shù)據(jù)來自2種類型的智能設(shè)備。其中手機(jī)3630臺，平板電腦1609臺。正如我們所看到的，智能手機(jī)在收集數(shù)據(jù)中占主導(dǎo)地位。然而，為了提供更好的用戶體驗，網(wǎng)絡(luò)運(yùn)營商可能需要更詳細(xì)的信息，如設(shè)備類型、設(shè)備品牌、操作系統(tǒng)等。在不損失通用性的前提下給出利用該方案提取設(shè)備類型和品牌的結(jié)果。特別是我們的虛擬計算集群配備了8核心中央處理器（CPU）和64GB隨機(jī)存取內(nèi)存（RAM）。整個信息提取過程包括數(shù)據(jù)預(yù)處理，在12小時內(nèi)完成。通過運(yùn)行我們提出的信息提取方案可以準(zhǔn)確地提取出各類智能設(shè)備的品牌。在真實的實驗中，所有類型的智能設(shè)備的準(zhǔn)確率都達(dá)到了92%以上，準(zhǔn)確度是通過正確檢測的數(shù)量與智能設(shè)備總數(shù)的比值來衡量的。

有了這些信息，網(wǎng)絡(luò)運(yùn)營商將能更有效地提供服務(wù)和管理他們的網(wǎng)絡(luò)資源，以提高用戶的使用感受。如網(wǎng)絡(luò)運(yùn)營商可以根據(jù)用戶設(shè)備的不同為視頻流服務(wù)分配不同的緩存大小和優(yōu)先級。類似網(wǎng)絡(luò)資源管理可以應(yīng)用于其他應(yīng)用程序，如游戲、在線購物、社交網(wǎng)絡(luò)等。為了進(jìn)一步提高用戶的使用感受，智能設(shè)備制造商和應(yīng)用程序開發(fā)人員可以通過固件和應(yīng)用程序更新等方式對產(chǎn)品進(jìn)行改進(jìn)，從而充分利用優(yōu)化后的網(wǎng)絡(luò)資源。

四、結(jié)語

本文提出了一種智能設(shè)備信息提取方案。該方案將UDF應(yīng)用于處理非標(biāo)準(zhǔn)的UA字符串格式，因此，可以使用基于Hadoop的平臺進(jìn)行處理，實驗基于真實的網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行。結(jié)果表明，在實際應(yīng)用中，該方法在智能設(shè)備信息提取中可以達(dá)到92%以上的精度。此外，在今后的工作中還將探討一些開放的問題，如UA簽名數(shù)據(jù)庫的更新和維護(hù)，更快的匹配等。我們還將與未來可能進(jìn)行的相關(guān)工作進(jìn)行性能比較。

編輯 馮永霞