CN111741112B - 基于人工智能的文件下载方法、装置、设备和存储介质 - Google Patents

Abstract

本申请涉及人工智能，特别涉及一种基于人工智能的文件下载方法、装置、设备和存储介质。方法包括：查询待下载文件对应的用户标识，并获取用户标识对应的时间预测函数；根据时间预测函数得到预测文件下载时间；利用预设的多个时间调整因子对预测文件下载时间进行调整，得到多个梯度对应的文件下载时间区间，文件下载时间区间均对应有预设下载次数；获取与当前时间匹配的文件下载时间区间，并在当前时间区间内根据对应的预设下载次数从服务器中下载待下载文件。采用本方法能够减轻计算机的资源浪费。此外，本发明还涉及区块链技术，隐私信息如历史文件下载数据存储于区块链中可存储于区块链中。

Description

基于人工智能的文件下载方法、装置、设备和存储介质

技术领域

本申请涉及人工智能技术领域，特别是涉及一种基于人工智能的文件下载方法、装置、设备和存储介质。

背景技术

随着互联网技术的发展，企业或者用户之间的数据交互从线下转移到线上，如用户将文件上传至目标用户的服务器中，目标用户从服务器下载对应的文件，实现用户与目标用户的文件业务交互。

然而，传统技术中无法得知用户何时将文件上传至目标用户的服务器中，特别是当目标用户具有多个服务器时，目标用户更无法得知用户将文件上传至哪个服务器中，使得目标用户只能在随机时间从随机的服务器中多次尝试下载文件，使得文件的下载占用大量的计算机资源，导致计算机内存被大量消耗。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高计算机处理效率的基于人工智能的文件下载方法、装置、设备和存储介质。

一种基于人工智能的文件下载方法，包括：

查询待下载文件对应的用户标识，并获取用户标识对应的时间预测函数；

根据时间预测函数得到预测文件下载时间；

利用预设的多个时间调整因子对预测文件下载时间进行调整，得到多个梯度对应的文件下载时间区间，文件下载时间区间均对应有预设下载次数；

获取与当前时间匹配的文件下载时间区间，并在当前时间区间内根据对应的预设下载次数从服务器中下载待下载文件。

在其中一个实施例中，时间预测函数的生成方法，包括：

获取用户标识对应的历史文件下载数据，历史文件下载数据中包含历史文件下载时间，所述历史文件下载数据存储于区块链中；

对历史文件下载时间进行训练得到各用户对应的时间预测函数。

在其中一个实施例中，根据历史文件下载时间得到各用户对应的时间预测函数，包括：

对各历史文件下载时间进行分析得到对应的预测函数类型；

将历史文件下载时间输入预测函数类型对应的函数模型中，得到函数模型对应的函数参数；

根据函数模型以及函数参数得到时间预测函数。

在其中一个实施例中，将历史文件下载时间输入预测函数类型对应的函数模型中，得到函数类型对应的函数参数，包括：

从历史文件下载时间中提取文件输入时间以及文件输出时间，文件输入时间是将待下载文件上传至服务器中的时间，文件输出时间是从服务器中成功下载待下载文件的时间；

将文件输入时间以及文件输出时间组成数据对；

将各数据对输入时间预测函数类型对应的函数模型中，得到函数类型对应的函数参数。

在其中一个实施例中，在当前时间区间内根据对应的预设下载次数从服务器中下载待下载文件，包括：

获取各服务器对应的服务器标识；

按照预设的规则从服务器中下载待下载文件；

当未能成功从服务器中下载文件时，记录服务器对应的服务器标识以及当前预设下载次数，继续从未被记录过服务器标识的服务器中继续下载待下载文件，直至当前下载次数达到预设下载次数或者成功从服务器中下载待下载文件时，停止从服务器中继续下载文件。

在其中一个实施例中，按照预设的规则从服务器中下载文件，包括：

从历史下载数据中提取各历史下载时间对应的服务器标识；

对各历史下载时间以及服务器标识进行分析，得到各历史下载时间对应的服务器预测模型，以根据服务器预测模型为各服务器分配下载权重；

按照下载权重以及预设下载次数从各服务器中下载文件。

在其中一个实施例中，获取与当前时间匹配的下载时间区间，包括：

将当前时间与各下载时间区间匹配；

当当前时间与各下载时间区间均匹配失败时，停止从服务器中下载文件。

一种基于人工智能的文件下载装置，包括：

函数获取模块，用于查询待下载文件对应的用户标识，并获取用户标识对应的时间预测函数；

预测时间获取模块，用于根据时间预测函数得到预测文件下载时间；

时间区间获取模块，用于利用预设的多个时间调整因子对预测文件下载时间进行调整，得到多个梯度对应的文件下载时间区间，文件下载时间区间均对应有预设下载次数；

文件下载模块，用于获取与当前时间匹配的文件下载时间区间，并在当前时间区间内根据对应的预设下载次数从服务器中下载待下载文件。

一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法的步骤。

上述基于人工智能的文件下载方法、装置、计算机设备和存储介质，查询待下载文件对应的用户标识，并获取用户标识对应的时间预测函数，进而可以根据时间预测函数得到该用户对应的预测文件下载时间；然后利用预设的多个时间调整因子对预测文件下载时间进行调整，得到多个梯度对应的文件下载时间区间，考虑到在不同的文件下载时间区间内具有不同文件下载成功率，为不同的时间下载区间分配对应的预设下载次数；进而可以将当前时间与各文件下载时间区间匹配，并获取与当前时间匹配成功的文件下载时间区间对应的预设下载次数，以根据该预设下载次数从服务器中下载文件。实现了根据不同用户对应的时间预测函数获取该用户对应的最大概率的文件下载时间区间，进而在该时间区间内执行文件下载，而不是在随机时间随机下载文件，实现了最大效率地利用计算机资源，减轻了计算机的内存占用率以及提高了文件下载效率。

附图说明

图1为一个实施例中文件下载方法的应用场景图；

图2为一个实施例中文件下载方法的流程示意图；

图3为一个实施例中的一种函数参数的获取方法的流程示意图；

图4为一个实施例中文件下载装置的结构框图；

图5为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的基于人工智能的文件下载方法，可以应用于如图1所示的应用环境中。其中，一个或者多个用户终端101通过网络与一个或者多个服务器104进行通信，一个或者多个用户终端102通过网络与一个或者多个服务器104进行通信，其中第一用户终端101可以是向服务器104中上传待下载文件的终端，第二用户终端102可以是从服务器中下载第一用户终端101上传的文件的终端。具体地，服务器104查询待下载文件对应的用户标识，每一个用户标识对应的一个第一用户终端101，并获取用户标识对应的时间预测函数；根据时间预测函数得到预测文件下载时间；利用预设的多个时间调整因子对预测文件下载时间进行调整，得到多个梯度对应的文件下载时间区间，文件下载时间区间均对应有预设下载次数；获取与当前时间匹配的文件下载时间区间，以使得第二用户终端102在当前时间区间内根据对应的预设下载次数从服务器104中下载待下载文件。

第一用户终端101和第二用户终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在其中一个实施例中，如图2所示，提供了一种基于人工智能的文件下载方法，以该方法应用于图1中的服务器104为例进行说明，在其他实施例中，该方法也可以应用于终端，方法包括以下步骤：

步骤210，查询待下载文件对应的用户标识，并获取用户标识对应的时间预测函数。

随着计算机技术的发展，企业用户之间的业务交互大多转移到线上，如用户将待下载文件上传至目标用户对应的服务器中，使得目标用户可以从对应的服务器中下载对应的待下载文件。也就是说待下载文件可以是用户上传至服务器中的以供目标用户下载的文件，由于不同用户对应的业务类型不同并且不同用户上传文件的习惯也不同，故而不同用户将待下载文件上传至服务器中时间是不同的，这就使得目标用户不知在什么时间从服务器中下载待下载文件。考虑到不同用户具有不同的业务运营规律，服务器对不同的用户的业务数据进行数据挖掘和分析，得到不同用户的文件上传时间对应的时间预测函数，根据该时间预测函数可以指示目标用户在合适的时间从服务器中下载待下载文件，提高文件下载的成功率。

步骤220，根据时间预测函数得到预测文件下载时间。

时间预测函数为预先生成的函数，可用于预测文件下载成功率最大的文件下载时间，并且不同用户可对应不同的时间预测函数。其中，文件下载时间可以为从服务器中成功下载保险文件的时间。具体地，可对各用户对应的历史出单数据进行数据分析以及数据处理得到时间预测函数，如时间预测函数可以为逻辑回归或者线性回归函数，在其他实施例中，也可以为人工智能领域的其他类型的函数，再此不做具体限定。

具体地，在保险业务领域，保险公司的合作伙伴将投保信息写入文件，并将文件上传至保险公司的服务器，保险公司定时任务下载并解析待下载文件，进行投保出单，然后回传下载结果文件至服务器，再由合作伙伴下载结果文件。但是在实际业务中发现由于合作伙伴上传文件时间不固定，并且文件随机上传到某台机器，使得保险公司无法预先得知待下载文件何时以及被上传至哪台电脑上，只能使用随机下载策略，导致文件下载效率较低。故而，本申请中通过预先获取合作用户对应的时间预测函数，以根据时间预测函数得到预测下载时间，使得保险公司在该预测到的下载时间内进行文件的下载操作，能够极大地提高文件下载的准确率以及下载效率。

步骤230，利用预设的多个时间调整因子对预测文件下载时间进行调整，得到多个梯度对应的文件下载时间区间，文件下载时间区间均对应有预设下载次数。

服务器对用户的历史下载数据进行分析，发现用户的下载时间符合一定的规律，可利用函数关系式进行表征。但是由于函数的预测精度并不是百分之百准确，即函数预测到的下载时间会存在一定的偏差，为了对预测到的下载时间进行进一步地调整，还包括：获取多个梯度对应的时间调整因子，如正负15分钟、正负30分钟、正负1小时、正负1.5小时或者正负2个小时等。然后利用预先设置的各梯度的时间调整因子对预测到的下载时间进行调整，得到多个梯度对应的预测下载时间区间。如当预测到的下载时间为3:00点时，那么当时间调整因子对应正数时，利用上述列举的时间调整因子进行调整，得到的多个梯度对应的预测下载时间区间分别为：[3:00-3:15]、[3:15-3:30]、[3:30-4:00]、[4:00-4:30]；以及当时间调整因子对应负数时，对应的下载时间区间分别为：[2:45-3:00]、[2:30-2:45]、[2:00-2:30]、[1:30-2:00]。然后将获取到的多个梯度对应的预测下载时间区间设置为重点下载时间区间。在具体实施中，考虑到用户在上班时间上传文件的可能性较大，故而还可以为上班时间区间设置更多梯度的时间调整因子。

步骤240，获取与当前时间匹配的文件下载时间区间，并在当前时间区间内根据对应的预设下载次数从服务器中下载待下载文件。

服务器获取当前时间，将当前时间与各梯度的预测时间区间进行匹配，以获取当前时间所在的预测时间区间。具体地，可以将当前时间并行与各预测时间区间进行匹配，以提高匹配的效率。在其他实施例中，也可以按照预测下载时间区间与预测下载时间的时间距离由小到大的顺序，依次进行匹配，以提高最靠近预测出单时间的匹配效率。

若当前时间与任意一个预测下载时间区间匹配成功时，判断当前时间匹配成功，若当前时间与所有的预测下载时间均匹配失败时，判断当前时间匹配失败。当匹配成功时，获取该匹配成功的预测下载时间区间对应的重试次数，进而可以在当前时间内根据重试次数从多个服务器中下载待下载的文件。当匹配失败时，说明在当前时间成功下载到文件的概率很低，故而可以不在当前时间执行文件的下载步骤。

其中，下载次数也称为重试次数，在一个实施例中可以为可以提供文件下载业务的服务器的个数，即重试次数为2时，代表利用第一台服务器未能成功下载文件时，还可以再利用另一台服务器重复尝试进行文件的下载任务，重试次数对应的数值越大，代表可以允许下载失败的次数越多。由于利用时间预测函数得到的预测下载时间为最精准的下载时间，故而为预测到的下载时间分配最大的重试次数，即若当前时间为预测下载时间，可以在当前时间内重复利用多台服务器尝试下载文件，以在该时间区间内提供更多的下载机会，提高文件出单的效率。

具体地，可以根据各预测出单时间区间与预测下载时间的时间距离大小，为各预测下载时间区间分配对应的重试次数。如可计算各预测下载时间区间的均值，根据均值与预测出单时间的时间距离大小对应的分配重试次数。在一个实施例中，时间距离越小，即预测下载时间区间的时间距离预测下载时间越近，在该时间区间内成功下载文件的概率越大，故而为其分配的重试次数越大。如重试次数的设置可根据服务器的数量定义，如最大的重试次数可以为服务器的数量。

在本实施例中，利用时间预测函数预测下载时间，然后对下载时间进行调整得到多个梯度对应的预测下载时间区间，进而可以在预测下载时间区间内集中下载文件，而不是如传统技术中在随机时间下载文件。并且为不同的预测时间区间设置不同梯度的重试次数，进一步地，提高了在不同时间内下载文件的针对性，使得在下载成功率更大的时间区间内进行多次下载，提高文件的下载准确率，在文件下载成功概率极小的时间区间内不下载或者利用较少的计算机资源进行下载，进而极大地提高了文件的下载效率、下载准确率以及计算机资源的利用率。并且，通过在不同的时间设置不同的重试次数，可以提高文件下载的成功率，并且在下载率极低的场景下避免无效的下载操作，减少了系统资源的浪费，提高了资源的利用率。

在其中一个实施例中，时间预测函数的生成方法，包括：获取用户标识对应的历史文件下载数据，历史文件下载数据中包含历史文件下载时间，历史文件下载数据存储于区块链中；对历史文件下载时间进行训练得到各用户对应的时间预测函数。

当需要从服务器中下载某个用户上传的文件时，服务器可以首先获取该用户对应的历史文件下载数据，其中历史文件下载数据中可包含该文件的历史下载时间等信息。具体地，服务器而根据用户标识获取各用户对应的历史文件下载数据，然后从历史文件下载数据中提取各成功下载该文件对应的历史下载时间。

如服务器可以获取该用户的历史一天对应的历史文件下载数据，通过分析历史一天的数据得到该用户对应的时间预测函数，进而用于预测当天的下载时间。服务器还可以获取用户历史多天对应的历史文件下载数据，如历史一周的数据或者历史一个月的数据等，然后根据多天的历史数据得到时间预测函数。

需要强调的是，为进一步保证上述历史文件下载数据的私密和安全性，上述历史文件下载数据还可以存储于一区块链的节点中。

在本实施例中，通过对历史文件下载数据中的历史文件下载时间进行数据挖掘以及数据分析，进而得到历史文件下载数据中的数学函数关系，进而实现对未来的下载时间的准确预测，提高了文件的下载准确率。并且，能够得到不同用户对应的时间预测函数，进而可以根据用户对应的时间预测函数得到该用户最大概率的文件下载时间，避免了对不同用户采取同一个下载时间的弊端。

在其中一个实施例中，根据历史文件下载时间得到各用户对应的时间预测函数，包括：对各历史文件下载时间进行分析得到对应的预测函数类型；将历史文件下载时间输入预测函数类型对应的函数模型中，得到函数模型对应的函数参数；根据函数模型以及函数参数得到时间预测函数。

不同用户的文件下载时间可能符合不同的函数关系式，如有的用户的文件下载时间对应线性函数关系式，有的用户的文件下载时间对应非线性的函数关系式，有的用户的文件下载时间还可以对应分段函数关系式等。具体地，服务器可以首先对获取到历史文件下载数据中的文件下载时间进行函数类型分析，进而得到用户对应的函数类型。根据函数类型得到函数模型，然后利用历史文件下载数据中的历史文件下载时间对函数模型中的参数进行求解得到函数参数，进而根据函数参数以及函数模型得到各用户对应的时间预测函数。

其中，线性回归模型可以理解为用一个函数去预测真实值。在一个实施例中，当判定用户对应的函数类型为线性回归模型时，定义函数模型如线性方程为y＝b1x+b0，其中x是样本数据矩阵(如为用户前一天的上传时间)，y是期望值(如期望用户今日的上传时间)，利用最小二乘法预估合适的向量b0和b1，使得线性方程能够尽可能的满足样本点的线性分布，故而可以利用求得的函数参数b0和b1，得到时间预测函数。然后可以利用时间预测函数对新的上传时间进行预测，得到预测文件下载时间，其中，最小二乘法是以最小化估计值与实际值之差的平方和作为目标，最小二乘准则如式(1)所示，估计的回归方程的斜率和y轴的截距如式(2)和式(3)。

在式(1)至式(3)中，x_i为对于第i次观测自变量的值，y_i为对于第i次观测应变量的观测值；为自变量的样本平均值，/>为应变量的样本平均值，n为总观测次数，min意思为求最小值。利用线性回归算法预估新的文件上传日期，避免定时任务频繁访问文件服务器尝试下载，浪费系统资源。

在本实施例中，考虑到不同用户的文件下载时间可能对应不同类型的函数，在对预测模型求解之前还包括获取函数类型，然后通过对函数类型进行求解得到时间预测函数，使得预测模型的获取更加准确。

在其中一个实施例中，如图3所示，提供了一种函数参数的获取方法的流程示意图。具体地，将历史文件下载时间输入预测函数类型对应的函数模型中，得到函数类型对应的函数参数，包括：

步骤310，从历史文件下载时间中提取文件输入时间以及文件输出时间，文件输入时间是将待下载文件上传至服务器中的时间，文件输出时间是从服务器中成功下载待下载文件的时间。

步骤320，将文件输入时间以及文件输出时间组成数据对。

具体地，如可以按照时间顺序将历史文件下载数据划分为函数模型中的输入数据以及输出数据。当历史文件下载数据对应历史一周七天的数据时，可以将前六天的数据划分为输入数据，将第七天的数据划分为输出数据，以根据前六天的数据预测第七天的数据。进一步地，还可以对前六天的数据进行数据处理，如进行求均值、或者求中位数或者求众数等数据处理，然后根据求得的数据与第七天的数据组成数据对。

步骤330，将各数据对输入时间预测函数类型对应的函数模型中，得到函数类型对应的函数参数。

然后将各数据对输入函数模型中，对模型中的参数进行求解。

在其中一个实施例中，在当前时间区间内根据对应的预设下载次数从服务器中下载待下载文件，包括：获取各服务器对应的服务器标识；按照预设的规则从服务器中下载待下载文件；当未能成功从服务器中下载文件时，记录服务器对应的服务器标识以及当前预设下载次数，继续从未被记录过服务器标识的服务器中继续下载待下载文件，直至当前下载次数达到预设下载次数或者成功从服务器中下载待下载文件时，停止从服务器中继续下载文件。

服务器标识可用于唯一标识一个服务器，如可为电脑的IP地址。具体地，保险公司提供下载文件的服务器可包括多个，如保险公司可提供多台电脑用于下载文件。在不知能从哪台电脑上成功下载文件的时候，可按照预设的规则获取服务器，如可随机获取服务器，从随机获取的服务器中尝试下载文件，如还可以为各服务器预先设置下载顺序，按照预先设置的顺序调用对应的服务器，依次尝试从服务器中下载文件。

具体地，尝试下载的次数为重试次数，如保险公司提供的可下载的服务器的个数为5台，设置重试次数为5时，可以按照预设的顺序依次从各服务器中尝试下载文件。当服务器的个数为5台，重试次数为4次时，可以随机从5台服务器中选取4台服务器尝试下载文件，或者按照预先设置的服务器的优先级，从优先级为前4的服务器中尝试下载文件。从服务器中尝试下载文件时，当下载失败时，可以记录服务器标识，将不再重复从该服务器中继续尝试下载文件。当从该服务器中成功下载文件时，表明文件下载成功，停止继续尝试下载文件的任务。在一个实施例中，可以使用轮询算法进行下载操作，若下载失败，更换服务器继续进行重试下载。调整下载策略为轮询后，可以确保上传当日一定下载成功，降低客户投诉。

在其中一个实施例中，按照预设的规则从服务器中下载文件，包括：从历史下载数据中提取各历史下载时间对应的服务器标识；对各历史下载时间以及服务器标识进行分析，得到各历史下载时间对应的服务器预测模型，以根据服务器预测模型为各服务器分配下载权重；按照下载权重以及预设下载次数从各服务器中下载文件。

考虑到用户王服务器中上传文件的时间不定以及随机上传至服务器的情况，建立时间预测函数预测用户上传文件的时间，故而还通过预先建立服务器预测模型以预测用户将文件上传至哪台服务器中的概率较大。具体地，服务器预测模型的建立过程包括：从历史文件下载数据中提取各历史文件下载时间，以及各历史文件下载时间对应的历史服务器标识，以分析各历史文件下载时间与历史服务器的关联关系，根据该关联关系得到服务器预测模型。

具体地，当需要从多台服务器中下载当天对应的上传文件时，首先利用时间预测模型预测当天的预测下载时间，然后利用服务器预测模型获取预测下载时间对应的各服务器的权重，根据该权重为服务器分配服务器出单权重。然后，按照服务器权重从高到低的顺序依次从服务器中尝试下载文件，直至达到重试次数，或者成功下载文件时，停止从服务器中尝试下载文件的步骤。

在本实施例中，通过建立服务器预测模型，可以为各服务器设置对应的权重系数，即服务器优先级，进而可以按照优先级顺序从各服务器中尝试下载文件，提高了文件获取的成功率。

在其中一个实施例中，获取与当前时间匹配的下载时间区间，包括：将当前时间与各下载时间区间匹配；当当前时间与各下载时间区间均匹配失败时，停止从服务器中下载文件。

当当前时间与各预测下载时间区间均匹配失败后，判断当前时间不是预测出单时间，不执行从服务器中下载待出单的文件。具体地，若当前时间不在任何的预测出单时间区间内时，判断在当前时间内成功下载文件的概率几乎为0，故而为了节约计算机资源，此时不执行从服务器中下载文件。

由于合作伙伴上传文件时间不固定，并且文件随机上传到某台机器，且保险公司由于调用存在多台机器，无法预先得知文件何时被上传至哪台电脑上，保险公司的下载任务只能使用定时任务、固定频率(定时任务随机电脑的方式)下载出单文件，由于文件上传时间不定且下载使用随机策略，导致下载效率较低，若调高定时任务下载频率，则浪费系统资源，若调低下载频率，则会出现下载不到的情况。保险公司定时任务触发后无法立即下载到文件，需要重试几次可能就会调用成功。故而给下载文件的用户带来了极大的不便，使得文件经常下载失败，保单处理失败的情况时有发生。原有下载策略为随机下载，目标文件仅在其中某一台服务器中，故可能会出现重试多次均下载不到目标文件的情况，一旦超过凌晨，则定时任务只会处理第二天的下载任务，导致需要人工介入出单，由运维手动上传结果文件至服务器，再通知合伙伙伴进行下载。

然而，在一个实施例中，本申请中降低定时任务执行频率，定时任务触发后，查询历史文件上传时间，利用线性回归算法预估新的文件上传日期，避免定时任务频繁访问文件服务器尝试下载，浪费系统资源。提高文件下载的效率，经统计原下载频率每半小时分钟(30min)一次，当日共执行48次定时任务，随机下载平均下载15次可成功，现调整定时任务为每小时一次，仅在预测时间的两小时内尝试下载，并调整重试为轮询策略后，重试3～4次即下载成功，效率提高70％。

在本申请中，由于用户上传文件的时间以及将文件上传至服务器的位置都是不确定的，故而为了提高从系统中准确下载文件的效率以及准确率，本申请对各用户的历史上传行为数据进行分析，进而得到各用户对应的历史上传时间预测函数，进而可以利用该时间预测函数得到大概率的用户上传时间。进一步地，得到预测上传时间后，本申请还包括对预测到的时间按照一定的规则进行调整，得到多个梯度下的时间区间，进而对不同的区间分配不同的重试次数，进一步地，为不同的时间段分配不同的下载权重，进而提高文件下载的时间针对性，提高计算机资源的利用效率以及文件下载的准确率。

应该理解的是，虽然图2-3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-3中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在其中一个实施例中，如图4所示，提供了一种基于人工智能的文件下载装置，包括：

函数获取模块410，用于查询待下载文件对应的用户标识，并获取用户标识对应的时间预测函数。

预测时间获取模块420，用于根据时间预测函数得到预测文件下载时间。

时间区间获取模块430，用于利用预设的多个时间调整因子对预测文件下载时间进行调整，得到多个梯度对应的文件下载时间区间，文件下载时间区间均对应有预设下载次数。

文件下载模块440，用于获取与当前时间匹配的文件下载时间区间，并在当前时间区间内根据对应的预设下载次数从服务器中下载待下载文件。

在其中一个实施例中，文件下载装置还包括：

历史数据获取模块，用于获取用户标识对应的历史文件下载数据，历史文件下载数据中包含历史文件下载时间，历史文件下载数据存储于区块链中。

训练模块，用于对历史文件下载时间进行训练得到各用户对应的时间预测函数。

在其中一个实施例中，函数获取模块410，包括：

分析单元，用于对各历史文件下载时间进行分析得到对应的预测函数类型。

参数计算单元，用于将历史文件下载时间输入预测函数类型对应的函数模型中，得到函数模型对应的函数参数。

函数获取单元，用于根据函数模型以及函数参数得到时间预测函数。

在其中一个实施例中，参数计算单元，包括：

时间提取子单元，用于从历史文件下载时间中提取文件输入时间以及文件输出时间，文件输入时间是将待下载文件上传至服务器中的时间，文件输出时间是从服务器中成功下载待下载文件的时间。

数据对组成子单元，用于将文件输入时间以及文件输出时间组成数据对；

参数获取子单元，用于将各数据对输入时间预测函数类型对应的函数模型中，得到函数类型对应的函数参数。

在其中一个实施例中，文件下载模块440，包括：

标识获取单元，用于获取各服务器对应的服务器标识。

下载单元，用于按照预设的规则从服务器中下载待下载文件。

循环下载单元，用于当未能成功从服务器中下载文件时，记录服务器对应的服务器标识以及当前预设下载次数，继续从未被记录过服务器标识的服务器中继续下载待下载文件，直至当前下载次数达到预设下载次数或者成功从服务器中下载待下载文件时，停止从服务器中继续下载文件。

在其中一个实施例中，下载单元，包括：

服务器标识提取子单元，用于从历史下载数据中提取各历史下载时间对应的服务器标识。

权重分配子单元，用于对各历史下载时间以及服务器标识进行分析，得到各历史下载时间对应的服务器预测模型，以根据服务器预测模型为各服务器分配下载权重。

文件下载子单元，用于按照下载权重以及预设下载次数从各服务器中下载文件。

在其中一个实施例中，文件下载模块440，包括：

时间匹配单元，用于将当前时间与各下载时间区间匹配；

匹配失败单元，用于当当前时间与各下载时间区间均匹配失败时，停止从服务器中下载文件。

关于基于人工智能的文件下载装置的具体限定可以参见上文中对于基于人工智能的文件下载方法的限定，在此不再赘述。上述基于人工智能的文件下载装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在其中一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储文件下载的相关数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于人工智能的文件下载方法。

本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在其中一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：查询待下载文件对应的用户标识，并获取用户标识对应的时间预测函数；根据时间预测函数得到预测文件下载时间；利用预设的多个时间调整因子对预测文件下载时间进行调整，得到多个梯度对应的文件下载时间区间，文件下载时间区间均对应有预设下载次数；获取与当前时间匹配的文件下载时间区间，并在当前时间区间内根据对应的预设下载次数从服务器中下载待下载文件。

在其中一个实施例中，处理器执行计算机程序时实现时间预测函数的生成方法的步骤时还用于：获取用户标识对应的历史文件下载数据，历史文件下载数据中包含历史文件下载时间，所述历史文件下载数据存储于区块链中；对历史文件下载时间进行训练得到各用户对应的时间预测函数。

在其中一个实施例中，处理器执行计算机程序时实现根据历史文件下载时间得到各用户对应的时间预测函数的步骤时还用于：对各历史文件下载时间进行分析得到对应的预测函数类型；将历史文件下载时间输入预测函数类型对应的函数模型中，得到函数模型对应的函数参数；根据函数模型以及函数参数得到时间预测函数。

在其中一个实施例中，处理器执行计算机程序时实现将历史文件下载时间输入预测函数类型对应的函数模型中，得到函数类型对应的函数参数额步骤时还用于：从历史文件下载时间中提取文件输入时间以及文件输出时间，文件输入时间是将待下载文件上传至服务器中的时间，文件输出时间是从服务器中成功下载待下载文件的时间；将文件输入时间以及文件输出时间组成数据对；将各数据对输入时间预测函数类型对应的函数模型中，得到函数类型对应的函数参数。

在其中一个实施例中，处理器执行计算机程序时实现在当前时间区间内根据对应的预设下载次数从服务器中下载待下载文件的步骤时还用于：获取各服务器对应的服务器标识；按照预设的规则从服务器中下载待下载文件；当未能成功从服务器中下载文件时，记录服务器对应的服务器标识以及当前预设下载次数，继续从未被记录过服务器标识的服务器中继续下载待下载文件，直至当前下载次数达到预设下载次数或者成功从服务器中下载待下载文件时，停止从服务器中继续下载文件。

在其中一个实施例中，处理器执行计算机程序时实现按照预设的规则从服务器中下载文件的步骤时还用于：从历史下载数据中提取各历史下载时间对应的服务器标识；对各历史下载时间以及服务器标识进行分析，得到各历史下载时间对应的服务器预测模型，以根据服务器预测模型为各服务器分配下载权重；按照下载权重以及预设下载次数从各服务器中下载文件。

在其中一个实施例中，处理器执行计算机程序时实现获取与当前时间匹配的下载时间区间的步骤时还用于：将当前时间与各下载时间区间匹配；当当前时间与各下载时间区间均匹配失败时，停止从服务器中下载文件。

在其中一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：查询待下载文件对应的用户标识，并获取用户标识对应的时间预测函数；根据时间预测函数得到预测文件下载时间；利用预设的多个时间调整因子对预测文件下载时间进行调整，得到多个梯度对应的文件下载时间区间，文件下载时间区间均对应有预设下载次数；获取与当前时间匹配的文件下载时间区间，并在当前时间区间内根据对应的预设下载次数从服务器中下载待下载文件。

在其中一个实施例中，计算机程序被处理器执行时实现时间预测函数的生成方法的步骤时还用于：获取用户标识对应的历史文件下载数据，历史文件下载数据中包含历史文件下载时间，所述历史文件下载数据存储于区块链中；对历史文件下载时间进行训练得到各用户对应的时间预测函数。

在其中一个实施例中，计算机程序被处理器执行时实现根据历史文件下载时间得到各用户对应的时间预测函数的步骤时还用于：对各历史文件下载时间进行分析得到对应的预测函数类型；将历史文件下载时间输入预测函数类型对应的函数模型中，得到函数模型对应的函数参数；根据函数模型以及函数参数得到时间预测函数。

在其中一个实施例中，计算机程序被处理器执行时实现将历史文件下载时间输入预测函数类型对应的函数模型中，得到函数类型对应的函数参数额步骤时还用于：从历史文件下载时间中提取文件输入时间以及文件输出时间，文件输入时间是将待下载文件上传至服务器中的时间，文件输出时间是从服务器中成功下载待下载文件的时间；将文件输入时间以及文件输出时间组成数据对；将各数据对输入时间预测函数类型对应的函数模型中，得到函数类型对应的函数参数。

在其中一个实施例中，计算机程序被处理器执行时实现在当前时间区间内根据对应的预设下载次数从服务器中下载待下载文件的步骤时还用于：获取各服务器对应的服务器标识；按照预设的规则从服务器中下载待下载文件；当未能成功从服务器中下载文件时，记录服务器对应的服务器标识以及当前预设下载次数，继续从未被记录过服务器标识的服务器中继续下载待下载文件，直至当前下载次数达到预设下载次数或者成功从服务器中下载待下载文件时，停止从服务器中继续下载文件。

在其中一个实施例中，计算机程序被处理器执行时实现按照预设的规则从服务器中下载文件的步骤时还用于：从历史下载数据中提取各历史下载时间对应的服务器标识；对各历史下载时间以及服务器标识进行分析，得到各历史下载时间对应的服务器预测模型，以根据服务器预测模型为各服务器分配下载权重；按照下载权重以及预设下载次数从各服务器中下载文件。

在其中一个实施例中，计算机程序被处理器执行时实现获取与当前时间匹配的下载时间区间的步骤时还用于：将当前时间与各下载时间区间匹配；当当前时间与各下载时间区间均匹配失败时，停止从服务器中下载文件。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于人工智能的文件下载方法，所述方法包括：

查询待下载文件对应的用户标识，并获取所述用户标识对应的时间预测函数；所述时间预测函数是不同用户的文件上传时间对应的函数；

根据所述时间预测函数得到预测文件下载时间；

利用预设的多个时间调整因子对所述预测文件下载时间进行调整，得到多个梯度对应的文件下载时间区间，所述文件下载时间区间均对应有预设下载次数；

获取与当前时间匹配的文件下载时间区间，并在所述当前时间区间内根据对应的所述预设下载次数从服务器中下载所述待下载文件。

2.根据权利要求1所述的方法，其特征在于，所述时间预测函数的生成方法，包括：

获取所述用户标识对应的历史文件下载数据，所述历史文件下载数据中包含历史文件下载时间，所述历史文件下载数据存储于区块链中；

对所述历史文件下载时间进行训练得到各用户对应的时间预测函数。

3.根据权利要求2所述的方法，其特征在于，所述根据所述历史文件下载时间得到各用户对应的时间预测函数，包括：

对各所述历史文件下载时间进行分析得到对应的预测函数类型；

将所述历史文件下载时间输入所述预测函数类型对应的函数模型中，得到所述函数模型对应的函数参数；

根据所述函数模型以及所述函数参数得到时间预测函数。

4.根据权利要求3所述的方法，其特征在于，所述将所述历史文件下载时间输入所述预测函数类型对应的函数模型中，得到所述函数类型对应的函数参数，包括：

从所述历史文件下载时间中提取文件输入时间以及文件输出时间，所述文件输入时间是将所述待下载文件上传至服务器中的时间，所述文件输出时间是从所述服务器中成功下载所述待下载文件的时间；

将所述文件输入时间以及所述文件输出时间组成数据对；

将各所述数据对输入所述时间预测函数类型对应的函数模型中，得到所述函数类型对应的函数参数。

5.根据权利要求1所述的方法，其特征在于，所述在所述当前时间区间内根据对应的所述预设下载次数从服务器中下载待下载文件，包括：

获取各服务器对应的服务器标识；

按照预设的规则从所述服务器中下载待下载文件；

当未能成功从所述服务器中下载文件时，记录所述服务器对应的服务器标识以及当前下载次数，继续从未被记录过服务器标识的服务器中继续下载所述待下载文件，直至所述当前下载次数达到所述预设下载次数或者成功从服务器中下载所述待下载文件时，停止从所述服务器中继续下载文件。

6.根据权利要求5所述的方法，其特征在于，所述按照预设的规则从所述服务器中下载文件，包括：

从历史下载数据中提取各历史下载时间对应的服务器标识；

对各所述历史下载时间以及所述服务器标识进行分析，得到各所述历史下载时间对应的服务器预测模型，以根据所述服务器预测模型为各所述服务器分配下载权重；

按照所述下载权重以及所述预设下载次数从各所述服务器中下载文件。

7.根据权利要求1所述的方法，其特征在于，所述获取与当前时间匹配的下载时间区间，包括：

将当前时间与各所述下载时间区间匹配；

当所述当前时间与各所述下载时间区间均匹配失败时，停止从服务器中下载文件。

8.一种基于人工智能的文件下载装置，其特征在于，所述装置包括：

函数获取模块，用于查询待下载文件对应的用户标识，并获取所述用户标识对应的时间预测函数；所述时间预测函数是不同用户的文件上传时间对应的函数；

预测时间获取模块，用于根据所述时间预测函数得到预测文件下载时间；

时间区间获取模块，用于利用预设的多个时间调整因子对所述预测文件下载时间进行调整，得到多个梯度对应的文件下载时间区间，所述文件下载时间区间均对应有预设下载次数；

文件下载模块，用于获取与当前时间匹配的文件下载时间区间，并在所述当前时间区间内根据对应的所述预设下载次数从服务器中下载所述待下载文件。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。