CN113762972A - 数据存储控制方法及装置、电子设备、存储介质 - Google Patents
数据存储控制方法及装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN113762972A CN113762972A CN202110537453.8A CN202110537453A CN113762972A CN 113762972 A CN113762972 A CN 113762972A CN 202110537453 A CN202110537453 A CN 202110537453A CN 113762972 A CN113762972 A CN 113762972A
- Authority
- CN
- China
- Prior art keywords
- transaction
- network
- unit
- equipment
- duration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4014—Identity check for transactions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
- G06F3/0601—Interfaces specially adapted for storage systems
- G06F3/0602—Interfaces specially adapted for storage systems specifically adapted to achieve a particular effect
- G06F3/061—Improving I/O performance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
- G06F3/0601—Interfaces specially adapted for storage systems
- G06F3/0628—Interfaces specially adapted for storage systems making use of a particular technique
- G06F3/0629—Configuration or reconfiguration of storage systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
- G06F3/0601—Interfaces specially adapted for storage systems
- G06F3/0668—Interfaces specially adapted for storage systems adopting a particular infrastructure
- G06F3/067—Distributed or networked storage systems, e.g. storage area networks [SAN], network attached storage [NAS]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Accounting & Taxation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Security & Cryptography (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请的实施例揭示了一种数据存储控制方法及装置、电子设备和计算机可读存储介质。该方法包括:获取用于预测交易设备在单位交易时长中的网络状态的网络预测模型;在单位交易时长中获取交易设备的历史交易特征,历史交易特征是交易设备在与当前单位交易时长相距至少一个交易时长周期的历史单位交易时长中生成的交易特征;通过网络预测模型根据历史交易特征预测交易设备在单位交易时长中的网络状态;从交易设备的服务端获取交易设备在单位交易时长中进行交易所需的交易服务数据,并按照与单位交易时长中的网络状态相匹配的数据存储方式,将获取的交易服务数据存储于交易设备中。本申请的实施例提升交易设备的存储资源利用率。
Description
技术领域
本申请涉及数据处理技术领域,具体而言,涉及一种数据存储控制方法及装置、电子设备、计算机可读存储介质。
背景技术
随着终端智能化技术的快速发展,在终端设备中进行交易支付已逐渐成为主流的支付方式。用于进行交易支付的交易设备对于大型数据集的存储方式通常包括本地存储以及内存存储,大型数据集例如为交易设备进行交易所需的交易服务数据,但无论是本地存储还是内存存储都会对交易设备的存储资源造成不同程度的浪费。因此,如何通过控制交易设备对于大型数据集的存储来提升交易设备的存储资源利用率,是现有技术中还有待解决的技术问题。
发明内容
为解决上述技术问题,本申请的实施例提供了一种数据存储控制方法及装置、电子设备、计算机可读存储介质。
根据本申请实施例的一个方面,提供了一种数据存储控制方法,包括:获取用于预测交易设备在单位交易时长中的网络状态的网络预测模型;在单位交易时长中获取所述交易设备的历史交易特征,所述历史交易特征是所述交易设备在与当前单位交易时长相距至少一个交易时长周期的历史单位交易时长中生成的交易特征;通过所述网络预测模型根据所述历史交易特征预测所述交易设备在单位交易时长中的网络状态;从所述交易设备的服务端获取所述交易设备在单位交易时长中进行交易所需的交易服务数据,并按照与单位交易时长中的网络状态相匹配的数据存储方式,将获取的交易服务数据存储于所述交易设备中。
根据本申请实施例的一个方面,提供了一种数据存储控制装置,包括:预测模型获取模块,配置为获取用于预测交易设备在单位交易时长中的网络状态的网络预测模型;交易特征获取模块,配置为在单位交易时长中获取所述交易设备的历史交易特征,所述历史交易特征是所述交易设备在与当前单位交易时长相距至少一个交易时长周期的历史单位交易时长中生成的交易特征;网络状态预测模块,配置为通过所述网络预测模型根据所述历史交易特征预测所述交易设备在单位交易时长中的网络状态;数据获取及存储模块,配置为从所述交易设备的服务端获取所述交易设备在单位交易时长中进行交易所需的交易服务数据,并按照与单位交易时长中的网络状态相匹配的数据存储方式,将获取的交易服务数据存储于所述交易设备中。
根据本申请实施例的一个方面,提供了一种电子设备,包括处理器及存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时实现如上所述的数据存储控制方法。
根据本申请实施例的一个方面,提供了一种计算机可读存储介质,其上存储有计算机可读指令,当所述计算机可读指令被计算机的处理器执行时,使计算机执行如上所述的数据存储控制方法。
根据本申请实施例的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各种可选实施例中提供的数据存储控制方法。
在本申请的实施例提供的技术方案中,通过网络预测模型来预测交易设备在单位交易时长中的网络状态,相当于是通过机器学习的方式来预测交易设备网络的变化情况,并根据预测得到的网络状态来决策交易设备进行交易所需的交易服务数据在交易设备中的存储方式,使得交易服务数据在交易设备中的存储方式可以随着单位交易时长中的网络状态进行动态变更,能够适应于交易设备的复杂网络环境,由此提升交易设备的存储资源利用率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术者来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1是本申请涉及的一种实施环境的示意图;
图2是本申请的一示例性实施例示出的数据存储控制方法的流程图;
图3是本申请的一示例性实施例示出的获取用于预测交易设备在单位交易时长中的网络状态的网络预测模型的流程图;
图4是本申请的一示例性实施例示出的对网络预测模型进行监督训练的流程图;
图5是本申请的一示例性实施例示出的应用场景示意图;
图6是本申请的一示例性实施例示出的一种数据存储控制装置的框图;
图7示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
这里将详细地对示例性实施例执行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
还需要说明的是:在本申请中提及的“多个”是指两个或者两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
本申请实施例提出的数据存储控制方法及装置、电子设备、计算机可读存储介质涉及人工智能技术以及机器学习技术,以下将对这些实施例进行详细说明。
首先请参阅图1,图1是本申请涉及的一种实施环境的示意图。该实施环境包括交易设备100和服务端120,交易设备100和服务端120之间通过有线或者无线网络进行通信。
交易设备100用于采集用户特征,并根据采集的用户特征对用户进行身份验证,若用户身份通过验证,则针对用户账户进行交易支付处理,例如从用户账户的余额中减除相应金额,由此在交易设备100中完成一笔交易。服务端120用于向交易设备中进行的交易支付处理提供数据支持,例如向交易设备100提供进行交易所需的交易服务数据。
其中,交易设备100可以是支持二维码交易、人脸交易、指纹交易等交易类型的电子设备,本处不进行限制。服务端120可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,其中多个服务器可组成一区块链,而服务器为区块链上的节点,服务端120还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network,内容分发网络)以及大数据和人工智能平台等基础云计算服务的云服务器,本处也不对此进行限制。
服务端120向交易设备100提供进行交易所需的交易服务数据通常是大型数据集,例如当交易设备100为人脸支付设备时,服务端120需要向交易设备100提供离线人脸特征数据集,数据量通常可达数GB(GigaByte,千兆字节)。交易设备100对于大型数据集的存储方式无论是本地存储还是内存存储都会对交易设备100的存储资源造成不同程度的浪费,为解决此问题,本申请的实施例通过控制交易设备对于大型数据集的存储来提升交易设备的存储资源利用率。
请参阅图2,图2是本申请的一示例性实施例示出的数据存储控制方法的流程图。该方法可以应用于图1所示的实施环境,例如由图1所示实施例环境中的交易设备100具体执行。而在其它的实施环境中,该方法也可以由其它设备执行,本实施例不对此进行限制。
如图2所示,该数据存储控制方法至少包括步骤S210至步骤S270,详细介绍如下:
步骤S210,获取用于预测交易设备在单位交易时长中的网络状态的网络预测模型。
首先需要说明的是,本实施例中的交易设备是指用于进行交易支付的终端设备,例如交易设备是支持二维码支付、指纹支付、人脸支付等交易支付方式的终端设备。交易设备的具体类型可根据实际的交易支持场景进行确定,交易设备所支持的交易支付方式可通过交易设备中运行的交易支付应用实现,本实施例不对此进行限制。
单位交易时长用于描述交易设备进行交易的周期性质,交易设备的一个交易周期由连续的多个单位交易时长构成,例如交易设备中进行的交易支付通常按照每周呈规律性波动,每周7天则为交易设备对应的交易周期,每周内中的各天则为交易设备对应的单位交易时长。
交易设备在单位交易时长中的网络状态可包括可用网络状态和弱网状态,其中可用网络状态是指网络质量较高,不会影响交易设备中的交易支付应用使用的网络状态,弱网状态是指网络质量较差,会影响交易支付应用的可用性的网络状态。
本实施例获取用于预测交易设备在单位交易时长中的网络状态的网络预测模型,以通过网络预测模型来预测交易设备在单位交易时长中的网络状态,并根据预测到的网络状态来决策交易设备从服务端获取进行交易所需的交易服务数据的存储方式,使得交易设备在单位交易时长中获取到的交易服务数据在交易设备中的存储方式与交易设备的网络状态相适应,以实现大型数据集在交易设备中的存储方式的动态变更。
需要说明的是,网络预测模型是机器学习模型,其通过大量的训练数据集训练得到。详细的训练过程请参见后续实施例中记载的内容,本处不对此进行赘述。
步骤S230,在单位交易时长中获取交易设备的历史交易特征,历史交易特征是交易设备在与当前单位交易时长相距至少一个交易时长周期的历史单位交易时长中生成的交易特征。
如前所述的,交易设备中进行的交易支付呈规律性波动,本实施例为了预测交易设备在每个单位交易时长中的网络状态,需在每个单位交易时长中获取交易设备的历史交易特征,以通过网络预测模型根据所获取的历史交易特征来预测交易设备在单位交易时长中的网络状态。其中,历史交易特征是交易设备在与当前交易时长相距至少一个交易时长周期的历史单位交易时长中生成的交易特征,例如交易设备的一个交易周期时长为一周,单位交易时长为每日,假定当前需要预测网络状态的单位交易时长为本周三,所获取的历史交易特征则可以为交易设备在上周三中生成的交易特征,或者是交易设备在上上周三中生成的交易特征,由此,将获得的历史交易特征作为当前单位交易时长中的交易特征能够减小数据误差,提升网络状态的预测准确性。
还需要说明的是,交易特征是指交易设备在单位交易时长中的交易信息,例如交易特征可以包括交易笔数、交易时间、交易设备所在的地域等交易信息。在一些示例性的实施例中,考虑到在实际的交易支付场景中,交易时间和交易设备所在的地域等信息最终会体现为交易笔数,也即交易笔数与交易时间和交易设备所在的地域之间是非相互独立的关系,因此交易特征可以是交易笔数。
步骤S250,通过网络预测模型根据历史交易特征预测交易设备在单位交易时长中的网络状态。
本实施例将获取到的历史交易特征输入网络预测模型,即可获得网络预测模型相应输出的预测结果,该预测结果即指示交易设备在当前的单位时长中的网络状态。
由此,本实施例基于机器学习技术来实现交易设备在单位交易时长中的网络状态的预测,例如当单位交易时长为每日,每日都可以通过网络预测模型来预测交易设备在当日的网络状态,这种网络状态预测方式十分灵活,为后续根据预测到的网络状态来动态决策交易设备从服务端获取进行交易所需的交易服务数据的存储方式提供基础,由此实现大型数据集在交易设备中的存储方式的动态变更,也使得交易设备能够适应于复杂的网络环境。
步骤S270,从交易设备的服务端获取交易设备在单位交易时长中进行交易所需的交易服务数据,并按照与单位交易时长中的网络状态相匹配的数据存储方式,将获取的交易服务数据存储于交易设备中。
如前所述,交易设备在单位交易时长中的网络状态包括可用网络状态或弱网状态,与可用网络状态相匹配的数据存储方式通常为缓存存储,与弱网状态相匹配的数据存储方式为本地存储。在一些实施例中,缓存存储可以通过交易设备的内存实现,例如将数据存储于交易设备的内存,起到缓存的作用;在另一些实施例中,缓存存储也可以通过交易设备中配置的硬盘或软盘实现,本实施例对此进行限制。
当预测的网络状态为可用网络状态时,表示交易设备在当前的单位交易时长中的网络质量较好,则可以针对大型数据集进行内存存储。需说明的是,在网络质量较好的情况下,交易设备通过网络获取交易服务数据,获取的交易服务数据通过缓存至内存中,这样既不会浪费交易设备的本地存储空间,也不会影响交易设备使用。
在可用网络状态下,还可以将交易设备的数据获取方式修改为用时请求方式,该用户请求方式用于指示交易设备在需要获取交易服务数据时,通过向服务端发送数据获取请求,以从服务端中获取交易服务数据。可以看出,通过此种方式使得类似于交易服务数据的这种大型数据集并不会过多占用交易设备的存储资源。
在可用网络状态下,也可以通过清除交易设备本地存储的交易服务数据来进一步减除交易设备本地存储资源的占用。
当预测到的网络状态为弱网状态时,表示交易设备在当前的单位交易时长中的网络质量较差,若直接通过网络从服务端获取交易服务数据进行缓存,容易由于网络质量不佳导致交易服务数据获取失败等问题,因此需要预先从服务端下载交易服务数据,并将交易服务数据存储于交易设备本地,当交易设备需要使用交易服务数据时则可直接从本地存储中读取,从而避免网络质量不佳所导致的交易服务数据无法获取的问题,由此保证交易设备为用户带来的交易体验。
由此,本实施例通过预测交易设备在单位交易时长中的网络状态,并按照与单位交易时长中的网络状态相匹配的数据存储方式,将从服务端获取的交易服务数据存储于交易设备中,来使得交易服务数据在交易设备中的存储方式能够随着自身网络质量进行动态切换,在网络质量不佳的单位交易时长中控制交易设备将从服务端获取的交易服务数据存储于本地,在网络质量较好的单位交易时长中控制交易设备通过网络获取交易服务数据,并对获取的交易服务数据进行缓存,如此地随着交易设备的网络状态进行数据存储方式的动态切换,使得交易设备能够适应于复杂的网络环境,不会造成交易设备存储资源的浪费,由此提升交易设备的存储资源利用率。
图3是本申请的一示例性实施例示出的获取用于预测交易设备在单位交易时长中的网络状态的网络预测模型的流程图。如图3所示,获取用于预测交易设备在单位交易时长中的网络状态的网络预测模型的过程至少包括步骤S310至步骤S330,详细介绍如下:
步骤S310,获取用于训练网络预测模型的训练数据集,训练数据集中含有不同的交易设备在多个历史单位交易时长中的网络状态和交易特征。
本实施例为了获得预测效果较佳的网络预测模型,需要根据大量的训练数据集进行网络预测模型的预训练,以将训练好的网络预测模型应用于交易设备中进行实际的网络状态预测,由此即需预先获取用于训练网络预测模型的训练数据集。
需要说明的是,本实施例获取的训练数据集含有不同的交易设备在多个历史单位交易时长中的网络状态和交易特征,用以构成训练数据集中训练样本的多样性。例如,可将一个交易设备在一个历史单位交易时长中的网络状态和交易特征作为一个训练样本,由多个训练样本构成训练数据集,使得训练数据集能够充分体现交易特征与网络状态之间的关联性,也使得训练好的网络预测模型根据交易特征相应预测网络状态的准确性。
步骤S330,根据不同的交易设备在多个历史单位交易时长中的网络状态和交易特征,对所述网络预测模型进行监督训练,以得到训练好的网络预测模型。
本实施例对网络预测模型进行监督训练的过程,是将交易设备在历史单位交易时长中的交易特征作为输入信号,将交易设备相应在单位交易时长中的网络状态作为监督信息来对网络预测模型进行训练的过程。在训练过程中,通过不断调整网络预测模型的模型参数,以使得网络预测模型针对输入信号所输出的网络状态与实际对应的网络状态相适应,从而在网络预测模型中形成交易特征与网络状态之间的关联关系,基于此关联关系,即可使得网络预测模型针对输入其中的交易特征输出相应的网络状态。
示例性的,如图4所示,对网络预测模型进行监督训练包括步骤S410至步骤S450,详细介绍如下:
步骤S410,根据不同的交易设备在多个历史单位交易时长中的网络状态和交易特征,统计在弱网状态下生成不同交易特征的概率、发生弱网状态的概率以及不同交易特征的发生概率。
考虑到交易笔数和网络质量在逻辑上相互独立,但是交易笔数和人群密度是正相关的,人群密度会带来网络带宽的上升,进而导致网域质量的下降,因此本实施例中交易特征可以为交易笔数。在实际的交易支付场景中,交易时间以及交易设备所在的地域均映射至交易笔数,因此交易笔数应与交易时间以及交易设备所在的地域相关联。
根据训练数据集中含有的不同交易设备在多个历史单位时长中的网络状态和交易特征,则可以分别统计在弱网状态下生成不同交易特征的概率、发生弱网状态的概率以及不同交易特征的发生概率。
但考虑到在一些情况下,交易特征的分布具有较大的离散性,可以将不同的交易特征进行排序,然后将交易特征划分为不同的交易特征区间,并统计在弱网状态下生成不同交易特征区间的概率、发生弱网状态的概率以及不同交易特征区间的发生概率,将所在交易特征区间对应的概率作为交易特征区间中各交易特征对应的概率。
步骤S430,根据在弱网状态下生成不同交易特征的概率、发生弱网状态的概率以及不同交易特征分别对应的发生概率,计算在不同的交易特征条件下发生弱网状态的概率。
本实施例计算交易特征条件下发生弱网状态的概率的公式如下:
其中X表示交易特征,Y表示弱网状态,P(X|Y)表示在交易特征X的条件下发生弱网状态的概率,P(Y|X)表示在弱网状态下生成交易特征X的概率,P(X)表示交易特征X对应的概率,P(Y)表示发生弱网状态的概率。
步骤S450,将不同的交易特征作为不同的输入信号,并将相应交易特征条件下的网络状态作为监督信息,对网络预测模型进行监督训练。
本实施例将不同的交易特征作为不同的输入信号,并相应交易特征条件下的网络状态作为监督信息,通过对网络预测模型进行监督训练,以在监督训练过程中不断地调整网络预测模型的参数,使得网络预测模型针对输入信号进行处理并输出对应的网络状态作为输入信号对应的处理结果。例如网络预测模型针对输入信号可得到可用网络状态的概率和弱网状态的概率,并选择概率较大的网络状态作为输出结果。
以上的训练过程可以是离线过程,训练好的网络预测模型可以通过交易设备的服务端下发至交易设备,例如可以通过交易设备的服务端通过后台配置的方式将训练好的网络预测模型全量下发至与服务端通信的至少一个交易设备。
在一些实施例中,在对网络预测模型进行有监督训练的过程中,还获取输入信号对应的交易设备在与输入信号所对应单位交易时长相距至少一个交易时长周期的历史单位交易时长中生成的交易特征,并根据获取的交易特征对网络预测模型进行拟合处理。
拟合处理是根据输入信号所对应单位交易时长相距至少一个交易时长周期的历史单位交易时长中生成的交易特征,对网络预测模型的参数进行微调的过程。本实施例选择与输入信号所对应单位交易时长相距至少一个交易时长周期的历史单位交易时长中生成的交易特征对网络预测模型进行拟合处理,仍是考虑到交易设备呈规律性进行交易的性质。基于本实施例进行的拟合处理,使得网络预测模型在实际预测网络状态时,根据输入的历史交易特征来预测网络状态具有更佳的模型效果。
图5是本申请的一示例性实施例示出的应用场景示意图。如图5所示,该应用场景中示出了本申请对于交易设备的数据存储控制方案主要包括模型训练、网络状态预测以及数据存储方式决策三个过程,其中模型训练过程主要包括训练数据集获取、网络预测模型建模和模型训练三个子过程,训练好的网络预测模型则配置到交易设备中预测交易设备在单位交易时长中的网络状态,并由交易设备根据预测的网络状态决策当前单位交易时长中对于交易服务数据的存储方式。
具体的,当预测到当前单位交易时长中的网络状态为可用网络状态时,则清除交易设备本地存储的交易服务数据,并将交易设备的数据获取方式修改为用时请求方式,当交易设备需要进行交易时,通过网络从服务端获取交易服务数据,并对获取的交易服务数据进行缓存,当预测到当前交易时长中的网络状态为弱网状态时,则在交易设备进行交易之前预先从服务端下载交易服务数据,并将下载的交易服务数据存储于交易设备的本地,当需要进行交易时,从交易设备的本地存储空间中读取交易服务数据即可。
由此,交易设备根据各个单位交易时长中网络状态的预测,能够动态切换相应的数据存储方式,交易服务数据通常为大型数据集,例如具体为人脸特征库数据,使得交易设备的存储空间能够得到合理的调配,进而提升交易设备的存储资源利用率。
图6是本申请的一示例性实施例示出的一种数据存储控制装置的框图。
如图6所示,该示例性的数据存储控制装置600包括:
预测模型获取模块610,配置为获取用于预测交易设备在单位交易时长中的网络状态的网络预测模型;交易特征获取模块630,配置为在单位交易时长中获取交易设备的历史交易特征,历史交易特征是交易设备在与当前单位交易时长相距至少一个交易时长周期的历史单位交易时长中生成的交易特征;网络状态预测模块650,配置为通过网络预测模型根据历史交易特征预测交易设备在单位交易时长中的网络状态;数据获取及存储模块670,配置为从交易设备的服务端获取交易设备在单位交易时长中进行交易所需的交易服务数据,并按照与单位交易时长中的网络状态相匹配的数据存储方式,将获取的交易服务数据存储于交易设备中。
在另一示例性实施例中,预测模型获取模块610包括:
训练数据获取单元,配置为获取用于训练网络预测模型的训练数据集,训练数据集中含有不同的交易设备在多个历史单位交易时长中的网络状态和交易特征;模型监督训练单元,配置为根据不同的交易设备在多个历史单位交易时长中的网络状态和交易特征,对网络预测模型进行有监督训练,以得到训练好的网络预测模型。
在另一示例性实施例中,网络状态包括可用网络状态或者弱网状态;模型监督训练单元包括:
概率统计子单元,配置为根据不同的交易设备在多个历史单位交易时长中的网络状态和交易特征,统计在弱网状态下生成不同交易特征的概率、发生弱网状态的概率以及不同交易特征的发生概率;概率计算子单元,配置为根据在弱网状态下生成不同交易特征的概率、发生弱网状态的概率以及不同交易特征分别对应的发生概率,计算在不同的交易特征条件下发生弱网状态的概率;监督训练子单元,配置为将不同的交易特征作为不同的输入信号,并将相应交易特征条件下的网络状态作为监督信息,对网络预测模型进行监督训练。
在另一示例性实施例中,模型监督训练单元还包括:
交易特征获取子单元,配置为在对网络预测模型进行有监督训练的过程中,还获取输入信号对应的交易设备在与输入信号所对应单位交易时长相距至少一个交易时长周期的历史单位交易时长中生成的交易特征;拟合处理单元,配置为根据获取的交易特征对网络预测模型进行拟合处理。
在另一示例性实施例中,训练好的网络预测模型在交易设备的服务端全量下发至与服务端通信的交易设备。
在另一示例性实施例中,交易特征包括交易设备在单位交易时长中的交易笔数,交易笔数与交易时间以及交易设备所在的地域相关联。
在另一示例性实施例中,数据获取及存储模块670包括:
第一数据存储方式确认单元,配置为当预测到的交易设备在单位交易时长中的网络状态为弱网状态时,确定与弱网状态相匹配的数据存储方式为本地存储;数据本地存储单元,配置为将获取的交易服务数据存储于交易设备的本地。
在另一示例性实施例中,数据获取及存储模块670包括:
第二数据存储方式确认单元,配置为若预测到的交易设备在单位交易时长中的网络状态为可用网络状态,则确定与可用网络状态相匹配的数据存储方式为缓存存储;数据缓存存储单元,配置为将获取的交易服务数据缓存于交易设备中。
在另一示例性实施例中,数据获取及存储模块670还包括:
数据获取方式修改单元,配置为将交易设备的数据获取方式修改为用时请求方式,其中,用时请求方式指示交易设备在需要获取交易服务数据时,通过向服务端发送数据获取请求,以从服务端中获取交易服务数据。
在另一示例性实施例中,数据获取及存储模块670还包括:
数据清除单元,配置为清除交易设备本地存储的交易服务数据。
在另一示例性实施例中,交易设备包括人脸支付设备,交易设备在单位交易时长中进行交易所需的交易服务数据包括人脸特征库数据。
需要说明的是,上述实施例所提供的装置与上述实施例所提供的方法属于同一构思,其中各个模块和单元执行操作的具体方式已经在方法实施例中进行了详细描述,此处不再赘述。
本申请的实施例还提供了一种电子设备,包括处理器和存储器,其中,存储器上存储有计算机可读指令,该计算机可读指令被处理器执行时实现如前所述的数据存储控制方法。
图7示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
需要说明的是,图7示出的电子设备的计算机系统700仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示,计算机系统700包括中央处理单元(Central Processing Unit,CPU)701,其可以根据存储在只读存储器(Read-Only Memory,ROM)702中的程序或者从储存部分708加载到随机访问存储器(Random Access Memory,RAM)703中的程序而执行各种适当的动作和处理,例如执行上述实施例中所述的方法。在RAM 703中,还存储有系统操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(Input/Ou中ut,I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分707;包括硬盘等的储存部分708;以及包括诸如LAN(Local Area Network,局域网)卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入储存部分708。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本申请的系统中限定的各种功能。
需要说明的是,本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
本申请的另一方面还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如前所述的数据存储控制方法。该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的,也可以是单独存在,而未装配入该电子设备中。
本申请的另一方面还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各个实施例中提供的数据存储控制方法。
上述内容,仅为本申请的较佳示例性实施例,并非用于限制本申请的实施方案,本领域普通技术人员根据本申请的主要构思和精神,可以十分方便地进行相应的变通或修改,故本申请的保护范围应以权利要求书所要求的保护范围为准。
Claims (15)
1.一种数据存储控制方法,其特征在于,包括:
获取用于预测交易设备在单位交易时长中的网络状态的网络预测模型;
在单位交易时长中获取所述交易设备的历史交易特征,所述历史交易特征是所述交易设备在与当前单位交易时长相距至少一个交易时长周期的历史单位交易时长中生成的交易特征;
通过所述网络预测模型根据所述历史交易特征预测所述交易设备在单位交易时长中的网络状态;
从所述交易设备的服务端获取所述交易设备在单位交易时长中进行交易所需的交易服务数据,并按照与单位交易时长中的网络状态相匹配的数据存储方式,将获取的交易服务数据存储于所述交易设备中。
2.根据权利要求1所述的方法,其特征在于,所述获取用于预测交易设备在单位交易时长中的网络状态的网络预测模型,包括:
获取用于训练网络预测模型的训练数据集,所述训练数据集中含有不同的交易设备在多个历史单位交易时长中的网络状态和交易特征;
根据不同的交易设备在多个历史单位交易时长中的网络状态和交易特征,对所述网络预测模型进行监督训练,以得到训练好的网络预测模型。
3.根据权利要求2所述的方法,其特征在于,所述网络状态包括可用网络状态或者弱网状态;所述根据不同的交易设备在多个历史单位交易时长中的网络状态和交易特征,对所述网络预测模型进行监督训练,包括:
根据不同的交易设备在多个历史单位交易时长中的网络状态和交易特征,统计在弱网状态下生成不同交易特征的概率、发生弱网状态的概率以及不同交易特征的发生概率;
根据在弱网状态下生成不同交易特征的概率、所述发生弱网状态的概率以及不同交易特征分别对应的发生概率,计算在不同的交易特征条件下发生弱网状态的概率;
将不同的交易特征作为不同的输入信号,并将相应交易特征条件下的网络状态作为监督信息,对所述网络预测模型进行监督训练。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
在对所述网络预测模型进行有监督训练的过程中,还获取输入信号对应的交易设备在与输入信号所对应单位交易时长相距至少一个交易时长周期的历史单位交易时长中生成的交易特征;
根据获取的交易特征对所述网络预测模型进行拟合处理。
5.根据权利要求2至4中任一项所述的方法,其特征在于,所述训练好的网络预测模型在所述交易设备的服务端全量下发至与所述服务端通信的交易设备。
6.根据权利要求2至4中任一项所述的方法,其特征在于,所述交易特征包括交易设备在单位交易时长中的交易笔数,所述交易笔数与交易时间以及所述交易设备所在的地域相关联。
7.根据权利要求1所述的方法,其特征在于,所述按照与单位交易时长中的网络状态相匹配的数据存储方式,将获取的交易服务数据存储于所述交易设备中,包括:
当预测到的所述交易设备在单位交易时长中的网络状态为弱网状态时,确定与所述弱网状态相匹配的数据存储方式为本地存储;
将获取的交易服务数据存储于所述交易设备的本地。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
若预测到的所述交易设备在单位交易时长中的网络状态为可用网络状态,则确定与所述可用网络状态相匹配的数据存储方式为缓存存储;
将获取的交易服务数据缓存于所述交易设备中。
9.根据权利要求8所述的方法,其特征在于,在将获取的交易服务数据缓存于所述交易设备中之前,所述方法还包括:
将所述交易设备的数据获取方式修改为用时请求方式,其中,所述用时请求方式指示所述交易设备在需要获取交易服务数据时,通过向所述服务端发送数据获取请求,以从所述服务端中获取所述交易服务数据。
10.根据权利要求9所述的方法,其特征在于,所述方法还包括:
清除所述交易设备本地存储的交易服务数据。
11.根据权利要求1所述的方法,其特征在于,所述交易设备包括人脸支付设备,所述交易设备在单位交易时长中进行交易所需的交易服务数据包括人脸特征库数据。
12.一种数据存储控制装置,其特征在于,包括:
预测模型获取模块,配置为获取用于预测交易设备在单位交易时长中的网络状态的网络预测模型;
交易特征获取模块,配置为在单位交易时长中获取所述交易设备的历史交易特征,所述历史交易特征是所述交易设备在与当前单位交易时长相距至少一个交易时长周期的历史单位交易时长中生成的交易特征;
网络状态预测模块,配置为通过所述网络预测模型根据所述历史交易特征预测所述交易设备在单位交易时长中的网络状态;
数据获取及存储模块,配置为从所述交易设备的服务端获取所述交易设备在单位交易时长中进行交易所需的交易服务数据,并按照与单位交易时长中的网络状态相匹配的数据存储方式,将获取的交易服务数据存储于所述交易设备中。
13.根据权利要求12所述的装置,其特征在于,所述预测模型获取模块包括:
训练数据获取单元,配置为获取用于训练网络预测模型的训练数据集,所述训练数据集中含有不同的交易设备在多个历史单位交易时长中的网络状态和交易特征;
模型监督训练单元,配置为根据不同的交易设备在多个历史单位交易时长中的网络状态和交易特征,对所述网络预测模型进行有监督训练,以得到训练好的网络预测模型。
14.一种电子设备,其特征在于,包括:
存储器,存储有计算机可读指令;
处理器,读取存储器存储的计算机可读指令,以执行权利要求1-11中的任一项所述的方法。
15.一种计算机可读存储介质,其特征在于,其上存储有计算机可读指令,当所述计算机可读指令被计算机的处理器执行时,使计算机执行权利要求1-11中的任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110537453.8A CN113762972A (zh) | 2021-05-17 | 2021-05-17 | 数据存储控制方法及装置、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110537453.8A CN113762972A (zh) | 2021-05-17 | 2021-05-17 | 数据存储控制方法及装置、电子设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113762972A true CN113762972A (zh) | 2021-12-07 |
Family
ID=78787075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110537453.8A Pending CN113762972A (zh) | 2021-05-17 | 2021-05-17 | 数据存储控制方法及装置、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113762972A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114546279A (zh) * | 2022-02-24 | 2022-05-27 | 重庆紫光华山智安科技有限公司 | Io请求预测方法、装置、存储节点及可读存储介质 |
-
2021
- 2021-05-17 CN CN202110537453.8A patent/CN113762972A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114546279A (zh) * | 2022-02-24 | 2022-05-27 | 重庆紫光华山智安科技有限公司 | Io请求预测方法、装置、存储节点及可读存储介质 |
CN114546279B (zh) * | 2022-02-24 | 2023-11-14 | 重庆紫光华山智安科技有限公司 | Io请求预测方法、装置、存储节点及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110782042B (zh) | 横向联邦和纵向联邦联合方法、装置、设备及介质 | |
CN113037877B (zh) | 云边端架构下时空数据及资源调度的优化方法 | |
US11423307B2 (en) | Taxonomy construction via graph-based cross-domain knowledge transfer | |
CN112291119B (zh) | 区块链网络测试方法、装置、介质及电子设备 | |
CN114895773A (zh) | 异构多核处理器的能耗优化方法、系统、装置及存储介质 | |
US11620493B2 (en) | Intelligent selection of time series models | |
CN111935025A (zh) | 一种tcp传输性能的控制方法、装置、设备和介质 | |
CN112699049B (zh) | 区块链网络测试方法、装置、介质及电子设备 | |
CN113762972A (zh) | 数据存储控制方法及装置、电子设备、存储介质 | |
CN112231299A (zh) | 一种特征库动态调整的方法和装置 | |
CN111510473A (zh) | 访问请求处理方法、装置、电子设备和计算机可读介质 | |
CN111209105A (zh) | 扩容处理方法、装置、设备及可读存储介质 | |
Song et al. | Personalized federated learning with server-side information | |
CN114357242A (zh) | 基于召回模型的训练评估方法及装置、设备、存储介质 | |
CN114723455A (zh) | 业务处理方法、装置、电子设备和存储介质 | |
CN114862431A (zh) | 广告转化特征的预测方法、装置 | |
CN115186096A (zh) | 针对特定类型分词的识别方法、装置、介质及电子设备 | |
CN115550259B (zh) | 基于白名单的流量分配方法及相关设备 | |
CN115481752B (zh) | 模型训练方法、装置、电子设备以及存储介质 | |
CN116708298A (zh) | 流量控制方法、装置、计算机设备及存储介质 | |
Babu et al. | Resource-Based Prediction in Cloud Computing Using LSTM with Autoencoders | |
CN115099415A (zh) | 基于网络模型的预测方法、装置、电子设备和可读介质 | |
CN116484707A (zh) | 联合学习模型的确定方法及装置 | |
CN112446708A (zh) | 一种风险识别方法和装置 | |
CN117372179A (zh) | 模型解释方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |