CN116708146B - 快递柜网络异常状态下的取件方法及装置 - Google Patents
快递柜网络异常状态下的取件方法及装置 Download PDFInfo
- Publication number
- CN116708146B CN116708146B CN202310940500.2A CN202310940500A CN116708146B CN 116708146 B CN116708146 B CN 116708146B CN 202310940500 A CN202310940500 A CN 202310940500A CN 116708146 B CN116708146 B CN 116708146B
- Authority
- CN
- China
- Prior art keywords
- network
- standby
- target
- network service
- data
- 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.)
- Active
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013475 authorization Methods 0.000 claims abstract description 155
- 238000004458 analytical method Methods 0.000 claims abstract description 101
- 238000009826 distribution Methods 0.000 claims abstract description 71
- 230000001360 synchronised effect Effects 0.000 claims abstract description 39
- 238000010276 construction Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 113
- 230000005856 abnormality Effects 0.000 claims description 75
- 238000012502 risk assessment Methods 0.000 claims description 56
- 238000004364 calculation method Methods 0.000 claims description 38
- 238000001514 detection method Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 24
- 230000015654 memory Effects 0.000 claims description 21
- 238000011156 evaluation Methods 0.000 claims description 20
- 230000007246 mechanism Effects 0.000 claims description 20
- 238000013507 mapping Methods 0.000 claims description 19
- 230000002457 bidirectional effect Effects 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 16
- 238000013210 evaluation model Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 12
- 238000007621 cluster analysis Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 7
- 230000006403 short-term memory Effects 0.000 claims description 6
- 230000010365 information processing Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 16
- 238000000605 extraction Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000001934 delay Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000002716 delivery method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0654—Management of faults, events, alarms or notifications using network fault recovery
- H04L41/0663—Performing the actions predefined by failover planning, e.g. switching to standby network elements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0805—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability
- H04L43/0811—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability by checking connectivity
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1095—Replication or mirroring of data, e.g. scheduling or transport for data synchronisation between network nodes
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07F—COIN-FREED OR LIKE APPARATUS
- G07F17/00—Coin-freed apparatus for hiring articles; Coin-freed facilities or services
- G07F17/10—Coin-freed apparatus for hiring articles; Coin-freed facilities or services for means for safe-keeping of property, left temporarily, e.g. by fastening the property
- G07F17/12—Coin-freed apparatus for hiring articles; Coin-freed facilities or services for means for safe-keeping of property, left temporarily, e.g. by fastening the property comprising lockable containers, e.g. for accepting clothes to be cleaned
- G07F17/13—Coin-freed apparatus for hiring articles; Coin-freed facilities or services for means for safe-keeping of property, left temporarily, e.g. by fastening the property comprising lockable containers, e.g. for accepting clothes to be cleaned the containers being a postal pick-up locker
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及信息处理领域，公开了一种快递柜网络异常状态下的取件方法及装置，用于实现在快递柜网络异常状态下进行取件。方法包括：根据网络异常处理方案生成网络服务分布模型并进行取件数据同步，得到取件同步数据；基于多个候选备用网络服务进行备用授权码构建，得到目标备用授权码并创建备用取件节点；通过目标快递柜系统检测用户取件信号并获取主网络服务的第一网络状态数据，以及判断主网络服务是否出现网络连接异常；若网络连接异常，则获取第二网络状态数据，并分别将第二网络状态数据输入网络切换分析模型进行网络切换分析，得到网络切换分析结果；根据网络切换分析结果进行用户取件信号校验，生成目标取件记录。
Description
技术领域
本发明涉及信息处理领域，尤其涉及一种快递柜网络异常状态下的取件方法及装置。
背景技术
随着电子商务和互联网的快速发展，快递服务成为了现代社会中不可或缺的一部分。快递柜作为一种便捷高效的快递配送方式，受到越来越多用户的喜爱。然而，在现实运营过程中，快递柜的网络连接不稳定或出现异常是不可避免的情况。例如，网络故障、网络拥堵、设备故障等因素都可能导致快递柜的网络连接出现问题，影响用户取件的体验和服务质量。
传统上，在快递柜网络异常状态下，用户可能会面临取件失败、取件延误或无法取件等问题。这不仅给用户带来不便，也给快递运营商带来了巨大的运营压力和服务质量的挑战。因此，针对快递柜网络异常状态下的取件问题进行研究和优化具有重要的实际意义。
发明内容
本发明提供了一种快递柜网络异常状态下的取件方法及装置，用于实现在快递柜网络异常状态下进行取件。
本发明第一方面提供了一种快递柜网络异常状态下的取件方法，所述快递柜网络异常状态下的取件方法包括：
对目标快递柜系统进行网络异常风险分析，得到网络异常风险分析结果，并根据所述网络异常风险分析结果创建网络异常处理方案；
根据所述网络异常处理方案生成网络服务分布模型，并基于所述网络服务分布模型对主网络服务和多个候选备用网络服务进行取件数据同步，得到每个候选备用网络服务的取件同步数据；
基于所述多个候选备用网络服务对所述取件同步数据进行备用授权码构建，得到目标备用授权码，并根据所述目标备用授权码和所述取件同步数据分别在每个候选备用网络服务中创建备用取件节点；
通过所述目标快递柜系统检测用户设备发送的用户取件信号，并根据所述用户取件信号获取所述主网络服务的第一网络状态数据，以及根据所述第一网络状态数据判断所述主网络服务是否出现网络连接异常；
若网络连接异常，则分别获取所述多个候选备用网络服务的第二网络状态数据，并分别将所述第二网络状态数据输入预置的网络切换分析模型进行网络切换分析，得到网络切换分析结果；
根据所述网络切换分析结果将所述主网络服务切换至对应的目标备用网络服务，并通过所述目标备用网络服务中备用取件节点对应的目标备用授权码进行用户取件信号校验，生成目标取件记录。
结合第一方面，在本发明第一方面的第一种实现方式中，所述对目标快递柜系统进行网络异常风险分析，得到网络异常风险分析结果，并根据所述网络异常风险分析结果创建网络异常处理方案，包括：
获取目标快递柜系统的网络连接数据以及网络故障记录，其中，所述网络连接数据包括网络延迟、丢包率以及带宽利用率；
对所述网络连接数据以及所述网络故障记录进行特征映射和向量编码，得到网络连接评价向量；
将所述网络连接评价向量输入预置的网络异常风险评估模型进行网络异常风险分析，得到网络异常风险分析结果，其中，所述网络异常风险评估模型包括：双向门限循环网络及全连接网络；
根据所述网络异常风险分析结果确定所述目标快递柜系统的网络风险等级，并根据所述网络风险等级生成对应的网络异常处理方案。
结合第一方面，在本发明第一方面的第二种实现方式中，所述根据所述网络异常处理方案生成网络服务分布模型，并基于所述网络服务分布模型对主网络服务和多个候选备用网络服务进行取件数据同步，得到每个候选备用网络服务的取件同步数据，包括：
根据所述网络异常处理方案确定所述目标快递柜系统的主网络服务以及多个候选备用网络服务，并建立所述主网络服务以及所述多个候选备用网络服务之间的目标网络连接；
根据所述目标网络连接构建所述主网络服务以及所述多个候选备用网络服务之间的网络服务分布模型；
对所述网络服务分布模型进行分布节点聚类，得到目标聚类结果，并计算所述网络服务分布模型中每个网络服务的优先级；
根据所述目标聚类结果和所述优先级，对所述网络服务分布模型中的网络服务进行关系分析，得到目标服务分布关系，并根据所述目标服务分布关系配置取件数据同步机制；
基于所述取件数据同步机制，对所述主网络服务中的目标取件数据和所述多个候选备用网络服务进行取件数据同步，得到每个候选备用网络服务的取件同步数据。
结合第一方面，在本发明第一方面的第三种实现方式中，所述基于所述多个候选备用网络服务对所述取件同步数据进行备用授权码构建，得到目标备用授权码，并根据所述目标备用授权码和所述取件同步数据分别在每个候选备用网络服务中创建备用取件节点，包括：
通过所述多个候选备用网络服务分别对所述取件同步数据进行数据字段提取，得到取件字段数据；
通过预置的编码函数对所述取件字段数据进行编码计算，得到每个候选备用网络服务的目标备用授权码；
根据所述目标备用授权码和所述取件同步数据分别在每个候选备用网络服务中创建备用取件节点。
结合第一方面，在本发明第一方面的第四种实现方式中，所述通过所述目标快递柜系统检测用户设备发送的用户取件信号，并根据所述用户取件信号获取所述主网络服务的第一网络状态数据，以及根据所述第一网络状态数据判断所述主网络服务是否出现网络连接异常，包括：
通过所述目标快递柜系统检测用户设备发送的用户取件信号，并根据所述用户取件信号获取所述主网络服务的第一网络状态数据；
对所述第一网络状态数据进行网络指标计算，得到多个网络指标，并对所述多个网络指标进行向量转换，得到网络指标向量；
将所述网络指标向量输入预置的网络服务异常检测模型进行网络服务异常检测，得到异常概率值，其中，所述网络服务异常检测模型包括编码网络和解码网络；
若所述异常概率值大于预设目标值，则确定所述主网络服务出现网络连接异常；
若所述异常概率值小于或者等于预设目标值，则确定所述主网络服务未出现网络连接异常。
结合第一方面，在本发明第一方面的第五种实现方式中，所述若网络连接异常，则分别获取所述多个候选备用网络服务的第二网络状态数据，并分别将所述第二网络状态数据输入预置的网络切换分析模型进行网络切换分析，得到网络切换分析结果，包括：
若网络连接异常，则分别获取所述多个候选备用网络服务的第二网络状态数据；
对所述第二网络状态数据进行状态数据编码，生成状态编码向量；
将所述状态编码向量输入预置的网络切换分析模型，其中，所述网络切换分析模型包括：双向长短时记忆网络以及回归预测层；
通过所述双向长短时记忆网络对所述状态编码向量进行状态特征提取，得到状态特征向量；
将所述状态特征向量输入所述回归预测层进行预测，得到切换预测值，并基于所述切换预测值对预置的网络切换方案列表进行网络切换映射匹配，得到网络切换分析结果。
结合第一方面，在本发明第一方面的第六种实现方式中，所述根据所述网络切换分析结果将所述主网络服务切换至对应的目标备用网络服务，并通过所述目标备用网络服务中备用取件节点对应的目标备用授权码进行用户取件信号校验，生成目标取件记录，包括：
根据所述网络切换分析结果将所述主网络服务切换至对应的目标备用网络服务，并通过所述目标备用网络服务确定对应备用取件节点的目标备用授权码；
对所述目标备用授权码进行特征提取，得到第一授权码特征元素集合，并对所述用户取件信号的用户输入码进行特征提取，得到第二授权码特征元素集合；
将所述第一授权码特征元素集合和所述第二授权码特征元素集合输入聚类分析模型，并通过目标移动密度函数对所述第一授权码特征元素集合和所述第二授权码特征元素集合进行聚类特征计算，得到第一初始聚类点以及第二初始聚类点；
对所述第一授权码特征元素集合与所述第一初始聚类点的距离进行计算，得到多个第一特征距离，并对所述多个第一特征距离进行平均值计算，得到第一平均距离，以及对所述第二授权码特征元素集合与所述第二初始聚类点的距离进行计算，得到多个第二特征距离，并对所述多个第二特征距离进行平均值计算，得到第二平均距离；
根据所述第一平均距离对所述第一授权码特征元素集合进行聚类点计算，得到第一目标聚类点，以及根据所述第二平均距离对所述第二授权码特征元素集合进行聚类点计算，得到第二目标聚类点；
对所述第一目标聚类点和所述第二目标聚类点进行偏移值计算，得到目标偏移值，并判断所述目标偏移值是否小于预设标准偏移值，若是，则对所述用户取件信号进行取件响应操作并生成目标取件记录。
本发明第二方面提供了一种快递柜网络异常状态下的取件装置，所述快递柜网络异常状态下的取件装置包括：
创建模块，用于对目标快递柜系统进行网络异常风险分析，得到网络异常风险分析结果，并根据所述网络异常风险分析结果创建网络异常处理方案；
同步模块，用于根据所述网络异常处理方案生成网络服务分布模型，并基于所述网络服务分布模型对主网络服务和多个候选备用网络服务进行取件数据同步，得到每个候选备用网络服务的取件同步数据；
构建模块，用于基于所述多个候选备用网络服务对所述取件同步数据进行备用授权码构建，得到目标备用授权码，并根据所述目标备用授权码和所述取件同步数据分别在每个候选备用网络服务中创建备用取件节点；
判断模块，用于通过所述目标快递柜系统检测用户设备发送的用户取件信号，并根据所述用户取件信号获取所述主网络服务的第一网络状态数据，以及根据所述第一网络状态数据判断所述主网络服务是否出现网络连接异常；
切换模块，用于若网络连接异常，则分别获取所述多个候选备用网络服务的第二网络状态数据，并分别将所述第二网络状态数据输入预置的网络切换分析模型进行网络切换分析，得到网络切换分析结果；
校验模块，用于根据所述网络切换分析结果将所述主网络服务切换至对应的目标备用网络服务，并通过所述目标备用网络服务中备用取件节点对应的目标备用授权码进行用户取件信号校验，生成目标取件记录。
结合第二方面，在本发明第二方面的第一种实现方式中，所述创建模块具体用于：
获取目标快递柜系统的网络连接数据以及网络故障记录，其中，所述网络连接数据包括网络延迟、丢包率以及带宽利用率；
对所述网络连接数据以及所述网络故障记录进行特征映射和向量编码，得到网络连接评价向量；
将所述网络连接评价向量输入预置的网络异常风险评估模型进行网络异常风险分析，得到网络异常风险分析结果，其中，所述网络异常风险评估模型包括：双向门限循环网络及全连接网络；
根据所述网络异常风险分析结果确定所述目标快递柜系统的网络风险等级，并根据所述网络风险等级生成对应的网络异常处理方案。
结合第二方面，在本发明第二方面的第二种实现方式中，所述同步模块具体用于：
根据所述网络异常处理方案确定所述目标快递柜系统的主网络服务以及多个候选备用网络服务，并建立所述主网络服务以及所述多个候选备用网络服务之间的目标网络连接；
根据所述目标网络连接构建所述主网络服务以及所述多个候选备用网络服务之间的网络服务分布模型；
对所述网络服务分布模型进行分布节点聚类，得到目标聚类结果，并计算所述网络服务分布模型中每个网络服务的优先级；
根据所述目标聚类结果和所述优先级，对所述网络服务分布模型中的网络服务进行关系分析，得到目标服务分布关系，并根据所述目标服务分布关系配置取件数据同步机制；
基于所述取件数据同步机制，对所述主网络服务中的目标取件数据和所述多个候选备用网络服务进行取件数据同步，得到每个候选备用网络服务的取件同步数据。
结合第二方面，在本发明第二方面的第三种实现方式中，所述构建模块具体用于：
通过所述多个候选备用网络服务分别对所述取件同步数据进行数据字段提取，得到取件字段数据；
通过预置的编码函数对所述取件字段数据进行编码计算，得到每个候选备用网络服务的目标备用授权码；
根据所述目标备用授权码和所述取件同步数据分别在每个候选备用网络服务中创建备用取件节点。
结合第二方面，在本发明第二方面的第四种实现方式中，所述判断模块具体用于：
通过所述目标快递柜系统检测用户设备发送的用户取件信号，并根据所述用户取件信号获取所述主网络服务的第一网络状态数据；
对所述第一网络状态数据进行网络指标计算，得到多个网络指标，并对所述多个网络指标进行向量转换，得到网络指标向量；
将所述网络指标向量输入预置的网络服务异常检测模型进行网络服务异常检测，得到异常概率值，其中，所述网络服务异常检测模型包括编码网络和解码网络；
若所述异常概率值大于预设目标值，则确定所述主网络服务出现网络连接异常；
若所述异常概率值小于或者等于预设目标值，则确定所述主网络服务未出现网络连接异常。
结合第二方面，在本发明第二方面的第五种实现方式中，所述切换模块具体用于：
若网络连接异常，则分别获取所述多个候选备用网络服务的第二网络状态数据；
对所述第二网络状态数据进行状态数据编码，生成状态编码向量；
将所述状态编码向量输入预置的网络切换分析模型，其中，所述网络切换分析模型包括：双向长短时记忆网络以及回归预测层；
通过所述双向长短时记忆网络对所述状态编码向量进行状态特征提取，得到状态特征向量；
将所述状态特征向量输入所述回归预测层进行预测，得到切换预测值，并基于所述切换预测值对预置的网络切换方案列表进行网络切换映射匹配，得到网络切换分析结果。
结合第二方面，在本发明第二方面的第六种实现方式中，所述校验模块具体用于：
根据所述网络切换分析结果将所述主网络服务切换至对应的目标备用网络服务，并通过所述目标备用网络服务确定对应备用取件节点的目标备用授权码；
对所述目标备用授权码进行特征提取，得到第一授权码特征元素集合，并对所述用户取件信号的用户输入码进行特征提取，得到第二授权码特征元素集合；
将所述第一授权码特征元素集合和所述第二授权码特征元素集合输入聚类分析模型，并通过目标移动密度函数对所述第一授权码特征元素集合和所述第二授权码特征元素集合进行聚类特征计算，得到第一初始聚类点以及第二初始聚类点；
对所述第一授权码特征元素集合与所述第一初始聚类点的距离进行计算，得到多个第一特征距离，并对所述多个第一特征距离进行平均值计算，得到第一平均距离，以及对所述第二授权码特征元素集合与所述第二初始聚类点的距离进行计算，得到多个第二特征距离，并对所述多个第二特征距离进行平均值计算，得到第二平均距离；
根据所述第一平均距离对所述第一授权码特征元素集合进行聚类点计算，得到第一目标聚类点，以及根据所述第二平均距离对所述第二授权码特征元素集合进行聚类点计算，得到第二目标聚类点；
对所述第一目标聚类点和所述第二目标聚类点进行偏移值计算，得到目标偏移值，并判断所述目标偏移值是否小于预设标准偏移值，若是，则对所述用户取件信号进行取件响应操作并生成目标取件记录。
本发明第三方面提供了一种快递柜网络异常状态下的取件设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述快递柜网络异常状态下的取件设备执行上述的快递柜网络异常状态下的取件方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的快递柜网络异常状态下的取件方法。
本发明提供的技术方案中，根据网络异常处理方案生成网络服务分布模型并进行取件数据同步，得到取件同步数据；基于多个候选备用网络服务进行备用授权码构建，得到目标备用授权码并创建备用取件节点；通过目标快递柜系统检测用户取件信号并获取主网络服务的第一网络状态数据，以及判断主网络服务是否出现网络连接异常；若网络连接异常，则获取第二网络状态数据，并分别将第二网络状态数据输入网络切换分析模型进行网络切换分析，得到网络切换分析结果；根据网络切换分析结果进行用户取件信号校验，生成目标取件记录，本发明能够有效避免因网络问题导致的取件失败或延误，保障用户在任何时候都能够顺利取件，并且通过网络异常风险分析、备用网络服务的应用以及网络切换分析，快递柜可以在主网络连接异常时自动切换至备用网络服务，确保取件服务的连续性和可靠性。这有助于避免因网络故障而导致的取件服务中断，进而实现在快递柜网络异常状态下进行取件。
附图说明
图1为本发明实施例中快递柜网络异常状态下的取件方法的一个实施例示意图；
图2为本发明实施例中取件数据同步的流程图；
图3为本发明实施例中创建备用取件节点的流程图；
图4为本发明实施例中判断主网络服务是否出现网络连接异常的流程图；
图5为本发明实施例中快递柜网络异常状态下的取件装置的一个实施例示意图；
图6为本发明实施例中快递柜网络异常状态下的取件设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种快递柜网络异常状态下的取件方法及装置，用于实现在快递柜网络异常状态下进行取件。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中快递柜网络异常状态下的取件方法的一个实施例包括：
S101、对目标快递柜系统进行网络异常风险分析，得到网络异常风险分析结果，并根据网络异常风险分析结果创建网络异常处理方案；
可以理解的是，本发明的执行主体可以为快递柜网络异常状态下的取件装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的，服务器在快递柜系统中，服务器收集目标快递柜系统的网络连接数据和网络故障记录，这些数据包括网络延迟、丢包率以及带宽利用率等指标。例如，每隔一段时间记录网络延迟，测量数据包传输时的时间延迟；记录丢包率，统计在数据传输过程中丢失的数据包占总数据包的比例；以及记录带宽利用率，监控网络带宽的使用情况。得到这些数据后，服务器对网络连接数据和网络故障记录进行特征映射和向量编码，将其转化为机器学习算法可接受的数值向量形式。例如，将网络延迟、丢包率和带宽利用率作为特征，将它们映射到一个向量空间中，形成网络连接评价向量。服务器构建预置的网络异常风险评估模型，采用双向门限循环网络和全连接网络等。这些模型将接收之前得到的网络连接评价向量作为输入，并根据网络连接数据对目标快递柜系统的网络异常风险进行评估和分析。例如，双向门限循环网络可以用于时间序列数据的建模，而全连接网络则可以用于较复杂的非线性关系建模。通过运用预置的网络异常风险评估模型，服务器得到了目标快递柜系统的网络异常风险分析结果。例如，服务器得出该系统在某段时间内网络连接较差，出现了较高的丢包率和延迟增加的情况。根据网络异常风险分析结果，服务器确定目标快递柜系统的网络风险等级。例如，服务器将风险分为低、中、高三个等级，根据丢包率、延迟等指标的程度来决定风险等级的划分。若丢包率和延迟都在正常范围内，则风险等级为低；若出现轻微异常，风险等级为中；而若丢包率和延迟大幅度增加，达到影响正常运行的程度，则风险等级为高。根据网络风险等级，服务器生成对应的网络异常处理方案。例如，对于低风险等级，服务器可能只需监控网络情况并进行定期维护；对于中等风险等级，服务器可能需要加强网络监控、备份网络服务或增加冗余系统；而对于高风险等级，服务器立即进行故障排查与修复，并启动备用网络服务以确保服务器的稳定性。例如，假设某城市的快递柜网络出现网络延迟和丢包率增加的问题，快递柜系统在高峰时段出现了用户取件失败的情况。通过收集该城市一段时间的网络连接数据，得到网络延迟和丢包率的历史记录。然后将这些数据进行特征映射和向量编码，得到网络连接评价向量。通过预置的双向门限循环网络和全连接网络等模型，将网络连接评价向量输入进行网络异常风险分析。模型分析显示，近期的网络延迟明显增加，丢包率也略有上升，这表明网络连接出现异常。根据网络异常风险分析结果，服务器将目标快递柜系统的网络风险等级判定为中等风险。于是，服务器生成相应的网络异常处理方案。服务器加强网络监控，密切关注网络状况，在快递柜使用高峰时段增加网络带宽，以及备份网络服务，确保服务器在高峰时期的稳定运行。这样的网络异常处理方案能够有效地应对中等风险等级的网络问题，保证快递柜系统的可靠性和用户体验。通过不断收集数据并根据分析结果调整处理方案，服务器更好地应对网络异常风险，提高快递柜系统的稳定性和服务质量。
S102、根据网络异常处理方案生成网络服务分布模型，并基于网络服务分布模型对主网络服务和多个候选备用网络服务进行取件数据同步，得到每个候选备用网络服务的取件同步数据；
具体的，服务器根据该方案确定目标快递柜系统的主网络服务和多个候选备用网络服务，并建立它们之间的目标网络连接。这些网络连接的建立是为了确保主网络服务与备用网络服务之间的通信可靠性和稳定性。根据确定的目标网络连接构建主网络服务和多个候选备用网络服务之间的网络服务分布模型。网络服务分布模型将反映这些网络服务之间的关系和拓扑结构，以便后续进行数据同步。进行分布节点聚类，并计算每个网络服务在网络服务分布模型中的优先级。分布节点聚类的目的是将相似的网络服务划分到同一聚类中，以便对备用网络服务进行优先级排序。根据分布节点聚类结果和网络服务的优先级，对网络服务分布模型中的网络服务进行关系分析，得出目标服务分布关系。决定哪些候选备用网络服务将充当主网络服务的备份，并配置取件数据同步机制。根据目标服务分布关系，配置取件数据同步机制，并开始进行取件数据同步。这个过程可能包括增量同步、全量同步等方式。通过这些取件数据同步机制，主网络服务中的目标取件数据将同步到每个候选备用网络服务，确保每个备用网络服务都有最新的取件数据。例如，假设某城市的快递柜系统有主网络服务A和备用网络服务B、C。在进行网络异常处理方案时，服务器发现主网络服务A出现网络延迟和丢包率增加的情况。根据处理方案，确定B、C将作为A的备用网络服务，并建立目标网络连接。然后，服务器构建网络服务分布模型，将A、B、C作为图的节点，连接它们之间的目标网络连接作为图的边。进行分布节点聚类后发现A、B、C网络服务有着相似的特征，被划分到同一个聚类中。根据网络服务的优先级计算，假设A的优先级最高，B次之，C最低。在关系分析阶段，服务器将B、C作为A的备用网络服务，并配置增量同步取件数据的机制。这样，即使A出现网络异常，B和C也能及时同步最新的取件数据，保证用户的正常取件。
S103、基于多个候选备用网络服务对取件同步数据进行备用授权码构建，得到目标备用授权码，并根据目标备用授权码和取件同步数据分别在每个候选备用网络服务中创建备用取件节点；
需要说明的是，服务器有多个候选备用网络服务，这些备用网络服务将作为主网络服务的备份。然后，服务器对取件同步数据进行备用授权码构建，以便在主网络服务发生异常时能够在备用网络服务中恢复用户的取件服务。通过多个候选备用网络服务分别对取件同步数据进行数据字段提取，得到取件字段数据。从取件同步数据中提取出与取件相关的信息，如取件编号、时间戳、用户身份等。使用预置的编码函数对取件字段数据进行编码计算，得到每个候选备用网络服务的目标备用授权码。编码函数可以采用哈希函数、加密算法等方式，确保生成的备用授权码具有唯一性和安全性。根据目标备用授权码和取件同步数据，分别在每个候选备用网络服务中创建备用取件节点。这些备用取件节点将保存与主网络服务对应的取件数据，以便在主网络服务出现异常时能够快速恢复取件服务。例如，假设某城市的快递柜系统有主网络服务A和两个候选备用网络服务B和C。在每个网络服务中，有取件同步数据包含取件编号、取件时间和用户身份信息。主网络服务A将取件同步数据传输给备用网络服务B和C。然后，备用网络服务B和C分别对取件同步数据进行数据字段提取，得到取件编号、时间戳和用户身份等信息。备用网络服务B和C分别使用预置的编码函数对取件字段数据进行编码计算，生成目标备用授权码。例如，备用网络服务B使用哈希函数对取件字段数据进行计算得到授权码："AUTHB123"，备用网络服务C也通过哈希函数计算得到授权码："AUTHC456"。在备用网络服务B和C中，根据对应的授权码和取件同步数据，分别创建备用取件节点。这些备用取件节点将保存与主网络服务A对应的取件数据，以备用的形式存储在备用网络服务中。当主网络服务A出现异常时，备用网络服务B和C能够根据授权码快速恢复取件服务。用户可以在备用网络服务中查询并取回之前的取件记录，保证了取件服务的连续性和稳定性。
S104、通过目标快递柜系统检测用户设备发送的用户取件信号，并根据用户取件信号获取主网络服务的第一网络状态数据，以及根据第一网络状态数据判断主网络服务是否出现网络连接异常；
具体的，通过目标快递柜系统对用户设备发送的取件信号进行检测，当用户发起取件请求时，服务器获取主网络服务的第一网络状态数据。第一网络状态数据包括网络延迟、丢包率、带宽利用率等网络指标，反映主网络服务的当前连接情况。对第一网络状态数据进行网络指标计算，得到多个网络指标。这些指标可以是网络延迟的平均值、丢包率的百分比、带宽利用率的比例等。然后，将这些网络指标进行向量转换，得到网络指标向量。向量转换将多个指标合并成一个特征向量，以便后续的网络服务异常检测。将网络指标向量输入预置的网络服务异常检测模型，该模型通常是由编码网络和解码网络组成。编码网络用于将网络指标向量转换为潜在空间表示，解码网络则将潜在空间表示重构为原始指标向量。网络服务异常检测模型通过学习正常网络状态数据的分布，能够判断输入的网络指标向量是否与正常状态相符。在进行网络服务异常检测后，得到异常概率值。如果异常概率值大于预设的目标值，即表示主网络服务出现了网络连接异常。反之，如果异常概率值小于或等于预设的目标值，则确定主网络服务未出现网络连接异常。例如，假设某城市的快递柜系统中，有主网络服务A和用户设备通过信号与主网络服务进行通信。当用户发起取件请求时，目标快递柜系统会收到取件信号，并获取主网络服务A的第一网络状态数据，包括网络延迟和丢包率等指标。服务器对第一网络状态数据进行计算，得到网络指标向量，如[网络延迟,丢包率,带宽利用率]。然后，将网络指标向量输入预置的网络服务异常检测模型，该模型通过学习正常网络状态数据的分布，能够判断输入的网络指标向量是否与正常状态相符。假设网络服务异常检测模型输出了异常概率值为0.9，而预设的目标值为0.8。根据检测结果，服务器得出主网络服务A出现了网络连接异常，可能由于网络延迟较高或丢包率较严重等问题。在这种情况下，快递柜服务器立即触发备用网络服务B或C，以保证取件服务的连续性。如果异常概率值小于或等于预设的目标值，即0.7，服务器则判定主网络服务A未出现网络连接异常，可以继续正常提供取件服务。
S105、若网络连接异常，则分别获取多个候选备用网络服务的第二网络状态数据，并分别将第二网络状态数据输入预置的网络切换分析模型进行网络切换分析，得到网络切换分析结果；
具体的，服务器针对网络连接异常的情况，服务器会分别获取多个候选备用网络服务的第二网络状态数据。这些备用网络服务B、C等将作为主网络服务A的备份，以备在主网络服务出现异常时进行切换。获取第二网络状态数据后，服务器对这些数据进行状态数据编码，生成状态编码向量。状态编码向量包含了网络状态的关键信息，为后续的网络切换分析提供输入数据。将状态编码向量输入预置的网络切换分析模型。这个网络切换分析模型通常由双向长短时记忆网络和回归预测层组成。通过双向长短时记忆网络，服务器对状态编码向量进行状态特征提取，得到状态特征向量。状态特征向量反映了网络状态的关键特征，有助于判断网络连接异常的程度。将状态特征向量传递给回归预测层，进行预测，得到切换预测值。这个切换预测值是一个数值，表示当前网络连接异常情况下，进行网络切换的可能性。基于切换预测值，服务器对预置的网络切换方案列表进行网络切换映射匹配，得到网络切换分析结果。根据切换预测值的大小，服务器判断是否进行网络切换，以及选择最优的备用网络服务进行切换。例如，假设某城市的快递柜系统有主网络服务A和两个候选备用网络服务B和C。在某个时间点，服务器检测到主网络服务A出现了网络连接异常，此时会分别获取备用网络服务B和C的第二网络状态数据。服务器对这些第二网络状态数据进行状态数据编码，生成状态编码向量，并将它们输入网络切换分析模型。在网络切换分析模型中，双向长短时记忆网络对状态编码向量进行状态特征提取，得到状态特征向量。然后，将状态特征向量传递给回归预测层，进行预测，得到切换预测值。假设回归预测层输出的切换预测值为0.85。服务器会根据这个预测值判断当前网络连接异常程度较高，因此需要进行网络切换。服务器会对预置的网络切换方案列表进行网络切换映射匹配，选择最优的备用网络服务，比如B，进行切换。快递柜系统会将原先由主网络服务A提供的取件服务切换至备用网络服务B，以确保用户取件的连续性和稳定性。
S106、根据网络切换分析结果将主网络服务切换至对应的目标备用网络服务，并通过目标备用网络服务中备用取件节点对应的目标备用授权码进行用户取件信号校验，生成目标取件记录。
具体的，根据网络切换分析结果，服务器会切换主网络服务至对应的目标备用网络服务。此时，服务器也会获取目标备用网络服务中备用取件节点的目标备用授权码。服务器会对目标备用授权码进行特征提取，得到第一授权码特征元素集合。同时，对用户取件信号的用户输入码也进行特征提取，得到第二授权码特征元素集合。将这两个特征元素集合输入聚类分析模型，并通过目标移动密度函数进行聚类特征计算。这将得到第一初始聚类点和第二初始聚类点，分别代表目标备用授权码和用户输入码的聚类情况。对第一授权码特征元素集合与第一初始聚类点的距离进行计算，得到多个第一特征距离，并对这些距离进行平均值计算，得到第一平均距离。同样，对第二授权码特征元素集合与第二初始聚类点的距离进行计算，得到多个第二特征距离，并对这些距离进行平均值计算，得到第二平均距离。基于第一平均距离和第二平均距离，服务器进行聚类点计算，得到第一目标聚类点和第二目标聚类点。这两个目标聚类点将用于进行偏移值计算。通过偏移值计算，服务器得到目标偏移值，并判断该偏移值是否小于预设的标准偏移值。如果目标偏移值小于预设标准偏移值，服务器会对用户取件信号进行取件响应操作，允许用户进行取件，并生成目标取件记录。例如，假设快递柜系统主网络服务为A，候选备用网络服务为B和C。在网络切换分析过程中，根据分析结果，服务器将主网络服务切换至备用网络服务C。服务器进行切换后，从备用网络服务C获取对应备用取件节点的目标备用授权码。服务器提取目标备用授权码的特征，得到第一授权码特征元素集合。同时，用户在快递柜上发起取件请求，服务器获取用户取件信号的用户输入码，并进行特征提取，得到第二授权码特征元素集合。这两个特征元素集合将输入聚类分析模型进行聚类特征计算，得到第一初始聚类点和第二初始聚类点。服务器计算第一授权码特征元素集合与第一初始聚类点的距离，得到多个第一特征距离，并计算平均值得到第一平均距离。同样，计算第二授权码特征元素集合与第二初始聚类点的距离，得到多个第二特征距离，并计算平均值得到第二平均距离。根据第一平均距离和第二平均距离计算得到第一目标聚类点和第二目标聚类点。服务器进行偏移值计算，得到目标偏移值，并判断是否小于预设的标准偏移值。如果目标偏移值小于预设标准偏移值，服务器会响应用户的取件信号，允许用户在备用网络服务C中的备用取件节点取件，并生成目标取件记录。取件过程将在备用网络服务C中进行，确保用户能够顺利完成取件操作，保障服务器的可靠性和用户体验。
本发明实施例中，根据网络异常处理方案生成网络服务分布模型并进行取件数据同步，得到取件同步数据；基于多个候选备用网络服务进行备用授权码构建，得到目标备用授权码并创建备用取件节点；通过目标快递柜系统检测用户取件信号并获取主网络服务的第一网络状态数据，以及判断主网络服务是否出现网络连接异常；若网络连接异常，则获取第二网络状态数据，并分别将第二网络状态数据输入网络切换分析模型进行网络切换分析，得到网络切换分析结果；根据网络切换分析结果进行用户取件信号校验，生成目标取件记录，本发明能够有效避免因网络问题导致的取件失败或延误，保障用户在任何时候都能够顺利取件，并且通过网络异常风险分析、备用网络服务的应用以及网络切换分析，快递柜可以在主网络连接异常时自动切换至备用网络服务，确保取件服务的连续性和可靠性。这有助于避免因网络故障而导致的取件服务中断，进而实现在快递柜网络异常状态下进行取件。
在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：
（1）获取目标快递柜系统的网络连接数据以及网络故障记录，其中，网络连接数据包括网络延迟、丢包率以及带宽利用率；
（2）对网络连接数据以及网络故障记录进行特征映射和向量编码，得到网络连接评价向量；
（3）将网络连接评价向量输入预置的网络异常风险评估模型进行网络异常风险分析，得到网络异常风险分析结果，其中，网络异常风险评估模型包括：双向门限循环网络及全连接网络；
（4）根据网络异常风险分析结果确定目标快递柜系统的网络风险等级，并根据网络风险等级生成对应的网络异常处理方案。
具体的，服务器获取目标快递柜系统的网络连接数据和网络故障记录。这些数据包括网络延迟、丢包率以及带宽利用率等网络连接指标。这些指标是衡量网络连接质量和稳定性的重要参数，可以用于评估网络的健康状况。对网络连接数据和网络故障记录进行特征映射和向量编码。特征映射是将原始数据转化为适用于机器学习和分析的特征表示的过程，而向量编码是将这些特征映射成向量形式，以便进行后续的数学运算和分析。将网络连接数据和故障记录转化为网络连接评价向量，这个向量将包含了网络连接质量和稳定性的关键特征。将网络连接评价向量输入预置的网络异常风险评估模型。这个模型可以是双向门限循环网络或全连接网络等。通过将网络连接评价向量输入模型，可以进行网络异常风险分析，得到网络异常风险分析结果。这一结果将告诉服务器目标快递柜系统的网络连接质量和稳定性是否处于异常状态。根据网络异常风险分析结果，确定目标快递柜系统的网络风险等级。网络风险等级可以分为多个等级，如低风险、中风险和高风险。根据网络连接数据和故障记录的情况，服务器判断系统当前所处的网络风险等级。根据网络风险等级生成对应的网络异常处理方案。不同的网络风险等级需要采取不同的处理策略和措施。对于低风险的情况，可能只需要进行一些小的调整或优化，而对于高风险的情况，可能需要进行紧急的网络切换或备份等措施，以确保服务器的稳定性和可靠性。例如，假设某城市的快递柜系统出现了网络异常，服务器管理员希望进行网络异常风险分析并制定相应的处理方案。服务器收集了快递柜系统的网络连接数据，包括网络延迟、丢包率和带宽利用率等指标。同时，服务器也记录了过去一段时间内的网络故障情况。服务器对这些数据进行特征映射和向量编码，生成了网络连接评价向量。例如，将网络延迟和丢包率映射成网络连接稳定性的特征，将带宽利用率映射成网络连接质量的特征。将网络连接评价向量输入预置的网络异常风险评估模型进行分析。假设所选用的模型是双向门限循环网络，模型将对网络连接评价向量进行学习和分析，得到了网络异常风险分析结果。例如，分析结果显示快递柜系统的网络延迟较高，丢包率超过了阈值，提示网络连接可能存在异常。根据网络异常风险分析结果，服务器确定了目标快递柜系统的网络风险等级，例如判定为中风险。根据这一风险等级，服务器制定了相应的网络异常处理方案。在中风险的情况下，服务器会调度网络资源，优化网络连接参数，以提高网络连接质量和稳定性。同时，服务器也会备份数据，建立备用网络连接，以防网络出现更严重的异常。
在一具体实施例中，如图2所示，执行步骤S102的过程可以具体包括如下步骤：
S201、根据网络异常处理方案确定目标快递柜系统的主网络服务以及多个候选备用网络服务，并建立主网络服务以及多个候选备用网络服务之间的目标网络连接；
S202、根据目标网络连接构建主网络服务以及多个候选备用网络服务之间的网络服务分布模型；
S203、对网络服务分布模型进行分布节点聚类，得到目标聚类结果，并计算网络服务分布模型中每个网络服务的优先级；
S204、根据目标聚类结果和优先级，对网络服务分布模型中的网络服务进行关系分析，得到目标服务分布关系，并根据目标服务分布关系配置取件数据同步机制；
S205、基于取件数据同步机制，对主网络服务中的目标取件数据和多个候选备用网络服务进行取件数据同步，得到每个候选备用网络服务的取件同步数据。
具体的，服务器根据网络异常处理方案，服务器将确定主网络服务以及多个候选备用网络服务。主网络服务是当前正常工作的网络服务，而候选备用网络服务是作为备份的备用网络服务，以应对主网络服务出现异常的情况。根据目标网络连接构建主网络服务以及多个候选备用网络服务之间的网络服务分布模型。网络服务分布模型可以视为一张网络拓扑图，展示了主网络服务与备用网络服务之间的连接关系。对网络服务分布模型进行分布节点聚类，得到目标聚类结果，并计算每个网络服务的优先级。通过聚类，将网络服务划分为不同的群组，每个群组代表一个网络服务集合，而优先级可以根据网络连接质量等指标来评估每个网络服务的重要性和稳定性。基于目标聚类结果和优先级，对网络服务分布模型中的网络服务进行关系分析，得到目标服务分布关系。这个关系分析可以帮助服务器确定主网络服务和备用网络服务之间的优先级和关联程度，以便进行后续的取件数据同步。根据目标服务分布关系配置取件数据同步机制。取件数据同步机制是确保主网络服务和备用网络服务之间数据同步的方法和策略。这个机制需要根据目标服务分布关系来制定，以保证取件数据在主备用网络服务之间的实时同步和一致性。基于取件数据同步机制，对主网络服务中的目标取件数据和多个候选备用网络服务进行取件数据同步，得到每个候选备用网络服务的取件同步数据。通过这一步骤，确保备用网络服务中的数据与主网络服务中的数据保持同步，以便在需要切换到备用网络服务时能够无缝接替主网络服务的功能。例如，假设某个城市的快递柜系统采用主备用网络服务架构，主网络服务为A，候选备用网络服务为B和C。根据网络异常处理方案，服务器确定主网络服务为A，候选备用网络服务为B和C。根据目标网络连接构建主网络服务A与备用网络服务B和C之间的网络服务分布模型。假设A与B之间的连接质量最好，A与C之间的连接质量次之。对网络服务分布模型进行分布节点聚类，得到目标聚类结果，并计算每个网络服务的优先级。在聚类过程中，A与B被划分到同一个群组，A与C被划分到另一个群组，而A的优先级最高，B和C的优先级次之。根据目标聚类结果和优先级进行关系分析，得到目标服务分布关系。分析结果显示A与B的关系最紧密，A与C的关系较为疏远。根据目标服务分布关系配置取件数据同步机制。服务器将设定实时数据同步策略，确保A与B之间的取件数据同步频率较高，而A与C之间的取件数据同步频率较低。基于取件数据同步机制，当用户在使用快递柜时，服务器会自动将用户取件数据在A、B、C之间进行同步，保证用户在任意一台网络服务上的取件数据都是最新且一致的。如果主网络服务A出现了异常，服务器会自动切换至备用网络服务B或C，而用户不会受到影响，依然能够顺利取件。
在一具体实施例中，如图3所示，执行步骤S103的过程可以具体包括如下步骤：
S301、通过多个候选备用网络服务分别对取件同步数据进行数据字段提取，得到取件字段数据；
S302、通过预置的编码函数对取件字段数据进行编码计算，得到每个候选备用网络服务的目标备用授权码；
S303、根据目标备用授权码和取件同步数据分别在每个候选备用网络服务中创建备用取件节点。
具体的，服务器获取多个候选备用网络服务的取件同步数据。取件同步数据是指各个网络服务中用户在快递柜系统上的取件记录，包含取件时间、取件柜号、取件用户等相关信息。针对每个候选备用网络服务，进行数据字段提取。这一步骤将从取件同步数据中提取关键字段，如取件时间、柜号、用户ID等，并形成取件字段数据。每个候选备用网络服务将得到一个取件字段数据集，该数据集反映了用户在该网络服务上的取件情况。然后，针对取件字段数据，通过预置的编码函数进行编码计算，得到每个候选备用网络服务的目标备用授权码。编码函数可以采用一些加密算法或哈希函数，以保证生成的授权码具有一定的安全性。每个候选备用网络服务将获得一个特定的目标备用授权码，用于校验用户取件信号。根据目标备用授权码和取件同步数据，在每个候选备用网络服务中创建备用取件节点。备用取件节点是一个虚拟的快递柜节点，用于存储备用取件数据，并保持与主网络服务的数据同步。当主网络服务发生故障时，服务器通过备用取件节点实现用户的取件操作。例如，假设某城市的快递柜系统有三个候选备用网络服务，分别为X、Y和Z。目前主网络服务为A。服务器会定期获取这些网络服务中的取件同步数据，例如，用户在网络服务A上的取件时间、柜号和用户ID等信息。对每个候选备用网络服务进行数据字段提取。例如，对网络服务X的取件同步数据提取取件时间字段，得到取件时间数据：[10:00,11:30,12:45]；对网络服务Y的取件同步数据提取柜号字段，得到柜号数据：[101,102,103]；对网络服务Z的取件同步数据提取用户ID字段，得到用户ID数据：[User1,User2,User3]。然后，通过预置的编码函数对取件字段数据进行编码计算，得到每个候选备用网络服务的目标备用授权码。假设编码函数为简单的哈希函数，对取件时间、柜号和用户ID进行哈希运算，得到目标备用授权码：X:27A3,Y:B8D9,Z:E6F2。根据目标备用授权码和取件同步数据，在每个候选备用网络服务中创建备用取件节点。服务器将根据授权码X在网络服务X中创建备用取件节点，并将取件时间、柜号和用户ID等取件同步数据存储在该节点中；同样，对于网络服务Y和Z，服务器也会相应地创建备用取件节点并存储对应的数据。这样，当主网络服务A发生故障时，服务器自动切换到备用网络服务X、Y或Z，并利用备用取件节点中的数据确保用户的取件操作顺利进行。
在一具体实施例中，如图4所示，执行步骤S104的过程可以具体包括如下步骤：
S401、通过目标快递柜系统检测用户设备发送的用户取件信号，并根据用户取件信号获取主网络服务的第一网络状态数据；
S402、对第一网络状态数据进行网络指标计算，得到多个网络指标，并对多个网络指标进行向量转换，得到网络指标向量；
S403、将网络指标向量输入预置的网络服务异常检测模型进行网络服务异常检测，得到异常概率值，其中，网络服务异常检测模型包括编码网络和解码网络；
S404、若异常概率值大于预设目标值，则确定主网络服务出现网络连接异常；
S405、若异常概率值小于或者等于预设目标值，则确定主网络服务未出现网络连接异常。
具体的，服务器根据用户取件信号，获取主网络服务的第一网络状态数据。第一网络状态数据包括主网络服务当前的网络连接状态，如网络延迟、丢包率以及带宽利用率等信息。然后，对第一网络状态数据进行网络指标计算。根据第一网络状态数据计算多个网络指标，如平均延迟、丢包率百分比、带宽利用率等。这些网络指标可以用来评估主网络服务的网络连接质量。对多个网络指标进行向量转换，得到网络指标向量。向量转换是将多个网络指标合并为一个向量表示，以便后续处理。例如，将平均延迟、丢包率和带宽利用率合并为一个网络指标向量。将网络指标向量输入预置的网络服务异常检测模型进行网络服务异常检测。网络服务异常检测模型可以采用编码网络和解码网络结构，用于学习主网络服务正常网络状态的特征。然后，通过网络服务异常检测模型得到异常概率值。异常概率值表示主网络服务当前的网络连接状态与正常状态相差的程度，即网络连接异常的可能性。如果异常概率值大于预设目标值，就可以确定主网络服务出现了网络连接异常。若异常概率值小于或者等于预设目标值，就可以确定主网络服务未出现网络连接异常。例如，假设某城市的快递柜系统有一个主网络服务M，目前正在处理用户的取件操作。服务器实时监测用户设备发送的取件信号，并根据信号获取主网络服务M的第一网络状态数据，如下所示：网络延迟：30ms、丢包率：0.5%、带宽利用率：70%。根据第一网络状态数据计算多个网络指标，如平均延迟、丢包率百分比和带宽利用率百分比：平均延迟=30ms、丢包率百分比=0.5%、带宽利用率百分比=70%。然后，将这些网络指标合并为一个网络指标向量：网络指标向量=[30ms,0.5%,70%]。将网络指标向量输入预置的网络服务异常检测模型进行异常检测。假设模型通过学习主网络服务正常状态下的网络连接特征，得出异常概率值为0.15。由于预设目标值为0.1，异常概率值0.15大于目标值，因此确定主网络服务M出现了网络连接异常。在此情况下，服务器及时采取措施，例如将主网络服务M切换至备用网络服务，以确保快递柜系统的正常运行，用户能够顺利完成取件操作。
在一具体实施例中，执行步骤S105的过程可以具体包括如下步骤：
（1）若网络连接异常，则分别获取多个候选备用网络服务的第二网络状态数据；
（2）对第二网络状态数据进行状态数据编码，生成状态编码向量；
（3）将状态编码向量输入预置的网络切换分析模型，其中，网络切换分析模型包括：双向长短时记忆网络以及回归预测层；
（4）通过双向长短时记忆网络对状态编码向量进行状态特征提取，得到状态特征向量；
（5）将状态特征向量输入回归预测层进行预测，得到切换预测值，并基于切换预测值对预置的网络切换方案列表进行网络切换映射匹配，得到网络切换分析结果。
具体的，当服务器检测到网络连接异常，会立即触发网络切换流程。服务器会分别获取多个候选备用网络服务的第二网络状态数据。这些数据包括备用网络服务A、B、C等的网络延迟、丢包率以及带宽利用率等信息。服务器对第二网络状态数据进行状态数据编码，将其转换成易于处理的向量形式，得到状态编码向量。这个向量能够反映每个备用网络服务的网络连接状况。状态编码向量将被输入预置的网络切换分析模型。这个网络切换分析模型是由双向长短时记忆网络和回归预测层构成。通过双向长短时记忆网络，服务器对状态编码向量进行状态特征提取，得到状态特征向量。这个过程能够更好地捕捉网络连接状态之间的时序信息和相关关系。得到状态特征向量后，服务器将其输入回归预测层进行预测，得到切换预测值。这个切换预测值可以反映备用网络服务之间的切换优先级，即哪个备用网络服务更适合作为主网络服务的替代。基于切换预测值，服务器会对预置的网络切换方案列表进行网络切换映射匹配，得到最终的网络切换分析结果。根据这个结果，服务器会将主网络服务切换至对应的目标备用网络服务，以保证快递柜系统在网络连接异常情况下仍能维持稳定的运行。例如，假设一家快递公司的某个地区快递柜网络出现异常，主网络服务出现延迟和丢包等问题。服务器收集了备用网络服务A、B、C的第二网络状态数据，比如各自的网络延迟和丢包率。通过状态数据编码和双向长短时记忆网络的特征提取，服务器得到了状态特征向量。然后，将状态特征向量输入回归预测层，得到了切换预测值。若切换预测值指示备用网络服务B的优先级最高，服务器会根据预设的网络切换方案将主网络服务切换至备用网络服务B，从而确保快递柜系统的稳定运行。
在一具体实施例中，执行步骤S106的过程可以具体包括如下步骤：
（1）根据网络切换分析结果将主网络服务切换至对应的目标备用网络服务，并通过目标备用网络服务确定对应备用取件节点的目标备用授权码；
（2）对目标备用授权码进行特征提取，得到第一授权码特征元素集合，并对用户取件信号的用户输入码进行特征提取，得到第二授权码特征元素集合；
（3）将第一授权码特征元素集合和第二授权码特征元素集合输入聚类分析模型，并通过目标移动密度函数对第一授权码特征元素集合和第二授权码特征元素集合进行聚类特征计算，得到第一初始聚类点以及第二初始聚类点；
（4）对第一授权码特征元素集合与第一初始聚类点的距离进行计算，得到多个第一特征距离，并对多个第一特征距离进行平均值计算，得到第一平均距离，以及对第二授权码特征元素集合与第二初始聚类点的距离进行计算，得到多个第二特征距离，并对多个第二特征距离进行平均值计算，得到第二平均距离；
（5）根据第一平均距离对第一授权码特征元素集合进行聚类点计算，得到第一目标聚类点，以及根据第二平均距离对第二授权码特征元素集合进行聚类点计算，得到第二目标聚类点；
（6）对第一目标聚类点和第二目标聚类点进行偏移值计算，得到目标偏移值，并判断目标偏移值是否小于预设标准偏移值，若是，则对用户取件信号进行取件响应操作并生成目标取件记录。
具体的，针对目标备用授权码，进行特征提取。服务器从备用取件节点中获取目标备用授权码，并对其进行数据处理和特征提取，得到第一授权码特征元素集合。同时，服务器还需要获取用户取件信号的用户输入码，并对其进行特征提取，得到第二授权码特征元素集合。将第一授权码特征元素集合和第二授权码特征元素集合输入聚类分析模型。聚类分析模型是一种机器学习算法，用于将数据分组成不同的类别。服务器通过目标移动密度函数对第一授权码特征元素集合和第二授权码特征元素集合进行聚类特征计算，得到第一初始聚类点和第二初始聚类点。然后，服务器计算第一授权码特征元素集合与第一初始聚类点的距离，得到多个第一特征距离，并对多个距离进行平均值计算，得到第一平均距离。同样地，计算第二授权码特征元素集合与第二初始聚类点的距离，得到多个第二特征距离，并对多个距离进行平均值计算，得到第二平均距离。服务器根据第一平均距离对第一授权码特征元素集合进行聚类点计算，得到第一目标聚类点。同时，根据第二平均距离对第二授权码特征元素集合进行聚类点计算，得到第二目标聚类点。服务器对第一目标聚类点和第二目标聚类点进行偏移值计算，得到目标偏移值。若目标偏移值小于预设的标准偏移值，则服务器判定用户取件信号有效，对用户进行取件响应操作，并生成目标取件记录。例如，假设有一个快递柜系统，主网络服务由A服务器提供，备用网络服务有B、C、D服务器。服务器通过网络监测发现A服务器出现网络连接异常，根据网络异常处理方案，决定将主网络服务切换至备用网络服务B。服务器获取备用取件节点B的目标备用授权码，同时获取用户取件信号的用户输入码。将这两者进行特征提取并输入聚类分析模型，计算得到第一初始聚类点和第二初始聚类点。然后计算目标偏移值，若目标偏移值小于预设标准偏移值，服务器判定用户取件信号有效，允许用户取件，并生成目标取件记录。这样，通过网络切换和授权码验证，服务器成功实现了主网络服务向备用网络服务的切换，并保障了用户取件的顺利进行。
上面对本发明实施例中快递柜网络异常状态下的取件方法进行了描述，下面对本发明实施例中快递柜网络异常状态下的取件装置进行描述，请参阅图5，本发明实施例中快递柜网络异常状态下的取件装置一个实施例包括：
创建模块501，用于对目标快递柜系统进行网络异常风险分析，得到网络异常风险分析结果，并根据所述网络异常风险分析结果创建网络异常处理方案；
同步模块502，用于根据所述网络异常处理方案生成网络服务分布模型，并基于所述网络服务分布模型对主网络服务和多个候选备用网络服务进行取件数据同步，得到每个候选备用网络服务的取件同步数据；
构建模块503，用于基于所述多个候选备用网络服务对所述取件同步数据进行备用授权码构建，得到目标备用授权码，并根据所述目标备用授权码和所述取件同步数据分别在每个候选备用网络服务中创建备用取件节点；
判断模块504，用于通过所述目标快递柜系统检测用户设备发送的用户取件信号，并根据所述用户取件信号获取所述主网络服务的第一网络状态数据，以及根据所述第一网络状态数据判断所述主网络服务是否出现网络连接异常；
切换模块505，用于若网络连接异常，则分别获取所述多个候选备用网络服务的第二网络状态数据，并分别将所述第二网络状态数据输入预置的网络切换分析模型进行网络切换分析，得到网络切换分析结果；
校验模块506，用于根据所述网络切换分析结果将所述主网络服务切换至对应的目标备用网络服务，并通过所述目标备用网络服务中备用取件节点对应的目标备用授权码进行用户取件信号校验，生成目标取件记录。
可选的，所述创建模块501具体用于：
获取目标快递柜系统的网络连接数据以及网络故障记录，其中，所述网络连接数据包括网络延迟、丢包率以及带宽利用率；
对所述网络连接数据以及所述网络故障记录进行特征映射和向量编码，得到网络连接评价向量；
将所述网络连接评价向量输入预置的网络异常风险评估模型进行网络异常风险分析，得到网络异常风险分析结果，其中，所述网络异常风险评估模型包括：双向门限循环网络及全连接网络；
根据所述网络异常风险分析结果确定所述目标快递柜系统的网络风险等级，并根据所述网络风险等级生成对应的网络异常处理方案。
可选的，所述同步模块502具体用于：
根据所述网络异常处理方案确定所述目标快递柜系统的主网络服务以及多个候选备用网络服务，并建立所述主网络服务以及所述多个候选备用网络服务之间的目标网络连接；
根据所述目标网络连接构建所述主网络服务以及所述多个候选备用网络服务之间的网络服务分布模型；
对所述网络服务分布模型进行分布节点聚类，得到目标聚类结果，并计算所述网络服务分布模型中每个网络服务的优先级；
根据所述目标聚类结果和所述优先级，对所述网络服务分布模型中的网络服务进行关系分析，得到目标服务分布关系，并根据所述目标服务分布关系配置取件数据同步机制；
基于所述取件数据同步机制，对所述主网络服务中的目标取件数据和所述多个候选备用网络服务进行取件数据同步，得到每个候选备用网络服务的取件同步数据。
可选的，所述构建模块503具体用于：
通过所述多个候选备用网络服务分别对所述取件同步数据进行数据字段提取，得到取件字段数据；
通过预置的编码函数对所述取件字段数据进行编码计算，得到每个候选备用网络服务的目标备用授权码；
根据所述目标备用授权码和所述取件同步数据分别在每个候选备用网络服务中创建备用取件节点。
可选的，所述判断模块504具体用于：
通过所述目标快递柜系统检测用户设备发送的用户取件信号，并根据所述用户取件信号获取所述主网络服务的第一网络状态数据；
对所述第一网络状态数据进行网络指标计算，得到多个网络指标，并对所述多个网络指标进行向量转换，得到网络指标向量；
将所述网络指标向量输入预置的网络服务异常检测模型进行网络服务异常检测，得到异常概率值，其中，所述网络服务异常检测模型包括编码网络和解码网络；
若所述异常概率值大于预设目标值，则确定所述主网络服务出现网络连接异常；
若所述异常概率值小于或者等于预设目标值，则确定所述主网络服务未出现网络连接异常。
可选的，所述切换模块505具体用于：
若网络连接异常，则分别获取所述多个候选备用网络服务的第二网络状态数据；
对所述第二网络状态数据进行状态数据编码，生成状态编码向量；
将所述状态编码向量输入预置的网络切换分析模型，其中，所述网络切换分析模型包括：双向长短时记忆网络以及回归预测层；
通过所述双向长短时记忆网络对所述状态编码向量进行状态特征提取，得到状态特征向量；
将所述状态特征向量输入所述回归预测层进行预测，得到切换预测值，并基于所述切换预测值对预置的网络切换方案列表进行网络切换映射匹配，得到网络切换分析结果。
可选的，所述校验模块506具体用于：
根据所述网络切换分析结果将所述主网络服务切换至对应的目标备用网络服务，并通过所述目标备用网络服务确定对应备用取件节点的目标备用授权码；
对所述目标备用授权码进行特征提取，得到第一授权码特征元素集合，并对所述用户取件信号的用户输入码进行特征提取，得到第二授权码特征元素集合；
将所述第一授权码特征元素集合和所述第二授权码特征元素集合输入聚类分析模型，并通过目标移动密度函数对所述第一授权码特征元素集合和所述第二授权码特征元素集合进行聚类特征计算，得到第一初始聚类点以及第二初始聚类点；
对所述第一授权码特征元素集合与所述第一初始聚类点的距离进行计算，得到多个第一特征距离，并对所述多个第一特征距离进行平均值计算，得到第一平均距离，以及对所述第二授权码特征元素集合与所述第二初始聚类点的距离进行计算，得到多个第二特征距离，并对所述多个第二特征距离进行平均值计算，得到第二平均距离；
根据所述第一平均距离对所述第一授权码特征元素集合进行聚类点计算，得到第一目标聚类点，以及根据所述第二平均距离对所述第二授权码特征元素集合进行聚类点计算，得到第二目标聚类点；
对所述第一目标聚类点和所述第二目标聚类点进行偏移值计算，得到目标偏移值，并判断所述目标偏移值是否小于预设标准偏移值，若是，则对所述用户取件信号进行取件响应操作并生成目标取件记录。
通过上述各个组成部分的协同合作，根据网络异常处理方案生成网络服务分布模型并进行取件数据同步，得到取件同步数据；基于多个候选备用网络服务进行备用授权码构建，得到目标备用授权码并创建备用取件节点；通过目标快递柜系统检测用户取件信号并获取主网络服务的第一网络状态数据，以及判断主网络服务是否出现网络连接异常；若网络连接异常，则获取第二网络状态数据，并分别将第二网络状态数据输入网络切换分析模型进行网络切换分析，得到网络切换分析结果；根据网络切换分析结果进行用户取件信号校验，生成目标取件记录，本发明能够有效避免因网络问题导致的取件失败或延误，保障用户在任何时候都能够顺利取件，并且通过网络异常风险分析、备用网络服务的应用以及网络切换分析，快递柜可以在主网络连接异常时自动切换至备用网络服务，确保取件服务的连续性和可靠性。这有助于避免因网络故障而导致的取件服务中断，进而实现在快递柜网络异常状态下进行取件。
上面图5从模块化功能实体的角度对本发明实施例中的快递柜网络异常状态下的取件装置进行详细描述，下面从硬件处理的角度对本发明实施例中快递柜网络异常状态下的取件设备进行详细描述。
图6是本发明实施例提供的一种快递柜网络异常状态下的取件设备的结构示意图，该快递柜网络异常状态下的取件设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）610（例如，一个或一个以上处理器）和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630（例如一个或一个以上海量存储设备）。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对快递柜网络异常状态下的取件设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在快递柜网络异常状态下的取件设备600上执行存储介质630中的一系列指令操作。
快递柜网络异常状态下的取件设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作系统631，例如Windows Server，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示出的快递柜网络异常状态下的取件设备结构并不构成对快递柜网络异常状态下的取件设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种快递柜网络异常状态下的取件设备，所述快递柜网络异常状态下的取件设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述快递柜网络异常状态下的取件方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述快递柜网络异常状态下的取件方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种快递柜网络异常状态下的取件方法，其特征在于，所述快递柜网络异常状态下的取件方法包括：
对目标快递柜系统进行网络异常风险分析，得到网络异常风险分析结果，并根据所述网络异常风险分析结果创建网络异常处理方案；
根据所述网络异常处理方案生成网络服务分布模型，并基于所述网络服务分布模型对主网络服务和多个候选备用网络服务进行取件数据同步，得到每个候选备用网络服务的取件同步数据；
基于所述多个候选备用网络服务对所述取件同步数据进行备用授权码构建，得到目标备用授权码，并根据所述目标备用授权码和所述取件同步数据分别在每个候选备用网络服务中创建备用取件节点；
通过所述目标快递柜系统检测用户设备发送的用户取件信号，并根据所述用户取件信号获取所述主网络服务的第一网络状态数据，以及根据所述第一网络状态数据判断所述主网络服务是否出现网络连接异常；
若网络连接异常，则分别获取所述多个候选备用网络服务的第二网络状态数据，并分别将所述第二网络状态数据输入预置的网络切换分析模型进行网络切换分析，得到网络切换分析结果；
根据所述网络切换分析结果将所述主网络服务切换至对应的目标备用网络服务，并通过所述目标备用网络服务中备用取件节点对应的目标备用授权码进行用户取件信号校验，生成目标取件记录。
2.根据权利要求1所述的快递柜网络异常状态下的取件方法，其特征在于，所述对目标快递柜系统进行网络异常风险分析，得到网络异常风险分析结果，并根据所述网络异常风险分析结果创建网络异常处理方案，包括：
获取目标快递柜系统的网络连接数据以及网络故障记录，其中，所述网络连接数据包括网络延迟、丢包率以及带宽利用率；
对所述网络连接数据以及所述网络故障记录进行特征映射和向量编码，得到网络连接评价向量；
将所述网络连接评价向量输入预置的网络异常风险评估模型进行网络异常风险分析，得到网络异常风险分析结果，其中，所述网络异常风险评估模型包括：双向门限循环网络及全连接网络；
根据所述网络异常风险分析结果确定所述目标快递柜系统的网络风险等级，并根据所述网络风险等级生成对应的网络异常处理方案。
3.根据权利要求1所述的快递柜网络异常状态下的取件方法，其特征在于，所述根据所述网络异常处理方案生成网络服务分布模型，并基于所述网络服务分布模型对主网络服务和多个候选备用网络服务进行取件数据同步，得到每个候选备用网络服务的取件同步数据，包括：
根据所述网络异常处理方案确定所述目标快递柜系统的主网络服务以及多个候选备用网络服务，并建立所述主网络服务以及所述多个候选备用网络服务之间的目标网络连接；
根据所述目标网络连接构建所述主网络服务以及所述多个候选备用网络服务之间的网络服务分布模型；
对所述网络服务分布模型进行分布节点聚类，得到目标聚类结果，并计算所述网络服务分布模型中每个网络服务的优先级；
根据所述目标聚类结果和所述优先级，对所述网络服务分布模型中的网络服务进行关系分析，得到目标服务分布关系，并根据所述目标服务分布关系配置取件数据同步机制；
基于所述取件数据同步机制，对所述主网络服务中的目标取件数据和所述多个候选备用网络服务进行取件数据同步，得到每个候选备用网络服务的取件同步数据。
4.根据权利要求1所述的快递柜网络异常状态下的取件方法，其特征在于，所述基于所述多个候选备用网络服务对所述取件同步数据进行备用授权码构建，得到目标备用授权码，并根据所述目标备用授权码和所述取件同步数据分别在每个候选备用网络服务中创建备用取件节点，包括：
通过所述多个候选备用网络服务分别对所述取件同步数据进行数据字段提取，得到取件字段数据；
通过预置的编码函数对所述取件字段数据进行编码计算，得到每个候选备用网络服务的目标备用授权码；
根据所述目标备用授权码和所述取件同步数据分别在每个候选备用网络服务中创建备用取件节点。
5.根据权利要求1所述的快递柜网络异常状态下的取件方法，其特征在于，所述通过所述目标快递柜系统检测用户设备发送的用户取件信号，并根据所述用户取件信号获取所述主网络服务的第一网络状态数据，以及根据所述第一网络状态数据判断所述主网络服务是否出现网络连接异常，包括：
通过所述目标快递柜系统检测用户设备发送的用户取件信号，并根据所述用户取件信号获取所述主网络服务的第一网络状态数据；
对所述第一网络状态数据进行网络指标计算，得到多个网络指标，并对所述多个网络指标进行向量转换，得到网络指标向量；
将所述网络指标向量输入预置的网络服务异常检测模型进行网络服务异常检测，得到异常概率值，其中，所述网络服务异常检测模型包括编码网络和解码网络；
若所述异常概率值大于预设目标值，则确定所述主网络服务出现网络连接异常；
若所述异常概率值小于或者等于预设目标值，则确定所述主网络服务未出现网络连接异常。
6.根据权利要求1所述的快递柜网络异常状态下的取件方法，其特征在于，所述若网络连接异常，则分别获取所述多个候选备用网络服务的第二网络状态数据，并分别将所述第二网络状态数据输入预置的网络切换分析模型进行网络切换分析，得到网络切换分析结果，包括：
若网络连接异常，则分别获取所述多个候选备用网络服务的第二网络状态数据；
对所述第二网络状态数据进行状态数据编码，生成状态编码向量；
将所述状态编码向量输入预置的网络切换分析模型，其中，所述网络切换分析模型包括：双向长短时记忆网络以及回归预测层；
通过所述双向长短时记忆网络对所述状态编码向量进行状态特征提取，得到状态特征向量；
将所述状态特征向量输入所述回归预测层进行预测，得到切换预测值，并基于所述切换预测值对预置的网络切换方案列表进行网络切换映射匹配，得到网络切换分析结果。
7.根据权利要求1所述的快递柜网络异常状态下的取件方法，其特征在于，所述根据所述网络切换分析结果将所述主网络服务切换至对应的目标备用网络服务，并通过所述目标备用网络服务中备用取件节点对应的目标备用授权码进行用户取件信号校验，生成目标取件记录，包括：
根据所述网络切换分析结果将所述主网络服务切换至对应的目标备用网络服务，并通过所述目标备用网络服务确定对应备用取件节点的目标备用授权码；
对所述目标备用授权码进行特征提取，得到第一授权码特征元素集合，并对所述用户取件信号的用户输入码进行特征提取，得到第二授权码特征元素集合；
将所述第一授权码特征元素集合和所述第二授权码特征元素集合输入聚类分析模型，并通过目标移动密度函数对所述第一授权码特征元素集合和所述第二授权码特征元素集合进行聚类特征计算，得到第一初始聚类点以及第二初始聚类点；
对所述第一授权码特征元素集合与所述第一初始聚类点的距离进行计算，得到多个第一特征距离，并对所述多个第一特征距离进行平均值计算，得到第一平均距离，以及对所述第二授权码特征元素集合与所述第二初始聚类点的距离进行计算，得到多个第二特征距离，并对所述多个第二特征距离进行平均值计算，得到第二平均距离；
根据所述第一平均距离对所述第一授权码特征元素集合进行聚类点计算，得到第一目标聚类点，以及根据所述第二平均距离对所述第二授权码特征元素集合进行聚类点计算，得到第二目标聚类点；
对所述第一目标聚类点和所述第二目标聚类点进行偏移值计算，得到目标偏移值，并判断所述目标偏移值是否小于预设标准偏移值，若是，则对所述用户取件信号进行取件响应操作并生成目标取件记录。
8.一种快递柜网络异常状态下的取件装置，其特征在于，所述快递柜网络异常状态下的取件装置包括：
创建模块，用于对目标快递柜系统进行网络异常风险分析，得到网络异常风险分析结果，并根据所述网络异常风险分析结果创建网络异常处理方案；
同步模块，用于根据所述网络异常处理方案生成网络服务分布模型，并基于所述网络服务分布模型对主网络服务和多个候选备用网络服务进行取件数据同步，得到每个候选备用网络服务的取件同步数据；
构建模块，用于基于所述多个候选备用网络服务对所述取件同步数据进行备用授权码构建，得到目标备用授权码，并根据所述目标备用授权码和所述取件同步数据分别在每个候选备用网络服务中创建备用取件节点；
判断模块，用于通过所述目标快递柜系统检测用户设备发送的用户取件信号，并根据所述用户取件信号获取所述主网络服务的第一网络状态数据，以及根据所述第一网络状态数据判断所述主网络服务是否出现网络连接异常；
切换模块，用于若网络连接异常，则分别获取所述多个候选备用网络服务的第二网络状态数据，并分别将所述第二网络状态数据输入预置的网络切换分析模型进行网络切换分析，得到网络切换分析结果；
校验模块，用于根据所述网络切换分析结果将所述主网络服务切换至对应的目标备用网络服务，并通过所述目标备用网络服务中备用取件节点对应的目标备用授权码进行用户取件信号校验，生成目标取件记录。
9.一种快递柜网络异常状态下的取件设备，其特征在于，所述快递柜网络异常状态下的取件设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述快递柜网络异常状态下的取件设备执行如权利要求1-7中任一项所述的快递柜网络异常状态下的取件方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述的快递柜网络异常状态下的取件方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310940500.2A CN116708146B (zh) | 2023-07-28 | 2023-07-28 | 快递柜网络异常状态下的取件方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310940500.2A CN116708146B (zh) | 2023-07-28 | 2023-07-28 | 快递柜网络异常状态下的取件方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116708146A CN116708146A (zh) | 2023-09-05 |
| CN116708146B true CN116708146B (zh) | 2023-10-10 |
Family
ID=87839469
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310940500.2A Active CN116708146B (zh) | 2023-07-28 | 2023-07-28 | 快递柜网络异常状态下的取件方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116708146B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015092959A (ja) * | 2013-11-11 | 2015-05-18 | 日本宅配システム株式會社 | 物品収受システム |
| CN107424338A (zh) * | 2017-07-26 | 2017-12-01 | 深圳中集电商物流科技有限公司 | 一种快递柜的控制方法、装置及系统 |
| CN113344494A (zh) * | 2021-06-11 | 2021-09-03 | 上海中通吉网络技术有限公司 | 一种快递柜网络异常情况下取件的方法和系统 |
| CN113763646A (zh) * | 2021-01-29 | 2021-12-07 | 北京京东拓先科技有限公司 | 设备控制方法、装置、电子设备和计算机可读介质 |
-
2023
- 2023-07-28 CN CN202310940500.2A patent/CN116708146B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015092959A (ja) * | 2013-11-11 | 2015-05-18 | 日本宅配システム株式會社 | 物品収受システム |
| CN107424338A (zh) * | 2017-07-26 | 2017-12-01 | 深圳中集电商物流科技有限公司 | 一种快递柜的控制方法、装置及系统 |
| CN113763646A (zh) * | 2021-01-29 | 2021-12-07 | 北京京东拓先科技有限公司 | 设备控制方法、装置、电子设备和计算机可读介质 |
| CN113344494A (zh) * | 2021-06-11 | 2021-09-03 | 上海中通吉网络技术有限公司 | 一种快递柜网络异常情况下取件的方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 陈松乐 ; 孙知信 ; .一种基于深度学习的物流快递驿站异常行为识别方法.物流科技.2020,(09),第56-60页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116708146A (zh) | 2023-09-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9203857B2 (en) | Method and system for detecting anomaly of user behavior in a network | |
| CN106375420B (zh) | 一种基于负载均衡的服务器集群智能监控系统及方法 | |
| CN107872457B (zh) | 一种基于网络流量预测进行网络操作的方法及系统 | |
| CN112866185B (zh) | 网络流量监控设备和异常流量检测方法 | |
| CN106845820B (zh) | 一种基于性能裕量的nfv系统可靠性测评方法 | |
| CN113325308B (zh) | 一种用于数据中心的供电故障检测方法 | |
| TWI684139B (zh) | 基於自動學習的基地台異常之預測的系統與方法 | |
| CN113630156A (zh) | 一种载波信号判断串扰台区开启台区识别的方法 | |
| KR102624950B1 (ko) | 시계열 데이터를 이용한 주기성을 갖는 이상 수치 검출 시스템 | |
| JP2012064217A (ja) | データ復元方法及びサーバ装置 | |
| CN116880151A (zh) | 一种多余度计算机控制系统 | |
| CN116708146B (zh) | 快递柜网络异常状态下的取件方法及装置 | |
| CN110597792A (zh) | 基于同期线损数据融合的多级冗余数据融合方法及装置 | |
| CN114281256A (zh) | 基于分布式存储系统的数据同步方法、装置、设备及介质 | |
| CN105634781B (zh) | 一种多故障数据解耦方法和装置 | |
| Zhang et al. | Adaptive failure prediction using long short-term memory in optical network | |
| CN112328463A (zh) | 一种日志监控方法及装置 | |
| CN107026762B (zh) | 一种基于分布式集群的容灾系统及方法 | |
| CN107005440B (zh) | 一种链路故障定位的方法、装置及系统 | |
| CN111060780A (zh) | 一种配电网容错性在线故障定位的概率评估方法 | |
| US20140355412A1 (en) | Computer implemented method for tracking and checking measures and computer programs thereof | |
| CN113438116B (zh) | 一种电力通讯数据管理系统及方法 | |
| CN112749920B (zh) | 一种非故障区域供电恢复方法、装置、设备及存储介质 | |
| CN106533730B (zh) | Hadoop集群组件指标的采集方法及装置 | |
| CN109120637B (zh) | 一种网络安全监管平台及方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |