CN118132345A - 一种面向自助终端的移动支付方法及系统 - Google Patents
一种面向自助终端的移动支付方法及系统 Download PDFInfo
- Publication number
- CN118132345A CN118132345A CN202410547941.0A CN202410547941A CN118132345A CN 118132345 A CN118132345 A CN 118132345A CN 202410547941 A CN202410547941 A CN 202410547941A CN 118132345 A CN118132345 A CN 118132345A
- Authority
- CN
- China
- Prior art keywords
- network
- coefficient
- self
- regulation
- comprehensive
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013136 deep learning model Methods 0.000 claims abstract description 68
- 230000008569 process Effects 0.000 claims abstract description 23
- 230000007246 mechanism Effects 0.000 claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims description 68
- 238000011156 evaluation Methods 0.000 claims description 59
- 238000001514 detection method Methods 0.000 claims description 30
- 238000007405 data analysis Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 11
- 238000013135 deep learning Methods 0.000 claims description 11
- 230000008844 regulatory mechanism Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000001816 cooling Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 7
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012351 Integrated analysis Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种面向自助终端的移动支付方法及系统,涉及移动支付技术领域,该系统通过深度学习模型对网络数据和终端运行数据进行分析,系统可以及时发现并解决潜在的网络问题和硬件故障,从而提高了系统的可靠性和稳定性,当系统检测到网络质量下降或终端硬件运行异常时,可以自动切换至更稳定的网络环境或释放部分硬件资源,以确保移动支付过程的顺利进行,这种自适应调控机制不仅提高了系统的可靠性,还有效降低了移动支付过程中出现故障和卡顿现象的可能性,通过优化网络连接和释放硬件资源,这种智能网络优化还可以显著提高用户体验,稳定的网络连接和良好的终端性能不仅可以加快支付速度,从而提高用户的支付效率和便利性和安全性。
Description
技术领域
本发明涉及移动支付技术领域,具体为一种面向自助终端的移动支付方法及系统。
背景技术
自助终端的移动支付通常是指在自助结账机和自助售货机等设备上使用手机或其他移动支付工具完成支付,这种支付方式通过扫描二维码或近场通信技术与用户的移动支付应用进行通信,从而完成支付过程,用户可以通过手机上的支付应用选择支付方式,并在自助终端上完成支付,无需使用实体信用卡或现金,这种支付方式通常快捷和便利,受到了越来越多消费者的青睐。
现阶段传统的自助终端移动支付系统往往只能简单地依靠人工干预或简单的规则判断来处理异常情况,缺乏智能化和自适应性。因此,当网络环境波动或硬件出现异常时,系统往往不易于及时做出有效的调整和优化,导致用户体验下降和交易失败等异常效果的产生,这进一步凸显了对于一个更智能和更自适应的移动支付系统的需求,以提高支付体验的稳定性和可靠性。
发明内容
针对现有技术的不足,本发明提供了一种面向自助终端的移动支付方法及系统,解决了背景技术中提到的问题。
为实现以上目的,本发明通过以下技术方案予以实现:包括终端检测模块、数据采集模块、终端资源释放模块、数据分析模块和评估调控模块;
所述终端检测模块用于通过检测软件实时检测自助终端的硬件运行情况和网络情况,实时检测出自助终端的综合终端运行数据和网络数据;
所述数据采集模块用于对所检测到的综合终端运行数据和网络数据进行分类汇总后,生成综合终端运行数据集和网络数据集,并进行数据采集;
所述终端资源释放模块用于构建深度学习模型,对自助终端的运行时间和网络数据进行深度学习,分析自助终端运行情况,制定重启策略和网络切换机制;
所述数据分析模块用于对所采集的综合终端运行数据集和网络数据集,进行分析计算获取综合终端运行系数Yyxs和网络系数Wlxs,再将综合终端运行系数Yyxs和网络系数Wlxs进行相关联计算获取综合调控系数Tkxs;
所述评估调控模块用于对深度学习模型预设网络调控阈值W和运行调控阈值Y,并将所获取的网络系数Wlxs和综合调控系数Tkxs分别输入深度学习模型中,进行对比评估并根据评估结果,生成调控机制。
优选的,所述终端检测模块包括网络检测单元和硬件运行检测单元;
所述网络检测单元利用Wireshark实时捕获自助终端与外部网络之间的连接数据,再通过网络检测单元对所捕获的网络数据进行特征标记和识别,实时检测自助终端的网络数据;
所述硬件运行检测单元用于实时捕获自助终端系统中自带的任务管理器,检测实时的性能数据和进程信息,并对所检测到的性能数据和进程信息,进行特征标记和识别,实时获取综合终端运行数据。
优选的,所述数据采集模块包括网络数据采集单元和硬件运行数据采集单元;
所述网络数据采集单元用于依据所检测到的网络数据,进行数据整合生成网络数据集,所述网络数据集包括延迟速度Wyc、带宽速率Wdk、丢包率Wdb、网络容量Wrl和数据传输量Wcs;
所述硬件运行数据采集单元用于依据所检测到的综合终端运行数据,进行数据整合生成综合终端运行数据集,所述综合终端运行数据集包括硬件运行数据集、内存占用数据集和硬件资源数据集;
所述硬件运行数据集包括CPU温度Ywd、内存条温度Ynw、硬盘温度Yyw、GPU温度Ygw和散热风扇运行速率Yfs;
所述内存占用数据集包括CPU内存占用率Nzy、运行内存占用率Nyx、硬盘读取速度Ndq、硬盘写入速度Nxr和硬盘剩余空间Nkj;
所述硬件资源数据集包括CPU利用率Zcp、GPU利用率Zgp、CPU线程Zcx、CPU进程Zjx和CPU时钟频率Zsj。
优选的,所述终端资源释放模块包括建模单元、网络资源切换单元和硬件资源释放单元;
所述建模单元用于采用深度学习首先通过自助终端的数据库提取自助终端设备的使用数据,包括使用时段、使用频率和网络连接状态信息,并对数据进行标记,标记时段属于使用情况较少的时间段,再对收集到的数据进行预处理,通过使用循环神经网络构建深度学习模型,用于学习自助终端设备的使用情况;
所述网络资源切换单元在深度学习模型的基础上,结合网络切换功能,可以根据深度学习模型的输出结果,进行网络连接数据切换,由4G网络模式到5G网络模式再到WIFI网络模式,进行逐级切换;当触发切换条件时,使用网络管理库来执行网络切换操作,对于Android设备,使用ConnectivityManager类中的方法来切换网络连接,iOS设备可以使用NEHotspotConfigurationManager来执行网络连接切换;
所述硬件资源释放单元通过制定深度学习模型的输入自助终端的使用数据,输出设备重启的决策,使用收集到的数据对深度学习模型进行训练,学习自助终端设备的使用模式和行为规律,训练时将标记为使用情况谷值的时间段作为正样本,使用情况峰值的时间段作为负样本,根据训练好的深度学习模型的输出结果,制定设备重启的策略,同时重启策略每天执行两次,当深度学习模型预测当前处于使用情况较少的时间段时,触发设备重启操作,释放硬件运行资源。
优选的,所述数据分析模块包括硬件分析单元、网络数据分析单元和相关联分析单元;
所述硬件分析单元包括硬件运行分析单元、内存占用分析单元和硬件资源分析单元;
所述硬件运行分析单元用于依据综合终端运行数据集中的硬件运行数据集,并进行无量纲处理后,进行分析计算获取硬件运行系数Yxxs;
所述内存占用分析单元用于依据综合终端运行数据集中的内存占用数据集,并进行无量纲处理后,进行分析计算获取内存占用系数Ncxs;
所述硬件资源分析单元用于依据综合终端运行数据集中的硬件资源数据集,并进行无量纲处理后,进行分析计算获取硬件资源系数Zyxs;
所述硬件运行系数Yxxs、内存占用系数Ncxs和硬件资源系数Zyxs通过以下公式获取;
;
;
。
优选的,所述网络数据分析单元用于依据网络数据集进行无量纲处理后,进行分析计算获取网络系数Wlxs;
所述网络系数Wlxs通过以下公式获取;
;
式中,表示延迟速度Wyc与带宽速率Wdk之积的权重值,/>表示丢包率Wdb与网络容量Wrl之和的权重值,/>表示数据传输量Wcs的权重值,且/>≠/>,0</>≤1,0</>≤1,0</>≤1,其具体值由用户调整设置,A表示第一修正系数。
优选的,所述相关联分析单元包括综合硬件分析单元和综合分析单元;
所述综合硬件分析单元用于将硬件分析单元所获取的硬件运行系数Yxxs、内存占用系数Ncxs和硬件资源系数Zyxs,进行无量纲处理后,进行汇总分析计算,生成综合终端运行系数Yyxs;
所述综合终端运行系数Yyxs通过以下公式获取;
;
式中,、/>和/>分别表示硬件运行系数Yxxs、内存占用系数Ncxs和硬件资源系数Zyxs的预设权重值,且/>+/>≠/>,0</>≤1、0</>≤1和0</>≤1,其具体值由用户调整设置,B表示第二修正系数;
所述综合分析单元用于将所获取的综合终端运行系数Yyxs与网络系数Wlxs,进行相关联计算获取综合调控系数Tkxs;
所述综合调控系数Tkxs通过以下公式获取;
;
式中,a1和a2分别表示综合终端运行系数Yyxs与网络系数Wlxs的预设权重值,且0<a1<1,0<a2<1,其具体值由用户调整设置,C表示第三修正系数。
优选的,所述评估调控模块包括网络评估调控单元和运行评估调控单元;
所述网络评估调控单元用于将所获取的网络系统Wlxs,输入至深度学习模型中,并通过深度学习模型根据网络连接状态,进行预设网络调控阈值W,再将网络系数Wlxs与网络调控阈值W进行初步对比评估生成调控方案,具体调控方案如下;
当网络系数Wlxs>网络调控阈值W时,表示当前自助终端在移动支付时的网络运行存在异常,此时则启动第一调控方案,通过深度学习模型对网络进行切换操作,同时再次检测网络运行状态,若当前网络仍存在异常,则继续切换,当切换至WIFI网络模式后,网络仍然存在异常,此时则生成语音提示“网络故障,禁止移动支付”同时发送预警信息通知相关工作人员对自助终端的网络进行优化;
当网络系数Wlxs≤网络调控阈值W时,表示当前自助终端在移动支付时的,网络运行处于正常状态,此时则通过深度学习模型对网络进行切换操作,将自助终端的网络切换到4G网络模式,同时启动次级评估机制。
优选的,所述运行评估调控单元用于将所获取的综合调控系数Tkxs,输入至深度学习模型中,生成次级评估机制,同时通过深度学习模型分析自助终端的硬件运行情况,进行预设运行调控阈值Y与所获取的综合调控系数Tkxs进行对比评估并根据评估结果生成控制方案,具体方案如下;
当综合调控系数Tkxs>运行调控阈值Y时,表示当前自助终端存在卡顿和不流畅的现象,影响移动支付出现异常,此时则提前提示用户“禁止移动支付”,同时自动重启系统,释放缓存,并生成提示信息,发送至相关工作人员对自助终端的硬件设施进行升级;
当综合调控系数Tkxs≤运行调控阈值Y时,表示当前自助终端运行正常,此时则继续执行设备重启策略,无需进行调控。
一种面向自助终端的移动支付方法,包括以下步骤:
S1、首先通过自助终端的内部的检测软件,对自助终端的综合终端运行数据和网络数据进行特征标记和识别;
S2、再对所检测到的综合终端运行数据和网络数据进行汇总后,生成综合终端运行数据集和网络数据集后再进行采集;
S3、再通过构建深度学习模型,根据自助终端设备运行情况,对自助终端的运行时间和网络数据进行深度学习分析,并制定重启策略和网络切换机制;
S4、对采集的综合终端运行数据集和网络数据集进行分析计算,获取综合终端运行系数Yyxs和网络系数Wlxs,并进行相关联计算获取综合调控系数Tkxs,再将网络和运行的预设调控阈值与获取的综合调控系数进行对比评估,生成调控机制;
S5、最后通过深度学习模型根据分析结果预设网络调控阈值W和运行调控阈值Y,并将所获取的网络系数Wlxs和综合调控系数Tkxs分别输入深度学习模型中,进行对比评估并根据评估结果,生成调控机制。
有益效果
本发明提供了一种面向自助终端的移动支付方法及系统。具备以下有益效果:
(1)该系统通过深度学习模型对网络数据和终端运行数据进行分析,系统可以及时发现并解决潜在的网络问题和硬件故障,从而提高了系统的可靠性和稳定性,当系统检测到网络质量下降或终端硬件运行异常时,可以自动切换至更稳定的网络环境或释放部分硬件资源,以确保移动支付过程的顺利进行。这种自适应调控机制不仅提高了系统的可靠性,还有效降低了移动支付过程中出现故障和卡顿现象的可能性,进而提升了用户的信任度和满意度,通过优化网络连接和释放硬件资源,这种智能网络优化还可以显著提高用户体验。稳定的网络连接和良好的终端性能不仅可以加快支付速度,还可以减少支付过程中的等待时间和操作步骤,从而提高用户的支付效率和便利性。
(2)该系统不仅能够实时监测自助终端的网络运行状态和硬件性能数据,还能通过深度学习模型进行数据分析和预测,从而实现对潜在故障的预警。一旦检测到网络异常或硬件运行问题,系统可以立即生成警报信息并发送给相关工作人员,提醒其对自助终端进行维护和优化。这种实时故障预警和快速响应能力可以有效减少移动支付系统的停机时间,提高系统的稳定性和可靠性,保障用户的资金安全和支付顺畅性。
(3)该系统允许用户根据实际需求对网络调控阈值W和运行调控阈值Y进行个性化设置,以适应不同环境和场景下的需求变化,通过用户调整设置,系统可以根据用户的偏好和要求,自动调整网络连接模式和设备运行策略,实现个性化的网络优化和硬件资源管理。这种个性化调控机制可以提高系统的灵活性和适应性,更好地满足用户的个性化需求,进一步提升移动支付系统的整体性能和用户体验。
附图说明
图1为本发明一种面向自助终端的移动支付系统流程示意图;
图2为本发明一种面向自助终端的移动支付方法步骤示意图;
图3为本发明一种面向自助终端的移动支付系统网络切换机制示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
请参阅图1,本发明提供一种面向自助终端的移动支付系统,为实现以上目的,本发明通过以下技术方案予以实现:包括终端检测模块、数据采集模块、终端资源释放模块、数据分析模块和评估调控模块;
终端检测模块用于通过检测软件实时检测自助终端的硬件运行情况和网络情况,实时检测出自助终端的综合终端运行数据和网络数据;
数据采集模块用于对所检测到的综合终端运行数据和网络数据进行分类汇总后,生成综合终端运行数据集和网络数据集,并进行数据采集;
终端资源释放模块用于构建深度学习模型,对自助终端的运行时间和网络数据进行深度学习,分析自助终端运行情况,制定重启策略和网络切换机制;
数据分析模块用于对所采集的综合终端运行数据集和网络数据集,进行分析计算获取综合终端运行系数Yyxs和网络系数Wlxs,再将综合终端运行系数Yyxs和网络系数Wlxs进行相关联计算获取综合调控系数Tkxs;
评估调控模块用于对深度学习模型预设网络调控阈值W和运行调控阈值Y,并将所获取的网络系数Wlxs和综合调控系数Tkxs分别输入深度学习模型中,进行对比评估并根据评估结果,生成调控机制。
本实施例中,这种面向自助终端的移动支付系统结合了终端检测、数据采集、资源释放、数据分析和评估调控等五个关键模块,为自助终端的移动支付体验带来了显著的改进和提升。首先,终端检测模块通过实时监测自助终端的硬件运行情况和网络连接状态,有效发现潜在问题,为后续优化提供了准确的数据基础。数据采集模块则负责对检测到的综合终端运行数据和网络数据进行分类汇总和采集,为系统的数据分析提供了充分的信息支持。终端资源释放模块基于深度学习模型,通过对运行时间和网络数据的深度学习分析,智能制定了重启策略和网络切换机制,以优化终端性能和网络连接稳定性。数据分析模块利用采集到的数据集,进行综合分析计算,获取综合终端运行系数Yyxs和网络系数Wlxs,从而为后续的调控机制提供了科学依据。最后,评估调控模块通过对深度学习模型的评估和调节,智能制定了网络调控阈值W和运行调控阈值Y,实现了对网络和终端运行状态的动态调控。与当前技术手段相比,该系统通过深度学习等先进技术手段,实现了更精准、智能的网络优化和资源管理,从而提高了移动支付系统的稳定性、可靠性和用户体验。
实施例2
本实施例是在实施例1中进行的解释说明,请参照图1,具体的:终端检测模块包括网络检测单元和硬件运行检测单元;
网络检测单元利用Wireshark实时捕获自助终端与外部网络之间的连接数据,再通过网络检测单元对所捕获的网络数据进行特征标记和识别,实时检测自助终端的网络数据;
硬件运行检测单元用于实时捕获自助终端系统中自带的任务管理器,检测实时的性能数据和进程信息,并对所检测到的性能数据和进程信息,进行特征标记和识别,实时获取综合终端运行数据。
数据采集模块包括网络数据采集单元和硬件运行数据采集单元;
网络数据采集单元用于依据所检测到的网络数据,进行数据整合生成网络数据集,网络数据集包括延迟速度Wyc、带宽速率Wdk、丢包率Wdb、网络容量Wrl和数据传输量Wcs;
硬件运行数据采集单元用于依据所检测到的综合终端运行数据,进行数据整合生成综合终端运行数据集,综合终端运行数据集包括硬件运行数据集、内存占用数据集和硬件资源数据集;
硬件运行数据集包括CPU温度Ywd、内存条温度Ynw、硬盘温度Yyw、GPU温度Ygw和散热风扇运行速率Yfs;
内存占用数据集包括CPU内存占用率Nzy、运行内存占用率Nyx、硬盘读取速度Ndq、硬盘写入速度Nxr和硬盘剩余空间Nkj;
硬件资源数据集包括CPU利用率Zcp、GPU利用率Zgp、CPU线程Zcx、CPU进程Zjx和CPU时钟频率Zsj。
本实施例中,终端检测模块的网络检测单元和硬件运行检测单元能够实时监测自助终端的网络连接状态和硬件运行情况,为移动支付系统的运行提供了精准的数据支持,通过Wireshark实时捕获网络数据并进行特征标记和识别,网络检测单元能够对网络连接质量的实时监测和评估,同时,硬件运行检测单元通过捕获终端系统中的性能数据和进程信息,实现了对自助终端的CPU、内存、硬盘和GPU等硬件资源的实时监测和识别,为后续的数据采集和分析提供了重要数据基础。数据采集模块的网络数据采集单元和硬件运行数据采集单元进一步加强了系统对终端运行状态的全面了解,网络数据采集单元通过整合网络数据生成网络数据集,包括各项关键网络指标,为系统提供了对网络性能的全面评估。硬件运行数据采集单元则整合了终端的硬件运行数据,包括各项硬件指标和资源利用率,为后续的数据分析和综合调控提供了重要依据。
实施例3
本实施例是在实施例2中进行的解释说明,请参照图1和图3,具体的:终端资源释放模块包括建模单元、网络资源切换单元和硬件资源释放单元;
建模单元用于采用深度学习首先通过自助终端的数据库提取自助终端设备的使用数据,包括使用时段、使用频率和网络连接状态信息,并对数据进行标记,标记时段属于使用情况较少的时间段,再对收集到的数据进行预处理,通过使用循环神经网络构建深度学习模型,用于学习自助终端设备的使用情况;
网络资源切换单元在深度学习模型的基础上,结合网络切换功能,可以根据深度学习模型的输出结果,进行网络连接数据切换,由4G网络模式到5G网络模式再到WIFI网络模式,进行逐级切换;当触发切换条件时,使用网络管理库来执行网络切换操作,对于Android设备,使用ConnectivityManager类中的方法来切换网络连接,iOS设备可以使用NEHotspotConfigurationManager来执行网络连接切换;
硬件资源释放单元通过制定深度学习模型的输入自助终端的使用数据,输出设备重启的决策,使用收集到的数据对深度学习模型进行训练,学习自助终端设备的使用模式和行为规律,训练时将标记为使用情况谷值的时间段作为正样本,使用情况峰值的时间段作为负样本,根据训练好的深度学习模型的输出结果,制定设备重启的策略,同时重启策略每天执行两次,当深度学习模型预测当前处于使用情况较少的时间段时,触发设备重启操作,释放硬件运行资源。
本实施例中,通过终端资源释放模块的建模单元、网络资源切换单元和硬件资源释放单元为移动支付系统带来了多方面的有益效果。首先,建模单元利用深度学习模型对自助终端设备的使用情况进行建模和学习,能够根据分析自助终端的使用模式和行为规律,从而有效地优化资源分配和调控策略。这种精准的建模方式使得系统能够更加智能地根据实际情况做出决策,提高了系统的灵活性和适应性,其次,网络资源切换单元结合深度学习模型,能够根据实时的网络连接数据和深度学习模型的输出结果,实现网络连接的智能切换。通过逐级切换网络连接模式,系统可以更加灵活地适应不同的网络环境,确保自助终端始终保持稳定的网络连接,从而提高了用户体验和移动支付的可靠性,最后,硬件资源释放单元通过深度学习模型对自助终端的使用数据进行分析和预测,能够智能地制定设备重启策略,释放硬件运行资源。通过根据深度学习模型预测的使用情况进行设备重启操作,系统可以及时释放占用的硬件资源,提高了系统的性能和稳定性,减少了系统出现故障、卡顿和死机的可能性。
实施例4
本实施例是在实施例2中进行的解释说明,请参照图1,具体的:数据分析模块包括硬件分析单元、网络数据分析单元和相关联分析单元;
硬件分析单元包括硬件运行分析单元、内存占用分析单元和硬件资源分析单元;
硬件运行分析单元用于依据综合终端运行数据集中的硬件运行数据集,并进行无量纲处理后,进行分析计算获取硬件运行系数Yxxs;
内存占用分析单元用于依据综合终端运行数据集中的内存占用数据集,并进行无量纲处理后,进行分析计算获取内存占用系数Ncxs;
硬件资源分析单元用于依据综合终端运行数据集中的硬件资源数据集,并进行无量纲处理后,进行分析计算获取硬件资源系数Zyxs;
硬件运行系数Yxxs、内存占用系数Ncxs和硬件资源系数Zyxs通过以下公式获取;
;
;
。
网络数据分析单元用于依据网络数据集进行无量纲处理后,进行分析计算获取网络系数Wlxs;
网络系数Wlxs通过以下公式获取;
;
式中,表示延迟速度Wyc与带宽速率Wdk之积的权重值,/>表示丢包率Wdb与网络容量Wrl之和的权重值,/>表示数据传输量Wcs的权重值,且/>≠/>,0</>≤1,0</>≤1,0</>≤1,其具体值由用户调整设置,A表示第一修正系数。
本实施例中,数据分析模块中的硬件分析单元和网络数据分析单元为移动支付系统带来了多重有益效果。首先,硬件分析单元通过对综合终端运行数据集的分析,获取了硬件运行系数Yxxs、内存占用系数Ncxs和硬件资源系数Zyxs,这些系数可以客观地反映出自助终端的硬件性能和资源利用情况。这种分析能力使得系统能够及时发现硬件故障和资源瓶颈等问题,并采取相应的措施进行优化,从而提高了系统的稳定性和性能表现。其次,网络数据分析单元对网络数据集进行无量纲处理后,获取了网络系数Wlxs,该系数能够综合反映出网络连接的质量和稳定性。通过分析网络系数Wlxs,系统能够及时发现网络延迟和丢包率等问题,从而实现对网络连接的智能调控和优化。这种网络数据分析能力可以有效地提高系统的网络响应速度和降低通信延迟,提升了用户体验和服务质量。
实施例5
本实施例是在实施例4中进行的解释说明,请参照图1,具体的:相关联分析单元包括综合硬件分析单元和综合分析单元;
综合硬件分析单元用于将硬件分析单元所获取的硬件运行系数Yxxs、内存占用系数Ncxs和硬件资源系数Zyxs,进行无量纲处理后,进行汇总分析计算,生成综合终端运行系数Yyxs;
综合终端运行系数Yyxs通过以下公式获取;
;
式中,、/>和/>分别表示硬件运行系数Yxxs、内存占用系数Ncxs和硬件资源系数Zyxs的预设权重值,且/>+/>≠/>,0</>≤1、0</>≤1和0</>≤1,其具体值由用户调整设置,B表示第二修正系数;
综合分析单元用于将所获取的综合终端运行系数Yyxs与网络系数Wlxs,进行相关联计算获取综合调控系数Tkxs;
综合调控系数Tkxs通过以下公式获取;
;
式中,a1和a2分别表示综合终端运行系数Yyxs与网络系数Wlxs的预设权重值,且0<a1<1,0<a2<1,其具体值由用户调整设置,C表示第三修正系数。
本实施例中,相关联分析单元在移动支付系统中发挥着关键作用,为系统带来了诸多有益效果。首先,综合硬件分析单元通过将硬件分析单元获取的硬件运行系数Yxxs、内存占用系数Ncxs和硬件资源系数Zyxs进行综合分析,生成了综合终端运行系数Yyxs。这一系数能够更全面地反映出自助终端的整体运行状态和性能表现,为系统运行状态的综合评估提供了重要依据,其次,综合分析单元将综合终端运行系数Yyxs与网络系数Wlxs进行相关联计算,获取了综合调控系数Tkxs。通过这一系数的计算,系统能够综合考虑自助终端的硬件运行状况和网络连接质量,制定更加精准的调控策略。这种综合调控能力使得系统能够更加智能地对自助终端进行资源分配和调配,提高了系统的整体运行效率和稳定性。
实施例6
本实施例是在实施例5中进行的解释说明,请参照图1和图3,具体的:评估调控模块包括网络评估调控单元和运行评估调控单元;
网络评估调控单元用于将所获取的网络系统Wlxs,输入至深度学习模型中,并通过深度学习模型根据网络连接状态,进行预设网络调控阈值W,再将网络系数Wlxs与网络调控阈值W进行初步对比评估生成调控方案,具体调控方案如下;
当网络系数Wlxs>网络调控阈值W时,表示当前自助终端在移动支付时的网络运行存在异常,此时则启动第一调控方案,通过深度学习模型对网络进行切换操作,同时再次检测网络运行状态,若当前网络仍存在异常,则继续切换,当切换至WIFI网络模式后,网络仍然存在异常,此时则生成语音提示“网络故障,禁止移动支付”同时发送预警信息通知相关工作人员对自助终端的网络进行优化;
当网络系数Wlxs≤网络调控阈值W时,表示当前自助终端在移动支付时的,网络运行处于正常状态,此时则通过深度学习模型对网络进行切换操作,将自助终端的网络切换到4G网络模式,同时启动次级评估机制。
运行评估调控单元用于将所获取的综合调控系数Tkxs,输入至深度学习模型中,生成次级评估机制,同时通过深度学习模型分析自助终端的硬件运行情况,进行预设运行调控阈值Y与所获取的综合调控系数Tkxs进行对比评估并根据评估结果生成控制方案,具体方案如下;
当综合调控系数Tkxs>运行调控阈值Y时,表示当前自助终端存在卡顿和不流畅的现象,影响移动支付出现异常,此时则提前提示用户“禁止移动支付”,同时自动重启系统,释放缓存,并生成提示信息,发送至相关工作人员对自助终端的硬件设施进行升级;
当综合调控系数Tkxs≤运行调控阈值Y时,表示当前自助终端运行正常,此时则继续执行设备重启策略,无需进行调控。
本实施例中,评估调控模块的两大单元,网络评估调控单元和运行评估调控单元,为移动支付系统带来了重要的效益。首先,网络评估调控单元通过对网络数据的分析,实现了对自助终端网络连接状态的实时评估和调控,当评估出网络运行异常时,系统能够及时采取措施进行网络切换,确保移动支付过程中的稳定连接,提高了用户体验并降低了故障发生的概率。同时通过对综合调控系数Tkxs的评估分析,系统可以判断自助终端是否存在卡顿或不流畅现象,并及时采取措施,如提前提示用户禁止移动支付和自动重启系统等,以保障支付过程的顺畅进行。这种精细化的运行调控机制,有效地减少了因硬件问题导致的支付异常,提升了系统的稳定性和可靠性。综合而言,评估调控模块的引入,使得移动支付系统在面对网络和硬件方面的挑战时更加从容应对。通过智能化的调控策略,系统能够及时发现并解决问题,提高了系统的自适应性和响应速度,从而增强了用户对移动支付系统的信任度和满意度。
实施例7
请参阅图1和图2,一种面向自助终端的移动支付方法,包括以下步骤:
S1、首先通过自助终端的内部的检测软件,对自助终端的综合终端运行数据和网络数据进行特征标记和识别;
S2、再对所检测到的综合终端运行数据和网络数据进行汇总后,生成综合终端运行数据集和网络数据集后再进行采集;
S3、再通过构建深度学习模型,根据自助终端设备运行情况,对自助终端的运行时间和网络数据进行深度学习分析,并制定重启策略和网络切换机制;
S4、对采集的综合终端运行数据集和网络数据集进行分析计算,获取综合终端运行系数Yyxs和网络系数Wlxs,并进行相关联计算获取综合调控系数Tkxs,再将网络和运行的预设调控阈值与获取的综合调控系数进行对比评估,生成调控机制;
S5、最后通过深度学习模型根据分析结果预设网络调控阈值W和运行调控阈值Y,并将所获取的网络系数Wlxs和综合调控系数Tkxs分别输入深度学习模型中,进行对比评估并根据评估结果,生成调控机制。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种面向自助终端的移动支付系统,其特征在于:包括终端检测模块、数据采集模块、终端资源释放模块、数据分析模块和评估调控模块;
所述终端检测模块用于通过检测软件实时检测自助终端的硬件运行情况和网络情况,实时检测出自助终端的综合终端运行数据和网络数据;
所述数据采集模块用于对所检测到的综合终端运行数据和网络数据进行分类汇总后,生成综合终端运行数据集和网络数据集,并进行数据采集;
所述终端资源释放模块用于构建深度学习模型,对自助终端的运行时间和网络数据进行深度学习,分析自助终端运行情况,制定重启策略和网络切换机制;
所述数据分析模块用于对所采集的综合终端运行数据集和网络数据集,进行分析计算获取综合终端运行系数Yyxs和网络系数Wlxs,再将综合终端运行系数Yyxs和网络系数Wlxs进行相关联计算获取综合调控系数Tkxs;
所述评估调控模块用于对深度学习模型预设网络调控阈值W和运行调控阈值Y,并将所获取的网络系数Wlxs和综合调控系数Tkxs分别输入深度学习模型中,进行对比评估并根据评估结果,生成调控机制。
2.根据权利要求1所述的一种面向自助终端的移动支付系统,其特征在于:所述终端检测模块包括网络检测单元和硬件运行检测单元;
所述网络检测单元利用Wireshark实时捕获自助终端与外部网络之间的连接数据,再通过网络检测单元对所捕获的网络数据进行特征标记和识别,实时检测自助终端的网络数据;
所述硬件运行检测单元用于实时捕获自助终端系统中自带的任务管理器,检测实时的性能数据和进程信息,并对所检测到的性能数据和进程信息,进行特征标记和识别,实时获取综合终端运行数据。
3.根据权利要求2所述的一种面向自助终端的移动支付系统,其特征在于:所述数据采集模块包括网络数据采集单元和硬件运行数据采集单元;
所述网络数据采集单元用于依据所检测到的网络数据,进行数据整合生成网络数据集,所述网络数据集包括延迟速度Wyc、带宽速率Wdk、丢包率Wdb、网络容量Wrl和数据传输量Wcs;
所述硬件运行数据采集单元用于依据所检测到的综合终端运行数据,进行数据整合生成综合终端运行数据集,所述综合终端运行数据集包括硬件运行数据集、内存占用数据集和硬件资源数据集;
所述硬件运行数据集包括CPU温度Ywd、内存条温度Ynw、硬盘温度Yyw、GPU温度Ygw和散热风扇运行速率Yfs;
所述内存占用数据集包括CPU内存占用率Nzy、运行内存占用率Nyx、硬盘读取速度Ndq、硬盘写入速度Nxr和硬盘剩余空间Nkj;
所述硬件资源数据集包括CPU利用率Zcp、GPU利用率Zgp、CPU线程Zcx、CPU进程Zjx和CPU时钟频率Zsj。
4.根据权利要求3所述的一种面向自助终端的移动支付系统,其特征在于:所述终端资源释放模块包括建模单元、网络资源切换单元和硬件资源释放单元;
所述建模单元用于采用深度学习首先通过自助终端的数据库提取自助终端设备的使用数据,包括使用时段、使用频率和网络连接状态信息,并对数据进行标记,再对收集到的数据进行预处理,通过使用循环神经网络构建深度学习模型,用于学习自助终端设备的使用情况;
所述网络资源切换单元在深度学习模型的基础上,结合网络切换功能,根据深度学习模型的输出结果,进行网络连接数据切换,由4G网络模式到5G网络模式再到WIFI网络模式,进行逐级切换;
所述硬件资源释放单元通过制定深度学习模型的输入自助终端的使用数据,输出设备重启的决策,使用收集到的数据对深度学习模型进行训练,学习自助终端设备的使用模式和行为规律,训练时将标记为使用情况谷值的时间段作为正样本,使用情况峰值的时间段作为负样本,根据训练好的深度学习模型的输出结果,制定设备重启的策略,同时重启策略每天执行两次。
5.根据权利要求4所述的一种面向自助终端的移动支付系统,其特征在于:所述数据分析模块包括硬件分析单元、网络数据分析单元和相关联分析单元;
所述硬件分析单元包括硬件运行分析单元、内存占用分析单元和硬件资源分析单元;
所述硬件运行分析单元用于依据综合终端运行数据集中的硬件运行数据集,并进行无量纲处理后,进行分析计算获取硬件运行系数Yxxs;
所述内存占用分析单元用于依据综合终端运行数据集中的内存占用数据集,并进行无量纲处理后,进行分析计算获取内存占用系数Ncxs;
所述硬件资源分析单元用于依据综合终端运行数据集中的硬件资源数据集,并进行无量纲处理后,进行分析计算获取硬件资源系数Zyxs;
所述硬件运行系数Yxxs、内存占用系数Ncxs和硬件资源系数Zyxs通过以下公式获取;
;
;
。
6.根据权利要求5所述的一种面向自助终端的移动支付系统,其特征在于:所述网络数据分析单元用于依据网络数据集进行无量纲处理后,进行分析计算获取网络系数Wlxs;
所述网络系数Wlxs通过以下公式获取;
;
式中,表示延迟速度Wyc与带宽速率Wdk之积的权重值,/>表示丢包率Wdb与网络容量Wrl之和的权重值,/>表示数据传输量Wcs的权重值,其具体值由用户调整设置,A表示第一修正系数。
7.根据权利要求5所述的一种面向自助终端的移动支付系统,其特征在于:所述相关联分析单元包括综合硬件分析单元和综合分析单元;
所述综合硬件分析单元用于将硬件分析单元所获取的硬件运行系数Yxxs、内存占用系数Ncxs和硬件资源系数Zyxs,进行无量纲处理后,进行汇总分析计算,生成综合终端运行系数Yyxs;
所述综合终端运行系数Yyxs通过以下公式获取;
;
式中,、/>和/>分别表示硬件运行系数Yxxs、内存占用系数Ncxs和硬件资源系数Zyxs的预设权重值,其具体值由用户调整设置,B表示第二修正系数;
所述综合分析单元用于将所获取的综合终端运行系数Yyxs与网络系数Wlxs,进行相关联计算获取综合调控系数Tkxs;
所述综合调控系数Tkxs通过以下公式获取;
;
式中,a1和a2分别表示综合终端运行系数Yyxs与网络系数Wlxs的预设权重值,其具体值由用户调整设置,C表示第三修正系数。
8.根据权利要求7所述的一种面向自助终端的移动支付系统,其特征在于:所述评估调控模块包括网络评估调控单元和运行评估调控单元;
所述网络评估调控单元用于将所获取的网络系统Wlxs,输入至深度学习模型中,并通过深度学习模型根据网络连接状态,进行预设网络调控阈值W,再将网络系数Wlxs与网络调控阈值W进行初步对比评估生成调控方案,具体调控方案如下;
当网络系数Wlxs>网络调控阈值W时,表示当前自助终端在移动支付时的网络运行存在异常,此时则启动第一调控方案,通过深度学习模型对网络进行切换操作,同时再次检测网络运行状态,若当前网络仍存在异常,则继续切换,当切换至WIFI网络模式后,网络仍然存在异常,此时则生成语音提示“网络故障,禁止移动支付”同时发送预警信息通知相关工作人员对自助终端的网络进行优化;
当网络系数Wlxs≤网络调控阈值W时,表示当前自助终端在移动支付时的,网络运行处于正常状态,此时则通过深度学习模型对网络进行切换操作,将自助终端的网络切换到4G网络模式,同时启动次级评估机制。
9.根据权利要求8所述的一种面向自助终端的移动支付系统,其特征在于:所述运行评估调控单元用于将所获取的综合调控系数Tkxs,输入至深度学习模型中,生成次级评估机制,同时通过深度学习模型分析自助终端的硬件运行情况,进行预设运行调控阈值Y与所获取的综合调控系数Tkxs进行对比评估并根据评估结果生成控制方案,具体方案如下;
当综合调控系数Tkxs>运行调控阈值Y时,表示当前自助终端存在卡顿和不流畅的现象,影响移动支付出现异常,此时则提前提示用户“禁止移动支付”,同时自动重启系统,释放缓存,并生成提示信息,发送至相关工作人员对自助终端的硬件设施进行升级;
当综合调控系数Tkxs≤运行调控阈值Y时,表示当前自助终端运行正常,此时则继续执行设备重启策略,无需进行调控。
10.一种面向自助终端的移动支付方法,包括上述权利要求1~9任一项所述的一种面向自助终端的移动支付系统,其特征在于:包括以下步骤:
S1、首先通过自助终端的内部的检测软件,对自助终端的综合终端运行数据和网络数据进行特征标记和识别;
S2、再对所检测到的综合终端运行数据和网络数据进行汇总后,生成综合终端运行数据集和网络数据集后再进行采集;
S3、再通过构建深度学习模型,根据自助终端设备运行情况,对自助终端的运行时间和网络数据进行深度学习分析,并制定重启策略和网络切换机制;
S4、对采集的综合终端运行数据集和网络数据集进行分析计算,获取综合终端运行系数Yyxs和网络系数Wlxs,并进行相关联计算获取综合调控系数Tkxs,再将网络和运行的预设调控阈值与获取的综合调控系数进行对比评估,生成调控机制;
S5、最后通过深度学习模型根据分析结果预设网络调控阈值W和运行调控阈值Y,并将所获取的网络系数Wlxs和综合调控系数Tkxs分别输入深度学习模型中,进行对比评估并根据评估结果,生成调控机制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410547941.0A CN118132345A (zh) | 2024-05-06 | 2024-05-06 | 一种面向自助终端的移动支付方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410547941.0A CN118132345A (zh) | 2024-05-06 | 2024-05-06 | 一种面向自助终端的移动支付方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118132345A true CN118132345A (zh) | 2024-06-04 |
Family
ID=91237983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410547941.0A Pending CN118132345A (zh) | 2024-05-06 | 2024-05-06 | 一种面向自助终端的移动支付方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118132345A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110891292A (zh) * | 2019-11-20 | 2020-03-17 | 三星电子(中国)研发中心 | 一种终端自动切换网络方法和装置 |
CN117557173A (zh) * | 2023-10-25 | 2024-02-13 | 广州市大枣信息科技有限公司 | 一种基于外卖派送的订单处理方法及系统 |
CN117750467A (zh) * | 2023-12-20 | 2024-03-22 | 中国移动通信集团终端有限公司 | 一种5g双域专网的零信任安全可信接入方法 |
CN117811783A (zh) * | 2023-12-25 | 2024-04-02 | 吉林省吉能电力通信有限公司 | 一种基于内生安全的工业控制网络动态防御方法及系统 |
CN117853222A (zh) * | 2024-01-03 | 2024-04-09 | 上海维信荟智金融科技有限公司 | 一种基于深度学习的个人信贷欺诈行为检测方法及系统 |
-
2024
- 2024-05-06 CN CN202410547941.0A patent/CN118132345A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110891292A (zh) * | 2019-11-20 | 2020-03-17 | 三星电子(中国)研发中心 | 一种终端自动切换网络方法和装置 |
CN117557173A (zh) * | 2023-10-25 | 2024-02-13 | 广州市大枣信息科技有限公司 | 一种基于外卖派送的订单处理方法及系统 |
CN117750467A (zh) * | 2023-12-20 | 2024-03-22 | 中国移动通信集团终端有限公司 | 一种5g双域专网的零信任安全可信接入方法 |
CN117811783A (zh) * | 2023-12-25 | 2024-04-02 | 吉林省吉能电力通信有限公司 | 一种基于内生安全的工业控制网络动态防御方法及系统 |
CN117853222A (zh) * | 2024-01-03 | 2024-04-09 | 上海维信荟智金融科技有限公司 | 一种基于深度学习的个人信贷欺诈行为检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10877863B2 (en) | Automatic prediction system for server failure and method of automatically predicting server failure | |
CN109345377B (zh) | 一种数据实时处理系统及数据实时处理方法 | |
CN109063612A (zh) | 城市智能红线管理方法及机器可读存储介质 | |
CN108228705A (zh) | 直播视频反馈中的自动对象和活动跟踪设备、方法及介质 | |
CN109934356A (zh) | 一种基于大数据的机房巡检方法及相关设备 | |
WO2017031837A1 (zh) | 磁盘容量的预测方法、装置及设备 | |
CN111796957B (zh) | 基于应用日志的交易异常根因分析方法及系统 | |
TWI684139B (zh) | 基於自動學習的基地台異常之預測的系統與方法 | |
CN111078446A (zh) | 一种故障信息获取方法、装置、电子设备及存储介质 | |
CN110445939B (zh) | 容量资源的预测方法及装置 | |
CN110262919A (zh) | 异常数据分析方法、装置、设备与计算机可读存储介质 | |
CN112785351A (zh) | 金融网点监控方法及装置 | |
CN117389742B (zh) | 一种用于机器视觉的边缘计算方法、装置及存储介质 | |
CN114841705B (zh) | 一种基于场景识别的反欺诈监测方法 | |
CN117041017A (zh) | 数据中心的智能运维管理方法及系统 | |
CN118132345A (zh) | 一种面向自助终端的移动支付方法及系统 | |
CN112672405A (zh) | 功耗计算方法、装置、存储介质、电子设备以及服务器 | |
CN112040090A (zh) | 视频流处理方法、装置、电子设备和存储介质 | |
CN115495231B (zh) | 一种高并发任务复杂场景下的动态资源调度方法及系统 | |
US20230034061A1 (en) | Method for managing proper operation of base station and system applying the method | |
CN109657943A (zh) | 风电场机组运行状态的动态评估方法、装置及电子设备 | |
CN109670079A (zh) | 基于监控系统的督察方法和系统 | |
CN113691390A (zh) | 一种云端协同的边缘节点报警系统及方法 | |
CN113328520A (zh) | 一种送电智能运维方法、系统、装置及存储介质 | |
CN112732519A (zh) | 一种事件监控方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |