一种银行网点网络状态的预测方法及装置与流程

1.本发明涉及数据预测技术领域，具体涉及一种银行网点网络状态的预测方法及装置。


背景技术：

2.随着我国科技的发展，各大银行纷纷抓紧对省市县乡的金融业务进行布控，银行网点成为了银行的前沿阵地。现代银行网点包含各种硬件设备，如网银机、缴费机、atm机、智慧柜员机、智能机器人等等，相较于传统网点网络拓扑更加复杂。
3.银行网点通常分布在人流密集的地区，尽可能为更多人民提供便利，但随之而来的是单个银行网点业务量增多，网点服务节点的负载压力增大。而服务器在巨大的压力面前可能会产生网络闪断、网络连接失败等异常情况，导致网点硬件设备卡顿或无法使用，不仅影响客户使用体验甚至造成信息安全问题。


技术实现要素：

4.对此，本技术提供一种银行网点网络状态的预测方法及装置，以解决现有银行网点的服务器在巨大压力面前可能会产生网络闪断、网络连接失败等异常情况，导致网点硬件设备卡顿或无法使用，影响客户使用体验以及造成信息安全的问题。
5.为实现上述目的，本发明实施例提供如下技术方案：
6.本发明第一方面公开了一种银行网点网络状态的预测方法，包括：
7.获取待测银行网点中各个服务节点的历史网络数据；
8.依据每个所述服务节点的历史网络数据，确定出各个所述服务节点的模型训练数据集和预测数据测试集；
9.分别将每个所述服务节点的预测数据测试集输入至预设混合预测模型，得到各个所述服务节点的网络状态预测结果；所述预设混合预测模型是根据所述模型训练数据集进行训练得到的；
10.对所述待测银行网点中每个所述服务节点的网络状态预测结果进行数据融合计算，得到所述待测银行网点的预测网络状态。
11.可选地，上述的银行网点网络状态的预测方法中，获取待测银行网点中各个服务节点的历史网络数据，包括：
12.分别确定出所述待测银行网点中每个所述服务节点对应的数据库地址；
13.基于每一所述服务节点对应的数据库地址读取对应数据库，得到所述待测银行网点中各个服务节点的历史网络数据。
14.可选地，上述的银行网点网络状态的预测方法中，依据每个所述服务节点的历史网络数据，确定出各个所述服务节点的模型训练数据集和预测数据测试集，包括：
15.分别确定出每一所述服务节点的历史网络数据中各个网络数据的时间序列；
16.将时间序列满足第一预设条件的网络数据作为所述模型训练数据集中的数据，满
足第二预设条件的网络数据作为所述预测数据测试集中的数据。
17.可选地，上述的银行网点网络状态的预测方法中，对所述待测银行网点中每个所述服务节点的网络状态预测结果进行数据融合计算，得到所述待测银行网点的预测网络状态，包括：
18.分别确定出每个所述服务节点的节点权值；
19.基于每一所述服务节点所对应的所述节点权值和所述网络状态预测结果进行计算，得到所述待测银行网点的预测网络状态。
20.可选地，上述的银行网点网络状态的预测方法中，在获取待测银行网点中各个服务节点的历史网络数据之后，还包括：
21.对各个所述服务节点的历史网络数据进行预处理。
22.可选地，上述的银行网点网络状态的预测方法中，在对所述待测银行网点中每个所述服务节点的网络状态预测结果进行数据融合计算，得到所述待测银行网点的预测网络状态之后，还包括：
23.根据所述待测银行网点的预测网络状态，生成对应的提示信号。
24.本发明第二方面公开了一种银行网点网络状态的预测装置，包括：
25.获取单元，用于获取待测银行网点中各个服务节点的历史网络数据；
26.确定单元，用于依据每个所述服务节点的历史网络数据，确定出各个所述服务节点的模型训练数据集和预测数据测试集；
27.第一预测单元，用于分别将每个所述服务节点的预测数据测试集输入至预设混合预测模型，得到各个所述服务节点的网络状态预测结果；所述预设混合预测模型是根据所述模型训练数据集进行训练得到的；
28.第二预测单元，用于对所述待测银行网点中每个所述服务节点的网络状态预测结果进行数据融合计算，得到所述待测银行网点的预测网络状态。
29.可选地，上述的银行网点网络状态的预测装置中，所述获取单元具体用于：
30.分别确定出所述待测银行网点中每个所述服务节点对应的数据库地址；
31.基于每一所述服务节点对应的数据库地址读取对应数据库，得到所述待测银行网点中各个服务节点的历史网络数据。
32.可选地，上述的银行网点网络状态的预测装置中，所述确定单元具体用于：
33.分别确定出每一所述服务节点的历史网络数据中各个网络数据的时间序列；
34.将时间序列满足第一预设条件的网络数据作为所述模型训练数据集中的数据，满足第二预设条件的网络数据作为所述预测数据测试集中的数据。
35.可选地，上述的银行网点网络状态的预测装置中，所述第二预测单元具体用于：
36.分别确定出每个所述服务节点的节点权值；
37.基于每一所述服务节点所对应的所述节点权值和所述网络状态预测结果进行计算，得到所述待测银行网点的预测网络状态。
38.可选地，上述的银行网点网络状态的预测装置中，还包括：
39.预处理单元，用于对各个所述服务节点的历史网络数据进行预处理。
40.可选地，上述的银行网点网络状态的预测装置中，还包括：
41.生成单元，用于根据所述待测银行网点的预测网络状态，生成对应的提示信号。
42.本发明提供的银行网点网络状态的预测方法，该方法在获取待测银行网点中各个服务节点的历史网络数据后，依据每个服务节点的历史网络数据，确定出各个服务节点的模型训练数据集和预测数据测试集；然后分别将服务节点的预测数据测试集输入至预设混合预测模型，得到各个服务节点的网络状态预测结果；最后对待测银行网点中每个所述服务节点的网络状态预测结果进行数据融合计算，得到待测银行网点的预测网络状态，也即本方案能够提前预测出银行网点未来的网络状态，以避免银行网点的服务器在巨大压力面前可能会产生网络闪断、网络连接失败等异常情况，导致网点硬件设备卡顿或无法使用，影响客户使用体验以及造成信息安全的问题。
附图说明
43.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
44.图1为本技术实施例提供的一种银行网点网络状态的预测方法的流程图；
45.图2为本技术实施例提供的一种历史网络数据的获取流程图；
46.图3为本技术实施例提供的一种模型训练数据集和预测数据测试集的确定流程图；
47.图4为本技术实施例提供的一种lstm模型的结构示意图；
48.图5为本技术实施例提供的一种bp模型的结构示意图；
49.图6为本技术实施例提供的一种待测银行网点的预测网络状态的获取流程图；
50.图7为本技术实施例提供的一种银行网点网络状态的预测算法示意图；
51.图8为本技术实施例提供的一种现有预测方案的空间映射示意图；
52.图9至图10为本技术实施例提供的另两种银行网点网络状态的预测方法的流程图；
53.图11为本技术实施例提供的一种银行网点网络状态的预测方法的实际流程图；
54.图12为本技术实施例提供的一种银行网点网络状态的预测装置的结构示意图。
具体实施方式
55.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、完整地描述，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。依据本发明中的实施例，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。
56.首先需要说明的是，银行网点是银行行业的前沿阵地，不仅可以让客户就近存取款，还可以管理理财信贷征信等业务，避免了客户去多个场所办理业务的问题。目前，我国银行的物理网点数量达到了几十万家，在一些大型小区和商超广场，网点更是密集分布。在某些时间场景，银行网点业务办理频繁，交易量巨大，各种银行设备使用频率过高，造成服务节点网络负载过大，发生网络故障，且短时间内无法修复，影响了客户使用甚至造成了安全问题。
57.基于此，本技术实施例提供了一种银行网点网络状态的预测方法，以解决现有银行网点的服务器在巨大压力面前可能会产生网络闪断、网络连接失败等异常情况，导致网点硬件设备卡顿或无法使用，影响客户使用体验以及造成信息安全的问题。
58.请参见图1，该银行网点网络状态的预测方法主要包括如下步骤：
59.s100、获取待测银行网点中各个服务节点的历史网络数据。
60.其中，待测银行网点为需要进行网络状态预测，但还未进行网络状态预测的银行网点。
61.需要说明的是，银行网点中包含多种硬件设备，如网银机、缴费机、atm机、智慧柜员机、智能机器人等等，每种设备存在与之对应的服务节点。
62.换言之，待测银行网点中的服务节点数量与其包含的硬件设备的数量有关，每个硬件设备存在与之对应的服务节点。因此，待测银行网点中的服务节点数量是大于等于1的正整数。
63.实际应用中，步骤s100、获取待测银行网点中各个服务节点的历史网络数据的具体过程可如图2所示，主要包括如下步骤：
64.s200、分别确定出待测银行网点中每个服务节点对应的数据库地址。
65.其中，可以通过每个服务节点对应的硬件设备的id地址，确定出服务节点对应的数据库地址；当然，并不仅限于此，还可通过现有其他方式确定出每个服务节点对应的数据库地址，本技术对此不作限定，均在本技术的保护范围内。
66.s202、基于每一服务节点对应的数据库地址读取对应数据库，得到待测银行网点中各个服务节点的历史网络数据。
67.由于每个服务节点存在与之对应的硬件设备，因此若要获取对应服务节点的历史网络数据，可以在确定出每个服务节点对应硬件设备的数据库地址之后，通过数据库地址访问硬件设备的数据库，从而得到每个服务节点的历史网络数据。
68.s102、依据每个服务节点的历史网络数据，确定出各个服务节点的模型训练数据集和预测数据测试集。
69.实际应用中，执行步骤s102、依据每个服务节点的历史网络数据，确定出各个服务节点的模型训练数据集和预测数据测试集的具体过程可如图3所示，主要包括如下步骤：
70.s300、分别确定出每一服务节点的历史网络数据中各个网络数据的时间序列。
71.实际应用中，服务节点的历史网络数据为执行预测时刻之前服务节点所对应硬件设备在运行过程中产生的网络数据，其一般包括cpu使用率、内存使用率、吞吐量、丢包率、接口利用率等等；当然，并不仅限于此，还可视具体应用环境确定，本技术对服务节点的网络数据不作具体限定，均在本技术的保护范围内。
72.其中，历史网络数据中每个网络数据的时间序列为生成该网络数据在所有网络数据中的时间顺序。
73.需要说明的是，由于服务节点所对应硬件设备在运行过程中会时刻产生相应的网络数据，因此其对应的数据库也会对时刻产生的网络数据进行存储，因此可以根据数据库对每个网络数据存储的时间戳，或者每个网络数据的生成时间戳，确定出服务节点的历史网络数据中每个网络数据的时间序列。
74.s302、将时间序列满足第一预设条件的网络数据作为模型训练数据集中的数据，
将时间序列满足第二预设条件的网络数据作为预测数据测试集中的数据。
75.其中，第一预设条件为时间排序由旧至新的前2/3，第二预设条件为时间排序由旧至新的后1/3。当然，并不仅限于此，第一预设条件和第二预设条件还可视具体应用环境和用户需求确定，本技术不作具体限定，均在本技术的保护范围内。
76.实际应用中，可以将每个服务节点的历史网络数据作为数据集，然后使用滑动窗口的方法构建模型训练数据集和预测数据测试集；再选取数据集的前2/3作为模型训练数据集，数据集剩余的1/3作为预测数据测试集，以增加预设混合预测模型的预测准确性。
77.其中，可以使用前n个数据去预测n 1个数据，第2至n 1个数据去预测第n 2个数据，以此类推
……
，直至预测出最后一个数据。具体的，本技术中的滑动窗口可设定为20，也即根据前20个时刻的网络数据去预测下一个时刻的网络数据；当然，并不仅限于此，滑动窗口还可设定为其他的正整数，本技术对其具体取值不作限定，均在本技术的保护范围内。
78.s104、分别将每个服务节点的预测数据测试集输入至预设混合预测模型，得到各个服务节点的网络状态预测结果。
79.其中，预设混合预测模型是根据模型训练数据集进行训练得到的。
80.实际应用中，该预设混合预测模型可以为lstm_bp混合模型，也即将上述lstm模型和bp神经网络模型进行融合得到的模型。
81.其中，lstm模型是初始化网络每一层之间的权重等，把预测数据测试集作为训练样本输入模型反复迭代，直至达到设定的目标准确率，本技术主要使用lstm神经网络来对银行网点时间序列的网络数据进行预测，得到下一时刻的网络数据；bp神经网络模型是初始化权重对bp神经网络模型进行训练，直到达到设定迭代次数或者达到预设准确率，本技术使用bp神经网络用于网点服务节点所处网络状态非线性拟合，得到网点服务节点所处的网络状态。
82.需要说明的是，将每个服务节点的预测数据测试集输入至预设混合预测模型，并对其输出结果进行反归一化处理，即可得到各个服务节点下一时刻的网络状态预测结果。
83.还需要说明的是，如图4所示，lstm(long short-term memory，长短时记忆网络)是一种特殊的循环神经网络(rnn)，在rnn的基础上引入门控机制，主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题，就是相比普通的循环神经网络，lstm能够在更长的序列中有更好的表现。其最早是于上世纪90年代提出的，该模型最初被设计出来是为了解决在循环神经网络中数据信息长期依赖的问题。lstm中加入了门限机制，与门控循环单元里的门一样，lstm的门的输出是由当前时间步输入和前一时间步隐藏状态组成，输出是通过激活函数计算得到。lstm门控机制中的门分别是遗忘门，输入门和输出门。它能够让神经元拥有更新状态信息的能力，所以它能够有效解决rnn因为存储久远信息而导致的梯度爆炸或消失问题。
84.而如图5所示，bp(back propagation，后向反馈)是一种误差逆向传播的多层前馈神经网络。其训练流程是信号前向传输，而误差后向传播，通过不断修改连接权重，让网络模型的真实输出和期望输出值之间的误差最小，以达到训练的目的。由于其具有很强的非线性拟合和泛化能力，普遍应用于多个研究领域领，如计算机、经济学、统计学、移动通信、信息技术等领域。算法基本过程是，学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入信号通过隐藏层作用于输出节点，通过非线性运算，生成输出信
号，如果实际的输出值和期望输出值误差很大，就转入误差的反向传播过程。反向传播时，把输出以某种形式经过隐藏层向输入层反向传输，同时把误差分给每一层的全部神经元，从而获得各层单元的误差信号，以此来更新每个神经元之间的权值。图5为bp神经网络结构图，包括输入层、隐藏层和输出层。
85.s106、对待测银行网点中每个服务节点的网络状态预测结果进行数据融合计算，得到待测银行网点的预测网络状态。
86.实际应用中，执行步骤s106、对待测银行网点中每个服务节点的网络状态预测结果进行数据融合计算，得到待测银行网点的预测网络状态的具体过程可如图6所示，主要包括如下步骤：
87.s400、分别确定出每个服务节点的节点权值。
88.其中，根据分布式网络的特征，某些故障状态比如延迟增加、丢包率增加等受到附近节点影响，因此每个服务节点对整个银行网点的网络状态影响不同，可以采用马尔科夫模型对各个服务节点的节点权值进行计算，确定出每个服务节点的节点权值。
89.s402、基于每一服务节点所对应的节点权值和网络状态预测结果进行计算，得到待测银行网点的预测网络状态。
90.实际应用中，可以通过数据融合的方法，对每个服务节点的权值和网络状态预测结果进行计算，得到银行网点的预测网络状态。
91.需要说明的是，数据融合计算也可称为信息融合计算，主要是利用计算机技术将来自多个源数据进行分析，综合处理，从而得到决策和估计任务所需信息的处理过程。本技术通过对银行网点中各个服务节点的网络状态预测结果进行融合可以得到银行网点的预测网络状态。
92.需要说明的是，结合上述，对银行网点网络状态的预测算法可如图7所示。其中，该算法描述了银行网点的网络数据采集和网络状态的预测流程。
93.基于上述原理，本实施例提供了银行网点网络状态的预测方法，该方法在获取待测银行网点中各个服务节点的历史网络数据后，依据每个服务节点的历史网络数据，确定出各个服务节点的模型训练数据集和预测数据测试集；然后分别将服务节点的预测数据测试集输入至预设混合预测模型，得到各个服务节点的网络状态预测结果；最后对待测银行网点中每个所述服务节点的网络状态预测结果进行数据融合计算，得到待测银行网点的预测网络状态，也即本方案能够提前预测出银行网点未来的网络状态，以避免银行网点的服务器在巨大压力面前可能会产生网络闪断、网络连接失败等异常情况，导致网点硬件设备卡顿或无法使用，影响客户使用体验以及造成信息安全的问题。
94.此外，由于网络运行状态具有非线性的特点，传统时间序列方法在多参数和多特征问题处理上的局限性，无法做到对时间序列的非线性部分进行拟合的问题。并且因为网络数据具有非线性和高度不确定性等特点，现有的网络状态预测方案无法做到准确预测。而lstm在解决多个输入输出变量的问题上具有很多优势，这些优势有利于其完后才能对此类问题的求解，而bp神经网络模型拥有很强的非线性拟合和泛化能力，能够更好地处理非线性回归问题，因此本技术使用的lstm_bp混合模型可以更优秀地计算出网络数据中的时间依赖关系，可以把上一时刻的输出和当前时刻的输入数据共同作用于当前的输出，使得预测结果更符合时间序列的要求，也更加精准。
95.值得说明的是，现有还存在一种银行网点网络状态的预测方案，该方案根据已知网络状态的网络样本建立对比网络图库，基于被比网络构建出对比网络图，也即根据图中的边集合和图集合，提出来综合张量的概念。如图8所示为该方案的映射的示意图，gt表示综合张量，相识度越高，通过相同的线性空间映射后得到gf，在同一目标空间的映射结果的重叠度越高。将比网络图与所述对比网络图库中的对比网络图进行比较，根据两者的相似度找出与被比网络图相似的对比网络图，从而预测被比网络的状态。但是该方案前期网络对比图的建立需要消耗大量的人力物力，深层次的网络状态对比图无法创建，而本技术采用深度学习方法减少了建立网络对比库昂贵的人工成本开销，也无需建立深层次的网络状态对比图；再者，现有方案是对实时网络的状态进行预测，无法对未来状态进行预测，而申请可以预测出未来网络状态；另外，针对现有技术本技术采用深度学习方法，无需特征工程，减少了特征筛选造成的信息损失，相较于人工和传统的机器学习方法，本技术能够挖掘出更多潜在的抽象信息，可应用于银行网络监控管理。
96.可选地，在本技术提供的另一实施例中，在执行步骤s100、获取待测银行网点中各个服务节点的历史网络数据之后，请参见图9，该银行网点网络状态的预测方法还包括：
97.s500、对各个服务节点的历史网络数据进行预处理。
98.实际应用中，为了使得所得的预设混合预测模型具有更高的精度，可以对每个服务节点的历史网络数据进行降噪、异常值清理及缺省值填充等预处理。当然，为了防止历史网络数据之间的差异过大，影响预设混合预测模型的训练学习，还可以对历史网络数据进行归一化操作，把历史网络数据缩放到[0，1]的范围内。
[0099]
可选地，在本技术提供的另一实施例中，在执行步骤s106、对待测银行网点中每个服务节点的网络状态预测结果进行数据融合计算，得到待测银行网点的预测网络状态之后，请参见图10，该银行网点网络状态的预测方法还包括：
[0100]
s600、根据待测银行网点的预测网络状态，生成对应的提示信号。
[0101]
实际应用中，可以根据待测银行网点的预测网络状态中网络环境的网络使用率与网络负载以及吞吐量之间的关系，将待测银行网点某个硬件设备(例如自助现金终端)的网络状态划分为正常状态、告警状态和故障状态。因此，可以根据待测银行网点的预测网络状态推出各个硬件设备的状态，以生成对应的提示信号，提示运维人员提前检修，进一步提升了用户使用体验感，减少了信息安全问题。
[0102]
需要说明的是，若提示信号为告警信号，则告警系统可以根据提示信号执行对应的告警操作。
[0103]
结合上述实施例提供的银行网点网络状态的预测方法，结合图11，本技术具有如下实施过程：
[0104]
①
：读取数据库中网络数据，对其进行预处理，对其中的噪声，异常值进行清理删除，对缺省值进行相应填充。为了防止网络数据值之间的差异过大，影响模型训练学习，本文对设备网络数据进行聚集，作归一化的操作，把数据缩放到[0,1]的范围里。
[0105]
②
：构建数据集，数据集划分。在分析时序序列数据时，建立数据集是对具体数据值进行预测工作的关键步骤。本技术采用滑动窗口的方法构建数据集。使用前n个数据去预测第n 1个数据，第2到n 1个数据去预测第n 2个数据，以此类推。本专利将滑动窗口设定为20，也就是根据前20个时刻的网络状态参数去预测下一个时刻的结果。选取数据集的前2/3
作为输入数据集，为了验证模型最终的预测准确性，保留最后1/3样本数据作为测试集。
[0106]
③
：构建lstm模型，初始化网络每一层之间的权重等，把学习样本输入模型，反复迭代，直至达到设定的目标准确率，预测网络运行状态参数。
[0107]
④
：构建bp神经网络模型，初始化权重对bp神经网络进行训练，直到达到设定的迭代次数，或者达到预设的准确率。
[0108]
⑤
：用测试集数据输入训练后的lstm_bp神经网络模型，对其输出结果进行反归一化，得到银行网点服务节点所处网络状态。
[0109]
⑥
：依据银行网点服务节点所处网络状态，通过数据融合的方法对整体网络环境进行融合计算。
[0110]
可选地，本技术另一实施例还提供了一种银行网点网络状态的预测装置，请参见图12，该装置主要包括：
[0111]
获取单元100，用于获取待测银行网点中各个服务节点的历史网络数据。
[0112]
确定单元102，用于依据每个服务节点的历史网络数据，确定出各个服务节点的模型训练数据集和预测数据测试集。
[0113]
第一预测单元104，用于分别将每个服务节点的预测数据测试集输入至预设混合预测模型，得到各个服务节点的网络状态预测结果；预设混合预测模型是根据模型训练数据集进行训练得到的。
[0114]
第二预测单元106，用于对待测银行网点中每个所述服务节点的网络状态预测结果进行数据融合计算，得到待测银行网点的预测网络状态。
[0115]
可选地，上述的银行网点网络状态的预测装置中，所述获取单元100具体用于：
[0116]
分别确定出待测银行网点中每个服务节点对应的数据库地址。
[0117]
基于每一服务节点对应的数据库地址读取对应数据库，得到待测银行网点中各个服务节点的历史网络数据。
[0118]
可选地，上述的银行网点网络状态的预测装置中，所述确定单元102具体用于：
[0119]
分别确定出每一服务节点的历史网络数据中各个网络数据的时间序列。
[0120]
将时间序列满足第一预设条件的网络数据作为模型训练数据集中的数据，满足第二预设条件的网络数据作为预测数据测试集中的数据。
[0121]
可选地，上述的银行网点网络状态的预测装置中，所述第二预测单元106具体用于：
[0122]
分别确定出每个服务节点的节点权值。
[0123]
基于每一服务节点所对应的节点权值和网络状态预测结果进行计算，得到待测银行网点的预测网络状态。
[0124]
可选地，上述的银行网点网络状态的预测装置中，还包括：
[0125]
预处理单元，用于对各个服务节点的历史网络数据进行预处理。
[0126]
可选地，上述的银行网点网络状态的预测装置中，还包括：
[0127]
生成单元，用于根据待测银行网点的预测网络状态，生成对应的提示信号。
[0128]
本实施例提供的银行网点网络状态的预测装置包括：获取单元100用于获取待测银行网点中各个服务节点的历史网络数据；确定单元102用于依据每个服务节点的历史网络数据，确定出各个服务节点的模型训练数据集和预测数据测试集；第一预测单元104用于
分别将每个服务节点的预测数据测试集输入至预设混合预测模型，得到各个服务节点的网络状态预测结果；预设混合预测模型是根据模型训练数据集进行训练得到的；第二预测单元106用于对待测银行网点中每个所述服务节点的网络状态预测结果进行数据融合计算，得到待测银行网点的预测网络状态，也即本方案能够提前预测出银行网点未来的网络状态，以避免银行网点的服务器在巨大压力面前可能会产生网络闪断、网络连接失败等异常情况，导致网点硬件设备卡顿或无法使用，影响客户使用体验以及造成信息安全的问题。
[0129]
本说明书中的各个实施例中记载的特征可以相互替换或者组合，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0130]
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0131]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
[0132]
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。