CN106202389A - 一种基于交易数据的异常监测方法及装置 - Google Patents
一种基于交易数据的异常监测方法及装置 Download PDFInfo
- Publication number
- CN106202389A CN106202389A CN201610537568.6A CN201610537568A CN106202389A CN 106202389 A CN106202389 A CN 106202389A CN 201610537568 A CN201610537568 A CN 201610537568A CN 106202389 A CN106202389 A CN 106202389A
- Authority
- CN
- China
- Prior art keywords
- monitoring object
- tps
- described monitoring
- success rate
- threshold value
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24568—Data stream processing; Continuous queries
-
- 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
- G06Q30/00—Commerce
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Finance (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Alarm Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及电子商务领域,公开了一种基于交易数据的异常监测方法及装置,包括:获取监测对象的实时交易数据,所述实时交易数据至少包括每秒交易量TPS;根据所述监测对象的TPS确定所述监测对象所属的规模等级中的TPS组级;根据所述监测对象的TPS组级,确定所述监测对象的成功率统计周期以及交易成功率阈值;根据所述监测对象的实时交易数据,统计所述监测对象的成功率统计周期内的实时交易成功率;将所述实时交易成功率与所述交易成功率阈值比较,若所述实时交易成功率小于所述交易成功率阈值,则确定所述监测对象的交易数据出现异常。本发明用以提高判异的准确性和效率,解决现有技术易出现对异常情况漏报、误报、延时报警的问题。
Description
技术领域
本发明涉及电子商务领域,尤其涉及一种基于交易数据的异常监测方法及装置。
背景技术
随着信息技术的不断发展,基于银行卡业务的IT金融系统的逻辑越来越复杂、环节也越来越多,涉及的交易渠道、种类、领域均日新月异,数据量也呈现出千万级的增长趋势,及时发现、解决银行卡实时交易信息系统出现的异常有着不可或缺的重要意义。
目前,系统出现异常的判断逻辑一般基于时间,将监测对象上报的交易数据按时间分类,如将一天中的交易数据按上午的时间段、中午的时间段、下午的时间段和夜里的时间段进行分类,然后根据不同时间段的判异规则,对监测对象进行监控;或者按交易数据按地域进行分类,将所有地域分为南方、北方、是否为回藏时区等,然后根据不同地域的判异规则,对监测对象进行监控。然而,交易数据涉及发卡方、受理方、转接、商户、互联网等多个领域,数据的结构、格式、量级均呈现出复杂化、多元化、快速增长的趋势。交易数据量、产品维度、业务场景的快速增加,当前的监控系统处理方法灵活度不够,尤其针对不同时间段、不同地域交易变化频率较高的业务规律,监控规则覆盖面不够,导致无法得到及时、有效监控,从而对新出现的异常情况产生漏报、误报、延时报警的情况。
发明内容
本发明实施例提供一种基于交易数据的异常监测方法及装置,用以提高判异的准确性和效率,解决现有技术易出现对异常情况漏报、误报、延时报警的问题。
本发明实施例提供的基于交易数据的异常监测方法包括:
获取监测对象的实时交易数据,所述实时交易数据至少包括每秒交易量TPS;
根据所述监测对象的TPS确定所述监测对象所属的规模等级中的TPS组级;
根据所述监测对象的TPS组级,确定所述监测对象的成功率统计周期以及交易成功率阈值;
根据所述监测对象的实时交易数据,统计所述监测对象的成功率统计周期内的实时交易成功率;
将所述实时交易成功率与所述交易成功率阈值比较,若所述实时交易成功率小于所述交易成功率阈值,则确定所述监测对象的交易数据出现异常。
可选的,所述确定所述监测对象的成功率统计周期以及交易成功率阈值,包括:
根据所述监测对象的TPS组级,从预设的对照关系中,确定所述TPS组级对应的成功率统计周期及交易成功率阈值,所述预设的对照关系包括TPS组级与成功率统计周期的对应关系及TPS组级与交易成功率阈值的对应关系。
可选的,所述预设的对照关系通过以下方式确定:
针对每个监测对象,根据所述监测对象的日均交易量,确定所述监测对象所属的规模等级;
统计所述规模等级中的所有监测对象的TPS;
将所述所有监测对象的TPS根据大小划分为N个TPS组级,N为大于0的整数;
根据所述N个TPS组级的每个TPS组级中所有监测对象的历史交易数据,确定每个TPS组级对应的成功率统计周期及交易成功率阈值。
可选的,所述确定所述监测对象的成功率统计周期之后,还包括:
若预定时间内所述监测对象的交易量小于或等于交易量阈值,则确定所述监测对象的交易数据出现异常。
可选的,所述确定所述监测对象所属的规模等级中的TPS组级之后,还包括:
根据所述监测对象的TPS组级,确定所述监测对象的负波动检测周期和负波动阈值;
计算所述监测对象在当前负波动检测周期内的TPS均值以及所述监测对象在上一相邻负波动检测周期内的TPS均值;
若所述监测对象在上一相邻负波动检测周期内的TPS均值减去所述监测对象在当前负波动检测周期内的TPS均值之差与所述上一相邻负波动检测周期内的TPS均值的比值大于所述负波动阈值,则确定所述监测对象的交易数据出现异常。
可选的,所述获取监测对象的实时交易数据之后,还包括:
确定所述监测对象所属的角色类别;
将所述监测对象的实时交易数据存储至与所述监测对象所属的角色类别对应的存储区域。
可选的,所述确定所述监测对象的交易数据出现异常之后,还包括:
向所述监测对象发送异常告警;
接收所述监测对象的反馈,根据所述监测对象的反馈确定所述异常告警是否为误报。
可选的,所述接收所述监测对象的反馈,根据所述监测对象的反馈确定所述异常告警是否为误报之后,还包括:
根据监测周期内向所述监测对象发送异常告警的次数以及所述监测对象反馈异常告警为误报的次数,确定向所述监测对象发送异常告警的有效率;
若所述向所述监测对象发送异常告警的有效率小于有效率下限阈值,则重新确定所述交易成功率阈值。
本发明实施例中,根据监测对象的每秒交易量TPS,将监测对象在监测时间如一天中的TPS分为多个TPS组级,每个TPS组级对应不同的成功率统计周期和交易成功率阈值。接收到监测对象上报的实时交易数据后,确定监测对象所属的规模等级,根据实时交易数据中的TPS,确定当前监测对象在所属的规模等级中的TPS组级,并根据该TPS组级,确定监测对象的成功率统计周期和交易成功率阈值。统计监测对象的实时交易数据在该成功率统计周期内的实时交易成功率,然后将计算所得的实时交易成功率与监测对象在该TPS组级中的交易成功率阈值进行比较,若实时交易成功率小于交易成功率阈值,则确定该监测对象的交易数据出现异常。本发明实施例中,根据监测对象的TPS分组,确定监测对象的成功率统计周期以及交易成功率阈值,因此,可以根据监测对象的TPS变化,确定合适的成功率统计周期和交易成功率阈值,相较于现有技术中依据时间进行判异的方法,更适应于变化日益增加的业务规律,避免了对异常情况的漏报、误报、延时报警,提高了异常判断的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种基于交易数据的异常监测方法流程图;
图2为本发明实施例中另一种基于交易数据的异常监测方法流程流程图;
图3为本发明实施例中一种基于交易数据的异常监测装置的示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部份实施例,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它实施例,都属于本发明保护的范围。
本发明实施例提供了一种基于交易数据的异常监测方法,流程如图1所示,方法可以包括如下步骤:
S101、获取监测对象的实时交易数据,所述实时交易数据至少包括每秒交易量TPS。
S102、根据所述监测对象的TPS确定所述监测对象所属的规模等级中的TPS组级。
S103、根据所述监测对象的TPS组级,确定所述监测对象的成功率统计周期以及交易成功率阈值。
S104、根据所述监测对象的实时交易数据,统计所述监测对象的成功率统计周期内的实时交易成功率。
S105、将所述实时交易成功率与所述交易成功率阈值比较,若所述实时交易成功率小于所述交易成功率阈值,则确定所述监测对象的交易数据出现异常。
本发明实施例中,根据监测对象的每秒交易量TPS,将监测对象在监测时间如一天中的TPS分为多个TPS组级,每个TPS组级对应不同的成功率统计周期和交易成功率阈值。接收到监测对象上报的实时交易数据后,确定监测对象所属的规模等级,根据实时交易数据中的TPS,确定当前监测对象在所属的规模等级中的TPS组级,并根据该TPS组级,确定监测对象的成功率统计周期和交易成功率阈值。统计监测对象的实时交易数据在该成功率统计周期内的实时交易成功率,然后将计算所得的实时交易成功率与监测对象在该TPS组级中的交易成功率阈值进行比较,若实时交易成功率小于交易成功率阈值,则确定该监测对象的交易数据出现异常。本发明实施例中,根据监测对象的TPS分组,确定监测对象的成功率统计周期以及交易成功率阈值,因此,可以根据监测对象的TPS变化,确定合适的成功率统计周期和交易成功率阈值,相较于现有技术中依据时间进行判异的方法,更适应于变化日益增加的业务规律,避免了对异常情况的漏报、误报、延时报警,提高了异常判断的准确性。
本发明实施例中,监测对象可以是进行金融业务的银行、商户等,也可以是银行卡、支付卡、优惠卡、积点卡等可以进行金融业务往来的磁条卡或芯片卡,也可以为类似银行卡实时交易的行业应用监控服务,或者为可以发起或接收金融业务的软件终端等。例如,可以为工商银行、携程等互联网行业、传统POS机的后台或客户端等。本发明实施例根据监测对象上报的交易数据对上述的监测对象进行监测,若发现异常,则向监测对象发出告警。
本发明实施例中,获取监测对象的所有业务数据,根据监测需要对所有业务数据进行过滤采集,获取有效数据,去冗后可降低数据的存储压力。
数据存储之前,对需要存储的数据,根据需要,将不同领域(如移动终端、互联网、传统POS机和ATM等)的数据结构从格式、业务标识、传输对象等方面进行格式统一。将非标准化的数据依据一定的规则进行标准化转换,如可以根据《中国银联银行卡联网联合技术规范》将数据进行格式统一,并将具有一定周期性、偏态的维度通过统计标准化公式进行换算。
本发明实施例将转换为标准化的数据进行分层存储,即步骤S101之后,包括:
确定所述监测对象所属的角色类别;
将所述监测对象的实时交易数据存储至与所述监测对象所属的角色类别对应的存储区域。
具体可以为根据各监测对象在交易中担任的不同角色,将监测对象划分为不同的角色类别。如按监测需求可将监测对象划分为收单银行、发卡银行、商户等角色;或者按交易类别,将监测对象划分为受理侧、接收侧、商户侧等角色类别。每种角色类别均对应一块存储区域,监测对象归属角色类别后,将监测对象的实时交易数据在角色类别对应的存储区域进行存储。此外,也可将交易数据按不同的数据源、领域等分层存储,这样方便后续数据查询和处理。
本发明实施例中,不仅将监控对象按角色进行分类,还需将监控对象进行规模等级的划分。根据监控对象的交易量,利用聚类算法,将所有监控对象划分为不同的规模等级。具体可以按照监控对象的日均交易量,如工商银行日均交易量约为1000万笔,招商银行的日均交易量约为600万笔,将监控对象分为不同的规模等级,同一规模等级中监控对象的业务量在相同的等级水平。本发明实施例中,将所有的监测对象划分为10个规模等级,第1级的日均交易量最高,为1000万笔及以上,第2级的日均交易量为800至900万笔,第3级为600至700万笔,以此类推。如工商银行和建设银行的日均交易量均约为1000万笔,因此可将工商银行和建设银行归入第1规模等级。由于每个等级之间的交易量相差较大,因此每个等级的判异精确度、时效性等要求不同,因此,将监测对象进行规模等级的划分,可以对每个规模等级设定不同的判异规则和标准。
接下来,需对每个规模等级中的监控对象划分TPS组级。以一天为单位时间,监控对象在一天中各个时段的TPS不同,则每个时段的系统出现异常的频率也不同。例如,在白天,监控对象的TPS较大,比较容易出现系统异常,而到了夜里,监控对象几乎没有交易量,则出现系统异常的可能较小。针对不同的监控对象的不同TPS大小,将同一规模等级中监控对象的TPS进行分组,每个分组对应不同的成功率统计周期及交易成功率阈值。依据上述原理建立TPS分组与成功率统计周期及交易成功率阈值的对照关系,则对照关系通过以下方式确定:
针对每个监测对象,根据所述监测对象的日均交易量,确定所述监测对象所属的规模等级;
统计所述规模等级中的所有监测对象的TPS;
将所述所有监测对象的TPS根据大小划分为N个TPS组级,N为大于0的整数;
根据所述N个TPS组级的每个TPS组级中所有监测对象的历史交易数据,确定每个TPS组级对应的成功率统计周期及交易成功率阈值。
具体为,获取同一规模等级中的所有监测对象的TPS,将TPS按大小切分成不同量级的组级。本发明实施例中将监测对象的TPS划分为4个组级,如工商银行的4个TPS组级分别是:0-50笔/秒、50-110笔/秒、110-160笔/秒、大于160笔/秒。具体的划分方式可以为将TPS按四分位点划分为4个段组,且每个规模等级中各个监测对象的TPS分组情况相同,即同一规模等级中TPS分组相同,如第1规模等级中的监测对象均按0-50笔/秒、50-110笔/秒、110-160笔/秒、大于160笔/秒分成4个TPS组级。即可视为同一规模等级划分为4个TPS组级,每个TPS组级对应不同的成功率统计周期及交易成功率阈值,后续判异过程中,将监测对象进行规模等级和TPS组级的归属后,可自动匹配出相应的成功率统计周期及交易成功率阈值进行判异。由于是基于定量的规则库,系统不需要无限量的存储所有监测对象及不同监测对象对应的所有规则,而是采用共享规则,同样的业务量级及业务规律取同类型的规则,将规则量大幅去冗,在节省存储空间的同时,可提升系统的性能、自适应性,从而提升时效性、准确度。此外,也可同一规模等级中的监测对象的TPS分组不同,这样数据的数量较大,但也在一定程度上提高了后续判异结果的准确性。
每个TPS组级对应的成功率统计周期及交易成功率阈值,可根据该TPS组级中所有监测对象的历史交易数据确定。
首先,可根据规模等级和TPS组级,确定相应的成功率统计周期。其中,监测对象的规模越大,其成功率统计周期越短,TPS越大,成功率统计周期也越短。例如,第1规模等级中,TPS组级为0-50笔/秒、50-110笔/秒、110-160笔/秒、大于160笔/秒,其相应的成功率统计周期分别为240s、180s、120s、60s。第2规模等级中,按TPS组级由小到大,相应的成功率统计周期分别为300s、240s、180s、120s。
其次,根据规模等级和TPS组级,确定相应的交易成功率阈值。获取监控对象历史时间段内的交易数据,去除交易数据中的异常交易数据,如获取三个月内的交易数据,计算交易成功率,再计算出交易成功率均值为a,且成功率标准差为b,其计算周期即为上述的成功率统计周期T。则成功率阈值ω可按如下公式计算:
ω=a-3b……………………公式1
其中,ω为成功率阈值,a为交易成功率均值,b为成功率标准差,3为sigma系数,是根据实验测量统计出的定值。
可根据公式1计算所有规模等级中各TPS组级对应的成功率阈值ω。例如表1,为第5规模等级中各TPS组级对应的成功率阈值。
表1
本发明实施例中,确定了各规模等级中每个TPS组级对应的成功率统计周期和成功率阈值之后,根据监测对象的实时TPS,确定监测对象归属的规模等级中的TPS组级。而确定监测对象的成功率统计周期以及交易成功率阈值,包括:
根据所述监测对象的TPS组级,从预设的对照关系中,确定所述TPS组级对应的成功率统计周期及交易成功率阈值,所述预设的对照关系包括TPS组级与成功率统计周期的对应关系及TPS组级与交易成功率阈值的对应关系。
具体来说,可以建立规模等级、TPS组级、成功率统计周期和成功率阈值的对照表。根据监测对象的规模等级和TPS组级,直接匹配出该监测对象的成功率统计周期和交易成功率阈值。
接下来,根据交易数据,统计监测对象的成功率统计周期内的实时交易成功率,并将实时交易成功率与相应的交易成功率阈值相比较,若实时交易成功率大于或等于交易成功率阈值,则监测对象无异常;若实时交易成功率小于交易成功率阈值,则确定所述监测对象的交易数据出现异常。
以上为本发明实施例中交易数据异常的第一种情况,实时交易成功率小于交易成功率阈值。此外,还包括第二种情况无交易数据上送和第三种情况交易量骤减。
第二种情况主要为监测对象在预定时间内无交易数据上送,则步骤S103、确定所述监测对象的成功率统计周期之后,还包括:
若预定时间内所述监测对象的交易量小于或等于交易量阈值,则确定所述监测对象的交易数据出现异常。
具体来说,统计监测对象的每笔交易量,若预定时间内监测对象的每笔交易量均小于或等于交易量阈值,则认为交易数据出现异常。其中,预定时间可以为该监测对象的成功率统计周期。本发明实施例中,可以将交易量阈值设为0,即监测对象在成功率统计周期内无交易数据上报,则确定监测对象的交易数据出现异常。
第三种情况为交易量骤减,表现为交易量在相邻周期内出现负波动的情况,则步骤S102、确定所述监测对象所属的规模等级中的TPS组级之后,还包括:
根据所述监测对象的TPS组级,确定所述监测对象的负波动检测周期和负波动阈值;
计算所述监测对象在当前负波动检测周期内的TPS均值以及所述监测对象在上一相邻负波动检测周期内的TPS均值;
若所述监测对象在上一相邻负波动检测周期内的TPS均值减去所述监测对象在当前负波动检测周期内的TPS均值之差与所述上一相邻负波动检测周期内的TPS均值的比值大于所述负波动阈值,则确定所述监测对象的交易数据出现异常。
具体地,针对每个规模等级中的各个TPS组级,分别确定相应的负波动检测周期和负波动阈值。其中,规模等级越大,负波动周期越小,TPS越小,负波动周期越大。如,针对第1规模等级中4个TPS组级:0-50笔/秒、50-110笔/秒、110-160笔/秒、大于160笔/秒,随着TPS的变大,负波动周期可设定为120s、90s、60s、30s;针对第2规模等级中的4个TPS组级,负波动周期可设定为150s、120s、90s、60s。根据监测对象的规模等级和TPS组级,可确定相应的负波动检测周期和负波动阈值。计算监测对象在当前负波动检测周期的TPS均值,并计算监测对象在上一相邻负波动检测周期内的TPS均值。例如,某监测对象的负波动检测周期为60s,计算该监测对象某天在时间点20:18:00至时间点20:19:00的TPS均值,为40笔/秒;计算该监测对象同一天时间点20:17:00至时间点20:18:00的TPS均值,为120笔/秒,即当前周期内TPS均值为40笔/秒,上一周期内的TPS均值为120笔/秒,则上一周期内的TPS均值减去当前周期内的TPS均值的差值为80笔/秒。若该监测对象当前的TPS组级相应的负波动阈值为0.5,由于差值除以上一周期内的TPS均值为80笔/秒除以120笔/秒等于0.67,大于负波动阈值0.5,则认为该监测对象的交易数据出现异常。
确定监测对象的交易数据出现异常之后,需向监测对象发出异常告警,则步骤S105之后,还包括:
向所述监测对象发送异常告警;
接收所述监测对象的反馈,根据所述监测对象的反馈确定所述异常告警是否为误报。
本发明实施例将得到的判异结果,通过告警的方式通知相关方面,如,可通过短信、网页、指示灯等方式向监测对象或对监测对象进行监测的人员进行展示和告警。需要说明的是,监测对象出现异常的数据,在上述统计监测对象的成功率统计周期以及交易成功率阈值时删除相应的交易数据,不作为统计的参考。例如,若监测对象的交易成功率发生骤降,会产生如下告警:“**银行:在2016年04月20日22:19:39时出现交易异常;300秒内失败笔数:218;连续失败笔数:56;交易成功率:87.83%;主要应答码返01(查发卡方)”。对产生的告警,监控人员可以根据告警内容,触发事件管理流程,将告警信息推送至客户,并沟通异常原因。然后根据银行返回的失败应答码进行判断,并同时与客户进行互动反馈,对是否异常进行验证。若确认异常则启动应急恢复流程;若对方反馈无异常,并经双方检查、核实后确定为误报。
进一步地,为了根据实际情况和需求及时调整交易数据的判异标准,接收监测对象的反馈之后,还包括:
根据监测周期内向所述监测对象发送异常告警的次数以及所述监测对象反馈异常告警为误报的次数,确定向所述监测对象发送异常告警的有效率;
若所述向所述监测对象发送异常告警的有效率小于有效率下限阈值,则重新确定所述交易成功率阈值。
具体来说,若无效告警较多,则表明使用的判异规则已不适应实际情况,需要进行调整。异常告警为误报还包括将异常情况进行重复告警。则异常告警的有效率可根据下列公式获得:
其中,y为异常告警的有效率,N总为向监测对象发送异常告警的次数,N误为监测对象反馈异常告警为误报的次数。
当有效率y小于有效率下限阈值时,需推出交易数据的判异规则维护人员处进行介入分析,重新确定监测对象所属的规模等级和/或TPS组级对应的交易成功率阈值,对规则库进行扩容;若触发有效率上限阈值,则分析是否存在漏报导致y虚高。
为了更清楚地理解本发明,下面以具体的实施例对上述流程进行详细描述,具体步骤如图2所示,包括:
S201、获取监测对象的实时交易数据,实时交易数据包括该监测对象的实时TPS。
S202、确定监测对象的规模等级。
S203、根据监测对象的实时TPS确定该监测对象所属的规模等级中的TPS组级。
S204、根据监测对象的规模等级和TPS组级,确定监测对象的成功率统计周期、交易成功率阈值、负波动检测周期和负波动阈值t0。
S205、判断监测对象在成功率统计周期内是否有交易数据,若是,则执行步骤S206;否则执行步骤S210。
S206、计算监测对象在当前负波动检测周期内的TPS均值t2,以及在上一相邻负波动检测周期内的TPS均值t1。
S207、判断t1减t2再除以t1是否大于t0,若是,则执行步骤S210;否则执行步骤S208。
S208、统计监测对象的成功率统计周期内的实时交易成功率。
S209、判断实时交易成功率是否小于交易成功率阈值,若是,则执行步骤S210;否则执行步骤S211。
S210、监测对象的交易数据出现异常,执行步骤S212。
S211、监测对象的交易数据未出现异常。
S212、向监测对象发送异常告警。
基于相同的技术构思,本发明实施例还提供一种基于交易数据的异常监测装置,如图3所示,包括:
采集模块41,用于获取监测对象的实时交易数据,所述实时交易数据至少包括每秒交易量TPS;
分组模块42,用于根据所述监测对象的TPS确定所述监测对象所属的规模等级中的TPS组级;
确定模块43,用于根据所述监测对象的TPS组级,确定所述监测对象的成功率统计周期以及交易成功率阈值;
计算模块44,用于根据所述监测对象的实时交易数据,统计所述监测对象的成功率统计周期内的实时交易成功率;
判异模块45,用于将所述实时交易成功率与所述交易成功率阈值比较,若所述实时交易成功率小于所述交易成功率阈值,则确定所述监测对象的交易数据出现异常。
可选的,所述确定模块43具体用于:
根据所述监测对象的TPS组级,从预设的对照关系中,确定所述TPS组级对应的成功率统计周期及交易成功率阈值,所述预设的对照关系包括TPS组级与成功率统计周期的对应关系及TPS组级与交易成功率阈值的对应关系。
可选的,所述预设的对照关系通过以下方式确定:
针对每个监测对象,根据所述监测对象的日均交易量,确定所述监测对象所属的规模等级;
统计所述规模等级中的所有监测对象的TPS;
将所述所有监测对象的TPS根据大小划分为N个TPS组级,N为大于0的整数;
根据所述N个TPS组级的每个TPS组级中所有监测对象的历史交易数据,确定每个TPS组级对应的成功率统计周期及交易成功率阈值。
可选的,所述判异模块45还用于:
若预定时间内所述监测对象的交易量小于或等于交易量阈值,则确定所述监测对象的交易数据出现异常。
可选的,所述确定模块43,还用于根据所述监测对象的TPS组级,确定所述监测对象的负波动检测周期和负波动阈值;
所述计算模块44,还用于计算所述监测对象在当前负波动检测周期内的TPS均值以及所述监测对象在上一相邻负波动检测周期内的TPS均值;
所述判异模块45,还用于若所述监测对象在上一相邻负波动检测周期内的TPS均值减去所述所述监测对象在当前负波动检测周期内的TPS均值大于所述负波动阈值,则确定所述监测对象的交易数据出现异常。
可选的,还包括存储模块46,用于:
确定所述监测对象所属的角色类别;
将所述监测对象的实时交易数据存储至与所述监测对象所属的角色类别对应的存储区域。
可选的,还包括告警模块47,用于:
向所述监测对象发送异常告警;
接收所述监测对象的反馈,根据所述监测对象的反馈确定所述异常告警是否为误报。
可选的,还包括调整模块48,用于:
根据监测周期内向所述监测对象发送异常告警的次数以及所述监测对象反馈异常告警为误报的次数,确定向所述监测对象发送异常告警的有效率;
若所述向所述监测对象发送异常告警的有效率小于有效率下限阈值,则重新确定所述交易成功率阈值。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (16)
1.一种基于交易数据的异常监测方法,其特征在于,包括:
获取监测对象的实时交易数据,所述实时交易数据至少包括每秒交易量TPS;
根据所述监测对象的TPS确定所述监测对象所属的规模等级中的TPS组级;
根据所述监测对象的TPS组级,确定所述监测对象的成功率统计周期以及交易成功率阈值;
根据所述监测对象的实时交易数据,统计所述监测对象的成功率统计周期内的实时交易成功率;
将所述实时交易成功率与所述交易成功率阈值比较,若所述实时交易成功率小于所述交易成功率阈值,则确定所述监测对象的交易数据出现异常。
2.如权利要求1所述的方法,其特征在于,所述确定所述监测对象的成功率统计周期以及交易成功率阈值,包括:
根据所述监测对象的TPS组级,从预设的对照关系中,确定所述TPS组级对应的成功率统计周期及交易成功率阈值,所述预设的对照关系包括TPS组级与成功率统计周期的对应关系及TPS组级与交易成功率阈值的对应关系。
3.如权利要求2所述的方法,其特征在于,所述预设的对照关系通过以下方式确定:
针对每个监测对象,根据所述监测对象的日均交易量,确定所述监测对象所属的规模等级;
统计所述规模等级中的所有监测对象的TPS;
将所述所有监测对象的TPS根据大小划分为N个TPS组级,N为大于0的整数;
根据所述N个TPS组级的每个TPS组级中所有监测对象的历史交易数据,确定每个TPS组级对应的成功率统计周期及交易成功率阈值。
4.如权利要求1所述的方法,其特征在于,所述确定所述监测对象的成功率统计周期之后,还包括:
若预定时间内所述监测对象的交易量小于或等于交易量阈值,则确定所述监测对象的交易数据出现异常。
5.如权利要求1所述的方法,其特征在于,所述确定所述监测对象所属的规模等级中的TPS组级之后,还包括:
根据所述监测对象的TPS组级,确定所述监测对象的负波动检测周期和负波动阈值;
计算所述监测对象在当前负波动检测周期内的TPS均值以及所述监测对象在上一相邻负波动检测周期内的TPS均值;
若所述监测对象在上一相邻负波动检测周期内的TPS均值减去所述监测对象在当前负波动检测周期内的TPS均值之差与所述上一相邻负波动检测周期内的TPS均值的比值大于所述负波动阈值,则确定所述监测对象的交易数据出现异常。
6.如权利要求1所述的方法,其特征在于,所述获取监测对象的实时交易数据之后,还包括:
确定所述监测对象所属的角色类别;
将所述监测对象的实时交易数据存储至与所述监测对象所属的角色类别对应的存储区域。
7.如权利要求1至6任一项所述的方法,其特征在于,所述确定所述监测对象的交易数据出现异常之后,还包括:
向所述监测对象发送异常告警;
接收所述监测对象的反馈,根据所述监测对象的反馈确定所述异常告警是否为误报。
8.如权利要求7所述的方法,其特征在于,所述接收所述监测对象的反馈,根据所述监测对象的反馈确定所述异常告警是否为误报之后,还包括:
根据监测周期内向所述监测对象发送异常告警的次数以及所述监测对象反馈异常告警为误报的次数,确定向所述监测对象发送异常告警的有效率;
若所述向所述监测对象发送异常告警的有效率小于有效率下限阈值,则重新确定所述交易成功率阈值。
9.一种基于交易数据的异常监测装置,其特征在于,包括:
采集模块,用于获取监测对象的实时交易数据,所述实时交易数据至少包括每秒交易量TPS;
分组模块,用于根据所述监测对象的TPS确定所述监测对象所属的规模等级中的TPS组级;
确定模块,用于根据所述监测对象的TPS组级,确定所述监测对象的成功率统计周期以及交易成功率阈值;
计算模块,用于根据所述监测对象的实时交易数据,统计所述监测对象的成功率统计周期内的实时交易成功率;
判异模块,用于将所述实时交易成功率与所述交易成功率阈值比较,若所述实时交易成功率小于所述交易成功率阈值,则确定所述监测对象的交易数据出现异常。
10.如权利要求9所述的装置,其特征在于,所述确定模块具体用于:
根据所述监测对象的TPS组级,从预设的对照关系中,确定所述TPS组级对应的成功率统计周期及交易成功率阈值,所述预设的对照关系包括TPS组级与成功率统计周期的对应关系及TPS组级与交易成功率阈值的对应关系。
11.如权利要求10所述的装置,其特征在于,所述预设的对照关系通过以下方式确定:
针对每个监测对象,根据所述监测对象的日均交易量,确定所述监测对象所属的规模等级;
统计所述规模等级中的所有监测对象的TPS;
将所述所有监测对象的TPS根据大小划分为N个TPS组级,N为大于0的整数;
根据所述N个TPS组级的每个TPS组级中所有监测对象的历史交易数据,确定每个TPS组级对应的成功率统计周期及交易成功率阈值。
12.如权利要求9所述的装置,其特征在于,所述判异模块还用于:
若预定时间内所述监测对象的交易量小于或等于交易量阈值,则确定所述监测对象的交易数据出现异常。
13.如权利要求9所述的装置,其特征在于,
所述确定模块,还用于根据所述监测对象的TPS组级,确定所述监测对象的负波动检测周期和负波动阈值;
所述计算模块,还用于计算所述监测对象在当前负波动检测周期内的TPS均值以及所述监测对象在上一相邻负波动检测周期内的TPS均值;
所述判异模块,还用于若所述监测对象在上一相邻负波动检测周期内的TPS均值减去所述所述监测对象在当前负波动检测周期内的TPS均值之差与所述上一相邻负波动检测周期内的TPS均值的比值大于所述负波动阈值,则确定所述监测对象的交易数据出现异常。
14.如权利要求9所述的装置,其特征在于,还包括存储模块,用于:
确定所述监测对象所属的角色类别;
将所述监测对象的实时交易数据存储至与所述监测对象所属的角色类别对应的存储区域。
15.如权利要求9至14任一项所述的装置,其特征在于,还包括告警模块,用于:
向所述监测对象发送异常告警;
接收所述监测对象的反馈,根据所述监测对象的反馈确定所述异常告警是否为误报。
16.如权利要求15所述的装置,其特征在于,还包括调整模块,用于:
根据监测周期内向所述监测对象发送异常告警的次数以及所述监测对象反馈异常告警为误报的次数,确定向所述监测对象发送异常告警的有效率;
若所述向所述监测对象发送异常告警的有效率小于有效率下限阈值,则重新确定所述交易成功率阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610537568.6A CN106202389B (zh) | 2016-07-08 | 2016-07-08 | 一种基于交易数据的异常监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610537568.6A CN106202389B (zh) | 2016-07-08 | 2016-07-08 | 一种基于交易数据的异常监测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106202389A true CN106202389A (zh) | 2016-12-07 |
CN106202389B CN106202389B (zh) | 2020-02-07 |
Family
ID=57473961
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610537568.6A Active CN106202389B (zh) | 2016-07-08 | 2016-07-08 | 一种基于交易数据的异常监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106202389B (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106844146A (zh) * | 2016-12-30 | 2017-06-13 | 重庆腾帆科技有限公司 | 一种三方接口异常监控方法 |
CN106991145A (zh) * | 2017-03-23 | 2017-07-28 | 中国银联股份有限公司 | 一种监测数据的方法及装置 |
CN107688525A (zh) * | 2017-07-26 | 2018-02-13 | 深圳市小牛在线互联网信息咨询有限公司 | 系统安全tps的计算方法、装置、存储介质以及计算机设备 |
CN108011782A (zh) * | 2017-12-06 | 2018-05-08 | 北京百度网讯科技有限公司 | 用于推送告警信息的方法和装置 |
CN108334417A (zh) * | 2018-01-26 | 2018-07-27 | 阿里巴巴集团控股有限公司 | 确定数据异常的方法和装置 |
CN108429649A (zh) * | 2018-03-23 | 2018-08-21 | 国家计算机网络与信息安全管理中心 | 基于多次单类型采集结果的综合异常判断的系统 |
CN108449231A (zh) * | 2018-03-15 | 2018-08-24 | 华青融天(北京)技术股份有限公司 | 一种交易数据的过滤方法、装置及实现装置 |
CN108694522A (zh) * | 2018-07-06 | 2018-10-23 | 中国银行股份有限公司 | 一种数据分析方法及装置 |
CN108846669A (zh) * | 2018-05-29 | 2018-11-20 | 中国建设银行股份有限公司 | 交易的安全监控方法、系统、装置及存储介质 |
CN109509097A (zh) * | 2018-11-27 | 2019-03-22 | 深圳华锐金融技术股份有限公司 | 异常交易行为监控方法、装置、计算机设备及存储介质 |
CN109614291A (zh) * | 2018-12-11 | 2019-04-12 | 上海连尚网络科技有限公司 | 报警方法和装置 |
CN109726048A (zh) * | 2018-12-13 | 2019-05-07 | 中国银联股份有限公司 | 一种交易系统中数据恢复方法及装置 |
CN110189228A (zh) * | 2019-06-24 | 2019-08-30 | 深圳前海微众银行股份有限公司 | 一种监测异常交易的方法和装置 |
CN110197374A (zh) * | 2018-06-15 | 2019-09-03 | 腾讯科技(深圳)有限公司 | 交易拦截控制方法及装置 |
CN110400213A (zh) * | 2019-07-26 | 2019-11-01 | 中国工商银行股份有限公司 | 数据处理方法和装置、以及电子设备和可读介质 |
CN110400220A (zh) * | 2019-07-23 | 2019-11-01 | 上海氪信信息技术有限公司 | 一种基于半监督图神经网络的智能可疑交易监测方法 |
CN110597860A (zh) * | 2019-09-12 | 2019-12-20 | 中国工商银行股份有限公司 | 数据识别方法及其装置、电子设备和介质 |
CN111698126A (zh) * | 2020-04-28 | 2020-09-22 | 武汉旷视金智科技有限公司 | 信息监控方法、系统及计算机可读存储介质 |
CN112199414A (zh) * | 2020-09-25 | 2021-01-08 | 桦蓥(上海)信息科技有限责任公司 | 一种金融交易数据的综合分析方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102053872A (zh) * | 2009-11-06 | 2011-05-11 | 中国银联股份有限公司 | 一种终端交易性能测试方法 |
CN103365969A (zh) * | 2013-06-24 | 2013-10-23 | 北京奇虎科技有限公司 | 一种异常数据检测处理的方法和系统 |
CN104123592A (zh) * | 2014-07-15 | 2014-10-29 | 清华大学 | 银行后台tps交易事件趋势预测方法及系统 |
CN104820871A (zh) * | 2015-04-30 | 2015-08-05 | 清华大学 | Tps交易量预测与阈值范围预测的可视化方法与系统 |
US20150319092A1 (en) * | 2014-05-02 | 2015-11-05 | Benu Networks, Inc. | CONTENT AWARE WI-FI QoS |
-
2016
- 2016-07-08 CN CN201610537568.6A patent/CN106202389B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102053872A (zh) * | 2009-11-06 | 2011-05-11 | 中国银联股份有限公司 | 一种终端交易性能测试方法 |
CN103365969A (zh) * | 2013-06-24 | 2013-10-23 | 北京奇虎科技有限公司 | 一种异常数据检测处理的方法和系统 |
US20150319092A1 (en) * | 2014-05-02 | 2015-11-05 | Benu Networks, Inc. | CONTENT AWARE WI-FI QoS |
CN104123592A (zh) * | 2014-07-15 | 2014-10-29 | 清华大学 | 银行后台tps交易事件趋势预测方法及系统 |
CN104820871A (zh) * | 2015-04-30 | 2015-08-05 | 清华大学 | Tps交易量预测与阈值范围预测的可视化方法与系统 |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106844146A (zh) * | 2016-12-30 | 2017-06-13 | 重庆腾帆科技有限公司 | 一种三方接口异常监控方法 |
CN106991145A (zh) * | 2017-03-23 | 2017-07-28 | 中国银联股份有限公司 | 一种监测数据的方法及装置 |
CN107688525A (zh) * | 2017-07-26 | 2018-02-13 | 深圳市小牛在线互联网信息咨询有限公司 | 系统安全tps的计算方法、装置、存储介质以及计算机设备 |
CN108011782A (zh) * | 2017-12-06 | 2018-05-08 | 北京百度网讯科技有限公司 | 用于推送告警信息的方法和装置 |
CN108011782B (zh) * | 2017-12-06 | 2020-10-16 | 北京百度网讯科技有限公司 | 用于推送告警信息的方法和装置 |
US11061994B2 (en) | 2018-01-26 | 2021-07-13 | Advanced New Technologies Co., Ltd. | Abnormal data detection |
US11003739B2 (en) | 2018-01-26 | 2021-05-11 | Advanced New Technologies Co., Ltd. | Abnormal data detection |
CN108334417B (zh) * | 2018-01-26 | 2021-03-02 | 创新先进技术有限公司 | 确定数据异常的方法和装置 |
CN108334417A (zh) * | 2018-01-26 | 2018-07-27 | 阿里巴巴集团控股有限公司 | 确定数据异常的方法和装置 |
CN108449231A (zh) * | 2018-03-15 | 2018-08-24 | 华青融天(北京)技术股份有限公司 | 一种交易数据的过滤方法、装置及实现装置 |
CN108449231B (zh) * | 2018-03-15 | 2020-07-07 | 华青融天(北京)软件股份有限公司 | 一种交易数据的过滤方法、装置及实现装置 |
CN108429649A (zh) * | 2018-03-23 | 2018-08-21 | 国家计算机网络与信息安全管理中心 | 基于多次单类型采集结果的综合异常判断的系统 |
CN108846669A (zh) * | 2018-05-29 | 2018-11-20 | 中国建设银行股份有限公司 | 交易的安全监控方法、系统、装置及存储介质 |
CN108846669B (zh) * | 2018-05-29 | 2022-05-10 | 中国建设银行股份有限公司 | 交易的安全监控方法、系统、装置及存储介质 |
CN110197374A (zh) * | 2018-06-15 | 2019-09-03 | 腾讯科技(深圳)有限公司 | 交易拦截控制方法及装置 |
CN110197374B (zh) * | 2018-06-15 | 2024-02-20 | 腾讯科技(深圳)有限公司 | 交易拦截控制方法及装置 |
CN108694522A (zh) * | 2018-07-06 | 2018-10-23 | 中国银行股份有限公司 | 一种数据分析方法及装置 |
CN109509097A (zh) * | 2018-11-27 | 2019-03-22 | 深圳华锐金融技术股份有限公司 | 异常交易行为监控方法、装置、计算机设备及存储介质 |
CN109614291A (zh) * | 2018-12-11 | 2019-04-12 | 上海连尚网络科技有限公司 | 报警方法和装置 |
CN109726048A (zh) * | 2018-12-13 | 2019-05-07 | 中国银联股份有限公司 | 一种交易系统中数据恢复方法及装置 |
WO2020259049A1 (zh) * | 2019-06-24 | 2020-12-30 | 深圳前海微众银行股份有限公司 | 一种监测异常交易的方法和装置 |
CN110189228A (zh) * | 2019-06-24 | 2019-08-30 | 深圳前海微众银行股份有限公司 | 一种监测异常交易的方法和装置 |
CN110400220A (zh) * | 2019-07-23 | 2019-11-01 | 上海氪信信息技术有限公司 | 一种基于半监督图神经网络的智能可疑交易监测方法 |
CN110400213A (zh) * | 2019-07-26 | 2019-11-01 | 中国工商银行股份有限公司 | 数据处理方法和装置、以及电子设备和可读介质 |
CN110597860A (zh) * | 2019-09-12 | 2019-12-20 | 中国工商银行股份有限公司 | 数据识别方法及其装置、电子设备和介质 |
CN111698126A (zh) * | 2020-04-28 | 2020-09-22 | 武汉旷视金智科技有限公司 | 信息监控方法、系统及计算机可读存储介质 |
CN112199414A (zh) * | 2020-09-25 | 2021-01-08 | 桦蓥(上海)信息科技有限责任公司 | 一种金融交易数据的综合分析方法 |
CN112199414B (zh) * | 2020-09-25 | 2023-03-21 | 桦蓥(上海)信息科技有限责任公司 | 一种金融交易数据的综合分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106202389B (zh) | 2020-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106202389A (zh) | 一种基于交易数据的异常监测方法及装置 | |
US11151569B2 (en) | Systems and methods for improved detection of network fraud events | |
CN107636741B (zh) | 金融终端的故障预警方法、终端设备及存储介质 | |
CN106384273A (zh) | 恶意刷单检测系统及方法 | |
CN104572391A (zh) | 监控告警策略配置方法及装置、监控告警方法及装置 | |
CN107679734A (zh) | 一种用于无标签数据分类预测的方法和系统 | |
CN105740992A (zh) | 一种医院医疗风险评估系统及方法 | |
CN109639504A (zh) | 一种基于云平台的告警信息处理方法和装置 | |
CN106845881A (zh) | 一种库存异常数据的检测方法、装置及电子设备 | |
CN108415925A (zh) | 电子装置、数据调用日志生成及查询方法及存储介质 | |
CN111047264A (zh) | 一种物流任务分配方法及装置 | |
CN109816137A (zh) | 一种交易量监测方法及装置 | |
CN107508687A (zh) | 一种计费的方法、装置、物联网应用平台及计费服务器 | |
US20180330378A1 (en) | Fraudulent payment detection system | |
CN110807104B (zh) | 异常信息的确定方法及装置、存储介质、电子装置 | |
CN117057795A (zh) | 基于收款方账号的转账方法、装置和设备 | |
CN107909747A (zh) | 一种纸币信息的获取方法、获取装置及终端设备 | |
CN111415168A (zh) | 一种交易告警的方法和装置 | |
CN108023769A (zh) | 物联网群障确定方法及装置 | |
US20230137734A1 (en) | Systems and methods for improved detection of network attacks | |
CN111221833A (zh) | 一种业务数据检测的方法、系统、存储介质及计算设备 | |
CN110442621A (zh) | 分类统计方法、装置及系统 | |
CN110446256A (zh) | 一种基于超宽带的基站实现定位的方法及设备 | |
CN111061615A (zh) | 数据仓库的数据监控方法、装置、服务器和存储介质 | |
US20150317741A1 (en) | Online Claim System for Automated Insurance Claim Monitoring |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |