CN108764863A - 一种虚拟资源转移方法、装置、服务器和存储介质 - Google Patents
一种虚拟资源转移方法、装置、服务器和存储介质 Download PDFInfo
- Publication number
- CN108764863A CN108764863A CN201810510335.6A CN201810510335A CN108764863A CN 108764863 A CN108764863 A CN 108764863A CN 201810510335 A CN201810510335 A CN 201810510335A CN 108764863 A CN108764863 A CN 108764863A
- Authority
- CN
- China
- Prior art keywords
- virtual resource
- channel
- data
- transfer
- assessment models
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/02—Payment architectures, schemes or protocols involving a neutral party, e.g. certification authority, notary or trusted third party [TTP]
- G06Q20/023—Payment architectures, schemes or protocols involving a neutral party, e.g. certification authority, notary or trusted third party [TTP] the neutral party being a clearing house
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/08—Payment architectures
- G06Q20/085—Payment architectures involving remote charge determination or related payment systems
- G06Q20/0855—Payment architectures involving remote charge determination or related payment systems involving a third party
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Computer Security & Cryptography (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种虚拟资源转移方法、装置、服务器和存储介质;本实施例可以获取交易系统中预设历史区间段的虚拟资源转移信息,根据该虚拟资源转移信息分析交易系统中各个转移渠道的处理效果,得到参考数据,以及按照预设维度对该虚拟资源转移信息进行解析,得到解析后数据,然后,根据该参考数据和解析后数据对预设渠道评估模型进行训练,并基于该训练后评估模型确定该交易系统中未来预设区间段内的转移渠道,以对该未来预设区间段内的虚拟资源进行转移;该方案不仅可以自适应选择转移渠道,提高灵活性和处理效率,而且可以改善渠道调配效果,实现资源的优化利用。
Description
技术领域
本发明涉及通信技术领域,具体涉及一种虚拟资源转移方法、装置、服务器和存储介质。
背景技术
近年来,虚拟资源转移如移动支付等业务呈爆发性增长,而人们也越来越离不开这种方便快捷的无现金交易的生活方式。在进行虚拟资源转移时,一般都需要通过第三方支付平台来实现。所谓第三方支付平台,指的是虚拟资源转移的双方,如买卖双方在交易过程中的资金“中间平台”,是在人行监管下保障交易双方利益的独立机构。基于多方面的考虑,第三方支付平台一般都会选择多个合作资金渠道(即转移虚拟资源的渠道,在本发明实施例称为转移渠道,简称渠道)来实现业务,比如,可以从吞吐量、处理能力、容灾、以及业务连续性等方面考虑,在一个合作银行上选定多家不同地域的分支机构完成系统接入,等等。
随着业务、交易量和收付金额的快速增长,第三方支付平台在各个渠道的投入费用也成指数增长。为了节约成本,使得资源可以得到更好地利用,合理得对各个渠道进行调配显得十分有必要。对于渠道的选择,现有技术主要是基于维护人员的经验,通过人工配置来实现。但是,受限于维护人员的经验,现有方案的调配效果并不佳,而且,由于是人工配置,所以,其灵活性和处理效率也较低,大大影响资源的优化利用。
发明内容
本发明实施例提供一种虚拟资源转移方法、装置、服务器和存储介质,不仅可以自适应选择转移渠道,提高灵活性和处理效率,而且可以改善渠道调配效果,实现资源的优化利用。
本发明实施例提供一种虚拟资源转移方法,包括:
获取交易系统中预设历史区间段的虚拟资源转移信息;
根据所述虚拟资源转移信息分析交易系统中各个转移渠道的处理效果,得到参考数据;
按照预设维度对所述虚拟资源转移信息进行解析,得到解析后数据;
根据所述参考数据和解析后数据对预设渠道评估模型进行训练,得到训练后评估模型;
基于所述训练后评估模型确定所述交易系统中未来预设区间段内虚拟资源的转移渠道,以对所述未来预设区间段内的虚拟资源进行转移。
相应的,本发明实施例还提供一种虚拟资源转移装置,包括:
获取单元,用于获取交易系统中预设历史区间段的虚拟资源转移信息;
效果分析单元,用于根据所述虚拟资源转移信息分析交易系统中各个转移渠道的处理效果,得到参考数据;
解析单元,按照预设维度对所述虚拟资源转移信息进行解析,得到解析后数据;
训练单元,用于根据所述参考数据和解析后数据对预设渠道评估模型进行训练,得到训练后评估模型;
转移单元,用于基于所述训练后评估模型确定所述交易系统中未来预设区间段内虚拟资源的转移渠道,以对所述未来预设区间段内的虚拟资源进行转移。
此外,本发明实施例还提供一种存储介质,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行本发明实施例提供的任一种虚拟资源转移方法中的步骤。
此外,本发明实施例还提供一种服务器,包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,以执行本发明实施例提供的任一种虚拟资源转移方法中的步骤。
本发明实施例可以获取交易系统中预设历史区间段的虚拟资源转移信息,根据该虚拟资源转移信息分析交易系统中各个转移渠道的处理效果,得到参考数据,以及按照预设维度对该虚拟资源转移信息进行解析,得到解析后数据,然后,根据该参考数据和解析后数据对预设渠道评估模型进行训练,并确定该交易系统中未来预设区间段内虚拟资源的转移渠道,以对该未来预设区间段内的虚拟资源进行转移;由于该方案可以结合各虚拟资源转移信息的具体情况和各个转移渠道的处理效果来训练渠道评估模型,以实现对未来预设区间段内虚拟资源转移渠道的自适应选择,因此,相对于现有只能人工配置的方案而言,可以大大提高灵活性和处理效率,而且,由于该渠道评估模型是结合各虚拟资源转移信息的具体情况和各个转移渠道的处理效果训练而成的,因此,不受维护人员经验的限制,可以大大改善调配效果,有利于资源的优化利用。
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单地介绍,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,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1a是本发明实施例提供的虚拟资源转移方法的场景示意图;
图1b是本发明实施例提供的虚拟资源转移方法中评估模型训练的场景示意图;
图1c是本发明实施例提供的虚拟资源转移方法的流程图;
图2a是本发明实施例提供的支付平台的架构图;
图2b是本发明实施例提供的虚拟资源转移方法的一流程图;
图2c是本发明实施例提供的虚拟资源转移方法中业务预测的场景示意图;
图2d是本发明实施例提供的虚拟资源转移方法中渠道评估的场景示意图;
图3a是本发明实施例提供的虚拟资源转移装置的结构示意图;
图3b是本发明实施例提供的虚拟资源转移装置的一结构示意图;
图4是本发明实施例提供的服务器的结构示意图。
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。基于本发明中的实施例,本领域技术人员在没有作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。
本发明实施例提供一种虚拟资源转移方法、装置、服务器和存储介质。该虚拟资源转移装置可以集成在服务器如第三方支付平台的服务器中(简称支付平台)。
例如,以该虚拟资源转移装置集成在交易系统中为例,参见图1a,该交易系统可以包括请求端、接收端、支付平台、以及多个转移渠道所对应银行服务器,如A银行服务器、B银行服务器、……、N银行服务器等。当请求端发起虚拟资源转移请求时,支付平台可以基于训练后评估模型,从该多个转移渠道确定该虚拟资源的转移渠道,并通过确定的转移渠道将该虚拟资源转移给接收端所对应的账户,比如具体可以由支付平台向该确定的转移渠道所对应的银行服务器发起虚拟资源转移请求,然后由该银行服务器将该虚拟资源从请求端所对应的账户转移至接收端所对应的账户,此后,支付平台可以发送相应的转移结果给接收端。
其中,训练后评估模型可以由支付平台训练而成,比如,如图1b所示,支付平台可以获取交易系统中预设历史区间段的虚拟资源转移信息,根据该虚拟资源转移信息监控统计交易系统中各个转移渠道的处理效果,得到参考数据,以及按照预设维度如转移渠道、转移量、产品类型、结算模式和资金周期等维度对该虚拟资源转移信息进行解析,得到解析后数据,然后,根据该参考数据和解析后数据对预设渠道评估模型进行训练,便可得到训练后评估模型。
需说明的是,在本发明实施例中,虚拟资源转移可以指的是支付、转账和还款等操作,而虚拟资源转移信息则可以包括与支付、转账和还款等操作相关的信息,比如交易信息、转账信息和还款信息等,交易信息可以包括交易内容,如交易的标的物和/或交易时间等、以及包括支付信息如支付的款项数目、支付时间、和/或支付对象等;转账信息可以包括转账时间、转账的款项数目、和/或转账对象等;而还款信息则可以包括还款时间、还款的款项数据、和/或还款对象,等等。
以下将分别进行详细说明。
本实施例将从虚拟资源转移装置的角度进行描述,该虚拟资源转移装置具体可以集成在服务器,比如第三方支付平台的服务器等设备中,其中,为了描述方便,该第三方支付平台的服务器可以简称为支付平台。
一种虚拟资源转移方法,包括:获取交易系统中预设历史区间段的虚拟资源转移信息,根据该虚拟资源转移信息分析交易系统中各个转移渠道的处理效果,得到参考数据,以及按照预设维度对该虚拟资源转移信息进行解析,得到解析后数据,然后,根据该参考数据和解析后数据对预设渠道评估模型进行训练,基于该训练后评估模型确定所述交易系统中未来预设区间段内虚拟资源的转移渠道,以对该未来预设区间段内的虚拟资源进行转移。该方法可以由第三方支付平台的服务器执行。
如图1c所示,该虚拟资源转移方法的具体流程可以如下:
101、获取交易系统中预设历史区间段的虚拟资源转移信息。
例如,具体可以采集交易系统中预设历史区间段的虚拟资源转移记录,按照预设策略对该虚拟资源转移记录进行补偿,得到该预设历史区间段的虚拟资源转移信息。
其中,预设历史区间段指的是过去的指定时间段,该时间段可以根据实际应用的需求进行设置,比如,可以是以某个时间点为起点,过去的一个月或半年,等等。
同理,预设策略也可以根据实际应用的需求而定,例如,该虚拟资源信息具体为交易数据为例,由于在交易系统中,可能会存在异步延迟入账、掉单、处理失败和/或回滚等多种原因下的数据缺失,因此,可以针对该虚拟资源转移记录(即已经进入计算流程的数据)与现网数据的差异进行补偿。其中,具体的补偿周期可以根据需求灵活设置,比如,针对第三方支付业务的现网特点,可以将补偿周期设定为4小时/次和“T+1”(Today+1,即第二个工作日进行交易)全量两段补偿,等等。
102、根据该虚拟资源转移信息分析交易系统中各个转移渠道的处理效果,得到参考数据;例如,具体可以如下:
根据该虚拟资源转移信息分析交易系统中各个转移渠道的性能指标,根据该各个转移渠道当前的性能指标对各个转移渠道的能力值进行计算,得到参考数据。
其中,性能指标可以包括转移渠道的总容量、以及健康度如资源使用情况、处理速度等信息。而计算各个转移渠道的能力值的算法也可以根据实际应用而定,比如,可以对各个性能指标进行加权运算,或者,也可以为各个性能指标设定相应的评分标准,然后,根据评分标准为各个转移渠道当前的性能指标进行评分,等等,在此不作赘述。
需说明的是,在本发明实施例中,转移渠道指的是第三方支付平台的资金渠道,这是因为,第三方支付平台完成客户的收单和付款的动作都需要通过银行或中介金融机构的清算服务,因此,这些提供资金清算服务的合作方都可认为是第三方支付平台的资金渠道。第三方支付平台可以通过这些资金渠道完成给用户收款、退款和付款等资金交收操作。
103、按照预设维度对该虚拟资源转移信息进行解析,得到解析后数据。
其中,该预设维度至少可以包括虚拟资源的转移渠道、转移量、产品类型、结算模式和资金周期等信息,即该步骤“按照预设维度对该虚拟资源转移信息进行解析,得到解析后数据”可以包括:
解析虚拟资源转移信息,以确定虚拟资源的转移渠道、转移量、产品类型、结算模式和资金周期,建立该虚拟资源转移信息与其对应的虚拟资源的转移渠道、转移量、产品类型、结算模式和资金周期的映射关系,得到解析后数据。
需说明的是,步骤102和103的执行可以不分先后。
104、根据该参考数据和解析后数据对预设渠道评估模型进行训练,得到训练后评估模型;例如,具体可以如下:
(1)根据该参考数据和解析后数据对各个转移渠道的成本进行核算。
转移渠道的成本指的是由于第三方支付平台使用其他金融机构或中介机构的清算服务所带来的费用,其包括但不限于交易费用、线路费用、流量费用、服务器费用等。
其中,具体的核算策略可根据实际应用的需求而定,例如,可以如下:
采用预设第一函数对该参考数据和解析后数据进行计算,得到各个转移渠道的成本参数值。
其中,该第一函数可针对不同的转移渠道选择不同的变化率曲线,具体可以设置为线性函数,它可反映选择指定转移渠道的成本情况。
(2)采用核算结果对预设渠道评估模型进行训练,得到训练后评估模型。例如,具体可以如下:
采用预设第二函数对该参考数据和解析后数据进行计算,得到正向收益值;采用第三函数对该参考数据和解析后数据进行计算,得到收益抵消值;采用预设渠道评估模型对该正向收益值、成本参数值和收益抵消值进行训练,得到训练后评估模型。
其中,该预设渠道评估模型可根据实际应用的需求进行建立,该预设评估模型可以包括叶斯分类器模型、支持向量机(SVM,Support Vector Machine)模型、符号推理算法相关的模型、遗传算法相关的模型、以及其他深度学习算法相关的模型等。
例如,可以将系统的总收益作为该预设评估模型的评估函数,比如,具体可以分别将正向收益值减去成本参数值后,再减去收益抵消值,得到系统的总收益,用公式表示即为:
F(x)=earning(x)-cost(x)-delay(x0);
其中,x为某区间段内的交易量,x0为某区间段内之前的某区间段内的交易量,F(x)为系统的总收益,cost(x)为第一函数,earning(x)为第二函数,delay(x0)为第三函数,该第一函数、第二函数和第三函数可针对不同的转移渠道选择不同的变化率曲线,例如,可以如下:
该第一函数具体可以设置为线性函数,它可反映选择指定转移渠道的成本情况,其中,固定成本可按日摊销。
该第二函数具体可以设置为一个随交易规模变化的二次函数,它可反映当虚拟资源需要转移时,系统能够及时处理所带来的正向收益,即它可反映企业对信息处理能力的重视性高于成本的事实。
该第三函数具体可以设置为指数函数,它可反映该交易系统中累积的延迟操作对当前虚拟资源转移的收益抵消情况,其主要考虑的是用户对积压和延迟的不满意度。
其中,各个函数中的输入参数可根据实际应用的需求灵活进行调整,比如,该第一函数的输入参数可包括转移次数(如交易笔数)、平均转移量(如平均交易金额)、以及转移量等级的占比(如大额交易、中额交易和小额交易的占比等)等。例如,以各个函数中的这些输入参数包括区间段内的总交易笔数n(取值为正整数)、单笔平均金额avg、小额支付的笔数lown、中额支付的笔数midn和大额支付的笔数highn为例,则系统的总收益F(n,avg,lown,midn,highn)为:
其中,a~i为调整权重参数,具体取值可根据实际应用需求而定,C0为整体调整参数,其可反映固定的成本项和固定的收益总合。
由于函数F(x)的目标是使得系统的总收益最大化,这取决于各个输入参数的取值,而对于固定的交易笔数情况,不同转移渠道的选择将会影响各个输入参数的取值,因此,如何将这固定的交易笔数分配至相应的转移渠道,以获得最大的总收益就是这个优化过程的最终目标。也就是说,可以在一段时间内,通过动态的调整转移渠道的流量配比,在不同的转移渠道中做选择来完成效用最大化的目标。
例如,若某区间段内的总交易笔数n为6笔、单笔平均金额avg为400元、小额支付的笔数lown为3笔、中额支付的笔数midn为2笔,大额支付的笔数highn为1笔,则可以分别将n、avg、lown和midn的值代入:
中,由于不同转移渠道的调整权重参数“a~i”不同,因此,通过动态调整转移渠道的选择(即在公式中采用不同值的“a~i”),可得到多个总收益F(x)的值,从中选择最大值所对应的转移渠道,便可以得到该区间段应选择的转移渠道;以此类推,经过多次学习训练,便可以得到业务信息(交易量、单笔平均金额、小额支付的笔数、中额支付的笔数和大额支付的笔数等)与转移渠道之间的函数关系。
105、基于该训练后评估模型确定所述交易系统中未来预设区间段内虚拟资源的转移渠道,以对该未来预设区间段内的虚拟资源进行转移;例如,具体可以如下:
(1)对未来预设区间段内的虚拟资源转移业务趋势进行预测,得到预测业务信息。
例如,具体可以获取需要预测虚拟资源转移业务趋势的未来区间段,根据该未来区间段对预设的业务预测模型进行设置,采用设置后业务预测模型进行计算,得到预测业务信息。
其中,该未来区间段指的是未来的指定时间段,该时间段可以根据实际应用的需求进行设置,比如,可以是以某个时间点为起点,未来的十五分钟或半个钟头,等等。
其中,该预设的业务预测模型可以由维护人员预先建立,也可以由该虚拟资源转移装置根据该历史区间段、以及步骤103所得到的解析后数据训练而成,即在步骤“根据该未来区间段对预设的业务预测模型进行设置”之前,该虚拟资源转移方法还可以包括:
根据该历史区间段和解析后数据对预设初始模型进行训练,得到业务预测模型,例如,具体可以如下:
根据该历史区间段对预设初始模型进行设置,采用设置后初始模型对该解析后数据进行计算,得到业务信息预估值,根据该业务信息预估值和解析后数据对该设置后初始模型进行收敛,得到业务预测模型。
其中,具体可以利用设定的损失函数,根据该业务信息预估值和解析后数据对该设置后初始模型进行收敛,该损失函数可根据实际应用的需求而定;此外,该预设初始模型采用叶斯分类器模型、SVM模型、符号推理算法相关的模型、遗传算法相关的模型、或其他深度学习算法相关的模型等,在此不作赘述。
可选的,为了保证整个交易系统的健壮,提高数据的可靠性和安全性,可以使用多个同构的学习器交替提供服务,即该业务预测模型可以包括至少两个同构的业务预测子模型,且各个业务预测子模型交替更新,比如,以包括两个同构的业务预测子模型为例,当其中一个业务预测子模型在进行更新(即学习训练)时,可以不使用该正在更新的业务预测子模型进行业务预测操作,而是使用另一个业务预测子模型进行业务预测操作;当业务预测子模型更新完毕后,则可以使用该更新后的业务预测子模型进行业务预测操作,与此同时,暂停另一个尚未更新的业务预测子模型的业务预测任务,并对该尚未更新的业务预测子模型进行更新。
也就是说,步骤“根据该未来区间段对预设的业务预测模型进行设置,采用设置后业务预测模型对该解析后数据进行计算,得到预测业务信息”可以包括:
当监测到其中一个业务预测子模型正在更新时,根据该未来区间段对其他业务预测子模型进行设置,采用设置后业务预测子模型对该解析后数据进行计算,得到预测业务信息。
可选的,为了提高交易系统的容错性,在监测到业务预测模型异常,比如故障或程序宕机时,在无法重启恢复的前提下,可以暂停该业务预测模型后续的训练,并在预设的范围内提供服务主动降级能力,保证该交易系统持续可用,即在步骤“根据该未来区间段对预设的业务预测模型进行设置”之前,该虚拟资源转移方法还可以包括:
监测预设的业务预测模型是否异常,若是,则对该业务预测模型进行降级,并根据该未来区间段对降级后业务预测模型进行设置,若否,则执行根据该未来区间段对预设的业务预测模型进行设置的操作。
例如,具体可以采用看门狗程序(WatchDog)等方式来对该业务预测模型进行监测。
(2)将该预测业务信息导入该训练后评估模型,以确定交易系统中未来预设区间段内虚拟资源的转移渠道。
例如,具体可以将该预测业务信息直接导入该训练后评估模型进行计算,根据计算结果确定该交易系统中未来预设区间段内虚拟资源的转移渠道。
可选的,为了提高该训练后评估模型的准确性和灵活性,还可以根据当前环境信息,如实时业务运行状态、设备的状态或具体业务需求等对该训练后评估模型进行调整,比如进行订正补偿等,然后,才基于该调整后评估模型确定该交易系统中未来预设区间段内虚拟资源的转移渠道;即步骤“基于该训练后评估模型确定交易系统中未来预设区间段内虚拟资源的转移渠道”之前,该虚拟资源转移方法还可以包括:
获取当前环境信息,根据该当前环境信息对训练后评估模型进行调整,得到调整后评估模型。
则此时,步骤“基于训练后评估模型确定该交易系统中未来预设区间段内虚拟资源的转移渠道”,具体可以为:基于该调整后评估模型确定该交易系统中未来预设区间段内虚拟资源的转移渠道,比如,可以将该预测业务信息导入该调整后评估模型,以确定该交易系统中未来预设区间段内虚拟资源的转移渠道,等等。
其中,获取当前环境信息的方式可以有多种,比如,除了可以直接接收用户输入的当前环境信息之外,也可以确定分析交易系统中各个转移渠道当前的性能指标,然后根据该各个转移渠道当前的性能指标对各个转移渠道的能力值进行计算,得到当前环境信息,等等,在此不再赘述。
可选的,为了保证整个交易系统的健壮,提高数据的可靠性和安全性,与业务预测模型类似的,该评估模型也可以使用多个同构的学习器交替提供服务,即该评估模型可以包括至少两个同构的评估子模型,且各个评估子模型交替更新,比如,以包括两个同构的评估模型为例,当其中一个评估子模型在进行更新(即学习训练)时,可以不使用该正在更新的评估子模型进行渠道评估操作,而是使用另一个评估子模型进行渠道评估操作;当评估子模型更新完毕后,则可以使用该更新后的评估子模型进行渠道评估操作,与此同时,暂停另一个尚未更新的评估子模型的渠道评估任务,并对该尚未更新的评估子模型进行更新。
也就是说,步骤“将该预测业务信息导入该训练后评估模型,以确定该交易系统中未来预设区间段内虚拟资源的转移渠道”可以包括:
当监测到其中一个评估子模型正在更新时,将该预测业务信息导入其他评估子模型,以确定该交易系统中未来预设区间段内虚拟资源的转移渠道。
可选的,为了提高交易系统的容错性,在监测到训练后评估模型异常,比如故障或程序宕机时,在无法重启恢复的前提下,可以暂停该训练后评估模型后续的训练,并在预设的范围内提供服务主动降级能力,保证该交易系统持续可用,即在步骤“将该预测业务信息导入该训练后评估模型”之前,该虚拟资源转移方法还可以包括:
监测该训练后评估模型是否异常,比如,可以采用WatchDog等方式来监测该训练后评估模型是否异常,若是,则对该训练后评估模型进行降级,并将该预测业务信息导入降级后评估模型;若否,则执行将该预测业务信息导入该训练后评估模型的步骤。
(3)通过确定的转移渠道对该未来区间段内的虚拟资源进行转移。
例如,以付款为例,在该未来区间段内,若发生了付款行为,则具体可以通过该确定的转移渠道向相应的银行服务器发起付款请求,以请求将款项从付款账户转入收款账户,等等。
由上可知,本实施例可以获取交易系统中预设历史区间段的虚拟资源转移信息,根据该虚拟资源转移信息分析交易系统中各个转移渠道的处理效果,得到参考数据,以及按照预设维度对该虚拟资源转移信息进行解析,得到解析后数据,然后,根据该参考数据和解析后数据对预设渠道评估模型进行训练,并基于该训练后评估模型确定所述交易系统中未来预设区间段内虚拟资源的转移渠道,以对该未来预设区间段内的虚拟资源进行转移;由于该方案可以结合各虚拟资源转移信息的具体情况和各个转移渠道的处理效果来训练渠道评估模型,以实现对未来一段时间内虚拟资源的转移渠道的自适应选择,因此,相对于现有只能人工配置的方案而言,可以大大提高灵活性和处理效率,而且,由于该渠道评估模型是结合各虚拟资源转移信息的具体情况和各个转移渠道的处理效果训练而成的,因此,不受维护人员经验的限制,可以大大改善调配效果,有利于资源的优化利用。
根据前面实施例所描述的方法,以下将举例作进一步详细说明。
在本实施例中,将以该虚拟资源转移装置具体集成在第三方支付平台的服务器中(简称支付平台)中,虚拟资源转移具体为收付款、且该虚拟资源转移信息具体为交易数据为例进行说明。
如图1a所示,在交易系统中,除了可以包括请求端和接收端,还可以包括支付平台、以及多个转移渠道所对应银行服务器,如A银行服务器、B银行服务器、……、N银行服务器等。
首先,可以对交易系统中各个转移渠道的处理能力和成本情况进行评估,比如,参见表一,具体可以从转移渠道的TPS(Transaction Per Second,代表每秒执行的事务数量,可基于测试周期内完成的事务数量计算得出)、延迟情况、掉单失败率等处理能力方面,以及从交易费用、带宽费用和设备线路费用等成本情况方面对其进行评估,然后,按照评估结果对交易系统中的所有转移渠道进行划分,并将划分后的转移渠道进行标注后,添加至渠道集中。
表一:
其中,表一中各项的分值可以根据多位研发专家和财务专家对这些项目进行评分后,按照预定算法计算得到。比如,以m位研发专家和n位财务专家,其评分的分值在1~10分之间为例,则可以对研发专家在转移渠道“处理能力”的评估给予加权,加权方式为4n/m,然后,对加权后的结果进行累计并取平均;同理,可以对财务专家在转移渠道“成本情况”的评估给予加权,加权方式为4m/n,然后,对加权后的结果进行累计并取平均值(这里计算加权的核心逻辑是使得专家的建议能够形成2/8效应,避免专家意见在被评估团队的人数构成所左右,影响评估的准确性)。在得到转移渠道在上述各项的分值后,便可以根据各个转移渠道在处理能力和成本情况中的得分划分为性能优先型渠道和成本优先型渠道,将其标注并加入到渠道集中,以供后续运营过程中选择。当然,这里的分类还可以进一步细分,比如性能优先型渠道又可以分为低延迟型、高效并发型、以及快速批量处理型等;成本优先型渠道可以细分为大额优势型、笔数优势型、付款优势型、以及收款优势型,等等。
需说明的是,随着转移渠道相关设施升级或商务合作上的深入,处理能力和成本情况都会有所变动,因此,还可以根据实际应用的需求对各个渠道的划分进行定时或不定时地更新,在此不作赘述。
可选的,除了上述给出的划分方式(即性能优先型渠道和成本优先型渠道)之外,还可以按照其他的方式进行划分,比如,根据表一的评估结果,可以将渠道分为四种类型:“低成本,低效率”、“低成本,高效率”、“高成本,低效率”、以及“高成本,高效率”,等等,在此不再列举。
其次,支付平台可以通过渠道评估,来从渠道集中为未来一段时间内的业务选择合适的转移渠道。以下将对支付平台如何进行渠道评估进行详细说明。
如图2a所示,该支付平台可以包括数据采集、成本核算、业务预测和渠道评估等部分,此外,还可以包括订正补偿和渠道选择计划等部分,例如,这几大部分的功能具体可以如下:
(一)数据采集;
参见图2a,该部分可以包括业务快照模块、快照补偿模块和解析器,如下:
业务快照模块,负责获取虚拟资源转移记录如收付单信息的快照,比如可以直接接收交易系统所生成的收付单信息的快照,或者,也可以采集交易系统的收付单信息(可以同步也可以异步),并根据这些收付单信息生成快照,等等,以得到交易数据(即虚拟资源转移信息)。
快照补偿模块,用于针对该虚拟资源转移记录与现网数据的差异对业务快照模块获取的虚拟资源转移记录如收付单信息的快照进行补偿。其中,具体的补偿周期可以根据需求灵活设置,比如,针对第三方支付业务的现网特点,可以将补偿周期设定为4小时/次和“T+1”全量两段补偿,等等。
解析器,用于解析交易数据(即虚拟资源转移信息),以确定转移渠道,如支付渠道和接入渠道(即接入方式)等、以及确定转移量(如支付的数额)、产品类型、结算模式和资金周期等,并建立该交易数据与其对应的转移渠道、转移量、产品类型、结算模式和资金周期的映射关系,得到解析后数据;该解析后数据可供后续进行成本核算以及业务预测操作。
(二)成本核算;
该部分可以包括监控统计模块和成本核算模块,如下:
监控统计模块,用于根据该交易数据分析交易系统中各个转移渠道的性能指标,如分析转移渠道的总容量、以及健康度(如资源使用情况、处理速度)等,然后,根据该各个转移渠道当前的性能指标对各个转移渠道的能力值进行计算,得到参考数据。该参考数据可以结合转移渠道实际的处理上限来判断该转移渠道是否可以继续放量、分流或提供额外的能力支持,以满足交易业务峰值的到来。
成本核算模块,用于根据该监控统计模块得到的参考数据和解析器得到的解析后数据对各个转移渠道的成本进行核算。
(三)业务预测;
该部分主要负责对历史交易和准实时交易进行学习,以建立业务预测模型,进而提供未来一段时间的交易情况的预测。
该部分可以包括业务预测的采样器和学习器,其中,采样器用于从解析器得到的解析后数据中选择训练样本,并将训练样本提供给学习器。其中,该采样器也可以根据历史凭证进行迭代学习,且采样的精度范围可以根据实际应用的需求灵活设置,比如可以包括小时、天、周、月或年等不同粒度。
学习器用于对训练样本进行训练,以得到业务预测模型。在得到业务预测模型后,学习器便可以获取需要预测交易情况(虚拟资源转移业务趋势)的未来区间段,根据该未来区间段对该业务预测模型进行设置,然后,采用设置后业务预测模型对该解析后数据进行计算,得到预测业务信息。
其中,该未来区间段(即未来的一段时间)可以根据实际应用的需求进行设置,比如,可以是以某个时间点为起点,未来的十五分钟或半个钟头,等等。
可选的,为了保证整个交易系统的健壮,提高数据的可靠性和安全性,可以使用多个同构的学习器交替提供服务,也就是学习器A在进行更新时,不提供交易预测服务,此时另一个镜像学习器B提供相应的交易预测服务,但不进行相应的更新操作,当学习器A更新完毕后,再由学习器A提供交易预测服务,而学习器B则暂停提供交易预测服务,并进行更新操作。
可选的,为了提高交易系统的容错性,在监测到业务预测模型异常,比如学习器故障或程序宕机时,在无法重启恢复的前提下,可以暂停该业务预测模型后续的训练,并在预设的范围内提供服务主动降级能力,保证该交易系统持续可用。
需说明的是,为了更精准的进行后面业务流的分配,这里所得到的预测业务信息的具体内容可根据实际应用的需求而定,比如,该预测业务信息不但可以包括总业务量、总业务金额的预测,而且,还可以包括交易分布的一个预测,因为不同的转移渠道的计费模式可能不同,有些渠道是按交易笔数计费,有些渠道是按交易金额计费,有些渠道有单笔封顶的策略,不尽相同,所以,根据交易金额来选择转移渠道也是一个成本优化的重要措施和手段。
还需说明的是,在本发明实施例中,该学习器采用的算法可以包括贝叶斯分类器模型、SVM模型、符号推理算法、遗传算法、以及其他深度学习算法等。
(四)渠道评估;
该部分主要用于根据未来区间段的预测业务信息,对该未来区间段的转移渠道进行分配规划。
该部分可以包括渠道评估的采样器和学习器,其中,采样器用于从成本核算模块得到的核算结果中选择训练样本,并提供给学习器进行训练,以得到训练后评估模型。其中,采样器采样的精度范围可以根据实际应用的需求灵活设置,比如可以包括小时、天、周、月或年等不同粒度,而该学习器采用的算法可以包括贝叶斯分类器模型、SVM模型、符号推理算法、遗传算法、以及其他深度学习算法等。
在得到训练后评估模型后,学习器便可以根据预测业务信息输出该未来区间段的渠道评估结果(即计算结果),比如采用性能优势型的渠道或采用成本优势型的渠道,或者对某种类型的转移渠道进行放量或缩量操作,等等,进而根据该渠道评估结果确定该交易系统中未来区间段交易时所采用的转移渠道。
需说明的是,该渠道评估结果除了可以给出大类型方向的渠道选择之外,也可以给出选择某一细分类型的渠道建议,比如,选择性能优先型渠道中的低延迟型,等等,具体策略可根据实际应用的需求进行灵活调整。
还需说明的是,由于每个渠道都有最低的保活交易量持续存在,所以渠道评估结果给出的建议也是提高某一类型的转移渠道的幅度而不是给出具体的占比比例。由于每次给出的建议是按照一定周期进行变化的(比如十五分钟),因此在连续提高到某一个值的时候,整体的收益函数边际收益会下降。也就是后续的渠道评估结果将会向相反的方向发展,最后会收敛到一个合理的配比中。
可选的,为了保证整个交易系统的健壮,提高数据的可靠性和安全性,与业务预测类似,该部分也可以使用多个同构的学习器交替提供服务,也就是学习器C在进行更新时,不提供渠道评估服务,此时另一个镜像学习器D提供相应的渠道评估服务,但不进行相应的更新操作,当学习器C更新完毕后,再由学习器D提供渠道评估服务,而学习器B则暂停提供渠道评估服务,并进行更新操作。
可选的,为了提高交易系统的容错性,在监测到评估模型异常,比如学习器故障或程序宕机时,在无法重启恢复的前提下,可以暂停该评估模型后续的训练,并在预设的范围内提供服务主动降级能力,保证该交易系统持续可用。
(五)订正补偿;
可选的,为了提高该训练后评估模型的准确性和灵活性,还可以设置以订正补偿模块,用于根据当前环境信息,如实时业务运行状态、设备的状态或具体业务需求等对该训练后评估模型进行调整,比如进行订正补偿等。
此外,还可以人工根据需求,通过该订正补偿模块进行订正补偿,以保证当出现业务量预测分配失真时,依然有技术手段可以保证系统的持续运行。
(六)渠道选择计划;
该部分主要根据渠道评估部分所给出的渠道选择建议控制渠道集中各个转移渠道的入口和出口流量。
可选的,由于预测计划可能存在不准确的情况,例如跨年0点、除夕跨年夜等等的瞬时业务峰值,因此,可选的,这里还可以提供过载保护能力,比如,对于大大超过预期的业务流量的场景,可以直接根据渠道的实际业务容量,进行业务分配(这种特殊的时刻,成本不再是首要考虑因素,业务体验是最重要的)。
基于上述支付平台的架构,以下将对其执行流程进行说明。如图2b所示,一种虚拟资源转移方法,具体流程可以如下:
201、支付平台采集交易系统中预设历史区间段的交易数据(即虚拟资源转移信息)。
例如,具体可以由支付平台的业务快照模块直接接收交易系统所生成的预设历史区间段的收付单信息的快照(即虚拟资源转移记录),或者,也可以由支付平台的业务快照模块采集交易系统中预设历史区间段的收付单信息(可以同步也可以异步),并根据这些收付单信息生成快照,等等,以得到交易数据。
其中,预设历史区间段指的是过去的指定时间段,该时间段可以根据实际应用的需求进行设置,比如,可以是以某个时间点为起点,过去的一个月或半年,等等。
可选的,由于在交易系统中,可能会存在异步延迟入账、掉单、处理失败和/或回滚等多种原因下的数据缺失,因此,支付平台的快照补偿模块还可以针对该收付单信息的快照与现网数据的差异对该收付单信息的快照进行补偿。
其中,具体的补偿周期可以根据需求灵活设置,比如,针对第三方支付业务的现网特点,可以将补偿周期设定为4小时/次和“T+1”(Today+1,即第二个工作日进行交易)全量两段补偿,等等。
202、支付平台根据该交易数据分析交易系统中各个转移渠道的处理效果,得到参考数据。
例如,具体可以由支付平台的监控统计模块根据该交易数据分析交易系统中各个转移渠道的性能指标,然后,根据这些性能指标对各个转移渠道的能力值进行计算,得到参考数据。
其中,性能指标可以包括转移渠道的总容量、以及健康度如资源使用情况、处理速度等信息。而计算各个转移渠道的能力值的算法也可以根据实际应用而定,比如,可以对各个性能指标进行加权运算,或者,也可以为各个性能指标设定相应的评分标准,然后,根据评分标准为各个转移渠道当前的性能指标进行评分,等等,在此不作赘述。
203、支付平台按照预设维度对该交易数据进行解析,得到解析后数据。
例如,具体可以由支付平台的解析器对交易数据在以下维度进行分析:支付渠道(银行成本维度)、接入渠道(接入方式)、交易金额、产品类型、结算模式和资金周期等,然后,建立该交易数据与其这些维度信息的映射关系,得到解析后数据。
需说明的是,步骤202和203的执行可以不分先后。
204、支付平台根据该参考数据和解析后数据对各个转移渠道的成本进行核算,并采用核算结果对预设渠道评估模型进行训练,得到训练后评估模型。
其中,具体的核算策略可根据实际应用的需求而定,例如,可以由支付平台中的成本核算模块根据该参考数据和解析后数据对各个转移渠道的成本进行核算,如下:
成本核算模块采用预设第一函数对该参考数据和解析后数据进行计算,得到各个转移渠道的成本参数值。
其中,该第一函数可针对不同的转移渠道选择不同的变化率曲线,具体可以设置为线性函数,它可反映选择指定转移渠道的成本情况,其中,固定成本可按日摊销。
在得到各个转移渠道的成本参数值后,便可以由渠道评估部分的采样器从各个转移渠道的成本参数值(即核算结果)中选择训练样本,并提供给该渠道评估部分的学习器进行训练,以得到训练后评估模型,比如,具体可以采用预设第二函数对选择的训练样本所对应的“参考数据和解析后数据”进行计算,得到正向收益值,以及采用第三函数对选择的训练样本所对应的“参考数据和解析后数据”进行计算,得到收益抵消值,然后,采用预设渠道评估模型对该正向收益值、成本参数值和收益抵消值进行计算,得到训练后评估模型。
其中,该预设渠道评估模型可根据实际应用的需求进行建立,该预设评估模型可以包括叶斯分类器模型、SVM模型、符号推理算法相关的模型、遗传算法相关的模型、以及其他深度学习算法相关的模型等。
例如,可以将系统的总收益作为该预设评估模型的评估函数,比如,具体可以分别将正向收益值减去成本参数值后,再减去收益抵消值,得到系统的总收益,用公式表示即为:
F(x)=earning(x)-cost(x)-delay(x0);
其中,x为某区间段内的交易量,F(x)为系统的总收益,cost(x)为第一函数,earning(x)为第二函数,delay(x0)为第三函数,该第一函数、第二函数和第三函数可针对不同的转移渠道选择不同的变化率曲线,例如,可以如下:
该第一函数具体可以设置为线性函数,它可反映选择指定转移渠道的成本情况,其中,固定成本可按日摊销。
该第二函数具体可以设置为一个随交易规模变化的二次函数,它可反映当虚拟资源需要转移时,系统能够及时处理所带来的正向收益,即它可反映企业对信息处理能力的重视性高于成本的事实。
该第三函数具体可以设置为指数函数,它可反映该交易系统中累积的延迟操作对当前虚拟资源转移的收益抵消情况,其主要考虑的是用户对积压和延迟的不满意度。
其中,各个函数中的输入参数可根据实际应用的需求灵活进行调整,比如,该第一函数的输入参数可包括交易笔数、如平均交易金额、以及交易金额等级的占比(如大额交易、中额交易和小额交易的占比等)等。
例如,以这些输入参数包括区间段内的总交易笔数n(取值为正整数)、单笔平均金额avg、小额支付的笔数lown、中额支付的笔数midn和大额支付的笔数highn为例,则每个转移渠道的成本F(n,avg,lown,midn,highn)为:
其中,a~i为调整权重参数,具体取值可根据实际应用需求而定,C0为整体调整参数,其可反映固定的成本项和固定的收益总合。
由于函数F(x)的目标是使得系统的总收益最大化,这取决于各个输入参数的取值,而对于固定的交易笔数情况,不同转移渠道的选择将会影响各个输入参数的取值,因此,如何将这固定的交易笔数分配至相应的转移渠道,以获得最大的总收益就是这个优化过程的最终目标。
例如,若某区间段内的总交易笔数n为6笔、单笔平均金额avg为400元、小额支付的笔数lown为3笔、中额支付的笔数midn为2笔,大额支付的笔数highn为1笔,则可以分别将n、avg、lown和midn的值代入:
中,由于不同转移渠道的调整权重参数“a~i”不同,因此,通过动态调整转移渠道的选择(即在公式中采用不同值的“a~i”),可得到多个总收益F(x)的值,从中选择最大值所对应的转移渠道,便可以得到该区间段应选择的转移渠道;以此类推,经过多次学习训练,便可以得到业务信息(交易量、单笔平均金额、小额支付的笔数、中额支付的笔数和大额支付的笔数等)与转移渠道之间的函数关系,进而得到训练后评估模型。
205、支付平台对未来预设区间段内的交易趋势(即虚拟资源转移业务趋势)进行预测,得到预测业务信息。
例如,具体可以由业务预测的采样器获取需要预测交易趋势的未来区间段,并根据该未来区间段对学习器(业务预测的学习器)中预设的业务预测模型进行设置,由该学习器采用设置后业务预测模型对该解析后数据进行计算,得到预测业务信息。
其中,该未来区间段指的是未来的指定时间段,该时间段可以根据实际应用的需求进行设置,比如,可以是以某个时间点为起点,未来的十五分钟或半个钟头,等等。
比如,参见图2c,以解析后数据包括上一时段交易量、上一时段交易均值、上一时段交易分布、上一时段大商户类型、历史同期交易量、以及历史同期交易分布等信息为例(其中,“上一时段”和“历史同期”均以该未来区间段为参照点进行设置),首先,可以根据该“未来区间段”的具体时间对业务预测模型的“时间域”进行设置,可选的,还可以设置相应的“节假日类型”,此后,可以将解析后数据导入设置后业务预测模型中进行计算,便可得到相应的预测业务信息,比如交易量、单笔交易平均金额(avg)、小额交易笔数、中额交易笔数、大额交易笔数和重点行业等。
其中,该预设的业务预测模型可以由采样器和学习器根据该历史区间段、以及步骤203所得到的解析后数据对预设初始模型训练而成,如下:
采样器从解析后数据中筛选训练样本,并根据该历史区间段对预设初始模型进行设置,然后,由学习器采用设置后初始模型对训练样本进行计算,得到业务信息预估值,再然后,利用设定的损失函数,根据该业务信息预估值和解析后数据对该设置后初始模型进行收敛,得到业务预测模型。其中,该损失函数可根据实际应用的需求而定,在此不作赘述。
可选的,为了保证整个交易系统的健壮,提高数据的可靠性和安全性,可以使用多个同构的学习器交替提供服务。另外,为了提高交易系统的容错性,可以采用看门狗程序(WatchDog)等方式来对学习器(业务预测模型)进行监测,在监测到学习器异常,比如故障或程序宕机时,在无法重启恢复的前提下,可以暂停学习器后续的训练,并在预设的范围内提供服务主动降级能力,保证该交易系统持续可用。
206、支付平台将该预测业务信息导入该训练后评估模型,以确定该交易系统中未来预设区间段内交易(即虚拟资源)时所采用的转移渠道。
例如,具体可以由渠道评估的学习器将该预测业务信息导入该训练后评估模型中进行计算,然后,根据计算结果(即渠道评估结果)确定该交易系统中未来预设区间段内交易时所采用的转移渠道。
譬如,如图2d所示,以预测业务信息包括交易量、单笔交易平均金额(avg)、小额交易笔数、中额交易笔数、大额交易笔数和重点行业等信息为例,则此时,可以在根据该未来预设区间段对时间域进行设置后,将这些预测业务信息导入该训练后评估模型中进行计算,得到渠道评估结果,比如低延迟型、高效并发型、快速批量处理型、大额优势型、笔数优势型、付款优势型、或收款优势型等渠道类型,然后,便可以根据该渠道评估结果从渠道集中选择相应的转移渠道,作为未来预设区间段内交易(即虚拟资源)时所采用的转移渠道,比如,若渠道评估结果为成本优先型渠道中的“大额优势型”渠道,则可以渠道集中选择类型为“大额优势型”的转移渠道作为该交易系统中未来预设区间段内交易时所采用的转移渠道;如果渠道评估结果为性能优先型渠道中的“低延迟型”渠道,则可以渠道集中选择类型为“低延迟型”的转移渠道作为该交易系统中未来预设区间段内交易时所采用的转移渠道,以此类推,等等。
可选的,为了提高该训练后评估模型的准确性和灵活性,还可以由该支付平台的订正补偿模块获取当前环境信息,如实时业务运行状态、设备的状态或具体业务需求等,然后,根据当前环境信息对该训练后评估模型进行调整,比如进行订正补偿,再然后,才由渠道评估的学习器将该预测业务信息导入该调整后评估模型,以确定该交易系统中未来预设区间段内交易时所采用的转移渠道。
其中,获取当前环境信息的方式可以有多种,比如,除了可以由订正补偿模块直接接收用户输入的当前环境信息之外,也可以由订正补偿模块确定分析交易系统中各个转移渠道当前的性能指标,然后根据该各个转移渠道当前的性能指标对各个转移渠道的能力值进行计算,得到当前环境信息,等等,在此不再赘述。
可选的,为了保证当出现业务量预测分配失真时,依然有技术手段可以保证系统的持续运行,还可以人工根据需求,通过该订正补偿模块进行人工订正补偿。
可选的,为了保证整个交易系统的健壮,提高数据的可靠性和安全性,与业务预测模型类似,该评估模型也可以使用多个同构的学习器交替提供服务。此外,为了提高交易系统的容错性,还可以采用看门狗程序(WatchDog)等方式来对学习器(即评估模型)进行监测,在监测到学习器异常,比如故障或程序宕机时,在无法重启恢复的前提下,可以暂停该学习器后续的训练,并在预设的范围内提供服务主动降级能力,保证该交易系统持续可用
207、支付平台通过确定的转移渠道对该未来预设区间段内的交易进行操作。
也就是说,在该未来区间段内,若发生了交易行为,则具体可以通过该确定的转移渠道向相应的银行服务器发起付款请求,以请求将款项从付款账户转入收款账户,等等。
比如,若确定的转移渠道为“低延迟型”的转移渠道,而该“低延迟型”的转移渠道对应的是A银行的服务器,则在发生交易时,可以向A银行的服务器发起付款请求,以请求将款项从付款账户转入收款账户,等等。
由上可知,本实施例可以获取交易系统中预设历史区间段的交易数据,根据该交易数据分析交易系统中各个转移渠道的处理效果,得到参考数据,以及按照预设维度对该虚拟资源转移信息进行解析,得到解析后数据,然后,根据该参考数据和解析后数据对预设渠道评估模型进行训练,并基于该训练后评估模型确定该交易系统中未来预设区间段内交易时所采用的转移渠道,以对该未来预设区间段内的交易进行操作;由于该方案可以结合各交易数据的具体情况和各个转移渠道的处理效果来训练渠道评估模型,以实现对未来预设区间段内转移渠道的自适应选择,因此,相对于现有只能人工配置的方案而言,可以大大提高灵活性和处理效率,而且,由于该渠道评估模型是结合各交易数据的具体情况和各个转移渠道的处理效果训练而成的,因此,不受维护人员经验的限制,可以大大改善调配效果,有利于资源的优化利用。
为了更好地实施以上方法,本发明实施例还提供一种虚拟资源转移装置,该虚拟资源转移装置具体可以集成在服务器,比如支付平台中。
例如,如图3a所示,该虚拟资源转移装置可以包括获取单元301、效果分析单元302、解析单元303、训练单元304和转移单元305,如下:
(1)获取单元301;
获取单元301,用于获取交易系统中预设历史区间段的虚拟资源转移信息。
该获取单元301,具体可以用于采集交易系统中预设历史区间段的虚拟资源转移记录,按照预设策略对该虚拟资源转移记录进行补偿,得到该预设历史区间段的虚拟资源转移信息。
其中,预设历史区间段指的是过去的指定时间段,该时间段可以根据实际应用的需求进行设置,比如,可以是以某个时间点为起点,过去的一个月或半年,等等。
同理,预设策略也可以根据实际应用的需求而定,例如,该虚拟资源信息具体为交易数据为例,由于在交易系统中,可能会存在异步延迟入账、掉单、处理失败和/或回滚等多种原因下的数据缺失,因此,可以针对该虚拟资源转移记录与现网数据的差异进行补偿。其中,具体的补偿周期可以根据需求灵活设置,比如,针对第三方支付业务的现网特点,可以将补偿周期设定为4小时/次和“T+1”全量两段补偿,等等。
(2)效果分析单元302;
效果分析单元302,用于根据该虚拟资源转移信息分析交易系统中各个转移渠道的处理效果,得到参考数据;
例如,该效果分析单元302,具体可以用于根据该虚拟资源转移信息分析交易系统中各个转移渠道的性能指标,根据该各个转移渠道当前的性能指标对各个转移渠道的能力值进行计算,得到参考数据。
其中,性能指标可以包括转移渠道的总容量、以及健康度如资源使用情况、处理速度等信息。而计算各个转移渠道的能力值的算法也可以根据实际应用而定,比如,可以对各个性能指标进行加权运算,或者,也可以为各个性能指标设定相应的评分标准,然后,根据评分标准为各个转移渠道当前的性能指标进行评分,等等,在此不作赘述。
(3)解析单元303;
解析单元303,按照预设维度对该虚拟资源转移信息进行解析,得到解析后数据。
其中,该预设维度至少可以包括虚拟资源的转移渠道、转移量、产品类型、结算模式和资金周期等信息,即:
该解析单元303,具体可以用于解析虚拟资源转移信息,以确定虚拟资源的转移渠道、转移量、产品类型、结算模式和资金周期,建立该虚拟资源转移信息与其对应的虚拟资源的转移渠道、转移量、产品类型、结算模式和资金周期的映射关系,得到解析后数据。
(4)训练单元304;
训练单元304,用于根据该参考数据和解析后数据对预设渠道评估模型进行训练,得到训练后评估模型;
例如,如图3b所示,该训练单元304可以包括核算子单元3041和训练子单元3042,如下:
该核算子单元3041,可以用于根据该参考数据和解析后数据对各个转移渠道的成本进行核算。
其中,转移渠道的成本指的是由于第三方支付平台使用其他金融机构或中介机构的清算服务所带来的费用,其包括但不限于交易费用、线路费用、流量费用、服务器费用等。
训练子单元3042,可以用于采用核算结果对预设渠道评估模型进行训练,得到训练后评估模型。
其中,该预设渠道评估模型可根据实际应用的需求进行建立,该预设评估模型可以包括叶斯分类器模型、SVM模型、符号推理算法相关的模型、遗传算法相关的模型、以及其他深度学习算法相关的模型等。
比如,该核算子单元3041,具体可以用于采用预设第一函数对该参考数据和解析后数据进行计算,得到成本参数值,该第一函数反映选择指定转移渠道的成本情况。
则此时,训练子单元3042,具体可以用于采用预设第二函数对该参考数据和解析后数据进行计算,得到正向收益值,该第二函数反映当虚拟资源需要转移时,系统能够及时处理所带来的正向收益;采用第三函数对该参考数据和解析后数据进行计算,得到收益抵消值,该第三函数反映该交易系统中累积的延迟操作对当前虚拟资源转移的收益抵消情况;根据该正向收益值、成本参数值和收益抵消值对预设渠道评估模型进行训练,得到训练后评估模型,具体可参见前面的方法实施例,在此不再赘述。
(5)转移单元305;
转移单元305,用于基于该训练后评估模型确定该交易系统中未来预设区间段内虚拟资源的转移渠道,以对该未来预设区间段内的虚拟资源进行转移。
例如,如图3b所示,该转移单元305可以包括预测子单元3051、确定子单元3052和转移子单元3053,如下:
该预测子单元3051,用于对未来预设区间段内的虚拟资源转移业务趋势进行预测,得到预测业务信息。
该确定子单元3052,用于将该预测业务信息导入该训练后评估模型,以该交易系统中未来预设区间段内虚拟资源的转移渠道。
该转移子单元3053,用于通过确定的转移渠道对该未来预设区间段内的虚拟资源进行转移。
比如,该预测子单元3051,具体可以用于获取需要预测虚拟资源转移业务趋势的未来区间段,根据该未来区间段对预设的业务预测模型进行设置,采用设置后业务预测模型对该解析后数据进行计算,得到预测业务信息。
其中,该未来区间段指的是未来的指定时间段,该时间段可以根据实际应用的需求进行设置,比如,可以是以某个时间点为起点,未来的十五分钟或半个钟头,等等。
其中,该预设的业务预测模型可以由维护人员预先建立,也可以由该虚拟资源转移装置根据该历史区间段、以及解析后数据训练而成,即如图3b所示,该转移单元还可以包括学习子单元3054,如下:
该学习子单元3054,可以用于根据该历史区间段和解析后数据对预设初始模型进行训练,得到业务预测模型。
比如,该学习子单元3054,具体可以用于根据该历史区间段对预设初始模型进行设置,采用设置后初始模型对该解析后数据进行计算,得到业务信息预估值,根据该业务信息预估值和解析后数据对该设置后初始模型进行收敛,得到业务预测模型。
其中,具体可以利用设定的损失函数,根据该业务信息预估值和解析后数据对该设置后初始模型进行收敛,该损失函数可根据实际应用的需求而定;此外,该预设初始模型采用叶斯分类器模型、SVM模型、符号推理算法相关的模型、遗传算法相关的模型、或其他深度学习算法相关的模型等,在此不作赘述。
可选的,为了保证整个交易系统的健壮,提高数据的可靠性和安全性,可以使用多个同构的学习器交替提供服务,即该业务预测模型可以包括至少两个同构的业务预测子模型,且各个业务预测子模型交替更新,譬如,可以如下:
该业务预测模型包括至少两个同构的业务预测子模型,且各个业务预测子模型交替更新;
该预测子单元3051,具体用于在监测到其中一个业务预测子模型正在更新时,根据该未来区间段对其他业务预测子模型进行设置,采用设置后业务预测子模型对该解析后数据进行计算,得到预测业务信息。
可选的,为了提高交易系统的容错性,在监测到业务预测模型异常,比如故障或程序宕机时,在无法重启恢复的前提下,可以暂停该业务预测模型后续的训练,并在预设的范围内提供服务主动降级能力,保证该交易系统持续可用,即:
该预测子单元3051,具体用于监测预设的业务预测模型是否异常,若是,则对该业务预测模型进行降级,并根据该未来区间段对降级后业务预测模型进行设置,若否,则根据该未来区间段对预设的业务预测模型进行设置。
可选的,为了保证整个交易系统的健壮,提高数据的可靠性和安全性,与业务预测模型类似的,评估模型也可以使用多个同构的学习器交替提供服务,即该评估模型可以包括至少两个同构的评估子模型,且各个评估子模型交替更新,如下:
该确定子单元3052,具体可以用于当监测到其中一个评估子模型正在更新时,将该预测业务信息导入其他评估子模型,以该交易系统中未来预设区间段内虚拟资源的转移渠道。
可选的,为了提高交易系统的容错性,在监测到训练后评估模型异常,比如故障或程序宕机时,在无法重启恢复的前提下,可以暂停该训练后评估模型后续的训练,并在预设的范围内提供服务主动降级能力,保证该交易系统持续可用,即:
该确定子单元3052,具体可以用于监测该训练后评估模型是否异常,若是,则对该训练后评估模型进行降级,并将该预测业务信息导入降级后评估模型;若否,则将该预测业务信息导入该训练后评估模型。
可选的,为了提高该训练后评估模型的准确性和灵活性,还可以根据当前环境信息,如实时业务运行状态、设备的状态或具体业务需求等对该训练后评估模型进行调整,比如进行订正补偿等,然后,才基于该调整后评估模型确定该交易系统中未来预设区间段内虚拟资源的转移渠道;即如图3b所示,该虚拟资源转移装置还可以包括调整单元306,如下:
该调整单元306,可以用于获取当前环境信息,根据该当前环境信息对训练单元得到的训练后评估模型进行调整,得到调整后评估模型。
其中,获取当前环境信息的方式可以有多种,比如:
该调整单元306,具体可以用于确定分析交易系统中各个转移渠道当前的性能指标,根据该各个转移渠道当前的性能指标对各个转移渠道的能力值进行计算,得到当前环境信息。
或者,该调整单元306,具体可以用于接收用户输入的当前环境信息。
则此时,该转移单元305,具体可以用于基于该调整单元得到的调整后评估模型确定该交易系统中未来预设区间段内虚拟资源的转移渠道。
具体实施时,以上各个单元可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现,譬如,获取单元301具体可以前面实施例中的业务快照模块和快照补偿模块来实现,效果分析单元302具体可以由前面实施例中的监控统计模块等来实现,解析单元303具体可以由前面实施例中的解析器等来实现,训练单元304由前面实施例中的成本核算模块、以及渠道评估部分的采样器和学习器来实现,而转移单元305则可以由前面实施例中的业务预测部分的采样器和学习器、订正补偿部分以及渠道选择计划部分等来实现,当然,也可以有其他的实现方式,在此不作赘述。
以上各个单元的具体实施可参见前面的方法实施例,在此不再赘述。
由上可知,本实施例的虚拟资源转移装置的获取单元301可以获取交易系统中预设历史区间段的虚拟资源转移信息,然后,一方面,由效果分析单元302根据该虚拟资源转移信息分析交易系统中各个转移渠道的处理效果,得到参考数据,另一方面,由解析单元303按照预设维度对该虚拟资源转移信息进行解析,得到解析后数据,再然后,由训练单元304根据该参考数据和解析后数据对预设渠道评估模型进行训练,并由转移单元305基于该训练后评估模型确定该交易系统中未来预设区间段内虚拟资源的转移渠道,以对该未来预设区间段内的虚拟资源进行转移;由于该方案可以结合各虚拟资源转移信息的具体情况和各个转移渠道的处理效果来训练渠道评估模型,以实现对未来预设区间段内虚拟资源转移渠道的自适应选择,因此,相对于现有只能人工配置的方案而言,可以大大提高灵活性和处理效率,而且,由于该渠道评估模型是结合各虚拟资源转移信息的具体情况和各个转移渠道的处理效果训练而成的,因此,不受维护人员经验的限制,可以大大改善调配效果,有利于资源的优化利用。
本发明实施例还提供一种服务器,可以集成本发明实施例所提供的任一种虚拟资源转移装置,该服务器具体可以为第三方支付平台的服务器(即支付平台)。
其中,该服务器至少可以包括存储器和处理器,存储器存储有计算机程序,该计算机程序被处理器执行时,使得该处理器执行本发明实施例提供的任一种虚拟资源转移方法中的步骤。
可选的,该服务器还可以包括其他的部件,例如,如图4所示,其示出了本发明实施例所涉及的服务器的结构示意图,具体来讲:
该服务器可以包括一个或者一个以上处理核心的处理器401、以及一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解,图4中示出的服务器结构并不构成对服务器的限定,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。其中:
处理器401是该服务器的控制中心,利用各种接口和线路连接整个服务器的各个部分,通过运行或执行存储在存储器402内的软件程序和/或模块,以及调用存储在存储器402内的数据,执行服务器的各种功能和处理数据,从而对服务器进行整体监控。可选的,处理器401可包括一个或多个处理核心;优选的,处理器401可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块,处理器401通过运行存储在存储器402的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据服务器的使用所创建的数据等。此外,存储器402可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器402还可以包括存储器控制器,以提供处理器401对存储器402的访问。
服务器还包括给各个部件供电的电源403,优选的,电源403可以通过电源管理系统与处理器401逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该服务器还可包括输入单元404,该输入单元404可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出,服务器还可以包括显示单元等,在此不再赘述。具体在本实施例中,服务器中的处理器401会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中,并由处理器401来运行存储在存储器402中的应用程序,从而实现各种功能,如下:
获取交易系统中预设历史区间段的虚拟资源转移信息,根据该虚拟资源转移信息分析交易系统中各个转移渠道的处理效果,得到参考数据,以及按照预设维度对该虚拟资源转移信息进行解析,得到解析后数据,然后,根据该参考数据和解析后数据对预设渠道评估模型进行训练,基于该训练后评估模型确定所述交易系统中未来预设区间段内虚拟资源的转移渠道,以对该未来预设区间段内的虚拟资源进行转移。
例如,具体可以根据该参考数据和解析后数据对各个转移渠道的成本进行核算,采用核算结果对预设渠道评估模型进行训练,得到训练后评估模型,然后,对未来预设区间段内的虚拟资源转移业务趋势进行预测,得到预测业务信息,将该预测业务信息导入该训练后评估模型,以确定交易系统中未来预设区间段内虚拟资源的转移渠道,此后,便可以通过确定的转移渠道对该未来区间段内的虚拟资源进行转移。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
由上可知,本实施例的服务器可以获取交易系统中预设历史区间段的虚拟资源转移信息,根据该虚拟资源转移信息分析交易系统中各个转移渠道的处理效果,得到参考数据,以及按照预设维度对该虚拟资源转移信息进行解析,得到解析后数据,然后,根据该参考数据和解析后数据对预设渠道评估模型进行训练,并基于该训练后评估模型确定该交易系统中未来预设区间段内虚拟资源的转移渠道,以对该未来预设区间段内的虚拟资源进行转移;由于该方案可以结合各虚拟资源转移信息的具体情况和各个转移渠道的处理效果来训练渠道评估模型,以实现对未来预设区间段内虚拟资源转移渠道的自适应选择,因此,相对于现有只能人工配置的方案而言,可以大大提高灵活性和处理效率,而且,由于该渠道评估模型是结合各虚拟资源转移信息的具体情况和各个转移渠道的处理效果训练而成的,因此,不受维护人员经验的限制,可以大大改善调配效果,有利于资源的优化利用。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本发明实施例提供一种存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本发明实施例所提供的任一种虚拟资源转移方法中的步骤。例如,该指令可以执行如下步骤:
获取交易系统中预设历史区间段的虚拟资源转移信息,根据该虚拟资源转移信息分析交易系统中各个转移渠道的处理效果,得到参考数据,以及按照预设维度对该虚拟资源转移信息进行解析,得到解析后数据,然后,根据该参考数据和解析后数据对预设渠道评估模型进行训练,基于该训练后评估模型确定所述交易系统中未来预设区间段内虚拟资源的转移渠道,以对该未来预设区间段内的虚拟资源进行转移。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令,可以执行本发明实施例所提供的任一种虚拟资源转移方法中的步骤,因此,可以实现本发明实施例所提供的任一种虚拟资源转移方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上对本发明实施例所提供的一种虚拟资源转移方法、装置、服务器和存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (15)
1.一种虚拟资源转移方法,其特征在于,包括:
获取交易系统中预设历史区间段的虚拟资源转移信息;
根据所述虚拟资源转移信息分析交易系统中各个转移渠道的处理效果,得到参考数据;
按照预设维度对所述虚拟资源转移信息进行解析,得到解析后数据;
根据所述参考数据和解析后数据对预设渠道评估模型进行训练,得到训练后评估模型;
基于所述训练后评估模型确定所述交易系统中未来预设区间段内虚拟资源的转移渠道,以对所述未来预设区间段内的虚拟资源进行转移。
2.根据权利要求1所述的方法,其特征在于,所述根据所述参考数据和解析后数据对预设渠道评估模型进行训练,得到训练后评估模型,包括:
根据所述参考数据和解析后数据对各个转移渠道的成本进行核算;
采用核算结果对预设渠道评估模型进行训练,得到训练后评估模型。
3.根据权利要求2所述的方法,其特征在于,所述根据所述参考数据和解析后数据对各个转移渠道的成本进行核算,包括:
采用预设第一函数对所述参考数据和解析后数据进行计算,得到各个转移渠道的成本参数值;
所述采用核算结果对预设渠道评估模型进行训练,得到训练后评估模型,包括:采用预设第二函数对所述参考数据和解析后数据进行计算,得到正向收益值;采用第三函数对所述参考数据和解析后数据进行计算,得到收益抵消值;采用预设渠道评估模型对所述正向收益值、成本参数值和收益抵消值进行计算,得到训练后评估模型。
4.根据权利要求1所述的方法,其特征在于,所述根据所述虚拟资源转移信息分析交易系统中各个转移渠道的处理效果,得到参考数据,包括:
根据所述虚拟资源转移信息分析交易系统中各个转移渠道的性能指标;
根据所述各个转移渠道当前的性能指标对各个转移渠道的能力值进行计算,得到参考数据。
5.根据权利要求1所述的方法,其特征在于,所述预设维度至少包括虚拟资源的转移渠道、转移量、产品类型、结算模式和资金周期,所述按照预设维度对所述虚拟资源转移信息进行解析,得到解析后数据,包括:
解析虚拟资源转移信息,以确定虚拟资源的转移渠道、转移量、产品类型、结算模式和资金周期;
建立所述虚拟资源转移信息与其对应的虚拟资源的转移渠道、转移量、产品类型、结算模式和资金周期的映射关系,得到解析后数据。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述基基于所述训练后评估模型确定所述交易系统中未来预设区间段内虚拟资源的转移渠道,包括:
对未来预设区间段内的虚拟资源转移业务趋势进行预测,得到预测业务信息;
将所述预测业务信息导入所述训练后评估模型,以确定所述交易系统中未来预设区间段内虚拟资源的转移渠道。
7.根据权利要求6所述的方法,其特征在于,所述训练后评估模型包括至少两个同构的评估子模型,且各个评估子模型交替更新,则所述将所述预测业务信息导入所述训练后评估模型,以确定所述交易系统中未来预设区间段内虚拟资源的转移渠道,包括:
当监测到其中一个评估子模型正在更新时,将所述预测业务信息导入其他评估子模型,以确定所述交易系统中未来预设区间段内虚拟资源的转移渠道。
8.根据权利要求6所述的方法,其特征在于,所述将所述预测业务信息导入所述训练后评估模型之前,还包括:
监测所述训练后评估模型是否异常;
若是,则对所述训练后评估模型进行降级,并将所述预测业务信息导入降级后评估模型;
若否,则执行将所述预测业务信息导入所述训练后评估模型的步骤。
9.根据权利要求6所述的方法,其特征在于,所述对未来预设区间段内的虚拟资源转移业务趋势进行预测,得到预测业务信息,包括:
获取需要预测虚拟资源转移业务趋势的未来区间段;
根据所述未来区间段对预设的业务预测模型进行设置;
采用设置后业务预测模型对所述解析后数据进行计算,得到预测业务信息。
10.根据权利要求6所述的方法,其特征在于,所述根据所述未来区间段对预设的业务预测模型进行设置之前,还包括:
根据所述历史区间段和解析后数据对预设初始模型进行训练,得到业务预测模型。
11.根据权利要求1至5任一项所述的方法,其特征在于,所述基于所述训练后评估模型确定所述交易系统中未来预设区间段内虚拟资源的转移渠道之前,还包括:
获取当前环境信息;
根据所述当前环境信息对训练后评估模型进行调整,得到调整后评估模型;
所述基于所述训练后评估模型确定所述交易系统中未来预设区间段内虚拟资源的转移渠道,包括:基于所述调整后评估模型确定所述交易系统中未来预设区间段内虚拟资源的转移渠道。
12.根据权利要求11所述的方法,其特征在于,所述获取当前环境信息,包括:
确定分析交易系统中各个转移渠道当前的性能指标;
根据所述各个转移渠道当前的性能指标对各个转移渠道的能力值进行计算,得到当前环境信息。
13.一种虚拟资源转移装置,其特征在于,包括:
获取单元,用于获取交易系统中预设历史区间段的虚拟资源转移信息;
效果分析单元,用于根据所述虚拟资源转移信息分析交易系统中各个转移渠道的处理效果,得到参考数据;
解析单元,按照预设维度对所述虚拟资源转移信息进行解析,得到解析后数据;
训练单元,用于根据所述参考数据和解析后数据对预设渠道评估模型进行训练,得到训练后评估模型;
转移单元,用于基于所述训练后评估模型确定所述交易系统中未来预设区间段内虚拟资源的转移渠道,以对所述未来预设区间段内的虚拟资源进行转移。
14.一种服务器,包括存储器和处理器,其特征在于,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至12中任一项所述的虚拟资源转移方法中的步骤。
15.一种存储介质,其特征在于,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行权利要求1至12任一项所述的虚拟资源转移方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810510335.6A CN108764863B (zh) | 2018-05-24 | 2018-05-24 | 一种数据转移方法、装置、服务器和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810510335.6A CN108764863B (zh) | 2018-05-24 | 2018-05-24 | 一种数据转移方法、装置、服务器和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108764863A true CN108764863A (zh) | 2018-11-06 |
CN108764863B CN108764863B (zh) | 2021-10-29 |
Family
ID=64006151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810510335.6A Active CN108764863B (zh) | 2018-05-24 | 2018-05-24 | 一种数据转移方法、装置、服务器和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108764863B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110232597A (zh) * | 2019-06-14 | 2019-09-13 | 苏州开心盒子软件有限公司 | 广告渠道的评估方法、装置、设备和存储介质 |
CN110490595A (zh) * | 2019-07-26 | 2019-11-22 | 阿里巴巴集团控股有限公司 | 一种风险控制方法和装置 |
CN110570312A (zh) * | 2019-09-17 | 2019-12-13 | 深圳追一科技有限公司 | 样本数据获取方法、装置、计算机设备和可读存储介质 |
CN110852870A (zh) * | 2019-11-01 | 2020-02-28 | 腾讯科技(深圳)有限公司 | 一种虚拟资源转移方法、装置、设备及可读存储介质 |
CN110880107A (zh) * | 2019-11-07 | 2020-03-13 | 南方电网财务有限公司 | 财务资源转移方法、装置、计算机设备和存储介质 |
CN110942298A (zh) * | 2019-11-12 | 2020-03-31 | 北京三快在线科技有限公司 | 支付数据传输控制方法、装置、电子设备及存储介质 |
CN111028075A (zh) * | 2019-12-12 | 2020-04-17 | 腾讯科技(深圳)有限公司 | 虚拟资源转移方法、装置及设备 |
CN111160614A (zh) * | 2019-12-04 | 2020-05-15 | 支付宝(杭州)信息技术有限公司 | 资源转移预测模型的训练方法、装置及计算设备 |
CN111260372A (zh) * | 2020-01-21 | 2020-06-09 | 腾讯科技(深圳)有限公司 | 资源转移用户群确定方法、装置、计算机设备和存储介质 |
CN111447113A (zh) * | 2020-03-25 | 2020-07-24 | 中国建设银行股份有限公司 | 一种系统监控方法和装置 |
CN112017028A (zh) * | 2020-08-28 | 2020-12-01 | 中国银行股份有限公司 | 一种汇款路径推荐方法及装置 |
CN112580911A (zh) * | 2019-09-29 | 2021-03-30 | 北京国双科技有限公司 | 资源管理方法、装置、计算机设备和存储介质 |
CN113269554A (zh) * | 2021-05-12 | 2021-08-17 | 河北幸福消费金融股份有限公司 | 数据对比方法、系统以及存储介质 |
CN113344282A (zh) * | 2021-06-23 | 2021-09-03 | 中国光大银行股份有限公司 | 容量数据处理、调配的方法、系统和计算机可读介质 |
WO2023015615A1 (zh) * | 2021-08-11 | 2023-02-16 | 未鲲(上海)科技服务有限公司 | 基于预测模型的多渠道资金调拨方法、装置、设备和介质 |
CN116109395A (zh) * | 2023-03-27 | 2023-05-12 | 北京沐融信息科技股份有限公司 | 一种智能路由的更新方法、装置、电子设备和介质 |
CN117011062A (zh) * | 2023-08-30 | 2023-11-07 | 广州佳新智能科技有限公司 | 基于互联网的银行资金支付方法、系统和计算机设备 |
CN117291729A (zh) * | 2023-11-27 | 2023-12-26 | 深圳市易图资讯股份有限公司 | 一种固定资产投资管理大数据信息系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160086185A1 (en) * | 2014-10-15 | 2016-03-24 | Brighterion, Inc. | Method of alerting all financial channels about risk in real-time |
CN107808220A (zh) * | 2017-10-30 | 2018-03-16 | 北京金堤科技有限公司 | 一种收入预测方法及装置 |
CN107967530A (zh) * | 2017-06-22 | 2018-04-27 | 深圳市盈华讯方通信技术有限公司 | 基于数据分析的支付渠道推选方法及其系统 |
-
2018
- 2018-05-24 CN CN201810510335.6A patent/CN108764863B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160086185A1 (en) * | 2014-10-15 | 2016-03-24 | Brighterion, Inc. | Method of alerting all financial channels about risk in real-time |
CN107967530A (zh) * | 2017-06-22 | 2018-04-27 | 深圳市盈华讯方通信技术有限公司 | 基于数据分析的支付渠道推选方法及其系统 |
CN107808220A (zh) * | 2017-10-30 | 2018-03-16 | 北京金堤科技有限公司 | 一种收入预测方法及装置 |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110232597A (zh) * | 2019-06-14 | 2019-09-13 | 苏州开心盒子软件有限公司 | 广告渠道的评估方法、装置、设备和存储介质 |
CN110490595A (zh) * | 2019-07-26 | 2019-11-22 | 阿里巴巴集团控股有限公司 | 一种风险控制方法和装置 |
CN110490595B (zh) * | 2019-07-26 | 2023-08-25 | 创新先进技术有限公司 | 一种风险控制方法和装置 |
CN110570312A (zh) * | 2019-09-17 | 2019-12-13 | 深圳追一科技有限公司 | 样本数据获取方法、装置、计算机设备和可读存储介质 |
CN112580911A (zh) * | 2019-09-29 | 2021-03-30 | 北京国双科技有限公司 | 资源管理方法、装置、计算机设备和存储介质 |
CN110852870A (zh) * | 2019-11-01 | 2020-02-28 | 腾讯科技(深圳)有限公司 | 一种虚拟资源转移方法、装置、设备及可读存储介质 |
CN110880107A (zh) * | 2019-11-07 | 2020-03-13 | 南方电网财务有限公司 | 财务资源转移方法、装置、计算机设备和存储介质 |
CN110880107B (zh) * | 2019-11-07 | 2022-11-11 | 南方电网财务有限公司 | 财务资源转移方法、装置、计算机设备和存储介质 |
CN110942298A (zh) * | 2019-11-12 | 2020-03-31 | 北京三快在线科技有限公司 | 支付数据传输控制方法、装置、电子设备及存储介质 |
CN111160614A (zh) * | 2019-12-04 | 2020-05-15 | 支付宝(杭州)信息技术有限公司 | 资源转移预测模型的训练方法、装置及计算设备 |
CN111028075A (zh) * | 2019-12-12 | 2020-04-17 | 腾讯科技(深圳)有限公司 | 虚拟资源转移方法、装置及设备 |
CN111028075B (zh) * | 2019-12-12 | 2024-05-14 | 腾讯科技(深圳)有限公司 | 虚拟资源转移方法、装置及设备 |
CN111260372B (zh) * | 2020-01-21 | 2023-04-21 | 腾讯科技(深圳)有限公司 | 资源转移用户群确定方法、装置、计算机设备和存储介质 |
CN111260372A (zh) * | 2020-01-21 | 2020-06-09 | 腾讯科技(深圳)有限公司 | 资源转移用户群确定方法、装置、计算机设备和存储介质 |
CN111447113A (zh) * | 2020-03-25 | 2020-07-24 | 中国建设银行股份有限公司 | 一种系统监控方法和装置 |
CN112017028B (zh) * | 2020-08-28 | 2024-04-30 | 中国银行股份有限公司 | 一种汇款路径推荐方法及装置 |
CN112017028A (zh) * | 2020-08-28 | 2020-12-01 | 中国银行股份有限公司 | 一种汇款路径推荐方法及装置 |
CN113269554A (zh) * | 2021-05-12 | 2021-08-17 | 河北幸福消费金融股份有限公司 | 数据对比方法、系统以及存储介质 |
CN113344282A (zh) * | 2021-06-23 | 2021-09-03 | 中国光大银行股份有限公司 | 容量数据处理、调配的方法、系统和计算机可读介质 |
WO2023015615A1 (zh) * | 2021-08-11 | 2023-02-16 | 未鲲(上海)科技服务有限公司 | 基于预测模型的多渠道资金调拨方法、装置、设备和介质 |
CN116109395A (zh) * | 2023-03-27 | 2023-05-12 | 北京沐融信息科技股份有限公司 | 一种智能路由的更新方法、装置、电子设备和介质 |
CN117011062B (zh) * | 2023-08-30 | 2024-04-12 | 广州佳新智能科技有限公司 | 基于互联网的银行资金支付方法、系统和计算机设备 |
CN117011062A (zh) * | 2023-08-30 | 2023-11-07 | 广州佳新智能科技有限公司 | 基于互联网的银行资金支付方法、系统和计算机设备 |
CN117291729B (zh) * | 2023-11-27 | 2024-02-20 | 深圳市易图资讯股份有限公司 | 一种固定资产投资管理大数据信息系统 |
CN117291729A (zh) * | 2023-11-27 | 2023-12-26 | 深圳市易图资讯股份有限公司 | 一种固定资产投资管理大数据信息系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108764863B (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764863A (zh) | 一种虚拟资源转移方法、装置、服务器和存储介质 | |
KR101667697B1 (ko) | 네트워크 컴퓨팅 자원에 의한 데이터 동기화 프로세싱 | |
CN109146440A (zh) | 交易结算方法、装置、服务器以及存储介质 | |
CN108681964A (zh) | 一种交易结算系统及交易结算控制方法 | |
CN109191110A (zh) | 后付费交易数据处理方法、装置、处理设备、及服务器 | |
US20110191216A1 (en) | System and method for calculating taxes and multi-currency pricing | |
CN107534584A (zh) | 通过网络化计算资源对数据进行协调处理 | |
US7797238B2 (en) | Balance rewards account system and method | |
RU2006135838A (ru) | Способ и система для авансирования денежных средств | |
CN104616194A (zh) | 一种数据处理方法及支付平台 | |
CN108550047A (zh) | 交易量的预测方法及装置 | |
CN103258388A (zh) | 自动交易装置和服务器、以及用于预测现金需求量的方法 | |
CN104951977A (zh) | 基于累积金额的银行卡使用方法和装置 | |
CN107844974A (zh) | 处理金融交易的系统及方法 | |
CN110084682A (zh) | 订单审核结算方法、系统、设备及存储介质 | |
CN110163634A (zh) | 基于区块链的退款方法和装置、电子设备 | |
US20080109288A1 (en) | Systems and methods for post-trade transaction cost estimation of transaction costs | |
CN110246014A (zh) | 账单核销调度方法、装置及服务器 | |
CN111145029A (zh) | 基于大数据的期货与股票的交易方法、系统及设备 | |
WO2007019085A2 (en) | System and method for organization of financial structured products | |
CN110111197A (zh) | 一种跨区域应收账款债权流转清算方法及系统 | |
CN110348983A (zh) | 交易信息管理方法及装置、电子设备和非暂态存储介质 | |
CN104239413A (zh) | 一种电网数据在线分析处理方法 | |
CN109087192A (zh) | 金融交易控制方法及金融交易控制装置 | |
Guy | Retail store development at the margin |
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 |