CN109146664A - 一种针对金融账户的分类存储方法 - Google Patents
一种针对金融账户的分类存储方法 Download PDFInfo
- Publication number
- CN109146664A CN109146664A CN201810806531.8A CN201810806531A CN109146664A CN 109146664 A CN109146664 A CN 109146664A CN 201810806531 A CN201810806531 A CN 201810806531A CN 109146664 A CN109146664 A CN 109146664A
- Authority
- CN
- China
- Prior art keywords
- account
- network layer
- storage network
- finance
- storage
- 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
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
- G06F3/0601—Interfaces specially adapted for storage systems
- G06F3/0602—Interfaces specially adapted for storage systems specifically adapted to achieve a particular effect
- G06F3/0625—Power saving in storage systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
- G06F3/0601—Interfaces specially adapted for storage systems
- G06F3/0668—Interfaces specially adapted for storage systems adopting a particular infrastructure
- G06F3/067—Distributed or networked storage systems, e.g. storage area networks [SAN], network attached storage [NAS]
Abstract
本发明涉及信息技术领域,尤其涉及一种针对数据中心金融账户的分类存储方法,包括一预设步骤,采用机器学习形成一预设模型,还包括:步骤S1,获取一金融账户的账户数据;步骤S2,根据账户数据判断分析得到金融账户是否属于恶意账户的分析结果的复杂度等级;步骤S3,根据复杂度等级,将账户数据存储至对应读写速率的存储网络层中并利用存储网络层中的控制器和或处理器进行深度账户分析;能够针对不同的金融账户进行合理的分类和存储,从而为不同复杂度等级的金融账户配置对应的硬件资源,实现资源和功耗的最优配置。
Description
技术领域
本发明涉及信息技术领域,尤其涉及一种针对金融账户的分类存储方法。
背景技术
在当前的银行账户中,有一些是参与洗钱、诈骗,甚至恐怖活动的,被称为恶意账户。它们隐藏在大量的正常账户之间,通过常规人工手段寻找它们既费力,准确性也不高。由于在当今社会,所有的银行账户信息都是存在银行的数据中心里的,若是通过机器学习算法,利用数据中心的运算能力寻找恶意账户,则可大大提升查找效率。目前恶意账户的寻找一般是CPU(Central Processing Unit中央处理器,简称CPU)或者GPU(GraphicsProcessing Unit图形处理器,简称GPU)通过DRAM(Dynamic Random Access Memory动态随机访问存储网络层,简称DRAM)执行相应的算法来查找,但CPU和GPU需要执行需要耗费大量的功耗,同时DRAM的刷新也会带来大量的功耗。同时目前的数据中心需要分析每一个账户的行为,对于那些100%可能是恶意账户或者100%可能是正常账户的,其并不需要分析账户的行为,而对于那些存在一定可能是恶意账户的,需要不停的监控和分析,但在目前的数据中心中,无论账户是恶意账户的可能性是多少,均通过CPU或者GPU通过DRAM进行分析和监控,这会进一步加大数据中心的功耗。
发明内容
针对上述问题,本发明提出了一种针对数据中心中金融账户的分类存储方法,其中,包括一预设步骤,采用机器学习形成一预设模型,还包括:
步骤S1,获取一金融账户的账户数据;
步骤S2,根据所述账户数据判断分析得到所述金融账户是否属于恶意账户的分析结果的复杂度等级;
步骤S3,根据所述复杂度等级,将所述账户数据存储至对应读写速率的存储网络层中进行深度账户分析;
其中,所述数据中心包括网络设备层、服务器层和所述存储网络层,所述深度账户分析在所述存储网络层中的控制器和/或处理器中于离线模式下进行。
上述的分类存储方法,其中,所述步骤S2中,所述复杂度等级包括通过复杂度比例进行划分的一第一等级、一第二等级和一第三等级;
按照所述复杂度比例进行比较,所述第一等级<所述第二等级<所述第三等级;
所述步骤S3中,所述存储网络层包括读写速率由小到大排列的一第一存储网络层、一第二存储网络层和一第三存储网络层;
所述第一等级的所述账户数据存储至所述第一存储网络层中;
所述第二等级的所述账户数据存储至所述第二存储网络层中;
所述第三等级的所述账户数据存储至所述第三存储网络层中。
上述的分类存储方法,其中,所述第一存储网络层、所述第二存储网络层和所述第三存储网络层均为机械硬盘。
上述的分类存储方法,其中,所述第一存储网络层的转速为2800~5600rpm。
上述的分类存储方法,其中,所述第二存储网络层的转速为7000~7400rpm。
上述的分类存储方法,其中,所述第二存储网络层的转速为9000~16000rpm。
上述的分类存储方法,其中,所述账户数据包括交易记录的对象信息,和/或时间信息,和/或频率信息,和/或金额信息。
有益效果:本发明提出的一种针对金融账户的分类存储方法,能够针对不同的金融账户进行合理的分类和存储,从而为不同复杂度等级的金融账户配置对应的硬件资源,实现资源和功耗的最优配置。
附图说明
图1为本发明一实施例中针对金融账户的分类存储方法的步骤流程图。
具体实施方式
下面结合附图和实施例对本发明进行进一步说明。
在一个较佳的实施例中,如图1所示,提出了一种针对数据中心中金融账户的分类存储方法,包括一预设步骤,采用机器学习形成一预设模型,还包括:
步骤S1,获取一金融账户的账户数据;
步骤S2,根据账户数据判断分析得到金融账户是否属于恶意账户的分析结果的复杂度等级;
步骤S3,根据复杂度等级,将账户数据存储至对应读写速率的存储网络层中进行深度账户分析;
其中,所述数据中心包括网络设备层、服务器层和存储网络层,所述深度账户分析在所述存储网络层中的控制器和/或处理器中于离线模式下进行。
上述技术方案中,不同的金融账户往往会产生不同的账户行为信息,举例来说,当用户通过对应的金融账户进行饮食类的账户支付时,该金融账户中或者用于存储该金融账户的存储媒介中会将此次账户行为数据记录下来,用于对该金融账户是否为恶意账户进行分析;恶意账户例如为用于洗钱的账户等。
如若账户行为全部为衣食住行等简单的基本生活活动,则可以认为该金融账户为正常账户,即复杂度等级最低,此时可以将该金融账户的账户数据存储在对应的读写速率低的存储网络层/存储区域中;如若账户行为全部为来源或去向不明的支入支出活动时,则可以认为该金融账户为恶意账户,即复杂度等级也最低,此时也可以将该金融账户的账户数据存储在对应的读写速率低的存储网络层/存储区域中;如若账户行为中既包括衣食住行等简单的基本生活活动,又包括来源或去向不明的支入支出活动时,此时可以将该金融账户的账户数据存储在对应的读写速率高的存储网络层/存储区域中。
复杂度等级可以按照实际的情况进行多级划分,也可以按照特定的规则进行评定,在此不再赘述;一般来说,账户行为复杂且无法确定的金融账户,应存储在读写速率较高的存储网络层/存储区域中进行进一步的深度分析;进一步的深度分析的过程可以是通过存储网络层/存储区域中的控制单元完成,也可以是通过外部连接的控制器完成的;深度分析的过程具体例如首先判断账户行为是否存在来源或去向不明的支入支出活动,若存在,判断其来源或去向不明的支入支出活动所占总支出活动的占比,若为100%,则复杂度最低;若为50%,则复杂度居中;若为10%,则复杂度最高。且账户行为不存在来源或去向不明的支入支出活动同样视为复杂度最低。
上述技术方案中,机器学习形成模型的具体算法为:朴素贝叶斯算法,或逻辑回归算法,或线性回归算法,或非线性回归算法,或最近邻算法,或决策树算法,或支持向量机算法,或人工神经网络。
上述技术方案中,机器学习形成模型的过程可以是通过存储网络层/存储区域中的控制单元完成,也可以是通过外部连接的中央处理器或图形处理器等控制器完成的。
在一个较佳的实施例中,步骤S2中,步骤S2中,复杂度等级包括通过复杂度比例进行划分的一第一等级、一第二等级和一第三等级;
按照复杂度比例进行比较,第一等级<第二等级<第三等级;
步骤S3中,存储网络层包括读写速率由小到大排列的一第一存储网络层、一第二存储网络层和一第三存储网络层;
第一等级的账户数据存储至第一存储网络层中;
第二等级的账户数据存储至第二存储网络层中;
第三等级的账户数据存储至第三存储网络层中。
上述实施例中,优选地,第一存储网络层、第二存储网络层和第三存储网络层均为机械硬盘。
上述实施例中,优选地,第一存储网络层的转速可以为2800~5600rpm(每分钟转动次数),举例来说,可以是2900rpm,或3000rpm,或3100rpm,或3200rpm,或3500rpm,或3800rpm,或5000rpm,或5400rpm等。
上述实施例中,优选地,第二存储网络层的转速为7000~7400rpm,举例来说,可以是7050rpm,或7100rpm,或7150rpm,或7200rpm,或7250rpm,或7300rpm,或7350rpm等。
上述实施例中,优选地,第二存储网络层的转速为9000~16000rpm,举例来说,可以是9100rpm,或9500rpm,或10000rpm,或11000rpm,或12000rpm,或13000rpm,或14000rpm,或15000rpm等。
在一个较佳的实施例中,账户数据包括交易记录的对象信息,和/或时间信息,和/或频率信息,和/或金额信息等。
综上所述,本发明提出的一种针对金融账户的分类存储方法,包括一预设步骤,采用机器学习形成一预设模型,还包括:步骤S1,获取一金融账户的账户数据;步骤S2,根据账户数据判断分析得到金融账户是否属于恶意账户的分析结果的复杂度等级;步骤S3,根据复杂度等级,将账户数据存储至对应读写速率的存储网络层中进行深度账户分析;能够针对不同的金融账户进行合理的分类和存储,从而为不同复杂度等级的金融账户配置对应的硬件资源,实现资源和功耗的最优配置。
通过说明和附图,给出了具体实施方式的特定结构的典型实施例,基于本发明精神,还可作其他的转换。尽管上述发明提出了现有的较佳实施例,然而,这些内容并不作为局限。
对于本领域的技术人员而言,阅读上述说明后,各种变化和修正无疑将显而易见。因此,所附的权利要求书应看作是涵盖本发明的真实意图和范围的全部变化和修正。在权利要求书范围内任何和所有等价的范围与内容,都应认为仍属本发明的意图和范围内。
Claims (7)
1.一种针对数据中心中金融账户的分类存储方法,其特征在于,包括一预设步骤,采用机器学习形成一预设模型,还包括:
步骤S1,获取一金融账户的账户数据;
步骤S2,根据所述账户数据判断分析得到所述金融账户是否属于恶意账户的分析结果的复杂度等级;
步骤S3,根据所述复杂度等级,将所述账户数据存储至对应读写速率的存储网络层中进行深度账户分析;
其中,所述数据中心包括网络设备层、服务器层和所述存储网络层,所述深度账户分析在所述存储网络层中的控制器和/或处理器中于离线模式下进行。
2.根据权利要求1所述的分类存储方法,其特征在于,所述步骤S2中,所述复杂度等级包括通过复杂度比例进行划分的一第一等级、一第二等级和一第三等级;
按照所述复杂度比例进行比较,所述第一等级<所述第二等级<所述第三等级;
所述步骤S3中,所述存储网络层包括读写速率由小到大排列的一第一存储网络层、一第二存储网络层和一第三存储网络层;
所述第一等级的所述账户数据存储至所述第一存储网络层中;
所述第二等级的所述账户数据存储至所述第二存储网络层中;
所述第三等级的所述账户数据存储至所述第三存储网络层中。
3.根据权利要求2所述的分类存储方法,其特征在于,所述第一存储网络层、所述第二存储网络层和所述第三存储网络层均为机械硬盘。
4.根据权利要求3所述的分类存储方法,其特征在于,所述第一存储网络层的转速为2800~5600rpm。
5.根据权利要求3所述的分类存储方法,其特征在于,所述第二存储网络层的转速为7000~7400rpm。
6.根据权利要求3所述的分类存储方法,其特征在于,所述第二存储网络层的转速为9000~16000rpm。
7.根据权利要求1所述的分类存储方法,其特征在于,所述账户数据包括交易记录的对象信息,和/或时间信息,和/或频率信息,和/或金额信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810806531.8A CN109146664A (zh) | 2018-07-20 | 2018-07-20 | 一种针对金融账户的分类存储方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810806531.8A CN109146664A (zh) | 2018-07-20 | 2018-07-20 | 一种针对金融账户的分类存储方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109146664A true CN109146664A (zh) | 2019-01-04 |
Family
ID=64801494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810806531.8A Pending CN109146664A (zh) | 2018-07-20 | 2018-07-20 | 一种针对金融账户的分类存储方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109146664A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104598780A (zh) * | 2013-10-31 | 2015-05-06 | 阿里巴巴集团控股有限公司 | 账户识别方法和系统 |
CN105005931A (zh) * | 2014-04-24 | 2015-10-28 | 中国银联股份有限公司 | 转账交易的风险控制方法及装置 |
CN105474224A (zh) * | 2013-08-26 | 2016-04-06 | 苹果公司 | 在电子设备上安全地提供凭据 |
CN106549974A (zh) * | 2016-12-06 | 2017-03-29 | 北京知道创宇信息技术有限公司 | 预测社交网络账户是否恶意的设备、方法及系统 |
-
2018
- 2018-07-20 CN CN201810806531.8A patent/CN109146664A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105474224A (zh) * | 2013-08-26 | 2016-04-06 | 苹果公司 | 在电子设备上安全地提供凭据 |
CN104598780A (zh) * | 2013-10-31 | 2015-05-06 | 阿里巴巴集团控股有限公司 | 账户识别方法和系统 |
CN105005931A (zh) * | 2014-04-24 | 2015-10-28 | 中国银联股份有限公司 | 转账交易的风险控制方法及装置 |
CN106549974A (zh) * | 2016-12-06 | 2017-03-29 | 北京知道创宇信息技术有限公司 | 预测社交网络账户是否恶意的设备、方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9953160B2 (en) | Applying multi-level clustering at scale to unlabeled data for anomaly detection and security | |
Butaru et al. | Risk and risk management in the credit card industry | |
Wei et al. | A case study of applying LRFM model in market segmentation of a children’s dental clinic | |
Wang et al. | Large unbalanced credit scoring using lasso-logistic regression ensemble | |
Lucas et al. | Credit card fraud detection using machine learning: A survey | |
KR102348536B1 (ko) | 기계 학습 기반의 이상 행위 탐지 방법 및 그 장치 | |
Azmandian et al. | GPU-accelerated feature selection for outlier detection using the local kernel density ratio | |
US20200286095A1 (en) | Method, apparatus and computer programs for generating a machine-learning system and for classifying a transaction as either fraudulent or genuine | |
Tuluptceva et al. | Perceptual image anomaly detection | |
CN107179827A (zh) | 一种金融设备的智能交互方法及系统 | |
Djurisic et al. | Bank CRM optimization using predictive classification based on the support vector machine method | |
CN104484600B (zh) | 一种基于改进密度聚类的入侵检测方法及装置 | |
Zhang et al. | Optimizing hyper-parameters of neural networks with swarm intelligence: A novel framework for credit scoring | |
Goldstein et al. | Behavior analysis using unsupervised anomaly detection | |
Skillicorn | Adversarial knowledge discovery | |
Folorunso et al. | A hybrid model for post-treatment mortality rate classification of patients with breast cancer | |
CN109146664A (zh) | 一种针对金融账户的分类存储方法 | |
Sobreiro et al. | A slr on customer dropout prediction | |
Gadzinski et al. | Combining white box models, black box machines and human interventions for interpretable decision strategies | |
Kashef et al. | Classification of Outlier’s Detection Methods Based on Quantitative or Semantic Learning | |
Papatla et al. | Leveraging the strengths of choice models and neural networks: A multiproduct comparative analysis | |
Rahmani et al. | Detecting fraudulent transactions in banking cards using scale‐free graphs | |
CN110990164B (zh) | 账户检测方法和装置、账户检测模型的训练方法和装置 | |
Bailey | Statistical Measures for Contrast Patterns. | |
Sharma et al. | Credit card fraud detection using machine learning algorithms |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190104 |
|
WD01 | Invention patent application deemed withdrawn after publication |