CN109409948A - 交易异常检测方法、装置、设备及计算机可读存储介质 - Google Patents
交易异常检测方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109409948A CN109409948A CN201811195754.1A CN201811195754A CN109409948A CN 109409948 A CN109409948 A CN 109409948A CN 201811195754 A CN201811195754 A CN 201811195754A CN 109409948 A CN109409948 A CN 109409948A
- Authority
- CN
- China
- Prior art keywords
- transaction
- data
- call
- full dose
- tree
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Debugging And Monitoring (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种交易异常检测方法,包括:采集各数据中心所有子系统间的交易调用数据并存储;读取同一笔交易的全量交易调用数据;加载检测模型并基于所述检测模型对所述全量交易调用数据进行检测,其中,所述检测模型通过学习历史交易规律所生成;基于所述检测模型输出的检测结果,确定所述交易是否存在异常。本发明还公开了一种交易异常检测装置、检测设备以及计算机可读存储介质。本发明实现了交易异常的自动化检测,提升了交易故障排查效率,同时也加强了管理方对交易过程的整体把控。
Description
技术领域
本发明涉及智能运维领域,尤其涉及一种交易异常检测方法、装置、设备及计算机可读存储介质。
背景技术
当前流行分布式架构中,为了支持海量服务的业务,通常会将不同的服务功能拆分到不同的子系统,子系统间利用RPC(Remote Procedure Call,远程过程调用)、HTTP(HyperText Transfer Protoco,超文本传输协议)、消息等方式进行通讯。在一次交易场景下,可能会涉及多次服务调用,也即一次交易需要经过多个子系统,这些子系统分别用来处理用户查询、余额查询等交易环节,最后汇总到前置子系统并反馈到用户侧。
由上述分布式架构下的交易过程可知,一次交易可能涉及到上百成千台服务器,任何一次调用都可能耗时过高,都可能出现故障。如果某个交易场景耗时过高或者发生故障等异常,运维工程师几乎无法准确的定位到整个交易过程是调用了哪些子服务,只能凭借经验或借助一些自动化工具,从多个子系统对应的多台机器过滤得到一些日志来排查问题,但是排查非常低效。因为每个子服务以及每个子系统都可能由不同的团队维护,有可能在任何时候上过线或者修改过,因而很难苛刻要求运维工程师对整个交易过程了如指掌,进而难以提升交易故障排查效率。
发明内容
本发明的主要目的在于提供一种交易异常检测方法、装置、设备及计算机可读存储介质,旨在解决现有分布式系统中交易故障排查效率低的技术问题。
为实现上述目的,本发明提供一种交易异常检测方法,应用于分布式系统,所述交易异常检测方法包括:
采集各数据中心所有子系统间的交易调用数据并存储;
读取同一笔交易的全量交易调用数据;
加载检测模型并基于所述检测模型对所述全量交易调用数据进行检测,其中,所述检测模型通过学习历史交易规律所生成;
基于所述检测模型输出的检测结果,确定所述交易是否存在异常。
可选地,所述采集各数据中心所有子系统间的交易调用数据并存储的步骤包括:
采集各数据中心所有子系统间的交易调用数据并存入缓存中;
或者,采集各数据中心所有子系统间的交易调用数据并存入消息队列;
所述读取同一笔交易的全量交易调用数据的步骤包括:
依次从缓存中读取同一笔交易的全量交易调用数据;
或者,依次从所述消息队列中读取同一笔交易的全量交易调用数据,或者由消息队列推送同一笔交易的全量交易调用数据。
可选地,在所述加载检测模型并基于所述检测模型对所述全量交易调用数据进行检测的步骤之前,还包括:
采用生成树算法将同一笔交易的全量交易调用数据生成对应的交易调用树;
对所述交易调用树进行预处理,得到预处理后的交易调用树;
所述加载检测模型并基于所述检测模型对所述全量交易调用数据进行检测的步骤包括:
加载检测模型并基于所述检测模型对所述全量交易调用数据的交易调用树进行检测。
可选地,在所述采集各数据中心所有子系统间的交易调用数据并存储的步骤之后,还包括:
读取同一笔交易的全量交易调用数据;
采用生成树算法将同一笔交易的全量交易调用数据生成对应的交易调用树;
对所述交易调用树进行预处理,并将预处理后的所述交易调用树作为机器学习的训练样本;
采用预置的多个机器学习算法,分别对所述训练样本进行训练,对应得到多个检测模型。
可选地,所述采用生成树算法将同一笔交易的全量交易调用数据生成对应的交易调用树的步骤包括:
对各交易调用数据中记录的调用信息以及分布式系统的配置数据进行聚合,得到调用消息节点;
根据所述调用消息节点中的时序、各子系统的调用关系以及连接节点确定调用路径;
对调用路径进行路径合并得到同一笔交易的全量交易调用数据对应的交易调用树。
可选地,在所述依次从所述消息队列中读取同一笔交易的全量交易调用数据的步骤之后,还包括:
将读取的全量交易调用数据存入缓存区中,其中,将交易调用数据中记录的交易流水号存入第一缓存区,将交易调用数据存入第二缓存区;
每隔预设时长,从所述第一缓存区中读取一交易流水号以及从所述第二缓存区读取对应的交易调用数据,以供用于生成对应的交易调用树。
可选地,所述加载检测模型并基于所述检测模型对所述全量交易调用数据进行检测包括:
加载每种检测模型中最新的检测模型;
基于加载的多个所述检测模型,分别对所述全量交易调用数据进行检测。
可选地,所述采集各数据中心所有子系统间的交易调用数据包括:
采用旁路采集方式,从各数据中心的消息中间件中,采集各数据中心所有子系统间的交易调用数据
进一步地,为实现上述目的,本发明还提供一种交易异常检测装置,应用于分布式系统,所述交易异常检测装置包括:
采集模块,用于采集各数据中心所有子系统间的交易调用数据并存储;
检测模块,用于读取同一笔交易的全量交易调用数据;加载检测模型并基于所述检测模型对所述全量交易调用数据进行检测;基于所述检测模型输出的检测结果,确定所述交易是否存在异常,其中,所述检测模型通过学习历史交易规律所生成。
可选地,所述采集模块具体用于:采集各数据中心所有子系统间的交易调用数据并存入缓存中;或者,采集各数据中心所有子系统间的交易调用数据并存入消息队列;
所述检测模块包括:
数据读取单元,用于依次从缓存中读取同一笔交易的全量交易调用数据;或者,依次从所述消息队列中读取同一笔交易的全量交易调用数据,或者由消息队列推送同一笔交易的全量交易调用数据。
可选地,所述检测模块包括:
调用树生成单元,用于采用生成树算法将同一笔交易的全量交易调用数据生成对应的交易调用树;对所述交易调用树进行预处理,得到预处理后的交易调用树;
调用树检测单元,用于加载检测模型并基于所述检测模型对所述全量交易调用数据的交易调用树进行检测。
可选地,所述交易异常检测装置还包括:
分析模块,用于读取同一笔交易的全量交易调用数据;采用生成树算法将同一笔交易的全量交易调用数据生成对应的交易调用树;对所述交易调用树进行预处理,并将预处理后的所述交易调用树作为机器学习的训练样本;
训练模块,用于采用预置的多个机器学习算法,分别对所述训练样本进行训练,对应得到多个检测模型。
可选地,所述调用树生成单元具体用于:
对各交易调用数据中记录的调用信息以及分布式系统的配置数据进行聚合,得到调用消息节点;
根据所述调用消息节点中的时序、各子系统的调用关系以及连接节点确定调用路径;
对调用路径进行路径合并得到同一笔交易的全量交易调用数据对应的交易调用树。
可选地,所述分析模块还用于:
将读取的全量交易调用数据存入缓存区中,其中,将交易调用数据中记录的交易流水号存入第一缓存区,将交易调用数据存入第二缓存区;
每隔预设时长,从所述第一缓存区中读取一交易流水号以及从所述第二缓存区读取对应的交易调用数据,以供用于生成对应的交易调用树。
可选地,所述采集模块具体用于:
采用旁路采集方式,从各数据中心的消息中间件中,采集各数据中心所有子系统间的交易调用数据。
进一步地,为实现上述目的,本发明还提供一种检测设备,所述检测设备包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的交易异常检测程序,所述交易异常检测程序被所述处理器执行时实现如上述任一项所述的交易异常检测方法的步骤。
进一步地,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有交易异常检测程序,所述交易异常检测程序被处理器执行时实现如上述任一项所述的交易异常检测方法的步骤。
本发明中,先从各数据中心采集所有子系统间的交易调用数据,从而得到每一笔交易的全量交易数据,同时将采集的交易调用数据进行存储以便于进行检测;然后再读取同一笔交易的全量交易调用数据,以及还加载通过学习历史交易规律所生成的检测模型,通过检测模型对全量交易调用数据进行检测,由于检测模型能够识别全量交易调用数据中不符合交易规律的交易调用,从而可检测出异常交易。本发明实现了交易异常的自动化检测,提升了交易故障排查效率,同时也加强了管理方对交易过程的整体把控。
附图说明
图1为本发明检测设备实施例方案涉及的设备硬件运行环境的结构示意图;
图2为本发明交易异常检测方法第一实施例的流程示意图;
图3为本发明交易异常检测方法第二实施例的流程示意图;
图4为本发明交易异常检测方法第三实施例的流程示意图;
图5为本发明交易异常检测装置第一实施例的功能模块示意图;
图6为本发明交易异常检测装置第二实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明提供一种检测设备。
参照图1,图1为本发明检测设备实施例方案涉及的设备硬件运行环境的结构示意图。
如图1所示,检测设备可以包括:处理器1001,例如CPU,通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。需要说明的是,处理器1001采用嵌入式芯片方式安装在检测设备内。
本领域技术人员可以理解,图1中示出的检测设备的硬件结构并不构成对检测设备的限定,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。
如图1所示,作为一种计算机可读存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及交易异常检测程序。其中,操作系统是管理和控制检测设备与软件资源的程序,支持网络通信模块、用户接口模块、交易异常检测程序以及其他程序或软件的运行;网络通信模块用于管理和控制网络接口1004;用户接口模块用于管理和控制用户接口1003。
在图1所示的检测设备硬件结构中,网络接口1004主要用于连接系统后台,与系统后台进行数据通信;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;检测设备通过处理器1001调用存储器1005中存储的交易异常检测程序,并执行以下操作:
采集各数据中心所有子系统间的交易调用数据并存储;
读取同一笔交易的全量交易调用数据;
加载检测模型并基于所述检测模型对所述全量交易调用数据进行检测,其中,所述检测模型通过学习历史交易规律所生成;
基于所述检测模型输出的检测结果,确定所述交易是否存在异常。
进一步地,检测设备通过处理器1001调用存储器1005中存储的交易异常检测程序,还执行以下操作:
采集各数据中心所有子系统间的交易调用数据并存入缓存中;
或者,采集各数据中心所有子系统间的交易调用数据并存入消息队列。
进一步地,检测设备通过处理器1001调用存储器1005中存储的交易异常检测程序,还执行以下操作:
依次从缓存中读取同一笔交易的全量交易调用数据;
或者,依次从所述消息队列中读取同一笔交易的全量交易调用数据,或者由消息队列推送同一笔交易的全量交易调用数据。
进一步地,检测设备通过处理器1001调用存储器1005中存储的交易异常检测程序,还执行以下操作:
采用生成树算法将同一笔交易的全量交易调用数据生成对应的交易调用树;
对所述交易调用树进行预处理,得到预处理后的交易调用树;
加载检测模型并基于所述检测模型对所述全量交易调用数据的交易调用树进行检测。
进一步地,检测设备通过处理器1001调用存储器1005中存储的交易异常检测程序,还执行以下操作:
读取同一笔交易的全量交易调用数据;
采用生成树算法将同一笔交易的全量交易调用数据生成对应的交易调用树;
对所述交易调用树进行预处理,并将预处理后的所述交易调用树作为机器学习的训练样本;
采用预置的多个机器学习算法,分别对所述训练样本进行训练,对应得到多个检测模型。
进一步地,检测设备通过处理器1001调用存储器1005中存储的交易异常检测程序,还执行以下操作:
对各交易调用数据中记录的调用信息以及分布式系统的配置数据进行聚合,得到调用消息节点;
根据所述调用消息节点中的时序、各子系统的调用关系以及连接节点确定调用路径;
对调用路径进行路径合并得到同一笔交易的全量交易调用数据对应的交易调用树。
进一步地,检测设备通过处理器1001调用存储器1005中存储的交易异常检测程序,还执行以下操作:
将读取的全量交易调用数据存入缓存区中,其中,将交易调用数据中记录的交易流水号存入第一缓存区,将交易调用数据存入第二缓存区;
每隔预设时长,从所述第一缓存区中读取一交易流水号以及从所述第二缓存区读取对应的交易调用数据,以供用于生成对应的交易调用树。
进一步地,检测设备通过处理器1001调用存储器1005中存储的交易异常检测程序,还执行以下操作:
加载每种检测模型中最新的检测模型;
基于加载的多个所述检测模型,分别对所述全量交易调用数据进行检测。
进一步地,检测设备通过处理器1001调用存储器1005中存储的交易异常检测程序,还执行以下操作:
采用旁路采集方式,从各数据中心的消息中间件中,采集各数据中心所有子系统间的交易调用数据。
基于上述检测设备实施例方案涉及的设备硬件运行环境,提出本发明交易异常检测方法的以下各实施例。
本发明交易异常检测方法应用于分布式系统,也即基于分布式架构的各种业务系统。在分布式架构下,一笔交易是由多个子系统共同处理完成的,子系统是调用方,子服务是被调用方。子系统是提供子服务的最小单位,一个子系统可以提供多个子服务,一个子服务可以被多个子系统调用。
当前流行分布式架构中,为了支持海量服务的业务,通常会将不同的服务功能拆分到不同的子系统,子系统间利用RPC(Remote Procedure Call,远程过程调用)、HTTP(HyperText Transfer Protoco,超文本传输协议)、消息等方式进行通讯。在一次交易场景下,可能会涉及多次服务调用,也即一次交易需要经过多个子系统,这些子系统分别用来处理用户查询、余额查询等交易环节,最后汇总到前置子系统并反馈到用户侧。
参照图2,图2为本发明交易异常检测方法第一实施例的流程示意图。本实施例中,所述交易异常检测方法包括:
步骤S10,采集各数据中心所有子系统间的交易调用数据并存储;
由上述说明可知,在分布式架构下,一笔交易是由多个子系统共同处理完成的,因此,为对交易进行全面检测,需要获得同一笔交易的所有交易调用数据,也即全量交易调用数据。其中,交易调用数据中记录有多种调用信息,包括:交易流水号、交易的调用方、被调用方以及调用时间等。
本实施例优选采集各数据中心所有子系统间的交易调用数据,进而获得同一笔交易的全量交易数据。本实施例对于交易调用数据的存储方式不限。
可选的,将采集各数据中心所有子系统间的交易调用数据并存入缓存中;或者,将采集各数据中心所有子系统间的交易调用数据并存入消息队列。
可选的,为避免数据采集影响交易处理,同时保证数据采集的实时性,在一实施例中,优选采用旁路采集方式,从各数据中心的消息中间件中,采集各数据中心所有子系统间的交易调用数据。需要说明的是,现有的数据采集方式,在多个系统中对数据异常检测通常只能采用浸入式采集的方式进行检测,也即需要修改子系统的代码,而本发明则是采用旁路采集方式,先将各数据中心中各个子系统的数据发送至数据中心的消息中间件中,然后从各数据中心的消息中间件中采集全量交易调用数据进行数据异常检测,也即该方式无需修改代码进而可实现非浸入式检测。
数据中心是分布式系统的重要组成部分,可对外提供多种服务。分布式系统通常设有多个数据中心,比如IDC(Internet Data Center),每个数据中心通过多个子系统对外提供服务,各数据中心的各个子系统之间优选通过消息中间件传输消息。
步骤S20,读取同一笔交易的全量交易调用数据;
本实施例中,同一笔交易通常需要经过多个交易环节才能完成,也即需要经历多个子系统共同处理,每个子系统调用子服务进行处理,从而产生一份交易调用数据,也即同一笔交易的全量交易调用数据由该笔交易的所有交易调用数据构成。
由于同一笔交易的所有交易调用数据都记录有该笔交易的交易流水号,因此本实施例优选基于交易流水号,从缓存中或者从消息队列中读取同一笔交易的全量交易调用数据;或者由消息队列主动推送同一笔交易的全量交易调用数据至,进而获得一笔交易的全量交易调用数据。
步骤S30,加载检测模型并基于所述检测模型对所述全量交易调用数据进行检测,其中,所述检测模型通过学习历史交易规律所生成;
本实施例中,检测模型具体为采用机器学习方式学习历史交易规律所生成,检测模型包括但不限于:规则模型、概率模型、深度神经网络模型,因此,如果待检测交易不符合历史交易规律,则可以判定该笔交易存在异常。其中,待检测交易不符合历史交易规律主要指待检测交易与历史交易存在不合理的差异特征,例如存在服务调用异常,如调用关系异常、调用次数未在预设范围内而异常等;又例如交易耗时未在预设范围内而存在异常。
需要说明的是,为保持检测模型识别异常交易的准确性,优选通过不断增加新的训练样本以不断更新检测模型。
可选的,为保持检测模型识别异常交易的先进性,同时避免误识别,因此优选每次检测都加载每种检测模型中最新的检测模型,得到最新的多个检测模型,以便于从多个维度对同一份全量交易调用数据进行检测。
此外,需要进一步说明的是,检测模型进一步可划分为通用检测模型与专用检测模型,其中,如果交易无特殊性,则使用通用检测模型进行检测,而如果交易具有特殊性,则基于该交易的特点,选择相应的专用检测模型进行检测。每种专用检测模型主要检测某些交易,若交易对应有对应的专用检测模型,就用对应的专用检测模型进行检测,若没有对应的专用检测模型,则使用通用的检测模型进行检测。
进一步可选的,为更好反映出每一笔交易整个生命周期的数据流向,以便对交易进行问题排查、性能分析等,因此,优选以交易调用树作为检测模型的输入数据,进而对每一笔交易进行检测,具体实现方式包括:
(1)采用生成树算法将同一笔交易的全量交易调用数据生成对应的交易调用树;
(2)对所述交易调用树进行预处理,得到预处理后的交易调用树;比如去噪处理、剪枝处理等。
(3)加载检测模型并基于所述检测模型对所述全量交易调用数据的交易调用树进行检测。
步骤S40,基于所述检测模型输出的检测结果,确定所述交易是否存在异常。
本实施例中,对于检测模型输出的检测结果的设置不限,具体根据实际需要进行设置。比如,检测结果是经过预处理后按预设的标准化格式输出的内容,如“本笔交易无异常”或“本笔交易存在异常”或“本笔交易中支付环节存在异常”等。或者又比如检测结果与检测模型的检测方式相关,例如某一检测模型的检测方式为识别交易中的调用关系,则检测结果可以为“查询环节的调用关系异常”、“支付环节的调用关系异常”。又例如另一检测模型的检测方式为识别交易中的交易耗时,则检测结果可以为“查询环节的交易耗时异常”、“支付环节的交易耗时异常”。
可选的,若采用多个检测模型对同一笔交易的全量交易调用数据分别进行检测,则对应得到多个检测结果,因此需要综合所有检测结果并整体评价,进而最终确定交易是否存在异常。比如根据比例大小进行确定,例如,如果总共有5个检测结果,只要存在3个或3个以上的检测结果显示交易异常,则确定该笔交易存在异常。此外,还可选每种检测模型对某一种对多种全量调用数据的权重占比最大,当该种检测模型对该种全量调用数据检测出结果时,若该这种检测模型与其他检测模型的检测结果不同时,以这种检测模型的检测结果为准。
本实施例中,先从各数据中心采集所有子系统间的交易调用数据,从而得到每一笔交易的全量交易数据,同时将采集的交易调用数据进行存储以便于进行检测;然后再依次读取同一笔交易的全量交易调用数据,以及还加载通过学习历史交易规律所生成的检测模型,通过检测模型对全量交易调用数据进行检测,由于检测模型能够识别全量交易调用数据中不符合交易规律的交易调用,从而可检测出异常交易。本实施例实现了交易异常的自动化检测,提升了交易故障排查效率,同时也加强了管理方对交易过程的整体把控。
进一步地,为得到能够反映历史交易规律的检测模型,需要先获得对应具有历史交易规律的训练样本。在一实施例中优选将全量交易调用数据转换为交易调用树的形式,以作为机器学习的训练样本。
参照图3,图3为本发明交易异常检测方法第二实施例的流程示意图。基于上述实施例,本实施例中,在上述步骤S10之后,还包括:
步骤S50,读取同一笔交易的全量交易调用数据;
由于同一笔交易的所有交易调用数据都记录有该笔交易的交易流水号,因此本实施例优选基于交易流水号,从消息队列中读取同一笔交易的全量交易调用数据。
需要说明的是,本步骤S50读取的全量交易调用数据用于形成机器学习的训练样本,而步骤S20读取的全量交易调用数据用于作为检测模型的输入数据以检测交易是否异常。优选步骤S50与S20读取相同的同一笔交易的全量交易调用数据。
步骤S60,采用生成树算法将同一笔交易的全量交易调用数据生成对应的交易调用树;
由于一笔正常交易的完成必然需要按照一定的逻辑性与时序性进行,因此该交易完成的逻辑性与时序性可以用于表现该交易所具备的规律性。本实施例中具体通过交易调用树还原各交易调用数据对应的各子系统间的调用关系,从而体现出各交易调用数据之间的规律性。
本实施例中,交易调用树是由多个调用消息节点组成的交易调用关系树,一份交易调用数据相当于一个调用消息节点。也即以同一笔交易的全量交易调用数据为调用消息节点,即可构建对应的交易调用树。
可选的,上述步骤S60具体实现流程包括:
(1)对各交易调用数据中记录的调用信息以及分布式系统的配置数据进行聚合,得到调用消息节点;
本实施例中,每份交易调用数据中通常都记录有以下调用信息,包括:交易流水号、交易的调用方、被调用方以及调用时间等。
在分布式架构下,一笔交易是由多个子系统共同处理完成的,子系统是调用方,子服务是被调用方。子系统是提供子服务的最小单位,一个子系统可以提供多个子服务,一个子服务可以被多个子系统调用。由此可知,为确定调用消息节点,因此还需进一步借助于分布式系统的配置数据来确定各子服务(被调用方)对应的子系统。
基于各交易调用数据对应的调用方子系统以及被调用方子系统,进而确定各交易调用数据对应的调用消息节点。
(2)根据所述调用消息节点中的时序、各子系统的调用关系以及连接节点确定调用路径;
(3)对调用路径进行路径合并得到同一笔交易的全量交易调用数据对应的交易调用树。
本可选实施例中,在确定了各交易调用数据对应的调用消息节点后,根据各调用消息节点中的时序、各子系统的调用关系以及连接节点,即可进一步确定调用路径;最后对调用路径进行合并从而可生成同一笔交易的全量交易调用数据对应的交易调用树。
步骤S70,对所述交易调用树进行预处理,并将预处理后的所述交易调用树作为机器学习的训练样本;
本实施例中,在将交易调用树作为机器学习的训练样本之前,需要先对交易调用树进行相关预处理,比如去噪处理、剪枝处理等。
本实施例将全量交易调用数据转换为交易调用树的形式,以作为机器学习的训练样本,进而使得通过机器学习方式训练得到的检测模型能够反映出历史交易规律。
步骤S80,采用预置的多个机器学习算法,分别对所述训练样本进行训练,对应得到多个检测模型。
本实施例中,为准确识别交易是否异常,因此优选采用不同维度的多个检测模型对交易进行检测以识别是否异常。例如,采用规则模型检测交易是否满足历史交易的相关规则;采用概率模型检测交易发生的概率;采用IForest模型检测交易是否存在耗时异常等。
本实施例中,同一笔交易对应的训练样本都会采用多个机器学习算法进行训练,从而对应得到多个不同的检测模型。此外,每一次训练都会更新每个检测模型,通过大量训练样本不断进行训练,从而提升检测模型的识别能力,同时保持检测模型的先进性。
进一步地,参照图4,图4为本发明交易异常检测方法第三实施例的流程示意图。本实施例中,为便于生成交易调用树,同时减轻生成交易调用树对系统性能的影响,在上述步骤S50之后,还包括:
步骤S1,将读取的全量交易调用数据存入缓存区中,其中,将交易调用数据中记录的交易流水号存入第一缓存区,将交易调用数据存入第二缓存区;
步骤S2,每隔预设时长,从所述第一缓存区中读取一交易流水号以及从所述第二缓存区读取对应的交易调用数据,以供用于生成对应的交易调用树。
本实施例优选通过实时存储全量交易调用数据至缓存中以及从缓存中每隔一定时长(比如一分钟)读取交易调用数据用于生成交易调用树,进而减轻生成交易调用树对系统性能的影响。
本实施例中,在存储全量交易调用数据时,将交易流水号与交易调用数据分区存储,以便于在生成交易调用树时,能够快速读取到同一笔交易的所有交易调用数据,进而提升交易调用树生成的便捷性。
本发明还提供一种交易异常检测装置。
参照图5,图5为本发明交易异常检测装置第一实施例的功能模块示意图。本实施例中,所述交易异常检测装置包括:
采集模块10,用于采集各数据中心所有子系统间的交易调用数据并存储;
本实施例优选采集各数据中心所有子系统间的交易调用数据,进而获得同一笔交易的全量交易数据。本实施例对于交易调用数据的存储方式不限。
可选的,在一实施例中,采集模块10具体用于:将采集各数据中心所有子系统间的交易调用数据并存入缓存中;或者,将采集各数据中心所有子系统间的交易调用数据并存入消息队列。
可选的,为避免数据采集影响交易处理,同时保证数据采集的实时性,在一实施例中,采集模块10优选采用旁路采集方式,从各数据中心的消息中间件中,采集各数据中心所有子系统间的交易调用数据。需要说明的是,现有的数据采集方式,在多个系统中对数据异常检测通常只能采用浸入式采集的方式进行检测,也即需要修改子系统的代码,而本发明则是采用旁路采集方式,先将各数据中心中各个子系统的数据发送至数据中心的消息中间件中,然后从各数据中心的消息中间件中采集全量交易调用数据进行数据异常检测,也即该方式无需修改代码进而可实现非浸入式检测。
检测模块20,用于读取同一笔交易的全量交易调用数据;加载检测模型并基于所述检测模型对所述全量交易调用数据进行检测;基于所述检测模型输出的检测结果,确定所述交易是否存在异常,其中,所述检测模型通过学习历史交易规律所生成。
本实施例中,同一笔交易通常需要经过多个交易环节才能完成,也即需要经历多个子系统共同处理,每个子系统调用子服务进行处理,从而产生一份交易调用数据,也即同一笔交易的全量交易调用数据由该笔交易的所有交易调用数据构成。
可选的,检测模块20包括:数据读取单元,用于依次从缓存中读取同一笔交易的全量交易调用数据;或者,依次从所述消息队列中读取同一笔交易的全量交易调用数据,或者由消息队列推送同一笔交易的全量交易调用数据。
由于同一笔交易的所有交易调用数据都记录有该笔交易的交易流水号,因此本实施例优选基于交易流水号,从缓存中或者从消息队列中读取同一笔交易的全量交易调用数据;或者由消息队列推送同一笔交易的全量交易调用数据,进而获得一笔交易的全量交易调用数据。
本实施例中,检测模型具体为采用机器学习方式学习历史交易规律所生成,检测模型包括但不限于:规则模型、概率模型、深度神经网络模型,因此,如果待检测交易不符合历史交易规律,则可以判定该笔交易存在异常。其中,待检测交易不符合历史交易规律主要指待检测交易与历史交易存在不合理的差异特征,例如存在服务调用异常,如调用关系异常、如调用关系异常、调用次数未在预设范围内而异常等;又例如交易耗时未在预设范围内而存在异常。
需要说明的是,为保持检测模型识别异常交易的准确性,优选通过不断增加新的训练样本以不断更新检测模型。
可选的,为保持检测模型识别异常交易的先进性,同时避免误识别,因此优选每次检测都加载每种检测模型中最新的检测模型,得到最新的多个检测模型,以便于从多个维度对同一份全量交易调用数据进行检测。
此外,需要进一步说明的是,检测模型进一步可划分为通用检测模型与专用检测模型,其中,如果交易无特殊性,则使用通用检测模型进行检测,而如果交易具有特殊性,则基于该交易的特点,选择相应的专用检测模型进行检测。每种专用检测模型主要检测某些交易,若交易对应有对应的专用检测模型,就用对应的专用检测模型进行检测,若没有对应的专用检测模型,则使用通用的检测模型进行检测。
进一步可选的,为更好反映出每一笔交易整个生命周期的数据流向,以便对交易进行问题排查、性能分析等,因此,检测模块20优选以交易调用树作为检测模型的输入数据,进而对每一笔交易进行检测,检测模块20包括:
调用树生成单元,用于采用生成树算法将同一笔交易的全量交易调用数据生成对应的交易调用树;对所述交易调用树进行预处理,得到预处理后的交易调用树;比如去噪处理、剪枝处理等。
调用树检测单元,用于加载检测模型并基于所述检测模型对所述全量交易调用数据的交易调用树进行检测。
本实施例中,对于检测模型输出的检测结果的设置不限,具体根据实际需要进行设置。比如,检测结果是经过预处理后按预设的标准化格式输出的内容,如“本笔交易无异常”或“本笔交易存在异常”或“本笔交易中支付环节存在异常”等。或者又比如检测结果与检测模型的检测方式相关,例如某一检测模型的检测方式为识别交易中的调用关系,则检测结果可以为“查询环节的调用关系异常”、“支付环节的调用关系异常”。又例如另一检测模型的检测方式为识别交易中的交易耗时,则检测结果可以为“查询环节的交易耗时异常”、“支付环节的交易耗时异常”。
可选的,若采用多个检测模型对同一笔交易的全量交易调用数据分别进行检测,则对应得到多个检测结果,因此需要综合所有检测结果并整体评价,进而最终确定交易是否存在异常。比如根据比例大小进行确定,例如,如果总共有5个检测结果,只要存在3个或3个以上的检测结果显示交易异常,则确定该笔交易存在异常。此外,还可选每种检测模型对某一种对多种全量调用数据的权重占比最大,当该种检测模型对该种全量调用数据检测出结果时,若该这种检测模型与其他检测模型的检测结果不同时,以这种检测模型的检测结果为准。
本实施例中,先从各数据中心采集所有子系统间的交易调用数据,从而得到每一笔交易的全量交易数据,同时将采集的交易调用数据进行存储以便于进行检测;然后再依次读取同一笔交易的全量交易调用数据,以及还加载通过学习历史交易规律所生成的检测模型,通过检测模型对全量交易调用数据进行检测,由于检测模型能够识别全量交易调用数据中不符合交易规律的交易调用,从而可检测出异常交易。本实施例实现了交易异常的自动化检测,提升了交易故障排查效率,同时也加强了管理方对交易过程的整体把控。
参照图6,图6为本发明交易异常检测装置第二实施例的功能模块示意图。基于上述实施例,本实施例中,所述交易异常检测装置还包括:
分析模块30,用于读取同一笔交易的全量交易调用数据;采用生成树算法将同一笔交易的全量交易调用数据生成对应的交易调用树;对所述交易调用树进行预处理,并将预处理后的所述交易调用树作为机器学习的训练样本;
由于一笔正常交易的完成必然需要按照一定的逻辑性与时序性进行,因此该交易完成的逻辑性与时序性可以用于表现该交易所具备的规律性。本实施例中具体通过交易调用树还原各交易调用数据对应的各子系统间的调用关系,从而体现出各交易调用数据之间的规律性。
本实施例中,交易调用树是由多个调用消息节点组成的交易调用关系树,一份交易调用数据相当于一个调用消息节点。也即以同一笔交易的全量交易调用数据为调用消息节点,即可构建对应的交易调用树。
可选的,上述调用树生成单元具体用于:
(1)对各交易调用数据中记录的调用信息以及分布式系统的配置数据进行聚合,得到调用消息节点;
本实施例中,每份交易调用数据中通常都记录有以下调用信息,包括:交易流水号、交易的调用方、被调用方以及调用时间等。
在分布式架构下,一笔交易是由多个子系统共同处理完成的,子系统是调用方,子服务是被调用方。子系统是提供子服务的最小单位,一个子系统可以提供多个子服务,一个子服务可以被多个子系统调用。由此可知,为确定调用消息节点,因此还需进一步借助于分布式系统的配置数据来确定各子服务(被调用方)对应的子系统。
基于各交易调用数据对应的调用方子系统以及被调用方子系统,进而确定各交易调用数据对应的调用消息节点。
(2)根据所述调用消息节点中的时序、各子系统的调用关系以及连接节点确定调用路径;
(3)对调用路径进行路径合并得到同一笔交易的全量交易调用数据对应的交易调用树。
本可选实施例中,在确定了各交易调用数据对应的调用消息节点后,根据各调用消息节点中的时序、各子系统的调用关系以及连接节点,即可进一步确定调用路径;最后对调用路径进行合并从而可生成同一笔交易的全量交易调用数据对应的交易调用树。
本实施例中,在将交易调用树作为机器学习的训练样本之前,需要先对交易调用树进行相关预处理,比如去噪处理、剪枝处理等。
本实施例将全量交易调用数据转换为交易调用树的形式,以作为机器学习的训练样本,进而使得通过机器学习方式训练得到的检测模型能够反映出历史交易规律。
训练模块40,用于采用预置的多个机器学习算法,分别对所述训练样本进行训练,对应得到多个检测模型。
本实施例中,为准确识别交易是否异常,因此优选采用不同维度的多个检测模型对交易进行检测以识别是否异常。例如,采用规则模型检测交易是否满足历史交易的相关规则;采用概率模型检测交易发生的概率;采用IForest模型检测交易是否存在耗时异常等。
本实施例中,同一笔交易对应的训练样本都会采用多个机器学习算法进行训练,从而对应得到多个不同的检测模型。此外,每一次训练都会更新每个检测模型,通过大量训练样本不断进行训练,从而提升检测模型的识别能力,同时保持检测模型的先进性。
进一步可选的,在本发明交易异常检测装置一实施例中,为便于生成交易调用树,同时减轻生成交易调用树对系统性能的影响,因此,所述分析模块30还用于:
(1)将读取的全量交易调用数据存入缓存区中,其中,将交易调用数据中记录的交易流水号存入第一缓存区,将交易调用数据存入第二缓存区;
(2)每隔预设时长,从所述第一缓存区中读取一交易流水号以及从所述第二缓存区读取对应的交易调用数据,以供用于生成对应的交易调用树。
本实施例优选通过实时存储全量交易调用数据至缓存中以及从缓存中每隔一定时长(比如一分钟)读取交易调用数据用于生成交易调用树,进而减轻生成交易调用树对系统性能的影响。
本实施例中,在存储全量交易调用数据时,将交易流水号与交易调用数据分区存储,以便于在生成交易调用树时,能够快速读取到同一笔交易的所有交易调用数据,进而提升交易调用树生成的便捷性。
本发明还提供一种计算机可读存储介质。
本发明中,计算机可读存储介质上存储有交易异常检测程序,所述交易异常检测程序被处理器执行时实现如上述任一项实施例中所述的交易异常检测方法的步骤。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,这些均属于本发明的保护之内。
Claims (17)
1.一种交易异常检测方法,应用于分布式系统,其特征在于,所述交易异常检测方法包括:
采集各数据中心所有子系统间的交易调用数据并存储;
读取同一笔交易的全量交易调用数据;
加载检测模型并基于所述检测模型对所述全量交易调用数据进行检测,其中,所述检测模型通过学习历史交易规律所生成;
基于所述检测模型输出的检测结果,确定所述交易是否存在异常。
2.如权利要求1所述的交易异常检测方法,其特征在于,所述采集各数据中心所有子系统间的交易调用数据并存储的步骤包括:
采集各数据中心所有子系统间的交易调用数据并存入缓存中;
或者,采集各数据中心所有子系统间的交易调用数据并存入消息队列;
所述读取同一笔交易的全量交易调用数据的步骤包括:
依次从缓存中读取同一笔交易的全量交易调用数据;
或者,依次从所述消息队列中读取同一笔交易的全量交易调用数据,或者由消息队列推送同一笔交易的全量交易调用数据。
3.如权利要求1所述的交易异常检测方法,其特征在于,在所述加载检测模型并基于所述检测模型对所述全量交易调用数据进行检测的步骤之前,还包括:
采用生成树算法将同一笔交易的全量交易调用数据生成对应的交易调用树;
对所述交易调用树进行预处理,得到预处理后的交易调用树;
所述加载检测模型并基于所述检测模型对所述全量交易调用数据进行检测的步骤包括:
加载检测模型并基于所述检测模型对所述全量交易调用数据的交易调用树进行检测。
4.如权利要求1所述的交易异常检测方法,其特征在于,在所述采集各数据中心所有子系统间的交易调用数据并存储的步骤之后,还包括:
读取同一笔交易的全量交易调用数据;
采用生成树算法将同一笔交易的全量交易调用数据生成对应的交易调用树;
对所述交易调用树进行预处理,并将预处理后的所述交易调用树作为机器学习的训练样本;
采用预置的多个机器学习算法,分别对所述训练样本进行训练,对应得到多个检测模型。
5.如权利要求3或4所述的交易异常检测方法,其特征在于,所述采用生成树算法将同一笔交易的全量交易调用数据生成对应的交易调用树的步骤包括:
对各交易调用数据中记录的调用信息以及分布式系统的配置数据进行聚合,得到调用消息节点;
根据所述调用消息节点中的时序、各子系统的调用关系以及连接节点确定调用路径;
对调用路径进行路径合并得到同一笔交易的全量交易调用数据对应的交易调用树。
6.如权利要求2所述的交易异常检测方法,其特征在于,在所述依次从所述消息队列中读取同一笔交易的全量交易调用数据的步骤之后,还包括:
将读取的全量交易调用数据存入缓存区中,其中,将交易调用数据中记录的交易流水号存入第一缓存区,将交易调用数据存入第二缓存区;
每隔预设时长,从所述第一缓存区中读取一交易流水号以及从所述第二缓存区读取对应的交易调用数据,以供用于生成对应的交易调用树。
7.如权利要求4所述的交易异常检测方法,其特征在于,所述加载检测模型并基于所述检测模型对所述全量交易调用数据进行检测包括:
加载每种检测模型中最新的检测模型;
基于加载的多个所述检测模型,分别对所述全量交易调用数据进行检测。
8.如权利要求1-4中任一项所述的交易异常检测方法,其特征在于,所述采集各数据中心所有子系统间的交易调用数据包括:
采用旁路采集方式,从各数据中心的消息中间件中,采集各数据中心所有子系统间的交易调用数据。
9.一种交易异常检测装置,应用于分布式系统,其特征在于,所述交易异常检测装置包括:
采集模块,用于采集各数据中心所有子系统间的交易调用数据并存储;
检测模块,用于读取同一笔交易的全量交易调用数据;加载检测模型并基于所述检测模型对所述全量交易调用数据进行检测;基于所述检测模型输出的检测结果,确定所述交易是否存在异常,其中,所述检测模型通过学习历史交易规律所生成。
10.如权利要求9所述的交易异常检测装置,其特征在于,所述采集模块具体用于:采集各数据中心所有子系统间的交易调用数据并存入缓存中;或者,采集各数据中心所有子系统间的交易调用数据并存入消息队列;
所述检测模块包括:
数据读取单元,用于依次从缓存中读取同一笔交易的全量交易调用数据;或者,依次从所述消息队列中读取同一笔交易的全量交易调用数据,或者由消息队列推送同一笔交易的全量交易调用数据。
11.如权利要求9所述的交易异常检测装置,其特征在于,所述检测模块包括:
调用树生成单元,用于采用生成树算法将同一笔交易的全量交易调用数据生成对应的交易调用树;对所述交易调用树进行预处理,得到预处理后的交易调用树;
调用树检测单元,用于加载检测模型并基于所述检测模型对所述全量交易调用数据的交易调用树进行检测。
12.如权利要求9所述的交易异常检测装置,其特征在于,所述交易异常检测装置还包括:
分析模块,用于读取同一笔交易的全量交易调用数据;采用生成树算法将同一笔交易的全量交易调用数据生成对应的交易调用树;对所述交易调用树进行预处理,并将预处理后的所述交易调用树作为机器学习的训练样本;
训练模块,用于采用预置的多个机器学习算法,分别对所述训练样本进行训练,对应得到多个检测模型。
13.如权利要求11所述的交易异常检测装置,其特征在于,所述调用树生成单元具体用于:
对各交易调用数据中记录的调用信息以及分布式系统的配置数据进行聚合,得到调用消息节点;
根据所述调用消息节点中的时序、各子系统的调用关系以及连接节点确定调用路径;
对调用路径进行路径合并得到同一笔交易的全量交易调用数据对应的交易调用树。
14.如权利要求12所述的交易异常检测装置,其特征在于,所述分析模块还用于:
将读取的全量交易调用数据存入缓存区中,其中,将交易调用数据中记录的交易流水号存入第一缓存区,将交易调用数据存入第二缓存区;
每隔预设时长,从所述第一缓存区中读取一交易流水号以及从所述第二缓存区读取对应的交易调用数据,以供用于生成对应的交易调用树。
15.如权利要求9-12中任一项所述的交易异常检测装置,其特征在于,所述采集模块具体用于:
采用旁路采集方式,从各数据中心的消息中间件中,采集各数据中心所有子系统间的交易调用数据。
16.一种检测设备,其特征在于,所述检测设备包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的交易异常检测程序,所述交易异常检测程序被所述处理器执行时实现如权利要求1-8中任一项所述的交易异常检测方法的步骤。
17.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有交易异常检测程序,所述交易异常检测程序被处理器执行时实现如权利要求1-8中任一项所述的交易异常检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811195754.1A CN109409948B (zh) | 2018-10-12 | 2018-10-12 | 交易异常检测方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811195754.1A CN109409948B (zh) | 2018-10-12 | 2018-10-12 | 交易异常检测方法、装置、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109409948A true CN109409948A (zh) | 2019-03-01 |
CN109409948B CN109409948B (zh) | 2022-09-16 |
Family
ID=65467162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811195754.1A Active CN109409948B (zh) | 2018-10-12 | 2018-10-12 | 交易异常检测方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109409948B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112231071A (zh) * | 2020-05-20 | 2021-01-15 | 腾讯科技(深圳)有限公司 | 事务处理方法、装置、计算机设备及存储介质 |
CN112565227A (zh) * | 2020-11-27 | 2021-03-26 | 深圳前海微众银行股份有限公司 | 异常任务的检测方法和装置 |
US11551230B2 (en) * | 2020-01-14 | 2023-01-10 | Visa International Service Association | Security attack detections for transactions in electronic payment processing networks |
JP7550709B2 (ja) | 2021-04-28 | 2024-09-13 | 株式会社オービック | 異常検知装置、異常表示方法および異常表示プログラム |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110022846A1 (en) * | 1995-02-13 | 2011-01-27 | Intertrust Technologies Corp. | Systems and Methods for Secure Transaction Management and Electronic Rights Protection |
GB201516426D0 (en) * | 2015-09-16 | 2015-10-28 | Fujitsu Ltd | Apparatus and method for connection-based anomaly detection |
US20160253672A1 (en) * | 2014-12-23 | 2016-09-01 | Palantir Technologies, Inc. | System and methods for detecting fraudulent transactions |
US20160350758A1 (en) * | 2015-05-29 | 2016-12-01 | Fair Isaac Corp. | False positive reduction in abnormality detection system models |
CN106327220A (zh) * | 2016-08-31 | 2017-01-11 | 无锡雅座在线科技发展有限公司 | 异常账户的确定方法和装置 |
CN106780024A (zh) * | 2016-11-30 | 2017-05-31 | 东软集团股份有限公司 | 交易异常监测方法及装置 |
CN106897931A (zh) * | 2016-06-12 | 2017-06-27 | 阿里巴巴集团控股有限公司 | 一种异常交易数据的识别方法及装置 |
US20170316506A1 (en) * | 2016-04-27 | 2017-11-02 | Intuit Inc. | Detection of aggregation failures from correlation of change point across independent feeds |
CN107798529A (zh) * | 2017-03-28 | 2018-03-13 | 平安壹钱包电子商务有限公司 | 交易数据监控方法及装置 |
CN107918905A (zh) * | 2017-11-22 | 2018-04-17 | 阿里巴巴集团控股有限公司 | 异常交易识别方法、装置及服务器 |
-
2018
- 2018-10-12 CN CN201811195754.1A patent/CN109409948B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110022846A1 (en) * | 1995-02-13 | 2011-01-27 | Intertrust Technologies Corp. | Systems and Methods for Secure Transaction Management and Electronic Rights Protection |
US20160253672A1 (en) * | 2014-12-23 | 2016-09-01 | Palantir Technologies, Inc. | System and methods for detecting fraudulent transactions |
US20160350758A1 (en) * | 2015-05-29 | 2016-12-01 | Fair Isaac Corp. | False positive reduction in abnormality detection system models |
GB201516426D0 (en) * | 2015-09-16 | 2015-10-28 | Fujitsu Ltd | Apparatus and method for connection-based anomaly detection |
US20170316506A1 (en) * | 2016-04-27 | 2017-11-02 | Intuit Inc. | Detection of aggregation failures from correlation of change point across independent feeds |
CN106897931A (zh) * | 2016-06-12 | 2017-06-27 | 阿里巴巴集团控股有限公司 | 一种异常交易数据的识别方法及装置 |
CN106327220A (zh) * | 2016-08-31 | 2017-01-11 | 无锡雅座在线科技发展有限公司 | 异常账户的确定方法和装置 |
CN106780024A (zh) * | 2016-11-30 | 2017-05-31 | 东软集团股份有限公司 | 交易异常监测方法及装置 |
CN107798529A (zh) * | 2017-03-28 | 2018-03-13 | 平安壹钱包电子商务有限公司 | 交易数据监控方法及装置 |
CN107918905A (zh) * | 2017-11-22 | 2018-04-17 | 阿里巴巴集团控股有限公司 | 异常交易识别方法、装置及服务器 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11551230B2 (en) * | 2020-01-14 | 2023-01-10 | Visa International Service Association | Security attack detections for transactions in electronic payment processing networks |
CN112231071A (zh) * | 2020-05-20 | 2021-01-15 | 腾讯科技(深圳)有限公司 | 事务处理方法、装置、计算机设备及存储介质 |
CN112565227A (zh) * | 2020-11-27 | 2021-03-26 | 深圳前海微众银行股份有限公司 | 异常任务的检测方法和装置 |
CN112565227B (zh) * | 2020-11-27 | 2023-05-19 | 深圳前海微众银行股份有限公司 | 异常任务的检测方法和装置 |
JP7550709B2 (ja) | 2021-04-28 | 2024-09-13 | 株式会社オービック | 異常検知装置、異常表示方法および異常表示プログラム |
Also Published As
Publication number | Publication date |
---|---|
CN109409948B (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109409948A (zh) | 交易异常检测方法、装置、设备及计算机可读存储介质 | |
CN108965381A (zh) | 基于Nginx的负载均衡实现方法、装置、计算机设备和介质 | |
CN110428127B (zh) | 自动化分析方法、用户设备、存储介质及装置 | |
CN108376112A (zh) | 压力测试方法、装置及可读介质 | |
CN106445817B (zh) | 测试数据的处理方法、装置和系统 | |
CN112766907A (zh) | 业务数据的处理方法、装置和服务器 | |
CN107040578A (zh) | 数据同步方法、装置和系统 | |
CN109154937A (zh) | 查询响应的动态流式传输 | |
CN112732499B (zh) | 一种基于微服务架构的测试方法、装置及计算机系统 | |
CN109740129B (zh) | 基于区块链的报表生成方法、装置、设备及可读存储介质 | |
CN112035344A (zh) | 多场景测试方法、装置、设备和计算机可读存储介质 | |
CN110011875A (zh) | 拨测方法、装置、设备及计算机可读存储介质 | |
CN110502366A (zh) | 案例执行方法、装置、设备及计算机可读存储介质 | |
CN114328132A (zh) | 外部数据源的状态监控方法、装置、设备和介质 | |
CN113570468A (zh) | 一种企业支付风控服务平台 | |
CN116302989A (zh) | 压力测试方法及系统、存储介质、计算机设备 | |
CN114265737A (zh) | 系统迁移完整度检测方法、装置及电子设备 | |
CN113821254A (zh) | 接口数据处理方法、装置、存储介质及设备 | |
CN106780023A (zh) | 自动化金融交易方法及交易系统 | |
CN103580951B (zh) | 多个信息系统的输出比较方法、测试迁移辅助方法及系统 | |
CN109345249A (zh) | 一种支付失败处理方法及装置 | |
CN112235358A (zh) | 数据的采集方法、装置、电子设备及计算机可读存储介质 | |
CN109274533B (zh) | 一种基于规则引擎的Web服务故障的定位装置和方法 | |
US7873715B1 (en) | Optimized instrumentation of web pages for performance management | |
CN114428723A (zh) | 测试系统、系统测试方法、相关设备及存储介质 |
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 |