CN109509082A - 银行应用系统的监控方法及装置 - Google Patents
银行应用系统的监控方法及装置 Download PDFInfo
- Publication number
- CN109509082A CN109509082A CN201811285590.1A CN201811285590A CN109509082A CN 109509082 A CN109509082 A CN 109509082A CN 201811285590 A CN201811285590 A CN 201811285590A CN 109509082 A CN109509082 A CN 109509082A
- Authority
- CN
- China
- Prior art keywords
- trading volume
- application system
- threshold value
- monitored
- relationship
- 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
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明提供了一种银行应用系统的监控方法及装置,其中,该方法包括:获取待监控应用系统的当前交易量及交易状态;根据待监控应用系统的当前交易量及交易状态,确定当前交易量未明率;根据待监控应用系统的当前交易量、当前交易量未明率和当前交易时段,交易量阈值、交易量未明率阈值、交易高峰时段,以及朴素叶贝斯模型,对待监控应用系统进行状态监控。上述技术方案实现了有效地对银行应用系统进行实时监控,提高监控准确率和效率,降低运维成本,保证了银行应用系统的稳定高效运行。
Description
技术领域
本发明涉及系统监控技术领域,特别涉及一种银行应用系统的监控方法及装置。
背景技术
随着银行IT的发展,越来越多的银行(例如商业银行)通过应用系统为客户提供金融服务只有保证应用系统正常运行才能保证客户交易成功。商业银行应用系统不是孤立存在的,关联系统庞杂,比如对外需要连接人行、外汇管理局,对内需要连接核心银行系统、网银系统、客户信息系统等,无论是硬件层面的磁盘、网络故障,还是软件层面数据库异常、通讯软件异常、上下游系统异常、行内外关联系统异常等都会影响客户交易,只有及时发现应用系统异常,在最短时间处理异常,才能提高应用系统利用率,保障应用系统正常运行。
现有对银行应用系统监控采用人工查询交易情况,根据交易情况判断系统是否正常,或是交易过程中会将产生大量交易日志,通过监控日志信息监控应用系统运行情况。然而,现有对银行应用系统的监控方式运维成本高,对银行应用系统监控的有效性低,监控准确率和效率也低。
发明内容
本发明实施例提供了一种银行应用系统的监控方法,用以有效地对银行应用系统进行实时监控,提高监控准确率和效率,降低运维成本,该方法包括:
获取待监控应用系统的当前交易量及交易状态;
根据待监控应用系统的当前交易量及交易状态,确定当前交易量未明率;
根据待监控应用系统的当前交易量、当前交易量未明率和当前交易时段,交易量阈值、交易量未明率阈值、交易高峰时段,以及朴素叶贝斯模型,对待监控应用系统进行状态监控;所述朴素贝叶斯分类模型包括交易量与交易量阈值的第一关系,交易量未明率与交易量未明率阈值的第二关系,交易时段与高峰时段的第三关系,以及所述第一关系、第二关系、第三关系与是否发出异常告警情况之间的关系。
本发明实施例还提供了一种银行应用系统的监控装置,用以有效地对银行应用系统进行实时监控,提高监控准确率和效率,降低运维成本,该装置包括:
获取单元,用于获取待监控应用系统的当前交易量及交易状态;
未明率确定单元,用于根据待监控应用系统的当前交易量及交易状态,确定当前交易量未明率;
监控单元,用于根据待监控应用系统的当前交易量、当前交易量未明率和当前交易时段,交易量阈值、交易量未明率阈值、交易高峰时段,以及朴素叶贝斯模型,对待监控应用系统进行状态监控;所述朴素贝叶斯分类模型包括交易量与交易量阈值的第一关系,交易量未明率与交易量未明率阈值的第二关系,交易时段与高峰时段的第三关系,以及所述第一关系、第二关系、第三关系与是否发出异常告警情况之间的关系。
本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述银行应用系统的监控方法。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有执行银行应用系统的监控方法的计算机程序。
本发明实施例提供的技术方案通过:获取待监控应用系统的当前交易量及交易状态;根据待监控应用系统的当前交易量及交易状态,确定当前交易量未明率;根据待监控应用系统的当前交易量、当前交易量未明率和当前交易时段,交易量阈值、交易量未明率阈值、交易高峰时段,以及朴素叶贝斯模型,对待监控应用系统进行状态监控;其中,该朴素贝叶斯分类模型包括交易量与交易量阈值的第一关系,交易量未明率与交易量未明率阈值的第二关系,交易时段与高峰时段的第三关系,以及所述第一关系、第二关系、第三关系与是否发出异常告警情况之间的关系:
首先,实现了通过监控交易量及交易状态,直接反应应用系统运行情况,以及与其他关联系统的交互情况,与现有技术中监控日志的方案相比较,提高了监控的有效性;
其次,与现有技术中人工监控交易量的方案相比较,减轻了运维人员压力,从而降低运维成本,提高监控效率;
最后,综合交易量和未明率以及当前交易是否处于交易高峰时段,从多个维度确定交易情况,进而监控应用系统的运行状态,从而有利于提升监控准确率。
综上,本发明实施例提供的方案实现了有效地对银行应用系统进行实时监控,提高监控准确率和效率,降低运维成本,保证了银行应用系统的稳定高效运行。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,并不构成对本发明的限定。在附图中:
图1是本发明实施例中银行应用系统的监控方法的流程示意图;
图2是本发明实施例中采样点交易量示意图;
图3是本发明另一实施例中银行应用系统的监控方法的流程示意图;
图4是本发明实施例中银行应用系统的监控装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施方式和附图,对本发明做进一步详细说明。在此,本发明的示意性实施方式及其说明用于解释本发明,但并不作为对本发明的限定。
在介绍本发明实施例之前,首先对本发明涉及的专业名称进行介绍如下。
1、商业银行应用系统:客户通过商业银行办理业务所使用的应用系统。
2、关联系统:与被监控、应用系统存在交互关系的系统。
3、交易量:客户办理业务产生的交易数量,银行应用系统会将客户交易信息记录到数据库中,总的交易笔数即为交易量。
4、交易未明率:数据库中记录的每笔交易,都会记录交易状态(成功、失败或未明),交易未明率定义为(交易总笔数-成功笔数)/交易总笔数*100%。
5、中间件:MQ、CICS、ORACLE等介于应用系统与操作系统之间的软件产品。
6、朴素贝叶斯分类原理:通过某对象的先验概率,利用贝叶斯公式计算出其后验概率,即该对象属于某一类的概率,选择具有最大后验概率的类作为该对象所属的类,遵循“多数占优”这一基本原则。
现有对银行应用系统的监控方案主要包括:
1、通过人工查询交易情况,根据交易情况判断系统是否正常。
2、交易过程中会将产生大量交易日志,通过监控日志信息监控应用系统的运行情况。
发明人发现:上述现有技术方案存在以下技术问题:
1、应用系统运行正常时,日志中也会有报错信息,单纯监控日志会有误报产生。
2、由于日志内容复杂,日志监控是基于已知错误类型,新出现的日志类型无监控,监控会漏报。
3、如果与应用系统交互的关联系统异常,应用系统日志可能不会报错,导致无法监控的问题,监控的有效性低。
4、通过人工监控交易量,单一阈值监控交易量,由于交易量变化比较大,阈值设置太小,无法发现交易大时系统异常情况,阈值设置过大,会出现误报,监控不准确,且人工监控成本高、压力大,且监控效率较低。
由于发明人发现了以上技术问题,因此提出了一种对应用系统交易量进行确定,结合朴素贝叶斯原理实施的多维度实时监控方法,实现对交易量实时监控,以便及时发现应用系统异常,破解人工监控工作量大,监控有漏洞的难题,该方案的主要步骤包括:
1、通过数据统计分析,得到一组交易量阈值,存储在程序变量或者数据库中。
2、统计实时交易情况,计算交易量和未明率。
3、结合朴素贝叶斯原理,从交易量是否低于阈值、未明率是否超过阈值及交易是否处于交易高峰三个维度确定系统异常后验概率,判断异常是否异常。
下面对该银行应用系统的监控方案进行详细介绍如下。
图1是本发明实施例中银行应用系统的监控方法的流程示意图,如图1所示,该方法包括如下步骤:
步骤101:获取待监控应用系统的当前交易量及交易状态;
步骤102:根据待监控应用系统的当前交易量及交易状态,确定当前交易量未明率;
步骤103:根据待监控应用系统的当前交易量、当前交易量未明率和当前交易时段,交易量阈值、交易量未明率阈值、交易高峰时段,以及朴素叶贝斯模型,对待监控应用系统进行状态监控;该朴素贝叶斯分类模型包括交易量与交易量阈值的第一关系,交易量未明率与交易量未明率阈值的第二关系,交易时段与高峰时段的第三关系,以及所述第一关系、第二关系、第三关系与是否发出异常告警情况之间的关系。
本发明实施例提供的技术方案通过:获取待监控应用系统的当前交易量及交易状态;根据待监控应用系统的当前交易量及交易状态,确定当前交易量未明率;根据待监控应用系统的当前交易量、当前交易量未明率和当前交易时段,交易量阈值、交易量未明率阈值、交易高峰时段,以及朴素叶贝斯模型,对待监控应用系统进行状态监控;其中,该朴素贝叶斯分类模型包括交易量与交易量阈值的第一关系,交易量未明率与交易量未明率阈值的第二关系,交易时段与高峰时段的第三关系,以及所述第一关系、第二关系、第三关系与是否发出异常告警情况之间的关系:
首先,实现了通过监控交易量及交易状态,直接反应应用系统运行情况,以及与其他关联系统的交互情况,与现有技术中监控日志的方案相比较,提高了监控的有效性;
其次,与现有技术中人工监控交易量的方案相比较,减轻了运维人员压力,从而降低运维成本,提高监控效率;
最后,综合交易量和未明率以及当前交易是否处于交易高峰时段,从多个维度确定交易情况,进而监控应用系统的运行状态,从而有利于提升监控准确率。
综上,本发明实施例提供的方案实现了有效地对银行应用系统进行实时监控,提高监控准确率和效率,降低运维成本,保证了银行应用系统的稳定高效运行。
下面再结合附图2至图3,对本发明实例中各个步骤进行详细介绍如下。
一、首先介绍在上述步骤101至103之前,确定交易量阈值、交易量未明率阈值、交易高峰时段的过程。
1、首先介绍确定交易量阈值:
根据数据库中存储的待监控应用系统的交易历史信息等,对交易量进行分析,得出一组交易量阈值:首先,确定每个采样点交易量(如图2所示);然后,得出一组交易量阈值。
2、通过分析交易状态,得到交易未明率阈值:首先,根据交易状态,确定交易成功笔数,交易量未明率=1-成功笔数/交易量;然后,根据历史数据交易未明率,设定交易未明率阈值。该步骤根据交易量情况设定一组交易量阈值、交易高峰时间段和一个未明率阈值。
基于上述可知,上述银行应用系统的监控方法还可以包括:
根据待监控应用系统的历史交易量,确定所述交易量阈值;
根据待监控应用系统的历史交易量及交易状态,确定所述交易量未明率阈值。
具体实施时,根据历史交易量及交易状态,确定交易量阈值以及交易量未明率阈值,进而提高了后续应用系统的监控的准确率。
二、其次介绍上述步骤101。
具体实施时,可以从数据库(可以为ORACLE数据库)中存储的待监控应用系统的当前交易信息,获取待监控应用系统的当前交易量及交易状态,交易状态可以包括:交易成功笔数。可以通过PLSQL统计一天每隔10分钟的交易量(交易总笔数),成功笔数。
三、接着介绍上述步骤102。
具体实施时,上述步骤101获取了交易成功笔数,以及当前交易量,那么,当前交易量未明率=1-成功笔数/交易量。
四、接着介绍上述步骤103。该步骤103从是否低于交易量阈值、是否超过未明率阈值、是否处于交易高峰时段三个维度,结合朴素贝叶斯原理判断当前系统是否异常。如果异常,则输出日志并产生告警信息。
具体实施时,首先可以基于朴素贝叶斯原理预先建立一个朴素叶贝斯模型,该朴素贝叶斯分类模型可以包括交易量与交易量阈值的第一关系,交易量未明率与交易量未明率阈值的第二关系,交易时段与高峰时段的第三关系,以及所述第一关系、第二关系、第三关系与是否发出异常告警情况之间的关系。该模型可以如下图表1所示。
交易量比阈值(A) | 交易未明率比阈值(B) | 交易高峰(C) | 是否告警(D) |
小 | 高 | 否 | 否 |
大 | 低 | 是 | 否 |
小 | 低 | 是 | 是 |
大 | 高 | 否 | 是 |
大 | 高 | 是 | 是 |
表1
具体实施时,上述交易量与交易量阈值的第一关系可以如上表1中的交易量比阈值(A);上述交易量未明率与交易量未明率阈值的第二关系可以如上表1中的交易未明率比阈值(B);上述交易时段与高峰时段的第三关系可以如上表1中的交易高峰(C);以及上述第一关系、第二关系、第三关系与是否发出异常告警情况之间的关系,可以如上表1所示。交易量比阈值大,则系统交易量指标正常;交易未明率比阈值小,则未明率指标正常。
在一个实施例中,根据待监控应用系统的当前交易量、当前交易量未明率和当前交易时段,交易量阈值、交易量未明率阈值、交易高峰时段,以及朴素叶贝斯模型,对待监控应用系统进行状态监控,可以包括:
将当前交易量与交易量阈值比较得到第一比较结果,将当前交易量未明率与交易量未明率阈值比较得到第二比较结果,将当前交易时段与交易高峰时段比较得到第三比较结果;
根据第一比较结果、第二比较结果和第三比较结果,以及所述第一关系、第二关系和第三关系,以及所述第一关系、第二关系、第三关系与是否发出异常告警情况之间的关系,确定待监控应用系统异常告警的后验概率和不告警的后验概率;
如果异常告警的后验概率大于不告警的后验概率,生成待监控应用系统异常告警信息。
具体实施时,采用朴素贝叶斯分类原理计算告警和不告警的后验概率前,还需要比较当前交易量、未明率与阈值的大小情况,即上述得到第一比较结果、第二比较结果和第三比较结果的比较过程。
具体实施时,判断当前交易的交易时段是否处于交易高峰时段,可以先通过程序获得系统时间,再进行比较。
具体实施时,依据上述三个比较结果,以及朴素贝叶斯模型计算先验概率如下:
P(D是)=3/5;
P(A大|D是)=2/3;
P(B高|D是)=2/3;
P(C是|D是)=2/3;
P(A大)=3/5;
P(B高)=3/5;
P(C是)=3/5;
验证:当交易量比阈值小,交易未明率高,且处理交易高峰时的异常告警的后验概率为:
同理,得到P(D否|A小B高C是)=25/72;
P(D否|A小B高C是)<P(D是|A小B高C是),即系统异常,需告警,可以生成待监控应用系统异常告警信息。
因此,该步骤103结合朴素贝叶斯分类原理,根据交易量低阈值、未明率超阈值、交易高峰情况计算告警的后验概率和不告警的后验概率,如果告警的概率大,则生成告警信息,产生告警,反之,则不告警。
另外,经过大量的实践经验,发明人还发现:单一阈值监控交易量,由于交易量变化比较大,阈值设置太小,无法发现交易大时系统异常情况,阈值设置过大,会出现误报。因此,发明人提出了如下根据实际工作情况更新交易量阈值和高峰时段的技术方案。
在一个实施例中,上述银行应用系统的监控方法还可以包括:
在检测到当前交易量符合高斯分布模型时,根据高斯分布模型,重新设定所述交易量阈值和交易高峰时段;
根据待监控应用系统的当前交易量、当前交易量未明率和当前交易时段,交易量阈值、交易量未明率阈值、交易高峰时段,以及朴素叶贝斯模型,对待监控应用系统进行状态监控,可以包括:
根据待监控应用系统的当前交易量、当前交易量未明率和当前交易时段,交易量未明率阈值,重新设定的所述交易量阈值和交易高峰时段,以及朴素叶贝斯模型,对待监控应用系统进行状态监控。
具体实施时,在实施上述步骤101至103的过程中,在检测到当前交易量符合高斯分布模型时,根据高斯分布模型,重新设定所述交易量阈值和交易高峰时段,经过发明人长期的实践过程,发明人发现交易量符合高斯分布模型,根据高斯分布模型确认了一组交易量阈值,相比现有技术中单一交易量阈值和交易高峰时段,阈值设置更合理,提高了监控准确率。
通过上述可知,利用朴素贝叶期分类原理,综合了交易量、未明率和交易高峰时间与应用系统运行关系,相比单独分析各个维度与应用系统运行关系,提升了监控有效性。
综上所述,本发明最大优势在于依据历史数据设置一组交易量阈值和未明率阈值,根据朴素贝叶斯原理设定一组模型,然后实时统计交易数据,从交易量是否超阈值、未明率是否超阈值、是否处于交易高峰三个维度综合分析应用系统运行状态,提升了监控有效性和实时监控效率,提升了应用系统自动化监控水平,降低了运维成本。
基于同一发明构思,本发明实施例中还提供了一种银行应用系统的监控装置,如下面的实施例。由于银行应用系统的监控装置解决问题的原理与上述银行应用系统的监控方法相似,因此银行应用系统的监控装置的实施可以参考上述银行应用系统的监控方法的实施,重复之处不再赘述。以下所使用的,术语“模块”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图4是本发明实施例中银行应用系统的监控装置的结构示意图,如图4所示,该装置包括:
获取单元02,用于获取待监控应用系统的当前交易量及交易状态;
未明率确定单元04,用于根据待监控应用系统的当前交易量及交易状态,确定当前交易量未明率;
监控单元06,用于根据待监控应用系统的当前交易量、当前交易量未明率和当前交易时段,交易量阈值、交易量未明率阈值、交易高峰时段,以及朴素叶贝斯模型,对待监控应用系统进行状态监控;所述朴素贝叶斯分类模型包括交易量与交易量阈值的第一关系,交易量未明率与交易量未明率阈值的第二关系,交易时段与高峰时段的第三关系,以及所述第一关系、第二关系、第三关系与是否发出异常告警情况之间的关系。
在一实施例中,上述银行应用系统的监控装置还可以包括:
交易量阈值确定单元,用于根据待监控应用系统的历史交易量,确定所述交易量阈值;
交易量未明率阈值确定单元,用于根据待监控应用系统的历史交易量及交易状态,确定所述交易量未明率阈值。
在一个实施例中,上述银行应用系统的监控装置还可以包括:
重新确定单元,用于在检测到当前交易量符合高斯分布模型时,根据高斯分布模型,重新设定所述交易量阈值和交易高峰时段;
所述监控单元具体可以用于:根据待监控应用系统的当前交易量、当前交易量未明率和当前交易时段,交易量未明率阈值,重新设定的所述交易量阈值和交易高峰时段,以及朴素叶贝斯模型,对待监控应用系统进行状态监控。
在一个实施例中,所述监控单元具体可以用于:
将当前交易量与交易量阈值比较得到第一比较结果,将当前交易量未明率与交易量未明率阈值比较得到第二比较结果,将当前交易时段与交易高峰时段比较得到第三比较结果;
根据第一比较结果、第二比较结果和第三比较结果,以及所述第一关系、第二关系和第三关系,以及所述第一关系、第二关系、第三关系与是否发出异常告警情况之间的关系,确定待监控应用系统异常告警的后验概率和不告警的后验概率;
如果异常告警的后验概率大于不告警的后验概率,生成待监控应用系统异常告警信息。
在一个实施例中,所述未明率确定单元具体可以用于:
根据待监控应用系统当前交易的交易状态,确定交易成功笔数;
根据交易成功笔数,以及当前交易量,确定当前交易量未明率。
本发明的最大特点在于:(1)在检测到当前交易量符合高斯分布时,重新设置一组交易量阈值,提高了监控准确率;(2)结合朴素贝叶斯原理,综合分析交易量、未明率和交易高峰情况与应用系统运行状况的关系,提高了监控有效性和准确率,降低了监控误报率和漏报率。
本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述银行应用系统的监控方法。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有执行银行应用系统的监控方法的计算机程序。
本发明实施提供的技术方案的有益技术效果为:
1、实现自动化监控应用系统,可以快速、准确发现应用系统异常,提升系统自动化运维水平。
2、通过实时监控交易量及交易状态,提升监控有效性。
3、利用朴素贝叶斯原理,综合分析交易量、未明率和交易高峰情况,而不是单独监控交易量和未明率,提高监控有效性和准确率。
4、同时自动化监控相比人工监控更准确、更及时,减轻了运维人员的工作压力。
显然,本领域的技术人员应该明白,上述的本发明实施例的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明实施例不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (12)
1.一种银行应用系统的监控方法,其特征在于,包括:
获取待监控应用系统的当前交易量及交易状态;
根据待监控应用系统的当前交易量及交易状态,确定当前交易量未明率;
根据待监控应用系统的当前交易量、当前交易量未明率和当前交易时段,交易量阈值、交易量未明率阈值、交易高峰时段,以及朴素叶贝斯模型,对待监控应用系统进行状态监控;所述朴素贝叶斯分类模型包括交易量与交易量阈值的第一关系,交易量未明率与交易量未明率阈值的第二关系,交易时段与高峰时段的第三关系,以及所述第一关系、第二关系、第三关系与是否发出异常告警情况之间的关系。
2.如权利要求1所述的银行应用系统的监控方法,其特征在于,还包括:
根据待监控应用系统的历史交易量,确定所述交易量阈值;
根据待监控应用系统的历史交易量及交易状态,确定所述交易量未明率阈值。
3.如权利要求1所述的银行应用系统的监控方法,其特征在于,还包括:
在检测到当前交易量符合高斯分布模型时,根据高斯分布模型,重新设定所述交易量阈值和交易高峰时段;
根据待监控应用系统的当前交易量、当前交易量未明率和当前交易时段,交易量阈值、交易量未明率阈值、交易高峰时段,以及朴素叶贝斯模型,对待监控应用系统进行状态监控,包括:
根据待监控应用系统的当前交易量、当前交易量未明率和当前交易时段,交易量未明率阈值,重新设定的所述交易量阈值和交易高峰时段,以及朴素叶贝斯模型,对待监控应用系统进行状态监控。
4.如权利要求1所述的银行应用系统的监控方法,其特征在于,根据待监控应用系统的当前交易量、当前交易量未明率和当前交易时段,交易量阈值、交易量未明率阈值、交易高峰时段,以及朴素叶贝斯模型,对待监控应用系统进行状态监控,包括:
将当前交易量与交易量阈值比较得到第一比较结果,将当前交易量未明率与交易量未明率阈值比较得到第二比较结果,将当前交易时段与交易高峰时段比较得到第三比较结果;
根据第一比较结果、第二比较结果和第三比较结果,以及所述第一关系、第二关系和第三关系,以及所述第一关系、第二关系、第三关系与是否发出异常告警情况之间的关系,确定待监控应用系统异常告警的后验概率和不告警的后验概率;
如果异常告警的后验概率大于不告警的后验概率,生成待监控应用系统异常告警信息。
5.如权利要求1所述的银行应用系统的监控方法,其特征在于,根据待监控应用系统的当前交易量及交易状态,确定当前交易量未明率,包括:
根据待监控应用系统当前交易的交易状态,确定交易成功笔数;
根据交易成功笔数,以及当前交易量,确定当前交易量未明率。
6.一种银行应用系统的监控装置,其特征在于,包括:
获取单元,用于获取待监控应用系统的当前交易量及交易状态;
未明率确定单元,用于根据待监控应用系统的当前交易量及交易状态,确定当前交易量未明率;
监控单元,用于根据待监控应用系统的当前交易量、当前交易量未明率和当前交易时段,交易量阈值、交易量未明率阈值、交易高峰时段,以及朴素叶贝斯模型,对待监控应用系统进行状态监控;所述朴素贝叶斯分类模型包括交易量与交易量阈值的第一关系,交易量未明率与交易量未明率阈值的第二关系,交易时段与高峰时段的第三关系,以及所述第一关系、第二关系、第三关系与是否发出异常告警情况之间的关系。
7.如权利要求6所述的银行应用系统的监控装置,其特征在于,还包括:
交易量阈值确定单元,用于根据待监控应用系统的历史交易量,确定所述交易量阈值;
交易量未明率阈值确定单元,用于根据待监控应用系统的历史交易量及交易状态,确定所述交易量未明率阈值。
8.如权利要求6所述的银行应用系统的监控装置,其特征在于,还包括:
重新确定单元,用于在检测到当前交易量符合高斯分布模型时,根据高斯分布模型,重新设定所述交易量阈值和交易高峰时段;
所述监控单元具体用于:根据待监控应用系统的当前交易量、当前交易量未明率和当前交易时段,交易量未明率阈值,重新设定的所述交易量阈值和交易高峰时段,以及朴素叶贝斯模型,对待监控应用系统进行状态监控。
9.如权利要求6所述的银行应用系统的监控装置,其特征在于,所述监控单元具体用于:
将当前交易量与交易量阈值比较得到第一比较结果,将当前交易量未明率与交易量未明率阈值比较得到第二比较结果,将当前交易时段与交易高峰时段比较得到第三比较结果;
根据第一比较结果、第二比较结果和第三比较结果,以及所述第一关系、第二关系和第三关系,以及所述第一关系、第二关系、第三关系与是否发出异常告警情况之间的关系,确定待监控应用系统异常告警的后验概率和不告警的后验概率;
如果异常告警的后验概率大于不告警的后验概率,生成待监控应用系统异常告警信息。
10.如权利要求6所述的银行应用系统的监控装置,其特征在于,所述未明率确定单元具体用于:
根据待监控应用系统当前交易的交易状态,确定交易成功笔数;
根据交易成功笔数,以及当前交易量,确定当前交易量未明率。
11.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5任一所述方法。
12.一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存储有执行权利要求1至5任一所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811285590.1A CN109509082B (zh) | 2018-10-31 | 2018-10-31 | 银行应用系统的监控方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811285590.1A CN109509082B (zh) | 2018-10-31 | 2018-10-31 | 银行应用系统的监控方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109509082A true CN109509082A (zh) | 2019-03-22 |
CN109509082B CN109509082B (zh) | 2022-02-25 |
Family
ID=65747256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811285590.1A Active CN109509082B (zh) | 2018-10-31 | 2018-10-31 | 银行应用系统的监控方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109509082B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948669A (zh) * | 2019-03-04 | 2019-06-28 | 腾讯科技(深圳)有限公司 | 一种异常数据检测方法及装置 |
CN110083508A (zh) * | 2019-04-30 | 2019-08-02 | 中国银联股份有限公司 | 一种数据监控方法及装置 |
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 |
CN111210225A (zh) * | 2020-01-14 | 2020-05-29 | 中国建设银行股份有限公司 | 交易系统的状态监控方法、装置、设备和存储介质 |
CN111626841A (zh) * | 2020-04-10 | 2020-09-04 | 中国建设银行股份有限公司 | 对联机交易进行监控的方法、系统及相关设备 |
CN112598522A (zh) * | 2020-12-28 | 2021-04-02 | 中国农业银行股份有限公司 | 一种业务系统的控制方法、装置及电子设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101236638A (zh) * | 2008-02-20 | 2008-08-06 | 中国工商银行股份有限公司 | 一种基于Web的银行卡风险监测方法及系统 |
US8041632B1 (en) * | 1999-10-28 | 2011-10-18 | Citibank, N.A. | Method and system for using a Bayesian belief network to ensure data integrity |
CN103279885A (zh) * | 2013-06-19 | 2013-09-04 | 华夏银行股份有限公司 | 面向业务服务的交易监控管理系统 |
CN105976114A (zh) * | 2016-05-09 | 2016-09-28 | 中国农业银行股份有限公司 | 一种交易监控方法及系统 |
CN106302015A (zh) * | 2016-08-16 | 2017-01-04 | 华青融天(北京)技术股份有限公司 | 一种业务状态监控方法、装置以及系统 |
CN106600369A (zh) * | 2016-12-09 | 2017-04-26 | 广东奡风科技股份有限公司 | 基于朴素贝叶斯分类的银行金融产品实时推荐系统和方法 |
CN106789251A (zh) * | 2016-12-23 | 2017-05-31 | 中国银行股份有限公司 | 网银运行状态监控系统及方法 |
CN107067324A (zh) * | 2017-04-18 | 2017-08-18 | 上海翼翎数据信息技术有限公司 | 一种利用网络抓包数据实现交易风险控制的方法和系统 |
CN108415993A (zh) * | 2018-02-12 | 2018-08-17 | 中信银行股份有限公司 | 一种监控预警显示方法及系统 |
US20180268454A1 (en) * | 2007-07-06 | 2018-09-20 | Ebay Inc. | Providing informational tags within networked systems |
-
2018
- 2018-10-31 CN CN201811285590.1A patent/CN109509082B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8041632B1 (en) * | 1999-10-28 | 2011-10-18 | Citibank, N.A. | Method and system for using a Bayesian belief network to ensure data integrity |
US20180268454A1 (en) * | 2007-07-06 | 2018-09-20 | Ebay Inc. | Providing informational tags within networked systems |
CN101236638A (zh) * | 2008-02-20 | 2008-08-06 | 中国工商银行股份有限公司 | 一种基于Web的银行卡风险监测方法及系统 |
CN103279885A (zh) * | 2013-06-19 | 2013-09-04 | 华夏银行股份有限公司 | 面向业务服务的交易监控管理系统 |
CN105976114A (zh) * | 2016-05-09 | 2016-09-28 | 中国农业银行股份有限公司 | 一种交易监控方法及系统 |
CN106302015A (zh) * | 2016-08-16 | 2017-01-04 | 华青融天(北京)技术股份有限公司 | 一种业务状态监控方法、装置以及系统 |
CN106600369A (zh) * | 2016-12-09 | 2017-04-26 | 广东奡风科技股份有限公司 | 基于朴素贝叶斯分类的银行金融产品实时推荐系统和方法 |
CN106789251A (zh) * | 2016-12-23 | 2017-05-31 | 中国银行股份有限公司 | 网银运行状态监控系统及方法 |
CN107067324A (zh) * | 2017-04-18 | 2017-08-18 | 上海翼翎数据信息技术有限公司 | 一种利用网络抓包数据实现交易风险控制的方法和系统 |
CN108415993A (zh) * | 2018-02-12 | 2018-08-17 | 中信银行股份有限公司 | 一种监控预警显示方法及系统 |
Non-Patent Citations (1)
Title |
---|
陈怀东: "贝叶斯网络在银行操作风险管理中的应用", 《中国经贸导刊(理论版)》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948669A (zh) * | 2019-03-04 | 2019-06-28 | 腾讯科技(深圳)有限公司 | 一种异常数据检测方法及装置 |
CN110083508A (zh) * | 2019-04-30 | 2019-08-02 | 中国银联股份有限公司 | 一种数据监控方法及装置 |
CN110083508B (zh) * | 2019-04-30 | 2023-04-18 | 中国银联股份有限公司 | 一种数据监控方法及装置 |
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 |
CN111210225A (zh) * | 2020-01-14 | 2020-05-29 | 中国建设银行股份有限公司 | 交易系统的状态监控方法、装置、设备和存储介质 |
CN111626841A (zh) * | 2020-04-10 | 2020-09-04 | 中国建设银行股份有限公司 | 对联机交易进行监控的方法、系统及相关设备 |
CN112598522A (zh) * | 2020-12-28 | 2021-04-02 | 中国农业银行股份有限公司 | 一种业务系统的控制方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109509082B (zh) | 2022-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109509082A (zh) | 银行应用系统的监控方法及装置 | |
CN104811344B (zh) | 网络动态业务监控方法及装置 | |
CN105721187B (zh) | 一种业务故障诊断方法及装置 | |
CN110471821B (zh) | 异常变更检测方法、服务器及计算机可读存储介质 | |
US10169816B2 (en) | Trading anomaly kill switch | |
WO2016196222A1 (en) | False positive reduction in abnormality detection system models | |
CN110197430A (zh) | 一种基于资金业务系统的资金业务监控方法及系统 | |
JP2018501585A5 (zh) | ||
KR102011689B1 (ko) | 시계열 데이터의 모니터링 방법, 모니터링 시스템 및 컴퓨터 프로그램 | |
CN107992415A (zh) | 一种交易系统的故障定位和分析方法及相关服务器 | |
CN110442628A (zh) | 一种数据监控方法、系统和计算机设备 | |
CN108694522A (zh) | 一种数据分析方法及装置 | |
CN108880845A (zh) | 一种信息提示的方法以及相关装置 | |
CN110135711A (zh) | 一种情报管理方法及装置 | |
WO2016138805A1 (zh) | 一种分布数据异动判断定位方法及系统 | |
CN112560940A (zh) | 一种用电异常检测方法、装置、设备和存储介质 | |
CN114170002A (zh) | 一种访问频次的预测方法及装置 | |
CN109816137A (zh) | 一种交易量监测方法及装置 | |
CN109242658B (zh) | 可疑交易报告生成方法、系统、计算机设备和存储介质 | |
CN107784578B (zh) | 银行外汇数据监管方法及装置 | |
CN113835947A (zh) | 一种基于异常识别结果确定异常原因的方法和系统 | |
CN108549981A (zh) | 一种提高大批量并行业务流程服务质量的方法 | |
CN110895757B (zh) | 一种作弊数据识别方法、装置、设备及系统 | |
CN113656452A (zh) | 调用链指标异常的检测方法、装置、电子设备及存储介质 | |
Kumar | Validation of data warehouse requirements-model traceability metrics using a formal framework |
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 |