CN110189228A - 一种监测异常交易的方法和装置 - Google Patents
一种监测异常交易的方法和装置 Download PDFInfo
- Publication number
- CN110189228A CN110189228A CN201910551065.8A CN201910551065A CN110189228A CN 110189228 A CN110189228 A CN 110189228A CN 201910551065 A CN201910551065 A CN 201910551065A CN 110189228 A CN110189228 A CN 110189228A
- Authority
- CN
- China
- Prior art keywords
- event
- detected
- probability
- transactions
- trading
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Debugging And Monitoring (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种监测异常交易的方法和装置,用以解决现有技术中存在在交易量比较低时,监测异常交易容易出现误判的问题。本发明实施例中,根据历史交易平均成功率、待检测事件的成功交易量以及待检测事件的总交易量确定所述待检测事件为正常事件的概率;若所述待检测事件为正常事件的概率小于设定的事件概率阈值,且所述待检测事件的失败交易量大于设定的失败交易量阈值,确定所述待检测事件为异常事件。本方案从概率的角度出发,计算待检测事件为正常事件的概率,用概率表征业务交易系统是否正常运行。如此可以防止异常事件误判情况的出现,进而提高检测异常事件的准确性。
Description
技术领域
本发明涉及金融科技(Fintech)中的数据处理技术领域,特别涉及一种监测异常交易的方法和装置。
背景技术
业务交易系统是金融机构中为客户办理各类业务服务的IT(InformationTechnology,信息技术)系统,金融机构中无论从简单的存取款业务到辅助的投资类业务,均都不同程度的依赖着业务交易系统的支持;因此业务交易系统是否运行正常关系到金融机构是否能够正常的开展业务。
业务交易系统是否正常工作主要反映在该业务交易系统的交易响应时间和交易成功率是否处于正常的数值内。基于此,为了有效的监控业务交易系统的运行情况,目前金融机构一般都通过建立自动或者半自动化的交易监控系统,实现对业务交易系统运行情况的监控。
其中,对于交易成功率的监测,一般是根据从确定业务交易系统中某一时间段内的交易成功量确定的这段时间内的交易成功率,再将确定交易成功率与通过人工设定的成功率阈值相比较。
然而,由于业务交易系统所依赖的软硬件资源通常是有限的,因此业务交易系统的交易成功率可能会受到交易量等因素的影响。例如,人工设定交易成功率阈值为90%,当检测到的检测到10笔交易中有3笔交易失败时的交易成功率为70%,此时根据设定的交易成功率阈值可以确定此时业务交易系统出现异常,然而日常生活中10笔交易中有3笔交易失败是极有可能出现的事件,不应该判定业务交易系统出现异常。
进一步的,通过人工设定交易成功率阈值的,并将确定出的交易成功率与通过人工设定的成功率阈值相比较确定业务交易系统是否正常运行时,由于交易成功阈值需要人工设定,因而可能出现交易成功率曲线特征已经改变,但是交易成功率阈值并未修改的情况,这样极有可能造成异常情况误判。
综上所述,现有技术中在交易量比较低时,监测异常交易容易出现误判。
发明内容
本发明提供一种监测异常交易的方法和装置,用以解决现有技术中存在交易量比较低时,监测异常交易容易出现误判问题。
第一方面,本发明实施例提供一种监测异常交易的方法,该方法包括:
根据历史交易平均成功率、待检测事件的成功交易量以及待检测事件的总交易量确定所述待检测事件为正常事件的概率;
若所述待检测事件为正常事件的概率小于设定的事件概率阈值,且所述待检测事件的失败交易量大于设定的失败交易量阈值,确定所述待检测事件为异常事件。
上述方法,先根据历史交易平均成功率、待检测事件的成功交易量以及待检测事件的总交易量确定所述待检测事件为正常事件的概率;若所述待检测事件为正常事件的概率小于设定的事件概率阈值,且所述待检测事件的失败交易量大于设定的失败交易量阈值,确定所述待检测事件为异常事件。本发明具体中,根据历史交易平均成功率、待检测事件的成功交易量以及待检测事件的总交易量确定出该待检测事件为正常事件的概率,随后将该待检测事件为正常事件的概率与设定的事件概率阈值相比较,当该待检测事件为正常事件的概率小于设定的事件概率阈值时,初步确定待检测事件可能是异常事件,随后在将待检测事件的失败交易量与设定的失败交易量阈值相比较,当待检测事件为正常事件的概率小于设定的事件概率阈值,且待检测事件的失败交易量大于设定的失败交易量阈值时,确定待检测事件可能是异常事件,如此本发明实施例中,以待检测事件为正常事件的概率作为评判标准,在判断待检测事件是否为异常事件时,不仅考虑了交易成功率,还将待检测事件的总交易量以及待检测事件的成功交易量作为考虑因素,且对待检测事件的失败交易也有要求。如此可以防止由于交易量过少而导致的误判的情况出现,进而提高检测异常事件的准确性。
在一种可能的实施方式中,通过下列方式确定检测事件:
根据取样时刻之前第一时长内的交易量,生成所述检测事件;
其中,所述第一时长不小于设定的检测事件最小时长且不大于检测事件最大时长;所述第一时长内的交易量不小于最小总交易量;所述最小总交易量是根据由至少一天的历史交易量确定的每分钟的平均交易量以及检测事件最小时长确定的。
上述方法,根据当前时刻之前第一时长内的交易量,生成所述检测事件;其中,所述第一时长不小于设定的检测事件最小时长且不大于检测事件最大时长;所述第一时长内的交易量不小于最小总交易量;所述最小总交易量是根据由至少一天的历史交易量确定的每分钟的平均交易量以及检测事件最小时长确定的。如此,本发明实施例中将分布在一定时长范围内的上所有交易作为一个概率事件,且该概率事件中的样本数目存在一个最小值,这样,通过求解待检测事件的为正常事件的概率可以反馈出业务交易系统是否正常工作。
在一种可能的实施方式中,通过下列方式确定事件概率阈值:
获取确定的当前时刻之前至少一天内的历史交易中的检测事件的概率,并将正常事件对应的概率中的最小值的作为事件概率阈值。
上述方法,获取确定的当前时刻之前至少一天内的历史交易中待检测事件的概率,并确定出其中每一个检测事件为正常事件的概率,并从所有的概率阈值中选定出检测事件为正常事件的概率的最小值,在将该概率中的最小值的作为事件概率阈值。如此,即可根据事件概率阈值对异常事件进行监控。
在一种可能的实施方式中,通过下列方式确定事件概率阈值:
获取确定的当前时刻之前至少一天内的历史交易中的检测事件的概率,并将正常事件对应的概率中的最小值和异常事件对应的概率中的最大值的均值作为事件概率阈值。
上述方法,获取确定的当前时刻之前至少一天内的历史交易中的检测事件的概率,并确定出其中待检测事件为正常事件的概率的最小值以及检测事件为异常事件的概率的最大值,并随后计算最小值与最大值之间的均值,并将该均值作为事件概率阈值。如此,即可根据该事件概率阈值对异常事件进行监控。
在一种可能的实施方式中,通过下列方式确定历史交易平均成功率:
若确定的当前时刻之前至少一天内的历史交易的总交易量大于设定的交易量阈值,根据确定的所述历史交易的成功交易量与确定的所述历史交易的总交易量确定所述成功交易量与所述总交易量的比重值,并将所述比重值作为待检测事件的历史交易平均成功率。
上述方法中,当确定的当前时刻之前至少一天内的历史交易中的总交易量之和大于设定的交易量阈值时,可以说明实际交易数目足够大,此时根据确定的所述历史交易的成功交易量与确定的所述历史交易的总交易量确定所述成功交易量与所述总交易量的比重值无限接近于真实的交易成功率,故将根据确定的所述历史交易的成功交易量与确定的所述历史交易的总交易量确定所述成功交易量与所述总交易量的比重值作历史交易平均成功率。
在一种可能的实施方式中,通过下列方式确定历史交易平均成功率。:
若确定的当前时刻之前至少一天内的历史交易中的总交易量不大于设定的交易量阈值,将根据确定的所述历史交易的成功交易量与确定的所述历史交易的总交易量确定的所述成功交易量与所述总交易量的比重值作为待检测事件的交易平均成功率,并利用威尔逊区间计算公式,根据设定的期望置信水平、待检测事件的交易平均成功率以及待检测事件总交易量确定待检测事件概率对应的威尔逊区间,并将确定的威尔逊区间的下边界值作为历史交易平均成功率。
上述方法中,当确定的当前时刻之前至少一天内的历史交易中的总交易量之和不大于设定的交易量阈值时,可以说明实际交易数目比较小,此时利用威尔逊公式对其进行修正,以得到比较合理的历史交易平均成功率。
在一种可能的实施方式中,根据历史交易平均成功率、待检测事件的成功交易量以及待检测事件的总交易量确定所述待检测事件为正常事件的概率,包括:
利用二项分布的累积分布函数,根据历史交易平均成功率、待检测事件的成功交易量以及待检测事件的总交易量确定所述待检测事件为正常事件的概率。
上述方法,利用累积分布函数,根据历史交易平均成功率、待检测事件的成功交易量以及待检测事件的总交易量确定所述待检测事件为正常事件的概率。如此,根据待检测事件为正常事件的概率确定业务交易系统是否异常,进而提高检测异常事件的准确性。
第二方面,本申请实施例还提供一种监测异常交易的装置,所述装置包括:至少一个处理单元以及至少一个存储单元,该装置具有实现上述第一方面的各实施例的功能。
第三方面,本申请实施例还提供一种监测异常交易的装置,所述装置包括:概率确定模块、以及异常事件确定模块,该装置具有实现上述第一方面的各实施例的功能。
第四方面,本申请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中存储有指令,当其在计算机上运行时,使得计算机执行上述第一方面任一所述的方法。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供一种监测异常交易的方法的流程示意图;
图2为本申请实施例提供的基于实时确定事件概率阈值的一种监测异常交易的方法的详细流程示意图;
图3为本申请实施例提供不实时确定事件概率阈值的一种监测异常交易的方法的详细流程示意图;
图4为本申请实施例提供第一种监测异常交易的装置的结构示意图;
图5为本申请实施例提供第二种监测异常交易的装置的结构示意图。
具体实施方式
业务交易系统是金融机构中为客户办理各类业务服务的IT系统,金融机构中无论从简单的存取款业务到辅助的投资类业务,均都不同程度的依赖着业务交易系统的支持;因此业务交易系统是否运行正常关系到金融机构是否能够正常的开展业务。
业务交易系统是否正常工作主要反映在该业务交易系统的交易响应时间和交易成功率是否处于正常的数值内。
其中,对于交易成功率的监测,一般是根据从确定业务交易系统中某一时间段内的交易成功量确定的这段时间内的交易成功率,再将确定交易成功率与通过人工设定的成功率阈值相比较。
然而,由于业务交易系统所依赖的软硬件资源通常是有限的,因此业务交易系统的交易成功率可能会受到交易量等因素的影响。
基于此,为了有效的监控业务交易系统的运行情况,本方案从概率的角度出发,以一定的时间和交易累积量划分出一个待检测事件,并计算待检测事件为正常事件的概率,用概率表征业务交易系统是否正常运行。
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部份实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
如图1所示,本发明实施例提供一种监测异常交易的方法,该方法包括:
步骤100,根据历史交易平均成功率、待检测事件的成功交易量以及待检测事件的总交易量确定所述待检测事件为正常事件的概率;
步骤101,若所述待检测事件为正常事件的概率小于设定的事件概率阈值,且所述待检测事件的失败交易量大于设定的失败交易量阈值,确定所述待检测事件为异常事件。
上述方法,先根据历史交易平均成功率、待检测事件的成功交易量以及待检测事件的总交易量确定所述待检测事件为正常事件的概率;若所述待检测事件为正常事件的概率小于设定的事件概率阈值,且所述待检测事件的失败交易量大于设定的失败交易量阈值,确定所述待检测事件为异常事件。本发明具体中,根据历史交易平均成功率、待检测事件的成功交易量以及待检测事件的总交易量确定出该待检测事件为正常事件的概率,随后将该待检测事件为正常事件的概率与设定的事件概率阈值相比较,当该待检测事件为正常事件的概率小于设定的事件概率阈值时,初步确定待检测事件可能是异常事件,随后在将待检测事件的失败交易量与设定的失败交易量阈值相比较,当待检测事件为正常事件的概率小于设定的事件概率阈值,且待检测事件的失败交易量大于设定的失败交易量阈值时,确定待检测事件可能是异常事件,如此本发明实施例中,以待检测事件为正常事件的概率作为评判标准,在判断待检测事件是否为异常事件时,不仅考虑了交易成功率,还将待检测事件的总交易量以及待检测事件的成功交易量作为考虑因素,且对待检测事件的失败交易也有要求。如此可以防止由于交易量过少而导致的误判的情况出现,进而提高检测异常事件的准确性。
下面将对本发明实施例中的方案进行详细阐述。
具体实施中,由于每笔交易都来自于不同的用户,因而交易之间相互独立,互不影响;且具体到每一笔交易时,每次交易只有成功或失败这两种结果。
进一步的,在系统稳定正常的情况下,累计到一定交易量后交易成功率稳定在一个固定数值附近。
由此可以将由一定时间内的多笔交易作为检测事件,该事件一个重复多次的伯努利实验,服从二项式分布。
具体实现过程中,检测事件发生的概率服从二项分布的概率分布函数公式:
其中,f(k;n,p)表示检测事件的n笔交易中k笔交易成功这一事件发生的概率,p为每一笔交易成功概率;
其中,p为在本发明实施例中指的是历史交易平均成功率。
这样,本发明实施例中可以使用二项分布的概率累积分布函数F(x;n,p)表示检测事件的n笔交易中k笔成功时,该检测事件为正常事件的概率;
其中,F(x;n,p)表示检测事件的n笔交易中1笔成功至n笔交易中k笔交易成功的概率和,p为每一笔交易成功概率;
其中,p为在本发明实施例中指的是历史交易平均成功率。
这样,当交易成功量k越大时,计算出的二项分布的概率累积分布函数F(x;n,p)的值就越大,这样该检测事件越有可能是正常事件。
具体实现时,检测事件内交易量的大小会影响异常事件判断的准确度和实时性。
若一个检测事件内包含的交易量过少,则检测结果可能会出现比较大的波动,且数据敏感度也会增大;
若一个检测事件内包含的交易量过多,则需要长时间的积累,这样将会造成检测的实时性降低,同时也会将事件内的异常情况冲淡,不利于异常的发现。
因此,本方案从累积时间和累积交易量两个角度进行事件的划分,规则如下。
具体实施中,可以通过下列方式确定检测事件:根据当前时刻之前第一时长内的交易量,生成所述检测事件;
其中,所述第一时长不小于设定的检测事件最小时长且不大于设定的检测事件最大时长;所述第一时长内的交易量不小于最小总交易量;所述最小总交易量是根据由至少一天的历史交易量确定的每分钟的平均交易量以及检测事件最小时长确定的。
则具体实施中,从当前时刻开始向前累计交易构成检测事件时,当实时判断累计时长是否小于检测事件最小时长,若当累计时长小于检测事件最小时长时,继续向前累计交易;
当累计时长不小于检测事件最小时长时,判断累计时长是否不小于检测事件最大时长或当前累计的交易量是否不小于最小总交易量,若当前累计的交易量不小于最小总交易量时,则停止累计,将当前累计的所有交易作为检测事件;
若当前累计的交易量小于最小总交易,且累计时长小于检测事件最大时长时,则继续向前累计交易量;
若当前累计的交易量小于最小总交易,且累计时长不小于检测事件最大时长时,则停止累计,将当前累计的所有交易作为检测事件。
这样,在确定检测事件时,需要根据确定的当前时刻之前至少一天内的历史交易中的检测事件的交易确定出每分钟的平均交易量,并根据设定的检测事件最小时长以及确定出的每分钟的平均交易量确定出检测事件的最小总交易量。这样,即可在一定程度上减少检测事件的交易量过少的情况出现,也就可以在一定程度上减小检测事件的交易量对检测结果的影响。
同时,检测事件的第一时长不小于设定的检测事件最小时长且不大于设定的检测事件最大时长,这样可以保证检测事件的实时性,避免由于检测事件的交易量积累时间过长,造成检测的实时性降低,降低异常情况被冲淡的可能性,提高异常事件的发现的概率。
进一步的,在具体实现过程中,需要获取确定的当前时刻之前至少一天内的历史交易中的检测事件的概率,确定最初计算使用事件概率阈值。
具体实现中,计算概率阈值时,最初获取的当前时刻之前至少一天内的历史交易中的检测事件的概率是由工作人员根设定的规则确定的,在人工确定历史交易中的检测事件的概率时,还将人工标定处异常事件以及正常事件。
进一步的,对于一个金融机构来说,不同业务的重要性不同,这样为了节约成本且保证重要事件检测的准确性,可以通过人工对关键业务进行精准标定,再使用人工精准标定时确定的检测事件的概率,以及标定的异常事件和正常事件作为历史数据,确定最初使用的事件概率阈值的检测事件的概率。
在获取到用于求得事件概率阈值的检测事件的概率后,确定事件概率阈值方式有多种,具体不限于下面两种。
方式一,将正常事件对应的概率中的最小值的作为事件概率阈值。
具体实施中,因为正常事件和异常事件之间的概率通常会相差多个数量级,故将从所有的用于求得事件概率阈值的检测事件的概率中选定出最小值,再将检测事件的概率中的最小值缩小N倍后作为事件概率阈值。这样可以减少异常事件误判的情况出现。
例如,通常正常事件和异常事件之间的概率会相差多个数量级,为了达到减少误告的目的,可以将最小的概率缩小三个数量级后的数值作为事件概率阈值;
若选定当前确定的检测事件中的正常事件的概率分别为0.2、0.6、0.1、0.45;
则事件概率阈值为0.1÷1000=0.00001。
方式二,获取确定的当前时刻之前至少一天内的历史交易中的检测事件的概率,并将正常事件对应的概率中的最小值和异常事件对应的概率中的最大值的均值作为事件概率阈值。
具体实施中,首先从确定的检测事件的概率中确定出正常事件的概率中的最小值,以及异常事件的概率中的最大值,随后根据正常事件的概率中的最小值和的异常事件的概率中的最大值求均值,并将该均值作为事件概率阈值。这样,同样可以一定程度上减小异常事件误判的情况出现。
例如,若选定当前确定的检测事件中的正常事件的概率分别为0.2、0.6、0.1、0.45;
若选定当前确定的检测事件中的异常事件的概率分别为0.0002、0.0006、0.0001、0.00045;
则事件概率阈值为(0.1+0.0006)÷2=0.0503。
在确定出最初使用的事件概率阈值后,还将确定出每一笔交易对应的历史交易平均成功率。
需要说明的是,在根据最先获取的检测事件的概率确定出最初使用的事件概率阈值之后,在监测异常交易时,随着时间的推移,用于确定事件概率阈值的检测事件也随之更新,这样可以随着时间变化不断调整确定事件概率阈值的参数,使得确定出的参数准确适用于当前需要检测的待检测事件。
进一步的,通过上述方法确定事件概率阈值时,可以实时根据当前时刻之前至少一天内的历史交易中的检测事件的概率确定事件概率阈值,此时包含待检测事件外的所有交易数据,这样每进行一次异常事件判定,都需要确定一次事件概率阈值。
此外,为了减少计算量,在确定事件概率阈值时,可以舍弃生成待检测事件的这一天的交易数据,由待检测事件前一天之前至少一天内的历史交易的检测事件的概率确定事件概率阈值,由于该事件概率阈值不涉及待检测事件当天的交易数据,故确定出的确定事件概率阈值是一个定值,故可以缓存起来,在进行异常事件的判定时,直接调取使用,减少计算量,同时随着时间推移,事件概率阈值也会不断更新。
具体实施中,用于确定事件概率阈值的检测事件的相关数据,还将用于确定历史交易平均成功率。
进一步的,根据用于确定历史交易平均成功率的检测事中的总交易量,将采用不同的方式确定历史交易平均成功率,具体如下。
一、获取确定的当前时刻之前至少一天内的历史交易的总交易量于设定的交易量阈值。
此时,由于用于确定历史交易平均成功率的至少一天内的历史交易的总交易量于设定的交易量阈值。即至少一天内的历史交易的总交易量极大,此时确定的当前时刻之前至少一天内的历史交易的成功交易量与确定的当前时刻之前至少一天内的历史交易的总交易量的比重值无限接近于真实的交易成功率,故将历史交易的成功交易量与历史交易的总交易量的比重值作历史交易平均成功率。
例如,设定交易量阈值为20000;
若,至少一天内的历史交易的总交易量为30000,且成功交易的交易量为15000,此时历史交易平均成功率为15000÷30000=0.5。
二、获取确定的当前时刻之前至少一天内的历史交易的总交易量不大于设定的交易量阈值。
当确定的当前时刻之前至少一天内的历史交易的总交易量不大于设定的交易量阈值时,可以说明实际交易数目比较小,此时利用威尔逊公式对其进行修正,以得到比较合理的历史交易平均成功率。
具体实施时,首先根据确定的至少一天内的历史交易的成功交易量与历史交易的总交易量确定的成功交易量与总交易量的比重值,并将该比重值作为至少一天内的检测事件的交易平均成功率;
随后将设定的期望置信水平、交易平均成功率以及检测事件总交易量代入威尔逊区间计算公式,确定交易平均成功率对应的威尔逊区间;
最后将确定的威尔逊区间的下边界值作为历史交易平均成功率。
例如:威尔逊公式为:
其中p为交易平均成功率,n为总交易量,z为设定的期望置信水平对应的统计值;
其中z可以根据设定的期望置信水平进行查表得到;
若设定交易量阈值为20000;至少一天内的历史交易的总交易量为100,且成功交易的交易量50;设定的期望置信水平为0.95;
此时确定至少一天内的历史交易中的检测事件的交易平均成功率为50÷100=0.5;
则历史交易平均成功率为
需要说明的是,在根据最先获取的历史交易中的总交易量以及历史交易中的成功交易量确定出最初使用的历史交易平均成功率之后,在监测异常交易时,随着时间的推移,用于确定事件概率阈值的检测事件也随之更新,这样可以随着时间变化不断调整确定历史交易平均成功率的参数,使得确定出的历史交易平均成功率准确适用于当前需要检测的待检测事件。
在确定出事件概率阈值以及历史交易平均成功率后,即可利用二项分布的累积分布函数确定所述待检测事件为正常事件的概率,并依据所述概率确定该待检测事件是否为异常事件。
本发明实施例具体实施中,将依据待检测事件为正常事件的概率以及待检测事件的失败交易量两个参数对待检测事件进行判别。
首先,需要根据上述描述的确定待检测事件的方法确定当前时刻的待检测事件,此过程不再赘述。
接着,在确定出待检测事件后,利用二项分布的累积分布函数,根据历史交易平均成功率、待检测事件的成功交易量以及待检测事件的总交易量确定所述待检测事件为正常事件的概率;
随后,若所述待检测事件为正常事件的概率小于设定的事件概率阈值,则将待检测事件的失败交易量大于设定的失败交易量阈值进行比较;
当确定待检测事件的失败交易量大于设定的失败交易量阈值时,确定该待检测事件为异常事件。
例如,当前待检测事件的总交易量为100,待检测事件的成功交易量为99,设定的失败交易量阈值为50,设定的事件概率阈值为0.00001,确定出的历史交易平均成功率为0.9,则
待检测事件为正常事件的概率为
此时,0.99973>0.00001,故该待检测事件为正常事件。
又例如,假设确定出的待检测事件为正常事件的概率为0.0000054,此时由于0.0000054<0.00001,再将待检测事件的失败交易量与设定的失败交易量阈值进行比较,此时若待检测事件的失败交易量大于设定的失败交易量阈值,则该待检测事件为正常事件;
若待检测事件的失败交易量不于设定的失败交易量阈值,则该待检测事件为异常事件。
此时,若确定出待检测事件为异常事件后,将进行告警,通知工作人员进行人工检测处理。
在向工作人员进行告警时,可以通过广播、警告灯、显示屏闪烁等方式实现。
进一步的,还可以通过安装在终端上应用程序进行告警。如通过手机或电脑上的微信群、企业微信通知、屏幕弹窗等方式向企业内的所有工作人员发出告警。
更进一步的,为了实现概率的可视化,方便工作人员判断待检测事件是否为异常事件,还将利用累积分布函数进行逆运行算,确定出设定的事件概率阈值对应的百分比,并在显示器上显示。
相对应的,在进行业务交易系统的监测时,还将利用累积分布函数进行逆运行算,确定出的待检测事件的概率转换为百分数,并在显示器上显示。
例如,待检测事件的总交易量为100,历史交易平均成功率为0.9,事件概率阈值0.00001,若根据累积分布函数可得公式为:F(k,100,0.9)=0.00001;
若此时事件概率阈值0.00001对应的百分比数值为75%;
则当待检测事件的概率对应的百分比数值大于75%时,该待检测事件才能是正常事件。
这样,当将待检测事件为正常事件的概率转化为百分比数值后,工作人员可以直观的看出待检测事件为正常事件的概率大小。
如图2所示,本申请实施例还提供一种监测异常交易的方法的详细流程示意图,该方法中实时生成事件概率阈值。
步骤200,确定需要获取的当前时刻之前至少一天内的历史交易;
步骤201,根据获取的当前时刻之前至少一天内的历史交易中的待检测事件的概率确定事件概率阈值;
步骤202,判断获取的当前时刻之前至少一天内的历史交易的总交易量是否大于设定的交易量阈值,如果是,执行步骤203,否则执行步骤204;
步骤203,根据获取的当前时刻之前至少一天内的历史交易的总交易量以及获取的当前时刻之前至少一天内的历史交易的成功交易量确定历史交易平均成功率;
步骤204,利用威尔逊区间计算公式,根据设定的期望置信水平、获取的当前时刻之前至少一天内的历史交易的总交易量以及获取的当前时刻之前至少一天内的历史交易的成功交易量确定历史交易平均成功率;
步骤205,开启计时器计时,累计交易量;
步骤206,判断计时时长是否大于检测事件的最小时长,如果大于,执行步骤207,否则执行步骤208;
步骤207,判断当前累计交易量是否小于最小总交易量,且计时时长是否小于检测事件的最大时长,如果是,执行步骤212,否者执行步骤213;
步骤208,继续计时并累计交易量;
步骤209,根据累计的交易量生成待检测事件;
步骤210,利用二项分布的概率和公式,根据历史交易平均成功率、待检测事件的成功交易量以及待检测事件的总交易量确定所述待检测事件为正常事件的概率;
步骤211,判断待检测事件为正常事件的概率是否小于设定的事件概率阈值,如果是,执行步骤212,否则执行步骤214;
步骤212,判断待检测事件的失败交易量是否大于设定的失败交易量阈值,如果是,执行步骤213;否则执行步骤214;
步骤213,确定所述待检测事件为异常事件,进行告警,并执行步骤200;
步骤214,确定所述待检测事件为正常事件,并执行步骤200。
如图3所示,本申请实施例还提供一种监测异常交易的方法的详细流程示意图,该方法中从缓存区域中提取事件概率阈值,该阈值每天自动更新一次。
步骤300,确定需要获取的当前时刻之前至少一天内的历史交易;
步骤301,根据获取的当前时刻之前至少一天内的历史交易中的待检测事件的概率确定事件概率阈值,并存储到缓存区域中;
步骤302,判断获取的当前时刻之前至少一天内的历史交易的总交易量是否大于设定的交易量阈值,如果是,执行步骤303,否则执行步骤304;
步骤303,根据获取的当前时刻之前至少一天内的历史交易的总交易量以及获取的当前时刻之前至少一天内的历史交易的成功交易量确定历史交易平均成功率,并存储到缓存区域中;
步骤304,利用威尔逊区间计算公式,根据设定的期望置信水平、获取的当前时刻之前至少一天内的历史交易的总交易量以及获取的当前时刻之前至少一天内的历史交易的成功交易量确定历史交易平均成功率,并存储到缓存区域中;
步骤305,开启计时器计时,累计交易量;
步骤306,判断计时时长是否大于检测事件的最小时长,如果大于,执行步骤307,否则执行步骤308;
步骤307,判断当前累计交易量是否小于最小总交易量,且计时时长是否小于检测事件的最大时长,如果是,执行步骤313,否者执行步骤313;
步骤308,继续计时并累计交易量;
步骤309,根据累计的交易量生成待检测事件;
步骤310,利用二项分布的概率和公式,根据历史交易平均成功率、待检测事件的成功交易量以及待检测事件的总交易量确定所述待检测事件为正常事件的概率;
步骤311,判断待检测事件为正常事件的概率是否小于设定的事件概率阈值,如果是,执行步骤312,否则执行步骤313;
步骤312,待检测事件的失败交易量是否大于设定的失败交易量阈值,如果是,执行步骤313;否则执行步骤314;
步骤313,确定所述待检测事件为异常事件,进行告警,并执行步骤305;
步骤314,确定所述待检测事件为正常事件,并执行步骤305。
基于同一发明构思,本申请实施例中还提供了一种配置CLI测量资源的装置,由于该装置执行本申请实施例中方法,并且该装置解决问题的原理与该方法相似,因此该装置的实施可以参见方法的实施,重复之处不再赘述。
如图4所示,本申请实施例还提供一种监测异常交易的装置,该装置包括:
至少一个处理单元400以及至少一个存储单元401,其中,所述存储单元存储有程序代码,当所述程序代码被所述处理单元执行时,使得所述装置执行下列过程:
根据历史交易平均成功率、待检测事件的成功交易量以及待检测事件的总交易量确定所述待检测事件为正常事件的概率;
若所述待检测事件为正常事件的概率小于设定的事件概率阈值,且所述待检测事件的失败交易量大于设定的失败交易量阈值,确定所述待检测事件为异常事件。
可选的,所述处理单元400具体用于:通过下列方式确定待检测事件:
根据当前时刻之前第一时长内的交易量,生成所述待检测事件;
其中,所述第一时长不小于设定的待检测事件最小时长且不大于待检测事件最大时长;所述第一时长内的交易量不小于最小总交易量;所述最小总交易量是根据由至少一天的历史交易量确定的每分钟的平均交易量以及待检测事件最小时长确定的。
可选的,所述处理单元400具体用于:通过下列方式确定事件概率阈值:
获取确定的当前时刻之前至少一天内的历史交易中的待检测事件的概率,并将正常事件对应的概率中的最小值的作为事件概率阈值;或
获取确定的当前时刻之前至少一天内的历史交易中的待检测事件的概率,并将正常事件对应的概率中的最小值和异常事件对应的概率中的最大值的均值作为事件概率阈值。
可选的,所述处理单元400具体用于:通过下列方式确定历史交易平均成功率:
若确定的当前时刻之前至少一天内的历史交易的总交易量大于设定的交易量阈值,根据确定的所述待检测事件的成功交易量与确定的所述待检测事件的总交易量确定所述待检测事件的成功交易量与待检测事件的总交易量的比重值,并将所述比重值作为待检测事件的历史交易平均成功率;或
若确定的当前时刻之前至少一天内的历史交易的总交易量不大于设定的交易量阈值,将根据确定的所述待检测事件的成功交易量与确定的所述待检测事件的总交易量确定的所述待检测事件的成功交易量与待检测事件的总交易量的比重值作为待检测事件的交易平均成功率,并利用威尔逊区间计算公式,根据设定的期望置信水平、待检测事件的交易平均成功率以及待检测事件总交易量确定待检测事件概率对应的威尔逊区间,并将确定的威尔逊区间的下边界值作为历史交易平均成功率。
可选的,所述处理单元400具体用于:
在根据历史交易平均成功率、待检测事件的成功交易量以及待检测事件的总交易量确定所述待检测事件为正常事件的概率时,利用二项分布的累积分布函数,根据历史交易平均成功率、待检测事件的成功交易量以及待检测事件的总交易量确定所述待检测事件为正常事件的概率。
如图5所示,本申请实施例还提供一种监测异常交易的装置,该装置包括:
概率确定模块500,用于根据历史交易平均成功率、待检测事件的成功交易量以及待检测事件的总交易量确定所述待检测事件为正常事件的概率;
异常事件确定模块501,用于若所述待检测事件为正常事件的概率小于设定的事件概率阈值,且所述待检测事件的失败交易量大于设定的失败交易量阈值,确定所述待检测事件为异常事件。
可选的,该装置还包括:
待检测事件生成模块,用于通过下列方式确定待检测事件:
根据当前时刻之前第一时长内的交易量,生成所述待检测事件;
其中,所述第一时长不小于设定的待检测事件最小时长且不大于待检测事件最大时长;所述第一时长内的交易量不小于最小总交易量;所述最小总交易量是根据由至少一天的历史交易量确定的每分钟的平均交易量以及待检测事件最小时长确定的。
可选的,该装置还包括:
事件概率阈值确定模块,用于通过下列方式确定事件概率阈值:
获取确定的当前时刻之前至少一天内的历史交易中的待检测事件的概率,并将正常事件对应的概率中的最小值的作为事件概率阈值;或
获取确定的当前时刻之前至少一天内的历史交易中的待检测事件的概率,并将正常事件对应的概率中的最小值和异常事件对应的概率中的最大值的均值作为事件概率阈值。
可选的,该装置还包括:
历史交易平均成功率确定模块,用于通过下列方式确定历史交易平均成功率:
若确定的当前时刻之前至少一天内的历史交易的总交易量大于设定的交易量阈值,根据确定的所述待检测事件的成功交易量与确定的所述待检测事件的总交易量确定所述待检测事件的成功交易量与待检测事件的总交易量的比重值,并将所述比重值作为待检测事件的历史交易平均成功率;或
若确定的当前时刻之前至少一天内的历史交易的总交易量不大于设定的交易量阈值,将根据确定的所述待检测事件的成功交易量与确定的所述待检测事件的总交易量确定的所述待检测事件的成功交易量与待检测事件的总交易量的比重值作为待检测事件的交易平均成功率,并利用威尔逊区间计算公式,根据设定的期望置信水平、待检测事件的交易平均成功率以及待检测事件总交易量确定待检测事件概率对应的威尔逊区间,并将确定的威尔逊区间的下边界值作为历史交易平均成功率。
可选的,所述概率确定模块500具体用于:
在根据历史交易平均成功率、待检测事件的成功交易量以及待检测事件的总交易量确定所述待检测事件为正常事件的概率时,利用二项分布的累积分布函数,根据历史交易平均成功率、待检测事件的成功交易量以及待检测事件的总交易量确定所述待检测事件为正常事件的概率。
本申请实施例针对监测异常交易方法还提供一种计算设备可读存储介质,即断电后内容不丢失。该存储介质中存储软件程序,包括程序代码,当程序代码在计算设备上运行时,该软件程序在被一个或多个处理器读取并执行时可实现本申请实施例上面任何一种监测异常交易时的方案。
以上参照示出根据本申请实施例的方法、装置(系统)和/或计算机程序产品的框图和/或流程图描述本申请。应理解,可以通过计算机程序指令来实现框图和/或流程图示图的一个块以及框图和/或流程图示图的块的组合。可以将这些计算机程序指令提供给通用计算机、专用计算机的处理器和/或其它可编程数据处理装置,以产生机器,使得经由计算机处理器和/或其它可编程数据处理装置执行的指令创建用于实现框图和/或流程图块中所指定的功能/动作的方法。
相应地,还可以用硬件和/或软件(包括固件、驻留软件、微码等)来实施本申请。更进一步地,本申请可以采取计算机可使用或计算机可读存储介质上的计算机程序产品的形式,其具有在介质中实现的计算机可使用或计算机可读程序代码,以由指令执行系统来使用或结合指令执行系统而使用。在本申请上下文中,计算机可使用或计算机可读介质可以是任意介质,其可以包含、存储、通信、传输、或传送程序,以由指令执行系统、装置或设备使用,或结合指令执行系统、装置或设备使用。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (11)
1.一种监测异常交易的方法,其特征在于,该方法包括:
根据历史交易平均成功率、待检测事件的成功交易量以及待检测事件的总交易量确定所述待检测事件为正常事件的概率;
若所述待检测事件为正常事件的概率小于设定的事件概率阈值,且所述待检测事件的失败交易量大于设定的失败交易量阈值,确定所述待检测事件为异常事件。
2.如权利要求1所述的方法,其特征在于,通过下列方式确定检测事件:
根据取样时刻之前第一时长内的交易量,生成所述检测事件;
其中,所述第一时长不小于设定的检测事件最小时长且不大于检测事件最大时长;所述第一时长内的交易量不小于最小总交易量;所述最小总交易量是根据由至少一天的历史交易量确定的每分钟的平均交易量以及检测事件最小时长确定的。
3.如权利要求1所述的方法,其特征在于,通过下列方式确定事件概率阈值:
获取确定的当前时刻之前至少一天内的历史交易中的检测事件的概率,并将正常事件对应的概率中的最小值的作为事件概率阈值;或
获取确定的当前时刻之前至少一天内的历史交易中的检测事件的概率,并将正常事件对应的概率中的最小值和异常事件对应的概率中的最大值的均值作为事件概率阈值。
4.如权利要求1所述的方法,其特征在于,通过下列方式确定历史交易平均成功率:
若确定的当前时刻之前至少一天内的历史交易的总交易量大于设定的交易量阈值,根据确定的所述历史交易的成功交易量与确定的所述历史交易的总交易量确定所述成功交易量与所述总交易量的比重值,并将所述比重值作为待检测事件的历史交易平均成功率;或
若确定的当前时刻之前至少一天内的历史交易的总交易量不大于设定的交易量阈值,将根据确定的所述历史交易的成功交易量与确定的所述历史交易的总交易量确定的所述成功交易量与所述总交易量的比重值作为待检测事件的交易平均成功率,并利用威尔逊区间计算公式,根据设定的期望置信水平、待检测事件的交易平均成功率以及待检测事件总交易量确定待检测事件概率对应的威尔逊区间,并将确定的威尔逊区间的下边界值作为历史交易平均成功率。
5.如权利要求1至4中任意一项所述的方法,其特征在于,根据历史交易平均成功率、待检测事件的成功交易量以及待检测事件的总交易量确定所述待检测事件为正常事件的概率,包括:
利用二项分布的累积分布函数,根据历史交易平均成功率、待检测事件的成功交易量以及待检测事件的总交易量确定所述待检测事件为正常事件的概率。
6.一种监测异常交易的装置,其特征在于,该装置包括:
至少一个处理单元以及至少一个存储单元,其中,所述存储单元存储有程序代码,当所述程序代码被所述处理单元执行时,使得所述装置执行下列过程:
根据历史交易平均成功率、待检测事件的成功交易量以及待检测事件的总交易量确定所述待检测事件为正常事件的概率;
若所述待检测事件为正常事件的概率小于设定的事件概率阈值,且所述待检测事件的失败交易量大于设定的失败交易量阈值,确定所述待检测事件为异常事件。
7.如权利要求6所述的装置,其特征在于,所述处理单元具体用于:通过下列方式确定检测事件:
根据取样时刻之前第一时长内的交易量,生成所述检测事件;
其中,所述第一时长不小于设定的检测事件最小时长且不大于检测事件最大时长;所述第一时长内的交易量不小于最小总交易量;所述最小总交易量是根据由至少一天的历史交易量确定的每分钟的平均交易量以及检测事件最小时长确定的。
8.如权利要求6所述的装置,其特征在于,所述处理单元具体用于:通过下列方式确定事件概率阈值:
获取确定的当前时刻之前至少一天内的历史交易中的检测事件的概率,并将正常事件对应的概率中的最小值的作为事件概率阈值;或
获取确定的当前时刻之前至少一天内的历史交易中的检测事件的概率,并将正常事件对应的概率中的最小值和异常事件对应的概率中的最大值的均值作为事件概率阈值。
9.如权利要求6所述的装置,其特征在于,所述处理单元具体用于:通过下列方式确定历史交易平均成功率:
若确定的当前时刻之前至少一天内的历史交易的总交易量大于设定的交易量阈值,根据确定的所述历史交易的成功交易量与确定的所述历史交易的总交易量确定所述成功交易量与所述总交易量的比重值,并将所述比重值作为待检测事件的历史交易平均成功率;或
若确定的当前时刻之前至少一天内的历史交易的总交易量不大于设定的交易量阈值,将根据确定的所述历史交易的成功交易量与确定的所述历史交易的总交易量确定的所述成功交易量与所述总交易量的比重值作为待检测事件的交易平均成功率,并利用威尔逊区间计算公式,根据设定的期望置信水平、待检测事件的交易平均成功率以及待检测事件总交易量确定待检测事件概率对应的威尔逊区间,并将确定的威尔逊区间的下边界值作为历史交易平均成功率。
10.如权利要求6至9中任意一项所述的装置,其特征在于,所述处理单元具体用于:
在根据历史交易平均成功率、待检测事件的成功交易量以及待检测事件的总交易量确定所述待检测事件为正常事件的概率时,利用二项分布的累积分布函数,根据历史交易平均成功率、待检测事件的成功交易量以及待检测事件的总交易量确定所述待检测事件为正常事件的概率。
11.一种监测异常交易的装置,其特征在于,该装置包括:
概率确定模块,用于根据历史交易平均成功率、待检测事件的成功交易量以及待检测事件的总交易量确定所述待检测事件为正常事件的概率;
异常事件确定模块,用于若所述待检测事件为正常事件的概率小于设定的事件概率阈值,且所述待检测事件的失败交易量大于设定的失败交易量阈值,确定所述待检测事件为异常事件。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910551065.8A CN110189228A (zh) | 2019-06-24 | 2019-06-24 | 一种监测异常交易的方法和装置 |
PCT/CN2020/086876 WO2020259049A1 (zh) | 2019-06-24 | 2020-04-24 | 一种监测异常交易的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910551065.8A CN110189228A (zh) | 2019-06-24 | 2019-06-24 | 一种监测异常交易的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110189228A true CN110189228A (zh) | 2019-08-30 |
Family
ID=67723130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910551065.8A Pending CN110189228A (zh) | 2019-06-24 | 2019-06-24 | 一种监测异常交易的方法和装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110189228A (zh) |
WO (1) | WO2020259049A1 (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160919A (zh) * | 2019-12-31 | 2020-05-15 | 众安信息技术服务有限公司 | 一种区块链地址风险评估方法及装置 |
CN111242632A (zh) * | 2020-01-07 | 2020-06-05 | 石化盈科信息技术有限责任公司 | 一种识别套现账户的方法、存储介质及电子设备 |
CN111400141A (zh) * | 2020-03-19 | 2020-07-10 | 深圳前海微众银行股份有限公司 | 一种异常检测的方法及装置 |
CN111400155A (zh) * | 2020-03-13 | 2020-07-10 | 深圳前海微众银行股份有限公司 | 一种数据检测方法及装置 |
CN111913850A (zh) * | 2020-07-31 | 2020-11-10 | 北京嘀嘀无限科技发展有限公司 | 数据异常检测方法、装置、设备和存储介质 |
CN112036754A (zh) * | 2020-06-30 | 2020-12-04 | 南昌木本医疗科技有限公司 | 基于区块链的金融大数据风控平台 |
WO2020259049A1 (zh) * | 2019-06-24 | 2020-12-30 | 深圳前海微众银行股份有限公司 | 一种监测异常交易的方法和装置 |
CN115170314A (zh) * | 2022-07-12 | 2022-10-11 | 江苏苏宁银行股份有限公司 | 一种图像识别领域中自动选择识别通道的方法、系统及装置 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113627940A (zh) * | 2021-08-27 | 2021-11-09 | 中国银行股份有限公司 | 一种交易量异常的告警方法及装置 |
CN116980463B (zh) * | 2023-09-22 | 2024-01-30 | 湖南三湘银行股份有限公司 | 一种基于探测报文系统交易自动切换的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110047061A1 (en) * | 2009-08-21 | 2011-02-24 | Shih-Chin Lee | Method for detecting abnormal transactions of financial assets and information processing device performing the method |
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 |
CN106202389A (zh) * | 2016-07-08 | 2016-12-07 | 中国银联股份有限公司 | 一种基于交易数据的异常监测方法及装置 |
CN109509082A (zh) * | 2018-10-31 | 2019-03-22 | 中国银行股份有限公司 | 银行应用系统的监控方法及装置 |
CN109816137A (zh) * | 2017-11-21 | 2019-05-28 | 银联数据服务有限公司 | 一种交易量监测方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106126391A (zh) * | 2016-06-28 | 2016-11-16 | 北京百度网讯科技有限公司 | 系统监控方法和装置 |
JP7008173B2 (ja) * | 2017-07-18 | 2022-01-25 | パナソニックIpマネジメント株式会社 | 設備要素保守分析システムおよび設備要素保守分析方法 |
CN108537544B (zh) * | 2018-04-04 | 2020-06-23 | 中南大学 | 一种交易系统实时监控方法及其监控系统 |
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 |
-
2019
- 2019-06-24 CN CN201910551065.8A patent/CN110189228A/zh active Pending
-
2020
- 2020-04-24 WO PCT/CN2020/086876 patent/WO2020259049A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110047061A1 (en) * | 2009-08-21 | 2011-02-24 | Shih-Chin Lee | Method for detecting abnormal transactions of financial assets and information processing device performing the method |
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 |
CN106202389A (zh) * | 2016-07-08 | 2016-12-07 | 中国银联股份有限公司 | 一种基于交易数据的异常监测方法及装置 |
CN109816137A (zh) * | 2017-11-21 | 2019-05-28 | 银联数据服务有限公司 | 一种交易量监测方法及装置 |
CN109509082A (zh) * | 2018-10-31 | 2019-03-22 | 中国银行股份有限公司 | 银行应用系统的监控方法及装置 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020259049A1 (zh) * | 2019-06-24 | 2020-12-30 | 深圳前海微众银行股份有限公司 | 一种监测异常交易的方法和装置 |
CN111160919A (zh) * | 2019-12-31 | 2020-05-15 | 众安信息技术服务有限公司 | 一种区块链地址风险评估方法及装置 |
CN111160919B (zh) * | 2019-12-31 | 2024-01-23 | 众安信息技术服务有限公司 | 一种区块链地址风险评估方法及装置 |
CN111242632A (zh) * | 2020-01-07 | 2020-06-05 | 石化盈科信息技术有限责任公司 | 一种识别套现账户的方法、存储介质及电子设备 |
CN111400155A (zh) * | 2020-03-13 | 2020-07-10 | 深圳前海微众银行股份有限公司 | 一种数据检测方法及装置 |
CN111400155B (zh) * | 2020-03-13 | 2021-08-31 | 深圳前海微众银行股份有限公司 | 一种数据检测方法及装置 |
CN111400141A (zh) * | 2020-03-19 | 2020-07-10 | 深圳前海微众银行股份有限公司 | 一种异常检测的方法及装置 |
CN112036754A (zh) * | 2020-06-30 | 2020-12-04 | 南昌木本医疗科技有限公司 | 基于区块链的金融大数据风控平台 |
CN112036754B (zh) * | 2020-06-30 | 2022-09-16 | 上海即科智能技术集团有限公司 | 基于区块链的金融大数据风控系统 |
CN111913850A (zh) * | 2020-07-31 | 2020-11-10 | 北京嘀嘀无限科技发展有限公司 | 数据异常检测方法、装置、设备和存储介质 |
CN115170314A (zh) * | 2022-07-12 | 2022-10-11 | 江苏苏宁银行股份有限公司 | 一种图像识别领域中自动选择识别通道的方法、系统及装置 |
CN115170314B (zh) * | 2022-07-12 | 2024-08-23 | 江苏苏商银行股份有限公司 | 一种图像识别领域中自动选择识别通道的方法、系统及装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2020259049A1 (zh) | 2020-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110189228A (zh) | 一种监测异常交易的方法和装置 | |
US10038618B2 (en) | System event analyzer and outlier visualization | |
CN104809051B (zh) | 用于预测计算机应用中的异常和故障的方法和装置 | |
US9720823B2 (en) | Free memory trending for detecting out-of-memory events in virtual machines | |
US10102056B1 (en) | Anomaly detection using machine learning | |
US20160371170A1 (en) | Stateful detection of anomalous events in virtual machines | |
US10248561B2 (en) | Stateless detection of out-of-memory events in virtual machines | |
CN112188531B (zh) | 异常检测方法、装置、电子设备及计算机存储介质 | |
CN110348718B (zh) | 业务指标监控方法、装置及电子设备 | |
US20220036259A1 (en) | Application capacity forecasting | |
CN108880845A (zh) | 一种信息提示的方法以及相关装置 | |
CN113689693B (zh) | 路侧设备的异常处理方法、设备和智慧高速监控平台 | |
CN110059293A (zh) | 基金估值数据的数据质量的确定方法、装置和服务器 | |
CN114398354A (zh) | 数据监测方法、装置、电子设备及存储介质 | |
US20200090275A1 (en) | Method, system and machine readable program for mitigating effects of spikes in financial data | |
CN112948223A (zh) | 一种监测运行情况的方法和装置 | |
CN114235108A (zh) | 基于数据分析燃气流量计异常状态检测方法和装置 | |
CN111241155B (zh) | 时序数据异常检测方法、装置、设备及存储介质 | |
CN113342625A (zh) | 一种数据监控方法及系统 | |
CN115858291A (zh) | 一种系统指标的检测方法、装置、电子设备及其存储介质 | |
CN114661562A (zh) | 一种数据告警方法、装置、设备及介质 | |
CN111626841A (zh) | 对联机交易进行监控的方法、系统及相关设备 | |
CN112950379A (zh) | 报价风险监控方法、装置、设备及存储介质 | |
CN116596336B (zh) | 电子设备的状态评估方法、装置、电子设备及存储介质 | |
CN113592307B (zh) | 企业收益风控检测方法、装置、计算机设备和存储介质 |
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 |