CN110503551B - 一种网络资金交易渠道维护方法、装置和设备 - Google Patents
一种网络资金交易渠道维护方法、装置和设备 Download PDFInfo
- Publication number
- CN110503551B CN110503551B CN201910709797.5A CN201910709797A CN110503551B CN 110503551 B CN110503551 B CN 110503551B CN 201910709797 A CN201910709797 A CN 201910709797A CN 110503551 B CN110503551 B CN 110503551B
- Authority
- CN
- China
- Prior art keywords
- channel
- transaction
- network
- detection
- business
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 93
- 238000012423 maintenance Methods 0.000 title claims abstract description 72
- 238000004458 analytical method Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims description 133
- 230000002159 abnormal effect Effects 0.000 claims description 34
- 230000036541 health Effects 0.000 claims description 24
- 238000011084 recovery Methods 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 3
- 238000004064 recycling Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 14
- 238000012545 processing Methods 0.000 description 12
- 230000005856 abnormality Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 10
- 239000000523 sample Substances 0.000 description 10
- 230000006872 improvement Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000003862 health status Effects 0.000 description 4
- 230000000977 initiatory effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010992 reflux Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本说明书实施例公开了网络资金交易渠道维护的方法、装置和设备。该网络资金交易渠道维护方法可以包括：获取网络资金交易渠道的渠道属性信息和业务指标信息；基于所述渠道属性信息和所述业务指标信息，采用规则分析模型确定与所述网络资金交易渠道匹配的第一决策规则，其中，所述规则分析模型是基于网络资金交易渠道的样本数据训练得到的；基于所述渠道属性信息和所述业务指标信息，根据所述第一决策规则，对所述网络资金交易渠道进行维护。
Description
技术领域
本申请涉及计算机技术领域，尤其涉及一种网络资金交易渠道维护方法、装置和设备。
背景技术
随着互联网技术的不断发展，网络资金交易逐渐成为人们日常生活中常用的资金交易方式。在大型的金融机构中，由于复杂的资金往来业务，会接入与对手机构之间的各种类型的资金渠道，当对接的对手机构系统发生宕机、升级服务、程序错误等异常时，资金交易的渠道无法正常使用，会导致用户的交易请求在发往对手交易机构之后不被处理或处理失败，使得资金交易异常。
对于网络资金交易渠道异常的情况，传统的做法是根据业务监控，来人工地对渠道进行维护。然而，随着网上资金交易业务的发展，日均资金交易量可能接近5000万笔，面对如此大的交易体量，通过上述传统的人工维护方式不仅效率低且可能会出现不可控的人为失误，可能会导致无法及时有效地关闭不可用的渠道，进而导致大量的交易失败，也造成用户体验降低。
现有技术中提供了非人工的可自动运维的方案，通过对每个异常的业务场景来定制化地开发相应的脚本模型，来作为判断该业务场景是否异常的规则模型。然而，对于特定业务场景开发的特定规则的渠道维护模型对于大量其它的业务场景无法很好地适用，这种定制化模型应用于其它渠道时会导致误决策率高。
发明内容
有鉴于此，本申请实施例提供了一种网络资金交易渠道维护方法、装置和设备，以解决现有技术中人工运维以及单规则定制化的渠道运维模型的误决策率高的问题。
为解决上述技术问题，本说明书实施例是这样实现的：
本说明书实施例提供的一种网络资金交易渠道维护方法，包括：获取网络资金交易渠道的渠道属性信息和业务指标信息；基于所述渠道属性信息和所述业务指标信息，采用规则分析模型确定与所述网络资金交易渠道匹配的第一决策规则，其中，所述规则分析模型是基于网络资金交易渠道的样本数据训练得到的；基于所述渠道属性信息和所述业务指标信息，根据所述第一决策规则，对所述网络资金交易渠道进行维护。
本说明书实施例提供的一种网络资金交易渠道维护装置，包括：信息获取模块，用于获取网络资金交易渠道的渠道属性信息和业务指标信息；规则匹配模块，用于基于所述渠道属性信息和所述业务指标信息，采用规则分析模型确定与所述网络资金交易渠道匹配的第一决策规则，其中，所述规则分析模型是基于网络资金交易渠道的样本数据训练得到的；决策模块，用于基于所述渠道属性信息和所述业务指标信息，根据所述第一决策规则，对所述网络资金交易渠道进行维护。
本说明书实施例提供的一种网络资金交易渠道维护设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：获取网络资金交易渠道的渠道属性信息和业务指标信息；基于所述渠道属性信息和所述业务指标信息，采用规则分析模型确定与所述网络资金交易渠道匹配的第一决策规则，其中，所述规则分析模型是基于网络资金交易渠道的样本数据训练得到的；基于所述渠道属性信息和所述业务指标信息，根据所述第一决策规则，对所述网络资金交易渠道进行维护。
本说明书实施例提供的一种网络资金交易渠道维护设备，所述至少一个处理器还能够：向关停的网络资金交易渠道发送检测交易；获取所述网络资金交易渠道的渠道属性信息和与所述检测交易相关的业务指标信息；基于所述渠道属性信息和所述与所述检测交易相关的业务指标信息，采用所述规则分析模型确定与所述网络资金交易渠道匹配的第二决策规则；基于所述渠道属性信息和所述与所述检测交易相关的业务指标信息，根据所述第二决策规则，对所述网络资金交易渠道进行维护。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
提供了一种网络资金交易渠道维护方法，首先获取网络资金交易渠道的渠道属性信息和业务指标信息，然后采用规则分析模型，确定与所述网络资金交易渠道匹配的第一决策规则，再根据该第一决策规则以及所述渠道属性信息和所述业务指标信息，来确定针对所述网络资金交易渠道的第一维护操作。本方案提供了一种使用机器学习模型来自动分析决策规则的方法，能够基于样本数据训练的模型，来智能选择与当前渠道最匹配的决策规则，可以适用于多个业务场景，与针对每个异常的业务场景来定制化地开发相应的脚本模型相比，本申请的方案模型决策失误率低。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1示出了本申请提供的网络资金交易渠道维护方法的第一实施例的流程示意图；
图2示出了本申请提供的规则分析模型的实施例的结构示意图；
图3示出了本申请提供的网络资金交易渠道维护方法的第一实施例的执行流程示意图；
图4示出了本申请提供的网络资金交易渠道维护方法的第二实施例的流程示意图；
图5示出了本申请提供的网络资金交易渠道维护方法的第二实施例的执行流程示意图；
图6示出了本申请提供的整个网络资金交易渠道维护方法的实施例的执行流程示意图；
图7示出了本申请提供的整个网络资金交易渠道维护方法的原理示意图；
图8示出了本申请提供的网络资金交易渠道维护装置的结构示意图；
图9示出了本申请提供的网络资金交易渠道维护设备的结构示意图。
具体实施方式
在大型的金融机构中，由于复杂的资金往来业务，会接入不同类型的资金渠道，而这些特性不一的渠道会对运维造成很大的困难。特别是在智能决策场景中，对不同的交易场景中的渠道该使用何种规则去做决策，无法形成规律。本方案提出了一种采用基于样本数据训练的规则分析模型，通过输入渠道属性和业务指标数据，来智能匹配决策规则的方法。本申请的方案解决了人工渠道运维的困境，保障客户体验和资金渠道运营管理效率，提高渠道运营自动化、智能化程度；并且，与现有技术中的自动运维方案中对每个异常业务场景都是基于单指标定制化的开发相应的脚本模型的方案相比，避免了渠道维护模型管理混乱、误决策率高且可复用率低的缺陷。
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
图1示出了本申请提供的网络资金交易渠道维护方法的第一实施例的流程示意图。从程序角度而言，流程的执行主体可以为搭载于应用服务器的程序或应用客户端。
如图1所示，该网络资金交易渠道维护方法可以包括以下步骤：
S110：获取网络资金交易渠道的渠道属性信息和业务指标信息。
网络资金交易渠道，下文中也称为资金渠道，是指金融机构与对手机构发生资金往来的接口。其中，金融机构泛指从事金融活动的机构，如各类银行、证券公司、基金管理公司、保险公司和信托投资公司等。
根据实施例，渠道属性信息，是指网络资金交易渠道的与业务场景相关的特征信息，具体地，渠道属性信息可以包括渠道业务类型信息、传输方式信息、账户类型信息、运营时间信息、渠道容量信息等，但是不限于此。不同的渠道属性的排列组合可以对应于各种不同的业务场景。
其中，业务类型信息可以包括代收业务或代付业务。代收代付业务是指各商业银行利用自身的结算便利，接受客户的委托代为办理指定款项的收付事宜的业务。例如，可以由诸如支付宝、财付通等具有资质的第三方金融机构，来作为中介收取和支付费用。
其中，传输方式信息可以包括同步传输或异步传输。同步传输可以指对手机构接收到请求信息之后，即时反馈信息，例如，当对手机构接收到转账请求后，可以即时返回例如“业务请求已受理”的文字信息。异步传输可以指对手机构接收到请求信息后，进行具体的业务处理，完成系统金额的变动，之后再反馈给请求方表示业务处理完成的信息。
其中，账户类型信息可以包括该网络资金交易渠道用于对公账户还是对私账户。对公账户可以指公司以单位名义开的账户，主要用于公司间财务往来。对私账户可以指存款人凭个人身份证件以自然人名义开立的帐户。
其中，运营时间信息可以表示该网络资金交易渠道的预定运营时间，即可处理业务的时间。例如，运营时间可以是全年24小时运营，可以是仅工作日运营，可以是每天6:00-24:00运营等。
其中，所述渠道容量信息可以表示该网络资金交易渠道可以同时并发处理的业务的数量。也可以表示在预定时间内该网络资金交易渠道可以处理的最大总金额阈值。
根据实施例，业务指标信息，可以包括交易量、交易成功率、响应率、耗时、返回码等，但是不限于此。
其中，交易量可以是在一定时间内发生的交易的数量。根据需要，此处发生的交易可以包括成功和/或失败的交易，其中，失败的交易可以是对手机构反馈交易失败或者长时间未反馈的交易。交易量的统计周期可以根据具体的网络资金交易渠道来按需设置，例如，可以设置为按秒统计、按分钟统计、按小时统计、按天统计等等。
其中，交易成功率，可以是按照预定方式统计的所有发生的交易中成功的交易所占的比率。可选地，根据不同的资金渠道，交易成功率可以是统计目标资金渠道在近期发生的预定笔数交易中成功交易所占比率，也可以是目标渠道在近期预定时间长度内发生的交易中成功交易所占比率，不限于在此给出的示例。
其中，响应率可以指接收的交易请求中在预定时间内有反馈信息的比率，具体地，可以包括反馈信息为交易成功和反馈信息为交易失败的交易合计占有的比率。
其中，耗时可以是交易完成所需要的时间，例如，可以是交易成功所需要的时间，也可以是交易反馈所需要的时间，但是不限于此。可选地，根据不同的资金渠道，耗时可以是统计目标资金渠道近期发生的预定笔数交易的平均耗时，也可以是目标渠道在近期预定时间长度内发生的交易的平均耗时，不限于在此给出的示例。
其中，返回码可以指对手机构针对请求任务返回的用于表示错误类型的状态代码。例如，2xx类返回码表示成功处理了请求的状态代码，4xx类返回码表示请求出错导致服务器无法处理的状态代码，5xx类返回码表示服务器在尝试处理请求时发生内部错误的状态代码等等。
根据实施例，S110具体可以包括：建立对于网络资金交易渠道的异常检测任务；根据所述异常检测任务，从指标引擎模块中实时查询所述网络资金交易渠道的业务指标信息；以及根据所述异常检测任务，获取所述网络资金交易渠道的渠道属性信息。
其中，所述引擎模块可以是用于存储所有网络资金交易渠道的所有相关业务指标的数据库模块。引擎模块中的业务指标数据是按照资金渠道维度汇总后的数据，具体地，可以是将各资金渠道中发生的交易的交易日志中的相关数据进行汇总后得到的。具体地，业务指标数据的汇总周期可以根据不同的业务诉求来设定，例如，可以是一秒钟汇总一次，也可以是一分钟汇总一次，不限于此。
S120：基于所述渠道属性信息和所述业务指标信息，采用规则分析模型确定与所述网络资金交易渠道匹配的第一决策规则，其中，所述规则分析模型是基于网络资金交易渠道的样本数据训练得到的。
规则分析模型(又称，规则分析器)，可以包括神经网络模型(又称神经网络分类器)和规则翻译器两部分。前者是用于规则分类，后者用于对模型的输出映射到相应的决策规则。规则分析器的核心是基于历史决策数据和BP神经网络离线训练出来的多分类模型实体。对于线上实时需要处理的资金渠道，输入渠道属性数据和业务指标数据后，通过该模型实体可以快速从规则库中匹配到最合适的业务规则x。在后续的步骤中，将该规则x输入到规则执行器中，即可对资金渠道实时决策。
根据可选的实施例，所述基于所述渠道属性信息和所述业务指标信息，采用规则分析模型，确定与所述网络资金交易渠道匹配的第一决策规则，具体可以包括：将所述渠道属性信息和所述业务指标信息输入神经网络模型进行计算，得到归一化的二进制输出结果；在预定的规则库中查找与所述归一化的二进制输出结果对应的第一决策规则。
其中，所述神经网络模型可以是BP(back propagation)神经网络模型。BP神经网络是一种常用的机器学习算法，主要用于模型的权值和阈值学习，其学习过程由信号的正向传播与误差的反向传播两个过程组成。本申请中，BP神经网络模型可以是由输入层、隐藏层和输出层组成的三层结构。具体地，例如，输入层可以包括15个节点，隐藏层可以包括50个节点，输出层可以包括10个节点。具体地，例如，模型的传递函数可以使用常用的双极性函数，双极性函数定义为f(x)＝1/(1+e^(-x))。
图2示出了本申请提供的规则分析模型的实施例的结构示意图。
参照图2，规则分析模型的输入(也是BP神经网络模型的输入)可以包括渠道属性信息和业务指标信息两部分，其中，渠道属性信息可以包括业务类型、传输方式、账户类型、运营时间、容量大小等，业务指标可以包括交易量、耗时、返回码等。
具体地，若BP神经网络模型的输出层包括10个节点，每个节点的结果都需经过归一化的处理，最终输出0或者1，则可满足1024条规则。
具体地，对于BP神经网络模型的任意输出需要由翻译器进行二进制翻译并映射到规则库中的某一条规则。例如，输出(0,0,0,0,0,0,0,0,1,1)T，则可以对应例如id＝3这条决策规则。
根据实施例，所述规则库可以是预先配置的，对于各种不同的业务场景下的资金渠道适用的决策规则的集合。
S130：基于所述渠道属性信息和所述业务指标信息，根据所述第一决策规则，对所述网络资金交易渠道进行维护。
根据可选的实施例，所述基于所述渠道属性信息和所述业务指标信息，根据所述第一决策规则，对所述网络资金交易渠道进行维护，具体可以包括：根据所述第一决策规则，输入所述渠道属性信息和所述业务指标信息，确定所述网络资金交易渠道的健康状态；若所述健康状态表示所述网络资金交易渠道异常，则执行针对所述网络资金交易渠道的第一维护操作。
根据决策规则的可选的实施例，可以计算当前渠道的健康度值。更具体地，当交易量、交易成功率等较低、耗时较多等情况下，则确定出当前资金渠道的健康状况不佳，例如根据规则计算出健康值低于一定值时，则判断为该资金渠道异常，则可以确定针对所述网络资金交易渠道的第一维护操作。
根据决策规则的可选的实施例，在确定所述网络资金交易渠道的健康状态之前，还可以包括判断所述网络资金交易渠道在检测周期内发生的交易数量是否满足预定的交易数量阈值；若是，则执行所述确定所述网络资金交易渠道的健康状态。例如，在一个检测周期内，例如一分钟内，一个资金渠道的交易量应当不小于100笔，当在这样的交易量基数的基础上，统计出的交易量成功率才更可信。也就是说，对于部分异常检测任务而言，为了提高检测结果的准确性，可以在交易量达到一定阈值的情况下才进行异常判断和关停等操作。
根据决策规则的可选的实施例，所述执行针对所述网络资金交易渠道的第一维护操作之前，所述方法还可以包括：获取所述网络资金交易渠道的渠道状态信息，所述渠道状态信息用于表示所述网络资金交易渠道的状态是否为开启；若所述渠道状态信息表示所述网络资金交易渠道的状态为开启，则执行所述执行针对所述网络资金交易渠道的第一维护操作。根据实施例，异常检测任务会去获取所有已配置的资金渠道，当其中的一些渠道被检测为异常且关闭之后，异常检测任务仍然可以获取到该关闭渠道的相关业务指标，例如，交易量指标可以为零；此时，可以再查询该资金渠道的渠道状态，若该渠道的渠道状态为关闭状态，则不对该渠道执行任何操作；若该渠道的渠道状态为开启状态，才进行后续对于异常渠道的具体维护操作，例如，执行预警和/或关停操作。
具体地，上述获取的网络资金交易渠道的渠道状态信息和交易数量阈值是由所述异常检测任务从配置库中获取的。具体地，上述使用渠道状态信息和交易数量阈值来进行异常判断的过程属于规则执行的阶段，在规则执行器中进行。另外，当完成对所述网络资金交易渠道执行预警和/或关停操作之后，还可以更新所述配置库，具体地，可以更新配置库中的被关停的渠道的渠道状态信息。
上述采用的方案，先对所有渠道进行规则匹配以筛选出其中的异常渠道，然后识别所有异常渠道中处于开启状态的渠道，最后对处于开启状态的异常渠道执行维护操作。在另外的方案中，也可以先获取所有渠道的状态信息，然后对于处于开启状态的渠道进行后续的规则匹配再筛选出其中的异常渠道，最后对异常的处于开启状态的渠道执行维护操作。与所述另外的方案相比，本申请的方案的优势在于：由于异常渠道在所有的渠道中是少数部分，且因异常而被关停的渠道也是少数，那么，根据所述另外的方案，其先判断状态为开启再判断是否异常的方案，在两个判断步骤中均是针对所有渠道中的大多数渠道执行操作；而本申请的方案，先判断是否异常再判断是否开启，需要进行渠道状态判断的渠道是少数。因此，与所述另外的方案相比，本申请的方案占用更少的系统资源、具有更高的处理效率。
根据可选的实施例，所述第一维护操作，具体包括：对所述网络资金交易渠道执行预警操作；和/或，对所述网络资金交易渠道执行关停操作。其中，所述对所述网络资金交易渠道执行关停操作，具体可以包括将该资金渠道的面向用户的交易链路关闭。所述对所述网络资金交易渠道执行预警操作，具体可以包括向业务运营人员和/或对手机构等发送业务异常预警等操作。
根据可选的实施例，所述对所述网络资金交易渠道执行关停操作，具体可以包括：关停所述网络资金交易渠道的主用接口，并且开启所述网络资金交易渠道的备用接口。具体地，资金渠道可以包括主用接口和备用接口，当主用接口发生异常时，可以关闭主用接口同时开启备用接口，在用户端是无感的，用户依然可以成功完成目标交易。如果资金渠道仅包括一个接口，或者当对手机构自身发生故障使得所有接口都无法使用时，关闭该资金渠道的接口后，用户则无法选用该资金渠道。
图3示出了本申请提供的网络资金交易渠道维护方法的第一实施例的执行流程示意图，以使上述方案的描述更清楚。
本申请提供了以上第一实施例，提供了一种基于规则库，结合领域专家知识，通过输入渠道属性和业务指标数据，使用BP神经网络进行离线学习获得规则分析器，进而智能匹配决策规则的网络资金交易渠道维护方法。与现有技术中的单规则的渠道关停模型相比，本申请的方案通过使用规则库和规则分析器，有效地避免了现有技术中渠道管理困难、决策准确率低和决策模型可复用率低的缺陷。
在一个具体的业务场景中，例如，用于支付的渠道发生异常，可以通过一定的规则，使用支付渠道的单个或多个指标来综合判断应该进行的应急操作，例如，进行预警和/或关停，在上述过程中，具体使用怎样的规则来进行决策判断是关键和难点。传统的方式，会针对一个资金渠道来匹配特定的规则，而对于另外的资金渠道的处理方式，一种情况是对于所有的资金渠道进行定制化处理，然而，由于渠道特性是多种多样的，其各种排列组合所构成的业务场景无法进行穷举，也就不可能对评价各种业务场景的资金渠道所采用的决策规则进行定制，该方式显然不够自动化、不够智能；另一种情况是，对大量渠道进行统一处理，不详细区分资金渠道的所有属性，而由于采用通用的模式，对业务场景的不够细分，决策规则的确定过程不够精细，会导致规则误用所致的误决策、管理混乱等问题。在本申请中，采取自学习的方式，根据历史数据来训练模型，再利用模型来针对不同的业务场景来匹配不同的决策规则，不按照固定的模式来进行决策，使得决策成功率提高。
当异常的资金渠道被关闭之后，如果无法及时了解被关闭的资金渠道的状态，导致其即使恢复了也无法及时开启，使得资金渠道利用率降低。传统的人工监控方式无法实现资金渠道的及时恢复，目前的自动运维方案中也主要是针对渠道异常情形，而渠道的恢复未能做到自动化，无法形成从渠道关闭到自动恢复开启的一个闭环模式，导致资金渠道管理的效率低、自动化智能化程度低。
鉴于此，本申请提供了网络资金交易渠道维护方法的以下实施例来解决上述问题。
图4示出了本申请提供的网络资金交易渠道维护方法的第二实施例的流程示意图。从程序角度而言，流程的执行主体可以为搭载于应用服务器的程序或应用客户端。
如图4所示，该网络资金交易渠道维护方法可以包括以下步骤：
S140：向关停的网络资金交易渠道发送检测交易。
其中，检测交易是为了探测资金渠道可用性而发起的真实小额交易。
其中，资金渠道被关停的意思是，资金渠道的面向用户的路由被关停，即，从应用层面来讲，该资金渠道对于用户来说不可用，但是对于系统来说，仍然可以绕过开关要素来向资金渠道发送真实的检测交易。
根据可选的实施例，所述向关停的网络资金交易渠道发送检测交易，具体可以包括：建立检测任务(图6中的“检测计划”)；根据所述检测任务，向所述关停的网络资金交易渠道发送检测交易。具体地，对于每次对渠道的可用性探测都会创建一个检测任务，所述检测任务是为了探测渠道可用性而发起的检测任务，主要用于向对手机构均匀发送检测交易。具体地，所述检测任务中包括的要素有检测渠道、检测时间和单位时间交易量等，其中，检测时间是指该检测任务持续的时间，单位时间交易量可以是例如每分钟交易量。例如，在一个检测任务中，对于已关停的资金渠道A，检测时间为10分钟，单位时间交易量为5笔/分钟，则该检测任务总共发起50笔检测交易。其中，检测交易的单位时间交易量通常远小于实际用户交易的单位时间交易量。
根据实施例，若同一个时间有多个渠道异常发起检测交易，为了平滑的实现多任务同时发起交易，对于检测任务可以使用java中的DelayQueue作为时间片任务容器，模拟真实交易场景来匀速地发起检测交易，以探测渠道健康状况，即交易模拟器。
根据实施例，检测任务/检测交易可以通过交易模拟器来实现，交易模拟器主要用于解决渠道自动关闭后如何自动恢复的问题，其作用包括在关闭渠道的情况下产生交易日志。交易模拟器的核心思想是使用满足一定条件的账户，绕过被关闭资金渠道的交易链路开关要素，向对手机构发起真实的小额检测交易，从而对渠道的可用性进行实时探测。其中，所述小额检测交易可以是例如0.01元，对于有单比限额的资金渠道可以进行定制化配置。
根据可选的实施例，所述向关停的网络资金交易渠道发送检测交易，具体可以包括：选取满足预定条件的检测账户，构成检测账户集合；依次循环使用所述检测账户集合中的检测账户，向关停的网络资金交易渠道发送检测交易。也就是说，对于同一个检测任务，可以根据实际情况对可用账号进行轮询，对当前使用的交易账号进行实时调整，防止账号热点被风控拦截。
根据可选的实施例，所述选取满足预定条件的检测账户，构成检测账户集合，具体可以包括：使用备选账户进行验卡交易，所述验卡交易用于判断所述备选账户是否能够用于进行检测交易；若所述验卡交易成功，则将所述备选账户确定为满足预定条件的检测账户。具体地，对于所有备选账户，用于检测交易前可以对其发起验卡交易，防止真实发起检测交易时出现失败。具体地，所述验卡交易例如可以是与测试交易的步骤相同的单笔交易。例如，若备选账户由于未激活当前待检测资金渠道的业务等原因，无法通过验卡交易，则不使用该卡进行测试交易。其中，所述备选账户可以是机构内部员工的账号。
根据可选的实施例，对于代付业务还可以进行余额校验，防止检测任务由于余额不足发生异常。具体地，进行余额校验的方式可以是直接查询账户可用余额。通过采用验卡交易和余额校验，可以提高检测交易的检测成功率。
根据可选的实施例，所述检测账户集合中的所述检测账户还用于向其它网络资金交易渠道发送检测交易。即，一个账户既可以用于向A资金渠道发送检测交易，也可以同时用于向B检测渠道发送检测交易。
S150：获取所述网络资金交易渠道的渠道属性信息和与所述检测交易相关的业务指标信息。
其中，与所述检测交易相关的业务指标信息，具体表示从S140中发送的检测交易而产生的交易日志中得到的业务指标数据，可以用于反映处于关停状态且正在发起检测交易的资金渠道的当前状态。
根据实施例，恢复检测任务检测的目标是已经关停的且正在发生检测交易的资金渠道，具体地，S150可以包括：建立恢复检测任务；根据所述恢复检测任务，从指标引擎模块中实时查询处于关停状态且正在发起检测交易的资金渠道的业务指标信息；以及根据所述恢复检测任务，获取所述处于关停状态且正在发起检测交易的资金渠道的渠道属性信息。其中，可选地，可以从缓存中获取所述处于关停状态且正在发起检测交易的资金渠道的列表，该列表在每次发起检测交易任务时进行更新。
S160：基于所述渠道属性信息和所述与所述检测交易相关的业务指标信息，采用所述规则分析模型确定与所述网络资金交易渠道匹配的第二决策规则，其中，所述规则分析模型是基于网络资金交易渠道的样本数据训练得到的。
在本实施例中，使用的规则分析模型可以是与第一实施例中使用的规则分析模型相同的模型，在此不再赘述。
S170：基于所述渠道属性信息和所述与所述检测交易相关的业务指标信息，根据所述第二决策规则，对所述网络资金交易渠道进行维护。
根据可选的实施例，所述基于所述渠道属性信息和所述与所述检测交易相关的业务指标信息，根据所述第二决策规则，对所述网络资金交易渠道进行维护，具体可以包括：根据所述第二决策规则，输入所述渠道属性信息和所述与所述检测交易相关的业务指标信息，确定所述网络资金交易渠道的健康状态；若所述健康状态表示所述网络资金交易渠道正常，则针对所述网络资金交易渠道的第二维护操作。
具体地，所述针对所述网络资金交易渠道的第二维护操作可以是对所述网络资金交易渠道执行开启操作。例如，当交易量、交易成功率等较高、耗时较少等情况下，网络资金交易渠道的健康状态较好，当计算出的健康值高于一定值时，可以对所述网络资金交易渠道执行开启操作。可选的，第二实施例中的第二阈值与第一实施例中的第一阈值可以相同或不同。
根据实施例，所述对所述网络资金交易渠道执行开启操作之后，还包括：停止向所述网络资金交易渠道发送检测交易。具体地，可以使用交易模拟器取消针对该资金渠道的检测任务。
图5示出了本申请提供的网络资金交易渠道维护方法的第二实施例的执行流程示意图，以使上述方案的描述更清楚。
在上述第二实施例中，S140中的检测交易可以使用例如内部员工的账号，可以使所有交易均为从员工的一种资产(例如，银行卡)转为另外一种资产(例如，第三方金融机构账户余额)，不会发生资损情况。但是，一个账号中的一种资产额度是有限的，因此需要对所有发起的检测交易进行一次逆过程，即资金回流，从而保证账号的持久可用性。
根据可选的实施例，所述依次循环使用所述检测账户集合中的检测账户，向关停的网络资金交易渠道发送检测交易之后，还包括：按照账户维度，计算所述检测账户集合中的各个检测账户因检测交易产生的交易金额；根据所述交易金额，对所述各个检测账户进行资金回流。
具体地，可以采用预定的资金回流方式对所述各个检测账户进行资金回流。更具体地，可以是采取定时集中回流的方案，即每隔预定的时间段后对数据库中所有待回流检测交易按照账号维度进行汇总后回流。预定的资金回流方式不限于此，例如也可以是采取达到一定金额阈值后进行回流的方案。另外，由于检测交易量可能非常大，为提高整体回流速率和缓解单机压力，对于回流任务本身，通过分布式资源将回流任务推送到不同机器分别进行。
本申请提供了以上第二实施例，针对现有技术中被关停的资金渠道无法及时自动恢复的问题提供了解决方案，采用交易模拟器和恢复检测任务，解决了渠道自动关闭后如何自动恢复的难题，进而从渠道自动关闭到检测自动开启形成一个智能化闭环运维方案，提高了渠道利用效率。此外，而在维护账户余额可用性方面，使用批回流的方案，对所有待回流检测交易按照账号维度进行汇总后回流，提高了资金回流效率。
根据上述网络资金交易渠道维护方法的第一实施例和第二实施例，本申请提供的方案通过结合自动决策和检测恢复两个模块完成资金渠道自动化运维闭环。为了更清楚地描述整个技术方案，提供了图6和图7来进行说明。
图6示出了本申请提供的整个网络资金交易渠道维护方法的实施例的执行流程示意图。相应地，图7示出了本申请提供的整个网络资金交易渠道维护方法的原理示意图。
参照图6，整个网络资金交易渠道维护方法的流程如下：(1)通过异常检测任务实时从指标引擎模块查询所有正常渠道的相关业务指标数据，例如交易量、耗时、系统成功率等，其中，各个业务指标来自于正常交易的摘要日志；(2)结合(1)中的业务指标数据和渠道属性，采用规则分析器计算后获取最匹配的决策规则；(3)运行规则执行器进行渠道关停；同时通过交易模拟器打开相应渠道的检测任务，并发起检测交易，进行渠道可用性探测；(4)通过恢复检测任务实时从指标引擎模块查询当前处于检测状态渠道的相关业务指标数据；(5)结合(4)中的业务指标数据和渠道属性，采用规则分析器计算后获取最匹配的决策规则；(6)运行规则执行器进行渠道恢复操作，同时通过交易模拟器取消相应渠道的检测任务。
关于图7中的决策核心部分，本申请提出了一种基于规则库，结合领域专家知识，通过输入渠道属性和业务指标数据，使用BP神经网络进行离线学习获得规则分析器，进而智能匹配决策规则的方法，然后使用匹配出的规则结合相关输入相关数据来得到最终的操作，即在规则分析阶段使用机器学习技术，但是在规则执行阶段未使用机器学习技术。此外，对于决策核心部分，也可以整体使用机器学习技术，即，将相关数据输入机器学习模型后直接输出关停、开启等具体操作指示，该整体使用机器学习技术的方案与本申请的方案相比，需要海量高质量的训练数据，而且这种无专家参与的智能化学习方案，对于金融业务场景，风险较大。
本申请的方案的创新部分至少包括整个渠道运维闭环方案和决策核心模块，其中，决策核心模块包括使用规则分析器匹配合适的决策规则和通过交易模拟器进行异常渠道的自动恢复两部分。通过采用本申请的上述网络资金交易渠道维护方法，通过使用规则库和规则分析器，解决了现有技术中单规则的渠道关停模型中关停困难、准确率低和可复用率低的缺陷；通过采用交易模拟器和恢复检测任务，实现了关停渠道的自动化恢复的确定，整体形成了从渠道异常关闭到自动恢复开启的自动化运维闭环。本申请提供的上述网络资金交易渠道维护方法，误决策率低、可复用率高，避免了管理混乱，提高了管理效率。
基于同样的思路，本说明书实施例还提供了上述方法对应的装置。图8示出了本申请提供的网络资金交易渠道维护装置的结构示意图。
如图8所示，该网络资金交易渠道维护装置可以包括：
信息获取模块310，用于获取网络资金交易渠道的渠道属性信息和业务指标信息；
规则匹配模块320，用于基于所述渠道属性信息和所述业务指标信息，采用规则分析模型确定与所述网络资金交易渠道匹配的第一决策规则，其中，所述规则分析模型是基于网络资金交易渠道的样本数据训练得到的；
决策模块330，用于基于所述渠道属性信息和所述业务指标信息，根据所述第一决策规则，对所述网络资金交易渠道进行维护。
根据可选的实施例，所述规则匹配模块320可以包括：规则分析子模块，将所述渠道属性信息和所述业务指标信息输入神经网络模型进行计算，得到归一化的二进制输出结果；规则查找子模块，在预定的规则库中查找与所述归一化的二进制输出结果对应的第一决策规则。
根据可选的实施例，所述决策模块330可以包括：健康状态判断子模块，用于根据所述第一决策规则，输入所述渠道属性信息和所述业务指标信息，确定所述网络资金交易渠道的健康状态；维护操作确定子模块，用于若所述健康状态表示所述网络资金交易渠道异常，则执行针对所述网络资金交易渠道的第一维护操作。
根据可选的实施例，所述维护操作确定子模块，具体可以用于：对所述网络资金交易渠道执行预警操作；和/或，对所述网络资金交易渠道执行关停操作。
根据实施例，所述装置还包括：检测交易模块340，用于向已关停的网络资金交易渠道发送检测交易。
根据实施例，其中，所述信息获取模块，还用于获取所述网络资金交易渠道的渠道属性信息和与所述检测交易相关的业务指标信息；所述规则匹配模块，还用于基于所述渠道属性信息和所述与所述检测交易相关的业务指标信息，采用所述规则分析模型确定与所述网络资金交易渠道匹配的第二决策规则；所述决策模块，还用于基于所述渠道属性信息和所述与所述检测交易相关的业务指标信息，根据所述第二决策规则，对所述网络资金交易渠道进行维护。
根据实施例，所述健康状态判断子模块，还可以用于，根据所述第一决策规则，输入所述渠道属性信息和所述业务指标信息，确定所述网络资金交易渠道的健康状态；所述维护操作确定子模块，还可以用于，若所述健康状态表示所述网络资金交易渠道正常，则对所述网络资金交易渠道执行开启操作。
基于同样的思路，本说明书实施例还提供了上述方法对应的设备。
图9示出了本申请提供的网络资金交易渠道维护设备的结构示意图。如图9所示，设备500可以包括：
至少一个处理器510；以及，
与所述至少一个处理器通信连接的存储器530；其中，
所述存储器530存储有可被所述至少一个处理器510执行的指令520，所述指令被所述至少一个处理器510执行，以使所述至少一个处理器510能够：
获取网络资金交易渠道的渠道属性信息和业务指标信息；
基于所述渠道属性信息和所述业务指标信息，采用规则分析模型确定与所述网络资金交易渠道匹配的第一决策规则，其中，所述规则分析模型是基于网络资金交易渠道的样本数据训练得到的；
基于所述渠道属性信息和所述业务指标信息，根据所述第一决策规则，对所述网络资金交易渠道进行维护。
所述至少一个处理器510还能够：
向关停的网络资金交易渠道发送检测交易；
获取所述网络资金交易渠道的渠道属性信息和与所述检测交易相关的业务指标信息；
基于所述渠道属性信息和所述与所述检测交易相关的业务指标信息，采用所述规则分析模型确定与所述网络资金交易渠道匹配的第二决策规则；
基于所述渠道属性信息和所述与所述检测交易相关的业务指标信息，根据所述第二决策规则，对所述网络资金交易渠道进行维护。
上述对本说明书特定实施例进行了描述，在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、设备与方法是对应的，因此，装置、设备也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、设备的有益技术效果。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (22)
1.一种网络资金交易渠道维护方法，包括：
获取网络资金交易渠道的渠道属性信息和业务指标信息；所述网络资金交易渠道包括金融机构与对手机构发生资金往来的接口；所述渠道属性信息包括渠道业务类型信息、传输方式信息、账户类型信息、运营时间信息以及渠道容量信息；所述业务指标信息包括代收业务和/或代付业务，所述代收和/或代付业务表示商业银行接受客户的委托代为办理指定款项的收付事宜的业务；
基于所述渠道属性信息和所述业务指标信息，采用规则分析模型确定与所述网络资金交易渠道匹配的第一决策规则，其中，所述规则分析模型是基于网络资金交易渠道的样本数据训练得到的；
基于所述渠道属性信息和所述业务指标信息，根据所述第一决策规则，对所述网络资金交易渠道进行维护；若所述网络资金交易渠道异常，则执行针对所述网络资金交易渠道的第一维护操作，包括对所述网络资金交易渠道执行关停操作，并向关停的网络资金交易渠道发送检测交易；所述检测交易通过交易模拟器来实现，所述交易模拟器用于解决渠道自动关闭后自动恢复的问题，包括在关闭渠道的情况下产生交易日志。
2.根据权利要求1所述的方法，所述基于所述渠道属性信息和所述业务指标信息，采用规则分析模型，确定与所述网络资金交易渠道匹配的第一决策规则，具体包括：
将所述渠道属性信息和所述业务指标信息输入神经网络模型进行计算，得到归一化的二进制输出结果；
在预定的规则库中查找与所述归一化的二进制输出结果对应的第一决策规则。
3.根据权利要求1所述的方法，所述基于所述渠道属性信息和所述业务指标信息，根据所述第一决策规则，对所述网络资金交易渠道进行维护，具体包括：
根据所述第一决策规则，输入所述渠道属性信息和所述业务指标信息，确定所述网络资金交易渠道的健康状态；
若所述健康状态表示所述网络资金交易渠道异常，则执行针对所述网络资金交易渠道的第一维护操作。
4.根据权利要求3所述的方法，所述执行针对所述网络资金交易渠道的第一维护操作之前，还包括：
获取所述网络资金交易渠道的渠道状态信息，所述渠道状态信息用于表示所述网络资金交易渠道的状态是否为开启；
若所述渠道状态信息表示所述网络资金交易渠道的状态为开启，则执行所述执行针对所述网络资金交易渠道的第一维护操作。
5.根据权利要求4所述的方法，所述第一维护操作，具体包括：
对所述网络资金交易渠道执行预警操作；
和/或，对所述网络资金交易渠道执行关停操作。
6.根据权利要求5所述的方法，所述对所述网络资金交易渠道执行关停操作，具体包括：
关停所述网络资金交易渠道的主用接口，并且开启所述网络资金交易渠道的备用接口。
7.根据权利要求5所述的方法，所述对所述网络资金交易渠道执行关停操作之后，还包括：
向关停的网络资金交易渠道发送检测交易。
8.根据权利要求7所述的方法，所述向关停的网络资金交易渠道发送检测交易之后，还包括：
获取所述网络资金交易渠道的渠道属性信息和与所述检测交易相关的业务指标信息；
基于所述渠道属性信息和所述与所述检测交易相关的业务指标信息，采用所述规则分析模型确定与所述网络资金交易渠道匹配的第二决策规则；
基于所述渠道属性信息和所述与所述检测交易相关的业务指标信息，根据所述第二决策规则，对所述网络资金交易渠道进行维护。
9.根据权利要求8所述的方法，所述基于所述渠道属性信息和所述与所述检测交易相关的业务指标信息，根据所述第二决策规则，对所述网络资金交易渠道进行维护，具体包括：
根据所述第二决策规则，输入所述渠道属性信息和所述与所述检测交易相关的业务指标信息，确定所述网络资金交易渠道的健康状态；
若所述健康状态表示所述网络资金交易渠道正常，则对所述网络资金交易渠道执行开启操作。
10.根据权利要求7所述的方法，所述向关停的网络资金交易渠道发送检测交易，具体包括：
选取满足预定条件的检测账户，构成检测账户集合；
依次循环使用所述检测账户集合中的检测账户，向关停的网络资金交易渠道发送检测交易。
11.根据权利要求10所述的方法，所述选取满足预定条件的检测账户，构成检测账户集合，具体包括：
使用备选账户进行验卡交易，所述验卡交易用于判断所述备选账户是否能够用于进行检测交易；
若所述验卡交易成功，则将所述备选账户确定为满足预定条件的检测账户。
12.根据权利要求10所述的方法，所述依次循环使用所述检测账户集合中的检测账户，向关停的网络资金交易渠道发送检测交易之后，还包括：
按照账户维度，计算所述检测账户集合中的各个检测账户因检测交易产生的交易金额；
根据所述交易金额，对所述各个检测账户进行资金回流。
13.根据权利要求1所述的方法，
所述渠道属性信息包括渠道业务类型、传输方式、账户类型、运营时间和/或渠道容量；
所述业务指标信息包括交易量、交易成功率、响应率、耗时和/或返回码。
14.一种网络资金交易渠道维护装置，包括：
信息获取模块，用于获取网络资金交易渠道的渠道属性信息和业务指标信息；所述网络资金交易渠道包括金融机构与对手机构发生资金往来的接口；所述渠道属性信息包括渠道业务类型信息、传输方式信息、账户类型信息、运营时间信息以及渠道容量信息；所述业务指标信息包括代收业务和/或代付业务，所述代收和/或代付业务表示商业银行接受客户的委托代为办理指定款项的收付事宜的业务；
规则匹配模块，用于基于所述渠道属性信息和所述业务指标信息，采用规则分析模型确定与所述网络资金交易渠道匹配的第一决策规则，其中，所述规则分析模型是基于网络资金交易渠道的样本数据训练得到的；
决策模块，用于基于所述渠道属性信息和所述业务指标信息，根据所述第一决策规则，对所述网络资金交易渠道进行维护；若所述网络资金交易渠道异常，则执行针对所述网络资金交易渠道的第一维护操作，包括对所述网络资金交易渠道执行关停操作，并向关停的网络资金交易渠道发送检测交易；所述检测交易通过交易模拟器来实现，所述交易模拟器用于解决渠道自动关闭后自动恢复的问题，包括在关闭渠道的情况下产生交易日志。
15.根据权利要求14所述的装置，所述规则匹配模块包括：
规则分析子模块，将所述渠道属性信息和所述业务指标信息输入神经网络模型进行计算，得到归一化的二进制输出结果；
规则查找子模块，在预定的规则库中查找与所述归一化的二进制输出结果对应的第一决策规则。
16.根据权利要求14所述的装置，所述决策模块包括：
健康状态判断子模块，用于根据所述第一决策规则，输入所述渠道属性信息和所述业务指标信息，确定所述网络资金交易渠道的健康状态；
维护操作确定子模块，用于若所述健康状态表示所述网络资金交易渠道异常，则执行针对所述网络资金交易渠道的第一维护操作。
17.根据权利要求16所述的装置，其中，
所述维护操作确定子模块，具体用于：对所述网络资金交易渠道执行预警操作；和/或，对所述网络资金交易渠道执行关停操作。
18.根据权利要求17所述的装置，所述装置还包括：
检测交易模块，用于向已关停的网络资金交易渠道发送检测交易。
19.根据权利要求18所述的装置，其中，
所述信息获取模块，还用于获取所述网络资金交易渠道的渠道属性信息和与所述检测交易相关的业务指标信息；
所述规则匹配模块，还用于基于所述渠道属性信息和所述与所述检测交易相关的业务指标信息，采用所述规则分析模型确定与所述网络资金交易渠道匹配的第二决策规则；
所述决策模块，还用于基于所述渠道属性信息和所述与所述检测交易相关的业务指标信息，根据所述第二决策规则，对所述网络资金交易渠道进行维护。
20.根据权利要求16所述的装置，其中，
所述健康状态判断子模块，还用于根据所述第一决策规则，输入所述渠道属性信息和所述业务指标信息，确定所述网络资金交易渠道的健康状态；
所述维护操作确定子模块，还用于若所述健康状态表示所述网络资金交易渠道正常，则对所述网络资金交易渠道执行开启操作。
21.一种网络资金交易渠道维护设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
获取网络资金交易渠道的渠道属性信息和业务指标信息；所述网络资金交易渠道包括金融机构与对手机构发生资金往来的接口；所述渠道属性信息包括渠道业务类型信息、传输方式信息、账户类型信息、运营时间信息以及渠道容量信息；所述业务指标信息包括代收业务和/或代付业务，所述代收和/或代付业务表示商业银行接受客户的委托代为办理指定款项的收付事宜的业务；
基于所述渠道属性信息和所述业务指标信息，采用规则分析模型确定与所述网络资金交易渠道匹配的第一决策规则，其中，所述规则分析模型是基于网络资金交易渠道的样本数据训练得到的；
基于所述渠道属性信息和所述业务指标信息，根据所述第一决策规则，对所述网络资金交易渠道进行维护；若所述网络资金交易渠道异常，则执行针对所述网络资金交易渠道的第一维护操作，包括对所述网络资金交易渠道执行关停操作，并向关停的网络资金交易渠道发送检测交易；所述检测交易通过交易模拟器来实现，所述交易模拟器用于解决渠道自动关闭后自动恢复的问题，包括在关闭渠道的情况下产生交易日志。
22.根据权利要求21所述的设备，其中，所述至少一个处理器还能够：
向关停的网络资金交易渠道发送检测交易；
获取所述网络资金交易渠道的渠道属性信息和与所述检测交易相关的业务指标信息；
基于所述渠道属性信息和所述与所述检测交易相关的业务指标信息，采用所述规则分析模型确定与所述网络资金交易渠道匹配的第二决策规则；
基于所述渠道属性信息和所述与所述检测交易相关的业务指标信息，根据所述第二决策规则，对所述网络资金交易渠道进行维护。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410272362.XA CN118071500A (zh) | 2019-08-02 | 2019-08-02 | 一种网络资金交易渠道维护方法、装置和设备 |
| CN201910709797.5A CN110503551B (zh) | 2019-08-02 | 2019-08-02 | 一种网络资金交易渠道维护方法、装置和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910709797.5A CN110503551B (zh) | 2019-08-02 | 2019-08-02 | 一种网络资金交易渠道维护方法、装置和设备 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410272362.XA Division CN118071500A (zh) | 2019-08-02 | 2019-08-02 | 一种网络资金交易渠道维护方法、装置和设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110503551A CN110503551A (zh) | 2019-11-26 |
| CN110503551B true CN110503551B (zh) | 2024-03-19 |
Family
ID=68586916
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410272362.XA Pending CN118071500A (zh) | 2019-08-02 | 2019-08-02 | 一种网络资金交易渠道维护方法、装置和设备 |
| CN201910709797.5A Active CN110503551B (zh) | 2019-08-02 | 2019-08-02 | 一种网络资金交易渠道维护方法、装置和设备 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410272362.XA Pending CN118071500A (zh) | 2019-08-02 | 2019-08-02 | 一种网络资金交易渠道维护方法、装置和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (2) | CN118071500A (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110943921B (zh) * | 2019-12-06 | 2021-06-08 | 光大兴陇信托有限责任公司 | 一种智能路由配置的方法 |
| CN111275429A (zh) * | 2020-01-17 | 2020-06-12 | 北京三快在线科技有限公司 | 收款通道状态的确定方法、装置、设备及可读存储介质 |
| CN111343266B (zh) * | 2020-02-24 | 2022-10-11 | 中国工商银行股份有限公司 | 路由决策方法及装置 |
| CN111680086A (zh) * | 2020-05-25 | 2020-09-18 | 泰康保险集团股份有限公司 | 数据处理方法及系统、计算机设备及计算机可读存储介质 |
| CN111770093B (zh) * | 2020-06-29 | 2023-03-24 | 深圳前海微众银行股份有限公司 | 交易监控决策方法、装置、设备及计算机可读存储介质 |
| CN111861747A (zh) | 2020-07-08 | 2020-10-30 | 支付宝(杭州)信息技术有限公司 | 交易链路异常处理方法、装置、电子设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2010248168A1 (en) * | 2009-05-12 | 2011-12-15 | Henryk Kulakowski | A method for authorization of a transaction with the use of a mobile phone |
| CN106649845A (zh) * | 2016-12-30 | 2017-05-10 | 上海富聪金融信息服务有限公司 | 一种交易信息服务平台及其信息处理方法 |
| CN108009805A (zh) * | 2017-10-24 | 2018-05-08 | 广东康美通信息服务有限公司 | 一种支付处理方法、存储介质、装置及支付路由系统 |
| CN108694574A (zh) * | 2018-06-08 | 2018-10-23 | 阿里巴巴集团控股有限公司 | 一种资源转移渠道的处理方法、装置及设备 |
| CN109191110A (zh) * | 2018-07-27 | 2019-01-11 | 阿里巴巴集团控股有限公司 | 后付费交易数据处理方法、装置、处理设备、及服务器 |
| CN109584044A (zh) * | 2018-11-07 | 2019-04-05 | 阿里巴巴集团控股有限公司 | 一种确定清算渠道的方法及装置 |
| CN109769218A (zh) * | 2018-12-26 | 2019-05-17 | 中国银联股份有限公司 | 一种交易通知方法、装置、终端设备和介质 |
-
2019
- 2019-08-02 CN CN202410272362.XA patent/CN118071500A/zh active Pending
- 2019-08-02 CN CN201910709797.5A patent/CN110503551B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2010248168A1 (en) * | 2009-05-12 | 2011-12-15 | Henryk Kulakowski | A method for authorization of a transaction with the use of a mobile phone |
| CN106649845A (zh) * | 2016-12-30 | 2017-05-10 | 上海富聪金融信息服务有限公司 | 一种交易信息服务平台及其信息处理方法 |
| CN108009805A (zh) * | 2017-10-24 | 2018-05-08 | 广东康美通信息服务有限公司 | 一种支付处理方法、存储介质、装置及支付路由系统 |
| CN108694574A (zh) * | 2018-06-08 | 2018-10-23 | 阿里巴巴集团控股有限公司 | 一种资源转移渠道的处理方法、装置及设备 |
| CN109191110A (zh) * | 2018-07-27 | 2019-01-11 | 阿里巴巴集团控股有限公司 | 后付费交易数据处理方法、装置、处理设备、及服务器 |
| CN109584044A (zh) * | 2018-11-07 | 2019-04-05 | 阿里巴巴集团控股有限公司 | 一种确定清算渠道的方法及装置 |
| CN109769218A (zh) * | 2018-12-26 | 2019-05-17 | 中国银联股份有限公司 | 一种交易通知方法、装置、终端设备和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110503551A (zh) | 2019-11-26 |
| CN118071500A (zh) | 2024-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110503551B (zh) | 一种网络资金交易渠道维护方法、装置和设备 | |
| US10698795B2 (en) | Virtual payments environment | |
| TWI769190B (zh) | 風險管控方法及裝置 | |
| US10387536B2 (en) | Computerized data-aware agent systems for retrieving data to serve a dialog between human user and computerized system | |
| Van Der Aalst | Process mining | |
| US11580475B2 (en) | Utilizing artificial intelligence to predict risk and compliance actionable insights, predict remediation incidents, and accelerate a remediation process | |
| CN110443618B (zh) | 风控策略的生成方法及装置 | |
| CN110516928B (zh) | 一种业务专线的决策方法、装置、设备和计算机可读介质 | |
| CN112559300B (zh) | 一种故障原因确定系统、方法及装置 | |
| CN112214652B (zh) | 一种报文生成方法、装置及设备 | |
| US11803793B2 (en) | Automated data forecasting using machine learning | |
| US11567824B2 (en) | Restricting use of selected input in recovery from system failures | |
| US20200410824A1 (en) | Management of an automated teller machine (atm) with a corresponding queue of users | |
| Jain et al. | Fuzzy Markovian modeling of machining system with imperfect coverage, spare provisioning and reboot | |
| WO2019194696A1 (ru) | Автоматизированная система разработки и управления моделями скоринга | |
| US11854018B2 (en) | Labeling optimization through image clustering | |
| US20220405659A1 (en) | Data-driven automated model impact analysis | |
| US20220207420A1 (en) | Utilizing machine learning models to characterize a relationship between a user and an entity | |
| CN109039695B (zh) | 业务故障处理方法、装置及设备 | |
| US20230196210A1 (en) | Utilizing machine learning models to predict client dispositions and generate adaptive automated interaction responses | |
| CN108897783A (zh) | 记账模式确定方法、账户状态预测方法、装置及电子设备 | |
| US11715037B2 (en) | Validation of AI models using holdout sets | |
| CN112734352A (zh) | 一种基于数据维度的单据审核方法和装置 | |
| US20240086757A1 (en) | Utilizing machine learning models to predict multi-level client intent classifications for client communications | |
| CN116756215B (zh) | 一种交易在途状态查询方法和系统 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200924 Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Applicant after: Innovative advanced technology Co.,Ltd. Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Applicant before: Advanced innovation technology Co.,Ltd. Effective date of registration: 20200924 Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Applicant after: Advanced innovation technology Co.,Ltd. Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands Applicant before: Alibaba Group Holding Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |