CN111242593B - 基于伙伴矩阵的交易系统的重叠对应行为一致性检测方法 - Google Patents

Abstract

本发明涉及一种基于伙伴矩阵的交易系统的重叠对应行为一致性检测方法，属于电子商务技术领域。本发明为了验证用户实时交易模型与预期模型的行为一致性，研究和证明了用户实时交易模型与预期模型的重叠对应关系特征性质，使用伙伴矩阵描述重叠对应关系，提出了基于重叠对应关系下的用户行为一致性测度方法。该构架能够有效区分重叠对应关系，并依此对行为对应关系做到更为精确的判定。有效地将重叠对应关系进行区分和计算，解决了存在重叠对应的行为一致性测度问题，并大大缩短了运算时间。

Description

基于伙伴矩阵的交易系统的重叠对应行为一致性检测方法

技术领域

本发明涉及一种基于伙伴矩阵的交易系统的重叠对应行为一致性检测方法，属于电子商务技术领域。

背景技术

随着计算机网络及网上支付的飞速发展及广泛应用，针对网络用户在支付过程中的行为一致性检测技术的要求也越来越严格。由于系统设计师和架构师对相同的现实环境对象所持有观点的不同，进而导致不同模型的构成。网络交易行为模型的一致性关系到交易系统中元素在系统匹配情况下的匹配语义学。而在现实的交易环境下，一个或多个活动在多个模型下有着相同作用的情况比比皆是，那么如何对这样的用户行为一致性进行测量，进而对网络交易过程中用户的实时交易行为和预期行为进行一致性分析，使得其存在于重叠对应模型间便显得尤为重要。目前针对两个系统间的一致性研究技术，主要包括基于复杂对应、不确定对应等的一致性测量方法，但这些方法对重叠对应情况都未涉及。而事实上，由于重叠对应而产生的用户行为一致性检测产生的误差有时会很大程度上影响设计师或架构师的评判模式。

发明内容

本发明的目的是为解决含有重叠对应的用户行为一致性检测问题的技术问题。

为达到解决上述问题的目的，本发明所采取的技术方案是提供一种基于伙伴矩阵的交易系统的重叠对应行为一致性检测方法，包括以下步骤：

步骤1：根据现有用户行为模型分析重叠对应关系特征；将重叠对应关系分类，研究各个类的行为特征；将用户行为模型的对应关系映射到用户交易模型的具体实例中；

步骤2：根据用户行为特征建立关系轮廓，构建用户关系轮廓矩阵；把用户各个活动间的关系，建立用户关系轮廓；根据每两两两活动间的关系轮廓，计算两个模型的基于关系轮廓的关系轮廓矩阵；

步骤3：根据用户重叠对应特征，计算关系轮廓矩阵的伙伴矩阵，计算用户行为一致性度，检测用户行为与预期行为的一致程度；根据用户重叠对应类，计算关系轮廓的伙伴矩阵；根据用户实时交易模型与预期模型的重叠对应关系及表示各个模型自身行为关系的关系轮廓矩阵，计算用户实时交易模型与预期模型的行为一致性。

优选地，所述的步骤3中计算用户行为一致性度检测算法包括以下步骤：

步骤1：输入网模型(P₁，T₁，F₁；M₁)和(P₂，T₂，F₂；M₂)，一个对应关系

关联着两个Petri网的变迁，他们的关系轮廓

他们的关系轮廓矩阵BM₁、BM₂；

步骤2：将变迁集T₁和T₂按照对应关系分为n个对应集合形式，T_1，1～T_2，1，T_1，2～T_2，2，…，T_1，n～T_2，n是所有的对应关系，执行下一步骤；

步骤3：计算所有BM₁的伙伴矩阵BM_P1的元素，得到BM₁的伙伴矩阵BM_P1，

执行下一步骤；

步骤4：计算所有BM₂的伙伴矩阵BM_P2的元素，得到BM₂的伙伴矩阵BM_P2，

执行下一步骤；

步骤5：若BM₁·BM_p1与BM₂·BM_p2同阶，那么找到BM₁·BM_p1与BM₂·BM_p2，中相同位置中的不同元素，计算基于重叠对应关系的一致性度D_P，输出D_P，算法终止；否则执行下一步骤；

步骤6：比较BM₁·BM_p1与(BM₂·BM_p2)^T，计算BM₁·BM_p1与(BM₂·BM_p2)^T中相同位置中的不同元素，执行下一步骤；

步骤7：计算基于重叠对应关系的一致性度D_P，输出D_P，输出重叠对应的一致性度D_P，算法终止。

本发明为了验证用户实时交易模型与预期模型的行为一致性，对重叠对应的行为关系进行具体分类分析，研究重叠对应类别下的行为特征，提出了伙伴矩阵来形式化描述重叠对应关系；解决了含有重叠对应的用户行为一致性检测问题，利用矩阵的相关知识，研究了交易系统的行为一致性，测量了含有重叠对应关系的行为一致性度。对用户的内部行为关系进行了较细致的分析，建立了基于8种行为关系的关系轮廓，并对重叠对应关系进行区分和分类，给出了基于重叠对应关系的用户行为一致性测量和分析构架。

为此给出的技术方案为：研究和证明了用户实时交易模型与预期模型的重叠对应关系特征性质，使用伙伴矩阵描述重叠对应关系，提出了基于重叠对应关系下的用户行为一致性测度方法。

相比现有技术，本发明具有如下有益效果：

该构架能够有效区分重叠对应关系，并依此对行为对应关系做到更为精确的判定。有效地将重叠对应关系进行区分和计算，解决了存在重叠对应的行为一致性测度问题，并大大缩短了运算时间。

附图说明

图1是本发明基于重叠对应的一致性计算结构架构图；

图2是本发明算法1的流程图；

图3是本发明有着相同关系轮廓矩阵的两个工作流网模型；

图4是图3(a)的伙伴矩阵图；

图5是图3(b)的伙伴矩阵图；

图6是本发明有着不同的关系轮廓矩阵的两个工作流模型图；

图7是图6(a)的关系轮廓矩阵；

图8是图6(b)的关系轮廓矩阵；

图9是图7的伙伴矩阵；

图10是图8的伙伴矩阵；

具体实施方式

为使本发明更明显易懂，兹以优选实施例，并配合附图作详细说明如下：

如图1-10所示，本发明提供了一种基于伙伴矩阵的交易系统的重叠对应行为一致性检测方法。

如图1所示：基于重叠对应的用户行为一致性测量方法架构图；

整个发明技术方案分为三个阶段：第一阶段根据现有用户行为模型分析重叠对应关系特征，第二阶段根据用户行为特征建立关系轮廓，构建用户关系轮廓矩阵，第三阶段根据用户重叠对应特征，计算关系轮廓矩阵的伙伴矩阵，计算用户行为一致性度，检测用户行为与预期行为的一致程度。

本发明中，用到的相关概念如下所示：

定义1(Petri网)：一个网∑＝(P，T，F；M₀)是一个Petri网，P表示(库所集合)，T表示(变迁集合)，F表示(库所和变迁之间的有向弧集合)，M₀表示(初始标识)。

定义2(对应关系)：令(P₁，T₁，F₁；M₁)和(P₂，T₂，F₂；M₂)是两个Petri网，一个对应关系

关联着两个Petri网的变迁。

被定义为：{t_i|t_j∈T₂：(t_i，t_j)∈～}。

相似地，

被定义为：{t_j|t_i∈T₁：(t_j，t_i)∈～}。

定义3(对应的变迁)：另

是两个变迁集，使得

如果T′₁和T′₂是最大的，即：

且

那么(T′₁，T′₂)被称为是一个对应的变迁，记为T′₁～T′₂。

特别地，T′₁～T′₂是一个重叠对应关系，记为T′₁～_oT′₂，当且仅当满足：如果存在T″₁和T″₂，使得

第一阶段具体实施步骤：

1.将重叠对应关系分类，研究各个类的行为特征。

2.将用户行为模型的对应关系映射到用户交易模型的具体实例中。

第二阶段具体实施步骤：

1.把用户各个活动间的关系，建立用户关系轮廓。

2.根据每两两两活动间的关系轮廓，计算两个模型的基于关系轮廓的关系轮廓矩阵。

本发明定义的关系轮廓如下所示：

定义4(关系轮廓)：令∑＝(P，T，F；M₀)是一个Petri网，变迁对(x，y)∈T×T属于其中之一的行为关系中：

1)严格序关系

如果

2)排他序关系+：如果

3)类₁交叉序关系r₁：如果

x和y不在环结构中，且σ(x，y)＝1；

4)类₂交叉序关系r₂：如果

x和y不在环结构中，且σ(x，y)＞1；

5)类₃交叉序关系r₃：如果

x和y在环结构中，且σ(x，y)＝1；

6)类₄交叉序关系r₄：如果

x和y在环结构中，且σ(x，y)＞1；

7)类₅交叉序关系r₅：如果

x和y不在环结构中，且σ(x，y)＝1；

8)类₆交叉序关系r₆：如果

x和y在环结构中，且σ(x，y)＞1。

另：若

那么

定义4中相关术语介绍：σ(x，y)表示变迁x和y的同步距离；

表示x和y属于弱序关系；

表示x和y不属于弱序关系。

弱序：令∑＝(P，T，F；M₀)是一个Petri网，变迁对(x，y)属于弱序关系，记为

当且仅当满足存在一条可达的变迁序列t₁t₂…t_n，使得

定义5(关系轮廓)令∑＝(P，T，F；M₀)是一个Petri网，且变迁集

如果BS满足

且

那么

是T′上的关系轮廓。

定义5(基于关系轮廓的行为矩阵)：令∑＝(P，T，F；M₀)是一个Petri网，

是变迁集T＝{t₁，t₂，…，t_n}上的关系轮廓。行为矩阵BM是一个n×n矩阵：

使得：

第三阶段具体实施步骤：

1.根据用户重叠对应类，计算关系轮廓的伙伴矩阵。

2.根据用户实时交易模型与预期模型的重叠对应关系及表示各个模型自身行为关系的关系轮廓矩阵，计算用户实时交易模型与预期模型的行为一致性。

定义6(伙伴矩阵)令(N_i，M_i)＝(P_i，T_i，F_i，M_i)，i∈{1，2}是一个网系统，其中T_1，1～T_2，1，T_1，2～T_2，2，…，T_1，n～T_2，n是所有的对应。BM₁和BM₂是他们的关系轮廓矩阵，BM₁的伙伴矩阵BM_p1是一个n×m阶矩阵：

使得：

定义7(重叠对应的一致性度)令(N_i，M_i)＝(P_i，T_i，F_i，M_i)，i∈{1，2}是一个网系统，其中T_1，1～T_2，1，T_1，2～T_2，2，…，T_1，n～T_2，n是所有的对应。BS₁和BS₂是他们的关系轮廓，其中BS₁，

他们的关系轮廓矩阵BM₁、BM₂，伙伴矩阵分别为BM_p1、BM_p2。那么基于重叠对应的行为一致性度D_p被定义为：

其中：S_i，j表示矩阵BM₁·BM_p1与矩阵BM₂·BM_p2(或BM₂·BM_p2 ^T)中的相同位置的不同元素或不互逆元素。

注：定义7中，若BM₁·BM_p1与矩阵BM₂·BM_p2不同阶，那么BM₁·BM_p1与矩阵BM₂·BM_p2 ^T中的相应位置的互逆情况，如

与

算法1重叠对应的一致性检测算法(具体流程见图2)

输入：网模型(P₁，T₁，F₁；M₁)和(P₂，T₂，F₂；M₂)，一个对应关系

关联着两个Petri网的变迁，他们的关系轮廓BS₁，

他们的关系轮廓矩阵BM₁、BM₂。

输出：重叠对应的一致性度D_p。

(1)将变迁集T₁和T₂按照对应关系分为n个对应集合形式，T_1，1～T_2，1，T_1，2～T_2，2，…，T_1，n～T_2，n是所有的对应关系，执行步骤(2)；

(2)根据定义6，计算所有BM₁的伙伴矩阵BM_p1的元素，得到BM₁的伙伴矩阵BM_p1，执行步骤(3)；

(3)根据定义6，计算所有BM₂的伙伴矩阵BM_p2的元素，得到BM₂的伙伴矩阵BM_p2，执行步骤(4)；

(4)若BM₁·BM_p1与BM₂·BM_p2同阶，那么找到BM₁·BM_p1与BM₂·BM_p2，中相同位置中的不同元素，根据定义7计算基于重叠对应关系的一致性度D_p，输出D_p，算法终止；否则执行步骤(5)；

(5)比较BM₁·BM_p1与(BM₂·BM_p2)^T，计算BM₁·BM_p1与(BM₂·BM_p2)^T中相同位置中的不同元素，执行步骤(6)；

(6)根据定义7，计算基于重叠对应关系的一致性度D_p，输出D_p，算法终止。

下面给出两个简单的实施例进行说明。

实施例1

相对于两个有着相同关系轮廓矩阵的网模型，如图3所示。根据算法1，分别按照对应关系将图3得到他们的伙伴矩阵如图4、5所示。那么，根据算法1，可知BM₁·BM_p1与BM₂·BM_p2都是3×3阶矩阵，可得到D_p＝1-

可见，虽然两个网有着相同的网结构，而且其不同的对应关系使得两个网模型的一致性度存在差异。

实施例2

图6是两个存在重叠对应关系且有着不同的关系轮廓矩阵的网模型，其中图6(a)和6(b)中存在一个重叠对应关系。我们发现在图6(a)和6(b)中，{B1，B2}～_o{BC1}，且{C1}～_o{BC1，BC2}。我们可得到图6(a)和6(b)的关系轮廓矩阵分别如图7、图8所示。根据算法1，分别按照对应关系将图7、8得到他们的伙伴矩阵如图9、10所示。BM₃·BM_p3与BM₄·BM_p4不同阶，那么根据算法1，我们可得到

一致度值越高代表该用户行为与预期行为越一致，一致度值越低代表该用户行为与预期行为越不一致，当一致度值特别低时，我们怀疑该用户行为为非法行为或者预期模型的构建存在问题。

该方法在存在重叠对应情况下，可以进行有效区分，从而大大增加了精度；在计算时间上，该方法可在O(n²)时间内解决。

经过实验证明，该方法在准确率和计算时间上都优于现有的研究。

以上所述，仅为本发明的较佳实施例，并非对本发明任何形式上和实质上的限制，应当指出，对于本技术领域的普通技术人员，在不脱离本发明的前提下，还将可以做出若干改进和补充，这些改进和补充也应视为本发明的保护范围。凡熟悉本专业的技术人员，在不脱离本发明的精神和范围的情况下，当可利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时，凡依据本发明的实质技术对上述实施例所作的任何等同变化的更动、修饰与演变，均仍属于本发明的技术方案的范围内。

Claims (1)

1.一种基于伙伴矩阵的交易系统的重叠对应行为一致性检测方法，其特征在于，包括以下步骤：

步骤1：根据现有用户行为模型分析重叠对应关系特征；将重叠对应关系分类，研究各个类的行为特征；将用户行为模型的对应关系映射到用户交易模型的具体实例中；

步骤2：根据用户行为特征建立关系轮廓，构建用户关系轮廓矩阵；把用户各个活动间的关系，建立用户关系轮廓；根据每两两活动间的关系轮廓，计算两个模型的基于关系轮廓的关系轮廓矩阵；

步骤3：根据用户重叠对应特征，计算关系轮廓矩阵的伙伴矩阵，计算用户行为一致性度，检测用户行为与预期行为的一致程度；根据用户重叠对应类，计算关系轮廓的伙伴矩阵；根据用户实时交易模型与预期模型的重叠对应关系及表示各个模型自身行为关系的关系轮廓矩阵，计算用户实时交易模型与预期模型的行为一致性；

步骤3.1：输入网模型(P₁，T₁，F₁；M₁)和(P₂，T₂，F₂；M₂)，一个对应关系～

关联着两个Petri网的变迁，他们的关系轮廓BS₁，

他们的关系轮廓矩阵BM₁、BM₂；

P表示库所集合，T表示变迁集合，F表示库所和变迁之间的有向弧集合，M表示标识；P₁，T₁，F₁；M₁和P₂，T₂，F₂；M₂分别代表两个网模型的库所、变迁、库所和变迁间的有向弧、标识；r₁，r₂，r₃，r₄，r₅，r₆代表关系轮廓中的6种行为关系；其中：

严格序关系

如果

排他序关系+：如果

类1交叉序关系r₁：如果

x和y不在环结构中，且σ(x，y)＝1；

类2交叉序关系r₂：如果

x和y不在环结构中，且σ(x，y)＞1；

类3交叉序关系r₃：如果

x和y在环结构中，且σ(x，y)＝1；

类4交叉序关系r₄：如果

x和y在环结构中，且σ(x，y)＞1；

类5交叉序关系r₅：如果

x和y不在环结构中，且σ(x，y)＝1；

类6交叉序关系r₆：如果

x和y在环结构中，且σ(x，y)＞1；

另：若

那么

σ(x，y)表示变迁x和y的同步距离；

表示x和y属于弱序关系；

表示x和y不属于弱序关系；

步骤3.2：将变迁集T₁和T₂按照对应关系分为n个对应集合形式，T_1，1～T_2，1，T_1，2～T_2，2，…，T_1，n～T_2，n是所有的对应关系，执行下一步骤；

步骤3.3：计算所有BM₁的伙伴矩阵BM_P1的元素，得到BM₁的伙伴矩阵BM_P1，执行下一步骤；

步骤3.4：计算所有BM₂的伙伴矩阵BM_P2的元素，得到BM₂的伙伴矩阵BM_P2，执行下一步骤；

步骤3.5：若BM₁·BM_p1与BM₂·BM_p2同阶，那么找到BM₁·BM_p1与BM₂·BM_p2，中相同位置中的不同元素，计算基于重叠对应关系的一致性度D_P，输出D_P，算法终止；否则执行下一步骤；

步骤3.6：比较BM₁·BM_p1与(BM₂·BM_p2)^T，计算BM₁·BM_p1与(BM₂·BM_p2)^T中相同位置中的不同元素，执行下一步骤；

步骤3.7：计算基于重叠对应关系的一致性度D_P，输出D_P，算法终止；其中D_p被定义为：

S_i，j表示矩阵BM₁·BM_p1与矩阵BM₂·BM_p2或(BM₂·BM_p2)^T中的相同位置的不同元素或不互逆元素。

Images