CN112182508A - 一种合规业务指标的异常监测方法及装置 - Google Patents
一种合规业务指标的异常监测方法及装置 Download PDFInfo
- Publication number
- CN112182508A CN112182508A CN202010974720.3A CN202010974720A CN112182508A CN 112182508 A CN112182508 A CN 112182508A CN 202010974720 A CN202010974720 A CN 202010974720A CN 112182508 A CN112182508 A CN 112182508A
- Authority
- CN
- China
- Prior art keywords
- service
- index
- monitoring
- business
- compliance
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Economics (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- General Business, Economics & Management (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Debugging And Monitoring (AREA)
Abstract
本说明书一个或多个实施例提供了一种合规业务指标的异常监测方法及装置,本技术方案可以应用于监管或者合规领域,该方法包括:接收业务接入节点针对目标业务所上传的业务统计数据;其中,该业务统计数据包括:与目标业务相关的多个业务指标的特征值。利用预先训练好的业务指标监测模型,针对每个业务指标,基于上述业务统计数据对该业务指标进行异常识别,得到相应的指标异常监测结果;其中,该业务指标监测模型是基于各业务指标在预设的多个合规监测维度下的业务指标基准数据训练得到的。根据各业务指标的指标异常监测结果,判断该业务指标是否存在异常。若是,则生成目标业务的异常告警提示信息,并向业务接入节点发送异常告警提示信息。
Description
技术领域
本文件涉及计算机领域,尤其涉及一种合规业务指标的异常监测方法及装置。
背景技术
目前,随着计算机通信技术的发展,同时随着互联网技术的快速发展,互联网在人们日常的学习、工作和生活中得到广泛的应用,因此,人们日常的各种事务都可以通过互联网来处理和呈现。其中,可以通过业务服务平台为用户提供相应的业务服务来实现,为了对目标业务的运行情况进行有效管控,通常需要对与目标业务相关的多个业务指标进行异常监控。
然而,当前针对与目标业务相关的多个业务指标进行异常监控的过程,主要是通过人工查看与目标业务相关的多个业务指标的特征值大小,人为分析业务指标是否异常,这样可能存在因业务指标的异常监控准确度、低滞后导致无法对目标业务的运行情况进行精准管控的问题。
发明内容
本说明书一个或多个实施例的目的是提供一种合规业务指标的异常监测方法。应用于业务监管平台,该合规业务指标的异常监测方法包括:
接收业务接入节点针对目标业务所上传的业务统计数据;其中,所述业务统计数据包括:与所述目标业务相关的多个业务指标的特征值,所述特征值是基于执行所述目标业务过程中所产生的合规业务数据确定的;
利用预先训练好的业务指标监测模型,针对每个所述业务指标,基于所述业务统计数据对该业务指标进行异常识别,得到相应的指标异常监测结果;其中,所述业务指标监测模型是基于各业务指标在预设的多个合规监测维度下的业务指标基准数据训练得到的;
根据各所述业务指标的所述指标异常监测结果,判断所述业务指标是否存在异常;
若是,则生成所述目标业务的异常告警提示信息,并向所述业务接入节点发送所述异常告警提示信息。
本说明书一个或多个实施例的目的是提供一种合规业务指标的异常监测装置。设置于业务监管平台,该合规业务指标的异常监测装置包括:
业务统计数据接收模块,其接收业务接入节点针对目标业务所上传的业务统计数据;其中,所述业务统计数据包括:与所述目标业务相关的多个业务指标的特征值,所述特征值是基于执行所述目标业务过程中所产生的合规业务数据确定的;
异常监测结果确定模块,其利用预先训练好的业务指标监测模型,针对每个所述业务指标,基于所述业务统计数据对该业务指标进行异常识别,得到相应的指标异常监测结果;其中,所述业务指标监测模型是基于各业务指标在预设的多个合规监测维度下的业务指标基准数据训练得到的;
业务指标异常判断模块,其根据各所述业务指标的所述指标异常监测结果,判断所述业务指标是否存在异常;
业务指标异常告警模块,其若判断结果为是,则生成所述目标业务的异常告警提示信息,并向所述业务接入节点发送所述异常告警提示信息。
本说明书一个或多个实施例的目的是提供一种合规业务指标的异常监测设备,包括:处理器;以及被安排成存储计算机可执行指令的存储器。
所述计算机可执行指令在被执行时使所述处理器
接收业务接入节点针对目标业务所上传的业务统计数据;其中,所述业务统计数据包括:与所述目标业务相关的多个业务指标的特征值,所述特征值是基于执行所述目标业务过程中所产生的合规业务数据确定的;
利用预先训练好的业务指标监测模型,针对每个所述业务指标,基于所述业务统计数据对该业务指标进行异常识别,得到相应的指标异常监测结果;其中,所述业务指标监测模型是基于各业务指标在预设的多个合规监测维度下的业务指标基准数据训练得到的;
根据各所述业务指标的所述指标异常监测结果,判断所述业务指标是否存在异常;
若是,则生成所述目标业务的异常告警提示信息,并向所述业务接入节点发送所述异常告警提示信息。
本说明书一个或多个实施例的目的是提供一种存储介质,用于存储计算机可执行指令。所述可执行指令在被处理器执行时
接收业务接入节点针对目标业务所上传的业务统计数据;其中,所述业务统计数据包括:与所述目标业务相关的多个业务指标的特征值,所述特征值是基于执行所述目标业务过程中所产生的合规业务数据确定的;
利用预先训练好的业务指标监测模型,针对每个所述业务指标,基于所述业务统计数据对该业务指标进行异常识别,得到相应的指标异常监测结果;其中,所述业务指标监测模型是基于各业务指标在预设的多个合规监测维度下的业务指标基准数据训练得到的;
根据各所述业务指标的所述指标异常监测结果,判断所述业务指标是否存在异常;
若是,则生成所述目标业务的异常告警提示信息,并向所述业务接入节点发送所述异常告警提示信息。
附图说明
为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书一个或多个中记载的一些实施例,对于本领域普通技术人员来讲,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为本说明书一个或多个实施例提供的合规业务指标的异常监测系统的应用场景示意图;
图2为本说明书一个或多个实施例提供的合规业务指标的异常监测方法的第一种流程示意图;
图3为本说明书一个或多个实施例提供的合规业务指标的异常监测方法的第二种流程示意图;
图4为本说明书一个或多个实施例提供的合规业务指标的异常监测方法的第三种流程示意图;
图5为本说明书一个或多个实施例提供的合规业务指标的异常监测装置的第一种模块组成示意图;
图6为本说明书一个或多个实施例提供的合规业务指标的异常监测装置的第二种模块组成示意图;
图7为本说明书一个或多个实施例提供的合规业务指标的异常监测设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书一个或多个中的技术方案,下面将结合本说明书一个或多个实施例中的附图,对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一个或多个一部分实施例,而不是全部的实施例。基于本说明书一个或多个中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本文件的保护范围。
需要说明的是,在不冲突的情况下,本说明书中的一个或多个实施例以及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本说明书一个或多个实施例。
本说明书一个或多个实施例提供了一种合规业务指标的异常监测方法及装置,利用预先训练好的业务指标监测模型,在多个合规监测维度下对与目标业务相关的业务指标进行异常识别,得到相应的指标异常监测结果,再基于该指标异常监测结果,判断与目标业务相关的业务指标是否存在异常,在确定出业务指标存在异常的情况下,及时发出异常警告提示信息,这样通过对业务指标在多个合规监测维度下的特征数据进行异常监测,提高了业务指标的异常监测准确度和效率,实现对业务指标的质量进行有效管控,从而实现基于高质量的业务指标的特征值对目标业务的运行情况进行精准管控,进而确保目标业务的运行更加安全。
图1为本说明书一个或多个实施例提供的合规业务指标的异常监测系统的应用场景示意图,如图1所示,该系统包括:业务监管平台和多个业务接入节点,其中,该多个业务接入节点均预先接入业务监管平台,并由业务接入节点向业务监管平台上报针对目标业务的业务统计数据,该业务接入节点可以是个人计算机等终端设备,还可以是业务服务器;该业务接入节点可以是外部业务提供节点直接接入业务监管平台,也可以是属于业务监管平台且用于获取外部业务提供节点的业务数据的接入节点,该业务监管平台用于对接入该业务监管平台的业务接入节点所上报的业务统计数据中的业务指标进行异常监测,该业务监管平台可以是独立的服务器,也可以是由多个服务器组成的服务器集群。
其中,上述合规业务指标的异常监测的具体过程为:
上述业务接入节点,基于在执行目标业务过程中所产生的合规业务数据,生成业务统计数据;其中,该业务统计数据包括:与目标业务相关的多个业务指标的特征值;
上述业务接入节点,将针对目标业务所生成的业务统计数据发送至业务监管平台;
上述业务监管平台,接收业务接入节点上传的包含与目标业务相关的多个业务指标的特征值的业务统计数据;
上述业务监管平台,利用预先训练好的业务指标监测模型,针对每个业务指标,基于上述业务统计数据对该业务指标进行异常识别,得到相应的指标异常监测结果;其中,该业务指标监测模型是基于各业务指标在预设的多个合规监测维度下的业务指标基准数据训练得到的;
上述业务监管平台,根据各业务指标的指标异常监测结果,判断该业务指标是否存在异常。
上述业务监管平台,若确定任一业务指标存在异常,则生成目标业务的异常告警提示信息,并向业务接入节点发送该异常告警提示信息。
在上述应用场景中,利用预先训练好的业务指标监测模型,在多个合规监测维度下对与目标业务相关的业务指标进行异常识别,得到相应的指标异常监测结果,再基于该指标异常监测结果,判断与目标业务相关的业务指标是否存在异常,在确定出业务指标存在异常的情况下,及时发出异常警告提示信息,这样通过对业务指标在多个合规监测维度下的特征数据进行异常监测,提高了业务指标的异常监测准确度和效率,实现对业务指标的质量进行有效管控,从而实现基于高质量的业务指标的特征值对目标业务的运行情况进行精准管控,进而确保目标业务的运行更加安全。
图2为本说明书一个或多个实施例提供的合规业务指标的异常监测方法的第一种流程示意图,图2中的方法能够由图1中的业务监管平台执行,如图2所示,该方法至少包括以下步骤:
S202,接收业务接入节点针对目标业务所上传的业务统计数据;其中,该业务统计数据包括:与目标业务相关的多个业务指标的特征值,该特征值是基于执行目标业务过程中所产生的合规业务数据确定的;
其中,上述目标业务可以是跨境支付业务,也可以是用户信用服务业务,还可以是其他线上服务业务;例如,针对目标业务为跨境支付业务的情况,与目标业务相关的多个业务指标可以包括:跨境商户数、跨境交易额、交易商户数、交易商户数占比等等。
S204,利用预先训练好的业务指标监测模型,针对每个业务指标,基于接收到的业务统计数据对该业务指标进行异常识别,得到相应的指标异常监测结果;其中,该业务指标监测模型是基于各业务指标在预设的多个合规监测维度下的业务指标基准数据训练得到的;
其中,上述合规监测维度包括:指标统计周期、指标产出时效、指标细化分类组合、指标特征值类型和指标特征值波动范围中任一项;上述业务指标基准数据可以是基于业务指标在某一合规监测维度下的历史特征数据或预设约束条件所确定的,例如,以业务指标为跨境交易额,合规监测维度为指标特征值波动范围为例,基于历史预设时间段内的跨境交易额的实际波动范围,确定跨境交易额在指标特征值波动范围的监测维度下的基准波动范围;
又如,以业务指标为跨境交易额,合规监测维度为指标统计周期为例,若预先约定跨境交易额为日指标,则跨境交易额在指标统计周期下的业务指标基准数据为每日统计上报。
S206,根据各业务指标的指标异常监测结果,判断与目标业务相关的业务指标是否存在异常;
其中,针对每个业务指标,上述指标异常监测结果包括:该业务指标在各合规监测维度下的业务指标实际数据与业务指标基准数据的比对结果;具体的,可以预先设置判定业务指标异常的约束条件,例如,若该业务指标在任一合规监测维度下的实际数据与基准数据不匹配,则确定业务指标异常;又如,若该业务指标在第一合规监测维度下的实际数据与基准数据不匹配,且在第二合规监测维度下的实际数据与基准数据不匹配,则确定业务指标异常;在具体实施时,判定业务指标异常的约束条件可以根据实际情况进行设定。
若判断结果为是,则执行S208,生成目标业务的异常告警提示信息,并向相应的业务接入节点发送该异常告警提示信息;
具体的,在基于业务指标在各合规监测维度下的业务指标实际数据与业务指标基准数据的比对结果确定出业务指标异常的情况下,自动生成相应的异常告警提示信息,以便业务接入节点确定业务指标异常原因,并对该异常业务指标进行相应的异常管控;对应的,若确定与目标业务相关的业务指标均正常,则将该与业务指标相关的合规业务数据记录并存储在指定存储设备中,并可以将目标业务的标识等对应存储。
本说明书一个或多个实施例中,利用预先训练好的业务指标监测模型,在多个合规监测维度下对与目标业务相关的业务指标进行异常识别,得到相应的指标异常监测结果,再基于该指标异常监测结果,判断与目标业务相关的业务指标是否存在异常,在确定出业务指标存在异常的情况下,及时发出异常警告提示信息,这样通过对业务指标在多个合规监测维度下的特征数据进行异常监测,提高了业务指标的异常监测准确度和效率,实现对业务指标的质量进行有效管控,从而实现基于高质量的业务指标的特征值对目标业务的运行情况进行精准管控,进而确保目标业务的运行更加安全。
其中,上述合规监测维度包括:指标统计周期、指标产出时效、指标细化分类组合、指标特征值类型和指标特征值波动范围中至少一项;
对应的,如图3所示,上述S204,利用预先训练好的业务指标监测模型,针对每个业务指标,基于上述业务统计数据对该业务指标进行异常识别,得到相应的指标异常监测结果,具体包括:
S2042,利用预先训练好的业务指标监测模型,针对每个业务指标,基于与该业务指标相关的业务统计数据,确定该业务指标在各合规监测维度下的业务指标实际数据;其中,该业务指标监测模型是基于各业务指标在预设的多个合规监测维度下的业务指标基准数据训练得到的;
S2044,针对每个合规监测维度,将该业务指标在该合规监测维度下的业务指标实际数据与对应的业务指标基准数据进行比对,得到该业务指标在该合规监测维度下的子异常监测结果;
S2046,基于该业务指标在各合规监测维度下的子异常监测结果,确定该业务指标的指标异常监测结果。
具体的,若合规监测维度包括:指标统计周期,则某一业务指标在该指标统计周期下的业务指标实际数据为业务指标的实际统计周期,该业务指标在该指标统计周期下的业务指标基准数据为预设统计周期,若业务指标为周指标,则该预设统计周期为一周;对应的,若业务指标为周指标且确定出业务指标的实际统计周期超过一周,则确定业务指标在该指标统计周期下的子异常监测结果为异常。
若合规监测维度包括:指标产出时效,则某一业务指标在该指标产出时效下的业务指标实际数据为业务指标的实际产出时效,该业务指标在该指标产出时效下的业务指标基准数据为预设产出时效,以业务指标的预设产出时效为每日上午9时为例,若确定出业务指标的实际产出时效晚于上午9时,则确定业务指标在该指标产出时效下的子异常监测结果为异常。
若合规监测维度包括:指标细化分类组合,则某一业务指标在该指标细化分类组合下的业务指标实际数据为实际细化分类组合个数,该业务指标在该指标细化分类组合下的业务指标基准数据为理论细化分类组合个数,以业务指标的理论细化分类组合个数等于6为例,若确定出业务指标的实际细化分类组合个数不等于6,则确定业务指标在该指标细化分类组合下的子异常监测结果为异常;例如,以业务指标为跨境商户数为例,若跨境商户数分为黑名单、白名单和灰名单这三类,每一类又分为线上商户和线下商户这两类,则跨境商户数这一业务指标的理论细化分类组合个数等于6,则需要监测跨境商户数的实际细化分类组合是否为6,来确定跨境商户数在指标细化分类组合这一监测维度下的子异常监测结果是否为异常。
若合规监测维度包括:指标特征值类型,则某一业务指标在该指标特征值类型下的业务指标实际数据为实际特征值类型,该业务指标在该指标特征值类型下的业务指标基准数据为理论特征值类型,以业务指标的理论特征值类型为统计型数据为例,若确定出业务指标的实际特征值类型为小数,则确定业务指标在该指标特征值类型下的子异常监测结果为异常;例如,以业务指标为交易商户数占比为例,交易商户数占比这一业务指标的理论特征值类型为百分比数值,则需要监测交易商户数占比的实际特征值类型是否为百分比数据,来确定实际商户数占比在指标特征值类型这一监测维度下的子异常监测结果是否为异常。
若合规监测维度包括:指标特征值波动范围,则某一业务指标在该指标特征值波动范围下的业务指标实际数据为实际特征值波动范围,该业务指标在该指标特征值波动范围下的业务指标基准数据为理论特征值波动范围,以业务指标的理论特征值波动范围为50%至80%为例,若确定出业务指标的实际特征值波动范围不在50%至80%范围内,则确定业务指标在该指标特征值波动范围下的子异常监测结果为异常。
进一步的,考虑到业务指标在某些监测维度下的特征数据是可以预测的,因此,针对此类指定监测维度,通过事先预测业务指标在该指定监测维度下的预测数据,以便于对业务指标在未来预设时间段内可能存在的异常情况进行事先管控,基于此,若上述合规监测维度包括:指定监测维度和非指定监测维度,该指定监测维度包括:指标产出时效和指标特征值波动范围;上述业务指标监测模型是基于各业务指标在多个合规监测维度下的业务指标基准数据、以及利用动态拟合算法基于各业务指标在指定监测维度下的历史特征数据训练得到的;
对应的,如图4所示,在上述S2046,基于该业务指标在各合规监测维度下的子异常监测结果,确定该业务指标的指标异常监测结果之前,还包括:
S2048,利用上述业务指标监测模型,针对每个业务指标,确定该业务指标在各指定监测维度下的业务指标预测数据;其中,该业务指标监测模型还利用动态拟合算法基于各业务指标在指定监测维度下的历史特征数据训练得到的;
S2050,针对每个指定监测维度,将该业务指标在该合规监测维度下的业务指标预测数据与对应的业务指标基准数据进行比对,得到该业务指标在该指定监测维度下的子异常监测结果。
具体的,上述S2046中的业务指标在各合规监测维度下的子异常监测结果包括:基于业务指标实际数据所得到的子异常监测结果、以及基于业务指标预测数据所得到的子异常监测结果;也就是说,以指定监测维度为指标产出时效为例,某一业务指标在该指标产出时效下的子异常监测结果包括:将业务指标实际数据与业务指标标准数据进行比对得到的子异常监测结果,还包括:将业务指标预测数据与业务指标标准数据进行比对得到的子异常监测结果。
例如,针对指定监测维度为指标产出时效的情况,利用上述业务指标监测模型并基于历史预设时间段内的指标产出时效,预测在未来预设时间段内业务指标的指标产出时效,将该指标产出时效与该业务指标的产出时效基准值进行比对,得到业务指标在指标产出时效这一合规监测维度下的子异常监测结果;
又如,针对指定监测维度为指标特征值波动范围的情况,利用上述业务指标监测模型并基于历史预设时间段内的指标特征值波动范围,预测在未来预设时间段内业务指标的指标特征值波动范围,将该指标值波动范围与该业务指标的基准波动范围进行比对,得到业务指标在指标特征值波动范围这一合规监测维度下的子异常监测结果。
其中,为了进一步提高业务指标的异常监测准确度,从而进一步确保目标业务的运行更加安全,可以针对每个业务指标分别训练得到相应的业务指标子监测模型,基于此,上述业务指标监测模型包括:针对各业务指标所训练的多个业务指标子监测模型;
对应的,上述S204,利用预先训练好的业务指标监测模型,针对每个业务指标,基于上述业务统计数据对该业务指标进行异常识别,得到相应的指标异常监测结果,具体包括:
针对每个业务指标,根据预存的指标-模型索引之间的映射关系,确定与该业务指标对应的子模型索引信息;
在针对各业务指标所训练的多个业务指标子监测模型中,基于确定出的子模型索引信息,获取与业务指标对应的业务指标子监测模型;
利用获取到的业务指标子监测模型,基于与该业务指标相关的业务统计数据对该业务指标进行异常识别,得到相应的指标异常监测结果。
进一步的,为了提高针对业务指标进行异常监测过程的安全性,可以在业务监管平台中的指标异常监测服务器中部署有预设可信应用和可信执行环境TEE,基于此,上述S202,接收业务接入节点针对目标业务所上传的业务统计数据,具体包括:
通过预设可信应用接收业务接入节点针对目标业务所上传的业务统计数据;
对应的,上述S204,利用预先训练好的业务指标监测模型,针对每个业务指标,基于上述业务统计数据对该业务指标进行异常识别,得到相应的指标异常监测结果,具体包括:
步骤一,通过上述预设可信应用将接收到的业务统计数据传递至可信执行环境,其中,该可信执行环境中部署有预先训练好的业务指标监测模型;
步骤二,在上述可信执行环境中,利用预先训练好的业务指标监测模型,针对每个业务指标,基于与该业务指标相关的业务统计数据对该业务指标进行异常识别,得到相应的指标异常监测结果。
进一步的,为了确保业务统计数据的来源安全性,上述通过预设可信应用接收业务接入节点针对目标业务所上传的业务统计数据,具体包括:
通过预设可信应用接收业务接入节点针对目标业务所上传的业务统计数据和上述业务接入节点对应的可验证声明;其中,该可验证声明可以是用于表征业务接入节点唯一性身份的声明信息。
对应的,上述步骤一,通过上述预设可信应用将接收到的业务统计数据传递至可信执行环境,具体包括:
通过上述预设可信应用将接收到的业务统计数据和业务接入节点的可验证声明传递至可信执行环境;
对应的,上述步骤二,在上述可信执行环境中,利用预先训练好的业务指标监测模型,针对每个业务指标,基于与该业务指标相关的业务统计数据对该业务指标进行异常识别,得到相应的指标异常监测结果,具体包括:
在上述可信执行环境中,对业务接入节点对应的可验证声明的有效性进行验证;
若验证结果为有效,则利用预先训练好的业务指标监测模型,针对每个业务指标,基于与该业务指标相关的业务统计数据对该业务指标进行异常识别,得到相应的指标异常监测结果。
其中,可验证声明可以是用于描述个人、组织等实体所具有的某些属性的一种规范性的信息,可验证声明可以实现基于证据的信任,可以通过可验证声明,向其他实体证明当前实体的某些属性的信息是可信的。可验证声明中可以包括多个不同的字段和相应的字段值。
在具体实施时,预设可信应用不仅将业务统计数据传递至上述可信执行环境中,还将业务接入节点对应的可验证声明传递至上述可信执行环境中。上述可信执行环境中包含上述业务统计数据和可验证声明后,可以先对可验证声明进行验证,以判断该可验证声明是否有效,在确定可验证声明有效的情况下,再基于可验证声明进行相应处理,从而进一步保证数据处理的安全性。具体地,对可验证声明进行验证可以包括多种方式,例如,可以获取对可验证声明中包含的字段值通过预定的算法进行计算(例如可以通过哈希算法计算可验证声明中包含的字段值的哈希值等),得到相应的计算结果。可验证声明中还包括上述计算结果的基准值,可以将得到的计算结果与可验证声明中的基准值进行比较,如果两者相同,则验证通过,即可验证声明有效,如果两者不相同,则验证失败,即可验证声明无效。
其中,针对业务指标监测模型的训练过程,基于此,在S202,接收业务接入节点针对目标业务所上传的业务统计数据之前,还包括:
步骤一,确定与目标业务相关的各业务指标在多个合规监测维度下的业务指标基准数据;
具体的,可以是基于业务指标在某一合规监测维度下的历史特征数据或预设约束条件确定相应的业务指标基准数据,例如,以业务指标为跨境交易额,合规监测维度为指标特征值波动范围为例,基于历史预设时间段内的跨境交易额的实际波动范围,确定跨境交易额在指标特征值波动范围的监测维度下的基准波动范围;
又如,以业务指标为跨境交易额,合规监测维度为指标统计周期为例,若预先约定跨境交易额为日指标,则跨境交易额在指标统计周期下的业务指标基准数据为每日统计上报。
步骤二,获取与目标业务相关的各业务指标在上述合规监测维度中的指定监测维度下的历史特征数据;
步骤三,基于确定出的业务指标基准数据,对初始业务指标监测模型进行模型参数训练,得到中间业务指标监测模型;
具体的,基于业务指标在各合规监测维度下的业务指标基准数据对初始业务指标监测模型进行模型参数训练,这样训练得到的业务指标监测模型能够用于针对业务指标在各合规监测维度下的实际特征数据进行异常监测,确定业务指标在该合规监测维度下是否异常。
步骤四,利用动态拟合算法并基于各业务指标在各指定监测维度下的历史特征数据,对上述中间业务指标监测模型进行模型参数训练,得到训练好的业务指标监测模型;
具体的,上述业务指标监测模型可以通过动态的拟合算法构建,其中的动态的拟合算法可以是一种基于动态数据的拟合算法,可以是通过相应的数据点,基于数据拟合的方式得到上述数据点所反映的该数据点对应的对象的变化趋势的算法,动态的拟合算法可以包括多种,例如最小二乘法等,这样训练得到的业务指标监测模型能够用于针对业务指标在指定监测维度下的特征数据进行预测,得到业务指标在该指定监测维度下的预测数据,在将该预测数据与相应的基准数据进行比对,从而实现对未来时间节点可能存在异常的业务指标进行事先管控。
本说明书一个或多个实施例中的合规业务指标的异常监测方法,接收业务接入节点针对目标业务所上传的业务统计数据;其中,该业务统计数据包括:与目标业务相关的多个业务指标的特征值,该特征值是基于执行目标业务过程中所产生的合规业务数据确定的。利用预先训练好的业务指标监测模型,针对每个业务指标,基于上述业务统计数据对该业务指标进行异常识别,得到相应的指标异常监测结果;其中,该业务指标监测模型是基于各业务指标在预设的多个合规监测维度下的业务指标基准数据训练得到的。根据各业务指标的指标异常监测结果,判断该业务指标是否存在异常。若是,则生成目标业务的异常告警提示信息,并向业务接入节点发送异常告警提示信息。本说明书一个或多个实施例中,利用预先训练好的业务指标监测模型,在多个合规监测维度下对与目标业务相关的业务指标进行异常识别,得到相应的指标异常监测结果,再基于该指标异常监测结果,判断与目标业务相关的业务指标是否存在异常,在确定出业务指标存在异常的情况下,及时发出异常警告提示信息,这样通过对业务指标在多个合规监测维度下的特征数据进行异常监测,提高了业务指标的异常监测准确度和效率,实现对业务指标的质量进行有效管控,从而实现基于高质量的业务指标的特征值对目标业务的运行情况进行精准管控,进而确保目标业务的运行更加安全。
对应上述图2至图4描述的合规业务指标的异常监测方法,基于相同的技术构思,本说明书一个或多个实施例还提供了一种合规业务指标的异常监测装置,图5为本说明书一个或多个实施例提供的合规业务指标的异常监测装置的第一种模块组成示意图,该装置设置于业务监管平台,用于执行图2至图4描述的合规业务指标的异常监测方法,如图5所示,该装置包括:
业务统计数据接收模块502,其接收业务接入节点针对目标业务所上传的业务统计数据;其中,所述业务统计数据包括:与所述目标业务相关的多个业务指标的特征值,所述特征值是基于执行所述目标业务过程中所产生的合规业务数据确定的;
异常监测结果确定模块504,其利用预先训练好的业务指标监测模型,针对每个所述业务指标,基于所述业务统计数据对该业务指标进行异常识别,得到相应的指标异常监测结果;其中,所述业务指标监测模型是基于各业务指标在预设的多个合规监测维度下的业务指标基准数据训练得到的;
业务指标异常判断模块506,其根据各所述业务指标的所述指标异常监测结果,判断所述业务指标是否存在异常;
业务指标异常告警模块508,其若判断结果为是,则生成所述目标业务的异常告警提示信息,并向所述业务接入节点发送所述异常告警提示信息。
本说明书一个或多个实施例中,利用预先训练好的业务指标监测模型,在多个合规监测维度下对与目标业务相关的业务指标进行异常识别,得到相应的指标异常监测结果,再基于该指标异常监测结果,判断与目标业务相关的业务指标是否存在异常,在确定出业务指标存在异常的情况下,及时发出异常警告提示信息,这样通过对业务指标在多个合规监测维度下的特征数据进行异常监测,提高了业务指标的异常监测准确度和效率,实现对业务指标的质量进行有效管控,从而实现基于高质量的业务指标的特征值对目标业务的运行情况进行精准管控,进而确保目标业务的运行更加安全。
可选地,所述合规监测维度包括:指标统计周期、指标产出时效、指标细化分类组合、指标特征值类型和指标特征值波动范围中至少一项;
所述异常监测结果确定模块504,其:
利用预先训练好的业务指标监测模型,针对每个所述业务指标,基于所述业务统计数据,确定该业务指标在各所述合规监测维度下的业务指标实际数据;
针对每个所述合规监测维度,将该业务指标的所述业务指标实际数据与对应的所述业务指标基准数据进行比对,得到该业务指标在该合规监测维度下的子异常监测结果;
基于该业务指标在各所述合规监测维度下的所述子异常监测结果,确定该业务指标的指标异常监测结果。
可选地,若所述合规监测维度包括:指定监测维度和非指定监测维度,所述指定监测维度包括:指标产出时效和指标特征值波动范围;所述业务指标监测模型是基于各业务指标在多个所述合规监测维度下的业务指标基准数据、以及利用动态拟合算法基于各业务指标在所述指定监测维度下的历史特征数据训练得到的;
所述异常监测结果确定模块504,其:
利用所述业务指标监测模型,针对每个所述业务指标,确定该业务指标在各所述指定监测维度下的业务指标预测数据;
针对每个所述指定监测维度,将该业务指标的所述业务指标预测数据与对应的所述业务指标基准数据进行比对,得到该业务指标在该指定监测维度下的子异常监测结果。
可选地,所述业务指标监测模型包括:针对各业务指标所训练的多个业务指标子监测模型;
所述异常监测结果确定模块504,其:
针对每个所述业务指标,根据预存的指标-模型索引之间的映射关系,确定与该业务指标对应的子模型索引信息;
基于所述子模型索引信息,获取与所述业务指标对应的业务指标子监测模型;
利用所述业务指标子监测模型,基于所述业务统计数据对所述业务指标进行异常识别,得到相应的指标异常监测结果。
可选地,所述业务统计数据接收模块502,其:
通过预设可信应用接收业务接入节点针对目标业务所上传的业务统计数据;
对应的,所述异常监测结果确定模块504,其:
通过所述预设可信应用将所述业务统计数据传递至可信执行环境,其中,所述可信执行环境中部署有预先训练好的业务指标监测模型;
在所述可信执行环境中,利用所述业务指标监测模型,针对每个所述业务指标,基于所述业务统计数据对该业务指标进行异常识别,得到相应的指标异常监测结果。
可选地,所述业务统计数据接收模块502,其:
通过预设可信应用接收业务接入节点针对目标业务所上传的业务统计数据和所述业务接入节点对应的可验证声明;
对应的,上述异常监测结果确定模块504,其:
通过所述预设可信应用将所述业务统计数据和所述可验证声明传递至可信执行环境;
在所述可信执行环境中,对所述业务接入节点对应的所述可验证声明的有效性进行验证;
若验证结果为有效,则利用所述业务指标监测模型,针对每个所述业务指标,基于所述业务统计数据对该业务指标进行异常识别,得到相应的指标异常监测结果。
可选地,如图6所示,所述装置还包括:指标监测模型训练模块510,其:
确定与目标业务相关的各业务指标在多个合规监测维度下的业务指标基准数据;以及,
获取与目标业务相关的各业务指标在所述合规监测维度中的指定监测维度下的历史特征数据;
基于所述业务指标基准数据对初始业务指标监测模型进行模型参数训练,得到中间业务指标监测模型;
利用动态拟合算法并基于各所述业务指标在所述指定监测维度下的所述历史特征数据对所述中间业务指标监测模型进行模型参数训练,得到训练好的业务指标监测模型。
本说明书一个或多个实施例中的合规业务指标的异常监测装置,接收业务接入节点针对目标业务所上传的业务统计数据;其中,该业务统计数据包括:与目标业务相关的多个业务指标的特征值,该特征值是基于执行目标业务过程中所产生的合规业务数据确定的。利用预先训练好的业务指标监测模型,针对每个业务指标,基于上述业务统计数据对该业务指标进行异常识别,得到相应的指标异常监测结果;其中,该业务指标监测模型是基于各业务指标在预设的多个合规监测维度下的业务指标基准数据训练得到的。根据各业务指标的指标异常监测结果,判断该业务指标是否存在异常。若是,则生成目标业务的异常告警提示信息,并向业务接入节点发送异常告警提示信息。本说明书一个或多个实施例中,利用预先训练好的业务指标监测模型,在多个合规监测维度下对与目标业务相关的业务指标进行异常识别,得到相应的指标异常监测结果,再基于该指标异常监测结果,判断与目标业务相关的业务指标是否存在异常,在确定出业务指标存在异常的情况下,及时发出异常警告提示信息,这样通过对业务指标在多个合规监测维度下的特征数据进行异常监测,提高了业务指标的异常监测准确度和效率,实现对业务指标的质量进行有效管控,从而实现基于高质量的业务指标的特征值对目标业务的运行情况进行精准管控,进而确保目标业务的运行更加安全。
需要说明的是,本说明书中关于合规业务指标的异常监测装置的实施例与本说明书中关于合规业务指标的异常监测方法的实施例基于同一发明构思,因此该实施例的具体实施可以参见前述对应的合规业务指标的异常监测方法的实施,重复之处不再赘述。
进一步地,对应上述图2至图4所示的方法,基于相同的技术构思,本说明书一个或多个实施例还提供了一种合规业务指标的异常监测设备,该设备用于执行上述的合规业务指标的异常监测方法,如图7所示。
合规业务指标的异常监测设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上的处理器701和存储器702,存储器702中可以存储有一个或一个以上存储应用程序或数据。其中,存储器702可以是短暂存储或持久存储。存储在存储器702的应用程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括对合规业务指标的异常监测设备中的一系列计算机可执行指令。更进一步地,处理器701可以设置为与存储器702通信,在合规业务指标的异常监测设备上执行存储器702中的一系列计算机可执行指令。合规业务指标的异常监测设备还可以包括一个或一个以上电源703,一个或一个以上有线或无线网络接口704,一个或一个以上输入输出接口705,一个或一个以上键盘706等。
在一个具体的实施例中,合规业务指标的异常监测设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对合规业务指标的异常监测设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
接收业务接入节点针对目标业务所上传的业务统计数据;其中,所述业务统计数据包括:与所述目标业务相关的多个业务指标的特征值,所述特征值是基于执行所述目标业务过程中所产生的合规业务数据确定的;
利用预先训练好的业务指标监测模型,针对每个所述业务指标,基于所述业务统计数据对该业务指标进行异常识别,得到相应的指标异常监测结果;其中,所述业务指标监测模型是基于各业务指标在预设的多个合规监测维度下的业务指标基准数据训练得到的;
根据各所述业务指标的所述指标异常监测结果,判断所述业务指标是否存在异常;
若是,则生成所述目标业务的异常告警提示信息,并向所述业务接入节点发送所述异常告警提示信息。
可选地,计算机可执行指令在被执行时,所述合规监测维度包括:指标统计周期、指标产出时效、指标细化分类组合、指标特征值类型和指标特征值波动范围中至少一项;
所述利用预先训练好的业务指标监测模型,针对每个所述业务指标,基于所述业务统计数据对该业务指标进行异常识别,得到相应的指标异常监测结果,包括:
利用预先训练好的业务指标监测模型,针对每个所述业务指标,基于所述业务统计数据,确定该业务指标在各所述合规监测维度下的业务指标实际数据;
针对每个所述合规监测维度,将该业务指标的所述业务指标实际数据与对应的所述业务指标基准数据进行比对,得到该业务指标在该合规监测维度下的子异常监测结果;
基于该业务指标在各所述合规监测维度下的所述子异常监测结果,确定该业务指标的指标异常监测结果。
可选地,计算机可执行指令在被执行时,若所述合规监测维度包括:指定监测维度和非指定监测维度,所述指定监测维度包括:指标产出时效和指标特征值波动范围;所述业务指标监测模型是基于各业务指标在多个所述合规监测维度下的业务指标基准数据、以及利用动态拟合算法基于各业务指标在所述指定监测维度下的历史特征数据训练得到的;
在基于该业务指标在各所述合规监测维度下的所述子异常监测结果,确定该业务指标的指标异常监测结果之前,还包括:
利用所述业务指标监测模型,针对每个所述业务指标,确定该业务指标在各所述指定监测维度下的业务指标预测数据;
针对每个所述指定监测维度,将该业务指标的所述业务指标预测数据与对应的所述业务指标基准数据进行比对,得到该业务指标在该指定监测维度下的子异常监测结果。
可选地,计算机可执行指令在被执行时,所述业务指标监测模型包括:针对各业务指标所训练的多个业务指标子监测模型;
所述利用预先训练好的业务指标监测模型,针对每个所述业务指标,基于所述业务统计数据对该业务指标进行异常识别,得到相应的指标异常监测结果,包括:
针对每个所述业务指标,根据预存的指标-模型索引之间的映射关系,确定与该业务指标对应的子模型索引信息;
基于所述子模型索引信息,获取与所述业务指标对应的业务指标子监测模型;
利用所述业务指标子监测模型,基于所述业务统计数据对所述业务指标进行异常识别,得到相应的指标异常监测结果。
可选地,计算机可执行指令在被执行时,在接收业务接入节点针对目标业务所上传的业务统计数据之前,还包括:
确定与目标业务相关的各业务指标在多个合规监测维度下的业务指标基准数据;以及,
获取与目标业务相关的各业务指标在所述合规监测维度中的指定监测维度下的历史特征数据;
基于所述业务指标基准数据对初始业务指标监测模型进行模型参数训练,得到中间业务指标监测模型;
利用动态拟合算法并基于各所述业务指标在所述指定监测维度下的所述历史特征数据对所述中间业务指标监测模型进行模型参数训练,得到训练好的业务指标监测模型。
本说明书一个或多个实施例中的合规业务指标的异常监测设备,接收业务接入节点针对目标业务所上传的业务统计数据;其中,该业务统计数据包括:与目标业务相关的多个业务指标的特征值,该特征值是基于执行目标业务过程中所产生的合规业务数据确定的。利用预先训练好的业务指标监测模型,针对每个业务指标,基于上述业务统计数据对该业务指标进行异常识别,得到相应的指标异常监测结果;其中,该业务指标监测模型是基于各业务指标在预设的多个合规监测维度下的业务指标基准数据训练得到的。根据各业务指标的指标异常监测结果,判断该业务指标是否存在异常。若是,则生成目标业务的异常告警提示信息,并向业务接入节点发送异常告警提示信息。本说明书一个或多个实施例中,利用预先训练好的业务指标监测模型,在多个合规监测维度下对与目标业务相关的业务指标进行异常识别,得到相应的指标异常监测结果,再基于该指标异常监测结果,判断与目标业务相关的业务指标是否存在异常,在确定出业务指标存在异常的情况下,及时发出异常警告提示信息,这样通过对业务指标在多个合规监测维度下的特征数据进行异常监测,提高了业务指标的异常监测准确度和效率,实现对业务指标的质量进行有效管控,从而实现基于高质量的业务指标的特征值对目标业务的运行情况进行精准管控,进而确保目标业务的运行更加安全。
需要说明的是,本说明书中关于合规业务指标的异常监测设备的实施例与本说明书中关于合规业务指标的异常监测方法的实施例基于同一发明构思,因此该实施例的具体实施可以参见前述对应的合规业务指标的异常监测方法的实施,重复之处不再赘述。
进一步地,对应上述图2至图4所示的方法,基于相同的技术构思,本说明书一个或多个实施例还提供了一种存储介质,用于存储计算机可执行指令,一种具体的实施例中,该存储介质可以为U盘、光盘、硬盘等,该存储介质存储的计算机可执行指令在被处理器执行时,能实现以下流程:
接收业务接入节点针对目标业务所上传的业务统计数据;其中,所述业务统计数据包括:与所述目标业务相关的多个业务指标的特征值,所述特征值是基于执行所述目标业务过程中所产生的合规业务数据确定的;
利用预先训练好的业务指标监测模型,针对每个所述业务指标,基于所述业务统计数据对该业务指标进行异常识别,得到相应的指标异常监测结果;其中,所述业务指标监测模型是基于各业务指标在预设的多个合规监测维度下的业务指标基准数据训练得到的;
根据各所述业务指标的所述指标异常监测结果,判断所述业务指标是否存在异常;
若是,则生成所述目标业务的异常告警提示信息,并向所述业务接入节点发送所述异常告警提示信息。
本说明书一个或多个实施例中的存储介质存储的计算机可执行指令在被处理器执行时,接收业务接入节点针对目标业务所上传的业务统计数据;其中,该业务统计数据包括:与目标业务相关的多个业务指标的特征值,该特征值是基于执行目标业务过程中所产生的合规业务数据确定的。利用预先训练好的业务指标监测模型,针对每个业务指标,基于上述业务统计数据对该业务指标进行异常识别,得到相应的指标异常监测结果;其中,该业务指标监测模型是基于各业务指标在预设的多个合规监测维度下的业务指标基准数据训练得到的。根据各业务指标的指标异常监测结果,判断该业务指标是否存在异常。若是,则生成目标业务的异常告警提示信息,并向业务接入节点发送异常告警提示信息。本说明书一个或多个实施例中,利用预先训练好的业务指标监测模型,在多个合规监测维度下对与目标业务相关的业务指标进行异常识别,得到相应的指标异常监测结果,再基于该指标异常监测结果,判断与目标业务相关的业务指标是否存在异常,在确定出业务指标存在异常的情况下,及时发出异常警告提示信息,这样通过对业务指标在多个合规监测维度下的特征数据进行异常监测,提高了业务指标的异常监测准确度和效率,实现对业务指标的质量进行有效管控,从而实现基于高质量的业务指标的特征值对目标业务的运行情况进行精准管控,进而确保目标业务的运行更加安全。
需要说明的是,本说明书中关于存储介质的实施例与本说明书中关于合规业务指标的异常监测方法的实施例基于同一发明构思,因此该实施例的具体实施可以参见前述对应的合规业务指标的异常监测方法的实施,重复之处不再赘述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。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。
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)、HD Cal、JHDL(Java Hardware Description Language)、Lava、Lola、My HDL、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,在实施本说明书一个或多个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,本说明书一个或多个的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书一个或多个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,本说明书一个或多个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。
本说明书一个或多个是参照根据本说明书一个或多个实施例的方法、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。
本领域技术人员应明白,本说明书一个或多个的实施例可提供为方法、系统或计算机程序产品。因此,本说明书一个或多个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,本说明书一个或多个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。
本说明书一个或多个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说明书一个或多个,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。
以上所述仅为本说明书一个或多个的实施例而已,并不用于限制本说明书一个或多个。对于本领域技术人员来说,本说明书一个或多个可以有各种更改和变化。凡在本说明书一个或多个的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书一个或多个的权利要求范围之内。
Claims (16)
1.一种合规业务指标的异常监测方法,应用于业务监管平台,包括:
接收业务接入节点针对目标业务所上传的业务统计数据;其中,所述业务统计数据包括:与所述目标业务相关的多个业务指标的特征值,所述特征值是基于执行所述目标业务过程中所产生的合规业务数据确定的;
利用预先训练好的业务指标监测模型,针对每个所述业务指标,基于所述业务统计数据对该业务指标进行异常识别,得到相应的指标异常监测结果;其中,所述业务指标监测模型是基于各业务指标在预设的多个合规监测维度下的业务指标基准数据训练得到的;
根据各所述业务指标的所述指标异常监测结果,判断所述业务指标是否存在异常;
若是,则生成所述目标业务的异常告警提示信息,并向所述业务接入节点发送所述异常告警提示信息。
2.根据权利要求1所述的方法,其中,所述合规监测维度包括:指标统计周期、指标产出时效、指标细化分类组合、指标特征值类型和指标特征值波动范围中至少一项;
所述利用预先训练好的业务指标监测模型,针对每个所述业务指标,基于所述业务统计数据对该业务指标进行异常识别,得到相应的指标异常监测结果,包括:
利用预先训练好的业务指标监测模型,针对每个所述业务指标,基于所述业务统计数据,确定该业务指标在各所述合规监测维度下的业务指标实际数据;
针对每个所述合规监测维度,将该业务指标的所述业务指标实际数据与对应的所述业务指标基准数据进行比对,得到该业务指标在该合规监测维度下的子异常监测结果;
基于该业务指标在各所述合规监测维度下的所述子异常监测结果,确定该业务指标的指标异常监测结果。
3.根据权利要求2所述的方法,其中,若所述合规监测维度包括:指定监测维度和非指定监测维度,所述指定监测维度包括:指标产出时效和指标特征值波动范围;所述业务指标监测模型是基于各业务指标在多个所述合规监测维度下的业务指标基准数据、以及利用动态拟合算法基于各业务指标在所述指定监测维度下的历史特征数据训练得到的;
在基于该业务指标在各所述合规监测维度下的所述子异常监测结果,确定该业务指标的指标异常监测结果之前,还包括:
利用所述业务指标监测模型,针对每个所述业务指标,确定该业务指标在各所述指定监测维度下的业务指标预测数据;
针对每个所述指定监测维度,将该业务指标的所述业务指标预测数据与对应的所述业务指标基准数据进行比对,得到该业务指标在该指定监测维度下的子异常监测结果。
4.根据权利要求1所述的方法,其中,所述业务指标监测模型包括:针对各业务指标所训练的多个业务指标子监测模型;
所述利用预先训练好的业务指标监测模型,针对每个所述业务指标,基于所述业务统计数据对该业务指标进行异常识别,得到相应的指标异常监测结果,包括:
针对每个所述业务指标,根据预存的指标-模型索引之间的映射关系,确定与该业务指标对应的子模型索引信息;
基于所述子模型索引信息,获取与所述业务指标对应的业务指标子监测模型;
利用所述业务指标子监测模型,基于所述业务统计数据对所述业务指标进行异常识别,得到相应的指标异常监测结果。
5.根据权利要求1所述的方法,其中,所述接收业务接入节点针对目标业务所上传的业务统计数据,包括:
通过预设可信应用接收业务接入节点针对目标业务所上传的业务统计数据;
对应的,所述利用预先训练好的业务指标监测模型,针对每个所述业务指标,基于所述业务统计数据对该业务指标进行异常识别,得到相应的指标异常监测结果,包括:
通过所述预设可信应用将所述业务统计数据传递至可信执行环境,其中,所述可信执行环境中部署有预先训练好的业务指标监测模型;
在所述可信执行环境中,利用所述业务指标监测模型,针对每个所述业务指标,基于所述业务统计数据对该业务指标进行异常识别,得到相应的指标异常监测结果。
6.根据权利要求5所述的方法,其中,所述通过预设可信应用接收业务接入节点针对目标业务所上传的业务统计数据,包括:
通过预设可信应用接收业务接入节点针对目标业务所上传的业务统计数据和所述业务接入节点对应的可验证声明;
对应的,上述通过所述预设可信应用将所述业务统计数据传递至可信执行环境,包括:
通过所述预设可信应用将所述业务统计数据和所述可验证声明传递至可信执行环境;
对应的,上述在所述可信执行环境中,利用所述业务指标监测模型,针对每个所述业务指标,基于所述业务统计数据对该业务指标进行异常识别,得到相应的指标异常监测结果,包括:
在所述可信执行环境中,对所述业务接入节点对应的所述可验证声明的有效性进行验证;
若验证结果为有效,则利用所述业务指标监测模型,针对每个所述业务指标,基于所述业务统计数据对该业务指标进行异常识别,得到相应的指标异常监测结果。
7.根据权利要求1所述的方法,其中,在接收业务接入节点针对目标业务所上传的业务统计数据之前,还包括:
确定与目标业务相关的各业务指标在多个合规监测维度下的业务指标基准数据;以及,
获取与目标业务相关的各业务指标在所述合规监测维度中的指定监测维度下的历史特征数据;
基于所述业务指标基准数据对初始业务指标监测模型进行模型参数训练,得到中间业务指标监测模型;
利用动态拟合算法并基于各所述业务指标在所述指定监测维度下的所述历史特征数据对所述中间业务指标监测模型进行模型参数训练,得到训练好的业务指标监测模型。
8.一种合规业务指标的异常监测装置,设置于业务监管平台,包括:
业务统计数据接收模块,其接收业务接入节点针对目标业务所上传的业务统计数据;其中,所述业务统计数据包括:与所述目标业务相关的多个业务指标的特征值,所述特征值是基于执行所述目标业务过程中所产生的合规业务数据确定的;
异常监测结果确定模块,其利用预先训练好的业务指标监测模型,针对每个所述业务指标,基于所述业务统计数据对该业务指标进行异常识别,得到相应的指标异常监测结果;其中,所述业务指标监测模型是基于各业务指标在预设的多个合规监测维度下的业务指标基准数据训练得到的;
业务指标异常判断模块,其根据各所述业务指标的所述指标异常监测结果,判断所述业务指标是否存在异常;
业务指标异常告警模块,其若判断结果为是,则生成所述目标业务的异常告警提示信息,并向所述业务接入节点发送所述异常告警提示信息。
9.根据权利要求8所述的装置,其中,所述合规监测维度包括:指标统计周期、指标产出时效、指标细化分类组合、指标特征值类型和指标特征值波动范围中至少一项;
所述异常监测结果确定模块,其:
利用预先训练好的业务指标监测模型,针对每个所述业务指标,基于所述业务统计数据,确定该业务指标在各所述合规监测维度下的业务指标实际数据;
针对每个所述合规监测维度,将该业务指标的所述业务指标实际数据与对应的所述业务指标基准数据进行比对,得到该业务指标在该合规监测维度下的子异常监测结果;
基于该业务指标在各所述合规监测维度下的所述子异常监测结果,确定该业务指标的指标异常监测结果。
10.根据权利要求9所述的装置,其中,若所述合规监测维度包括:指定监测维度和非指定监测维度,所述指定监测维度包括:指标产出时效和指标特征值波动范围;所述业务指标监测模型是基于各业务指标在多个所述合规监测维度下的业务指标基准数据、以及利用动态拟合算法基于各业务指标在所述指定监测维度下的历史特征数据训练得到的;
所述异常监测结果确定模块,其:
利用所述业务指标监测模型,针对每个所述业务指标,确定该业务指标在各所述指定监测维度下的业务指标预测数据;
针对每个所述指定监测维度,将该业务指标的所述业务指标预测数据与对应的所述业务指标基准数据进行比对,得到该业务指标在该指定监测维度下的子异常监测结果。
11.根据权利要求8所述的装置,其中,所述业务指标监测模型包括:针对各业务指标所训练的多个业务指标子监测模型;
所述异常监测结果确定模块,其:
针对每个所述业务指标,根据预存的指标-模型索引之间的映射关系,确定与该业务指标对应的子模型索引信息;
基于所述子模型索引信息,获取与所述业务指标对应的业务指标子监测模型;
利用所述业务指标子监测模型,基于所述业务统计数据对所述业务指标进行异常识别,得到相应的指标异常监测结果。
12.根据权利要求8所述的装置,其中,所述业务统计数据接收模块,其:
通过预设可信应用接收业务接入节点针对目标业务所上传的业务统计数据;
对应的,所述异常监测结果确定模块,其:
通过所述预设可信应用将所述业务统计数据传递至可信执行环境,其中,所述可信执行环境中部署有预先训练好的业务指标监测模型;
在所述可信执行环境中,利用所述业务指标监测模型,针对每个所述业务指标,基于所述业务统计数据对该业务指标进行异常识别,得到相应的指标异常监测结果。
13.根据权利要求12所述的装置,其中,所述业务统计数据接收模块,其:
通过预设可信应用接收业务接入节点针对目标业务所上传的业务统计数据和所述业务接入节点对应的可验证声明;
对应的,上述异常监测结果确定模块,其:
通过所述预设可信应用将所述业务统计数据和所述可验证声明传递至可信执行环境;
在所述可信执行环境中,对所述业务接入节点对应的所述可验证声明的有效性进行验证;
若验证结果为有效,则利用所述业务指标监测模型,针对每个所述业务指标,基于所述业务统计数据对该业务指标进行异常识别,得到相应的指标异常监测结果。
14.根据权利要求8所述的装置,其中,所述装置还包括:指标监测模型训练模块,其:
确定与目标业务相关的各业务指标在多个合规监测维度下的业务指标基准数据;以及,
获取与目标业务相关的各业务指标在所述合规监测维度中的指定监测维度下的历史特征数据;
基于所述业务指标基准数据对初始业务指标监测模型进行模型参数训练,得到中间业务指标监测模型;
利用动态拟合算法并基于各所述业务指标在所述指定监测维度下的所述历史特征数据对所述中间业务指标监测模型进行模型参数训练,得到训练好的业务指标监测模型。
15.一种合规业务指标的异常监测设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:
接收业务接入节点针对目标业务所上传的业务统计数据;其中,所述业务统计数据包括:与所述目标业务相关的多个业务指标的特征值,所述特征值是基于执行所述目标业务过程中所产生的合规业务数据确定的;
利用预先训练好的业务指标监测模型,针对每个所述业务指标,基于所述业务统计数据对该业务指标进行异常识别,得到相应的指标异常监测结果;其中,所述业务指标监测模型是基于各业务指标在预设的多个合规监测维度下的业务指标基准数据训练得到的;
根据各所述业务指标的所述指标异常监测结果,判断所述业务指标是否存在异常;
若是,则生成所述目标业务的异常告警提示信息,并向所述业务接入节点发送所述异常告警提示信息。
16.一种存储介质,用于存储计算机可执行指令,所述可执行指令在被处理器执行时实现以下方法:
接收业务接入节点针对目标业务所上传的业务统计数据;其中,所述业务统计数据包括:与所述目标业务相关的多个业务指标的特征值,所述特征值是基于执行所述目标业务过程中所产生的合规业务数据确定的;
利用预先训练好的业务指标监测模型,针对每个所述业务指标,基于所述业务统计数据对该业务指标进行异常识别,得到相应的指标异常监测结果;其中,所述业务指标监测模型是基于各业务指标在预设的多个合规监测维度下的业务指标基准数据训练得到的;
根据各所述业务指标的所述指标异常监测结果,判断所述业务指标是否存在异常;
若是,则生成所述目标业务的异常告警提示信息,并向所述业务接入节点发送所述异常告警提示信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010974720.3A CN112182508A (zh) | 2020-09-16 | 2020-09-16 | 一种合规业务指标的异常监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010974720.3A CN112182508A (zh) | 2020-09-16 | 2020-09-16 | 一种合规业务指标的异常监测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112182508A true CN112182508A (zh) | 2021-01-05 |
Family
ID=73921325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010974720.3A Pending CN112182508A (zh) | 2020-09-16 | 2020-09-16 | 一种合规业务指标的异常监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112182508A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633955A (zh) * | 2021-03-09 | 2021-04-09 | 腾讯科技(深圳)有限公司 | 广告转化异常检测方法、系统及计算机可读存储介质 |
CN112860968A (zh) * | 2021-02-02 | 2021-05-28 | 北京三快在线科技有限公司 | 一种异常检测的方法以及装置 |
CN112948824A (zh) * | 2021-03-31 | 2021-06-11 | 支付宝(杭州)信息技术有限公司 | 一种基于隐私保护的程序通信方法、装置及设备 |
CN113362197A (zh) * | 2021-05-31 | 2021-09-07 | 国网电子商务有限公司 | 一种新能源接网全流程贯通识别和告警方法及其装置 |
CN115759734A (zh) * | 2022-10-19 | 2023-03-07 | 国网物资有限公司 | 基于指标的电力业务供应链监控方法、装置、设备和介质 |
CN116562715A (zh) * | 2023-07-07 | 2023-08-08 | 美云智数科技有限公司 | 指标数据监测方法、装置、计算机设备和存储介质 |
-
2020
- 2020-09-16 CN CN202010974720.3A patent/CN112182508A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112860968A (zh) * | 2021-02-02 | 2021-05-28 | 北京三快在线科技有限公司 | 一种异常检测的方法以及装置 |
CN112633955A (zh) * | 2021-03-09 | 2021-04-09 | 腾讯科技(深圳)有限公司 | 广告转化异常检测方法、系统及计算机可读存储介质 |
CN112948824A (zh) * | 2021-03-31 | 2021-06-11 | 支付宝(杭州)信息技术有限公司 | 一种基于隐私保护的程序通信方法、装置及设备 |
CN112948824B (zh) * | 2021-03-31 | 2022-04-26 | 支付宝(杭州)信息技术有限公司 | 一种基于隐私保护的程序通信方法、装置及设备 |
CN113362197A (zh) * | 2021-05-31 | 2021-09-07 | 国网电子商务有限公司 | 一种新能源接网全流程贯通识别和告警方法及其装置 |
CN115759734A (zh) * | 2022-10-19 | 2023-03-07 | 国网物资有限公司 | 基于指标的电力业务供应链监控方法、装置、设备和介质 |
CN116562715A (zh) * | 2023-07-07 | 2023-08-08 | 美云智数科技有限公司 | 指标数据监测方法、装置、计算机设备和存储介质 |
CN116562715B (zh) * | 2023-07-07 | 2024-01-23 | 美云智数科技有限公司 | 指标数据监测方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112182508A (zh) | 一种合规业务指标的异常监测方法及装置 | |
CN108460523B (zh) | 一种风控规则生成方法和装置 | |
US11132624B2 (en) | Model integration method and device | |
CN108665143B (zh) | 风控模型的评估方法及装置 | |
CN113312667B (zh) | 一种风险防控方法、装置及设备 | |
CN110322349B (zh) | 一种数据的处理方法、装置及设备 | |
TWI723476B (zh) | 異常檢測的解釋特徵確定方法、裝置和設備 | |
CN109214632B (zh) | 一种风险控制方法及设备 | |
CN108596410B (zh) | 一种风控事件自动处理方法及装置 | |
CN109344061B (zh) | 一种接口的异常检测方法、装置、设备及系统 | |
CN110674188A (zh) | 一种特征提取方法、装置及设备 | |
CN111737279B (zh) | 基于区块链的业务处理方法、装置、设备及存储介质 | |
CN110634030A (zh) | 应用的业务指标挖掘方法、装置及设备 | |
CN112966113A (zh) | 一种数据的风险防控方法、装置及设备 | |
CN112182506A (zh) | 一种数据的合规检测方法、装置及设备 | |
CN115712866B (zh) | 数据处理方法、装置及设备 | |
CN109003088B (zh) | 一种业务风险分析方法、装置及设备 | |
CN111401766A (zh) | 模型、业务处理方法、装置及设备 | |
CN110990492B (zh) | 一种信息的处理方法、装置及设备 | |
CN111639011A (zh) | 一种数据监控方法、装置及设备 | |
CN114896603A (zh) | 一种业务处理方法、装置及设备 | |
CN114638005A (zh) | 基于区块链的数据处理方法、装置及系统、存储介质 | |
CN114445207B (zh) | 基于数字人民币的税务管理系统 | |
CN113011891B (zh) | 应用于关联支付的核身处理方法及装置 | |
CN111242195B (zh) | 模型、保险风控模型训练方法、装置及电子设备 |
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 |