CN112950372B - 自动交易关联的方法及系统 - Google Patents

自动交易关联的方法及系统 Download PDF

Info

Publication number
CN112950372B
CN112950372B CN202110234755.8A CN202110234755A CN112950372B CN 112950372 B CN112950372 B CN 112950372B CN 202110234755 A CN202110234755 A CN 202110234755A CN 112950372 B CN112950372 B CN 112950372B
Authority
CN
China
Prior art keywords
transaction
fields
field
model
protocol
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
Application number
CN202110234755.8A
Other languages
English (en)
Other versions
CN112950372A (zh
Inventor
袁绍桃
蔡晓华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Netis Technologies Co ltd
Original Assignee
Shanghai Netis Technologies Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Netis Technologies Co ltd filed Critical Shanghai Netis Technologies Co ltd
Priority to CN202110234755.8A priority Critical patent/CN112950372B/zh
Publication of CN112950372A publication Critical patent/CN112950372A/zh
Application granted granted Critical
Publication of CN112950372B publication Critical patent/CN112950372B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
    • 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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Finance (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Accounting & Taxation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (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)
  • Debugging And Monitoring (AREA)

Abstract

本发明提供了一种自动交易关联的方法，包括如下步骤：通过交易关联字段模型训练之后，提取每个字段的特征，使用算法对字段进行分类，判断字段是否属于交易关联字段；通过返回码字段模型训练之后，利用交易关联字段将交易记录进行关联，提取响应记录中每个字段的特征，使用算法进行字段分类，判断字段是否属于返回码字段；通过对交易成功表达式模型训练之后，根据返回码字段的值的特征，使用算法对返回码字段的值进行分类，判断返回码字段的值是否代表成功；通过对交易记录的全部字段进行特征提取，根据交易样本数据，自动完成新协议的识别，生成完整的协议配置文件。本发明无需任何协议手册，无需手工配置，完成未知协议的自动识别，自动关联。

Description

自动交易关联的方法及系统
技术领域
本发明涉及交易关联及运维技术领域，具体地，涉及一种自动交易关联的方法及系统。
背景技术
交易关联是一种常用的技术手段，通过关联若干个相关时间(一般是请求和响应，也可以是多个，譬如包含在请求和响应之间的所有事件)，获得一个处理系统的交易数量，获得处理过程的响应时间，获得成功或者失败结果，如果失败，获得失败原因等。这种方法广泛应用于交易系统、性能分析系统、监控系统、安全系统等等。
交易关联一般需要分析出事件中的几个重要数据：用于关联两个事件的关联字段、表示返回的字段、返回字段表示成功或失败的方法等。
如图5所示，现有技术通过手工配置协议类型，关联字段等方式进行协议关联。在这些系统中有的只能对特定协议进行关联；有的需要对协议进行深入的了解，并通过手工定义配置的方式实现多协议关联。
存在以下缺陷：
(1)仅能实现特定协议的关联，并且协议的关联逻辑是内置于程序内部，没办法进行调整。
(2)使用手工配置的方式实现协议关联，必须深入研究协议的定义文件，甚至可能需要咨询协议的开发者，导致需要经过很长的时间周期，才能完成新数据的关联分析。
经过检索，专利文献CN100571267C公开了一种通用多协议关联方法，根据协议类型确定并定义协议间的关联关系，根据协议间关联关系确定事务详细记录(TDR)的关联关系，TDR的关联关系具有可传递性，根据任意一个TDR，可以找到跟该TDR直接或者间接关联的所有TDR，这些互相关联的TDR，共同组成一个完整的业务过程。但是该现有技术的不足之处在于使用手工定义关联配置的方式实现多协议关联，具有操作的局限性。
经过检索，专利文献CN104144069B公开了无线侧呼叫数据记录与用户业务行为关联的方法和装置，涉及无线通信领域。该方法包括：设计用户会话标识，该用户会话标识可以唯一标识A10和A11接口话单记录中的用户会话；根据用户会话标识将A10与A11接口话单记录进行关联和合并；根据无线呼叫数据记录中的请求建立连接的时间设定时间范围，并根据设定的时间范围从合并后的A10和A11接口话单记录中筛选出与该无线呼叫数据记录记录关联的候选记录集合；利用该无线呼叫数据记录中的国际移动台标识IMSI，在候选记录集合中找到与该无线呼叫数据记录关联的记录。虽然该现有技术能通过某个标识字段关联一系列相关的记录，但是不足之处在于仅限于特定字段的用户会话标识，无法实现多种协议的记录自动关联去识别判断。
因此，亟需研发一种能够自动实现协议关联的方法。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种自动交易关联的方法及系统。本发明通过对当前大量已知协议进行特征提取，并通过监督式机器学习算法得出交易关联模型，从而实现对新的未知协议的自动识别。
根据本发明提供的一种自动交易关联的方法，包括如下步骤：
步骤1：通过交易关联字段模型训练之后，提取每个字段的特征，使用算法对字段进行分类，判断字段是否属于交易关联字段；
步骤2：通过返回码字段模型训练之后，利用交易关联字段将交易记录进行关联，然后提取响应记录中每个字段的特征，使用算法进行字段分类，判断字段是否属于返回码字段；
步骤3：通过对交易成功表达式模型训练之后，根据返回码字段的值的特征，使用算法对返回码字段的值进行分类，判断返回码字段的值是否代表成功；
步骤4：通过对交易记录的全部字段进行特征提取，使用交易关联字段模型对交易关联字段进行识别，进行交易关联；使用返回码字段模型对返回码字段进行识别，使用交易成功表达式训练模型对成功返回码值进行识别，根据交易样本数据，自动完成新协议的识别，生成完整的协议配置文件；
步骤5：在在线系统中，应用协议配置文件，使用新协议对线上交易数据，进行自动交易关联，生成配对或者关联的交易。
优选地，步骤1包括如下步骤：
步骤1.1：提取已知协议的样本数据，解码得到原始记录，然后提取全部原始记录的全部字段的多个特征；
步骤1.2：根据提取到的多个特征，建立向量机，输入特征集进行模型训练，并根据测试集反复验证模型的有效性，输出效果良好的模型。
优选地，步骤1.2中输入的为交易数据样本，输出的为交易关联字段模型。
优选地，步骤2包括如下步骤：
步骤2.1：提取已知协议的样本数据，解码得到原始记录，根据协议的关联字段，对交易记录进行交易关联；
步骤2.2：针对交易关联中的响应记录中的每个字段的特征进行提取；
步骤2.3：根据提取到的多个特征，建立向量机，输入特征集进行模型训练，根据测试集反复验证模型的有效性，输出效果良好的模型。
优选地，步骤2.3中输入的为交易数据样本，输出的为返回码字段模型。
优选地，步骤3包括如下步骤：
步骤3.1：提取已知协议的样本数据，解码得到原始记录，根据协议的关联字段，对交易记录进行交易关联；
步骤3.2：提取响应记录的返回码值的多个特征，即交易成功表达式特征；
步骤3.3：根据提取到的多个特征，建立向量机，输入特征集进行模型训练，根据测试集反复验证模型的有效性，输出效果良好的模型。
优选地，步骤3.3中输入的为交易数据样本，输出的为交易成功表达式模型。
优选地，步骤4包括如下步骤：
步骤4.1：输入新协议的交易数据样本，使用训练好的交易关联字段模型，提取全部交易记录的全部字段的特征集，生成全部的交易字段；
步骤4.2：输入生成的交易字段，针对各个可能的交易字段对原始记录进行交易关联，得到交易记录，使用训练好的返回码字段模型预测新协议的返回码字段，生成所有的返回码值；
步骤4.3：输入返回码值，使用训练好的交易成功表达式模型预测新协议的可能的交易成功表达式。
优选地，对于新协议的交易数据样本进行交易关联之后输出的最优关联字段、进行返回码字段识别之后输出的最优返回码字段、进行成功表达式识别之后输出的最优成功表达式分别到配置文件中。
根据本发明提供的一种自动交易关联的系统，包括：
交易字段模块：提取每个字段的特征，使用算法对字段进行分类，判断字段是否属于交易关联字段；
返回码字段模块：利用交易关联字段将交易记录进行关联，然后提取响应记录中每个字段的特征，使用算法进行字段分类，判断字段是否属于返回码字段；
交易成功表达式模块：根据返回码字段的值的特征，使用算法对返回码字段的值进行分类，判断返回码字段的值是否代表交易成功；
自动交易关联模块：通过对交易记录的全部字段进行特征提取，使用交易关联字段模型对交易关联字段进行识别，进行交易关联；使用返回码字段模型对返回码字段进行识别，使用交易成功表达式训练模型对成功返回码值进行识别，根据交易样本数据，自动完成新协议的识别，从而生成完整的协议配置文件；
在线系统：使用新协议对线上交易数据，进行自动交易关联，生成配对或者关联的交易。
与现有技术相比，本发明具有如下的有益效果：
1、本发明无需任何协议手册，无需任何手工配置，完成未知协议的自动识别，自动关联。
2、本发明支持在交易字段识别的基础上进行返回码、交易成功表达式的识别，从而实现对交易字段的反向验证。
3、本发明支持交易字段、返回码字段、成功表达式进行匹配度打分，从而为用户提供友好的判断依据。
4、本发明支持集成到智能解码平台，实现新协议识别流程的界面交互，极大简化了用户的配置生成和验证时间。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明中的自动交易关联的方法流程图；
图2为本发明中的训练交易字段模型流程图；
图3为本发明中的训练返回码字段模型流程图；
图4为本发明中的训练成功表达式模型流程图；
图5为现有技术中的自动交易关联流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
如图1-4所示，本发明提供了一种自动交易关联的方法，包括如下步骤：
步骤1：通过交易关联字段模型训练之后，提取每个字段的特征，使用算法对字段进行分类，判断字段是否属于交易关联字段。
步骤1.1：提取已知协议的样本数据，解码得到原始记录，然后提取全部原始记录的全部字段的多个特征。
交易字段特征包括但不限于以下：
出现频率：字段在协议中发生的频率，值表示是否每条记录都会出现该字段。
配对概率：根据该字段进行“请求”和“响应”配对，值表示配对成功的概率。
协议模式概率：对配对成功的交易，进行IPPort判断，值表示可能是“同步”和“异步”交易的概率。
字段值字符离散度：字段值中不同字符占总字符的百分比，不相邻的相同字符视为不同。
字段值数字字符比例：字段值中数字字符占总字符的百分比。
历史字段否定比例：已知协议包含该字段，但该字段没有作为交易关联字段的概率。
步骤1.2：根据提取到的多个特征，建立向量机，输入特征集进行模型训练，并根据测试集反复验证模型的有效性，输出效果良好的模型。输入的为交易数据样本，输出的为交易关联字段模型。
步骤2：通过返回码字段模型训练之后，利用交易关联字段将交易记录进行关联，然后提取响应记录中每个字段的特征，使用算法进行字段分类，判断字段是否属于返回码字段。
步骤2.1：提取已知协议的样本数据，解码得到原始记录，根据协议的关联字段，对响应记录进行交易关联。
步骤2.2：针对交易关联中的响应记录中的每个字段的特征进行提取。
返回码字段特征包括但不限于以下：
出现频率：字段在协议中发生的频率，值表示是否每条交易的响应都会出现该字段。
字段值TopN比例：字段值的出现频率，取最大的前3位之和。
值最大长度：字段值的长度，取所有值中最大的。
最大相同字符长度的比例：字段值出现最长的相同字符的长度，取所有值中最大的。
最小不同字符数量：字段值出现的不同字符的个数，取所有值中的最小的。
历史字段否定比例：已知协议包含该字段，但该字段没有作为交易返回码字段的概率。
步骤2.3：根据提取到的多个特征，建立向量机，输入特征集进行模型训练，根据测试集反复验证模型的有效性，输出效果良好的模型。输入的为交易数据样本，输出的为返回码字段模型。
步骤3：通过对交易成功表达式模型训练之后，根据返回码字段的值的特征，使用算法对返回码字段的值进行分类，判断返回码字段的值是否代表成功。
步骤3.1：提取已知协议的样本数据，解码得到原始记录，根据协议的关联字段，对交易记录进行交易关联。
步骤3.2：提取响应记录的返回码值的多个特征，即交易成功表达式特征。
交易成功表达式特征包括但不限于以下：
值发生比例：返回码字段值在协议中发生的频率，表示是否每条交易的响应都会出现该字段值。
相同字符长度的比例：字段值出现最长的相同字符的长度。
不同字符数量：字段值出现的不同字符的个数。
步骤3.3：根据提取到的多个特征，建立向量机，输入特征集进行模型训练，根据测试集反复验证模型的有效性，输出效果良好的模型。输入的为交易数据样本，输出的为交易成功表达式模型。
步骤4：通过对交易记录的全部字段进行特征提取，使用交易关联字段模型对交易关联字段进行识别，进行交易关联；使用返回码字段模型对返回码字段进行识别，使用交易成功表达式训练模型对成功返回码值进行识别，根据交易样本数据，自动完成新协议的识别，生成完整的协议配置文件。
步骤4.1：输入新协议的交易数据样本，使用训练好的交易关联字段模型，提取全部交易记录的全部字段的特征集，生成全部的交易字段；同时，对于该新协议，输出最优的交易字段名到配置文件。
步骤4.2：输入生成的交易字段，针对各个可能的交易字段对原始记录进行交易关联，得到交易记录，使用训练好的返回码字段模型预测新协议的返回码字段，生成所有的返回码值；同时，对于该新协议，输出最优的交易返回码字段名到配置文件。
步骤4.3：输入返回码值，使用训练好的交易成功表达式模型预测新协议的可能的交易成功表达式。同时，对于该新协议，输出最优的成功表达名到配置文件。
步骤5：在在线系统中，应用协议配置文件，使用新协议对线上交易数据，进行自动交易关联，生成配对或者关联的交易。
本发明中的优选例，作进一步说明。
基于上述实施例，最优的交易字段选取、最优的交易返回码字段选取或者最优的成功表达式选取可以通过但不限于打分的方法。
本发明还提供了一种自动交易关联的系统，包括：
交易字段模块：提取每个字段的特征，使用算法对字段进行分类，判断字段是否属于交易关联字段；
返回码字段模块：利用交易关联字段将交易记录进行关联，然后提取响应记录中每个字段的特征，使用算法进行字段分类，判断字段是否属于返回码字段；
交易成功表达式模块：根据返回码字段的值的特征，使用算法对返回码字段的值进行分类，判断返回码字段的值是否代表交易成功；
自动交易关联模块：通过对交易记录的全部字段进行特征提取，使用交易关联字段模型对交易关联字段进行识别，进行交易关联；使用返回码字段模型对返回码字段进行识别，使用交易成功表达式训练模型对成功返回码值进行识别，根据交易样本数据，自动完成新协议的识别，从而生成完整的协议配置文件；
在线系统：使用新协议对线上交易数据，进行自动交易关联，生成配对或者关联的交易。
本发明通过对当前大量已知协议进行特征提取，并通过监督式机器学习算法得出交易关联模型，从而实现对新的未知协议的自动识别。整个系统分为训练交易字段模型、训练返回码字段模型、训练成功表达式模型、新协议自动关联交易四个组成部分，无需任何协议手册，无需任何手工配置，完成未知协议的自动识别，自动关联。
在本申请的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (7)

1.一种自动交易关联的方法，其特征在于，包括如下步骤：
步骤1：训练交易关联字段模型，交易关联字段模型通过提取已知协议的样本数据中每个字段的特征，使用算法对字段进行分类，判断字段是否属于交易关联字段；
步骤2：训练返回码字段模型，返回码字段模型通过利用交易关联字段将已知协议的样本数据中交易记录进行关联，然后提取已知协议的样本数据中响应记录中每个字段的特征，使用算法进行字段分类，判断字段是否属于返回码字段；
步骤3：训练交易成功表达式模型，交易成功表达式模型根据返回码字段的值的特征，使用算法对返回码字段的值进行分类，判断返回码字段的值是否代表成功；
步骤4：通过对新协议的样本数据的全部字段进行特征提取，使用交易关联字段模型对交易关联字段进行识别，进行交易关联；使用返回码字段模型对返回码字段进行识别，使用交易成功表达式训练模型对成功返回码值进行识别，完成新协议的识别，生成完整的协议配置文件；
步骤5：在在线系统中，应用协议配置文件，使用新协议对线上交易数据进行自动交易关联，生成配对或者关联的交易。
2.根据权利要求1所述的自动交易关联的方法，其特征在于，所述步骤1包括如下步骤：
步骤1.1：提取已知协议的样本数据，解码得到原始记录，然后提取全部原始记录的全部字段的多个特征；
步骤1.2：根据提取到的多个特征，建立向量机，输入特征集进行模型训练，并根据测试集反复验证模型的有效性，输出效果良好的交易关联字段模型。
3.根据权利要求1所述的自动交易关联的方法，其特征在于，所述步骤2包括如下步骤：
步骤2.1：提取已知协议的样本数据，解码得到原始记录，根据协议的关联字段，对响应记录进行交易关联；
步骤2.2：针对交易关联中的响应记录中的每个字段的特征进行提取；
步骤2.3：根据提取到的多个特征，建立向量机，输入特征集进行模型训练，根据测试集反复验证模型的有效性，输出效果良好的返回码字段模型。
4.根据权利要求1所述的自动交易关联的方法，其特征在于，所述步骤3包括如下步骤：
步骤3.1：提取已知协议的样本数据，解码得到原始记录，根据协议的关联字段，对交易记录进行交易关联；
步骤3.2：提取响应记录的返回码值的多个特征，即交易成功表达式特征；
步骤3.3：根据提取到的多个特征，建立向量机，输入特征集进行模型训练，根据测试集反复验证模型的有效性，输出效果良好的交易成功表达式模型。
5.根据权利要求1所述的自动交易关联的方法，其特征在于，所述步骤4包括如下步骤：
步骤4.1：输入新协议的交易数据样本，使用训练好的交易关联字段模型，提取全部交易记录的全部字段的特征集，生成全部的交易字段；
步骤4.2：输入生成的交易字段，针对各个可能的交易字段对原始记录进行交易关联，得到交易记录，使用训练好的返回码字段模型预测新协议的返回码字段，生成所有的返回码值；
步骤4.3：输入返回码值，使用训练好的交易成功表达式模型预测新协议的可能的交易成功表达式。
6.根据权利要求5所述的自动交易关联的方法，其特征在于，对于新协议的交易数据样本进行交易关联之后输出的最优交易字段、进行返回码字段识别之后输出的最优返回码字段、进行成功表达式识别之后输出的最优表达式分别到配置文件中。
7.一种自动交易关联的系统，其特征在于，包括：
交易字段模型训练模块：交易关联字段模型通过提取已知协议的样本数据中每个字段的特征，使用算法对字段进行分类，判断字段是否属于交易关联字段；
返回码字段模型训练模块：返回码字段模型通过利用交易关联字段将已知协议的样本数据中交易记录进行关联，然后提取已知协议的样本数据中响应记录中每个字段的特征，使用算法进行字段分类，判断字段是否属于返回码字段；
交易成功表达式模型训练模块：交易成功表达式模型根据返回码字段的值的特征，使用算法对返回码字段的值进行分类，判断返回码字段的值是否代表成功；
自动交易关联模块：通过对新协议的样本数据的全部字段进行特征提取，使用交易关联字段模型对交易关联字段进行识别，进行交易关联；使用返回码字段模型对返回码字段进行识别，使用交易成功表达式训练模型对成功返回码值进行识别，根据交易样本数据，自动完成新协议的识别，从而生成完整的协议配置文件；
在线系统：使用新协议对线上交易数据进行自动交易关联，生成配对或者关联的交易。
CN202110234755.8A 2021-03-03 2021-03-03 自动交易关联的方法及系统 Active CN112950372B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110234755.8A CN112950372B (zh) 2021-03-03 2021-03-03 自动交易关联的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110234755.8A CN112950372B (zh) 2021-03-03 2021-03-03 自动交易关联的方法及系统

Publications (2)

Publication Number Publication Date
CN112950372A CN112950372A (zh) 2021-06-11
CN112950372B true CN112950372B (zh) 2022-11-22

Family

ID=76247328

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110234755.8A Active CN112950372B (zh) 2021-03-03 2021-03-03 自动交易关联的方法及系统

Country Status (1)

Country Link
CN (1) CN112950372B (zh)

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102546625A (zh) * 2011-12-31 2012-07-04 深圳市永达电子股份有限公司 半监督聚类集成的协议识别系统
CN105719072B (zh) * 2016-01-18 2021-11-23 上海天旦网络科技发展有限公司 关联多段组件交易的系统及方法
EP3629271A1 (en) * 2018-09-28 2020-04-01 Marc Brandis AG Electronic device and method for analyzing a transaction-processing system
CN109344383B (zh) * 2018-10-29 2023-08-29 中国银行股份有限公司 一种交易数据的关联方法及装置
CN109582772B (zh) * 2018-11-27 2024-09-17 平安科技（深圳）有限公司 合同信息提取方法、装置、计算机设备和存储介质
CN109872234A (zh) * 2019-01-24 2019-06-11 平安科技（深圳）有限公司 交易行为监控方法、装置、计算机设备和介质
US20200293878A1 (en) * 2019-03-13 2020-09-17 Expedia, Inc. Handling categorical field values in machine learning applications
CN110263155B (zh) * 2019-05-21 2023-02-28 创新先进技术有限公司 数据分类方法、数据分类模型的训练方法及系统
CN111353890A (zh) * 2020-03-30 2020-06-30 中国工商银行股份有限公司 基于应用日志的应用异常检测方法及装置
CN111506731B (zh) * 2020-04-17 2023-10-20 支付宝(杭州)信息技术有限公司 一种训练字段分类模型的方法、装置及设备

Also Published As

Publication number Publication date
CN112950372A (zh) 2021-06-11

Similar Documents

Publication Publication Date Title
CN109255499B (zh) 投诉、投诉案件处理方法、装置及设备
CN107566358A (zh) 一种风险预警提示方法、装置、介质及设备
CN106713370B (zh) 一种身份认证方法、服务器和移动终端
CN110533085B (zh) 同人识别方法及装置、存储介质、计算机设备
CN110610193A (zh) 标注数据的处理方法及装置
CN111241502B (zh) 跨设备的用户识别方法及装置、电子设备、存储介质
CN111798241A (zh) 交易数据处理方法、装置、电子设备及可读存储介质
CN106843941A (zh) 信息处理方法、装置和计算机设备
CN111695824A (zh) 风险尾端客户分析方法、装置、设备及计算机存储介质
CN112364014A (zh) 数据查询方法、装置、服务器及存储介质
CN107392430A (zh) 一种基于物联网的产品生产方法和装置
CN112416800A (zh) 智能合约的测试方法、装置、设备及存储介质
CN114880312B (zh) 一种可柔性设置的应用系统业务数据稽核方法
CN113645173A (zh) 一种恶意域名的识别方法、系统和设备
CN115577172A (zh) 物品推荐方法、装置、设备及介质
CN112950372B (zh) 自动交易关联的方法及系统
CN110162957A (zh) 智能设备的鉴权方法和装置、存储介质、电子装置
CN111858331A (zh) 前端控件覆盖度检测方法、装置以及设备
CN117332054A (zh) 表格问答处理方法、装置及设备
CN111325562A (zh) 粮食安全追溯系统及方法
CN109829713B (zh) 一种基于知识与数据共同驱动的移动支付方式识别方法
CN114037395A (zh) 一种异常寄递数据识别方法及系统、电子设备、存储介质
CN114844963A (zh) 基于开源协议栈eXosip的扩展头部信息提取方法
CN111126503B (zh) 一种训练样本的生成方法和装置
CN113393273A (zh) 一种精准的营销方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant