CN113015994B - 用于利用预测模型来缓存处理数据的技术 - Google Patents
用于利用预测模型来缓存处理数据的技术 Download PDFInfo
- Publication number
- CN113015994B CN113015994B CN201980074680.2A CN201980074680A CN113015994B CN 113015994 B CN113015994 B CN 113015994B CN 201980074680 A CN201980074680 A CN 201980074680A CN 113015994 B CN113015994 B CN 113015994B
- Authority
- CN
- China
- Prior art keywords
- transaction data
- historical transaction
- historical
- accounts
- cache
- 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
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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F12/00—Accessing, addressing or allocating within memory systems or architectures
- G06F12/02—Addressing or allocation; Relocation
- G06F12/08—Addressing or allocation; Relocation in hierarchically structured memory systems, e.g. virtual memory systems
- G06F12/0802—Addressing of a memory level in which the access to the desired data or data block requires associative addressing means, e.g. caches
- G06F12/0875—Addressing of a memory level in which the access to the desired data or data block requires associative addressing means, e.g. caches with dedicated cache, e.g. instruction or stack
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/382—Payment protocols; Details thereof insuring higher security of transaction
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/389—Keeping log of transactions for guaranteeing non-repudiation of a transaction
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4014—Identity check for transactions
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F12/00—Accessing, addressing or allocating within memory systems or architectures
- G06F12/02—Addressing or allocation; Relocation
- G06F12/08—Addressing or allocation; Relocation in hierarchically structured memory systems, e.g. virtual memory systems
- G06F12/0802—Addressing of a memory level in which the access to the desired data or data block requires associative addressing means, e.g. caches
- G06F12/0862—Addressing of a memory level in which the access to the desired data or data block requires associative addressing means, e.g. caches with prefetch
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2212/00—Indexing scheme relating to accessing, addressing or allocation within memory systems or architectures
- G06F2212/10—Providing a specific technical effect
- G06F2212/1016—Performance improvement
- G06F2212/1024—Latency reduction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2212/00—Indexing scheme relating to accessing, addressing or allocation within memory systems or architectures
- G06F2212/60—Details of cache memory
- G06F2212/6024—History based prefetching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Software Systems (AREA)
- Computer Security & Cryptography (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Cash Registers Or Receiving Machines (AREA)
Abstract
本发明的实施例涉及用于利用高速缓存来存储历史交易数据的系统和方法。可以训练预测模型以识别与历史数据相关联的特定标识符,所述特定标识符可能在特定日期和/或特定时间段内使用。对应于这些标识符的历史数据可以存储在处理计算机的高速缓存中。随后,可以接收包括标识符的授权请求消息。处理计算机可以利用标识符从高速缓存检取历史交易数据。检取到的数据可以用于执行任何合适的操作。通过预测执行这些操作将所需的数据,并且先发性地将此类数据存储在高速缓存中,可以减少与后续处理相关联的延时,并且提高系统整体的性能。
Description
相关申请的交叉引用
本国际申请要求2018年11月13日提交的美国专利申请第16/189,565号的优先权,所述美国专利申请的公开内容的全文出于所有目的而以引用的方式并入本文中。
背景技术
各种系统可以利用大数据集的多个部分来执行操作。举例来说,处理数据交易的系统可以利用历史交易数据来执行各种操作。此历史数据可以分散在一个或多个远程系统之间,从而要求首先识别、聚合数据并在运行时将其提供给系统,以便执行此类操作。这可能导致执行此类操作的延时增加,这可导致系统的过度延迟。
本公开的实施例单独地以及共同地解决了这些和其它问题。
发明内容
本发明的一个实施例涉及一种方法。所述方法包括由计算装置(例如,处理网络计算机)接收针对与账户相关联的交易的授权请求消息。所述方法还可以包括确定与账户相关联的历史交易数据是否存储在计算装置可访问的高速缓存中。当历史交易数据存储在高速缓存中时,所述方法可以进一步包括:由计算装置从高速缓存检取与账户相关联的历史交易数据;以及响应于接收到授权请求消息,由计算装置执行至少一个操作,所述至少一个操作利用检取到的历史交易数据。当历史交易数据未存储在高速缓存中时,所述方法可以进一步包括:由计算装置从历史交易数据库获得与账户相关联的历史交易数据;以及响应于接收到授权请求消息,由计算装置执行至少一个操作,所述至少一个操作利用从历史交易数据库获得的历史交易数据。
在一些实施例中,所述方法还可以包括由计算装置利用预测模型从多个账户识别一个或多个账户。在一些实施例中,一个或多个账户可以被预测模型识别为可能用于在未来时间段(例如,接下来24小时)内进行一个或多个交易。在一些实施例中,预测模型可以至少部分地基于与多个账户相关联的历史交易数据而被训练。所述方法还可以包括由计算装置从数据储存库获得历史交易数据的一部分。例如,历史交易数据的所述一部分可以对应于在第二时间段内利用一个或多个账户进行的交易(例如,过去五年、一个或多个账户的所有已知过往交易等)。所述方法还可以包括在计算装置处将历史交易数据的所述一部分存储在高速缓存内。
在一些实施例中,所述方法可以进一步包括利用与授权请求消息相关联的交易数据(例如,包括在授权请求消息中的交易数据)更新历史交易数据。预测模型可以至少部分地基于更新的历史交易数据而被更新。例如,可以基于先前存储的历史交易数据以及与所接收的交易相关联的交易数据而更新预测模型。
在一些实施例中,可以响应于接收到授权请求消息而执行识别一个或多个账户、获得历史交易数据的所述一部分以及存储历史交易数据的所述一部分。在一些实施例中,可以周期性地执行识别一个或多个账户、获得历史交易数据的所述一部分以及存储历史交易数据的所述一部分。
在一些实施例中,所述方法还可以包括利用授权请求消息的交易数据更新历史交易数据,其中,在利用交易数据更新历史交易数据之后,从多个账户中识别一个或多个账户。
在一些实施例中,所述至少一个操作可以包括计算授权请求消息的风险得分。在一些实施例中,计算装置可以是处理网络计算机。
在一些实施例中,历史交易数据标识历史上在特定历史时间段(例如,过去五年、过去十年等)内已经利用的多个账户的数量。
在一些实施例中,确定所述数量的多个账户已经执行了在所述特定历史时间段内发生的超过阈值百分比的交易。
本发明的另一实施例涉及包括处理器和计算机可读介质的处理网络计算机。所述计算机可读介质包括可由处理器执行的用于实施上述方法的代码。
有关本发明的实施例的更多详细信息,请参见具体实施方式和附图。
附图说明
图1示出了根据一些实施例的用于利用高速缓存执行交易的系统的框图。
图2示出了根据一些实施例的示范性处理网络计算机的框图。
图3示出了框图,示出了根据一些实施例的用于识别待缓存的特定数据的方法。
图4示出了框图,示出了根据一些实施例的用于利用高速缓存执行数据计算的方法。
图5示出了流程图,示出了根据一些实施例的用于执行数据运算的方法。
具体实施方式
本发明的实施例涉及利用高速缓存执行各种操作。在一些实施例中,可以利用预测模型来识别在特定时间段内(例如,在24小时内、在接下来的12小时内、在给定日期等)可能访问的特定历史数据。尽管本文中的示例可以涉及在交易处理的上下文中使用预测模型的情况,但应了解,可以在交易处理之外的各种上下文中使用类似技术。本文所述的技术可以应用于历史数据被存储并且在未来的时间要被访问以执行任何合适操作的任何合适上下文。
举例来说,交易处理系统可以利用经过训练以识别在给定时间段(例如,接下来24小时)内可能处理交易的账户的预测模型。用于账户集合的历史交易数据可以最初存储在远离系统的数据库中。可以使用账户集合的历史交易数据和任何合适的有监督和/或无监督学习技术来训练预测模型。例如,可以训练预测模型以从该集合中识别可能用于在接下来的24小时内执行交易的特定账户。一旦已识别这些账户,系统就可以被配置成从数据库获得与那些账户相关联的历史交易数据的一部分(例如,用过去12小时、24小时、一周、一个月等的每个账户执行的交易)。所获得的历史交易数据可以存储在系统可访问的高速缓存中。储存在高速缓存中的数据可以比储存在数据库中的数据被更快地访问。
随后,系统可以接收交易。交易可以包括账户标识符。所述系统可以被配置成确定先前获得并存储在高速缓存中的历史交易数据是否包括与所接收的交易的账户标识符相关联的历史交易数据。如果包括,则可以从高速缓存检取历史交易数据并用于执行任何合适的操作。举例来说,历史交易数据可以包括在过去24小时内已经发生的与所识别的账户相关联的交易。例如,系统可以利用这一数据来计算风险得分。风险得分可以利用任何合适的算法来访问批准交易的风险。
通过预测哪些账户可能被使用,系统可以被配置成预先获取执行其操作所需的历史交易数据。通过缓存该数据,系统的性能得到改善,因为从更远程的存储装置检取该数据的延迟减少。利用预测模型可以周期性地或在任何合适的时间更新高速缓存。在一些实施例中,可以将新接收的交易数据添加到数据库,并且接收此数据可以激发高速缓存的更新。也就是说,当接收到新的历史交易数据时,可以利用预测模型更新高速缓存以包括可能被访问的历史交易数据。
用于利用历史交易数据执行操作的现有机制(例如,计算风险得分)从磁盘存储器访问此类数据。当接收将要为其执行操作(例如,计算风险得分)的交易时,可以在运行时访问和聚合历史交易数据。此类系统可以首先识别数据,然后聚合执行其操作所需的历史交易数据,这导致了交易处理的延迟。通过利用本文中所论述的技术,可以通过识别可能利用的一个或多个账户、在接收到与那些账户之一相关联的交易之前预先获取历史交易数据以及将所获得的历史交易数据存储在系统可访问的高速缓存中,使得数据检取时间得到减少,从而来减少这种延迟。
在论述本发明的具体实施例之前,可详细描述一些术语。
“用户装置”可以包括用户可以运送和操作的任何合适的电子装置,所述装置还可提供与网络远程通信的能力。远程通信能力的示例包括使用移动电话(无线)网络、无线数据网络(例如3G、4G或类似网络)、Wi-Fi、Wi-Max或可提供对因特网或专用网络等网络的访问的任何其它通信介质。用户装置的示例包括移动电话(例如,蜂窝电话)、PDA、平板计算机、上网本、笔记本电脑、个人音乐播放器、手持式专用读取器等。用户装置的其它示例包括可穿戴装置,例如智能手表、健身手环、踝链、戒指、耳环等,以及具有远程通信能力的汽车。用户装置可以包括用于执行此类功能的任何合适硬件和软件,且还可以包括多个装置或部件(例如,当装置通过网络共享到另一装置--即将另一装置用作调制解调器--而能够远程访问网络时,联系在一起的两个装置可以被认为是单个用户装置)。
“支付装置”可以包括可用于进行例如向商家提供支付凭证的金融交易的任何合适的装置。在一些实施例中,支付装置可以是用户装置的示例。支付装置可以是软件对象、硬件对象或物理对象。作为物理对象的示例,支付装置可以包括基板(例如纸卡或塑料卡),以及在对象的表面处或附近印刷、压花、编码或以其它方式包括的信息。硬件对象可涉及电路系统(例如,永久电压值),而软件对象可涉及存储在装置上的非永久性数据。支付装置可用于进行支付交易。合适的支付装置可以是手持式并且紧凑的,使得它们能够放到用户的钱包和/或口袋中(例如,可以是口袋大小的)。支付装置的示例可以包括智能卡、磁条卡、钥匙链装置等。如果支付装置呈借记卡、信用卡或智能卡的形式,则支付装置还可任选地具有例如磁条的特征。此类装置可在接触或非接触模式下操作。在一些实施例中,用户装置可以用作支付装置(例如,移动装置可以存储并且能够传输用于交易的支付凭证)。
“支付凭证”可以包括与账户(例如,支付账户和/或与账户相关联的支付装置)相关联的任何合适的信息。此类信息可以与账户直接相关,或可以源自与账户相关的信息。账户信息的示例可以包括PAN(主账号或“账号”)、用户名、到期日期、CVV(卡验证值)、dCVV(动态卡验证值)、CVV2(卡验证值2)、CVC3卡验证值等等。CVV2通常被理解为是与支付装置相关联的静态验证值。CVV2值通常对用户(例如,消费者)可见,而CVV和dCVV值通常嵌入存储器或授权请求消息中,用户不容易知道(尽管它们对发行方和支付处理器是已知的)。支付凭证可以是标识支付账户或与支付账户相关联的任何信息。可以提供支付凭证以便从支付账户进行支付。支付凭证还可以包括用户名、到期日期、礼品卡号或代码以及任何其它合适的信息。
“用户”可以包括个人。在一些实施例中,用户可与一个或多个个人账户和/或移动装置相关联。用户还可以称为持卡人、账户持有人或消费者。
“高速缓存”可以包括处理器可以访问的任何合适的本地存储器(例如,随机存取存储器(RAM))。例如,高速缓存可以包括直接通信耦接到处理器的RAM,诸如板载存储器。与存储在硬盘驱动器(例如,磁盘存储器)或诸如本地存储器(例如,RAM)的远程存储装置和/或另一计算机和/或系统的磁盘存储装置中的数据相比,处理器可以更快速地访问缓存的数据。在一些实施例中,“高速缓存”可以是存储预测在阈值未来时间段(例如,接下来24小时、下周等)内要利用的数据(例如,历史交易数据)的数据储存库。高速缓存中的数据可以定期(例如,每小时、每天等)删除和/或更新,使得可以至少部分地基于新确定的预测来刷新它。在一些实施例中,高速缓存可以保持少量账户(例如,小于100个或小于10个)的历史交易数据。在一些实施例中,这些账户可以是预测在给定未来时间段内要利用的最大数量的账户。“高速缓存”可以与“历史交易数据库”不同。
“历史交易数据库”可以包括许多账户(例如,超过1000、10,000、100,000、1百万个等)的交易数据的数据库,并且交易数据可以永久地存储在该数据库中。如果从历史交易数据库中清除数据,则可以在很长一段时间后清除它(例如,超过1、5、10年时间的交易等)。历史交易数据库可以利用与高速缓存相同的装置的磁盘存储装置,或相对于提供高速缓存的装置来说是远程的一个或多个装置的本地和/或磁盘存储装置。通常,历史交易数据库可以利用的存储装置不如本文所论述的高速缓存那样被快速访问。
“风险得分”可以包括与风险量相关联的值。在一些实施例中,风险得分可以包括表示交易可能是欺诈性的风险的任意指定或排名。风险得分可以由数字(和任何尺度)、概率或以传达此类信息的任何其它相关方式来表示。
“资源提供商”可以是可提供例如商品、服务、信息和/或访问之类的资源的实体。资源提供商的示例包括商家、访问装置、安全数据访问点等。“商家”通常可以是参与交易并且可以出售商品或服务或提供对商品或服务的访问的实体。资源提供商可以操作计算机以执行操作,所述计算机通常也可以被称为“资源提供商计算机”。
“收单方”通常可以是与特定商家或其它实体具有商业关系的商业实体(例如,商业银行)。一些实体可执行发行方和收单方两者的功能。一些实施例可涵盖此类单个实体发行方-收单方。收单方可操作收单方计算机,其一般也可以被称为“传输计算机”。
“授权实体”可以是授权请求的实体。授权实体的示例可以是发行方、政府机构、文档存储库、访问管理员等。“发行方”通常可以指维持用户账户的业务实体(例如,银行)。发行方也可以向消费者发行存储在例如蜂窝电话、智能卡、平板计算机或膝上型计算机之类的用户装置上的支付凭证。授权实体可以操作计算机以执行操作,所述计算机通常也可以被称为“授权实体计算机”。
“访问装置”可以是提供对远程系统的访问的任何合适的装置。访问装置还可以用于与商家计算机、交易处理计算机、认证计算机或任何其它合适的系统通信。访问装置通常可位于任何合适的位置处,例如位于商家所在位置处。访问装置可以采用任何合适形式。访问装置的一些示例包括POS或销售点装置(例如,POS终端)、蜂窝电话、PDA、个人计算机(PC)、平板PC、手持式专用读取器、机顶盒、电子现金出纳机(ECR)、自动柜员机(ATM)、虚拟现金出纳机(VCR)、查询一体机、安全系统、访问系统等。访问装置可以使用任何合适的接触或非接触操作模式,以向用户移动装置发送或从其接收数据或与用户移动装置相关联。在访问装置可以包括POS终端的一些实施例中,可使用任何合适的POS终端并且其可以包括读取器、处理器和计算机可读介质。读取器可以包括任何合适的接触或非接触操作模式。举例来说,示范性读卡器可以包括射频(RF)天线、光学扫描仪、条形码读取器或磁条读取器,以与支付装置和/或移动装置交互。在一些实施例中,用作POS终端的蜂窝电话、平板电脑或其它专用无线装置可以被称为移动销售点或“mPOS”终端。
“授权请求消息”可以是请求对交易的授权的电子消息。在一些实施例中,授权请求消息被发送给交易处理计算机和/或支付卡的发行方,以请求对交易授权。根据一些实施例的授权请求消息可符合ISO8583,这是针对交换与用户使用支付装置或支付账户进行的支付相关联的电子交易信息的系统的标准。授权请求消息可以包括可与支付装置或支付账户相关联的发行方账户标识符。授权请求消息还可以包括与“交易数据”对应的额外数据元素,仅举例来说,包括:服务代码、CVV(卡验证值)、dCVV(动态卡验证值)、PAN(主账号或“账号”)、支付令牌、用户名、到期日期等等。授权请求消息可以包括额外的“交易数据”,例如与当前交易相关联的任何信息,例如交易金额、商家标识符、商家位置、收单方银行标识号(BIN)、卡片接受器ID、标识所购买的项目的信息等以及可用以确定是否标识和/或授权交易的任何其它信息。
“授权响应消息”可以是响应于授权请求的消息。在一些情况下,授权响应消息可以是由发行金融机构或交易处理计算机生成的对授权请求消息的电子消息应答。仅借助于示例,授权响应消息可以包括以下状态指示符中的一个或多个:批准--交易被批准;拒绝--交易未被批准;或呼叫中心--响应未决的更多信息,商家必须呼叫免费授权电话号码。授权响应消息还可以包括授权代码,所述授权代码可以是信用卡发行银行响应于电子消息中的授权请求消息(直接地或通过交易处理计算机)返回到商家的访问装置(例如,POS设备)的指示交易被批准的代码。所述代码可以充当授权的证据。如上所述,在一些实施例中,交易处理计算机可以向商家生成或转发授权响应消息。
“服务器计算机”可以包括功能强大的计算机或计算机集群。例如,服务器计算机可以是大型主机、小型计算机集群或像单元一样工作的一组服务器。在一个示例中,服务器计算机可以是耦接到网络服务器的数据库服务器。服务器计算机可以耦接到数据库,并且可以包括用于服务于来自一个或多个客户端计算机的请求的任何硬件、软件、其它逻辑或前述内容的组合。服务器计算机可以包括一个或多个计算设备,且可使用各种计算结构、布置和编译中的任一种来服务来自一个或多个客户端计算机的请求。
图1示出了用于利用高速缓存执行交易的系统100的框图。系统100包括多个部件。系统100可以包括用户装置102,其可与用户103、访问装置110、资源提供商计算机112、传输计算机114、包括高速缓存116A的处理网络计算机116、历史数据数据库117和授权实体计算机120相关联。出于说明简单起见,图1中示出了一定数量的部件。然而,应了解,对于每种部件,本发明的实施例可以包括不止一个。此外,本发明的一些实施例可以包括比图1中所示的所有部件少或多的部件。另外,图1中部件可以使用任何合适的通信协议经由任何合适的通信介质进行通信。
用户装置102、访问装置110、资源提供商计算机112、传输计算机114、处理网络计算机116和授权实体计算机120可以全都通过任何合适的通信信道或通信网络而与彼此操作性通信。合适的通信网络可以是下列中的任一个和/或组合:直接互连;互联网;局域网(LAN);城域网(MAN);作为因特网上节点的运行任务(OMNI);安全定制连接;广域网(WAN);无线网络(例如,采用例如但不限于无线应用协议(WAP)、I-模式等的协议)等。
可以使用安全通信协议,例如但不限于:文件传输协议(FTP)、超文本传输协议(HTTP)、安全超文本传输协议(HTTPS)、安全套接层(SSL)、ISO(例如,ISO 8583)等来传送计算机、网络与装置之间的消息。
用户103可能能够使用用户装置102进行交易。在一些实施例中,用户装置102可以包括用以启用例如电话等某些装置功能的电路。负责实现那些功能的功能元件可以包括处理器,该处理器可以执行实现设备的功能和操作的指令。用户装置102可以访问本地存储器(或另一个合适的数据存储区或元件),以检取指令或执行指令时使用的数据。用户装置102可以包括例如键盘或触摸屏等数据输入/输出元件,其可以用于使用户能够操作用户装置102和输入数据。数据输入/输出元件还可以被配置成经由用户装置102的扬声器和/或显示器输出数据。用户装置102还可以利用通信元件,通信元件可以用于实现用户装置102与有线或无线网络之间的数据传输,以帮助连接到因特网或其它网络,并且实现数据传输功能。
在一些实施例中,用户装置102还可以包括非接触元件接口以实现非接触元件(未示出)与装置的其它元件之间的数据传输,其中非接触元件可以包括安全存储器和近场通信数据传输元件(或另一形式的短程通信技术)。蜂窝式电话或相似装置是根据本发明的实施例可以使用的用户装置102的示例。然而,在不脱离本发明的基本概念的情况下可以使用其它形式或类型的装置。举例来说,用户装置102可以替代地呈支付卡、钥匙卡、PDA、平板计算机、网书、膝上型计算机、智能手表等形式。
访问装置110可以包括由资源提供商(例如,商家)操作的任何合适的计算设备。访问装置110可以包括处理器和耦接到该处理器的计算机可读介质,该计算机可读介质包括可以由处理器执行的用于执行本文所述的功能性的代码。在一些实施例中,访问装置110可以用于与用户装置102、资源提供商计算机112、处理网络计算机或任何其它合适的装置和/或系统通信。在一些实施例中,访问装置110可以处于任何合适的形式并且通常可以位于任何适当位置,例如,位于资源提供商(例如,商家)的位置。访问装置的一些示例包括POS或销售点装置(例如,POS终端)、蜂窝电话、PDA、个人计算机(PC)、平板PC、手持式专用读取器、机顶盒、电子现金出纳机(ECR)、自动柜员机(ATM)、虚拟现金出纳机(VCR)、查询一体机、安全系统、访问系统等。访问装置110可以使用任何合适的接触或非接触操作模式以向用户装置102发送或从其接收数据,或与该用户装置相关联。在一些实施例中,访问装置110可以包括POS终端,并且可以包括读取器、处理器和计算机可读介质。读取器可以包括任何合适的接触或非接触操作模式。举例来说,示范性读卡器可以包括射频(RF)天线、光学扫描仪、条形码读取器或磁条读取器,以与支付装置和/或移动装置交互。在一些实施例中,用作POS终端的蜂窝电话、平板电脑或其它专用无线装置可以被称为移动销售点或“mPOS”终端。
资源提供商计算机112可以包括由资源提供商(例如,商家)操作或代表资源提供商的任何合适的计算设备。资源提供商计算机112可以包括处理器和耦接到处理器的计算机可读介质,所述计算机可读介质包括可由处理器执行的用于执行下文描述的功能性的代码。在一些实施例中,资源提供商计算机112可以包括网络服务器计算机,其可以托管与资源提供商相关联的一个或多个网站。在一些实施例中,资源提供商计算机112可以被配置成将数据(例如,授权请求信息、授权响应消息等)向/从传输计算机114、处理网络计算机116、访问装置110或系统的任何合适部件发送/接收数据(例如,授权请求消息、认证响应消息等)。
资源提供商计算机112可以被配置成参与交易、售卖商品或服务或向用户103提供对商品或服务的访问。资源提供商可以接受多种形式的支付(例如,表示为用户装置102的支付卡),并且可以使用多种工具来进行不同类型的交易。例如,资源提供商可以运营实体商店并且使用访问装置110进行当面交易。资源提供商还可以经由网站来售卖商品和/或服务,并且可通过因特网来(例如,经由用户装置102)接受支付。
传输计算机114可以与和特定资源提供商(例如,商家)或其它实体有业务关系并且可能涉及交易过程的企业实体(例如,商业银行)相关。传输计算机114可以为资源提供商发行和管理账户,并代表资源提供商与授权实体计算机120交换资金。一些实体可以执行传输计算机114和授权实体计算机120两者的功能。本发明的实施例涵盖此类单一实体运输/授权实体计算机。在一些实施例中,传输计算机114可以被配置成向/从处理网络计算机116发送/接收数据(例如,在授权请求消息或另一消息中接收的TAC)。
处理网络计算机116可以被配置成处理用户103(例如,利用用户装置102)和与资源提供商计算机112相关联的资源提供商之间的交易。在一些示例中,处理网络计算机116可以被配置成在与收单方相关联的传输计算机114(例如,与资源提供商相关联的金融机构)和与授权实体相关联的授权实体计算机120(例如,与用户103相关联的金融机构)之间执行结算过程。
如图1中所示,处理网络计算机116可以安置在传输计算机114与授权实体计算机120之间。处理网络计算机116可以包括用来支持和传递授权服务、异常文件服务以及清算与结算服务的数据处理子系统、网络和操作。例如,处理网络计算机116可以包括(例如,通过外部通信接口)耦接到网络接口的服务器,以及信息数据库。处理网络计算机116可以代表交易处理网络。示范性交易处理网络可以包括VisaNetTM。例如VisaNetTM等交易处理网络能够处理信用卡交易、借记卡交易和其它类型的商业交易。VisaNetTM确切地说包括处理授权请求的VIP系统(Visa集成式支付系统),和执行清算和结算服务的Base II系统。处理网络计算机116可以使用任何合适的有线或无线网络,包括因特网。
在一些实施例中,处理网络计算机116可以包括高速缓存116A。高速缓存116A可以包括处理网络计算机116的任何适当大小的随机存取存储器。在一些实施例中,处理网络计算机116可以通信耦接到历史数据数据库117。历史数据数据库117可以被配置成存储任何合适量的历史数据。在一些实施例中,历史数据可以包括对应于任何合适数量的用户账户的历史交易数据。举例来说,历史交易数据可以包括在任何合适时间内由处理网络计算机116已经处理的过往交易的任何部分。在一些实施例中,历史数据数据库117可以由处理网络提供商操作,和/或历史数据数据库117可以代表另一个实体被操作,但可以由处理网络计算机116访问。
授权实体计算机120通常与为用户(例如,用户103)发行和维护用户账户的企业实体(例如,银行)相关联。授权实体可以为用户账户(例如,消费者账户)发行支付装置,包括信用卡和借记卡,和/或可以提供经由用户装置102存储和可访问的用户账户。在一些实施例中,授权实体计算机118可以被配置成向/从处理网络计算机116发送/接收数据。
在图2中示出了根据本发明实施例的处理网络计算机116的示例。处理网络计算机116可以包括高速缓存116A、处理器116B、网络接口116C和计算机可读介质116D。
计算机可读介质116D可以包括数个部件,例如处理模块116E、操作引擎116F和预测引擎116G。构想了更多或更少部件。还应了解,图2中所描绘的部件可组合以执行本文所描述的功能。计算机可读介质116D还可以包括可以由处理器116B执行以实施本文所论述的方法的代码。
处理模块116E可以包括代码,所述代码在被执行时使处理器116B从任何合适的源向任何合适的目的地发送和/或接收授权请求消息和/或授权响应消息。举例来说,处理模块116E可以被配置成使处理器116B从图1的传输计算机114接收授权请求消息。在一些实施例中,处理模块116E可以被配置成使处理器116B向任何合适的目的地,例如图1的授权实体计算机120传送授权请求消息。处理模块116E可以进一步被配置成从任何合适的源(例如,授权实体计算机120)接收授权响应消息,并向任何合适的目的地(例如,传输计算机114)传送授权响应消息。
操作引擎116F可以包括代码,所述代码在被执行时使处理器116B至少利用包括在授权请求消息中的交易数据来执行任何合适的操作。在一些实施例中,包括在特定的授权请求消息中的交易数据(例如,账户标识符、诸如商家和/或交易的位置标识符等商家信息、与交易相关联的金额等)可以由处理模块116E传送到操作引擎116F。操作引擎116F可以被配置成利用此类数据执行任何合适的操作。举例来说,操作引擎116F可以被配置成至少部分地基于在授权请求消息中提供的交易数据来生成与交易相关联的风险得分。
在一些实施例中,操作引擎116F可以被配置成使处理器116B访问高速缓存116A以确定高速缓存116A中是否存在对应于在授权请求消息中使用的账户的历史交易数据。如果高速缓存中已经存在针对与授权请求消息相关联的账户标识符的历史交易数据,则操作引擎116F可以被配置成使处理器116B执行额外操作。举例来说,操作引擎116F可以利用来自高速缓存116A的历史交易数据和包括在授权请求消息中的交易数据来计算交易的风险得分。可以利用用于访问交易风险的任何合适的算法计算风险得分。在一些实施例中,此风险得分可以与各种其它计算出的风险得分一起使用,以最终为交易生成风险分析。风险得分可以独立地(即,作为分离的独立值)包括在所报告的风险分析中,或可以与其它风险得分合并,尝试基于授权请求消息的交易数据和/或与账户相关联的历史交易数据的任何合适组合来识别风险。
如果与授权请求消息的账户标识符相对应的历史交易数据未包括在高速缓存116A中,则操作引擎116F可以被配置成从另一个源,例如历史数据数据库117请求此类数据。历史数据数据库117可以被配置成存储在任何合适的时间段内与任何合适数量的账户标识符相关联的任何合适数量的历史交易数据。在一些实施例中,操作引擎116F可以请求历史数据数据库117中存储的历史数据的特定部分。例如,操作引擎116F可以被配置成使处理器116B请求在指定时间段(例如,过去24小时、上个月、去年等)内对应于包括在授权请求消息中的账户标识符的历史交易数据。操作引擎116F还可以被配置成使处理器116B从历史数据数据库117接收所请求的历史交易数据。所接收的历史交易数据接着可以用于执行任何合适的操作,例如根据任何合适的算法计算风险得分。
应当理解,风险得分的计算旨在本质上是说明性的。设想了操作引擎116F可以利用历史交易数据执行额外或替代操作。所执行的具体操作可以取决于历史交易数据的类型和性质以及操作引擎116F正在执行操作的上下文而变化。
作为另一非限制性示例,操作引擎116F可以被配置成识别所接收的交易数据何时与高速缓存存储装置中预测和指示的数据冲突。举例来说,操作引擎116F可以被配置成使处理器116B确定操作引擎116F已请求在高速缓存116A中不可检取的数据(例如,在诸如前一小时、前一天等时间段内的)超过阈值次数。在一些实施例中,此确定可以使操作引擎116F执行一个或多个补救任务(例如,向系统和/或管理员等提供通知)。
作为非限制性示例,高速缓存116A可以被配置成存储与(例如,由预测引擎116G)确定为可能在相对不久的将来(例如,在接下来的24小时内、在接下来的12小时内等)被访问的一个或多个账户标识符相关联的历史交易数据。如果确定操作引擎116F经常(例如,在给定时间段内超过阈值次数)请求高速缓存116A中未包含的数据,则可以利用用于识别一个或多个补救动作的预定协议集来配置操作引擎116F。在交易处理的上下文中,此确定可以使操作引擎116F激发预测引擎116G的功能,以便引起高速缓存116A的更新。在一些实施例中,预定协议集可以进一步识别可以使操作引擎116F使处理器116B向任何合适的接收者(例如,管理员)发送通知(例如,电子邮件、文本消息或任何合适的电子通信)的附加/替代补救动作。通知可以尤其指示在一段时间内已经从高速缓存116A多次请求高速缓存116A中不包含的数据。此通知可使得接收者能够被通知系统没有准确地预测最有可能使用的数据和/或系统的部件(例如,应用程序编程接口或其它通信接口)发生故障。
在一些实施例中,预测引擎116G可以配置有代码,所述代码在执行时使处理器116B维护预测模型。预测引擎116G可以被配置成使处理器116B利用历史交易数据(例如,存储在历史数据数据库117中的历史交易数据的至少一部分)在任何合适的时间训练预测模型。将参考图3更详细地论述用于训练预测模型的过程。预测引擎116G可以被配置成使处理器116B在任何合适的时间利用预测模型来识别对应于可能用于相对近将来(例如,接下来24小时、接下来12小时、四天等)进行的交易中的账户的多个账户标识符。在一些实施例中,预测引擎116G可以使处理器116B将时间段(例如,对应于特定日期的接下来24小时)输入到先前训练过的模型。模型的输出可以识别在给定时间段内可能(例如,超过阈值可量化可能性,例如,95%可能性)利用的若干账户标识符。预测引擎116G可以被配置成使处理器116B获得与所识别的账户标识符相对应的历史交易数据的某个部分(例如,这些账户标识符的最后24小时的交易数据、过去一年中的对应交易等)。一旦获得,预测引擎116G就可以被配置成使处理器116B将所获得的数据存储在高速缓存116A内。
在一些实施例中,操作引擎116F和/或预测引擎116G可以被配置成将对应于授权请求消息的交易数据存储在历史数据数据库117内,使得未来预测可以至少部分地基于在授权请求消息中接收的交易数据。
图3示出了框图300,示出了根据一些实施例的用于识别待缓存的特定数据的方法。如上所述,历史数据数据库117可以被配置成存储与任何合适数量的账户标识符(例如,与金融账户相关联的个人账户标识符(PAN))相关联的任何合适量的历史交易数据。这些账户标识符可以逐一与特定用户(例如,图1的用户103)相关联。在一些实施例中,历史数据数据库117可以包括与先前已处理交易的每个账户标识符相对应的整个账户历史(例如,包括所有交易)。在替代实施例中,历史数据数据库117可以被配置成存储整个账户历史的某个部分(例如,对应于在特定时间段内,例如过去六个月、过去五年等内进行的交易)。在一些实施例中,历史数据数据库117可以位于远离图1和2的处理网络计算机116,但可以经由任何合适的通信协议由处理网络计算机116的预测引擎116G访问的装置处。
在步骤1,预测引擎116G可以从历史数据数据库117请求训练数据(例如,历史交易数据)。请求可以任选地指示时间段(例如,过去五年、过去六个月等)。如果请求中未指定时间段,则请求可以被视为适用于由历史数据数据库117存储的所有交易数据。
在步骤2,历史数据数据库117可以将所请求的历史交易数据返回到预测引擎116G。
在步骤3,预测引擎116G可以执行任何合适的操作,以利用从历史数据数据库117接收的历史交易数据来训练预测模型。在一些实施例中,可以利用任何合适的有监督和/或无监督机器学习技术来训练预测模型。在有监督学习中,训练数据(例如,历史交易数据)可以被标记和/或分类。例如,历史交易数据可以包括与发起/处理交易的日期/时间相对应的日期和/或时间戳。因此,历史交易数据的关系可能已经是已知的。在无监督学习中,训练数据(例如,历史交易数据)可能先前未被标记、分类和/或归类。通过无监督学习,可以识别数据中的共性。在无监督学习中,可以学习元素(例如,交易数据的字段,例如商家标识符、账户标识符、交易金额等)之间的关系。利用有监督或无监督学习技术,预测引擎116G可以训练预测模型以识别可能在给定时间段(例如,接下来24小时)内使用的账户。
作为具体示例,预测引擎116G可以获得对应于与存储在历史数据数据库117中的任何合适的数据相关联的所有账户标识符的过去五年的历史交易数据。预测引擎116G可以被预配置以训练预测模型,以识别可能在预定时间段内发生交易的账户。另外或替代地,可以训练预测模型以利用数据和/或时间范围作为输入,以便识别可能(例如,超过阈值可能性,例如90%可能性、95%可能性等)用于在所提供的日期和/或所提供的时间范围内进行交易的账户。例如,利用无监督学习技术,所述模型可以获悉特定账户标识符历史上在过去的给定日期/时间中已被使用。
作为非限制性示例,所述模型可以获悉,所有账户标识符中的特定5%归于去年、前一年、过去五年等中给定日期执行的所有交易的97%。在一些实施例中,可以训练预测模型以利用季节、对应于交易日期的节假日信息、与账户持有人相关联的人口统计信息或与历史交易数据相关联的任何合适的信息,以识别可能在指定日期和/或在指定时间段内使用的账户。在一些实施例中,可以训练模型以对每个账户进行评分,以指示在指定日期和/或在指定时间段内使用所述账户的可能性。一旦评分,就可以将特定数量,例如得分最高的账户(例如,最高的50个、最高的100个、最高的1000个等)识别为最可能在给定的输入日期和/或时间段内使用。在其它实施例中,预测模型可以被配置成输出对应可能性得分等于或超过阈值的任何合适数量的账户。例如,所述模型可以识别账户可能超过预定阈值(例如,80%可能性、90%可能性等)被使用的任何合适数量的账户。在任何合适的情境中,预测模型可以输出对应于其预测可能在指定日期和/或在指定时间段内使用的账户的任何合适数量的账户标识符。
在步骤4,预测引擎116G可以使历史交易数据存储在高速缓存116A中。存储在高速缓存116A中的特定历史交易数据可以对应于识别为从预测模型输出的账户标识符。
应当理解,预测模型可以在任何合适的时间由预测引擎116G重新训练。举例来说,对应于新接收的授权请求消息的新接收的交易数据可以被添加到历史数据数据库117,并且用于周期性地在更新历史数据数据库117时或在任何合适的时间重新训练预测模型。
类似地,应当了解,预测引擎116G可以被配置成在任何合适的时间更新高速缓存116A。例如,预测引擎116G可以周期性地利用先前训练过的预测模型(或最近重新训练的预测模型),以确保高速缓存116A包含对应于最可能在给定日期和/或在给定时间段内使用的账户的历史交易数据。作为非限制性示例,预测引擎116G可以被配置成每天在上午12:01更新高速缓存116A以包括对应于最有可能在当天(例如,在当天的上午12:01与下午11:59之间)发生的交易中使用的账户的历史交易数据。应当了解,可以根据需要更频繁地更新高速缓存116A。同样,高速缓存116A可以较不频繁地更新,但包括较长时间段内的历史交易数据(例如,对应于可能在接下来的两天、下周、下个月等使用的账户的历史交易数据)。
图4示出了框图400,示出了根据一些实施例的用于利用高速缓存(例如,图1-3的高速缓存116A)执行数据计算的方法。在本发明的实施例中,可以按顺序或以任何合适的次序执行图4中所示的步骤。在一些实施例中,一个或多个步骤可以是任选的。
在步骤1,可以由操作引擎116F接收授权请求消息。在一些实施例中,可以经由图2的处理模块116E接收或直接由操作引擎116F接收授权请求消息。授权请求消息可以包括任何合适的交易数据,例如但不限于账户标识符(例如,PAN)、日期、时间、商家标识符(例如,名称、地址、商家专用的字母数字标识符等)、交易金额等。
在步骤2,操作引擎116F可以确定是否将对应于包括在授权请求消息中的账户标识符的历史交易数据存储在高速缓存116A内。在一些实施例中,由于上文结合图3描述的缓存过程在接收到授权请求消息之前执行,此类历史交易数据可能存在于高速缓存116A中。如果将对应于包括在授权请求消息中的账户标识符的历史交易数据存储在高速缓存116A内,该方法可以继续进行到步骤4。
在步骤3,如果与授权请求消息中包括的账户标识符相关联的历史交易数据未存储在高速缓存116A中,则操作引擎116F可以被配置成从历史数据数据库117请求此类历史交易数据。在一些实施例中,在步骤3处提供的请求可以识别为其请求历史交易数据的特定账户标识符。请求可以任选地包括历史交易数据涉及的时间段。也就是说,请求可以指示请求过去六个月、五年内等使用该账户标识符进行的交易的历史交易数据。在一些实施例中,请求可以不指定特定时间段。因此,历史数据数据库117可以被配置成响应于此类请求而提供该账户的所有已知历史交易数据。
在步骤4,可以利用(从高速缓存116A或从历史数据数据库117(取决于上述步骤2和3))获得的历史交易数据来执行任何合适的操作。如本文所论述,历史交易数据可以用于计算授权请求消息的风险得分。在一些实施例中,操作引擎116F可以被配置成当风险得分等于或超过阈值时使授权请求消息被拒绝。任何合适的操作可以由操作引擎116F执行,不一定涉及风险得分。利用所获得的历史交易数据执行的特定操作可以基于特定交易类型和执行交易的上下文而变化。因此,类似的缓存技术可以在交易处理之外的多种上下文中使用,并且操作引擎116F可以使用在给定上下文中适用的历史交易数据执行任何合适的操作。
在步骤5,操作引擎116F可以被配置成至少部分地基于计算的风险得分而拒绝授权请求消息,或将授权请求消息转发至另一系统以供进一步处理。
举例来说,如果转发授权请求消息(例如,由于风险得分在阈值以下),则它可以被转发到图1的授权实体计算机120以进行进一步处理。返回参考图1,授权请求消息可以由授权实体计算机120进一步处理,其可基于与授权实体相关联的传统交易处理来许可或拒绝授权请求。授权响应消息可以从授权实体计算机120被提供并经由处理网络计算机116被转发到传输计算机114。继而,传输计算机114可以将授权响应消息转发至资源提供商计算机112和/或访问装置110,以便(例如,经由访问装置110和/或用户装置102向用户103)指示交易被批准或拒绝。可以根据传统清算和结算方法在稍后时间执行清算和结算过程。
返回图4,在步骤1处接收的交易数据可以在任何合适的时间被提供到历史数据数据库117,以便用于未来的操作。例如,在步骤6,交易数据可以由操作引擎116F通过任何合适的通信协议提供到历史数据数据库117,交易数据可以被存储在那里以供将来使用。步骤6的操作可以在任何合适的时间执行。例如,在步骤1中接收授权请求消息时,在步骤4的操作结束后,在步骤5中转发授权请求消息时,或在任何合适的时间,可以将交易数据转发到历史数据数据库117。
如上文简单描述,可以在任何合适的时间执行用于更新高速缓存116A的过程,与可以用于重新训练由预测引擎116G维护的预测模型的过程相同。举例来说,操作引擎116F可以激励预测引擎116G以在步骤7更新高速缓存116A和/或重新训练预测模型。替代地,预测引擎116G可以使用于更新高速缓存116A的过程和/或用于重新训练预测模型在任何合适的时间发生。如果由操作引擎116F激励,激励可以包括从操作引擎116F提供到预测引擎116G的任何合适的请求。
在步骤8,响应于由操作引擎116F提供的请求,根据时间表或其它方式,预测引擎116G可以周期性地从历史数据数据库117请求历史交易数据。历史数据数据库117可以被配置成返回所存储的历史交易数据的某个部分(例如,所有历史交易数据、对应于过去六个月、五年的历史交易数据等)。在收到后,预测引擎116G可以利用所获得的历史交易数据任选地重新训练预测模型。利用预测模型,预测引擎116G可以被配置成识别对应于可能在给定日期和/或在给定时间段内使用的账户的多个账户标识符。举例来说,预测引擎116G可以将历史交易数据以及日期和/或时间段作为输入提供至预测模型,以便接收对应于可能在所提供的日期或在所提供的时间段内使用的账户的多个账户标识符作为输出。
在步骤9,预测引擎116G可以识别与由预测模型识别的账户标识符相关联的特定历史交易数据作为输出。一旦被识别,对应于那些账户标识符的特定历史交易数据就可由预测引擎116G存储在高速缓存116A内。因此,在操作引擎116F接收到包括这些账户标识符中的一个的授权请求消息后,操作引擎116F可以从高速缓存116A检取对应历史交易数据比从历史数据数据库117检取要快得多。
图5示出了流程图,示出了根据一些实施例的用于执行数据运算的方法500。方法500可以以任何合适的顺序执行。可以在方法500内执行更多或更少的操作。
方法500可以在502处开始,在此可以(例如,由操作引擎116F经由图2的处理模块116E)接收授权请求消息。在一些实施例中,所述授权请求消息可以针对与账户相关联的交易。授权请求消息可以包括与账户相关联的账户标识符以及与交易相关联的任何合适的交易数据(例如,商家标识符、日期、时间、交易金额等)。
在504,可以(例如,由操作引擎116F)确定与该账户相关联的历史交易数据是否存储在计算装置(例如,处理网络计算机116)可访问的高速缓存(例如,高速缓存116A)中。在一些实施例中,操作引擎116F可以被配置成利用授权请求消息的账户标识符来确定那一账户标识符的历史交易数据是否存储在高速缓存116A内。如果账户标识符的历史交易数据存储在高速缓存116A内,则所述方法可以进行506。如果账户标识符的历史交易数据未存储在高速缓存116A内,则所述方法可以进行到510。
在506处,可以(例如,由操作引擎116F)从高速缓存116A检取与账户相关联的历史交易数据。如上文所论述,此历史交易数据可以包括与账户标识符相关联的任何合适数量的交易。对于一些实施例而言,历史交易数据可以对应于去年、过去五年、过去10年等进行的交易。而在其它实施例中,历史交易数据可以对应于与账户相关联的所有已知交易。
在508处,可以响应于接收到授权请求消息而(例如,由操作引擎116F)执行至少一个操作。在一些实施例中,至少一个操作可以利用从高速缓存116A检取的历史交易数据。
然而,如果历史交易数据未存储在高速缓存116A内,则方法500可以从504进行到510,其中,可以从历史交易数据库(例如,以上附图的历史数据数据库117)(例如,由操作引擎116F)检取与账户相关联的历史交易数据。历史交易数据可以再次包括与账户标识符相关联的任何合适数量的交易(例如,对应于在某个先前时间段内进行的交易的历史交易数据、所有已知历史交易数据等)。
在512处,可以响应于接收到授权请求消息而(例如,由操作引擎116F)执行至少一个操作。在一些实施例中,所述至少一个操作可以利用从历史交易数据库检取的历史交易数据。
技术优势
本发明的实施例具有数个优势。例如,利用上文讨论的技术,在接收与账户相关联的授权请求消息之前,可以识别、聚合执行各种操作(例如,计算风险得分)可能需要的历史交易数据并存储在高速缓存内。通过(例如,利用预测模型)识别历史交易数据,相对于常规系统减少了用于执行这些操作和/或处理授权请求消息所需的处理时间。与相对于处理系统来说远程的历史交易数据库相比,高速缓存可以提供对历史交易数据的更快访问。因此,可以更快速地访问高速缓存的历史交易数据,这继而可以导致更快的处理时间和系统整体的延时降低。另外,通过利用预测模型来识别特定历史交易数据,系统可以在高速缓存116A内维持相对较少量的数据。预测模型可以用于识别对应于可能在特定日期和/或在特定时间段内使用的账户的账户标识符。所述系统可选择性地仅存储对应于高速缓存内的那些已识别账户的历史交易数据。这可以使系统能够在高速缓存内仅维持可能需要的信息,并且避免多余的信息不必要地存储在高速缓存内。这也可以通过提高高速缓存不包含在特定的未来时间段内不太可能使用的多余数据的可能性来提高系统的性能。
本文所述的任何计算装置可以是计算机系统的示例,所述计算机系统可用于实现上述任何实体或组件。此类计算机系统的子系统可以通过系统总线互连。额外子系统包括打印机、键盘、存储装置和监视器,所述监视器耦合到显示器适配器。外围设备和输入/输出(I/O)装置耦合到I/O控制器,并且可以通过本领域已知的许多手段中的任何一种(例如串行端口)连接到计算机系统。例如,I/O端口或外部接口可以用于将计算机设备连接到广域网(例如,因特网)、鼠标输入装置或扫描器。通过系统总线的互连可以允许中央处理器与每个子系统通信,并且控制来自系统存储器或存储装置的指令的执行,以及在子系统之间的信息交换。系统存储器和/或存储装置可以体现计算机可读介质。
如所描述,本发明的服务可涉及实施一个或多个功能、过程、操作或方法步骤。在一些实施例中,所述功能、过程、操作或方法步骤可以实施为由适当地被编程的计算装置、微处理器、数据处理器等执行指令集或软件代码的结果。指令集或软件代码可以存储在由计算装置、微处理器等存取的存储器或其它形式的数据存储元件中。在其它实施例中,所述功能、过程、操作或方法步骤可由固件或专用处理器、集成电路等实施。
本申请中描述的任何软件部件或功能可使用任何合适的计算机语言实施为由处理器执行的软件代码,所述计算机语言例如使用常规的或面向对象的技术的Java、C++或Perl。软件代码可作为一系列指令或命令存储在计算机可读介质上,例如随机存取存储器(RAM)、只读存储器(ROM)、例如硬盘驱动器的磁介质或软盘、或例如CD-ROM的光学介质。任何此类计算机可读介质可驻存在单个计算设备上或内部,并且可存在于系统或网络内的不同计算设备上或内部。
虽然已经详细描述并在附图中示出某些示范性实施例,但应理解,此类实施例仅仅是对本发明的说明而非限制,并且本发明不限于所示和所描述的具体布置和构造,因为所属领域的一般技术人员可以想到各种其它修改。
如本文中所使用,除非明确指示有相反的意思,否则使用“一(a/an)或“所述”旨在表示“至少一个”。
Claims (15)
1.一种计算机实施的方法,包括:
由计算装置接收针对与账户相关联的交易的授权请求消息;
确定与所述账户相关联的历史交易数据是否存储在所述计算装置能够访问的高速缓存中;
当所述历史交易数据存储在所述高速缓存中时:
由所述计算装置从所述高速缓存检取与所述账户相关联的所述历史交易数据;以及
响应于接收到所述授权请求消息,由所述计算装置执行至少一个操作,所述至少一个操作利用检取到的所述历史交易数据;以及
当所述历史交易数据未存储在所述高速缓存中时:
由所述计算装置从历史交易数据库获得与所述账户相关联的所述历史交易数据;以及
响应于接收到所述授权请求消息,由所述计算装置执行至少一个操作,所述至少一个操作利用从所述历史交易数据库获得的所述历史交易数据;
由所述计算装置利用预测模型从多个账户识别一个或多个账户,所述一个或多个账户被所述预测模型识别为可能用于在未来时间段内进行一个或多个交易,所述预测模型至少部分地基于与所述多个账户相关联的历史交易数据而被训练;
由所述计算装置从数据储存库获得所述历史交易数据的一部分,所述历史交易数据的所述一部分对应于在第二时间段内利用所述一个或多个账户进行的交易;以及
在所述计算装置处将所述历史交易数据的所述一部分存储在所述高速缓存内。
2.根据权利要求1所述的计算机实施的方法,进一步包括利用与授权请求消息相关联的交易数据更新所述历史交易数据,其中,所述预测模型至少部分地基于更新的所述历史交易数据而被更新。
3.根据权利要求1所述的计算机实施的方法,其中,响应于接收到所述授权请求消息而执行识别所述一个或多个账户、获得所述历史交易数据的所述一部分以及存储所述历史交易数据的所述一部分。
4.根据权利要求1所述的计算机实施的方法,其中,周期性地执行识别所述一个或多个账户、获得所述历史交易数据的所述一部分以及存储所述历史交易数据的所述一部分。
5.根据权利要求1所述的计算机实施的方法,进一步包括利用所述授权请求消息的交易数据更新所述历史交易数据,其中,在利用所述交易数据更新所述历史交易数据之后,从所述多个账户中识别所述一个或多个账户。
6.根据权利要求1所述的计算机实施的方法,其中,所述历史交易数据识别历史上在特定历史时间段内已经利用的所述多个账户的数量。
7.根据权利要求6所述的计算机实施的方法,其中,确定所述数量的所述多个账户已经执行了在所述特定历史时间段内发生的超过阈值百分比的交易。
8.一种处理网络计算机,包括:
处理器;以及
计算机可读介质,所述计算机可读介质包括能够由所述处理器执行的代码以实施包括以下操作的方法:
接收针对与账户相关联的交易的授权请求消息;
确定与所述账户相关联的历史交易数据是否存储在所述处理网络计算机能够访问的高速缓存中;
当所述历史交易数据存储在所述高速缓存中时:
从所述高速缓存检取与所述账户相关联的所述历史交易数据;以及
响应于接收到所述授权请求消息,执行至少一个操作,所述至少一个操作利用检取到的所述历史交易数据;以及
当所述历史交易数据未存储在所述高速缓存中时:
从历史交易数据库获得与所述账户相关联的所述历史交易数据;以及
响应于接收到所述授权请求消息,执行至少一个操作,所述至少一个操作利用从所述历史交易数据库获得的所述历史交易数据;
利用预测模型从多个账户识别一个或多个账户,所述一个或多个账户被所述预测模型识别为可能用于在未来时间段内进行一个或多个交易,所述预测模型至少部分地基于与所述多个账户相关联的历史交易数据而被训练;
从数据储存库获得所述历史交易数据的一部分,所述历史交易数据的所述一部分对应于在第二时间段内利用所述一个或多个账户进行的交易;以及
将所述历史交易数据的所述一部分存储在所述高速缓存内。
9.根据权利要求8所述的处理网络计算机,所述方法进一步包括利用与所述授权请求消息相关联的交易数据更新所述历史交易数据,其中,所述预测模型至少部分地基于更新的所述历史交易数据而被更新。
10.根据权利要求8所述的处理网络计算机,其中,响应于接收到所述授权请求消息而执行识别所述一个或多个账户、获得所述历史交易数据的所述一部分以及存储所述历史交易数据的所述一部分。
11.根据权利要求8所述的处理网络计算机,其中,周期性地执行识别所述一个或多个账户、获得所述历史交易数据的所述一部分以及存储所述历史交易数据的所述一部分。
12.根据权利要求8所述的处理网络计算机,所述方法进一步包括利用所述授权请求消息的交易数据更新所述历史交易数据,其中,在利用所述交易数据更新所述历史交易数据之后,从所述多个账户中识别所述一个或多个账户。
13.根据权利要求8所述的处理网络计算机,其中,所述预测模型是利用无监督机器学习技术训练的。
14.根据权利要求8所述的处理网络计算机,其中,所述历史交易数据识别历史上在特定历史时间段内已经利用的所述多个账户的数量。
15.根据权利要求14所述的处理网络计算机,其中,确定所述数量的所述多个账户已经执行了在所述特定历史时间段内发生的超过阈值百分比的交易。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210049997.4A CN114358794A (zh) | 2018-11-13 | 2019-11-12 | 用于利用预测模型来缓存处理数据的技术 |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/189,565 | 2018-11-13 | ||
US16/189,565 US11176556B2 (en) | 2018-11-13 | 2018-11-13 | Techniques for utilizing a predictive model to cache processing data |
PCT/US2019/060954 WO2020102215A1 (en) | 2018-11-13 | 2019-11-12 | Techniques for utilizing a predictive model to cache processing data |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210049997.4A Division CN114358794A (zh) | 2018-11-13 | 2019-11-12 | 用于利用预测模型来缓存处理数据的技术 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113015994A CN113015994A (zh) | 2021-06-22 |
CN113015994B true CN113015994B (zh) | 2022-02-08 |
Family
ID=70550418
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210049997.4A Pending CN114358794A (zh) | 2018-11-13 | 2019-11-12 | 用于利用预测模型来缓存处理数据的技术 |
CN201980074680.2A Active CN113015994B (zh) | 2018-11-13 | 2019-11-12 | 用于利用预测模型来缓存处理数据的技术 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210049997.4A Pending CN114358794A (zh) | 2018-11-13 | 2019-11-12 | 用于利用预测模型来缓存处理数据的技术 |
Country Status (5)
Country | Link |
---|---|
US (2) | US11176556B2 (zh) |
EP (1) | EP3881261A4 (zh) |
CN (2) | CN114358794A (zh) |
SG (1) | SG11202104741SA (zh) |
WO (1) | WO2020102215A1 (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2020310882A1 (en) | 2019-07-08 | 2022-02-10 | Synchrony Bank | Post-purchase credit offer and tender switch |
US11727412B2 (en) * | 2019-12-18 | 2023-08-15 | Mastercard International Incorporated | Systems and methods for optimizing transaction authorization request message to reduce false declines |
CN111861486B (zh) * | 2020-06-29 | 2024-03-22 | 中国银联股份有限公司 | 异常账户识别方法、装置、设备及介质 |
US11438442B1 (en) * | 2021-03-18 | 2022-09-06 | Verizon Patent And Licensing Inc. | Systems and methods for optimizing provision of high latency content by a network |
US20230029024A1 (en) * | 2021-07-21 | 2023-01-26 | Big Bear Labs, Inc. | Systems and Methods for Failed Payment Recovery Systems |
US20230138987A1 (en) * | 2021-11-04 | 2023-05-04 | International Business Machines Corporation | Efficient machine learning model inference |
US11966459B2 (en) | 2022-09-06 | 2024-04-23 | Capital One Services, Llc | Systems and methods for virtual certification number authorization transmission |
Family Cites Families (49)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5305389A (en) * | 1991-08-30 | 1994-04-19 | Digital Equipment Corporation | Predictive cache system |
WO2002013095A2 (en) * | 2000-08-03 | 2002-02-14 | Unicru, Inc. | Electronic employee selection systems and methods |
KR101491797B1 (ko) | 2008-03-14 | 2015-02-11 | 주식회사 케이티 | 거래 내역 갱신 서비스 제공 시스템 및 그 방법 |
US10346844B2 (en) * | 2008-11-14 | 2019-07-09 | Mastercard International Incorporated | Methods and systems for providing a decision making platform |
US8473688B2 (en) * | 2010-03-26 | 2013-06-25 | Microsoft Corporation | Anticipatory response pre-caching |
US8694401B2 (en) * | 2011-01-13 | 2014-04-08 | Lenddo, Limited | Systems and methods for using online social footprint for affecting lending performance and credit scoring |
US20130144785A1 (en) * | 2011-03-29 | 2013-06-06 | Igor Karpenko | Social network payment authentication apparatuses, methods and systems |
WO2012166944A2 (en) * | 2011-06-03 | 2012-12-06 | Uc Group Limited | Systems and methods for registration, validation, and monitoring of users over multiple websites |
US20130046603A1 (en) * | 2011-08-17 | 2013-02-21 | Bank Of America Corporation | Method of providing an offer based on a projected path triggered by a point of sale transaction |
US9143563B2 (en) * | 2011-11-11 | 2015-09-22 | Rockwell Automation Technologies, Inc. | Integrated and scalable architecture for accessing and delivering data |
US10223710B2 (en) * | 2013-01-04 | 2019-03-05 | Visa International Service Association | Wearable intelligent vision device apparatuses, methods and systems |
US8849731B2 (en) * | 2012-02-23 | 2014-09-30 | Microsoft Corporation | Content pre-fetching for computing devices |
US9058324B2 (en) * | 2012-09-28 | 2015-06-16 | Intel Corporation | Predictive precaching of data based on context |
US20140180826A1 (en) * | 2012-12-22 | 2014-06-26 | Coupons.Com Incorporated | Consumer identity resolution based on transaction data |
US11232447B2 (en) * | 2013-03-15 | 2022-01-25 | Allowify Llc | System and method for enhanced transaction authorization |
CN104951446A (zh) * | 2014-03-25 | 2015-09-30 | 阿里巴巴集团控股有限公司 | 大数据处理方法及平台 |
CN105095970B (zh) * | 2014-04-25 | 2018-09-21 | 阿里巴巴集团控股有限公司 | 第三方应用的执行方法及系统 |
US9996837B2 (en) * | 2014-06-06 | 2018-06-12 | Visa International Service Association | Integration of secure protocols into a fraud detection system |
US20150356575A1 (en) * | 2014-06-10 | 2015-12-10 | Mastercard International Incorporated | Methods and systems for predicting online and in-store purchasing |
US20160042354A1 (en) | 2014-08-06 | 2016-02-11 | Amadeus S.A.S. | Predictive fraud screening |
US20160062916A1 (en) * | 2014-08-27 | 2016-03-03 | The Board Trustees Of The Leland Stanford Junior University | Circuit-based apparatuses and methods with probabilistic cache eviction or replacement |
US20160210633A1 (en) * | 2015-01-15 | 2016-07-21 | Aleksander Epelman | Fraud detection systems utilizing reasonable travel time values from transactional data |
US11250431B2 (en) * | 2015-01-26 | 2022-02-15 | Mastercard International Incorporated | Systems and methods for enhanced fraud detection based on transactions at potentially compromised locations |
CN106296406A (zh) * | 2015-05-13 | 2017-01-04 | 阿里巴巴集团控股有限公司 | 交互数据的处理方法及装置 |
CN105590216B (zh) * | 2015-11-18 | 2021-03-02 | 中国银联股份有限公司 | 实时监控交易风险的方法及系统 |
CN105573675B (zh) * | 2015-12-16 | 2018-10-23 | 鸿秦(北京)科技有限公司 | 缓存管理装置中基于训练机制的用户习惯获取方法及装置 |
US9524205B1 (en) * | 2016-01-04 | 2016-12-20 | International Business Machines Corporation | Code fingerprint-based processor malfunction detection |
US11062214B2 (en) * | 2016-03-07 | 2021-07-13 | Crowe Llp | Computerized system and method of open account processing |
KR101693658B1 (ko) | 2016-04-05 | 2017-01-06 | 주식회사 티맥스 소프트 | 거래 이력 데이터를 저장하고 검색하는 방법, 업무 처리 서버 및 데이터 처리 서버 |
US20170300948A1 (en) * | 2016-04-18 | 2017-10-19 | Mastercard International Incorporated | Systems and Methods for Predicting Purchase Behavior Based on Consumer Transaction Data in a Geographic Location |
US20170364916A1 (en) * | 2016-06-17 | 2017-12-21 | Mastercard International Incorporated | Systems and methods for building peer networks |
US10949845B2 (en) * | 2016-11-11 | 2021-03-16 | Mastercard International Incorporated | Systems and methods for expedited processing of authenticated computer messages |
US20180174210A1 (en) * | 2016-12-15 | 2018-06-21 | Mastercard International Incorporated | Systems and methods for detecting data inconsistencies |
US10572914B2 (en) * | 2016-12-16 | 2020-02-25 | Mastercard International Incorporated | Systems and methods for identifying updated unrequested on-file data |
US10776788B2 (en) * | 2017-05-10 | 2020-09-15 | Mastercard International Incorporated | Systems and methods for identifying compromised accounts using historical authorization messages |
KR101885232B1 (ko) | 2017-06-30 | 2018-08-03 | 기영준 | 비지도 학습 기반 신용카드 거래 위험도 측정 장치 및 방법 |
KR101901863B1 (ko) | 2017-07-26 | 2018-09-27 | (주)비에스지파트너스 | 기업 간 거래에서 예측된 정보 중심의 재원 추천 시스템 및 방법 |
US11494755B2 (en) * | 2017-08-21 | 2022-11-08 | First Performance Corporation | Systems and methods for providing low-latency access to cardholder location data and determining merchant locations and types |
US10078839B1 (en) * | 2017-08-30 | 2018-09-18 | Square, Inc. | Centralized system for data retrieval |
US10891695B2 (en) * | 2017-10-23 | 2021-01-12 | Omar Sayed | Real-time analysis using a database to generate data for transmission to computing devices |
US10848321B2 (en) * | 2017-11-03 | 2020-11-24 | Mastercard International Incorporated | Systems and methods for authenticating a user based on biometric and device data |
US20190147430A1 (en) * | 2017-11-10 | 2019-05-16 | Apple Inc. | Customizing payment sessions with machine learning models |
US20190172045A1 (en) * | 2017-12-04 | 2019-06-06 | The Toronto-Dominion Bank | Dynamic generation and provisioning of tokenized data to network-connected devices |
US20190188720A1 (en) * | 2017-12-15 | 2019-06-20 | Mastercard International Incorporated | Systems and methods for enhanced authorization processes |
US20190259095A1 (en) * | 2018-02-20 | 2019-08-22 | Southwest Business Corporation | Determining present and future virtual balances for a client computing device |
US20190354978A1 (en) * | 2018-05-17 | 2019-11-21 | Mastercard International Incorporated | Server and method for managing an authorization amount over a plurality of payments |
US20190392441A1 (en) * | 2018-06-25 | 2019-12-26 | Apple Inc. | Customizing authorization request schedules with machine learning models |
US11301853B2 (en) * | 2018-09-13 | 2022-04-12 | Paypal, Inc. | Speculative transaction operations for recognized devices |
US11087314B2 (en) * | 2018-09-26 | 2021-08-10 | The Toronto-Dominion Bank | Adaptive remittance learning |
-
2018
- 2018-11-13 US US16/189,565 patent/US11176556B2/en active Active
-
2019
- 2019-11-12 CN CN202210049997.4A patent/CN114358794A/zh active Pending
- 2019-11-12 SG SG11202104741SA patent/SG11202104741SA/en unknown
- 2019-11-12 WO PCT/US2019/060954 patent/WO2020102215A1/en unknown
- 2019-11-12 EP EP19885516.5A patent/EP3881261A4/en active Pending
- 2019-11-12 CN CN201980074680.2A patent/CN113015994B/zh active Active
-
2021
- 2021-10-26 US US17/511,377 patent/US20220051254A1/en not_active Abandoned
Also Published As
Publication number | Publication date |
---|---|
EP3881261A4 (en) | 2022-01-26 |
EP3881261A1 (en) | 2021-09-22 |
CN113015994A (zh) | 2021-06-22 |
US20220051254A1 (en) | 2022-02-17 |
US20200151726A1 (en) | 2020-05-14 |
WO2020102215A1 (en) | 2020-05-22 |
CN114358794A (zh) | 2022-04-15 |
US11176556B2 (en) | 2021-11-16 |
SG11202104741SA (en) | 2021-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113015994B (zh) | 用于利用预测模型来缓存处理数据的技术 | |
US10282723B2 (en) | Mobile device, method, and computer storage medium for determining an order of stored data items/payment account numbers based on location | |
US10915900B1 (en) | Interchange action delay based on refund prediction | |
US11741475B2 (en) | System, method, and computer program product for evaluating a fraud detection system | |
US20220020022A1 (en) | Systems and methods for electronic scheduling of payment transaction submissions over electronic networks | |
US20210256553A1 (en) | System and method for activity based interaction | |
US20230092462A1 (en) | Method, System, and Computer Program Product for Applying Deep Learning Analysis to Financial Device Usage | |
US20240013235A1 (en) | Method, System, and Computer Program Product for Fraud Prevention Using Deep Learning and Survival Models | |
US11144919B2 (en) | System, method, and computer program product for guaranteeing a payment authorization response | |
US20170352095A1 (en) | Portfolio optimized offers for mobile device | |
US20220215465A1 (en) | Predictive modeling based on pattern recognition | |
US20170083928A1 (en) | Method and system for analysis of immigration patterns | |
US11574306B2 (en) | Directing a transaction from one card to another card based on a cardholder preference provided to an issuer | |
WO2020149825A1 (en) | Systems and methods for cross border transaction data analysis | |
US20200364784A1 (en) | System, Method, and Apparatus for Providing a Closed End Credit Account Associated with a Debit Account | |
US11893586B2 (en) | Method, system, and computer program product for processing a potentially fraudulent transaction | |
US20200257666A1 (en) | "System, Method, and Computer Program Product for Monitoring and Improving Data Quality" | |
US12010119B2 (en) | Systems and methods for refreshing token data | |
US20220038460A1 (en) | Systems and methods for refreshing token data | |
US20190012689A1 (en) | System, Method, and Computer Program Product for Providing a Transaction Offset Based on a Transaction | |
WO2024081350A1 (en) | System, method, and computer program product for generating a machine learning model based on anomaly nodes of a graph | |
CN113393324A (zh) | 用于生成用户定制消息的系统和方法 |
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 |