CN113128986A - 长链路交易的报错处理方法及装置 - Google Patents
长链路交易的报错处理方法及装置 Download PDFInfo
- Publication number
- CN113128986A CN113128986A CN202110440940.2A CN202110440940A CN113128986A CN 113128986 A CN113128986 A CN 113128986A CN 202110440940 A CN202110440940 A CN 202110440940A CN 113128986 A CN113128986 A CN 113128986A
- Authority
- CN
- China
- Prior art keywords
- transaction
- message
- analysis result
- error
- error reporting
- 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
- 238000003672 processing method Methods 0.000 title abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 123
- 230000002159 abnormal effect Effects 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 37
- 230000008439 repair process Effects 0.000 claims abstract description 29
- 230000000977 initiatory effect Effects 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 50
- 238000013145 classification model Methods 0.000 claims description 24
- 238000003062 neural network model Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 18
- 238000013528 artificial neural network Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 239000000872 buffer Substances 0.000 description 4
- 238000011084 recovery Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000007474 system interaction Effects 0.000 description 1
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
- G06Q20/08—Payment architectures
- G06Q20/085—Payment architectures involving remote charge determination or related payment systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Accounting & Taxation (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明提供了一种长链路交易的报错处理方法及装置,涉及人工智能技术领域,可用于金融领域或其他领域。所述方法包括:根据接收的交易发起请求,获取多个交易节点的交易报文;利用预先建立的分析模型,对交易报文进行分析处理,得到分析结果;若获知分析结果为交易报错,则将交易判定为异常交易,对异常交易进行自动修复。本发明通过对长链路交易各个节点上的交易报文进行采集及分析处理,实现判断交易报文状态,以此提供交易报错的快速定位能力,对报错进行分析,对报错类型给出修复规则,实现自动修复。
Description
技术领域
本发明涉及长链路交易技术领域,尤指一种长链路交易的报错处理方法及装置。
背景技术
随着IT技术发展以及业务逻辑的日益复杂,业务交易流程也越来越长,一笔业务往往需要多个系统配合才能完成,交易流程及系统交互的复杂度提高也带来了一些报错定位与分析上的问题。对于长链路交易的稳定,现有技术较为局限,主要着眼依靠一些较为简单的技术指标建立事前监控网络,对于真实业务交易失败没有一种快速定位以及报错分析与自修复的方法。
发明内容
针对现有技术中存在的问题,本发明实施例的主要目的在于提供一种长链路交易的报错处理方法及装置,实现实时判断交易报文状态,对交易报错进行定位及自动修复。
为了实现上述目的,本发明实施例提供一种长链路交易的报错处理方法,所述方法包括:
根据接收的交易发起请求,获取多个交易节点的交易报文;
利用预先建立的分析模型,对所述交易报文进行分析处理,得到分析结果;
若获知所述分析结果为交易报错,则将所述交易判定为异常交易,并对所述异常交易进行自动修复。
可选的,在本发明一实施例中,所述分析模型是通过如下方式预先建立的:
获取分析结果为交易正常的历史报文,并从交易正常的历史报文中提取第一历史报文特征,将所述第一历史报文特征作为第一训练样本;
将所述第一训练样本输入第一初始神经网络模型中,对所述第一初始神经网络模型进行训练,得到所述分析模型。
可选的,在本发明一实施例中,所述利用预先建立的分析模型,对所述交易报文进行分析处理,得到分析结果包括:
从所述交易报文中提取交易报文特征;其中,所述交易报文特征包括:报文类型、报文长度及交易节点序号;
将所述交易报文特征输入预先建立的分析模型中,得到分析结果;其中,所述分析结果包括交易节点名称。
可选的,在本发明一实施例中,所述根据接收的交易发起请求,获取多个交易节点的交易报文包括:
根据接收的交易发起请求,确定交易的唯一流水号,并根据所述唯一流水号,获取多个交易节点的交易报文。
可选的,在本发明一实施例中,所述根据所述唯一流水号,获取多个交易节点的交易报文包括:
根据所述唯一流水号,从多个交易节点中实时获取与所述唯一流水号对应的交易报文。
可选的,在本发明一实施例中,所述若获知所述分析结果为交易报错,则将所述交易判定为异常交易,并对所述异常交易进行自动修复包括:
若获知所述分析结果为交易报错,则将所述交易判定为异常交易,并根据预先建立的分类模型确定所述异常交易的报错类型;
根据所述报错类型确定对应的预设修复规则,并根据所述预设修复规则,对所述异常交易进行自动修复。
可选的,在本发明一实施例中,所述分类模型是通过如下方式预先建立的:
获取分析结果为交易报错的历史报文及对应的报错类型,从交易报错的历史报文中提取第二历史报文特征,并将所述第二历史报文特征及对应的报错类型作为第二训练样本;
将所述第二训练样本输入第二初始神经网络模型中,对所述第二初始神经网络模型进行训练,得到所述分类模型。
本发明实施例还提供一种长链路交易的报错处理装置,所述装置包括:
交易报文模块,用于根据接收的交易发起请求,获取多个交易节点的交易报文;
分析结果模块,用于利用预先建立的分析模型,对所述交易报文进行分析处理,得到分析结果;
自动修复模块,用于若获知所述分析结果为交易报错,则将所述交易判定为异常交易,并对所述异常交易进行自动修复。
可选的,在本发明一实施例中,所述装置还包括分析模型模块,用于获取分析结果为交易正常的历史报文,并从交易正常的历史报文中提取第一历史报文特征,将所述第一历史报文特征作为第一训练样本;将所述第一训练样本输入第一初始神经网络模型中,对所述第一初始神经网络模型进行训练,得到所述分析模型。
可选的,在本发明一实施例中,所述分析结果模块包括:
特征提取单元,用于从所述交易报文中提取交易报文特征;其中,所述交易报文特征包括:报文类型、报文长度及交易节点序号;
分析结果单元,用于将所述交易报文特征输入预先建立的分析模型中,得到分析结果;其中,所述分析结果包括交易节点名称。
可选的,在本发明一实施例中,所述交易报文模块还用于根据接收的交易发起请求,确定交易的唯一流水号,并根据所述唯一流水号,获取多个交易节点的交易报文。
可选的,在本发明一实施例中,所述交易报文模块还用于根据所述唯一流水号,从多个交易节点中实时获取与所述唯一流水号对应的交易报文。
可选的,在本发明一实施例中,所述自动修复模块包括:
报错类型单元,用于若获知所述分析结果为交易报错,则将所述交易判定为异常交易,并根据预先建立的分类模型确定所述异常交易的报错类型;
自动修复单元,用于根据所述报错类型确定对应的预设修复规则,并根据所述预设修复规则,对所述异常交易进行自动修复。
可选的,在本发明一实施例中,所述装置还包括分类模型模块,用于获取分析结果为交易报错的历史报文及对应的报错类型,从交易报错的历史报文中提取第二历史报文特征,并将所述第二历史报文特征及对应的报错类型作为第二训练样本;将所述第二训练样本输入第二初始神经网络模型中,对所述第二初始神经网络模型进行训练,得到所述分类模型。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述方法。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述方法的计算机程序。
本发明通过对长链路交易各个节点上的交易报文进行采集,并对采集报文进行处理与分析,实现判断交易报文状态,以此提供交易报错的事中及事后快速定位能力,对报错进行分析,并对报错类型给出修复规则,实现自动修复。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一种长链路交易的报错处理方法的流程图;
图2为本发明实施例中建立分析模型的流程图;
图3为本发明实施例中得到分析结果的流程图;
图4为本发明实施例中建立分类模型的流程图;
图5为本发明实施例中报错自动修复的流程图;
图6为本发明实施例中应用长链路交易的报错处理方法的系统的交互示意图;
图7为本发明实施例中应用长链路交易的报错处理方法的系统中报文分析流程图;
图8为本发明实施例中应用长链路交易的报错处理方法的系统中报错处理流程图;
图9为本发明实施例一种长链路交易的报错处理装置的结构示意图;
图10为本发明一具体实施例中长链路交易的报错处理装置的结构示意图;
图11为本发明实施例中分析结果模块的结构示意图;
图12为本发明另一具体实施例中长链路交易的报错处理装置的结构示意图;
图13为本发明实施例中自动修复模块的结构示意图;
图14为本发明一实施例所提供的电子设备的结构示意图。
具体实施方式
本发明实施例提供一种长链路交易的报错处理方法及装置,涉及人工智能技术领域,可用于金融领域或其他技术领域,需要说明的是,本发明的长链路交易的报错处理方法及装置可用于金融领域,也可用于除金融领域之外的任意领域,本发明的长链路交易的报错处理方法及装置应用领域不做限定。
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
如图1所示为本发明实施例一种长链路交易的报错处理方法的流程图,本发明实施例提供的长链路交易的报错处理方法的执行主体包括但不限于计算机。图中所示方法包括:
步骤S1,根据接收的交易发起请求,获取多个交易节点的交易报文。
其中,接收客户发送的交易发起请求,赋予该交易一个唯一流水号。具体的,唯一流水号可以采用随机生成等方式进行设置。每一个交易均具有一个唯一流水号,根据唯一流水号,可以在长链路交易中多个交易节点中获取与唯一流水号对应的交易报文。具体的,交易报文包括各个交易节点上的交易请求报文与交易返回报文。
步骤S2,利用预先建立的分析模型,对所述交易报文进行分析处理,得到分析结果。
其中,可以先采集一定数量的分析结果为交易正常的报文,并提取报文特征作为训练样本,如报文类型、报文长度、json数据字典、交易节点序号等,然后用BP算法,建立一个三层神经网络,利用训练样本对神经网络进行训练并优化,由此得到分析模型。
进一步的,从交易报文中提取出交易报文特征,将交易报文特征输入至分析模型中进行分析处理。得到的分析结果包括交易状态是否为正常,若交易正常,则分析结果为交易正常,若交易不正常,则分析结果为交易报错。此外,分析结果中还包括交易节点名称,若交易报错,则可以根据交易节点名称定位出现异常的交易节点。
步骤S3,若获知所述分析结果为交易报错,则将所述交易判定为异常交易,并对所述异常交易进行自动修复。
其中,若分析结果为交易报错,则说明该交易为异常交易。利用预先建立的分类模型,判断异常交易的报错类型,例如超时类型。
进一步的,可通过人工预先设置报错类型,并准备对应的数据集,可以将分析结果为交易报错的历史报文作为数据集。提取历史报文的报文特征,用k-means算法按照报文特征为输入、预设报错类型与未知异常为输出搭建三层神经网络,对神经网络进行训练调整,由此得到分类模型。
其中,不同的报错类型对应不同的预设修复规则,预设修复规则可以为人工修改等。例如,报错类型为超时类型,则预设修复规则可以为交易重提。若报错类型为复杂类型,则预设修复规则为人工处理,由此完成异常交易的自动修复。
作为本发明的一个实施例,如图2所示,所述分析模型是通过如下方式预先建立的:
步骤S21,获取分析结果为交易正常的历史报文,并从交易正常的历史报文中提取第一历史报文特征,将所述第一历史报文特征作为第一训练样本;
步骤S22,将所述第一训练样本输入第一初始神经网络模型中,对所述第一初始神经网络模型进行训练,得到所述分析模型。
其中,可以先采集一定数量的分析结果为交易正常的历史报文,并提取第一历史报文特征作为第一训练样本,如报文类型、报文长度、json数据字典、交易节点序号等,然后用BP算法,建立一个第一初始神经网络模型,具体可以为三层神经网络模型。利用第一训练样本对第一神经网络进行训练并优化,由此得到分析模型。
作为本发明的一个实施例,如图3所示,所述利用预先建立的分析模型,对所述交易报文进行分析处理,得到分析结果包括:
步骤S31,从所述交易报文中提取交易报文特征;其中,所述交易报文特征包括:报文类型、报文长度及交易节点序号;
步骤S32,将所述交易报文特征输入预先建立的分析模型中,得到分析结果;其中,所述分析结果包括交易节点名称。
其中,从交易报文中提取出交易报文特征,如报文类型、报文长度、json数据字典、交易节点序号等。将交易报文特征输入至分析模型中进行分析处理。得到的分析结果包括交易状态是否为正常,若交易正常,则分析结果为交易正常,若交易不正常,则分析结果为交易报错。此外,分析结果中还包括交易节点名称,若交易报错,则可以根据交易节点名称定位出现异常的交易节点。
作为本发明的一个实施例,如图4所示,通过如下方式预先建立分类模型:
步骤S41,获取分析结果为交易报错的历史报文及对应的报错类型,从交易报错的历史报文中提取第二历史报文特征,并将所述第二历史报文特征及对应的报错类型作为第二训练样本;
步骤S42,将所述第二训练样本输入第二初始神经网络模型中,对所述第二初始神经网络模型进行训练,得到所述分类模型。
其中,可通过人工预先设置报错类型,并准备对应的数据集,可以将分析结果为交易报错的历史报文作为数据集。提取交易报错的历史报文的第二历史报文特征,用k-means算法按照第二历史报文特征为输入、预设报错类型与未知异常为输出,得到第二训练样本。预先搭建三层神经网络作为第二初始神经网络模型,对第二初始神经网络进行训练调整,由此得到分类模型。
作为本发明的一个实施例,所述根据接收的交易发起请求,获取多个交易节点的交易报文包括:
根据接收的交易发起请求,确定交易的唯一流水号,并根据所述唯一流水号,获取多个交易节点的交易报文。
其中,接收客户发送的交易发起请求,赋予该交易一个唯一流水号。具体的,唯一流水号可以采用随机生成等方式进行设置。每一个交易均具有一个唯一流水号,根据唯一流水号,可以在长链路交易中多个交易节点中获取与唯一流水号对应的交易报文。
在本实施例中,所述根据所述唯一流水号,获取多个交易节点的交易报文包括:根据所述唯一流水号,从多个交易节点中实时获取与所述唯一流水号对应的交易报文。
其中,由于每一个交易均具有一个唯一流水号,根据唯一流水号,可以在长链路交易的多个交易节点中进行交易报文的实时获取,保证报文分析的实时性。具体的,获取的是与唯一流水号对应的交易报文。
作为本发明的一个实施例,如图5所示,所述若获知所述分析结果为交易报错,则将所述交易判定为异常交易,并对所述异常交易进行自动修复包括:
步骤S51,若获知所述分析结果为交易报错,则将所述交易判定为异常交易,并根据预先建立的分类模型确定所述异常交易的报错类型。
其中,可通过人工预先设置报错类型,并准备对应的数据集,可以将分析结果为交易报错的历史报文作为数据集。提取历史报文的报文特征,用k-means算法按照报文特征为输入、预设报错类型与未知异常为输出搭建三层神经网络,对神经网络进行训练调整,由此得到分类模型。
步骤S52,根据所述报错类型确定对应的预设修复规则,并根据所述预设修复规则,对所述异常交易进行自动修复。
其中,不同的报错类型对应不同的预设修复规则,预设修复规则可以为人工修改等。例如,报错类型为超时类型,则预设修复规则可以为交易重提。若报错类型为复杂类型,则预设修复规则为人工处理,由此完成异常交易的自动修复。
在本发明一具体实施例中,如图6所示为本发明实施例中应用长链路交易的报错处理方法的系统的交互示意图,图中所示系统包括:客户端、多个交易节点(交易系统)、报文分析模块(包括分析模型)、报错处理模块(包括分类模型)及控制台。
具体的报错处理过程为:根据客户端发送的交易发起请求,对交易设置唯一流水号,便于对每笔交易进行定位跟踪。将交易链路上各节点上采集的报文与唯一流水号一并送入报文分析模块,由分析模型判断报文是否异常。如无异常将相关报文内容以及对应节点名称进行存储,作为分析模型训练及优化的数据集。如发生异常将相关信息推送给报错处理模块,对异常进行诊断分类、智能生成相应处理方案,并根据前期系统设定对于非需人工干预类的报错自动执行错误修复,手段包括但不限于交易自动重提、错误数据变更修复等,对于有风险类型的修复方案推送到系统控制台进行人工复合,并对人工复合方案进行归档保存,成为异常处理数据集用于分类模型自我训练及优化。
在本实施例中,如图7所示为报文分析模块的工作流程图,即报文分析流程,具体包括:
1、模型训练(预处理):先收集一定数量的正常交易报文作为基础数据集,提取报文特征,如报文类型、报文长度、json数据字典、交易节点序号等,然后用BP算法,建立一个三层神经网络,利用基础数据集对神经网络进行训练并优化。
2、实施分析:交易过程中实时采集报文,特征提取之后输入神经网络,对于异常报文传送至报错处理模块。因为设置了唯一交易流水号且对于每一交易节点都进行了报文采集与分析,因此对于交易异常能够快速定位具体异常节点,并能回溯单笔交易过程中各个子系统的交易情况。
在本实施例中,如图8所示为报错处理模块工作流程图,即报错处理流程,具体包括:
1、模型训练:先预设报错类型,准备对应的数据集,用k-means按照报文特征为输入、预设报错类型与未知异常为输出搭建三层神经网络,利用准备的数据集对网络进行训练调整。
2、实施分析:对报文分析模块判定为异常报文的利用k-means聚类算法进行分类,判断其报错类型。根据报错类型和事先设定知识库对比,可以对超时类报错等进行交易重提,对于未知类型及高风险类型报错推送至控制台进行人工处理。
本发明利用机器学习提供一种长链路交易场景下报错的快速定位与修复的方法,通过设置代理服务进行抓包、交易链接各节点日志采集等方式对长链路交易各个节点上的交易请求与返回报文进行采集存储,选取机器学习算法对采集报文进行处理与分析,实时判断交易报文状态,以此提供交易报错的事中及事后快速定位能力。利用监督学习、无监督学习、强化学习等机器学习手段对报错进行分析并对简单报错类型给出解决方案并执行实现自修复。实现能够进行单笔交易粒度的报错快速定位与预设报错类型的自我修复,解决长链路交易场景下交易报错定位难与解决不及时的问题。
如图9所示为本发明实施例一种长链路交易的报错处理装置的结构示意图,图中所示装置包括:
交易报文模块10,用于根据接收的交易发起请求,获取多个交易节点的交易报文。
其中,接收客户发送的交易发起请求,赋予该交易一个唯一流水号。具体的,唯一流水号可以采用随机生成等方式进行设置。每一个交易均具有一个唯一流水号,根据唯一流水号,可以在长链路交易中多个交易节点中获取与唯一流水号对应的交易报文。具体的,交易报文包括各个交易节点上的交易请求报文与交易返回报文。
分析结果模块20,用于利用预先建立的分析模型,对所述交易报文进行分析处理,得到分析结果。
其中,可以先采集一定数量的分析结果为交易正常的报文,并提取报文特征作为训练样本,如报文类型、报文长度、json数据字典、交易节点序号等,然后用BP算法,建立一个三层神经网络,利用训练样本对神经网络进行训练并优化,由此得到分析模型。
进一步的,从交易报文中提取出交易报文特征,将交易报文特征输入至分析模型中进行分析处理。得到的分析结果包括交易状态是否为正常,若交易正常,则分析结果为交易正常,若交易不正常,则分析结果为交易报错。此外,分析结果中还包括交易节点名称,若交易报错,则可以根据交易节点名称定位出现异常的交易节点。
自动修复模块30,用于若获知所述分析结果为交易报错,则将所述交易判定为异常交易,并对所述异常交易进行自动修复。
其中,若分析结果为交易报错,则说明该交易为异常交易。利用预先建立的分类模型,判断异常交易的报错类型,例如超时类型。
进一步的,可通过人工预先设置报错类型,并准备对应的数据集,可以将分析结果为交易报错的历史报文作为数据集。提取历史报文的报文特征,用k-means算法按照报文特征为输入、预设报错类型与未知异常为输出搭建三层神经网络,对神经网络进行训练调整,由此得到分类模型。
其中,不同的报错类型对应不同的预设修复规则,预设修复规则可以为人工修改等。例如,报错类型为超时类型,则预设修复规则可以为交易重提。若报错类型为复杂类型,则预设修复规则为人工处理,由此完成异常交易的自动修复。
作为本发明的一个实施例,如图10所示,所述装置还包括分析模型模块50,用于获取分析结果为交易正常的历史报文,并从交易正常的历史报文中提取第一历史报文特征,将所述第一历史报文特征作为第一训练样本;将所述第一训练样本输入第一初始神经网络模型中,对所述第一初始神经网络模型进行训练,得到所述分析模型。
作为本发明的一个实施例,如图11所示,所述分析结果模块20包括:
特征提取单元21,用于从所述交易报文中提取交易报文特征;其中,所述交易报文特征包括:报文类型、报文长度及交易节点序号;
分析结果单元22,用于将所述交易报文特征输入预先建立的分析模型中,得到分析结果;其中,所述分析结果包括交易节点名称。
作为本发明的一个实施例,如图12所示,所述装置还包括分类模型模块40,用于获取分析结果为交易报错的历史报文及对应的报错类型,并将交易报错的历史报文及对应的报错类型作为第二训练样本;将所述第二训练样本输入第二初始神经网络模型中,对所述第二初始神经网络模型进行训练,得到所述分类模型。
作为本发明的一个实施例,所述交易报文模块还用于根据接收的交易发起请求,确定交易的唯一流水号,并根据所述唯一流水号,获取多个交易节点的交易报文。
在本实施例中,所述交易报文模块还用于根据所述唯一流水号,从多个交易节点中实时获取与所述唯一流水号对应的交易报文。
作为本发明的一个实施例,如图13所示,所述自动修复模块30包括:
报错类型单元31,用于若获知所述分析结果为交易报错,则将所述交易判定为异常交易,并根据预先建立的分类模型确定所述异常交易的报错类型;
自动修复单元32,用于根据所述报错类型确定对应的预设修复规则,并根据所述预设修复规则,对所述异常交易进行自动修复。
基于与上述一种长链路交易的报错处理方法相同的申请构思,本发明还提供了上述一种长链路交易的报错处理装置。由于该一种长链路交易的报错处理装置解决问题的原理与一种长链路交易的报错处理方法相似,因此该一种长链路交易的报错处理装置的实施可以参见一种长链路交易的报错处理方法的实施,重复之处不再赘述。
本发明通过对长链路交易各个节点上的交易报文进行采集,并对采集报文进行处理与分析,实现实时判断交易报文状态,以此提供交易报错的事中及事后快速定位能力,对报错进行分析,并对报错类型给出修复规则,实现自动修复。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述方法。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述方法的计算机程序。
如图14所示,该电子设备600还可以包括:通信模块110、输入单元120、音频处理单元130、显示器160、电源170。值得注意的是,电子设备600也并不是必须要包括图14中所示的所有部件;此外,电子设备600还可以包括图14中没有示出的部件,可以参考现有技术。
如图14所示,中央处理器100有时也称为控制器或操作控件,可以包括微处理器或其他处理器装置和/或逻辑装置,该中央处理器100接收输入并控制电子设备600的各个部件的操作。
其中,存储器140,例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息,此外还可存储执行有关信息的程序。并且中央处理器100可执行该存储器140存储的该程序,以实现信息存储或处理等。
输入单元120向中央处理器100提供输入。该输入单元120例如为按键或触摸输入装置。电源170用于向电子设备600提供电力。显示器160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器,但并不限于此。
该存储器140可以是固态存储器,例如,只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器,其即使在断电时也保存信息,可被选择性地擦除且设有更多数据,该存储器的示例有时被称为EPROM等。存储器140还可以是某种其它类型的装置。存储器140包括缓冲存储器141(有时被称为缓冲器)。存储器140可以包括应用/功能存储部142,该应用/功能存储部142用于存储应用程序和功能程序或用于通过中央处理器100执行电子设备600的操作的流程。
存储器140还可以包括数据存储部143,该数据存储部143用于存储数据,例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器140的驱动程序存储部144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块110即为经由天线111发送和接收信号的发送机/接收机110。通信模块(发送机/接收机)110耦合到中央处理器100,以提供输入信号和接收输出信号,这可以和常规移动通信终端的情况相同。
基于不同的通信技术,在同一电子设备中,可以设置有多个通信模块110,如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)110还经由音频处理器130耦合到扬声器131和麦克风132,以经由扬声器131提供音频输出,并接收来自麦克风132的音频输入,从而实现通常的电信功能。音频处理器130可以包括任何合适的缓冲器、解码器、放大器等。另外,音频处理器130还耦合到中央处理器100,从而使得可以通过麦克风132能够在本机上录音,且使得可以通过扬声器131来播放本机上存储的声音。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种长链路交易的报错处理方法,其特征在于,所述方法包括:
根据接收的交易发起请求,获取多个交易节点的交易报文;
利用预先建立的分析模型,对所述交易报文进行分析处理,得到分析结果;
若获知所述分析结果为交易报错,则将所述交易判定为异常交易,并对所述异常交易进行自动修复。
2.根据权利要求1所述的方法,其特征在于,所述分析模型是通过如下方式预先建立的:
获取分析结果为交易正常的历史报文,并从交易正常的历史报文中提取第一历史报文特征,将所述第一历史报文特征作为第一训练样本;
将所述第一训练样本输入第一初始神经网络模型中,对所述第一初始神经网络模型进行训练,得到所述分析模型。
3.根据权利要求1所述的方法,其特征在于,所述利用预先建立的分析模型,对所述交易报文进行分析处理,得到分析结果包括:
从所述交易报文中提取交易报文特征;其中,所述交易报文特征包括:报文类型、报文长度及交易节点序号;
将所述交易报文特征输入预先建立的分析模型中,得到分析结果;其中,所述分析结果包括交易节点名称。
4.根据权利要求1所述的方法,其特征在于,所述根据接收的交易发起请求,获取多个交易节点的交易报文包括:
根据接收的交易发起请求,确定交易的唯一流水号,并根据所述唯一流水号,获取多个交易节点的交易报文。
5.根据权利要求4所述的方法,其特征在于,所述根据所述唯一流水号,获取多个交易节点的交易报文包括:
根据所述唯一流水号,从多个交易节点中实时获取与所述唯一流水号对应的交易报文。
6.根据权利要求1所述的方法,其特征在于,所述若获知所述分析结果为交易报错,则将所述交易判定为异常交易,并对所述异常交易进行自动修复包括:
若获知所述分析结果为交易报错,则将所述交易判定为异常交易,并根据预先建立的分类模型确定所述异常交易的报错类型;
根据所述报错类型确定对应的预设修复规则,并根据所述预设修复规则,对所述异常交易进行自动修复。
7.根据权利要求6所述的方法,其特征在于,所述分类模型是通过如下方式预先建立的:
获取分析结果为交易报错的历史报文及对应的报错类型,从交易报错的历史报文中提取第二历史报文特征,并将所述第二历史报文特征及对应的报错类型作为第二训练样本;
将所述第二训练样本输入第二初始神经网络模型中,对所述第二初始神经网络模型进行训练,得到所述分类模型。
8.一种长链路交易的报错处理装置,其特征在于,所述装置包括:
交易报文模块,用于根据接收的交易发起请求,获取多个交易节点的交易报文;
分析结果模块,用于利用预先建立的分析模型,对所述交易报文进行分析处理,得到分析结果;
自动修复模块,用于若获知所述分析结果为交易报错,则将所述交易判定为异常交易,并对所述异常交易进行自动修复。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7任一项所述方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求1至7任一项所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110440940.2A CN113128986A (zh) | 2021-04-23 | 2021-04-23 | 长链路交易的报错处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110440940.2A CN113128986A (zh) | 2021-04-23 | 2021-04-23 | 长链路交易的报错处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113128986A true CN113128986A (zh) | 2021-07-16 |
Family
ID=76779306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110440940.2A Pending CN113128986A (zh) | 2021-04-23 | 2021-04-23 | 长链路交易的报错处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113128986A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114691732A (zh) * | 2022-03-09 | 2022-07-01 | 中国邮政储蓄银行股份有限公司 | 定位异常交易的方法、装置、非易失性存储介质与处理器 |
CN116980463A (zh) * | 2023-09-22 | 2023-10-31 | 湖南三湘银行股份有限公司 | 一种基于探测报文系统交易自动切换的方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242499A (zh) * | 2018-09-19 | 2019-01-18 | 中国银行股份有限公司 | 一种交易风险预测的处理方法、装置及系统 |
CN109285056A (zh) * | 2018-09-28 | 2019-01-29 | 江苏满运软件科技有限公司 | 一种异常订单的处理方法及系统 |
CN110175850A (zh) * | 2019-05-13 | 2019-08-27 | 中国银联股份有限公司 | 一种交易信息的处理方法及装置 |
CN110874778A (zh) * | 2018-08-31 | 2020-03-10 | 阿里巴巴集团控股有限公司 | 异常订单检测方法及装置 |
CN111709794A (zh) * | 2020-05-12 | 2020-09-25 | 苏宁云计算有限公司 | 异常订单处理方法、装置以及计算机设备和存储介质 |
CN111796957A (zh) * | 2020-06-30 | 2020-10-20 | 中国工商银行股份有限公司 | 基于应用日志的交易异常根因分析方法及系统 |
CN112308455A (zh) * | 2020-11-20 | 2021-02-02 | 深圳前海微众银行股份有限公司 | 根因定位方法、装置、设备及计算机存储介质 |
CN112581276A (zh) * | 2020-12-24 | 2021-03-30 | 中国农业银行股份有限公司 | 一种数据处理方法及装置 |
-
2021
- 2021-04-23 CN CN202110440940.2A patent/CN113128986A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110874778A (zh) * | 2018-08-31 | 2020-03-10 | 阿里巴巴集团控股有限公司 | 异常订单检测方法及装置 |
CN109242499A (zh) * | 2018-09-19 | 2019-01-18 | 中国银行股份有限公司 | 一种交易风险预测的处理方法、装置及系统 |
CN109285056A (zh) * | 2018-09-28 | 2019-01-29 | 江苏满运软件科技有限公司 | 一种异常订单的处理方法及系统 |
CN110175850A (zh) * | 2019-05-13 | 2019-08-27 | 中国银联股份有限公司 | 一种交易信息的处理方法及装置 |
CN111709794A (zh) * | 2020-05-12 | 2020-09-25 | 苏宁云计算有限公司 | 异常订单处理方法、装置以及计算机设备和存储介质 |
CN111796957A (zh) * | 2020-06-30 | 2020-10-20 | 中国工商银行股份有限公司 | 基于应用日志的交易异常根因分析方法及系统 |
CN112308455A (zh) * | 2020-11-20 | 2021-02-02 | 深圳前海微众银行股份有限公司 | 根因定位方法、装置、设备及计算机存储介质 |
CN112581276A (zh) * | 2020-12-24 | 2021-03-30 | 中国农业银行股份有限公司 | 一种数据处理方法及装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114691732A (zh) * | 2022-03-09 | 2022-07-01 | 中国邮政储蓄银行股份有限公司 | 定位异常交易的方法、装置、非易失性存储介质与处理器 |
CN116980463A (zh) * | 2023-09-22 | 2023-10-31 | 湖南三湘银行股份有限公司 | 一种基于探测报文系统交易自动切换的方法 |
CN116980463B (zh) * | 2023-09-22 | 2024-01-30 | 湖南三湘银行股份有限公司 | 一种基于探测报文系统交易自动切换的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110941563B (zh) | 自动化脚本测试方法及装置 | |
CN113128986A (zh) | 长链路交易的报错处理方法及装置 | |
CN111190755B (zh) | 应用程序的功能异常处理方法及装置 | |
CN113067747A (zh) | 一种链路异常追溯方法、集群、节点及系统 | |
CN112860525A (zh) | 分布式系统中的节点故障预测方法及装置 | |
CN115422065A (zh) | 基于代码覆盖率的故障定位方法及装置 | |
CN110990222B (zh) | 基于大型机的跨平台图形化运行监控方法及装置 | |
CN113760611B (zh) | 系统站点切换方法、装置、电子设备及存储介质 | |
CN109409948B (zh) | 交易异常检测方法、装置、设备及计算机可读存储介质 | |
CN112910708B (zh) | 分布式服务调用方法及装置 | |
CN112181784B (zh) | 基于字节码注入的代码故障分析方法及系统 | |
CN113344708A (zh) | 大型系统投产演练应用评估方法及系统 | |
CN116244202A (zh) | 自动化性能测试方法和装置 | |
CN115865613A (zh) | 基础环境故障处理方法及装置 | |
CN114840421A (zh) | 日志数据处理方法及装置 | |
CN115686916A (zh) | 智能运维方法及装置 | |
CN113986759A (zh) | 业务处理流程获取方法、业务架构流程验证方法及系统 | |
CN114448775A (zh) | 设备故障信息处理方法、装置、电子设备及存储介质 | |
CN114118440A (zh) | 模型迭代方法、装置、电子设备和计算机可读存储介质 | |
CN113392009A (zh) | 自动化测试的异常处理方法及装置 | |
CN112860527A (zh) | 应用服务器的故障监测方法及装置 | |
CN115866235A (zh) | 视频质量评估方法、装置、电子设备及存储介质 | |
CN112988598A (zh) | 接口自动化测试的方法及装置 | |
CN113206998A (zh) | 一种业务录制的视频数据质检方法及装置 | |
CN111767435A (zh) | 用户行为分析方法及装置 |
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 |