CN114443980A - 业务系统的日切时段确定、数据差错识别方法及装置 - Google Patents

业务系统的日切时段确定、数据差错识别方法及装置 Download PDF

Info

Publication number
CN114443980A
CN114443980A CN202210111239.0A CN202210111239A CN114443980A CN 114443980 A CN114443980 A CN 114443980A CN 202210111239 A CN202210111239 A CN 202210111239A CN 114443980 A CN114443980 A CN 114443980A
Authority
CN
China
Prior art keywords
daily
service system
day
population
evolution
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
Application number
CN202210111239.0A
Other languages
English (en)
Inventor
刘跃勇
吕涛
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.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
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 Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202210111239.0A priority Critical patent/CN114443980A/zh
Publication of CN114443980A publication Critical patent/CN114443980A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Accounting & Taxation (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Finance (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Genetics & Genomics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Physiology (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)

Abstract

本申请提供一种业务系统的日切时段确定、数据差错识别方法及装置，涉及金融领域，其方法包括：获取待确定的业务系统预设历史天数内的每日日切时段；将所有每日日切时段输入至预设的演化预测模型，得到当日日切时段，由于本发明的演化预测模型基于演化算法得到，因此针对各业务系统的日切延迟特征，结合演化计算的自学习、自适应能力，训练形成业务系统日切延迟时间预测模型，可提前获取各业务系统的日切延迟时间，避免了最大日切延迟成为整个明细核对机制的瓶颈影响，同时可提升差错交易的识别效率。

Description

业务系统的日切时段确定、数据差错识别方法及装置
技术领域
本申请涉及信息安全技术领域，具体涉及一种业务系统的日切时段确定、数据差错识别方法及装置。
背景技术
在分布式架构下，一笔业务通常需要由多个业务系统相互协助实现，为保障业务逻辑一致性，通常采用各业务系统在日终批量按业务日期提供业务处理明细，通过业务系统之间对业务处理明细核对机制识别差错业务处理，同时为避免通用的明细核对机制将由于分布式架构下各业务系统日切时间不一致导致的跨日切正常业务处理数据误判为差错业务处理，往往基于各业务系统的日切时间点与基准系统日切时间点之间的差异进行计算，采用扩大通用明细核对范围来剔除跨日切正常业务处理数据对真实差错业务处理的识别影响。
现有方法存在多个问题：1、扩大通用核对机制的核对明细范围，对通用核对机制侵入较大，增大了明细核对系统自身出错风险，进而影响差错业务处理识别准确率；2、跨日切正常业务处理通常只涉及部分业务系统，现有方案针对所有业务系统的日切时间点与基准系统日切时间点之间的差异，均扩大了纳入核对的业务处理明细范围，增大了非必要参与核对的明细数据量，进而较大程度影响了差错识别的效率；3、扩大纳入核对的业务处理明细范围确定，依赖于所有业务系统中日切最晚的时间点，当该时间点较晚时，将影响所有业务系统的扩大范围确定时效，进而严重影响差错业务处理识别及后续补救处理时效，并可能导致严重的经济损失，因此存在诸多不足。
发明内容
针对现有技术中的问题，本申请提供一种业务系统的日切时段确定、数据差错识别方法及装置。
第一方面，本发明提供一种业务系统的日切时段确定方法，包括：
获取待确定的业务系统预设历史天数内的每日日切时段；
将所有每日日切时段输入至预设的演化预测模型，得到当日日切时段；其中，
所述演化预测模型基于演化算法得到。
在可选的实施例中，所述演化预测模型的建立步骤，包括：
根据待确定的业务系统预设历史天数内的每日日切时段生成初始种群；
对所述初始种群进行演化生成次代种群；
执行迭代操作，对当前次代种群进行演化生成更新的次代种群，直至当前次代种群中最优个体的适应值小于设定阈值或者迭代达到设定次数；
从最终更新的次代种群中选取最优个体，形成所述演化预测模型。
在可选的实施例中，所述初始种群包括多个个体，生成初始种群中各个体的步骤包括：
根据每日日切时段与基准日切时段的日切时差，结合可选取的运算符随机生成初始种群的个体；
重复多次执行生成初始种群的个体的步骤，形成所述初始种群。
在可选的实施例中，所述次代种群包括多个次代个体，所述对所述初始种群进行演化生成次代种群，包括：
针对所述初始种群中任意两个个体，交换至少一个设定位置或随机位置运算符，形成两个所述次代个体；和/或，
针对所述初始种群中每个个体，随机变换至少一个设定位置或随机位置运算符，形成所述次代个体。
第二方面，本发明提供一种跨业务系统的跨日切业务处理数据差错识别方法，包括：
获取每个业务系统预设历史天数内的每日日切时段；
将每个业务系统预设历史天数内的每日日切时段输入至预设的演化预测模型，所述演化预测模型输出当日日切时段；
根据时长最大的当日日切时段、每个业务系统的业务处理响应最大时长以及每个业务系统的当日日切时段生成各业务系统的跨日切业务处理可能发生时段；
从所有差错数据中识别并剔除在各业务系统的跨日切业务处理可能发生时段内产生的业务处理数据；其中，
所述演化预测模型基于演化算法得到。
在可选的实施例中，所述根据时长最大的当日日切时段、每个业务系统的业务处理响应最大时长以及每个业务系统的当日日切时段生成各业务系统的跨日切业务处理可能发生时段，包括：
计算每个业务系统与当日日切时段最长的业务系统的时间差；
根据每个业务系统的业务处理响应最大时长结合对应的所述时间差生成各业务系统的跨日切业务处理可能发生时段。
在可选的实施例中，所述演化预测模型的建立步骤，包括：
根据待确定的业务系统预设历史天数内的每日日切时段生成初始种群；
对所述初始种群进行演化生成次代种群；
执行迭代操作，对当前次代种群进行演化生成更新的次代种群，直至当前次代种群中最优个体的适应值小于设定阈值或者迭代达到设定次数；
从最终更新的次代种群中选取最优个体，形成所述演化预测模型。
在可选的实施例中，所述初始种群包括多个个体，生成初始种群中各个体的步骤包括：
根据每日日切时段与基准日切时段的日切时差，结合可选取的运算符随机生成初始种群的个体；
重复多次执行生成初始种群的个体的步骤，形成所述初始种群。
在可选的实施例中，所述次代种群包括多个次代个体，所述对所述初始种群进行演化生成次代种群，包括：
针对所述初始种群中任意两个个体，交换至少一个设定位置或随机位置运算符，形成两个所述次代个体；和/或，
针对所述初始种群中每个个体，随机变换至少一个设定位置或随机位置运算符，形成所述次代个体。
第三方面，本发明提供一种业务系统的日切时段确定装置，包括：
每日日切时段获取模块，获取待确定的业务系统预设历史天数内的每日日切时段；
模型输入模块，将所有每日日切时段输入至预设的演化预测模型，得到当日日切时段；其中，
所述演化预测模型基于演化算法得到。
在可选的实施例中，还包括：模型建立模块；所述模型建立模块包括：
初始种群生成单元，根据待确定的业务系统预设历史天数内的每日日切时段生成初始种群；
次代种群生成单元，对所述初始种群进行演化生成次代种群；
迭代单元，执行迭代操作，对当前次代种群进行演化生成更新的次代种群，直至当前次代种群中最优个体的适应值小于设定阈值或者迭代达到设定次数；
模型形成单元，从最终更新的次代种群中选取最优个体，形成所述演化预测模型。
在可选的实施例中，所述初始种群生成单元，包括：
个体生成单元，根据每日日切时段与基准日切时段的日切时差，结合可选取的运算符随机生成初始种群的个体；
种群生成单元，重复多次执行生成初始种群的个体的步骤，形成所述初始种群。
在可选的实施例中，所述次代种群包括多个次代个体，所述次代种群生成单元，包括：
交叉单元，针对所述初始种群中任意两个个体，交换至少一个设定位置或随机位置运算符，形成两个所述次代个体；和/或，
变异单元，针对所述初始种群中每个个体，随机变换至少一个设定位置或随机位置运算符，形成所述次代个体。
第四方面，本发明提供一种跨业务系统的跨日切业务处理数据差错识别装置，包括：
获取模块，获取每个业务系统预设历史天数内的每日日切时段；
预测模块，将每个业务系统预设历史天数内的每日日切时段输入至预设的演化预测模型，所述演化预测模型输出当日日切时段；
跨日切时段生成模块，根据时长最大的当日日切时段、每个业务系统的业务处理响应最大时长以及每个业务系统的当日日切时段生成各业务系统的跨日切业务处理可能发生时段；
差错识别模块，从所有差错数据中识别并剔除在各业务系统的跨日切业务处理可能发生时段内产生的业务处理数据；其中，
所述演化预测模型基于演化算法得到。
在可选的实施例中，所述跨日切时段生成模块，包括：
时间差计算单元，计算每个业务系统与当日日切时段最长的业务系统的时间差；
跨日切业务处理可能发生时段生成单元，根据每个业务系统的业务处理响应最大时长结合对应的所述时间差生成各业务系统的跨日切业务处理可能发生时段。
在可选的实施例中，还包括：模型建立模块；所述模型建立模块包括：
初始种群生成单元，根据待确定的业务系统预设历史天数内的每日日切时段生成初始种群；
次代种群生成单元，对所述初始种群进行演化生成次代种群；
迭代单元，执行迭代操作，对当前次代种群进行演化生成更新的次代种群，直至当前次代种群中最优个体的适应值小于设定阈值或者迭代达到设定次数；
模型形成单元，从最终更新的次代种群中选取最优个体，形成所述演化预测模型。
在可选的实施例中，所述初始种群生成单元，包括：
个体生成单元，根据每日日切时段与基准日切时段的日切时差，结合可选取的运算符随机生成初始种群的个体；
种群生成单元，重复多次执行生成初始种群的个体的步骤，形成所述初始种群。
在可选的实施例中，所述次代种群包括多个次代个体，所述次代种群生成单元，包括：
交叉单元，针对所述初始种群中任意两个个体，交换至少一个设定位置或随机位置运算符，形成两个所述次代个体；和/或，
变异单元，针对所述初始种群中每个个体，随机变换至少一个设定位置或随机位置运算符，形成所述次代个体。
第五方面，本申请提供一种一种电子设备，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计算机程序时实现所述的业务系统的日切时段确定方法。
第六方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的业务系统的日切时段确定方法。
由上述技术方案可知，本申请提供的一种业务系统的日切时段确定、数据差错识别方法及装置，通过将所有每日日切时段输入至预设的演化预测模型，进而预测得到当日日切时段，该演化预测模型基于演化算法得到，因此针对各业务系统的日切延迟特征，结合演化计算的自学习、自适应能力，训练形成业务系统日切延迟时间预测模型，可提前获取各业务系统的日切延迟时间，避免了最大日切延迟成为整个明细核对机制的瓶颈影响，同时可提升差错交易的识别效率。
附图说明
为了更清楚地说明本申请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，下面描述中的附图是本申请的一些实施例，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是本申请实施例中的业务系统的日切时段确定方法的流程示意图。
图2是本申请实施例中的各业务系统的日切时段示意图。
图3是本申请实施例中的演化预测模型的建立步骤流程示意图。
图4是本申请实施例中的图3中的步骤S01的具体流程示意图。
图5是本申请实施例中的图3中步骤S03的迭代步骤的具体流程示意图。
图6是本申请实施例中图3中的步骤S02的具体流程示意图。
图7是本申请实施例中跨日切业务处理数据差错识别方法的总体流程示意图。
图8是本申请实施例中图7中步骤S103的具体流程示意图。
图9是本申请实施例中各业务系统的跨日切业务数据可能发生时段的示意图。
图10是本申请实施例中业务系统的日切时段确定装置的模块结构示意图。
图11是本申请实施例中模型建立模型的模块结构示意图。
图12是本申请实施例中图11中初始种群生成单元01的具体结构示意图。
图13是本申请实施例中图11中次代种群生成单元02的具体结构示意图。
图14是本申请实施例中跨日切业务处理数据差错识别装置的模块结构示意图。
图15是本申请实施例中图14中的跨日切时段生成模块103的具体结构示意图。
图16是本申请实施例中的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
需要说明的是，本申请公开的业务系统的日切时段确定方法、系统、电子设备和计算机可读存储介质可用于信息安全技术领域，也可用于除信息安全技术领域之外的任意领域，本申请公开的业务系统的日切时段确定方法、系统、电子设备和计算机可读存储介质的应用领域不做限定。
本申请还提供一种用于实现本申请一个或多个实施例中提供的业务系统群组，该业务系统群组包括多个业务系统和一个基准业务系统，每个业务系统均存在一日切时段，基准业务系统对应一基准日切时段，每个业务系统彼此通信连接，每个业务系统与多个业务客户端设备通信连接，用于进行交易等业务。
可以理解的是，所述客户端设备可以包括智能手机、平板电子设备、便携式计算机、台式电脑、个人数字助理(PDA)等。
上述业务系统与所述客户端设备之间可以使用任何合适的网络协议进行通信，包括在本申请提交日尚未开发出的网络协议。所述网络协议例如可以包括TCP/IP协议、UDP/IP协议、HTTP协议、HTTPS协议等。当然，所述网络协议例如还可以包括在上述协议之上使用的RPC协议(Remote Procedure Call Protocol，远程过程调用协议)、REST协议(Representational State Transfer，表述性状态转移协议)等。
本申请提供的一种业务系统的日切时段确定、数据差错识别方法及装置，通过将所有每日日切时段输入至预设的演化预测模型，进而预测得到当日日切时段，该演化预测模型基于演化算法得到，因此针对各业务系统的日切延迟特征，结合演化计算的自学习、自适应能力，训练形成业务系统日切延迟时间预测模型，可提前获取各业务系统的日切延迟时间，避免了最大日切延迟成为整个明细核对机制的瓶颈影响，同时可提升差错交易的识别效率。
具体通过下述多个实施例及应用实例分别进行说明。
本申请提供一种业务系统的日切时段确定方法的实施例，如图1所示，由业务系统的日切时段确定节点执行，包括：
步骤S100：获取待确定的业务系统预设历史天数内的每日日切时段；
步骤S200：将所有每日日切时段输入至预设的演化预测模型，得到当日日切时段；
其中，所述演化预测模型基于演化算法得到。
从上述描述可知，本申请实施例提供的业务系统的日切时段确定方法，通过将所有每日日切时段输入至预设的演化预测模型，进而预测得到当日日切时段，该演化预测模型基于演化算法得到，因此针对各业务系统的日切延迟特征，结合演化计算的自学习、自适应能力，训练形成业务系统日切延迟时间预测模型，可提前获取各业务系统的日切延迟时间，避免了最大日切延迟成为整个明细核对机制的瓶颈影响，同时可提升差错交易的识别效率。
本申请中，日切时段的含义为每日时段，例如现实生活中是：24小时为一天，但对于业务系统而言，可能25小时为一天，或者23小时为一天，各个业务系统的日切时段可相同或不同。
如图2所示，T日为所有业务系统对外提供服务首日(首日各业务系统日期设置为一致)，后续由统一的基准系统通过向各业务系统发送消息机制来触发各业务系统日切并提供标准时间，基准系统与各业务系统间消息传输耗时差异将导致各业务系统的日切时间差异，业务系统1的日切时间较标准时间延迟时间差为t1；业务系统n的日切时间较标准时间延迟时间差为tn。业务系统1与业务系统n的日切时间差为Δt1＝tn-t1，假设s1为业务系统1允许的交易响应最大时长，则T1＝Δt1+s1为跨日切交易可能发生时间段。
在本申请提供的业务系统的日切时段确定方法的一个实施例中，所述演化预测模型的建立步骤，如图3所示，包括：
S01：根据待确定的业务系统预设历史天数内的每日日切时段生成初始种群；
S02：对所述初始种群进行演化生成次代种群；
S03：执行迭代操作，对当前次代种群进行演化生成更新的次代种群，直至当前次代种群中最优个体的适应值小于设定阈值或者迭代达到设定次数；
S04：从最终更新的次代种群中选取最优个体，形成所述演化预测模型。
本申请实施例中，演化预测模型基于演化算法得到，在模型建立时通过种群繁衍不断优化，2)根据图2所示，各业务系统设置日切时间预测模块，根据近N天(N值可随着系统运行天数递增)日切时间较与基准时间延迟差值U1～UN,，通过演化计算训练，形成各业务系统日切时间延迟预测模型，各业务系统可依托预测模型在日切前独立预测当日日切时间延迟值tn。
具体而言，在本申请提供的业务系统的日切时段确定方法的一个实施例中，如图4所示，步骤S01具体包括：
S011：根据每日日切时段与基准日切时段的日切时差，结合可选取的运算符随机生成初始种群的个体；
S012：重复多次执行生成初始种群的个体的步骤，形成所述初始种群。
本发明采用的演化算法，是一个基于达尔文进化论，以适应度为依据，借鉴自然界适者生存、优胜劣汰的选择机制以及自然遗传机制，通过种群内的个体进行演化算子操作以实现种群内个体结构重组的迭代随机搜索过程，演化计算训练流程如图5所示。
本实施例中，可选取的运算符可以包括+、-、*、/、cos、sin、tan、cot、()、幂次方等等，也即现有技术的一般运算符均可用于本发明。
在具体应用时，首先进行参数设置：包含了演化算子(变异、交叉等)概率α∈(0,1)，种群大小Pop(参与训练的个体个数),最大迭代次数T，终止条件(迭代次数达到T或种群中最优个体的适应值小于某阈值Threshold)，各个参数根据不同的场景进行设置。
在一些实施例中，种群个体随机生成，每个个体为近N-1天日切延迟时间值U1～UN-1及可选取的运算符(+、-、*、/、cos、sin、tan、cot、()、幂次方等等)组成的方程式，如U1+7U2*sin(U3/U4)……/UN-1 3。
进一步的，在本申请提供的业务系统的日切时段确定方法的一个实施例中，所述次代种群包括多个次代个体，如图6所示，步骤S02包括：
S021：针对所述初始种群中任意两个个体，交换至少一个设定位置或随机位置运算符，形成两个所述次代个体；和/或，
S022：针对所述初始种群中每个个体，随机变换至少一个设定位置或随机位置运算符，形成所述次代个体。
具体而言，上述的步骤S021属于演化算子交叉操作，如表1所示，针对两个个体，交换至少一个设定位置或随机位置运算符，形成交叉后的所述次代个体。表1中对于个体1和个体2，交叉位于第二位的运算符：个体1中的*和个体2中的+，形成新的个体1和个体2，新的个体1和个体2即为当前次代种群中的个体。
表1交叉算子过程
Figure BDA0003495094960000101
在具体应用时步骤S022属于演化算法的变异操作，如表2所示，针对每个个体，随机变换其至少一个运算符，表2中变化了个体第二个运算符*为了-。
表2变异算子过程
Figure BDA0003495094960000102
可以看出，每个次代种群中的个体可以通过对初代种群中的个体进行上述交叉和变异得到，之后计算每个个体的适应值，计算每个个体(即近N-1天日切延迟时间值U1～UN-1及可选取的运算符(+、-、*、/、cos、sin、tan、cot、()、幂次方等等)组成的方程式)方程式得出的延迟值与第N天的日切延迟时间值UN差值(差值越小，表示个体越优，训练模型越趋于收敛)。
在本实施例中，迭代的终止条件为：判断迭代次数达到T或种群中最优个体的适应值小于某阈值Threshold(T及Threshold均在参数设置阶段根据具体场景灵活设置)。
这样最终形成的最优个体即为演化预测模型。
可以理解，本申请通过将所有每日日切时段输入至预设的演化预测模型，进而预测得到当日日切时段，该演化预测模型基于演化算法得到，因此针对各业务系统的日切延迟特征，结合演化计算的自学习、自适应能力，训练形成业务系统日切延迟时间预测模型，可提前获取各业务系统的日切延迟时间，避免了最大日切延迟成为整个明细核对机制的瓶颈影响。
本申请提供一种跨业务系统的跨日切业务处理数据差错识别方法，如图7所示，包括：
S101：获取每个业务系统预设历史天数内的每日日切时段；
S102：将每个业务系统预设历史天数内的每日日切时段输入至预设的演化预测模型，所述演化预测模型输出当日日切时段；
S103：根据时长最大的当日日切时段、每个业务系统的业务处理响应最大时长以及每个业务系统的当日日切时段生成各业务系统的跨日切业务处理可能发生时段；
S104：从所有差错数据中识别并剔除在各业务系统的跨日切业务处理可能发生时段内产生的业务处理数据；其中，
所述演化预测模型基于演化算法得到。
本申请提供的一种跨业务系统的数据差错识别方法，通过对每个业务系统的日切时段进行预测，结合最大业务系统的日切时段和基准系统的日切时段，进而比较得到跨日切可能交易时段，之后从所有差错数据中剔除该时段产生的数据，保证了差错数据识别的准确性。
在可选的实施例中，如图8所示，步骤S103包括：
S1031：计算每个业务系统与当日日切时段最长的业务系统的时间差；
S1032：根据每个业务系统的业务处理响应最大时长结合对应的所述时间差生成各业务系统的跨日切业务处理可能发生时段。
本申请中，日切时段的含义为每日时段，例如现实生活中是：24小时为一天，但对于业务系统而言，可能25小时为一天，或者23小时为一天，各个业务系统的日切时段可相同或不同。
如图2所示，T日为所有业务系统对外提供服务首日(首日各业务系统日期设置为一致)，后续由统一的基准系统通过向各业务系统发送消息机制来触发各业务系统日切并提供标准时间，基准系统与各业务系统间消息传输耗时差异将导致各业务系统的日切时间差异，业务系统1的日切时间较标准时间延迟时间差为t1；业务系统n的日切时间较标准时间延迟时间差为tn。业务系统1与业务系统n的日切时间差为Δt1＝tn-t1，假设s1为业务系统1允许的交易响应最大时长，则T1＝Δt1+s1为跨日切交易可能发生时间段。
在可选的实施例中，所述演化预测模型的建立步骤，请继续结合图3，包括：
S01：根据待确定的业务系统预设历史天数内的每日日切时段生成初始种群；
S02：对所述初始种群进行演化生成次代种群；
S03：执行迭代操作，对当前次代种群进行演化生成更新的次代种群，直至当前次代种群中最优个体的适应值小于设定阈值或者迭代达到设定次数；
S04：从最终更新的次代种群中选取最优个体，形成所述演化预测模型。
本申请实施例中，演化预测模型基于演化算法得到，在模型建立时通过种群繁衍不断优化，2)根据图2所示，各业务系统设置日切时间预测模块，根据近N天(N值可随着系统运行天数递增)日切时间较与基准时间延迟差值U1～UN,，通过演化计算训练，形成各业务系统日切时间延迟预测模型，各业务系统可依托预测模型在日切前独立预测当日日切时间延迟值tn。
具体而言，在本申请提供的业务系统的日切时段确定方法的一个实施例中，请继续结合图4所示，步骤S01具体包括：
S011：根据每日日切时段与基准日切时段的日切时差，结合可选取的运算符随机生成初始种群的个体；
S012：重复多次执行生成初始种群的个体的步骤，形成所述初始种群。
本发明采用的演化算法，是一个基于达尔文进化论，以适应度为依据，借鉴自然界适者生存、优胜劣汰的选择机制以及自然遗传机制，通过种群内的个体进行演化算子操作以实现种群内个体结构重组的迭代随机搜索过程，演化计算训练流程如图5所示。
本实施例中，可选取的运算符可以包括+、-、*、/、cos、sin、tan、cot、()、幂次方等等，也即现有技术的一般运算符均可用于本发明。
在具体应用时，首先进行参数设置：包含了演化算子(变异、交叉等)概率α∈(0,1)，种群大小Pop(参与训练的个体个数),最大迭代次数T，终止条件(迭代次数达到T或种群中最优个体的适应值小于某阈值Threshold)，各个参数根据不同的场景进行设置。
在一些实施例中，种群个体随机生成，每个个体为近N-1天日切延迟时间值U1～UN-1及可选取的运算符(+、-、*、/、cos、sin、tan、cot、()、幂次方等等)组成的方程式，如U1+7U2*sin(U3/U4)……/UN-1 3。
进一步的，在本申请提供的业务系统的日切时段确定方法的一个实施例中，所述次代种群包括多个次代个体，继续结合图6所示，步骤S02包括：
S021：针对所述初始种群中任意两个个体，交换至少一个设定位置或随机位置运算符，形成两个所述次代个体；和/或，
S022：针对所述初始种群中每个个体，随机变换至少一个设定位置或随机位置运算符，形成所述次代个体。
具体而言，上述的步骤S021属于演化算子交叉操作，如表1所示，针对两个个体，交换至少一个设定位置或随机位置运算符，形成交叉后的所述次代个体。表1中对于个体1和个体2，交叉位于第二位的运算符：个体1中的*和个体2中的+，形成新的个体1和个体2，新的个体1和个体2即为当前次代种群中的个体。
在具体应用时步骤S022属于演化算法的变异操作，如表2所示，针对每个个体，随机变换其至少一个运算符，表2中变化了个体第二个运算符*为了-。
可以看出，每个次代种群中的个体可以通过对初代种群中的个体进行上述交叉和变异得到，之后计算每个个体的适应值，计算每个个体(即近N-1天日切延迟时间值U1～UN-1及可选取的运算符(+、-、*、/、cos、sin、tan、cot、()、幂次方等等)组成的方程式)方程式得出的延迟值与第N天的日切延迟时间值UN差值(差值越小，表示个体越优，训练模型越趋于收敛)。
在本实施例中，迭代的终止条件为：判断迭代次数达到T或种群中最优个体的适应值小于某阈值Threshold(T及Threshold均在参数设置阶段根据具体场景灵活设置)。
这样最终形成的最优个体即为演化预测模型。
之后执行步骤S104，即：从所有差错数据中识别并剔除在各业务系统的跨日切业务处理可能发生时段内产生的业务处理数据。具体而言，如图9所示，基准系统获取并汇总各业务系统提供的T日交易明细文件，并对各明细数据的标记来源业务系统，按照各业务系统约定的交易明细主键信息(如交易流水号)对关键明细信息(如交易金额等)进行核对，对核对一致的明细记录作勾对处理，完成通用明细核对，未能完成勾对的记录即为识别出的可疑差错交易数据(包含了真实差错交易和跨日切正常交易)清单LA，同时可根据可疑差错交易数据来源，识别出可以交易数据涉及的业务系统；基准系统设计日切时间队列，汇总可疑差错交易数据涉及的各业务系统提供的日切延迟时间，通过比较各涉及业务系统的预测日切延迟时间，获取可疑差错交易数据涉及的各业务系统的日切延时最大值tmax，进一步计算出各个可疑差错交易数据涉及业务系统的预测延迟时间tn与最大值tmax的时间差，该时间差为可疑差错交易数据涉及的业务系统的T+1日补充明细数据时间段Δtn；可疑差错交易数据涉及的业务系统生成Δtn时间段内的明细数据文件FA、日切前sn时间段内的明细数据文件FB及日切前2×sn～sn时间段内的明细数据文件FC(tn为业务系统n允许的服务最大响应时间)传输给基准系统；基准系统在当日可疑差错交易(清单LA)的基础上，对各可疑差错交易涉及的业务系统的FB交易明细数据，依次取对手业务系统的FB、FC、FA交易明细数据，按照各业务系统约定的交易明细主键信息(如交易流水号)对关键明细信息(如交易金额等)进行核对，对核对一致的明细记录作勾对处理，完成补充明细数据核对，如在对手业务系统FA明细数据中匹配的，则为跨日切正常交易(清单LB)，进而得到真实差错交易清单LA-LB。
可以理解，本申请通过对每个业务系统的日切时段进行预测，结合最大业务系统的日切时段和基准系统的日切时段，进而比较得到跨日切可能交易时段，之后从所有差错数据中剔除该时段产生的数据，保证了差错数据识别的准确性。
从上述实施例可知，本发明的优点如下：
1)在按照通用方式对各业务系统在业务日期内的明细核对基础上增加进一步识别跨日切正常交易机制，规避了对通用核对机制的侵入，降低核对系统自身改造的对核对结果的影响，进而降低了差错识别误差风险，提升真实差错交易识别准确率；
2)跨日切正常交易识别机制在通用明细核对识别出来的可疑交易涉及的业务系统范围内，再提取最小范围内的明细数据作为核对基础，减少了非必要参与核对的明细数据，可提升跨日切交易识别处理速度，进而提升真实差错交易识别效率；
3)针对各业务系统的日切延迟特征，结合演化计算的自学习、自适应能力，训练形成业务系统日切延迟时间预测模型，可提前获取各业务系统的日切延迟时间，避免了最大日切延迟成为整个明细核对机制的瓶颈影响，进而提升差错交易的识别效率。
从软件层面来说，本发明提供一种业务系统的日切时段确定装置，如图10所示，包括：
每日日切时段获取模块1，获取待确定的业务系统预设历史天数内的每日日切时段；
模型输入模块2，将所有每日日切时段输入至预设的演化预测模型，得到当日日切时段；其中，
所述演化预测模型基于演化算法得到。
本申请提供的一种业务系统的日切时段确定装置，通过将所有每日日切时段输入至预设的演化预测模型，进而预测得到当日日切时段，该演化预测模型基于演化算法得到，因此针对各业务系统的日切延迟特征，结合演化计算的自学习、自适应能力，训练形成业务系统日切延迟时间预测模型，可提前获取各业务系统的日切延迟时间，避免了最大日切延迟成为整个明细核对机制的瓶颈影响，同时可提升差错交易的识别效率。
在可选的实施例中，还包括：模型建立模块；如图11所示，所述模型建立模块包括：
初始种群生成单元01，根据待确定的业务系统预设历史天数内的每日日切时段生成初始种群；
次代种群生成单元02，对所述初始种群进行演化生成次代种群；
迭代单元03，执行迭代操作，对当前次代种群进行演化生成更新的次代种群，直至当前次代种群中最优个体的适应值小于设定阈值或者迭代达到设定次数；
模型形成单元04，从最终更新的次代种群中选取最优个体，形成所述演化预测模型。
具体的，本申请实施例中，演化预测模型基于演化算法得到，在模型建立时通过种群繁衍不断优化，2)根据图2所示，各业务系统设置日切时间预测模块，根据近N天(N值可随着系统运行天数递增)日切时间较与基准时间延迟差值U1～UN,，通过演化计算训练，形成各业务系统日切时间延迟预测模型，各业务系统可依托预测模型在日切前独立预测当日日切时间延迟值tn。
在可选的实施例中，所述初始种群生成单元01，如图12所示，包括：
个体生成单元011，根据每日日切时段与基准日切时段的日切时差，结合可选取的运算符随机生成初始种群的个体；
种群生成单元012，重复执行生成初始种群的个体的步骤，形成所述初始种群。
在可选的实施例中，所述次代种群包括多个次代个体，所述次代种群生成单元02，如图13所示，包括：
交叉单元021，针对所述初始种群中任意两个个体，交换至少一个设定位置或随机位置运算符，形成两个所述次代个体；和/或，
变异单元022，针对所述初始种群中每个个体，随机变换至少一个设定位置或随机位置运算符，形成所述次代个体。
本实施例中，可选取的运算符可以包括+、-、*、/、cos、sin、tan、cot、()、幂次方等等，也即现有技术的一般运算符均可用于本发明。
在具体应用时，首先进行参数设置：包含了演化算子(变异、交叉等)概率α∈(0,1)，种群大小Pop(参与训练的个体个数),最大迭代次数T，终止条件(迭代次数达到T或种群中最优个体的适应值小于某阈值Threshold)，各个参数根据不同的场景进行设置。
在一些实施例中，种群个体随机生成，每个个体为近N-1天日切延迟时间值U1～UN-1及可选取的运算符(+、-、*、/、cos、sin、tan、cot、()、幂次方等等)组成的方程式，如U1+7U2*sin(U3/U4)……/UN-1 3。
进一步的，本发明提供一种跨业务系统的跨日切业务处理数据差错识别装置，如图14所示，包括：
获取模块101，获取每个业务系统预设历史天数内的每日日切时段；
预测模块102，将每个业务系统预设历史天数内的每日日切时段输入至预设的演化预测模型，所述演化预测模型输出当日日切时段；
跨日切时段生成模块103，根据时长最大的当日日切时段、每个业务系统的业务处理响应最大时长以及每个业务系统的当日日切时段生成各业务系统的跨日切业务处理可能发生时段；
差错识别模块104，从所有差错数据中识别并剔除在各业务系统的跨日切业务处理可能发生时段内产生的业务处理数据；其中，
所述演化预测模型基于演化算法得到。
本申请提供的一种跨业务系统的数据差错识别装置，通过对每个业务系统的日切时段进行预测，结合最大业务系统的日切时段和基准系统的日切时段，进而比较得到跨日切可能交易时段，之后从所有差错数据中剔除该时段产生的数据，保证了差错数据识别的准确性。
在可选的实施例中，所述跨日切时段生成模块，如图15包括：
时间差计算单元1031，计算每个业务系统与当日日切时段最长的业务系统的时间差；
跨日切业务处理可能发生时段生成单元1032，根据每个业务系统的业务处理响应最大时长结合对应的所述时间差生成各业务系统的跨日切业务处理可能发生时段。
本申请中，日切时段的含义为每日时段，例如现实生活中是：24小时为一天，但对于业务系统而言，可能25小时为一天，或者23小时为一天，各个业务系统的日切时段可相同或不同。
在可选的实施例中，还包括：模型建立模块；请继续参见图11，所述模型建立模块包括：
初始种群生成单元01，根据待确定的业务系统预设历史天数内的每日日切时段生成初始种群；
次代种群生成单元02，对所述初始种群进行演化生成次代种群；
迭代单元03，执行迭代操作，对当前次代种群进行演化生成更新的次代种群，直至当前次代种群中最优个体的适应值小于设定阈值或者迭代达到设定次数；
模型形成单元04，从最终更新的次代种群中选取最优个体，形成所述演化预测模型。
具体的，本申请实施例中，演化预测模型基于演化算法得到，在模型建立时通过种群繁衍不断优化，2)根据图2所示，各业务系统设置日切时间预测模块，根据近N天(N值可随着系统运行天数递增)日切时间较与基准时间延迟差值U1～UN,，通过演化计算训练，形成各业务系统日切时间延迟预测模型，各业务系统可依托预测模型在日切前独立预测当日日切时间延迟值tn。
在可选的实施例中，所述初始种群生成单元01，如图12所示，包括：
个体生成单元011，根据每日日切时段与基准日切时段的日切时差，结合可选取的运算符随机生成初始种群的个体；
种群生成单元012，重复多次执行生成初始种群的个体的步骤，形成所述初始种群。
在可选的实施例中，所述次代种群包括多个次代个体，所述次代种群生成单元02，如图13所示，包括：
交叉单元021，针对所述初始种群中任意两个个体，交换至少一个设定位置或随机位置运算符，形成两个所述次代个体；和/或，
变异单元022，针对所述初始种群中每个个体，随机变换至少一个设定位置或随机位置运算符，形成所述次代个体。
本实施例中，可选取的运算符可以包括+、-、*、/、cos、sin、tan、cot、()、幂次方等等，也即现有技术的一般运算符均可用于本发明。
在具体应用时，首先进行参数设置：包含了演化算子(变异、交叉等)概率α∈(0,1)，种群大小Pop(参与训练的个体个数),最大迭代次数T，终止条件(迭代次数达到T或种群中最优个体的适应值小于某阈值Threshold)，各个参数根据不同的场景进行设置。
在一些实施例中，种群个体随机生成，每个个体为近N-1天日切延迟时间值U1～UN-1及可选取的运算符(+、-、*、/、cos、sin、tan、cot、()、幂次方等等)组成的方程式，如U1+7U2*sin(U3/U4)……/UN-1 3。
可以理解，本申请提供的一种跨业务系统的数据差错识别装置，通过对每个业务系统的日切时段进行预测，结合最大业务系统的日切时段和基准系统的日切时段，进而比较得到跨日切可能交易时段，之后从所有差错数据中剔除该时段产生的数据，保证了差错数据识别的准确性。
从硬件层面来说，为了解决现有的业务系统的日切时段确定隐私泄露的问题，本申请提供一种用于实现所述业务系统的日切时段确定方法中的全部或部分内容的电子设备的实施例，所述电子设备具体包含有如下内容：
图16为本申请实施例的电子设备9600的系统构成的示意框图。如图16所示，该电子设备9600可以包括中央处理器9100和存储器9140；存储器9140耦合到中央处理器9100。值得注意的是，该图16是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。
在一实施例中，业务系统的日切时段确定功能可以被集成到中央处理器中。其中，中央处理器可以被配置为进行如下控制：
步骤S100：获取待确定的业务系统预设历史天数内的每日日切时段；
步骤S200：将所有每日日切时段输入至预设的演化预测模型，得到当日日切时段；
其中，所述演化预测模型基于演化算法得到。
从上述描述可知，本申请实施例提供的电子设备，通过将所有每日日切时段输入至预设的演化预测模型，进而预测得到当日日切时段，该演化预测模型基于演化算法得到，因此针对各业务系统的日切延迟特征，结合演化计算的自学习、自适应能力，训练形成业务系统日切延迟时间预测模型，可提前获取各业务系统的日切延迟时间，避免了最大日切延迟成为整个明细核对机制的瓶颈影响，同时可提升差错交易的识别效率。
在另一个实施方式中，业务系统的日切时段确定系统可以与中央处理器9100分开配置，例如可以将业务系统的日切时段确定系统配置为与中央处理器9100连接的芯片，通过中央处理器的控制来实现区块链数据交互功能。
如图16所示，该电子设备9600还可以包括：通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是，电子设备9600也并不是必须要包括图16中所示的所有部件；此外，电子设备9600还可以包括图16中没有示出的部件，可以参考现有技术。
如图16所示，中央处理器9100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9100接收输入并控制电子设备9600的各个部件的操作。
其中，存储器9140，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9100可执行该存储器9140存储的该程序，以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160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9140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9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142，该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143，该数据存储部9143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9140的驱动程序存储部9144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9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100，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9110，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)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132，以经由扬声器9131提供音频输出，并接收来自麦克风9132的音频输入，从而实现通常的电信功能。音频处理器9130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9130还耦合到中央处理器9100，从而使得可以通过麦克风9132能够在本机上录音，且使得可以通过扬声器9131来播放本机上存储的声音。
本申请的实施例还提供能够实现上述实施例中的业务系统的日切时段确定方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的执行主体为服务器或客户端的业务系统的日切时段确定方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
步骤S100：获取待确定的业务系统预设历史天数内的每日日切时段；
步骤S200：将所有每日日切时段输入至预设的演化预测模型，得到当日日切时段；
其中，所述演化预测模型基于演化算法得到。
从上述描述可知，本申请实施例提供的计算机可读介质，通过将所有每日日切时段输入至预设的演化预测模型，进而预测得到当日日切时段，该演化预测模型基于演化算法得到，因此针对各业务系统的日切延迟特征，结合演化计算的自学习、自适应能力，训练形成业务系统日切延迟时间预测模型，可提前获取各业务系统的日切延迟时间，避免了最大日切延迟成为整个明细核对机制的瓶颈影响，同时可提升差错交易的识别效率。
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、装置、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(装置)、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 (13)

1.一种业务系统的日切时段确定方法，其特征在于，包括：
获取待确定的业务系统预设历史天数内的每日日切时段；
将所有每日日切时段输入至预设的演化预测模型，得到当日日切时段；其中，
所述演化预测模型基于演化算法得到。
2.根据权利要求1所述的业务系统的日切时段确定方法，其特征在于，所述演化预测模型的建立步骤，包括：
根据待确定的业务系统预设历史天数内的每日日切时段生成初始种群；
对所述初始种群进行演化生成次代种群；
执行迭代操作，对当前次代种群进行演化生成更新的次代种群，直至当前次代种群中最优个体的适应值小于设定阈值或者迭代达到设定次数；
从最终更新的次代种群中选取最优个体，形成所述演化预测模型。
3.根据权利要求2所述的业务系统的日切时段确定方法，其特征在于，所述初始种群包括多个个体，生成初始种群中各个体的步骤包括：
根据每日日切时段与基准日切时段的日切时差，结合可选取的运算符随机生成初始种群的个体。
4.根据权利要求2所述的业务系统的日切时段确定方法，其特征在于，所述次代种群包括多个次代个体，所述对所述初始种群进行演化生成次代种群，包括：
针对所述初始种群中任意两个个体，交换至少一个设定位置或随机位置运算符，形成两个所述次代个体；和/或，
针对所述初始种群中每个个体，随机变换至少一个设定位置或随机位置运算符，形成所述次代个体。
5.一种跨业务系统的跨日切业务处理数据差错识别方法，其特征在于，包括：
获取每个业务系统预设历史天数内的每日日切时段；
将每个业务系统预设历史天数内的每日日切时段输入至预设的演化预测模型，所述演化预测模型输出当日日切时段；
根据时长最大的当日日切时段、每个业务系统的业务处理响应最大时长以及每个业务系统的当日日切时段生成各业务系统的跨日切业务处理可能发生时段；
从所有差错数据中识别并剔除在各业务系统的跨日切业务处理可能发生时段内产生的业务处理数据；其中，
所述演化预测模型基于演化算法得到。
6.根据权利要求5所述的跨日切业务处理数据差错识别方法，其特征在于，所述根据时长最大的当日日切时段、每个业务系统的业务处理响应最大时长以及每个业务系统的当日日切时段生成各业务系统的跨日切业务处理可能发生时段，包括：
计算每个业务系统与当日日切时段最长的业务系统的时间差；
根据每个业务系统的业务处理响应最大时长结合对应的所述时间差生成各业务系统的跨日切业务处理可能发生时段。
7.根据权利要求5所述的跨日切业务处理数据差错识别方法，其特征在于，所述演化预测模型的建立步骤，包括：
根据待确定的业务系统预设历史天数内的每日日切时段生成初始种群；
对所述初始种群进行演化生成次代种群；
执行迭代操作，对当前次代种群进行演化生成更新的次代种群，直至当前次代种群中最优个体的适应值小于设定阈值或者迭代达到设定次数；
从最终更新的次代种群中选取最优个体，形成所述演化预测模型。
8.根据权利要求7所述的跨日切业务处理数据差错识别方法，其特征在于，所述初始种群包括多个个体，生成初始种群中各个体的步骤包括：
根据每日日切时段与基准日切时段的日切时差，结合可选取的运算符随机生成初始种群的个体。
9.根据权利要求7所述的跨日切业务处理数据差错识别方法，其特征在于，所述次代种群包括多个次代个体，所述对所述初始种群进行演化生成次代种群，包括：
针对所述初始种群中任意两个个体，交换至少一个设定位置或随机位置运算符，形成两个所述次代个体；和/或，
针对所述初始种群中每个个体，随机变换至少一个设定位置或随机位置运算符，形成所述次代个体。
10.一种业务系统的日切时段确定装置，其特征在于，包括：
每日日切时段获取模块，获取待确定的业务系统预设历史天数内的每日日切时段；
模型输入模块，将所有每日日切时段输入至预设的演化预测模型，得到当日日切时段；其中，
所述演化预测模型基于演化算法得到。
11.一种跨业务系统的跨日切业务处理数据差错识别装置，其特征在于，包括：
获取模块，获取每个业务系统预设历史天数内的每日日切时段；
预测模块，将每个业务系统预设历史天数内的每日日切时段输入至预设的演化预测模型，所述演化预测模型输出当日日切时段；
跨日切时段生成模块，根据时长最大的当日日切时段、每个业务系统的业务处理响应最大时长以及每个业务系统的当日日切时段生成各业务系统的跨日切业务处理可能发生时段；
差错识别模块，从所有差错数据中识别并剔除在各业务系统的跨日切业务处理可能发生时段内产生的业务处理数据；其中，
所述演化预测模型基于演化算法得到。
12.一种电子设备，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9任一项所述的方法的步骤。
13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至9任一项所述的方法的步骤。
CN202210111239.0A 2022-01-29 2022-01-29 业务系统的日切时段确定、数据差错识别方法及装置 Pending CN114443980A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210111239.0A CN114443980A (zh) 2022-01-29 2022-01-29 业务系统的日切时段确定、数据差错识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210111239.0A CN114443980A (zh) 2022-01-29 2022-01-29 业务系统的日切时段确定、数据差错识别方法及装置

Publications (1)

Publication Number Publication Date
CN114443980A true CN114443980A (zh) 2022-05-06

Family

ID=81372636

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210111239.0A Pending CN114443980A (zh) 2022-01-29 2022-01-29 业务系统的日切时段确定、数据差错识别方法及装置

Country Status (1)

Country Link
CN (1) CN114443980A (zh)

Similar Documents

Publication Publication Date Title
CN111031058A (zh) 基于WebSocket的分布式服务器集群交互方法及装置
US20140250158A1 (en) Method and device for obtaining file
CN111078930A (zh) 音频文件数据处理方法及装置
CN110764881A (zh) 分布式系统后台重试方法及装置
CN111510493B (zh) 分布式数据传输方法及装置
US10506392B1 (en) Stream-processing of telecommunication diameter event records
CN112817694A (zh) 分布式系统的自动负载均衡方法及装置
CN110602338B (zh) 音频处理方法、装置、系统、存储介质以及设备
CN113672488A (zh) 日志文本处理方法及装置
CN111679811A (zh) Web服务构建方法及装置
CN113485952A (zh) 数据批量传输方法及装置
CN113467525A (zh) 接口调用流量控制方法及装置
CN112396511A (zh) 分布式风控变量数据处理方法、装置及系统
CN111782260A (zh) 灰度发布方法及灰度发布装置
CN116954926A (zh) 服务器资源分配方法及装置
CN114443980A (zh) 业务系统的日切时段确定、数据差错识别方法及装置
CN114222028A (zh) 语音识别方法、装置、计算机设备和存储介质
CN113449891A (zh) 基于区块链的网点排队办理方法及装置
CN113407491A (zh) 数据处理方法及装置
CN111767435A (zh) 用户行为分析方法及装置
CN113987574A (zh) 一种区块链私密交易方法、装置、设备及可读存储介质
CN113052691A (zh) 一种分布式对账系统业务均衡方法，节点及集群
CN112887219B (zh) 报文组包间隔调整方法及装置
CN111757115A (zh) 一种视频流处理方法及装置
CN112866130B (zh) 报文组包间隔调整方法及装置

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