CN115129547A - 一种消费金融的黑盒监控系统及其质量分析方法 - Google Patents
一种消费金融的黑盒监控系统及其质量分析方法 Download PDFInfo
- Publication number
- CN115129547A CN115129547A CN202210749006.3A CN202210749006A CN115129547A CN 115129547 A CN115129547 A CN 115129547A CN 202210749006 A CN202210749006 A CN 202210749006A CN 115129547 A CN115129547 A CN 115129547A
- Authority
- CN
- China
- Prior art keywords
- state machine
- finite state
- monitoring system
- consumer finance
- box monitoring
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 70
- 238000004458 analytical method Methods 0.000 title claims abstract description 18
- 235000000332 black box Nutrition 0.000 title claims description 32
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 29
- 238000010276 construction Methods 0.000 claims abstract description 7
- 238000006243 chemical reaction Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 12
- 230000005856 abnormality Effects 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 4
- 238000012986 modification Methods 0.000 claims description 4
- 238000007635 classification algorithm Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/302—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a software system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3051—Monitoring arrangements for monitoring the configuration of the computing system or of the computing system component, e.g. monitoring the presence of processing resources, peripherals, I/O links, software programs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Prevention of errors by analysis, debugging or testing of software
- G06F11/3698—Environments for analysis, debugging or testing of software
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/448—Execution paradigms, e.g. implementations of programming paradigms
- G06F9/4498—Finite state machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种消费金融的黑盒监控系统及其质量分析方法，本发明中黑盒监控系统的构建过程为：构建黑盒监控系统的假设有限状态机，将假设有限状态机上线后，生成临时有限状态机，对比假设有限状态机和临时有限状态机，通过人为干预判断两个状态机不一致节点是否在真实场景下真实存在，并输出真实状态机；将生成的真实状态机作为模型，将正式环境的用户操作数据流动作为输入，生成黑盒监控系统；当消费金融系统的业务需求变化，升级黑盒监控系统。同时，本发明还提供了黑盒监控系统的质量分析方法，对消费金融系统稳定性进行监控，确保消费金融系统不会影响整体系统的性能。
Description
技术领域
本发明涉及消费金融系统风险管理技术领域，具体地，涉及一种消费金融的黑盒监控系统及其质量分析方法。
背景技术
现阶段金融机构的业务需求无限复杂和科技人力有限是金融业务增长的主要矛盾，为此金融机构为了解决时间成本、弥补科技人力不足，不得不从相关金融科技公司采购一系列已有全套系统或系统组件嵌入到金融机构系统中，以满足复杂金融业务的完整持续开展。
现阶段对于消费金融系统稳定性的保障，依靠自研软件系统和采购第三方系统两方面质量，以及两套系统融合后的稳定性。而且由于第三方采购的系统是不透明的，这个增加了软件系统的不确定性，导致软件系统质量问题堪忧。主要存在以下问题：(1)第三方专业机构的测试往往也是模拟性质的，很难演练真实场景；(2)自有测试团队的测试质量依赖团队人员经验，如果遇到不属于团队技术积累范围内的软件系统，很容易出现遗漏情况。
发明内容
针对现有技术中存在的问题，本发明提供了一种消费金融的黑盒监控系统及其质量分析方法，将有限资源与无限风险之间矛盾转化为可视化、易管控、可扩展的内控合规手段。
为实现上述技术目的，本发明采用如下技术方案：一种消费金融的黑盒监控系统，所述黑盒监控系统的构建过程如下：
(1)构建消费金融的黑盒监控系统的假设有限状态机；
(2)将消费金融的黑盒监控系统的假设有限状态机进行上线后一段时间内，在假设有限状态机基础上根据消费金融系统数据流动情况，增加假设有限状态机中不存在的节点并标记假设有限状态机中存在但真实环境无数据流动的无效节点，生成临时有限状态机；
(3)对比假设有限状态机和临时有限状态机，若存在两个状态机节点状态不一致情况，通过人为干预判断两个状态机不一致节点是否在真实场景下真实存在，并输出真实状态机；
(4)将步骤(3)生成的真实状态机作为模型，将正式环境的用户操作数据流动作为输入，生成黑盒监控系统；
(5)当消费金融系统的业务需求变化，重复步骤(1)-(4)升级黑盒监控系统。
进一步地，步骤(1)包括如下子步骤：
(1.1)所述黑盒监控系统假设有限状态机采用七元组表示：M＝(S,s0,δ,λ,X,Y,F)，其中，s0表示初始状态值，S表示有限的一组状态，X是输入字典，Y是输出字典，F表示有限的一组最终状态，δ表示由事件驱动的一组状态转移关系，sj＝δ(si,x)表示从状态si出发，输入x，转移到状态sj，且x∈X，si,sj∈S；λ表示经过一定事件后的输出函数，y＝λ(si,x)表示从状态si出发，输入x而获得的响应y，且y∈Y；
(1.2)确认一个初始状态s0，明确黑盒监控系统的有限的一组事件N；
(1.3)从第一组事件开始，输入系统上线前的测试环境中样本数据，得到M1个输入/输出对，重复将M1个输出的结果放入第二组事件得到M2个输入/输出对，循环直到得到MN个输入/输出对；
(1.4)将M1,M2,...,MN个输入/输出对生成黑盒监控系统的假设有限状态机。
进一步地，步骤(3)的具体过程如下：将假设有限状态机和临时有限状态机分别输出为树结构，通过树结构进行树的遍历，对比假设有限状态机和临时有限状态机是否存在状态机节点状态不一致情况，如果存在，则将假设有限状态机和临时有限状态机中不一致的节点状态进行标记并输出，交由专门人员判断临时有限状态机的变化节点是否接受修改，并输出真实状态机。
本发明还提供了一种消费金融的黑盒监控系统用于消费金融系统的质量分析方法，包括如下步骤：
(A)通过对消费金融系统等价查询模拟过程监控，输出一系列的有限状态机，通过相似数据的有限状态机是否一致，监控消费金融系统质量是否存在问题；
(B)通过监控有限状态机的节点数据转化率情况，判断消费金融系统是否存在异常。
进一步地，步骤(A)包括如下子步骤：
(A1)根据消费金融系统中的业务场景将样本数据通过KNN最邻近分类算法进行分类，得到N个等价子集，然后在每个等价子集类将数据划分出有效等价类与无效等价类；
(A2)随机选取一组等价子集输入黑盒监控系统，输出对应的有限状态机，若输出的有限状态机跟真实状态机一致，则消费金融系统不存在质量问题；否则，消费金融系统存在质量问题。
进一步地，所述有效等价类指由进入某一操作再进入到下一操作的状态，所述无效等价类指进入某一操作后不能继续往下操作的状态。
进一步地，步骤(B)的具体过程为：将消费金融系统的用户操作情况输入到黑盒监控系统中，并在黑盒监控系统的有限状态机中每个节点记录操作数，按日计算出前后两个关联节点的转化率，确定一段时间内转化率均值，当不可接受距离的公式满足：Drefuse＞Dmean+2*Dsd时，则消费金融系统中的流程存在问题；其中，Dmean为由消费金融系统的前一个页面进入下一页的转化率的均值，Dsd为由消费金融系统的前一个页面进入下一页的转化率的标准差，Drefuse为拒绝标准。
与现有技术相比，本发明具有如下有益效果：
1.本发明消费金融的黑盒监控系统构建方法在真实状态机时，发现异常需要通过人为干预调整，但在后续通过树的遍历对临时有限状态机进行进行修正，得到真实状态机时，只需要根据临时有限状态机与假设有限状态机进行比较，较少的依靠专业团队和专业知识，减少专业经验对质量管控的偏差；
2.本发明消费金融的黑盒监控系统构建方法可以生成所有黑盒监控系统的有限状态机，然后对该有限状态机进行分析；也可以按照业务流程将有限状态机切割后单独进行分析，因此，本发明消费金融的黑盒监控系统构建方法既可以对消费金融系统整体进行监控，也可以对部分子系统或部分流程进行监控；
3.本发明消费金融的黑盒监控系统用于消费金融系统的质量分析方法可以确定是否存在异常节点流程从而判断消费金融系统是否异常；也可以通过转化率确定现有流程对应的消费金融系统是否出现了异常。
附图说明
图1为本发明消费金融用信流程有限状态机的示意图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步地解释说明。
通过输入测试环境的用户操作的数据流向构建出黑盒监控系统假设状态机，在假设状态机上线后一段时间，通常在两周内的正式环境数数据下输出真实状态机，并对比两个状态机调整输出最终的真实状态机。因此，本发明提供了一种消费金融的黑盒系统，该黑盒系统的构建过程如下：
(1)构建消费金融的黑盒监控系统假设有限状态机，测试环境使用的样本数据是严格按照软件系统需求设计的，由于测试环境的数据都是全场景执行的，少量数据可以生成包含主要流程的假设有限状态机。具体包括如下子步骤：
(1.1)本发明中黑盒监控系统假设状态机采用七元组表示：M＝(S,s0,δ,λ,X,Y,F)，其中，s0表示初始状态值，S表示有限的一组状态，X是输入字典，Y是输出字典，F表示有限的一组最终状态，δ表示由事件驱动的一组状态转移关系，sj＝δ(si,x)表示从状态si出发，输入x，转移到状态sj，且x∈X，si,sj∈S；λ表示经过一定事件后的输出函数，y＝λ(si,x)表示从状态si出发，输入x而获得的响应y，且y∈Y；
(1.2)确认一个初始状态s0，明确黑盒监控系统的有限的一组事件N；
(1.3)从第一组事件开始，输入测试环境的用户操作数据流动数据，得到M1个输入/输出对，重复将M1个输出的结果放入第二组事件得到M2个输入/输出对，循环直到得到MN个输入/输出对；
(1.4)将M1,M2,...,MN个输入/输出对生成黑盒监控系统假设状态机。
(2)将消费金融的黑盒监控系统的假设有限状态机进行上线后一段时间内，在假设有限状态机基础上根据正式环境的用户操作数据流动数据情况，增加假设有限状态机中不存在的节点，并标记假设有限状态机中存在但真实环境无数据流动的无效节点，生成临时有限状态机；通过使用假设有限状态机上线后的真实环境样本数据来生成临时有限状态机，能够确保假设有限状态机中遗漏的节点被发现。
(3)对比假设有限设状态机和临时有限状态机，若存在两个状态机节点状态不一致情况，通过人为干预判断两个状态机不一致节点是否在真实场景下真实存在，并输出真实状态机；具体地，将假设有限状态机和临时有限状态机分别输出为树结构，通过树结构进行树的遍历，对比假设有限状态机和真实有限状态机是否存在状态机节点状态不一致情况，如果存在，则将假设有限状态机和临时有限状态机中不一致的节点状态进行标记并输出，交由专门人员判断临时有限状态机的变化节点是否接受修改，并输出真实状态机。该过程能够快速调整并生成真实状态机，并同时判断消费金融系统是否存在异常。
(4)将步骤(3)生成的真实状态机作为模型，将正式环境的用户操作数据流动作为输入，生成黑盒监控系统；
(5)当消费金融系统的业务需求变化，重复步骤(1)-(4)升级黑盒监控系统。
由于黑盒监控系统中，可确认的有输入和输出以及输入输出间关系，只能对数据经由输入输出得到的结果进行质量分析。而由于输入的情况是无穷的，穷举是不现实的，只能通过将数据划分为一系列等价类进行分析，这类分类质量分析可以称为等价类划分法。等价类根据业务将数据合理划分成若干个子集合，在子集合中，各个输入数据对于揭露软件中的错误都是等效的，并合理假定：测试某等价类的代表值就等于对这一类其他值的测试。基于此，本发明还提供了一种消费金融的黑盒监控系统用于消费金融系统的质量分析方法，可以定量判断出消费金融系统是否存在问题，以及存在问题的具体场景位置。包括如下步骤：
(A)通过对消费金融系统等价查询模拟过程监控，输出一系列的有限状态机，通过相似数据的有限状态机是否一致，监控消费金融系统质量是否存在问题；具体包括如下子步骤：
(A1)根据消费金融系统中的业务场景将样本数据通过KNN最邻近分类算法进行分类，得到N个等价子集，然后在每个等价子集类将数据划分出有效等价类与无效等价类，有效等价类指由进入某一操作再进入到下一操作的状态，无效等价类指进入某一操作后不能继续往下操作的状态，有效等价类与无效等价类的区别在于对于黑盒监控系统功能性检验是否合理；
(A2)随机选取一组等价子集输入黑盒监控系统，可以输出对应的有限状态机，若输出的有限状态机跟真实状态机一致，则消费金融系统不存在质量问题；否则，消费金融系统存在质量问题，通过该黑盒监控系统能够自动地对个别异常情况进行判断，比方本来非自营借款用户进入了自营借款流程，这就会使得有限状态机的数据流动出现异常，会在有限状态机的节点中展示出来。
在消费金融公司的实际运用场景：客户在消费金融系统主要包括手机客户端和手机H5中的操作中授信、用信、还款流程数据分析。分析的好处是可以主动发现一些问题：(1)发现整个过程中是否存在直接跳过必经流程的情况，方便对系统潜在后门或者漏洞做初步分析；(2)发现整个过程中是否存在重复进入的状态，为确认具体某个子系统存在异常提供数据支撑；(3)生成较为完整的业务执行流程，为业务优化提供分析依据。
如消费金融公司对于允许现金借贷的用户年龄为25至55岁，该组用户标记为可授信用户，而22至24岁的客户为不可现金借贷但可以特定场景贷用户，该组用户标记为预授信用户。
表1：现金贷的有效等价类与无效等价类分类表
| 输入等价类 | 有效等价类(可授信用户组) | 无效等价类(预授信用户组) |
| 年龄 | 有效范围：25至55岁 | 非25至55岁范围内 |
而在实际监控过程中发现，存在预授信标签的用户有现金借款输入密码操作的节点，此时黑盒监控系统第一时间将故障反馈到对应责任人，最终定位发现是对借款入口判断分组时判断符号写错了。
如图1，可以看出用户从登录到借款成功的完整路径图，一方面，如果在该流程中出现了非正常旁支，监控系统可以灵敏监控出来异常，并将非正常旁支反馈出来。另一方面，该有限状态机的数据流向带有漏斗性质的。例如通过“借款金额页面”的操作必须要通过“借款页面”的操作，正常通过“借款页面”的操作后再通过“借款金额页面”的操作应该是70％左右的用户，如果出现概率大幅度波动情况，那么黑盒监控系统会将数据流向异常情况反馈出来，对应系统负责人可以通过概率情况分析出何处系统异常。
(B)通过监控黑盒监控系统的节点数据转化率情况，判断消费金融系统是否存在异常，具体地，将用户操作情况输入到真实有限状态机中，并在每个节点记录操作数，按日计算出前后两个关联节点的转化率，确定一段时间内转化率均值，当不可接受距离的公式满足：Drefuse＞Dmean+2*Dsd时，则消费金融场景中的流程存在问题；其中，Dmean为由消费金融系统的前一个页面进入下一页的转化率的均值，Dsd为由消费金融系统的前一个页面进入下一页的转化率的标准差，Drefuse为拒绝标准。
表2：根据有限状态机输出的借款金额页面转化率
| 日期 | 借款页面 | 借款金额页面 | 转换率 |
| 7月3日 | 237 | 168 | 70.9％ |
| 7月4日 | 113 | 83 | 73.5％ |
| 7月5日 | 99 | 69 | 69.3％ |
| 7月6日 | 125 | 89 | 71.2％ |
| 7月7日 | 110 | 77 | 69.8％ |
| 7月8日 | 114 | 71 | 62.7％ |
表2的转化率计算方式是
根据正态分布95.5％区域是均值加减两倍标准差为判断标准，可以梳理出不可接受距离的公式满足：Drefuse＞Dmean+2*Dsd时，则消费金融场景中的流程存在问题；如表2，在需求调整后消费金融系统迭代的上线时间为7月7日，而7月8日时候转化率是低于均值减去两倍标准差的，可以判断该场景出现了问题，可以将该问题标记为异常转给对应场景的对接人进一步判断和定位问题。最终，经过分析发现由于消费金融系统配合异常导致部分标签用户无法正常通过。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施方式，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。
Claims (7)
1.一种消费金融的黑盒监控系统，其特征在于，所述黑盒监控系统的构建过程如下：
(1)构建消费金融的黑盒监控系统的假设有限状态机；
(2)将消费金融的黑盒监控系统的假设有限状态机进行上线后一段时间内，在假设有限状态机基础上根据消费金融系统数据流动情况，增加假设有限状态机中不存在的节点并标记假设有限状态机中存在但真实环境无数据流动的无效节点，生成临时有限状态机；
(3)对比假设有限状态机和临时有限状态机，若存在两个状态机节点状态不一致情况，通过人为干预判断两个状态机不一致节点是否在真实场景下真实存在，并输出真实状态机；
(4)将步骤(3)生成的真实状态机作为模型，将正式环境的用户操作数据流动作为输入，生成黑盒监控系统；
(5)当消费金融系统的业务需求变化，重复步骤(1)-(4)升级黑盒监控系统。
2.根据权利要求1所述消费金融的黑盒监控系统，其特征在于，步骤(1)包括如下子步骤：
(1.1)所述黑盒监控系统假设有限状态机采用七元组表示：M＝(S,s0,δ,λ,X,Y,F)，其中，s0表示初始状态值，S表示有限的一组状态，X是输入字典，Y是输出字典，F表示有限的一组最终状态，δ表示由事件驱动的一组状态转移关系，sj＝δ(si,x)表示从状态si出发，输入x，转移到状态sj，且x∈X，si,sj∈S；λ表示经过一定事件后的输出函数，y＝λ(si,x)表示从状态si出发，输入x而获得的响应y，且y∈Y；
(1.2)确认一个初始状态s0，明确黑盒监控系统的有限的一组事件N；
(1.3)从第一组事件开始，输入系统上线前的测试环境中样本数据，得到M1个输入/输出对，重复将M1个输出的结果放入第二组事件得到M2个输入/输出对，循环直到得到MN个输入/输出对；
(1.4)将M1,M2,...,MN个输入/输出对生成黑盒监控系统的假设有限状态机。
3.根据权利要求1所述消费金融的黑盒监控系统，其特征在于，步骤(3)的具体过程如下：将假设有限状态机和临时有限状态机分别输出为树结构，通过树结构进行树的遍历，对比假设有限状态机和临时有限状态机是否存在状态机节点状态不一致情况，如果存在，则将假设有限状态机和临时有限状态机中不一致的节点状态进行标记并输出，交由专门人员判断临时有限状态机的变化节点是否接受修改，并输出真实状态机。
4.一种权利要求1所述消费金融的黑盒监控系统用于消费金融系统的质量分析方法，其特征在于，包括如下步骤：
(A)通过对消费金融系统等价查询模拟过程监控，输出一系列的有限状态机，通过相似数据的有限状态机是否一致，监控消费金融系统质量是否存在问题；
(B)通过监控有限状态机的节点数据转化率情况，判断消费金融系统是否存在异常。
5.根据权利要求4所述消费金融的黑盒监控系统用于消费金融系统的质量分析方法，其特征在于，步骤(A)包括如下子步骤：
(A1)根据消费金融系统中的业务场景将样本数据通过KNN最邻近分类算法进行分类，得到N个等价子集，然后在每个等价子集类将数据划分出有效等价类与无效等价类；
(A2)随机选取一组等价子集输入黑盒监控系统，输出对应的有限状态机，若输出的有限状态机跟真实状态机一致，则消费金融系统不存在质量问题；否则，消费金融系统存在质量问题。
6.根据权利要求5所述消费金融的黑盒监控系统用于消费金融系统的质量分析方法，其特征在于，所述有效等价类指由进入某一操作再进入到下一操作的状态，所述无效等价类指进入某一操作后不能继续往下操作的状态。
7.根据权利要求4所述消费金融的黑盒监控系统用于消费金融系统的质量分析方法，其特征在于，步骤(B)的具体过程为：将消费金融系统的用户操作情况输入到黑盒监控系统中，并在黑盒监控系统的有限状态机中每个节点记录操作数，按日计算出前后两个关联节点的转化率，确定一段时间内转化率均值，当不可接受距离的公式满足：Drefuse＞Dmean+2*Dsd时，则消费金融系统中的流程存在问题；其中，Dmean为由消费金融系统的前一个页面进入下一页的转化率的均值，Dsd为由消费金融系统的前一个页面进入下一页的转化率的标准差，Drefuse为拒绝标准。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210749006.3A CN115129547A (zh) | 2022-06-29 | 2022-06-29 | 一种消费金融的黑盒监控系统及其质量分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210749006.3A CN115129547A (zh) | 2022-06-29 | 2022-06-29 | 一种消费金融的黑盒监控系统及其质量分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115129547A true CN115129547A (zh) | 2022-09-30 |
Family
ID=83380287
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210749006.3A Pending CN115129547A (zh) | 2022-06-29 | 2022-06-29 | 一种消费金融的黑盒监控系统及其质量分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115129547A (zh) |
-
2022
- 2022-06-29 CN CN202210749006.3A patent/CN115129547A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10592386B2 (en) | Fully automated machine learning system which generates and optimizes solutions given a dataset and a desired outcome | |
| EP3591586A1 (en) | Data model generation using generative adversarial networks and fully automated machine learning system which generates and optimizes solutions given a dataset and a desired outcome | |
| CN103620581B (zh) | 用于执行机器学习的用户界面和工作流 | |
| US11562252B2 (en) | Systems and methods for expanding data classification using synthetic data generation in machine learning models | |
| WO2022179008A1 (zh) | 基于区块链的供应链金融AI DaaS算法仓库平台 | |
| CA3154647C (en) | Maintaining data privacy in a shared detection model system | |
| CN111915316A (zh) | 一种可疑交易的监控方法、装置、计算机设备和存储介质 | |
| CN107391452B (zh) | 一种基于数据欠采样和集成学习的软件缺陷数目预测方法 | |
| CN118211832A (zh) | 财税数据风险监测方法、系统、电子设备和存储介质 | |
| US11922352B1 (en) | System and method for risk tracking | |
| Debbarma et al. | Analysis of data quality and performance issues in data warehousing and business intelligence | |
| JP7527354B2 (ja) | 共有された検出モデル・システムにおけるデータ・プライバシーの維持 | |
| US20180150638A1 (en) | Detection of security incidents through simulations | |
| CN115129547A (zh) | 一种消费金融的黑盒监控系统及其质量分析方法 | |
| US11250500B2 (en) | Method and system for performing income analysis from source documents | |
| CN114742409A (zh) | 一种财务报销的处理方法、装置、设备及介质 | |
| CN111882415A (zh) | 一种质量检测模型的训练方法和相关装置 | |
| CN118626475B (zh) | 一种基于挖掘技术的信息系统信创化迁移方法与系统 | |
| Chen et al. | Automatic approval method for financial reimbursement of electric power enterprises based on RPA robot | |
| CN118552330B (zh) | 一种财务数据全链路监测方法及系统 | |
| JP7578364B2 (ja) | 検出モデルの更新およびデータ機密性の維持 | |
| Liu et al. | A reputation revision mechanism to mitigate the negative effects of misreported ratings | |
| US20240411588A1 (en) | Change management intelligent reconciliation | |
| CN118606061A (zh) | 分拆数据和算力的处理方法、装置、电子设备及存储介质 | |
| CN118820325A (zh) | 一种基于Microsoft 365的账期数据处理方法、系统、设备及介质 |
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 | ||
| CB02 | Change of applicant information |
Address after: No.88, Huaihai Road, Qinhuai District, Nanjing City, Jiangsu Province, 210000 Applicant after: Nanyin Faba Consumer Finance Co.,Ltd. Address before: No.88, Huaihai Road, Qinhuai District, Nanjing City, Jiangsu Province, 210000 Applicant before: SUNING CONSUMER FINANCE Co.,Ltd. |
|
| CB02 | Change of applicant information |