CN115510998A - 交易异常值检测方法及装置 - Google Patents

交易异常值检测方法及装置 Download PDF

Info

Publication number
CN115510998A
CN115510998A CN202211274970.1A CN202211274970A CN115510998A CN 115510998 A CN115510998 A CN 115510998A CN 202211274970 A CN202211274970 A CN 202211274970A CN 115510998 A CN115510998 A CN 115510998A
Authority
CN
China
Prior art keywords
time sequence
transaction data
user
reconstruction
abnormal
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
CN202211274970.1A
Other languages
English (en)
Inventor
童楚婕
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.)
Bank of China Ltd
Original Assignee
Bank of China Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Bank of China Ltd filed Critical Bank of China Ltd
Priority to CN202211274970.1A priority Critical patent/CN115510998A/zh
Publication of CN115510998A publication Critical patent/CN115510998A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • 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)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明公开了交易异常值检测方法及装置，可用于人工智能技术领域，方法包括：获取历史用户交易数据；根据过滤后的历史用户交易数据构建原始时间序列；将原始时间序列作为样本数据，构建训练集；利用训练集对长短期记忆网络自编码器模型进行训练，根据训练好的长短期记忆网络自编码器模型确定训练集对应的重建时间序列；将待测用户交易数据输入至训练好的长短期记忆网络自编码器模型，得到待测用户交易数据对应的重建时间序列；根据待测用户交易数据对应的重建时间序列及误差阈值确定待测用户交易数据是否异常。本发明通过采用长短期记忆网络自编码器模型实现了实时判断用户交易数据是否异常，提高了交易异常值检测准确率及效率。

Description

交易异常值检测方法及装置
技术领域
本发明涉及人工智能技术领域，尤其涉及交易异常值检测方法及装置。
背景技术
异常检测是目前时序数据分析最成熟的应用之一，指从正常的时间序列中识别不正常的事件或行为的过程。有效的异常检测被广泛用于多个领域，例如量化交易。
目前异常值检测领域的常用方法是利用可视化图像比如箱线图；利用指标值比如百分比法、均方差。这些方法直接用于对时间序列类型的数据进行检测，存在检测结果不准确、直接使用效果不好、没有充分利用时序信息、无法及时发现异常等问题。
综上，亟需一种交易异常值检测方法，用于解决上述现有技术存在的问题。
发明内容
本发明实施例提供一种交易异常值检测方法，用以提高交易异常值检测准确率及效率，该方法包括：
获取历史用户交易数据；
滤除历史用户交易数据中的异常数据；
根据过滤后的历史用户交易数据构建原始时间序列；
将原始时间序列作为样本数据，构建训练集；
利用训练集对长短期记忆网络自编码器模型进行训练，得到训练好的长短期记忆网络自编码器模型；
根据训练好的长短期记忆网络自编码器模型确定训练集对应的重建时间序列；
根据重建时间序列及原始时间序列确定误差阈值；
将待测用户交易数据输入至训练好的长短期记忆网络自编码器模型，得到待测用户交易数据对应的重建时间序列；
根据待测用户交易数据对应的重建时间序列及误差阈值确定待测用户交易数据是否异常。
本发明实施例还提供一种交易异常值检测装置，用以提高交易异常值检测准确率及效率，该装置包括：
模型训练模块，用于获取历史用户交易数据；滤除历史用户交易数据中的异常数据；根据过滤后的历史用户交易数据构建原始时间序列；将原始时间序列作为样本数据，构建训练集；利用训练集对长短期记忆网络自编码器模型进行训练，得到训练好的长短期记忆网络自编码器模型；
异常值检测模块，用于根据训练好的长短期记忆网络自编码器模型确定训练集对应的重建时间序列；根据重建时间序列及原始时间序列确定误差阈值；将待测用户交易数据输入至训练好的长短期记忆网络自编码器模型，得到待测用户交易数据对应的重建时间序列；根据待测用户交易数据对应的重建时间序列及误差阈值确定待测用户交易数据是否异常。
本发明实施例还提供一种计算机设备，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上述交易异常值检测方法。
本发明实施例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计算机程序，所述计算机程序被处理器执行时实现上述交易异常值检测方法。
本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述交易异常值检测方法。
本发明实施例中，获取历史用户交易数据；滤除历史用户交易数据中的异常数据；根据过滤后的历史用户交易数据构建原始时间序列；将原始时间序列作为样本数据，构建训练集；利用训练集对长短期记忆网络自编码器模型进行训练，得到训练好的长短期记忆网络自编码器模型；根据训练好的长短期记忆网络自编码器模型确定训练集对应的重建时间序列；根据重建时间序列及原始时间序列确定误差阈值；将待测用户交易数据输入至训练好的长短期记忆网络自编码器模型，得到待测用户交易数据对应的重建时间序列；根据待测用户交易数据对应的重建时间序列及误差阈值确定待测用户交易数据是否异常，与现有技术相比，将原始时间序列作为样本数据，构建训练集，利用训练集对长短期记忆网络自编码器模型进行训练，根据训练好的长短期记忆网络自编码器模型确定训练集对应的重建时间序列，根据重建时间序列及原始时间序列确定误差阈值，充分利用时序信息，通过采用长短期记忆网络自编码器模型实现了实时判断用户交易数据是否异常，提高了交易异常值检测准确率及效率。
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。在附图中：
图1为本发明提供的交易异常值检测方法的流程示意图；
图2为本发明提供的交易异常值检测方法的流程示意图；
图3为本发明提供的交易异常值检测方法的流程示意图；
图4为本发明提供的交易异常值检测方法的流程示意图；
图5为本发明提供的交易异常值检测装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
图1为本发明实施例提供的一种交易异常值检测方法所对应的流程示意图，如图1所示，该方法包括：
步骤101，获取历史用户交易数据。
步骤102，滤除历史用户交易数据中的异常数据。
本发明实施例中，对历史用户交易数据进行标注，以区分历史用户交易数据中的异常数据及非异常数据。
在一种可能的实施方式中，手动剔除异常数据。
步骤103，根据过滤后的历史用户交易数据构建原始时间序列。
步骤104，将原始时间序列作为样本数据，构建训练集。
本发明实施例中，将非异常数据分为训练集、验证集和测试集，将样本转换为二维张量。
步骤105，利用训练集对长短期记忆网络自编码器模型进行训练，得到训练好的长短期记忆网络自编码器模型。
本发明实施例中，将训练集通过长短期记忆网络自编码器模型传递，以使长短期记忆网络自编码器模型学习到数据中的特征。
步骤106，根据训练好的长短期记忆网络自编码器模型确定训练集对应的重建时间序列。
本发明实施例中，根据训练好的长短期记忆网络自编码器模型确定训练集对应的重建时间序列，通过几个长短期记忆网络LSTM层来捕获数据的时间依赖性。
步骤107，根据重建时间序列及原始时间序列确定误差阈值。
步骤108，将待测用户交易数据输入至训练好的长短期记忆网络自编码器模型，得到待测用户交易数据对应的重建时间序列。
步骤109，根据待测用户交易数据对应的重建时间序列及误差阈值确定待测用户交易数据是否异常。
上述方案，将原始时间序列作为样本数据，构建训练集，利用训练集对长短期记忆网络自编码器模型进行训练，根据训练好的长短期记忆网络自编码器模型确定训练集对应的重建时间序列，根据重建时间序列及原始时间序列确定误差阈值，充分利用时序信息，通过采用长短期记忆网络自编码器模型实现了实时判断用户交易数据是否异常，提高了交易异常值检测准确率及效率。
本发明实施例在步骤107中，根据重建时间序列及原始时间序列确定误差阈值，步骤流程如图2所示，具体如下：
步骤201，计算重建时间序列与原始时间序列之间的第一重建误差。
步骤202，根据第一重建误差确定误差阈值。
本发明实施例中，遍历训练集中的每个样本并计算重建时间序列与原始时间序列之间的第一重建误差。
上述方案，计算重建时间序列与原始时间序列之间的第一重建误差，根据第一重建误差确定误差阈值，提高了误差阈值的准确性。
在一种可能的实施方式中，本发明实施例在步骤202中，根据预设的重建异常比率及第一重建误差确定误差阈值。
举例来说，预设的重建异常比率为0.2，第一重建误差分别为20、30、25、35、40，此时将误差阈值设置为35，以使重建异常比率为0.2。
上述方案，据预设的重建异常比率及第一重建误差确定误差阈值，提高了交易异常值检测的效率。
在另一种可能的实施方式中，本发明实施例在步骤202中根据第一重建误差确定误差阈值，步骤流程如图3所示，具体如下：
步骤301，根据第一重建误差生成分箱图。
需要说明的是，分箱图用箱的深度表示不同的箱里有相同个数的数据，用箱的宽度来表示每个箱值的取值区间。
步骤302，根据长尾效应及分箱图确定误差阈值。
本发明实施例中，画出分箱图后根据长尾效应确定误差阈值。
上述方案，根据长尾效应及分箱图确定误差阈值，提高了交易异常值检测的准确性。
本发明实施例在步骤109中，根据待测用户交易数据对应的重建时间序列及误差阈值确定待测用户交易数据是否异常，步骤流程如图4所示，具体如下：
步骤401，根据待测用户交易数据对应的重建时间序列确定待测用户交易数据对应的第二重建误差。
步骤402，在第二重建误差大于误差阈值时，待测用户交易数据异常。
本发明实施例中，根据训练好的长短期记忆网络自编码器模型确定训练集对应的重建时间序列，根据待测用户交易数据及对应的重建时间序列确定待测用户交易数据对应的第二重建误差，并与误差阈值进行比较，在第二重建误差大于误差阈值时，待测用户交易数据异常。
上述方案，在第二重建误差大于误差阈值时，待测用户交易数据异常，提高了交易异常值检测准确率及效率。
本发明实施例中还提供了一种基于区块链的物资分配装置，如下面的实施例所述。该装置如图5所示，所述装置包括：
模型训练模块501，用于获取历史用户交易数据；滤除历史用户交易数据中的异常数据；根据过滤后的历史用户交易数据构建原始时间序列；将原始时间序列作为样本数据，构建训练集；利用训练集对长短期记忆网络自编码器模型进行训练，得到训练好的长短期记忆网络自编码器模型；
异常值检测模块502，用于根据训练好的长短期记忆网络自编码器模型确定训练集对应的重建时间序列；根据重建时间序列及原始时间序列确定误差阈值；将待测用户交易数据输入至训练好的长短期记忆网络自编码器模型，得到待测用户交易数据对应的重建时间序列；根据待测用户交易数据对应的重建时间序列及误差阈值确定待测用户交易数据是否异常。
本发明实施例中，所述异常值检测模块502具体用于：
计算重建时间序列与原始时间序列之间的第一重建误差；
根据第一重建误差确定误差阈值。
本发明实施例中，所述异常值检测模块502具体用于：
根据预设的重建异常比率及第一重建误差确定误差阈值。
本发明实施例中，所述异常值检测模块502具体用于：
根据第一重建误差生成分箱图；
根据长尾效应及分箱图确定误差阈值。
本发明实施例中，所述异常值检测模块502具体用于：
根据待测用户交易数据对应的重建时间序列确定待测用户交易数据对应的第二重建误差；
在第二重建误差大于误差阈值时，待测用户交易数据异常。
由于该装置解决问题的原理与交易异常值检测方法相似，因此该装置的实施可以参见交易异常值检测方法的实施，重复之处不再赘述。
本发明实施例还提供一种计算机设备，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上述交易异常值检测方法。
本发明实施例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计算机程序，所述计算机程序被处理器执行时实现上述交易异常值检测方法。
本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述交易异常值检测方法。
本发明实施例中，获取历史用户交易数据；滤除历史用户交易数据中的异常数据；根据过滤后的历史用户交易数据构建原始时间序列；将原始时间序列作为样本数据，构建训练集；利用训练集对长短期记忆网络自编码器模型进行训练，得到训练好的长短期记忆网络自编码器模型；根据训练好的长短期记忆网络自编码器模型确定训练集对应的重建时间序列；根据重建时间序列及原始时间序列确定误差阈值；将待测用户交易数据输入至训练好的长短期记忆网络自编码器模型，得到待测用户交易数据对应的重建时间序列；根据待测用户交易数据对应的重建时间序列及误差阈值确定待测用户交易数据是否异常，与现有技术相比，将原始时间序列作为样本数据，构建训练集，利用训练集对长短期记忆网络自编码器模型进行训练，根据训练好的长短期记忆网络自编码器模型确定训练集对应的重建时间序列，根据重建时间序列及原始时间序列确定误差阈值，充分利用时序信息，通过采用长短期记忆网络自编码器模型实现了实时判断用户交易数据是否异常，提高了交易异常值检测准确率及效率。
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、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。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (11)

1.一种交易异常值检测方法，其特征在于，包括：
获取历史用户交易数据；
滤除历史用户交易数据中的异常数据；
根据过滤后的历史用户交易数据构建原始时间序列；
将原始时间序列作为样本数据，构建训练集；
利用训练集对长短期记忆网络自编码器模型进行训练，得到训练好的长短期记忆网络自编码器模型；
根据训练好的长短期记忆网络自编码器模型确定训练集对应的重建时间序列；
根据重建时间序列及原始时间序列确定误差阈值；
将待测用户交易数据输入至训练好的长短期记忆网络自编码器模型，得到待测用户交易数据对应的重建时间序列；
根据待测用户交易数据对应的重建时间序列及误差阈值确定待测用户交易数据是否异常。
2.如权利要求1所述的交易异常值检测方法，其特征在于，根据重建时间序列及原始时间序列确定误差阈值，包括：
计算重建时间序列与原始时间序列之间的第一重建误差；
根据第一重建误差确定误差阈值。
3.如权利要求2所述的交易异常值检测方法，其特征在于，根据第一重建误差确定误差阈值，包括：
根据预设的重建异常比率及第一重建误差确定误差阈值。
4.如权利要求2所述的交易异常值检测方法，其特征在于，根据第一重建误差确定误差阈值，包括：
根据第一重建误差生成分箱图；
根据长尾效应及分箱图确定误差阈值。
5.如权利要求2所述的交易异常值检测方法，其特征在于，根据待测用户交易数据对应的重建时间序列及误差阈值确定待测用户交易数据是否异常，包括：
根据待测用户交易数据对应的重建时间序列确定待测用户交易数据对应的第二重建误差；
在第二重建误差大于误差阈值时，待测用户交易数据异常。
6.一种交易异常值检测装置，其特征在于，包括：
模型训练模块，用于获取历史用户交易数据；滤除历史用户交易数据中的异常数据；根据过滤后的历史用户交易数据构建原始时间序列；将原始时间序列作为样本数据，构建训练集；利用训练集对长短期记忆网络自编码器模型进行训练，得到训练好的长短期记忆网络自编码器模型；
异常值检测模块，用于根据训练好的长短期记忆网络自编码器模型确定训练集对应的重建时间序列；根据重建时间序列及原始时间序列确定误差阈值；将待测用户交易数据输入至训练好的长短期记忆网络自编码器模型，得到待测用户交易数据对应的重建时间序列；根据待测用户交易数据对应的重建时间序列及误差阈值确定待测用户交易数据是否异常。
7.如权利要求6所述的交易异常值检测装置，其特征在于，所述异常值检测模块具体用于：
计算重建时间序列与原始时间序列之间的第一重建误差；
根据第一重建误差确定误差阈值。
8.如权利要求7所述的交易异常值检测装置，其特征在于，所述异常值检测模块具体用于：
根据预设的重建异常比率及第一重建误差确定误差阈值。
9.一种计算机设备，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5任一所述方法。
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计算机程序，所述计算机程序被处理器执行时实现权利要求1至5任一所述方法。
11.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现权利要求1至5任一所述方法。
CN202211274970.1A 2022-10-18 2022-10-18 交易异常值检测方法及装置 Pending CN115510998A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211274970.1A CN115510998A (zh) 2022-10-18 2022-10-18 交易异常值检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211274970.1A CN115510998A (zh) 2022-10-18 2022-10-18 交易异常值检测方法及装置

Publications (1)

Publication Number Publication Date
CN115510998A true CN115510998A (zh) 2022-12-23

Family

ID=84509684

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211274970.1A Pending CN115510998A (zh) 2022-10-18 2022-10-18 交易异常值检测方法及装置

Country Status (1)

Country Link
CN (1) CN115510998A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116738445A (zh) * 2023-08-16 2023-09-12 中国信息通信研究院 数据安全事件检测模型的构建方法及检测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116738445A (zh) * 2023-08-16 2023-09-12 中国信息通信研究院 数据安全事件检测模型的构建方法及检测方法
CN116738445B (zh) * 2023-08-16 2023-10-31 中国信息通信研究院 数据安全事件检测模型的构建方法及检测方法

Similar Documents

Publication Publication Date Title
CN109934268B (zh) 异常交易检测方法及系统
CN106598822B (zh) 一种用于容量评估的异常数据检测方法及装置
CN108268373A (zh) 自动化测试用例管理方法、装置、设备及存储介质
CN109408383B (zh) 一种Java内存泄漏分析方法及装置
CN109283182A (zh) 一种电池焊点缺陷的检测方法、装置及系统
CN112416662A (zh) 多时间序列数据异常检测方法与装置
CN109521725A (zh) 检测异常数据的方法、装置和设备以及机器可读介质
CN115510998A (zh) 交易异常值检测方法及装置
CN113516174A (zh) 调用链异常检测方法、计算机设备以及可读存储介质
CN112565187A (zh) 基于逻辑回归的电网攻击检测方法、系统、设备及介质
CN116306806A (zh) 故障诊断模型确定方法、装置及非易失性存储介质
CN114996257A (zh) 数据量异常检测方法、装置、介质及程序产品
CN112882898B (zh) 基于大数据日志分析的异常检测方法、系统、设备及介质
US20230216728A1 (en) Method and system for evaluating peer groups for comparative anomaly
CN108763092B (zh) 一种基于交叉验证的代码缺陷检测方法及装置
CN114331688A (zh) 一种银行柜面系统业务批量运行状态检测方法及装置
CN106371419B (zh) 用于监视控制回路的运行的诊断装置和诊断方法
CN108229586A (zh) 一种数据中的异常数据点的检测方法及系统
CN112379656A (zh) 工业系统异常数据的检测的处理方法、装置、设备和介质
CN114021031A (zh) 理财产品信息推送方法及装置
CN114138328A (zh) 基于代码异味的软件重构预测方法
CN103575323A (zh) 占用检测方法及装置
CN113139332A (zh) 一种自动化模型构建方法、装置及设备
CN110852876A (zh) 批量报错恢复方法及装置
CN110516659A (zh) 滚珠丝杠退化阶段识别方法、装置、设备及存储介质

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