CN116797365A - 交易风险预测方法及装置 - Google Patents
交易风险预测方法及装置 Download PDFInfo
- Publication number
- CN116797365A CN116797365A CN202310666237.2A CN202310666237A CN116797365A CN 116797365 A CN116797365 A CN 116797365A CN 202310666237 A CN202310666237 A CN 202310666237A CN 116797365 A CN116797365 A CN 116797365A
- Authority
- CN
- China
- Prior art keywords
- transaction
- time point
- risk prediction
- server
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000009499 grossing Methods 0.000 claims abstract description 112
- 238000012545 processing Methods 0.000 claims abstract description 52
- 230000002159 abnormal effect Effects 0.000 claims description 26
- 230000005856 abnormality Effects 0.000 claims description 13
- 238000013058 risk prediction model Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000013145 classification model Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 238000012544 monitoring process Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 239000000872 buffer Substances 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Evolutionary Biology (AREA)
- Mathematical Optimization (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Accounting & Taxation (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Mathematics (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Entrepreneurship & Innovation (AREA)
- Algebra (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Technology Law (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请提供了一种交易风险预测方法及装置,可用于金融领域或其他领域,方法包括:获取目标交易系统的多源风险预测数据;根据在每个时间点的交易流量,确定在当前时间点的交易流量的正态偏差;对每个时间点的每个服务器的硬件参数数据,确定当前时间点的平滑处理结果差值最大值和服务器的平滑处理结果;根据在每个时间点的交易瞬时变化速度和交易变化率,确定在当前时间点的交易变化速度标准差值和交易变化率标准差值;根据交易变化速度标准差值、交易变化率标准差值、交易流量对应的正态偏差、平滑处理结果差值最大值和平滑处理结果,得到目标交易系统的交易风险预测结果。本申请能够提高交易风险预测的准确性和效率,进而能够交易过程的可靠性。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种交易风险预测方法及装置。
背景技术
随着金融业的发展,交易数量也越来越多,对保证交易过程安全性的要求越来越高。
目前,通常是在发生明显交易失败之后,需要运维人员人工进行故障排查,并且数据源单一,存在效率低,成本高以及滞后风险等,影响客户体验。
发明内容
针对现有技术中的问题,本申请提出了一种交易风险预测方法及装置,能够提高交易风险预测的准确性和效率,进而能够交易过程的可靠性。
为了解决上述技术问题,本申请提供以下技术方案:
第一方面,本申请提供一种交易风险预测方法,包括:
获取目标交易系统的多源风险预测数据,所述多源风险预测数据包括:所述目标交易系统的子系统在多个时间点的交易流量、交易瞬时变化速度、交易变化率以及该目标交易系统的多个服务器的硬件参数数据,所述多个时间点以当前时间点为结束时间点;
根据所述子系统在每个时间点的交易流量,确定该子系统在所述当前时间点的所述交易流量对应的正态偏差;
对每个时间点的每个服务器的硬件参数数据进行平滑处理,确定所述当前时间点的平滑处理结果差值最大值以及该服务器对应的平滑处理结果;
根据所述子系统在每个时间点的交易瞬时变化速度和交易变化率,确定该子系统在所述当前时间点的交易变化速度标准差值和交易变化率标准差值;
根据所述子系统在所述当前时间点的交易变化速度标准差值、交易变化率标准差值、所述交易流量对应的正态偏差、所述平滑处理结果差值最大值以及各个服务器对应的平滑处理结果,得到所述目标交易系统的交易风险预测结果。
在一个实施例中,所述根据所述子系统在所述当前时间点的交易变化速度标准差值、交易变化率标准差值、所述交易流量对应的正态偏差、所述平滑处理结果差值最大值以及各个服务器对应的平滑处理结果,得到所述目标交易系统的交易风险预测结果,包括:
将所述当前时间点的每个服务器的平滑处理结果与所述当前时间点的平滑处理结果差值最大值之间的比值,确定为该服务器的硬件参数判别值;
检测是否存在对应的硬件参数判别值大于等于判别值阈值的异常服务器,若是,则确定所述目标交易系统的交易风险预测结果为硬件异常预测结果。
在一个实施例中,所述根据所述子系统在所述当前时间点的交易变化速度标准差值、交易变化率标准差值、所述交易流量对应的正态偏差、所述平滑处理结果差值最大值以及各个服务器对应的平滑处理结果,得到所述目标交易系统的交易风险预测结果,包括:
确定是否存在满足预设的第一交易风险判别条件或者预设的第二交易风险判别条件的子系统,若是,则确定所述目标交易系统的交易风险预测结果为业务异常预测结果;
所述预设的第一交易风险判别条件为:所述交易流量对应的正态偏差小于正态偏差阈值,所述预设的第二交易风险判别条件为:交易变化速度标准差值小于交易变化速度标准差值阈值并且交易变化率标准差值大于交易变化率标准差值阈值。
在一个实施例中,所述对每个时间点的每个服务器的硬件参数数据进行平滑处理,确定所述当前时间点的平滑处理结果差值最大值以及该服务器对应的平滑处理结果,包括:
根据预获取的平滑系数以及所述服务器在每个时间点的硬件参数数据,确定该服务器在该时间点的平滑处理结果;
将每个服务器在当前时间点与其前一时间点的平滑处理结果之间的差值,确定为该服务器在当前时间点的平滑处理结果差值;
从各个服务器在当前时间点的平滑处理结果差值中选取值最大的平滑处理结果差值,确定为所述当前时间点的平滑处理结果差值最大值。
在一个实施例中,在所述获取目标交易系统的多源风险预测数据之后,还包括:
根据预设的交易风险预测模型和所述多源风险预测数据,确定所述目标交易系统的交易风险预测结果;
其中,所述预设的交易风险预测模型包括:预设的业务风险预警子模型以及预设的硬件风险预警子模型,所述预设的业务风险预警子模型以及预设的硬件风险预警子模型分别由分类模型训练得到。
在一个实施例中,所述根据预设的交易风险预测模型和所述多源风险预测数据,确定所述目标交易系统的交易风险预测结果,包括:
根据预设的业务风险预警子模型、所述子系统在各个时间点的交易流量、交易瞬时变化速度和交易变化率,确定该子系统的业务风险预测等级;
应用预设的硬件风险预警子模型以及每个服务器的硬件参数数据,确定各个服务器的硬件风险预测等级;
根据所述子系统的业务风险预测等级和各个服务器的硬件风险预测等级,确定所述目标交易系统的交易风险预测结果。
在一个实施例中,所述的交易风险预测方法还包括:
输出所述交易风险预测结果对应的预警信息并广播。
第二方面,本申请提供一种交易风险预测装置,包括:
获取模块,用于获取目标交易系统的多源风险预测数据,所述多源风险预测数据包括:所述目标交易系统的子系统在多个时间点的交易流量、交易瞬时变化速度、交易变化率以及该目标交易系统的多个服务器的硬件参数数据,所述多个时间点以当前时间点为结束时间点;
第一确定模块,用于根据所述子系统在每个时间点的交易流量,确定该子系统在所述当前时间点的所述交易流量对应的正态偏差;
平滑处理模块,用于对每个时间点的每个服务器的硬件参数数据进行平滑处理,确定所述当前时间点的平滑处理结果差值最大值以及该服务器对应的平滑处理结果;
第二确定模块,用于根据所述子系统在每个时间点的交易瞬时变化速度和交易变化率,确定该子系统在所述当前时间点的交易变化速度标准差值和交易变化率标准差值;
第一风险预测模块,用于根据所述子系统在所述当前时间点的交易变化速度标准差值、交易变化率标准差值、所述交易流量对应的正态偏差、所述平滑处理结果差值最大值以及各个服务器对应的平滑处理结果,得到所述目标交易系统的交易风险预测结果。
在一个实施例中,所述风险预测模块包括:
第一确定单元,用于将所述当前时间点的每个服务器的平滑处理结果与所述当前时间点的平滑处理结果差值最大值之间的比值,确定为该服务器的硬件参数判别值;
检测单元,用于检测是否存在对应的硬件参数判别值大于等于判别值阈值的异常服务器,若是,则确定所述目标交易系统的交易风险预测结果为硬件异常预测结果。
在一个实施例中,所述风险预测模块包括:
第二确定单元,用于确定是否存在满足预设的第一交易风险判别条件或者预设的第二交易风险判别条件的子系统,若是,则确定所述目标交易系统的交易风险预测结果为业务异常预测结果;
所述预设的第一交易风险判别条件为:所述交易流量对应的正态偏差小于正态偏差阈值,所述预设的第二交易风险判别条件为:交易变化速度标准差值小于交易变化速度标准差值阈值并且交易变化率标准差值大于交易变化率标准差值阈值。
在一个实施例中,所述平滑处理模块包括:
第三确定单元,用于根据预获取的平滑系数以及所述服务器在每个时间点的硬件参数数据,确定该服务器在该时间点的平滑处理结果;
差值确定单元,用于将每个服务器在当前时间点与其前一时间点的平滑处理结果之间的差值,确定为该服务器在当前时间点的平滑处理结果差值;
选取单元,用于从各个服务器在当前时间点的平滑处理结果差值中选取值最大的平滑处理结果差值,确定为所述当前时间点的平滑处理结果差值最大值。
在一个实施例中,所述交易风险预测装置还包括:
第二风险预测模块,用于根据预设的交易风险预测模型和所述多源风险预测数据,确定所述目标交易系统的交易风险预测结果;
其中,所述预设的交易风险预测模型包括:预设的业务风险预警子模型以及预设的硬件风险预警子模型,所述预设的业务风险预警子模型以及预设的硬件风险预警子模型分别由分类模型训练得到。
在一个实施例中,所述第二风险预测模块包括:
第一等级确定单元,用于根据预设的业务风险预警子模型、所述子系统在各个时间点的交易流量、交易瞬时变化速度和交易变化率,确定该子系统的业务风险预测等级;
第二等级确定单元,用于应用预设的硬件风险预警子模型以及每个服务器的硬件参数数据,确定各个服务器的硬件风险预测等级;
第四确定单元,用于根据所述子系统的业务风险预测等级和各个服务器的硬件风险预测等级,确定所述目标交易系统的交易风险预测结果。
在一个实施例中,所述的交易风险预测装置还包括:
输出模块,用于输出所述交易风险预测结果对应的预警信息并广播。
第三方面,本申请提供一种电子设备,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所述的交易风险预测方法。
第四方面,本申请提供一种计算机可读存储介质,其上存储有计算机指令,所述指令被处理器执行时实现所述的交易风险预测方法。
由上述技术方案可知,本申请提供一种交易风险预测方法及装置。其中,该方法包括:获取目标交易系统的多源风险预测数据,所述多源风险预测数据包括:所述目标交易系统的子系统在多个时间点的交易流量、交易瞬时变化速度、交易变化率以及该目标交易系统的多个服务器的硬件参数数据,所述多个时间点以当前时间点为结束时间点;根据所述子系统在每个时间点的交易流量,确定该子系统在所述当前时间点的所述交易流量对应的正态偏差;对每个时间点的每个服务器的硬件参数数据进行平滑处理,确定所述当前时间点的平滑处理结果差值最大值以及该服务器对应的平滑处理结果;根据所述子系统在每个时间点的交易瞬时变化速度和交易变化率,确定该子系统在所述当前时间点的交易变化速度标准差值和交易变化率标准差值;根据所述子系统在所述当前时间点的交易变化速度标准差值、交易变化率标准差值、所述交易流量对应的正态偏差、所述平滑处理结果差值最大值以及各个服务器对应的平滑处理结果,得到所述目标交易系统的交易风险预测结果,能够提高交易风险预测的准确性和效率,进而能够交易过程的可靠性;具体地,可以利用人工智能学习算法对多指标进行自动整合以及自动学习、监测、预警,及时预测金融交易系统是否可以正常执行交易,可以在交易失败之前提前预警,便于及时对金融交易系统进行维护,提高客户体验。
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,下面描述中的附图仅仅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交易风险预测方法的第一流程示意图;
图2是本申请实施例中的交易风险预测方法的第二流程示意图;
图3是本申请实施例中的交易风险预测方法的第三流程示意图;
图4是本申请一种举例中的交易风险预测方法的流程示意图;
图5是本申请应用实例中的交易风险预测方法的逻辑示意图;
图6是本申请实施例中的交易风险预测装置的结构示意图;
图7为本申请实施例的电子设备的系统构成示意框图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,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、完整地描述,显然,所描述的实施例仅仅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做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。
在现有技术中,由于银行系统内基础设施老化和系统环境复杂等因素的影响,导致了很多转账汇款等交易异常事件的发生,严重威胁着人们的财产安全,同时还会造成大量的系统交易拥挤和经济损失。主要靠积累经验以及相关的视频监控通过各个安装摄像头,进程进行人工值守以及人工干预进行人为提醒,这种方式不仅成本高昂、而且效率低,往往存在滞后不及时的干预,而且监控指标单一,往往不能有效预防和预警。目前,金融机构交易风险预测方式存在的问题包括:信息来源单一、指标数据不全面。往往通过人工监测方式,效率低,成本高、存在滞后风险。利用视频监控等单一方式进行监控,容易受到环境限制,预测误差较大。只是做了简单的统计,难以对数据进行有效分析和自主学习提高准确性。
基于此,为了解决上述现有技术中存在的问题,本申请实施例提供一种交易风险预测方法及装置,可以基于多源数据的银行预警系统利用人工智能学习算法对多指标进行自动整合以及自动学习、监测、预警。
需要说明的是,本申请公开的交易风险预测方法及装置可用于金融技术领域,也可用于除金融技术领域之外的任意领域,本申请公开的交易风险预测方法及装置的应用领域不做限定。本申请各实施例的技术方案中对数据的获取、存储、使用、处理等均符合法律法规的相关规定。
具体通过下述各个实施例进行说明。
为了提高交易风险预测的准确性和效率,进而交易过程的可靠性,本实施例提供一种执行主体是交易风险预测装置的交易风险预测方法,该交易风险预测装置包括但不限于服务器,如图1所示,该方法具体包含有如下内容:
步骤100:获取目标交易系统的多源风险预测数据,所述多源风险预测数据包括:所述目标交易系统的子系统在多个时间点的交易流量、交易瞬时变化速度、交易变化率以及该目标交易系统的多个服务器的硬件参数数据,所述多个时间点以当前时间点为结束时间点。
具体地,所述目标交易系统可以包含有交易跟踪定位系统以及多个子系统,交易跟踪定位系统和各个子系统可以部署在所述多个服务器中,每个服务器可以配置有交易跟踪定位系统或者至少一个子系统,所述目标交易系统可以是一现有的银行系统。可以从各个子系统中获得交易流量,从交易跟踪定位系统中获得各个子系统的交易瞬时变化速度和交易变化率,交易流量、交易瞬时变化速度、交易变化率均为实际数据;所述硬件参数数据可以包括:交易所占的资源、系统容量、内存、带宽、进程和端口等数据中的至少一种。所述多个时间点可以是预设时间范围内的多个时间点,并且相邻时间点之间的时间间隔相同,所述预设的时间范围可以根据实际情况进行设置,本申请对此不作限制。任一时间点的交易流量可以表示该时间点的交易笔数;子系统p在第t个时间点的交易瞬时变化速度vp(t)可以为所述交易变化率ap(t)可以为/>其中,qp(t)表示子系统p在第t个时间点的交易流量,Δt趋近于0,可以根据实际情况预先设置,如,0.2秒。所述当前时间点可以为交易风险预测装置的当前系统时间。
步骤200:根据所述子系统在每个时间点的交易流量,确定该子系统在所述当前时间点的所述交易流量对应的正态偏差。
具体地,可以根据下列公式确定当前时间点的交易流量对应的正态偏差:
其中,SNDp(t)表示子系统p在第t个时间点的正态偏差,qp(t)表示子系统p在第t个时间点的交易流量,表示子系统p在第t个时间点的交易流量预测值,n表示在第t个时间点之前的n个时间点的交易流量依次为qp(t-n),qp(t-n+1),......qp(t-1)。
步骤300:对每个时间点的每个服务器的硬件参数数据进行平滑处理,确定所述当前时间点的平滑处理结果差值最大值以及该服务器对应的平滑处理结果。
具体地,可以根据下列公式确定在第t个时间点的平滑处理结果差值最大值ΔmaxST(t)以及第i个服务器的平滑处理结果STi(t):
STi(t)=cTi(t)+(1-c)STi(t-1)
ΔSTi(t)=STi(t+k)-STi(t)
ΔmaxST(t)=max{ΔST1(t),ΔST2(t)…ΔSTi(t),…ΔSTm(t)}
其中,c为平滑系数,0<c<1,可以根据实际情况预先设置,优选为0.01-0.3;Ti(t)为第i个服务器在第t个时间点的硬件参数数据;STi(t)为第i个服务器在第t个时间点的平滑值;STi(t-1)为第i个服务器在第(t-1)个时间点的平滑值,k为整数值,可以根据实际需要预先设置;m表示服务器总数。
步骤400:根据所述子系统在每个时间点的交易瞬时变化速度和交易变化率,确定该子系统在所述当前时间点的交易变化速度标准差值和交易变化率标准差值。
具体地,可以根据下列公式确定当前时间点的交易变化速度标准差值SNDv,p(t)和交易变化率标准差值SNDa,p(t):
其中,vp(t)表示子系统p在第t个时间点的交易瞬时变化速度;ap(t)表示子系统p在第t个时间点的交易变化率;可以将vp(t-l)作为xp(t-l),代入公式 得到/>将/>代入/>得到SDv,p(t);同理,可以将ap(t-l)作为xp(t-l),代入公式/>得到/>将/>代入/>得到SDa,p(t);第t个时间点可以为当前时间点。
步骤500:根据所述子系统在所述当前时间点的交易变化速度标准差值、交易变化率标准差值、所述交易流量对应的正态偏差、所述平滑处理结果差值最大值以及各个服务器对应的平滑处理结果,得到所述目标交易系统的交易风险预测结果。
为了提高确定硬件异常预测结果的可靠性,如图2所示,在一个实施例中,步骤500包括:
步骤501:将所述当前时间点的每个服务器的平滑处理结果与所述当前时间点的平滑处理结果差值最大值之间的比值,确定为该服务器的硬件参数判别值。
具体地,可以根据下列公式确定第i个服务器的硬件参数判别值S2:
步骤502:检测是否存在对应的硬件参数判别值大于等于判别值阈值的异常服务器,若是,则确定所述目标交易系统的交易风险预测结果为硬件异常预测结果。
为了提高确定业务异常预测结果的可靠性,如图3所示,在一个实施例中,步骤500包括:
步骤511:确定是否存在满足预设的第一交易风险判别条件或者预设的第二交易风险判别条件的子系统,若是,则确定所述目标交易系统的交易风险预测结果为业务异常预测结果;所述预设的第一交易风险判别条件为:所述交易流量对应的正态偏差小于正态偏差阈值,所述预设的第二交易风险判别条件为:交易变化速度标准差值小于交易变化速度标准差值阈值并且交易变化率标准差值大于交易变化率标准差值阈值。
为了进一步提高确定平滑处理结果以及平滑处理结果差值最大值的可靠性,在一个实施例中,步骤300包括:
步骤301:根据预获取的平滑系数以及所述服务器在每个时间点的硬件参数数据,确定该服务器在该时间点的平滑处理结果。
具体地,所述预获取的平滑系数均可以根据实际情况进行设置,本申请对此不作限制。
步骤302:将每个服务器在当前时间点与其前一时间点的平滑处理结果之间的差值,确定为该服务器在当前时间点的平滑处理结果差值。
步骤303:从各个服务器在当前时间点的平滑处理结果差值中选取值最大的平滑处理结果差值,确定为所述当前时间点的平滑处理结果差值最大值。
为了进一步提高交易风险预测的智能化程度以及准确性,在一个实施例中,在步骤100之后,还包括:
步骤600:根据预设的交易风险预测模型和所述多源风险预测数据,确定所述目标交易系统的交易风险预测结果;其中,所述预设的交易风险预测模型包括:预设的业务风险预警子模型以及预设的硬件风险预警子模型,所述预设的业务风险预警子模型以及预设的硬件风险预警子模型分别由分类模型训练得到。
为了进一步提高交易风险预测的智能化程度以及准确性,在一个实施例中,步骤600包括:
步骤601:根据预设的业务风险预警子模型、所述子系统在各个时间点的交易流量、交易瞬时变化速度和交易变化率,确定该子系统的业务风险预测等级。
具体地,所述预设的业务风险预警子模型可以是预先应用批量第一训练样本及其各自对应的实际业务风险预测等级对分类算法进行训练得到的,每个第一训练样本包括:多个时间点的历史交易流量、历史交易瞬时变化速度和历史交易变化率。
步骤602:应用预设的硬件风险预警子模型以及每个服务器的硬件参数数据,确定各个服务器的硬件风险预测等级。
具体地,所述预设的硬件风险预警子模型可以是预先应用批量第二训练样本及其各自对应的实际业务风险预测等级对分类算法进行训练得到的,每个第二训练样本包括:服务器的历史硬件参数数据。
步骤603:根据所述子系统的业务风险预测等级和各个服务器的硬件风险预测等级,确定所述目标交易系统的交易风险预测结果。
具体地,若业务风险预测等级大于业务风险等级阈值,则确定目标交易系统的交易风险预测结果为业务异常预测结果,若硬件风险预测等级大于硬件风险等级阈值,则确定目标交易系统的交易风险预测结果为硬件异常预测结果;若所述目标交易系统的交易风险预测结果为业务异常预测结果和/或硬件异常预测结果,则可以确定目标交易系统未来可能难以正常执行交易过程。
为了便于及时对目标交易系统进行维护,在一个实施例中,所述的交易风险预测方法还包括:输出所述交易风险预测结果对应的预警信息并广播。
具体地,所述预警信息可以包括:交易风险位置和交易风险原因,交易风险位置可以是异常子系统和/或异常服务器位置信息,交易风险原因可以是硬件参数数据异常、交易流量异常、交易瞬时变化速度异常和异常交易变化率异常等;可以将预警信息广播至各个子系统。
为了进一步说明本方案,本申请提供一种金融机构交易风险预测方法的应用实例,具体描述如下:
步骤1:获取多源信息,通过部署多源物理设备与联网信息传输对银行系统基础信息进行获取和上传。
步骤2:利用通信网络对收集到的基础信息和业务数据进行采集和上传,这里的信息来源可以为银行子系统、服务器和交易跟踪定位系统。
步骤3:针对接收的特定数据源的数据特点,提取相应的目标数据,并对其进行预处理和分析。
步骤4:对采集和经预处理的参数数据进行算法处理,对各个信息来源的数据进行算法模型运算处理最终得出异常预警的信息。信息预警和发布平台主要通过构建信息互联互通平台,对潜在风险的风险事件进行预警和信息发布,提醒相关事件的主体进行广播告知提前预警避免异常事故的发生。
对于三个数据源数据系统收集到数据库后进行分析和计算其采样的过程如下:
对于数据源1:来自银行子系统的数据来源,运用SND算法进行数据处理:
对于银行子系统p,第t个时间点的交易流量为qp(i),第t个时间点之前的n个时间点的交易流量的实际值分别为qp(t-n),qp(t-n+1),......qp(t-1),则正态偏差为:
其中,p为子系统编号;n为数据分析时间窗口宽带,一般取3-10;为子系统p的第t个时间点的交易流量的预测值,SD为数据分析时间窗口内的流量标准差,SNDp(t)为子系统p的第t个时间点的流量的正态偏差记为S1。
预先设定阈值K1,当S1小于K1时,则认为银行子系统p发生了故障事件。
对于数据源2:通过应用服务器收集到的数据对其进行如下处理:
(1)银行交易数据采集后存在环境影响因素噪声,为了提高准确率,可以采用平滑法对数据进行处理,再将处理后的数据与设定的标准值进行比较,判断生产事故(事件)的产生。
(2)数据处理模型为:
STi(t)=cTi(t)+(1-c)STi(t-1)
其中:c为平滑系数,0<c<1,通常取0.01-0.3,可以根据实际情况预先设置;Ti(t)为第i个服务器第t个时间点的交易参数值,交易参数值可以相当于上述硬件参数数据,STi(t)为第i个服务器在第t个时间点的平滑值,即平滑处理结果。
(3)对于服务器数据可以构造如下:
将Ti(t),...Ti(t+k),Ti+1(t),...Ti+1(t+k)输入数据处理模型,得到STi(t),...STi(t+k),STi+1(t),...STi+1(t+k);
ΔSTi(t)=STi(t+k)-S Ti(t);
ΔmaxST(t)=max{ΔST1(t),ΔST2(t)…ΔSTi(t),…ΔSTm(t)};
其次,对于标准的阈值,可以设定为Tc,计算S2为此时的判别值,将S2与Tc进行比较,得到此时的服务器事件的发生状态。若S2>=Tc那么则认为发生异常事件,否则认为不发生。
对于数据源3:来自交易跟踪定位系统的数据来源,也采用如下进行数据处理和计算:
由于银行交易一般具有全时段全流程服务的规则,所以可以利用交易过程中的交易量的平均变化率来对交易的异常状态进行检测,从而判读是否发生异常事件。但是在过程中由于特殊时间段具有交易量暴增现象的产生,所以为了减小误差引入交易变化率指标。所以,对于交易运行有:
其中,SNDv,p(t)、SNDa,p(t)依次为子系统p在第t个时间点的交易量的变化速度、交易变化率标准差值,时间窗口宽度为n,x为交易的瞬时变化值。
那么交易变化速度判断法可以如下:
(1)从数据库中获取样本交易的瞬时变化速度vp(t);
(2)计算出此刻的交易变化速度和变化率的SND值;
(3)对于发生异常事件时候,速度和变化率都会小于一定的值,假设速度阈值为Sk1,加速度阈值为Sk2,那么如果SNDv,p9t)<Sk1时,计算SNDa,p(t),若SNDa,p(t)>Sk2,则判定此交易发生了异常事件,反之,则认为未发生。图4为本申请一种举例中的交易风险预测方法的流程示意图。
(4)若发生了异常事件,则对交易进行精确定位,确定异常事件的位置。
具体地,对于上述得到的三个判别指标,S1、S2、S3,采用分层级别对其进行应用和提醒:
(1)首先提取其银行交易子系统数据进行计算S1,若此时,S1大于阈值K1那么认为此时正在发生异常事件,将此路径、位置和时间信息上传至信息发布平台进行广播预警。
(2)对于服务器收集到的数据和交易跟踪定位系统的数据,系统通过计算分析得到S2和S3,由于S2和S3是监测交易发生异常事故的重要指标,对此,将两个数据指标进行结合,首先,监测系统对部署在银行系统的服务器和交易进行扫描,计算出各个子系统服务器的监测指标S2,若发生S2大于阈值K2时,查询记录此交易异常的路径和此时间段的所有交易。
(3)对以上查询的交易使用交易跟踪定位系统跟踪分析调用交易数据,计算监测指标S3,若发生指标S3大于阈值K3(交易变化速度和速度变化率阈值的统称)系统则对交易进行安全事故预警,从数据库中获取交易相关信息同时通过信息发布和预警中心进行全网发布告知,交易路径信息和预警信息提醒运维人员安全风险。
(4)信息发布和预警中心连接指挥中心,指挥中心接到预警信息后,通过获取定位系统上传的位置和交易信息进行电话和信息确认,若经过信息确认后,发生事故,则自动分配到就近的应急中心进行补救,第一时间进行事故处理和系统预警。图5为本应用实例中交易风险预测方法的逻辑示意图。
从软件层面来说,为了提高交易风险预测的准确性和效率,进而交易过程的可靠性,本申请提供一种用于实现所述交易风险预测方法中全部或部分内容的交易风险预测装置的实施例,参见图6,所述交易风险预测装置具体包含有如下内容:
获取模块01,用于获取目标交易系统的多源风险预测数据,所述多源风险预测数据包括:所述目标交易系统的子系统在多个时间点的交易流量、交易瞬时变化速度、交易变化率以及该目标交易系统的多个服务器的硬件参数数据,所述多个时间点以当前时间点为结束时间点;
第一确定模块02,用于根据所述子系统在每个时间点的交易流量,确定该子系统在所述当前时间点的所述交易流量对应的正态偏差;
平滑处理模块03,用于对每个时间点的每个服务器的硬件参数数据进行平滑处理,确定所述当前时间点的平滑处理结果差值最大值以及该服务器对应的平滑处理结果;
第二确定模块04,用于根据所述子系统在每个时间点的交易瞬时变化速度和交易变化率,确定该子系统在所述当前时间点的交易变化速度标准差值和交易变化率标准差值;
第一风险预测模块05,用于根据所述子系统在所述当前时间点的交易变化速度标准差值、交易变化率标准差值、所述交易流量对应的正态偏差、所述平滑处理结果差值最大值以及各个服务器对应的平滑处理结果,得到所述目标交易系统的交易风险预测结果。
在一个实施例中,所述风险预测模块包括:
第一确定单元,用于将所述当前时间点的每个服务器的平滑处理结果与所述当前时间点的平滑处理结果差值最大值之间的比值,确定为该服务器的硬件参数判别值;
检测单元,用于检测是否存在对应的硬件参数判别值大于等于判别值阈值的异常服务器,若是,则确定所述目标交易系统的交易风险预测结果为硬件异常预测结果。
在一个实施例中,所述风险预测模块包括:
第二确定单元,用于确定是否存在满足预设的第一交易风险判别条件或者预设的第二交易风险判别条件的子系统,若是,则确定所述目标交易系统的交易风险预测结果为业务异常预测结果;
所述预设的第一交易风险判别条件为:所述交易流量对应的正态偏差小于正态偏差阈值,所述预设的第二交易风险判别条件为:交易变化速度标准差值小于交易变化速度标准差值阈值并且交易变化率标准差值大于交易变化率标准差值阈值。
在一个实施例中,所述平滑处理模块包括:
第三确定单元,用于根据预获取的平滑系数以及所述服务器在每个时间点的硬件参数数据,确定该服务器在该时间点的平滑处理结果;
差值确定单元,用于将每个服务器在当前时间点与其前一时间点的平滑处理结果之间的差值,确定为该服务器在当前时间点的平滑处理结果差值;
选取单元,用于从各个服务器在当前时间点的平滑处理结果差值中选取值最大的平滑处理结果差值,确定为所述当前时间点的平滑处理结果差值最大值。
在一个实施例中,所述交易风险预测装置还包括:
第二风险预测模块,用于根据预设的交易风险预测模型和所述多源风险预测数据,确定所述目标交易系统的交易风险预测结果;
其中,所述预设的交易风险预测模型包括:预设的业务风险预警子模型以及预设的硬件风险预警子模型,所述预设的业务风险预警子模型以及预设的硬件风险预警子模型分别由分类模型训练得到。
在一个实施例中,所述第二风险预测模块包括:
第一等级确定单元,用于根据预设的业务风险预警子模型、所述子系统在各个时间点的交易流量、交易瞬时变化速度和交易变化率,确定该子系统的业务风险预测等级;
第二等级确定单元,用于应用预设的硬件风险预警子模型以及每个服务器的硬件参数数据,确定各个服务器的硬件风险预测等级;
第四确定单元,用于根据所述子系统的业务风险预测等级和各个服务器的硬件风险预测等级,确定所述目标交易系统的交易风险预测结果。
在一个实施例中,所述的交易风险预测装置还包括:
输出模块,用于输出所述交易风险预测结果对应的预警信息并广播。
本说明书提供的交易风险预测装置的实施例具体可以用于执行上述交易风险预测方法的实施例的处理流程,其功能在此不再赘述,可以参照上述交易风险预测方法实施例的详细描述。
为了进一步说明本方案,本申请提供一种交易风险预测装置的应用实例,在本应用实例中,该装置包括:数据参数获取模块、数据处理模块、以及信息发布预警模块,具体描述如下:
数据参数模块,用于检测、收集、统计子系统运行信息、服务器、交易和环境信息。
数据处理模块,用于对参数模块的信息进行建模和分析预处理,同时内置人工智能算法对模型数据进行深化学习和处理,根据算法和相关数据对子系统、交易、服务器等进行预测、监控、预警。
信息发布预警模块,用于将结果传输到信息共享发布平台推送给相关部门以及人员进行预警和处理。
从硬件层面来说,为了提高交易风险预测的准确性和效率,进而交易过程的可靠性,本申请提供一种用于实现所述交易风险预测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:
处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线;其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述通信接口用于实现所述交易风险预测装置以及用户终端等相关设备之间的信息传输;该电子设备可以是台式计算机、平板电脑及移动终端等,本实施例不限于此。在本实施例中,该电子设备可以参照实施例用于实现所述交易风险预测方法的实施例及用于实现所述交易风险预测装置的实施例进行实施,其内容被合并于此,重复之处不再赘述。
图7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7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7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。
在本申请一个或多个实施例中,交易风险预测功能可以被集成到中央处理器9100中。其中,中央处理器9100可以被配置为进行如下控制:
步骤100:获取目标交易系统的多源风险预测数据,所述多源风险预测数据包括:所述目标交易系统的子系统在多个时间点的交易流量、交易瞬时变化速度、交易变化率以及该目标交易系统的多个服务器的硬件参数数据,所述多个时间点以当前时间点为结束时间点。
步骤200:根据所述子系统在每个时间点的交易流量,确定该子系统在所述当前时间点的所述交易流量对应的正态偏差。
步骤300:对每个时间点的每个服务器的硬件参数数据进行平滑处理,确定所述当前时间点的平滑处理结果差值最大值以及该服务器对应的平滑处理结果。
步骤400:根据所述子系统在每个时间点的交易瞬时变化速度和交易变化率,确定该子系统在所述当前时间点的交易变化速度标准差值和交易变化率标准差值。
步骤500:根据所述子系统在所述当前时间点的交易变化速度标准差值、交易变化率标准差值、所述交易流量对应的正态偏差、所述平滑处理结果差值最大值以及各个服务器对应的平滑处理结果,得到所述目标交易系统的交易风险预测结果。
从上述描述可知,本申请的实施例提供的电子设备,能够提高交易风险预测的准确性和效率,进而交易过程的可靠性。
在另一个实施方式中,交易风险预测装置可以与中央处理器9100分开配置,例如可以将交易风险预测装置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交易风险预测功能。
如图7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7中所示的所有部件;此外,电子设备9600还可以包括图7中没有示出的部件,可以参考现有技术。
如图7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。
上述描述可知,本申请的实施例提供的电子设备,能够提高交易风险预测的准确性和效率,进而交易过程的可靠性。
本申请的实施例还提供能够实现上述实施例中的交易风险预测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交易风险预测方法的全部步骤,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100:获取目标交易系统的多源风险预测数据,所述多源风险预测数据包括:所述目标交易系统的子系统在多个时间点的交易流量、交易瞬时变化速度、交易变化率以及该目标交易系统的多个服务器的硬件参数数据,所述多个时间点以当前时间点为结束时间点。
步骤200:根据所述子系统在每个时间点的交易流量,确定该子系统在所述当前时间点的所述交易流量对应的正态偏差。
步骤300:对每个时间点的每个服务器的硬件参数数据进行平滑处理,确定所述当前时间点的平滑处理结果差值最大值以及该服务器对应的平滑处理结果。
步骤400:根据所述子系统在每个时间点的交易瞬时变化速度和交易变化率,确定该子系统在所述当前时间点的交易变化速度标准差值和交易变化率标准差值。
步骤500:根据所述子系统在所述当前时间点的交易变化速度标准差值、交易变化率标准差值、所述交易流量对应的正态偏差、所述平滑处理结果差值最大值以及各个服务器对应的平滑处理结果,得到所述目标交易系统的交易风险预测结果。
从上述描述可知,本申请实施例提供的计算机可读存储介质,能够提高交易风险预测的准确性和效率,进而交易过程的可靠性。
本申请中上述方法的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。相关之处参见方法实施例的部分说明即可。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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。
本申请是参照根据本申请实施例的方法、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。
本申请中应用了具体实施例对本申请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申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,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申请的限制。
Claims (10)
1.一种交易风险预测方法,其特征在于,包括:
获取目标交易系统的多源风险预测数据,所述多源风险预测数据包括:所述目标交易系统的子系统在多个时间点的交易流量、交易瞬时变化速度、交易变化率以及该目标交易系统的多个服务器的硬件参数数据,所述多个时间点以当前时间点为结束时间点;
根据所述子系统在每个时间点的交易流量,确定该子系统在所述当前时间点的所述交易流量对应的正态偏差;
对每个时间点的每个服务器的硬件参数数据进行平滑处理,确定所述当前时间点的平滑处理结果差值最大值以及该服务器对应的平滑处理结果;
根据所述子系统在每个时间点的交易瞬时变化速度和交易变化率,确定该子系统在所述当前时间点的交易变化速度标准差值和交易变化率标准差值;
根据所述子系统在所述当前时间点的交易变化速度标准差值、交易变化率标准差值、所述交易流量对应的正态偏差、所述平滑处理结果差值最大值以及各个服务器对应的平滑处理结果,得到所述目标交易系统的交易风险预测结果。
2.根据权利要求1所述的交易风险预测方法,其特征在于,所述根据所述子系统在所述当前时间点的交易变化速度标准差值、交易变化率标准差值、所述交易流量对应的正态偏差、所述平滑处理结果差值最大值以及各个服务器对应的平滑处理结果,得到所述目标交易系统的交易风险预测结果,包括:
将所述当前时间点的每个服务器的平滑处理结果与所述当前时间点的平滑处理结果差值最大值之间的比值,确定为该服务器的硬件参数判别值;
检测是否存在对应的硬件参数判别值大于等于判别值阈值的异常服务器,若是,则确定所述目标交易系统的交易风险预测结果为硬件异常预测结果。
3.根据权利要求1所述的交易风险预测方法,其特征在于,所述根据所述子系统在所述当前时间点的交易变化速度标准差值、交易变化率标准差值、所述交易流量对应的正态偏差、所述平滑处理结果差值最大值以及各个服务器对应的平滑处理结果,得到所述目标交易系统的交易风险预测结果,包括:
确定是否存在满足预设的第一交易风险判别条件或者预设的第二交易风险判别条件的子系统,若是,则确定所述目标交易系统的交易风险预测结果为业务异常预测结果;
所述预设的第一交易风险判别条件为:所述交易流量对应的正态偏差小于正态偏差阈值,所述预设的第二交易风险判别条件为:交易变化速度标准差值小于交易变化速度标准差值阈值并且交易变化率标准差值大于交易变化率标准差值阈值。
4.根据权利要求1所述的交易风险预测方法,其特征在于,所述对每个时间点的每个服务器的硬件参数数据进行平滑处理,确定所述当前时间点的平滑处理结果差值最大值以及该服务器对应的平滑处理结果,包括:
根据预获取的平滑系数以及所述服务器在每个时间点的硬件参数数据,确定该服务器在该时间点的平滑处理结果;
将每个服务器在当前时间点与其前一时间点的平滑处理结果之间的差值,确定为该服务器在当前时间点的平滑处理结果差值;
从各个服务器在当前时间点的平滑处理结果差值中选取值最大的平滑处理结果差值,确定为所述当前时间点的平滑处理结果差值最大值。
5.根据权利要求1所述的交易风险预测方法,其特征在于,在所述获取目标交易系统的多源风险预测数据之后,还包括:
根据预设的交易风险预测模型和所述多源风险预测数据,确定所述目标交易系统的交易风险预测结果;
其中,所述预设的交易风险预测模型包括:预设的业务风险预警子模型以及预设的硬件风险预警子模型,所述预设的业务风险预警子模型以及预设的硬件风险预警子模型分别由分类模型训练得到。
6.根据权利要求5所述的交易风险预测方法,其特征在于,所述根据预设的交易风险预测模型和所述多源风险预测数据,确定所述目标交易系统的交易风险预测结果,包括:
根据预设的业务风险预警子模型、所述子系统在各个时间点的交易流量、交易瞬时变化速度和交易变化率,确定该子系统的业务风险预测等级;
应用预设的硬件风险预警子模型以及每个服务器的硬件参数数据,确定各个服务器的硬件风险预测等级;
根据所述子系统的业务风险预测等级和各个服务器的硬件风险预测等级,确定所述目标交易系统的交易风险预测结果。
7.根据权利要求2或3所述的交易风险预测方法,其特征在于,还包括:
输出所述交易风险预测结果对应的预警信息并广播。
8.一种交易风险预测装置,其特征在于,包括:
获取模块,用于获取目标交易系统的多源风险预测数据,所述多源风险预测数据包括:所述目标交易系统的子系统在多个时间点的交易流量、交易瞬时变化速度、交易变化率以及该目标交易系统的多个服务器的硬件参数数据,所述多个时间点以当前时间点为结束时间点;
第一确定模块,用于根据所述子系统在每个时间点的交易流量,确定该子系统在所述当前时间点的所述交易流量对应的正态偏差;
平滑处理模块,用于对每个时间点的每个服务器的硬件参数数据进行平滑处理,确定所述当前时间点的平滑处理结果差值最大值以及该服务器对应的平滑处理结果;
第二确定模块,用于根据所述子系统在每个时间点的交易瞬时变化速度和交易变化率,确定该子系统在所述当前时间点的交易变化速度标准差值和交易变化率标准差值;
第一风险预测模块,用于根据所述子系统在所述当前时间点的交易变化速度标准差值、交易变化率标准差值、所述交易流量对应的正态偏差、所述平滑处理结果差值最大值以及各个服务器对应的平滑处理结果,得到所述目标交易系统的交易风险预测结果。
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程序时实现权利要求1至7任一项所述的交易风险预测方法。
10.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,所述指令被处理器执行时实现权利要求1至7任一项所述的交易风险预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310666237.2A CN116797365A (zh) | 2023-06-06 | 2023-06-06 | 交易风险预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310666237.2A CN116797365A (zh) | 2023-06-06 | 2023-06-06 | 交易风险预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116797365A true CN116797365A (zh) | 2023-09-22 |
Family
ID=88046250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310666237.2A Pending CN116797365A (zh) | 2023-06-06 | 2023-06-06 | 交易风险预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116797365A (zh) |
-
2023
- 2023-06-06 CN CN202310666237.2A patent/CN116797365A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9953517B2 (en) | Risk early warning method and apparatus | |
CN108108743B (zh) | 异常用户识别方法和用于识别异常用户的装置 | |
CN113362674A (zh) | 驾驶训练课程调整的方法、装置、电子设备以及存储介质 | |
CN111339074A (zh) | 阈值生成方法、装置、设备和存储介质 | |
CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
CN114511026A (zh) | 一种故障诊断方法、装置、终端设备及存储介质 | |
CN112329963A (zh) | 数据处理方法、数据处理装置、存储介质和电子设备 | |
KR20200121772A (ko) | 모니터링되는 환경에 관련된 결정 요인에 따라 전관 방송을 송출하는 기법 | |
CN117058518B (zh) | 基于yolo改进的深度学习目标检测方法、装置和计算机设备 | |
CN116797365A (zh) | 交易风险预测方法及装置 | |
CN116744357A (zh) | 基站故障预测方法、装置、设备和介质 | |
CN116385185A (zh) | 一种车险评估辅助方法、装置、计算机设备及存储介质 | |
CN115866289A (zh) | 一种机务数据整合管理系统 | |
JP7027370B2 (ja) | 安全意識評価システム | |
CN113139679A (zh) | 基于神经网络的城市道路救援预警方法、系统及设备 | |
CN113077251A (zh) | 一种预付费交易场景下的异常行为监测方法及装置 | |
CN111835830B (zh) | 一种数据感知系统、方法及装置 | |
CN114056389B (zh) | 列车出入库监测方法、装置及电子设备 | |
CN115345247B (zh) | 模型训练和公路轴载确定方法、装置、设备及介质 | |
CN111768305B (zh) | 反洗钱识别方法及装置 | |
KR102169797B1 (ko) | 이벤트 검출 기반 전관 방송 시스템 | |
US20230331239A1 (en) | Method, apparatus and vehicle for adaptively evaluating a driver's performance in safe driving | |
CN115907407A (zh) | 智慧社区资源数据处理方法及装置 | |
CN115689274A (zh) | 一种驾驶风险管控方法、装置和设备及存储介质 | |
CN117095367A (zh) | 一种停车位停车状态检测方法、系统及装置 |
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 |