CN116976879B - 自助设备的支付系统异常监控方法及系统 - Google Patents
自助设备的支付系统异常监控方法及系统 Download PDFInfo
- Publication number
- CN116976879B CN116976879B CN202311230020.3A CN202311230020A CN116976879B CN 116976879 B CN116976879 B CN 116976879B CN 202311230020 A CN202311230020 A CN 202311230020A CN 116976879 B CN116976879 B CN 116976879B
- Authority
- CN
- China
- Prior art keywords
- payment
- self
- target
- training
- observation
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 262
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000005856 abnormality Effects 0.000 title description 12
- 230000002159 abnormal effect Effects 0.000 claims abstract description 323
- 230000000694 effects Effects 0.000 claims abstract description 249
- 230000003993 interaction Effects 0.000 claims abstract description 48
- 230000002776 aggregation Effects 0.000 claims abstract description 46
- 238000004220 aggregation Methods 0.000 claims abstract description 46
- 238000002156 mixing Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims description 189
- 239000013598 vector Substances 0.000 claims description 55
- 230000004927 fusion Effects 0.000 claims description 18
- 238000002372 labelling Methods 0.000 claims description 14
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 24
- 230000005540 biological transmission Effects 0.000 description 4
- 230000002547 anomalous effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/08—Payment architectures
- G06Q20/18—Payment architectures involving self-service terminals [SST], vending machines, kiosks or multimedia terminals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/382—Payment protocols; Details thereof insuring higher security of transaction
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07F—COIN-FREED OR LIKE APPARATUS
- G07F19/00—Complete banking systems; Coded card-freed arrangements adapted for dispensing or receiving monies or the like and posting such transactions to existing accounts, e.g. automatic teller machines
- G07F19/20—Automatic teller machines [ATMs]
- G07F19/209—Monitoring, auditing or diagnose of functioning of ATMs
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Computer Security & Cryptography (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请实施例提供一种自助设备的支付系统异常监控方法及系统,通过基于自助设备支付活动的支付操作监控数据对自助设备支付活动进行独立异常观测,生成表征自助设备支付活动针对于标的支付系统的第一异常观测概率特征,同时基于支付操作监控数据涵盖的操作聚集参数和支付操作监控数据,对自助设备支付活动进行共享异常观测,生成表征自助设备支付活动针对于标的支付系统的第二异常观测概率特征。将自助设备支付活动的支付操作监控数据与依据不同异常观测方式得到的概率特征进行交互,生成目标交互异常数据,由此对自助设备支付活动进行交融异常观测,生成表征自助设备支付活动针对于标的支付系统的目标异常观测概率特征。
Description
技术领域
本申请涉及支付系统技术领域,具体而言,涉及一种自助设备的支付系统异常监控方法及系统。
背景技术
自助设备支付是指使用现金或银行卡通过自动化的机器进行交易,而无需人工干预。这种支付方式通常用于购买商品或服务,可以在商店、银行、车站等地方使用。使用自助设备支付时,需要插入银行卡或输入手机号码和密码,然后进行确认交易,最后取回交易凭证或收据。
自助设备支付的优点包括方便快捷、节省时间和成本,可以提供24小时无休的服务,而且减少了排队等待的时间。但是,使用自助设备支付也存在一些异常风险和不便。在自助设备支付活动中,如何准确识别出自助设备支付活动针对于标的支付系统的异常观测概率,是所属技术领域亟待解决的技术问题。
发明内容
有鉴于此,本申请的目的在于提供一种自助设备的支付系统异常监控方法及系统。
依据本申请的第一方面,提供一种自助设备的支付系统异常监控方法,应用于支付服务系统,所述的自助设备的支付系统异常监控方法包括:
获取自助设备支付活动针对于标的支付系统的支付操作监控数据和所述支付操作监控数据涵盖的操作聚集参数;
基于所述支付操作监控数据对所述自助设备支付活动进行独立异常观测,生成表征所述自助设备支付活动针对于所述标的支付系统的第一异常观测概率特征;
基于所述支付操作监控数据涵盖的操作聚集参数和所述支付操作监控数据,对所述自助设备支付活动进行共享异常观测,生成表征所述自助设备支付活动针对于所述标的支付系统的第二异常观测概率特征;
对所述支付操作监控数据、所述第一异常观测概率特征以及所述第二异常观测概率特征进行交互,生成目标交互异常数据;
基于所述目标交互异常数据,对所述自助设备支付活动进行交融异常观测,生成表征所述自助设备支付活动针对于所述标的支付系统的目标异常观测概率特征。
在第一方面的一种可能的实施方式中,所述基于所述支付操作监控数据对所述自助设备支付活动进行独立异常观测,生成表征所述自助设备支付活动针对于所述标的支付系统的第一异常观测概率特征,包括:
依据独立异常观测网络的编码器,对所述支付操作监控数据进行编码,生成所述自助设备支付活动针对于所述标的支付系统的编码向量序列;
依据所述独立异常观测网络的异常观测单元,基于所述编码向量序列对所述自助设备支付活动进行独立异常观测,生成表征所述自助设备支付活动针对于所述标的支付系统的第一异常观测概率特征。
在第一方面的一种可能的实施方式中,所述依据独立异常观测网络的编码器,对所述支付操作监控数据进行编码,生成所述自助设备支付活动针对于所述标的支付系统的编码向量序列,包括:
依据独立异常观测网络的编码器,对所述支付操作监控数据中各个操作监控字段上的支付操作监控数据进行操作联系知识挖掘,生成操作联系知识向量序列;
对所述操作联系知识向量序列进行注意力权重分配,生成目标知识向量序列;
基于所述目标知识向量序列,确定所述自助设备支付活动针对于所述标的支付系统的编码向量序列。
在第一方面的一种可能的实施方式中,所述基于所述支付操作监控数据涵盖的操作聚集参数和所述支付操作监控数据,对所述自助设备支付活动进行共享异常观测,生成表征所述自助设备支付活动针对于所述标的支付系统的第二异常观测概率特征,包括:
依据共享异常观测网络的支付操作权重评估单元,基于所述支付操作监控数据涵盖的操作聚集参数,确定所述支付操作监控数据的支付操作权重;
依据所述共享异常观测网络的异常观测单元,基于所述支付操作权重确定所述支付操作监控数据的融合系数;
基于所述融合系数对所述支付操作监控数据进行融合,生成融合后的支付操作监控数据;
对所述融合后的支付操作监控数据和所述支付操作监控数据进行共享特征汇聚,生成共享汇聚向量序列;
对所述共享汇聚向量序列进行异常观测,生成表征所述自助设备支付活动针对于所述标的支付系统的第二异常观测概率特征。
在第一方面的一种可能的实施方式中,所述基于所述目标交互异常数据,对所述自助设备支付活动进行交融异常观测,生成表征所述自助设备支付活动针对于所述标的支付系统的目标异常观测概率特征,包括:
依据交融异常观测网络的注意力机制单元,确定所述目标交互异常数据中任意两个操作监控字段的字段向量序列之间的交融系数;
依据所述交融异常观测网络的交融单元,依据所述交融系数,对所述目标交互异常数据中任意两个操作监控字段的字段向量序列进行交融,生成交融后的目标交互异常数据;
依据所述交融异常观测网络的异常观测单元,对所述交融后的目标交互异常数据进行交融异常观测,生成表征所述自助设备支付活动针对于所述标的支付系统的目标异常观测概率特征。
在第一方面的一种可能的实施方式中,所述方法还包括:
获取训练自助设备支付活动针对于标的支付系统的训练支付操作监控数据以及所述训练自助设备支付活动针对于所述标的支付系统的目标异常观测标注数据;
依据独立异常观测网络,基于所述训练支付操作监控数据对所述训练自助设备支付活动进行独立异常观测,生成表征所述训练自助设备支付活动针对于所述标的支付系统的第一训练异常观测概率特征;
依据共享异常观测网络,基于所述训练支付操作监控数据涵盖的操作聚集参数和所述训练支付操作监控数据,对所述训练自助设备支付活动进行共享异常观测,生成表征所述训练自助设备支付活动针对于所述标的支付系统的第二训练异常观测概率特征;
依据基础异常观测网络,对所述训练支付操作监控数据、所述第一训练异常观测概率特征以及所述第二训练异常观测概率特征进行交互,生成目标训练交互异常数据,基于所述目标训练交互异常数据,对所述训练自助设备支付活动进行交融异常观测,生成表征所述训练自助设备支付活动针对于所述标的支付系统的训练目标异常观测概率特征;
基于所述目标异常观测标注数据和所述训练目标异常观测概率特征,确定所述基础异常观测网络的训练损失函数值;
如果所述训练损失函数值大于设定门限值,基于所述训练损失函数值对所述基础异常观测网络进行更新;
将更新后的基础异常观测网络输出为交融异常观测网络;所述交融异常观测网络用于基于自助设备支付活动的支付操作监控数据确定表征所述自助设备支付活动针对于所述标的支付系统的目标异常观测概率特征。
在第一方面的一种可能的实施方式中,所述方法还包括:
依据初始独立异常观测网络,基于所述训练支付操作监控数据对所述训练自助设备支付活动进行独立异常观测,生成表征所述训练自助设备支付活动针对于所述标的支付系统的第一训练异常观测概率特征;
基于所述目标异常观测标注数据和所述第一训练异常观测概率特征,确定所述初始独立异常观测网络的第一损失函数值;
如果所述第一损失函数值大于设定门限值,基于所述第一损失函数值对所述初始独立异常观测网络进行更新; 将更新后的初始独立异常观测网络输出为独立异常观测网络;所述独立异常观测网络用于对自助设备支付活动进行独立异常观测,生成自助设备支付活动针对于支付系统的第一异常观测概率特征。
在第一方面的一种可能的实施方式中,所述方法还包括:
依据初始共享异常观测网络,基于所述训练支付操作监控数据涵盖的操作聚集参数和所述训练支付操作监控数据,对所述训练自助设备支付活动进行共享异常观测,生成表征所述训练自助设备支付活动针对于所述标的支付系统的第二训练异常观测概率特征;
基于所述目标异常观测标注数据和所述第二训练异常观测概率特征,确定所述初始共享异常观测网络的第二损失函数值;
如果所述第二损失函数值大于设定门限值,基于所述第二损失函数值对所述初始共享异常观测网络进行更新;
将更新后的初始共享异常观测网络输出为共享异常观测网络;所述共享异常观测网络用于对自助设备支付活动进行共享异常观测,生成自助设备支付活动针对于支付系统的第二异常观测概率特征。
在第一方面的一种可能的实施方式中,所述获取训练自助设备支付活动针对于标的支付系统的训练支付操作监控数据,包括:
获取训练自助设备支付活动针对于标的支付系统的初始训练支付操作监控数据,依据特征清洗策略,对所述初始训练支付操作监控数据进行特征清洗,生成第一待定支付操作监控数据;
获取所述第一待定支付操作监控数据的支付操作类别;
基于所述支付操作类别,从显著性向量嵌入策略序列中确定用于对所述第一待定支付操作监控数据进行显著性特征提取的目标显著性向量嵌入策略;
依据所述目标显著性向量嵌入策略,对所述第一待定支付操作监控数据进行显著性特征提取,生成第二待定支付操作监控数据;
依据启发式特征搜索网络,对所述第二待定支付操作监控数据进行启发式特征搜索,生成启发式特征搜索数据,将所述启发式特征搜索数据,输出为所述训练自助设备支付活动针对于标的支付系统的训练支付操作监控数据。
依据本申请的第二方面,提供一种支付服务系统,所述支付服务系统包括处理器以及可读存储介质,所述可读存储介质存储有程序,该程序被处理器执行时实现前述的自助设备的支付系统异常监控方法。
依据本申请的第三方面,提供提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机可执行指令,在监测到所述计算机可执行指令被执行时,实现前述的自助设备的支付系统异常监控方法。
依据以上任意一个方面,本申请中,通过基于自助设备支付活动的支付操作监控数据对自助设备支付活动进行独立异常观测,生成表征自助设备支付活动针对于标的支付系统的第一异常观测概率特征。同时基于支付操作监控数据涵盖的操作聚集参数和支付操作监控数据,对自助设备支付活动进行共享异常观测,生成表征自助设备支付活动针对于标的支付系统的第二异常观测概率特征。在此基础上,将自助设备支付活动的支付操作监控数据与依据不同异常观测方式得到的概率特征(即第一异常观测概率特征和第二异常观测概率特征)进行交互,生成目标交互异常数据,基于目标交互异常数据,对自助设备支付活动进行交融异常观测,生成表征自助设备支付活动针对于标的支付系统的目标异常观测概率特征。换言之,基于目标交互异常数据对自助设备支付活动针对于标的支付系统的异常观测概率进行更新,生成表征自助设备支付活动针对于标的支付系统的目标异常观测概率特征,可提高对表征自助设备支付活动针对于标的支付系统的目标异常观测概率特征的输出精准度。并且,基于独立异常观测和共享异常观测对自助设备支付活动的支付操作监控数据进行不同方向的观测,由此获得自助设备支付活动在不同观测策略下的异常观测概率特征。将该自助设备支付活动在不同观测策略下的第一异常观测概率特征和第二异常观测概率特征,与支付操作监控数据进行交互,由此生成,自助设备支付活动在多个操作监控字段的支付操作监控数据。通过对自助设备支付活动在多个操作监控字段的支付操作监控数据进行交融异常观测,可以提高对表征自助设备支付活动针对于标的支付系统的目标异常观测概率特征的输出精准度。另外,通过独立异常观测网络输出自助设备支付活动针对于标的支付系统的第一异常观测概率特征,通过共享异常观测网络输出自助设备支付活动针对于标的支付系统的第二异常观测概率特征。再通过交融异常观测网络,对独立异常观测网络输入的第一异常观测概率特征、共享异常观测网络输出的第二异常观测概率特征以及支付操作监控数据进行交互,生成自助设备支付活动在多个操作监控字段上的目标交互异常数据,基于目标交互异常数据识别出表征自助设备支付活动针对于标的支付系统的目标异常观测概率特征,可以提高对表征自助设备支付活动针对于标的支付系统的目标异常观测概率特征的输出精准度。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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,还可以依据这些附图获得其它相关的附图。
图1本申请实施例所提供的自助设备的支付系统异常监控方法的流程示意图;
图2示出了本申请实施例所提供的用于实现上述的自助设备的支付系统异常监控方法的支付服务系统的组件结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,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的实施例,而不是全部的实施例。依据本申请中的实施例,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它实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排它的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
图1示出了本申请实施例提供的自助设备的支付系统异常监控方法的流程示意图,应当理解,在其它实施例中,本实施例的自助设备的支付系统异常监控方法其中部分步骤的顺序可以依据实际需要相互交换,或者其中的部分步骤也可以省略或删除。该自助设备的支付系统异常监控方法的详细步骤介绍如下。
步骤S101,获取自助设备支付活动针对于标的支付系统的支付操作监控数据,以及支付操作监控数据涵盖的操作聚集参数。
一种可替代的实施方式中,可以基于自助设备支付活动针对于标的支付系统的支付操作监控数据,对自助设备支付活动进行异常观测,生成表征自助设备支付活动针对于标的支付系统的目标异常观测概率特征。一种可替代的实施方式中,可以获取自助设备支付活动针对于标的支付系统的支付操作监控数据,该自助设备支付活动可以是指任意商品的支付活动。
一种可替代的实施方式中,可以获取自助设备支付活动的支付操作监控数据中各个操作监控字段的支付操作监控数据涵盖的操作聚集参数,该操作聚集参数可以表征各个支付操作监控数据的数据可靠度。如果某个操作监控字段上的支付操作监控数据涵盖的操作聚集参数越大,则说明该某个操作监控字段上的支付操作监控数据的数据可靠度较大;如果某个操作监控字段上的支付操作监控数据涵盖的操作聚集参数越小,则说明该某个操作监控字段上的支付操作监控数据的数据可靠度较小。
步骤S102,基于支付操作监控数据对自助设备支付活动进行独立异常观测,生成表征自助设备支付活动针对于标的支付系统的第一异常观测概率特征。
一种可替代的实施方式中,可以基于自助设备支付活动的支付操作监控数据,对自助设备支付活动进行独立异常观测,生成表征自助设备支付活动针对于标的支付系统的第一异常观测概率特征,该第一异常观测概率可以表征自助设备支付活动针对标的支付系统的异常观测情况。例如,该第一异常观测概率特征可以是指自助设备支付活动对应于各个支付异常类别的概率分布。
一种可替代的实施方式中,基于支付操作监控数据对自助设备支付活动进行独立异常观测,生成表征自助设备支付活动针对于标的支付系统的第一异常观测概率特征,可以是:依据独立异常观测网络的编码器,对支付操作监控数据进行编码,生成自助设备支付活动针对于标的支付系统的编码向量序列。依据独立异常观测网络的异常观测单元,基于编码向量序列对自助设备支付活动进行独立异常观测,生成表征自助设备支付活动针对于标的支付系统的第一异常观测概率特征。
一种可替代的实施方式中,可以依据独立异常观测网络,该独立异常观测网络可以用于基于自助设备支付活动的支付操作监控数据,对自助设备支付活动进行独立异常观测,生成自助设备支付活动针对于标的支付系统的异常观测概率特征。例如,可以通过独立异常观测网络中的编码器,对自助设备支付活动的支付操作监控数据进行编码,生成自助设备支付活动针对于标的支付系统的编码向量序列,该编码向量序列可以是指支付操作监控数据的各种支付操作构成的描述向量。其中,可以将自助设备支付活动针对于标的支付系统的编码向量序列输入独立异常观测网络中的异常观测单元,对自助设备支付活动进行独立异常观测,生成表征自助设备支付活动针对于标的支付系统的第一异常观测概率特征。值得说明的是,该独立异常观测网络中的异常观测单元可以对自助设备支付活动针对于标的支付系统的编码向量序列进行异常观测,生成表征自助设备支付活动针对于标的支付系统的第一异常观测概率特征。
一种可替代的实施方式中,对支付操作监控数据进行编码,生成自助设备支付活动针对于标的支付系统的编码向量序列,可以是:依据独立异常观测网络的编码器,对支付操作监控数据中各个操作监控字段的支付操作监控数据进行操作联系知识挖掘,生成操作联系知识向量序列。对操作联系知识向量序列进行注意力权重分配,生成目标知识向量序列,基于目标知识向量序列,确定自助设备支付活动针对于标的支付系统的编码向量序列。
一种可替代的实施方式中,独立异常观测网络可以是基于因子分解机的神经网络。
步骤S103,基于支付操作监控数据涵盖的操作聚集参数和支付操作监控数据对自助设备支付活动进行共享异常观测,生成表征自助设备支付活动针对于标的支付系统的第二异常观测概率特征。
一种可替代的实施方式中,可以获取支付操作监控数据涵盖的操作聚集参数,基于支付操作监控数据涵盖的操作聚集参数和支付操作监控数据对自助设备支付活动进行共享异常观测,生成表征自助设备支付活动针对于标的支付系统的第二异常观测概率特征。值得说明的是,通过基于支付操作监控数据涵盖的操作聚集参数,对自助设备支付活动进行共享异常观测,相对于步骤S102中对自助设备支付活动进行独立异常观测而言,是从多种不同异常观测维度对自助设备支付活动的支付操作监控数据进行提取,进而确定自助设备支付活动在不同异常观测维度下的关于标的支付系统的异常观测概率特征。
一种可替代的实施方式中,得到表征自助设备支付活动针对于标的支付系统的第二异常观测概率特征,可以是:依据共享异常观测网络的支付操作权重评估单元,基于支付操作监控数据涵盖的操作聚集参数,确定支付操作监控数据的支付操作权重。依据共享异常观测网络的异常观测单元,基于支付操作权重和支付操作监控数据对自助设备支付活动进行共享异常观测,生成表征自助设备支付活动针对于标的支付系统的第二异常观测概率特征。
一种可替代的实施方式中,可以依据共享异常观测网络,该共享异常观测网络可以基于自助设备支付活动的支付操作监控数据,对自助设备支付活动进行共享异常观测,生成自助设备支付活动针对于标的支付系统的第二异常观测概率特征。通过共享异常观测网络的支付操作权重评估单元,确定自助设备支付活动的支付操作监控数据涵盖的操作聚集参数,并基于该支付操作监控数据涵盖的操作聚集参数,确定支付操作监控数据的支付操作权重。其中,若支付操作监控数据涵盖的操作聚集参数越大,则对应的支付操作权重最大;若支付操作监控数据涵盖的操作聚集参数越小,则对应的支付操作权重越小。可以对自助设备支付活动的支付操作监控数据在每个操作监控字段上的支付操作监控数据进行数据量统计,即对支付操作监控数据在每个操作监控字段上的支付操作监控数据进行压缩表示,生成每个操作监控字段上的支付操作监控数据的操作聚集参数。一种可替代的实施方式中,可以基于每个操作监控字段上的支付操作监控数据的操作聚集参数的大小确定每个操作监控字段上的支付操作监控数据的支付操作权重(即重要程度),一种可替代的实施方式中,可以依据共享异常观测网络中的异常观测单元,基于支付操作权重,对支付操作监控数据进行融合,生成融合后的支付操作监控数据。基于该融合后的支付操作监控数据进行共享异常观测,生成表征自助设备支付活动针对于标的支付系统的第二异常观测概率特征。
一种可替代的实施方式中,基于支付操作权重和支付操作监控数据对自助设备支付活动进行共享异常观测,表征自助设备支付活动针对于标的支付系统的第二异常观测概率特征,可以是:依据共享异常观测网络的异常观测单元,基于支付操作权重确定支付操作监控数据的融合系数。基于融合系数对支付操作监控数据进行融合,生成融合后的支付操作监控数据。对融合后的支付操作监控数据和支付操作监控数据进行共享特征汇聚,生成共享汇聚向量序列。对共享汇聚向量序列进行异常观测,生成表征自助设备支付活动针对于标的支付系统的第二异常观测概率特征。
一种可替代的实施方式中,可以基于支付操作监控数据的支付操作权重,确定支付操作监控数据的融合系数。例如,若支付操作监控数据的支付操作权重越大,则支付操作监控数据的融合系数越大;若支付操作监控数据的支付操作权重越小,则支付操作监控数据的融合系数越小。其中,可以获取支付操作监控数据中每个操作监控字段上的支付操作监控数据的融合系数后,基于该每个操作监控字段上的融合系数,对相应的支付操作监控数据进行融合,生成融合后的支付操作监控数据。
一种可替代的实施方式中,可以对共享汇聚向量序列进行异常观测,生成表征自助设备支付活动针对于标的支付系统的第二异常观测概率特征。由此,可以通过融合后的支付操作监控数据与支付操作监控数据进行共享特征汇聚,生成共享汇聚向量序列,基于该共享汇聚向量序列识别出表征自助设备支付活动针对于标的支付系统的第二异常观测概率特征。
一种可替代的实施方式中,共享异常观测网络可以是指FiBiNet模型。
步骤S104,对支付操作监控数据、第一异常观测概率特征以及第二异常观测概率特征进行交互,生成目标交互异常数据。
一种可替代的实施方式中,可以对自助设备支付活动的支付操作监控数据、第一异常观测概率特征以及第二异常观测概率特征进行交互,生成目标交互异常数据。一种可替代的实施方式中,可以将第一异常观测概率特征和第二异常观测概率特征分别汇聚在自助设备支付活动的支付操作监控数据后,生成目标交互异常数据。由此,通过独立异常观测网络和共享异常观测网络,分别输出自助设备支付活动的支付操作监控数据关于标的支付系统的第一异常观测概率特征和第二异常观测概率特征,将该第一异常观测概率特征和第二异常观测概率特征作为自助设备支付活动的新的异常观测概率特征。
步骤S105,基于目标交互异常数据,对自助设备支付活动进行交融异常观测,生成表征自助设备支付活动针对于标的支付系统的目标异常观测概率特征。
一种可替代的实施方式中,可以基于目标交互异常数据,对自助设备支付活动进行交融异常观测,生成表征自助设备支付活动针对于标的支付系统的目标异常观测概率特征。通过将第一异常观测概率特征和第二异常观测概率特征,与自助设备支付活动的支付操作监控数据进行交互,生成多个操作监控字段上的支付操作监控数据。基于该多个操作监控字段上的支付操作监控数据,对自助设备支付活动进行交融异常观测,生成表征自助设备支付活动针对于标的支付系统的目标异常观测概率特征,可以提高对自助设备支付活动针对于标的支付系统的目标异常观测概率特征的输出精准度。
一种可替代的实施方式中,对自助设备支付活动进行交融异常观测,生成表征自助设备支付活动针对于标的支付系统的目标异常观测概率特征,可以是:依据交融异常观测网络的注意力机制单元,确定目标交互异常数据中任意两个操作监控字段的字段向量序列之间的交融系数。依据交融异常观测网络的交融单元,依据交融系数,对目标交互异常数据中各个操作监控字段的字段向量序列进行交融,生成交融后的目标交互异常数据。依据交融异常观测网络的异常观测单元,对交融后的目标交互异常数据进行异常观测,生成表征自助设备支付活动针对于标的支付系统的目标异常观测概率特征。
一种可替代的实施方式中,可以依据交融异常观测网络,该交融异常观测网络可以基于目标交互异常数据,对自助设备支付活动进行交融异常观测,生成表征自助设备支付活动针对于标的支付系统的目标异常观测概率特征。
一种可替代的实施方式中,可以依据交融异常观测网络中的交融单元,依据任意两个操作监控字段的字段向量序列之间的交融系数,对相应的两个操作监控字段上的字段向量序列进行交融,生成交融后的目标交互异常数据。
基于以上步骤,通过基于自助设备支付活动的支付操作监控数据对自助设备支付活动进行独立异常观测,生成表征自助设备支付活动针对于标的支付系统的第一异常观测概率特征。同时基于支付操作监控数据涵盖的操作聚集参数和支付操作监控数据,对自助设备支付活动进行共享异常观测,生成表征自助设备支付活动针对于标的支付系统的第二异常观测概率特征。在此基础上,将自助设备支付活动的支付操作监控数据与依据不同异常观测方式得到的概率特征(即第一异常观测概率特征和第二异常观测概率特征)进行交互,生成目标交互异常数据,基于目标交互异常数据,对自助设备支付活动进行交融异常观测,生成表征自助设备支付活动针对于标的支付系统的目标异常观测概率特征。换言之,基于目标交互异常数据对自助设备支付活动针对于标的支付系统的异常观测概率进行更新,生成表征自助设备支付活动针对于标的支付系统的目标异常观测概率特征,可提高对表征自助设备支付活动针对于标的支付系统的目标异常观测概率特征的输出精准度。并且,基于独立异常观测和共享异常观测对自助设备支付活动的支付操作监控数据进行不同方向的观测,由此获得自助设备支付活动在不同观测策略下的异常观测概率特征。将该自助设备支付活动在不同观测策略下的第一异常观测概率特征和第二异常观测概率特征,与支付操作监控数据进行交互,由此生成,自助设备支付活动在多个操作监控字段的支付操作监控数据。通过对自助设备支付活动在多个操作监控字段的支付操作监控数据进行交融异常观测,可以提高对表征自助设备支付活动针对于标的支付系统的目标异常观测概率特征的输出精准度。另外,通过独立异常观测网络输出自助设备支付活动针对于标的支付系统的第一异常观测概率特征,通过共享异常观测网络输出自助设备支付活动针对于标的支付系统的第二异常观测概率特征。再通过交融异常观测网络,对独立异常观测网络输入的第一异常观测概率特征、共享异常观测网络输出的第二异常观测概率特征以及支付操作监控数据进行交互,生成自助设备支付活动在多个操作监控字段上的目标交互异常数据,基于目标交互异常数据识别出表征自助设备支付活动针对于标的支付系统的目标异常观测概率特征,可以提高对表征自助设备支付活动针对于标的支付系统的目标异常观测概率特征的输出精准度。
下面介绍进一步的实现以上方案的网络模型训练实施例的步骤,参见下述实施例的描述:
步骤S201,获取训练自助设备支付活动针对于标的支付系统的训练支付操作监控数据以及训练自助设备支付活动针对于标的支付系统的目标异常观测标注数据。
一种可替代的实施方式中,可以获取训练自助设备支付活动针对于标的支付系统的训练支付操作监控数据,以及获取训练自助设备支付活动针对于标的支付系统的目标异常观测标注数据,该目标异常观测标注数据可以预先由开发人员进行标注获得。
一种可替代的实施方式中,可以获取训练自助设备支付活动针对于标的支付系统的初始训练支付操作监控数据,依据特征清洗策略,对所述初始训练支付操作监控数据进行特征清洗,生成第一待定支付操作监控数据;对所述第一待定支付操作监控数据进行显著性特征提取,生成第二待定支付操作监控数据;依据启发式特征搜索网络,对所述第二待定支付操作监控数据进行启发式特征搜索,生成启发式特征搜索数据,将所述启发式特征搜索数据,输出为所述训练自助设备支付活动针对于标的支付系统的训练支付操作监控数据。
一种可替代的实施方式中,可以依据启发式特征搜索网络,对所述第二待定支付操作监控数据进行启发式特征搜索,生成启发式特征搜索数据,将该启发式特征搜索数据,输出为该训练自助设备支付活动针对于标的支付系统的训练支付操作监控数据。
一种可替代的实施方式中,获取所述第一待定支付操作监控数据的支付操作类别;基于所述支付操作类别,从显著性向量嵌入策略序列中确定用于对所述第一待定支付操作监控数据进行显著性特征提取的目标显著性向量嵌入策略;依据所述目标显著性向量嵌入策略,对所述第一待定支付操作监控数据进行显著性特征提取,生成第二待定支付操作监控数据。
步骤S202,依据独立异常观测网络,基于训练支付操作监控数据对训练自助设备支付活动进行独立异常观测,生成表征训练自助设备支付活动针对于标的支付系统的第一训练异常观测概率特征。
一种可替代的实施方式中,可以依据独立异常观测网络,基于训练自助设备支付活动的训练支付操作监控数据,对训练自助设备支付活动进行独立异常观测,生成表征训练自助设备支付活动针对于标的支付系统的第一训练异常观测概率特征。
步骤S203,依据共享异常观测网络,基于训练支付操作监控数据涵盖的操作聚集参数和训练支付操作监控数据,对训练自助设备支付活动进行共享异常观测,生成表征训练自助设备支付活动针对于标的支付系统的第二训练异常观测概率特征。
一种可替代的实施方式中,可以依据共享异常观测网络,基于训练支付操作监控数据涵盖的操作聚集参数和训练支付操作监控数据,对训练自助设备支付活动进行共享异常观测,生成表征训练自助设备支付活动针对于标的支付系统的第二训练异常观测概率特征。
步骤S204,依据基础异常观测网络,对训练支付操作监控数据、第一训练异常观测概率特征以及第二训练异常观测概率特征进行交互,生成目标训练交互异常数据,基于目标训练交互异常数据,对训练自助设备支付活动进行交融异常观测,生成表征训练自助设备支付活动针对于标的支付系统的训练目标异常观测概率特征。
一种可替代的实施方式中,可以依据基础异常观测网络,对训练支付操作监控数据、第一训练异常观测概率特征以及第二训练异常观测概率特征进行交互,生成目标训练交互异常数据。基于目标训练交互异常数据,对训练自助设备支付活动进行交融异常观测,生成表征训练自助设备支付活动针对于标的支付系统的训练目标异常观测概率特征。
步骤S205,基于目标异常观测标注数据和训练目标异常观测概率特征,对基础异常观测网络进行更新,生成交融异常观测网络;交融异常观测网络用于基于自助设备支付活动的支付操作监控数据预测表征自助设备支付活动针对于标的支付系统的目标异常观测概率特征。
一种可替代的实施方式中,可以基于目标异常观测标注数据和训练目标异常观测概率特征,对基础异常观测网络进行更新,当更新后的基础异常观测网络收敛时,输出为交融异常观测网络。其中,交融异常观测网络用于基于自助设备支付活动的支付操作监控数据预测表征自助设备支付活动针对于标的支付系统的目标异常观测概率特征。若基础异常观测网络不收敛,则继续进行迭代训练,直到基础异常观测网络收敛。
一种可替代的实施方式中,基于目标异常观测标注数据和训练目标异常观测概率特征,对基础异常观测网络进行更新,生成交融异常观测网络,可以是:基于目标异常观测标注数据和训练目标异常观测概率特征,确定基础异常观测网络的训练损失函数值。若训练损失函数值大于设定门限值,基于训练损失函数值对基础异常观测网络进行更新。将更新后的基础异常观测网络输出为交融异常观测网络。
一种可替代的实施方式中,可以基于目标异常观测标注数据和训练目标异常观测概率特征之间的区别特征,确定基础异常观测网络的训练损失函数值。
一种可替代的实施方式中,训练独立异常观测网络,可以是:依据初始独立异常观测网络,基于训练支付操作监控数据对训练自助设备支付活动进行独立异常观测,生成表征训练自助设备支付活动针对于标的支付系统的第一训练异常观测概率特征。基于目标异常观测标注数据和第一训练异常观测概率特征对初始独立异常观测网络进行更新,生成独立异常观测网络;独立异常观测网络用于对自助设备支付活动进行独立异常观测,生成自助设备支付活动的第一异常观测概率特征。
一种可替代的实施方式中,基于所述目标异常观测标注数据和所述第一训练异常观测概率特征,对所述初始独立异常观测网络进行更新,生成独立异常观测网络,可以是:基于所述目标异常观测标注数据和所述第一训练异常观测概率特征,确定所述初始独立异常观测网络的第一损失函数值。如果所述第一损失函数值大于设定门限值,基于所述第一损失函数值对所述初始独立异常观测网络进行更新,将更新后的初始独立异常观测网络输出为独立异常观测网络。
一种可替代的实施方式中,可以获取目标异常观测概率特征和第一训练异常观测概率特征之间的概率特征区别特征,基于该概率特征区别特征确定初始独立异常观测网络的第一损失函数值。
一种可替代的实施方式中,训练共享异常观测网络,可以是:依据初始共享异常观测网络,基于训练支付操作监控数据涵盖的操作聚集参数和训练支付操作监控数据,对训练自助设备支付活动进行共享异常观测,生成表征训练自助设备支付活动针对于标的支付系统的第二训练异常观测概率特征。基于目标异常观测标注数据和第二训练异常观测概率特征,对所述初始共享异常观测网络进行更新,生成共享异常观测网络;共享异常观测网络用于对自助设备支付活动进行共享异常观测,生成自助设备支付活动针对于支付系统的第二异常观测概率特征。
一种可替代的实施方式中,上述基于目标异常观测标注数据和第二训练异常观测概率特征,对该初始共享异常观测网络进行更新,生成共享异常观测网络,包括:基于该目标异常观测标注数据和该第二训练异常观测概率特征,确定该初始共享异常观测网络的第二损失函数值;若该第二损失函数值大于设定门限值,基于该第二损失函数值对该初始共享异常观测网络进行更新;将更新后的初始共享异常观测网络输出为共享异常观测网络。
一种可替代的实施方式中,可以依据初始共享异常观测网络,基于训练支付操作监控数据中训练集涵盖的操作聚集参数,对训练自助设备支付活动进行共享异常观测,生成表征训练自助设备支付活动针对于标的支付系统的第二训练异常观测概率特征。
一种可替代的实施方式中,可以基于目标异常观测标注数据和第二训练异常观测概率特征,以及初始共享异常观测网络的损失函数,确定初始共享异常观测网络的第二损失函数值,该第二损失函数值表征该初始共享异常观测网络的异常观测精度。
基于以上步骤,通过获取训练自助设备支付活动针对于标的支付系统的训练支付操作监控数据以及训练自助设备支付活动针对于标的支付系统的目标异常观测标注数据。依据独立异常观测网络,基于训练支付操作监控数据对训练自助设备支付活动进行独立异常观测,生成表征训练自助设备支付活动针对于标的支付系统的第一训练异常观测概率特征。依据共享异常观测网络,基于训练支付操作监控数据涵盖的操作聚集参数和训练支付操作监控数据,对训练自助设备支付活动进行共享异常观测,生成表征训练自助设备支付活动针对于标的支付系统的第二训练异常观测概率特征。进一步地,依据基础异常观测网络,对训练支付操作监控数据、第一训练异常观测概率特征以及第二训练异常观测概率特征进行交互,生成目标训练交互异常数据,基于目标训练交互异常数据,对训练自助设备支付活动进行交融异常观测,生成表征训练自助设备支付活动针对于标的支付系统的训练目标异常观测概率特征。基于目标异常观测标注数据和训练目标异常观测概率特征,对基础异常观测网络进行更新,生成交融异常观测网络,依据该交融异常观测网络基于自助设备支付活动的支付操作监控数据确定表征自助设备支付活动针对于标的支付系统的目标异常观测概率特征。由此,可以将独立异常观测网络和共享异常观测网络的输入与训练支付操作监控数据进行交互,生成目标训练交互异常数据,生成训练自助设备支付活动在多个操作监控字段上的训练支付操作监控数据,基于目标训练交互异常数据对基础异常观测网络进行训练,可对独立异常观测网络的观测结果和共享异常观测网络的观测结果进行网络知识学习,由此提高训练得到交融异常观测网络的观测可靠性,也就提高了对表征自助设备支付活动针对于标的支付系统的目标异常观测概率特征的输出精准度。
进一步地,图2示出了一种用于实现本申请实施例所提供的方法的设备的硬件结构示意图。如图2所示,支付服务系统100可以包括至少一个处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输装置106以及控制器108。本领域普通技术人员可以理解,图2所示的结构仅为示意,其并不对该支付服务系统100的结构造成限定。例如,支付服务系统100还可包括比图2中所示更多或者更少的组件,或者具有与图2所示不同的配置。
存储器104可用于存储应用软件的软件程序以及模块,如本申请实施例中上述的方法实施例对应的程序指令,处理器102通过运行存储在存储器104内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的一种自助设备的支付系统异常监控方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其它非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至支付服务系统100。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括支付服务系统100的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器,其可通过基站与其它网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频模块,其用于通过无线方式与互联网进行通讯。
需要说明的是:上述本申请实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本申请实施例特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以依据不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本申请实施例中的各个实施例均依据递进的方式描述,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它实施例的不同之处。尤其,对于以上不同实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,上述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
Claims (8)
1.一种自助设备的支付系统异常监控方法,其特征在于,所述方法包括:
获取自助设备支付活动针对于标的支付系统的支付操作监控数据和所述支付操作监控数据涵盖的操作聚集参数,所述操作聚集参数表征各个支付操作监控数据的数据可靠度;
基于所述支付操作监控数据对所述自助设备支付活动进行独立异常观测,生成表征所述自助设备支付活动针对于所述标的支付系统的第一异常观测概率特征;
基于所述支付操作监控数据涵盖的操作聚集参数和所述支付操作监控数据,对所述自助设备支付活动进行共享异常观测,生成表征所述自助设备支付活动针对于所述标的支付系统的第二异常观测概率特征;
对所述支付操作监控数据、所述第一异常观测概率特征以及所述第二异常观测概率特征进行交互,生成目标交互异常数据;
基于所述目标交互异常数据,对所述自助设备支付活动进行交融异常观测,生成表征所述自助设备支付活动针对于所述标的支付系统的目标异常观测概率特征;
所述基于所述支付操作监控数据涵盖的操作聚集参数和所述支付操作监控数据,对所述自助设备支付活动进行共享异常观测,生成表征所述自助设备支付活动针对于所述标的支付系统的第二异常观测概率特征,包括:
依据共享异常观测网络的支付操作权重评估单元,基于所述支付操作监控数据涵盖的操作聚集参数,确定所述支付操作监控数据的支付操作权重;
依据所述共享异常观测网络的异常观测单元,基于所述支付操作权重确定所述支付操作监控数据的融合系数;
基于所述融合系数对所述支付操作监控数据进行融合,生成融合后的支付操作监控数据;
对所述融合后的支付操作监控数据和所述支付操作监控数据进行共享特征汇聚,生成共享汇聚向量序列;
对所述共享汇聚向量序列进行异常观测,生成表征所述自助设备支付活动针对于所述标的支付系统的第二异常观测概率特征;
所述基于所述目标交互异常数据,对所述自助设备支付活动进行交融异常观测,生成表征所述自助设备支付活动针对于所述标的支付系统的目标异常观测概率特征,包括:
依据交融异常观测网络的注意力机制单元,确定所述目标交互异常数据中任意两个操作监控字段的字段向量序列之间的交融系数;
依据所述交融异常观测网络的交融单元,依据所述交融系数,对所述目标交互异常数据中任意两个操作监控字段的字段向量序列进行交融,生成交融后的目标交互异常数据;
依据所述交融异常观测网络的异常观测单元,对所述交融后的目标交互异常数据进行交融异常观测,生成表征所述自助设备支付活动针对于所述标的支付系统的目标异常观测概率特征。
2.根据权利要求1所述的自助设备的支付系统异常监控方法,其特征在于,所述基于所述支付操作监控数据对所述自助设备支付活动进行独立异常观测,生成表征所述自助设备支付活动针对于所述标的支付系统的第一异常观测概率特征,包括:
依据独立异常观测网络的编码器,对所述支付操作监控数据进行编码,生成所述自助设备支付活动针对于所述标的支付系统的编码向量序列;
依据所述独立异常观测网络的异常观测单元,基于所述编码向量序列对所述自助设备支付活动进行独立异常观测,生成表征所述自助设备支付活动针对于所述标的支付系统的第一异常观测概率特征。
3.根据权利要求2所述的自助设备的支付系统异常监控方法,其特征在于,所述依据独立异常观测网络的编码器,对所述支付操作监控数据进行编码,生成所述自助设备支付活动针对于所述标的支付系统的编码向量序列,包括:
依据独立异常观测网络的编码器,对所述支付操作监控数据中各个操作监控字段上的支付操作监控数据进行操作联系知识挖掘,生成操作联系知识向量序列;
对所述操作联系知识向量序列进行注意力权重分配,生成目标知识向量序列;
基于所述目标知识向量序列,确定所述自助设备支付活动针对于所述标的支付系统的编码向量序列。
4.根据权利要求1-3中任意一项所述的自助设备的支付系统异常监控方法,其特征在于,所述方法还包括:
获取训练自助设备支付活动针对于标的支付系统的训练支付操作监控数据以及所述训练自助设备支付活动针对于所述标的支付系统的目标异常观测标注数据;
依据独立异常观测网络,基于所述训练支付操作监控数据对所述训练自助设备支付活动进行独立异常观测,生成表征所述训练自助设备支付活动针对于所述标的支付系统的第一训练异常观测概率特征;
依据共享异常观测网络,基于所述训练支付操作监控数据涵盖的操作聚集参数和所述训练支付操作监控数据,对所述训练自助设备支付活动进行共享异常观测,生成表征所述训练自助设备支付活动针对于所述标的支付系统的第二训练异常观测概率特征;
依据基础异常观测网络,对所述训练支付操作监控数据、所述第一训练异常观测概率特征以及所述第二训练异常观测概率特征进行交互,生成目标训练交互异常数据,基于所述目标训练交互异常数据,对所述训练自助设备支付活动进行交融异常观测,生成表征所述训练自助设备支付活动针对于所述标的支付系统的训练目标异常观测概率特征;
基于所述目标异常观测标注数据和所述训练目标异常观测概率特征,确定所述基础异常观测网络的训练损失函数值;
如果所述训练损失函数值大于设定门限值,基于所述训练损失函数值对所述基础异常观测网络进行更新;
将更新后的基础异常观测网络输出为交融异常观测网络;所述交融异常观测网络用于基于自助设备支付活动的支付操作监控数据确定表征所述自助设备支付活动针对于所述标的支付系统的目标异常观测概率特征。
5.根据权利要求4所述的自助设备的支付系统异常监控方法,其特征在于,所述方法还包括:
依据初始独立异常观测网络,基于所述训练支付操作监控数据对所述训练自助设备支付活动进行独立异常观测,生成表征所述训练自助设备支付活动针对于所述标的支付系统的第一训练异常观测概率特征;
基于所述目标异常观测标注数据和所述第一训练异常观测概率特征,确定所述初始独立异常观测网络的第一损失函数值;
如果所述第一损失函数值大于设定门限值,基于所述第一损失函数值对所述初始独立异常观测网络进行更新; 将更新后的初始独立异常观测网络输出为独立异常观测网络;所述独立异常观测网络用于对自助设备支付活动进行独立异常观测,生成自助设备支付活动针对于支付系统的第一异常观测概率特征。
6.根据权利要求4所述的自助设备的支付系统异常监控方法,其特征在于,所述方法还包括:
依据初始共享异常观测网络,基于所述训练支付操作监控数据涵盖的操作聚集参数和所述训练支付操作监控数据,对所述训练自助设备支付活动进行共享异常观测,生成表征所述训练自助设备支付活动针对于所述标的支付系统的第二训练异常观测概率特征;
基于所述目标异常观测标注数据和所述第二训练异常观测概率特征,确定所述初始共享异常观测网络的第二损失函数值;
如果所述第二损失函数值大于设定门限值,基于所述第二损失函数值对所述初始共享异常观测网络进行更新;
将更新后的初始共享异常观测网络输出为共享异常观测网络;所述共享异常观测网络用于对自助设备支付活动进行共享异常观测,生成自助设备支付活动针对于支付系统的第二异常观测概率特征。
7.根据权利要求4所述的自助设备的支付系统异常监控方法,其特征在于,所述获取训练自助设备支付活动针对于标的支付系统的训练支付操作监控数据,包括:
获取训练自助设备支付活动针对于标的支付系统的初始训练支付操作监控数据,依据特征清洗策略,对所述初始训练支付操作监控数据进行特征清洗,生成第一待定支付操作监控数据;
获取所述第一待定支付操作监控数据的支付操作类别;
基于所述支付操作类别,从显著性向量嵌入策略序列中确定用于对所述第一待定支付操作监控数据进行显著性特征提取的目标显著性向量嵌入策略;
依据所述目标显著性向量嵌入策略,对所述第一待定支付操作监控数据进行显著性特征提取,生成第二待定支付操作监控数据;
依据启发式特征搜索网络,对所述第二待定支付操作监控数据进行启发式特征搜索,生成启发式特征搜索数据,将所述启发式特征搜索数据,输出为所述训练自助设备支付活动针对于标的支付系统的训练支付操作监控数据。
8.一种支付服务系统,其特征在于,所述支付服务系统包括处理器以及可读存储介质,所述可读存储介质存储有程序,该程序被处理器执行时实现权利要求1-7任意一项所述的自助设备的支付系统异常监控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311230020.3A CN116976879B (zh) | 2023-09-22 | 2023-09-22 | 自助设备的支付系统异常监控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311230020.3A CN116976879B (zh) | 2023-09-22 | 2023-09-22 | 自助设备的支付系统异常监控方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116976879A CN116976879A (zh) | 2023-10-31 |
CN116976879B true CN116976879B (zh) | 2024-01-09 |
Family
ID=88475314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311230020.3A Active CN116976879B (zh) | 2023-09-22 | 2023-09-22 | 自助设备的支付系统异常监控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116976879B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107403523A (zh) * | 2017-07-14 | 2017-11-28 | 深圳怡化电脑股份有限公司 | 异常交易行为的判断方法、装置及设备 |
CN108492196A (zh) * | 2018-03-08 | 2018-09-04 | 平安医疗健康管理股份有限公司 | 通过数据分析推断医疗保险违规行为的风控方法 |
CN111127009A (zh) * | 2019-12-11 | 2020-05-08 | 中国建设银行股份有限公司 | 一种应用于自助设备的错账定位方法和装置 |
CN111353475A (zh) * | 2020-03-31 | 2020-06-30 | 中国工商银行股份有限公司 | 自助交易设备异常识别方法及自助交易设备 |
CN111401874A (zh) * | 2020-04-15 | 2020-07-10 | 中国银行股份有限公司 | 一种自助交易系统监控方法及装置 |
WO2020244336A1 (zh) * | 2019-06-04 | 2020-12-10 | 深圳前海微众银行股份有限公司 | 一种告警分类方法、装置、电子设备及存储介质 |
CN112819474A (zh) * | 2021-02-05 | 2021-05-18 | 建信金融科技有限责任公司 | 银行自助终端异常交易的管理方法、装置、设备及介质 |
CN115001989A (zh) * | 2022-05-31 | 2022-09-02 | 济南浪潮数据技术有限公司 | 一种设备预警方法、装置、设备及可读存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013009870A1 (en) * | 2011-07-11 | 2013-01-17 | Bank Of America Corporation | Video-assisted self-service transaction device |
WO2018097272A1 (ja) * | 2016-11-28 | 2018-05-31 | 国立大学法人京都大学 | 異常検知装置、通信装置、異常検知方法、プログラム及び記録媒体 |
-
2023
- 2023-09-22 CN CN202311230020.3A patent/CN116976879B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107403523A (zh) * | 2017-07-14 | 2017-11-28 | 深圳怡化电脑股份有限公司 | 异常交易行为的判断方法、装置及设备 |
CN108492196A (zh) * | 2018-03-08 | 2018-09-04 | 平安医疗健康管理股份有限公司 | 通过数据分析推断医疗保险违规行为的风控方法 |
WO2020244336A1 (zh) * | 2019-06-04 | 2020-12-10 | 深圳前海微众银行股份有限公司 | 一种告警分类方法、装置、电子设备及存储介质 |
CN111127009A (zh) * | 2019-12-11 | 2020-05-08 | 中国建设银行股份有限公司 | 一种应用于自助设备的错账定位方法和装置 |
CN111353475A (zh) * | 2020-03-31 | 2020-06-30 | 中国工商银行股份有限公司 | 自助交易设备异常识别方法及自助交易设备 |
CN111401874A (zh) * | 2020-04-15 | 2020-07-10 | 中国银行股份有限公司 | 一种自助交易系统监控方法及装置 |
CN112819474A (zh) * | 2021-02-05 | 2021-05-18 | 建信金融科技有限责任公司 | 银行自助终端异常交易的管理方法、装置、设备及介质 |
CN115001989A (zh) * | 2022-05-31 | 2022-09-02 | 济南浪潮数据技术有限公司 | 一种设备预警方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116976879A (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210027182A1 (en) | Automated machine learning systems and methods | |
CN107563757A (zh) | 数据风险控制的方法及装置 | |
CN109903112A (zh) | 信息输出方法和装置 | |
CN107783861B (zh) | 交易回滚方法、装置、存储介质和计算机设备 | |
CN115174231B (zh) | 一种基于AI Knowledge Base的网络欺诈分析方法及服务器 | |
CN112733995A (zh) | 训练神经网络的方法、行为检测方法及行为检测装置 | |
CN112860676A (zh) | 应用于大数据挖掘和业务分析的数据清洗方法及云服务器 | |
CN110503507B (zh) | 基于大数据的保险产品数据推送方法、系统及计算机设备 | |
CN106327287A (zh) | 订单处理方法及装置 | |
CN116976879B (zh) | 自助设备的支付系统异常监控方法及系统 | |
KR102345949B1 (ko) | It 인프라 시스템 추천 장치 | |
CN104899732B (zh) | 一种信息交互方法和装置 | |
CN115689571A (zh) | 异常用户行为监测方法、装置、设备和介质 | |
CN115063204A (zh) | 基于手持终端的订单处理方法、系统、计算机设备及介质 | |
CN114971605A (zh) | 一种线下支付的验证处理方法、装置、计算机设备及介质 | |
CN114093083A (zh) | 一种重力柜控制方法及装置 | |
CN113052727A (zh) | 基于购房资格核验的购房推荐装置及方法 | |
CN111160987B (zh) | 一种信息展示方法、装置及系统 | |
CN117787966B (zh) | 聚合支付数据识别控制系统及方法 | |
CN111179085B (zh) | 一种账户数据处理方法、装置及系统 | |
CN113850499B (zh) | 一种数据处理方法、装置、电子设备和存储介质 | |
CN113255710B (zh) | 手机号码分类方法、装置、设备及存储介质 | |
CN117094826B (zh) | 数据交易的匹配方法、装置、电子装置和存储介质 | |
US20220036363A1 (en) | Identification of anomalous payment terminals | |
CN117291652A (zh) | 业务推荐方法、装置及服务器 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |