CN117575802A - 金融系统的升级监控方法、装置、计算机设备和存储介质 - Google Patents
金融系统的升级监控方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117575802A CN117575802A CN202311638696.6A CN202311638696A CN117575802A CN 117575802 A CN117575802 A CN 117575802A CN 202311638696 A CN202311638696 A CN 202311638696A CN 117575802 A CN117575802 A CN 117575802A
- Authority
- CN
- China
- Prior art keywords
- financial system
- decision
- scenes
- current
- service
- 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 58
- 238000012544 monitoring process Methods 0.000 title claims abstract description 23
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims abstract description 82
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000003066 decision tree Methods 0.000 claims description 47
- 230000001960 triggered effect Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 24
- 238000004519 manufacturing process Methods 0.000 claims description 17
- 238000005520 cutting process Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012806 monitoring device Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Technology Law (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请涉及信息技术领域和金融科技技术领域,提供一种金融系统的升级监控方法、装置、计算机设备和存储介质。所述方法包括:获取各类业务场景各自的决策模型;各类业务场景的决策模型是根据各类业务场景的指标样本集进行模型训练得到的;获取金融系统在开始当次升级后针对各类业务场景的运行评价指标,得到各类业务场景各自的评价指标集;将各类业务场景各自的评价指标集输入对应决策模型,得到各决策模型的预测结果;根据各决策模型的预测结果,判断金融系统的当次升级是否成功。采用本方法能够精准监控金融系统是否升级成功,实现自动决策,降低对人的依赖,缩短决策时间。
Description
技术领域
本申请涉及信息技术领域和金融科技技术领域,特别是涉及一种金融系统的升级监控方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着互联网的快速发展,金融机构产品的系统(以下简称为金融系统)在快速升级。
金融系统存在升级失败的风险。金融系统若升级失败,则会影响金融系统的正常使用,因此,需要及时监控金融系统升级是否成功。目前监控金融系统是否升级成功,往往依赖人工决策,决策时间长。
发明内容
基于此,有必要针对上述技术问题,提供一种金融系统的升级监控方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种金融系统的升级监控方法,包括:
获取各类业务场景各自的决策模型;各类所述业务场景的决策模型是根据各类所述业务场景的指标样本集进行模型训练得到的;各类所述业务场景的指标样本集是根据金融系统在开始当次升级前针对各类所述业务场景的运行评价指标以及运行状态指标得到的;
获取所述金融系统在开始当次升级后针对各类所述业务场景的运行评价指标,得到各类所述业务场景各自的评价指标集;
将各类所述业务场景各自的评价指标集输入对应决策模型,得到各所述决策模型的预测结果;
根据各所述决策模型的预测结果,判断所述金融系统的当次升级是否成功。
在其中一个实施例中,所述方法还包括:
根据各类业务场景的运行评价指标,得到各类业务场景的决策树行结构;
针对任一类业务场景,将所述任一类业务场景的指标样本集里的运行评价指标值输入所述任一类业务场景的决策树行结构;
获取所述任一类业务场景的决策树行结构的预测结果,将所述预测结果与所述任一类业务场景的指标样本集里的运行状态指标值进行比较,得到比较结果;
若根据所述比较结果确定不满足训练停止条件,则调整所述任一类业务场景的决策树行结构;
若根据所述比较结果确定满足训练停止条件,则得到所述任一类业务场景的决策模型。
在其中一个实施例中,所述根据所述比较结果确定不满足训练停止条件,包括:
获取所述决策树行结构不同次预测对应的各所述比较结果;
若所述比较结果表征预测结果和运行状态指标值一致,则确定对应次预测准确;
根据预测准确的次数以及预测总次数,得到所述决策树行结构的预测准确率;
若所述预测准确率小于准确率阈值,则确定不满足训练停止条件。
在其中一个实施例中,所述方法还包括:
获取各类业务场景在开始当次升级前的切流成功状态指标;
将各类业务场景在开始当次升级前的切流成功状态指标,作为所述金融系统在开始当次升级前针对各类业务场景的运行状态指标。
在其中一个实施例中,所述根据各所述决策模型的预测结果,判断所述金融系统的当次升级是否成功,包括:
若各所述决策模型的预测结果表征相应业务场景切流成功,则确定所述金融系统的当次升级成功;
若至少其中一个所述决策模型的预测结果表征相应业务场景切流失败,则确定所述金融系统的当次升级失败。
在其中一个实施例中,在根据各所述决策模型的预测结果,判断所述金融系统的当次升级是否成功之后,所述方法还包括:
若确定所述金融系统的当次升级失败,则判断所述金融系统的回退条件是否被触发;
若所述回退条件被触发,则将所述金融系统退回至当次升级前的金融系统。
在其中一个实施例中,所述判断所述金融系统的回退条件是否被触发,包括:
判断所述金融系统的当前阶段是否处于投产观察窗口;
若所述当前阶段属于投产观察窗口,则判断所述金融系统的报警次数是否大于报警阈值;
若所述报警次数大于报警阈值,则确定所述金融系统的回退条件被触发。
第二方面,本申请还提供了一种金融系统的升级监控装置,包括:
决策模型获取模块,用于获取各类业务场景各自的决策模型;各类所述业务场景的决策模型是根据各类所述业务场景的指标样本集进行模型训练得到的;各类所述业务场景的指标样本集是根据金融系统在开始当次升级前针对各类所述业务场景的运行评价指标以及运行状态指标得到的;
评价指标获取模块,用于获取所述金融系统在开始当次升级后针对各类所述业务场景的运行评价指标,得到各类所述业务场景各自的评价指标集;
预测结果获取模块,用于将各类所述业务场景各自的评价指标集输入对应决策模型,得到各所述决策模型的预测结果;
升级成功判断模块,用于根据各所述决策模型的预测结果,判断所述金融系统的当次升级是否成功。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行上述方法。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行上述方法。
第五方面,本申请还提供了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,该计算机程序被处理器执行上述方法。
上述金融系统的升级监控方法、装置、计算机设备、存储介质和计算机程序产品,获取各类业务场景各自的决策模型;各类业务场景的决策模型是根据各类业务场景的指标样本集进行模型训练得到的;各类业务场景的指标样本集是根据金融系统在开始当次升级前针对各类业务场景的运行评价指标以及运行状态指标得到的;获取金融系统在开始当次升级后针对各类业务场景的运行评价指标,得到各类业务场景各自的评价指标集;将各类业务场景各自的评价指标集输入对应决策模型,得到各决策模型的预测结果;根据各决策模型的预测结果,判断金融系统的当次升级是否成功。该方案通过决策模型监控金融系统是否升级成功,实现自动决策,降低对人的依赖,缩短决策时间;并且考虑到金融系统可在多类业务场景提供对应的服务,该方案利用金融系统在开始当次升级后针对各类业务场景的评价指标集,使用不同决策模型得到相应的预测结果,以预测金融系统是否可以正常提供各类业务场景的服务,从而判断金融系统当次升级是否成功。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关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为一个实施例中金融系统的升级监控方法的应用环境图;
图2为一个实施例中金融系统的升级监控方法的流程示意图;
图3为另一个实施例中金融系统的升级监控方法的流程示意图;
图4为一个实施例中金融系统的升级监控装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本申请所描述的实施例可以与其它实施例相结合。
本申请实施例提供一种金融系统的升级监控方法,本实施例可以由计算机设备执行,如图1所示,计算机设备可以采集金融系统的相关指标,进而判断金融系统升级是否成功。可以理解的是,该计算机设备可以通过服务器实现,也可以通过终端实现,还可以通过终端和服务器的交互系统实现。本实施例中,该方法包括图2示出的步骤:
步骤S201,获取各类业务场景各自的决策模型;各类业务场景的决策模型是根据各类业务场景的指标样本集进行模型训练得到的;各类业务场景的指标样本集是根据金融系统在开始当次升级前针对各类业务场景的运行评价指标以及运行状态指标得到的。
根据数据访问控制向多维度和动态化管控方向发展的原则,基于用户属性(用户类别、渠道种类等)、环境属性(当前时间和地点)、操作属性(数据访问要求、数据流向等)、资源属性(数据表、字段等),按照访问政策、法规制度、调用方实际业务,可以将金融系统划分为一个个具体类别的业务场景。例如业务数据采集场景、数据查询场景和数据维护场景。
因金融系统在不同业务场景下运行评价指标差异较大,如果只使用一个业务场景的运行评价指标来判断金融系统升级是否成功,容易造成误判。比如业务数据采集场景,相对数据查询场景来说,业务量相对较小,但是如果业务数据采集报错,则影响后续数据的查询,对此场景业务成功率要求较高、对服务提供响应时间相对没那么高;对于查询场景则相反,如果个别查询失败可以重试,但是如果服务响应时间慢,则会导致服务器压力大,无法快速响应大量的请求。因此,针对金融系统的业务场景进行分类,比如采集、查询、维护等业务场景。
针对每个业务场景,可以采集金融系统在开始当次升级前针对各业务场景的运行评价指标以及运行状态指标。其中,开始当次升级前可以包括:当次升级前的历史次升级过程中,和/或,历史次升级完成后的运行过程中。
每一类业务场景的运行评价指标为金融系统在提供该类业务场景时、可用于评价金融系统在提供该类业务场景的服务时是否正常的指标;不同业务场景的运行评价指标可以相同,也可以不同,可以根据实际需求设定。运行评价指标比如指标采样时间、产品服务响应时间、业务成功率、TPS(Transactions Per Second,每秒传输的事物处理个数)、服务器运行消耗CPU(Central Processing Unit,中央处理器)、服务器消耗内存、以及服务器使用线程占比指标。每一类业务场景的运行状态指标可以用于表征金融系统是否正常提供该类业务场景的服务。
以其中一类业务场景为例,计算机设备可以采集金融系统提供每一类业务场景的服务时的运行评价指标以及运行状态指标,得到金融系统针对该类业务场景的运行评价指标以及运行状态指标,以此形成该类业务场景的指标样本集。其中,计算机设备借助金融系统辅助采集工具采集运行评价指标和运行状态指标。计算机设备根据该类业务场景的指标样本集进行模型训练,得到该类业务场景对应的决策模型,该类业务场景的决策模型可以根据金融系统在提供该类业务场景时的运行评价指标,预测金融系统是否可以正常提供该类业务场景的服务。按照上述方式,可以获取各类业务场景的决策模型。
步骤S202,获取金融系统在开始当次升级后针对各类业务场景的运行评价指标,得到各类业务场景各自的评价指标集。
以其中一类业务场景为例,金融系统开始当次升级后,计算机设备可以采集金融系统在开始当次升级后针对该类业务场景的运行评价指标,得到该类业务场景的评价指标集。按照该方式,可以得到各类业务场景的评价指标集。
其中,计算机设备借助金融系统辅助采集工具采集运行评价指标,得到各类业务场景的评价指标集。评价指标集的采集频率可以根据实际需求动态调整,例如,金融系统开始当次升级后定时采集评价指标集,时间频率可以10分钟到1个小时不等。比如在金融系统当次升级的开始1个小时内可以10分钟采集一次,1个小时后30分钟或1个小时采集一次;如果是金融系统日常更新可以1个小时采集一次。
步骤S203,将各类业务场景各自的评价指标集输入对应决策模型,得到各决策模型的预测结果。
本步骤中,计算机设备在得到各类业务场景各自的评价指标集后,将每一类业务场景的评价指标集输入该类业务场景的决策模型中,以使决策模型根据该类业务场景的评价指标集,预测金融系统是否可以正常提供该类业务场景的服务,输出对应的预测结果。
示例性地,将数据查询场景的评价指标集输入该类业务场景的决策模型,得到该决策模型输出的预测结果。
步骤S204,根据各决策模型的预测结果,判断金融系统的当次升级是否成功。
每一类业务场景的决策模型输出的预测结果,表征决策模型预测金融系统是否可以正常提供该类业务场景的服务;由此,根据各类业务场景的决策模型输出的预测结果,可以预测金融系统在当次升级后是否可以正常提供各类业务场景的服务,从而判断金融系统的当次升级是否成功。
上述金融系统的升级监控方法中,通过决策模型监控金融系统是否升级成功,实现自动决策,降低对人的依赖,缩短决策时间;并且考虑到金融系统可在多类业务场景提供对应的服务,该方案利用金融系统在开始当次升级后针对各类业务场景的评价指标集,使用不同决策模型得到相应的预测结果,以预测金融系统是否可以正常提供各类业务场景的服务,从而判断金融系统当次升级是否成功。
在其中一个实施例中,本申请提供的方法还包括:根据各类业务场景的运行评价指标,得到各类业务场景的决策树行结构;针对任一类业务场景,将任一类业务场景的指标样本集里的运行评价指标值输入任一类业务场景的决策树行结构;获取任一类业务场景的决策树行结构的预测结果,将预测结果与任一类业务场景的指标样本集里的运行状态指标值进行比较,得到比较结果;若根据比较结果确定不满足训练停止条件,则调整任一类业务场景的决策树行结构;若根据比较结果确定满足训练停止条件,则得到任一类业务场景的决策模型。
决策树(Decision Tree,决策树)是一种机器学习的方法,主要生成算法有ID3(Iterative Dichotomiser 3,第三代迭代二分器),C4.5和C5.0等;是一种有监督学习,能够从一系列的特征有标签的数据中总结出决策规则,并用树状图的结构来呈现这些规则,以解决分类和回归问题。
根据各类业务场景的运行评价指标,得到各类业务场景的决策树行结构的具体步骤如下:对各类业务场景的运行评价指标进行特征的选择。特征选择在于选取对训练数据有分类能力的特征,通常特征选择的标准是信息增益。在金融系统运行初期,可能失败样本较少,可以采用人工设置硬性指标,逐步丰富样本。比如,设置服务耗时超过预设时间或者业务成功率低于预设业务成功率则金融系统升级失败。
对各类业务场景的运行评价指标的的信息增益进行计算,信息增益的计算方式如下:
式(1)是信息熵公式,其中pi表示在节点t中i类样本所占的比例,信息熵用于衡量随机变量的不确定性。
式(2)是条件熵公式,其中pi=P(xi∈X)。
Gain(m)=Entropy(partent)-Entropy(m|partent) (3)
式(3)是信息增益公式。
选择信息增益最大的特征作为根节点,其余运行评价指标依次递归进行特征选择。根据运行评价指标的信息增益对各类业务场景的运行评价指标进行划分,根据运行评价指标的信息增益创建树的分支,优先选择Gain(m)大的运行评价指标作为当前节点的子节点。在分支上充分上述划分过程,直到满足终止条件,则得到各类业务场景的决策树行结构。终止条件为:节点只包含一类样本;决策树已经达到最大深度;继续划分节点对纯度的提升太小;节点包含的样本数太少。
在构建各类业务场景的决策树行结构后,以其中一类业务场景进行模型训练为例进行介绍:计算机设备可以将该类业务场景的指标样本集里的运行状态指标值输入该类业务场景的决策树行结构;获取该决策树行结构输出的预测结果,将该预测结果与该类业务场景的指标样本集里的运行状态指标值进行比较,得到比较结果;示例性地,若预测结果表征金融系统可以正常提供该类业务场景的服务,且指标样本集里的运行状态指标值表征金融系统正常提供该类业务场景的服务,则比较结果为预测结果与运行状态指标值一致;又一示例性地,若预测结果表征金融系统不可以正常提供该类业务场景的服务,且指标样本集里的运行状态指标值表征金融系统正常提供该类业务场景的服务,则比较结果为预测结果与运行状态指标值不一致;再一示例性地,若预测结果表征金融系统可以正常提供该类业务场景的服务,且指标样本集里的运行状态指标值表征金融系统未能正常提供该类业务场景的服务,则比较结果为预测结果与运行状态指标值不一致。计算机设备在得到比较结果后,根据比较结果判断是否满足训练停止条件;若满足,则将该决策树行结构作为该类业务场景的决策模型;若不满足,则调整该决策树行结构的特征和决策树行结构的参数,直至比较结果满足训练停止条件。
本实施例中,对各类业务场景的运行评价指标进行特征的选择,得到各类业务场景的决策树行结构;从训练模型的运行评价指标中分析出在金融系统升级中对金融系统有影响的运行评价指标,避免无关运行评价指标对金融系统产生干扰,影响对金融系统运行状态的判断;另外,采用决策树的机器学习算法,对各类业务场景采集的运行评价指标进行独立训练,避免不同业务场景对运行评价指标的依赖程度不同,而影响决策模型的建立。
在其中一个实施例中,根据比较结果确定不满足训练停止条件,具体步骤如下:获取决策树行结构不同次预测对应的各比较结果;若比较结果表征预测结果和运行状态指标值一致,则确定对应次预测准确;根据预测准确的次数以及预测总次数,得到决策树行结构的预测准确率;若预测准确率小于准确率阈值,则确定不满足训练停止条件。
准确率阈值可以根据金融系统实际运行情况预先设置。
以其中一类业务场景为例介绍:计算机设备可以将该类业务场景的指标样本集输入该类业务场景的决策树行结构并输入N次,从而得到N个预测结果,将N个预测结果与指标样本集里的运行状态指标值比较,得到N个比较结果。示例性地,以N为10,可得到比较结果分别为:一致、一致、不一致、一致、一致、不一致、一致、一致、不一致、一致;其中,比较结果为一致的预测属于准确的预测,比较结果为不一致的预测属于不准确的预测,由此可得预测准确的次数为8次,由于预测总次数为10次,所以可以得到决策树行结构的预测准确率为80%,若准确率阈值设为90%,则预测准确率小于准确率阈值,确定不满足训练停止条件。
本实施例中,根据决策树行结构不同次预测对应的各比较结果,得到决策树行结构的预测准确率;根据预测准确率是否小于准确率阈值,确定是否满足训练停止条件,提高决策模型的预测准确性。
在其中一个实施例中,根据比较结果确定满足训练停止条件,具体步骤如下:获取决策树行结构不同次预测对应的各比较结果;若比较结果表征预测结果和运行状态指标值一致,则确定对应次预测准确;根据预测准确的次数以及预测总次数,得到决策树行结构的预测准确率;若预测准确率大于或等于准确率阈值,则确定满足训练停止条件。
准确率阈值可以根据金融系统实际运行情况预先设置。
以其中一类业务场景为例介绍:计算机设备可以将该类业务场景的指标样本集输入该类业务场景的决策树行结构并输入N次,从而得到N个预测结果,将N个预测结果与指标样本集里的运行状态指标值比较,得到N个比较结果。示例性地,以N为10,可得到比较结果分别为:一致、一致、不一致、一致、一致、不一致、一致、一致、一致、一致;由此可得预测准确的次数为9次,由于预测总次数为10次,所以可得决策树行结构的预测准确率为90%,若准确率阈值设为90%,则预测准确率等于准确率阈值,确定满足训练停止条件。
本实施例中,根据决策树行结构不同次预测对应的各比较结果,得到决策树行结构的预测准确率;根据预测准确率是否小于阈值,确定是否满足训练停止条件,提高决策模型的预测准确性。
在其中一个实施例中,本申请提供的方法还具体包括如下步骤:获取各类业务场景在开始当次升级前的切流成功状态指标;将各类业务场景在开始当次升级前的切流成功状态指标,作为金融系统在开始当次升级前针对各类业务场景的运行状态指标。
每一类业务场景的服务提供方从升级前的金融系统切换至升级后的金融系统,这一过程可以称为该类业务场景在金融系统升级情形下的切流;切流成功表征升级后的金融系统可以正常提供该类业务场景的服务;切流失败表征升级后的金融系统未能正常提供该类业务场景的服务。由此,本申请将各类业务场景在开始当次升级前的切流成功状态指标,作为金融系统在开始当次升级前针对各类业务场景的运行状态指标。
在当次升级前的历史次升级过程中,计算机设备可以直接采集到各类业务场景在金融系统升级情形下的切流成功状态指标。
在历史次升级完成后的日常运行过程过程中,难以采集到各类业务场景在金融系统升级情形下的切流成功状态指标,由此,本申请借助各类业务场景的报警,来确定各类业务场景的切流成功状态指标。具体地,可以采集每一类业务场景的报警次数,根据报警次数是否大于报警次数阈值,得到该类业务场景的切流成功状态指标。
示例性地,以数据查询场景为例,若数据查询场景的报警次数为3次,若3次小于报警次数阈值,则可以确定该类业务场景的切流成功状态指标为切流成功;若3次大于或等于报警次数阈值,则可以确定该类业务场景的切流成功状态指标为切流失败。
计算机设备在采集到金融系统在开始当次升级前针对各类业务场景的切流成功状态指标后,结合金融系统在开始当次升级前针对各类业务场景的运行评价指标,得到各类业务场景的指标样本集。
因金融系统的版本升级主要以月或周为单位进行升级,所以计算机设备可以以周为单位进行采集,连续采集多个周的数据,得到各类业务场景的指标样本集。以数据查询场景采集为例,指标样本集如表1所示。
表1数据查询场景采集的指标
考虑到各类业务场景的切流成功或失败,可以反映金融系统在升级后是否可以正常提供该类业务场景的服务,本实施例中,将各类业务场景的切流成功状态指标作为运行状态指标,可以较好地衡量金融系统是否正常提供该类业务场景的服务。
在将各类业务场景的切流成功状态指标作为运行状态指标的情况下,决策模型的预测结果也为切流成功状态,基于此,在其中一个实施例中,步骤S204中的根据各决策模型的预测结果,判断金融系统升级是否成功,具体步骤如下:若各决策模型的预测结果表征相应业务场景切流成功,则确定金融系统的当次升级成功;若至少其中一个决策模型的预测结果表征相应业务场景切流失败,则确定金融系统的当次升级失败。
某类业务场景的决策模型输出的预测结果为切流成功,则表征金融系统当次升级后可以正常提供该类业务场景的服务。若各类业务场景的决策模型输出的预测结果均为切流成功,则表征金融系统当次升级后可以正常提供各类业务场景的服务,可以确定金融系统的当次升级成功;若至少其中一个类业务场景的决策模型输出的预测结果为切流失败,则表征金融系统当次升级后不可以正常提供该类业务场景的服务,根据实际需求,可以确定金融系统的当次升级失败。
在其中一个实施例中,在步骤S204中的根据各决策模型的预测结果,判断金融系统的当次升级是否成功之后,本申请提供的方法还具体包括如下步骤:若确定金融系统的当次升级失败,且判断金融系统的回退条件是否被触发;若回退条件被触发,则将金融系统退回至升级前的金融系统。
根据各决策模型的预测结果,若判断金融系统的当次升级成功,则可以不做任何操作;若判断金融系统的当次升级失败,则向预警模块发送报警,通知运维人员进行干预,且判断金融系统的回退条件是否被触发;若回退条件被触发,则将金融系统退回至升级前的金融系统,若回退条件没有被触发,则不将金融系统退回至升级前的金融系统。
本实施例中,根据金融系统的当次升级是否成功,做出对应的操作,若金融系统的当次升级失败,则判断金融系统的回退条件是否被触发,若被触发,则将金融系统退回至升级前的金融系统,避免使用金融系统提供各类业务场景的服务。
在其中一个实施例中,判断金融系统的回退条件是否被触发,具体步骤如下:判断金融系统的当前阶段是否属于投产观察窗口;若当前阶段属于投产观察窗口,则判断金融系统报警次数是否大于报警阈值;若报警次数大于报警阈值,则确定金融系统的回退条件被触发。
投产观察窗口可以是金融系统刚升级后的一个时间段,一般为2到3天,这个时间段各种业务开始在升级后的金融系统上运行,容易暴露金融系统升级后的问题,出现各种异常指标概率较大。
报警阈值可以根据金融系统实际运行情况预先设置。
计算机设备可以判断金融系统的当前阶段是否属于投产观察窗口;若金融系统的当前阶段不属于投产观察窗口,则不触发金融系统的回退条件;若金融系统的当前阶段属于投产观察窗口,则判断金融系统报警次数是否大于报警阈值;若报警次数小于或等于报警阈值,则不触发金融系统的回退条件;若报警次数大于报警阈值,则金融系统的回退条件被触发。
本实施例中,先判断金融系统的当前阶段是否属于投产观察窗口,再判断金融系统的报警次数是否大于报警阈值,避免不必要的回退。
为了更好地理解上述方法,以下详细阐述一个本申请金融系统的升级监控方法的应用实施例,该应用实施例的流程步骤如图3所示。
步骤S301,将各类业务场景各自的评价指标集输入对应决策模型,得到各决策模型的预测结果;步骤S302,根据各决策模型的预测结果判断金融系统运行是否异常;若金融系统运行正常,则进入步骤S307,不将金融系统退回至升级前的金融系统;若金融系统运行异常,则进入步骤S303,向预警模块提交报警通知;步骤S304,判断金融系统的当前阶段是否属于投产观察窗口;若金融系统的当前阶段不属于投产观察窗口,则进入步骤S307,不将金融系统退回至升级前的金融系统;若金融系统的当前阶段属于投产观察窗口,则进入步骤S305,判断金融系统的回退条件是否被触发;若金融系统的回退条件没有被触发,则进入步骤S307,不将金融系统退回至升级前的金融系统;若金融系统的回退条件被触发,则进入步骤S306,将金融系统退回至升级前的金融系统。
本实施例中,将各类业务场景各自的评价指标集输入对应决策模型,得到各决策模型的预测结果,根据上述预测结果判断金融系统运行是否异常,若判断金融系统运行异常,则根据金融系统的当前阶段是否属于投产观察窗口和报警次数是否大于报警阈值,判断金融系统的回退条件是否被触发,从而确定是否将金融系统退回至升级前的金融系统。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的金融系统的升级监控方法的金融系统的升级监控装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个金融系统的升级监控装置实施例中的具体限定可以参见上文中对于金融系统的升级监控方法的限定,在此不再赘述。
在一个示例性的实施例中,如图4所示,提供了一种金融系统的升级监控装置,其中:
决策模型获取模块401,用于获取各类业务场景各自的决策模型;各类所述业务场景的决策模型是根据各类所述业务场景的指标样本集进行模型训练得到的;各类所述业务场景的指标样本集是根据金融系统在开始当次升级前针对各类所述业务场景的运行评价指标以及运行状态指标得到的;
评价指标获取模块402,用于获取所述金融系统在开始当次升级后针对各类所述业务场景的运行评价指标,得到各类所述业务场景各自的评价指标集;
预测结果获取模块403,用于将各类所述业务场景各自的评价指标集输入对应决策模型,得到各所述决策模型的预测结果;
升级成功判断模块404,用于根据各所述决策模型的预测结果,判断所述金融系统的当次升级是否成功。
在其中一个实施例中,决策模型获取模块401,还用于:根据各类业务场景的运行评价指标,得到各类业务场景的决策树行结构;针对任一类业务场景,将所述任一类业务场景的指标样本集里的运行评价指标值输入所述任一类业务场景的决策树行结构;获取所述任一类业务场景的决策树行结构的预测结果,将所述预测结果与所述任一类业务场景的指标样本集里的运行状态指标值进行比较,得到比较结果;若根据所述比较结果确定不满足训练停止条件,则调整所述任一类业务场景的决策树行结构;若根据所述比较结果确定满足训练停止条件,则得到所述任一类业务场景的决策模型。
在其中一个实施例中,决策模型获取模块401,还用于:获取所述决策树行结构不同次预测对应的各所述比较结果;若所述比较结果表征预测结果和运行状态指标值一致,则确定对应次预测准确;根据预测准确的次数以及预测总次数,得到所述决策树行结构的预测准确率;若所述预测准确率小于准确率阈值,则确定不满足训练停止条件。
在其中一个实施例中,决策模型获取模块401,还用于:获取各类业务场景在开始当次升级前的切流成功状态指标;将各类业务场景在开始当次升级前的切流成功状态指标,作为所述金融系统在开始当次升级前针对各类业务场景的运行状态指标。
在其中一个实施例中,升级成功判断模块404,还用于:若各所述决策模型的预测结果表征相应业务场景切流成功,则确定所述金融系统的当次升级成功;若至少其中一个所述决策模型的预测结果表征相应业务场景切流失败,则确定所述金融系统的当次升级失败。
在其中一个实施例中,所述装置还包括回退处理模块,用于:若确定所述金融系统的当次升级失败,则判断所述金融系统的回退条件是否被触发;若所述回退条件被触发,则将所述金融系统退回至当次升级前的金融系统。
在其中一个实施例中,回退处理模块,还用于:判断所述金融系统的当前阶段是否处于投产观察窗口;若所述当前阶段属于投产观察窗口,则判断所述金融系统的报警次数是否大于报警阈值;若所述报警次数大于报警阈值,则确定所述金融系统的回退条件被触发。
上述金融系统的升级监控装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个示例性的实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图5所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储金融系统的升级监控方法的数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种金融系统的升级监控方法。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了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上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要符合相关规定。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (11)
1.一种金融系统的升级监控方法,其特征在于,所述方法包括:
获取各类业务场景各自的决策模型;各类所述业务场景的决策模型是根据各类所述业务场景的指标样本集进行模型训练得到的;各类所述业务场景的指标样本集是根据金融系统在开始当次升级前针对各类所述业务场景的运行评价指标以及运行状态指标得到的;
获取所述金融系统在开始当次升级后针对各类所述业务场景的运行评价指标,得到各类所述业务场景各自的评价指标集;
将各类所述业务场景各自的评价指标集输入对应决策模型,得到各所述决策模型的预测结果;
根据各所述决策模型的预测结果,判断所述金融系统的当次升级是否成功。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据各类业务场景的运行评价指标,得到各类业务场景的决策树行结构;
针对任一类业务场景,将所述任一类业务场景的指标样本集里的运行评价指标值输入所述任一类业务场景的决策树行结构;
获取所述任一类业务场景的决策树行结构的预测结果,将所述预测结果与所述任一类业务场景的指标样本集里的运行状态指标值进行比较,得到比较结果;
若根据所述比较结果确定不满足训练停止条件,则调整所述任一类业务场景的决策树行结构;
若根据所述比较结果确定满足训练停止条件,则得到所述任一类业务场景的决策模型。
3.根据权利要求2所述的方法,其特征在于,所述根据所述比较结果确定不满足训练停止条件,包括:
获取所述决策树行结构不同次预测对应的各所述比较结果;
若所述比较结果表征预测结果和运行状态指标值一致,则确定对应次预测准确;
根据预测准确的次数以及预测总次数,得到所述决策树行结构的预测准确率;
若所述预测准确率小于准确率阈值,则确定不满足训练停止条件。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取各类业务场景在开始当次升级前的切流成功状态指标;
将各类业务场景在开始当次升级前的切流成功状态指标,作为所述金融系统在开始当次升级前针对各类业务场景的运行状态指标。
5.根据权利要求1所述的方法,其特征在于,所述根据各所述决策模型的预测结果,判断所述金融系统的当次升级是否成功,包括:
若各所述决策模型的预测结果表征相应业务场景切流成功,则确定所述金融系统的当次升级成功;
若至少其中一个所述决策模型的预测结果表征相应业务场景切流失败,则确定所述金融系统的当次升级失败。
6.根据权利要求1所述的方法,其特征在于,在根据各所述决策模型的预测结果,判断所述金融系统的当次升级是否成功之后,所述方法还包括:
若确定所述金融系统的当次升级失败,则判断所述金融系统的回退条件是否被触发;
若所述回退条件被触发,则将所述金融系统退回至当次升级前的金融系统。
7.根据权利要求6所述的方法,其特征在于,所述判断所述金融系统的回退条件是否被触发,包括:
判断所述金融系统的当前阶段是否处于投产观察窗口;
若所述当前阶段属于投产观察窗口,则判断所述金融系统的报警次数是否大于报警阈值;
若所述报警次数大于报警阈值,则确定所述金融系统的回退条件被触发。
8.一种金融系统的升级监控装置,其特征在于,所述装置包括:
决策模型获取模块,用于获取各类业务场景各自的决策模型;各类所述业务场景的决策模型是根据各类所述业务场景的指标样本集进行模型训练得到的;各类所述业务场景的指标样本集是根据金融系统在开始当次升级前针对各类所述业务场景的运行评价指标以及运行状态指标得到的;
评价指标获取模块,用于获取所述金融系统在开始当次升级后针对各类所述业务场景的运行评价指标,得到各类所述业务场景各自的评价指标集;
预测结果获取模块,用于将各类所述业务场景各自的评价指标集输入对应决策模型,得到各所述决策模型的预测结果;
升级成功判断模块,用于根据各所述决策模型的预测结果,判断所述金融系统的当次升级是否成功。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,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7中任一项所述的方法的步骤。
10.一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7中任一项所述的方法的步骤。
11.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311638696.6A CN117575802A (zh) | 2023-12-01 | 2023-12-01 | 金融系统的升级监控方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311638696.6A CN117575802A (zh) | 2023-12-01 | 2023-12-01 | 金融系统的升级监控方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117575802A true CN117575802A (zh) | 2024-02-20 |
Family
ID=89860646
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311638696.6A Pending CN117575802A (zh) | 2023-12-01 | 2023-12-01 | 金融系统的升级监控方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117575802A (zh) |
-
2023
- 2023-12-01 CN CN202311638696.6A patent/CN117575802A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111158977B (zh) | 一种异常事件根因定位方法及装置 | |
WO2021012783A1 (zh) | 基于大数据的保单核保模型训练方法和核保风险评估方法 | |
CN112800116B (zh) | 一种业务数据的异常检测方法及装置 | |
US8516499B2 (en) | Assistance in performing action responsive to detected event | |
CN107168995B (zh) | 一种数据处理方法及服务器 | |
CN110674014A (zh) | 一种确定异常查询请求的方法及装置 | |
CN112749221A (zh) | 数据任务调度方法、装置、存储介质及调度工具 | |
US11573882B2 (en) | Systems and methods for optimizing a machine learning-informed automated decisioning workflow in a machine learning task-oriented digital threat mitigation platform | |
CN113379301A (zh) | 通过决策树模型对用户进行分类的方法、装置和设备 | |
CN114782201A (zh) | 股票推荐方法、装置、计算机设备和存储介质 | |
CN114446019A (zh) | 告警信息处理方法、装置、设备、存储介质和产品 | |
CN117575802A (zh) | 金融系统的升级监控方法、装置、计算机设备和存储介质 | |
CN112732690B (zh) | 一种用于慢病检测及风险评估的稳定系统及方法 | |
CN112800089B (zh) | 一种中间数据存储级别调整方法、存储介质及计算机设备 | |
CN114881761A (zh) | 相似样本的确定方法与授信额度的确定方法 | |
CN115438244A (zh) | 一种数据库健康度评估方法及装置 | |
CN114495137A (zh) | 票据异常检测模型生成方法与票据异常检测方法 | |
CN113657536A (zh) | 基于人工智能的对象分类方法、装置 | |
CN114398235A (zh) | 基于融合学习和假设检验的内存回收趋势预警装置及方法 | |
CN111382874B (zh) | 实现线上机器学习模型的更新迭代的方法和装置 | |
CN114154548A (zh) | 销量数据序列分类方法、装置、计算机设备和存储介质 | |
CN112132260B (zh) | 神经网络模型的训练方法、调用方法、设备及存储介质 | |
US20230034061A1 (en) | Method for managing proper operation of base station and system applying the method | |
CN117520819A (zh) | 基于数据波形特征的算法推荐方法、装置、设备及介质 | |
CN115330536A (zh) | 业务风险事件的识别方法、装置、计算机设备和存储介质 |
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 |