CN110223167A - 生产交易协同监控方法以及生产交易关联监控方法 - Google Patents
生产交易协同监控方法以及生产交易关联监控方法 Download PDFInfo
- Publication number
- CN110223167A CN110223167A CN201910529985.XA CN201910529985A CN110223167A CN 110223167 A CN110223167 A CN 110223167A CN 201910529985 A CN201910529985 A CN 201910529985A CN 110223167 A CN110223167 A CN 110223167A
- Authority
- CN
- China
- Prior art keywords
- kpi
- transaction
- data
- monitoring
- index
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Physiology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Genetics & Genomics (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种生产交易协同监控方法以及生产交易关联监控方法,包括:对交易监控数据进行模型统计得到统计信息;根据该统计信息进行数据模拟得到交易模拟数据,该交易模拟数据包括多个KPI指标数据,每个KPI指标模拟数据,特征分类上包括模拟正常交易和模拟异常交易;采用遗传算法处理该交易模拟数据得到各KPI指标的最优监控阀值,有效提升商业银行的运维监控质量。另外,通过对该异常交易监控数据进行异常交易KPI组合特征分析得到关键KPI指标和KPI关联关系,然后根据该关键KPI指标、该KPI关联关系以及各KPI指标的最优监控阀值得到多KPI协同监控策略,能够提高交易监控报警精确性。
Description
技术领域
本发明涉及智能运维技术领域,尤其涉及一种生产交易协同监控方法以及生产交易关联监控方法。
背景技术
商业银行时时刻刻为客户提供各种金融服务,在数据中心后台使用重要时序数据指标(key performance index,KPI)来衡量这些交易现象,生产环境应用侧KPI指标包括:交易量、业务成功率、交易响应时间、***成功率等;***侧KPI指标包括:CPU使用率、内存使用率、存储性能、网络连接数等。生产交易监控异常检测的及时性和准确性是衡量商业银行***运行监控水平重要指标。
现有的交易监控策略,对KPI指标监控,常常采取阀值的方法,当前KPI值超过预设阀值,则异常发生。常见的阀值计算是通过概率模型的置信区间方法确定,当被监控的KPI数据在置信区间外,则判断异常。由于置信区间方法过于单一,不能代表最优的阀值,导致运维效果不佳。
发明内容
有鉴于此,本发明提供一种生产交易协同监控方法、生产交易关联监控方法以及相关装置、电子设备以及计算机可读存储介质,基于遗传算法流程确定每个KPI指标最优监控阀值,提升商业银行的运维监控质量。另外,通过采用异常交易KPI组合特征分析,能够提高交易监控报警精确性。
为了实现上述目的,本发明采用如下技术方案:
第一方面,提供一种生产交易协同监控方法,包括:
对交易监控数据进行模型统计得到统计信息;
根据该统计信息进行数据模拟得到交易模拟数据,该交易模拟数据包括多个KPI指标数据,每个KPI指标模拟数据,特征分类上包括模拟正常交易和模拟异常交易;
采用遗传算法处理该交易模拟数据得到各KPI指标的最优监控阀值。
进一步地,该对交易监控数据进行模型统计得到统计信息,包括:
将该交易监控数据输入预获取的概率分布模型得到该统计信息。
进一步地,该预获取的概率分布模型包括:正态分布模型、泊松分布模型或指数分布模型。
进一步地,该交易模拟数据包括:正常交易模拟数据和异常交易模拟数据,
该采用遗传算法处理该交易模拟数据得到各KPI指标的最优监控阀值,包括:
采用遗传算法处理该正常交易模拟数据得到该KPI指标的第一阀值;
采用遗传算法处理该异常交易模拟数据得到该KPI指标第二阀值;
根据该第一阀值和该第二阀值得到该KPI指标的最优监控阀值。
进一步地,该交易监控数据包括:正常交易监控数据和异常交易监控数据。
进一步地,还包括:
对该异常交易监控数据进行异常交易KPI组合特征分析得到关键KPI指标和KPI关联关系;
根据该关键KPI指标、该KPI关联关系以及各KPI指标的最优监控阀值得到多KPI关联协同策略。
进一步地,该对该异常交易监控数据进行异常交易KPI组合特征分析得到关键KPI指标和KPI关联关系,包括:
对该异常交易监控数据进行主成分分析得到该关键KPI指标;
对该异常交易监控数据进行相关性分析得到该KPI关联关系。
第二方面,提供一种生产交易关联监控方法,包括:
获取交易监控数据,该交易监控数据包括正常交易监控数据和异常交易监控数据;
对该异常交易监控数据进行异常交易KPI组合特征分析得到关键KPI指标和KPI关联关系;
根据该关键KPI指标、该KPI关联关系生成多KPI关联监控策略。
进一步地,该对该异常交易监控数据进行异常交易KPI组合特征分析得到关键KPI指标和KPI关联关系,包括:
对该异常交易监控数据进行主成分分析得到该关键KPI指标;
对该异常交易监控数据进行相关性分析得到该KPI关联关系。
第三方面,提供一种生产交易协同监控装置,包括:
模型统计模块,根据交易监控数据得到统计信息;
数据模拟模块,根据该统计信息模拟交易数据,该交易数据包括多个KPI指标数据,每个KPI指标模拟数据,特征分类上包括模拟正常交易和模拟异常交易。
参数计算模块,采用遗传算法处理该交易数据得到各KPI指标的最优监控阀值。
进一步地,该模型统计模块包括:
统计单元,将该交易监控数据输入预获取的概率分布模型得到该统计信息。
进一步地,该预获取的概率分布模型包括:正态分布模型、泊松分布模型或指数分布模型。
进一步地,该交易模拟数据包括:正常交易模拟数据和异常交易模拟数据,
该参数计算模块包括:
第一计算单元,采用遗传算法处理该正常交易模拟数据得到该KPI指标的第一阀值;
第二计算单元,遗传算法处理该异常交易模拟数据得到该KPI指标第二阀值;
阀值选取单元,根据该第一阀值和该第二阀值得到该KPI指标的最优监控阀值。
进一步地,该交易监控数据包括:正常交易监控数据和异常交易监控数据。
进一步地,还包括:
特征分析模块,对该异常交易监控数据进行异常交易KPI组合特征分析得到关键KPI指标和KPI关联关系;
协同监控模块,根据该关键KPI指标、该KPI关联关系以及各KPI指标的最优监控阀值得到多KPI协同监控策略。
进一步地,该特征分析模块包括:
主成分分析单元,对该异常交易监控数据进行主成分分析得到该关键KPI指标;
相关性分析单元,对该异常交易监控数据进行相关性分析得到该KPI关联关系。
第四方面,提供一种生产交易关联监控装置,包括:
交易监控数据获取模块,获取交易监控数据,该交易监控数据包括正常交易监控数据和异常交易监控数据;
关联分析模块,对该异常交易监控数据进行异常交易KPI组合特征分析得到关键KPI指标和KPI关联关系;
监控策略生成模块,根据该关键KPI指标、该KPI关联关系生成多KPI关联监控策略。
进一步地,该关联分析模块包括:
关键KPI指标获取单元,对该异常交易监控数据进行主成分分析得到该关键KPI指标;
KPI关联关系获取单元,对该异常交易监控数据进行相关性分析得到该KPI关联关系。
第五方面,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,该处理器执行该程序时实现上述的生产交易协同监控方法的步骤,或者,上述的生产交易关联监控方法的步骤。
第六方面,提供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的生产交易协同监控方法的步骤,或者,上述的生产交易关联监控方法的步骤。
本发明提供的生产交易协同监控方法、生产交易关联监控方法以及相关装置、电子设备以及计算机可读存储介质,该生产交易协同监控方法包括:对交易监控数据进行模型统计得到统计信息;根据该统计信息进行数据模拟得到交易模拟数据,该交易模拟数据包括多个KPI指标数据;采用遗传算法处理该交易模拟数据得到各KPI指标的最优监控阀值。其中,通过采用遗传算法流程确定每个KPI指标最优监控阀值,能够有效提升商业银行的运维监控质量。
另外,通过对该异常交易监控数据进行异常交易KPI组合特征分析得到关键KPI指标和KPI关联关系,然后根据该关键KPI指标、该KPI关联关系以及各KPI指标的最优监控阀值得到多KPI协同监控策略,能够提高交易监控报警精确性。
为让本发明的上述和其他目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附图式,作详细说明如下。
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。在附图中:
图1为本发明实施例中的服务器S1与客户端设备B1之间的架构示意图;
图2为本发明实施例中的服务器S1、客户端设备B1及数据库服务器S2之间的架构示意图;
图3a是本发明实施例中的生产交易协同监控方法的流程示意图一;
图3b示出了本发明实施例中交易监控KPI结构图;
图3c示出了本发明实施例中KPI数据时序图;
图3d示出了本发明实施例中阀值示意图;
图4示出了图3a中步骤S300的具体步骤;
图5是本发明实施例中的生产交易协同监控方法的流程示意图二;
图6示出了图5中步骤S400的具体步骤;
图7是本发明实施例中的生产交易关联监控方法的流程示意图;
图8是本发明实施例中的生产交易协同监控装置的结构框图一;
图9示出了图8中参数计算模块30的具体结构;
图10是本发明实施例中的生产交易协同监控装置的结构框图二;
图11示出了图10中特征分析模块40的具体结构;
图12是本发明实施例中的生产交易关联监控装置的结构框图;
图13示出了图12中关联分析模块2的具体结构;
图14为本发明实施例电子设备的结构图。
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。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,都应当属于本申请保护的范围。
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、***、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。
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“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、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。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
现有的交易监控策略,对KPI指标监控,常常采取阀值的方法,当前KPI值超过预设阀值,则异常发生。常见的阀值计算是通过概率模型的置信区间方法确定,当被监控的KPI数据在置信区间外,则判断异常。由于置信区间方法过于单一,不能代表最优的阀值,导致运维效果不佳。
为解决上述技术问题,本发明实施例提供一种生产交易协同监控方法,通过采用遗传算法流程确定每个KPI指标最优监控阀值,能够有效提升商业银行的运维监控质量。
有鉴于此,本申请提供了一种生产交易协同监控装置,该装置可以为一种服务器S1,参见图1,该服务器S1可以与至少一个客户端设备B1通信连接,所述客户端设备B1可以将交易监控数据发送至所述服务器S1,所述服务器S1可以在线接收所述交易监控数据。所述服务器S1可以在线或者离线对获取的交易监控数据进行预处理,然后对交易监控数据进行模型统计得到统计信息;根据所述统计信息进行数据模拟得到交易模拟数据,所述交易模拟数据包括多个KPI指标数据,每个KPI指标模拟数据,特征分类上包括模拟正常交易和模拟异常交易。采用遗传算法处理所述交易模拟数据得到各KPI指标的最优监控阀值。
另外,参见图2,所述服务器S1还可以与至少一个数据库服务器S2通信连接,所述数据库服务器S2用于存储历史交易监控数据。所述数据库服务器S2在线将所述历史交易监控数据发送至所述服务器S1,所述服务器S1可以在线接收所述历史交易监控数据。
在实际应用中,进行生产交易协同监控的部分可以在如上述内容所述的服务器S1侧执行,即,如图1所示的架构,也可以所有的操作都在所述客户端设备B1中完成,且该所述客户端设备B1可以直接与数据库服务器S2进行通信连接。具体可以根据所述客户端设备B1的处理能力,以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备B1中完成,所述客户端设备B1还可以包括处理器,用于进行生产交易协同监控的具体处理。
所述服务器与所述客户端设备之间可以使用任何合适的网络协议进行通信,包括在本申请提交日尚未开发出的网络协议。所述网络协议例如可以包括TCP/IP协议、UDP/IP协议、HTTP协议、HTTPS协议等。当然,所述网络协议例如还可以包括在上述协议之上使用的RPC协议(Remote Procedure Call Protocol,远程过程调用协议)、REST协议(Representational State Transfer,表述性状态转移协议)等。
图3a是本发明实施例中的生产交易协同监控方法的流程示意图一。如图3a所示,该生产交易协同监控方法可以包括以下内容:
步骤S100:对交易监控数据进行模型统计得到统计信息。
具体地,将所述交易监控数据输入预获取的概率分布模型得到所述统计信息。
其中,预获取的概率分布模型包括:正态分布模型、泊松分布模型、指数分布模型、贝叶斯模型等,在实际应用中根据应用需求选取对应的概率分布模型进行数理统计和参数估计,输出期望、方差等统计信息。
在一个可选的实施例中,可采用SPSS、SAS、Stata、SPLM、Epi-Info、Statistica等统计模型软件调用对应的统计模型进行应用。
值得说明的是,该交易监控数据包括正常交易监控数据和异常交易监控数据,分别对正常交易监控数据和异常交易监控数据进行模型统计得到正常交易统计信息和异常交易统计信息,用于进行数据模拟时使用。
不同的数据状态归类分析数据特征。
步骤S200:根据所述统计信息进行数据模拟得到交易模拟数据,所述交易模拟数据包括多个KPI指标数据,所述交易模拟数据包括多个KPI指标数据,每个KPI指标模拟数据,特征分类上包括模拟正常交易和模拟异常交易。
值得说明的是,由于交易监控数据的数量受限,不利于选择最优阀值,因此,先利用统计模型得到交易监控数据中的数据规律,然后根据数据规律模拟生成足够数量的交易模拟数据,作为选择最优阀值的数据基础。
其中,可以使用模拟器根据上述的统计信息进行数据模拟得到交易模拟数据,该交易模拟数据可以包括正常交易模拟数据以及异常交易模拟数据,具体根据正常交易监控数据的统计信息和置信度参数模拟正常交易模拟数据和异常交易模拟数据。
比如使用模拟器模拟连续多日(如100天)不存在异常发生情况下的正常交易数据。使用模拟器模拟连续多日(如100天)存在随机异常发生情况下的交易数据。在模拟异常交易数据时,故障总数是事先设定的,在时间的分布上存在随机性。计算过程的每个待选阀值都会计算相应异常判定数,与事先设定好的异常数进行对比,得出差异度,作为待选阀值优劣的评判依据。
另外,交易监控的监控对象是交易在数据中心后台的时序数据,它体现了交易现象的规律特征。如图3b所示,某交易监控包括的KPI指标有:交易量、业务成功率、技术成功率、响应时间等。
图3c示出了本发明实施例中KPI数据时序图;如图3c所示,交易监控具体某个维度的KPI指标,统计周期稳定(如每分钟),按照时间增长次序采集。
步骤S300:采用遗传算法处理所述交易模拟数据得到各KPI指标的最优监控阀值。
遗传算法是借鉴生物界的进化规律(适者生存,优胜劣汰遗传机制)演化而来的随机化搜索方法,其主要特点是直接对结构对象进行操作,不存在求导和函数连续性的限定,具有内在的隐并行性和更好的全局寻优能力,采用概率化的寻优方法,能自动获取和指导优化的搜索空间,自适应地调整搜索方向,不需要确定的规则。
其中,通过构造特殊的适应函数,借助遗传算法计算出每个KPI最优的监控阀值。
图3d示出了本发明实施例中阀值示意图;如图3d所示,阀值有上阀值和下阀值之分,在上阀值以下、下阀值以上的KPI数值是正常;在超过上阀值或者低于下阀值的KPI数值是异常。
通过上述技术方案可以得知,本发明实施例提供的生产交易协同监控方法,通过采用遗传算法流程确定每个KPI指标最优监控阀值,能够有效提升商业银行的运维监控质量。
图4示出了图3a中步骤S300的具体步骤。如图4所示,该步骤S300可以包括以下内容:
步骤S310:采用遗传算法处理所述正常交易模拟数据得到一KPI指标的第一阀值。
其中,上述处理过程也可以称为减少误报选择过程或去伪进化过程,目的在于使基于该第一阀值进行监控过程中误报率最低。
具体地,在减少误报过程中,使用的基础数据为正常交易数据,不存在故障交易数据。报警总数少的个体,适应度越高。比如,假设个体i(i=1,2,..n)对应阀值为xi计算得出的报警的数量为xi则适应函数为:
其中
在子代的选择中,使用轮盘选择方法,对个体进行选择。经过多代遗传进化选择后,最终收敛到阀值θ1。
步骤S320:采用遗传算法处理所述异常交易模拟数据得到所述KPI指标第二阀值。
其中,上述处理过程也可以称为保留实警选择过程或存真进化过程,目的在于使基于该第二阀值进行监控过程中能够有效捕捉真实异常场景。
在保留实警选择过程,使用模拟异常交易数据,数据中有模拟的连续随机异常数据。适应性强个体代表的监控阀值通过模拟计算得出的异常数量非常接近。当超过预设异常总数的一定比例r(t)时,该个体阀值模拟出的异常点过多,将该个体列入残疾个体,设置个体最低适应值。这里的r(t),随着进化代数推进,呈现递减趋势。比如,在第t进化代,个体i(i=1,2,..n)对应阀值为xi,经过模拟报警的数量为xi则适应函数为:
在子代的选择中,使用轮盘选择方法,对个体进行选择。经过多代遗传进化选择后,最终收敛到阀值θ2。
步骤S330:根据所述第一阀值和所述第二阀值得到所述KPI指标的最优监控阀值。
即根据该第一阀值和所述第二阀值进行监控阀值综合取优。
具体地,对两个进化过程获取的参数进行综合选择,选择的方法根据不同需求而定。如要求监控***更倾向对异常敏感,选择的上阀值参数是两个选择过程返回结果的最小值。
其中,每个参与选择的个体代表不同的待选阀值。通过两个适应性函数,评估每个待选阀值个体的适应值,实施多轮进化选择,最终计算出最优阀值。
在一个可选的实施例中,该步骤S310具体包括以下内容:
(1)初始化种群。种群代表的待选阀值分布在一个区域内,个数为50-100之间,区域参数和个数可以通过配置模块灵活配置。
(2)杂交处理。使用遗传算法的杂交方法,对种群中个体两两配对,实施交叉互换。
(3)变异处理。使用遗传算法的变异方法,对种群中每个个体按照一定概率概率实施随机变异。
(4)适应值计算。使用适应函数对个体计算适应值。
(5)优胜劣态选择。根据轮盘算法和个体的适应值分布,选择子代中高适应值个体,淘汰低适应值个体。
(6)结束判断。判断进化过程是否满足结束条件。当种群中最高适应值个体的密度达到一定条件,或者达到最大的进化代数时,结束进化迭代。
在一个可选的实施例中,该步骤S320具体包括以下内容:
(1)初始化种群。种群代表的待选阀值分布在一个区域内,个数为50-100之间,区域参数和个数可以通过配置模块灵活配置。
(2)杂交处理。使用遗传算法的杂交方法,对种群中个体两两配对,实施交叉互换。
(3)变异处理。使用遗传算法的变异方法,对种群中每个个体按照一定概率概率实施随机变异。
(4)控制器调整系数。控制器函数r(t)是进化代数的函数,是随着t逐步变小的递减控制函数,如,r(t)=4e(-t/2.5)+1。通过控制器的调控,早期可以保留较多的个体阀值,实现增强种群的丰富性效果;后期起到限制生存个体阀值的报警最大上限,达到剔除到残疾个体、筛选最优个体的效果。通过代数的控制器调控,可以防止种群过早收敛到局部最优值,避免因群体早期淘汰率过高,导致进化速度效率低下不利后果。
(5)适应值计算。使用适应函数对个体计算适应值。
(6)优胜劣态选择。根据轮盘算法和个体的适应值分布,选择子代中高适应值个体,淘汰低适应值个体。
(7)结束判断。判断进化过程是否满足结束条件。当种群中最高适应值个体的密度达到一定条件,或者达到最大的进化代数时,结束进化迭代。
在一个可选的实施例中,上述遗传算法可以通过调用Matlab或Python中的遗传算法来实现,只需要预先设置遗传算法的参数,比如迭代次数等,并将数据输入Matlab或Python中,通过内置的遗传算法即可实现上述运算过程。
图5是本发明实施例中的生产交易协同监控方法的流程示意图二。如图5所示,该生产交易协同监控方法在包含图3a所示生产交易协同监控方法的基础上,还可以包括以下内容:
步骤S400:对所述异常交易监控数据进行异常交易KPI组合特征分析得到关键KPI指标和KPI关联关系。
其中,上述处理过程可以通过调用Matlab或Python中的相应算法来实现。
具体地,依据异常交易监控数据分析各个KPI维度之间的主成分特征和相关性特征,为关键监控维度的组合选择提供参考依据。
值得说明的是,该步骤S400可以在步骤S300之后,也可以在步骤S300之前,也可以与步骤S300并行执行。
步骤S500:根据所述关键KPI指标、所述KPI关联关系以及各KPI指标的最优监控阀值得到多KPI协同监控策略。
一个交易监控对象的KPI指标可能出现多个,从不同维度体现监控交易对象,以面向业务交易监控为例,KPI指标包括:业务量指标、业务成功率、技术成功率、响应时间等,申请人发现,针对某一特定交易来说,部分KPI指标之间存在关联,本发明实施例通过分析各个KPI维度之间的主成分特征和相关性特征,为关键监控维度的组合选择提供参考依据,有效兼顾了正常情况下减少误报、异常发生时及时报警,能够提高交易监控报警精确性,进而提高商业银行的运维监控质量。
图6示出了图5中步骤S400的具体步骤。参见图6,该步骤S400可以包括以下技术内容:
步骤S410:对所述异常交易监控数据进行主成分分析得到所述关键KPI指标。
主成分分析是分析在交易异常数据样本中显著的KPI指标集。显著指标集作为监控的重点关注对象。
步骤S420:对所述异常交易监控数据进行相关性分析得到所述KPI关联关系。
相关性分析是分析交易异常数据样本中,不同KPI指标之间的线性相关性。根据相关性分析结论,形成多个KPI协同监控的策略,达到强化收敛于异常特征的效果。
在一个可选的实施例中,该生产交易协同监控方法还可以数据预处理步骤,具体地,根据预先配置的工作日历表、检测心跳周期、当前工作日日期等参数,对交易监控数据进行预处理,以利用后续处理。
在一个可选的实施例中,该生产交易协同监控方法还可以包括参数配置步骤,具体地:根据实际应用需求配置和管理算法处理过程的参数,比如遗传算法的迭代次数和置信度以及上述的工作日历表、检测心跳周期、当前工作日日期等。
综上所述,本发明实施例提供的生产交易协同监控方法,可进行最优KPI策略选择和计算出最优阀值,被试用于综合前置、电话银行、快捷支付等应用场景。经过运维验证,本发明方法可消除原监控***的大量误报现象,异常场景发生情况下的报警准确率也得到极大的提高。
基于上述内容,本申请提供一种利用本发明实施例生产交易协同监控方法进行生产交易协同监控的场景,具体内容如下:
选择交易量变动KPI、业务成功率KPI、交易耗时KPI、***成功率KPI这四个KPI来监控交易现象。根据采样数据,得出四个KPI指标的相关性矩阵系数如下:
主成分分析结论如下:
交易量变动KPI的成分占比:15.7%;
业务成功率KPI的成分占比:37.0%;
交易耗时KPI的成分占比:36.5%;
***成功率KPI的成分占比:10.8%;
根据主成分分析和相关性分析结论,业务成功率KPI和交易耗时KPI的主成分占比最高,选择作为关键指标。同时发现“业务成功率”和“***成功率”的相关性系数0.9540,存在较强的相关性,这两个KPI进行组合匹配。
该交易监控的KPI策略组合和阀值如下:
组合策略1介绍
KPI名称 | 最优阀值 | 备注说明 |
业务成功率KPI | 0.7 | 业务成功率低于70% |
***成功率KPI | 0.95 | ***成功率低于95% |
组合策略2介绍
对应的报警触发条件:
触发条件1:当业务成功率KPI低于70%且***成功率KPI低于95%。或,触发条件2:当交易耗时KPI超过历史均值6.5倍。
其程序代码示例如下:
结论:
成分分析贡献度分析:
交易量0.157350464
业务成功率0.369488224
相应时间0.365436311
***成功率0.107725002。
本发明实施例还提供一种生产交易关联监控方法,如图7所示,该生产交易关联监控方法可以包括以下技术内容:
步骤S1000:获取交易监控数据,所述交易监控数据包括正常交易监控数据和异常交易监控数据;
步骤S2000:对所述异常交易监控数据进行异常交易KPI组合特征分析得到关键KPI指标和KPI关联关系。
某交易监控包括的KPI指标有:交易量、业务成功率、技术成功率、响应时间等。
其中,上述处理过程可以通过调用Matlab或Python中的相应算法来实现。
具体地,依据异常交易监控数据分析各个KPI维度之间的主成分特征和相关性特征,为关键监控维度的组合选择提供参考依据。
值得说明的是,对所述异常交易监控数据进行主成分分析得到所述关键KPI指标;主成分分析是分析在交易异常数据样本中显著的KPI指标集。显著指标集作为监控的重点关注对象。
对所述异常交易监控数据进行相关性分析得到所述KPI关联关系。相关性分析是分析交易异常数据样本中,不同KPI指标之间的线性相关性。根据相关性分析结论,形成多个KPI协同监控的策略,达到强化收敛于异常特征的效果。
步骤S3000:根据所述关键KPI指标、所述KPI关联关系生成多KPI关联监控策略。
一个交易监控对象的KPI指标可能出现多个,从不同维度体现监控交易对象,以面向业务交易监控为例,KPI指标包括:业务量指标、业务成功率、技术成功率、响应时间等,申请人发现,针对某一特定交易来说,部分KPI指标之间存在关联,本发明实施例通过分析各个KPI维度之间的主成分特征和相关性特征,为关键监控维度的组合选择提供参考依据,有效兼顾了正常情况下减少误报、异常发生时及时报警,能够提高交易监控报警精确性,进而提高商业银行的运维监控质量。
在一个可选的实施例中,该生产交易关联监控方法还可以数据预处理步骤,具体地,根据预先配置的工作日历表、检测心跳周期、当前工作日日期等参数,对交易监控数据进行预处理,以利用后续处理。
在一个可选的实施例中,该生产交易关联监控方法还可以包括参数配置步骤,具体地:根据实际应用需求配置和管理算法处理过程的参数,比如上述的工作日历表、检测心跳周期、当前工作日日期等。
基于同一发明构思,本申请实施例还提供了一种生产交易协同监控装置,可以用于实现上述实施例所描述的方法,如下面的实施例所述。由于生产交易协同监控装置解决问题的原理与上述方法相似,因此生产交易协同监控装置的实施可以参见上述方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图8是本发明实施例中的生产交易协同监控装置的结构框图一。如图8所示,该生产交易协同监控装置包括:模型统计模块10、数据模拟模块20以及参数计算模块30。
模型统计模块10根据交易监控数据得到统计信息。
数据模拟模块20根据所述统计信息模拟交易数据,所述交易数据包括多个KPI指标数据,所述交易模拟数据包括多个KPI指标数据,每个KPI指标模拟数据,特征分类上包括模拟正常交易和模拟异常交易。
值得说明的是,由于交易监控数据的数量受限,不利于选择最优阀值,因此,先利用统计模型得到交易监控数据中的数据规律,然后根据数据规律模拟生成足够数量的交易模拟数据,作为选择最优阀值的数据基础。
其中,可以使用模拟器根据上述的统计信息进行数据模拟得到交易模拟数据,该交易模拟数据可以包括正常交易模拟数据以及异常交易模拟数据,具体根据正常交易监控数据的统计信息和置信度参数模拟正常交易模拟数据和异常交易模拟数据。
比如使用模拟器模拟连续多日(如100天)不存在异常发生情况下的正常交易数据。使用模拟器模拟连续多日(如100天)存在随机异常发生情况下的交易数据。在模拟异常交易数据时,故障总数是事先设定的,在时间的分布上存在随机性。计算过程的每个待选阀值都会计算相应异常判定数,与事先设定好的异常数进行对比,得出差异度,作为待选阀值优劣的评判依据。
参数计算模块30采用遗传算法处理所述交易数据得到各KPI指标的最优监控阀值。
遗传算法是借鉴生物界的进化规律(适者生存,优胜劣汰遗传机制)演化而来的随机化搜索方法,其主要特点是直接对结构对象进行操作,不存在求导和函数连续性的限定,具有内在的隐并行性和更好的全局寻优能力,采用概率化的寻优方法,能自动获取和指导优化的搜索空间,自适应地调整搜索方向,不需要确定的规则。
其中,通过构造特殊的适应函数,借助遗传算法计算出每个KPI最优的监控阀值。
通过上述技术方案可以得知,本发明实施例提供的生产交易协同监控装置,通过采用遗传算法流程确定每个KPI指标最优监控阀值,能够有效提升商业银行的运维监控质量。
在一个可选的实施例中,该模型统计模块10包括:统计单元,将所述交易监控数据输入预获取的概率分布模型得到所述统计信息。
其中,预获取的概率分布模型包括:正态分布模型、泊松分布模型、指数分布模型、贝叶斯模型等,在实际应用中根据应用需求选取对应的概率分布模型进行数理统计和参数估计,输出期望、方差等统计信息。
在一个可选的实施例中,可采用SPSS、SAS、Stata、SPLM、Epi-Info、Statistica等统计模型软件调用对应的统计模型进行应用。
值得说明的是,该交易监控数据包括正常交易监控数据和异常交易监控数据,分别对正常交易监控数据和异常交易监控数据进行模型统计得到正常交易统计信息和异常交易统计信息,用于进行数据模拟时使用。
不同的数据状态归类分析数据特征。
在一个可选的实施例中,该参数计算模块30包括:第一计算单元31、第二计算单元32以及阀值选取单元33,参见图9。
第一计算单元31采用遗传算法处理所述正常交易模拟数据得到一KPI指标的第一阀值。
其中,上述处理过程也可以称为减少误报选择过程或去伪进化过程,目的在于使基于该第一阀值进行监控过程中误报率最低。
具体地,在减少误报过程中,使用的基础数据为正常交易数据,不存在故障交易数据。报警总数少的个体,适应度越高。比如,假设个体i(i=1,2,..n)对应阀值为xi计算得出的报警的数量为xi则适应函数为:
其中
在子代的选择中,使用轮盘选择方法,对个体进行选择。经过多代遗传进化选择后,最终收敛到阀值θ1。
第二计算单元32遗传算法处理所述异常交易模拟数据得到所述KPI指标第二阀值。
其中,上述处理过程也可以称为保留实警选择过程或存真进化过程,目的在于使基于该第二阀值进行监控过程中能够有效捕捉真实异常场景。
在保留实警选择过程,使用模拟异常交易数据,数据中有模拟的连续随机异常数据。适应性强个体代表的监控阀值通过模拟计算得出的异常数量非常接近。当超过预设异常总数的一定比例r(t)时,该个体阀值模拟出的异常点过多,将该个体列入残疾个体,设置个体最低适应值。这里的r(t),随着进化代数推进,呈现递减趋势。比如,在第t进化代,个体i(i=1,2,..n)对应阀值为xi,经过模拟报警的数量为xi则适应函数为:
在子代的选择中,使用轮盘选择方法,对个体进行选择。经过多代遗传进化选择后,最终收敛到阀值θ2。
阀值选取单元33根据所述第一阀值和所述第二阀值得到所述KPI指标的最优监控阀值。
即根据该第一阀值和所述第二阀值进行监控阀值综合取优。
具体地,对两个进化过程获取的参数进行综合选择,选择的方法根据不同需求而定。如要求监控***更倾向对异常敏感,选择的上阀值参数是两个选择过程返回结果的最小值。
其中,每个参与选择的个体代表不同的待选阀值。通过两个适应性函数,评估每个待选阀值个体的适应值,实施多轮进化选择,最终计算出最优阀值。
另外,遗传算法的实现过程参见上文描述,在此不再赘述。
在一个可选的实施例中,上述遗传算法可以通过调用Matlab或Python中的遗传算法来实现,只需要预先设置遗传算法的参数,比如迭代次数等,并将数据输入Matlab或Python中,通过内置的遗传算法即可实现上述运算过程。
图10是本发明实施例中的生产交易协同监控装置的结构框图二;如图10所示,该生产交易协同监控装置在包含图8所示生产交易协同监控装置的基础上,还可以包括:特征分析模块40以及协同监控模块50。
特征分析模块40对所述异常交易监控数据进行异常交易KPI组合特征分析得到关键KPI指标和KPI关联关系。
其中,上述处理过程可以通过调用Matlab或Python中的相应算法来实现。
具体地,依据异常交易监控数据分析各个KPI维度之间的主成分特征和相关性特征,为关键监控维度的组合选择提供参考依据。
协同监控模块50根据所述关键KPI指标、所述KPI关联关系以及各KPI指标的最优监控阀值得到多KPI协同监控策略。
一个交易监控对象的KPI指标可能出现多个,从不同维度体现监控交易对象,以面向业务交易监控为例,KPI指标包括:业务量指标、业务成功率、技术成功率、响应时间等,申请人发现,针对某一特定交易来说,部分KPI指标之间存在关联,本发明实施例通过分析各个KPI维度之间的主成分特征和相关性特征,为关键监控维度的组合选择提供参考依据,有效兼顾了正常情况下减少误报、异常发生时及时报警,能够提高交易监控报警精确性,进而提高商业银行的运维监控质量。
图11示出了图10中特征分析模块40的具体结构。如图11所示,该特征分析模块40可以包括:主成分分析单元41以及相关性分析单元42。
主成分分析单元41对所述异常交易监控数据进行主成分分析得到所述关键KPI指标。
主成分分析是分析在交易异常数据样本中显著的KPI指标集。显著指标集作为监控的重点关注对象。
相关性分析单元42对所述异常交易监控数据进行相关性分析得到所述KPI关联关系。
相关性分析是分析交易异常数据样本中,不同KPI指标之间的线性相关性。根据相关性分析结论,形成多个KPI协同监控的策略,达到强化收敛于异常特征的效果。
在一个可选的实施例中,该生产交易协同监控装置还可以包括数据预处理模块,根据预先配置的工作日历表、检测心跳周期、当前工作日日期等参数,对交易监控数据进行预处理,以利用后续处理。
在一个可选的实施例中,该生产交易协同监控装置还可以包括参数配置模块,具体地:根据实际应用需求配置和管理算法处理过程的参数,比如遗传算法的迭代次数和置信度以及上述的工作日历表、检测心跳周期、当前工作日日期等。
基于同一发明构思,本申请实施例还提供了一种生产交易关联监控装置,可以用于实现上述实施例所描述的方法,如下面的实施例所述。由于生产交易关联监控装置解决问题的原理与上述方法相似,因此生产交易关联监控装置的实施可以参见上述方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图12是本发明实施例中的生产交易关联监控装置的结构框图。如图12所示,该生产交易关联监控装置包括:交易监控数据获取模块1、关联分析模块2以及监控策略生成模块3。
交易监控数据获取模块1获取交易监控数据,所述交易监控数据包括正常交易监控数据和异常交易监控数据;
关联分析模块2对所述异常交易监控数据进行异常交易KPI组合特征分析得到关键KPI指标和KPI关联关系;
某交易监控包括的KPI指标有:交易量、业务成功率、技术成功率、响应时间等。
其中,上述处理过程可以通过调用Matlab或Python中的相应算法来实现。
具体地,依据异常交易监控数据分析各个KPI维度之间的主成分特征和相关性特征,为关键监控维度的组合选择提供参考依据。
监控策略生成模块3根据所述关键KPI指标、所述KPI关联关系生成多KPI关联监控策略。
一个交易监控对象的KPI指标可能出现多个,从不同维度体现监控交易对象,以面向业务交易监控为例,KPI指标包括:业务量指标、业务成功率、技术成功率、响应时间等,申请人发现,针对某一特定交易来说,部分KPI指标之间存在关联,本发明实施例通过分析各个KPI维度之间的主成分特征和相关性特征,为关键监控维度的组合选择提供参考依据,有效兼顾了正常情况下减少误报、异常发生时及时报警,能够提高交易监控报警精确性,进而提高商业银行的运维监控质量。
图13示出了图12中关联分析模块2的具体结构。如图13所示,该关联分析模块2可以包括:关键KPI指标获取单元2a以及KPI关联关系获取单元2b。
关键KPI指标获取单元2a对所述异常交易监控数据进行主成分分析得到所述关键KPI指标。
主成分分析是分析在交易异常数据样本中显著的KPI指标集。显著指标集作为监控的重点关注对象。
KPI关联关系获取单元2b对所述异常交易监控数据进行相关性分析得到所述KPI关联关系。
相关性分析是分析交易异常数据样本中,不同KPI指标之间的线性相关性。根据相关性分析结论,形成多个KPI协同监控的策略,达到强化收敛于异常特征的效果。
在一个可选的实施例中,该生产交易关联监控装置还可以数据预处理模块,具体地,根据预先配置的工作日历表、检测心跳周期、当前工作日日期等参数,对交易监控数据进行预处理,以利用后续处理。
在一个可选的实施例中,该生产交易关联监控装置还可以包括参数配置模块,具体地:根据实际应用需求配置和管理算法处理过程的参数,比如上述的工作日历表、检测心跳周期、当前工作日日期等。
上述实施例阐明的装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为电子设备,具体的,电子设备例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
在一个典型的实例中电子设备具体包括存储器、处理器以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上述生产交易协同监控方法或生产交易关联监控方法的步骤。
下面参考图14,其示出了适于用来实现本申请实施例的电子设备600的结构示意图。
如图14所示,电子设备600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM))603中的程序而执行各种适当的工作和处理。在RAM603中,还存储有***600操作所需的各种程序和数据。CPU601、ROM602、以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡,调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口606。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装如存储部分608。
特别地,根据本发明的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明的实施例包括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生产交易协同监控方法或生产交易关联监控方法的步骤。
在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中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。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (20)
1.一种生产交易协同监控方法,其特征在于,包括:
对交易监控数据进行模型统计得到统计信息;
根据所述统计信息进行数据模拟得到交易模拟数据,所述交易模拟数据包括多个KPI指标数据,每个KPI指标模拟数据,特征分类上包括模拟正常交易和模拟异常交易;
采用遗传算法处理所述交易模拟数据得到各KPI指标的最优监控阀值。
2.根据权利要求1所述的生产交易协同监控方法,其特征在于,所述对交易监控数据进行模型统计得到统计信息,包括:
将所述交易监控数据输入预获取的概率分布模型得到所述统计信息。
3.根据权利要求2所述的生产交易协同监控方法,其特征在于,所述预获取的概率分布模型包括:正态分布模型、泊松分布模型或指数分布模型。
4.根据权利要求1所述的生产交易协同监控方法,其特征在于,所述交易模拟数据包括:正常交易模拟数据和异常交易模拟数据,
所述采用遗传算法处理所述交易模拟数据得到各KPI指标的最优监控阀值,包括:
采用遗传算法处理所述正常交易模拟数据得到所述KPI指标的第一阀值;
采用遗传算法处理所述异常交易模拟数据得到所述KPI指标第二阀值;
根据所述第一阀值和所述第二阀值得到所述KPI指标的最优监控阀值。
5.根据权利要求1所述的生产交易协同监控方法,其特征在于,所述交易监控数据包括:正常交易监控数据和异常交易监控数据。
6.根据权利要求5所述的生产交易协同监控方法,其特征在于,还包括:
对所述异常交易监控数据进行异常交易KPI组合特征分析得到关键KPI指标和KPI关联关系;
根据所述关键KPI指标、所述KPI关联关系以及各KPI指标的最优监控阀值得到多KPI协同监控策略。
7.根据权利要求6所述的生产交易协同监控方法,其特征在于,所述对所述异常交易监控数据进行异常交易KPI组合特征分析得到关键KPI指标和KPI关联关系,包括:
对所述异常交易监控数据进行主成分分析得到所述关键KPI指标;
对所述异常交易监控数据进行相关性分析得到所述KPI关联关系。
8.一种生产交易关联监控方法,其特征在于,包括:
获取交易监控数据,所述交易监控数据包括正常交易监控数据和异常交易监控数据;
对所述异常交易监控数据进行异常交易KPI组合特征分析得到关键KPI指标和KPI关联关系;
根据所述关键KPI指标、所述KPI关联关系生成多KPI关联监控策略。
9.根据权利要求8所述的生产交易关联监控方法,其特征在于,所述对所述异常交易监控数据进行异常交易KPI组合特征分析得到关键KPI指标和KPI关联关系,包括:
对所述异常交易监控数据进行主成分分析得到所述关键KPI指标;
对所述异常交易监控数据进行相关性分析得到所述KPI关联关系。
10.一种生产交易协同监控装置,其特征在于,包括:
模型统计模块,根据交易监控数据得到统计信息;
数据模拟模块,根据所述统计信息进行数据模拟得到交易模拟数据,所述交易模拟数据包括多个KPI指标数据,每个KPI指标模拟数据,特征分类上包括模拟正常交易和模拟异常交易;
参数计算模块,采用遗传算法处理所述交易模拟数据得到各KPI指标的最优监控阀值。
11.根据权利要求10所述的生产交易协同监控装置,其特征在于,所述模型统计模块包括:
统计单元,将所述交易监控数据输入预获取的概率分布模型得到所述统计信息。
12.根据权利要求11所述的生产交易协同监控装置,其特征在于,所述预获取的概率分布模型包括:正态分布模型、泊松分布模型或指数分布模型。
13.根据权利要求10所述的生产交易协同监控装置,其特征在于,所述交易模拟数据包括:正常交易模拟数据和异常交易模拟数据,
所述参数计算模块包括:
第一计算单元,采用遗传算法处理所述正常交易模拟数据得到所述KPI指标的第一阀值;
第二计算单元,遗传算法处理所述异常交易模拟数据得到所述KPI指标第二阀值;
阀值选取单元,根据所述第一阀值和所述第二阀值得到所述KPI指标的最优监控阀值。
14.根据权利要求10所述的生产交易协同监控装置,其特征在于,所述交易监控数据包括:正常交易监控数据和异常交易监控数据。
15.根据权利要求14所述的生产交易协同监控装置,其特征在于,还包括:
特征分析模块,对所述异常交易监控数据进行异常交易KPI组合特征分析得到关键KPI指标和KPI关联关系;
协同监控模块,根据所述关键KPI指标、所述KPI关联关系以及各KPI指标的最优监控阀值得到多KPI协同监控策略。
16.根据权利要求15所述的生产交易协同监控装置,其特征在于,所述特征分析模块包括:
主成分分析单元,对所述异常交易监控数据进行主成分分析得到所述关键KPI指标;
相关性分析单元,对所述异常交易监控数据进行相关性分析得到所述KPI关联关系。
17.一种生产交易关联监控装置,其特征在于,包括:
交易监控数据获取模块,获取交易监控数据,所述交易监控数据包括正常交易监控数据和异常交易监控数据;
关联分析模块,对所述异常交易监控数据进行异常交易KPI组合特征分析得到关键KPI指标和KPI关联关系;
监控策略生成模块,根据所述关键KPI指标、所述KPI关联关系生成多KPI关联监控策略。
18.根据权利要求17所述的生产交易关联监控装置,其特征在于,所述关联分析模块包括:
关键KPI指标获取单元,对所述异常交易监控数据进行主成分分析得到所述关键KPI指标;
KPI关联关系获取单元,对所述异常交易监控数据进行相关性分析得到所述KPI关联关系。
19.一种电子设备,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任一项所述的生产交易协同监控方法的步骤,或者,权利要求8至9任一项所述的生产交易关联监控方法的步骤。
20.一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,该计算机程序被处理器执行时实现权利要求1至7任一项所述的生产交易协同监控方法的步骤,或者,权利要求8至9任一项所述的生产交易关联监控方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910529985.XA CN110223167A (zh) | 2019-06-19 | 2019-06-19 | 生产交易协同监控方法以及生产交易关联监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910529985.XA CN110223167A (zh) | 2019-06-19 | 2019-06-19 | 生产交易协同监控方法以及生产交易关联监控方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110223167A true CN110223167A (zh) | 2019-09-10 |
Family
ID=67817642
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910529985.XA Pending CN110223167A (zh) | 2019-06-19 | 2019-06-19 | 生产交易协同监控方法以及生产交易关联监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110223167A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110648239A (zh) * | 2019-09-30 | 2020-01-03 | 中国光大银行股份有限公司 | 监控指标的生成方法及装置、数据的监控*** |
CN110928718A (zh) * | 2019-11-18 | 2020-03-27 | 上海维谛信息科技有限公司 | 一种基于关联分析的异常处理方法、***、终端及介质 |
CN115484186A (zh) * | 2022-09-16 | 2022-12-16 | 中国农业银行股份有限公司 | 数据监控方法、装置、电子设备及存储介质 |
CN116993532A (zh) * | 2023-09-25 | 2023-11-03 | 四川泰虹科技有限公司 | 用于提升电池零部件制备效率的方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103164474A (zh) * | 2011-12-15 | 2013-06-19 | ***通信集团贵州有限公司 | 一种对数据业务进行分析的方法 |
CN104361517A (zh) * | 2014-10-29 | 2015-02-18 | 中国建设银行股份有限公司 | 一种金融***监控方法、装置及相关*** |
CN106157132A (zh) * | 2016-06-20 | 2016-11-23 | 中国工商银行股份有限公司 | 信用风险监控***及方法 |
US20170289008A1 (en) * | 2016-03-30 | 2017-10-05 | Ca, Inc. | Scenario coverage in test generation |
CN108880841A (zh) * | 2017-05-11 | 2018-11-23 | 上海宏时数据***有限公司 | 一种业务监控***的阀值设置、异常检测***及方法 |
CN109191283A (zh) * | 2018-08-30 | 2019-01-11 | 成都数联铭品科技有限公司 | 风险预警方法及*** |
-
2019
- 2019-06-19 CN CN201910529985.XA patent/CN110223167A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103164474A (zh) * | 2011-12-15 | 2013-06-19 | ***通信集团贵州有限公司 | 一种对数据业务进行分析的方法 |
CN104361517A (zh) * | 2014-10-29 | 2015-02-18 | 中国建设银行股份有限公司 | 一种金融***监控方法、装置及相关*** |
US20170289008A1 (en) * | 2016-03-30 | 2017-10-05 | Ca, Inc. | Scenario coverage in test generation |
CN106157132A (zh) * | 2016-06-20 | 2016-11-23 | 中国工商银行股份有限公司 | 信用风险监控***及方法 |
CN108880841A (zh) * | 2017-05-11 | 2018-11-23 | 上海宏时数据***有限公司 | 一种业务监控***的阀值设置、异常检测***及方法 |
CN109191283A (zh) * | 2018-08-30 | 2019-01-11 | 成都数联铭品科技有限公司 | 风险预警方法及*** |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110648239A (zh) * | 2019-09-30 | 2020-01-03 | 中国光大银行股份有限公司 | 监控指标的生成方法及装置、数据的监控*** |
CN110648239B (zh) * | 2019-09-30 | 2024-04-12 | 中国光大银行股份有限公司 | 监控指标的生成方法及装置、数据的监控*** |
CN110928718A (zh) * | 2019-11-18 | 2020-03-27 | 上海维谛信息科技有限公司 | 一种基于关联分析的异常处理方法、***、终端及介质 |
CN110928718B (zh) * | 2019-11-18 | 2024-01-30 | 上海维谛信息科技有限公司 | 一种基于关联分析的异常处理方法、***、终端及介质 |
CN115484186A (zh) * | 2022-09-16 | 2022-12-16 | 中国农业银行股份有限公司 | 数据监控方法、装置、电子设备及存储介质 |
CN115484186B (zh) * | 2022-09-16 | 2024-05-28 | 中国农业银行股份有限公司 | 数据监控方法、装置、电子设备及存储介质 |
CN116993532A (zh) * | 2023-09-25 | 2023-11-03 | 四川泰虹科技有限公司 | 用于提升电池零部件制备效率的方法及*** |
CN116993532B (zh) * | 2023-09-25 | 2023-12-08 | 四川泰虹科技有限公司 | 用于提升电池零部件制备效率的方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110223167A (zh) | 生产交易协同监控方法以及生产交易关联监控方法 | |
US20200201871A1 (en) | Systems and Methods for Allocating Capital to Trading Strategies for Big Data Trading in Financial Markets | |
CN104521225B (zh) | 利用贝叶斯均值回归(bmr)的呼叫映射***和方法 | |
US9870630B2 (en) | Methods and systems to generate graphical representations of relationships between persons based on transactions | |
CN109766454A (zh) | 一种投资者分类方法、装置、设备及介质 | |
WO2021208720A1 (zh) | 基于强化学习的业务分配方法、装置、设备及存储介质 | |
US11875408B2 (en) | Techniques for accurate evaluation of a financial portfolio | |
Boudt et al. | Jump robust two time scale covariance estimation and realized volatility budgets | |
CN102834809A (zh) | 用于在网格计算环境中运算的情景状态处理***和方法 | |
CN109685643A (zh) | 贷款审核中风险等级确定方法、装置、设备及存储介质 | |
AU2014201264A1 (en) | Scenario based customer lifetime value determination | |
CN114154672A (zh) | 一种用于客户流失预测的数据挖掘方法 | |
CN111737921B (zh) | 基于循环神经网络的数据处理方法、设备及介质 | |
CN107480703A (zh) | 交易故障检测方法及装置 | |
CN116645134A (zh) | 一种***分期的推荐方法、装置、设备及介质 | |
CN107025227A (zh) | 用户对产品的熟悉度的确定、信息筛选、处理方法及装置 | |
US20230325757A1 (en) | Computer-implemented method and system for testing a model | |
CN115705400A (zh) | 话务量预测模型构建方法、装置及计算机可读存储介质 | |
CN114723239A (zh) | 一种多方协同建模方法、装置、设备、介质及程序产品 | |
Banerjee et al. | Visualization of hidden structures in corporate failure prediction using opposite pheromone per node model | |
Norberg et al. | Artificial Value-at-Risk: Using Neural Networks to Replicate Filtered Historical Simulation for Value-at-Risk Calculations | |
JP2004094662A (ja) | 信用リスク管理の最適化モデル適用方法及び装置 | |
US20240054356A1 (en) | Systems and methods for generating multipurpose graph node embeddings for machine learning | |
US20240112017A1 (en) | Systems and methods for adjusting data processing components for non-operational targets | |
US20230082260A1 (en) | Method for estimating flows between economic entities |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190910 |