CN110300961A - 统一智能连接器 - Google Patents
统一智能连接器 Download PDFInfo
- Publication number
- CN110300961A CN110300961A CN201780086729.7A CN201780086729A CN110300961A CN 110300961 A CN110300961 A CN 110300961A CN 201780086729 A CN201780086729 A CN 201780086729A CN 110300961 A CN110300961 A CN 110300961A
- Authority
- CN
- China
- Prior art keywords
- data
- cloud
- intelligent connector
- connector
- unified
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F13/00—Interconnection of, or transfer of information or other signals between, memories, input/output devices or central processing units
- G06F13/38—Information transfer, e.g. on bus
- G06F13/40—Bus structure
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3447—Performance evaluation by modeling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F15/00—Digital computers in general; Data processing equipment in general
- G06F15/16—Combinations of two or more digital computers each having at least an arithmetic unit, a program unit and a register, e.g. for a simultaneous processing of several programs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
- H04L41/508—Network service management, e.g. ensuring proper service fulfilment according to agreements based on type of value added network service under agreement
- H04L41/5096—Network service management, e.g. ensuring proper service fulfilment according to agreements based on type of value added network service under agreement wherein the managed service relates to distributed or central networked applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2201/00—Indexing scheme relating to error detection, to error correction, and to monitoring
- G06F2201/81—Threshold
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了用于在云环境中集中分析数据的技术。可以从云提供商接收数据,并将统一智能连接器的机器学习模型应用到所述数据来创建建模数据。操作状态可以基于建模数据来确定,并且统一智能连接器可独立确定例如是否需要附加数据、所需数据类型以及数据来源。
Description
技术领域
本公开大体上涉及在云环境中提供统一智能连接器,例如统一数据即服务(DaaS)智能连接器的***和方法。
背景技术
交易处理器(例如,处理交易的企业或公司,诸如VisaTM)通常使用多个云提供商,以便满足其业务需求。例如,云提供商可以包括案例管理和任务管理***提供商、网络解析服务提供商、企业营销管理提供商、移动互动平台提供商等。云提供商可提供服务以及数据,例如大数据。随着云提供商的数量持续增长,例如交易处理器使用的云提供商数量也会增加。不同的云提供商可以用于不同的服务需求。这些云提供商中的每一个都可能在管理大量数据。分析来自所有这些不同云提供商的数据可能会比较繁琐、耗时。此外,在物联网(IoT)环境中,许多设备都互连,许多设备都可以交换数据。因此,可用于分析的数据量相当大。
鉴于可用数据量,分析员可能无法查看所有可用数据。分析员可以是交易处理器的员工,可以是交易处理器的分析员团队成员。因此,分析员可能无法准确评估运营状态(例如,缺少注册、网站故障等)。
例如,如果网站没有工作,就可能会收到大量关于网站的数据,分析员可能无法查阅或搜索大量数据,以确定网站为何无法正常工作。
在另一个示例中,不需要与零售商,例如Visa CheckoutTM共享卡片详细信息的在线支付***可能具有某个百分比的一般转化率(例如X%)。转化率可以涉及注册转化率。如果转化率下降到低于X%的10%,分析员通常需要查阅详细数据,以便确定转化率下降的原因。也就是说,分析员必须下载数据,然后搜索此信息,直到定位所需信息。但是,即使在搜索所有数据之后,下载的数据也可能不足以解决问题,分析员将必须确定所需的附加信息来源,以便确定问题的原因。
数据连接器可用于将数据从云提供商发送到交易处理器,不过,数据连接器充当从云提供商到交易处理器的连接点。当前数据连接器未结构化以便分析数据。因此,分析员可以通过数据连接器从云提供商获取数据,但分析员必须分析所有数据,分析员必须识别如果需要则需要哪些附加数据以及这些数据的来源。考虑到可用数据量,这很难定期执行。此外,将需要大量时间分析所有数据,这可能导致解决数据相关问题的延迟。有时,可用于分析的数据量可能如此之大以致分析员无法分析所有数据。因此,很难确定运行问题的原因。
示例性实施例个别地以及共同地解决这些问题和其它问题。
发明内容
描述了在云环境中提供统一智能连接器的***、方法和计算机可读介质。
根据示例性实施例,一种在云环境中集中分析数据的方法,所述方法可以包括:由统一智能连接器从一个或多个云数据源接收数据;将所接收的数据发送到表进行存储;将机器学习模型应用到所述表中存储的数据以创建建模数据;基于所述建模数据预测操作的状态;确定所述操作的状态是否满足预定阈值;和响应于所述状态低于所述预定阈值,由所述统一智能连接器自动确定需要来自所述一个或多个云数据源的附加数据。
根据示例性实施例,所述方法还可以包括:自动识别需要来自所述一个或多个云数据源的附加数据;自动从所述一个或多个云数据源请求所述附加数据;和将所请求的附加数据发送到所述表进行存储。
根据示例性实施例,所述统一智能连接器将所述一个或多个云数据源连接到一个或多个云数据目标,并且其中所述表存储在所述一个或多个云数据目标中。
根据示例性实施例,所述统一智能连接器是数据即服务(DaaS)连接器,所述数据即服务连接器被配置成提供DaaS。
根据示例性实施例,所述机器学***均(ARIMA)模型、支持向量机(SVM)模型和人工神经网络(ANN)模型中的一个。
根据示例性实施例,来自所述一个或多个云数据源的数据是历史聚合数据。
根据示例性实施例,所述一个或多个云数据源是云数据提供商。
根据示例性实施例,所述统一智能连接器被配置成在从所述一个或多个云数据源接收数据时预测所述操作的状态。
根据示例性实施例,所述方法包括响应于所述操作的状态低于所述预定阈值,为用户提供关于所述操作的状态的警报。
根据示例性实施例,所述方法包括向用户提供识别需要用户注意的操作区域的报告。
根据示例性实施例,所述统一智能连接器是中心连接器,所述中心连接器被配置成对来自所述一个或多个云数据源的数据执行认证、提取、转换和发布。
根据示例性实施例,所述统一智能连接器是元数据驱动连接器,所述元数据驱动连接器被配置成在元数据框架中处理来自一个或多个云数据提供商的数据。
根据示例性实施例,一种装置,包括:一个或多个处理器;以及耦合到所述一个或多个处理器的存储器,所述存储器包括使所述一个或多个处理器实施方法的代码,所述方法包括:由统一智能连接器从一个或多个云数据源接收数据;将所接收的数据发送到表进行存储;将机器学习模型应用到所述表中存储的数据以创建建模数据;基于所述建模数据预测操作的状态;确定所述操作的状态是否满足预定阈值;和响应于所述状态低于所述预定阈值,由所述统一智能连接器自动确定需要来自所述一个或多个云数据源的附加数据。
根据示例性实施例,所述装置包括使所述一个或多个处理器执行以下操作的代码:自动识别需要来自所述一个或多个云数据源的附加数据;自动从所述一个或多个云数据源请求所述附加数据;和将所请求的附加数据发送到所述表进行存储。
根据示例性实施例,一种存储多个指令的非瞬态计算机可读存储介质,所述指令能够由一个或多个处理器执行以使所述一个或多个处理器执行操作,所述操作包括:由统一智能连接器从一个或多个云数据源接收数据;将所接收的数据发送到表进行存储;将机器学习模型应用到所述表中存储的数据以创建建模数据;基于所述建模数据预测操作的状态;确定所述操作的状态是否满足预定阈值;和响应于所述状态低于所述预定阈值,由所述统一智能连接器自动确定需要来自所述一个或多个云数据源的附加数据。
根据示例性实施例,所述非瞬态计算机可读存储介质存储多个指令,所述指令能够由一个或多个处理器执行以使所述一个或多个处理器执行操作,所述操作包括:自动识别需要来自所述一个或多个云数据源的附加数据;自动从所述一个或多个云数据源请求所述附加数据;和将所请求的附加数据发送到所述表进行存储。
上述内容与其他特征和示例性实施例一起将在下文更详细地描述。
附图说明
通过与附图结合的以下详细描述,本公开将易于理解,其中类似的参考数字指示类似元件,其中:
图1示出根据一些实施例的云环境中统一智能连接器的***图。
图2示出根据一些实施例的统一智能连接器的框图。
图3示出根据一些实施例的元数据驱动的统一智能连接器环境的框图。
图4示出根据一些实施例的用于在云环境中集中分析数据的方法的流程图。
图5示出根据一些实施例的用于分析网络解析数据的方法的流程图。
图6示出根据一些实施例的用于分析案例管理数据的方法的流程图。
图7示出根据一些实施例的用于分析商家数据的方法的流程图。
具体实施方式
在以下描述中,出于解释的目的,阐述许多特定细节以便提供对示范性实施例的透彻理解。然而,将明显的是,各种实施例可以在没有这些具体细节的情况下实践。附图和描述并不意图是限制性的。
在讨论实施例之前,对某些术语进行一些描述可能会有所帮助。
“访问装置”可以是用于提供对外部计算机***的访问的任何合适的装置。访问装置可以是任何合适的形式,并且可以是物联网(IoT)中的装置。访问装置的一些实例包含销售点(POS)装置、蜂窝式电话、PDA、个人计算机(PC)、平板PC、手持式专用阅读器、机顶盒、电子收款机(ECR)、自动取款机(ATM)、虚拟收款机(VCR)、查询一体机、安全***、访问***、网站等。访问装置可使用任何合适的接触式或非接触式操作模式,以发送或接收来自便携式通信装置或与便携式通信装置相关联的数据。在访问装置可包括POS终端的一些实施例中,可以使用任何合适的POS终端,并且任何合适的POS终端可包含读取器、处理器和计算机可读介质。读取器可包含任何合适的接触式或非接触式操作模式。例如,示例性卡读取器可包含用于与便携式通信装置交互的射频(RF)天线、光学扫描器、条形码读取器或磁条读取器。
“收单方”通常可以是与特定商家或其它实体有商业关系的商业实体(例如商业银行)。一些实体可执行发行方和收单方两者的功能。一些实施例可涵盖此类单实体发行方-收单方。收单方可操作收单方计算机,其也可一般被称为“传送计算机”。
“API消息”可以是有利于根据应用程序编程接口或API在***组件之间通信的格式化消息。API消息可以允许***组件共享数据并代表彼此启动操作。例如,API消息可以包括识别数据,其可以启动服务器计算机以基于识别数据返回值。
“应用编程接口”或“API”可以是指定***组件应如何交互的一组例程、协议和工具。API可以允许***的各种组件以可识别的格式生成数据、彼此之间发送和接收数据。API可以被预配置、安装或编程到设备上,并且可以命令设备执行指定的操作和网络命令。API可以通过发起调用应用程序中存储的特定指令或代码来允许请求服务。
“应用程序”可以是存储在计算机可读介质(例如,存储器元件或安全元件)上的计算机代码或其它数据,所述计算机代码或其它数据可由处理器执行以完成任务。
“授权实体”可以是授权请求的实体。授权实体的示例可以是发行方、政府机构、文档存储库、访问管理员等等。授权实体可操作授权计算机。“发行方”可以指发行并任选地维护用户账户的商业实体(例如,银行)。发行方也可以向消费者发行存储在例如蜂窝电话、智能卡、平板电脑或笔记本电脑等用户装置上的支付凭证。
“通信装置”可为包含可与另一装置通信的一个或多个电子组件(例如,集成芯片)的装置。例如,通信装置可以是具有耦合到存储器的至少一个处理器的计算装置,所述存储器存储由处理器执行的指令或代码。通信装置的实例可包括便携式通信装置。“便携式通信装置”可以是可由用户运输和操作并且可以包括一个或多个电子部件(例如,集成芯片)的通信装置。便携式通信装置可以将远程通信能力提供给网络。便携式通信装置可被配置成将数据或通信发射到其它装置且从其它装置接收数据或通信。便携式通信装置可以呈诸如以下各者的移动装置的形式:移动电话(例如,智能电话、蜂窝电话等)、平板电脑、便携式媒体播放器、个人数字助理装置(PDA)、可穿戴装置(例如,手表、诸如健身手环的健康监测装置等)、电子阅读器装置等,或者呈卡(例如,智能卡)或挂件等形式。便携式通信装置的实例还可包含便携式计算装置(例如,膝上型电脑、上网本、超级本等)。便携式通信装置还可以采用车辆(例如,汽车)的形式,或者整合成车辆的一部分(例如,车辆的信息***)。
“发行方”通常可以指代维护与便携式通信装置相关联的用户的账户的商业实体(例如,银行),所述账户例如,在安装于便携式通信装置上的移动应用程序中注册的账户。发行方还可以将与账户相关联的账户参数发给便携式通信装置。发行方可以与主机***相关联,所述主机***代表发行方来执行发行方的一些或全部功能。在一些实施方案中,发行方可以指代软件应用程序的提供方。
“存储器”可以是可存储电子数据的任何合适的一个或多个装置。合适的存储器可包括非瞬态计算机可读介质,其存储可由处理器执行以实现所要方法的指令。存储器的示例可包括一个或多个存储器芯片、磁盘驱动器等等。此类存储器可使用任何合适的电、光和/或磁操作模式来操作。
“处理器”可以指任何合适的一个或多个数据计算装置。处理器可包括一起工作以实现所要功能的一个或多个微处理器。处理器可包含CPU,所述CPU包括足以执行用于执行用户和/或***生成的请求的程序组件的至少一个高速数据处理器。所述CPU可以是微处理器,例如AMD的速龙(Athlon)、钻龙(Duron)和/或皓龙(Opteron);IBM和/或摩托罗拉(Motorola)的PowerPC;IBM和索尼(Sony)的Cell处理器;英特尔(Intel)的赛扬(Celeron)、安腾(Itanium)、奔腾(Pentium)、至强(Xeon)和/或XScale;和/或类似处理器。
“资源提供商”可以是可以提供例如商品、服务、信息和/或访问的资源的实体。资源提供商的实例包含商家、数据提供商,诸如政府部门、交通部门等。“商家”通常可以是参与交易并且可出售商品或服务或提供对商品或服务的访问的实体。
“资源提供商计算机”可以是由资源提供商操作的计算机。合适的计算机可以包括访问装置、后端服务器计算机以及上述的组合。
“服务提供商”可以是应用程序提供商,其可以是向移动装置提供应用程序以供用户使用的实体。在一些实施例中,服务提供商可以是钱包提供商计算机,能够将移动钱包或支付应用程序(例如钱包应用程序)提供至用户装置。服务提供商计算机可以操作服务器计算机,所述服务器计算机可以将消息发送至服务提供商应用程序并且可以从其接收消息。由服务提供商计算机发行的服务提供商账户也可以通过网站访问。在一些实施例中,服务提供商计算机可以维护由服务提供商提供服务的用户的一个或多个数字钱包。每个数字钱包都可以与一个或多个支付账户的支付数据相关联。数字钱包的实例可以是VisaCheckoutTM。服务提供商可以对应于云提供商。
“服务器计算机”可包含功能强大的计算机或计算机集群。举例来说,服务器计算机可以是大型主机、小型计算机集群或像单元一样工作的一组服务器。在一个实例中,服务器计算机可以是耦合到网络服务器的数据库服务器。服务器计算机可耦合到数据库,且可包含用于服务来自一个或多个客户端计算机的请求的任何硬件、软件、其它逻辑或前述内容的组合。服务器计算机可包括一个或多个计算设备,且可使用各种计算结构、布置和编译中的任一种来服务来自一个或多个客户端计算机的请求。
“交易处理计算机”可以包括由能够对交易请求消息进行处理和路由的一个或多个设备构成的网络。一个或多个装置的网络可以被称为交易处理***。交易处理器可以是通过交易处理计算机处理交易的业务或公司(例如,VisaTM)。示例***易处理计算机可以包括用来支持和提供授权服务、异常文件服务、交易评分服务以及清算与结算服务的数据处理子***、网络和操作。示例***易处理***可包含VisaNetTM。例如VisaNetTM等交易处理***能够处理***交易、借记卡交易和其它类型的商业交易。具体来说,VisaNetTM可包含处理授权请求的VIP***(Visa集成式支付***),和执行清算与结算服务的Base II***。
提供了通过统一智能连接器高效处理数据的技术。统一智能连接器集中管理多个云提供商和交易处理器发出和接收的数据。统一智能连接器被配置成维持操作状态的一致性,例如网站功能。
A.***
图1示出根据一些实施例的云环境100中统一智能连接器110的***图。如图1所示,统一智能连接器110在多层环境中连接各元件。
云环境100是一个多通道环境,因为该环境提供与各种平台上的源和/或目标交互的能力。该环境是多层环境,因为例如它可以包括内部-内部环境、内部-外部环境以及外部-外部环境。多层环境可以包括在交易处理器外部和内部的层。
外部环境120可以包括云API 121、外部提供商122、文件和***提供商123以及电子邮件和电话提供商124。云API 121可以包括用于注册转化的API。可通过API消息执行与API的通信。此外,与外部环境的通信可通过访问装置或通信装置执行。访问装置和/或通信装置可以是IoT中的装置。外部提供商122可以包括例如发行方和收单方。
外部环境中的元件以及内部环境中的元件可以充当数据源,充当数据目标或者充当数据源和数据目标两者。统一智能连接器可实现双向通信。用户可以按需上传数据到云提供商,并从云提供商提取信息。
内部环境130可以包括数据存储器131、应用程序132和电子邮件133。数据存储器131可以包括例如用于分布式存储的可以包括表的软件框架。应用程序132可对应于在内部环境中存储数据的各种类型的应用程序。电子邮件133可以对应于例如包含来自云提供商的数据信息的电子邮件。
这仅仅是示例,外部环境120和内部环境130可以包括不同的元件。外部环境120和内部环境130中的元件可以充当信息的源位置、存储信息的目标位置或源位置和目标位置两者。此外,虽然图1中的示例在云环境中,但该环境可能不在云端。例如,外部和内部组件可以是不存储在云端且可以处于物理位置的数据库和文件***。
统一智能连接器110可在这个多通道和多层环境中实现数据即服务(data-as-a-service,简称DaaS)。DaaS是管理数据的服务。DaaS可以由基于云的提供商提供,以便管理数据。DaaS环境可以向用户提供信息并提供云计算平台的优势。例如,统一智能连接器也可以称为:统一连接器、智能连接器、统一DaaS智能连接器。
统一智能连接器可以位于计算机服务器上,诸如交易处理计算机上,其存储在交易处理器的设施处。但这仅仅是一个示例,服务器可以存储在除交易处理器的位置以外的位置。此外,服务器还可以存储在云端。虽然描述的示例与分析数据的交易处理器相关,但是在示例性实施例中所公开的统一智能连接器可以由需要分析数据的其他方使用。例如,云提供商还可以根据示例性实施例实施统一智能连接器。
统一智能连接器110可用于分析多个不同的操作场景。例如,统一智能连接器110能够执动态数据配置、源和目标配置、数据管理和动态数据安全、动态数据流化和转换、动态数据挖掘和数据聚合。
根据另一个实施例,统一智能连接器可以是元数据驱动连接器。
因此,统一智能连接器在交易处理***的源和目标之间提供单个中央连接。单个中央统一智能连接器简化了数据的验证、提取、转换和发布。因此,可以快速高效地执行数据驱动的决策。
B.连接器
图2示出根据一些实施例的统一智能连接器200的框图。例如,图2中示出的统一智能连接器200可以对应于图1中示出的统一智能连接器110。统一智能连接器200可以是统一数据即服务(DaaS)智能连接器。
统一智能连接器200可以存储在交易处理***的服务器计算机或交易处理计算机中。服务器计算机可以包括处理器和存储器。服务器计算机可以存储在交易处理器的物理位置处或者服务器计算机可以存储在云环境中。
如图2所示,统一智能连接器200包括:机器学习建模器210,其包括例程211和决策引擎212;动态数据配置器220;源和目标配置器230;数据管理和动态数据安全模块240;动态数据流化器和转换器(dynamic data streamer and transformer)250、动态数据挖掘器和数据聚合器260以及数据存储器270。虽然这些元件在统一智能连接器200中显示为独立元件,但是一个或多个元件可以合并为单个元件。此外,虽然描述了机器学习建模器210、动态数据配置器220、源和目标配置器230、数据管理和动态数据安全模块240、动态数据流化器和转换器250、动态数据挖掘器和数据聚合器260和数据存储器270的特定功能,但这些元件的功能可以重叠,所描述的功能并不限于统一智能连接器的特定元件。
机器学习建模器210可以包括嵌入式决策引擎212和嵌入式机器学习例程221,例如决策树或机器学习算法模型,这些模型对引入聚合的、解析或详细信息做出决策。决策引擎212配置飞行数据(data in-flight),并且如有需要,对引入附加信息或额外解析做出决策。机器学习例程221可根据正在被确定的操作状态变化。分析员可以修改机器学习建模器210的机器学习功能。
机器学习建模器可以将例程应用到数据以确定操作状态。例如,在线支付***,例如Visa CheckoutTM不需要与零售商共享卡片详细信息,可能具有某一百分比的一般转化率(例如X%)。转化率是完成目标的访客百分比,例如由网站所有者设置的。转化率是已经显示给用户的印象数量相对于用户在计划(例如,在线支付***)中注册的数量。将显示在线支付***检查按钮的次数与其实际被选择用于支付的次数进行比较。
例如,目标可以对应于选择在线支付***作为交易的支付方法的用户数量。在线支付***的选择可以通过例如用户在支付交易时选择在线支付***的标志来确定。如果转化率下降到低于X%的10%,分析员通常必须查阅详细数据(下载数据,然后查阅此信息)。
根据一个实施例,决策引擎220计算飞行差异,并将详细数据(例如,来自云提供商的数据)下载以进一步分析。决策引擎210可以接受训练,以便它能快速有高效地执行分析。然后,可以就任何潜在问题警告交易处理器。例如,可以就任何问题或通用操作状态警告分析员、分析团队或交易处理器的技术团队。基于用户所需的信息,问题和操作状态可能是次佳的、最佳的或高于最佳的。可通过电话、电子邮件、文本或用户要求的任何类型的通知提供警报。通知方法可以在统一智能连接器的数据存储器270中存储的数据(例如,元数据)中被编程。
动态数据配置器220允许应用程序决定数据需要流动的方式、时间和地点。例如,动态数据配置器220可以识别多个数据块的来源以及从来源接收的特定数据。数据来源可以来自云提供商、发行方、内部研究***、企业仓库数据(例如,大数据)。动态数据配置器220识别解决或处理问题所需的一个或多个来源。动态数据配置器220可以确定需要多少数据以及哪些来源的数据。确定的数据可以基于存储在统一智能连接器中的元数据。
此外,动态数据配置器220可以被编程以确定获得数据的频率。动态数据配置器220可以被配置成在每个工作日结束时从一个或多个云提供商检索数据。
源和目标配置器230可以涉及源和目标认证以及源和目标连接。数据可以发送到云提供商(例如云数据提供商),并且可以从云提供商接收数据。此外,可以将数据发送到外部合作伙伴(例如发行方和收单方),或者可以从外部合作伙伴接收数据。虽然特定元件被识别为源或目标,但元件可以充当源和目标两者。对于每个源和目标,可建立连接和认证。可确定每个源和目标的配置数据和用户认证。配置数据可以包括源和目标的平台。此外,配置数据可以包括从源到目标或从目标到源的路径。
数据管理和动态数据安全模块240可以实现不同应用程序和***之间的数据和规则级访问。数据管理和动态数据安全模块240还能够根据数据的敏感性实现数据加密和解密。例如,特定数据只有特定用户或交易处理器的分析员可访问。因此,每个数据块都可能有相应的可访问性和存储规则,例如应如何存储数据以及控制放置在数据上的方式。
动态数据流化器和转换器250可实现批处理和实时(在线)数据处理,并实现飞行数据转换。在某些情况下,数据可以被直接流化,或者数据可以被按批次接收。详细数据可以被直接发送,或者也可以分析数据并确定是否应发送数据。启用飞行数据转换,因为在接收数据时可执行转换。数据转换可以包括根据源***和目标***将数据从一种格式转换为另一种格式。
动态数据挖掘器和数据聚合器260可以在源或目标处进行挖掘或聚合数据。动态数据挖掘器和数据聚合器260可以基于数据的配置来确定应当发送数据的方式。根据配置规则,可以在源或目标中进行挖掘或聚合数据。
数据存储器270可以存储统一智能连接器200需要的数据,以便分析数据。存储在数据存储器270中的数据可以包括元数据,如图3中所述。
图3示出根据一些实施例的元数据驱动的统一智能连接器环境300的框图。统一智能连接器310可对应于图1中的统一智能连接器110和图2中的统一智能连接器200。
云提供商320可以包括云数据提供商,例如网络解析服务***321、案例和任务管理***323、网络服务存储***322和企业营销管理***324。与云提供商320的通信可以通过各个云提供商的每一个的API执行。云提供商维护的数据可以包括网络和移动应用程序相关数据。
统一智能连接器310与应用程序和/或***330通信。应用程序和/或***330为面向内部或外部的应用程序和/或***。例如,应用程序和/或***330可以对应于数字钱包的应用程序和***,提供对信息和资源的访问的企业到企业外联网通道的应用程序和***以及开发者平台的应用程序和***。
在图3中示出的示例性实施例中,来自云提供商的数据可以由交易处理器计算机的统一智能连接器引入或提取,而不是要求与云提供商320的每一个单独连接。因此,统一智能连接器充当云提供商和交易处理器之间的集中式连接器。
如图3所示,统一智能连接器310可以包括存储认证信息、提取信息、转换信息和发布信息的元数据存储器315。如图3所示,元数据存储器315具有这样的框架或环境,其包括认证层311、提取层312、转换层313和发布层314。该框架提供元数据驱动的功能。
元数据存储器315可以是除数据存储器230之外的存储器,如图2所示,或者元数据存储器315可以替换图2的数据存储器230。云提供商320可以被识别为源位置,并且应用程序330可以被识别为目标位置。然而,这只是一个示例,云提供商320可以是目标位置,并且应用程序330可以是源位置。
认证层311涉及每个云提供商所需的认证数据。每个云提供商都可以有不同的认证要求。
提取层312涉及如何捕获数据。数据捕获可以包括从云提供商检索数据的方法。也就是说,加载和收集数据的方法、识别数据的适当来源的方法。提取层312可以识别数据将被存储在数据库或详细数据源中(例如,用于分布式存储的软件框架,企业数据仓库(EDW)等)。
转换层313涉及如何在源位置和目标位置之间转换或修改数据。例如,转换可以包括:从JavaScript对象标记(JSON)切换到tab格式化数据,以便加载到目标***中。转换还可以包括将数据转换为特定应用程序的对应本地日期和时间。
发布层314涉及要发布的数据。要发布的信息可从源位置提取。发布层314可以使用数据访问服务发布数据。基于嵌入式例程,统一智能连接器310可以实现发布方的智能以增强数据内容。
在图3示出的示例性实施例中,在统一智能连接器中使用元数据驱动框架方法。该框架由存储在元数据存储器315中的元数据驱动。然而,图3仅仅是一个示例,并且统一智能连接器可以不使用元数据驱动的方法。
C.方法
图4示出根据一些实施例的用于在云环境中集中分析数据的方法400的流程图。图4中描述的方法是一般概述,更详细的示例在图5、图6和图7中描述。可应用统一智能连接器来分析除图5、图6和图7所述之外的各种不同操作。该方法可用于分析由交易处理器计算机执行的任何操作的状态。
在步骤410处,统一智能连接器从一个或多个云提供商接收数据。统一智能连接器接收的数据也可以称为历史聚合数据,因为它包括从过去数据收集的数据。统一智能连接器可被配置成定期接收信息以进行分析。或者,统一智能连接器可以确定何时应分析数据并且何时从云提供商请求数据。
接收的数据可以发送到表进行存储。用于存储数据的存储器可能会根据获得的数据类型而不同。例如,网络解析数据可以存储在用于分布式存储的软件框架中。案例管理和任务管理***数据可以存储在企业数据仓库(EDW)中。
用于分布式存储的软件框架和EDW可称为详细数据源。存储器可以位于统一智能连接器的外部,也可以存储在统一智能连接器的内部环境中。然而,这仅仅是一个示例,所接收的数据可以通过例如交易处理器的用户(例如,分析员)存储在所需的位置。
在接收数据并将所接收的数据发送到表存储之后,在步骤420处,机器学习模型可以应用到表中存储的数据以创建建模数据。可以通过例如图2的机器学习建模器210应用机器学习模型。一个或多个机器学习模型或例程可应用于数据。
例如,如果需要具体的操作结果,则可以将特定机器学习模型应用到数据以获得所需结果。但是,如果不需要具体的结果,机器学习模型可以是一种通用模型,通常分析数据以确保数据在所需阈值内运行。
在步骤430处,统一智能连接器基于在步骤420中建模的建模数据预测操作的状态。如果操作的状态满足预定阈值或边界,则可以确定操作状态是按需要操作。例如,智能检测器可以确定不需要从数据存储框架表获取附加信息。
但是,如果操作的状态低于预定阈值,在步骤440处,统一智能连接器可以自动确定需要附加数据。因此,统一智能连接器可以识别所需的附加数据、此类数据源以及存储数据的目标位置。统一智能连接器还可以确定应接收数据的频率。如果附加数据存储在表中,则方法可以返回到步骤410。
如果统一智能连接器最初从第一云提供商请求数据,并确定在从第一云提供商接收到的数据中不可识别操作问题,统一智能连接器可以从第二云提供商请求数据,并确定是否可以在第二云提供商管理的数据中识别问题。
如果差值大于或小于预定速率,则可以将警报发送至统一智能连接器的用户。可以将警报发送给用户,例如分析员。可以提醒用户例如合同已过期、比历史使用的使用情况更多,或者在使用期间出现误差情况。
此外,还可确定正导致丢弃的数据(例如,促销误差、代码误差、环境误差)类别。无论何时在转化率下降时,可以收集各种数据属性。然后,用户可以确定其操作的哪些方面需要更正,例如其网站的哪个方面需要更正。
因此,统一智能连接器可独立并自动确定分析数据的过程,以获得所需的操作状态。统一智能连接器可以识别异常并确定异常的原因。统一智能连接器还可以基于所习得的数据的历史建议异常的解决方案。
图4的方法可用于分析次佳操作状态以及最佳或高于最佳操作状态。例如,如果转化率大幅增加,统一智能连接器可以识别增加的来源,并且可以基于收集的数据提示继续这种增加的选项。
统一智能连接器可以识别具有所需数据的提供商,而不是从一个或多个服务提供商请求所有数据,统一智能连接器可以从云提供商存储的数百万兆字节数据中识别出特定数据,以便获得所需的阈值,从而提高数据分析的速度和效率。
统一智能连接器可被配置成自动从云数据源请求附加数据。基于获得的数据,例如,统一智能连接器可以确定转化率下降是由于商家停止使用在线支付***的原因。或者,统一智能连接器可以确定转化率下降是由网站故障导致的。
随着时间的推移,统一智能连接器可以学习交易处理器的偏好以及交易处理器所需的信息。统一智能连接器应用机器学习,以便提供最准确的分析结果。
随着可用于执行建模的数据越来越多,模型的准确性会提高。因此,示例性实施例的统一智能连接器实现了确定转化率的更高效、更不费力的方法。此外,统一智能连接器可以提示用户应采取的适当措施。
由于统一智能连接器是一般统一智能连接器,因此可以扩展以支持多个操作或情景。下文相对于图5、图6和图7描述了这些情景中的一些情景。
图5示出根据一些实施例的用于分析网络解析数据的方法500的流程图。在图5所示的示例中,统一智能连接器接收并分析在线支付***的点击流数据。
点击流数据是用户在访问网站时留下的信息。例如,在浏览网络或其他应用程序时,用户单击计算机屏幕的部件可以被记录。当用户点击网页或应用程序中的任意位置时,记录该操作。点击流数据可以包括诸如日期、时间信息、IP地址等信息。结账点击流数据包括用户在结账期间留下的信息。
在步骤510处,统一智能连接器可以从一个或多个云提供商接收数据。统一智能连接器可以通过从云提供商提取数据来接收数据。在图5所示的示例中,数据是从网络解析服务***接收的结账点击流数据。
统一智能连接器可被配置成定期接收信息以进行分析。或者,统一智能连接器可以确定何时应分析数据并且何时从云提供商请求数据。响应于由统一智能连接器向网络解析服务***发送的请求,统一智能连接器可以从网络解析服务***接收数据。
在步骤520处,从网络解析服务***接收的点击流数据被发送到存储器。点击流数据可以被发送到用于分布式存储的框架(例如,软件框架)的表。下表1说明了用于存储点击流数据的分布式存储的软件框架的表。
如表1所示,结账点击流数据的聚合数据由统一智能连接器提取,并可在表中提供,例如用于分布式存储表的软件框架,如下所示。
表1
在步骤530处,机器学***均(ARIMA)、支持向量机(SVM)和人工神经网络(ANN)。或者,可以使用决策树。决策树可以包括这样的结构,其包括关于数据分析的根节点、分支和叶节点。但是,这些仅仅是示例,可以使用不同的预测模型来获得转化率。基于关键属性,可以创建和训练模型,以便测试数据集。在图5所示的示例中,关键属性可以包括“案例编号”、“创建日期”、“所有者ID”、“账户ID”、“关闭日期”和“产品发布日期”。但是,这些仅仅是示例,可以使用其他属性。
在步骤540处,基于在步骤530中建模的数据,预测在线支付应用***的操作状态。统一智能连接器基于在步骤520中建模的建模数据预测操作的状态。统一智能连接器可以预测未来日期的操作状态(例如,注册转化率)。第二天或下周的转化率可以使用建模数据预测。
在步骤550处,统一智能连接器将自动确定操作状态(例如,注册转化)是否满足预定阈值或边界。如果满足操作状态阈值,则不需要进一步操作。
预定阈值可由交易处理器的分析员识别。预定边界或阈值可以基于该特定操作的正常操作阈值。或者,统一智能连接器可基于分析员所需的操作结果确定预定的标准。就转化率示例而言,可以确定在线支付***操作应具有5%-10%的转化率,基于建模数据,确定在线支付***正以5-10%的转化率运行。因此,操作正以所需阈值执行。
如果操作的状态不满足预定阈值,则在步骤560处,统一智能连接器可以自动确定需要网络解析服务的附加网络解析服务***数据(例如,点击流数据)。统一智能连接器可被训练成通过嵌入式例程进行决策。因此,统一智能连接器可以自动决定是否需要附加数据。例如,如果转化率被识别为1%,则这一比例低于5-10%的正常边界。因此,在线支付***正以低于所需阈值操作。第一数据提供商可以与网络服务解析服务提供商对应,以获得所需的附加数据。基于该附加数据,可以做出关于例如采取校正措施的决策。在收到附加数据后,可以自动校正统一智能连接器。随着时间的推移,可以将决策添加到嵌入式例程中,以便***能独立做出决策。
在预测未来数据的转化率之后,统一智能连接器确定预测的转化率与之前的转化率之间的差异。统一智能连接器应用逻辑,以便比较预测的转化率与之前的转化率(例如,昨天或上周),以了解数据处理过程中的差异。
在步骤570处,统一智能连接器将自动从网络解析服务***请求其他所需的点击流数据。可根据例如源***配置请求。数据提取路径也可以是嵌入式例程的一部分,以便例程选择最佳可用路径。
在步骤580处,将附加数据发送到用于分布式存储的框架的表(例如,表1)。如果附加数据存储在表中,则方法可以返回到步骤530。
图5中描述的示例是相对于单个云提供商的。但是,可以在给定时间从多个云提供商获得数据。或者,在从第一云提供商接收数据之后,统一智能连接器可以确定所需的附加数据来自与初始云提供商不同的云提供商。
图6示出根据一些实施例的用于分析案例管理数据的方法600的流程图。在图6所示的示例中,统一智能连接器接收并分析来自案例管理和任务管理***的案例管理数据以用于在线支付***。
在步骤610处,统一智能连接器从一个或多个云提供商接收数据。在图6所示的示例中,数据是从案例管理数据和任务管理***接收的案例管理数据。
统一智能连接器可被配置成定期接收信息以进行分析。或者,统一智能连接器可以确定何时应分析数据并且何时从云提供商请求数据。响应于统一智能连接器向案例管理数据和任务管理***发送请求,统一智能连接器可以从案例管理数据和任务管理***接收数据。
在步骤620处,将从案例管理数据和任务管理***接收的案例管理数据发送到存储器。可以将案例管理数据发送到企业数据仓库(EDW)中的表进行存储。虽然使用EDW作为示例,但这只是一个示例,可以使用不同类型的表进行存储。
下表2说明了存储案例管理数据的EDW的表。表2包括在统一智能连接器提取客户关系数据,诸如案例管理和任务管理***数据之后的数据,以用于在线支付***,例如VisaCheckoutTM。案例管理数据可以包括名称信息、产品发布日期、置信水平等。客户关系数据可以包括案例管理和任务管理数据,例如与交易处理器的合同状态。企业数据仓库(EDW)是可用于报告和数据分析的***。此数据可用于识别在线支付***,例如Visa CheckoutTM的市场机会。
表2
在步骤630处,机器学习模型可以应用于存储在EDW的表(例如,表2)中的数据。
基于关键属性,可以创建和训练模型,以便测试数据集。还可以基于机会关闭日期从案例管理和任务管理***接收数据。机会关闭日期可以是在必须做出潜在销售决策之前的日期。案例管理和任务管理***数据关键属性可以是“创建日期”。网络解析服务***关键属性可以是“审查和确认签到”和“审核和确认注册”。基于这些关键属性,“创建日期”、“审查和确认签到”和“审查和确认注册”,可以创建和训练模型以便测试数据集。这些属性只是创建模型的示例,可以使用其他属性和属性组合。
该模型可以从案例管理和任务管理***获取历史数据,从网络解析服务***获取数据。模型可基于数据和关键属性的值每天更改。关于是否引入附加详细数据的阈值可以由模型驱动。例如,模型可以预测阈值需要增加,因为存在与商家签署的新合同,这将导致转化率提高。该模型可以预测如果商家合同结束,该阈值需要减少。如果由于签到问题阈值降低,模型可以预测并推荐应获得详细数据。
在上述情景中,可以使用决策树或支持向量机(SVM)机器学习算法。决策树可以包括这样的结构,其包括关于数据分析的根节点、分支和叶节点。决策树可以对应于机器学习算法。
在步骤640处,基于在步骤630中建模的数据,预测在线支付应用***的操作状态。统一智能连接器基于建模数据预测操作的状态。
在步骤650处,统一智能连接器将自动确定操作的状态是否满足预定阈值。如果操作的状态满足预定阈值或边界,则不需要进一步操作。可以确定操作状态是根据需要运行。预定阈值可由交易处理器的分析员识别。或者,统一智能连接器可基于所需的操作结果确定预定阈值。
然而,如果操作的状态不满足预定阈值,则在步骤660处,统一智能连接器可以自动确定需要来自案例管理和任务管理***的附加案例管理数据,以便确定操作不满足预定阈值的原因。统一智能连接器可以自动确定基于嵌入式例程所需的附加数据,统一智能连接器可以驱动数据提取。统一智能连接器可以自动识别案例管理和任务管理***所需的任何附加数据(例如,案例管理数据)。
在步骤670处,统一智能连接器将自动从案例管理和任务管理***请求附加的案例管理数据。
在步骤680处,从案例管理和任务管理***接收的附加数据发送到EDW的表(例如,表2)。如果附加数据存储在EDW的表中,则方法可以返回到步骤630。
图7示出根据一些实施例的用于分析商家数据的方法700的流程图。分析商家数据,以便识别使用交易处理***的商家。数据可用于识别交易处理器全局网络上的商家。交易处理***可以是全局网络。在图7所示的示例中,统一智能连接器从全局商家存储库(GMR)接收商家数据。GMR可以是交易处理器的应用程序,并且可以跟踪商家相关属性。
在步骤710处,统一智能连接器从一个或多个全局商家存储库(GMR)接收数据。统一智能连接器可被配置成定期接收信息以进行分析。或者,统一智能连接器可以确定何时应分析数据并且何时从云提供商独立请求数据。响应于统一智能连接器向商家数据和任务管理***发送请求,统一智能连接器可以从商家数据和任务管理***接收数据。
统一智能连接器可以从交易处理器的全局网络(例如VisaNetTM)提取数据,以进行授权和结算。支付授权可以包括验证用户使用的卡和/或检查用户输入的PIN。例如,收单方可以验证信用***、交易类型以及发行人(发卡银行)的金额,并为商家保留持卡人的信用额度金额。授权将生成一个批准代码,商家与交易一起存储该批准代码。支付结算发生在例如收单方通过***协会发送批交易时,这将发行人记入借方以用于支付,将收单方记为贷方。因此,对于该交易发行方对收单方进行支付。
在步骤720处,从GMR接收的商家数据被发送到存储器。具体来说,可以将商家数据发送到企业数据仓库(EDW)中的表进行存储。
下表3说明了存储商家数据EDW的表。商家数据包括商家的信息,如名称、城市和商家所在的州、国家。如表3所示,商家数据的聚合数据由统一智能连接器提取,并可在表中提供,例如EDW中的表。虽然使用EDW作为示例,但这只是一个示例,可以使用不同类型的表进行存储。
表3
在步骤730处,机器学习模型可以应用于存储在EDW的表(例如,表3)中的数据。
VisaNetTM授权数据关键属性可以包括创建的时间戳(CRT_TS)、商家名称、商家城市、商家所在州等。GMR关键属性可以包括商家名称、商家城市、商家所在州、商家类别代码以及收单方BIN等。这些属性与特定商家有关。此外,这些属性可以在交易授权过程中填充。例如,基于这五个关键属性,可以与训练和测试数据集一起创建模型。该模型将从GMR和VisaNetTM详细信息获得历史数据。模型将基于数据和关键属性值每天更改。引入附加数据的阈值由模型驱动。例如,模型将预测需要完成的额外的分析,因为创建的新的GMR ID的数量例如超出在过去已经创建的GMR ID的阈值。例如,新的GMR ID数量超过一天中通常创建的数量。
在上述情景中,可以使用决策树或支持向量机(SVM)机器学习算法。决策树可以包括这样的结构,其包括关于数据分析的根节点、分支和叶节点。
在步骤740处,基于在步骤730中建模的数据,预测在线支付应用***的操作状态。统一智能连接器基于建模数据预测操作的状态。
在步骤750处,统一智能连接器将自动确定操作的状态是否满足预定阈值。如果操作的状态满足预定阈值,则不需要进一步操作。预定阈值可由交易处理器的分析员识别。或者,统一智能连接器可基于所需的操作结果确定预定的标准。如果存在新的商家文件(例如,商家产生率),则阈值可以增加。如果商家将要到期(例如,商家去除率),则阈值可以降低。
然而,如果操作的状态不满足预定阈值,则在步骤760处,统一智能连接器可以自动确定需要来自GMR的附加商家数据,以便确定操作不满足预定阈值的原因。统一智能连接器可以自动识别需要来自GMR的任何附加数据(例如,商家数据)。
在步骤770处,统一智能连接器将自动从GMR请求所需的附加商家数据。
在步骤780处,将附加数据发送到EDW的表(例如,表3)。如果附加数据存储在EDW的表中,则方法可以返回到步骤730。
可以就任何异常通知用户(如分析员)。例如,可以通知用户新的GMR商家或收单方,在创建新GMR商家ID时,还有更多VisaNetTM接受和/或误差条件。
统一智能连接器可基于监督式学习实施。它还可以扩展到支持非监督式学习,使得统一智能连接器可以在变量未知时在数据移动期间做出决策。
统一智能连接器通过提高效率和可支持性来提高生产力。统一智能连接器可以使得连同数据移动一起执行根本原因分析(RCA)。RCA可以包括通过识别故障或问题的根本原因解决问题的方法。
统一智能连接器为交易处理***提供源和目标之间的单个中央连接。因此,可以快速高效地执行数据驱动的决策。
D.计算机***
本文所描述的各种参与者和元件可操作一个或多个计算机设备以促进本文所描述的功能。上文描述的图1-3中的任何元件,包含任何服务器或数据库,可使用任何合适数目的子***来促进文中描述的功能。子***可以通过***总线互连。示出了额外的子***,例如打印机、键盘、固定磁盘(或包括计算机可读介质的其它存储器)、耦合到显示器适配器的监视器以及其它子***。***装置和耦合到输入/输出(I/O)控制器(其可为处理器或任何合适的控制器)的I/O装置可通过所属领域中已知的例如串行端口等任何数目的构件连接到计算机***。例如,串行端口或外部接口可用于将计算机设备连接到例如互联网的广域网、鼠标输入装置或扫描仪。经由***总线的互连允许中央处理器与每个子***通信,并控制来自***存储器或固定磁盘的指令的执行,以及子***之间的信息交换。***存储器和/或固定磁盘可由计算机可读介质体现。
本申请中描述的任何软件组件或功能可使用任何合适的计算机语言实施为由处理器执行的软件代码,所述计算机语言例如使用常规的或面向对象的技术等的Java、C++或Perl。软件代码可以存储为例如随机存取存储器(RAM)、只读存储器(ROM)、例如硬盘驱动器或软盘的磁性介质或例如CD-ROM的光学介质的计算机可读介质上的一系列指令或命令。任何此类计算机可读介质可驻存在单个计算设备上或单个计算设备内,并且可以存在于***或网络内的不同计算设备上或不同计算设备内。
一些实施例可以软件中的控制逻辑或硬件或两者的组合的形式实施。控制逻辑可以存储于信息存储介质中,作为适于指挥信息处理装置执行示例性实施例中公开的一组步骤的多个指令。基于本文中提供的公开和教导,本领域技术人员将了解实现示例性实施例的其它方式和/或方法。
除非明确指示有相反的意思,否则“一(a)”、“一(an)”或“所述(the)”的任何叙述旨在表示“一个或多个”。
以上描述是说明性的而不是限制性的。本领域技术人员在阅读本公开后,会明白示例性实施例的许多变化形式。因此,示例性实施例的范围不应参考以上描述来确定,而是应参考待决的权利要求以及其完整范围或等效物来确定。
上文所提及的所有专利、专利申请、公开案和描述都出于所有目的而以其全文引用的方式并入本文中。不承认它们是现有技术。
Claims (20)
1.一种在云环境中集中分析数据的方法,所述方法包括:
由统一智能连接器从一个或多个云数据源接收数据;
将所接收的数据发送到表进行存储;
将机器学习模型应用到所述表中存储的数据以创建建模数据;
基于所述建模数据预测操作的状态;
确定所述操作的状态是否满足预定阈值;以及
响应于所述状态低于所述预定阈值,由所述统一智能连接器自动确定需要来自所述一个或多个云数据源的附加数据。
2.根据权利要求1所述的方法,还包括:
自动识别需要来自所述一个或多个云数据源的附加数据;
自动从所述一个或多个云数据源请求所述附加数据;以及
将所请求的附加数据发送到所述表进行存储。
3.根据权利要求1所述的方法,其中所述统一智能连接器将所述一个或多个云数据源连接到一个或多个云数据目标,并且其中所述表存储在所述一个或多个云数据目标中。
4.根据权利要求1所述的方法,其中所述统一智能连接器是数据即服务(DaaS)连接器,所述数据即服务连接器被配置成提供DaaS。
5.根据权利要求1所述的方法,其中所述机器学***均(ARIMA)模型、支持向量机(SVM)模型和人工神经网络(ANN)模型中的一个。
6.根据权利要求1所述的方法,其中来自所述一个或多个云数据源的数据是历史聚合数据。
7.根据权利要求3所述的方法,其中所述一个或多个云数据源是云数据提供商。
8.根据权利要求1所述的方法,其中所述统一智能连接器被配置成在从所述一个或多个云数据源接收数据时预测所述操作的状态。
9.根据权利要求1所述的方法,还包括响应于所述操作的状态低于所述预定阈值,为用户提供关于所述操作的状态的警报。
10.根据权利要求1所述的方法,还包括向用户提供识别需要用户注意的操作区域的报告。
11.根据权利要求1所述的方法,其中所述统一智能连接器是中心连接器,所述中心连接器被配置成对来自所述一个或多个云数据源的数据执行认证、提取、转换和发布。
12.根据权利要求1所述的方法,其中所述统一智能连接器是元数据驱动连接器,所述元数据驱动连接器被配置成在元数据框架中处理来自一个或多个云数据提供商的数据。
13.一种装置,包括:
一个或多个处理器;以及
耦合到所述一个或多个处理器的存储器,所述存储器包括用于使所述一个或多个处理器实施方法的代码,所述方法包括:
由统一智能连接器从一个或多个云数据源接收数据;
将所接收的数据发送到表进行存储;
将机器学习模型应用到所述表中存储的数据以创建建模数据;
基于所述建模数据预测操作的状态;
确定所述操作的状态是否满足预定阈值;以及
响应于所述状态低于所述预定阈值,由所述统一智能连接器自动确定需要来自所述一个或多个云数据源的附加数据。
14.根据权利要求13所述的装置,还包括使所述一个或多个处理器执行以下操作的代码:
自动识别需要来自所述一个或多个云数据源的附加数据;
自动从所述一个或多个云数据源请求所述附加数据;以及
将所请求的附加数据发送到所述表进行存储。
15.根据权利要求13所述的装置,其中所述统一智能连接器将所述一个或多个云数据源连接到一个或多个云数据目标,并且其中所述表存储在所述一个或多个云数据目标中。
16.根据权利要求13所述的装置,其中所述统一智能连接器是数据即服务(DaaS)连接器,所述数据即服务连接器被配置成提供DaaS。
17.根据权利要求13所述的装置,其中所述机器学***均(ARIMA)模型、支持向量机(SVM)模型和人工神经网络(ANN)模型中的一个。
18.根据权利要求13所述的装置,其中所述统一智能连接器被配置成在从所述云数据源接收数据时预测所述操作的状态。
19.一种存储多个指令的非瞬态计算机可读存储介质,所述多个指令能够由一个或多个处理器执行以使所述一个或多个处理器执行操作,所述操作包括:
由统一智能连接器从一个或多个云数据源接收数据;
将所接收的数据发送到表进行存储;
将机器学习模型应用到所述表中存储的数据以创建建模数据;
基于所述建模数据预测操作的状态;
确定所述操作的状态是否满足预定阈值;以及
响应于所述状态低于所述预定阈值,由所述统一智能连接器自动确定需要来自所述一个或多个云数据源的附加数据。
20.根据权利要求19所述的计算机可读存储介质,还包括使所述一个或多个处理器执行操作的指令,所述操作包括:
自动识别需要来自所述一个或多个云数据源的附加数据;
自动从所述一个或多个云数据源请求所述附加数据;以及
将所请求的附加数据发送到所述表进行存储。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/US2017/018464 WO2018151731A1 (en) | 2017-02-17 | 2017-02-17 | Unified smart connector |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110300961A true CN110300961A (zh) | 2019-10-01 |
Family
ID=63170368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780086729.7A Withdrawn CN110300961A (zh) | 2017-02-17 | 2017-02-17 | 统一智能连接器 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11741036B2 (zh) |
EP (1) | EP3583505A4 (zh) |
CN (1) | CN110300961A (zh) |
WO (1) | WO2018151731A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10990282B1 (en) | 2017-11-28 | 2021-04-27 | Pure Storage, Inc. | Hybrid data tiering with cloud storage |
US11429725B1 (en) * | 2018-04-26 | 2022-08-30 | Citicorp Credit Services, Inc. (Usa) | Automated security risk assessment systems and methods |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6691116B1 (en) | 2001-10-31 | 2004-02-10 | Storability, Inc. | Method and system for data collection from remote sources |
US7853563B2 (en) | 2005-08-01 | 2010-12-14 | Seven Networks, Inc. | Universal data aggregation |
WO2009019691A2 (en) * | 2007-08-08 | 2009-02-12 | Yoram Kariv | System and method for predictive network monitoring |
US8407367B2 (en) | 2007-12-26 | 2013-03-26 | Intel Corporation | Unified connector architecture |
US9489647B2 (en) * | 2008-06-19 | 2016-11-08 | Csc Agility Platform, Inc. | System and method for a cloud computing abstraction with self-service portal for publishing resources |
US8886806B2 (en) | 2010-04-07 | 2014-11-11 | Accenture Global Services Limited | Generic control layer in a cloud environment |
US8769131B2 (en) | 2010-04-16 | 2014-07-01 | Oracle America, Inc. | Cloud connector key |
GB2483648A (en) | 2010-09-14 | 2012-03-21 | Mastek Uk Ltd | Obfuscation of data elements in a message associated with a detected event of a defined type |
US20140047099A1 (en) * | 2012-08-08 | 2014-02-13 | International Business Machines Corporation | Performance monitor for multiple cloud computing environments |
US9547682B2 (en) * | 2012-08-22 | 2017-01-17 | Bitvore Corp. | Enterprise data processing |
US9219749B2 (en) | 2012-09-07 | 2015-12-22 | Oracle International Corporation | Role-driven notification system including support for collapsing combinations |
US9111232B2 (en) * | 2012-10-31 | 2015-08-18 | Nec Laboratories America, Inc. | Portable workload performance prediction for the cloud |
US9251324B2 (en) * | 2012-12-13 | 2016-02-02 | Microsoft Technology Licensing, Llc | Metadata driven real-time analytics framework |
US9280678B2 (en) | 2013-12-02 | 2016-03-08 | Fortinet, Inc. | Secure cloud storage distribution and aggregation |
US9756135B2 (en) * | 2014-07-31 | 2017-09-05 | Ca, Inc. | Accessing network services from external networks |
US10542100B2 (en) * | 2016-09-16 | 2020-01-21 | Oracle International Corporation | Systems and methodologies for defining and scheduling custom actions as cloud operations |
WO2018119568A1 (en) * | 2016-12-26 | 2018-07-05 | Morgan Stanley Services Group Inc. | Predictive asset optimization for computer resources |
-
2017
- 2017-02-17 EP EP17897114.9A patent/EP3583505A4/en not_active Withdrawn
- 2017-02-17 CN CN201780086729.7A patent/CN110300961A/zh not_active Withdrawn
- 2017-02-17 WO PCT/US2017/018464 patent/WO2018151731A1/en unknown
- 2017-02-17 US US16/482,248 patent/US11741036B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
US20200004710A1 (en) | 2020-01-02 |
EP3583505A1 (en) | 2019-12-25 |
WO2018151731A1 (en) | 2018-08-23 |
US11741036B2 (en) | 2023-08-29 |
EP3583505A4 (en) | 2020-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11100435B2 (en) | Machine learning artificial intelligence system for predicting hours of operation | |
JP6913241B2 (ja) | 信用力があると判定された消費者にローンを発行するシステムおよび方法 | |
Visconti et al. | Big data-driven value chains and digital platforms: From value co-creation to monetization | |
US11023889B2 (en) | Enhanced merchant identification using transaction data | |
US20210118054A1 (en) | Resource exchange system | |
KR101961899B1 (ko) | 가상화폐와 명목화폐 간의 환율을 고려한 가상화폐 자동 결제 서비스 제공 방법 | |
KR102024377B1 (ko) | 블록체인 기반 그룹에 부여된 신용평가를 이용한 여신 서비스 제공 방법 | |
KR20210001243A (ko) | 제품수명주기에 따른 수명주기별 온라인과 오프라인 정보분석 서비스 시스템 | |
US20140229233A1 (en) | Consumer spending forecast system and method | |
US9558490B2 (en) | Systems and methods for predicting a merchant's change of acquirer | |
CN115168460A (zh) | 数据处理方法、数据交易***、设备及存储介质 | |
WO2023137484A1 (en) | Sustainability management systems and methods | |
CN115907439A (zh) | 一种一体化营销管理*** | |
CN110300961A (zh) | 统一智能连接器 | |
CN111325540B (zh) | 一种基于区块链的pos*** | |
CN117273968A (zh) | 一种跨业务线产品的会计凭证生成方法及其相关设备 | |
CN112836742A (zh) | ***资源调整方法、装置及设备 | |
Tian | An effective model for consumer need prediction using big data analytics | |
Wang | BP neural network-based mobile payment risk prediction in cloud computing environment and its impact on e-commerce operation | |
US20240169355A1 (en) | Settlement card having locked-in card specific merchant and rule-based authorization for each transaction | |
US20230196453A1 (en) | Deduplication of accounts using account data collision detected by machine learning models | |
KR102576393B1 (ko) | 클라우드 기반 가상화폐 채굴 서비스 제공 시스템 | |
US20230401635A1 (en) | Computer networked filing engine | |
Alam et al. | Fintech as Disruptors and Empowering Financial Industry | |
Rudnichenko et al. | Intelligent System for Processing and Forecasting Financial Assets and Risks |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20191001 |
|
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40012401 Country of ref document: HK |