CN116664295A - 交易数据的处理方法、装置、设备、存储介质和程序产品 - Google Patents
交易数据的处理方法、装置、设备、存储介质和程序产品 Download PDFInfo
- Publication number
- CN116664295A CN116664295A CN202310511142.3A CN202310511142A CN116664295A CN 116664295 A CN116664295 A CN 116664295A CN 202310511142 A CN202310511142 A CN 202310511142A CN 116664295 A CN116664295 A CN 116664295A
- Authority
- CN
- China
- Prior art keywords
- transaction
- data
- repair
- service
- historical
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000003672 processing method Methods 0.000 title claims abstract description 11
- 230000008439 repair process Effects 0.000 claims abstract description 141
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 39
- 238000004590 computer program Methods 0.000 claims abstract description 26
- 238000002360 preparation method Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 37
- 238000012512 characterization method Methods 0.000 claims description 15
- 238000004140 cleaning Methods 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 6
- 238000005429 filling process Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 abstract description 6
- 239000002699 waste material Substances 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 10
- 238000010223 real-time analysis Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000009467 reduction Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012417 linear regression 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
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism 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
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000007 visual 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
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/5038—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the execution order of a plurality of tasks, e.g. taking priority or time dependency constraints into consideration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Accounting & Taxation (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Technology Law (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种交易数据的处理方法、装置、计算机设备、存储介质和计算机程序产品,涉及云计算技术领域。方法包括:在正向交易准备开始的情况下,将交易数据输入交易预测模型中,得到交易预测结果,确定是否需要执行交易服务;在确定执行交易服务的情况下,确定对应的交易流程,执行交易服务;在执行交易服务失败的情况下,将交易数据以及对应的实际交易流程数据输入至预先训练好的交易修复模型,以得到第一修复建议;执行相应的修复操作,以使已经执行交易服务的交易数据恢复至初始数据状态,采用本方法能够避免交易出现异常,导致资源浪费;在执行交易服务失败的情况下,进行修复交易数据,避免人工低效干预,实现了数据的一致性。
Description
技术领域
本申请涉及云计算技术领域,特别是涉及一种交易数据的处理方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着经济与技术的发展,银行交易***变得越来越复杂,交易量也越来越大。银行联机交易一般采用***分布式***与大型主机相结合的交易方式,提升***运行能力,满足核心业务***日常交易需求。
银行***通常需要处理大量的交易服务,这些交易服务涉及到多个服务之间的协作,比如转账、扣款、存款等。在银行分布式***中,由于业务场景的复杂性和多样性,涉及到多个服务之间的协作和交互,需要保证数据的一致性。
在传统技术中,每一个交易步骤将更改提交至本地数据库,无法实现自动回滚,必须通过编写补偿代码,才能实现修复操作。
然而,由于在长事务中,当出现一个交易步骤的失败后,必须撤销在先的交易事务的影响,而使用补偿代码进行修复的方式,需要依赖于补偿代码的准确性,不仅需要耗费大量的时间和资源,而且很容易出现补偿失败的情况,从而无法保证数据的一致性。
发明内容
基于此,有必要针对上述技术问题,提供一种能够避免人工的低效干预,以实现数据的一致性的交易数据的处理方法、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,本申请提供了一种交易数据的处理方法。所述方法包括:
在正向交易准备开始的情况下,将交易数据输入至预先训练好的交易预测模型中,以得到交易预测结果;
根据所述交易预测结果,确定是否需要执行交易服务;
在确定执行所述交易服务的情况下,根据所述交易数据,确定对应的交易流程,所述交易流程包括多个交易服务以及所述交易服务的执行顺序;
根据所述交易流程,执行所述交易服务;
在执行所述交易服务失败的情况下,将所述交易数据以及对应的实际交易流程数据输入至预先训练好的交易修复模型,以得到第一修复建议;
根据所述第一修复建议,执行相应的修复操作,以使已经执行交易服务的交易数据恢复至初始数据状态。
在其中一个实施例中,所述交易预测结果为交易预测失败率,所述根据所述交易预测结果,确定是否需要执行交易服务,包括:
在所述交易预测失败率小于预测阈值的情况下,则确定执行所述交易服务;
在所述交易预测失败率不小于所述预测阈值的情况下,则确定不执行所述交易服务。
在其中一个实施例中,所述方法还包括:
获取历史交易数据;
根据所述历史交易数据,确定第一特征样本;
通过所述第一特征样本,调整训练前的交易预测模型的参数,直至所述训练前的交易预测模型收敛,得到所述交易预测模型。
在其中一个实施例中,所述根据所述历史交易数据,确定第一特征样本,包括:
对所述历史交易数据,进行数据清洗,以得到清洗后的历史交易数据;
对所述清洗后的历史交易数据进行特征提取,以提取与失败交易相关的交易特征;
将与失败交易相关的交易特征,进行特征化处理;所述特征化处理包括归一化处理、标准化处理或缺失值填充处理中的至少一个;
将特征化处理的交易特征进行筛选,得到第一特征样本。
在其中一个实施例中,所述方法还包括:
获取历史交易数据、历史修复数据以及历史流程数据;
根据所述历史交易数据、所述历史修复数据以及所述历史流程数据,确定第二特征样本;
通过所述第二特征样本,调整训练前的交易修复模型,直至所述训练前的交易修复模型收敛,得到所述交易修复模型。
在其中一个实施例中,所述根据所述历史交易数据、所述历史修复数据以及所述历史流程数据,确定第二特征样本,包括:
对所述历史交易数据、所述历史修复数据以及所述历史流程数据,进行数据清洗,并提取与失败交易相关的修复特征;
将与失败交易相关的修复特征,进行特征化处理,以及特征筛选,得到第二特征样本。
第二方面,本申请还提供了一种交易数据的处理装置。所述装置包括:
预测结果得到模块,用于在正向交易准备开始的情况下,将交易数据输入至预先训练好的交易预测模型中,以得到交易预测结果;
服务执行确定模块,用于根据所述交易预测结果,确定是否需要执行交易服务;
交易流程确定模块,用于在确定执行所述交易服务的情况下,根据所述交易数据,确定对应的交易流程,所述交易流程包括多个交易服务以及所述交易服务的执行顺序;
交易服务执行模块,用于根据所述交易流程,执行所述交易服务;
修复建议得到模块,用于在执行所述交易服务失败的情况下,将所述交易数据以及对应的实际交易流程数据输入至预先训练好的交易修复模型,以得到第一修复建议;
修复操作得到模块,用于根据所述第一修复建议,执行相应的修复操作,以使已经执行交易服务的交易数据恢复至初始数据状态。
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,所述处理器执行所述计算机程序时实现以下步骤:
预测结果得到模块,用于在正向交易准备开始的情况下,将交易数据输入至预先训练好的交易预测模型中,以得到交易预测结果;
服务执行确定模块,用于根据所述交易预测结果,确定是否需要执行交易服务;
交易流程确定模块,用于在确定执行所述交易服务的情况下,根据所述交易数据,确定对应的交易流程,所述交易流程包括多个交易服务以及所述交易服务的执行顺序;
交易服务执行模块,用于根据所述交易流程,执行所述交易服务;
修复建议得到模块,用于在执行所述交易服务失败的情况下,将所述交易数据以及对应的实际交易流程数据输入至预先训练好的交易修复模型,以得到第一修复建议;
修复操作得到模块,用于根据所述第一修复建议,执行相应的修复操作,以使已经执行交易服务的交易数据恢复至初始数据状态。
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时实现以下步骤:
预测结果得到模块,用于在正向交易准备开始的情况下,将交易数据输入至预先训练好的交易预测模型中,以得到交易预测结果;
服务执行确定模块,用于根据所述交易预测结果,确定是否需要执行交易服务;
交易流程确定模块,用于在确定执行所述交易服务的情况下,根据所述交易数据,确定对应的交易流程,所述交易流程包括多个交易服务以及所述交易服务的执行顺序;
交易服务执行模块,用于根据所述交易流程,执行所述交易服务;
修复建议得到模块,用于在执行所述交易服务失败的情况下,将所述交易数据以及对应的实际交易流程数据输入至预先训练好的交易修复模型,以得到第一修复建议;
修复操作得到模块,用于根据所述第一修复建议,执行相应的修复操作,以使已经执行交易服务的交易数据恢复至初始数据状态。
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时实现以下步骤:
预测结果得到模块,用于在正向交易准备开始的情况下,将交易数据输入至预先训练好的交易预测模型中,以得到交易预测结果;
服务执行确定模块,用于根据所述交易预测结果,确定是否需要执行交易服务;
交易流程确定模块,用于在确定执行所述交易服务的情况下,根据所述交易数据,确定对应的交易流程,所述交易流程包括多个交易服务以及所述交易服务的执行顺序;
交易服务执行模块,用于根据所述交易流程,执行所述交易服务;
修复建议得到模块,用于在执行所述交易服务失败的情况下,将所述交易数据以及对应的实际交易流程数据输入至预先训练好的交易修复模型,以得到第一修复建议;
修复操作得到模块,用于根据所述第一修复建议,执行相应的修复操作,以使已经执行交易服务的交易数据恢复至初始数据状态。
上述交易数据的处理方法、装置、计算机设备、存储介质和计算机程序产品,在正向交易准备开始的情况下,将交易数据输入至预先训练好的交易预测模型中,以得到交易预测结果;根据交易预测结果,确定是否需要执行交易服务;在确定执行交易服务的情况下,根据交易数据,确定对应的交易流程,根据交易流程,执行交易服务;在执行交易服务失败的情况下,将交易数据以及对应的实际交易流程数据输入至预先训练好的交易修复模型,以得到第一修复建议;根据第一修复建议,执行相应的修复操作,以使已经执行交易服务的交易数据恢复至初始数据状态,本发明通过交易预测模型实现一定程度上对交易的提前干预,以避免交易出现异常,导致资源浪费;在执行交易服务失败的情况下,通过交易修复模型进行修复交易数据,以使得交易数据恢复至初始数据状态,避免人工的低效干预,实现了数据的一致性。
附图说明
图1为一个实施例中交易数据的处理方法的应用环境图;
图2为一个实施例中交易数据的处理方法的流程示意图;
图3为一个实施例中交易数据进行交易的流程示意图;
图4为一个实施例中交易数据特征实时分析模块的结构图;
图5为一个实施例中交易预测模型进行训练的流程示意图;
图6为一个实施例中交易数据的处理装置的结构框图;
图7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。
本申请实施例提供的交易数据的处理方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储***可以存储服务器104需要处理的数据。数据存储***可以集成在服务器104上,也可以放在云上或其他网络服务器上。
终端102从服务器104获取交易数据,通过交易预测模型对行驶数据进行交易预测,得到交易预测结果;在确定执行交易服务的情况下,根据所述交易数据,确定对应的交易流程,以执行交易服务;终端102在执行交易服务失败的情况下,将交易数据以及对应的实际交易流程数据输入至预先训练好的交易修复模型,得到第一修复建议,以执行相应的修复操作,以使已经执行交易服务的交易数据恢复至初始数据状态。
其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种交易数据的处理方法,该方法可以通过终端或服务器单独执行,也可以通过终端和服务器协同执行,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
步骤202,在正向交易准备开始的情况下,将交易数据输入至预先训练好的交易预测模型中,以得到交易预测结果。
其中,正向交易可以为根据交易数据,进行执行正向交易服务的过程。
其中,交易数据包括但不限于:交易金额、交易时间、交易类型、交易地点、交易方账户信息、交易操作类型。交易预测模型是通过深度学习训练得到的,用于进行交易失败预测的模型。交易预测结果可以包括交易预测失败率,用于反应交易数据进行执行交易的预测的失败率,交易预测失败率为0到1之间的数值。
其中,交易预测模型可以使用线性回归模型,BP神经网络预测模型等。在训练交易预测模型时,可以选定多个不同的模型进行训练,以根据训练效果选定交易预测模型。具体地,训练效果可以根据模型参数来确定。
在一个实施例中,对交易数据进行预处理,得到待处理数据,通过交易预测模型对待处理数据进行交易预测,得到交易预测结果。具体地,可以是对交易数据进行清洗,以剔除交易数据中的异常数据和空值数据,得到待处理数据。
示例性地,通过交易预测模型对待处理数据进行交易预测,得到交易预测失败率为20%,表示交易预测模型预测本次交易数据出现失败的概率为20%。
步骤204,根据所述交易预测结果,确定是否需要执行交易服务。
其中,交易预测结果可以包括交易预测失败率,交易服务可以为服务调用端(用户端)与服务提供端(服务端)之间的数据交互服务。
在一个实施例中,可以通过交易预测模型得到的交易预测结果,确定是否需要执行交易服务。示例性地,可以通过交易预测模型得到的交易预测失败率的大小,确定是否需要执行交易服务,具体地,可以设定一阈值,根据过交易预测模型得到的交易预测失败率的大小和阈值的大小,确定是否需要执行交易服务。
步骤206,在确定执行所述交易服务的情况下,根据所述交易数据,确定对应的交易流程,所述交易流程包括多个交易服务以及所述交易服务的执行顺序。
其中,交易流程可以包括多个交易服务以及交易服务的执行顺序。
示例性地,交易流程可以是在不同业务场景下,根据交易数据中包含的信息决定本次交易对应交易类型,不同业务场景可以通过交易数据中包含的交易类型和交易操作类型等信息进行区分。
示例性地,在确定执行交易服务的情况下,可以根据交易数据,确定交易数据对应的交易服务以及交易服务的执行顺序。
步骤208,根据所述交易流程,执行所述交易服务;
示例性地,交易流程可以包括多个交易服务以及交易服务的执行顺序,根据交易流程中的交易服务的执行顺序,执行交易服务。
步骤210,在执行所述交易服务失败的情况下,将所述交易数据以及对应的实际交易流程数据输入至预先训练好的交易修复模型,以得到第一修复建议;
其中,实际交易流程数据可以包括根据交易流程中的交易服务的执行顺序,执行至交易服务失败时,所记录的数据。
其中,交易修复模型可以是通过深度学习训练得到,用于进行修复预测的模型。第一修复建议可以包括但不限于修复策略建议、数据完善建议等。修复策略建议可以为在交易服务中由于策略原因导致失败而生成的修复建议;数据完善建议可以为在交易服务中由于交易数据导致失败而生成的修复建议。
示例性地,交易修复模型可以使用线性回归模型,BP神经网络预测模型等。在训练交易修复模型时,可以选定多个不同的模型进行训练,以根据训练效果选定交易修复模型。具体地,训练效果可以根据模型参数来确定。
在一个实施例中,在监测到执行交易服务失败的情况下,对交易数据和实际交易流程数据进行预处理,得到待处理数据,通过交易修复模型进行修复预测,得到第一修复建议。具体地,可以是对交易数据和实际交易流程数据进行清洗,以剔除交易数据和实际交易流程数据中的异常数据和空值数据,得到待处理数据。
步骤212,根据所述第一修复建议,执行相应的修复操作,以使已经执行交易服务的交易数据恢复至初始数据状态。
其中,初始数据状态可以为交易数据在未执行交易服务的数据状态。
在一个实施例中,根据交易修复模型输出的第一修复建议,执行相应的修复操作,以使已经执行交易服务的交易数据恢复至初始数据状态,以实现避免人工的低效干预,实现了数据的一致性。
参考图3,示出了一个实施例中交易数据进行交易的流程图,包括第一交易数据特征实时分析模块、第二交易数据特征实时分析模型、交易流程。其中,第一交易数据特征实时分析模块部署有交易预测模型,第二交易数据特征实时分析模型部署有交易修复模型。其中,交易数据特征实时分析模块的结构图可以参考图4,可以包括数据采集清洗模块、计算引擎、数据处理模块。数据采集清洗模块,用于对输入的数据进行初步处理,以去除无用数据和噪声数据,以便于后续的数据分析和挖掘。计算引擎,用于实现处理大规模数据。数据处理模块包括数据仓库和分布式计算***,数据仓库用于对海量的数据进行分析,分布式计算***,用于提供容错机制,以对计算资源进行合理分配。
步骤1,将交易数据输入至第一交易数据特征实时分析模块,以根据交易预测模型,得到交易预测失败率,在交易预测失败率小于预测阈值的情况下,确定执行交易服务,进入步骤2;若交易预测失败率不小于预测阈值的情况下,则确定不执行交易服务。
步骤2,根据交易数据,确定交易流程,交易流程包括多个交易服务,以及交易服务的执行顺序,以根据执行顺序,执行交易服务。
步骤3,在监测到交易服务执行失败的情况下,将交易数据以及对应的实际交易流程数据输入至第二交易数据特征实时分析模块,以根据交易修复模型,得到第一修复建议,进行对本次交易的修复操作,以使得已经执行交易服务的交易数据恢复至初始数据状态。
在一示例中,若交易数据对应的交易流程包括交易服务1、交易服务2和交易服务3,执行顺序为交易服务1至交易服务3;
在监测到交易服务2执行失败的情况下,得到的第一修复建议,根据第一修复建议,将执行交易服务2的交易数据回滚至交易服务1中的数据状态,恢复至未执行交易服务1的交易数据的初始数据状态,以保持数据的一致性。
步骤4,当监测到交易执行完成后,得到反向交易数据,根据反向交易数据,得到反向交易流程,根据反向交易流程,确定补偿交易流程,根据补偿交易流程,执行补偿交易服务,补偿交易流程包括多个补偿交易服务。
步骤5,在监测到补偿交易服务执行失败的情况下,将反向交易数据,以及对应的实际补偿交易流程数据输入至第二交易数据特征实时分析模块,以根据交易修复模型,得到第二修复建议,进行对本次交易的修复操作,以使得已经执行补偿交易服务的反向交易数据恢复至初始数据状态。
在上述实施例中,通过对反向交易数据进行补偿交易操作,可以实现在交易失败的情况下,自动将数据回滚至初始数据状态,从而实现在交易失败的情况,不会产生脏数据,也保证了数据的一致性。
上述交易数据的处理方法中,在正向交易准备开始的情况下,将交易数据输入至预先训练好的交易预测模型中,以得到交易预测结果;根据交易预测结果,确定是否需要执行交易服务;在确定执行交易服务的情况下,根据交易数据,确定对应的交易流程,根据交易流程,执行交易服务;在执行交易服务失败的情况下,将交易数据以及对应的实际交易流程数据输入至预先训练好的交易修复模型,以得到第一修复建议;根据第一修复建议,执行相应的修复操作,以使已经执行交易服务的交易数据恢复至初始数据状态,本发明通过交易预测模型实现一定程度上对交易的提前干预,以避免交易出现异常,导致资源浪费;在执行交易服务失败的情况下,通过交易修复模型进行修复交易数据,以使得交易数据恢复至初始数据状态,避免人工的低效干预,实现了数据的一致性。
在一个实施例中,所述交易预测结果为交易预测失败率,所述根据所述交易预测结果,确定是否需要执行交易服务,包括:
在所述交易预测失败率小于预测阈值的情况下,则确定执行所述交易服务;
在所述交易预测失败率不小于所述预测阈值的情况下,则确定不执行所述交易服务。
其中,交易预测结果可以为交易预测失败率,可以为交易预测失败率设定一个预测阈值,以根据交易预测失败率和预测阈值的大小,确定是否需要执行交易服务。具体地,预测阈值可以根据经验值进行确定,本发明在此不做限定。
在一个实施例中,在交易预测失败率小于预测阈值的情况下,确定执行交易服务;在交易预测失败率不小于预测阈值的情况下,确定不执行交易服务。
在一示例中,当交易预测失败率为18%时,设定预测阈值的大小为20%,则确定执行交易服务。
在上述实施例中,根据交易预测模型,得到的交易预测失败率的大小,以实现在交易预测失败率小于预测阈值的情况下,确定执行交易服务;在交易预测失败率不小于预测阈值的情况下,确定不执行交易服务,实现一定程度上对交易的提前干预,以避免交易出现异常,导致资源的浪费。
在一个实施例中,所述方法还包括:
获取历史交易数据;
根据所述历史交易数据,确定第一特征样本;
通过所述第一特征样本,调整训练前的交易预测模型的参数,直至所述训练前的交易预测模型收敛,得到所述交易预测模型。
其中,历史交易数据可以包括历史交易成功数据和历史交易失败数据。
示例性地,在模型训练的过程中,若提取的第一特征样本过多,可以根据特征降维算法将第一特征进行降维,以提高模型的训练效率。特征降维算法可以包括相关系数法、主成分分析法等等,目的是去除冗余,确定特征与特征之间的相关性。
在上述实施例中,根据获取的历史交易数据,确定第一特征样本,以根据第一特征样本,调整训练前的交易预测模型的参数,直至训练前的交易预测模型收敛,得到交易预测模型,使得训练后的交易预测模型适用于真实环境中交易数据的交易预测,从而在一定程度上了提升了交易预测的准确度。
在一个实施例中,所述根据所述历史交易数据,确定第一特征样本,包括:
对所述历史交易数据,进行数据清洗,以得到清洗后的历史交易数据;
对所述清洗后的历史交易数据进行特征提取,以提取与失败交易相关的交易特征;
将与失败交易相关的交易特征,进行特征化处理;所述特征化处理包括归一化处理、标准化处理或缺失值填充处理中的至少一个;
将特征化处理的交易特征进行筛选,得到第一特征样本。
其中,特征化处理可以包括归一化处理、标准化处理或缺失值填充处理中的至少一个。交易特征可以包括但不限于交易金额、交易时间、交易类型、交易地点。
示例性地,对历史交易数据进行数据清洗,提取与失败交易相关的交易特征,并进行特征化处理后,利用特征筛选算法进行筛选,以得到第一特征样本,第一特征样本为最可能导致交易失败的交易数据的特征,属于最相关的特征。
在上述实施例中,第一特征样本是根据历史交易数据得到的最可能导致交易失败的交易数据的特征,从而使得训练后的交易预测模型适用于真实环境中交易数据的交易预测,在一定程度上了提升了交易预测的准确度。
参考图5,示出了一个实施例中交易预测模型进行训练的流程示意图;
步骤501,获取历史交易数据;
步骤502,对历史交易数据,进行数据清洗,以得到清洗后的历史交易数据;
具体地,对历史交易数据进行数据清洗,以去除无用信息和数据噪声,便于后续的数据分析和挖掘。
步骤503,对清洗后的历史交易数据进行特征提取,以提取与失败交易相关的交易特征;
具体地,对清洗后的历史交易数据进行特征选择和分析,以提取与失败交易相关的交易特征,例如交易金额、交易时间、交易类型、交易地点、交易方账户信息等。
步骤504,将与失败交易相关的交易特征,进行特征化处理;
具体地,特征化处理包括归一化处理、标准化处理或缺失值填充处理等等。
步骤505,将特征化处理的交易特征进行筛选,得到第一特征样本。
具体地,根据特征筛选算法进行进一步地筛选,以得到最相关的第一特征样本。
步骤506,若第一特征样本的特征维度过大,则使用特征降维算法进行特征降维。
步骤507,通过第一特征样本,调整训练前的交易预测模型的参数,直至训练前的交易预测模型收敛,得到交易预测模型。
在一个实施例中,所述方法还包括:
获取历史交易数据、历史修复数据以及历史流程数据;
根据所述历史交易数据、所述历史修复数据以及所述历史流程数据,确定第二特征样本;
通过所述第二特征样本,调整训练前的交易修复模型,直至所述训练前的交易修复模型收敛,得到所述交易修复模型。
其中,历史修复数据为在先交易数据出现交易失败的情况下,进行修复的数据。历史流程数据为在先交易数据执行交易服务记录的数据。
在上述实施例中,根据获取的历史交易数据、历史修复数据以及历史流程数据,确定第二特征样本,以根据第二特征样本,调整训练前的交易修复模型的参数,直至训练前的交易修复模型收敛,得到交易修复模型,使得训练后的交易修复模型适用于真实环境中对交易的修复,从而在一定程度上了提升了交易修复的准确度。
在一个实施例中,所述根据所述历史交易数据、所述历史修复数据以及所述历史流程数据,确定第二特征样本,包括:
对所述历史交易数据、所述历史修复数据以及所述历史流程数据,进行数据清洗,并提取与失败交易相关的修复特征;
将与失败交易相关的修复特征,进行特征化处理,以及特征筛选,得到第二特征样本。
示例性地,对历史交易数据、历史修复数据以及历史流程数据进行数据清洗,提取与失败交易相关的修复特征,并进行特征化处理后,利用特征筛选算法进行筛选,以得到第二特征样本,第二特征样本为最可能进行修复交易失败的特征,属于最相关的特征。
在上述实施例中,第二特征样本是根据历史交易数据、历史修复数据以及历史流程数据,得到的最可能修复交易失败的特征,使得训练后的交易修复模型适用于真实环境中对交易的修复,从而在一定程度上了提升了交易修复的准确度。
本实施例中,在正向交易准备开始的情况下,将交易数据输入至预先训练好的交易预测模型中,以得到交易预测结果;根据交易预测结果,确定是否需要执行交易服务;在确定执行交易服务的情况下,根据交易数据,确定对应的交易流程,根据交易流程,执行交易服务;在执行交易服务失败的情况下,将交易数据以及对应的实际交易流程数据输入至预先训练好的交易修复模型,以得到第一修复建议;根据第一修复建议,执行相应的修复操作,以使已经执行交易服务的交易数据恢复至初始数据状态,本发明通过交易预测模型实现一定程度上对交易的提前干预,以避免交易出现异常,导致资源浪费;在执行交易服务失败的情况下,通过交易修复模型进行修复交易数据,以使得交易数据恢复至初始数据状态,避免人工的低效干预,实现了数据的一致性。
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交易数据的处理方法的交易数据的处理装置。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交易数据的处理装置实施例中的具体限定可以参见上文中对于交易数据的处理方法的限定,在此不再赘述。
在一个实施例中,如图6所示,提供了一种交易数据的处理装置,包括:预测结果得到模块601、服务执行确定模块602、交易流程确定模块603、交易服务执行模块604、修复建议得到模块605和修复操作得到模块606,其中:
预测结果得到模块601,用于在正向交易准备开始的情况下,将交易数据输入至预先训练好的交易预测模型中,以得到交易预测结果。
服务执行确定模块602,用于根据所述交易预测结果,确定是否需要执行交易服务。
交易流程确定模块603,用于在确定执行所述交易服务的情况下,根据所述交易数据,确定对应的交易流程,所述交易流程包括多个交易服务以及所述交易服务的执行顺序。
交易服务执行模块604,用于根据所述交易流程,执行所述交易服务。
修复建议得到模块605,用于在执行所述交易服务失败的情况下,将所述交易数据以及对应的实际交易流程数据输入至预先训练好的交易修复模型,以得到第一修复建议。
修复操作得到模块606,用于根据所述第一修复建议,执行相应的修复操作,以使已经执行交易服务的交易数据恢复至初始数据状态。
在一些实施例中,所述服务执行确定模块602,包括:
第一确定单元,用于在所述交易预测失败率小于预测阈值的情况下,则确定执行所述交易服务;
第二确定单元,用于在所述交易预测失败率不小于所述预测阈值的情况下,则确定不执行所述交易服务。
在一些实施例中,所述装置还包括:
第一数据获取模块,用于获取历史交易数据;
第一样本确定模块,用于根据所述历史交易数据,确定第一特征样本;
第一模型得到模块,用于通过所述第一特征样本,调整训练前的交易预测模型的参数,直至所述训练前的交易预测模型收敛,得到所述交易预测模型。
在一些实施例中,所述第一样本确定模块,包括:
第一数据清洗单元,用于对所述历史交易数据,进行数据清洗,以得到清洗后的历史交易数据;
第一特征提取单元,用于对所述清洗后的历史交易数据进行特征提取,以提取与失败交易相关的交易特征;
第一特征处理单元,用于将与失败交易相关的交易特征,进行特征化处理;所述特征化处理包括归一化处理、标准化处理或缺失值填充处理中的至少一个;
第一特征得到单元,用于将特征化处理的交易特征进行筛选,得到第一特征样本。
在一些实施例中,所述装置还包括:
第二数据获取模块,用于获取历史交易数据、历史修复数据以及历史流程数据;
第二特征确定模块,用于根据所述历史交易数据、所述历史修复数据以及所述历史流程数据,确定第二特征样本;
第二模型得到模块,用于通过所述第二特征样本,调整训练前的交易修复模型,直至所述训练前的交易修复模型收敛,得到所述交易修复模型。
在一些实施例中,所述第二特征确定模块,包括:
第二特征提取单元,用于对所述历史交易数据、所述历史修复数据以及所述历史流程数据,进行数据清洗,并提取与失败交易相关的修复特征;
第二特征得到单元,用于将与失败交易相关的修复特征,进行特征化处理,以及特征筛选,得到第二特征样本。
上述交易数据的处理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7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***总线连接,通信接口通过输入/输出接口连接到***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***、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***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交易数据。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交易数据的处理方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7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,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以下步骤:
在正向交易准备开始的情况下,将交易数据输入至预先训练好的交易预测模型中,以得到交易预测结果;
根据所述交易预测结果,确定是否需要执行交易服务;
在确定执行所述交易服务的情况下,根据所述交易数据,确定对应的交易流程,所述交易流程包括多个交易服务以及所述交易服务的执行顺序;
根据所述交易流程,执行所述交易服务;
在执行所述交易服务失败的情况下,将所述交易数据以及对应的实际交易流程数据输入至预先训练好的交易修复模型,以得到第一修复建议;
根据所述第一修复建议,执行相应的修复操作,以使已经执行交易服务的交易数据恢复至初始数据状态。
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,计算机程序被处理器执行时实现以下步骤:
在正向交易准备开始的情况下,将交易数据输入至预先训练好的交易预测模型中,以得到交易预测结果;
根据所述交易预测结果,确定是否需要执行交易服务;
在确定执行所述交易服务的情况下,根据所述交易数据,确定对应的交易流程,所述交易流程包括多个交易服务以及所述交易服务的执行顺序;
根据所述交易流程,执行所述交易服务;
在执行所述交易服务失败的情况下,将所述交易数据以及对应的实际交易流程数据输入至预先训练好的交易修复模型,以得到第一修复建议;
根据所述第一修复建议,执行相应的修复操作,以使已经执行交易服务的交易数据恢复至初始数据状态。
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以下步骤:
在正向交易准备开始的情况下,将交易数据输入至预先训练好的交易预测模型中,以得到交易预测结果;
根据所述交易预测结果,确定是否需要执行交易服务;
在确定执行所述交易服务的情况下,根据所述交易数据,确定对应的交易流程,所述交易流程包括多个交易服务以及所述交易服务的执行顺序;
根据所述交易流程,执行所述交易服务;
在执行所述交易服务失败的情况下,将所述交易数据以及对应的实际交易流程数据输入至预先训练好的交易修复模型,以得到第一修复建议;
根据所述第一修复建议,执行相应的修复操作,以使已经执行交易服务的交易数据恢复至初始数据状态。
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、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
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 (10)
1.一种交易数据的处理方法,其特征在于,所述方法包括:
在正向交易准备开始的情况下,将交易数据输入至预先训练好的交易预测模型中,以得到交易预测结果;
根据所述交易预测结果,确定是否需要执行交易服务;
在确定执行所述交易服务的情况下,根据所述交易数据,确定对应的交易流程,所述交易流程包括多个交易服务以及所述交易服务的执行顺序;
根据所述交易流程,执行所述交易服务;
在执行所述交易服务失败的情况下,将所述交易数据以及对应的实际交易流程数据输入至预先训练好的交易修复模型,以得到第一修复建议;
根据所述第一修复建议,执行相应的修复操作,以使已经执行交易服务的交易数据恢复至初始数据状态。
2.根据权利要求1所述的方法,其特征在于,所述交易预测结果为交易预测失败率,所述根据所述交易预测结果,确定是否需要执行交易服务,包括:
在所述交易预测失败率小于预测阈值的情况下,则确定执行所述交易服务;
在所述交易预测失败率不小于所述预测阈值的情况下,则确定不执行所述交易服务。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取历史交易数据;
根据所述历史交易数据,确定第一特征样本;
通过所述第一特征样本,调整训练前的交易预测模型的参数,直至所述训练前的交易预测模型收敛,得到所述交易预测模型。
4.根据权利要求3所述的方法,其特征在于,所述根据所述历史交易数据,确定第一特征样本,包括:
对所述历史交易数据,进行数据清洗,以得到清洗后的历史交易数据;
对所述清洗后的历史交易数据进行特征提取,以提取与失败交易相关的交易特征;
将与失败交易相关的交易特征,进行特征化处理;所述特征化处理包括归一化处理、标准化处理或缺失值填充处理中的至少一个;
将特征化处理的交易特征进行筛选,得到第一特征样本。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取历史交易数据、历史修复数据以及历史流程数据;
根据所述历史交易数据、所述历史修复数据以及所述历史流程数据,确定第二特征样本;
通过所述第二特征样本,调整训练前的交易修复模型,直至所述训练前的交易修复模型收敛,得到所述交易修复模型。
6.根据权利要求5所述的方法,其特征在于,所述根据所述历史交易数据、所述历史修复数据以及所述历史流程数据,确定第二特征样本,包括:
对所述历史交易数据、所述历史修复数据以及所述历史流程数据,进行数据清洗,并提取与失败交易相关的修复特征;
将与失败交易相关的修复特征,进行特征化处理,以及特征筛选,得到第二特征样本。
7.一种交易数据的处理装置,其特征在于,所述装置包括:
预测结果得到模块,用于在正向交易准备开始的情况下,将交易数据输入至预先训练好的交易预测模型中,以得到交易预测结果;
服务执行确定模块,用于根据所述交易预测结果,确定是否需要执行交易服务;
交易流程确定模块,用于在确定执行所述交易服务的情况下,根据所述交易数据,确定对应的交易流程,所述交易流程包括多个交易服务以及所述交易服务的执行顺序;
交易服务执行模块,用于根据所述交易流程,执行所述交易服务;
修复建议得到模块,用于在执行所述交易服务失败的情况下,将所述交易数据以及对应的实际交易流程数据输入至预先训练好的交易修复模型,以得到第一修复建议;
修复操作得到模块,用于根据所述第一修复建议,执行相应的修复操作,以使已经执行交易服务的交易数据恢复至初始数据状态。
8.一种计算机设备,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6中任一项所述的交易数据的处理方法的步骤。
9.一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6中任一项所述的交易数据的处理方法的步骤。
10.一种计算机程序产品,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6中任一项所述的交易数据的处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310511142.3A CN116664295A (zh) | 2023-05-08 | 2023-05-08 | 交易数据的处理方法、装置、设备、存储介质和程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310511142.3A CN116664295A (zh) | 2023-05-08 | 2023-05-08 | 交易数据的处理方法、装置、设备、存储介质和程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116664295A true CN116664295A (zh) | 2023-08-29 |
Family
ID=87714424
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310511142.3A Pending CN116664295A (zh) | 2023-05-08 | 2023-05-08 | 交易数据的处理方法、装置、设备、存储介质和程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116664295A (zh) |
-
2023
- 2023-05-08 CN CN202310511142.3A patent/CN116664295A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111125529A (zh) | 产品匹配方法、装置、计算机设备及存储介质 | |
US20220351207A1 (en) | System and method for optimization of fraud detection model | |
CN117033039A (zh) | 故障检测方法、装置、计算机设备和存储介质 | |
CN116701033A (zh) | 主机切换异常检测方法、装置、计算机设备和存储介质 | |
CN106502825B (zh) | 数据处理方法及装置 | |
CN116703598A (zh) | 交易行为检测方法、装置、计算机设备和存储介质 | |
CN116664295A (zh) | 交易数据的处理方法、装置、设备、存储介质和程序产品 | |
CN115168203A (zh) | 接口模拟方法、装置、***、计算机设备和存储介质 | |
CN114186961A (zh) | 业务审批流程配置方法、装置、计算机设备和存储介质 | |
CN117056307A (zh) | 数据库管理方法、装置、设备、存储介质和程序产品 | |
CN117407418A (zh) | 信息获取方法、装置、计算机设备、存储介质和程序产品 | |
CN117390258A (zh) | 金融业务推荐方法、装置、计算机设备和存储介质 | |
CN117495191A (zh) | 服务质量评估方法、装置、计算机设备及存储介质 | |
CN117275007A (zh) | 账户信息识别分类器生成方法、装置及资源卡片识别方法 | |
CN116894728A (zh) | 异常账户确定方法、装置、计算机设备和存储介质 | |
CN116342242A (zh) | 异常检测方法、装置、计算机设备和存储介质 | |
CN116468531A (zh) | 账户信息处理方法、装置、计算机设备和存储介质 | |
CN117668355A (zh) | 虚拟对象的角色推荐方法、装置、计算机设备和存储介质 | |
CN114866943A (zh) | 麦克风故障检测方法、装置、设备、存储介质和程序产品 | |
CN116452308A (zh) | 风险评估方法、装置、计算机设备、存储介质和程序产品 | |
CN116680750A (zh) | 交互数据处理方法、装置和计算机设备 | |
CN118035052A (zh) | 一种断点事件的处理方法、装置、计算机设备 | |
CN117743169A (zh) | 自动化测试模型的训练方法、装置、设备和存储介质 | |
CN118052556A (zh) | 交易检测方法、装置、计算机设备及存储介质 | |
CN117132402A (zh) | 信息化资源的状态检测方法、装置以及计算机设备 |
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 |