CN117608896A - 交易数据处理方法、装置、电子设备及存储介质 - Google Patents
交易数据处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117608896A CN117608896A CN202311608220.8A CN202311608220A CN117608896A CN 117608896 A CN117608896 A CN 117608896A CN 202311608220 A CN202311608220 A CN 202311608220A CN 117608896 A CN117608896 A CN 117608896A
- Authority
- CN
- China
- Prior art keywords
- transaction
- transaction code
- code
- determining
- current
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 133
- 230000002159 abnormal effect Effects 0.000 claims abstract description 69
- 238000000034 method Methods 0.000 claims abstract description 36
- 230000004044 response Effects 0.000 claims description 132
- 230000005856 abnormality Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 15
- 238000007405 data analysis Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 8
- 238000004458 analytical method Methods 0.000 description 19
- 238000004590 computer program Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/079—Root cause analysis, i.e. error or fault diagnosis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开了一种交易数据处理方法、装置、电子设备及存储介质，其中，该方法包括：对于交易***对应的各个检测时间点，基于交易***在当前检测时间点下各交易码对应的交易指标数据，确定交易***在当前检测时间点下对应的***指标数据；基于***指标数据和预先确定的历史***指标数据，确定故障持续区间；基于各交易码对应的交易指标数据和故障持续区间，从各交易码中确定出至少一个候选根因交易码；基于至少一个候选根因交易码在至少一个影响特征指标下对应的特征数据以及预设构建的交易码关系网络，从至少一个候选根因交易码中确定出目标根因交易码。本技术方案，实现了异常交易码识别和根因自动定位的效果，提高了根因定位效率和准确率。
Description
技术领域
本发明涉及金融运维技术领域，尤其涉及一种交易数据处理方法、装置、电子设备及存储介质。
背景技术
在运维领域，尤其是金融交易监管和风险管理领域，对异常检测和根因分析的需求不断增长。随着信息化建设的复杂性和规模的扩大，传统的监管和风险管理方法已经不够高效和精确。因此，开发一种能够自动识别异常交易码并追溯其根因的方法显得至关重要，以确保业务运行的稳定性和安全性。
相关技术中，通常是基于规则进行异常交易码的识别，或者是采用时间序列或机器学习的方式进行异常检测。
然而，第一种异常检测方式严重依赖专家经验且灵活性不够，很难在大量复杂的数据上展现较好的效果，且无法实现根因自动定位；第二种异常检测方式往往需要一定的条件限制或需要一段历史标识数据，在实际应用过程中很难保证数据一定满足某些条件，也很难支持繁琐的人工打标，具有一定的局限性。
发明内容
本发明提供了一种交易数据处理方法、装置、电子设备及存储介质，以实现异常交易码识别和根因自动定位的效果，并且，在根因定位阶段，通过对数据进行特征分析和提取，达到有效定位根因的效果，提高了根因定位效率和准确率。
根据本发明的一方面，提供了一种交易数据处理方法，该方法包括：
对于交易***对应的各个检测时间点，基于所述交易***在当前检测时间点下各交易码对应的交易指标数据，确定所述交易***在所述当前检测时间点下对应的***指标数据，其中，所述交易码用于指示交易请求的交易类型，所述交易指标数据包括交易量、交易失败数量、交易成功率以及交易响应时间中的至少一项；
基于所述***指标数据和预先确定的历史***指标数据，确定故障持续区间；
基于所述各交易码对应的交易指标数据和所述故障持续区间，从各所述交易码中确定出至少一个候选根因交易码；
基于所述至少一个候选根因交易码在至少一个影响特征指标下对应的特征数据以及预设构建的交易码关系网络，从所述至少一个候选根因交易码中确定出目标根因交易码，其中，所述至少一个影响特征指标包括故障开始时间、交易成功率、交易失败数量、交易响应时间以及交易量异动程度。
根据本发明的另一方面，提供了一种交易数据处理装置，该装置包括：
***指标数据确定模块，用于对于交易***对应的各个检测时间点，基于所述交易***在当前检测时间点下各交易码对应的交易指标数据，确定所述交易***在所述当前检测时间点下对应的***指标数据，其中，所述交易码用于指示交易请求的交易类型，所述交易指标数据包括交易量、交易失败数量、交易成功率以及交易响应时间中的至少一项；
故障持续区间确定模块，用于基于所述***指标数据和预先确定的历史***指标数据，确定故障持续区间；
候选根因交易码确定模块，用于基于所述各交易码对应的交易指标数据和所述故障持续区间，从各所述交易码中确定出至少一个候选根因交易码；
目标根因交易码确定模块，用于基于所述至少一个候选根因交易码在至少一个影响特征指标下对应的特征数据以及预设构建的交易码关系网络，从所述至少一个候选根因交易码中确定出目标根因交易码，其中，所述至少一个影响特征指标包括故障开始时间、交易成功率、交易失败数量、交易响应时间以及交易量异动程度。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的交易数据处理方法。
根据本发明的另一方面，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存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的交易数据处理方法。
本发明实施例的技术方案，通过对于交易***对应的各个检测时间点，基于所述交易***在当前检测时间点下各交易码对应的交易指标数据，确定所述交易***在所述当前检测时间点下对应的***指标数据，之后，基于所述***指标数据和预先确定的历史***指标数据，确定故障时间区间，进一步的，基于各交易码对应的交易指标数据和所述故障时间区间，从各交易码中确定出至少一个候选根因交易码，最后，基于至少一个候选根因交易码在至少一个影响特征指标下对应的特征数据以及预先构建的交易码关系网络，从至少一个候选根因交易码中确定出目标根因交易码，解决了相关技术中无法实现根因自动定位以及具有一定的局限性等问题，实现了异常交易码识别和根因自动定位的效果，并且，在根因定位阶段，通过对数据进行特征分析和提取，达到有效定位根因的效果，提高了根因定位效率和准确率。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，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是根据本发明实施例一提供的一种交易数据处理方法的流程图；
图2是根据本发明实施例二提供的一种交易数据处理方法的流程图；
图3是根据本发明实施例二提供的交易关系网络的一种示意图；
图4是根据本发明实施例三提供的一种交易数据处理装置的结构示意图；
图5是实现本发明实施例的交易数据处理方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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。
实施例一
图1是本发明实施例一提供的一种交易数据处理方法的流程图，本实施例可适用于交易码异常检测和根因交易码定位的情况，该方法可以由交易数据处理装置来执行，该交易数据处理装置可以采用硬件和/或软件的形式实现，该交易数据处理装置可配置于终端和/或服务器中。如图1所示，该方法包括：
S110、对于交易***对应的各个检测时间点，基于交易***在当前检测时间点下各交易码对应的交易指标数据，确定交易***在当前检测时间点下对应的***指标数据。
在本实施例中，交易***可以理解为能够执行资源交易的***，也可以理解为包括多个资源交易网点的***平台。检测时间点可以是依据预设步长划分的数据采集时间点。预设步长可以是任意值，可选的，可以是1分钟。示例性的，若预设步长为1分钟，则交易***在一天中对应的检测时间点的数量可以为1440个，其中，当前检测时间点是1440个时间点中的任意一个时间点。交易码可以用于指示交易类型。交易码可以理解为相应交易类型对应的，由至少一个字符组成的编码。交易码和交易类型可以是一一对应的。示例性的，若交易类型为类型A，则其对应的交易码可以是交易码A；若交易类型为类型B，则其对应的交易码可以是交易码B。交易指标数据可以理解为表征相应交易码交易具体情况的数据。交易指标数据可以包括与资源交易相关联的多种指标数据，可选的，可以包括交易量、交易失败数量、交易成功率以及交易延迟中的至少一项。交易量即为交易次数。交易失败数量即为交易失败的次数。交易成功率即为交易成功的次数与总交易次数之间的比值。交易延迟即为交易响应时间。
在实际应用中，对于交易***，在任意时刻可以同时接收到多个交易码的交易请求。进而，可以生成多个交易码对应的交易指标数据。为了可以对交易***的交易情况进行检测，可以预先设置多个时间点来采集各个交易码对应的交易指标数据，可以将这些时间点作为检测时间点。对于交易***对应的各个检测时间点，可以获取交易***在当前检测时间点下对应的各个交易码对应的交易指标数据。进而，可以基于各个交易码对应的交易指标数据来确定交易***在当前时间点下对应的***指标数据。
可选的，在交易指标数据包括交易量、交易失败数量、交易成功率以及交易响应时间中的至少一项的情况下，***指标数据包括***交易量、***失败数量、***成功率以及***响应时间中的至少一项。
可选的，基于交易***在当前检测时间点下各交易码对应的交易指标数据，确定交易***在当前检测时间点下对应的***指标数据，包括：获取当前检测时间点下各交易码对应的交易量，并将各交易量相加，以得到交易***在当前检测时间点对应的***交易量；获取当前检测时间点下各交易码对应的交易失败数量，并将各交易失败数据相加，以得到交易***在当前检测时间点对应的***失败数量；确定***失败数量与***交易量之间的比值，得到***失败率，并确定预设数值与***失败率之间的差值，以得到交易***在当前检测时间点对应的***成功率；获取当前检测时间点下各交易码对应的交易响应时间，并确定各交易响应时间之间的均值，以得到交易***在当前检测时间点对应的***响应时间。
在本实施例中，***交易量即为交易***中全部交易码对应的交易量之和。***失败数量即为交易***中全部交易码对应的交易失败数量之和。预设数值可以是任意数值，可选的，可以是1。***成功率即为交易***中全部交易码对应的交易成功数量之和与***交易量之间的比值。***响应时间即为交易***中全部交易码对应的交易响应时间均值。
在实际应用中，可以获取当前检测时间点下各交易码对应的交易量，并将各交易量相加，可以将相加后得到的交易量总和作为交易***在当前检测时间点对应的***交易量。进而，可以获取当前检测时间点下各交易码对应的交易失败数量，并将各交易失败数量相加，可以将相加后得到的交易失败数量总和作为交易***在当前检测时间点对应的***失败数量。之后，可以确定***失败数量与***交易量之间的比值，可以将所得到的比值作为交易***在当前检测时间点对应的***失败率。之后，可以确定预设数值与***失败率之间的差值，可以将所得到的差值作为交易***在当前检测时间点对应的***成功率。之后，可以获取当前检测时间点下各交易码对应的交易响应时间，并将各交易响应时间相加，并确定相加后得到的交易响应时间总和与交易码数量之间的比值，即可得到各交易响应时间之间的均值，可以将该均值作为交易***在当前检测时间点对应的***响应时间。
S120、基于***指标数据和预先确定的历史***指标数据，确定故障持续区间。
在本实施例中，历史***指标数据可以为当前检测时间点之前的预设时长内的历史检测时间点下对应的***指标数据。在实际应用中，对于交易***对应的各个检测时间点，在确定交易***在当前检测时间点对应的***指标数据之后，可以将所确定的***指标数据存储至相应数据库中，以作为历史***指标数据。故障持续区间可以理解为交易***对应的故障持续发生的时间段。示例性的，故障持续区间可以是16:00-17:00。
在实际应用中，为了可以对交易***的故障时间段进行定位，可以在得到当前检测时间点对应的***指标数据之后，可以调取当前检测时间点之前在预设异常检测周期内的全部历史***指标数据。进而，可以根据***指标数据和历史***指标数据确定故障持续区间。
可选的，基于***指标数据和预先确定的历史***指标数据，确定故障持续区间，包括：在***指标数据满足预设故障检测标准的情况下，将当前检测时间点作为故障持续时间；确定历史***指标数据中满足预设故障检测标准的至少一个目标***指标数据，并确定各目标***指标数据对应的检测时间点与当前检测时间点之间的时间长度，并确定各时间长度中的最大值；在确定最大值不小于预设时长的情况下，将最大值对应的检测时间点作为故障开始时间，并基于故障开始时间和故障持续时间确定故障持续区间。
在本实施例中，预设故障检测标准可以理解为用于检测交易***是否发生故障的条件。预设故障检测标准可以包括多种用于检测交易异常的标准，可选的，可以包括成功率异常标准和响应时间异常标准。故障持续时间可以理解为在当前时间点下故障正在持续发生。故障开始时间可以理解为在当前时间点下故障开始发生。
在实际应用中，在得到***指标数据之后，即可判断***指标数据是否满足预设故障检测标准。在预设故障检测标准中包括成功率异常标准和响应时间异常标准的情况下，可以通过检测***指标数据中的***成功率是否满足成功率异常标准，以及，检测***指标数据中的***响应时间是否满足响应时间异常标准，来确定***指标数据是否满足预设故障检测标准。可选的，确定过程可以为：基于历史***指标数据中的历史***响应时间确定响应时间均值和响应时间标准差；确定响应时间标准差与预设校验系数之间的乘积，得到第一数值，并将响应时间均值和第一数值相加，以得到第二数值；在确定***响应时间不小于第二数值的情况下，确定***响应时间满足响应时间异常标准；在确定***成功率小于预设阈值的情况下，确定***成功率满足成功率异常标准。
在本实施例中，可以获取历史***指标数据中与各历史检测时间点对应的历史***响应时间。进而，可以将各历史***响应时间相加，得到总历史***响应时间。进而，可以确定总历史***响应时间与历史检测时间点的数量之间的比值，可以将该比值作为响应时间均值。进一步的，可以将各历史***响应时间、响应时间均值以及历史检测时间点的数量输入至标准差计算公式中，即可得到响应时间标准差。预设校验系数可以是任意值，可选的，可以是3。预设阈值可以是任意值，可选的，可以是0.99。
在实际应用中，在确定响应时间均值和响应时间标准差之后，可以确定响应时间标准差与预设校验系数之间的乘积，可以将该乘积作为第一数值。之后，可以将响应时间均值和第一数值相加，将所得到的和作为第二数值。进一步的，可以将***响应时间与第二数值进行比较，在确定***响应时间不小于第二数值的情况下，可以确定***响应时间满足响应时间异常标准。同时，可以确定***成功率是否满足成功率异常标准，在确定***成功率小于预设阈值的情况下，可以确定***成功率满足成功率异常标准。进一步的，在确定***指标数据同时满足响应时间异常标准和成功率异常标准的情况下，即可确定***指标数据满足预设故障检测标准，并将***指标数据对应的当前检测时间点对应的***时间作为故障持续时间。
进一步的，可以依据预设故障检测标准对历史***指标数据进行检测，以确定所调取的历史***指标数据中满足预设故障检测标准的至少一个历史***指标数据，并将这些历史***指标数据作为目标***指标数据。之后，针对各目标***指标数据，可以确定目标***指标数据对应的检测时间点与***指标数据对应的当前时间点之间的时间长度。进而，可以得到至少一个时间长度，之后，可以确定各时间长度中的最大值。之后，在确定最大值不小于预设时长的情况下，可以确定最大值对应的检测时间点，并确定该检测时间点对应的***时间，将该***时间作为故障开始时间。进而，可以将故障开始时间和故障持续时间所组成的时间区间作为故障持续区间。
S130、基于各交易码对应的交易指标数据和故障持续区间，从各交易码中确定出至少一个候选根因交易码。
其中，候选根因交易码可以理解为可能是故障根源的交易码。
在实际应用中，在确定故障持续区间之后，即可根据故障持续区间定位异常交易码，进而，可以根据异常交易码确定可能是故障根源的异常交易码。
可选的，基于各交易码对应的交易指标数据和故障持续区间，从各交易码中确定出至少一个候选根因交易码，包括：针对故障持续区间内的各交易码，在当前交易码对应的交易响应时间满足响应时间异常标准，或当前交易码对应的交易成功率满足成功率异常标准，或当前交易码对应的交易量满***易量检测标准的情况下，将当前交易码作为异常交易码；依据预先确定的低频交易码从至少一个异常交易码中确定出候选根因交易码。
在本实施例中，交易响应时间的检测过程与上述***维度中确定***相应时间是否满足响应时间异常标准的过程相一致，本实施例在此不再具体赘述。同样的，交易成功率的检测过程与上述***维度中确定***成功率是否满足成功率异常标准的过程相一致，本实施例在此不再具体赘述。交易量异常条件可以理解为预先设置的，基于交易量检测是否有异常情况发生的条件。可选的，交易量异常条件可以是当前检测时间点下交易码对应的交易量与前一检测时间点下同一交易码对应的交易量之间的差值大于预设阈值。低频交易码可以理解为基于交易***的历史数据分析后所确定的交易频率较低的交易码。
在实际应用中，在确定故障持续区间之后，可以确定故障持续区间内产生交易的各交易码。进而，针对故障持续区间内的各交易码，可以确定当前交易码对应的交易响应时间是否满足响应时间异常标准，确定当前交易码对应的交易成功率是否满足成功率异常标准，确定当前交易码对应的交易量是否满***易量异常条件。进一步的，在确定当前交易码对应的交易响应时间满足响应时间异常标准，或者，确定当前交易码对应的交易成功率满足成功率异常标准，或者，确定当前交易码对应的交易量满***易量异常条件的情况下，可以将当前交易码作为异常交易码。进而，可以从故障持续区间内的各交易码中确定出至少一个异常交易码。
进一步的，为了避免异常交易码中包括干扰交易码，可以对所确定的异常交易码进行筛选，过滤掉不可能是根因交易码的异常交易码。一般情况下，交易频率较低的交易码可能会因其对应的交易频率低于其他交易码的交易频率而被认为是异常交易码，但是，低频交易的异常交易码通常是因为受到根因交易码的影响而产生异常的，因此，在定位候选根因交易码时，可以将异常交易码中的低频交易码筛选出去。
在实际应用中，可以对交易***中的历史交易数据进行数据分析，以确定各交易码对应的交易频率，进而，可以根据各交易频率与预设频率阈值，确定低频交易码。可选的，低频交易码可以定义为无交易的时间点占比超过第一预设阈值或交易量历史均值小于第二预设阈值。示例性的，假设交易码A一天的交易数据，以一分钟为单位记录交易量，则一天内有1440个检测时间点。其中，1440个检测时间点中1000个检测时间点有数值，则说明440个检测时间点为无交易时间点。进而，无交易时间点占比为440/1440＝0.31。若第一预设阈值为0.2，则可以说明交易码A的无交易时间点占比大于第一预设阈值。进一步的，假设1000个有交易的时间点交易量均值为30，第二预设阈值为10，则可以说明交易码A的交易量均值小于第二预设阈值，综上所述，交易码A为低频交易码。
进一步的，可以确定至少一个低频交易码，并且，在异常实时检测阶段，可以基于低频交易码对所确定的异常交易码进行筛选。
可选的，依据预先确定的低频交易码从至少一个异常交易码中确定出候选根因交易码，包括：针对各异常交易码，在当前异常交易码与低频交易码不匹配的情况下，将当前异常交易码确定为候选根因交易码。
在实际应用中，针对各异常交易码，可以将当前异常交易码与预先确定的低频交易码进行匹配。进而，在确定当前异常交易码与低频交易码不匹配的情况下，可以将当前交易码确定为候选根因交易码。
S140、基于至少一个候选根因交易码在至少一个影响特征指标下对应的特征数据以及预设构建的交易码关系网络，从至少一个候选根因交易码中确定出目标根因交易码。
其中，至少一个影响特征指标包括故障开始时间、交易成功率、交易失败数量、交易响应时间以及交易量异动程度。
在本实施例中，交易码关系网络可以理解为表征各交易码之间影响关系的网络。在实际应用中，可以对交易***中各交易码的历史交易数据进行数据分析，以确定各交易码之间的影响关系。进而，可以将各交易码作为节点，基于所确定的影响关系确定各节点之间的连接关系和连接方向，并依据所确定的连接关系和连接方向对各节点进行连接。进而，可以基于连接后的各节点确定交易码关系网络。
可选的，基于至少一个候选根因交易码在至少一个影响特征指标下对应的特征数据以及预设构建的交易码关系网络，从至少一个候选根因交易码中确定出目标根因交易码，包括：针对各影响特征指标，基于各候选根因交易码在当前影响特征指标下对应的特征数据对至少一个候选根因交易码进行排序，得到与当前影响特征指标对应的第一交易码顺序；基于交易码关系网络，确定与各候选根因交易码对应的中心性特征，并基于各中心性特征确定至少一个候选根因交易码在所述交易码关系网络下对应的第二交易码顺序；针对各候选根因交易码，分别确定当前候选根因交易码在第一交易码顺序中的第一位置序号，以及在第二交易码顺序中的第二位置序号，并基于第一位置序号和第二位置序号确定与当前候选根因交易码对应的目标位置序号；基于各目标位置序号，确定目标根因交易码。
本发明实施例的技术方案，通过对于交易***对应的各个检测时间点，基于所述交易***在当前检测时间点下各交易码对应的交易指标数据，确定所述交易***在所述当前检测时间点下对应的***指标数据，之后，基于所述***指标数据和预先确定的历史***指标数据，确定故障时间区间，进一步的，基于各交易码对应的交易指标数据和所述故障时间区间，从各交易码中确定出至少一个候选根因交易码，最后，基于至少一个候选根因交易码在至少一个影响特征指标下对应的特征数据以及预先构建的交易码关系网络，从至少一个候选根因交易码中确定出目标根因交易码，解决了相关技术中无法实现根因自动定位以及具有一定的局限性等问题，实现了异常交易码识别和根因自动定位的效果，并且，在根因定位阶段，通过对数据进行特征分析和提取，达到有效定位根因的效果，提高了根因定位效率和准确率。
实施例二
图2是本发明实施例二提供的一种交易数据处理方法的流程图，在前述实施例的基础上，可以预先构建交易码关系网络，进而，可以基于交易码关系网络，确定目标根因交易码。其具体的实施方式可以参见本实施例技术方案。其中，与上述实施例相同或者相似的技术术语在此不再赘述。
如图2所示，该方法包括：
S210、获取各交易码对应的历史交易指标数据。
其中，历史交易指标数据包括交易量、异常开始时间、交易失败数量、交易成功率以及交易响应时间中的至少一项。
在本实施例中，历史交易指标数据可以理解为预设时长内的各交易码对应的历史交易数据。其中，预设时长可以是任意时长，可选的，可以是1天或者7天等。
在实际应用中，为了对交易***中各交易码的交易情况进行数据分析，以根据数据分析结果确定各交易码之间的影响关系，可以获取各交易码对应的历史交易指标数据。进而，可以基于历史交易指标数据对交易***中各交易码的交易情况进行分析。
S220、依据预设影响关系指标对各交易码对应的历史交易指标数据进行分析，以构建交易码关系网络。
其中，预设影响关系指标包括回归影响指标、异常开始时间影响指标、响应时间影响指标以及交易量影响指标中的至少一项。
在实际应用中，在得到各交易码对应的历史交易指标数据之后，即可基于各交易码对应的历史交易指标数据对各交易码之间的影响关系进行分析。进而，可以基于分析结果构建交易码关系网络。
在本实施例中，对各交易码之间的影响关系进行分析，可以从至少四个方面进行分析，这四个方面可以包括回归影响分析、异常开始时间影响分析、响应时间影响分析以及交易量影响分析。下面可以分别对这四个方面的分析过程进行说明：
可选的，对于回归影响分析，针对各交易码，基于预设回归函数对当前交易码对应的交易响应时间、除当前交易码之外的其他交易码对应的交易响应时间和交易量进行数据分析，确定与当前交易码对应的第一影响关系信息，其中，第一影响关系信息包括与当前交易码对应的至少一个影响交易码。
其中，第一影响关系信息包括与当前交易码对应的至少一个影响交易码以及各影响交易码对应的影响系数，至少一个影响交易码属于除当前交易码之外的其他交易码。
在本实施例中，预设回归函数可以是基于预设回归算法构建的函数关系。预设回归算法可以是任意回归算法，可选的，可以是LASSO回归。本领域技术人员可以理解为，LASSO回归是一种常用的特征选择和稀疏建模方法，可以用于处理高维数据和解决过拟合问题。LASSO回归是一种回归模型，它可以用于特征选择和模型压缩，可以在变量众多的时候快速有效地提取出重要变量，对应于本技术方案对应的应用场景，针对各交易码，可以将当前交易码对应的交易响应时间作为因变量，将各交易码中除当前交易码之外的其他交易码对应的交易响应时间和交易量作为自变量，采用LASSO回归可以确定对当前交易码对应的交易响应时间影响最大的交易码。其中，影响交易码可以理解为其对应的交易响应时间和/或交易量对相应交易码产生影响的交易码。影响系数可以理解为表征任意两个交易码之间影响程度的系数。影响交易码对应的影响系数越大，可以表示该影响交易码对相应交易码的影响程度越大。
在实际应用中，针对各交易码，可以将当前交易码对应的交易响应时间作为因变量，将各交易码中除当前交易码之外的其他交易码对应的交易响应和交易量作为自变量，并且，其他交易码中每个交易码对应的交易响应时间和交易量均作为一组自变量。进而，将自变量和因变量输入至预设回归函数中，即可得到与当前交易码对应的至少一个影响交易码以及与各影响交易码对应的影响系数，即，得到与当前交易码对应的影响关系信息。
示例性的，将交易码A对应的交易响应时间作为因变量(Y)，各交易码中除交易码A之外的其他交易码对应的交易响应时间和交易量作为自变量(X1,X2,…,Xn)，预设回归函数为Y＝β1X1+β2X2+…+βnXn。进一步的，可以将交易码A对应的交易响应时间和其他交易码对应的交易响应时间和交易量输入至预设回归函数中，即可得到β1,β2,…,βn，可以将这些系数作为影响系数。之后，可以确定影响系数中不为0的影响系数，以及不为0的影响系数对应的交易码，可以将这些交易码作为交易码A对应的影响交易码。
可选的，对于异常开始时间影响分析，针对各交易码，基于当前交易码对应的异常开始时间以及其他交易码对应的异常开始时间，确定与当前交易码对应的第二影响关系信息，其中，第二影响关系信息包括与当前交易码对应的至少一个影响交易码。
在实际应用中，确定各交易码对应的异常开始时间，针对各交易码，将当前交易码对应的异常开始时间分别与其他交易码中各交易码对应的异常开始时间进行两两交易码分析，如果其他交易码中任一交易码的异常开始时间与当前交易码对应的异常开始时间相接近，且该交易码的异常开始时间早于当前交易码对应的异常开始时间，则可以确定该交易码为当前交易码对应的第二影响交易码。
可选的，对于交易响应时间，针对各交易码，基于当前交易码对应的交易响应时间以及其他交易码对应的交易响应时间，确定与所述当前交易码对应的第三影响关系信息，其中，所述第三影响关系信息包括与所述当前交易码对应的至少一个第三影响交易码。
在实际应用中，基于各交易码对应的历史交易指标数据，确定各交易码在各个时间点对应的交易响应时间，并构建与各交易码对应的交易响应时间序列。进而，针对各交易码，将当前交易码对应的交易响应时间序列分别与其他交易码中各交易码对应的交易响应时间序列进行两两交易码分析，两两交易码之间逐点比较交易响应时间的大小关系。如果其他交易码中任一交易码的交易响应时间总是小于当前交易码的交易响应时间，且该交易码的交易响应时间有大幅增大时，当前交易码的响应时间也会有明显增大，则认为该交易码为当前交易码对应的第三影响交易码。
可选的，对于交易量，针对各交易码，基于当前交易码对应的交易量以及其他交易码对应的交易量，确定与所述当前交易码对应的第四影响关系信息，其中，所述第四影响关系信息包括与所述当前交易码对应的至少一个第四影响交易码。
在实际应用中，基于各交易码对应的历史交易指标数据，确定各交易码在各个时间点对应的交易量，并构建与各交易码对应的交易量序列。进而，针对各交易码，将当前交易码对应的交易量序列分别与其他交易码中各交易码对应的交易量序列进行两两交易码分析，两两交易码之间逐个时间点比较交易量的大小关系，如果其他交易码中任一交易码的交易量总是小于当前交易码的交易量，且其他交易码中任一交易码的交易量有大幅增大时，当前交易码的交易量也有明显增大，则认为该交易码为当前交易码对应的第四影响交易码。
进一步的，分别确定与第一影响关系信息对应的第一权重，与第二影响关系信息对应的第二权重，与第三影响关系信息对应的第三权重以及与第四影响关系信息对应的第四权重。
最后，将各交易码作为节点，基于第一影响关系信息、第二影响关系信息、第三影响关系信息以及所述第四影响关系信息确定各节点之间的节点连接信息，基于连接后的各节点，确定初始关系网络，并基于第一权重、第二权重、第三权重以及第四权重为初始关系网络中各条路径进行赋值，以得到交易码关系网络。
其中，节点连接信息可以包括连接关系和连接方向。
在实际应用中，可以将各交易码作为节点，针对各交易码，可以将当前交易码作为源节点，将与当前交易码对应的各影响交易码作为目的节点。进而，可以基于影响关系信息，确定源节点与各目的节点之间的节点连接信息。进而，可以根据连接后的各节点构建初始关系网络。之后，可以根据第一权重、第二权重、第三权重以及第四权重对初始关系网络中所包括的各条路径进行赋值。进而，可以将赋值后的初始关系网络作为交易码关系网络。
示例性的，如图3所示，假设交易码数量为7个，分别为交易码A、交易码B、交易码C、交易码D、交易码E、交易码F和交易码G。第一权重为5、第二权重为4、第三权重为3、第四权重为2，图3中每条路径上的数字为相应权重。由图3可以看出，与交易码B对应的第一影响交易码为交易码A；与交易码B对应的第二影响交易码为交易码A和交易码D；与交易码B对应的第四交易码为交易码D。
S230、对于交易***对应的各个检测时间点，基于交易***在当前检测时间点下各交易码对应的交易指标数据，确定交易***在当前检测时间点下对应的***指标数据。
S240、基于***指标数据和预先确定的历史***指标数据，确定故障持续区间。
S250、基于各交易码对应的交易指标数据和故障持续区间，从各交易码中确定出至少一个候选根因交易码。
S260、基于至少一个候选根因交易码在至少一个影响特征指标下对应的特征数据以及预设构建的交易码关系网络，从至少一个候选根因交易码中确定出目标根因交易码。
本发明实施例的技术方案，通过对于交易***对应的各个检测时间点，基于所述交易***在当前检测时间点下各交易码对应的交易指标数据，确定所述交易***在所述当前检测时间点下对应的***指标数据，之后，基于所述***指标数据和预先确定的历史***指标数据，确定故障时间区间，进一步的，基于各交易码对应的交易指标数据和所述故障时间区间，从各交易码中确定出至少一个候选根因交易码，最后，基于至少一个候选根因交易码在至少一个影响特征指标下对应的特征数据以及预先构建的交易码关系网络，从至少一个候选根因交易码中确定出目标根因交易码，解决了相关技术中无法实现根因自动定位以及具有一定的局限性等问题，实现了异常交易码识别和根因自动定位的效果，并且，在根因定位阶段，通过对数据进行特征分析和提取，达到有效定位根因的效果，提高了根因定位效率和准确率。
实施例三
图4是本发明实施例三提供的一种交易数据处理装置的结构示意图。如图4所示，该装置包括：***指标数据确定模块310、故障持续区间确定模块320、候选根因交易码确定模块330以及目标根因交易码确定模块340。
其中，***指标数据确定模块310，用于对于交易***对应的各个检测时间点，基于所述交易***在当前检测时间点下各交易码对应的交易指标数据，确定所述交易***在所述当前检测时间点下对应的***指标数据，其中，所述交易码用于指示交易请求的交易类型，所述交易指标数据包括交易量、交易失败数量、交易成功率以及交易响应时间中的至少一项；故障持续区间确定模块320，用于基于所述***指标数据和预先确定的历史***指标数据，确定故障持续区间；候选根因交易码确定模块330，用于基于所述各交易码对应的交易指标数据和所述故障时间区间，从各所述交易码中确定出至少一个候选根因交易码；目标根因交易码确定模块340，用于基于所述至少一个候选根因交易码对应的交易特征数据以及预先构建的交易码关系网络，从所述至少一个候选根因交易码中确定出目标根因交易码。
可选的，所述***指标数据包括***交易量、***失败数量、***成功率以及***响应时间中的至少一项，
***指标数据确定模块310包括：***交易量确定单元、***失败数量确定单元、***成功率确定单元以及***响应时间确定单元。
***交易量确定单元，用于获取当前检测时间点下各交易码对应的交易量，并将各交易量相加，以得到所述交易***在当前检测时间点对应的***交易量；
***失败数量确定单元，用于获取当前检测时间点下各交易码对应的交易失败数量，并将各交易失败数据相加，以得到所述交易***在当前检测时间点对应的***失败数量；
***成功率确定单元，用于确定所述***失败数量与所述***交易量之间的比值，得到***失败率，并确定预设数值与所述***失败率之间的差值，以得到所述交易***在当前检测时间点对应的***成功率；
***响应时间确定单元，用于获取当前检测时间点下各交易码对应的交易响应时间，并确定各交易响应时间之间的均值，以得到所述交易***在当前检测时间点对应的***响应时间。
可选的，故障持续区间确定模块320包括：故障持续时间确定单元、时间长度确定单元以及故障持续区间确定单元。
故障持续时间确定单元，用于在所述***指标数据满足预设故障检测标准的情况下，将所述当前检测时间点对应的***时间作为故障持续时间；
时间长度确定单元，用于确定所述历史***指标数据中满足预设故障检测标准的至少一个目标***指标数据，并确定各目标***指标数据对应的检测时间点与所述当前检测时间点之间的时间长度，并确定各所述时间长度中的最大值；
故障持续区间确定单元，用于在确定所述最大值不小于预设时长的情况下，确定所述最大值对应的检测时间点，并将所述检测时间点对应的***时间作为故障开始时间，并基于所述故障开始时间和所述故障持续时间确定故障持续区间。
可选的，所述预设故障检测标准包括成功率异常标准和响应时间异常标准，故障持续时间确定单元，具体用于基于历史***指标数据中的历史***响应时间确定响应时间均值和响应时间标准差；确定所述响应时间标准差与预设校验系数之间的乘积，得到第一数值，并将所述响应时间均值和所述第一数值相加，以得到第二数值；在确定所述***响应时间不小于所述第二数值的情况下，确定所述***响应时间满足响应时间异常标准；在确定所述***成功率小于预设阈值的情况下，确定所述***成功率满足成功率异常标准。
可选的，候选根因交易码确定模块330包括：异常交易码确定单元和候选根因交易码确定单元。
异常交易码确定单元，用于针对所述故障持续区间内的各交易码，在当前交易码对应的交易响应时间满足响应时间异常标准，或所述当前交易码对应的交易成功率满足成功率异常标准，或所述当前交易码对应的交易量满***易量检测标准的情况下，将所述当前交易码作为异常交易码；
候选根因交易码确定单元，用于依据预先确定的低频交易码从至少一个所述异常交易码中确定出候选根因交易码。
可选的，候选根因交易码确定单元，具体用于针对各所述异常交易码，在当前异常交易码与所述低频交易码不匹配的情况下，将所述当前异常交易码确定为候选根因交易码。
可选的，目标根因交易码确定模块340包括：第一交易码顺序确定单元、第二交易码顺序确定单元、目标位置序号确定单元和目标根因交易码确定单元。
第一交易码顺序确定单元，用于针对各所述影响特征指标，基于各所述候选根因交易码在当前影响特征指标下对应的特征数据对所述至少一个候选根因交易码进行排序，得到与所述当前影响特征指标对应的第一交易码顺序；
第二交易码顺序确定单元，用于基于所述交易码关系网络，确定与各所述候选根因交易码对应的中心性特征，并基于各所述中心性特征确定所述至少一个候选根因交易码在所述交易码关系网络下对应的第二交易码顺序；
目标位置序号确定单元，用于针对各所述候选根因交易码，分别确定当前候选根因交易码在所述第一交易码顺序中的第一位置序号，以及在所述第二交易码顺序中的第二位置序号，并基于所述第一位置序号和所述第二位置序号确定与所述当前候选根因交易码对应的目标位置序号；
目标根因交易码确定单元，用于基于各所述目标位置序号，确定目标根因交易码。
可选的，所述装置还包括：历史数据获取模块和关系网络构建模块。
历史数据获取模块，用于获取各交易码对应的历史交易指标数据，其中，所述历史交易指标数据包括交易量、交易失败数量、交易成功率以及交易响应时间中的至少一项；
关系网络构建模块，用于依据预设影响关系指标对各所述交易码对应的历史交易指标数据进行分析，以构建交易码关系网络。
可选的，所述预设影响关系指标包括回归影响指标、异常开始时间影响指标、响应时间影响指标以及交易量影响指标中的至少一项，关系网络构建模块包括：第一影响关系信息确定单元、第二影响关系信息确定单元、第三影响关系信息确定单元、第四影响关系信息确定单元、权重确定单元、交易码关系网络构建单元。
第一影响关系信息确定单元，用于针对各交易码，基于预设回归函数对当前交易码对应的交易响应时间、除所述当前交易码之外的其他交易码对应的交易响应时间和交易量进行数据分析，确定与所述当前交易码对应的第一影响关系信息，其中，所述第一影响关系信息包括与所述当前交易码对应的至少一个第一影响交易码；和/或，
第二影响关系信息确定单元，用于针对各交易码，基于当前交易码对应的异常开始时间以及其他交易码对应的异常开始时间，确定与所述当前交易码对应的第二影响关系信息，其中，所述第二影响关系信息包括与所述当前交易码对应的至少一个第二影响交易码；和/或，
第三影响关系信息确定单元，用于针对各交易码，基于当前交易码对应的交易响应时间以及其他交易码对应的交易响应时间，确定与所述当前交易码对应的第三影响关系信息，其中，所述第三影响关系信息包括与所述当前交易码对应的至少一个第三影响交易码；和/或，
第四影响关系信息确定单元，用于针对各交易码，基于当前交易码对应的交易量以及其他交易码对应的交易量，确定与所述当前交易码对应的第四影响关系信息，其中，所述第四影响关系信息包括与所述当前交易码对应的至少一个第四影响交易码；
权重确定单元，用于分别确定与所述第一影响关系信息对应的第一权重，与所述第二影响关系信息对应的第二权重，与所述第三影响关系信息对应的第三权重以及与所述第四影响关系信息对应的第四权重；
交易码关系网络构建单元，用于将各所述交易码作为节点，基于所述第一影响关系信息、所述第二影响关系信息、所述第三影响关系信息以及所述第四影响关系信息确定节点连接信息，基于连接后的各所述节点，确定初始关系网络，并基于所述第一权重、所述第二权重、所述第三权重以及所述第四权重为所述初始关系网络中相应路径进行赋值，以得到交易码关系网络。
本发明实施例的技术方案，通过对于交易***对应的各个检测时间点，基于所述交易***在当前检测时间点下各交易码对应的交易指标数据，确定所述交易***在所述当前检测时间点下对应的***指标数据，之后，基于所述***指标数据和预先确定的历史***指标数据，确定故障时间区间，进一步的，基于各交易码对应的交易指标数据和所述故障时间区间，从各交易码中确定出至少一个候选根因交易码，最后，基于至少一个候选根因交易码在至少一个影响特征指标下对应的特征数据以及预先构建的交易码关系网络，从至少一个候选根因交易码中确定出目标根因交易码，解决了相关技术中无法实现根因自动定位以及具有一定的局限性等问题，实现了异常交易码识别和根因自动定位的效果，并且，在根因定位阶段，通过对数据进行特征分析和提取，达到有效定位根因的效果，提高了根因定位效率和准确率。
本发明实施例所提供的交易数据处理装置可执行本发明任意实施例所提供的交易数据处理方法，具备执行方法相应的功能模块和有益效果。
实施例四
图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如交易数据处理方法。
在一些实施例中，交易数据处理方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的交易数据处理方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行交易数据处理方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的***和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种交易数据处理方法，其特征在于，包括：
对于交易***对应的各个检测时间点，基于所述交易***在当前检测时间点下各交易码对应的交易指标数据，确定所述交易***在所述当前检测时间点下对应的***指标数据，其中，所述交易码用于指示交易请求的交易类型，所述交易指标数据包括交易量、交易失败数量、交易成功率以及交易响应时间中的至少一项；
基于所述***指标数据和预先确定的历史***指标数据，确定故障持续区间；
基于所述各交易码对应的交易指标数据和所述故障持续区间，从各所述交易码中确定出至少一个候选根因交易码；
基于所述至少一个候选根因交易码在至少一个影响特征指标下对应的特征数据以及预设构建的交易码关系网络，从所述至少一个候选根因交易码中确定出目标根因交易码，其中，所述至少一个影响特征指标包括故障开始时间、交易成功率、交易失败数量、交易响应时间以及交易量异动程度。
2.根据权利要求1所述的方法，其特征在于，所述***指标数据包括***交易量、***失败数量、***成功率以及***响应时间中的至少一项，
所述基于所述交易***在当前检测时间点下各交易码对应的交易指标数据，确定所述交易***在所述当前检测时间点下对应的***指标数据，包括：
获取当前检测时间点下各交易码对应的交易量，并将各交易量相加，以得到所述交易***在当前检测时间点对应的***交易量；
获取当前检测时间点下各交易码对应的交易失败数量，并将各交易失败数据相加，以得到所述交易***在当前检测时间点对应的***失败数量；
确定所述***失败数量与所述***交易量之间的比值，得到***失败率，并确定预设数值与所述***失败率之间的差值，以得到所述交易***在当前检测时间点对应的***成功率；
获取当前检测时间点下各交易码对应的交易响应时间，并确定各交易响应时间之间的均值，以得到所述交易***在当前检测时间点对应的***响应时间。
3.根据权利要求1所述的方法，其特征在于，所述基于所述***指标数据和预先确定的历史***指标数据，确定故障持续区间，包括：
在所述***指标数据满足预设故障检测标准的情况下，将所述当前检测时间点对应的***时间作为故障持续时间；
确定所述历史***指标数据中满足预设故障检测标准的至少一个目标***指标数据，并确定各目标***指标数据对应的检测时间点与所述当前检测时间点之间的时间长度，并确定各所述时间长度中的最大值；
在确定所述最大值不小于预设时长的情况下，确定所述最大值对应的检测时间点，并将所述检测时间点对应的***时间作为故障开始时间，并基于所述故障开始时间和所述故障持续时间确定故障持续区间。
4.根据权利要求3所述的方法，其特征在于，所述预设故障检测标准包括成功率异常标准和响应时间异常标准，确定所述***指标数据满足预设故障检测标准，包括：
基于历史***指标数据中的历史***响应时间确定响应时间均值和响应时间标准差；
确定所述响应时间标准差与预设校验系数之间的乘积，得到第一数值，并将所述响应时间均值和所述第一数值相加，以得到第二数值；
在确定所述***响应时间不小于所述第二数值的情况下，确定所述***响应时间满足响应时间异常标准；
在确定***成功率小于预设阈值的情况下，确定所述***成功率满足成功率异常标准。
5.根据权利要求1所述的方法，其特征在于，所述基于所述各交易码对应的交易指标数据和所述故障持续区间，从各所述交易码中确定出至少一个候选根因交易码，包括：
针对所述故障持续区间内的各交易码，在当前交易码对应的交易响应时间满足响应时间异常标准，或所述当前交易码对应的交易成功率满足成功率异常标准，或所述当前交易码对应的交易量满***易量检测标准的情况下，将所述当前交易码作为异常交易码；
依据预先确定的低频交易码从至少一个所述异常交易码中确定出候选根因交易码。
6.根据权利要求5所述的方法，其特征在于，所述依据预先确定的低频交易码从至少一个所述异常交易码中确定出候选根因交易码，包括：
针对各所述异常交易码，在当前异常交易码与所述低频交易码不匹配的情况下，将所述当前异常交易码确定为候选根因交易码。
7.根据权利要求1所述的方法，其特征在于，所述基于所述至少一个候选根因交易码在至少一个影响特征指标下对应的特征数据以及预设构建的交易码关系网络，从所述至少一个候选根因交易码中确定出目标根因交易码，包括：
针对各所述影响特征指标，基于各所述候选根因交易码在当前影响特征指标下对应的特征数据对所述至少一个候选根因交易码进行排序，得到与所述当前影响特征指标对应的第一交易码顺序；
基于所述交易码关系网络，确定与各所述候选根因交易码对应的中心性特征，并基于各所述中心性特征确定所述至少一个候选根因交易码在所述交易码关系网络下对应的第二交易码顺序；
针对各所述候选根因交易码，分别确定当前候选根因交易码在所述第一交易码顺序中的第一位置序号，以及在所述第二交易码顺序中的第二位置序号，并基于所述第一位置序号和所述第二位置序号确定与所述当前候选根因交易码对应的目标位置序号；
基于各所述目标位置序号，确定目标根因交易码。
8.根据权利要求1所述的方法，其特征在于，还包括：
获取各交易码对应的历史交易指标数据，其中，所述历史交易指标数据包括交易量、交易失败数量、交易成功率以及交易响应时间中的至少一项；
依据预设影响关系指标对各所述交易码对应的历史交易指标数据进行分析，以构建交易码关系网络。
9.根据权利要求8所述的方法，其特征在于，所述预设影响关系指标包括回归影响指标、异常开始时间影响指标、响应时间影响指标以及交易量影响指标中的至少一项，所述依据预设影响关系指标对各所述交易码对应的历史交易指标数据进行分析，以构建交易码关系网络，包括：
针对各交易码，基于预设回归函数对当前交易码对应的交易响应时间、除所述当前交易码之外的其他交易码对应的交易响应时间和交易量进行数据分析，确定与所述当前交易码对应的第一影响关系信息，其中，所述第一影响关系信息包括与所述当前交易码对应的至少一个第一影响交易码；和/或，
针对各交易码，基于当前交易码对应的异常开始时间以及其他交易码对应的异常开始时间，确定与所述当前交易码对应的第二影响关系信息，其中，所述第二影响关系信息包括与所述当前交易码对应的至少一个第二影响交易码；和/或，
针对各交易码，基于当前交易码对应的交易响应时间以及其他交易码对应的交易响应时间，确定与所述当前交易码对应的第三影响关系信息，其中，所述第三影响关系信息包括与所述当前交易码对应的至少一个第三影响交易码；和/或，
针对各交易码，基于当前交易码对应的交易量以及其他交易码对应的交易量，确定与所述当前交易码对应的第四影响关系信息，其中，所述第四影响关系信息包括与所述当前交易码对应的至少一个第四影响交易码；
分别确定与所述第一影响关系信息对应的第一权重，与所述第二影响关系信息对应的第二权重，与所述第三影响关系信息对应的第三权重以及与所述第四影响关系信息对应的第四权重；
将各所述交易码作为节点，基于所述第一影响关系信息、所述第二影响关系信息、所述第三影响关系信息以及所述第四影响关系信息确定节点连接信息，基于连接后的各所述节点，确定初始关系网络，并基于所述第一权重、所述第二权重、所述第三权重以及所述第四权重为所述初始关系网络中相应路径进行赋值，以得到交易码关系网络。
10.一种交易数据处理装置，其特征在于，包括：
***指标数据确定模块，用于对于交易***对应的各个检测时间点，基于所述交易***在当前检测时间点下各交易码对应的交易指标数据，确定所述交易***在所述当前检测时间点下对应的***指标数据，其中，所述交易码用于指示交易请求的交易类型，所述交易指标数据包括交易量、交易失败数量、交易成功率以及交易响应时间中的至少一项；
故障持续区间确定模块，用于基于所述***指标数据和预先确定的历史***指标数据，确定故障持续区间；
候选根因交易码确定模块，用于基于所述各交易码对应的交易指标数据和所述故障持续区间，从各所述交易码中确定出至少一个候选根因交易码；
目标根因交易码确定模块，用于基于所述至少一个候选根因交易码在至少一个影响特征指标下对应的特征数据以及预设构建的交易码关系网络，从所述至少一个候选根因交易码中确定出目标根因交易码，其中，所述至少一个影响特征指标包括故障开始时间、交易成功率、交易失败数量、交易响应时间以及交易量异动程度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311608220.8A CN117608896A (zh) | 2023-11-28 | 2023-11-28 | 交易数据处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311608220.8A CN117608896A (zh) | 2023-11-28 | 2023-11-28 | 交易数据处理方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117608896A true CN117608896A (zh) | 2024-02-27 |
Family
ID=89957649
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311608220.8A Pending CN117608896A (zh) | 2023-11-28 | 2023-11-28 | 交易数据处理方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117608896A (zh) |
-
2023
- 2023-11-28 CN CN202311608220.8A patent/CN117608896A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116049146B (zh) | 一种数据库故障处理方法、装置、设备及存储介质 | |
| CN116225769B (zh) | 一种***故障根因的确定方法、装置、设备及介质 | |
| CN116010220A (zh) | 一种告警诊断方法、装置、设备及存储介质 | |
| CN116471174B (zh) | 一种日志数据监测***、方法、装置和存储介质 | |
| CN116668264A (zh) | 一种告警聚类的根因分析方法、装置、设备及存储介质 | |
| CN116431505A (zh) | 一种回归测试方法、装置、电子设备、存储介质及产品 | |
| CN116226644A (zh) | 设备故障类型的确定方法、装置、电子设备及存储介质 | |
| CN114896418A (zh) | 知识图谱构建方法、装置、电子设备及存储介质 | |
| CN114881112A (zh) | 一种***异常检测方法、装置、设备及介质 | |
| CN117608896A (zh) | 交易数据处理方法、装置、电子设备及存储介质 | |
| CN116820826B (zh) | 一种基于调用链的根因定位方法、装置、设备及存储介质 | |
| CN117395071B (zh) | 一种异常检测方法、装置、设备及存储介质 | |
| CN117493060A (zh) | 数据库组件异常检测方法、装置、设备及介质 | |
| CN118170606A (zh) | 一种日志数据检测方法、装置、电子设备及存储介质 | |
| CN116628491A (zh) | 一种二分类模型的训练方法、装置、电子设备和存储介质 | |
| CN117909717A (zh) | 一种基于深度学习和数据挖掘的工程量辅助验收结算方法 | |
| CN117592618A (zh) | 一种活跃用户预测方法、装置、服务器和存储介质 | |
| CN117422339A (zh) | 一种电网节点的重要性评估方法、装置、设备及介质 | |
| CN116089499A (zh) | 基于kafka数据量的数据统计方法、装置及介质 | |
| CN117934001A (zh) | 一种交易异常检测方法、装置、电子设备及存储介质 | |
| CN117670363A (zh) | 一种预警方法、装置、设备及存储介质 | |
| CN117611137A (zh) | 基于维保记录的故障树分析方法、装置、电子设备和介质 | |
| CN117670298A (zh) | 一种故障检测方法、电子设备及存储介质 | |
| CN118074625A (zh) | 设备故障检测方法、装置、设备及存储介质 | |
| CN117195704A (zh) | 一种检测模型训练、设备故障检测方法及装置 |
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 |