新浪博客

ATM交易状态特征分析与异常检测软件实现

2018-01-16 19:38阅读:
之前有关ATM交易状态特征分析与异常检测的博客已经太久远了,既然数据、基本思路有了,下来可以开发一个检测软件将思路确定下来并以此作为总结~
源码地址 https://github.com/Mschenl/algorithm-code.git
实现目标: 交易量、成功率、响应时间的特征参数提取
1、不同日期相同时间(分钟)的交易量符合正态分布,我们提取不同日期相同时间(分钟)的交易量的平均值和方差作为交易量的特征参数。
2、交易量低是造成成功率离散程度高的原因,因此对交易量不足设定值K的时间进行连续累加——>当累加值超过K时计算一次成功率——>以这个成功率来代表这段时间的成功率 ,考虑到后续及时报警因素的考虑,经过多次尝试,K值定为50时效果明显,且最长累加时间为10分钟,符合及时报警的考虑因素。根据双次N值比较法的需要,我们先进行第一次N值比较处理,
SPAN>去除极端异常值之后求出成功率的平均值和方差作为其特征参数.
3、同样的,分析响应时间的数据,由于响应时间存在极大偏离值,因此使用双次N值比较法更为合理.
根据方差分析法的需要,我们先进行第一次处理,去除极端异常值之后求出响应时间的平均值和方差作为其特征参数。

实现目标:交易量、成功率、响应时间异常数据的判断
通过三个重要指标的异常数据检测模型的建立,当任一指标出现异常数据即可及时发现.
根据题目中描述常见的故障场景包括但不限于如下情形:
1、分行侧网络传输节点故障,前端交易无法上送请求,导致业务量陡降;
2、分行侧参数数据变更或者配置错误,数据中心后端处理失败率增加,影响交易成功率指标;
3、数据中心后端处理系统异常(如操作系统 CPU 负荷过大)引起交易处理缓慢,影响交易响应时间指标;
4、数据中心后端处理系统应用进程异常,导致交易失败或响应缓慢。
故障场景1对应交易量出现异常降低的数据
故障场景2对应交易成功率出现异常降低的数据
故障场景3对应响应时间出现异常上升的数据
故障场景4对应响应时间出现异常上升的数据和交易成功率出现异常降低的数据。则
1、交易量低于交易量置信区间下界则判定为异常(3倍标准差)
对于区间下界小于0的情况该方法不能适用,可以采用:在规定时间内交易量大于平均值A的时间需大于等于某个阀值否则判定为异常。
2、成功率低于成功率置信区间下界则判定为异常(2倍标准差)
3、响应时间高于置信区间上界则判定为异常(2倍标准差)
当任何一个故障场景出现并维持一定时间后(如5分钟),则判定出现故障,可以进行报警操作。

我的更多文章

下载客户端阅读体验更佳

APP专享