银行系统性能预测方法及装置与流程

本发明涉及人工智能、金融领域，尤其涉及银行系统性能预测方法及装置。

背景技术：

1、

2、随着金融科技的不断发展，银行系统的功能不断扩充，对银行系统的持续性与稳定性方面的要求也在不断增高，通常为5个9(99.999％)或者6个9(99.9999％)级别，即年度非计划宕机时间不超过5分钟或30秒。这对于银行系统运维和应急人员的专业要求极高，为此需要定期采集银行系统的生产监控数据进行分析，从而提前进行银行系统风险预警或银行系统运行的性能预测，避免银行系统不可对外提供服务。

3、现有技术中已经存在人工智能算法进行银行系统的风险等级、业务处理能力等性能预测，但由于银行系统中存在多个处理不同业务的业务系统，各业务系统的监控指标较多、各监控指标之间的逻辑关系复杂，且存在例如结息日、季结、年结、双十一等特殊营业日的业务特点，目前传统的机器学习算法获取所有业务系统的监控数据进行处理分析，往往很难较好的处理大量高维度的数据，即容易出现数据灾难，进而产生过拟合或缺失数据敏感等问题，从而导致预测准确率不理想，而新崛起的深度学习算法，依赖于大量数据训练模型来提高准确率，不仅训练耗时，获取满足训练要求的大量数据也往往存在困难，也会导致预测准确率、效率较低。

技术实现思路

1、本发明实施例提供一种银行系统性能预测方法，用以在银行系统性能预测时有效降低数据量，避免数据灾难，提升银行系统性能预测的准确率、效率，其中，银行系统包括多个业务系统，该方法包括：

2、采集各业务系统的整体状态数据，所述整体状态数据反映业务系统的整体运行健康状态；所述整体运行健康状态包括稳定、需要观察；

3、根据各业务系统的整体状态数据，分别判断各业务系统的整体运行健康状态；

4、对整体运行健康状态为需要观察的业务系统：

5、采集多个监控数据；

6、根据主成分分析算法，对监控数据进行数据降维、特征提取，得到特征向量；

7、将特征向量分别输入至性能预测模型，输出风险预警信息；所述性能预测模型根据各业务系统历史发出风险预警时的：监控数据和风险预警信息，对支持向量机模型训练得到。

8、本发明实施例还提供一种银行系统性能预测装置，用以在银行系统性能预测时有效降低数据量，避免数据灾难，提升银行系统性能预测的准确率、效率，其中，银行系统包括多个业务系统，该装置包括：

9、整体状态处理模块，用于采集各业务系统的整体状态数据，所述整体状态数据反映业务系统的整体运行健康状态；所述整体运行健康状态包括稳定、需要观察；根据各业务系统的整体状态数据，分别判断各业务系统的整体运行健康状态；

10、个别业务系统处理模块，用于对整体运行健康状态为需要观察的业务系统：采集多个监控数据；根据主成分分析算法，对监控数据进行数据降维、特征提取，得到特征向量；将特征向量分别输入至性能预测模型，输出风险预警信息；所述性能预测模型根据各业务系统历史发出风险预警时的：监控数据和风险预警信息，对支持向量机模型训练得到。

11、本发明实施例还提供一种计算机设备，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，所述处理器执行所述计算机程序时实现上述银行系统性能预测方法。

12、本发明实施例还提供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程序，所述计算机程序被处理器执行时实现上述银行系统性能预测方法。

13、本发明实施例还提供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，所述计算机程序被处理器执行时实现上述银行系统性能预测方法。

14、本发明实施例中银行系统包括多个业务系统，采集各业务系统的整体状态数据，所述整体状态数据反映业务系统的整体运行健康状态；所述整体运行健康状态包括稳定、需要观察；根据各业务系统的整体状态数据，分别判断各业务系统的整体运行健康状态；对整体运行健康状态为需要观察的业务系统：采集多个监控数据；根据主成分分析算法，对监控数据进行数据降维、特征提取，得到特征向量；将特征向量分别输入至性能预测模型，输出风险预警信息；所述性能预测模型根据各业务系统历史发出风险预警时的：监控数据和风险预警信息，对支持向量机模型训练得到。本发明实施例中，首先采集各业务系统的整体状态数据，初步判断各业务系统运行性能是否稳定，避免了直接采集所有业务系统的监控数据进行分析处理；其次对于整体运行健康状态为需要观察的业务系统，采集监控数据，利用主成分分析算法降低数据维度，进一步减小了数据量，最后利用支持向量机模型，实现了业务系统性能预测，实现了有效降低数据量，避免数据灾难，提升了银行系统性能预测的准确率、效率。

技术特征：

1.一种银行系统性能预测方法，其特征在于，所述银行系统包括多个业务系统，包括：

2.如权利要求1所述的方法，其特征在于，根据各业务系统的整体状态数据，分别判断各业务系统的整体运行健康状态，包括：

3.如权利要求2所述的方法，其特征在于，所述整体状态数据包括总交易量、峰值每秒事物数tps、过去预设时长交易量增长量、和过去预设时长tps增长率；所述整体阈值包括总交易量阈值、峰值tps阈值、交易量增长量阈值、和tps增长率阈值；

4.如权利要求1所述的方法，其特征在于，所述监控数据包括应用监控数据、和资源监控数据；所述应用监控数据包括反映业务处理数量、和业务处理速度的多个数据，所述资源监控数据反映硬件资源的运行状态；

5.如权利要求1所述的方法，其特征在于，采集多个监控数据后，还包括：

6.如权利要求5所述的方法，其特征在于，根据主成分分析算法，对监控数据进行数据降维、特征提取，得到特征向量，包括：

7.如权利要求6所述的方法，其特征在于，所述监控数据标识包括交易类型标识；

8.如权利要求1所述的方法，其特征在于，所述性能预测模型按如下方式训练的得到：

9.如权利要求1所述的方法，其特征在于，采集多个监控数据后，还包括：

10.一种银行系统性能预测装置，其特征在于，所述银行系统包括多个业务系统，包括：

11.一种计算机设备，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计算机程序时实现权利要求1至9任一所述方法。

12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至9任一所述方法。

13.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现权利要求1至9任一所述方法。

技术总结本发明公开了一种银行系统性能预测方法及装置，涉及人工智能技术领域、金融领域，其中该方法包括：采集银行系统中各业务系统的整体状态数据，所述整体状态数据反映业务系统的整体运行健康状态；根据各业务系统的整体状态数据，分别判断各业务系统的整体运行健康状态；对整体运行健康状态为需要观察的业务系统：采集多个监控数据；根据主成分分析算法，对监控数据进行数据降维，得到特征向量；将特征向量分别输入至性能预测模型，输出风险预警信息；所述性能预测模型根据各业务系统历史发出风险预警时的：监控数据和风险预警信息，对支持向量机模型训练得到。本发明可以有效降低数据量，避免数据灾难。技术研发人员：张纯钰受保护的技术使用者：建信金融科技有限责任公司技术研发日：技术公布日：2024/7/29