业务风险事件的识别方法、装置、计算机设备和存储介质与流程

1.本技术涉及信息安全技术领域，特别是涉及一种业务风险事件的识别方法、装置、计算机设备、存储介质和计算机程序产品。


背景技术：

2.随着互联网技术的快速发展，互联网中的业务也在急剧增加。为了保证用户的权益不受损害，需要对业务办理过程中出现的业务风险事件进行识别。例如，针对金融市场后台的运营业务，在业务办理时可能会出现交易未授权事件、对外清算失败事件等业务风险事件。若不及时解决这些业务风险事件，可能会造成违约风险。由此可见，通过对业务中存在的业务风险事件进行识别，可及时发现业务办理过程中出现的问题并解决，如此避免了不良影响的产生。
3.传统技术中，通常是基于业务人员的专业经验来识别待测业务中是否存在业务风险事件。但是，随着业务体量的不断增加，采用传统技术，存在识别效率较低的问题。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够提高识别效率的业务风险事件的识别方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
5.第一方面，本技术提供了一种业务风险事件的识别方法。所述方法包括：
6.接收风险事件识别请求；其中，所述风险事件识别请求中携带有待测业务的业务属性；
7.获取所述待测业务对应的业务指标的时间序列；其中，所述时间序列为由所述业务指标的历史指标值按照时间顺序排列得到的数列；
8.将所述时间序列输入至预先训练好的指标预测模型，得到所述业务指标的预测指标值；
9.根据所述预测指标值以及与所述业务属性相关联的指标阈值，识别所述待测业务是否存在业务风险事件。
10.在其中一个实施例中，所述业务指标的历史指标值为在采样时段内采集的业务指标的历史指标值；所述采样时段是基于本次预测时间确定的；
11.所述将所述时间序列输入至预先训练好的指标预测模型，得到所述业务指标的预测指标值，包括：
12.将所述时间序列输入至预先训练好的指标预测模型，得到所述本次预测时间下所述业务指标的预测指标值；
13.所述方法还包括：
14.计算所述本次预测时间下所述业务指标的预测指标值和所述本次预测时间下所述业务指标的实际指标值之间的偏差率；
15.若所述偏差率大于或等于预设阈值，则将所述本次预测时间确定为新的采样时段
的开始时间；其中，所述新的采样时段为基于所述本次预测时间之后的预测时间确定的采样时段。
16.在其中一个实施例中，所述业务属性包括业务所办理的虚拟资源的资源类型；所述根据所述预测指标值以及与所述业务属性相关联的指标阈值，识别所述待测业务是否存在业务风险事件，包括：
17.在达到预警频率的条件下，根据所述预测指标值以及与所述业务属性相关联的指标阈值，识别所述待测业务是否存在业务风险事件；
18.所述方法还包括：
19.获取当前时间与所述资源类型关联的清算截止时间之间的时间间隔；
20.获取与所述时间间隔相关联的预警频率，确定为更新的预警频率；
21.采用所述更新的预警频率对所述预警频率进行更新。
22.在其中一个实施例中，所述业务属性包括业务所办理的虚拟资源的资源类型；所述获取所述待测业务对应的业务指标的时间序列，包括：
23.获取所述待测业务对应的业务指标的历史指标值集合；其中，所述历史指标值集合由不同时间下采集的业务指标的历史指标值构成；
24.获取所述资源类型关联的清算截止时间；
25.在所述历史指标值集合中，剔除位于所述清算截止时间之后的历史指标值，得到目标指标值集合；
26.将所述目标指标值集合中的历史指标值，按照时间顺序进行排列，得到所述待测业务对应的业务指标的时间序列。
27.在其中一个实施例中，所述获取所述待测业务对应的业务指标的时间序列，包括：
28.获取所述待测业务对应的业务指标的历史指标值集合；其中，所述历史指标值集合由不同时间下采集的业务指标的历史指标值构成；
29.在所述历史指标值集合中，剔除位于节假日内的历史指标值，得到目标指标值集合；
30.将所述目标指标值集合中的历史指标值，按照时间顺序进行排列，得到所述待测业务对应的业务指标的时间序列。
31.在其中一个实施例中，所述指标预测模型为三次指数平滑模型；
32.所述将所述时间序列输入至预先训练好的指标预测模型，得到所述业务指标的预测指标值，包括：
33.将所述时间序列输入至预先训练好的指标预测模型中；
34.在所述指标预测模型中，根据所述时间序列和上一周期的一次指数平滑值，计算当前周期的一次指数平滑值；
35.在所述指标预测模型中，根据所述当前周期的一次指数平滑值和上一周期的二次指数平滑值，计算当前周期的二次指数平滑值；
36.在所述指标预测模型中，根据所述当前周期的二次指数平滑值和上一周期的三次指数平滑值，计算当前周期的三次指数平滑值；
37.在所述指标预测模型中，根据所述当前周期的一次指数平滑值、当前周期的二次指数平滑值和当前周期的三次指数平滑值，计算所述业务指标的预测指标值。
38.第二方面，本技术还提供了一种业务风险事件的识别装置。所述装置包括：
39.请求接收模块，用于接收风险事件识别请求；其中，所述风险事件识别请求中携带有待测业务的业务属性；
40.指标获取模块，用于获取所述待测业务对应的业务指标的时间序列；其中，所述时间序列为由所述业务指标的历史指标值按照时间顺序排列得到的数列；
41.指标预测模块，用于将所述时间序列输入至预先训练好的指标预测模型，得到所述业务指标的预测指标值；
42.事件识别模块，用于根据所述预测指标值以及与所述业务属性相关联的指标阈值，识别所述待测业务是否存在业务风险事件。
43.第三方面，本技术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：
44.接收风险事件识别请求；其中，所述风险事件识别请求中携带有待测业务的业务属性；
45.获取所述待测业务对应的业务指标的时间序列；其中，所述时间序列为由所述业务指标的历史指标值按照时间顺序排列得到的数列；
46.将所述时间序列输入至预先训练好的指标预测模型，得到所述业务指标的预测指标值；
47.根据所述预测指标值以及与所述业务属性相关联的指标阈值，识别所述待测业务是否存在业务风险事件。
48.第四方面，本技术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：
49.接收风险事件识别请求；其中，所述风险事件识别请求中携带有待测业务的业务属性；
50.获取所述待测业务对应的业务指标的时间序列；其中，所述时间序列为由所述业务指标的历史指标值按照时间顺序排列得到的数列；
51.将所述时间序列输入至预先训练好的指标预测模型，得到所述业务指标的预测指标值；
52.根据所述预测指标值以及与所述业务属性相关联的指标阈值，识别所述待测业务是否存在业务风险事件。
53.第五方面，本技术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：
54.接收风险事件识别请求；其中，所述风险事件识别请求中携带有待测业务的业务属性；
55.获取所述待测业务对应的业务指标的时间序列；其中，所述时间序列为由所述业务指标的历史指标值按照时间顺序排列得到的数列；
56.将所述时间序列输入至预先训练好的指标预测模型，得到所述业务指标的预测指标值；
57.根据所述预测指标值以及与所述业务属性相关联的指标阈值，识别所述待测业务是否存在业务风险事件。
58.上述业务风险事件的识别方法、装置、计算机设备、存储介质和计算机程序产品，由于待测业务存在相应的业务指标，且业务指标在不同时间下会生成相应的历史指标值，因此利用这些历史指标值，并将其按照时间先后顺序进行排列可得到业务指标的时间序列。其中该时间序列可反映业务指标在过去时间的态势。进而将该时间序列输入至预先训练好的指标预测模型中，基于业务指标在过去时间的态势，可延伸预测出业务指标在未来时间的预测指标值。最后将该预测指标值与待测业务的业务属性相关联的指标阈值进行比较，确定待测业务是否存在业务风险事件。由此可见，本技术基于业务指标的时间序列预测业务指标的预测指标值，并将该预测指标值与业务属性相关联的指标阈值进行比较，以此来预知在未来时间待测业务是否存在业务风险事件，从而可及时介入解决这些业务风险事件。因此，本技术实现了业务风险事件的自动识别，相对于人工识别方式而言，有利于提高识别效率。
附图说明
59.图1为一个实施例中业务风险事件的识别方法的应用环境图；
60.图2为一个实施例中业务风险事件的识别方法的流程示意图；
61.图3为一个实施例中业务风险事件的识别装置的结构框图；
62.图4为一个实施例中计算机设备的内部结构图。
具体实施方式
63.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术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技术，并不用于限定本技术。
64.本技术实施例提供的业务风险事件的识别方法，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。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。具体地，终端102生成携带有待测业务的业务属性的风险事件识别请求并发送至服务器104。服务器104接收该风险事件识别请求，响应于该请求，获取待测业务对应的业务指标的时间序列，该时间序列为由业务指标的历史指标值按照时间顺序排列得到的数列，然后将时间序列输入至预先训练好的指标预测模型，得到业务指标的预测指标值，最后根据预测指标值以及与业务属性相关联的指标阈值，识别待测业务是否存在业务风险事件。
65.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。
66.在一个实施例中，如图2所示，提供了一种业务风险事件的识别方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
67.步骤s202，接收风险事件识别请求。
68.其中，风险事件识别请求中携带有待测业务的业务属性。在一个实施例中，业务属性包括业务风险事件的事件类型、业务所在机构的机构标识或业务所办理的虚拟资源的资
源类型中的一种或多种。举例而言，针对金融市场后台的运营业务，存在交易未授权事件、对外清算失败事件等业务风险事件。其中，金融市场后台的运营业务包含金融市场产品的交易管理、清算结算、会计核算等业务操作。交易未授权是指金融市场产品的清算结算、会计核算基于交易已授权，若交易未授权，则无法推动后续流程。对外清算失败是指依据交易合约，与交易对手做资金交割失败。国际惯例中资金清算时间，超过截止时间点，资金交割则无法达成，造成违约风险。清算失败的原因很多，可能有系统原因如网络、接口的不稳定，可能有业务原因如选择的清算账户错误、清算账户余额不足等。
69.具体而言，终端可以响应于用户触发的风险事件识别命令，生成风险事件识别请求。终端也可以在预设的触发条件达到时，自动生成风险事件识别请求。终端将该风险事件识别请求发送至服务器。服务器接收该风险事件识别请求。
70.步骤s204，获取待测业务对应的业务指标的时间序列。
71.其中，时间序列为由业务指标的历史指标值按照时间顺序排列得到的数列。
72.具体而言，响应于风险事件识别请求，服务器基于业务属性，获取待测业务对应的业务指标的时间序列。在一个实施例中，服务器获取与事件类型相关联的业务指标，进而获取该业务指标的时间序列，将其确定为待测业务对应的业务指标的时间序列。续举前例，针对交易未授权事件，业务指标可以是交易未授权笔数和交易未授权率(交易未授权笔数/总笔数)。针对对外清算失败事件，业务指标可以是对外清算失败笔数和对外清算失败率(外清算失败笔数/总笔数)。
73.步骤s206，将时间序列输入至预先训练好的指标预测模型，得到业务指标的预测指标值。
74.其中，指标预测模型是基于时间序列样本和业务指标的预测指标值样本进行训练获得的。指标预测模型可以是指数平滑模型或bp(back propagation)神经网络模型。
75.具体而言，服务器将时间序列输入至预先训练好的指标预测模型中，通过该模型预测得到业务指标的预测指标值。在一个实施例中，以指标预测模型为三次指数平滑模型为例，模型预测的具体过程为：将时间序列输入至预先训练好的指标预测模型中；在指标预测模型中，根据时间序列和上一周期的一次指数平滑值，计算当前周期的一次指数平滑值；在指标预测模型中，根据当前周期的一次指数平滑值和上一周期的二次指数平滑值，计算当前周期的二次指数平滑值；在指标预测模型中，根据当前周期的二次指数平滑值和上一周期的三次指数平滑值，计算当前周期的三次指数平滑值；在指标预测模型中，根据当前周期的一次指数平滑值、当前周期的二次指数平滑值和当前周期的三次指数平滑值，计算业务指标的预测指标值。
76.步骤s208，根据预测指标值以及与业务属性相关联的指标阈值，识别待测业务是否存在业务风险事件。
77.其中，业务属性及业务属性相关联的指标阈值可预先存储在一张关联关系表中。如此设置，通过查询该关联关系表，可快速确定与业务属性相关联的指标阈值。采用与业务属性相关联的指标阈值，更贴近业务实际运营情况，有利于提高业务风险事件识别的准确性。
78.具体而言，服务器比较预测指标值和指标阈值的大小，根据比较结果确定待测业务是否存在业务风险事件。在一个实施例中，若预测指标值大于或等于指标阈值，确定待测
业务存在业务风险事件，反之，则不存在。在识别待测业务存在业务风险事件的情况下，向终端发送风险提醒消息，例如采用邮件直接提醒。
79.上述业务风险事件的识别方法中，由于待测业务存在相应的业务指标，且业务指标在不同时间下会生成相应的历史指标值，因此利用这些历史指标值，并将其按照时间先后顺序进行排列可得到业务指标的时间序列。其中该时间序列可反映业务指标在过去时间的态势。进而将该时间序列输入至预先训练好的指标预测模型中，基于业务指标在过去时间的态势，可延伸预测出业务指标在未来时间的预测指标值。最后将该预测指标值与待测业务的业务属性相关联的指标阈值进行比较，确定待测业务是否存在业务风险事件。由此可见，本方法基于业务指标的时间序列预测业务指标的预测指标值，并将该预测指标值与业务属性相关联的指标阈值进行比较，以此来预知在未来时间待测业务是否存在业务风险事件，从而可及时介入解决这些业务风险事件。因此，本方法实现了业务风险事件的自动识别，相对于人工识别方式而言，有利于提高识别效率。
80.在一个实施例中，业务指标的历史指标值为在采样时段内采集的业务指标的历史指标值。采样时段是基于本次预测时间确定的。举例而言，假设本次预测时间为t1+1天，那么采样时段为[t
1-30,t1]，即采样时段为本次预测时间的前一个月。基于此，在一个实施例中，步骤s206包括：将时间序列输入至预先训练好的指标预测模型，得到本次预测时间下业务指标的预测指标值。
[0081]
进一步地，在一个实施例中，该方法还包括以下步骤：
[0082]
s212，计算本次预测时间下业务指标的预测指标值和本次预测时间下业务指标的实际指标值之间的偏差率；
[0083]
s214，若偏差率大于或等于预设阈值，则将本次预测时间确定为新的采样时段的开始时间。
[0084]
其中，新的采样时段为基于本次预测时间之后的预测时间确定的采样时段。
[0085]
具体而言，假设预测指标值为a1，实际指标值为a2，那么偏差率为(a
1-a2)/a1。服务器比较偏差率与预设阈值的大小。该阈值为通过长期的模型模拟研发以及实验数据的搜集、演示和验证得到的经验值。通常可设置为1。若偏差率大于或等于预设阈值，则服务器将本次预测时间确定为新的采样时段的开始时间。即采样时段更新为[t1+1,t2]，其中，t2为本次预测时间之后的预测时间(t2+1)的前一天。进一步地，若t
2-(t1+1)等于30，则采样时段再次更新为[t
2-30,t2]，即采样时段为预测时间的前一个月。
[0086]
本实施例中，考虑到业务指标因系统原因，在不同时间段所呈现的规律有所差别，例如在金融市场后台的运营业务中，对于业务指标例如交易未授权、对外清算失败的原因可能是业务参数问题、系统流程变化等，因此下一阶段的规律和上一阶段的规律理论上是有所差别的。对此，通过重新设定采样时段的开始时间，有利于避免上述问题带来的不利影响，有利于提高指标值预测的准确性。
[0087]
在一个实施例中，业务属性包括业务所办理的虚拟资源的资源类型。基于此，步骤s208包括：在达到预警频率的条件下，根据预测指标值以及与业务属性相关联的指标阈值，识别待测业务是否存在业务风险事件。
[0088]
进一步地，在一个实施例中，该方法还包括以下步骤：
[0089]
s222，获取当前时间与资源类型关联的清算截止时间之间的时间间隔；
[0090]
s224，获取与时间间隔相关联的预警频率，确定为更新的预警频率；
[0091]
s226，采用更新的预警频率对预警频率进行更新。
[0092]
其中，资源类型及资源类型关联的清算截止时间可预先存储在一张关联关系表中。时间间隔及与时间间隔相关联的预警频率可预先存储在一张关联关系表中。如此设置，通过查询关联关系表，可快速确定清算截止时间和预警频率。
[0093]
具体而言，服务器从上述关联关系表中，查找与资源类型相关联的清算截止时间，并计算当前时间与清算截止时间之间的时间间隔。然后，服务器从上述关联关系表中，查找与时间间隔相关联的预警频率，并确定为更新的预警频率。最后，服务器采用更新的预警频率对预警频率进行更新。在一个实施例中，与时间间隔相关联的预警频率和时间间隔之间为反比关系。也就是说，越临近清算截止时间，预警频率越高，如此事件识别的频次也越高。
[0094]
本实施例中，通过动态调整预警频率，可实现灵活地控制事件识别的频次，例如在距离清算截止时间较远时，可设置预警频率较低，即事件识别的时间间隔较大，而在距离清算截止时间较近时，可设置预警频率较高，即事件识别的时间间隔较小，如此设置，可在节省资源损耗的前提下，保证事件识别的高准确性。
[0095]
在一个实施例中，若预警频率大于或等于频率阈值，且待测业务对应的状态为已处理，则调整预警功能为无效状态，即关闭预警功能。待业务自行启用有效，或等晚间批量重置有效。
[0096]
在一个实施例中，在满足预设的阈值更新条件时，采用业务指标的预测指标值更新指标阈值。
[0097]
在一个实施例中，步骤s204“获取待测业务对应的业务指标的时间序列”包括以下子步骤：
[0098]
步骤s2042，获取待测业务对应的业务指标的历史指标值集合；
[0099]
步骤s2044，获取资源类型关联的清算截止时间；
[0100]
步骤s2046，在历史指标值集合中，剔除位于清算截止时间之后的历史指标值，得到目标指标值集合；
[0101]
步骤s2048，将目标指标值集合中的历史指标值，按照时间顺序进行排列，得到待测业务对应的业务指标的时间序列。
[0102]
其中，历史指标值集合由不同时间下采集的业务指标的历史指标值构成。
[0103]
具体而言，服务器获取待测业务对应的业务指标的历史指标值集合，并获取资源类型关联的清算截止时间。然后，服务器基于历史指标值对应的采样时间，将位于清算截止时间之后的历史指标值剔除，得到目标指标值集合。最后，服务器将目标指标值集合中的历史指标值，按照采样时间的先后顺序进行排列，得到待测业务对应的业务指标的时间序列。
[0104]
本实施例中，考虑到在业务办理过程中，业务所办理的虚拟资源有相应的清算截止时间，例如在金融市场后台的运营业务中，一般在清算截止时间之前业务会提前对系统中不能及时处理的异常如交易未授权、对外清算失败发起系统外应急。因此，在清算截止时间之后，仍然会采样到的干扰数据，通过剔除这类数据，可减少对预测指标值的干扰，有利于提高指标值预测的准确性。
[0105]
在一个实施例中，步骤s204“获取待测业务对应的业务指标的时间序列”包括以下子步骤：
[0106]
步骤s2041，获取待测业务对应的业务指标的历史指标值集合；
[0107]
步骤s2043，在历史指标值集合中，剔除位于节假日内的历史指标值，得到目标指标值集合；
[0108]
步骤s2045，将目标指标值集合中的历史指标值，按照时间顺序进行排列，得到待测业务对应的业务指标的时间序列。
[0109]
其中，历史指标值集合由不同时间下采集的业务指标的历史指标值构成。
[0110]
具体而言，服务器获取待测业务对应的业务指标的历史指标值集合。然后，服务器基于历史指标值对应的采样时间，将位于节假日内的历史指标值剔除，得到目标指标值集合。最后，服务器将目标指标值集合中的历史指标值，按照采样时间的先后顺序进行排列，得到待测业务对应的业务指标的时间序列。
[0111]
本实施例中，考虑到业务的开业时间受节假日的影响，节假日内采集的历史指标值没有实际意义，对预测结果有干扰，因此需要从采样数据中剔除这类数据，从而提高指标值预测的准确性。
[0112]
在一个实施例中，步骤s206“将时间序列输入至预先训练好的指标预测模型，得到业务指标的预测指标值”包括以下子步骤：
[0113]
s2061，将时间序列输入至预先训练好的指标预测模型中；
[0114]
s2062，在指标预测模型中，根据时间序列和上一周期的一次指数平滑值，计算当前周期的一次指数平滑值；
[0115]
s2063，在指标预测模型中，根据当前周期的一次指数平滑值和上一周期的二次指数平滑值，计算当前周期的二次指数平滑值；
[0116]
s2064，在指标预测模型中，根据当前周期的二次指数平滑值和上一周期的三次指数平滑值，计算当前周期的三次指数平滑值；
[0117]
s2065，在指标预测模型中，根据当前周期的一次指数平滑值、当前周期的二次指数平滑值和当前周期的三次指数平滑值，计算业务指标的预测指标值。
[0118]
具体而言，一次指数平滑值的计算公式为：
[0119]st
(1)＝α*y
t
+(1-α)*s
t-1
(1)；
[0120]
其中，s
t
(1)表示当前周期t的一次指数平滑值，y
t
表示时间序列，s
t-1
(1)表示上一周期(t-1)的一次指数平滑值，α表示加权系数，取值范围为[0,1]。s0(1)取时间序列中前5个数的平均值。
[0121]
二次指数平滑值的计算公式为：
[0122]st
(2)＝α*s
t
(1)+(1-α)*s
t-1
(2)；
[0123]
其中，s
t
(2)表示当前周期t的二次指数平滑值，s
t-1
(2)表示上一周期(t-1)的二次指数平滑值。s0(2)取时间序列中前5个数的平均值。
[0124]
二次指数平滑值的计算公式为：
[0125]st
(3)＝α*s
t
(2)+(1-α)*s
t-1
(3)；
[0126]
其中，s
t
(3)表示当前周期t的三次指数平滑值，s
t-1
(3)表示上一周期(t-1)的三次指数平滑值。s0(3)取时间序列中前5个数的平均值。
[0127]
业务指标的预测指标值的计算公式为：
[0128]yt+t
＝a
t
+b
t
*t+c
t
*t2；
[0129]
其中，y
t+t
表示业务指标的预测指标值，t表示由当前周期t向后推移的周期数，a
t
、b
t
、c
t
表示当前周期t的系数，通过如下公式计算：
[0130]at
＝3*s
t
(1)-3*s
t
(2)+s
t
(3)；
[0131][0132][0133]
本实施例中，采用三次指数平滑模型来预测业务指标的预测指标值，可保证指标值预测的准确性。
[0134]
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。
[0135]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的业务风险事件的识别方法的业务风险事件的识别装置。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业务风险事件的识别装置实施例中的具体限定可以参见上文中对于业务风险事件的识别方法的限定，在此不再赘述。
[0136]
在一个实施例中，如图3所示，提供了一种业务风险事件的识别装置，包括：
[0137]
请求接收模块302，用于接收风险事件识别请求；其中，风险事件识别请求中携带有待测业务的业务属性；
[0138]
指标获取模块304，用于获取待测业务对应的业务指标的时间序列；其中，时间序列为由业务指标的历史指标值按照时间顺序排列得到的数列；
[0139]
指标预测模块306，用于将时间序列输入至预先训练好的指标预测模型，得到业务指标的预测指标值；
[0140]
事件识别模块308，用于根据预测指标值以及与业务属性相关联的指标阈值，识别待测业务是否存在业务风险事件。
[0141]
在一个实施例中，业务指标的历史指标值为在采样时段内采集的业务指标的历史指标值；采样时段是基于本次预测时间确定的。指标预测模块306具体用于将时间序列输入至预先训练好的指标预测模型，得到本次预测时间下业务指标的预测指标值。该装置还包括：偏差率计算模块，用于计算本次预测时间下业务指标的预测指标值和本次预测时间下业务指标的实际指标值之间的偏差率；时间确定模块，用于若偏差率大于或等于预设阈值，则将本次预测时间确定为新的采样时段的开始时间；其中，新的采样时段为基于本次预测时间之后的预测时间确定的采样时段。
[0142]
在一个实施例中，业务属性包括业务所办理的虚拟资源的资源类型。事件识别模块308具体用于在达到预警频率的条件下，根据预测指标值以及与业务属性相关联的指标阈值，识别待测业务是否存在业务风险事件。该装置还包括：频率更新模块，用于获取当前
时间与资源类型关联的清算截止时间之间的时间间隔；获取与时间间隔相关联的预警频率，确定为更新的预警频率；采用更新的预警频率对预警频率进行更新。
[0143]
在一个实施例中，业务属性包括业务所办理的虚拟资源的资源类型。指标获取模块304具体用于获取待测业务对应的业务指标的历史指标值集合；其中，历史指标值集合由不同时间下采集的业务指标的历史指标值构成；获取资源类型关联的清算截止时间；在历史指标值集合中，剔除位于清算截止时间之后的历史指标值，得到目标指标值集合；将目标指标值集合中的历史指标值，按照时间顺序进行排列，得到待测业务对应的业务指标的时间序列。
[0144]
在一个实施例中，指标获取模块304具体用于获取待测业务对应的业务指标的历史指标值集合；其中，历史指标值集合由不同时间下采集的业务指标的历史指标值构成；在历史指标值集合中，剔除位于节假日内的历史指标值，得到目标指标值集合；将目标指标值集合中的历史指标值，按照时间顺序进行排列，得到待测业务对应的业务指标的时间序列。
[0145]
在一个实施例中，指标预测模型为三次指数平滑模型。指标预测模块306具体用于将时间序列输入至预先训练好的指标预测模型中；在指标预测模型中，根据时间序列和上一周期的一次指数平滑值，计算当前周期的一次指数平滑值；在指标预测模型中，根据当前周期的一次指数平滑值和上一周期的二次指数平滑值，计算当前周期的二次指数平滑值；在指标预测模型中，根据当前周期的二次指数平滑值和上一周期的三次指数平滑值，计算当前周期的三次指数平滑值，并将当前周期的三次指数平滑值确定为业务指标的预测指标值。
[0146]
上述业务风险事件的识别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。
[0147]
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4所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。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系统、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系统和计算机程序的运行提供环境。该计算机设备的网络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业务风险事件的识别方法。
[0148]
本领域技术人员可以理解，图4中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术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。
[0149]
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：
[0150]
接收风险事件识别请求；其中，风险事件识别请求中携带有待测业务的业务属性；
[0151]
获取待测业务对应的业务指标的时间序列；其中，时间序列为由业务指标的历史指标值按照时间顺序排列得到的数列；
[0152]
将时间序列输入至预先训练好的指标预测模型，得到业务指标的预测指标值；
[0153]
根据预测指标值以及与业务属性相关联的指标阈值，识别待测业务是否存在业务风险事件。
[0154]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0155]
将时间序列输入至预先训练好的指标预测模型，得到本次预测时间下业务指标的预测指标值；计算本次预测时间下业务指标的预测指标值和本次预测时间下业务指标的实际指标值之间的偏差率；若偏差率大于或等于预设阈值，则将本次预测时间确定为新的采样时段的开始时间；其中，新的采样时段为基于本次预测时间之后的预测时间确定的采样时段。
[0156]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0157]
在达到预警频率的条件下，根据预测指标值以及与业务属性相关联的指标阈值，识别待测业务是否存在业务风险事件；获取当前时间与资源类型关联的清算截止时间之间的时间间隔；获取与时间间隔相关联的预警频率，确定为更新的预警频率；采用更新的预警频率对预警频率进行更新。
[0158]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0159]
获取待测业务对应的业务指标的历史指标值集合；其中，历史指标值集合由不同时间下采集的业务指标的历史指标值构成；获取资源类型关联的清算截止时间；在历史指标值集合中，剔除位于清算截止时间之后的历史指标值，得到目标指标值集合；将目标指标值集合中的历史指标值，按照时间顺序进行排列，得到待测业务对应的业务指标的时间序列。
[0160]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0161]
获取待测业务对应的业务指标的历史指标值集合；其中，历史指标值集合由不同时间下采集的业务指标的历史指标值构成；在历史指标值集合中，剔除位于节假日内的历史指标值，得到目标指标值集合；将目标指标值集合中的历史指标值，按照时间顺序进行排列，得到待测业务对应的业务指标的时间序列。
[0162]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0163]
将时间序列输入至预先训练好的指标预测模型中；在指标预测模型中，根据时间序列和上一周期的一次指数平滑值，计算当前周期的一次指数平滑值；在指标预测模型中，根据当前周期的一次指数平滑值和上一周期的二次指数平滑值，计算当前周期的二次指数平滑值；在指标预测模型中，根据当前周期的二次指数平滑值和上一周期的三次指数平滑值，计算当前周期的三次指数平滑值；在指标预测模型中，根据当前周期的一次指数平滑值、当前周期的二次指数平滑值和当前周期的三次指数平滑值，计算业务指标的预测指标值。
[0164]
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，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0165]
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上述各方法实施例中的步骤。
[0166]
需要说明的是，本技术所涉及的用户信息(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。
[0167]
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，本技术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-only memory，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 random access memory，dram)等。本技术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。本技术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。
[0168]
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。
[0169]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。