异常数据的确定方法、装置、电子设备及介质与流程

1.本技术涉及数据处理技术领域，具体而言，涉及一种异常数据的确定方法、装置、电子设备及介质。


背景技术：

2.在互联网金融业务中，交易指标(又称“数据指标”)是否平稳直接影响业务是否能够安全平稳地进行。尤其在其中的风控领域，如何监控交易指标是否异常，并且发现原因，对于能否及时处理起到至关重要的作用。
3.目前在交易指标告警发生时，手动对异常交易数据做维度分析：将每条交易数据中的字段提取出来，存到数据库中。数据字段包括但不限于：交易发生时间、响应时间、是否成功、是否响应、源ip地址、目的ip地址、发起方、接收方、交易码、地区码、返回码等交易字段。其中，交易响应时间字段，用于计算一段时间内，多笔交易数据的平均响应时间；是否成功和是否响应这两个字段，分别用于计算成功率、响应率。
4.从各种交易字段中选择一个字段作为维度，例如，第一个维度选择源ip地址，则查询出各个源ip地址对应的交易量、成功率、响应率、响应时间等指标；从各个源ip中选择一个或多个，一般选择依据是其指标异常，例如成功率低；再此基础上选择第二个维度，例如目的ip地址，则查询出所选源ip地址对应的所有目的ip地址；同样，从各个目的ip地址中选择一个或多个成功率低的，继续选择下一个维度，例如交易码；依次类推
……
；由此可以从交易中发现与指标异常最相关的维度字段，从而帮助定位故障根源，例如，发生在从某个源ip发往某个目的ip地址的某种交易码的交易成功率低，这样通过人工钻取分析的方法，就能够从全量数据中定位到异常字段。
5.然而，交易数据中可能包括成百上千的字段，要从这么多字段中准确定位一次系统故障相关的异常字段，操作非常麻烦，需要一个字段一个字段的排查钻取，查询效率低，且依赖人工进行数据分析，容易出现误判，分析的准确率和效率不高。


技术实现要素：

6.本技术实施例的目的在于提供一种异常数据的确定方法、装置、电子设备及介质，解决了现有技术存在的上述问题，通过机器学习取代人工操作，提高了时间分析的准确率和效率。
7.第一方面，提供了一种异常数据的确定方法，该方法可以包括：
8.获取异常的目标交易指标对应的多笔交易数据，每笔交易数据包括多个交易属性数据和所述目标交易指标对应的交易状态；
9.采用预设分析算法，基于所述交易状态，对所述多笔交易数据对应的交易属性数据进行分析，得到各交易属性数据与所述交易状态间的关联值；
10.根据所述关联值，确定与所述异常的目标交易指标关联的异常交易属性数据。
11.在一个可选的实现中，采用预设分析算法，基于所述交易状态，对所述多笔交易数
据对应的交易属性数据进行分析，得到各交易属性数据与所述交易状态间的关联值，包括：
12.针对每种交易属性数据，获取所述交易属性数据对应的第一特征向量，所述第一特征向量包括每笔交易数据中所述交易属性数据的存在特征值；
13.获取所述交易状态对应的第二特征向量，所述第二特征向量包括每笔交易数据的状态特征值；
14.采用随机森林算法，对所述第二特征向量与所述第一特征向量进行分析，得到所述第二特征向量与所述第一特征向量的关联值；
15.将所述关联值确定为所述交易属性数据与所述交易状态间的关联值。
16.在一个可选的实现中，根据所述关联值，确定与所述异常的目标交易指标关联的异常交易属性数据，包括：
17.将所述各交易属性数据与所述交易状态间的关联值进行排序；
18.采用拐点算法，对排序后的关联值进行处理，得到所述排序后的关联值中拐点对应的交易属性数据，将所述交易属性数据确定为与所述异常的目标交易指标关联的异常交易属性数据。
19.在一个可选的实现中，所述方法还包括：
20.通过图形化界面，展示所述排序后的关联值形成的曲线，所述曲线包括拐点对应的异常交易属性数据。
21.在一个可选的实现中，所述目标交易指标包括交易成功率、交易响应率或交易响应时间。
22.在一个可选的实现中，若所述目标交易指标为交易成功率，则所述交易成功率对应的交易状态包括交易成功率对应的交易成功状态和交易失败状态；
23.若所述目标交易指标为交易响应率，则所述交易响应率对应的交易状态包括交易响应状态和交易未响应状态；
24.若所述目标交易指标为交易响应时间，则所述交易响应时间对应的交易状态包括所述交易响应时间超过时间阈值的状态和所述交易响应时间不超过所述时间阈值的状态。
25.第二方面，提供了一种异常数据的确定装置，该装置可以包括：
26.获取单元，用于获取异常的目标交易指标对应的多笔交易数据，每笔交易数据包括多个交易属性数据和所述目标交易指标对应的交易状态；
27.分析单元，用于采用预设分析算法，基于所述交易状态，对所述多笔交易数据对应的交易属性数据进行分析，得到各交易属性数据与所述交易状态间的关联值；
28.确定单元，用于根据所述关联值，确定与所述异常的目标交易指标关联的异常交易属性数据。
29.在一个可选的实现中，所述分析单元，具体用于：
30.针对每种交易属性数据，获取所述交易属性数据对应的第一特征向量，所述第一特征向量包括每笔交易数据中所述交易属性数据的存在特征值；
31.获取所述交易状态对应的第二特征向量，所述第二特征向量包括每笔交易数据的状态特征值；
32.采用随机森林算法，对所述第二特征向量与所述第一特征向量进行分析，得到所述第二特征向量与所述第一特征向量的关联值；
33.将所述关联值确定为所述交易属性数据与所述交易状态间的关联值。
34.在一个可选的实现中，所述确定单元，具体用于：
35.将所述各交易属性数据与所述交易状态间的关联值进行排序；
36.采用拐点算法，对排序后的关联值进行处理，得到所述排序后的关联值中拐点对应的交易属性数据，将所述交易属性数据确定为与所述异常的目标交易指标关联的异常交易属性数据。
37.在一个可选的实现中，所述装置还包括展示单元；
38.所述展示单元，用于通过图形化界面，展示所述排序后的关联值形成的曲线，所述曲线包括拐点对应的异常交易属性数据。
39.在一个可选的实现中，所述目标交易指标包括交易成功率、交易响应率或交易响应时间。
40.在一个可选的实现中，若所述目标交易指标为交易成功率，则所述交易成功率对应的交易状态包括交易成功率对应的交易成功状态和交易失败状态；
41.若所述目标交易指标为交易响应率，则所述交易响应率对应的交易状态包括交易响应状态和交易未响应状态；
42.若所述目标交易指标为交易响应时间，则所述交易响应时间对应的交易状态包括所述交易响应时间超过时间阈值的状态和所述交易响应时间不超过所述时间阈值的状态。
43.第三方面，提供了一种电子设备，该电子设备包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
44.存储器，用于存放计算机程序；
45.处理器，用于执行存储器上所存放的程序时，实现上述第一方面中任一所述的方法步骤。
46.第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面中任一所述的方法步骤。
47.本技术实施例提供的异常数据的确定方法中获取异常的目标交易指标对应的多笔交易数据，每笔交易数据包括多个交易属性数据和目标交易指标对应的交易状态；采用预设分析算法，基于交易状态，对多笔交易数据对应的交易属性数据进行分析，得到各交易属性数据与交易状态间的关联值；根据关联值，确定与异常的目标交易指标关联的异常交易属性数据。该方法通过机器学习确定交易指标异常最相关的交易属性数据，提高了分析的准确率和效率。
附图说明
48.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
49.图1为本技术实施例提供的一种异常数据的确定方法的流程示意图；
50.图2为本技术实施例提供的一种交易信息界面的示意图；
51.图3为本技术实施例提供的一种排序后的关联值形成的曲线示意图；
52.图4为本技术实施例提供的一种异常数据的确定装置的结构示意图；
53.图5为本技术实施例提供的一种电子设备的结构示意图。
具体实施方式
54.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术一部分实施例，并不是全部的实施例。基于本技术实施例，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，都属于本技术保护的范围。
55.为了方便理解，下面对本技术实施例中涉及的名词进行解释：
56.独热编码处理，又称为one-hot编码(one-hot encoding)，用于将数据二进制化。
57.随机森林算法，是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。其实从直观角度来解释，每棵决策树都是一个分类器(假设现在针对的是分类问题)，那么对于一个输入样本，n棵树会有n个分类结果。而随机森林集成了所有的分类投票结果，将投票次数最多的类别指定为最终的输出。优点：具有极好的准确率；能够有效地运行在大数据集上；能够处理具有高维特征的输入样本，而且不需要降维。
58.快速排序(quicksort)算法，通过多次比较和交换来实现排序，其排序流程：首先设定一个分界值，通过该分界值将数组分成左右两部分。将大于或等于分界值的数据集中到数组右边，小于分界值的数据集中到数组的左边。此时，左边部分中各元素都小于或等于分界值，而右边部分中各元素都大于或等于分界值。然后，左边和右边的数据可以独立排序。对于左侧的数组数据，又可以取一个分界值，将该部分数据分成左右两部分，同样在左边放置较小值，右边放置较大值。右侧的数组数据也可以做类似处理。通过递归将左侧部分排好序后，再递归排好右侧部分的顺序。当左、右两个部分各数据排序完成后，整个数组的排序也就完成了。
59.拐点，又称反曲点，在数学上指改变曲线向上或向下方向的点，直观地说拐点是使切线穿越曲线的点(即连续曲线的凹弧与凸弧的分界点)。
60.本技术实施例提供的异常数据的确定方法可以应用在服务器上，该服务器可以是应用服务器或云服务器。
61.该方法在交易指标告警时，通过机器学习算法，自动定位交易指标异常最相关的交易属性数据，即目标字段的字段值，以定位真正的异常根源，克服了现有技术的人为分析和排查，提高了分析的准确率和效率。
62.以下结合说明书附图对本技术的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本技术，并不用于限定本技术，并且在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
63.图1为本技术实施例提供的一种异常数据的确定方法的流程示意图。如图1所示，该方法可以包括：
64.步骤s110、获取异常的目标交易指标对应的多笔交易数据。
65.每笔交易数据可以包括多个交易属性、相应交易属性的交易属性数据和目标交易指标对应的交易状态。
66.其中，交易属性为交易数据中的交易字段，可以包括交易发生时间、响应时间、是
否成功、是否响应、源ip地址、目的ip地址、发起方、接收方、交易码、地区码、返回码等。交易属性的交易属性数据为上述交易字段的字段值。
67.在图2所示的交易信息界面中交易量为交易数据的数量，目标交易指标可以包括交易成功率、交易响应率或交易响应时间。
68.若目标交易指标为交易成功率，则异常的交易成功率是指小于预设成功率阈值的交易成功率，如小于60％的交易成功率，此时交易成功率对应的交易状态包括交易成功率对应的交易成功状态和交易失败状态。
69.若目标交易指标为交易响应率，则异常的交易响应率是指小于预设响应率阈值的交易响应率，如小于50％的交易响应率，此时交易响应率对应的交易状态包括交易响应状态和交易未响应状态。
70.若目标交易指标为交易响应时间，则异常的交易响应时间是指超过预设时间阈值的交易响应时间，如超过190ms的交易响应时间，此时交易响应时间对应的交易状态包括交易响应时间超过预设时间阈值的状态和交易响应时间不超过预设时间阈值的状态。
71.步骤s120、采用预设分析算法，基于交易状态，对多笔交易数据对应的交易属性数据进行分析，得到各交易属性数据与交易状态间的关联值。
72.具体实施中，对每种交易属性数据进行编码处理，如独热编码处理，获取交易属性数据对应的第一特征向量，该第一特征向量包括每笔交易数据中该交易属性数据的存在特征值，其中，若存在，则存在特征值为1，若不存在，则存在特征值为0；以及，获取交易状态对应的第二特征向量，第二特征向量包括每笔交易数据的交易状态值，其中，以成功率为目标交易指标为例，若交易状态为成功，则交易状态值为1，若交易状态为失败，则交易状态值为0；
73.例如，假设有5笔交易，成功率低达到60％，每笔交易各字段取值如下表1所示：
74.表1
75.源ip地址目的ip地址交易码地区码是否成功1.1.1.12.2.2.2abc1511.1.1.12.2.2.2abd1511.1.1.22.2.2.2abd1301.1.1.22.2.2.2abd1301.1.1.22.2.2.2abc121
76.其中，表1中第1笔交易数据的交易属性数据包括源ip地址1.1.1.1、目的ip地址2.2.2.2、交易码abc、地区码15，且交易状态为成功；第2笔交易数据的交易属性数据包括源ip地址1.1.1.1、目的ip地址2.2.2.2、交易码abd、地区码15，且交易状态为成功；第3笔交易数据的交易属性数据包括源ip地址1.1.1.2、目的ip地址2.2.2.2、交易码abd、地区码13，且交易状态为失败；第4笔交易数据的交易属性数据包括源ip地址1.1.1.2、目的ip地址2.2.2.2、交易码abd、地区码13，且交易状态为失败；第5笔交易数据的交易属性数据包括源ip地址1.1.1.2、目的ip地址2.2.2.2、交易码abc、地区码12，且交易状态为成功。
77.由此，基于表1的内容，可得到第一特征向量与第二特征向量可以以矩阵的形式可以如表2所示，其中以交易状态为是否成功为例：
78.表2
[0079][0080]
其中，表2中行表示每笔交易数据，前8列中每列表示一种交易属性数据，即一个第一特征向量。例如，ip1.1.1.1对应的第一特征向量为[1 1 0 0 0]；ip1.1.1.2对应的第一特征向量为[0 0 1 1 1]；交易码abc对应的第一特征向量为[1 0 0 0 1]；地区码12对应的第一特征向量为[0 0 0 0 1]。第9列表示每笔交易数据的交易状态，即第二特征向量。如是否成功的交易状态对应的第二特征向量为[1 1 0 0 1]。
[0081]
之后，采用随机森林算法，对第二特征向量分别与每个第一特征向量进行分析，得到第二特征向量与每个第一特征向量的关联值；并将该关联值确定为相应第一特征向量对应的交易属性数据与交易状态间的关联值，如表3所示。
[0082]
表3
[0083][0084]
其中，表3中的数值表示第一特征向量与第二特征向量的关联值。例如，ip1.1.1.1对应的第一特征向量与第二特征向量的关联值为0.7；ip1.1.1.2对应的第一特征向量与第二特征向量的关联值为0.7；交易码abc对应的第一特征向量与第二特征向量的关联值为1；地区码12对应的第一特征向量与第二特征向量的关联值为0.7。
[0085]
需要说明的是，由于随机森林算法能够有效地运行在大数据集上，且能够处理具有高维特征的输入样本，故在数据量较大、交易字段较多的情况下，随机森林算法得到的数据具有极好的准确率，且大大提升数据分析的效率。
[0086]
步骤s130、根据关联值，确定与异常的目标交易指标关联的异常交易属性数据。
[0087]
在一些实施例中，可以将各交易属性数据与交易状态间的关联值进行排序，如采用快速排序算法；结合表3，排序后的关联值依次为：目的ip地址2.2.2.2、交易码abd、地区码15、源ip地址1.1.1.1、源ip地址1.1.1.2、交易码abc、地区码12和地区码13。
[0088]
采用拐点算法，对排序后的关联值进行处理，得到该排序后的关联值中拐点对应的交易属性数据，将该交易属性数据确定为与异常的目标交易指标关联的异常交易属性数据。
[0089]
为了直观的得到异常交易属性数据，可以通过图形化界面，展示排序后的关联值形成的曲线，该曲线包括拐点对应的异常交易属性数据。结合表3，排序后的关联值形成的
曲线如图3所示，地区码13对应该曲线的拐点，即与成功率低最相关的交易属性数据是地区码13。
[0090]
需要说明的是，也可以不采用上述排序的方式，以交易状态为是否成功为例，可以直接将最小关联值对应的交易属性数据确定为异常交易属性数据，本技术实施例在此不做限定。
[0091]
可见，本技术实施例提供的该方法可对每一次交易指标异常的情况，都可以直接对所有交易属性数据进行分析，不需要人工干预，降低遗漏和出错的可能性。
[0092]
基于上述步骤s120，在一些实施例中，在得到第一特征向量和第二特征向量之后，也可以采用预设相似算法，如执行预设相似算法的神经网络模型，获取第二特征向量分别与每个第一特征向量的相似度，将最小相似度对应的交易属性数据和最大相似度对应的交易属性数据均确定为是与第二特征向量相关联的异常交易属性数据。
[0093]
在另一些实施例中，在得到第一特征向量和第二特征向量之后，也可以采用预设分析算法，分析第二特征向量分别与每个第一特征向量间相关联的元素个数，若相关联的元素个数越多，则确定该第一特征向量对应的交易属性数据是与第二特征向量相关联的异常交易属性数据。
[0094]
例如，在表2的5笔交易数据的交易状态中：由于每笔交易数据均为目的ip地址为ip2.2.2.2时，还存在交易成功和交易失败的两种交易状态，故目的ip地址2.2.2.2与交易失败的交易状态无关联；
[0095]
针对5笔交易数据中交易码abd对应的第一特征向量与交易状态对应的第二特征向量，2笔交易数据中不存在交易码abd时，相应交易数据交易状态为成功，1笔交易数据中存在交易码abd时，相应交易数据交易状态为失败，但也有2笔交易数据中存在交易码abd时，相应交易数据交易状态为成功，故交易码abd与交易状态间存在一些关联；
[0096]
针对5笔交易数据中地区码13对应的第一特征向量与交易状态对应的第二特征向量，3笔交易数据中不存在地区码13时，相应交易数据交易状态为成功，2笔交易数据中存在地区码13时，相应交易数据交易状态为失败，即第一特征向量与第二特征向量完全相关。
[0097]
需要说明的是，对于确定异常交易属性数据的具体方式可以根据实际需求确定，本技术实施例在此不做限定。
[0098]
进一步的，在得到异常的目标交易指标关联的异常交易属性数据之后，还可以生成告警信息，该告警信息可以包括与该异常的目标交易指标关联的异常交易属性数据。
[0099]
本技术实施例提供的异常数据的确定方法中获取异常的目标交易指标对应的多笔交易数据，每笔交易数据包括多个交易属性数据和目标交易指标对应的交易状态；采用预设分析算法，基于交易状态，对多笔交易数据对应的交易属性数据进行分析，得到各交易属性数据与交易状态间的关联值；根据关联值，确定与异常的目标交易指标关联的异常交易属性数据。该方法通过机器学习确定交易指标异常最相关的交易属性数据，提高了分析的准确率和效率。
[0100]
与上述方法对应的，本技术实施例还提供一种异常数据的确定装置，如图4所示，该异常数据的确定装置包括：获取单元410、分析单元420和确定单元430；
[0101]
获取单元410，用于获取异常的目标交易指标对应的多笔交易数据，每笔交易数据包括多个交易属性数据和所述目标交易指标对应的交易状态；
[0102]
分析单元420，用于采用预设分析算法，基于所述交易状态，对所述多笔交易数据对应的交易属性数据进行分析，得到各交易属性数据与所述交易状态间的关联值；
[0103]
确定单元430，用于根据所述关联值，确定与所述异常的目标交易指标关联的异常交易属性数据。
[0104]
在一个可选的实现中，分析单元420，具体用于：
[0105]
针对每种交易属性数据，获取所述交易属性数据对应的第一特征向量，所述第一特征向量包括每笔交易数据中所述交易属性数据的存在特征值；
[0106]
获取所述交易状态对应的第二特征向量，所述第二特征向量包括每笔交易数据的状态特征值；
[0107]
采用随机森林算法，对所述第二特征向量与所述第一特征向量进行分析，得到所述第二特征向量与所述第一特征向量的关联值；
[0108]
将所述关联值确定为所述交易属性数据与所述交易状态间的关联值。
[0109]
在一个可选的实现中，确定单元430，具体用于：
[0110]
将所述各交易属性数据与所述交易状态间的关联值进行排序；
[0111]
采用拐点算法，对排序后的关联值进行处理，得到所述排序后的关联值中拐点对应的交易属性数据，将所述交易属性数据确定为与所述异常的目标交易指标关联的异常交易属性数据。
[0112]
在一个可选的实现中，所述装置还包括展示单元440；
[0113]
展示单元440，用于通过图形化界面，展示所述排序后的关联值形成的曲线，所述曲线包括拐点对应的异常交易属性数据。
[0114]
在一个可选的实现中，所述目标交易指标包括交易成功率、交易响应率或交易响应时间。
[0115]
在一个可选的实现中，若所述目标交易指标为交易成功率，则所述交易成功率对应的交易状态包括交易成功率对应的交易成功状态和交易失败状态；
[0116]
若所述目标交易指标为交易响应率，则所述交易响应率对应的交易状态包括交易响应状态和交易未响应状态；
[0117]
若所述目标交易指标为交易响应时间，则所述交易响应时间对应的交易状态包括所述交易响应时间超过时间阈值的状态和所述交易响应时间不超过所述时间阈值的状态。
[0118]
本技术上述实施例提供的异常数据的确定装置的各功能单元的功能，可以通过上述各方法步骤来实现，因此，本技术实施例提供的异常数据的确定装置中的各个单元的具体工作过程和有益效果，在此不复赘述。
[0119]
本技术实施例还提供了一种电子设备，如图5所示，包括处理器510、通信接口520、存储器530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。
[0120]
存储器530，用于存放计算机程序；
[0121]
处理器510，用于执行存储器530上所存放的程序时，实现如下步骤：
[0122]
获取异常的目标交易指标对应的多笔交易数据，每笔交易数据包括多个交易属性数据和所述目标交易指标对应的交易状态；
[0123]
采用预设分析算法，基于所述交易状态，对所述多笔交易数据对应的交易属性数
据进行分析，得到各交易属性数据与所述交易状态间的关联值；
[0124]
根据所述关联值，确定与所述异常的目标交易指标关联的异常交易属性数据。
[0125]
在一个可选的实现中，采用预设分析算法，基于所述交易状态，对所述多笔交易数据对应的交易属性数据进行分析，得到各交易属性数据与所述交易状态间的关联值，包括：
[0126]
针对每种交易属性数据，获取所述交易属性数据对应的第一特征向量，所述第一特征向量包括每笔交易数据中所述交易属性数据的存在特征值；
[0127]
获取所述交易状态对应的第二特征向量，所述第二特征向量包括每笔交易数据的状态特征值；
[0128]
采用随机森林算法，对所述第二特征向量与所述第一特征向量进行分析，得到所述第二特征向量与所述第一特征向量的关联值；
[0129]
将所述关联值确定为所述交易属性数据与所述交易状态间的关联值。
[0130]
在一个可选的实现中，根据所述关联值，确定与所述异常的目标交易指标关联的异常交易属性数据，包括：
[0131]
将所述各交易属性数据与所述交易状态间的关联值进行排序；
[0132]
采用拐点算法，对排序后的关联值进行处理，得到所述排序后的关联值中拐点对应的交易属性数据，将所述交易属性数据确定为与所述异常的目标交易指标关联的异常交易属性数据。
[0133]
在一个可选的实现中，所述方法还包括：
[0134]
通过图形化界面，展示所述排序后的关联值形成的曲线，所述曲线包括拐点对应的异常交易属性数据。
[0135]
在一个可选的实现中，所述目标交易指标包括交易成功率、交易响应率或交易响应时间。
[0136]
在一个可选的实现中，若所述目标交易指标为交易成功率，则所述交易成功率对应的交易状态包括交易成功率对应的交易成功状态和交易失败状态；
[0137]
若所述目标交易指标为交易响应率，则所述交易响应率对应的交易状态包括交易响应状态和交易未响应状态；
[0138]
若所述目标交易指标为交易响应时间，则所述交易响应时间对应的交易状态包括所述交易响应时间超过时间阈值的状态和所述交易响应时间不超过所述时间阈值的状态。
[0139]
上述提到的通信总线可以是外设部件互连标准(peripheral component interconnect，pci)总线或扩展工业标准结构(extended industry standard architecture，eisa)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0140]
通信接口用于上述电子设备与其他设备之间的通信。
[0141]
存储器可以包括随机存取存储器(random access memory，ram)，也可以包括非易失性存储器(non-volatile memory，nvm)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
[0142]
上述的处理器可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signal processing，dsp)、专用集成电路(application specific integrated circuit，asic)、现
场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0143]
由于上述实施例中电子设备的各器件解决问题的实施方式以及有益效果可以参见图1所示的实施例中的各步骤来实现，因此，本技术实施例提供的电子设备的具体工作过程和有益效果，在此不复赘述。
[0144]
在本技术提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的异常数据的确定方法。
[0145]
在本技术提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的异常数据的确定方法。
[0146]
本领域内的技术人员应明白，本技术实施例中的实施例可提供为方法、系统、或计算机程序产品。因此，本技术实施例中可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术实施例中可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0147]
本技术实施例中是参照根据本技术实施例中实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0148]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0149]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0150]
尽管已描述了本技术实施例中的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术实施例中范围的所有变更和修改。
[0151]
显然，本领域的技术人员可以对本技术实施例中实施例进行各种改动和变型而不脱离本技术实施例中实施例的精神和范围。这样，倘若本技术实施例中实施例的这些修改和变型属于本技术实施例中权利要求及其等同技术的范围之内，则本技术实施例中也意图包含这些改动和变型在内。