ATM机交易状态特征分析与异常检验

应昊键 韦棋钧 重庆邮电大学软件工程学院 重庆市 400065

0 引言

ATM即自动柜员机，是银行在不同地点设置的一种小型机器，让客户可以透过机器进行提款、存款、转账等银行柜台服务。这不但提升了银行的工作效率而且给群众带来很大的便利。与此同时，ATM的维护管理和数据安全就显得十分重要，发现故障与异常数据监测就是我们需要研究的首要问题。近几年来ATM机的使用越来越普及。由于其运行时无人监管，一旦出现故障将造成一定的损失，因此对ATM机交易状态特征分析与异常检验显得十分重要。

1 模型建立与求解

1.1 选取特征参数

为了选取合适的特征参数，本文首先做出了交易量、交易成功率、交易响应时间分别与月份和一天的分析，得出波动趋势的变化，再判断波动较大的地方引起的原因，选取部分指标，然后再计算这些指标均值与方差，最后进行假设检验判断指标是否合适。

（1）特征参数的选择

通过对月份和交易量分析：1月份的交易量波动较大，2、3、4月份的交易量波动范围较小、较稳定，我们猜测是过春节这一因素的影响，如果排除春节期间的交易量，每个月份的曲线形状相似度很高；

通过对一天的分钟数和交易量分析：日交易量存在高峰差异；在早上七点左右交易量大幅度上升，晚上八点左右交易量大幅度下降，交易高峰期在上午十点到晚上八点之间。

通过对每天的分钟数和交易成功率分析：较为集中在早上八点到晚上十一点之间，且基本不随着时间变化而变化，这说明成功率与时间不存在线性关系；在晚上十一点到早上八点之间，成功率分布波动范围较广，离散程度较大，猜测是交易量太少的原因造成的；晚上十一点到早上八点这段时间，严重偏离样本值的点多，有可能是异常情况。

通过对每天的分钟数和交易响应时间分析：在白天的时候，交易响应时间较短，而夜晚的时候，ATM机的响应时间较长。猜测是由于白天交易量大，银行开设的服务器及处理器较多，响应时间得到降低；在白天的时候，响应时间数据分布集中；夜晚的时候，响应时间的数据点离散程度大。

（2）特征参数的特征范围

本文针对题目提出的高峰期、节假日、工作日的情况，随机选取符合情况的某日交易量、成功率、响应时间的数据计算平均数和标准差进行提取参数特征，得到除一月外的交易量受是否为工作日、节假日影响较大，日交易量平均值在一天内波动较大。响应时间与成功率受否为工作日、节假日影响很小，响应时间平均值波动幅度较大，成功率趋于稳定。

对交易量、成功率、响应时间进行月定量分析，我们随机取了某个时刻的参数计算平均值和方差，得到某时刻的交易量受节假日的影响，且波动较大。成功率较为稳定。响应时间受到的影响较小。

1.2 交易状态异常检测方案

本文首先对一天的交易量、交易成功率、交易响应时间进行三维的K-means聚类分析；我们发现存在高峰期交易量波动很大，对一天进行时段划分，再对三个指标基于不同时段进行三维的K-means聚类分析；为了得到更好的数据异常检测方案，我们对其进行降维处理，由于交易量与成功率存在一定的线性关系，所以对一天不同时段的交易量与交易响应时间进行K-means聚类分析，进行异常检测。

（1）三指标的K-means聚类检测模型

通过K-means聚类分析，得到聚类分析散点进行对比，得到了异常值与正常值得误警率为0.0028。

（2）不同时段三指标的K-means聚类检测模型

在选取特征参数时中我们发现每天不同时段的交易量波动很大:在白天的时段，交易量大、交易成功率高且稳定、交易响应时间短暂且稳定；而在晚上的时段，交易量小、交易成功率与交易响应时间的波动性大，离散程度大。为了使模型更具时效性与准确性，于是我们对一天不同时段的交易量、交易成功率、交易响应时间进行K-means聚类分析，从而得到异常检测结果。通过计算我们得到该模型的误警率为0.0125.

（3）不同时段交易量与交易响应时间的K-means聚类检测模型

指标的选取：为了使模型更为简便、准确，于是我们暂且不考虑交易成功率这一指标，只针对交易量与交易响应时间两个指标进行K-means聚类分析，来判断异常结果。

（4）不同时段交易量与交易响应时间的K-means聚类分析结果

通过聚类分析处理后，我们得到不同时段交易量与交易响应时间的K-means聚类分析结果，通过计算我们得到该模型的误警率为0.00486.

2 对模型进行改进

为减少在对该交易状态的应用性异常虚警误报的情况，提升异常检测方案的性能。所以我们添加内存占用率和响应率对异常数据检测方案进行改进。

2.1 模型的建立

（1）内存占用率

ATM机数据中心后端处理的物理内存总量是一定的，然而每个进程运行都会占用一定的物理内存总量。物理内存占用越多，进程运行就越缓慢或者卡顿，大大的影响了响应时间。我们定义：

如果内存占用率为0，就意味着网络属于空闲状态，当内存占用率为100%时，网络已经满负荷运行，即传输网络出现故障。

（2）响应率

当出现分行侧传输节点故障，前端交易无法上传请求时，就会导致交易量下降，我们增加响应率来进行监测：

响应率越高说明，系统越正常。反之，当响应率越低，说明出现故障的几率越大。

3 结论

我们不难发现这是一类异常检测问题，我们建立高维K-means聚类分析算法模型。仔细分析我们建立的模型不难发现，次模型不单适应于ATM异常数据检测，在其他多个领域如：人脸识别、图像识别用于异常或偏差检验均可得到很好的效果。同时本文中采用的定量分析与定性分析具有独到之处，相关时间序列相似的问题均可参考。

[1]K-means算法描述.https://wenku.baidu.com/view/71b2b632a98271fe900ef917.html

[2]何明亮，陈泽茂，黄相静.基于改进K均值聚类的入侵检测算法研究[J]-计算机与数字工程2017（6）

[3]赵曼.基于数据相关性的异常检测算法研究[J]-北京交通大学2017（3）