一种针对金融账户的分类存储方法技术

本发明专利技术涉及信息技术领域，尤其涉及一种针对数据中心金融账户的分类存储方法，包括一预设步骤，采用机器学习形成一预设模型，还包括：步骤S1，获取一金融账户的账户数据；步骤S2，根据账户数据判断分析得到金融账户是否属于恶意账户的分析结果的复杂度等级；步骤S3，根据复杂度等级，将账户数据存储至对应读写速率的存储网络层中并利用存储网络层中的控制器和或处理器进行深度账户分析；能够针对不同的金融账户进行合理的分类和存储，从而为不同复杂度等级的金融账户配置对应的硬件资源，实现资源和功耗的最优配置。

A Classified Storage Method for Financial Accounts

The invention relates to the field of information technology, in particular to a classified storage method for financial accounts in data centers, including presupposition steps, using machine learning to form a presupposition model, including: acquiring account data of a financial account; and (2) judging and analyzing whether a financial account belongs to a malicious account based on account data, and so on. Level 2: Depending on the complexity level, the account data is stored in the storage network layer corresponding to the read-write rate and the deep account analysis is carried out by using the controllers and processors in the storage network layer. It can classify and store different financial accounts reasonably, so as to configure the corresponding hardware resources for the financial accounts with different complexity levels, and realize the resources and power consumption. Optimal configuration.

【技术实现步骤摘要】
一种针对金融账户的分类存储方法
本专利技术涉及信息
，尤其涉及一种针对金融账户的分类存储方法。
技术介绍
在当前的银行账户中，有一些是参与洗钱、诈骗，甚至恐怖活动的，被称为恶意账户。它们隐藏在大量的正常账户之间，通过常规人工手段寻找它们既费力，准确性也不高。由于在当今社会，所有的银行账户信息都是存在银行的数据中心里的，若是通过机器学习算法，利用数据中心的运算能力寻找恶意账户，则可大大提升查找效率。目前恶意账户的寻找一般是CPU(CentralProcessingUnit中央处理器，简称CPU)或者GPU(GraphicsProcessingUnit图形处理器，简称GPU)通过DRAM(DynamicRandomAccessMemory动态随机访问存储网络层，简称DRAM)执行相应的算法来查找，但CPU和GPU需要执行需要耗费大量的功耗，同时DRAM的刷新也会带来大量的功耗。同时目前的数据中心需要分析每一个账户的行为，对于那些100％可能是恶意账户或者100％可能是正常账户的，其并不需要分析账户的行为，而对于那些存在一定可能是恶意账户的，需要不停的监控和分析，但在目前的数据中心中，无论账户是恶意账户的可能性是多少，均通过CPU或者GPU通过DRAM进行分析和监控，这会进一步加大数据中心的功耗。
技术实现思路
针对上述问题，本专利技术提出了一种针对数据中心中金融账户的分类存储方法，其中，包括一预设步骤，采用机器学习形成一预设模型，还包括：步骤S1，获取一金融账户的账户数据；步骤S2，根据所述账户数据判断分析得到所述金融账户是否属于恶意账户的分析结果的复杂度等级；步骤S3，根据所述复杂度等级，将所述账户数据存储至对应读写速率的存储网络层中进行深度账户分析；其中，所述数据中心包括网络设备层、服务器层和所述存储网络层，所述深度账户分析在所述存储网络层中的控制器和/或处理器中于离线模式下进行。上述的分类存储方法，其中，所述步骤S2中，所述复杂度等级包括通过复杂度比例进行划分的一第一等级、一第二等级和一第三等级；按照所述复杂度比例进行比较，所述第一等级＜所述第二等级＜所述第三等级；所述步骤S3中，所述存储网络层包括读写速率由小到大排列的一第一存储网络层、一第二存储网络层和一第三存储网络层；所述第一等级的所述账户数据存储至所述第一存储网络层中；所述第二等级的所述账户数据存储至所述第二存储网络层中；所述第三等级的所述账户数据存储至所述第三存储网络层中。上述的分类存储方法，其中，所述第一存储网络层、所述第二存储网络层和所述第三存储网络层均为机械硬盘。上述的分类存储方法，其中，所述第一存储网络层的转速为2800～5600rpm。上述的分类存储方法，其中，所述第二存储网络层的转速为7000～7400rpm。上述的分类存储方法，其中，所述第二存储网络层的转速为9000～16000rpm。上述的分类存储方法，其中，所述账户数据包括交易记录的对象信息，和/或时间信息，和/或频率信息，和/或金额信息。有益效果：本专利技术提出的一种针对金融账户的分类存储方法，能够针对不同的金融账户进行合理的分类和存储，从而为不同复杂度等级的金融账户配置对应的硬件资源，实现资源和功耗的最优配置。附图说明图1为本专利技术一实施例中针对金融账户的分类存储方法的步骤流程图。具体实施方式下面结合附图和实施例对本专利技术进行进一步说明。在一个较佳的实施例中，如图1所示，提出了一种针对数据中心中金融账户的分类存储方法，包括一预设步骤，采用机器学习形成一预设模型，还包括：步骤S1，获取一金融账户的账户数据；步骤S2，根据账户数据判断分析得到金融账户是否属于恶意账户的分析结果的复杂度等级；步骤S3，根据复杂度等级，将账户数据存储至对应读写速率的存储网络层中进行深度账户分析；其中，所述数据中心包括网络设备层、服务器层和存储网络层，所述深度账户分析在所述存储网络层中的控制器和/或处理器中于离线模式下进行。上述技术方案中，不同的金融账户往往会产生不同的账户行为信息，举例来说，当用户通过对应的金融账户进行饮食类的账户支付时，该金融账户中或者用于存储该金融账户的存储媒介中会将此次账户行为数据记录下来，用于对该金融账户是否为恶意账户进行分析；恶意账户例如为用于洗钱的账户等。如若账户行为全部为衣食住行等简单的基本生活活动，则可以认为该金融账户为正常账户，即复杂度等级最低，此时可以将该金融账户的账户数据存储在对应的读写速率低的存储网络层/存储区域中；如若账户行为全部为来源或去向不明的支入支出活动时，则可以认为该金融账户为恶意账户，即复杂度等级也最低，此时也可以将该金融账户的账户数据存储在对应的读写速率低的存储网络层/存储区域中；如若账户行为中既包括衣食住行等简单的基本生活活动，又包括来源或去向不明的支入支出活动时，此时可以将该金融账户的账户数据存储在对应的读写速率高的存储网络层/存储区域中。复杂度等级可以按照实际的情况进行多级划分，也可以按照特定的规则进行评定，在此不再赘述；一般来说，账户行为复杂且无法确定的金融账户，应存储在读写速率较高的存储网络层/存储区域中进行进一步的深度分析；进一步的深度分析的过程可以是通过存储网络层/存储区域中的控制单元完成，也可以是通过外部连接的控制器完成的；深度分析的过程具体例如首先判断账户行为是否存在来源或去向不明的支入支出活动，若存在，判断其来源或去向不明的支入支出活动所占总支出活动的占比，若为100％，则复杂度最低；若为50％，则复杂度居中；若为10％，则复杂度最高。且账户行为不存在来源或去向不明的支入支出活动同样视为复杂度最低。上述技术方案中，机器学习形成模型的具体算法为：朴素贝叶斯算法，或逻辑回归算法，或线性回归算法，或非线性回归算法，或最近邻算法，或决策树算法，或支持向量机算法，或人工神经网络。上述技术方案中，机器学习形成模型的过程可以是通过存储网络层/存储区域中的控制单元完成，也可以是通过外部连接的中央处理器或图形处理器等控制器完成的。在一个较佳的实施例中，步骤S2中，步骤S2中，复杂度等级包括通过复杂度比例进行划分的一第一等级、一第二等级和一第三等级；按照复杂度比例进行比较，第一等级＜第二等级＜第三等级；步骤S3中，存储网络层包括读写速率由小到大排列的一第一存储网络层、一第二存储网络层和一第三存储网络层；第一等级的账户数据存储至第一存储网络层中；第二等级的账户数据存储至第二存储网络层中；第三等级的账户数据存储至第三存储网络层中。上述实施例中，优选地，第一存储网络层、第二存储网络层和第三存储网络层均为机械硬盘。上述实施例中，优选地，第一存储网络层的转速可以为2800～5600rpm(每分钟转动次数)，举例来说，可以是2900rpm，或3000rpm，或3100rpm，或3200rpm，或3500rpm，或3800rpm，或5000rpm，或5400rpm等。上述实施例中，优选地，第二存储网络层的转速为7000～7400rpm，举例来说，可以是7050rpm，或7100rpm，或7150rpm，或7200rpm，或7250rpm，或7300rpm，或7350rpm等。上述实施例中，优选地，第二存储网络层的转速为9000～16000rpm，举例来说本文档来自技高网...

【技术保护点】
1.一种针对数据中心中金融账户的分类存储方法，其特征在于，包括一预设步骤，采用机器学习形成一预设模型，还包括：步骤S1，获取一金融账户的账户数据；步骤S2，根据所述账户数据判断分析得到所述金融账户是否属于恶意账户的分析结果的复杂度等级；步骤S3，根据所述复杂度等级，将所述账户数据存储至对应读写速率的存储网络层中进行深度账户分析；其中，所述数据中心包括网络设备层、服务器层和所述存储网络层，所述深度账户分析在所述存储网络层中的控制器和/或处理器中于离线模式下进行。

【技术特征摘要】
1.一种针对数据中心中金融账户的分类存储方法，其特征在于，包括一预设步骤，采用机器学习形成一预设模型，还包括：步骤S1，获取一金融账户的账户数据；步骤S2，根据所述账户数据判断分析得到所述金融账户是否属于恶意账户的分析结果的复杂度等级；步骤S3，根据所述复杂度等级，将所述账户数据存储至对应读写速率的存储网络层中进行深度账户分析；其中，所述数据中心包括网络设备层、服务器层和所述存储网络层，所述深度账户分析在所述存储网络层中的控制器和/或处理器中于离线模式下进行。2.根据权利要求1所述的分类存储方法，其特征在于，所述步骤S2中，所述复杂度等级包括通过复杂度比例进行划分的一第一等级、一第二等级和一第三等级；按照所述复杂度比例进行比较，所述第一等级＜所述第二等级＜所述第三等级；所述步骤S3中，所述存储网络层包括读写速率由小到大排列的一第一存储网络层、一第...

【专利技术属性】
技术研发人员：景蔚亮，杜源，陈邦明，
申请(专利权)人：上海新储集成电路有限公司，
类型：发明
国别省市：上海,31