基于LSTM网络的仿真交易生成方法、装置及可读存储介质制造方法及图纸

本发明专利技术提供了基于LSTM网络的仿真交易生成方法、装置及可读存储介质，该方法包括：利用LSTM网络训练出多个交易类型分别对应的多个交易模型；根据输入数据和目标交易类型调用对应的交易模型，生成仿真交易；判断仿真交易与相同交易类型的真实交易的差异值是否超过预设阈值；在仿真交易和真实交易之间的差异值未超过预设阈值的情况下，输出仿真交易进行测试。利用上述方法，能够生成仿真效果更好、与真实交易相似程度更高的仿真交易。实交易相似程度更高的仿真交易。实交易相似程度更高的仿真交易。

【技术实现步骤摘要】
基于LSTM网络的仿真交易生成方法、装置及可读存储介质


[0001]本专利技术属于计算机领域，具体涉及一种基于LSTM网络的仿真交易生成方法、装置及计算机可读存储介质。

技术介绍

[0002]本部分旨在为权利要求书中陈述的本专利技术的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
[0003]在目前的交易系统中开发完成后，通常都需要进行完整的案例回归测试，在回归测试没有问题的前提下再进行性能和持久性测试，但是即使经过上述测试后，在生产环境中依然会偶尔出现问题，原因在于生产环境系统收到的是实际交易，而上述测试环境下使用的是人工制造的假交易，
[0004]因此，测试环境无法囊括生产环境中的很多异常情况，因此需要寻找到一种优化的仿真交易生成方法，用以产生类似实际生产环境的仿真交易，使得测试环境更加接近于生产，让问题在开发测试阶段就可以暴露并解决。

技术实现思路

[0005]针对上述现有技术中存在的问题，提出了一种基于LSTM网络的仿真交易生成方法、装置及计算机可读存储介质，利用这种方法、装置及计算机可读存储介质，能够解决上述问题。
[0006]本专利技术提供了以下方案。
[0007]第一方面，提供一种基于LSTM网络的仿真交易生成方法，包括：利用LSTM网络训练出多个交易类型分别对应的多个交易模型；根据输入数据和目标交易类型调用对应的交易模型，生成仿真交易；判断仿真交易与真实交易的差异值是否超过预设阈值；在仿真交易和真实交易之间的差异值未超过预设阈值的情况下，输出仿真交易进行测试。
[0008]在一种实施方式中，还包括：将预设校验模板中的固定字段，对应替换仿真交易中的生成的部分仿真字段。
[0009]在一种实施方式中，还包括：在仿真交易和真实交易之间的差异值超过预设阈值时，基于真实交易对仿真交易的每个字段进行字段相似性修正；以及，判断修正后的仿真交易与真实交易的差异值是否超过预设阈值。
[0010]在一种实施方式中，利用LSTM网络训练出多个交易类型分别对应的多个交易模型，还包括：按照交易类型对交易数据进行分类；对每个交易类型下交易数据进行预处理，得到对应的字符集；根据每个交易类型对应的字符集，将每个交易类型下的交易数据的报文内容映射为字符集数据；将每个交易类型下的交易数据的字符集数据输入LSTM网络进行训练，得到每个交易类型对应的交易模型。
[0011]在一种实施方式中，LSTM网络为双向LSTM网络。
[0012]在一种实施方式中，还包括：利用正向LSTM网络，学习前序标签内容对后序标签内
容的正向影响；利用反向LSTM网络，学习后序标签内容对前序标签内容的反向影响；将每个正向LSTM网络节点和每个反向LSTM网络节点的输出叠加融合。
[0013]在一种实施方式中，还包括：利用以下公式将每个正向LSTM网络节点和每个反向LSTM网络节点的输出叠加融合：P
out
＝α
·
p
l
+β
·
p
r
，其中，其中α代表正向LSTM系数，β代表反向LSTM系数，p
l
代表正向节点的输出，p
r
代表反向节点输出。
[0014]在一种实施方式中，根据输入数据和目标交易类型调用对应的交易模型，生成仿真交易，还包括：根据需要生成的目标交易类型确定对应的交易模型；基于输入的初始标签及内容递归调用交易模型，生成仿真交易。
[0015]在一种实施方式中，判断仿真交易与真实交易的差异值是否超过预设阈值，还包括：将仿真交易与真实交易送入判别器，计算损失值作为差异值；根据损失值和预设阈值判断仿真交易是否合格；其中，判别器基于CNN网络和损失函数构造。
[0016]在一种实施方式中，还包括：利用判别器判断至少两笔真实交易之间的损失值，利用至少两笔真实交易之间的损失值确定预设阈值。
[0017]在一种实施方式中，字段相似性修正，包括：利用编辑距离算法计算仿真交易的每个字段跟真实交易的对应字段的相似度距离；将相似度距离大于预设距离的问题字段重新输入交易模型，生成问题字段的替换字段。
[0018]在一种实施方式中，利用编辑距离算法计算仿真交易的每个字段跟真实交易的对应字段的相似程度，包括：利用编辑距离算法计算使仿真交易的每个字段转换成真实交易的对应字段需要的最少操作次数；根据最少操作次数确定相似度距离。
[0019]在一种实施方式中，依据以下公式确定字段间的相似度距离S
i
：其中，i代表字段中对应字符，n代表仿真交易与实际交易第i个字段长度的较大值，b1代表同类差异系数，b2代表不同类差异系数，C
i
当i字符为同类差异时为1，当i字符为不同类差异时为0，E
i
当i字符为同类差异时为0，当i字符为不同类差异时为1。
[0020]第二方面，提供一种基于LSTM网络的仿真交易生成装置，包括：交易训练模块，用于利用LSTM网络训练出多个交易类型分别对应的多个交易模型；交易生成模块，用于根据输入数据和目标交易类型调用对应的交易模型，生成仿真交易；交易评价模块，用于判断仿真交易与真实交易的差异值是否超过预设阈值；交易测试模块，用于在仿真交易和真实交易之间的差异值未超过预设阈值的情况下，输出仿真交易进行测试。
[0021]在一种实施方式中，还包括：模板校验模块，用于将预设校验模板中的固定字段，对应替换仿真交易中的生成的部分仿真字段。
[0022]在一种实施方式中，还包括：字段修正模块，用于在仿真交易和真实交易之间的差异值超过预设阈值时，基于真实交易对仿真交易的每个字段进行字段相似性修正；以及，
[0023]交易评价模块，还用于判断修正后的仿真交易与真实交易的差异值是否超过预设阈值。
[0024]在一种实施方式中，交易训练模块还用于：按照交易类型对交易数据进行分类；对每个交易类型下交易数据进行预处理，得到对应的字符集；根据每个交易类型对应的字符集，将每个交易类型下的交易数据的报文内容映射为字符集数据；将每个交易类型下的交易数据的字符集数据输入LSTM网络进行训练，得到每个交易类型对应的交易模型。
[0025]在一种实施方式中，LSTM网络为双向LSTM网络。
[0026]在一种实施方式中，交易训练模块还用于：利用正向LSTM网络，学习前序标签内容对后序标签内容的正向影响；利用反向LSTM网络，学习后序标签内容对前序标签内容的反向影响；将每个正向LSTM网络节点和每个反向LSTM网络节点的输出叠加融合。
[0027]在一种实施方式中，交易训练模块还用于：利用以下公式将每个正向LSTM网络节点和每个反向LSTM网络节点的输出叠加融合：P
out
＝α
·
p
l
+β
·
p
r
，其中，其中α代表正向LSTM系数，β代表反向L本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于LSTM网络的仿真交易生成方法，其特征在于，包括：利用LSTM网络训练出多个交易类型分别对应的多个交易模型；根据输入数据和目标交易类型调用对应的交易模型，生成仿真交易；判断所述仿真交易与相同交易类型的真实交易的差异值是否超过预设阈值；在所述仿真交易和所述真实交易之间的差异值未超过预设阈值的情况下，输出所述仿真交易进行测试。2.根据权利要求1所述的方法，其特征在于，还包括：将预设校验模板中的固定字段，对应替换所述仿真交易中的生成的部分仿真字段。3.根据权利要求1所述的方法，其特征在于，还包括：在所述仿真交易和所述真实交易之间的所述差异值超过所述预设阈值时，基于所述真实交易对所述仿真交易的每个字段进行字段相似性修正；以及，判断修正后的所述仿真交易与所述真实交易的所述差异值是否超过所述预设阈值。4.根据权利要求1所述的方法，其特征在于，利用LSTM网络训练出多个交易类型分别对应的多个交易模型，还包括：按照交易类型对交易数据进行分类；对每个交易类型下所述交易数据进行预处理，得到对应的字符集；根据每个交易类型对应的所述字符集，将每个交易类型下的所述交易数据的报文内容映射为字符集数据；将每个交易类型下的所述交易数据的所述字符集数据输入LSTM网络进行训练，得到每个交易类型对应的交易模型。5.根据权利要求1所述的方法，其特征在于，所述LSTM网络为双向LSTM网络。6.根据权利要求5所述的方法，其特征在于，还包括：利用正向LSTM网络，学习前序标签内容对后序标签内容的正向影响；利用反向LSTM网络，学习后序标签内容对前序标签内容的反向影响；将每个正向LSTM网络节点和每个反向LSTM网络节点的输出叠加融合。7.根据权利要求6所述的方法，其特征在于，还包括：利用以下公式将每个正向LSTM网络节点和每个反向LSTM网络节点的输出叠加融合：P
out
＝α
·
p
l
+β
·
p
r
其中，其中α代表正向LSTM系数，β代表反向LSTM系数，p
l
代表正向节点的输出，p
r
代表反向节点输出。8.根据权利要求1所述的方法，其特征在于，根据输入数据和目标交易类型调用对应的交易模型，生成仿真交易，还包括：根据需要生成的目标交易类型确定对应的交易模型；基于输入的初始标签及内容递归调用所述交易模型，生成所述仿真交易。9.根据权利要求1所述的方法，其特征在于，判断所述仿真交易与真实交易的差异值是否超过预设阈值，还包括：将所述仿真交易与所述真实交易送入判别器，计算损失值作为所述差异值；根据所述损失值和所述预设阈值判断所述仿真交易是否合格；其中，所述判别器基于CNN网络和损失函数构造。
10.根据权利要求9所述的方法，其特征在于，还包括：利用所述判别器判断至少两笔真实交易之间的损失值，利用所述至少两笔真实交易之间的损失值确定所述预设阈值。11.根据权利要求3所述的方法，其特征在于，所述字段相似性修正，包括：利用编辑距离算法计算所述仿真交易的每个字段跟所述真实交易的对应字段的相似度距离；将相似度距离大于预设距离的问题字段重新输入所述交易模型，生成所述问题字段的替换字段。12.根据权利要求11所述的方法，其特征在于，利用编辑距离算法计算所述仿真交易的每个字段跟所述真实交易的对应字段的相似程度，包括：利用编辑距离算法计算使所述仿真交易的每个字段转换成所述真实交易的对应字段需要的最少操作次数；根据所述最少操作次数确定所述相似度距离。13.根据权利要求11所述的方法，其特征在于，依据以下公式确定字段间的相似度距离S
i
：其中，i代表字段中对应字符，n代表仿真交易与实际交易第i个字段长度的较大值，b1代表同类差异系数，b2代表不同类差异系数，C
i
当i字符为同类差异时为1，当i字符为不同类差异时为0，E
i
当i字符为同类差异时为0，当i字符为不同类差异时为1。14.一种基于LSTM网络的仿真交易生成装置，其特征在于，包括：交易训练模块，用于利用LSTM网络训练出多个交易类型分别对应的多个交易模型；交易生成模块，用于根据输入数据和目标交易类型调用对应的交易模型，生成仿真交易；交易评价模块，用于判断所述仿真交易与真实交易的差异值是否超过...

【专利技术属性】
技术研发人员：丁宇，茅毓铭，张欢，宋阳，赖富俊，曾凡帆，
申请(专利权)人：中国银联股份有限公司，
类型：发明
国别省市：