عنوان پایان‌نامه
تشخیص و شناسایی خطا در شبکه بانکداری الکترونیکی در سطح تراکنش
- رشته تحصیلی
- مهندسی برق-کنترل
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 2586;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 66607
- تاریخ دفاع
- ۱۰ شهریور ۱۳۹۳
- دانشجو
- محدثه مرادی افراپلی
- استاد راهنما
- بابک نجاراعرابی
- چکیده
- با توجه به اهمیت مساله‌ی کیفیت سرویس‌دهی و بحث خطا در شبکه‌ی بانکداری الکترونیکی، در این پایان‌نامه به شناسایی و تشخیص منابع خطا در این حوزه پرداخته شده است. شبکه‌ی بانکداری الکترونیک مستعد خطاهایی مانند خطا در سوییچ بانک، خطوط ارتباطی، سوییچ واسط، سامانه‌ی متمرکز و خطا در کانال‌ها و حالات سرویس‌دهی مختلف است. این خطاها به صورت افت بار یا قطعی کامل نمود پیدا می‌کنند. در این پژوهش، سیستمی جامع برای شناسایی و تشخیص خطا در شبکه‌ی بانکی متمرکز براساس روش‌های مبتنی بر داده ارایه شده است. برای دستیابی به این هدف دو گام اساسی برای شناسایی و تشخیص خطا مطرح شده است: استخراج ویژگی و مساله‌ی طبقه‌بندی. گام اول این است که با به‌کارگیری چند روش مانند تبدیل موجک و تابع توزیع مخلوط، ویژگی‌هایی استخراج شود که در تشخیص وقوع خطا موثر باشند. یکی از مسایل مهم و موثر در این گام، بهره‌گیری از روش بازسازی موج تقاضای تراکنش مورد انتظار برای تخمین تراکنش‌های از دست رفته است. این کار با مقایسه‌ی موج بازسازی شده و موج واقعی انجام می‌شود. گام دوم تشخیص محل وقوع خطا است. در این مرحله داده‌هایی که در اختیار است تا سه سطح تجزیه می‌شوند: سطح سوییچ، سطح حالات سرویس‌دهی و سطح کانال‌ها. در انتها با به‌کارگیری روش‌های طبقه‌بندی و ترکیب اطلاعات و نیز تفکیک داده‌ها، زمان و محل وقوع خطا مشخص می‌شود. نتایج به‌دست آمده حاکی از آن است که به کارگیری روش‌های ترکیب اطلاعات در بهبود نتایج موثر هستند. برای ارزیابی و سنجش صحت الگوریتم فوق شبیه‌سازی طراحی شده است. این شبیه‌ساز دارای قابلیت ساخت موج سالم تقاضای تراکنش و اعمال خطا در عناصر مختلف آن است. هم‌چنین الگوریتم‌های پیشنهادی بر روی داده‌های چند بانک امتحان شده و کیفیت و صحت آن توسط شخص خبره بررسی و تایید شده است. نتایج حاصل نشان می‌دهد الگوریتم پیشنهادی، توانایی لازم و مناسب در جهت شناسایی و تشخیص خطا در سامانه‌ی بانکی کشور را دارد. واژه‌های کلیدی: شناسایی و تشخیص خطا، بانکداری الکترونیک، الگوی کسب و کار، روش مبتنی بر داده، استخراج ویژگی، طبقه‌بندی، ترکیب داده.
- Abstract
- Regarding to the importance of service quality and fault problem in electronic banking network, this dissertation focused on fault sources identification and diagnosis in this scope. E-banking network has fault potentials such as bank switch fault, connection lines, interface switch, CORE and fault in channels and different service mode. These faults emerge as load drop or complete disconnection. In this research, the goal is to present a comprehensive data-driven system for detection and diagnosis of the faults in centralized banking system. In order to do so, two core steps are required: feature extraction and classification. The first step is to extract features of the system helpful in diagnosis of faults, using multiple methodologies. Using expected transactions wave reconstruction method for estimating lost transactions is a vital point in this step. This is done by comparing the real and reconstructed wave. The second step is to identify where the fault has occurred. Here data is decomposed in three level, namely Switch, Service Mode and Channels. In the end, both time and whereabouts of faults are identified, using classification, data fusion, and data decomposition methodologies. A simulator has been developed in order to evaluate and verify the above mentioned algorithm. This simulator has the capability of generating transaction wave and applying faults in different elements of it. Also, the proposed algorithms have been tested with real data provided by banks and experts have approved the quality and accuracy of them. The proposed algorithms are examined on several bank`s data and its quality and accuracy are verified and confirmed by experts. The obtained results show that the proposed algorithm has the capability to detect and diagnosis faults in the country’s banking system. Key words: Fault detection and diagnosis, Electronic banking, Business pattern activity, Data-driven method, Feature extraction, Classification, Data fusion.
