💳 অৰ্থ — পেমেণ্ট অপাৰেচন লাইভ মডেল

ভিত্তি — সংখ্যাৰ আঁৰৰ মডেল

চিমুলেটৰে ব্যৱহাৰ কৰা প্ৰতিটো সম্পৰ্ক, ইয়াৰ উৎসৰ সৈতে। অনুমান হিচাপে চিহ্নিত ধ্ৰুৱক দৃষ্টান্তমূলক কেলিব্ৰেচন।

নতুন লেনদেন এটা মূল হাৰ গুণ বিক্ৰীৰ ঢৌ হিচাপে আহে; প্ৰতি মিনিটৰ গণনা অলপ বাৰ্স্টিনেছৰ সৈতে ৰেণ্ডম (পইছন, স্বাভাৱিক আনুমানিক)।

λ(t) = base × surge(t) (2-min lag); count/min ≈ N(60λ, √(60λ)) × (1 + N(0, 0.03))[2]অনুমান: স্লটৰ সংখ্যা, সেৱা আৰু ইছ্যুৱাৰৰ সময়, স্কোৰৰ পৃথকীকৰণ, ষ্টেপ-আপ উত্তীৰ্ণ হাৰ, অপচয় হোৱা কামৰ অংশ, পৰিমাণ আৰু দাম এটা মধ্যম আকাৰৰ চুইচৰ বাবে দৃষ্টান্তমূলক মান, কোনো প্ৰকৃত নেটৱৰ্কৰ সংখ্যা নহয়।

বাইনৰমেল জালিয়াতি স্কোৰ: প্ৰকৃত আৰু জালিয়াতি স্কোৰ d′ ৰ দূৰত্বত থকা দুটা স্বাভাৱিক বক্ৰ; সীমাই ROC বক্ৰৰ ওপৰত এটা বিন্দু বাছি লয়।

genuine score ~ N(0,1), fraud ~ N(d′,1), d′ = 2.5; FPR(t) = 1 − Φ(t), TPR(t) = 1 − Φ(t − d′); AUC = Φ(d′/√2) ≈ 0.96[6][7]অনুমান: স্লটৰ সংখ্যা, সেৱা আৰু ইছ্যুৱাৰৰ সময়, স্কোৰৰ পৃথকীকৰণ, ষ্টেপ-আপ উত্তীৰ্ণ হাৰ, অপচয় হোৱা কামৰ অংশ, পৰিমাণ আৰু দাম এটা মধ্যম আকাৰৰ চুইচৰ বাবে দৃষ্টান্তমূলক মান, কোনো প্ৰকৃত নেটৱৰ্কৰ সংখ্যা নহয়।

খৰচ-অনুকূল সীমা: সম্ভাৱ্যতা অনুপাত মূল হাৰেৰে ওজন কৰা খৰচ অনুপাতক পাৰ হ'লে প্ৰত্যাখ্যান কৰক — জালিয়াতি দহগুণ বেছি হ'লে ই ln 10 / d′ ≈ 0.9σ তললৈ নামে।

decline when e^(d′x − d′²/2) ≥ (1 − π)·c_FP / (π·c_FN) ⇒ t* = [ln((1 − π)c_FP/(π c_FN)) + d′²/2] / d′[8][7]

ষ্টেপ-আপ: সীমাৰ তলৰ বেণ্ডত থকা স্কোৰবোৰক সিদ্ধান্তৰ সলনি প্ৰত্যাহ্বান কৰা হয়।

scores in [t − b, t) are challenged: genuine pass 85 %, fraud pass 5 %; scores ≥ t declined[10]অনুমান: স্লটৰ সংখ্যা, সেৱা আৰু ইছ্যুৱাৰৰ সময়, স্কোৰৰ পৃথকীকৰণ, ষ্টেপ-আপ উত্তীৰ্ণ হাৰ, অপচয় হোৱা কামৰ অংশ, পৰিমাণ আৰু দাম এটা মধ্যম আকাৰৰ চুইচৰ বাবে দৃষ্টান্তমূলক মান, কোনো প্ৰকৃত নেটৱৰ্কৰ সংখ্যা নহয়।

ইছ্যুৱাৰৰ পলম এক্সপ'নেনশিয়েল; এটা স্লট পলম বা টাইমআউট, যিটো আগতে হয়, সেইটোৰ বাবে ধৰি ৰখা হয়।

L ~ Exp(mean m); E[min(L, T)] = m(1 − e^(−T/m)), P(L > T) = e^(−T/m); S = 80 ms + forwarded × Σ share·E[min(L,T)][2][9]

লিটলৰ সূত্ৰ: ব্যস্ত স্লট = আগমনৰ হাৰ × ধৰি ৰখাৰ সময়।

busy slots = λ·S (Little) ⇒ utilization = λ·S / (32 × servers)[3]

আৰলাং C: এটা লেনদেনে মুক্ত স্লটৰ বাবে অপেক্ষা কৰাৰ সম্ভাৱনা, আৰু 2-ছেকেণ্ডৰ শাৰীৰ টাইমআউটতকৈ বেছি সময় অপেক্ষা কৰাৰ সম্ভাৱনা।

P(W > 2 s) = C(a, N)·e^(−(N/S − λ)·2 s), a = λS; mean wait = C / (N/S − λ)[1][2]

ক্ষমতাৰ বাহিৰত চুইচে পিছত বাদ দিয়া অনুৰোধবোৰতো কাম খৰচ কৰে, গতিকে ভাৰ বাঢ়িলে উপযোগী থ্ৰুপুট কমে; লোড শ্বেডিঙে অতিৰিক্তখিনি কম খৰচত প্ৰত্যাখ্যান কৰে।

λ ≥ N/S: goodput = (N/S − ω·λ)/(1 − ω), ω = 0.3; load shedding admits ≤ 0.9·N/S and answers the rest at once[4][5]অনুমান: স্লটৰ সংখ্যা, সেৱা আৰু ইছ্যুৱাৰৰ সময়, স্কোৰৰ পৃথকীকৰণ, ষ্টেপ-আপ উত্তীৰ্ণ হাৰ, অপচয় হোৱা কামৰ অংশ, পৰিমাণ আৰু দাম এটা মধ্যম আকাৰৰ চুইচৰ বাবে দৃষ্টান্তমূলক মান, কোনো প্ৰকৃত নেটৱৰ্কৰ সংখ্যা নহয়।

ক্লাইণ্টৰ পুনৰ-চেষ্টা: প্ৰতিটো কাৰিকৰী বিফলতা তিনিবাৰলৈকে, তৎক্ষণাত বা ৰেণ্ডম এক্সপ'নেনশিয়েল বেকঅফৰ সৈতে পুনৰ চেষ্টা কৰা হয়।

failed attempt → retry with p = 0.95, ≤ 3 retries; immediate: next minute; backoff: delay ~ Exp(mean 1, 2, 4 min)[4][5]অনুমান: স্লটৰ সংখ্যা, সেৱা আৰু ইছ্যুৱাৰৰ সময়, স্কোৰৰ পৃথকীকৰণ, ষ্টেপ-আপ উত্তীৰ্ণ হাৰ, অপচয় হোৱা কামৰ অংশ, পৰিমাণ আৰু দাম এটা মধ্যম আকাৰৰ চুইচৰ বাবে দৃষ্টান্তমূলক মান, কোনো প্ৰকৃত নেটৱৰ্কৰ সংখ্যা নহয়।

ইছ্যুৱাৰৰ টাইমআউট, ৰিভাৰ্ছেল আৰু ষ্টেণ্ড-ইন: পৰিমাণবোৰ লগনৰমেল, গতিকে সীমাৰ তলৰ অংশ আৰু অনুমোদিত পৰিমাণ স্বাভাৱিক CDF ৰ পৰা পোৱা যায়।

issuer timeout → reversal; stand-in approves if amount ≤ limit: P = Φ((ln L − μ)/σ), volume = e^(μ+σ²/2)·Φ((ln L − μ − σ²)/σ)[9][11]

অনুমোদিত পৰিমাণৰ বেছিছ পইণ্টত জালিয়াতিৰ হাৰ; সৰু দূৰৱৰ্তী কাৰ্ড পেমেণ্টৰ বাবে 13 bp এটা সন্দৰ্ভ মাত্ৰা হিচাপে ব্যৱহাৰ কৰা হয়।

fraud rate = approved fraud amount / approved amount × 10,000 bp (reference scale: 13 bp)[10]

মডেলে ব্যৱহাৰ কৰা অন্য পৰিচালন ধ্ৰুৱকসমূহ।

32 slots per server, 2–24 servers, +5 min boot, 6 u per server-hour · switch time 80 ms · queue timeout 2 s · issuer latency 250 ms (group B = 25 % of traffic, ±15 % per minute) · amounts lognormal, median 40 u, σ = 1, fraud ×1.5 · ω = 0.3 · shedding at 90 % · reversal = 80 ms of switch timeঅনুমান: স্লটৰ সংখ্যা, সেৱা আৰু ইছ্যুৱাৰৰ সময়, স্কোৰৰ পৃথকীকৰণ, ষ্টেপ-আপ উত্তীৰ্ণ হাৰ, অপচয় হোৱা কামৰ অংশ, পৰিমাণ আৰু দাম এটা মধ্যম আকাৰৰ চুইচৰ বাবে দৃষ্টান্তমূলক মান, কোনো প্ৰকৃত নেটৱৰ্কৰ সংখ্যা নহয়।

যাদৃচ্ছিকতা: এটা বীজযুক্ত mulberry32 জেনেৰেটৰ; ব্যৱহৃত বিতৰণ — সমান, ঘাতাংকীয় (ব্যস্ত CDF), স্বাভাৱিক (Box–Muller), পইছন (Knuth)। বীজ দেখুওৱা হয় আৰু শ্বেয়াৰ কৰিব পাৰি।

উৎস

1. Teletraffic Engineering Handbook — Erlang C formula; waiting-time distribution for M/M/n, FCFS — ITU-D Study Group 2 Question 16/2 (V. B. Iversen), 2005
2. M. Harchol-Balter — Performance Modeling and Design of Computer Systems: Queueing Theory in Action (M/M/k, capacity provisioning) — Cambridge University Press, 2013
3. J. D. C. Little — A Proof for the Queuing Formula: L = λW — Operations Research 9(3):383–387, 1961
4. Site Reliability Engineering — Ch. 22 Addressing Cascading Failures (retries, randomized exponential backoff, load shedding, work on requests past their deadline) — Beyer, Jones, Petoff, Murphy (eds.), O'Reilly, 2016
5. N. Bronson, A. Aghayev, A. Charapko, T. Zhu — Metastable Failures in Distributed Systems — HotOS ’21, ACM, 2021
6. T. Fawcett — An introduction to ROC analysis — Pattern Recognition Letters 27(8):861–874, 2006
7. R. J. Bolton, D. J. Hand — Statistical Fraud Detection: A Review — Statistical Science 17(3):235–255, 2002
8. C. Elkan — The Foundations of Cost-Sensitive Learning — IJCAI 2001, 2001
9. ISO 8583-1:2003 Financial transaction card originated messages — Interchange message specifications — Part 1 (authorization, reversal messages) — ISO/TC 68/SC 9, 2003
10. Commission Delegated Regulation (EU) 2018/389 — RTS on strong customer authentication, Annex: reference fraud rates (0.13 % for remote card payments up to EUR 100) — Official Journal of the European Union, 2018
11. N. L. Johnson, S. Kotz, N. Balakrishnan — Continuous Univariate Distributions, Vol. 1 (lognormal distribution, partial moments) — Wiley, 1994