💳 مالی — عملیات پرداخت مدل زنده

مبنا — مدل پشت اعداد

هر رابطه‌ای که شبیه‌ساز به کار می‌برد، با منبعش. ثابت‌هایی که به‌عنوان فرض علامت خورده‌اند کالیبراسیون‌های نمونه‌ای‌اند.

تراکنش‌های جدید با نرخ پایه ضرب‌در جهش فروش می‌رسند؛ تعداد در دقیقه تصادفی است (پواسون، تقریب نرمال) با اندکی انفجارگونگی.

λ(t) = base × surge(t) (2-min lag); count/min ≈ N(60λ, √(60λ)) × (1 + N(0, 0.03))[2]فرض: تعداد اسلات‌ها، زمان‌های سرویس و صادرکننده، جدایی امتیازها، نرخ‌های گذر step-up، سهم کار هدررفته، مبالغ و قیمت‌ها مقادیری نمونه برای یک سوئیچ متوسط‌اند، نه ارقام هیچ شبکه واقعی.

امتیاز تقلب دوعادی (binormal): امتیازهای واقعی و تقلب دو منحنی نرمال با فاصله d′ هستند؛ آستانه نقطه‌ای روی منحنی ROC برمی‌گزیند.

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]فرض: تعداد اسلات‌ها، زمان‌های سرویس و صادرکننده، جدایی امتیازها، نرخ‌های گذر step-up، سهم کار هدررفته، مبالغ و قیمت‌ها مقادیری نمونه برای یک سوئیچ متوسط‌اند، نه ارقام هیچ شبکه واقعی.

آستانه بهینه از نظر هزینه: وقتی نسبت درست‌نمایی از نسبت هزینه وزن‌شده با نرخ پایه بیشتر شود رد کنید — ده برابر شدن تقلب آن را به اندازه ln 10 / d′ ≈ 0.9σ پایین می‌آورد.

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]

step-up: امتیازهای نوار زیر آستانه به‌جای تصمیم‌گیری، چالش می‌شوند.

scores in [t − b, t) are challenged: genuine pass 85 %, fraud pass 5 %; scores ≥ t declined[10]فرض: تعداد اسلات‌ها، زمان‌های سرویس و صادرکننده، جدایی امتیازها، نرخ‌های گذر step-up، سهم کار هدررفته، مبالغ و قیمت‌ها مقادیری نمونه برای یک سوئیچ متوسط‌اند، نه ارقام هیچ شبکه واقعی.

تأخیر صادرکننده نمایی است؛ یک اسلات به اندازه تأخیر یا مهلت، هرکدام زودتر برسد، اشغال می‌ماند.

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]

قانون لیتل: اسلات‌های مشغول = نرخ ورود × زمان اشغال.

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

ارلانگ C: احتمال اینکه تراکنشی منتظر یک اسلات آزاد بماند، و احتمال اینکه بیش از مهلت صف 2 s منتظر بماند.

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

فراتر از ظرفیت، سوئیچ روی درخواست‌هایی هم که بعداً رها می‌کند کار صرف می‌کند، پس با افزایش بار گذردهی مفید کم می‌شود؛ محدودسازی بار مازاد را ارزان رد می‌کند.

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]فرض: تعداد اسلات‌ها، زمان‌های سرویس و صادرکننده، جدایی امتیازها، نرخ‌های گذر step-up، سهم کار هدررفته، مبالغ و قیمت‌ها مقادیری نمونه برای یک سوئیچ متوسط‌اند، نه ارقام هیچ شبکه واقعی.

تلاش مجدد مشتری: هر خطای فنی تا سه بار، فوری یا با عقب‌نشینی نمایی تصادفی، دوباره تلاش می‌شود.

failed attempt → retry with p = 0.95, ≤ 3 retries; immediate: next minute; backoff: delay ~ Exp(mean 1, 2, 4 min)[4][5]فرض: تعداد اسلات‌ها، زمان‌های سرویس و صادرکننده، جدایی امتیازها، نرخ‌های گذر step-up، سهم کار هدررفته، مبالغ و قیمت‌ها مقادیری نمونه برای یک سوئیچ متوسط‌اند، نه ارقام هیچ شبکه واقعی.

مهلت صادرکننده، ابطال و stand-in: مبالغ لوگ‌نرمال‌اند، پس سهم زیر سقف و حجم تأییدشده از تابع توزیع نرمال به دست می‌آید.

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]

نرخ تقلب بر حسب نقطه پایه از مبلغ تأییدشده؛ 13 bp به‌عنوان مقیاس مرجع برای پرداخت‌های کارتی کوچک از راه دور به کار می‌رود.

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

سایر ثابت‌های عملیاتی که مدل به کار می‌برد.

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 timeفرض: تعداد اسلات‌ها، زمان‌های سرویس و صادرکننده، جدایی امتیازها، نرخ‌های گذر step-up، سهم کار هدررفته، مبالغ و قیمت‌ها مقادیری نمونه برای یک سوئیچ متوسط‌اند، نه ارقام هیچ شبکه واقعی.

تصادفی‌بودن: یک مولد mulberry32 با seed؛ توزیع‌های به‌کاررفته — یکنواخت، نمایی (وارون CDF)، نرمال (Box–Muller)، پواسون (Knuth). seed نمایش داده می‌شود و قابل اشتراک است.

منابع

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