💳 ფინანსები — გადახდების ოპერაციები ცოცხალი მოდელი

საფუძველი — რიცხვების უკან მდგომი მოდელი

ყველა დამოკიდებულება, რომელსაც სიმულატორი იყენებს, წყაროთურთ. დაშვებად მონიშნული მუდმივები საილუსტრაციო კალიბრაციებია.

ახალი ტრანზაქციები ბაზისური ტემპით, გამრავლებული გაყიდვების აფეთქებაზე, მოდის; წუთში რაოდენობა შემთხვევითია (პუასონი, ნორმალური მიახლოება) მცირე ბერსტულობით.

λ(t) = base × surge(t) (2-min lag); count/min ≈ N(60λ, √(60λ)) × (1 + N(0, 0.03))[2]დაშვება: სლოტების რაოდენობა, მომსახურებისა და გამცემის დროები, ქულების გამიჯვნა, step-up-ის გავლის მაჩვენებლები, ფუჭად დახარჯული სამუშაოს წილი, თანხები და ფასები ილუსტრაციული მნიშვნელობებია საშუალო ზომის სვიჩისთვის და არა რომელიმე რეალური ქსელის მაჩვენებლები.

ბინორმალური თაღლითობის ქულა: ნამდვილი და თაღლითური ქულები ორი ნორმალური მრუდია d′ მანძილზე; ზღვარი ROC მრუდზე წერტილს ირჩევს.

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]დაშვება: სლოტების რაოდენობა, მომსახურებისა და გამცემის დროები, ქულების გამიჯვნა, step-up-ის გავლის მაჩვენებლები, ფუჭად დახარჯული სამუშაოს წილი, თანხები და ფასები ილუსტრაციული მნიშვნელობებია საშუალო ზომის სვიჩისთვის და არა რომელიმე რეალური ქსელის მაჩვენებლები.

ხარჯის მიხედვით ოპტიმალური ზღვარი: უარყავით, როცა ალბათობის შეფარდება აღემატება ბაზისური მაჩვენებლით შეწონილ ხარჯების შეფარდებას — ათჯერ მეტი თაღლითობა მას ln 10 / d′ ≈ 0,9σ-ით ქვემოთ წევს.

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: ზღვრის ქვემოთ ზოლში მყოფი ქულები გადაწყვეტილების ნაცვლად დამატებით შემოწმებას გადიან.

scores in [t − b, t) are challenged: genuine pass 85 %, fraud pass 5 %; scores ≥ t declined[10]დაშვება: სლოტების რაოდენობა, მომსახურებისა და გამცემის დროები, ქულების გამიჯვნა, step-up-ის გავლის მაჩვენებლები, ფუჭად დახარჯული სამუშაოს წილი, თანხები და ფასები ილუსტრაციული მნიშვნელობებია საშუალო ზომის სვიჩისთვის და არა რომელიმე რეალური ქსელის მაჩვენებლები.

გამცემის დაყოვნება ექსპონენციალურია; სლოტი დაკავებულია დაყოვნებით ან ტაიმაუტით, რომელიც უფრო ადრე დადგება.

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]

ლიტლის კანონი: დაკავებული სლოტები = შემოსვლის ტემპი × დაკავების დრო.

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

ერლანგ C: ალბათობა, რომ ტრანზაქცია თავისუფალ სლოტს დაელოდება, და ალბათობა, რომ 2-წამიან რიგის ტაიმაუტზე მეტს დაელოდება.

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

სიმძლავრის ზემოთ სვიჩი სამუშაოს იმ მოთხოვნებზეც ხარჯავს, რომლებსაც მოგვიანებით აგდებს, ამიტომ სასარგებლო გამტარუნარიანობა დატვირთვის ზრდასთან ერთად ეცემა; დატვირთვის შემცირება ჭარბს იაფად უარყოფს.

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]დაშვება: სლოტების რაოდენობა, მომსახურებისა და გამცემის დროები, ქულების გამიჯვნა, step-up-ის გავლის მაჩვენებლები, ფუჭად დახარჯული სამუშაოს წილი, თანხები და ფასები ილუსტრაციული მნიშვნელობებია საშუალო ზომის სვიჩისთვის და არა რომელიმე რეალური ქსელის მაჩვენებლები.

კლიენტების განმეორებები: ყოველი ტექნიკური წარუმატებლობა სამჯერ მეტად მეორდება, დაუყოვნებლივ ან შემთხვევითი ექსპონენციალური backoff-ით.

failed attempt → retry with p = 0.95, ≤ 3 retries; immediate: next minute; backoff: delay ~ Exp(mean 1, 2, 4 min)[4][5]დაშვება: სლოტების რაოდენობა, მომსახურებისა და გამცემის დროები, ქულების გამიჯვნა, step-up-ის გავლის მაჩვენებლები, ფუჭად დახარჯული სამუშაოს წილი, თანხები და ფასები ილუსტრაციული მნიშვნელობებია საშუალო ზომის სვიჩისთვის და არა რომელიმე რეალური ქსელის მაჩვენებლები.

გამცემის ტაიმაუტი, გაუქმება და stand-in: თანხები ლოგნორმალურია, ამიტომ ლიმიტის ქვემოთ წილი და დამტკიცებული მოცულობა ნორმალური განაწილების ფუნქციიდან გამომდინარეობს.

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]

თაღლითობის მაჩვენებელი დამტკიცებული თანხის საბაზისო პუნქტებში; 13 bp გამოიყენება როგორც საორიენტაციო მასშტაბი მცირე დისტანციური საბარათე გადახდებისთვის.

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

მოდელის მიერ გამოყენებული სხვა საექსპლუატაციო მუდმივები.

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 timeდაშვება: სლოტების რაოდენობა, მომსახურებისა და გამცემის დროები, ქულების გამიჯვნა, step-up-ის გავლის მაჩვენებლები, ფუჭად დახარჯული სამუშაოს წილი, თანხები და ფასები ილუსტრაციული მნიშვნელობებია საშუალო ზომის სვიჩისთვის და არა რომელიმე რეალური ქსელის მაჩვენებლები.

შემთხვევითობა: სიდიანი mulberry32 გენერატორი; გამოყენებული განაწილებები — თანაბარი, ექსპონენციალური (შებრუნებული CDF), ნორმალური (ბოქს–მიულერი), პუასონის (კნუტი). სიდი ნაჩვენებია და გაზიარებადია.

წყაროები

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