💳 ଫାଇନାନ୍ସ — ପେମେଣ୍ଟ ଅପରେସନ୍ସ ଲାଇଭ୍ ମଡେଲ୍

ଆଧାର — ସଂଖ୍ୟା ପଛର ମଡେଲ୍

ସିମୁଲେଟର ବ୍ୟବହାର କରୁଥିବା ପ୍ରତ୍ୟେକ ସମ୍ପର୍କ, ନିଜ ଉତ୍ସ ସହ। ଅନୁମାନ ଭାବେ ଚିହ୍ନିତ ଧ୍ରୁବାଙ୍କ ଉଦାହରଣମୂଳକ କ୍ୟାଲିବ୍ରେସନ୍।

ନୂଆ ଟ୍ରାନ୍ଜାକ୍ସନ୍ ଏକ ମୂଳ ହାରରେ ଗୁଣ ବିକ୍ରି ଉଛୁଳା ଭାବେ ଆସେ; ମିନିଟ୍ ପ୍ରତି ସଂଖ୍ୟା ଯାଦୃଚ୍ଛିକ (ପଏସନ୍, ସାଧାରଣ ଆନୁମାନିକତା) ଟିକେ ଝଟକା ସହ।

λ(t) = base × surge(t) (2-min lag); count/min ≈ N(60λ, √(60λ)) × (1 + N(0, 0.03))[2]ଧାରଣା: ସ୍ଲଟ୍ ସଂଖ୍ୟା, ସେବା ଓ ଇସୁଅର୍ ସମୟ, ସ୍କୋର୍ ପୃଥକତା, ଷ୍ଟେପ୍-ଅପ୍ ପାସ୍ ହାର, ନଷ୍ଟ କାର୍ଯ୍ୟର ଅଂଶ, ପରିମାଣ ଓ ମୂଲ୍ୟ ଏକ ମଧ୍ୟମ ଆକାରର ସୁଇଚ୍ ପାଇଁ ଦୃଷ୍ଟାନ୍ତମୂଳକ ମୂଲ୍ୟ, କୌଣସି ପ୍ରକୃତ ନେଟୱର୍କର ଅଙ୍କ ନୁହେଁ।

ଦ୍ୱିସାଧାରଣ ଠକାମି ସ୍କୋର୍: ପ୍ରକୃତ ଓ ଠକାମି ସ୍କୋର୍ d′ ଦୂରରେ ଥିବା ଦୁଇଟି ସାଧାରଣ ବକ୍ର; ଥ୍ରେସହୋଲ୍ଡ ROC ବକ୍ରରେ ଏକ ବିନ୍ଦୁ ବାଛେ।

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]ଧାରଣା: ସ୍ଲଟ୍ ସଂଖ୍ୟା, ସେବା ଓ ଇସୁଅର୍ ସମୟ, ସ୍କୋର୍ ପୃଥକତା, ଷ୍ଟେପ୍-ଅପ୍ ପାସ୍ ହାର, ନଷ୍ଟ କାର୍ଯ୍ୟର ଅଂଶ, ପରିମାଣ ଓ ମୂଲ୍ୟ ଏକ ମଧ୍ୟମ ଆକାରର ସୁଇଚ୍ ପାଇଁ ଦୃଷ୍ଟାନ୍ତମୂଳକ ମୂଲ୍ୟ, କୌଣସି ପ୍ରକୃତ ନେଟୱର୍କର ଅଙ୍କ ନୁହେଁ।

ଖର୍ଚ୍ଚ-ଅନୁକୂଳ ଥ୍ରେସହୋଲ୍ଡ: ସମ୍ଭାବ୍ୟତା ଅନୁପାତ ମୂଳ ହାର ଦ୍ୱାରା ଭାରିତ ଖର୍ଚ୍ଚ ଅନୁପାତଠାରୁ ଅଧିକ ହେଲେ ପ୍ରତ୍ୟାଖ୍ୟାନ କରନ୍ତୁ — ଦଶ ଗୁଣ ଅଧିକ ଠକାମି ଏହାକୁ ln 10 / d′ ≈ 0.9σ ତଳକୁ ନିଏ।

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]

ଷ୍ଟେପ୍-ଅପ୍: ଥ୍ରେସହୋଲ୍ଡ ତଳର ବ୍ୟାଣ୍ଡ୍‌ରେ ଥିବା ସ୍କୋର୍‌କୁ ନିଷ୍ପତ୍ତି ବଦଳରେ ଚ୍ୟାଲେଞ୍ଜ କରାଯାଏ।

scores in [t − b, t) are challenged: genuine pass 85 %, fraud pass 5 %; scores ≥ t declined[10]ଧାରଣା: ସ୍ଲଟ୍ ସଂଖ୍ୟା, ସେବା ଓ ଇସୁଅର୍ ସମୟ, ସ୍କୋର୍ ପୃଥକତା, ଷ୍ଟେପ୍-ଅପ୍ ପାସ୍ ହାର, ନଷ୍ଟ କାର୍ଯ୍ୟର ଅଂଶ, ପରିମାଣ ଓ ମୂଲ୍ୟ ଏକ ମଧ୍ୟମ ଆକାରର ସୁଇଚ୍ ପାଇଁ ଦୃଷ୍ଟାନ୍ତମୂଳକ ମୂଲ୍ୟ, କୌଣସି ପ୍ରକୃତ ନେଟୱର୍କର ଅଙ୍କ ନୁହେଁ।

ଇସୁଅର୍ ବିଳମ୍ବ ଘାତାଙ୍କୀୟ; ଏକ ସ୍ଲଟ୍ ବିଳମ୍ବ କିମ୍ବା ଟାଇମଆଉଟ୍ ପାଇଁ ଧରାଯାଏ, ଯାହା ଆଗ ଆସେ।

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]

ଲିଟିଲ୍‌ଙ୍କ ନିୟମ: ବ୍ୟସ୍ତ ସ୍ଲଟ୍ = ଆଗମନ ହାର × ଧରି ରଖିବା ସମୟ।

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

Erlang C: ଏକ ଟ୍ରାନ୍ଜାକ୍ସନ୍ ଖାଲି ସ୍ଲଟ୍ ପାଇଁ ଅପେକ୍ଷା କରିବାର ସମ୍ଭାବନା, ଏବଂ 2-s ଧାଡ଼ି ଟାଇମଆଉଟ୍‌ଠାରୁ ଅଧିକ ଅପେକ୍ଷା କରିବାର ସମ୍ଭାବନା।

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

କ୍ଷମତା ଅତିକ୍ରମ କଲେ ସୁଇଚ୍ ପରେ ଛାଡ଼ିଦେଉଥିବା ଅନୁରୋଧ ପାଇଁ ମଧ୍ୟ କାମ ଖର୍ଚ୍ଚ କରେ, ତେଣୁ ଲୋଡ୍ ବଢ଼ିଲେ ଉପଯୋଗୀ ଥ୍ରୁପୁଟ୍ କମେ; ଲୋଡ୍ ସେଡିଂ ଅତିରିକ୍ତକୁ ସସ୍ତାରେ ପ୍ରତ୍ୟାଖ୍ୟାନ କରେ।

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]ଧାରଣା: ସ୍ଲଟ୍ ସଂଖ୍ୟା, ସେବା ଓ ଇସୁଅର୍ ସମୟ, ସ୍କୋର୍ ପୃଥକତା, ଷ୍ଟେପ୍-ଅପ୍ ପାସ୍ ହାର, ନଷ୍ଟ କାର୍ଯ୍ୟର ଅଂଶ, ପରିମାଣ ଓ ମୂଲ୍ୟ ଏକ ମଧ୍ୟମ ଆକାରର ସୁଇଚ୍ ପାଇଁ ଦୃଷ୍ଟାନ୍ତମୂଳକ ମୂଲ୍ୟ, କୌଣସି ପ୍ରକୃତ ନେଟୱର୍କର ଅଙ୍କ ନୁହେଁ।

କ୍ଲାଏଣ୍ଟ୍ ପୁନଃଚେଷ୍ଟା: ପ୍ରତ୍ୟେକ ବୈଷୟିକ ବିଫଳତା ତିନି ଥର ପର୍ଯ୍ୟନ୍ତ, ତୁରନ୍ତ କିମ୍ବା ଯାଦୃଚ୍ଛିକ ଘାତାଙ୍କୀୟ ବ୍ୟାକ୍‌ଅଫ୍ ସହ ପୁନଃଚେଷ୍ଟା ହୁଏ।

failed attempt → retry with p = 0.95, ≤ 3 retries; immediate: next minute; backoff: delay ~ Exp(mean 1, 2, 4 min)[4][5]ଧାରଣା: ସ୍ଲଟ୍ ସଂଖ୍ୟା, ସେବା ଓ ଇସୁଅର୍ ସମୟ, ସ୍କୋର୍ ପୃଥକତା, ଷ୍ଟେପ୍-ଅପ୍ ପାସ୍ ହାର, ନଷ୍ଟ କାର୍ଯ୍ୟର ଅଂଶ, ପରିମାଣ ଓ ମୂଲ୍ୟ ଏକ ମଧ୍ୟମ ଆକାରର ସୁଇଚ୍ ପାଇଁ ଦୃଷ୍ଟାନ୍ତମୂଳକ ମୂଲ୍ୟ, କୌଣସି ପ୍ରକୃତ ନେଟୱର୍କର ଅଙ୍କ ନୁହେଁ।

ଇସୁଅର୍ ଟାଇମଆଉଟ୍, ରିଭର୍ସାଲ୍ ଓ ଷ୍ଟାଣ୍ଡ-ଇନ୍: ପରିମାଣ ଲଗ୍‌ନର୍ମାଲ୍, ତେଣୁ ସୀମା ତଳେ ଥିବା ଅଂଶ ଓ ଅନୁମୋଦିତ ଭଲ୍ୟୁମ୍ ସାଧାରଣ CDF ରୁ ମିଳେ।

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]

ଅନୁମୋଦିତ ପରିମାଣର ବେସିସ୍ ପଏଣ୍ଟରେ ଠକାମି ହାର; ଛୋଟ ଦୂରବର୍ତ୍ତୀ କାର୍ଡ୍ ପେମେଣ୍ଟ ପାଇଁ 13 bp ଏକ ସନ୍ଦର୍ଭ ମାପକ ଭାବେ ବ୍ୟବହୃତ।

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

ମଡେଲ୍ ବ୍ୟବହାର କରୁଥିବା ଅନ୍ୟ ପରିଚାଳନା ସ୍ଥିରାଙ୍କ।

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 timeଧାରଣା: ସ୍ଲଟ୍ ସଂଖ୍ୟା, ସେବା ଓ ଇସୁଅର୍ ସମୟ, ସ୍କୋର୍ ପୃଥକତା, ଷ୍ଟେପ୍-ଅପ୍ ପାସ୍ ହାର, ନଷ୍ଟ କାର୍ଯ୍ୟର ଅଂଶ, ପରିମାଣ ଓ ମୂଲ୍ୟ ଏକ ମଧ୍ୟମ ଆକାରର ସୁଇଚ୍ ପାଇଁ ଦୃଷ୍ଟାନ୍ତମୂଳକ ମୂଲ୍ୟ, କୌଣସି ପ୍ରକୃତ ନେଟୱର୍କର ଅଙ୍କ ନୁହେଁ।

ଅନିୟମିତତା: ସିଡ୍ ଥିବା mulberry32 ଜେନେରେଟର; ବ୍ୟବହୃତ ବଣ୍ଟନ — ଏକରୂପ, ଘାତାଙ୍କୀୟ (ଓଲଟା CDF), ସାଧାରଣ (Box–Muller), ପଏସନ୍ (Knuth)। ସିଡ୍ ଦେଖାଯାଏ ଏବଂ ସେୟାର୍ କରାଯାଇପାରେ।

ଉତ୍ସ

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