摘要：智能系统虽然无人监管，但状态检测和预警一直在进行。本文以银行的ATM机为例，提供有效的状态特征分析与异常检测的数学模型。银行数据中心汇总的信息包括业务量、交易成功率、交易响应时间，本文通过图像提取，阈值划分，方差分析法设计交易状态异常检测方案。
　　关键词：阈值分析；方差分析；状态检测；双N值比较
　　一、选择、提取和分析交易状态的特征参数；
　　1. 三个指标：我们用SPSS软件求出这几个参数的相关性矩阵得出，交易量和响应正相关，成功率和响应负相关2. 交易量参数提取：为了便于观察大量数据的特征，我们使用Excel绘制了工作日（红）、非工作日（黑）交易量-时间散点图a）1月23日至2月1日的图像有非常明显的波动，而后的日总交易量波动小且维持在一定的区间。实际考虑，由春节造成的b）工作日和非工作日的交易量存在日期有关的明显周期性变化。右图得出工作日和非工作日的单日交易量不存在明显区别。依上述，我们猜想不同日期相同时间（分钟）的交易量符合正态分布，并通过作出的圖像验证了我们的猜想。于是我们提取不同日期相同时间交易量的平均值和方差作为交易量的特征参数。3. 成功率参数提取：模型处理如下，对交易量不足值K的时间进行累加->累加值超过K时计一次成功率->该成功率代表这段时间（考虑后续报警，K值定为50），依处理后图像，成功率集中在较高的区域，数据变化绝对值超N倍标准均方差变化阀值的数据个数达一定标准时说明数据异常。[1]N取值采用双次比较法，第1次N值比较去除干扰，去掉干扰点后进行第2次N值比较4. 响应时间参数提取如右图，得出结论：a）在交易量大服务器工作多的时间响应时间下降b）响应时间离散程度低。数据存在极大偏离值，双次N值比较法合理。去除极端异常值后取响应时间的平均值和方差为特征参数。
　　二、设计可靠的交易状态异常检测方案
　　（1）交易量异常检测：根据第一问求出的特征参数和不同日期相同时间（分钟）交易量的正态分布特性，求出每分钟置信区间。根据其正态分布，μ±3σ为其置信区间，在置信区间外即该交易量数据出现异常。（2）响应时间异常数据检测：用方差分析法进行异常检测特征参数，根据方差和平均值进行2次N值比较，一般去掉干扰后，数据变化超过2倍方差的数据即异常。（3）成功率异常数据检测方法：成功率数据分布十分集中，与响应时间相似，因此使用相同的模型和方法。
　　总结交易状态异常检测方案模型：
　　通过三个指标的异常数据检测模型，任一指标出现异常数据即可及时发现。现实故障有一定的持续时间，因此一个指标出现持续异常，才应发出故障报警。
　　参考文献：
　　[1]张兴国等，地震前兆数据异常自动检测报警系统，北京：文章编号1003-3246.2011.01.019
　　[2]张旭，跨银行自动柜员机（ATM）网络，广州：广东机械学院学报，第14卷第2期