金融的核心是风控,流动性风险是风控的重要一块,风险管理也成为各金融机构企业运营的建设重点。日前,中国银行河南省分行结合业务现状及未来发展,采用浪潮天梭K1关键应用主机作为核心服务器,承载其流动性风险管理系统,借助信息化手段重构金融生态环境下的风控防线。
阻力重重,如何化解“致命风险”?
中国银行于1912年成立,是中国历史最为悠久的银行之一,同时在全球30多个国家和地区拥有超过700家海外机构。河南省分行是中国银行在中原地区最重要的一级分行,业务遍布全省18个地市、超过600个营业网点。
河南省分行是中国银行在中原地区最重要的一级分行
2016年6月银监会发布《中国银行业监督管理委员会2015年报》提出,今年将着力整合银行业资金资源支持供给侧结构性改革,同时要着力防范重点风险、严守风险底线。专业的风控体系,是银行综合理财能力的重要组成部分,也是金融行业的核心因素。其中流动性风险因其不确定性强、冲击破坏力大的特点,被视为“商业银行最致命”的风险。也有专家认为,风险管控是未来一段时间银行转型的重点工作之一。
中国银行河南省分行原有的流动性风险管理系统采用国外机架服务器作为数据库与应用服务器,随着业务范围的逐步扩大、系统应用及数据量不断增加,如今在业务处理能力及系统可靠性上都已表现出明显不足。以业务批处理过程为例,执行一次数据装载、数据加工、前端数据加工全过程,到最终完成批处理,需要耗时近6个小时。与此同时,数据库与中间件软件部署在同一台服务器上,共享相同的物理资源,彼此相互影响,一旦出现软件故障,将增加故障定位及排除的难度。此外,采用x86服务器单机运行,缺少必要的冗余设备,当服务器故障时将导致业务中断,特别是x86服务器的脆弱性进一步加剧了服务器故障的风险。
平稳迁移,整体性能提升2.1倍
浪潮对河南省分行流动性风险管理系统的现状做了深入评估,结合银行业流动风险的特性,提出系统的可靠性及扩展性尤为重要。经过浪潮与其合作伙伴及河南省分行的充分沟通,根据“统一规划,整体设计,统一管理,集中建设”的原则,河南省分行新一代流动性风险管理系统采用浪潮天梭K1关键应用主机作为核心服务器。
在系统建设中,共采用3台K1 910作为河南省分行流动性风险管理系统的运行平台,其中2台作为系统核心数据库服务器,1台作为测试服务器。2台K1 910通过浪潮BCP高可用软件组成高可用服务器集群,可实现实时交互,在其中一台宕机的情况下,另一台主机即时接管后台工作,保障数据不丢失。中国银行河南省分行信息化负责人表示,浪潮K1 910关键应用主机,具有超高的业务稳定性,业务连续性达到99.9994%,可从容应对我行巨大的数据吞吐与频繁的并发访问。新系统具备更高的执行效率,整体性能提升2.1倍。经过测试,在业务批处理过程中,数据装载速度提升5倍,数据加工处理速度提升1.5倍,前端数据加工处理速度提升1.3倍。
HA高可用集群,运行过程零风险
以浪潮天梭K1关键应用主机搭建的HA高可用集群方案,承载河南省分行新一代流动性风险管理系统,接入了包括客户行为分析、流动性指标监控、汇率管理、盈利性预测等应用系统,通过“数据+模型”提升银行流动性分析管理智能化水平。围绕客户、市场、汇率等维度数据监测和分析,为银行管理层提供清晰直观决策依据,实时掌控业务风险、市场风险、客户信用风险和盈利预测,开展合规的风险管理,以及制定精准和安全的金融产品规划,
有效规避银行业务运行风险。
“浪潮提供的高可用主机解决方案,保障系统运行效率和性能同步提升,更敏捷的数据响应,支撑我行流动性风险管理系统高效执行,满足未来系统发展需求。”中国银行河南省分行信息化负责人说。
持续开拓,浪潮K1与客户共赢未来
浪潮天梭K1关键应用主机入驻中国银行河南省分行,实现了行内系统平台的标准化、一体化,K1集成的图形化管理工具也进一步提升了设备管理效率,从而帮助其提升流动性风险管理系统的稳定性、处理性及扩展性。目前,浪潮天梭K1关键应用主机已在中国银行总行、山东省分行的业务系统中展开测试并逐步投入使用。
银行业各信息系统运行关系国民经济命脉,浪潮天梭K1关键应用主机作为 “风控管家”平台,为银行关键业务系统保驾护航。当银行不需担忧后台的保障,发展才会持续而稳健。
好文章,需要你的鼓励
研究人员意外发现,标准MOSFET晶体管可同时模拟神经元和突触行为,形成"神经突触随机存取存储器"(NSRAM)。该技术仅需一至两个晶体管即可实现传统需数十乃至数百个元件才能完成的神经信号处理,且与现有硅基制造工艺完全兼容,良率达100%。未来有望应用于边缘AI及高能效神经形态芯片,长远或可挑战GPU地位。
复旦大学团队提出ICWM框架,让机器人在任务前通过随机探测动作自主感知当前视角和物理配置,无需重新训练即可适应新摄像头角度,真实机器人测试成功率最高提升175%。
本文提出一种评估人工智能风险的新方法,借鉴生态学与演化论视角,从理论生态模型中推导出三项风险指标,涵盖种群模型与生态系统模型。研究旨在为AI治理策略提供量化工具,并对分析局限性及政策改进方向进行了深入探讨,为构建更科学的AI风险评估体系提供参考框架。
西安交通大学团队提出Fast-LeWM,用动作前缀并行预测替代逐步推演,将AI世界模型规划速度提升近4倍,同时平均成功率从85.8%提升至90.5%。