CN101504745A - 基于网络线上业务的风险规则/模型建立和优化系统及方法 - Google Patents
基于网络线上业务的风险规则/模型建立和优化系统及方法 Download PDFInfo
- Publication number
- CN101504745A CN101504745A CNA2008101843095A CN200810184309A CN101504745A CN 101504745 A CN101504745 A CN 101504745A CN A2008101843095 A CNA2008101843095 A CN A2008101843095A CN 200810184309 A CN200810184309 A CN 200810184309A CN 101504745 A CN101504745 A CN 101504745A
- Authority
- CN
- China
- Prior art keywords
- risk
- data
- rule
- risk rule
- control unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提出一种基于网络线上业务的风险规则/模型建立和优化系统及方法，其基于网络线上业务的风险规则/模型建立和优化系统包括风险控制单元以及风险规则实验单元。风险控制单元用以根据风险规则/模型对线上交易业务中的业务数据进行监控，过滤出业务数据中的风险数据，并进行处理。风险规则实验单元与风险控制单元相连，用以提供一个模拟的真实交易环境来试验风险规则/模型的风险识别能力，并对风险规则/模型进行优化调整。本发明在风险规则/模型的优化时具有自主动作、不占用线上资源、不花费人力时间的优点。
Description
技术领域
本发明涉及网络监控技术，特别涉及可以自主动作且不占用线上系统资源的基于网络线上业务的风险规则/模型建立和优化系统及其方法。
背景技术
随着互联网的快速发展，各种形式的在线业务不断涌现，如在线银行、在线支付、在线购物等基于互联网的在线服务业务。人们已经接受并越来越习惯在网上进行各种商务活动。
由于互联网是一个开放的网络，任何人在世界的任何地方都可以很方便地连接到互联网上。互联网在给人类生活提供便利的同时，也带来了风险。尤其是近几年，随着电子商务的迅猛发展，网络金融犯罪以及网上欺诈不断出现，这也成为人们关注的焦点。因此，如果不能对在线业务系统进行有效的风险监控，消费者就无法安心使用这些在线业务，尤其是涉及到资金往来的业务。
为了给在线业务提供一个更好的环境，通常所采用的方法是制定一个风险规则，并通过风险规则对在线的业务数据进行监控。如国家专利局申请号为200610066301.X的专利申请提出了一种对在线业务进行风险监控的方法及系统，请参见图1，其方法包括以下步骤：
S101，捕获用户参数和业务数据并封装成事件对象。
S103，根据风险规则分析事件对象。
S105，根据分析结果判断事件是否存在风险，若存在风险则进行步骤S107。
S107，根据事件对象生成风险记录。
S109，确定风险处理方式并进行风险处理。
上述方法通过风险规则来找出在线业务中的风险对象并进行处理，因此可以有效滤除在线业务中的风险，为用户提供一个良好的网络环境。
由此可见，风险规则是网络业务监控的关键所在，其直接决定了哪些数据为风险数据。现在的风险规则在优化时，往往是先制定规则，再到线上试运行进行检验，如图2所示，其为现有的一种风险规则优化流程图。
S201，业务部门根据业务风险的实际情况提出风险数据提取需求。
S203，数据仓库工程师按风险数据提取需求制定及优化风险规则。
S205，风险规则部署到线上系统进行试运行测试。
但是现有的这种风险规则优化方式存在着以下几个缺陷：
1、每次对风险规则的优化过程都需要由工作人员来制定，需要花费大量的人力和时间成本。而制定的过程会占用大量的ETL(Extract TransformLoading，数据抽取、转换、装载的过程)
2、风险规则需要部署到线上系统进行试运行测试，线上系统在处理业务的同时还要进行风险规则的测试，增加了线上系统的负担。
3、在风险规则进行测试时，需要采样一些环境变量数据，环境变量数据是指那些会随着时间改变而改变的变量(如：当时支付时会员是否数字证书会员)，而想获取以前某时刻的变量值需要对数据进行清洗追溯获得，也即是需要对操作日志表进行临时清洗，清洗麻烦，并且部分数据由于被更新而无法获得，使得风险规则的测试不完全。
综上所述，现有的风险规则优化方式有占资源、不完善、花费大的缺点。
发明内容
本申请提供了一种基于网络线上业务的风险规则/模型建立和优化系统，以解决现有的风险规则/模型优化方式有占资源、不完善、花费大的缺点。
本申请另提供了一种基于网络线上业务的风险规则/模型建立和优化方法，以解决现有的风险规则/模型优化方式有占资源、不完善、花费大的缺点。
本申请提出一种基于网络线上业务的风险规则/模型建立和优化系统，其包括风险控制单元以及风险规则实验单元。风险控制单元用以根据风险规则/模型对线上业务数据进行监控，过滤出线上业务数据中的风险数据，并进行核查处理。风险规则实验单元，其与风险控制单元相连，用以提供一个模拟的真实交易环境来试验风险规则/模型的风险识别能力，并对风险规则/模型进行优化调整。此风险规则实验单元又包括数据抽样子单元、风险数据训练子单元以及风险规则/模型调整子单元。数据抽样子单元连接至风险控制单元，用以从线上交易业务中采样出预设数量的正常数据样本，以及接收风险控制单元核查出来的案件数据。风险数据训练子单元与数据抽样子单元相连，用以利用从线上采样的正常数据样本和从风险控制单元采集的案件数据样本进行数据训练，获得风险规则/模型，并测试原有的风险规则/模型的风险识别能力。风险规则/模型调整子单元与风险控制单元相连，用以根据风险数据训练子单元的测试结果，自主地将风险规则/模型部署到风险控制单元中运行。
依照本申请较佳实施例所述的基于网络线上业务的风险规则/模型建立和优化系统，数据抽样子单元还包括环境变量抽样模块，其用于以数据库快照方式将环境变量带入风险规则实验单元。
依照本申请较佳实施例所述的基于网络线上业务的风险规则/模型建立和优化系统，风险控制单元包括风险规则/模型存储子单元、风险处理子单元以及案件数据存储子单元。风险规则/模型存储子单元与风险规则/模型调整子单元相连，用以存放风险规则/模型。风险处理子单元与风险规则/模型存储子单元相连，用以根据风险规则/模型判断并过滤出线上交易业务中的风险数据。案件数据存储子单元分别与风险处理子单元及风险规则实验单元相连，用以存储经核查后确认为案件的风险数据，并将案件数据提供给风险规则实验单元。
依照本申请较佳实施例所述的基于网络线上业务的风险规则/模型建立和优化系统，风险控制单元还包括外部举报接收子单元，其与案件数据存储子单元相连，用以接收外部用户举报的线上业务中的风险数据，并进行核查，并将确认为案件的风险数据存储到案件数据存储子单元中。
依照本申请较佳实施例所述的基于网络线上业务的风险规则/模型建立和优化系统，数据抽样子单元是按照时间分布抽样出预设数目的数据样本进入风险规则实验单元。
依照本申请较佳实施例所述的基于网络线上业务的风险规则/模型建立和优化系统，数据抽样子单元从线上交易业务中采样数据样本时，按日业务量一定比例的数目进行采样，比例选择根据业务及模型需要数据量进行灵活选择。
本申请另提出一种基于网络线上业务的风险规则/模型建立和优化方法，用以对风险控制单元的风险规则/模型进行优化调整，风险控制单元是对网络线上交易业务中的业务数据进行风险监控，其包括以下步骤：首先，提供用以模拟真实交易环境的风险规则实验单元。其次，风险规则实验单元从线上业务中采样出预设数量的正常数据样本。接着，风险规则实验单元接收风险控制单元发出的具有风险的案件数据样本。然后，在风险规则实验单元中利用采样的正常数据样本和案件数据样本对数据进行训练，获得风险规则/模型，并测试原有的风险规则/模型的风险识别能力。最后，根据测试结果，自主地将风险规则/模型部署到风险控制单元中运行。
依照本申请较佳实施例所述的基于网络线上业务的风险规则/模型建立和优化方法，从线上交易业务中采样数据样本时，按照时间分布抽样出预设数目的数据样本进入风险规则实验单元。
依照本申请较佳实施例所述的基于网络线上业务的风险规则/模型建立和优化方法，从线上交易业务中采样数据样本时，按日业务量1/20的数目进行采样。
依照本申请较佳实施例所述的基于网络线上业务的风险规则/模型建立和优化方法，从线上交易业务中采样数据样本时，环境变量以数据库快照方式带入风险规则实验单元。
依照本申请较佳实施例所述的基于网络线上业务的风险规则/模型建立和优化方法，在风险控制单元将案件数据发送给风险规则实验单元之前还包括以下步骤：首先，风险控制单元过滤出线上交易业务中符合风险规则/模型所定义风险的业务数据。然后，通过人工核查进一步判断过滤出的业务数据是否具有风险。最后，若数据具有风险，则该风险控制单元将其定义为案件，并将案件提供给该风险规则实验单元。
相对于现有技术，本申请包括以下优点：
1、本申请在优化风险规则/模型时，完全是由风险规则实验单元自主完成，可以在风险规则实验单元自动获得数据样本，并且无须工作人员预先提供风险规则/模型的优化需求，节省了大量的人力和时间成本。
2、本申请的风险规则实验单元是一个模拟真实交易的环境，其可以利用真实数据对风险规则/模型进行测试，但不必每次都在线上进行数据清洗，不会占用线上系统的资源，所以本申请不会影响到真实线上业务平台的性能。
3、本申请通过数据库快照方式将环境变量带入风险规则实验单元，不会因为以前某时刻的变量被更新了而无法获得，所以使得风险规则/模型的测试更完整，对风险规则/模型的优化更加准确。
当然，实施本发明的任一产品必不一定需要同时达到以上所述的所有优点。
附图说明
图1为国家专利局申请号为200610066301.X的一种对在线业务进行风险监控的方法及系统的方法流程图；
图2为现有的一种风险规则/模型优化流程图；
图3为本申请实施例的一种基于网络线上业务的风险规则/模型建立和优化系统示意图；
图4为本申请实施例的一种风险规则实验单元交易数据量和线上业务处理系统整体交易数据量的对比示意图；
图5为本申请实施例的一种数据抽样子单元示意图；
图6为本申请实施例的一种基于网络线上业务的风险规则/模型建立和优化方法流程图；
图7为风险控制单元监测线上业务处理系统的流程图；
图8为本申请实施例的一种基于网络线上业务的风险规则/模型建立和优化系统应用在网络业务上的架构图。
具体实施方式
本申请的主要思想是将网络线上业务中的业务数据以抽样方式写入一个风险规则实验单元，并结合风险控制单元找出的案件数据，在风险规则实验单元中进行训练，以达到获得并试验风险规则/模型的风险识别能力的目的，以及通过在风险规则实验单元中的训练对风险规则/模型进行优化调整。其中，本申请中所述的风险规则/模型即风险规则或风险模型的意思。
以下结合附图，具体说明本申请。
请参见图8，其为本申请实施例的一种基于网络线上业务的风险规则/模型建立和优化系统应用在网络业务上的架构图。用户在进行网络交易业务时，经常是通过线上业务平台807来完成，如图8所示，若干用户803通过网络805连接到线上业务平台807，而线上业务平台807通常利用硬件来实现，其包括至少一个服务器809与至少一个数据库811。服务器809用来处理用户803之间的交易业务，数据库811用来存储用户803的业务数据。
本申请的基于网络线上业务的风险规则/模型建立和优化系统可以设置在线上业务平台807上，其用以根据建立的风险规则/模型监测用户803在线上的业务数据是否具有风险，并自主地对风险规则/模型进行优化调整，即对风险规则/模型进行优化调整时，无须再由人工对现有的风险规则/模型进行编程或操作。基于网络线上业务的风险规则/模型建立和优化系统可以在线上业务平台807现有的服务器809中编写相关程序来实现其功能，也可以在线上业务平台807中另设其专用的服务器及数据库来实现其功能。
下面介绍本申请的基于网络线上业务的风险规则/模型建立和优化系统，请参见图3，其为本申请实施例的一种基于网络线上业务的风险规则/模型建立和优化系统示意图。此基于网络线上业务的风险规则/模型建立和优化系统包括风险控制单元305以及风险规则实验单元307。风险控制单元305设置在线上业务平台807上，用以利用风险规则/模型及用户举报等外部途径对线上业务数据进行监控，过滤出业务数据中的风险数据，并进行处理。风险控制单元305又包括风险规则/模型存储子单元309、风险处理子单元311、外部举报接收子单元314以及案件数据存储子单元313。风险规则/模型存储子单元309与风险处理子单元311相连，用以存放风险规则/模型。风险处理子单元311与风险规则/模型存储子单元309相连，用以根据风险规则/模型判断并过滤出线上业务数据中的风险数据。外部举报接收子单元314与案件数据存储子单元313相连，用以接收外部用户举报的线上业务中的风险数据，并进行核查。案件数据存储子单元313分别与风险处理子单元311及风险规则实验单元307相连，其相当于一个数据库，用以存储经确认的风险数据(即案件数据)，以及存储经过外部途径提供的案件数据(如用户报案)，并将案件数据提供给风险规则实验单元307。风险规则实验单元307与风险控制单元305相连，其是一个虚拟的交易环境，通常是在现有的服务器中编写相应的软件，也可以是由专用的服务器来实现。风险规则实验单元307用以提供一个模拟的真实交易环境来获得并试验风险规则/模型的风险识别能力(模型/规则有效性评估)。此风险规则实验单元307又包括数据抽样子单元315、风险数据训练子单元317以及风险规则/模型调整子单元319。数据抽样子单元315连接至风险控制单元305，用以从线上交易业务中采样出预设数量的正常数据样本，以及接收风险控制单元305检测出来的案件数据。风险数据训练子单元317与数据抽样子单元315相连，用以利用从线上业务采样的正常数据样本和风险控制单元的案件数据样本，获得风险规则/模型，并测试风险规则/模型的风险识别能力。风险规则/模型调整子单元319分别与风险数据训练子单元317及风险规则/模型存储子单元309相连，用以根据风险数据训练子单元317的测试结果，自主地将风险规则/模型进行优化调整，并部署到风险控制单元305中运行。其中，上述的这些单元与子单元可以是软件，硬件或者是两者的结合。
下面对图3的基于网络线上业务的风险规则/模型建立和优化系统的工作过程进行说明。以网络交易业务为例，线上业务平台807中每天都会产生大量的交易数据，如现金交易数据、物品交易数据、虚拟货币交易数据等。风险控制单元305则对线上业务中的数据进行监测，判断哪些交易数据是风险数据。而判断哪些数据是风险数据的依据就是存储在风险规则/模型存储子单元309中的风险规则/模型，风险处理子单元311就是通过风险规则/模型限定的一系列规定来检验数据是否为风险数据。假设风险规则/模型定义为交易金额大于5000元的为风险交易，则风险处理子单元311便会将线上交易业务中所有交易金额大于5000元的交易冻结(或冻结交易余额、冻结账户等处理，依风险等级定)。将符合风险规则/模型定义的数据冻结后，需要对其进行进一步的处理，处理的方式可以是人工核查或者通过工作人员编写相应的程序来完成。而处理的结果有两种情况，若经核查为正常交易数据，则解冻交易(或解冻余额或解冻账户等)。如果经核查确认是风险交易，则将此交易数据生成案件，并存放到案件数据存储子单元313中。也即是说，通过风险规则/模型从线上业务中过滤出来被认为是风险的数据，仍可能是正常的交易数据，因此，对这些过滤出来的数据还需要进一步地进行核查，核查后确认为风险的数据才存放到案件数据存储子单元313中。而案件数据存储子单元313中的数据称之为案件数据，其可以以适应风险规则实验单元307的特定格式进行储存。
除了来源于风险处理子单元311之外，还有一些比如用户主动报案的案件数据，这部分案件数据在风险处理子单元311中并无风险记录，其可以是由用户通过网络直接上传到外部举报接收子单元314，并由人工核查确认后直接存储到案件数据存储子单元313中。因此案件数据存储子单元313汇集这两类案件数据。而案件数据存储子单元313中的案件会被提取到风险规则实验单元307中进行训练测试，以获得风险规则/模型，并检验风险规则/模型的风险识别能力。
检验风险规则/模型定义的识别规则是否合理，就需要对风险控制单元305检测出来的风险数据进行测试，对风险数据进行测试就要将其在交易环境中清洗，若直接在线上业务平台807中进行风险数据的测试(即现有的处理方式)，势必会占用很大的系统资源。本申请的处理方式是由风险规则实验单元307的数据抽样子单元315从线上业务平台807中抽样出预设数量的交易数据，这里被抽取的交易数据按概率来说基本上是正常交易数据。抽样的方式可以是分时间段汇总后随机等比例抽取，或者是按时间分布确定不同的抽样个数，分时间按不同的抽样个数抽取等。而达到的效果都是抽样数据的交易分布与真实数据的整体交易分布相同，如图4所示，其为本申请实施例的一种风险规则实验单元交易数据量和线上业务平台807上整体交易数据量的对比示意图。图4中风险规则实验单元抽取的数据量为线上业务平台807整体交易量的1/4，数据是以24小时分段抽取，但抽样的数据量并不限制于此，其数据抽取方式与抽取数量可以根据实际情况来设定。如若目前一天的实际交易量在200多万笔，风险案件一天20笔左右，则风险规则实验单元抽样的数据量只需采用实际交易量的一小部分就够了，通常是按照1/20采样，这样每天可以获取10万多的数据，一个月也可以抽样出300万的正常数据样本。
值得注意的是，对于环境变量(随着时间改变而改变的变量)的抽样，是以数据库快照方式带入风险规则实验单元的。请参见图5，其为本申请实施例的一种数据抽样子单元示意图，此数据抽样子单元315还包括环境变量抽样模块503。当抽取环境变量时，环境变量抽样模块503会将随时间变化的数据在不同时刻的数据量按一定概率进行抽取。例如用户A的账户第一日有500元，第二日用户A花费帐户上的400元来进行交易，第三日用户A又为其帐户充值1000元。这里用户A的帐户余额就会随时间变化而变化，一般情况下，线上业务处理时只会记录下用户A最终的帐户余额，而将其前面的交易操作更新掉。而在我们以用户A参与的交易为正常的抽样数据时，本申请的环境变量抽样模块503会将行为发生当时的众多特征，包括账户金额进行记录。如此在追溯环境变量过去某个时刻的值时，便不会因为数据被更新而无法获得。
风险规则实验单元307接收了由风险控制单元305导入的案件数据，以及从线上交易业务中抽样出的正常交易数据后，便由风险数据训练子单元317对这些风险数据进行清洗训练，并判断风险控制单元305所检测的风险数据是否准确。若训练结果表明风险规则/模型所限定的规则不合理，就通过风险规则/模型调整子单元319对风险规则/模型进行自主优化调整，然后再将优化过的风险规则/模型部署到风险规则/模型存储子单元309中运行。或者训练结果直接是一个新的风险规则/模型，经测试和验证评估可以部署到线上运行。
以盗用案件来说，从线上业务抽样进入风险规则实验单元307的数据是正常的交易样本，而根据风险规则/模型对风险的定义，从风险控制单元305到风险规则实验单元307的数据是指那些盗用他人账户(不论盗用方式如何，但是以他人密码登录他人账户)创建并支付的案件样本，以及用户报案等方式获得的案件样本(没被系统识别到)。所以在风险规则实验单元307中通过抽取的正常交易样本对盗用案件的交易数据进行训练，来评估现有的风险规则/模型针对这类盗用他人账户来进行线上交易的数据的风险识别能力，若其识别错误或不完全，则风险规则/模型调整子单元319会对风险规则/模型进行优化调整，然后存储进风险规则/模型存储子单元309中运行。所以说，风险规则实验单元是一个模拟的真实交易环境，其通过对正常交易数据及案件数据的训练不断自主地优化风险规则/模型的风险识别能力。
本申请还提出一种基于网络线上业务的风险规则/模型建立和优化方法，用以对风险控制单元的风险规则/模型进行优化调整，风险控制单元是利用风险规则/模型对线上业务平台中的业务数据进行风险监控，请参见图6，此基于网络线上业务的风险规则/模型建立和优化方法包括以下步骤：
S601，提供用以模拟真实交易环境的风险规则实验单元。此风险规则实验单元是一个模拟的真实交易环境。
S603，风险规则实验单元从线上业务平台中采样出预设数量的数据样本。抽取样本时，可以按照时间分布抽样出预设数目的数据样本进入风险规则实验单元。如图4所示，风险规则实验单元抽样的数据量是线上业务平台实际数据量的1/4，其按照每天24小时的分布进行抽取，而达到的效果是抽样数据的分布与真实数据的整体分布相同。并且抽样的数量并不一定为1/4，其可以根据每日实际的业务量来设置，若一天实际交易量在200多万笔，风险案件一天20笔左右，则风险规则实验单元抽样的数据量只需采用实际交易量的一小部分就够了，通常是按照1/20采样，这样每天可以获取10万多的数据，一个月也可以抽样出300万的正常数据样本。
值得注意的是，对于环境变量(随着时间改变而改变的变量)的抽样，是以数据库快照方式带入风险规则实验单元的。当抽取环境变量时，数据会随时间变化被逐一抽取到风险规则实验单元中。例如用户A的账户第一日有500元，第二日用户A花费400元，然后用户A在第三日又充值1000元。在我们以用户A参与的交易为正常的抽样数据时，本申请的环境变量抽样模块503会将行为发生当时的众多特征，包括账户金额进行记录。如此便不会因为数据不可追溯而无法获得。
S605，风险规则实验单元接收风险控制单元发出的的案件数据。这里的案件数据是风险控制单元对线上业务平台进行监测，而得到的符合风险规则/模型所定义风险的，并经过人工核查确认为风险的数据。请参见图7，其为风险控制单元监测线上业务平台的流程图。
S701，风险控制单元过滤出线上业务平台中符合风险规则/模型所定义风险的业务数据。
S703，通过人工核查进一步判断过滤出的业务数据是否具有风险。
S705，若数据具有风险，则风险控制单元将其生成案件，并将案件提供给风险规则实验单元。另一方面，没被风险控制单元识别到的案件数据(漏抓捕的案件数据)如果一旦采集到(比如：通过会员网络上传报案的方式获得)，这部分数据会经核查后一并提供给风险规则实验单元。
S607，在风险规则实验单元中利用从线上业务平台采样的正常数据样本和案件数据进行训练，获得风险规则/模型，并测试风险规则/模型的风险识别能力。对两类数据的训练是指将两类数据通过数据挖掘或统计分析的方式获得区分的规则(即风险规则)或是模型(风险模型)。
S609，根据训练结果，自主地对风险规则/模型进行优化调整，并部署到风险控制单元中运行。
以盗用案件来说，从线上业务抽样进入风险规则实验单元307的数据是正常的交易样本，而根据风险规则/模型对风险的定义，从风险控制单元305到风险规则实验单元307的数据是指那些盗用他人账户(不论盗用方式如何，但是以他人密码登录他人账户)创建并支付的案件样本，以及用户报案等方式获得的案件样本(没被系统识别到)。所以在风险规则实验单元307中通过抽取的正常交易样本对盗用案件的交易数据进行训练，来评估现有的风险规则/模型针对这类盗用他人账户来进行线上交易的数据的风险识别能力，若其识别错误或不完全，则风险规则/模型调整子单元319会对风险规则/模型进行优化调整，然后存储进风险规则/模型存储子单元309中运行。所以说，风险规则实验单元是一个模拟的真实交易环境，其通过对正常交易数据及案件数据的训练不断自主地优化风险规则/模型的风险识别能力。
相对于现有技术，本申请具有以下优点：
1、本申请在优化风险规则/模型时，完全是由风险规则实验单元自主完成，可以在风险规则实验单元自动获得数据样本，并且无须工作人员预先提供风险规则/模型的优化需求，节省了大量的人力和时间成本。
2、本申请的风险规则实验单元是一个模拟真实交易的环境，其可以利用抽样的真实数据对风险规则/模型进行测试，不必每次都在线上进行数据测试，不会占用线上系统的资源，所以本申请不会影响到真实线上业务平台的性能。
3、本申请通过数据库快照方式将环境变量带入风险规则实验单元，不会因为以前某时刻的变量被更新了而无法获得，所以使得风险规则/模型的测试更完整，对风险规则/模型的优化更加准确。
当然，实施本发明的任一产品必不一定需要同时达到以上所述的所有优点。
以上公开的仅为本申请的几个具体实施例，但本申请并非局限于此，任何本领域的技术人员能思之的变化，都应落在本申请的保护范围内。
Claims (11)
1、一种基于网络线上业务的风险规则/模型建立和优化系统，其特征在于，包括：
一风险控制单元，用以根据风险规则/模型对线上业务数据进行监控，过滤出线上业务数据中的风险数据，并进行核查处理；
一风险规则实验单元，其与该风险控制单元相连，用以提供一个模拟的真实交易环境来试验风险规则/模型的风险识别能力，并对风险规则/模型进行优化调整，其又包括：
一数据抽样子单元，其连接至该风险控制单元，用以从线上交易业务中采样出预设数量的正常数据样本，以及接收该风险控制单元核查出来的案件数据；
一风险数据训练子单元，其与该数据抽样子单元相连，用以利用从线上采样的正常数据样本和从风险控制单元采集的案件数据样本进行数据训练，获得风险规则/模型，并测试原有的风险规则/模型的风险识别能力；
一风险规则/模型调整子单元，其与该风险控制单元相连，用以根据该风险数据训练子单元的测试结果，自主地将风险规则/模型部署到该风险控制单元中运行。
2、如权利要求1所述的基于网络线上业务的风险规则/模型建立和优化系统，其特征在于，该数据抽样子单元还包括一环境变量抽样模块，其用于以数据库快照方式将环境变量带入该风险规则实验单元。
3、如权利要求1所述的基于网络线上业务的风险规则/模型建立和优化系统，其特征在于，该风险控制单元包括：
一风险规则/模型存储子单元，其与该风险规则/模型调整子单元相连，用以存放风险规则/模型；
一风险处理子单元，其与该风险规则/模型存储子单元相连，用以根据风险规则/模型判断并过滤出线上交易业务中的风险数据；
一案件数据存储子单元，其分别与该风险处理子单元及该风险规则实验单元相连，用以存储经核查后确认为案件的风险数据，并将案件数据提供给该风险规则实验单元。
4、如权利要求3所述的基于网络线上业务的风险规则/模型建立和优化系统，其特征在于，该风险控制单元还包括一外部举报接收子单元，其与该案件数据存储子单元相连，用以接收外部用户举报的线上业务中的风险数据，并进行核查，并将确认为案件的风险数据存储到该案件数据存储子单元中。
5、如权利要求1所述的基于网络线上业务的风险规则/模型建立和优化系统，其特征在于，该数据抽样子单元是按照时间分布抽样出预设数目的数据样本进入该风险规则实验单元。
6、如权利要求1所述的基于网络线上业务的风险规则/模型建立和优化系统，其特征在于，该数据抽样子单元从线上交易业务中采样数据样本时，按日业务量一定比例的数目进行采样，比例选择根据业务及模型需要数据量进行灵活选择。
7、一种基于网络线上业务的风险规则/模型建立和优化方法，用以对一风险控制单元的风险规则/模型进行优化调整，该风险控制单元是对网络线上交易业务中的业务数据进行风险监控，其特征在于，包括以下步骤：
提供用以模拟真实交易环境的一风险规则实验单元；
该风险规则实验单元从线上业务中采样出预设数量的正常数据样本；
该风险规则实验单元接收该风险控制单元发出的具有风险的案件数据样本；
在该风险规则实验单元中利用采样的正常数据样本和案件数据样本对数据进行训练，获得风险规则/模型，并测试原有的风险规则/模型的风险识别能力；
根据测试结果，自主地将风险规则/模型部署到该风险控制单元中运行。
8、如权利要求7所述的基于网络线上业务的风险规则/模型建立和优化方法，其特征在于，从线上交易业务中采样数据样本时，按照时间分布抽样出预设数目的数据样本进入该风险规则实验单元。
9、如权利要求7所述的基于网络线上业务的风险规则/模型建立和优化方法，其特征在于，从线上交易业务中采样数据样本时，按日业务量1/20的数目进行采样。
10、如权利要求7所述的基于网络线上业务的风险规则/模型建立和优化方法，其特征在于，从线上交易业务中采样数据样本时，环境变量以数据库快照方式带入该风险规则实验单元。
11、如权利要求7所述的基于网络线上业务的风险规则/模型建立和优化方法，其特征在于，在该风险控制单元将案件数据发送给该风险规则实验单元之前还包括以下步骤：
该风险控制单元过滤出线上交易业务中符合风险规则/模型所定义风险的业务数据；
通过人工核查进一步判断过滤出的业务数据是否具有风险；
若数据具有风险，则该风险控制单元将其定义为案件，并将案件提供给该风险规则实验单元。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CNA2008101843095A CN101504745A (zh) | 2008-12-04 | 2008-12-04 | 基于网络线上业务的风险规则/模型建立和优化系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CNA2008101843095A CN101504745A (zh) | 2008-12-04 | 2008-12-04 | 基于网络线上业务的风险规则/模型建立和优化系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN101504745A true CN101504745A (zh) | 2009-08-12 |
Family
ID=40976981
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CNA2008101843095A Pending CN101504745A (zh) | 2008-12-04 | 2008-12-04 | 基于网络线上业务的风险规则/模型建立和优化系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN101504745A (zh) |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103250174A (zh) * | 2010-04-27 | 2013-08-14 | 欧睦技术公司 | 用于迅速计算电子买卖交易所中的风险的系统和方法 |
| CN105703964A (zh) * | 2014-11-26 | 2016-06-22 | 阿里巴巴集团控股有限公司 | 一种在线应用系统测试方法与设备 |
| CN105786820A (zh) * | 2014-12-19 | 2016-07-20 | 阿里巴巴集团控股有限公司 | 一种风险识别的方法及装置 |
| CN106485560A (zh) * | 2015-08-26 | 2017-03-08 | 阿里巴巴集团控股有限公司 | 一种在线事务数据处理模型发布的方法和装置 |
| WO2017076176A1 (zh) * | 2015-11-02 | 2017-05-11 | 阿里巴巴集团控股有限公司 | 一种业务处理方法及装置 |
| CN106897807A (zh) * | 2015-12-18 | 2017-06-27 | 阿里巴巴集团控股有限公司 | 一种业务风险控制方法及设备 |
| CN107025509A (zh) * | 2016-02-01 | 2017-08-08 | 腾讯科技（深圳）有限公司 | 基于业务模型的决策系统和方法 |
| CN107067324A (zh) * | 2017-04-18 | 2017-08-18 | 上海翼翎数据信息技术有限公司 | 一种利用网络抓包数据实现交易风险控制的方法和系统 |
| WO2018149386A1 (zh) * | 2017-02-20 | 2018-08-23 | 阿里巴巴集团控股有限公司 | 一种风险管控方法及装置 |
| CN108805416A (zh) * | 2018-05-22 | 2018-11-13 | 阿里巴巴集团控股有限公司 | 一种风险防控处理方法、装置及设备 |
| CN109003091A (zh) * | 2018-07-10 | 2018-12-14 | 阿里巴巴集团控股有限公司 | 一种风险防控处理方法、装置及设备 |
| CN109544166A (zh) * | 2018-11-05 | 2019-03-29 | 阿里巴巴集团控股有限公司 | 一种风险识别方法和装置 |
| WO2019063005A1 (en) * | 2017-09-30 | 2019-04-04 | Beijing Didi Infinity Technology And Development Co., Ltd. | SYSTEMS AND METHODS FOR INCORRECT COMMAND IDENTIFICATION |
| CN109741066A (zh) * | 2018-11-30 | 2019-05-10 | 广东康美通信息服务有限公司 | 自动冻结客户账户的方法、电子设备、存储介质及系统 |
| CN110033092A (zh) * | 2019-01-31 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 数据标签生成、模型训练、事件识别方法和装置 |
| CN110516916A (zh) * | 2019-08-02 | 2019-11-29 | 阿里巴巴集团控股有限公司 | 一种跨地区数据配置方法、系统、装置及电子设备 |
| CN110866832A (zh) * | 2019-09-30 | 2020-03-06 | 北京健康之家科技有限公司 | 一种风险控制方法、系统、存储介质及计算设备 |
| US20200167792A1 (en) * | 2017-06-15 | 2020-05-28 | Alibaba Group Holding Limited | Method, apparatus and electronic device for identifying risks pertaining to transactions to be processed |
| CN113128878A (zh) * | 2021-04-23 | 2021-07-16 | 中国人民解放军陆军工程大学 | 装备保障仿真规则构建方法及终端设备 |
-
2008
- 2008-12-04 CN CNA2008101843095A patent/CN101504745A/zh active Pending
Cited By (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103250174A (zh) * | 2010-04-27 | 2013-08-14 | 欧睦技术公司 | 用于迅速计算电子买卖交易所中的风险的系统和方法 |
| CN105703964A (zh) * | 2014-11-26 | 2016-06-22 | 阿里巴巴集团控股有限公司 | 一种在线应用系统测试方法与设备 |
| CN105786820A (zh) * | 2014-12-19 | 2016-07-20 | 阿里巴巴集团控股有限公司 | 一种风险识别的方法及装置 |
| CN105786820B (zh) * | 2014-12-19 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 一种风险识别的方法及装置 |
| CN106485560A (zh) * | 2015-08-26 | 2017-03-08 | 阿里巴巴集团控股有限公司 | 一种在线事务数据处理模型发布的方法和装置 |
| US11252197B2 (en) | 2015-11-02 | 2022-02-15 | Advanced New Technologies Co., Ltd. | Service processing method and apparatus |
| WO2017076176A1 (zh) * | 2015-11-02 | 2017-05-11 | 阿里巴巴集团控股有限公司 | 一种业务处理方法及装置 |
| US11095689B2 (en) | 2015-11-02 | 2021-08-17 | Advanced New Technologies Co., Ltd. | Service processing method and apparatus |
| CN106897807A (zh) * | 2015-12-18 | 2017-06-27 | 阿里巴巴集团控股有限公司 | 一种业务风险控制方法及设备 |
| CN106897807B (zh) * | 2015-12-18 | 2021-01-26 | 创新先进技术有限公司 | 一种业务风险控制方法及设备 |
| CN107025509A (zh) * | 2016-02-01 | 2017-08-08 | 腾讯科技（深圳）有限公司 | 基于业务模型的决策系统和方法 |
| CN107025509B (zh) * | 2016-02-01 | 2021-06-18 | 腾讯科技（深圳）有限公司 | 基于业务模型的决策系统和方法 |
| US11488171B2 (en) | 2017-02-20 | 2022-11-01 | Advanced New Technologies Co., Ltd. | Risk management and control method and device |
| WO2018149386A1 (zh) * | 2017-02-20 | 2018-08-23 | 阿里巴巴集团控股有限公司 | 一种风险管控方法及装置 |
| CN107067324A (zh) * | 2017-04-18 | 2017-08-18 | 上海翼翎数据信息技术有限公司 | 一种利用网络抓包数据实现交易风险控制的方法和系统 |
| US11367075B2 (en) * | 2017-06-15 | 2022-06-21 | Advanced New Technologies Co., Ltd. | Method, apparatus and electronic device for identifying risks pertaining to transactions to be processed |
| US20200167792A1 (en) * | 2017-06-15 | 2020-05-28 | Alibaba Group Holding Limited | Method, apparatus and electronic device for identifying risks pertaining to transactions to be processed |
| WO2019063005A1 (en) * | 2017-09-30 | 2019-04-04 | Beijing Didi Infinity Technology And Development Co., Ltd. | SYSTEMS AND METHODS FOR INCORRECT COMMAND IDENTIFICATION |
| CN108805416A (zh) * | 2018-05-22 | 2018-11-13 | 阿里巴巴集团控股有限公司 | 一种风险防控处理方法、装置及设备 |
| CN109003091A (zh) * | 2018-07-10 | 2018-12-14 | 阿里巴巴集团控股有限公司 | 一种风险防控处理方法、装置及设备 |
| CN109544166A (zh) * | 2018-11-05 | 2019-03-29 | 阿里巴巴集团控股有限公司 | 一种风险识别方法和装置 |
| CN109544166B (zh) * | 2018-11-05 | 2023-05-30 | 创新先进技术有限公司 | 一种风险识别方法和装置 |
| CN109741066A (zh) * | 2018-11-30 | 2019-05-10 | 广东康美通信息服务有限公司 | 自动冻结客户账户的方法、电子设备、存储介质及系统 |
| CN110033092A (zh) * | 2019-01-31 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 数据标签生成、模型训练、事件识别方法和装置 |
| CN110516916A (zh) * | 2019-08-02 | 2019-11-29 | 阿里巴巴集团控股有限公司 | 一种跨地区数据配置方法、系统、装置及电子设备 |
| CN110516916B (zh) * | 2019-08-02 | 2024-03-22 | 创新先进技术有限公司 | 一种跨地区数据配置方法、系统、装置及电子设备 |
| CN110866832A (zh) * | 2019-09-30 | 2020-03-06 | 北京健康之家科技有限公司 | 一种风险控制方法、系统、存储介质及计算设备 |
| CN113128878A (zh) * | 2021-04-23 | 2021-07-16 | 中国人民解放军陆军工程大学 | 装备保障仿真规则构建方法及终端设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101504745A (zh) | 基于网络线上业务的风险规则/模型建立和优化系统及方法 | |
| De Fontnouvelle et al. | Using loss data to quantify operational risk | |
| CN107103548A (zh) | 网络行为数据的监控方法和系统以及风险监控方法和系统 | |
| EP1359525A1 (en) | Device for integrating transaction information on finantial transaction | |
| CN105976242A (zh) | 一种基于实时流数据分析的交易欺诈检测方法及系统 | |
| CN101236638A (zh) | 一种基于Web的银行卡风险监测方法及系统 | |
| CN106651573A (zh) | 一种业务数据处理方法及装置 | |
| CN108876105A (zh) | 一种交易风险控制方法及装置 | |
| US20010051960A1 (en) | Methods and systems for conducting due diligence | |
| CN110458633A (zh) | 基于区块链技术的发票数据生成方法、系统和计算机设备 | |
| CN113643115A (zh) | 基于期权定价模型的商业承兑汇票信用评分方法及系统 | |
| CN203414995U (zh) | 一种土地使用税缴纳排查管理系统 | |
| CN107480703A (zh) | 交易故障检测方法及装置 | |
| CN110209575A (zh) | 测试文档生成方法、装置、电子设备及存储介质 | |
| CN113919937B (zh) | 一种基于贷款评估风控的ks监控系统 | |
| CN114971826A (zh) | 企业信息的管理系统 | |
| CN113393328A (zh) | 融资贷前审批评估方法、装置及计算机存储介质 | |
| CN112508689A (zh) | 一种基于多维度实现决策评估的方法 | |
| WO2020174483A1 (en) | Prediction of billing disputes | |
| CN109377016A (zh) | 运维风险监查方法、装置及计算机可读存储介质 | |
| CN115880052A (zh) | 一种贷款估值方法、系统、电子设备及存储介质 | |
| CN115204934A (zh) | 基于评分卡的国网用电客户欺诈风险预测方法 | |
| CN115797024A (zh) | 租务管理机器人及租务管理方法 | |
| CN113947474A (zh) | 一种基于物联数据采集的农业主体信用评价分析系统 | |
| CN114399302A (zh) | 一种停车场群的缴费的处理方法及处理装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 1133725 Country of ref document: HK |
|
| C12 | Rejection of a patent application after its publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20090812 |
|
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: WD Ref document number: 1133725 Country of ref document: HK |