CN103123712A - 一种网络行为数据的监控方法和系统 - Google Patents

Abstract

本发明提供了一种网络行为数据的监控方法和系统，其中的方法具体包括：定期或定时从在线应用程序获取用户的网络行为数据，并将所述网络行为数据作为历史网络行为数据进行集群存储；依据所述用户的历史网络行为数据，确定相应的风险模型；依据所述风险模型的定义，调用集群存储的历史网络行为数据进行历史风险识别，并将相应的历史风险识别结果作为所述风险模型的参数进行保存；实时获取用户的在线网络行为数据；依据所述风险模型对所述在线网络行为数据进行在线风险识别，得到在线风险识别结果；依据所述在线风险识别结果，对所述用户关联的信贷对象进行处理。本申请能够提高信贷风险监控的及时性和准确性。

Description

一种网络行为数据的监控方法和系统

技术领域

本申请涉及计算机网络技术领域，特别是涉及一种网络行为数据的监控方法和系统。

背景技术

信贷业务是银行的主要业务种类，是银行获得利润的支柱业务之一，也是各商业银行市场竞争的焦点之一。但是，信贷业务也是风险业务。所以，对信贷风险进行及时、准确的监控，以提高资产质量，降低不良资产占比，是商业银行提高自身生存能力和竞争能力的重要环节。

目前，现有技术一种典型的针对企业信贷风险的监控方法是，通过银行用户经理走访的方式进行企业经营数据和风险相关的信息数据收集，并在收集完成后录入数据库系统，最后，通过分析应收突然变大、回款变慢、存贷突然升高等财报异常指标，进行风险度量，如果存在风险，则发起相应的补救措施。

上述针对企业信贷风险的监控方法具有如下缺点：

1、整个流程都需要人工干预，无疑增加了人工成本；

2、用户经理按月定期走访的方式，使得信息数据的收集、录入和分析均是静态的，这样，在分析时，企业信贷风险往往已经发生或者暴露，所以具有不及时和滞后的缺点；

3、由于信息数据的收集、录入和分析均由人工完成，尤其地，所述风险度量为信息数据的定性分析，其主要凭分析者的直觉、经验来完成，所以具有主观和不准确的缺点。

目前，现有技术一种典型的针对个人信用卡信贷风险的监控方法是，通过信用卡合作商户的POS(销售终端，point of sale)机，把交易的金额、时间、商户名称传回给发卡行数据中心，由发卡行数据中心对交易数据(包括消费金额、频率等)等进行对比分析以后，判断风险及采取相应的措施。

上述针对个人信用卡信贷风险的监控方法针对已经发生的交易数据进行对比分析，虽然能够依据所述交易数据分析得到个人用户每月的消费金额总数及还款是否及时等与风险相关的信息；但是，所述交易数据并无规律可循，单凭所述交易数据是无法分析到个人用户的消费习惯、消费偏好等其它行为特征的层面的，这样，如果一个人用户具有奢侈消费的习惯，但该用户的工资远远不及每月的消费金额总数，即使该个人用户不存在逾期还款的不良记录，其信用卡信贷还是具有很大的风险的。上述监控方法也是更偏重贷后的监控，因而无法监控到这种情形下的风险，也即，上述针对个人信用卡信贷风险的监控方法也具有监控不及时和不准确的缺点。

总之，需要本领域技术人员迫切解决的一个技术问题就是：如何能够提高信贷风险监控的及时性和准确性。

发明内容

本申请所要解决的技术问题是提供一种网络行为数据的监控方法和系统，能够提高信贷风险监控的及时性和准确性。

为了解决上述问题，本申请公开了一种网络行为数据的监控方法，包括：

定期或定时从在线应用程序获取用户的网络行为数据，并将所述网络行为数据作为历史网络行为数据进行集群存储；

依据所述用户的历史网络行为数据，确定相应的风险模型；

依据所述风险模型的定义，调用集群存储的历史网络行为数据进行历史风险识别，并将相应的历史风险识别结果作为所述风险模型的参数进行保存；

实时获取用户的在线网络行为数据；

依据所述风险模型对所述在线网络行为数据进行在线风险识别，得到在线风险识别结果；

依据所述在线风险识别结果，对所述用户关联的信贷对象进行处理。

优选的，所述依据风险模型对所述在线网络行为数据进行在线风险识别的步骤，包括：

获取所述风险模型针对所述用户的历史网络行为数据的历史风险识别结果；

以所述历史风险识别结果作为所述风险模型的参数，将所述在线网络行为数据输入至所述风险模型，得到相应的在线风险识别结果，并进行保存。

优选的，所述定期或定时从在线应用程序获取用户的网络行为数据的步骤，包括：

定期或定时通过调用接口建立到在线应用程序的连接，由在线应用程序基于接口调用的方式，将相应用户的网络行为数据推送至所述调用接口；

在所述调用接口处监听来自在线应用程序的用户的网络行为数据。

优选的，所述接口调用为针对所述调用接口的异步调用。

优选的，所述实时获取用户的在线网络行为数据的步骤，包括：

从在线应用程序实时抓取用户的在线网络行为数据。

优选的，所述在线网络行为数据隶属于两个或者两个以上的用户；

所述依据风险模型对所述在线网络行为数据进行在线风险识别，得到在线风险识别结果的步骤，包括：

针对所述在线网络行为数据隶属的各用户，分别依据相应的风险模型对所述在线网络行为数据进行在线风险识别，得到相应的子在线风险识别结果；

对所有用户的子在线风险识别结果进行集合，得到总的在线风险识别结果。

优选的，所述依据所述在线风险识别结果，对所述用户关联的信贷对象进行处理的步骤，包括：

判断所述在线风险识别结果是否具有风险性，若是，则依据预置的风险等级标准，确定所述在线风险识别结果隶属的风险等级，并对所述用户关联的信贷对象进行与所确定的风险等级相应的风险处理。

另一方面，本申请还公开了一种网络行为数据的监控系统，包括：

离线风险识别装置，包括：

离线获取模块，用于定期或定时从在线应用程序获取用户的网络行为数据；

集群存储模块，用于将所述网络行为数据作为历史网络行为数据进行集群存储；

确定模块，用于依据所述用户的历史网络行为数据，确定相应的风险模型；

历史风险识别模块，用于依据所述风险模型的定义，调用集群存储的历史网络行为数据进行历史风险识别，得到相应的历史风险识别结果；及

第一保存模块，用于将所述历史风险识别结果作为所述风险模型的参数进行保存；

实时获取装置，用于实时获取用户的在线网络行为数据；

在线风险识别装置，用于依据所述风险模型对所述在线网络行为数据进行在线风险识别，得到在线风险识别结果；及

处理装置，用于依据所述在线风险识别结果，对所述用户关联的信贷对象进行处理。

优选的，所述在线风险识别装置，包括：

历史结果获取模块，用于获取所述风险模型针对所述用户的历史网络行为数据的历史风险识别结果；

在线模型识别模块，用于以所述历史风险识别结果作为所述风险模型的参数，将所述在线网络行为数据输入至所述风险模型，得到相应的在线风险识别结果；及

第二保存模块，用于对所述在线风险识别结果进行保存。

优选的，所述离线获取模块，包括：

连接建立模块，用于定期或定时通过调用接口建立到在线应用程序的连接，由在线应用程序基于接口调用的方式，将相应用户的网络行为数据推送至所述调用接口；

监听模块，用于在所述调用接口处监听来自在线应用程序的用户的网络行为数据。

与现有技术相比，本申请具有以下优点：

首先，本申请通过监控用户的网络行为数据来实现企业信贷或者个人信用卡信贷风险的动态和自动化监控，其能够应用于信贷全流程，包括贷前、贷中、贷后的风险监控，故相对于现有技术的贷后风险监控，能够更及时、准确，并且尽量减少了人工的干预；例如，在用户申请贷款的时候，即能知道是否应该允许该信贷申请，从而能够提高信贷风险监控的及时性；

其次，本申请风险识别所采用的风险模型为依据用户的历史网络行为数据所建立的数学模型，由于风险模型中反映有对用户的历史网络行为数据进行定量分析的结果，故相对于现有技术的定性分析，能够提高信贷风险监控的准确性；例如，所述定量分析能够分析得到个人信贷用户的决策习惯、消费习惯、消费偏好等行为特征，这样，在分析出某个人信贷用户具有奢侈消费的习惯，且其工资远远小于每月的消费金额总数时，即使历史网络行为数据表明该个人信贷用户不存在逾期还款的不良记录，但认为其信用卡信贷还是具有很大的风险的，故可以给出一定的风险提示和预警策略，供银行参考，看是否减少其信用卡额度，或者，冻结授信；

再者，本申请源源不断地获取、分析和识别用户的网络行为数据，能够保证用户每天来申请贷款，在线风险识别结果都是实时更新的，从而能够保证风险监控的可控性；

进一步，本申请对用户的网络行为数据进行集群存储，并采用集群式的云计算，用并行的方式对大规模的数据吞吐进行及时处理。

附图说明

图1是本申请一种网络行为数据的监控方法实施例的流程图；

图2是本申请一种企业信贷的业务流程示意图；

图3是本申请一种获取实时交易的网上行为数据的流程图示例；

图4是本申请一种风险监控系统的结构示意图；

图5是图4所示风险监控系统与业务流程的关系示意图；

图6是图4所示风险监控系统在贷后风险监控中的应用流程；

图7是图4所示风险监控系统在欺诈、账户盗用风险捕捉中的应用流程；

图8是本申请一种网络行为数据的监控系统实施例的结构图；

图9是图8所示监控系统的工作流程示意图。

具体实施方式

为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。

现有针对企业信贷或者个人信用卡信贷风险的监控方法，无法获取到及时充足的用户信息，例如，仅在申贷前收取企业提供的财务报告，在申贷后每个月定期收取企业财务月报；又如，仅在信用卡申请前收取个人用户提供的身份证明，在申贷后计算个人用户每月的消费金额总数等。基于上述原因，现有技术只能做到贷后、静态的监控，因而具有监控不及时、不准确的缺点。

目前，随着信息科技的发展，互联网早已成为人们生活中不可或缺的一部分，人们在互联网上进行各种各样的行为，如娱乐行为、消费行为、行销行为等等。

如果能够在网络上获取个人或企业信贷用户在网络上的行为数据(以下称作网络行为数据)，并将其应用于针对企业信贷或者个人信用卡信贷风险的监控，那么，可以做到贷前、贷中和贷后的全流程监控，并且能够做到自动化监控，也就能够提高监控的及时性和准确性。

本申请实施例的核心构思之一在于，获取用户的网络行为数据，并通过监控这些网络行为数据，来实现企业信贷或者个人信用卡信贷风险的动态、自动化和全流程监控。所述网络行为数据的监控具体可以包括：

1、用户的网络行为数据的获取；

在实际中，无论是个人信贷用户还是企业信贷用户，其网络行为数据是经过用户授权的。例如，假设个人信贷用户关联的信贷对象为信用卡，且对应的网络行为是消费行为，则其网络行为数据除了包括交易数据外，还通常包括但不限于如下数据：注册信息、身份验证信息、交易品类、条件、评价信息，社区用户活动信息等。

为实现企业信贷或者个人信用卡信贷风险的动态、自动化和全流程监控，本申请是需要源源不断地获取用户的网络行为数据的，这样，就可以将网络行为数据分为两类：历史网络行为数据和在线网络行为数据，二者以时间为界限，也即，当前获取的即是在线网络行为数据，之前的即是历史网络行为数据。

2、用户的网络行为数据的分析；

为了提高监控的客观性和准确性，本申请不是类似现有即是进行定性分析，而是进行历史网络行为数据的定量分析，具体而言，依据用户的历史网络行为数据建立数学模型；所述定量分析的结果反映在数学模型的特征中，例如，所述数学模型的特征可以包括个人信贷用户的决策习惯、消费习惯、消费偏好等行为特征。

现有技术的信用卡账单中虽然可以显示在某商场消费的金额总数，但无法获知消费商品的具体属性，比如，同样是购买啤酒，所选择的品牌、包装、促销价等。另外，也无法获知用户在做出消费决策前，对哪些商品进行了比较，是价格敏感还是更看重商品自身的品质。本申请通过获取用户的网络行为数据，以为风险监控提供及时充足的用户信息。

例如，如果一个人用户的网络行为数据的分析结果表明，奢侈品购买占日用品比重较大，且金额占每月消费总额的比重较大，则可以判定该个人用户具有奢侈消费的习惯。另外，还可以通过分析注册信息、身份验证信息等，确定该个人用户的当前工资。进一步，分析结果还表明，该个人用户会在每月上半月进行大量消费。

3、利用风险模型对用户的在线网络行为数据进行风险识别；

可直接以用户的在线网络行为数据作为风险模型的输入，风险模型的输出就是风险识别结果，所述风险识别结果可以风险评定分的形式，例如，风险评定分的范围可以是0～100，其中，风险评定分越高，表示风险越高。

对应上例，如果该个人用户的在线网络行为数据为，其在某月月初进行了一笔巨额消费；那么，在具体实现中，可以利用风险模型的各项特征进行计算。对应上例，可以判断该个人用户的工资和每月的消费金额总数进行比较，如果远远小于，则判断这一笔巨额消费和上月的消费金额总是进行比较，如果大于，即使风险模型的特征表明该个人用户不存在逾期还款的不良记录，但认为其信用卡信贷还是具有很大的风险的，故可以输出80分的高分。

4、依据所述在线风险识别结果，对所述用户关联的信贷对象进行处理。

在实际中，如果所述在线风险识别结果不具有风险性，则可以不进行处理，只是将所述在线风险识别结果进行保存即可；但是，如果具有风险性，则应采取包括发起预警、冻结授信、自动扣款、进入催收等风险处理。

需要说明的是，所述用户的在线网络行为数据可以处于所述用户关联的信贷对象的业务流程的任一阶段。

例如，如果在审批阶段，所述处理可以依据所述在线风险识别结果动态调整审批决策以及授信额度。上述源源不断地获取、分析和识别用户的网络行为数据，能够保证用户每天来申请贷款，在线风险识别结果都是实时更新的。比如，用户在前天还是正常用户，却在昨天进行了大额虚假交易，那么该用户今天来申请贷款的时候就可能被拒绝。

又如，对于上例的个人用户，可以减少其信用卡额度，或者，冻结授信。

首先，本申请通过监控用户的网络行为数据，来实现企业信贷或者个人信用卡信贷风险的动态、自动化和全流程监控，能够将现有技术的贷后风险监控提前到贷前，例如，在用户申请贷款的时候，即能知道是否应该允许该信贷申请，从而能够提高信贷风险监控的及时性；

其次，本申请风险识别所采用的风险模型为依据用户的历史网络行为数据所建立的数学模型，由于风险模型中反映有对用户的历史网络行为数据进行定量分析的结果，故相对于现有技术的定性分析，能够提高信贷风险监控的准确性；

再次，本申请源源不断地获取、分析和识别用户的网络行为数据，能够保证用户每天来申请贷款，在线风险识别结果都是实时更新的，从而能够保证风险监控的可控性。

参照图1，其示出了本申请一种网络行为数据的监控方法实施例的流程图，具体可以包括：

步骤101、定期或定时从在线应用程序获取用户的网络行为数据，并将所述网络行为数据作为历史网络行为数据进行集群存储；

步骤102、依据所述用户的历史网络行为数据，确定相应的风险模型；

步骤103、依据所述风险模型的定义，调用集群存储的历史网络行为数据进行历史风险识别，并将相应的历史风险识别结果作为所述风险模型的参数进行保存；

步骤104、实时获取用户的在线网络行为数据；

在实际中，可以从在线应用程序实时抓取用户的在线网络行为数据，具体而言，本申请可以从在线应用程序实时抓取处于所述用户关联的信贷对象的业务流程的任一阶段的用户的在线网络行为数据。

在本申请实施例中，优选的是，所述用户的在线网络行为数据至少可以包括如下网络行为数据中的一种或多种：

第三方平台针对用户行为发布的公告数据、用户关联的信贷对象在业务流程中的物理地址数据、用户在网络上的交易行为数据。

例如，在所述用户关联的信贷对象为企业信贷时，相应用户的在线网络行为数据可以包括如下数据中的一种或多种：财务数据、注册信息、身份验证信息、用户上下游渠道建设、大买家和忠实用户的分布、行业价格因素、广告和推广投放效果、用户消费偏好等。

又如，在所述用户关联的信贷对象为个人信用卡信贷时，相应用户的在线网络行为数据可以包括如下数据中的一种或多种：交易数据、注册信息、身份验证信息、用户消费前的浏览商品、比价行为，用户和其他用户的购买心得、使用体会等分享行为。

参照图2，其示出了本申请一种企业信贷的业务流程示意图，具体可以包括：用户贷款申请、业务准入规则、准入和授信、贷款审批、支用和还款等阶段，本申请可以实时获取该业务流程的任一阶段产生的在线网络行为数据，并对其进行相应的风险识别。例如，用户来银行申请贷款时，银行可以产生与用户贷款申请相应的在线网络行为数据。

在将本申请应用于贷后风险监控时，可以根据业务部门制定的信息采集标准，自动从第三方平台针对用户行为发布的公告数据，例如，从交易平台实时处罚信息、支付平台处罚信息、工商、税务在线平台公告、法院执行公告等第三方平台抓取风险信息，作为用户的在线网络行为数据。

在将本申请应用于欺诈、账户盗用风险捕捉时，可以在用户授权的情况下，获取用户关联的信贷对象在业务流程中的物理地址数据。例如，可以对其在贷款全流程中的MAC(消息认证码，Message Authentication Code)，IP(网络之间互连的协议，Internet Protocol)和访问日志等历史网络行为数据进行记录和分析。这样，在该用户触发支用等操作时，可以立即获取相应的在线网络行为数据，以进行稍后的风险识别。

以上通过几种示例对本申请实时获取用户的在线网络行为数据的方法进行了说明，可以理解，本申请并不限于上述示例，更不会对具体的实时获取用户的在线网络行为数据的方法进行限制。

步骤105、依据所述风险模型对所述在线网络行为数据进行在线风险识别，得到在线风险识别结果；

由于所述风险模型为依据所述用户的历史网络行为数据所建立的数学模型，故相对于现有技术的定性分析，能够大大提高信贷风险监控的客观性和准确性。

在具体实现中，所述风险模型可以为基于机器学习方法建立的数学模型；其中，所述机器学习方法可以包括如下方法中的一种或多种：相关(Correlation)学习方法、增强(boosting)学习方法、贝叶斯(Bayes)学习方法、特征空间(Eigen)学习方法、特征向量(Vector)学习方法和元启发式(Meta-Heuristics)学习方法。当然，本领域技术人员可以根据实际需要，采用其它机器学习方法，或者，还可以采用其它数学建模方法，如各种线性或者非线性建模方法，等等，本申请对具体的风险模型的数学建模方法不加以限制。

在应用层面，本领域技术人员可以根据实际需要定义各种风险模型，以针对不同的用户继续风险识别，本申请对具体的风险模型及定义不加以限制。以一笔商品交易为例，其既涉及到买家用户，也涉及到卖家用户，故可以分别定义相应的买家欺诈模型和卖家欺诈模型。在某些情况下，还需要定义行为风险模型，以对这笔商品交易本身进行风险识别。在有些情况下，还需要定义交易预测模型，以预测未来的交易。上面的风险模型示例主要针对于个人信贷用户，同理，还可以针对企业信贷用户定义企业主欺诈模型、经营风险模型等等。

在本申请的一种优选实施例中，可以灵活地基于历史网络行为数据建立和更新所定义的风险模型，相应地，所述方法还可以包括：

步骤A1、定期或定时从在线应用程序获取用户的网络行为数据；

由于所述网络行为数据已经过用户授权，故在实际中可通过在线应用程序的开放数据平台来获取。这里，定期可以理解为每隔一定的时间间隔进行获取，例如，每隔1天或者2天或者3天等；定时可以理解为每天的固定时刻，如10点或11点或12点等。本领域技术人员可以根据实际需要，灵活运用定期或定时的含义，从在线应用程序获取用户的网络行为数据，本申请对具体的应用不加以限制。

在本申请一种优选实施例中，所述定期或定时从在线应用程序获取用户的网络行为数据的步骤，可以包括：定期或定时通过调用接口建立到在线应用程序的连接，由在线应用程序基于接口调用的方式，将相应用户的网络行为数据推送至所述调用接口；

在所述调用接口处监听来自在线应用程序的用户的网络行为数据。

参照图3，在本申请的一种应用示例中，其示出了一种获取实时交易的网上行为数据的流程图。其中，在线交易平台301调用风险监控中心302的数据接口，通过HTTP(超文本传输协议，HyperText Transfer Protocol)或者RPCP(远程过程调用协议，Remote Procedure Call Protocol)，把数据及时推送到风险监控中心302进行处理。调用动作可由在线交易平台301发起，由预定义的交易流程、网络行为操作触发，风险监控中心302负责接收并处理。

为了保证数据传输的健壮性，在本申请的一种优选实施例中，所述接口调用可以为针对所述调用接口的异步调用。相对于同步调用，发送方在发出数据包后，需要阻塞等待直至接收方返回响应，才能发送下一个数据包；而在异步调用的情况下，发送方无须阻塞等待，就可以随心所欲地发送数据包。

图3示出了一种异步传送的方案示例，其中，在线交易平台301发送实时消息到消息服务器303，风险监控中心302通过建立长连接对实时消息进行监听，即时获取。通过这种机制，对交易信息获取的延时性小于0.5秒，以提高风险监控中心的数据传送性能。

步骤A2、将所述网络行为数据作为历史网络行为数据进行集群存储；

通常情况下，在线应用程序的访问量和流量很大，本申请实现历史网络行为数据的难度主要在于数据量的高并发。例如，淘宝平台每十分钟发生的交易可达数百分笔，对每笔交易的合法性进行分析建模就需要处理海量数据的高并发、稳定性、准确性问题。这样，导致本申请获取巨大的网络行为数据，例如，本申请获取的网络访问日志平均一天几个TB(Terabyte，太字节或百万兆字节)。

针对上述情形，本申请将所述网络行为数据作为历史网络行为数据进行集群存储。由于集群存储具有开放式架构(高扩展性)、分布式操作系统、统一命名空间、易管理性、负载均衡和高性能等优点，其能够依托于云存储和云计算，故可以稍后的数据分析打下坚实的基础。

步骤A3、依据所述用户的历史网络行为数据，确定相应的风险模型；

前面提过，本领域技术人员可以根据实际需要定义各种风险模型；这里，可以针对所述用户的历史网络行为数据，确定相应的风险模型。例如，一笔商品交易的网络行为数据，其可能既涉及到买家用户，也涉及到卖家用户，故可以确定相应的风险模型可以同时包括买家欺诈模型和卖家欺诈模型。

步骤A4、依据所述风险模型的定义，调用集群存储的历史网络行为数据进行历史风险识别，并将相应的历史风险识别结果作为所述风险模型的参数进行保存。

为了提高监控的客观性和准确性，本申请进行历史网络行为数据的定量分析，所述定量分析的结果反映在风险模型的特征中，例如，所述风险模型的特征可以包括个人信贷用户的决策习惯、消费习惯、消费偏好等行为特征。

在具体实现中，可直接以用户的历史网络行为数据作为风险模型的输入，风险模型的输出就是历史风险识别结果，所述风险识别结果可以风险评定分的形式，例如，风险评定分的范围可以是0～100，其中，风险评定分越高，表示风险越高。所述历史风险识别结果可以随着定期或定时网络行为数据的获取，进行定期或定时更新。

在实际中，所述风险模型可以利用MapReduce(映射化简)编程模型进行所述历史网络行为数据的并行运算。在实施时，风险模型可以对历史网络行为数据进行按列存储，这里的列是指一些独立元素组成的概念上的列表。

那么，映射(Map)函数可以对列表的每一个元素进行指定的操作，每个元素都是被独立操作的，而原始列表没有被更改，因为这里创建了一个新的列表来保存新的答案。这就是说，Map函数是可以高度并行的，这对高性能要求的应用以及并行计算领域的需求非常有用。化简(Reduce)函数则是对一个列表的元素进行适当的合并，虽然它不如映射函数那么并行，但是因为化简函数总是有一个简单的答案，大规模的运算相对独立，所以化简函数在高度并行环境下也很有用。

在实际应用中，在接收到用户的网络行为数据后，Map函数可以处理相应网页请求的日志文件，并输出<URL，1>的键值对；接着Reduce函数把相同URL访问次数值相加到一起，输出<URL，总访问数>的键值对。

总之，本申请的风险模型定期(例如按天)进行大数据量历史网络行为数据的计算和历史风险识别，能够保证风险防控的可控性。

同时，对于包括每天平均5个T的交易和网上行为数据和超过300条复杂的查询运算语句在内的极大数据量，在集群存储上进行计算，花费不到2个小时的时间，这是传统的数据库比如Oracle，DB2等所无法比拟的。

步骤106、依据所述在线风险识别结果，对所述用户关联的信贷对象进行处理。

在本申请的一种优选实施例中，所述依据风险模型对所述在线网络行为数据进行在线风险识别的步骤，具体可以包括：

子步骤B1、获取所述风险模型针对所述用户的历史网络行为数据的历史风险识别结果；

子步骤B2、以所述历史风险识别结果作为所述风险模型的参数，将所述在线网络行为数据输入至所述风险模型，得到相应的在线风险识别结果，并进行保存。

在本申请的另一种优选实施例中，所述依据所述在线风险识别结果，对所述用户关联的信贷对象进行处理的步骤，可以进一步包括：

判断所述在线风险识别结果是否具有风险性，若是，则依据预置的风险等级标准，确定所述在线风险识别结果隶属的风险等级，并对所述用户关联的信贷对象进行与所确定的风险等级相应的风险处理。

假设在线风险识别结果用风险评定分表示，且风险评定分的范围为0～100，其中，风险评定分越高，表示风险越高，那么，可以认为风险评定分大于等于60分的在线风险识别结果具有风险性。

本领域技术人员可以根据实际需求预置所述风险等级，例如，可以将其划分为N个风险等级，其中，每个风险等级对应一定的关于风险等级，这里，N为自然数。例如，在N＝3时，可以划分为低、中、高三级。

在本申请的一种优选实施例中，所述在线网络行为数据可以隶属于两个或者两个以上的用户；

此时，所述依据风险模型对所述在线网络行为数据进行在线风险识别，得到在线风险识别结果的步骤，可以进一步包括：

针对所述在线网络行为数据隶属的各用户，分别依据相应的风险模型对所述在线网络行为数据进行在线风险识别，得到相应的子在线风险识别结果；

对所有用户的子在线风险识别结果进行集合，得到总的在线风险识别结果。

例如，一笔商品交易的网络行为数据，其可能既涉及到买家用户，也涉及到卖家用户，故此时应分别依据相应的买家欺诈模型和卖家欺诈模型，然后对二者的子在线风险识别结果进行集合，并进行输出。

实际上，即使所述在线网络行为数据仅仅隶属于一个用户，也有可能对应两个或两个以上风险模型。例如，如果从工商、税务在线平台公告上获取了某企业用户当前月的纳税数据，则可以分别利用相应的企业主欺诈模型和经营风险模型对该当前月的纳税数据进行风险识别，然后对二者的子在线风险识别结果进行集合后输出。

为使本领域技术人员更好地理解本申请，下面通过图4所示的风险监控系统说明本申请在实际中的应用，所述风险监控系统具体可以包括：数据准备层401、中间模型层402、API服务层403、规则引擎404、输出层405；其中，

数据准备中间层401通过HTTP协议/RPCP和消息服务器通信的方式，从在线应用程序获取诸如实时交易数据之类的用户的网络行为数据，并简单的ETL(数据提取、转换和加载，Extraction-Transformation-Loading)加工整理，并在确保数据过滤和清洗后，触发中间模型层402中的模型调度器421；

模型调度器421负责管理所有风险模型的数据处理请求，比如，当接收到交易相关的网络行为数据时，会调用交易预测模型进行风险识别。并在处理完以后对相应的风险识别结果进行汇总；

API服务层403在此处扮演重要的数据调用和准备工作，比如，在模型调421度器接收到某用户的交易信息时，API服务层403会自动从基本数据调用服务431中调用该用户的身份信息(如年龄、职业、工资、饮食习惯等等)，和/或，从经营数据调用服务432中调用该用户的经营信息，和/或，从物流数据调用服务433中调用该用户使用过的物流信息，以得到该用户的完整信息；

集合器422，位于主要用于对两个或两个以上风险模型的子在线风险识别结果进行集合，得到总的在线风险识别结果，并输出；

规则引擎404，主要用于根据输出结果，触发规则对所述用户关联的信贷对象进行处理，这里的处理可以为，采取包括发起预警、冻结授信、自动扣款、进入催收等动作；在具体实现中，规则引擎404可以通过消息队列进行监听，当有消息的时候，就自动触发规则引擎404的动作。

输出层405，具体用于将处理结果输出到银行等业务系统。

在某些情况下，还可以设计审核和反馈系统，对输出的处理结果进行审核，如不通过，则需反馈回规则引擎404，如通过，则返回到数据准备中间层401。

需要说明的是，数据准备中间层401获取的用户的在线网络行为数据可以处于所述用户关联的信贷对象的业务流程的任一阶段；并且，本申请可以提供接口，供外部系统流程调用处理结果。

通常情况下，基本数据调用服务431中可以存储如下层次的信息：

产品信息：产品层面、产品定义、产品描述等；

用户信息：性别、年龄、职业、行业、教育背景、收入、开户日期、已购买产品等；

产易信息：购买时间、购买数量、购买频率；消费、投资、储蓄、转账、理财等。

参照图5，示出了图4所示风险监控系统与业务流程的关系示意图，其中，监控系统和贷款全流程之间的关系是松耦合的关系，各个功能模块可以服务的形式，在用户申请、业务准入、审批、授信、支用、还款的各个阶段接受业务流程的调用。二者的松耦合关系，可以避免因为子系统的故障而影响整个业务正常运行的情况发生，使整个业务系统处于高可靠性。

另外，在接收业务流程的调用时，基本数据调用服务431中的服务模块之间可以自由组合，比如：在用户申请贷款的时候，可以把黑名单核查模块、未来交易增长预测模块、用户行为和习惯偏好分析模块结合起来运用，将用户的信用风险定量化，作为直接指导准入与否的依据。

参照图6，示出了图4所示风险监控系统在贷后风险监控中的应用流程图，具体可以包括：

步骤601、根据业务部门制定的信息采集标准，自动从交易平台实时处罚信息、支付平台处罚信息、工商、税务在线平台公告、法院执行公告等平台抓取风险数据；

步骤602、对所述风险数据进行数据清洗和整理；

这里，数据清洗和整理的主要目的是，把线上和数据仓库中的历史数据转化为风险模型可识别、可处理的数据单元，并过滤掉错误的信息。

步骤603、以历史风险识别结果作为风险模型的参数，将所述数据清洗和整理后的风险数据输入至相应的风险模型，得到相应的在线风险识别结果；

步骤604、判断所述在线风险识别结果是否具有风险性，若是，则执行步骤605；

步骤605、依据预置的风险等级标准，确定所述在线风险识别结果隶属的风险等级，并对所述用户关联的信贷对象进行与所确定的风险等级相应的风险处理。

通常地，对于风险等级为中和高的，可由系统中的规则引擎404进行自动处理；中低风险等级的可由操作人员审核。

例如，当某个人用户被法院立案时，可通过实时爬取的相应风险数据，自动触发预警规则，由风险监控系统暂时冻结用户的授信，而后由风险人员进行核查。

需要说明的是，在所述在线风险识别结果不具有风险性时，可以不做任何风险处理，而只是将所述在线风险识别结果作为历史风险识别结果进行存储，在有些情况下，还可以将其上报给风险人员。

参照图7，示出了图4所示风险监控系统在欺诈、账户盗用风险捕捉中的应用流程，具体可以包括：

步骤701、在用户授权的情况下，对其在贷款全流程中的MAC，IP和访问日志等历史网络行为数据进行记录和分析，得到相应的历史风险识别结果；

步骤702、在该用户触发支用等操作时，立即获取相应的在线网络行为数据；

步骤703、以所述历史风险识别结果作为所述风险模型的参数，将所述数据清洗和整理后的在线网络行为数据输入至相应的风险模型，得到相应的在线风险识别结果；

步骤704、判断所述在线风险识别结果是否具有风险性，若是，则执行步骤705；

步骤705、依据预置的风险等级标准，确定所述在线风险识别结果隶属的风险等级，并对所述用户关联的信贷对象进行与所确定的风险等级相应的风险处理。

所述风险模型的识别过程可以为，将所述数据清洗和整理后的在线网络行为数据与以往的数据进行比对，判断用户地理、和唯一身份信息，通过模型匹配以后，立即返回结果，对匹配度低于一定阀值的结果，由系统自动冻结用户账户，并通过风险处理人员和用户对账户等安全信息进行核对，以排除潜在的风险。

例如，某用户于杭州申请了贷款，并且此用户经营活动主要发生在杭州地区，某天深夜系统监控发现在某个偏远地区发生了用户操作支用的情况，系统根据身份核对，认为用户可能是账户被盗，会自动冻结操作。用户可以根据系统的提示与客服人员核对以后解除冻结的状态。

本申请具有如下优点：

1、本申请通过监控用户的网络行为数据，来实现企业信贷或者个人信用卡信贷风险的动态、自动化和全流程监控，能够将现有技术的贷后、贷中风险监控提前到贷前，例如，在用户申请贷款的时候，即能知道是否应该允许该信贷申请，从而能够提高信贷风险监控的及时性；

2、本申请风险识别所采用的风险模型为依据用户的历史网络行为数据所建立的数学模型，由于风险模型中反映有对用户的历史网络行为数据进行定量分析的结果，故相对于现有技术的定性分析，能够提高信贷风险监控的准确性；

3、本申请源源不断地获取、分析和识别用户的网络行为数据，能够保证用户每天来申请贷款，在线风险识别结果都是实时更新的，从而能够保证风险监控的可控性；

4、本申请能够应用于信贷全流程，包括贷前、贷中、贷后的风险监控，故相对于现有技术的贷后风险监控，能够更及时、准确、并且尽量减少了人工的干预；

5、本申请对用户的网络行为数据进行集群存储，并采用集群式的云计算，用并行的方式对大规模的数据吞吐进行及时处理。

与前述监控方法实施例相应，本申请还公开了一种网络行为数据的监控系统，参照图8，具体可以包括：

离线风险识别装置801，包括：

离线获取模块811，用于定期或定时从在线应用程序获取用户的网络行为数据；

集群存储模块812，用于将所述网络行为数据作为历史网络行为数据进行集群存储；

确定模块813，用于依据所述用户的历史网络行为数据，确定相应的风险模型；

历史风险识别模块814，用于依据所述风险模型的定义，调用集群存储的历史网络行为数据进行历史风险识别，得到相应的历史风险识别结果；及

第一保存模块815，用于将所述历史风险识别结果作为所述风险模型的参数进行保存；

实时获取装置802，用于实时获取用户的在线网络行为数据；

在线风险识别装置803，用于依据所述风险模型对所述在线网络行为数据进行在线风险识别，得到在线风险识别结果；及

处理装置804，用于依据所述在线风险识别结果，对所述用户关联的信贷对象进行处理。

在本申请的一种优选实施例中，所述系统还可以包括离线风险识别装置，具体可以包括：

离线获取模块，用于定期或定时从在线应用程序获取用户的网络行为数据；

集群存储模块，用于将所述网络行为数据作为历史网络行为数据进行集群存储；

确定模块，用于依据所述用户的历史网络行为数据，确定相应的风险模型；

历史风险识别模块，用于依据所述风险模型的定义，调用集群存储的历史网络行为数据进行历史风险识别，得到相应的历史风险识别结果；

第一保存模块，用于将所述历史风险识别结果作为所述风险模型的参数进行保存。

在本申请的另一种优选实施例中，所述在线风险识别装置，可以进一步包括：

历史结果获取模块，用于获取所述风险模型针对所述用户的历史网络行为数据的历史风险识别结果；

在线模型识别模块，用于以所述历史风险识别结果作为所述风险模型的参数，将所述在线网络行为数据输入至所述风险模型，得到相应的在线风险识别结果；

第二保存模块，用于对所述在线风险识别结果进行保存。

在本申请的再一种优选实施例中，所述离线获取模块，可以进一步包括：

连接建立模块，用于定期或定时通过调用接口建立到在线应用程序的连接，由在线应用程序基于接口调用的方式，将相应用户的网络行为数据推送至所述调用接口；

监听模块，用于在所述调用接口处监听来自在线应用程序的用户的网络行为数据。

在本申请实施例中，优选的是，所述接口调用可以为针对所述调用接口的异步调用。

在本申请实施例中，优选的是，所述实时获取装置，可具体用于从在线应用程序实时抓取用户的在线网络行为数据。

在本申请实施例中，优选的是，所述在线网络行为数据可以隶属于两个或者两个以上的用户；

此时，所述在线风险识别装置，可以进一步包括：

单独识别模块，用于针对所述在线网络行为数据隶属的各用户，分别依据相应的风险模型对所述在线网络行为数据进行在线风险识别，得到相应的子在线风险识别结果；

集合模块，用于对所有用户的子在线风险识别结果进行集合，得到总的在线风险识别结果。

在本申请实施例中，优选的是，所述处理装置，可以进一步包括：

判断模块，用于判断所述在线风险识别结果是否具有风险性；

风险确定模块，用于在所述在线风险识别结果具有风险性时，依据预置的风险等级标准，确定所述在线风险识别结果隶属的风险等级；

风险处理模块，用于对所述用户关联的信贷对象进行与所确定的风险等级相应的风险处理。

在本申请实施例中，优选的是，所述用户的在线网络行为数据可处于所述用户关联的信贷对象的业务流程的任一阶段。

在本申请实施例中，优选的是，所述用户的在线网络行为数据至少包括如下网络行为数据中的一种或多种：

第三方平台针对用户行为发布的公告数据、用户关联的信贷对象在业务流程中的物理地址数据、用户在网络上的交易行为数据。

为使本领域技术人员更好地理解本申请，以下通过图8所示监控系统的工作流程说明其在实际中的应用，参照图9，所述工作流程具体可以包括：

步骤1：监控系统每天定时调取交易平台的交易行为数据；

步骤2：将所述交易行为数据存储到海量数据存储集群；

步骤3：海量数据分布式计算集群依据风险模型的定义，调用海量数据进行计算；

步骤4：把计算结果集存储入信贷管理系统。

步骤5：用户在前台进行贷款申请；

步骤6：系统可以实时调用计算好的结果，给出申请结果的反馈。

通过以上方式，保证了用户每天来申请贷款，结果都是实时更新的。比如，用户在前天是正常用户，在昨天的时候进行了大额虚假交易，那么他今天来申请贷款的时候就可能被拒绝。

对于系统实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

以上对本申请所提供的一种网络行为数据的监控方法和系统，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种网络行为数据的监控方法，其特征在于，包括：

定期或定时从在线应用程序获取用户的网络行为数据，并将所述网络行为数据作为历史网络行为数据进行集群存储；

依据所述用户的历史网络行为数据，确定相应的风险模型；

依据所述风险模型的定义，调用集群存储的历史网络行为数据进行历史风险识别，并将相应的历史风险识别结果作为所述风险模型的参数进行保存；

实时获取用户的在线网络行为数据；

依据所述风险模型对所述在线网络行为数据进行在线风险识别，得到在线风险识别结果；

依据所述在线风险识别结果，对所述用户关联的信贷对象进行处理。

2.如权利要求1所述的方法，其特征在于，所述依据风险模型对所述在线网络行为数据进行在线风险识别的步骤，包括：

获取所述风险模型针对所述用户的历史网络行为数据的历史风险识别结果；

以所述历史风险识别结果作为所述风险模型的参数，将所述在线网络行为数据输入至所述风险模型，得到相应的在线风险识别结果，并进行保存。

3.如权利要求1所述的方法，其特征在于，所述定期或定时从在线应用程序获取用户的网络行为数据的步骤，包括：

定期或定时通过调用接口建立到在线应用程序的连接，由在线应用程序基于接口调用的方式，将相应用户的网络行为数据推送至所述调用接口；

在所述调用接口处监听来自在线应用程序的用户的网络行为数据。

4.如权利要求3所述的方法，其特征在于，所述接口调用为针对所述调用接口的异步调用。

5.如权利要求1所述的方法，其特征在于，所述实时获取用户的在线网络行为数据的步骤，包括：

从在线应用程序实时抓取用户的在线网络行为数据。

6.如权利要求1所述的方法，其特征在于，所述在线网络行为数据隶属于两个或者两个以上的用户；

所述依据风险模型对所述在线网络行为数据进行在线风险识别，得到在线风险识别结果的步骤，包括：

针对所述在线网络行为数据隶属的各用户，分别依据相应的风险模型对所述在线网络行为数据进行在线风险识别，得到相应的子在线风险识别结果；

对所有用户的子在线风险识别结果进行集合，得到总的在线风险识别结果。

7.如权利要求1所述的方法，其特征在于，所述依据所述在线风险识别结果，对所述用户关联的信贷对象进行处理的步骤，包括：

判断所述在线风险识别结果是否具有风险性，若是，则依据预置的风险等级标准，确定所述在线风险识别结果隶属的风险等级，并对所述用户关联的信贷对象进行与所确定的风险等级相应的风险处理。

8.一种网络行为数据的监控系统，其特征在于，包括：

离线风险识别装置，包括：

离线获取模块，用于定期或定时从在线应用程序获取用户的网络行为数据；

集群存储模块，用于将所述网络行为数据作为历史网络行为数据进行集群存储；

确定模块，用于依据所述用户的历史网络行为数据，确定相应的风险模型；

历史风险识别模块，用于依据所述风险模型的定义，调用集群存储的历史网络行为数据进行历史风险识别，得到相应的历史风险识别结果；及

第一保存模块，用于将所述历史风险识别结果作为所述风险模型的参数进行保存；

实时获取装置，用于实时获取用户的在线网络行为数据；

在线风险识别装置，用于依据所述风险模型对所述在线网络行为数据进行在线风险识别，得到在线风险识别结果；及

处理装置，用于依据所述在线风险识别结果，对所述用户关联的信贷对象进行处理。

9.如权利要求8所述的系统，其特征在于，所述在线风险识别装置，包括：

历史结果获取模块，用于获取所述风险模型针对所述用户的历史网络行为数据的历史风险识别结果；

在线模型识别模块，用于以所述历史风险识别结果作为所述风险模型的参数，将所述在线网络行为数据输入至所述风险模型，得到相应的在线风险识别结果；及

第二保存模块，用于对所述在线风险识别结果进行保存。

10.如权利要求8所述的系统，其特征在于，所述离线获取模块，包括：

连接建立模块，用于定期或定时通过调用接口建立到在线应用程序的连接，由在线应用程序基于接口调用的方式，将相应用户的网络行为数据推送至所述调用接口；

监听模块，用于在所述调用接口处监听来自在线应用程序的用户的网络行为数据。

Images