CN106447486A - 获取银行卡开户时间的方法及装置 - Google Patents

Abstract

本申请公开了一种获取银行卡开户时间的方法及装置。该方法包括：获取同类银行卡单位时间内在中间平台服务器上的首次绑定数量；根据首次绑定数量及预定规则计算出同类银行卡单位时间内的发卡数量；将在中间平台服务器上首次绑定的同类银行卡依照卡顺序号的大小进行分组，每组银行卡内的银行卡最小与最大卡顺序号之间间隔上述发卡数量对应的数值；获取每组银行卡内各银行卡在中间平台服务器的首次绑定时间；根据每组银行卡内各银行卡的开户时间与对应的首次绑定时间之间的时间间隔满足的规则计算出每组银行卡的开户时间。本申请充分利用了已有的大量银行卡卡号等信息得到银行卡的开户时间，并可以利用开户时间来提高中间平台服务器的风险管控能力。

Description

获取银行卡开户时间的方法及装置

技术领域

本申请涉及计算机技术领域，尤其涉及一种获取银行卡开户时间的方法及装置。

背景技术

随着信息技术迅速发展，不同用户终端之间可以通过网络方式向对方传递其需要的信息内容。在某些情况下，用户终端之间进行信息传递并非仅仅依赖于终端本身，而需要借助于连接两个用户终端的中间平台服务器来实现。比如，一种常见信息数据传递过程是电子支付产生的数据需要在两个终端之间进行交互，其交互过程即需要依赖于两个用户终端之间的中间平台服务器。

为了实现信息数据的传递，中间平台服务器通过接收用户终端的注册请求、主动获取用户终端信息等方式，收集、存储了大量的用户终端属性数据，比如，用户终端的账号信息，以及与账号信息对应的注册时间、权限大小、历史记录等关联数据，此外，还可能包括在这些关联数据基础之上衍生出来的一些数据。一方面，这些属性数据是进行两个终端信息交互的重要基础性资源，比如，通过账号可以实现终端寻址，即确定需要将信息传递到的目的地；另一方面，这些属性数据也是进行风险甄别、控制等工作的重要基础性资源，利用这些属性数据可以有效地防范信息交互过程中产生的风险，从而提高信息交互的安全性。

尽管现有技术存在多种利用属性数据来实现风险管控的方式，但是，在某些情况下，为提高风险管控的能力，仅仅依赖用户终端上报给中间平台服务器的属性数据可能还不足以将某些风险排除在外，而需要获取一些更重要的属性数据。在现有技术中，这些用于提高风险管控能力的重要属性数据可能并不存在于中间平台服务器。比如，在上述例子中，为了对电子支付产生的数据进行处理，可能需要利用到进行电子支付的银行卡的开户时间信息，而该信息在现有技术中主要存储于银行系统之中，基于银行系统封闭性的特点，中间平台服务器并不能具有该信息，也没有权限从银行系统中通过网络获取。

因此，如何利用已保存于中间平台服务器内的银行卡相关信息来进一步获取银行卡开户时间信息从而能够更全面的提高中间平台服务器风险管控能力是现有技术中亟待解决的问题。

发明内容

本申请实施例提供一种获取银行卡开户时间的方法，用以解决现有技术中无法利中间平台服务器上已保存的大量银行卡的卡号等相关直接信息来获取银行卡开户时间信息，以便更全面的提高风险管控能力的问题。

本申请实施例提供一种获取银行卡开户时间的方法，包括：

获取同类银行卡单位时间内在中间平台服务器上完成绑定的首次绑定数量；

根据所述首次绑定数量按照预定规则计算出所述同类银行卡单位时间内的发卡数量；

将在中间平台服务器上首次绑定的同类银行卡依照卡顺序号的大小进行分组，每组银行卡内的银行卡最小卡顺序号与最大卡顺序号之间间隔所述同类银行卡单位时间内发卡数量对应的数值；

获取所述每组银行卡内各银行卡在中间平台服务器上完成绑定的首次绑定时间；

根据每组银行卡内各银行卡的开户时间与对应的首次绑定时间之间的时间间隔满足的规则计算出每组银行卡的开户时间。

进一步的，所述获取同类银行卡单位时间内在中间平台服务器上完成绑定的首次绑定数量，具体包括：

获取同类银行卡单位时间内在中间平台服务器的平均首次绑定数量。

进一步的，所述根据所述首次绑定数量按照预定规则计算出所述同类银行卡单位时间内的发卡数量，具体包括：

根据所述平均首次绑定数量及按照预定比值计算出所述同类银行卡单位时间内的平均发卡数量，所述预定比值为同类银行卡单位时间内在中间平台服务器上的平均首次绑定数量与该类银行卡单位时间内的平均发卡数量的比值。

进一步的，所述每组银行卡内各银行卡的开户时间相同，所述每组银行卡内各银行卡的开户时间与对应的首次绑定时间之间的时间间隔满足的规则为服从负指数分布规则，则根据时间间隔满足的规则计算出每组银行卡的开户时间，具体包括：

获取时间间隔服从负指数分布规则对应的概率密度函数；

通过连乘概率密度函数获得极大似然函数，所述每组银行卡的开户时间为极大似然函数的未知参数，所述每组银行卡内各银行卡的首次绑定时间为已知参数；

根据极大似然函数内已知的每组银行卡内各银行卡的首次绑定时间，求解极大似然函数获取每组银行卡的开户时间对应的估计值，将该估计值作为该组银行卡内所有银行卡的开户时间。

进一步的，在获取同类银行卡单位时间内在中间平台服务器完成绑定的首次绑定数量步骤之前，所述方法还包括将绑定于中间平台服务器上的银行卡分成若干同类银行卡，所述同类银行卡的发卡银行相同、卡种类相同及发卡地区相同。

进一步的，所述同类银行卡是指银行卡卡号中的前面若干位相同的银行卡。

进一步的，所述单位时间为日，所述首次绑定时间为首次绑定日期，所述开户时间为开户日期。

进一步的，所述同类银行卡的卡顺序号反映银行卡开户时间顺序，卡顺序号小代表开户时间早，卡顺序号大代表开户时间晚。

本申请实施例提供一种获取银行卡开户时间的装置，包括：

第一获取单元，用于获取同类银行卡单位时间内在中间平台服务器上完成绑定的首次绑定数量；

第一计算单元，用于根据所述首次绑定数量按照预定规则计算出所述同类银行卡单位时间内的发卡数量；

分组单元，用于将在中间平台服务器上绑定的同类银行卡依照卡顺序号的大小进行分组，每组银行卡内的银行卡最小卡顺序号与最大卡顺序号之间间隔所述同类银行卡单位时间内发卡数量对应的数值；

第二获取单元，用于获取所述每组银行卡内各银行卡在中间平台服务器上完成绑定的首次绑定时间；

第二计算单元，用于根据每组银行卡内各银行卡的开户时间与对应的首次绑定时间之间的时间间隔满足的规则计算出每组银行卡的开户时间。

进一步的，所述第一获取单元，具体用于：

获取同类银行卡单位时间内在中间平台服务器的平均首次绑定数量。

进一步的，所述第一计算单元，具体用于：

根据所述平均首次绑定数量及按照预定比值计算出所述同类银行卡单位时间内的平均发卡数量，所述预定比值为同类银行卡单位时间内在中间平台服务器上的平均首次绑定数量与该类银行卡单位时间内的平均发卡数量的比值。

进一步的，所述每组银行卡内各银行卡的开户时间相同，所述每组银行卡内各银行卡的开户时间与对应的首次绑定时间之间的时间间隔满足的规则为服从负指数分布规则，所述第二计算单元，具体用于：

获取时间间隔服从负指数分布对应的概率密度函数；

通过连乘概率密度函数获得极大似然函数，所述每组银行卡的开户时间为极大似然函数的未知参数，所述每组银行卡内各银行卡的首次绑定时间为已知参数；

根据极大似然函数内已知的每组银行卡内各银行卡的首次绑定时间，求解极大似然函数获取每组银行卡的开户时间对应的估计值，将该估计值作为该组银行卡内所有银行卡的开户时间。

进一步的，所述装置还包括分类单元，具体用于：

将绑定于中间平台服务器上的银行卡分成若干同类银行卡，所述同类银行卡的发卡银行相同、卡种类相同及发卡地区相同。

进一步的，所述同类银行卡是指银行卡卡号中的前面若干位相同的银行卡。

进一步的，所述单位时间为日，所述首次绑定时间为首次绑定日期，所述开户时间为开户日期。

进一步的，所述同类银行卡的卡顺序号反映银行卡开户时间顺序，卡顺序号小代表开户时间早，卡顺序号大代表开户时间晚。

本申请实施例提供的获取银行卡的开户时间的方法及装置充分利用了在中间平台服务器上保存的大量银行卡卡号信息及对应的银行卡绑定时间信息等直接信息来获取中间平台不能直接获得的银行卡的开户时间，使得保存于服务器内的大量信息可以得到有效利用。在获取到银行卡的开户时间信息后，可以利用这些信息更全面的提高中间平台服务器的风险管控能力。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请实施例提供的获取银行卡开户时间的方法应用时的运行环境示意图；

图2为本申请实施例提供的获取银行卡开户时间的方法；

图3为本申请实施例提供的显示同类银行卡单位时间的首次绑定数量对应的柱状图；

图4为本申请实施例提供的显示同类银行卡卡号以及对应的首次绑定时间的分布图；

图5为本申请实施例提供的获取银行卡开户时间的装置；

图6为本申请实施例提供的中间平台服务器的结构示意图；

图7为本申请实施例提供的中间平台服务器内存储单元的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

下面结合本申请的应用环境对本申请的技术方案进行详细说明。图1显示了获取银行卡开户时间的方法应用时的运行环境示意图。在该运行环境中，包括各种类型的终端设备，比如PC终端、移动终端等，这些终端通过网络与中间平台服务器连接。终端设备可以在中间平台服务器上注册，并可以借助于操作终端的用户将某个银行卡绑定到中间平台服务器上，从而使得中间平台服务器保存了大量的属性数据。

基于中间平台服务器自身的业务范畴和业务能力，其可以具有各种满足自业务需求的内部结构。图6显示了一种中间平台服务器600的结构框图，中间平台服务器包括银行卡绑定单元61、识别单元62、存储单元63、分类单元64、第一获取单元65、第一计算单元66、分组单元67、第二获取单元68及第二计算单元69。这些组件通过一条或多条通讯总线/信号线实现相互之间的通讯。本领域普通技术人员可以理解，图6所示的结构仅为示意，并不对中间平台服务器的结构造成限定。例如，中间平台服务器600还可以包括比图6所示的组件更多的组件，或者具有与图6所示的不同配置。图6所示的各组件可以采用硬件、软件或其组合实现。

进一步地，图7显示了中间平台服务器600内的存储单元63的一种结构框图，存储单元63内包括若干一级存储子单元631，每个一级存储子单元631内还包括若干二级存储子单元6311。

在上述介绍的应用环境中，结合图6及图7所示的中间平台服务器600的结构示意，图2给出了本申请的一种获取银行卡开户时间的方法，该方法构成的实施例具体包括以下步骤：

S101：将绑定于中间平台服务器600上的银行卡分成若干类银行卡，同类银行卡的发卡银行相同、卡种类相同及发卡地区相同。

在本申请实施例中，中间平台服务器600可以为用户提供线上支付。具有在线支付功能的中间平台服务器600可以与银行系统独立(注：“独立”并不意味着在物理上两者不存在连接关系)。比如，就前述提到的银行卡开户时间信息而言，由于银行系统自身具有封闭性，虽然具有银行开户时间信息，但中间平台服务器600也不能共享到该时间信息，因此，从这一点来看，中间平台服务器600与银行系统从“银行卡开户时间”这点(如银行)是相互独立的。

在本申请实施例中，用户可以通过移动终端App或PC终端网页登录中间平台服务器600来注册帐户，用户在注册账户时需要提交包括姓名、手机号、身份证号在内的注册信息，除此之外，用户还需要将其银行卡绑定于该用户注册的账户上以满足用户的交易支付需求。具体地，在上述银行卡绑定过程中，用户先通过移动终端App或PC终端网页登陆中间平台服务器600的银行卡绑定页面，用户然后输入以用户姓名开户的银行卡的卡号后并触发绑定银行卡的请求指令。中间平台服务器600内银行卡绑定单元61检测到用户触发的将银行卡绑定于对应账户的请求指令后，在银行卡与中间平台服务器600注册的账户之间建立绑定关系，即将银行卡与账户关联起来。在银行卡与账户建立绑定关系的同时，中间平台服务器600会自动生成银行卡的绑定时间。上述银行卡的卡号信息及对应的绑定时间信息保存于中间平台服务器600存储空间内，比如，保存到中间平台服务器存储单元63中一级存储子单元631。

上述步骤中提及到“同类银行卡”的概念，下面通过实例进行阐释。这里先针对由中国银联19位银行卡的卡号编码规则作说明，该银行卡卡号的结构为：AA BB C D XXXX YYYYYYYY Z。

AA代表银联卡，长度为2位字符，统一编号为“62”。

BB代表发卡银行的标识代码，长度为2位字符。比如，发卡银行为农业银行卡统一编号为“28”。

C代表卡种类别，长度为1位字符，“3”代表贷记卡，“4”代表借记卡。

D也代表卡种类别，长度为1位字符，“1”代表惠农卡，“3”代表银卡、“5”代表金卡、“6”代表白金卡、“8”代表普通卡、“9”代表钻石卡。

XXXX代表发卡地区，用于表示发卡的城市分行。取值范围为0000至9999。

YYYYYYYY代表卡顺序号，取值范围为00000000至99999999。卡顺序号反映银行卡发卡时间的先后顺序。卡顺序号越小，代表发卡时间越早，卡顺序号越大，代表发卡时间越晚。需要说明的是发卡时间指发卡日期。

Z代表卡号校验位。

本申请实施例中，同类银行卡的发卡银行相同、卡种类相同及发卡地区中的一项或多项可以相同。因此，在同类银行卡包括了上述三者均相同的情形下，若上述银联农业银行卡卡号内代表发卡银行、卡种类及发卡地区的第1至第10位字符相同时，那么上述银行卡即为同类银行卡。

需要说明的是，各个银行系统的银行卡卡号的编码规则并不都是一样，以上19位银联农业银行一般借记卡的编码规则仅为示范性说明。因此，其它银行代表发卡银行、卡种类、发卡地区的银行卡卡号位数可能为银行卡卡号内的第1至第11位字符或者为银行卡卡号内的第1至12位字符或者为银行卡卡号内的其它若干个字符。

此外，还需要说明的是，中间平台服务器600可以预先保存各个发卡银行的识别代码及对应各个发卡银行识别代码对应的卡类的分类规则，该分类规则即为将具有若干位相同字符的银行卡分为同类银行卡。上述具有若干位相同字符的银行卡的发卡银行、卡种类、发卡地区相同。当用户在终端输入银行卡卡号信息并向中间平台服务器600提交银行卡绑定指令后，若中间平台服务器600内的识别单元62确定卡号信息内的发卡银行识别代码与预存的发卡银行识别代码一致时，则中间平台服务器600将该银行卡卡号信息及对应的绑定时间信息存储于中间平台服务器600内对应的一个存储单元63内，具有相同发卡银行识别代码的银行卡卡号信息及对应的绑定时间信息均存储于相同的存储单元，如上述存储单元63内。同时，根据发卡银行识别代码对应的卡类的分类规则，中间平台服务器600内的分类单元64将存储于存储单元63内的所有具有相同发卡银行识别代码的银行卡分成若干个同类的银行卡，相同类的银行卡卡号信息及对应的绑定时间信息进一步存储于存储单元63内的一个一级存储子单元631内。

比如，中间平台服务器600接收到的银行卡号信息中的前四位为“6228”后，即可判断银行卡的发卡银行为农业银行并将所有前四位均为“6228”的银行卡信息存储于存储单元63内，并根据农业银行卡对应的卡类的分类规则，将各种农业银行卡号内第1至第10位字符相同的银行卡卡号信息及对应的绑定时间信息分别进一步存储于存储单元63内的一级存储子单元631内。

S102：获取同类银行卡单位时间内在中间平台服务器600上完成绑定的首次绑定数量。

在本申请实施例中，获取同类银行卡单位时间内在中间平台服务器600上完成绑定的首次绑定数量，具体地，可以通过包括：获取同类银行卡单位时间内在中间平台服务器的首次绑定数量或平均首次绑定数量。中间平台服务器600内的第一获取单元65可以从存储单元63内的一级存储子单元631内获取每个同类银行卡单位时间内银行卡卡号的总量，也就是同类银行卡单位时间内在中间平台服务器600的首次绑定数量。一种更为可靠的方法，是通过获取同类银行卡在一个时间区间内的首次绑定总数量，来计算出同类银行卡单位时间内在中间平台服务器600的首次绑定数量的平均值(平均首次绑定数量)，即同类银行卡在单位时间内在中间平台的平均首次绑定数量＝同类银行卡在一个时间区间(同类银行卡内银行卡的最早绑定时间与银行卡的最晚绑定时间之间的时间区间)内在中间平台的首次绑定总数量Q/过去一个时间区间内包括的单位时间的数量D。

实际上，除上述通过直接读取存储单元63中的数据或者进行简单加工的方式得到单位时间内首次绑定数量之外，还可以采取其他方式获得该数据。具体地，可以对同类银行卡在单位时间内的绑定数量进行随机性概率分析，通过分析可以发现，同类银行卡单位时间内在中间平台的首次绑定数量符合泊松分布如图3所示，基于泊松分布的规律，可以计算出同类银行卡单位时间内在中间平台的平均首次绑定数量λ。

此外，通过将过去一个时间区间(比如2013.1.1-2015.1.1)内在中间平台服务器上首次绑定的同类银行卡作为分析样本，还可以发现同类银行卡内卡顺序号越小的银行卡的首次绑定时间一般早于卡顺序号越大的银行卡的首次绑定时间，如图4所示。而且，同类银行卡内卡顺序号相差一段范围内的一批银行卡号的首次绑定时间间隔相差较小。

S103：根据所述首次绑定数量按照预定规则计算出所述同类银行卡单位时间内的发卡数量。

根据上述分析发现的规律，这里假设同类银行卡的卡顺序号相差一段有效范围内的银行卡的开户时间相同。根据所述首次绑定数量按照预定规则计算出所述同类银行卡单位时间内的发卡数量，中间平台服务器600内的第一计算单元66就可以计算出该同类银行卡单位时间内的发卡数量。具体地，同类银行卡单位时间内在中间平台的绑定数量可以是同类银行卡单位时间内在中间平台的平均首次绑定数量，同类银行卡单位时间内的发卡数量可以是银行卡单位时间内的平均发卡数量。

在本申请实施例中，根据所述首次绑定数量按照预定规则计算出所述同类银行卡单位时间内的发卡数量，具体包括：

根据所述平均首次绑定数量按照预定比值计算出所述同类银行卡单位时间内的平均发卡数量，所述预定比值为同类银行卡单位时间内在中间平台服务器600的平均首次绑定数量与该类银行卡单位时间内的平均发卡数量的比值。

比如，预定比值为数值N＝0.2，同类银行卡单位时间在中间平台的平均首次绑定数量M＝1000，那么同类银行卡单位时间内的平均发卡数量为M/N＝5000，即在单位时间内该类银行卡的平均发卡数量为5000。换句话说，同类银行卡每间隔5000个卡顺序号的发卡时间是一致的。

需要进一步说明的是，上述单位时间可以以日为单位，即单位时间为24小时，那么发卡时间一致则可以为发卡日期相同。此外，这里的预定比值N为一个业务估计值，各个同类银行卡对应的预定比值预先存储于中间平台服务器内。而且各个同类银行卡对应的预定比值可以不相同，比如农行苏州地区的银联借记卡对应的预订比值与农行徐州地区的银联借记卡对应的预定比值不同。

S104：将在中间平台服务器600绑定的同类银行卡依照卡顺序号的大小进行分组，每组银行卡内的银行卡最小的卡顺序号与最大的卡顺序号之间间隔所述同类银行卡单位时间内发卡数量对应的数值。

由于银行卡卡顺序号的大小代表发卡时间的先后，因此，中间平台服务器600内的分组单元67将在中间平台服务器首次绑定的同类银行卡依照卡顺序号从小到大排列并进行分组，每组银行卡内的银行卡最小的卡顺序号与最大的卡顺序号之间间隔所述银行卡单位时间内平均发卡数量对应的数值。

继续沿用在步骤S103内举例得到的单日平均发卡数量5000，以此单日平均发卡数量5000作为卡顺序号间隔的数量，将在中间平台服务器600上首次绑定的同类银行卡依卡顺序号的大小进行分组。需要说明的是，并非所有银行系统发行的同类银行卡均绑定于中间平台服务器600，因此每组银行卡内的银行卡的卡顺序号可能并不是全部连续的。依同类银行卡的上述分组原则，中间平台服务器600内的分组单元67按卡顺序号间隔平均发卡数量对应的数值来进行分组，即每组银行卡内的银行卡最小的卡顺序号与最大的卡顺序号之间间隔5000个卡顺序号。根据同类银行卡的卡顺序号相差一段有效范围内的银行卡的开户时间相同的假设，同类银行卡内的每组银行卡内的各个银行卡的开户或发卡时间均视为相同时间，即相同日期。同类银行卡内的各组银行卡卡号信息均保存于对应一级存储子单元631内若干个二级存储子单元6311内。

S105：获取所述每组银行卡内各银行卡在中间平台服务器600上完成绑定的首次绑定时间。

在完成步骤S104后，中间平台服务器600内的第二获取单元68可以从中间平台服务器600内的二级存储子单元6311内得到同类银行卡分组后的每组银行卡内各个银行卡的卡号信息及各个银行卡卡号对应的在中间平台服务器600的首次绑定时间信息。具体地，上述银行卡的首次绑定时间为首次绑定日期。

S106：根据每组银行卡内各银行卡的开户时间与对应的首次绑定时间之间的时间间隔满足的规则，计算出每组银行卡的开户时间。

需要说明的是，在事先分析一个样本后得出相同时间发放的同类银行卡的开户时间与其对应的首次绑定时间之间的时间间隔服从负指数分布的规则，该样本内包括若干银行卡的开户时间信息及相应的在中间平台服务器600的首次绑定时间信息。在本申请实施例中，由于假设同类银行卡经过分组后的每组银行卡内的各银行卡的开户时间相同，因此计算出每组银行卡的开户时间也就得到了每组银行卡内各个银行卡的开户时间。

根据时间间隔满足的上述规则计算出每组银行卡的开户时间，具体包括：

获取时间间隔服从负指数分布对应的概率密度函数；

通过连乘概率密度函数获得极大似然函数，所述每组银行卡的开户时间为极大似然函数的未知参数，所述每组银行卡内各银行卡的首次绑定时间为已知参数；

根据极大似然函数内已知的每组银行卡内各银行卡的首次绑定时间，求解极大似然函数获取每组银行卡的开户时间对应的估计值，将该估计值作为该组银行卡内所有银行卡的开户时间。

这里的负指数分布的概率密度函数可以表现为随机变量x代表银行卡开户时间与首次绑定时间之间的时间间隔，假设开户时间为t₀，首次绑定时间为t_k，则时间间隔x＝t_k-t₀。

若同类银行卡内的一组银行卡内具有的n张银行卡，那么n张银行卡分别对应n个首次绑定时间(t1,t2,…..tn)，通过连乘概率密度函数后得到极大似然函数，极大似然函数为将获得的n个首次绑定时间代入极大似然函数内后，求解此极大似然函数就能够得到该组银行卡的开户时间t₀。由于极大似然函数的求解方法为已知计算方法，因此此处不再赘述。

上述步骤S106由中间平台服务器600内的第二计算单元69来执行。

以此类推，通过上述步骤，在中间平台服务器600上首次绑定的所有银行卡的开户时间均能够通过上述方法来计算出来，即将各个不同类银行卡内的各个分组银行卡的开户时间计算出来。如此，绑定于中间平台服务器600上的所有银行卡的开户时间均可以计算出来。

不仅如此，未在中间平台服务器600上绑定的银行卡只要获得对应的银行卡卡号，并确认其卡号归属的银行卡类及该银行卡类下的对应的一组银行卡，只要获知该组银行卡的开户时间，也就获知了未在中间平台服务器600上绑定的银行卡的开户时间。

如前所述，中间平台服务器600获得银行卡的开户时间有利于更全面的提高风险管控的能力。比如，常见的两类风险事件：被骗授权、冒名开卡。由于用户个人信息(如身份证号，手机号等信息)的泄露，在中间平台服务器上发生的这两类风险事件而引起的资金损失的案件通常表现为转账到卡，针对此类案件，现有的风险监管体系无法有效识别。转账到卡中的银行卡可以称为收益卡，其中大部分的收益卡为新开户的银行卡。因此，如果能按照本申请实施例的方法基本准确地预测银行卡开户时间，对于管控此类风险事件非常有效。下面结合实例进行详细说明：

中间平台服务器600上用户识别表现形式为转账到卡风险事件的风险监控体系包括收益卡开户时间在内若干个风险监控点，在综合判断各个风险监控点的风险值后会得到每次转账到卡的综合风险值，并根据综合风险值来进行下一步操作。风险值代表风险的等级，比如0代表低风险、1代表中等风险、2代表高度风险。

具体案例：当用户发起转账到卡的请求后，中间平台服务器600会分别计算各个风险监控点的风险值并得到综合风险值，并根据综合风险值来判断该次转账到卡请求是否有风险。以下针对收益卡开户时间这个风险监控点作具体说明。

当中间平台服务器600接收到转账到卡的指令的同时也会接收到收益卡的卡号信息，通过上述获取银行卡的开户时间的方法得到上述收益卡的开户时间。此时，也可以计算出当前时间与收益卡的开户时间之间的实际时间差。需要说明的是，中间平台服务器600内预先保存了预设时间差及预设时间差对应的风险值。比如，预设时间差小于等于15天代表高度风险，对应风险值为2；预设时间差大于15天且小于等于30天代表中等风险，对应风险值为1；预设时间差大于30代表低风险，对应风险值为0。若实际时间差为10天时，则代表收益卡开户时间这个风险监控点对应的风险值为2。

以上为本申请实施例提供的获取银行卡开户时间的方法，基于同样的思路，本申请实施例还提供了获取银行卡开户时间的装置。参见图5，该图示出了本申请提供的获取银行卡开户时间的装置的结构，该装置为中间平台服务器600内的一部分组成装置，其具体包括：

分类单元64，用于将绑定于中间平台上的银行卡分成若干类银行卡，同类银行卡的发卡银行相同、卡种类相同及发卡地区相同；

第一获取单元65，用于获取同类银行卡单位时间内在中间平台服务器上完成绑定的首次绑定数量；

第一计算单元66，用于根据所述首次绑定数量按照预定规则计算出所述同类银行卡单位时间内的发卡数量；

分组单元67，用于将在中间平台服务器上绑定的同类银行卡依照卡顺序号的大小进行分组，每组银行卡内的银行卡最小卡顺序号与最大卡顺序号之间间隔所述同类银行卡单位时间内发卡数量对应的数值；

第二获取单元68，用于获取所述每组银行卡内各银行卡在中间平台服务器上完成绑定的首次绑定时间；

第二计算单元69，用于根据每组银行卡内各银行卡的开户时间与对应的首次绑定时间之间的时间间隔满足的规则计算出每组银行卡的开户时间。

进一步的，所述第一获取单元65，具体用于：

获取同类银行卡单位时间内在中间平台服务器的平均首次绑定数量。

进一步的，所述第一计算单元66，具体用于：

根据所述平均首次绑定数量及按照预定比值计算出所述同类银行卡单位时间内的平均发卡数量，所述预定比值为同类银行卡单位时间内在中间平台服务器上的平均首次绑定数量与该类银行卡单位时间内的平均发卡数量的比值。

进一步的，所述每组银行卡内各银行卡的开户时间相同，所述每组银行卡内各银行卡的开户时间与对应的首次绑定时间之间的时间间隔满足的规则为服从负指数分布规则，所述第二计算单元69，具体用于：

获取时间间隔服从负指数分布对应的概率密度函数；

通过连乘概率密度函数获得极大似然函数，所述每组银行卡的开户时间为极大似然函数的未知参数，所述每组银行卡内各银行卡的首次绑定时间为已知参数；

根据极大似然函数内已知的每组银行卡内各银行卡的首次绑定时间，求解极大似然函数获取每组银行卡的开户时间对应的估计值，将该估计值作为该组银行卡内所有银行卡的开户时间。

进一步的，所述同类银行卡是指银行卡卡号中的前面若干位相同的银行卡。

进一步的，所述单位时间为日，所述首次绑定时间为首次绑定日期，所述开户时间为开户日期。

进一步的，所述同类银行卡的卡顺序号反映银行卡开户时间顺序，卡顺序号小代表开户时间早，卡顺序号大代表开户时间晚。

本申请实施例提供的获取银行卡的开户时间的方法及装置充分利用了在中间平台服务器上保存的大量银行卡卡号信息及对应的银行卡绑定时间信息等直接信息来获取中间平台不能直接获得的银行卡的开户时间，使得保存于中间平台服务器内的大量信息可以得到有效利用。在获取到银行卡的开户时间信息后，可以利用这些信息提高中间平台服务器的风险管控能力。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flashRAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (16)

1.一种获取银行卡开户时间的方法，其特征在于，包括：

获取同类银行卡单位时间内在中间平台服务器上完成绑定的首次绑定数量；

根据所述首次绑定数量按照预定规则计算出所述同类银行卡单位时间内的发卡数量；

将在中间平台服务器上首次绑定的同类银行卡依照卡顺序号的大小进行分组，每组银行卡内的银行卡最小卡顺序号与最大卡顺序号之间间隔所述同类银行卡单位时间内发卡数量对应的数值；

获取所述每组银行卡内各银行卡在中间平台服务器上完成绑定的首次绑定时间；

根据每组银行卡内各银行卡的开户时间与对应的首次绑定时间之间的时间间隔满足的规则计算出每组银行卡的开户时间。

2.如权利要求1所述的方法，其特征在于，所述获取同类银行卡单位时间内在中间平台服务器上完成绑定的首次绑定数量，具体包括：

获取同类银行卡单位时间内在中间平台服务器的平均首次绑定数量。

3.如权利要求2所述的方法，其特征在于，所述根据所述首次绑定数量按照预定规则计算出所述同类银行卡单位时间内的发卡数量，具体包括：

根据所述平均首次绑定数量及按照预定比值计算出所述同类银行卡单位时间内的平均发卡数量，所述预定比值为同类银行卡单位时间内在中间平台服务器上的平均首次绑定数量与该类银行卡单位时间内的平均发卡数量的比值。

4.如权利要求1所述的方法，其特征在于，所述每组银行卡内各银行卡的开户时间相同，所述每组银行卡内各银行卡的开户时间与对应的首次绑定时间之间的时间间隔满足的规则为服从负指数分布规则，则根据时间间隔满足的规则计算出每组银行卡的开户时间，具体包括：

获取时间间隔服从负指数分布规则对应的概率密度函数；

通过连乘概率密度函数获得极大似然函数，所述每组银行卡的开户时间为极大似然函数的未知参数，所述每组银行卡内各银行卡的首次绑定时间为已知参数；

根据极大似然函数内已知的每组银行卡内各银行卡的首次绑定时间，求解极大似然函数获取每组银行卡的开户时间对应的估计值，将该估计值作为该组银行卡内所有银行卡的开户时间。

5.如权利要求1所述的方法，其特征在于，在获取同类银行卡单位时间内在中间平台服务器完成绑定的首次绑定数量步骤之前，所述方法还包括将绑定于中间平台服务器上的银行卡分成若干同类银行卡，所述同类银行卡的发卡银行相同、卡种类相同及发卡地区相同。

6.如权利要求5所述的方法，其特征在于，所述同类银行卡是指银行卡卡号中的前面若干位相同的银行卡。

7.如权利要求1所述的方法，其特征在于，所述单位时间为日，所述首次绑定时间为首次绑定日期，所述开户时间为开户日期。

8.如权利要求1所述的方法，其特征在于，所述同类银行卡的卡顺序号反映银行卡开户时间顺序，卡顺序号小代表开户时间早，卡顺序号大代表开户时间晚。

9.一种获取银行卡开户时间的装置，其特征在于，包括：

第一获取单元，用于获取同类银行卡单位时间内在中间平台服务器上完成绑定的首次绑定数量；

第一计算单元，用于根据所述首次绑定数量按照预定规则计算出所述同类银行卡单位时间内的发卡数量；

分组单元，用于将在中间平台服务器上绑定的同类银行卡依照卡顺序号的大小进行分组，每组银行卡内的银行卡最小卡顺序号与最大卡顺序号之间间隔所述同类银行卡单位时间内发卡数量对应的数值；

第二获取单元，用于获取所述每组银行卡内各银行卡在中间平台服务器上完成绑定的首次绑定时间；

第二计算单元，用于根据每组银行卡内各银行卡的开户时间与对应的首次绑定时间之间的时间间隔满足的规则计算出每组银行卡的开户时间。

10.如权利要求9所述的装置，其特征在于，所述第一获取单元，具体用于：

获取同类银行卡单位时间内在中间平台服务器的平均首次绑定数量。

11.如权利要求10所述的装置，其特征在于，所述第一计算单元，具体用于：

根据所述平均首次绑定数量及按照预定比值计算出所述同类银行卡单位时间内的平均发卡数量，所述预定比值为同类银行卡单位时间内在中间平台服务器上的平均首次绑定数量与该类银行卡单位时间内的平均发卡数量的比值。

12.如权利要求9所述的装置，其特征在于，所述每组银行卡内各银行卡的开户时间相同，所述每组银行卡内各银行卡的开户时间与对应的首次绑定时间之间的时间间隔满足的规则为服从负指数分布规则，所述第二计算单元，具体用于：

获取时间间隔服从负指数分布对应的概率密度函数；

通过连乘概率密度函数获得极大似然函数，所述每组银行卡的开户时间为极大似然函数的未知参数，所述每组银行卡内各银行卡的首次绑定时间为已知参数；

根据极大似然函数内已知的每组银行卡内各银行卡的首次绑定时间，求解极大似然函数获取每组银行卡的开户时间对应的估计值，将该估计值作为该组银行卡内所有银行卡的开户时间。

13.如权利要求9所述的装置，其特征在于，所述装置还包括分类单元，具体用于：

将绑定于中间平台服务器上的银行卡分成若干同类银行卡，所述同类银行卡的发卡银行相同、卡种类相同及发卡地区相同。

14.如权利要求13所述的装置，其特征在于，所述同类银行卡是指银行卡卡号中的前面若干位相同的银行卡。

15.如权利要求9所述的装置，其特征在于，所述单位时间为日，所述首次绑定时间为首次绑定日期，所述开户时间为开户日期。

16.如权利要求9所述的装置，其特征在于，所述同类银行卡的卡顺序号反映银行卡开户时间顺序，卡顺序号小代表开户时间早，卡顺序号大代表开户时间晚。