CN109544163B - 一种用户支付行为的风险控制方法、装置、设备及介质 - Google Patents
一种用户支付行为的风险控制方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN109544163B CN109544163B CN201811454754.9A CN201811454754A CN109544163B CN 109544163 B CN109544163 B CN 109544163B CN 201811454754 A CN201811454754 A CN 201811454754A CN 109544163 B CN109544163 B CN 109544163B
- Authority
- CN
- China
- Prior art keywords
- transaction
- data
- identified
- transaction data
- risk
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/382—Payment protocols; Details thereof insuring higher security of transaction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
Abstract
本申请提供了一种用户支付行为的风险控制方法、装置、设备及介质,涉及数据处理技术领域,包括:获取用户支付行为对应的多个历史交易结果样本数据;以历史交易结果样本数据中的交易行为特征和交易行为属性分别作为半监督聚类模型的输入和输出,构建并训练半监督聚类模型,得到风险识别结果;将用户支付行为对应的待识别交易数据输入到训练好的风险识别模型中,得到风险识别结果;根据风险识别结果以及待识别交易数据对应的业务类型,确定针对待识别交易数据的响应操作。本申请能够在毫秒级的时间进行风险识别,识别速度快且准确度高。本申请还能自动对高风险的支付行为进行拦截,提高了用户支付行为安全性,减少了用户的财产损失。
Description
技术领域
本申请涉及数据处理技术领域,具体而言,涉及一种用户支付行为的风险控制方法、装置、设备及介质。
背景技术
随着我国银行的全面开放和深化改革,互联网金融的不断发展以及电子银行、手机银行交易系统的全面铺开,伴随这些全新业务模式而生的针对用户的交易行为的欺诈风险也在频繁发生,各类跨业务、跨条线的欺诈风险更是层出不穷。
目前,采用对用户的交易行为的上述风险控制的方法主要如下:银行业务人员人工进行交易行为的识别或采用传统的web系统进行有限数据的分析。但是,上述人工的方式和传统的web系统不能实时准确的发现交易行为的风险,进而无法对风险交易进行有效拦截。
发明内容
有鉴于此,本申请实施例的目的在于提供一种用户支付行为的风险控制方法、装置、设备及介质,能够及时准确的风险交易后,并对风险交易进行有效拦截,提高了用户支付行为安全性。
第一方面,本申请实施例提供了一种用户支付行为的风险控制方法,应用于服务器,所述方法包括:
获取用户支付行为对应的多个历史交易结果样本数据;每个所述历史交易结果样本数据均包括交易行为特征以及所述交易行为特征对应的交易行为属性,该交易行为属性为正常支付或者风险支付;
以所述交易行为特征作为半监督聚类模型的输入,以所述交易行为属性作为所述半监督聚类模型的输出,构建半监督聚类模型,并基于多个所述历史交易结果样本数据对所述半监督聚类模型进行训练,得到风险识别模型;
获取用户支付行为对应的待识别交易数据;
将所述待识别交易数据输入到所述风险识别模型中,得到与所述待识别交易数据对应的风险识别结果;
根据所述风险识别结果以及所述待识别交易数据对应的业务类型,确定针对所述待识别交易数据的响应操作。
结合第一方面,本申请实施例提供了第一方面的第一种可能的实施方式,其中,所述获取用户支付行为对应的多个历史交易结果样本数据,包括:
针对任一历史交易结果样本数据,从不同的服务中获取该历史交易结果样本数据;
从所述历史交易结果样本数据中筛选出符合预设的目标交易行为特征的目标历史交易结果样本数据;
将所述目标历史交易结果样本数据存储到数据存储层。
结合第一方面,本申请实施例提供了第一方面的第二种可能的实施方式,其中,所述获取用户支付行为对应的待识别交易数据之后,所述将所述待识别交易数据输入到所述风险识别模型中,得到与所述待识别交易数据对应的风险识别结果之前,所述方法还包括:将所述待识别交易数据存储到数据存储层;
所述根据所述风险识别结果以及所述待识别交易数据对应的业务类型,确定针对所述待识别交易数据的响应操作之后,所述方法还包括:
基于确定的所述响应操作响应所述待识别交易数据,得到所述待识别交易数据的响应结果;
根据所述待识别交易数据对应的业务类型,将所述待识别交易数据的响应结果存储到数据存储层。
结合第一方面,本申请实施例提供了第一方面的第三种可能的实施方式,其中,所述交易行为特征包括每个已完成交易的交易数据的以下特征中的多种:业务数据、设备画像、位置信息、系统日志、浏览记录。
结合第一方面的第二种可能的实施方式,本申请实施例提供了第一方面的第四种可能的实施方式,其中,所述基于确定的所述响应操作响应所述待识别交易数据,得到所述待识别交易数据的响应结果之后,所述方法还包括:
获取所述待识别交易数据的响应结果对应新样本数据,所述新样本数据包括交易行为特征以及所述交易行为特征对应的交易行为属性,该交易行为属性为正常支付或者风险支付;
以所述新样本数据中的交易行为特征作所述半监督聚类模型的输入,以所述新样本数据中与所述交易行为特征对应的交易行为属性作为所述半监督聚类模型的输出,更新所述风险识别模型。
结合第一方面,本申请实施例提供了第一方面的第五种可能的实施方式,其中,所述将所述待识别交易数据输入到所述风险识别模型中,得到与所述待识别交易数据对应的风险识别结果之前,所述方法还包括:
判断预设的风险识别表中是否存在所述待识别交易数据;
若预设的风险识别表中存在所述待识别交易数据,则根据所述待识别交易数据在所述风险识别表中的风险等级以及所述待识别交易数据对应的业务类型,确定对所述待识别交易数据的响应操作;
若预设的风险识别表中不存在所述待识别交易数据,则确定所述待识别交易数据为所述风险识别模型的输入数据。
结合第一方面,本申请实施例提供了第一方面的第六种可能的实施方式,其中,所述根据所述风险识别结果以及所述待识别交易数据对应的业务类型,确定针对所述待识别交易数据的响应操作之后,所述方法还包括:
根据所述待识别交易数据及对应的风险识别结果,生成对应的数据报表;
展示所述数据报表和/或向目的端上报所述数据报表。
第二方面,本申请实施例还提供了一种用户支付行为的风险控制装置,所述装置包括:
数据接入层,用于获取用户支付行为对应的多个历史交易结果样本数据;每个所述历史交易结果样本数据均包括交易行为特征以及所述交易行为特征对应的交易行为属性,该交易行为属性为正常支付或者风险支付;
计算引擎层,用于以所述交易行为特征作为半监督聚类模型的输入,以所述交易行为属性作为所述半监督聚类模型的输出,构建半监督聚类模型,并基于多个所述历史交易结果样本数据对所述半监督聚类模型进行训练,得到风险识别模型;
所述数据接入层,还用于获取用户支付行为对应的待识别交易数据;
所述计算引擎层,还用于将所述待识别交易数据输入到所述风险识别模型中,得到与所述待识别交易数据对应的风险识别结果;根据所述风险识别结果以及所述待识别交易数据对应的业务类型,确定针对所述待识别交易数据的响应操作。
第三方面,本申请实施例还提供了一种计算机设备,包括:处理器、存储器和总线,所述存储器存储执行指令,当所述计算机设备运行时,所述处理器与所述存储器之间通过总线通信,所述处理器执行所述执行指令使得所述计算机设备执行第一方面所述的用户支付行为的风险控制方法。
第四方面,本申请实施例还提供了一种计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行第一方面所述的用户支付行为的风险控制方法。
本申请实施例提供的一种用户支付行为的风险控制方法、装置、设备及介质,通过多个历史交易结果样本数据对半监督聚类模型进行训练,得到风险识别模型,然后根据得到的风险识别模型对待识别交易数据进行风险识别,并根据风险识别结果以及待识别交易数据对应的业务类型,确定针对待识别交易数据的响应操作。上述基于风险识别模型对待识别交易数据进行风险识别的过程,能够在毫秒级的时间进行风险识别,识别速度快并且能够准确识别风险交易。在识别风险交易后,还能够自动对高风险的交易对应的支付行为进行拦截,提高了用户支付行为安全性,减少了用户的财产损失。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例所提供的一种服务器中大数据平台的整体结构示意图。
图2示出了本申请实施例所提供的一种用户支付行为的风险控制方法的流程图。
图3示出了本申请实施例所提供的另一种用户支付行为的风险控制方法的流程图。
图4示出了本申请实施例所提供的另一种用户支付行为的风险控制方法的流程图。
图5示出了本申请实施例所提供的另一种用户支付行为的风险控制方法的流程图。
图6示出了本申请实施例所提供的另一种用户支付行为的风险控制方法的流程图。
图7示出了本申请实施例所提供的另一种用户支付行为的风险控制方法的流程图。
图8示出了本申请实施例所提供的用户支付行为的风险控制方法的一种流程示意图。
图9示出了本申请实施例所提供的用户支付行为的风险控制方法的另一种流程示意图。
图10示出了本申请实施例所提供的用户支付行为的风险控制方法的另一种流程示意图。
图11示出了本申请实施例所提供的一种用户支付行为的风险控制方法的整体流程架构图。
图12示出了本申请实施例所提供的一种用户支付行为的风险控制装置的结构示意图。
图13示出了本申请实施例所提供的一种计算机设备40的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的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。
考虑到现有技术的交易风险不能实时准确的发现交易风险,不能对高风险交易及特定的高风险卡进行有效拦截的问题,本申请实施例提供了一种用户支付行为的风险控制方法、装置、设备及介质,下面通过实施例进行描述。
本申请第一实施例提供了一种用户支付行为的风险控制方法,应用于服务器,上述方法主要应用在银行及金融机构支付、结算等业务系统的风险控制领域,如图1和图2所示,所述方法包括:
S101、获取用户支付行为对应的多个历史交易结果样本数据;每个所述历史交易结果样本数据均包括交易行为特征以及所述交易行为特征对应的交易行为属性,该交易行为属性为正常支付或者风险支付。
本申请实施例中,服务器中包括大数据平台(图2中示出了服务器中包括大数据平台的整体结构示意图),大数据平台具体包括数据接入层、数据存储层、计算引擎层和数据服务层。这里,数据接入层用来获取用户支付行为对应的历史交易数据集合,并将获取到的历史交易数据集合发送给数据存储层,由数据存储层进行存储。
其中,所述交易行为特征包括但不限于每个历史交易结果样本数据的以下特征中的多种:业务数据、设备画像、位置信息、系统日志、浏览记录。作为一种具体实施方式,上述交易行为属性中的风险支付还包括风险等级。
作为一种可选的实施方式,业务数据包括客户信息、银行卡卡号信息和业务单号;如果用户是通过第三方支付工具进行支付,业务数据还包括第三方支付工具的身份标识(identification,ID)信息。设备画像可以通过不同维度对交易设备进行标识,比如按照系统类型,为安卓类型或者IOS类型;比如按照品牌类型为华为、小米、苹果、三星等。其中,浏览记录为客户通过网上银行访问对应银行卡的访问特征,比如,访问业务类型、访问时间段和访问时长等。
S102、以所述交易行为特征作为半监督聚类模型的输入,以所述交易行为属性作为所述半监督聚类模型的输出,构建半监督聚类模型,并基于多个所述历史交易结果样本数据对所述半监督聚类模型进行训练,得到风险识别模型。
本申请实施例所提供的风险识别模型训练方法在具体实现的时候,将历史交易结果样本数据作为训练数据对风险识别模型进行训练。为了实现对风险识别模型的训练,首先要确定模型的解释变量和被解释变量,并在对模型进行训练的过程中,基于训练数据中所携带的解释变量和被解释变量的具体值,对模型进行训练。在本申请中,交易行为特征即为解释变量,交易行为属性即为被解释变量,对模型进行训练的过程,即是建立交易行为特征与交易行为属性之间的关联关系的过程。另外,本申请通过构建半监督聚类模型来生成风险识别模型,构建半监督聚类模型的过程,即为对风险识别模型进行训练的过程。
S103、获取用户支付行为对应的待识别交易数据。
本申请实施例中,待识别交易数据为用户进行实时交易时的实时交易业务数据。数据源层在监测到用户支付行为对应的实时交易业务数据后,将该实时交易业务数据主动发送给数据接入层。
数据接入层在接收到实时交易业务数据后,将该实时交易业务数据存储到数据存储层中。比如,将实时交易业务数据存储到数据存储层的Hadoop数据库中。
其中,数据接入层中包括多个中间件,如Flume、Logstash、Kafka、Sqoop和ETL。不同的中间件用于对接不同的服务,用于执行待识别交易数据的接收工作。
作为一种具体实施方式,数据接入层通过中间件Kafka接收实时交易业务数据,将实时交易业务数据存储到数据存储层的Hadoop数据库中。
S104、将所述待识别交易数据输入到所述风险识别模型中,得到与所述待识别交易数据对应的风险识别结果。
本申请实施例中,数据接入层在获取待识别交易数据之后,将待识别交易数据存储到数据存储层。同时,数据接入层还将待识别交易数据发送给计算引擎层进行响应处理。计算引擎层在接收到待识别交易数据后,将待识别交易数据输入到训练好的风险识别模型中;风险识别模型提取待识别交易数据的待识别交易行为特征,并匹配与该待识别交易行为特征对应的交易行为属性,输出交易行为属性。其中,交易行为属性对应风险识别结果,该风险识别结果具体为正常支付或者风险支付,风险支付的风险等级。
S105、根据所述风险识别结果以及所述待识别交易数据对应的业务类型,确定针对所述待识别交易数据的响应操作。
本申请实施例中,计算引擎层在确定了待识别交易数据对应的风险识别结果后,如果确定是正常支付,则正常处理待识别交易数据。如果是风险支付,根据对应的风险等级以及识别交易数据对应的业务类型,确定对应的响应操作;其中,响应操作包括:正常处理待识别交易数据但对待识别交易数据进行风险等级标记,以及,拒绝待识别交易数据并对待识别交易数据进行风险等级标记。并且,通过本申请实施例的方法,还能对已经交易成功的记录进行有效跟踪(针对支持撤销的待识别交易数据还能及时进行撤销),保证了银行及持卡人的交易安全。
其中,计算引擎层基于确定的响应操作响应待识别交易数据后,得到待识别交易数据的响应结果;并根据该待识别交易数据对应的业务类型,将待识别交易数据的响应结果存储到数据存储层。比如,一种业务类型对应需要处理的实时数据(举例,如该业务类型对应的数据处理结果需要制作报表并进行上报),因此,计算引擎层将该业务类型的待识别交易数据中的响应结果存储到数据存储层的关系型数据库中(如Redis/MySQL),以便数据服务层能够实时处理该待识别交易数据中的响应结果。再比如,一种业务类型对应数据并无实时处理要求,计算引擎层该业务类型对应的待识别交易数据中的响应结果存储到Hadoop数据库中;其中,由于Hadoop数据库能够存储海量的数据,因此,对于没有实时处理要求数据对应的响应结果均存储到Hadoop数据库中。
本申请实施例提供的一种用户支付行为的风险控制方法,通过多个历史交易结果样本数据对半监督聚类模型进行训练,得到风险识别模型,然后根据得到的风险识别模型对待识别交易数据进行风险识别,并根据风险识别结果以及待识别交易数据对应的业务类型,确定针对待识别交易数据的响应操作。上述基于风险识别模型对待识别交易数据进行风险识别的过程,能够在毫秒级的时间进行风险识别,识别速度快并且能够准确识别风险交易。在识别风险交易后,还能够自动对高风险的交易对应的支付行为进行拦截,提高了用户支付行为安全性,减少了用户的财产损失。
进一步的,如图3所示,本申请实施例提供的用户支付行为的风险控制方法中,步骤101,所述获取用户支付行为对应的多个历史交易结果样本数据,包括:
S201、针对任一历史交易结果样本数据,从不同的服务中获取该历史交易结果样本数据。
本申请实施例中,银行的业务对应不同的服务,每一个历史交易结果样本数据均分散在各个不同服务中。服务器的大数据平台的数据源层包括银行某一业务的不同服务对应对海量不同的数据,包括内部数据(比如,系统日志)和外部数据(比如,业务数据)。这里,需要通过数据接入层将数据源层中不同服务对应的数据同步介入到大数据平台中,得到多个历史交易结果样本数据。本申请实施例中,由数据接入层将数据来源层中用户支付行为对应的历史交易结果样本数据实时介入到大数据平台中,完成所需数据快速、实时接入。
其中,数据接入层中用于收集数据源层的历史交易结果样本数据,并根据不同类型的数据源特性和实时监控需求,采用不同的处理策略。同时,数据接入层还提供对接收到的历史交易结果样本数据的数据质量检查、数据清洗等工作,保证后续训练的风险识别模型的正确性。
本申请实施例中,数据接入层通过中间件执行具体的工作。其中,数据接入层包括不同的中间件,如Flume、Logstash、Kafka、Sqoop和ETL。其中,不同的中间件用于对接不同的服务。
S202、从所述历史交易结果样本数据中筛选出符合预设的目标交易行为特征的目标历史交易结果样本数据。
本申请实施例中,在数据接入层中,每个中间件都对应有预设的目标交易行为特征,中间件在获取到来自数据来源层的多个历史交易结果样本数据后,筛选出符合目标交易行为特征的目标历史交易结果样本数据,作为参与风险识别模型训练的样本数据。
S203、将所述目标历史交易结果样本数据存储到数据存储层。
本申请实施例中,数据接入层中每个中间件在筛选出符合条件的目标历史交易结果样本数据后,由于目标历史交易结果样本数据是用来训练模型而不需要实时处理,因此,将目标历史交易数据发送到数据存储层Hadoop数据库中。
作为一种具体实施方式,数据存储层的存储容器包括:Hadoop、ElasticSearch、Redis/MySQL。比如,通过中间件Flume接收用户支付行为对应的历史交易结果样本数据,然后,将历史交易结果样本数据存储到数据存储层的Hadoop数据库中。
进一步的,本申请实施例中提供的用户支付行为的风险控制方法,步骤103,所述获取用户支付行为对应的待识别交易数据之后,步骤104,所述将所述待识别交易数据输入到所述风险识别模型中,得到与所述待识别交易数据对应的风险识别结果之前,所述方法还包括:将所述待识别交易数据存储到数据存储层。
作为一种具体实施方式,数据接入层通过Kafka接收待识别交易数据并存储到数据存储层的Hadoop中,并将实时交易业务数据存储到数据存储层的Hadoop数据库中。
如图4所示,步骤105,所述根据所述风险识别结果以及所述待识别交易数据对应的业务类型,确定针对所述待识别交易数据的响应操作之后,所述方法还包括:
S301、基于确定的所述响应操作响应所述待识别交易数据,得到所述待识别交易数据的响应结果。
S302、根据所述待识别交易数据对应的业务类型,将所述待识别交易数据的响应结果存储到数据存储层。
计算引擎层基于确定的响应操作响应待识别交易数据后,得到待识别交易数据的响应结果;并根据该待识别交易数据对应的业务类型,将待识别交易数据的响应结果存储到数据存储层。比如,一种业务类型对应需要处理的实时数据(举例,如该业务类型对应的数据处理结果需要制作报表并进行上报),因此,计算引擎层将该业务类型的待识别交易数据中的响应结果存储到数据存储层的关系型数据库中(如Redis/MySQL),以便数据服务层能够实时处理该待识别交易数据中的响应结果。再比如,一种业务类型对应数据并无实时处理要求,计算引擎层该业务类型对应的待识别交易数据中的响应结果存储到Hadoop数据库中;其中,由于Hadoop数据库能够存储海量的数据,因此,对于没有实时处理要求数据对应的响应结果均存储到Hadoop数据库中。
进一步的,如图5所示,本申请实施例提供的用户支付行为的风险控制方法中,S301,基于确定的所述响应操作响应所述待识别交易数据,得到所述待识别交易数据的响应结果之后,所述方法还包括:
S401、获取所述待识别交易数据的响应结果对应新样本数据,所述新样本数据包括交易行为特征以及所述交易行为特征对应的交易行为属性,该交易行为属性为正常支付或者风险支付。
S402、以所述新样本数据中的交易行为特征作所述半监督聚类模型的输入,以所述新样本数据中与所述交易行为特征对应的交易行为属性作为所述半监督聚类模型的输出,更新所述风险识别模型。
结合步骤401和步骤402,计算引擎层在根据风险识别模型对应的风险识别结果执行对应的响应操作后,得到所述待识别交易数据的响应结果后,将待识别交易数据的响应结果存储到数据存储层。然后,计算引擎层从数据存储层中读取待识别交易数据的响应结果对应新样本数据,通过对新样本数据训练风险识别模型,以更新风险识别模型。
这里,数据接入层通过Kafka接收待识别交易数据并存储到数据存储层的Hadoop中,同时,数据接入层通过Flume监控待识别交易数据对应的系统日志或者内部数据,相应的存储到数据存储层的Hadoop中。
作为一种实施方式,计算引擎层分别从数据存储层的不同数据库(如Hadoop、Redis和MySQL)中获取待识别交易数据对应的新样本数据;作为另一种实施方式,计算引擎层分数据存储层的一个数据库(如Hadoop、)中获取待识别交易数据对应的新样本数据。
其中,计算引擎层包括实时衍生变量计算子系统和实时决策子系统。通过实时衍生变量计算子系统获取响应操作后得到的待识别交易数据的响应结果对应新样本数据,通过实时决策子系统根据实施衍生字段的计算结果进行风险识别模型的更新。其中,基于目标交易数据集合对风险识别模型进行更新的过程,与训练风险识别模型的过程相同。
进一步的,如图6所示,本申请实施例提供的用户支付行为的风险控制方法中,步骤104,所述将所述待识别交易数据输入到所述风险识别模型中,得到与所述待识别交易数据对应的风险识别结果之前,所述方法还包括:
S501、判断预设的风险识别表中是否存在所述待识别交易数据。
S502、若预设的风险识别表中存在所述待识别交易数据,则根据所述待识别交易数据在所述风险识别表中的风险等级以及所述待识别交易数据对应的业务类型,确定对所述待识别交易数据的响应操作。
S503、若预设的风险识别表中不存在所述待识别交易数据,则确定所述待识别交易数据为所述风险识别模型的输入数据。
结合步骤401至步骤403,计算引擎层中预先存储有风险识别表(也即反欺诈规则库),反欺诈规则库中存储有特征数据与对应的风险结果(包括风险等级)。计算引擎层中在接收到待识别交易数据后,提取待识别交易数据对应的目标特征数据,判断反欺诈规则库中是否存在上述目标特征数据;若存在,根据反欺诈规则库中上述目标特征数据对应的风险等级以及对应的业务类型,确定针对所述待识别交易数据的响应操作。
其中,业务类型不同对应的响应操作也不同,响应操作包括:正常处理待识别交易数据但对待识别交易数据进行风险等级标记,以及,拒绝待识别交易数据并对待识别交易数据进行风险等级标记。
若预设的风险识别表中不存在上述目标特征数据,则确定所述待识别交易数据为所述风险识别模型的输入数据。
进一步的,如图7所示,本申请实施例提供的用户支付行为的风险控制方法中,步骤105,所述根据所述风险识别结果以及所述待识别交易数据对应的业务类型,确定针对所述待识别交易数据的响应操作之后,所述方法还包括:
S601、根据所述待识别交易数据及对应的风险识别结果,生成对应的数据报表。
S602、展示所述数据报表和/或向目的端上报所述数据报表。
结合步骤601和步骤602,数据服务层主要提供外围系统计算交互等、报表、风控引擎、预警引擎等功能。数据服务层通过API对接银行客户现有的目的端,该目的端即反欺诈体系和业务系统,包括预警系统、客服系统、案件调查系统、交易监控系统等系统。
其中,数据服务层根据所述待识别交易数据及对应的风险识别结果生成对应的数据报表,并进行展示。或者,数据服务层通过应用程序编程接口(Application ProgrammingInterface,API)连接目的端,向目的端上报生成的数据表。
本申请实施例中,服务器中的大数据平台通过Hadoop+Spark结合建立实时风险识别模型,通过整合连接银行全量电子渠道用户行为对应的待识别交易数据接入大数据平台,并通过风险识别模型进行实时反欺诈分析,迅速识别欺诈风险,及时维系民众及银行的财产安全,提前预见风险。
本申请实施例中,服务器的大数据平台中,还包括大数据管理层,大数据管理层通过对用户管理和运维管理保障集群运维人员账号间的安全、无干扰及权限分明,以及保证了数据平台的易维护性,更加直观、可视化的将整个集群状况展现出来,在提供方便、快捷的针对集群运维管理操作的同时,报警和日志功能有效帮助运维人员及时发现和定位、解决问题,保障大数据平台的高可用。
如图8所示,本申请实施例提供的一种用户支付行为的风险控制方法中,基于服务器中的大数据平台存储的历史数据和计算能力,批量处理数据并存入MySQL数据库,同时利用Kafka接入待识别交易数据(即实时交易的业务数据)、行为数据等,通过计算引擎层的流式处理技术,结合规则引擎,实时、统计和分析业务数据特征,在监测到异常后,及时报警输出。
如图9所示,服务器中的大数据平台基于离线的机器学习训练风险识别模型,通过对历史交易数据集合的特征抽取并输入到半监督聚类模型中进行训练,通过得到的风险识别模型对待识别交易数据进行风险识别,能够帮助银行风控人员及时发现新型欺诈行为并采取相应的操作,同时,提供整体反欺诈解决方案的资源管理和运维保障。
如图10和11所示,服务器中的大数据平台能够连接用户行为数据,对银行卡电子渠道全行为数据进行整合,包括实时交易数据、线下行为数据和日批数据,全方位覆盖、登录、查询、密码、转账、支付等行为,并采用分流技术架构,利用旁路数据通道保障业务。服务器中的大数据平台还能够识别欺诈风险,利用分布式架构及流式处理技术建立实时反欺诈引擎,通过实施变量衍生计算子系统,提供实时衍生字段模板管理、衍生字段计算函数库管理、衍生字段配置、衍生字段计算引擎、衍生字段计算结果更新等功能,并通过实时决策子系统中的风险识别表对待识别交易数据进行第一次风险识别,同时,还基于风险识别模型对一次识别正常的待识别交易数据进行二次识别,保证了风险识别的准确度,同时,风险识别表和风险识别模型识别速度快,识别效率高,能够更及时、高效地发现欺诈行为。
作为一种实施方式,实时决策子系统进行通过规则模板管理、规则库管理、规则配置、规则决策引擎、规则匹配告警、黑白灰名单更新等功能,能够进行海量、高并发的实时的电子渠道交易行为的欺诈行为识别,结合离线机器学习,迭代反欺诈规则,能够更及时、高效地发现欺诈行为。
本申请实施例提供的一种用户支付行为的风险控制方法,通过历史交易数据集合中包括多个已完成交易的交易数据作为训练数据对半监督聚类模型进行训练,得到风险识别模型,然后根据得到的风险识别模型对待识别交易数据进行风险识别,并根据风险识别结果以及待识别交易数据对应的业务类型,确定针对待识别交易数据的响应操作。上述通过训练风险识别模型并基于风险识别模型进行风险识别的过程,能够在毫秒级的时间进行风险识别,识别速度快并且能够准确识别风险交易;在识别风险交易后,还能够自动对高风险的交易对应的支付行为进行拦截,提高了用户支付行为安全性,减少了用户的财产损失。
本申请第二实施例还提供了一种用户支付行为的风险控制装置,所述装置用于执行用户支付行为的风险控制方法,如图12所示,所述装置包括:
数据接入层11,用于获取用户支付行为对应的多个历史交易结果样本数据;每个所述历史交易结果样本数据均包括交易行为特征以及所述交易行为特征对应的交易行为属性,该交易行为属性为正常支付或者风险支付;
计算引擎层12,用于以所述交易行为特征作为半监督聚类模型的输入,以所述交易行为属性作为所述半监督聚类模型的输出,构建半监督聚类模型,并基于多个所述历史交易结果样本数据对所述半监督聚类模型进行训练,得到风险识别模型;
数据接入层11,还用于获取用户支付行为对应的待识别交易数据;
计算引擎层12,用于将所述待识别交易数据输入到所述风险识别模型中,得到与所述待识别交易数据对应的风险识别结果;根据所述风险识别结果以及所述待识别交易数据对应的业务类型,确定针对所述待识别交易数据的响应操作。
进一步的,本申请实施例提供的用户支付行为的风险控制装置中,数据接入层11,具体用于:
针对任一历史交易结果样本数据,从不同的服务中获取该历史交易结果样本数据;
从所述历史交易结果样本数据中筛选出符合预设的目标交易行为特征的目标历史交易结果样本数据;
将所述目标历史交易结果样本数据存储到数据存储层14。
进一步的,本申请实施例提供的用户支付行为的风险控制装置中,数据接入层11,还用于将所述待识别交易数据存储到数据存储层14。
计算引擎层12,还用于基于确定的所述响应操作响应所述待识别交易数据,得到所述待识别交易数据的响应结果;根据所述待识别交易数据对应的业务类型,将所述待识别交易数据的响应结果存储到数据存储层14。
进一步的,本申请实施例提供的用户支付行为的风险控制装置中,所述交易行为特征包括每个已完成交易的交易数据的以下特征中的多种:业务数据、设备画像、位置信息、系统日志、浏览记录。
进一步的,本申请实施例提供的用户支付行为的风险控制装置中,计算引擎层12,还用于:
获取所述待识别交易数据的响应结果对应新样本数据,所述新样本数据包括交易行为特征以及所述交易行为特征对应的交易行为属性,该交易行为属性为正常支付或者风险支付;
以所述新样本数据中的交易行为特征作所述半监督聚类模型的输入,以所述新样本数据中与所述交易行为特征对应的交易行为属性作为所述半监督聚类模型的输出,更新所述风险识别模型。
进一步的,本申请实施例提供的用户支付行为的风险控制装置中,计算引擎层12,还用于:
判断预设的风险识别表中是否存在所述待识别交易数据;
若预设的风险识别表中存在所述待识别交易数据,则根据所述待识别交易数据在所述风险识别表中的风险等级以及所述待识别交易数据对应的业务类型,确定对所述待识别交易数据的响应操作;
若预设的风险识别表中不存在所述待识别交易数据,则确定所述待识别交易数据为所述风险识别模型的输入数据。
进一步的,本申请实施例提供的用户支付行为的风险控制装置,还包括:
数据服务层13,用于根据所述待识别交易数据及对应的风险识别结果,生成对应的数据报表;展示所述数据报表和/或向目的端上报所述数据报表。
本申请实施例提供的一种用户支付行为的风险控制装置,通过多个历史交易结果样本数据对半监督聚类模型进行训练,得到风险识别模型,然后根据得到的风险识别模型对待识别交易数据进行风险识别,并根据风险识别结果以及待识别交易数据对应的业务类型,确定针对待识别交易数据的响应操作。上述基于风险识别模型对待识别交易数据进行风险识别的过程,能够在毫秒级的时间进行风险识别,识别速度快并且能够准确识别风险交易。在识别风险交易后,还能够自动对高风险的交易对应的支付行为进行拦截,提高了用户支付行为安全性,减少了用户的财产损失。
本申请第三实施例还提供了一种计算机设备,如图13所示,包括:存储器401、处理器402和总线,所述存储器401存储执行指令,当所述计算机设备运行时,所述处理器402与所述存储器401之间通过总线通信,所述处理器402执行所述执行指令使得所述计算机设备40执行第一实施例所述的用户支付行为的风险控制方法。
具体地,上述存储器401和处理器402能够为通用的存储器和处理器,这里不做具体限定,当处理器402运行存储器401存储的计算机程序时,能够执行上述用户支付行为的风险控制方法。
对应于上述用户支付行为的风险控制方法,本申请第四实施例还提供了一种计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行第一实施例所述的用户支付行为的风险控制方法。
本申请实施例所提供的用户支付行为的风险控制装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本申请实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,前述描述的系统、装置和单元的具体工作过程,均可以参考上述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请提供的实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (5)
1.一种用户支付行为的风险控制方法,其特征在于,应用于服务器,所述方法包括:
获取用户支付行为对应的多个历史交易结果样本数据;每个所述历史交易结果样本数据均包括交易行为特征以及所述交易行为特征对应的交易行为属性,该交易行为属性为正常支付或者风险支付,所述风险支付还包括风险等级;所述交易行为特征包括每个已完成交易的交易数据的以下特征中的多种:业务数据、设备画像、位置信息、系统日志、浏览记录;
以所述交易行为特征作为半监督聚类模型的输入,以所述交易行为属性作为所述半监督聚类模型的输出,构建半监督聚类模型,并基于多个所述历史交易结果样本数据对所述半监督聚类模型进行训练,得到风险识别模型;
获取用户支付行为对应的待识别交易数据;
将所述待识别交易数据输入到所述风险识别模型中,得到与所述待识别交易数据对应的风险识别结果;
根据所述风险识别结果以及所述待识别交易数据对应的业务类型,确定针对所述待识别交易数据的响应操作;
所述将所述待识别交易数据输入到所述风险识别模型中,得到与所述待识别交易数据对应的风险识别结果之前,所述方法还包括:
判断预设的风险识别表中是否存在所述待识别交易数据;
若预设的风险识别表中存在所述待识别交易数据,则根据所述待识别交易数据在所述风险识别表中的风险等级以及所述待识别交易数据对应的业务类型,确定对所述待识别交易数据的响应操作;
若预设的风险识别表中不存在所述待识别交易数据,则确定所述待识别交易数据为所述风险识别模型的输入数据;
所述获取用户支付行为对应的待识别交易数据之后,所述将所述待识别交易数据输入到所述风险识别模型中,得到与所述待识别交易数据对应的风险识别结果之前,所述方法还包括:将所述待识别交易数据存储到数据存储层;
所述根据所述风险识别结果以及所述待识别交易数据对应的业务类型,确定针对所述待识别交易数据的响应操作之后,所述方法还包括:
基于确定的所述响应操作响应所述待识别交易数据,得到所述待识别交易数据的响应结果;
根据所述待识别交易数据对应的业务类型,将所述待识别交易数据的响应结果存储到数据存储层;
所述基于确定的所述响应操作响应所述待识别交易数据,得到所述待识别交易数据的响应结果之后,所述方法还包括:
获取所述待识别交易数据的响应结果对应新样本数据,所述新样本数据包括交易行为特征以及所述交易行为特征对应的交易行为属性,该交易行为属性为正常支付或者风险支付;
以所述新样本数据中的交易行为特征作所述半监督聚类模型的输入,以所述新样本数据中与所述交易行为特征对应的交易行为属性作为所述半监督聚类模型的输出,更新所述风险识别模型;
所述根据所述风险识别结果以及所述待识别交易数据对应的业务类型,确定针对所述待识别交易数据的响应操作之后,所述方法还包括:
根据所述待识别交易数据及对应的风险识别结果,生成对应的数据报表;
展示所述数据报表和/或向目的端上报所述数据报表。
2.根据权利要求1所述的用户支付行为的风险控制方法,其特征在于,所述获取用户支付行为对应的多个历史交易结果样本数据,包括:
针对任一历史交易结果样本数据,从不同的服务中获取该历史交易结果样本数据;
从所述历史交易结果样本数据中筛选出符合预设的目标交易行为特征的目标历史交易结果样本数据;
将所述目标历史交易结果样本数据存储到数据存储层。
3.一种用户支付行为的风险控制装置,其特征在于,所述装置包括:
数据接入层,用于获取用户支付行为对应的多个历史交易结果样本数据;每个所述历史交易结果样本数据均包括交易行为特征以及所述交易行为特征对应的交易行为属性,该交易行为属性为正常支付或者风险支付,所述风险支付还包括风险等级;所述交易行为特征包括每个已完成交易的交易数据的以下特征中的多种:业务数据、设备画像、位置信息、系统日志、浏览记录;
计算引擎层,用于以所述交易行为特征作为半监督聚类模型的输入,以所述交易行为属性作为所述半监督聚类模型的输出,构建半监督聚类模型,并基于多个所述历史交易结果样本数据对所述半监督聚类模型进行训练,得到风险识别模型;
所述数据接入层,还用于获取用户支付行为对应的待识别交易数据;
所述计算引擎层,还用于将所述待识别交易数据输入到所述风险识别模型中,得到与所述待识别交易数据对应的风险识别结果;根据所述风险识别结果以及所述待识别交易数据对应的业务类型,确定针对所述待识别交易数据的响应操作;
所述将所述待识别交易数据输入到所述风险识别模型中,得到与所述待识别交易数据对应的风险识别结果之前,所述计算引擎层还用于:判断预设的风险识别表中是否存在所述待识别交易数据;若预设的风险识别表中存在所述待识别交易数据,则根据所述待识别交易数据在所述风险识别表中的风险等级以及所述待识别交易数据对应的业务类型,确定对所述待识别交易数据的响应操作;若预设的风险识别表中不存在所述待识别交易数据,则确定所述待识别交易数据为所述风险识别模型的输入数据;
所述获取用户支付行为对应的待识别交易数据之后,所述将所述待识别交易数据输入到所述风险识别模型中,得到与所述待识别交易数据对应的风险识别结果之前,所述数据接入层还用于:将所述待识别交易数据存储到数据存储层;
所述根据所述风险识别结果以及所述待识别交易数据对应的业务类型,确定针对所述待识别交易数据的响应操作之后,所述计算引擎层还用于:基于确定的所述响应操作响应所述待识别交易数据,得到所述待识别交易数据的响应结果;根据所述待识别交易数据对应的业务类型,将所述待识别交易数据的响应结果存储到数据存储层;
所述基于确定的所述响应操作响应所述待识别交易数据,得到所述待识别交易数据的响应结果之后,所述计算引擎层,还用于:获取所述待识别交易数据的响应结果对应新样本数据,所述新样本数据包括交易行为特征以及所述交易行为特征对应的交易行为属性,该交易行为属性为正常支付或者风险支付;以所述新样本数据中的交易行为特征作所述半监督聚类模型的输入,以所述新样本数据中与所述交易行为特征对应的交易行为属性作为所述半监督聚类模型的输出,更新所述风险识别模型;
所述根据所述风险识别结果以及所述待识别交易数据对应的业务类型,确定针对所述待识别交易数据的响应操作之后,所述计算引擎层还用于:
根据所述待识别交易数据及对应的风险识别结果,生成对应的数据报表;
展示所述数据报表和/或向目的端上报所述数据报表。
4.一种计算机设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储执行指令,当所述计算机设备运行时,所述处理器与所述存储器之间通过总线通信,所述处理器执行所述执行指令使得所述计算机设备执行权利要求1至2任一项所述的用户支付行为的风险控制方法。
5.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行权利要求1至2任一项所述的用户支付行为的风险控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811454754.9A CN109544163B (zh) | 2018-11-30 | 2018-11-30 | 一种用户支付行为的风险控制方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811454754.9A CN109544163B (zh) | 2018-11-30 | 2018-11-30 | 一种用户支付行为的风险控制方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109544163A CN109544163A (zh) | 2019-03-29 |
CN109544163B true CN109544163B (zh) | 2021-01-29 |
Family
ID=65851671
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811454754.9A Active CN109544163B (zh) | 2018-11-30 | 2018-11-30 | 一种用户支付行为的风险控制方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109544163B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110390526A (zh) * | 2018-04-18 | 2019-10-29 | 苏宁易购集团股份有限公司 | 一种网络交易分析方法及系统 |
CN111860554B (zh) * | 2019-04-28 | 2023-06-30 | 杭州海康威视数字技术股份有限公司 | 风险监控方法、装置、存储介质及电子设备 |
CN110264211B (zh) * | 2019-05-08 | 2023-04-25 | 创新先进技术有限公司 | 风控方法、系统、装置及设备 |
CN110335144B (zh) * | 2019-07-10 | 2023-04-07 | 中国工商银行股份有限公司 | 个人电子银行账户安全检测方法及装置 |
CN110490608B (zh) * | 2019-07-12 | 2022-05-10 | 招联消费金融有限公司 | 风险评估方法、装置、计算机设备和存储介质 |
CN110400147A (zh) * | 2019-07-23 | 2019-11-01 | 阿里巴巴集团控股有限公司 | 一种异常支付操作拦截方法、系统及设备 |
CN110458626B (zh) * | 2019-08-16 | 2020-11-03 | 京东数字科技控股有限公司 | 一种信息数据处理方法和装置 |
CN110738473B (zh) * | 2019-09-30 | 2021-09-10 | 支付宝(杭州)信息技术有限公司 | 风控方法、系统、装置及设备 |
CN110738571A (zh) * | 2019-10-23 | 2020-01-31 | 腾讯科技(深圳)有限公司 | 一种交易风险控制的方法以及相关装置 |
CN110781971B (zh) * | 2019-10-31 | 2022-04-29 | 支付宝(杭州)信息技术有限公司 | 一种商户类型识别方法、装置、设备和可读介质 |
CN111126797B (zh) * | 2019-12-09 | 2021-11-30 | 支付宝(杭州)信息技术有限公司 | 私有数据保护的业务风险控制方法、装置、平台及系统 |
CN110830515A (zh) * | 2019-12-13 | 2020-02-21 | 支付宝(杭州)信息技术有限公司 | 流量检测方法、装置、电子设备 |
CN111709827A (zh) * | 2020-06-11 | 2020-09-25 | 中国建设银行股份有限公司 | 目标用户信息的推送方法、装置和设备 |
CN112017059A (zh) * | 2020-07-14 | 2020-12-01 | 北京淇瑀信息科技有限公司 | 一种分级优化的风险控制方法、装置和电子设备 |
CN113206835B (zh) * | 2021-04-07 | 2022-08-12 | 深圳市奇虎智能科技有限公司 | 路由器拦截联网设备支付行为的方法、系统、存储介质及计算机设备 |
CN113222611A (zh) * | 2021-05-21 | 2021-08-06 | 中国农业银行股份有限公司 | 卡片安全级别识别方法、装置、设备、存储介质及产品 |
CN114549001A (zh) * | 2022-02-08 | 2022-05-27 | 支付宝(杭州)信息技术有限公司 | 训练风险交易识别模型、识别风险交易的方法和装置 |
CN115510984B (zh) * | 2022-09-29 | 2024-01-02 | 广州合利宝支付科技有限公司 | 支付平台的防侵入方法、系统及云平台 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150578A (zh) * | 2013-04-09 | 2013-06-12 | 山东师范大学 | 一种基于半监督学习的支持向量机分类器训练方法 |
GB2520987B (en) * | 2013-12-06 | 2016-06-01 | Cyberlytic Ltd | Using fuzzy logic to assign a risk level profile to a potential cyber threat |
CN107067157A (zh) * | 2017-03-01 | 2017-08-18 | 北京奇艺世纪科技有限公司 | 业务风险评估方法、装置及风控系统 |
CN108596630B (zh) * | 2018-04-28 | 2022-03-01 | 招商银行股份有限公司 | 基于深度学习的欺诈交易识别方法、系统及存储介质 |
CN108717638A (zh) * | 2018-05-18 | 2018-10-30 | 深圳壹账通智能科技有限公司 | 欺诈交易判断方法、装置、计算机设备和存储介质 |
CN108876133B (zh) * | 2018-06-07 | 2022-05-17 | 中国平安人寿保险股份有限公司 | 基于业务信息的风险评估处理方法、装置、服务器和介质 |
-
2018
- 2018-11-30 CN CN201811454754.9A patent/CN109544163B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109544163A (zh) | 2019-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109544163B (zh) | 一种用户支付行为的风险控制方法、装置、设备及介质 | |
EP3931731B1 (en) | Feature drift hardened online application origination (oao) service for fraud prevention systems | |
WO2020253358A1 (zh) | 业务数据的风控分析处理方法、装置和计算机设备 | |
US10178116B2 (en) | Automated computer behavioral analysis system and methods | |
CN110442712B (zh) | 风险的确定方法、装置、服务器和文本审理系统 | |
WO2010037030A1 (en) | Evaluating loan access using online business transaction data | |
US20150101050A1 (en) | Detecting and measuring malware threats | |
WO2017013529A1 (en) | System and method for determining credit worthiness of a user | |
US8819442B1 (en) | Assessing risk associated with a computer technology | |
WO2020232902A1 (zh) | 异常对象识别方法、装置、计算设备和存储介质 | |
CN111754241A (zh) | 一种用户行为感知方法、装置、设备及介质 | |
CN112581259A (zh) | 账户风险识别方法及装置、存储介质、电子设备 | |
CN112819611A (zh) | 欺诈识别方法、装置、电子设备和计算机可读存储介质 | |
CN108804501B (zh) | 一种检测有效信息的方法及装置 | |
US9438626B1 (en) | Risk scoring for internet protocol networks | |
Habib et al. | Trust4App: automating trustworthiness assessment of mobile applications | |
US20160048782A1 (en) | Controlling and Managing Identity Access Risk | |
CN115204733A (zh) | 数据审计方法、装置、电子设备及存储介质 | |
Dhashanamoorthi | Artificial Intelligence in combating cyber threats in Banking and Financial services | |
CN112669039A (zh) | 基于知识图谱的客户风险管控系统及方法 | |
CN113254781A (zh) | 推荐系统中的模型确定方法、装置、电子设备和存储介质 | |
CN111353882A (zh) | 一种私有化部署的零售资产风控方法、装置及电子设备 | |
CN111651753A (zh) | 用户行为分析系统及方法 | |
US11275367B2 (en) | Dynamically monitoring system controls to identify and mitigate issues | |
US20230107703A1 (en) | Systems and methods for automated fraud detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |