CN109767227B - 通过rds实现支付风险智能判断和控制的系统及方法 - Google Patents
通过rds实现支付风险智能判断和控制的系统及方法 Download PDFInfo
- Publication number
- CN109767227B CN109767227B CN201811631962.1A CN201811631962A CN109767227B CN 109767227 B CN109767227 B CN 109767227B CN 201811631962 A CN201811631962 A CN 201811631962A CN 109767227 B CN109767227 B CN 109767227B
- Authority
- CN
- China
- Prior art keywords
- information
- user
- real
- data
- time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000010801 machine learning Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000006399 behavior Effects 0.000 claims description 22
- 238000013500 data storage Methods 0.000 claims description 11
- 238000013480 data collection Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000011835 investigation Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000005055 memory storage Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000003542 behavioural effect Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000007418 data mining Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000002688 persistence Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 241000700605 Viruses Species 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000010205 computational analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种通过RDS实现支付风险智能判断和控制的系统及方法,旨在依托RDS海量大数据方式多维度收集用户数据,运用数据挖掘、机器学习能力等构建用户模型,并利用实时流计算技术持续完善建立精准的风控模型和策略来识别交易风险特征,实现风险的事前预警和事中实时处理,从而最大限度的保护用户的资金安全。
Description
技术领域
本发明涉及移动通信技术,特别涉及一种通过RDS实现支付风险智能判断和控制的系统及方法。
背景技术
随着互联网的推广与普及,网上支付由于具有方便、快捷和高效的优点,逐渐成为人们从事经济生活的新模式。但是,由于网络的开放性,人们在进行网络支付时,由于病毒或黑客的存在,存在支付账号和支付密码被盗的情况,从而为账号持有者造成经济损失。网络支付的安全问题已成为制约网络交易的重要因素,如何降低网络支付的风险性,对于规范网络支付市场,提高人们选择网上交易的积极性具有重要意义。
传统支付体系单一的风控纬度和实时性较低的处理速度已经不能满足新形势下风险控制要求。如何提高支付风控系统的多样性和智能性,如何增强支付风控系统的实时对抗性,如何完善自身系统机器学习能力,已成为支付风险管理领域的主要研究方向。
发明内容
本发明提出了一种通过RDS实现支付风险智能判断和控制的系统及方法,旨在依托RDS海量大数据方式多维度收集用户数据,运用数据挖掘、机器学习能力等构建用户模型,并利用实时流计算技术持续完善建立精准的风控模型和策略来识别交易风险特征,实现风险的事前预警和事中实时处理,从而最大限度的保护用户的资金安全。RDS,Relational Database Service,关系型数据库服务的简称,是一种即开即用、稳定可靠、可弹性伸缩的在线数据库服务,具有多重安全防护措施和完善的性能监控体系,并提供专业的数据库备份、恢复及优化方案。
本发明提出的通过RDS实现支付风险智能判断和控制的系统,其包括数据分析中心、实时流计算中心和风控决策引擎中心。
优选地,所述数据分析中心的用途是依托RDS海量数据进行计算分析并输出标准用户模型,标准用户模型主要包含用户行为习惯信息、用户社交关系网络信息和交易风险特征信息等,所述标准用户模型是风控过程中风险事件的参照依据。所述数据分析中心主要包含三个模块:数据收集模块、数据存储模块和数据建模模块。
优选地,所述数据收集模块用于通过各种渠道日常收集用户信息,所述数据存储模块用于存储用户信息,所述用户信息包含身份信息、行为习惯信息、设备信息、征信信息、财富信息等数据。数据存储模块的主要存储方式分为两种,其设置有RDS分布存储器和内存存储器。RDS分布式存储器用于存储全量的用户信息,内存存储器用于存储高频访问的用户信息。
优选地,所述数据建模模块根据统计建模、机器学习以及特征工程等科学的方法进行计算分析并输出标准用户模型。统计建模是以计算机统计分析软件为工具,利用各种统计分析方法对批量数据建立统计模型和探索处理的过程,用于揭示数据背后的因素,诠释社会经济现象,或对经济和社会发展作出预测或判断。机器学习是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度等多门学科,其专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。特征工程本质是一项工程活动,目的是最大限度地从原始数据中提取特征以供算法和模型使用。
优选地,所述实时流计算中心的用途是计算处理用户支付业务交易过程中的数据流,使所述标准用户模型结合其最新计算处理的数据流瞬时建模,并输出实时用户模型,所述数据流为用户支付业务交易过程中产生的大量、快速、时变的数据。在用户持久性建模不满足现状的情况下,以最新数据流瞬时建模,以热数据形式秒级反馈给业务,热数据指即时的位置状态、交易和浏览行为。
优选地,所述风控决策引擎中心是指根据所述实时用户模型在支付业务交易中对风险进行智能判断与控制,其从用户使用系统开始对全局进行监控,调度实时流计算中心对用户输入数据进行计算,利用规则引擎和所述实时用户模型进行风险事件监测和风险事件处理,其主要模块为规则引擎模块。
优选地,所述规则引擎模块为一种嵌入应用程序的组件,实现了将风险业务决策从代码中分离出来,其主要包括规则定义组件、规则解析组件和规则执行组件。所述规则定义组件使用预定义的语义模块编写风险策略;所述规则解析组件接受风险事件数据输入,解释策略规则;所述规则执行组件根据策略规则做出业务决策。
本发明还提出了一种通过RDS实现支付风险智能判断和控制的方法,其包括如下步骤:
S1:数据分析中心记录用户的多次支付业务交易行为,分析输出标准用户模型并存储;
S2:用户登录支付系统,浏览,下单,支付;
S3:风控决策引擎中心接收用户实时交易信息,唤醒实时流计算中心对所述用户实时交易信息进行实时评估;
S4:实时流计算中心根据所述用户实时交易信息从数据分析中心获取所述标准用户模型;
S5:数据分析中心返回所述标准用户模型给实时流计算中心;
S6:实时流计算中心根据标准用户模型结合最新数据流瞬时建模输出实时用户模型;
S7:风控决策引擎中心根据所述实时用户模型,调用规则引擎模块,对本次支付业务交易进行处理,做出业务决策。
优选地,步骤S1具体包括如下步骤:
S11:用户登录支付系统,浏览,下单,支付;
S12:数据收集模块收集用户信息,所述用户信息包括身份信息、行为习惯信息、设备信息、征信信息和财富信息;
S13:数据存储模块存储用户信息,所述用户信息包括身份信息、行为习惯信息、设备信息、征信信息和财富信息;
S14:多次重复步骤S11~S13;
S15:数据建模模块根据用户信息分析出标准用户模型,所述标准用户模型包括用户行为习惯信息、用户社交关系网络信息和交易风险特征信息。
本发明以海量数据为依据,提供了真实的标准模型作为参考依据,并结合灵活配置的规则引擎模块进行风险判断和决策,提高了风险判定的准确性;本发明还应用了实时流计算技术,从用户进入交易流程开始,进行一系列的热运算、实时计算并衍生出规则和模型需要的变量,标准用户模型结合最新数据流瞬时建模输出实时用户模型,提高了风险数据的实时性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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示出的结构获得其他的附图。
图1为本发明所述系统的模块示意图;
图2为本发明所述系统记录用户支付业务交易行为并分析输出标准用户模型的流程图;
图3为本发明所述系统实现支付风险智能判断和控制的流程图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
如图1所示,本发明所述通过RDS实现支付风险智能判断和控制的系统,其包括数据分析中心、实时流计算中心和风控决策引擎中心。
进一步地,数据分析中心的用途是依托海量数据进行计算分析并输出标准用户模型,标准用户模型主要包含用户行为习惯信息、用户社交关系网络信息和交易风险特征信息等,所述标准用户模型是风控过程中风险事件的参照依据。数据分析中心主要包含三个模块:数据收集模块、数据存储模块和数据建模模块。
进一步地,数据收集模块用于通过各种渠道日常收集用户信息,数据存储模块用于存储用户信息,所述用户信息包含身份信息、行为习惯、设备信息、征信信息、财富信息等数据。数据存储模块的主要存储方式分为两种,其设置有RDS分布存储器和内存存储器。RDS分布式存储器用于存储全量的用户信息,内存存储器用于存储高频访问的用户信息。
进一步地,数据建模模块根据统计建模、机器学习以及特征工程等科学的方法进行计算分析并输出标准用户模型。统计建模是以计算机统计分析软件为工具,利用各种统计分析方法对批量数据建立统计模型和探索处理的过程,用于揭示数据背后的因素,诠释社会经济现象,或对经济和社会发展作出预测或判断。机器学习是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度等多门学科,其专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。特征工程本质是一项工程活动,目的是最大限度地从原始数据中提取特征以供算法和模型使用。
进一步地,所述实时流计算中心的用途是计算处理用户支付业务交易过程中的数据流,使所述标准用户模型结合其最新计算处理的数据流瞬时建模,并输出实时用户模型,所述数据流为用户支付业务交易过程中产生的大量、快速、时变的数据。在用户持久性建模不满足现状的情况下,以最新数据流瞬时建模,以热数据形式秒级反馈给业务,热数据指即时的位置状态、交易和浏览行为。
进一步地,风控决策引擎中心是指根据所述实时用户模型在支付业务交易中对风险进行智能判断与控制,其从用户使用系统开始对全局进行监控,调度实时流计算中心对用户输入数据进行计算,利用规则引擎和所述实时用户模型进行风险事件监测和风险事件处理,其主要模块为规则引擎模块。
进一步地,规则引擎模块为一种嵌入应用程序的组件,实现了将风险业务决策从代码中分离出来,其主要包括规则定义组件、规则解析组件和规则执行组件。所述规则定义组件使用预定义的语义模块编写风险策略;所述规则解析组件接受风险事件数据输入,解释策略规则;所述规则执行组件根据策略规则做出业务决策。
如图2所示,本发明所述系统记录用户支付业务交易行为并分析输出标准用户模型的具体流程包括如下步骤:
S11:用户登录支付系统,浏览,下单,支付;
S12:数据收集模块收集用户信息,所述用户信息包括身份信息、行为习惯信息、设备信息、征信信息和财富信息;
S13:数据存储模块存储用户信息,所述用户信息包括身份信息、行为习惯信息、设备信息、征信信息和财富信息;
S14:多次重复步骤S11~S13;
S15:数据建模模块根据用户信息分析出标准用户模型,所述标准用户模型包括用户行为习惯信息、用户社交关系网络信息和交易风险特征信息。
如图3所示,本发明所述系统实现支付风险智能判断和控制的流程包括如下步骤,即使用所述通过RDS实现支付风险智能判断和控制的系统的方法包括如下步骤:
S1:数据分析中心记录用户的多次支付业务交易行为,分析输出标准用户模型;
S2:用户登录支付系统,浏览,下单,支付;
S3:风控决策引擎中心接收用户实时交易信息,唤醒实时流计算中心对所述用户实时交易信息进行实时评估;
S4:实时流计算中心根据所述用户实时交易信息从数据分析中心获取所述标准用户模型;
S5:数据分析中心返回所述标准用户模型给实时流计算中心;
S6:实时流计算中心根据标准用户模型结合最新数据流瞬时建模输出实时用户模型;
S7:风控决策引擎中心根据所述实时用户模型,调用规则引擎模块,对本次支付业务交易进行处理,做出业务决策。
本发明以海量数据为依据,提供了真实的标准用户模型作为参考依据,并结合灵活配置的规则引擎模块进行风险判断和决策,提高了风险判定的准确性;本发明还应用了实时流计算技术,从用户进入交易流程开始,进行一系列的热运算、实时计算并衍生出规则和模型需要的变量,标准用户模型结合最新数据流瞬时建模输出实时用户模型,提高了风险数据的实时性。
对于本领域的普通技术人员而言,可以根据具体情况理解本发明中的术语在本发明中的具体含义。本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种通过RDS实现支付风险智能判断和控制的系统,其特征在于,包括数据分析中心、实时流计算中心和风控决策引擎中心,
所述数据分析中心用于计算分析并输出标准用户模型,其包括数据收集模块、数据存储模块和数据建模模块;所述数据收集模块用于日常收集用户信息;所述数据存储模块设置有RDS分布式存储器和内存存储器,其用于存储所述用户信息,所述RDS分布式存储器用于存储全量的用户信息,所述内存存储器用于存储高频访问的用户信息;所述数据建模模块根据统计建模、机器学习以及特征工程进行计算分析并输出标准用户模型;
所述实时流计算中心用于计算处理用户支付业务交易过程中的数据流,使所述标准用户模型结合其最新计算处理的数据流瞬时建模,并输出实时用户模型,所述数据流为用户支付业务交易过程中产生的大量、快速、时变的数据;
所述风控决策引擎中心用于根据所述实时用户模型在支付业务交易中对风险进行判断与控制,其包括规则引擎模块。
2.如权利要求1所述的通过RDS实现支付风险智能判断和控制的系统,其特征在于,所述用户信息包括身份信息、行为习惯信息、设备信息、征信信息和财富信息。
3.如权利要求1所述的通过RDS实现支付风险智能判断和控制的系统,其特征在于,所述标准用户模型包括用户行为习惯信息、用户社交关系网络信息和交易风险特征信息。
4.如权利要求1所述的通过RDS实现支付风险智能判断和控制的系统,其特征在于,所述规则引擎模块为嵌入应用程序的组件,其包括规则定义组件、规则解析组件和规则执行组件。
5.如权利要求4所述的通过RDS实现支付风险智能判断和控制的系统,其特征在于,所述规则引擎定义组件使用预定义的语义模块编写风险策略;所述规则解析组件接受风险事件数据输入,解释策略规则;所述规则执行组件根据所述策略规则做出业务决策。
6.一种使用权利要求1~5任一项所述的通过RDS实现支付风险智能判断和控制的系统的方法,其特征在于,所述方法包括如下步骤:
S1:数据分析中心记录用户的多次支付业务交易行为,分析输出标准用户模型并存储;
S2:用户登录支付系统,浏览,下单,支付;
S3:风控决策引擎中心接收用户实时交易信息,唤醒实时流计算中心对所述用户实时交易信息进行实时评估;
S4:实时流计算中心根据所述用户实时交易信息从数据分析中心获取所述标准用户模型;
S5:数据分析中心返回所述标准用户模型给实时流计算中心;
S6:实时流计算中心根据标准用户模型结合最新数据流瞬时建模输出实时用户模型;
S7:风控决策引擎中心根据所述实时用户模型,调用规则引擎模块,对本次支付业务交易进行处理,做出业务决策。
7.如权利要求6所述的方法,其特征在于,步骤S1具体包括如下步骤:
S11:用户登录支付系统,浏览,下单,支付;
S12:数据收集模块收集用户信息,所述用户信息包括身份信息、行为习惯信息、设备信息、征信信息和财富信息;
S13:数据存储模块存储所述用户信息;
S14:多次重复步骤S11~S13;
S15:数据建模模块根据用户信息分析出标准用户模型,所述标准用户模型包括用户行为习惯信息、用户社交关系网络信息和交易风险特征信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811631962.1A CN109767227B (zh) | 2018-12-28 | 2018-12-28 | 通过rds实现支付风险智能判断和控制的系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811631962.1A CN109767227B (zh) | 2018-12-28 | 2018-12-28 | 通过rds实现支付风险智能判断和控制的系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109767227A CN109767227A (zh) | 2019-05-17 |
CN109767227B true CN109767227B (zh) | 2021-03-23 |
Family
ID=66452654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811631962.1A Active CN109767227B (zh) | 2018-12-28 | 2018-12-28 | 通过rds实现支付风险智能判断和控制的系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109767227B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210786B (zh) * | 2019-06-14 | 2021-07-09 | 恒生电子股份有限公司 | 事前风控处理方法及装置 |
CN110827124B (zh) * | 2019-11-05 | 2021-12-10 | 上海景域文化传播股份有限公司 | 一种先旅游后付款产品的实现方法、组成系统及电子设备 |
CN111240648B (zh) * | 2020-01-20 | 2023-02-28 | 重庆富民银行股份有限公司 | 用于变量的智能管理系统及方法 |
CN112734177B (zh) * | 2020-12-28 | 2023-07-21 | 四川新网银行股份有限公司 | 一种智能分流自动决策的风控方法 |
CN113240424A (zh) * | 2021-04-26 | 2021-08-10 | 中国邮政储蓄银行股份有限公司 | 支付业务的身份认证方法及装置、处理器和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330785A (zh) * | 2017-07-10 | 2017-11-07 | 广州市触通软件科技股份有限公司 | 一种基于大数据智能风控的小额贷款系统及方法 |
CN108596434A (zh) * | 2018-03-23 | 2018-09-28 | 卫盈联信息技术(深圳)有限公司 | 欺诈检测和风险评估方法、系统、设备及存储介质 |
CN108985583A (zh) * | 2018-06-27 | 2018-12-11 | 中国银行股份有限公司 | 基于人工智能的金融数据风险控制方法及装置 |
-
2018
- 2018-12-28 CN CN201811631962.1A patent/CN109767227B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330785A (zh) * | 2017-07-10 | 2017-11-07 | 广州市触通软件科技股份有限公司 | 一种基于大数据智能风控的小额贷款系统及方法 |
CN108596434A (zh) * | 2018-03-23 | 2018-09-28 | 卫盈联信息技术(深圳)有限公司 | 欺诈检测和风险评估方法、系统、设备及存储介质 |
CN108985583A (zh) * | 2018-06-27 | 2018-12-11 | 中国银行股份有限公司 | 基于人工智能的金融数据风险控制方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109767227A (zh) | 2019-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109767227B (zh) | 通过rds实现支付风险智能判断和控制的系统及方法 | |
US10360387B2 (en) | Method and system for aggregating and ranking of security event-based data | |
US11228595B2 (en) | Evaluating security of data access statements | |
CN110111198A (zh) | 用户金融风险预估方法、装置、电子设备及可读介质 | |
CN113469663A (zh) | 一种结合人工智能的智慧业务信息分析方法及系统 | |
CN104246786A (zh) | 模式发现中的字段选择 | |
CN110020002A (zh) | 事件处理方案的查询方法、装置、设备和计算机存储介质 | |
CN112990583B (zh) | 一种数据预测模型的入模特征确定方法及设备 | |
CN103345616A (zh) | 基于行为分析的指纹存储比对的系统 | |
CN112598513B (zh) | 识别股东风险交易行为的方法及装置 | |
CN117972367B (zh) | 一种数据存储预测方法、数据存储子系统及智能计算平台 | |
CN111800292A (zh) | 基于历史流量的预警方法、装置、计算机设备及存储介质 | |
US20240185159A1 (en) | Systems And Methods For Identifying An Officer At Risk Of An Adverse Event | |
CN114356712A (zh) | 数据处理方法、装置、设备、可读存储介质及程序产品 | |
CN112732490A (zh) | 信息确定方法、装置、设备和存储介质 | |
Zhang et al. | Not too late to identify potential churners: early churn prediction in telecommunication industry | |
Lee et al. | Detecting anomaly teletraffic using stochastic self-similarity based on Hadoop | |
EP4242848B1 (en) | Method and computer system for capture and analysis of repetitive actions generated by the employee-computer interaction | |
CN114598556A (zh) | It基础设施配置完整性保护方法及保护系统 | |
CN115292580A (zh) | 数据查询方法、装置、计算机设备及存储介质 | |
WO2023014384A1 (en) | Methods, systems, apparatuses, and devices for facilitating controlling and managing cloud usage costs for using cloud resources | |
CN115829073A (zh) | 对象识别方法、装置、设备及可读存储介质、程序产品 | |
CN111143328A (zh) | 一种敏捷商业智能数据构建方法、系统、设备、存储介质 | |
US11593335B2 (en) | Automatically defining arrival rate meters | |
Hussain et al. | Determining the significance of assessment criteria for risk analysis in business associations |
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 | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.) Patentee after: Huaban Payment (Shenzhen) Co.,Ltd. Address before: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.) Patentee before: SHENZHEN SHARELINK NETWORK Co.,Ltd. |