CN110020775A - 一种风险交易管控方法及装置 - Google Patents

一种风险交易管控方法及装置 Download PDF

Info

Publication number
CN110020775A
CN110020775A CN201910093575.5A CN201910093575A CN110020775A CN 110020775 A CN110020775 A CN 110020775A CN 201910093575 A CN201910093575 A CN 201910093575A CN 110020775 A CN110020775 A CN 110020775A
Authority
CN
China
Prior art keywords
control
curve
spline curve
parameter
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.)
Pending
Application number
CN201910093575.5A
Other languages
English (en)
Inventor
张震
金宏
王维强
叶帆帆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Advanced New Technologies Co Ltd
Advantageous New Technologies Co Ltd
Original Assignee
Alibaba Group Holding Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN201910093575.5A priority Critical patent/CN110020775A/zh
Publication of CN110020775A publication Critical patent/CN110020775A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Finance (AREA)
  • Computer Security & Cryptography (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书实施例提供了风险交易管控方法及装置，获取目标业务交易的交易数据；并基于该交易数据和预先确定的管控样条曲线，对该目标业务交易进行风险管控。其中，该管控样条曲线是基于目标函数和约束条件对指定样条曲线求最优解得到的最优样条曲线，通过调整曲线参数能够达到调节样条曲线的曲线形态和自由度的目的，同时还可以将目标函数和约束条件与管控安全指标和用户体验指标进行关联，这样通过不断调整优化曲线参数得到满足约束条件且目标函数最优的曲线参数，再基于得到的最优曲线参数对应的样条曲线对业务交易进行风险管控，从而实现同时兼顾用户体验和支付安全，更好地满足实际交易管控需求。

Description

一种风险交易管控方法及装置
技术领域
本说明书一个或多个涉及互联网技术领域，尤其涉及一种风险交易管控方法及装置。
背景技术
目前，随着互联网技术的快速发展，通过互联网实现线上购物、线上支付、线上转账等等已成为日常生活中的一部分，在给人们带来便捷性的同时，还存在一定的风险，因此，需要针对每一次业务行为进行风险监控，从而为业务提供安全保障。
具体的，针对电子支付场景，在用户发生交易时，风险监控过程可以分为风险识别环节和风险管控决策环节，其中，在风险识别环节，主要是根据多维度的信息判断业务交易的风险程度；而在风险管控决策环节，主要是综合安全需求和体验需求判断是否需要对识别出的风险交易进行管控输出。在风险管控过程中，如果过于严格的交易管控，势必将降低用户的使用体验，而过于宽松的交易管控，势必将增加风险交易的漏控率，对用户财产安全造成一定损失，因此，需要提高风险管控的精准度，实现用户体验和支付安全的平衡。
因此，需要提供一种精准度高的风险交易管控方法。
发明内容
本说明书一个或多个实施例的目的是提供一种风险交易管控方法及装置，能够实现同时兼顾用户体验和支付安全，更好地满足实际交易管控需求，提高了风险交易的管控精准度。
为解决上述技术问题，本说明书一个或多个实施例是这样实现的：
本说明书一个或多个实施例提供了一种风险交易管控方法，包括：
获取目标业务交易的交易数据；
基于预先确定的管控样条曲线，判断所述目标业务交易的所述交易数据是否符合风险管控条件，其中，所述管控样条曲线是由基于目标函数和约束条件对指定样条曲线求解得到的最优曲线参数确定的；
若判断结果为是，则采用预设风险管控方式对所述目标业务交易进行风险管控。
本说明书一个或多个实施例提供了一种风险交易管控装置，
数据获取模块，用于获取目标业务交易的交易数据；
业务交易判断模块，用于基于预先确定的管控样条曲线，判断所述目标业务交易的所述交易数据是否符合风险管控条件，其中，所述管控样条曲线是由基于目标函数和约束条件对指定样条曲线求解得到的最优曲线参数确定的；
风险交易管控模块，用于若判断结果为是，则采用预设风险管控方式对所述目标业务交易进行风险管控。
本说明书一个或多个实施例提供了一种风险交易管控设备，包括：处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：
获取目标业务交易的交易数据；
基于预先确定的管控样条曲线，判断所述目标业务交易的所述交易数据是否符合风险管控条件，其中，所述管控样条曲线是由基于目标函数和约束条件对指定样条曲线求解得到的最优曲线参数确定的；
若判断结果为是，则采用预设风险管控方式对所述目标业务交易进行风险管控。
本说明书一个或多个实施例提供了一种存储介质，用于存储计算机可执行指令，所述可执行指令在被执行时实现以下流程：
获取目标业务交易的交易数据；
基于预先确定的管控样条曲线，判断所述目标业务交易的所述交易数据是否符合风险管控条件，其中，所述管控样条曲线是由基于目标函数和约束条件对指定样条曲线求解得到的最优曲线参数确定的；
若判断结果为是，则采用预设风险管控方式对所述目标业务交易进行风险管控。
本说明书一个或多个实施例中的风险交易管控方法及装置，获取目标业务交易的交易数据；并基于该交易数据和预先确定的管控样条曲线，对该目标业务交易进行风险管控。其中，该管控样条曲线是基于目标函数和约束条件对指定样条曲线求最优解得到的最优样条曲线，通过调整曲线参数能够达到调节样条曲线的曲线形态和自由度的目的，同时还可以将目标函数和约束条件与管控安全指标和用户体验指标进行关联，这样通过不断调整优化曲线参数得到满足约束条件且目标函数最优的曲线参数，再基于得到的最优曲线参数对应的样条曲线对业务交易进行风险管控，从而实现同时兼顾用户体验和支付安全，更好地满足实际交易管控需求。
附图说明
为了更清楚地说明本说明书一个或多个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说明书一个或多个中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本说明书一个或多个实施例提供的风险交易管控方法的第一种流程示意图；
图2为本说明书一个或多个实施例提供的风险交易管控方法中生成管控样条曲线的第一流程示意图；
图3为本说明书一个或多个实施例提供的风险交易管控方法中生成管控样条曲线的第二流程示意图；
图4为本说明书一个或多个实施例提供的风险交易管控方法的第二种流程示意图；
图5为本说明书一个或多个实施例提供的风险交易管控方法中管控样条曲线的实现原理示意图；
图6为本说明书一个或多个实施例提供的风险交易管控方法中生成管控样条曲线的逻辑框架示意图；
图7为本说明书一个或多个实施例提供的风险交易管控装置的第一种模块组成示意图；
图8为本说明书一个或多个实施例提供的风险交易管控装置的第二种模块组成示意图；
图9为本说明书一个或多个实施例提供的风险交易管控设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书一个或多个中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个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说明书一个或多个一部分实施例，而不是全部的实施例。基于本说明书一个或多个中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书一个或多个保护的范围。
本说明书一个或多个实施例提供了一种风险交易管控方法及装置，通过调整曲线参数能够达到调节样条曲线的曲线形态和自由度的目的，同时还可以将目标函数和约束条件与管控安全指标和用户体验指标进行关联，这样通过不断调整优化曲线参数得到满足约束条件且目标函数最优的曲线参数，再基于得到的最优曲线参数对应的样条曲线对业务交易进行风险管控，从而实现同时兼顾用户体验和支付安全，更好地满足实际交易管控需求。
图1为本说明书一个或多个实施例提供的风险交易管控方法的第一种流程示意图，图1中的方法能够由服务器执行，如图1所示，该方法至少包括以下步骤：
S101，获取目标业务交易的交易数据，具体的，由服务器采集针对用户业务行为产生的交易数据，该交易数据包括：交易金额、交易时间、风险等级、交易账号等多个参考因素的具体数值，其中，风险等级可以用交易风险分表示，该交易风险分可以是风控系统对用户业务行为进行风险识别确定的；
S102，基于预先确定的管控样条曲线，判断目标业务交易的交易数据是否符合风险管控条件，其中，该管控样条曲线是由基于目标函数和约束条件对指定样条曲线求解得到的最优曲线参数确定的；
具体的，由于样条曲线具有形态灵活度高且曲线自由度高的特性，将样条曲线作为管控曲线，并且该管控曲线是基于目标函数和约束条件对指定样条曲线求解最优曲线参数得到的最优样条曲线，其中，由于通过调整曲线参数能够达到调节样条曲线的曲线形态和自由度的目的，同时，还可以将目标函数和约束条件与管控安全指标和用户体验指标进行关联，这样服务器通过不断调整优化曲线参数并基于该目标函数和约束条件就能够求得最优样条曲线；
具体的，在确定出最优样条曲线后，根据交易数据对应的坐标点位于最优样条曲线的划分区域标识，确定该目标业务交易的交易数据是否符合风险管控条件；其中，由于管控曲线将以交易数据涉及的多个参考因素为坐标轴的坐标系分割为两个区域，即管控区域和非管控区域，每个业务交易的交易数据表征坐标系中的一个坐标点，若目标业务交易的交易数据对应的坐标点落在管控区域，则确定目标业务交易的交易数据符合风险管控条件；若目标业务交易的交易数据对应的坐标点落在非管控区域，则确定目标业务交易的交易数据不符合风险管控条件，从而实现自动筛选出需要进行风险管控的业务交易；
若判断结果为是，则执行S103，采用预设风险管控方式对目标业务交易进行风险管控；
具体的，在确定出目标业务交易的交易数据符合风险管控条件后，确定对应的风险管控方式，并基于该风险管控方式对目标业务交易进行风险管控，例如，风险管控方式可以包括：降至最低权限、限制权限、提示失败、身份验证、发出警告等等。
本说明书一个或多个实施例中，获取目标业务交易的交易数据；并基于该交易数据和预先确定的管控样条曲线，对该目标业务交易进行风险管控。其中，该管控样条曲线是基于目标函数和约束条件对指定样条曲线求最优解得到的最优样条曲线，通过调整曲线参数能够达到调节样条曲线的曲线形态和自由度的目的，同时还可以将目标函数和约束条件与管控安全指标和用户体验指标进行关联，这样通过不断调整优化曲线参数得到满足约束条件且目标函数最优的曲线参数，再基于得到的最优曲线参数对应的样条曲线对业务交易进行风险管控，从而实现同时兼顾用户体验和支付安全，更好地满足实际交易管控需求。
其中，如图2所示，针对管控样条曲线的生成过程，具体包括：
S104，针对每个业务风险域，确定与该业务风险域对应的目标函数和约束条件，其中，该业务风险域可以是盗用风险域、欺诈风险域、资金风险域等用于表征业务交易存在的风险所属类型的风险域；
其中，为了同时兼顾用户体验和支付安全两个指标，可以将用户体验和支付安全中的一个作为目标函数，对应的，将用户体验和支付安全中的另一个作为约束条件，例如，目标函数用于表征支付安全的量化指标的管控目标，约束条件用于表征用户体验的量化指标的约束需求，即将目标函数与支付安全关联，将约束条件与用户体验关联；或者，目标函数用于表征用户体验的量化指标的管控目标，约束条件用于表征支付安全的量化指标的约束需求，即将目标函数与用户体验关联，将约束条件与支付安全关联。其中，支付安全的量化指标可以是案件资损、案件量等，用户体验的量化指标可以是打扰率；
其中，又考虑到不同的业务风险域的业务形态和管控目标存在较大区别，根据各业务风险域的业务目标，确定支付安全需求信息和用户体验需求信息；再根据确定出的支付安全需求信息和用户体验需求信息，确定该业务风险域对应的目标函数和约束条件；
例如，针对支付安全作为目标函数，用户体验作为约束条件的情况，目标函数为F(X)max，约束条件为G(X)<a，X是曲线参数，此时需要生成满足最大化安全率且打扰率小于a的最优样条曲线；
另外，还可以增加额外的约束条件，例如，为了用户体验的提升，对小金额的业务交易，即使风险分较高也会放过；而为了支付安全的提升，对大金额的交易，即使风险分相对较低，也会被管控；
S105，利用预设元启发式优化算法基于确定出的目标函数和约束条件，确定指定样条曲线的最优曲线参数，其中，该指定样条曲线可以包括：贝塞尔样条曲线、B样条曲线、或者自然样条曲线；该预设元启发式优化算法可以包括：粒子群算法、遗传算法、禁忌搜索算法、模拟退火算法、蚁群优化算法、人工鱼群算法、人工蜂群算法、人工神经网络算法、或者其他元启发式优化算法；
S106，根据确定出的最优曲线参数，生成业务风险域对应的管控样条曲线，其中，针对每个业务风险域，生成与该业务风险域的业务形态和业务目标对应的管控样条曲线，基于该管控样条曲线进行风险管控的目标是尽可能低的管控打扰下，管控住尽可能多的风险交易；
具体的，以指定样条曲线为贝塞尔样条曲线为例，若贝塞尔样条曲线的曲线形态由4个控制点决定，该4个控制点即为样条曲线的曲线参数，基于预设元启发式优化算法不断优化调整4个控制点在坐标系中的坐标点位置，确定满足约束条件且目标函数最优的4个控制点的最优坐标点位置，进而基于该4个控制点的最优坐标点位置，生成最优样条曲线。
其中，如图3所示，上述S105利用预设元启发式优化算法基于确定出的目标函数和约束条件，确定指定样条曲线的最优曲线参数，具体包括：
S1051，确定指定样条曲线的当前曲线参数，其中，该当前曲线参数可以包括：初始曲线参数、或者上一轮优化后的曲线参数；
具体的，针对首轮迭代的过程，将初始曲线参数作为当前曲线参数，其中，基于预设元启发式优化算法随机确定一组初始化曲线参数，生成一条初始管控样条曲线；针对非首轮迭代的过程，将上一轮优化后的曲线参数作为当前曲线参数；
S1052，根据确定出的当前曲线参数、目标函数和约束条件，确定目标函数值和约束值；
具体的，目标函数和约束条件均是与曲线参数相关的函数表达式，将当前曲线参数代入目标函数得到目标函数值，将当前曲线参数代入约束条件得到约束值；
S1053，判断循环迭代结果是否满足预设循环终止条件，具体的，判断循环迭代次数是否大于预设阈值，和/或判断确定出的目标函数值是否收敛；若任一判断结果为是，则确定循环迭代结果满足预设循环终止条件；其中，若本轮得到的目标函数值与上一轮得到的目标函数值之间的差值小于预设阈值，则确定目标函数值收敛；
若循环迭代结果不满足预设循环终止条件，则S1054，利用预设元启发式优化算法根据确定出的当前曲线参数、约束值和目标函数值，确定优化后的曲线参数，并继续执行步骤S1051；
具体的，以预设元启发式优化算法为遗传算法为例进行说明，利用预设适应性函数并基于确定出的约束值和目标函数值，对由当前曲线参数种群化处理得到的多个样本个体进行适应度评估，得到各样本个体的适应度评估结果；
利用遗传算法并根据各样本个体的适应度评估结果，对多个样本个体进行预设处理，基于处理后的多个样本个体生成优化后的曲线参数，其中，所述预设处理包括：选择、交叉、变异、变换约束调整中至少一种；
若循环迭代结果满足预设循环终止条件，则S1055，将本轮迭代所用的当前曲线参数确定为指定样条曲线的最优曲线参数，即确定帕累托最优解。
其中，考虑到不同的业务风险域对应不同的管控样条曲线，因此，需要先确定与目标业务交易相关的业务风险域，再选取出匹配的管控样条曲线，基于此，如图4所示，上述S102基于预先确定的管控样条曲线，判断目标业务交易的交易数据是否符合风险管控条件，具体包括：
S1021，确定目标业务交易所涉及的业务风险域，其中，目标业务交易所涉及的业务风险域可以根据风控系统对目标业务交易的风险识别结果确定，该风险识别结果是风控系统对目标业务交易进行风险识别，确定该目标业务交易存在的风险类型生成的；
S1022，获取与确定出的业务风险域对应的管控样条曲线，具体的，预先生成并存储各业务风险域分别对应的管控样条曲线，其中，可以在数据库中存储业务风险域与最优曲线参数之间的对应关系，对应的，在数据库中查询与目标业务交易所涉及的业务风险域对应的最优曲线参数，基于该最优曲线参数生成管控样条曲线；
S1023，判断目标业务交易对应的坐标点是否位于获取到的管控样条曲线所划分得到的风险管控区域；
具体的，确定以交易数据中包含的参考因素作为坐标轴的直角坐标系，每个业务交易对应于该直角坐标系中的一个坐标点，管控样条曲线将直角坐标系分割为两个区域，即管控区域和非管控区域，若目标业务交易对应的坐标点位于管控区域，则确定需要对目标业务交易进行风险管控；
若判断结果为是，则确定目标业务交易的交易数据符合风险管控条件，继续执行步骤S103。
如图5所示，以具有四个控制点的贝塞尔样条曲线为例，以交易数据中包含的参考因素作为坐标轴，建立直角坐标系，若将交易金额作为坐标轴Y，将交易风险分作为坐标轴X，直角坐标系为二维坐标系，图5中坐标点A、B、C、D分别为管控样条曲线的四个控制点，即利用预设元启发式优化算法确定出的最优曲线参数，基于这四个控制点即可得到一条管控样条曲线，管控样条曲线右上方区域为管控区域I，管控样条曲线左下方区域为非管控区域II，实心坐标点表示需要风险控制的业务交易，空心坐标点表示不需要风险控制的业务交易；
每个业务交易对应于直角坐标系中的一个坐标点，坐标点由业务交易的交易数据中多个参考因素的实际数值决定，若目标业务交易对应的坐标点位于管控区域I，则目标业务交易的交易数据符合风险管控条件，即需要对该目标业务交易进行风险管控；若目标业务交易对应的坐标点位于非管控区域II，则目标业务交易的交易数据不符合风险管控条件，即不需要对该目标业务交易进行风险管控。
另外，图5中以交易数据中包含的参考因素为两类为例，即将交易金额作为坐标轴Y，将交易风险分作为坐标轴X，其中，考虑到交易金额的范围比较大，可以交易金额的自然对数作为坐标轴Y，这样管控样条曲线所在的坐标系为二维坐标系；对应的，针对交易数据中包含的参考因素为三类的情况，例如，将交易金额作为坐标轴Y，将交易风险分作为坐标轴X，将交易时间作为坐标轴Z，这样管控样条曲线所在的坐标系为三维坐标系；依次类推。
其中，为了提高生成管控样条曲线的过程灵活性和通用性，如图6所示，采用面向对象设计方式，构建相互独立的业务层、曲线层和算法层，业务层、曲线层和算法层之间通过标准接口传递信息，具体的，确定目标函数和约束条件的逻辑代码、指定样条曲线的逻辑代码和预设元启发式优化算法的逻辑代码之间相互独立，这样可以根据实际需求对指定样条曲线的类型和预设元启发式优化算法的类型进行调整；
具体的，业务层设置有业务目标建模模块，主要用于根据各业务风险域的业务目标，确定支付安全需求信息和用户体验需求信息；再根据确定出的支付安全需求信息和用户体验需求信息，确定该业务风险域对应的目标函数和约束条件；
曲线层设置有样条曲线逻辑模块，主要用于对指定样条曲线进行设置，该指定样条曲线可以是贝塞尔样条曲线、B样条曲线、或者自然样条曲线等各种样条曲线；
算法层设置有元启发式优化算法逻辑模块，主要用于对预设元启发式优化算法进行设置，该预设元启发式优化算法可以是粒子群算法、遗传算法、禁忌搜索算法、模拟退火算法、蚁群优化算法、人工鱼群算法、人工蜂群算法、人工神经网络算法、或者其他元启发式优化算法。
本说明书一个或多个实施例中的风险交易管控方法，获取目标业务交易的交易数据；并基于该交易数据和预先确定的管控样条曲线，对该目标业务交易进行风险管控。其中，该管控样条曲线是基于目标函数和约束条件对指定样条曲线求最优解得到的最优样条曲线，通过调整曲线参数能够达到调节样条曲线的曲线形态和自由度的目的，同时还可以将目标函数和约束条件与管控安全指标和用户体验指标进行关联，这样通过不断调整优化曲线参数得到满足约束条件且目标函数最优的曲线参数，再基于得到的最优曲线参数对应的样条曲线对业务交易进行风险管控，从而实现同时兼顾用户体验和支付安全，更好地满足实际交易管控需求。
对应上述图1至图6描述的风险交易管控方法，基于相同的技术构思，本说明书一个或多个实施例还提供了一种风险交易管控装置，图7为本说明书一个或多个实施例提供的风险交易管控装置的第一种模块组成示意图，该装置用于执行图1至图6描述的风险交易管控方法，如图7所示，该装置包括：
数据获取模块701，用于获取目标业务交易的交易数据；
业务交易判断模块702，用于基于预先确定的管控样条曲线，判断所述目标业务交易的所述交易数据是否符合风险管控条件，其中，所述管控样条曲线是由基于目标函数和约束条件对指定样条曲线求解得到的最优曲线参数确定的；
风险交易管控模块703，用于若判断结果为是，则采用预设风险管控方式对所述目标业务交易进行风险管控。
本说明书一个或多个实施例中，获取目标业务交易的交易数据；并基于该交易数据和预先确定的管控样条曲线，对该目标业务交易进行风险管控。其中，该管控样条曲线是基于目标函数和约束条件对指定样条曲线求最优解得到的最优样条曲线，通过调整曲线参数能够达到调节样条曲线的曲线形态和自由度的目的，同时还可以将目标函数和约束条件与管控安全指标和用户体验指标进行关联，这样通过不断调整优化曲线参数得到满足约束条件且目标函数最优的曲线参数，再基于得到的最优曲线参数对应的样条曲线对业务交易进行风险管控，从而实现同时兼顾用户体验和支付安全，更好地满足实际交易管控需求。
可选地，如图8所示，所述装置还包括样条曲线生成模块704，用于：
针对每个业务风险域，确定与该业务风险域对应的目标函数和约束条件；
利用预设元启发式优化算法基于所述目标函数和所述约束条件，确定指定样条曲线的最优曲线参数；
根据确定出的所述最优曲线参数，生成所述业务风险域对应的管控样条曲线。
可选地，所述样条曲线生成模块704，具体用于：
确定指定样条曲线的当前曲线参数，其中，所述当前曲线参数包括：初始曲线参数或上一轮优化后的曲线参数；
根据所述当前曲线参数、所述目标函数和所述约束条件，确定目标函数值和约束值；
若循环迭代结果不满足预设循环终止条件，则利用预设元启发式优化算法根据所述当前曲线参数、所述约束值和所述目标函数值，确定优化后的曲线参数；
若循环迭代结果满足预设循环终止条件，则将所述当前曲线参数确定为所述指定样条曲线的最优曲线参数。
可选地，所述指定样条曲线包括：贝塞尔样条曲线、B样条曲线、或者自然样条曲线；
所述预设元启发式优化算法包括：粒子群算法、遗传算法、禁忌搜索算法、模拟退火算法、蚁群优化算法、人工鱼群算法、人工蜂群算法、或者人工神经网络算法。
可选地，所述样条曲线生成模块704，还具体用于：
判断循环迭代次数是否大于预设阈值，和/或判断所述目标函数值是否收敛；
若任一判断结果为是，则确定循环迭代结果满足预设循环终止条件。
可选地，所述业务交易判断模块702，具体用于：
确定所述目标业务交易所涉及的业务风险域；
获取与确定出的所述业务风险域对应的管控样条曲线；
判断用于表征所述交易数据的坐标点是否位于所述管控样条曲线所划分得到的风险管控区域；
若判断结果为是，则确定所述目标业务交易的所述交易数据符合风险管控条件。
可选地，所述目标函数用于表征支付安全的量化指标的管控目标，所述约束条件用于表征用户体验的量化指标的约束需求；
或者，
所述目标函数用于表征用户体验的量化指标的管控目标，所述约束条件用于表征支付安全的量化指标的约束需求。
可选地，确定目标函数和约束条件的逻辑代码、所述指定样条曲线的逻辑代码和所述预设元启发式优化算法的逻辑代码之间相互独立。
本说明书一个或多个实施例中的风险交易管控装置，获取目标业务交易的交易数据；并基于该交易数据和预先确定的管控样条曲线，对该目标业务交易进行风险管控。其中，该管控样条曲线是基于目标函数和约束条件对指定样条曲线求最优解得到的最优样条曲线，通过调整曲线参数能够达到调节样条曲线的曲线形态和自由度的目的，同时还可以将目标函数和约束条件与管控安全指标和用户体验指标进行关联，这样通过不断调整优化曲线参数得到满足约束条件且目标函数最优的曲线参数，再基于得到的最优曲线参数对应的样条曲线对业务交易进行风险管控，从而实现同时兼顾用户体验和支付安全，更好地满足实际交易管控需求。
需要说明的是，本说明书中关于风险交易管控装置的实施例与本说明书中关于风险交易管控方法的实施例基于同一发明构思，因此该实施例的具体实施可以参见前述对应的风险交易管控方法的实施，重复之处不再赘述。
进一步地，对应上述图1至图6所示的方法，基于相同的技术构思，本说明书一个或多个实施例还提供了一种风险交易管控设备，该设备用于执行上述的风险交易管控方法，如图9所示。
风险交易管控设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器901和存储器902，存储器902中可以存储有一个或一个以上存储应用程序或数据。其中，存储器902可以是短暂存储或持久存储。存储在存储器902的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对风险交易管控设备中的一系列计算机可执行指令。更进一步地，处理器901可以设置为与存储器902通信，在风险交易管控设备上执行存储器902中的一系列计算机可执行指令。风险交易管控设备还可以包括一个或一个以上电源903，一个或一个以上有线或无线网络接口904，一个或一个以上输入输出接口905，一个或一个以上键盘906等。
在一个具体的实施例中，风险交易管控设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对风险交易管控设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：
获取目标业务交易的交易数据；
基于预先确定的管控样条曲线，判断所述目标业务交易的所述交易数据是否符合风险管控条件，其中，所述管控样条曲线是由基于目标函数和约束条件对指定样条曲线求解得到的最优曲线参数确定的；
若判断结果为是，则采用预设风险管控方式对所述目标业务交易进行风险管控。
本说明书一个或多个实施例中，获取目标业务交易的交易数据；并基于该交易数据和预先确定的管控样条曲线，对该目标业务交易进行风险管控。其中，该管控样条曲线是基于目标函数和约束条件对指定样条曲线求最优解得到的最优样条曲线，通过调整曲线参数能够达到调节样条曲线的曲线形态和自由度的目的，同时还可以将目标函数和约束条件与管控安全指标和用户体验指标进行关联，这样通过不断调整优化曲线参数得到满足约束条件且目标函数最优的曲线参数，再基于得到的最优曲线参数对应的样条曲线对业务交易进行风险管控，从而实现同时兼顾用户体验和支付安全，更好地满足实际交易管控需求。
可选地，计算机可执行指令在被执行时，在获取目标业务交易的交易数据之前，还包括：
针对每个业务风险域，确定与该业务风险域对应的目标函数和约束条件；
利用预设元启发式优化算法基于所述目标函数和所述约束条件，确定指定样条曲线的最优曲线参数；
根据确定出的所述最优曲线参数，生成所述业务风险域对应的管控样条曲线。
可选地，计算机可执行指令在被执行时，所述利用预设元启发式优化算法基于所述目标函数和所述约束条件，确定指定样条曲线的最优曲线参数，包括：
确定指定样条曲线的当前曲线参数，其中，所述当前曲线参数包括：初始曲线参数或上一轮优化后的曲线参数；
根据所述当前曲线参数、所述目标函数和所述约束条件，确定目标函数值和约束值；
若循环迭代结果不满足预设循环终止条件，则利用预设元启发式优化算法根据所述当前曲线参数、所述约束值和所述目标函数值，确定优化后的曲线参数；
若循环迭代结果满足预设循环终止条件，则将所述当前曲线参数确定为所述指定样条曲线的最优曲线参数。
可选地，计算机可执行指令在被执行时，所述指定样条曲线包括：贝塞尔样条曲线、B样条曲线、或者自然样条曲线；
所述预设元启发式优化算法包括：粒子群算法、遗传算法、禁忌搜索算法、模拟退火算法、蚁群优化算法、人工鱼群算法、人工蜂群算法、或者人工神经网络算法。
可选地，计算机可执行指令在被执行时，在将所述当前曲线参数代入所述目标函数和所述约束条件，确定目标函数值和约束值之后，还包括：
判断循环迭代次数是否大于预设阈值，和/或判断所述目标函数值是否收敛；
若任一判断结果为是，则确定循环迭代结果满足预设循环终止条件。
可选地，计算机可执行指令在被执行时，所述基于预先确定的管控样条曲线，判断所述目标业务交易的所述交易数据是否符合风险管控条件，包括：
确定所述目标业务交易所涉及的业务风险域；
获取与确定出的所述业务风险域对应的管控样条曲线；
判断用于表征所述交易数据的坐标点是否位于所述管控样条曲线所划分得到的风险管控区域；
若判断结果为是，则确定所述目标业务交易的所述交易数据符合风险管控条件。
可选地，计算机可执行指令在被执行时，所述目标函数用于表征支付安全的量化指标的管控目标，所述约束条件用于表征用户体验的量化指标的约束需求；
或者，
所述目标函数用于表征用户体验的量化指标的管控目标，所述约束条件用于表征支付安全的量化指标的约束需求。
可选地，计算机可执行指令在被执行时，确定目标函数和约束条件的逻辑代码、所述指定样条曲线的逻辑代码和所述预设元启发式优化算法的逻辑代码之间相互独立。
本说明书一个或多个实施例中的风险交易管控设备，获取目标业务交易的交易数据；并基于该交易数据和预先确定的管控样条曲线，对该目标业务交易进行风险管控。其中，该管控样条曲线是基于目标函数和约束条件对指定样条曲线求最优解得到的最优样条曲线，通过调整曲线参数能够达到调节样条曲线的曲线形态和自由度的目的，同时还可以将目标函数和约束条件与管控安全指标和用户体验指标进行关联，这样通过不断调整优化曲线参数得到满足约束条件且目标函数最优的曲线参数，再基于得到的最优曲线参数对应的样条曲线对业务交易进行风险管控，从而实现同时兼顾用户体验和支付安全，更好地满足实际交易管控需求。
进一步地，对应上述图1至图6所示的方法，基于相同的技术构思，本说明书一个或多个实施例还提供了一种存储介质，用于存储计算机可执行指令，一种具体的实施例中，该存储介质可以为U盘、光盘、硬盘等，该存储介质存储的计算机可执行指令在被处理器执行时，能实现以下流程：
获取目标业务交易的交易数据；
基于预先确定的管控样条曲线，判断所述目标业务交易的所述交易数据是否符合风险管控条件，其中，所述管控样条曲线是由基于目标函数和约束条件对指定样条曲线求解得到的最优曲线参数确定的；
若判断结果为是，则采用预设风险管控方式对所述目标业务交易进行风险管控。
本说明书一个或多个实施例中，获取目标业务交易的交易数据；并基于该交易数据和预先确定的管控样条曲线，对该目标业务交易进行风险管控。其中，该管控样条曲线是基于目标函数和约束条件对指定样条曲线求最优解得到的最优样条曲线，通过调整曲线参数能够达到调节样条曲线的曲线形态和自由度的目的，同时还可以将目标函数和约束条件与管控安全指标和用户体验指标进行关联，这样通过不断调整优化曲线参数得到满足约束条件且目标函数最优的曲线参数，再基于得到的最优曲线参数对应的样条曲线对业务交易进行风险管控，从而实现同时兼顾用户体验和支付安全，更好地满足实际交易管控需求。
可选地，该存储介质存储的计算机可执行指令在被处理器执行时，在获取目标业务交易的交易数据之前，还包括：
针对每个业务风险域，确定与该业务风险域对应的目标函数和约束条件；
利用预设元启发式优化算法基于所述目标函数和所述约束条件，确定指定样条曲线的最优曲线参数；
根据确定出的所述最优曲线参数，生成所述业务风险域对应的管控样条曲线。
可选地，该存储介质存储的计算机可执行指令在被处理器执行时，所述利用预设元启发式优化算法基于所述目标函数和所述约束条件，确定指定样条曲线的最优曲线参数，包括：
确定指定样条曲线的当前曲线参数，其中，所述当前曲线参数包括：初始曲线参数或上一轮优化后的曲线参数；
根据所述当前曲线参数、所述目标函数和所述约束条件，确定目标函数值和约束值；
若循环迭代结果不满足预设循环终止条件，则利用预设元启发式优化算法根据所述当前曲线参数、所述约束值和所述目标函数值，确定优化后的曲线参数；
若循环迭代结果满足预设循环终止条件，则将所述当前曲线参数确定为所述指定样条曲线的最优曲线参数。
可选地，该存储介质存储的计算机可执行指令在被处理器执行时，所述指定样条曲线包括：贝塞尔样条曲线、B样条曲线、或者自然样条曲线；
所述预设元启发式优化算法包括：粒子群算法、遗传算法、禁忌搜索算法、模拟退火算法、蚁群优化算法、人工鱼群算法、人工蜂群算法、或者人工神经网络算法。
可选地，该存储介质存储的计算机可执行指令在被处理器执行时，在将所述当前曲线参数代入所述目标函数和所述约束条件，确定目标函数值和约束值之后，还包括：
判断循环迭代次数是否大于预设阈值，和/或判断所述目标函数值是否收敛；
若任一判断结果为是，则确定循环迭代结果满足预设循环终止条件。
可选地，该存储介质存储的计算机可执行指令在被处理器执行时，所述基于预先确定的管控样条曲线，判断所述目标业务交易的所述交易数据是否符合风险管控条件，包括：
确定所述目标业务交易所涉及的业务风险域；
获取与确定出的所述业务风险域对应的管控样条曲线；
判断用于表征所述交易数据的坐标点是否位于所述管控样条曲线所划分得到的风险管控区域；
若判断结果为是，则确定所述目标业务交易的所述交易数据符合风险管控条件。
可选地，该存储介质存储的计算机可执行指令在被处理器执行时，所述目标函数用于表征支付安全的量化指标的管控目标，所述约束条件用于表征用户体验的量化指标的约束需求；
或者，
所述目标函数用于表征用户体验的量化指标的管控目标，所述约束条件用于表征支付安全的量化指标的约束需求。
可选地，该存储介质存储的计算机可执行指令在被处理器执行时，确定目标函数和约束条件的逻辑代码、所述指定样条曲线的逻辑代码和所述预设元启发式优化算法的逻辑代码之间相互独立。
本说明书一个或多个实施例中的存储介质存储的计算机可执行指令在被处理器执行时，获取目标业务交易的交易数据；并基于该交易数据和预先确定的管控样条曲线，对该目标业务交易进行风险管控。其中，该管控样条曲线是基于目标函数和约束条件对指定样条曲线求最优解得到的最优样条曲线，通过调整曲线参数能够达到调节样条曲线的曲线形态和自由度的目的，同时还可以将目标函数和约束条件与管控安全指标和用户体验指标进行关联，这样通过不断调整优化曲线参数得到满足约束条件且目标函数最优的曲线参数，再基于得到的最优曲线参数对应的样条曲线对业务交易进行风险管控，从而实现同时兼顾用户体验和支付安全，更好地满足实际交易管控需求。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device，PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HD Cal、JHDL(Java Hardware Description Language)、Lava、Lola、My HDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书一个或多个的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书一个或多个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，本说明书一个或多个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。
本说明书一个或多个是参照根据本说明书一个或多个实施例的方法、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(flash RAM)。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，本说明书一个或多个的实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个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，本说明书一个或多个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。
本说明书一个或多个可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，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。
以上所述仅为本说明书一个或多个的实施例而已，并不用于限制本说明书一个或多个。对于本领域技术人员来说，本说明书一个或多个可以有各种更改和变化。凡在本说明书一个或多个的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书一个或多个的权利要求范围之内。

Claims (18)

1.一种风险交易管控方法，包括：
获取目标业务交易的交易数据；
基于预先确定的管控样条曲线，判断所述目标业务交易的所述交易数据是否符合风险管控条件，其中，所述管控样条曲线是由基于目标函数和约束条件对指定样条曲线求解得到的最优曲线参数确定的；
若判断结果为是，则采用预设风险管控方式对所述目标业务交易进行风险管控。
2.根据权利要求1所述的方法，其中，在获取目标业务交易的交易数据之前，还包括：
针对每个业务风险域，确定与该业务风险域对应的目标函数和约束条件；
利用预设元启发式优化算法基于所述目标函数和所述约束条件，确定指定样条曲线的最优曲线参数；
根据确定出的所述最优曲线参数，生成所述业务风险域对应的管控样条曲线。
3.根据权利要求2所述的方法，其中，所述利用预设元启发式优化算法基于所述目标函数和所述约束条件，确定指定样条曲线的最优曲线参数，包括：
确定指定样条曲线的当前曲线参数，其中，所述当前曲线参数包括：初始曲线参数或上一轮优化后的曲线参数；
根据所述当前曲线参数、所述目标函数和所述约束条件，确定目标函数值和约束值；
若循环迭代结果不满足预设循环终止条件，则利用预设元启发式优化算法根据所述当前曲线参数、所述约束值和所述目标函数值，确定优化后的曲线参数；
若循环迭代结果满足预设循环终止条件，则将所述当前曲线参数确定为所述指定样条曲线的最优曲线参数。
4.根据权利要求2所述的方法，其中，所述指定样条曲线包括：贝塞尔样条曲线、B样条曲线、或者自然样条曲线；
所述预设元启发式优化算法包括：粒子群算法、遗传算法、禁忌搜索算法、模拟退火算法、蚁群优化算法、人工鱼群算法、人工蜂群算法、或者人工神经网络算法。
5.根据权利要求3所述的方法，其中，在将所述当前曲线参数代入所述目标函数和所述约束条件，确定目标函数值和约束值之后，还包括：
判断循环迭代次数是否大于预设阈值，和/或判断所述目标函数值是否收敛；
若任一判断结果为是，则确定循环迭代结果满足预设循环终止条件。
6.根据权利要求1所述的方法，其中，所述基于预先确定的管控样条曲线，判断所述目标业务交易的所述交易数据是否符合风险管控条件，包括：
确定所述目标业务交易所涉及的业务风险域；
获取与确定出的所述业务风险域对应的管控样条曲线；
判断用于表征所述交易数据的坐标点是否位于所述管控样条曲线所划分得到的风险管控区域；
若判断结果为是，则确定所述目标业务交易的所述交易数据符合风险管控条件。
7.根据权利要求1至6任一项所述的方法，其中，所述目标函数用于表征支付安全的量化指标的管控目标，所述约束条件用于表征用户体验的量化指标的约束需求；
或者，
所述目标函数用于表征用户体验的量化指标的管控目标，所述约束条件用于表征支付安全的量化指标的约束需求。
8.根据权利要求2所述的方法，其中，确定目标函数和约束条件的逻辑代码、所述指定样条曲线的逻辑代码和所述预设元启发式优化算法的逻辑代码之间相互独立。
9.一种风险交易管控装置，包括：
数据获取模块，用于获取目标业务交易的交易数据；
业务交易判断模块，用于基于预先确定的管控样条曲线，判断所述目标业务交易的所述交易数据是否符合风险管控条件，其中，所述管控样条曲线是由基于目标函数和约束条件对指定样条曲线求解得到的最优曲线参数确定的；
风险交易管控模块，用于若判断结果为是，则采用预设风险管控方式对所述目标业务交易进行风险管控。
10.根据权利要求9所述的装置，其中，所述装置还包括样条曲线生成模块，用于：
针对每个业务风险域，确定与该业务风险域对应的目标函数和约束条件；
利用预设元启发式优化算法基于所述目标函数和所述约束条件，确定指定样条曲线的最优曲线参数；
根据确定出的所述最优曲线参数，生成所述业务风险域对应的管控样条曲线。
11.根据权利要求10所述的装置，其中，所述样条曲线生成模块，具体用于：
确定指定样条曲线的当前曲线参数，其中，所述当前曲线参数包括：初始曲线参数或上一轮优化后的曲线参数；
根据所述当前曲线参数、所述目标函数和所述约束条件，确定目标函数值和约束值；
若循环迭代结果不满足预设循环终止条件，则利用预设元启发式优化算法根据所述当前曲线参数、所述约束值和所述目标函数值，确定优化后的曲线参数；
若循环迭代结果满足预设循环终止条件，则将所述当前曲线参数确定为所述指定样条曲线的最优曲线参数。
12.根据权利要求10所述的装置，其中，所述指定样条曲线包括：贝塞尔样条曲线、B样条曲线、或者自然样条曲线；
所述预设元启发式优化算法包括：粒子群算法、遗传算法、禁忌搜索算法、模拟退火算法、蚁群优化算法、人工鱼群算法、人工蜂群算法、或者人工神经网络算法。
13.根据权利要求11所述的装置，其中，所述样条曲线生成模块，还具体用于：
判断循环迭代次数是否大于预设阈值，和/或判断所述目标函数值是否收敛；
若任一判断结果为是，则确定循环迭代结果满足预设循环终止条件。
14.根据权利要求9所述的装置，其中，所述业务交易判断模块，具体用于：
确定所述目标业务交易所涉及的业务风险域；
获取与确定出的所述业务风险域对应的管控样条曲线；
判断用于表征所述交易数据的坐标点是否位于所述管控样条曲线所划分得到的风险管控区域；
若判断结果为是，则确定所述目标业务交易的所述交易数据符合风险管控条件。
15.根据权利要求9至14任一项所述的装置，其中，所述目标函数用于表征支付安全的量化指标的管控目标，所述约束条件用于表征用户体验的量化指标的约束需求；
或者，
所述目标函数用于表征用户体验的量化指标的管控目标，所述约束条件用于表征支付安全的量化指标的约束需求。
16.根据权利要求10所述的装置，其中，确定目标函数和约束条件的逻辑代码、所述指定样条曲线的逻辑代码和所述预设元启发式优化算法的逻辑代码之间相互独立。
17.一种风险交易管控设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：
获取目标业务交易的交易数据；
基于预先确定的管控样条曲线，判断所述目标业务交易的所述交易数据是否符合风险管控条件，其中，所述管控样条曲线是由基于目标函数和约束条件对指定样条曲线求解得到的最优曲线参数确定的；
若判断结果为是，则采用预设风险管控方式对所述目标业务交易进行风险管控。
18.一种存储介质，用于存储计算机可执行指令，所述可执行指令在被执行时实现以下流程：
获取目标业务交易的交易数据；
基于预先确定的管控样条曲线，判断所述目标业务交易的所述交易数据是否符合风险管控条件，其中，所述管控样条曲线是由基于目标函数和约束条件对指定样条曲线求解得到的最优曲线参数确定的；
若判断结果为是，则采用预设风险管控方式对所述目标业务交易进行风险管控。
CN201910093575.5A 2019-01-30 2019-01-30 一种风险交易管控方法及装置 Pending CN110020775A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910093575.5A CN110020775A (zh) 2019-01-30 2019-01-30 一种风险交易管控方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910093575.5A CN110020775A (zh) 2019-01-30 2019-01-30 一种风险交易管控方法及装置

Publications (1)

Publication Number Publication Date
CN110020775A true CN110020775A (zh) 2019-07-16

Family

ID=67188910

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910093575.5A Pending CN110020775A (zh) 2019-01-30 2019-01-30 一种风险交易管控方法及装置

Country Status (1)

Country Link
CN (1) CN110020775A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111737086A (zh) * 2020-06-24 2020-10-02 苏州浪潮智能科技有限公司 一种监控方式的调整方法、装置和计算机可读存储介质
WO2020098825A3 (en) * 2019-12-20 2020-10-22 Alipay (Hangzhou) Information Technology Co., Ltd. System and method for evaluating risk
CN111967767A (zh) * 2020-08-18 2020-11-20 支付宝(杭州)信息技术有限公司 一种业务风险识别方法、装置、设备及介质
CN114936942A (zh) * 2022-07-21 2022-08-23 深圳市绽放工场科技有限公司 一种面向保险用户的计算机网络数据处理分析系统及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108460681A (zh) * 2017-02-20 2018-08-28 阿里巴巴集团控股有限公司 一种风险管控方法及装置
CN108470242A (zh) * 2018-03-08 2018-08-31 阿里巴巴集团控股有限公司 风险管控方法、装置、及服务器
CN109003090A (zh) * 2018-07-05 2018-12-14 阿里巴巴集团控股有限公司 风险控制方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108460681A (zh) * 2017-02-20 2018-08-28 阿里巴巴集团控股有限公司 一种风险管控方法及装置
CN108470242A (zh) * 2018-03-08 2018-08-31 阿里巴巴集团控股有限公司 风险管控方法、装置、及服务器
CN109003090A (zh) * 2018-07-05 2018-12-14 阿里巴巴集团控股有限公司 风险控制方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈潇凯: "车辆多学科设计优化方法", 北京理工大学出版社 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020098825A3 (en) * 2019-12-20 2020-10-22 Alipay (Hangzhou) Information Technology Co., Ltd. System and method for evaluating risk
US11093946B2 (en) 2019-12-20 2021-08-17 Alipay (Hangzhou) Information Technology Co., Ltd. System and method for evaluating risk
CN111737086A (zh) * 2020-06-24 2020-10-02 苏州浪潮智能科技有限公司 一种监控方式的调整方法、装置和计算机可读存储介质
CN111737086B (zh) * 2020-06-24 2022-06-07 苏州浪潮智能科技有限公司 一种监控方式的调整方法、装置和计算机可读存储介质
CN111967767A (zh) * 2020-08-18 2020-11-20 支付宝(杭州)信息技术有限公司 一种业务风险识别方法、装置、设备及介质
CN114936942A (zh) * 2022-07-21 2022-08-23 深圳市绽放工场科技有限公司 一种面向保险用户的计算机网络数据处理分析系统及方法
CN114936942B (zh) * 2022-07-21 2022-11-01 深圳市绽放工场科技有限公司 一种面向保险用户的计算机网络数据处理分析系统及方法

Similar Documents

Publication Publication Date Title
CN110020775A (zh) 一种风险交易管控方法及装置
CN108460523A (zh) 一种风控规则生成方法和装置
CN109191110A (zh) 后付费交易数据处理方法、装置、处理设备、及服务器
CN109002949A (zh) 一种风控策略配置以及业务风控的方法及装置
JP6869347B2 (ja) リスク制御イベント自動処理の方法および装置
CN106156092B (zh) 数据处理方法及装置
CN109815389A (zh) 应用规则引擎的节点匹配方法、装置以及计算机设备
CN107679700A (zh) 业务流程处理方法、装置及服务器
CN108460681A (zh) 一种风险管控方法及装置
CN108665143A (zh) 风控模型的评估方法及装置
CN109636181A (zh) 一种用户信用分计算方法及系统
CN109583890A (zh) 异常交易对象的识别方法、装置及设备
CN109146638A (zh) 异常金融交易群体的识别方法及装置
CN107368936A (zh) 风控模型训练方法和装置
CN109003075A (zh) 一种风险识别方法及装置
CN108197777A (zh) 一种调整风控规则的方法、装置及设备
CN109472609A (zh) 一种风控原因确定方法及装置
CN106327196A (zh) 一种支付阈值获取方法和装置
CN110262998B (zh) 一种对账数据处理方法及装置
CN109741177A (zh) 用户信用的评估方法、装置及智能终端
CN109993646A (zh) 会计分录信息确定方法及装置、账务数据记录方法及装置
CN109426912A (zh) 风控系统优化方法、系统、装置以及电子设备
CN109003071A (zh) 支付方法、装置及设备
CN108694574A (zh) 一种资源转移渠道的处理方法、装置及设备
CN110008991A (zh) 风险事件的识别、风险识别模型的生成方法及装置

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20200925

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman, British Islands

Applicant after: Innovative advanced technology Co.,Ltd.

Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman, British Islands

Applicant before: Advanced innovation technology Co.,Ltd.

Effective date of registration: 20200925

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman, British Islands

Applicant after: Advanced innovation technology Co.,Ltd.

Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands

Applicant before: Alibaba Group Holding Ltd.