CN110599004A - 一种风险控制方法、设备、介质以及装置 - Google Patents
一种风险控制方法、设备、介质以及装置 Download PDFInfo
- Publication number
- CN110599004A CN110599004A CN201910782829.4A CN201910782829A CN110599004A CN 110599004 A CN110599004 A CN 110599004A CN 201910782829 A CN201910782829 A CN 201910782829A CN 110599004 A CN110599004 A CN 110599004A
- Authority
- CN
- China
- Prior art keywords
- user
- real
- time
- risk
- service scene
- 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
Links
- 238000012954 risk control Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000006399 behavior Effects 0.000 claims abstract description 76
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000004590 computer program Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 206010001488 Aggression Diseases 0.000 abstract description 6
- 208000012761 aggressive behavior Diseases 0.000 abstract description 6
- 230000016571 aggressive behavior Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 230000006872 improvement Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Finance (AREA)
- Technology Law (AREA)
- Accounting & Taxation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书公开了一种风险控制方法、设备、介质及装置，包括：确定第一用户的用户特征，所述用户特征包含历史用户特征和实时用户特征，所述实时用户特征包含实时用户行为特征和实时业务场景特征；将所述用户特征输入至与所述实时业务场景对应的风控模型中，得到所述第一用户的风险评分，所述风控模型用于评估用户在一种业务场景下的风险大小；基于所述风险评分对所述第一用户进行风险控制。这样在风险控制系统中引入实时用户特征，尤其是实时业务场景特征，能够有效地对短时高频的攻击行为进行防控，提高风险控制的的处理精度，降低互联网金融平台的风险。
Description
技术领域
本说明书涉及计算机技术领域，尤其涉及一种风险控制方法、设备、介质及装置。
背景技术
随着互联网技术的发展，出现了互联网金融平台。由于互联网金融平台具备成本低、效率高、覆盖广、发展快、管理弱和风险大等特点，因此，需要在互联网金融平台上建立风险控制系统，以便于降低互联网金融平台的风险。
在实际应用中，针对不同业务场景需要建立不同的风险控制处理方案。而在本说明书实施例提供了一种风险控制方法，以提升互联网金融平台的风险控制的处理精度，降低互联网金融平台的风险。
发明内容
有鉴于此，本说明书实施例提供了一种风险控制方法、设备、介质以及装置，用于提升互联网金融平台的风险控制的处理精度，降低互联网金融平台的风险。
本说明书实施例采用下述技术方案：
本说明书实施例提供一种风险控制方法，包括：
确定第一用户的用户特征，所述用户特征包含历史用户特征和实时用户特征，所述实时用户特征包含实时用户行为特征和实时业务场景特征；
将所述用户特征输入至与所述实时业务场景对应的风控模型中，得到所述第一用户的风险评分，所述风控模型用于评估用户在一种业务场景下的风险大小；
基于所述风险评分对所述第一用户进行风险控制。
本说明书实施例还提供一种风险控制设备，包括：
确定单元，确定第一用户的用户特征，所述用户特征包含历史用户特征和实时用户特征，所述实时用户特征包含实时用户行为特征和实时业务场景特征；
预测单元，将所述用户特征输入至与所述实时业务场景对应的风控模型中，得到所述第一用户的风险评分，所述风控模型用于评估用户在一种业务场景下的风险大小；
处理单元，基于所述风险评分对所述第一用户进行风险控制。
本说明书实施例还提供一种计算机可读存储介质，其上存储有计算机程序指令，当所述计算机程序指令被处理器执行时实现上述的方法。
本说明书实施例还提供一种数据处理装置，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现上述的方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
本说明书实施例提供的技术方案，确定第一用户的用户特征，所述用户特征包含历史用户特征和实时用户特征，所述实时用户特征包含实时用户行为特征和实时业务场景特征；将所述用户特征输入至与所述实时业务场景对应的风控模型中，得到所述第一用户的风险评分，所述风控模型用于评估用户在一种业务场景下的风险大小；基于所述风险评分对所述第一用户进行风险控制。这样在风险控制系统中引入实时用户特征，尤其是实时业务场景特征，能够实现有效地对短时高频的攻击行为进行防控，提高风险控制的的处理精度，降低互联网金融平台的风险。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
图1为本说明书实施例提供的一种风险控制方法的流程示意图；
图2为本说明书实施例提供的一种风险控制方法的流程示意图；
图3为本说明书实施例提供的一种风险控制设备的结构示意图；
图4为本说明书实施例提供的一种风险控制设备的结构示意图。
具体实施方式
在实际应用中，针对不同的业务场景，风险控制系统通常采用逾期不良的风控方案，而这种风控方案主要基于用户行为特征对用户是否存在风险进行识别，无法对用户在特定应用场景下发起的业务进行防控，例如：短时高效的攻击行为、聚集性的攻击行为等。
为了解决本说明书中记载的问题，实现本说明书的目的，本说明书实施例提供了一种风险控制方法、设备、介质及装置，确定第一用户的用户特征，所述用户特征包含历史用户特征和实时用户特征，所述实时用户特征包含实时用户行为特征和实时业务场景特征；将所述用户特征输入至与所述实时业务场景对应的风控模型中，得到所述第一用户的风险评分，所述风控模型用于评估用户在一种业务场景下的风险大小；基于所述风险评分对所述第一用户进行风险控制。这样在风险控制系统中引入实时用户特征，尤其是实时业务场景特征，能够有效地对短时高频的攻击行为进行防控，提高风险控制的的处理精度，降低互联网金融平台的风险。
需要说明的是，本说明书实施例中记载的“第一用户”中的“第一”不是特指某一个用户，而是泛指任何一个用户，“第一”没有限定第一个的意思。
下面结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都属于本说明书保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书实施例提供的一种风险控制方法的流程示意图。所述方法可以如下所示。
步骤101：确定第一用户的用户特征。
其中，所述用户特征包含历史用户特征和实时用户特征，所述实时用户特征包含实时用户行为特征和实时业务场景特征。
在本说明书提供的实施例中，风险控制系统可以通过业务逻辑清洗为不同的业务场景分别设置风险标签，进而根据风险标签启动不同的风险防控策略。
本说明书所提供的实施例中记载的第一用户在互联网服务平台上发起某种业务，风险控制系统实时或者周期性地对该第一用户的用户特征进行监控，以便于能够及时对可能发生的风险事件进行有效拦截。
当风险控制系统检测到异常事件发生(例如：出现短时频繁多用户的操作行为、用户在同一种业务场景下频繁执行操作等等)时，风险控制系统将启动本说明书实施例提供的风控方案。具体地，风险控制系统抽取不同用户的用户特征。下面以第一用户为例详细说明风险控制系统如何得到用户的用户特征。
在本说明书提供的实施例中，用户特征包含历史用户特征和实时用户特征，这里的历史用户特征可以理解为用户离线状态下产生或者曾经在这种业务场景下产生的用户特征，可以通过从互联网服务平台的数据库中获取；这里的实时用户特征可以理解为用户在当前业务场景下产生的用户特征，包含实时用户行为特征、实时业务场景特征。
第一方面：确定第一用户的历史用户特征。这里的历史用户特征包含历史画像类用户特征和历史用户行为特征。
针对历史画像类用户特征，具体操作如下：
获取所述第一用户的历史画像类信息，所述画像类信息包含资产信息、地理位置信息、人脉信息、历史日志信息中的至少一种或者多种；针对获取到的每一种所述画像类信息，统计所述第一用户在设定时间内产生的该种所述画像类信息对应的属性值；将得到的每一种所述画像类信息对应的属性值进行整合，得到所述第一用户的历史用户特征。
具体地，可以向互联网服务平台对应的后台服务器发送信息获取请求，该信息获取请求中包含所述第一用户的用户标识，互联网服务平台对应的后台服务器基于第一用户的用户标识，查找与所述第一用户的用户标识对应的画像类信息，并将查找到的画像类信息反馈给风险控制系统。这里的画像类信息可以理解为用户的基础信息，例如：用户的资产信息、用户的地理位置信息、用户的人脉信息等等。在得到第一用户的画像类信息的情况下，可以通过滑窗统计的方式分别对不同种类的画像类信息进行整合，进而得到画像类信息对应的特征集合，这里得到的特征集合可以视为第一用户的历史画像类用户特征。
针对历史用户行为特征，具体操作如下：
获取所述第一用户的历史行为数据，所述行为数据中包含远程调用行为数据、操作行为数据、事件数据中的至少一种或者多种；针对获取到的每一种所述行为数据，统计所述第一用户在设定时间内产生的该种所述行为数据对应的属性值；将得到的每一种所述行为数据对应的属性值进行整合，得到所述第一用户的历史用户特征。
具体地，可以向互联网服务平台对应的后台服务器发送信息获取请求，该信息获取请求中包含所述第一用户的用户标识，互联网服务平台对应的后台服务器基于第一用户的用户标识，查找与所述第一用户的用户标识对应的历史行为数据，并将查找到的历史行为数据反馈给风险控制系统。这里的历史行为数据可以理解为用户在互联网服务平台上执行各种操作所产生的数据，例如：用户的远程调用行为数据、操作行为数据、事件数据等等。在得到第一用户的历史行为数据的情况下，可以通过滑窗统计的方式分别对不同种类的行为数据进行整合，进而得到历史行为数据对应的特征集合，这里得到的特征集合可以视为第一用户的历史用户行为特征。
第二方面，确定第一用户的实时用户特征。这里的实时用户特征包含实时用户行为特征和实时业务场景特征。
针对实时业务场景特征，具体操作如下：
确定所述第一用户所发起业务的业务场景；获取所述第一用户在所述业务场景下产生的实时业务场景数据，所述实时业务场景数据包含业务准入数据、所述第一用户在所述业务场景下各个风控指标的水位数据和波动数据中的至少一种或者多种；针对获取到的每一种所述业务场景数据，分析该种所述业务场景数据的数据特征；将得到的每一种所述业务场景数据对应的数据特征进行整合，得到所述第一用户的实时用户特征。
具体地，首先，确定所述第一用户发起业务的业务标签，基于该业务标签，抽取所述第一用户在该业务场景下产生的实时业务场景数据，这里的业务场景数据表征当前整个实时业务场景各个风控指标的波动情况和业务整体准入情况。针对抽取到的实时业务场景数据，可以通过滑窗统计的方式对各个实时业务场景数据进行整合，得到该实时业务场景数据对应的特征集合，这里的特征集合可以视为第一用户的实时业务场景特征。
针对实时用户行为特征，具体操作如下：
获取所述第一用户在所述实时业务场景下产生的用户行为数据，所述用户行为数据包含所述第一用户的用户操作数据、所述第一用户在其他业务场景下的业务准入数据中的至少一种或者多种；针对获取到的每一种所述用户行为数据，统计所述第一用户在设定时间内产生的该种所述用户行为数据的数据特征；将得到的每一种所述用户行为数据对应的数据特征进行整合，得到所述第一用户的实时用户特征。
具体地，首先，确定所述第一用户发起业务的业务标签，基于该业务标签，抽取所述第一用户在该业务场景下产生的用户行为数据，这里的用户行为数据表征用户在风险控制调用时刻前产生的用户行为数据。例如：所述第一用户的用户操作数据、所述第一用户在其他业务场景下的业务准入数据等等。针对抽取到的用户行为数据，可以通过滑窗统计的方式对不同类型的用户行为数据进行整合，得到实时用户行为数据对应的特征集合，这里的特征集合可以视为第一用户的实时用户行为特征。
需要说明的是，本说明书实施例中记载的滑窗统计对应的设定时间可以根据实际需要确定，也可以根据不同业务场景分别设定，这里对于时间长短不做具体限定。本说明书实施例中记载的特征集合可以理解为特征矩阵，该特征矩阵以时间和属性值(或者特征数据)为例分别对应行列元素；还可以理解为基于获取到的属性值基于某种计算得到的结果，这里对于特征集合的具体形式不做具体限定。
步骤103：将所述用户特征输入至与所述实时业务场景对应的风控模型中，得到所述第一用户的风险评分。
其中，所述风控模型用于评估用户在一种业务场景下的风险大小。
在本说明书提供的实施例中，为了能够有效提升特定业务场景下的风控准确度，可以针对不同的业务场景，训练得到各业务场景对应的风控模型。下面以一种业务场景为例说明风控模型的训练过程。
首先，针对一种业务场景，分别提取不同用户在所述业务场景下产生的历史用户特征和实时用户特征。
需要说明的是，这里提取历史用户特征和实时用户特征的方式可以采用步骤101中记载的方式，这里不做赘述。
其次，基于所述不同用户的所述历史用户特征和所述实时用户特征，利用监督学习的方式，训练得到所述业务场景对应的风控模型。
在得到不同用户的历史用户特征和实时用户特征的情况下，将得到的历史用户特征和实时用户特征输入监督学习树模型(例如：Random Forest/GBDT/XGBoost)进行建模，通过监督学习训练得到各业务场景对应的风控模型。
步骤105：基于所述风险评分对所述第一用户进行风险控制。
在本说明书提供的实施例中，比较所述风险评分与设定的拦截阈值的大小；在所述风险评分大于所述设定的拦截阈值的情况下，对所述第一用户在所述实时业务场景下的用户行为进行风控拦截。
需要说明的是，本说明书实施例中记载的设定的拦截阈值可以在训练风控模型的时候根据拦截比例进行确定，也可以根据实际需要确定，这里对于拦截阈值的大小不做具体限定。
通过本说明书实施例提供的技术方案，确定第一用户的用户特征，所述用户特征包含历史用户特征和实时用户特征，所述实时用户特征包含实时用户行为特征和实时业务场景特征；将所述用户特征输入至与所述实时业务场景对应的风控模型中，得到所述第一用户的风险评分，所述风控模型用于评估用户在一种业务场景下的风险大小；基于所述风险评分对所述第一用户进行风险控制。这样在风险控制系统中引入实时用户特征，尤其是实时业务场景特征，能够有效地对短时高频的攻击行为进行防控，提高风险控制的的处理精度，降低互联网金融平台的风险。
基于同一个发明构思，图2为本说明书实施例提供的一种风险控制方法的流程示意图。所述方法可以如下所示。
第一部分：训练风控模型。
在本说明书实施例中，针对不同业务场景分别训练风控模型，这样能够有针对性地对不同业务场景下发生的异常情况进行风控拦截，有效提升风控拦截的精确度。
具体地，针对不同的业务场景，确定其中一种业务场景，分别提取不同用户在该种业务场景下产生的历史用户特征和实时用户特征。
基于提取的不同用户的所述历史用户特征和所述实时用户特征，利用监督学习的方式，训练得到该种业务场景对应的风控模型。
在得到不同用户的历史用户特征和实时用户特征的情况下，将得到的历史用户特征和实时用户特征输入监督学习树模型(例如：Random Forest/GBDT/XGBoost)进行建模，通过监督学习训练得到各业务场景对应的风控模型。
第二部分：对业务场景下发生的异常行为进行实时监控，并有效地对其进行风控拦截。
具体地，抽取用户的历史用户特征和实时用户特征，将抽取的实时用户特征和历史用户特征输入该业务场景对应的风控模型中，得到该用户在该业务场景下的风险评分，基于该风险评分判断该用户的风险大小，进而确定是否对其发起的行为进行风控拦截。
通过本说明书实施例记载的技术方案，在风险控制系统中引入实时用户特征，尤其是实时业务场景特征，能够有效地对短时高频的攻击行为进行防控，提高风险控制的的处理精度，降低互联网金融平台的风险。
基于同一个发明构思，图3为本说明书实施例提供的一种风险控制设备的结构示意图。所述风险控制设备包括：确定单元301、预测单元302和处理单元303，其中：
确定单元301，确定第一用户的用户特征，所述用户特征包含历史用户特征和实时用户特征，所述实时用户特征包含实时用户行为特征和实时业务场景特征；
预测单元302，将所述用户特征输入至与所述实时业务场景对应的风控模型中，得到所述第一用户的风险评分，所述风控模型用于评估用户在一种业务场景下的风险大小；
处理单元303，基于所述风险评分对所述第一用户进行风险控制。
在本说明书提供的另一个实施例中，所述风险控制设备还包括：训练单元304，其中：
所述训练单元304训练得到风控模型，包括：
针对一种业务场景，分别提取不同用户在所述业务场景下产生的历史用户特征和实时用户特征；
基于所述不同用户的所述历史用户特征和所述实时用户特征，利用监督学习的方式，训练得到所述业务场景对应的风控模型。
在本说明书提供的另一个实施例中，所述处理单元303基于所述风险评分对所述第一用户进行风险控制，包括：
比较所述风险评分与设定的拦截阈值的大小；
在所述风险评分大于所述设定的拦截阈值的情况下，对所述第一用户在所述实时业务场景下的用户行为进行风控拦截。
在本说明书提供的另一个实施例中，所述确定单元301确定第一用户的历史用户特征，包括：
获取所述第一用户的历史画像类信息，所述画像类信息包含资产信息、地理位置信息、人脉信息、历史日志信息中的至少一种或者多种；
针对获取到的每一种所述画像类信息，统计所述第一用户在设定时间内产生的该种所述画像类信息对应的属性值；
将得到的每一种所述画像类信息对应的属性值进行整合，得到所述第一用户的历史用户特征。
在本说明书提供的另一个实施例中，所述确定单元301确定第一用户的历史用户特征，包括：
获取所述第一用户的历史行为数据，所述行为数据中包含远程调用行为数据、操作行为数据、事件数据中的至少一种或者多种；
针对获取到的每一种所述行为数据，统计所述第一用户在设定时间内产生的该种所述行为数据对应的属性值；
将得到的每一种所述行为数据对应的属性值进行整合，得到所述第一用户的历史用户特征。
在本说明书提供的另一个实施例中，所述确定单元301确定第一用户的实时用户特征，包括：
确定所述第一用户所发起业务的业务场景；
获取所述第一用户在所述业务场景下产生的实时业务场景数据，所述实时业务场景数据包含业务准入数据、所述第一用户在所述业务场景下各个风控指标的水位数据和波动数据中的至少一种或者多种；
针对获取到的每一种所述业务场景数据，分析该种所述业务场景数据的数据特征；
将得到的每一种所述业务场景数据对应的数据特征进行整合，得到所述第一用户的实时用户特征。
在本说明书提供的另一个实施例中，所述确定单元301确定第一用户的实时用户特征，包括：
获取所述第一用户在所述实时业务场景下产生的用户行为数据，所述用户行为数据包含所述第一用户的用户操作数据、所述第一用户在其他业务场景下的业务准入数据中的至少一种或者多种；
针对获取到的每一种所述用户行为数据，统计所述第一用户在设定时间内产生的该种所述用户行为数据的数据特征；
将得到的每一种所述用户行为数据对应的数据特征进行整合，得到所述第一用户的实时用户特征。
需要说明的是，本说明书实施例提供的风险控制设备可以通过软件方式实现，也可以通过硬件方式实现，这里不做具体限定。该风险控制设备确定第一用户的用户特征，所述用户特征包含历史用户特征和实时用户特征，所述实时用户特征包含实时用户行为特征和实时业务场景特征；将所述用户特征输入至与所述实时业务场景对应的风控模型中，得到所述第一用户的风险评分，所述风控模型用于评估用户在一种业务场景下的风险大小；基于所述风险评分对所述第一用户进行风险控制。这样在风险控制系统中引入实时用户特征，尤其是实时业务场景特征，能够有效地对短时高频的攻击行为进行防控，提高风险控制的的处理精度，降低互联网金融平台的风险。
另外，结合上述实施例中的风险控制方法，本说明书实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种风险控制方法。
图4示出了本说明书实施例提供的风险控制设备的硬件结构示意图。
风险控制设备可以包括处理器401以及存储有计算机程序指令的存储器402。
具体地，上述处理器401可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本说明书实施例的一个或多个集成电路。
存储器402可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器402可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器402可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器402可在数据处理装置的内部或外部。在特定实施例中，存储器402是非易失性固态存储器。在特定实施例中，存储器402包括只读存储器(ROM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器401通过读取并执行存储器402中存储的计算机程序指令，以实现上述实施例中的任意一种风险控制方法。
在一个示例中，风险控制设备还可包括通信接口403和总线410。其中，如图4所示，处理器401、存储器402、通信接口403通过总线410连接并完成相互间的通信。
通信接口403，主要用于实现本说明书实施例中各模块、装置、单元和/或设备之间的通信。
总线410包括硬件、软件或两者，将信令数据处理设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线410可包括一个或多个总线。尽管本说明书实施例描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。
通过本说明书实施例提供的风险控制方法及装置，确定第一用户的用户特征，所述用户特征包含历史用户特征和实时用户特征，所述实时用户特征包含实时用户行为特征和实时业务场景特征；将所述用户特征输入至与所述实时业务场景对应的风控模型中，得到所述第一用户的风险评分，所述风控模型用于评估用户在一种业务场景下的风险大小；基于所述风险评分对所述第一用户进行风险控制。这样在风险控制系统中引入实时用户特征，尤其是实时业务场景特征，能够有效地对短时高频的攻击行为进行防控，提高风险控制的的处理精度，降低互联网金融平台的风险。
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)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、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说明书实施例的方法、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风险控制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风险控制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风险控制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风险控制设备上，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。
本说明书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，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的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书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的权利要求范围之内。
Claims (10)
1.一种风险控制方法，包括：
确定第一用户的用户特征，所述用户特征包含历史用户特征和实时用户特征，所述实时用户特征包含实时用户行为特征和实时业务场景特征；
将所述用户特征输入至与所述实时业务场景对应的风控模型中，得到所述第一用户的风险评分，所述风控模型用于评估用户在一种业务场景下的风险大小；
基于所述风险评分对所述第一用户进行风险控制。
2.根据权利要求1所述的风险控制方法，训练得到风控模型，包括：
针对一种业务场景，分别提取不同用户在所述业务场景下产生的历史用户特征和实时用户特征；
基于所述不同用户的所述历史用户特征和所述实时用户特征，利用监督学习的方式，训练得到所述业务场景对应的风控模型。
3.根据权利要求1所述的风险控制方法，基于所述风险评分对所述第一用户进行风险控制，包括：
比较所述风险评分与设定的拦截阈值的大小；
在所述风险评分大于所述设定的拦截阈值的情况下，对所述第一用户在所述实时业务场景下的用户行为进行风控拦截。
4.根据权利要求1所述的风险控制方法，确定第一用户的历史用户特征，包括：
获取所述第一用户的历史画像类信息，所述画像类信息包含资产信息、地理位置信息、人脉信息、历史日志信息中的至少一种或者多种；
针对获取到的每一种所述画像类信息，统计所述第一用户在设定时间内产生的该种所述画像类信息对应的属性值；
将得到的每一种所述画像类信息对应的属性值进行整合，得到所述第一用户的历史用户特征。
5.根据权利要求1或4所述的风险控制方法，确定第一用户的历史用户特征，包括：
获取所述第一用户的历史行为数据，所述行为数据中包含远程调用行为数据、操作行为数据、事件数据中的至少一种或者多种；
针对获取到的每一种所述行为数据，统计所述第一用户在设定时间内产生的该种所述行为数据对应的属性值；
将得到的每一种所述行为数据对应的属性值进行整合，得到所述第一用户的历史用户特征。
6.根据权利要求1所述的风险控制方法，确定第一用户的实时用户特征，包括：
确定所述第一用户所发起业务的业务场景；
获取所述第一用户在所述业务场景下产生的实时业务场景数据，所述实时业务场景数据包含业务准入数据、所述第一用户在所述业务场景下各个风控指标的水位数据和波动数据中的至少一种或者多种；
针对获取到的每一种所述业务场景数据，分析该种所述业务场景数据的数据特征；
将得到的每一种所述业务场景数据对应的数据特征进行整合，得到所述第一用户的实时用户特征。
7.根据权利要求1或6所述的风险控制方法，确定第一用户的实时用户特征，包括：
获取所述第一用户在所述实时业务场景下产生的用户行为数据，所述用户行为数据包含所述第一用户的用户操作数据、所述第一用户在其他业务场景下的业务准入数据中的至少一种或者多种；
针对获取到的每一种所述用户行为数据，统计所述第一用户在设定时间内产生的该种所述用户行为数据的数据特征；
将得到的每一种所述用户行为数据对应的数据特征进行整合，得到所述第一用户的实时用户特征。
8.一种风险控制设备，所述风险控制设备包括：
确定单元，确定第一用户的用户特征，所述用户特征包含历史用户特征和实时用户特征，所述实时用户特征包含实时用户行为特征和实时业务场景特征；
预测单元，将所述用户特征输入至与所述实时业务场景对应的风控模型中，得到所述第一用户的风险评分，所述风控模型用于评估用户在一种业务场景下的风险大小；
处理单元，基于所述风险评分对所述第一用户进行风险控制。
9.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，当所述计算机程序指令被处理器执行时实现如权利要求1至7中任一项所述的方法。
10.一种数据处理装置，其特征在于，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910782829.4A CN110599004A (zh) | 2019-08-23 | 2019-08-23 | 一种风险控制方法、设备、介质以及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910782829.4A CN110599004A (zh) | 2019-08-23 | 2019-08-23 | 一种风险控制方法、设备、介质以及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110599004A true CN110599004A (zh) | 2019-12-20 |
Family
ID=68855459
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910782829.4A Pending CN110599004A (zh) | 2019-08-23 | 2019-08-23 | 一种风险控制方法、设备、介质以及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110599004A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111144744A (zh) * | 2019-12-26 | 2020-05-12 | 支付宝(杭州)信息技术有限公司 | 业务处理方法、装置及电子设备 |
| CN111507829A (zh) * | 2020-04-22 | 2020-08-07 | 广州东百信息科技有限公司 | 境外信用卡风控模型迭代方法、装置、设备以及存储介质 |
| CN112364373A (zh) * | 2020-11-03 | 2021-02-12 | 中国银联股份有限公司 | 数据处理方法、装置、设备及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108280590A (zh) * | 2018-02-09 | 2018-07-13 | 青海电研科技有限责任公司 | 光伏电站在线评估预警系统及方法 |
| CN109063920A (zh) * | 2018-08-20 | 2018-12-21 | 阿里巴巴集团控股有限公司 | 一种交易风险识别方法、装置、及计算机设备 |
| CN109165940A (zh) * | 2018-06-28 | 2019-01-08 | 阿里巴巴集团控股有限公司 | 一种防盗方法、装置及电子设备 |
| CN110059984A (zh) * | 2019-04-30 | 2019-07-26 | 深信服科技股份有限公司 | 安全风险识别方法、装置、设备及存储介质 |
| CN110119870A (zh) * | 2019-03-20 | 2019-08-13 | 平安直通咨询有限公司上海分公司 | 宏观风险预警方法、装置、计算机设备和存储介质 |
-
2019
- 2019-08-23 CN CN201910782829.4A patent/CN110599004A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108280590A (zh) * | 2018-02-09 | 2018-07-13 | 青海电研科技有限责任公司 | 光伏电站在线评估预警系统及方法 |
| CN109165940A (zh) * | 2018-06-28 | 2019-01-08 | 阿里巴巴集团控股有限公司 | 一种防盗方法、装置及电子设备 |
| CN109063920A (zh) * | 2018-08-20 | 2018-12-21 | 阿里巴巴集团控股有限公司 | 一种交易风险识别方法、装置、及计算机设备 |
| CN110119870A (zh) * | 2019-03-20 | 2019-08-13 | 平安直通咨询有限公司上海分公司 | 宏观风险预警方法、装置、计算机设备和存储介质 |
| CN110059984A (zh) * | 2019-04-30 | 2019-07-26 | 深信服科技股份有限公司 | 安全风险识别方法、装置、设备及存储介质 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111144744A (zh) * | 2019-12-26 | 2020-05-12 | 支付宝(杭州)信息技术有限公司 | 业务处理方法、装置及电子设备 |
| CN111144744B (zh) * | 2019-12-26 | 2022-06-24 | 支付宝(杭州)信息技术有限公司 | 业务处理方法、装置及电子设备 |
| CN111507829A (zh) * | 2020-04-22 | 2020-08-07 | 广州东百信息科技有限公司 | 境外信用卡风控模型迭代方法、装置、设备以及存储介质 |
| CN112364373A (zh) * | 2020-11-03 | 2021-02-12 | 中国银联股份有限公司 | 数据处理方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108460523B (zh) | 一种风控规则生成方法和装置 | |
| CN109544166B (zh) | 一种风险识别方法和装置 | |
| CN108665143B (zh) | 风控模型的评估方法及装置 | |
| CN110032698B (zh) | 信息显示方法和装置、信息处理方法和装置 | |
| CN107423883B (zh) | 待处理业务的风险识别方法及装置、电子设备 | |
| CN109561052B (zh) | 网站异常流量的检测方法及装置 | |
| CN110599004A (zh) | 一种风险控制方法、设备、介质以及装置 | |
| CN108243032B (zh) | 一种服务等级信息的获取方法、装置及设备 | |
| CN110895503B (zh) | 一种应用的性能监控方法及客户端 | |
| CN106033574B (zh) | 一种作弊行为的识别方法及装置 | |
| CN115203394A (zh) | 一种模型训练的方法、业务执行的方法及装置 | |
| CN109726821B (zh) | 数据均衡方法、装置、计算机可读存储介质及电子设备 | |
| CN111324533A (zh) | A/b测试方法、装置及电子设备 | |
| CN110635962A (zh) | 用于分布式系统的异常分析方法及装置 | |
| CN114943307A (zh) | 一种模型训练的方法、装置、存储介质以及电子设备 | |
| CN113328994A (zh) | 一种恶意域名处理方法、装置、设备及机器可读存储介质 | |
| CN115545002A (zh) | 一种模型训练和业务处理的方法、装置、存储介质及设备 | |
| CN115759122A (zh) | 一种意图识别方法、装置、设备及可读存储介质 | |
| CN115618964A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
| CN110033092B (zh) | 数据标签生成、模型训练、事件识别方法和装置 | |
| US11334908B2 (en) | Advertisement detection method, advertisement detection apparatus, and storage medium | |
| CN111159169B (zh) | 数据治理方法及设备 | |
| CN109039695B (zh) | 业务故障处理方法、装置及设备 | |
| CN106933323B (zh) | 一种优化应用程序耗电的方法、装置及电子设备 | |
| CN111582565A (zh) | 数据融合方法、装置和电子设备 |
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: 20200928 Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Applicant after: Innovative advanced technology Co.,Ltd. Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Applicant before: Advanced innovation technology Co.,Ltd. Effective date of registration: 20200928 Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman 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. |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191220 |