CN110990810A - 一种用户操作数据处理方法、装置、设备及存储介质 - Google Patents
一种用户操作数据处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110990810A CN110990810A CN201911194167.5A CN201911194167A CN110990810A CN 110990810 A CN110990810 A CN 110990810A CN 201911194167 A CN201911194167 A CN 201911194167A CN 110990810 A CN110990810 A CN 110990810A
- Authority
- CN
- China
- Prior art keywords
- user operation
- user
- abnormal
- data
- identification model
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/316—User authentication by observing the pattern of computer usage, e.g. typical user behaviour
Abstract
本发明实施例公开了一种用户操作数据处理方法、装置、设备及存储介质。该方法包括:获取用户操作的客户数据特征,以及用户操作行为特征;基于用户操作识别模型,根据所述客户数据特征和所述用户操作行为特征,确定用户操作是否异常;其中,所述用户操作识别模型根据历史异常操作关联的客户数据特征和用户操作行为特征训练得到。通过运行本发明实施例所提供的技术方案,可以解决用户操作数据处理效率低,无法准确识别用户操作的合规性问题,以实现提高对用户操作数据的处理效率和准确率的效果。
Description
技术领域
本发明实施例涉及计算机技术,尤其涉及一种用户操作数据处理方法、装置、设备及存储介质。
背景技术
随着计算机技术的发展,各类应用系统对客户信息的采集越来越全面,提高了业务办理的效率。但随之而来的是一些相关人员利用职务之便,从系统中获取客户信息,不合规甚至是非法使用,给单位和客户带来严重的损害。
现有技术中,往往采用对用户操作进行授权、复核或是对客户进行介质识别等技术,判断用户操作是否合规。但是以上技术往往都针对单次操作,对不同的用户操作需要分别制定处理规则,导致用户操作数据处理效率低。并且当用户操作比较复杂时,可能无法准确识别用户操作的合规性。
发明内容
本发明实施例提供一种用户操作数据处理方法、装置、设备及存储介质,可以实现提高对用户操作数据的处理效率和准确率的效果。
第一方面,本发明实施例提供了一种用户操作数据处理方法,该方法包括:
获取用户操作的客户数据特征,以及用户操作行为特征;
基于用户操作识别模型,根据所述客户数据特征和所述用户操作行为特征,确定用户操作是否异常;
其中,所述用户操作识别模型根据历史异常操作关联的客户数据特征和用户操作行为特征训练得到。
第二方面,本发明实施例还提供了一种用户操作数据处理装置,该装置包括:
特征获取模块,用于获取用户操作的客户数据特征,以及用户操作行为特征;
操作异常确定模块,用于基于用户操作识别模型,根据所述客户数据特征和所述用户操作行为特征,确定用户操作是否异常;
其中,所述用户操作识别模型根据历史异常操作关联的客户数据特征和用户操作行为特征训练得到。
第三方面,本发明实施例还提供了一种设备,所述设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上所述的用户操作数据处理方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上所述的用户操作数据处理方法。
本发明实施例通过根据历史异常操作关联的客户数据特征和用户操作行为特征训练得到用户操作识别模型;基于用户操作识别模型,根据用户操作的客户数据特征和用户操作行为特征,确定用户操作是否异常。可以解决用户操作数据处理效率低,无法准确识别用户操作的合规性的问题,以实现提高对用户操作数据的处理效率和准确率的效果。
附图说明
图1为本发明实施例一提供的一种用户操作数据处理方法的流程图;
图2为本发明实施例二提供的一种用户操作数据处理方法的流程图;
图3为本发明实施例三所提供的一种用户操作数据处理装置的结构示意图;
图4为本发明实施例四提供的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种用户操作数据处理方法的流程图,本实施例可适用于确定用户操作是否异常的情况,该方法可以由本发明实施例所提供的用户操作数据处理装置来执行,该装置可以由软件和/或硬件的方式实现。参见图1,本实施例提供的用户操作数据处理方法,包括:
S110、获取用户操作的客户数据特征,以及用户操作行为特征。
其中,客户数据特征为被操作的客户数据中包含的各种信息,用户操作行为特征为用户在对客户数据进行操作时的行为属性,客户数据是指客户通过业务系统执行业务的记录数据,操作可以包括查询、修改等,本实施例对此并不进行任何限制。可以通过对用户的操作和客户数据预先进行分类,当用户产生操作时,对应预先的分类,获取用户操作中包含的用户操作行为特征以及客户数据中包含的具体信息。
可选的,所述客户数据特征包括如下至少一项:客户的基本信息、联系信息、关系信息和评价信息;所述用户操作行为特征包括如下至少一项:用户的操作时间、操作频率、用户属性以及授权状态。
其中,客户的数据特征中,客户的基本信息包括但不限于:客户的姓名、身份证号、年龄、国籍等;联系信息包括但不限于:客户的家庭地址、联系电话等;关系信息包括但不限于:对私客户之间的关系、对公客户之间的关系、对私客户和对公客户之间的关系等;评价信息包括但不限于:客户在系统内部被评定的等级、是否为黑名单客户等等。
在用户操作行为特征中,用户的操作时间为用户在对客户数据进行操作时花费的时间,例如查询客户A的信息持续或累加超过了三小时;操作频率为用户在对客户数据进行操作时的频率,例如,在十分钟内查询了三次;用户属性为用户本身的等级或者权限,例如普通员工与部门负责人的等级和对应权限不同;授权状态为该次操作是否有授权这个步骤,例如在银行网点中,对于某次操作,柜员无操作权限,需要网点负责人进行授权,操作才能继续进行,则此时授权状态为有授权。
S120、基于用户操作识别模型,根据所述客户数据特征和所述用户操作行为特征,确定用户操作是否异常。
其中,所述用户操作识别模型根据历史异常操作关联的客户数据特征和用户操作行为特征训练得到。历史异常操作为已经发生过的,判定为异常操作的事件,历史异常操作关联的客户数据特征为历史异常操作中对应的客户数据的特征。例如,发生过柜员A针对客户A在一个小时内进行了十次查询,该次操作被判定为异常操作。对于用户操作识别模型来说,该次操作为历史异常操作,该次历史异常操作的客户数据特征可以为但不限于客户A的基本信息、联系信息、关系信息和评价信息。用户操作行为特征可以为但不限于柜员A的操作时间、操作频率、用户属性以及授权状态。
将用户操作输入用户操作识别模型,由用户操作识别模型对用户操作的客户数据特征和所述用户操作行为特征进行分析,与历史异常操作进行对比,从而确定用户操作是否异常。可选的,对用户操作异常程度进行分类,分程度采取告警、中断交易、锁定用户等操作。
本发明实施例通过根据历史异常操作关联的客户数据特征和用户操作行为特征训练得到用户操作识别模型;基于用户操作识别模型,根据用户操作的客户数据特征和用户操作行为特征,确定用户操作是否异常。可以解决用户操作数据处理效率低,无法准确识别用户操作的合规性的问题,以实现提高对用户操作数据的处理效率和准确率的效果。
在上述技术方案的基础上,可选的,若历史异常操作的数量小于数量阈值,则所述用户操作识别模型基于第一网络结构训练得到;
否则,所述用户操作识别模型基于第二网络结构训练得到;
其中,所述第一网络结构的隐藏层数量小于所述第二网络结构的隐藏层数量。
其中,数量阈值用于对历史异常操作的数量进行限定,若历史异常操作的数量过少,则相应提供的数据量也较少,则此时用户操作识别模型基于第一网络结构训练即可得到。第一网络结构可以为简单的机器学习模型,例如线性加权结构或简单的神经网络结构,本实施例对此并不进行任何限制。例如线性加权结构中为用户操作信息分配对应的权重。用户操作信息为用户操作的客户数据特征,以及用户操作行为特征结合起来的信息,例如查询客户的基本信息。对应的权重可以为查询基本信息权重对应0.1,查询联系信息权重对应0.5,查询关系信息权重对应0.3等。根据历史异常操作进行训练,获得用户操作信息对应的权重;当用户进行操作时,将所有此次的用户操作信息乘以权重并线性相加,获取最终的用户操作的异常程度,从而确定用户操作是否异常。
若历史异常操作的数量大于等于数量阈值,由于数据量大,此时用户操作识别模型基于第二网络结构训练得到,其中第二网络结构可以为复杂的机器学习模型,例如多层卷积神经网络。隐藏层为网络结构中隐藏的计算步骤,例如当第一网络结构为简单的卷积神经网络,第二网络结构为复杂的卷积神经网络时,隐藏层为卷积层、池化层、全连接层等。简单的卷积神经网络比复杂的卷积神经网络隐藏层要少,即第一网络结构的隐藏层数量小于第二网络结构的隐藏层数量。
本实施例在上述实施例的基础上,通过对历史异常操作的数量设置数量阈值,来确定用户操作识别模型,提高对现有数据的利用率以及对用户操作数据的处理效率。
实施例二
图2为本发明实施例二提供的一种用户操作数据处理方法的流程图。本技术方案是针对确定用户操作是否异常的过程进行补充说明的。与上述方案相比,本方案具体优化为,基于用户操作识别模型,根据所述数据特征和所述用户操作行为特征,确定用户操作是否异常之前,还包括:
获取用户所处的业务场景;
将所述业务场景,与候选操作识别模型关联的候选业务场景进行匹配,以得到所述用户操作识别模型。
具体的,用户操作数据处理方法流程图如图2所示:
S210、获取用户操作的客户数据特征,以及用户操作行为特征。
S220、获取用户所处的业务场景。
从用户操作客户数据时的状态获取用户所处的业务场景。其中,业务场景为用户操作的客户业务的种类,例如对公业务、信用卡业务、现金业务、地域性业务等。不同业务场景中场景异常操作的特点可能不同,例如在对公业务中,由于金额数目较大,用户可能会对交易额进行篡改。在信用卡业务中,可能存在信息频繁查询等异常操作。
S230、将所述业务场景,与候选操作识别模型关联的候选业务场景进行匹配,以得到所述用户操作识别模型。
其中,操作识别模型可以关联不同的业务场景,针对不同的业务场景,处理用户操作数据有不同的规则。将用户所处的业务场景与候选业务场景进行匹配,匹配成功时,候选操作识别模型及其被匹配成功的业务场景共同构成用户操作识别模型。
S240、基于用户操作识别模型,根据所述客户数据特征和所述用户操作行为特征,确定用户操作是否异常。
本实施例在上述实施例的基础上,通过对用户所处的业务场景进行分类,来确定用户操作识别模型,提高对用户操作数据的处理准确率。
在上述技术方案的基础上,可选的,基于用户操作识别模型,根据所述客户数据特征和所述用户操作行为特征,确定用户操作是否异常之后,还包括:
若确定用户操作存在异常,则获取用户在校验时间窗口的交易数据;
根据所述交易数据,对异常的用户操作进行校验。
其中,校验时间窗口为当确定用户操作存在异常后,对用户接下来的操作的数据进行校验,获取校验时间内用户的交易数据,可以针对不同业务场景设置不同的校验时间。根据交易数据,对用户操作进行校验,例如当在信用卡业务中,被判断为存在信息频繁查询等异常操作,则获取用户在接下来三小时内的交易数据,根据交易数据,校验是否有盗刷等实际违规违法操作。
本实施例在上述实施例的基础上,通过获取异常操作用户在校验时间窗口的交易数据并进行校验,提高对用户操作数据的处理准确率。
实施例三
图3为本发明实施例三所提供的一种用户操作数据处理装置的结构示意图。该装置可以由硬件和/或软件的方式来实现,可执行本发明任意实施例所提供的一种用户操作数据处理方法,具备执行方法相应的功能模块和有益效果。如图3所示,该装置包括:
特征获取模块310,用于获取用户操作的客户数据特征,以及用户操作行为特征。
操作异常确定模块320,用于基于用户操作识别模型,根据所述客户数据特征和所述用户操作行为特征,确定用户操作是否异常。
其中,所述用户操作识别模型根据历史异常操作关联的客户数据特征和用户操作行为特征训练得到。
本发明实施例通过根据历史异常操作关联的客户数据特征和用户操作行为特征训练得到用户操作识别模型;基于用户操作识别模型,根据用户操作的客户数据特征和用户操作行为特征,确定用户操作是否异常。可以解决用户操作数据处理效率低,无法准确识别用户操作的合规性的问题,以实现提高对用户操作数据的处理效率和准确率的效果。
在上述各技术方案的基础上,可选的,所述装置还包括:
业务场景获取模块,用于所述操作异常确定模块之前,获取用户所处的业务场景;
识别模型获取模块,用于将所述业务场景,与候选操作识别模型关联的候选业务场景进行匹配,以得到所述用户操作识别模型。
在上述各技术方案的基础上,可选的,所述客户数据特征包括如下至少一项:客户的基本信息、联系信息、关系信息和评价信息;所述用户操作行为特征包括如下至少一项:用户的操作时间、操作频率、用户属性以及授权状态。
在上述各技术方案的基础上,可选的,所述装置还包括:
交易数据获取模块,用于所述操作异常确定模块之后,若确定用户操作存在异常,则获取用户在校验时间窗口的交易数据;
操作校验模块,用于根据所述交易数据,对异常的用户操作进行校验。
在上述各技术方案的基础上,可选的,若历史异常操作的数量小于数量阈值,则所述用户操作识别模型基于第一网络结构训练得到;
否则,所述用户操作识别模型基于第二网络结构训练得到;
其中,所述第一网络结构的隐藏层数量小于所述第二网络结构的隐藏层数量。
实施例四
图4为本发明实施例四提供的一种设备的结构示意图,如图4所示,该设备包括处理器40、存储器41、输入装置42和输出装置43;设备中处理器40的数量可以是一个或多个,图4中以一个处理器40为例;设备中的处理器40、存储器41、输入装置42和输出装置43可以通过总线或其他方式连接,图4中以通过总线连接为例。
存储器41作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的用户操作数据处理方法对应的程序指令/模块。处理器40通过运行存储在存储器41中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的用户操作数据处理方法。
存储器41可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器41可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器41可进一步包括相对于处理器40远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种用户操作数据处理方法,该方法包括:
获取用户操作的客户数据特征,以及用户操作行为特征;
基于用户操作识别模型,根据所述客户数据特征和所述用户操作行为特征,确定用户操作是否异常;
其中,所述用户操作识别模型根据历史异常操作关联的客户数据特征和用户操作行为特征训练得到。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的用户操作数据处理方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,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)执行本发明各个实施例所述的方法。
值得注意的是,上述搜索装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种用户操作数据处理方法,其特征在于,包括:
获取用户操作的客户数据特征,以及用户操作行为特征;
基于用户操作识别模型,根据所述客户数据特征和所述用户操作行为特征,确定用户操作是否异常;
其中,所述用户操作识别模型根据历史异常操作关联的客户数据特征和用户操作行为特征训练得到。
2.根据权利要求1所述的方法,其特征在于,基于用户操作识别模型,根据所述数据特征和所述用户操作行为特征,确定用户操作是否异常之前,还包括:
获取用户所处的业务场景;
将所述业务场景,与候选操作识别模型关联的候选业务场景进行匹配,以得到所述用户操作识别模型。
3.根据权利要求1所述的方法,其特征在于,所述客户数据特征包括如下至少一项:客户的基本信息、联系信息、关系信息和评价信息;所述用户操作行为特征包括如下至少一项:用户的操作时间、操作频率、用户属性以及授权状态。
4.根据权利要求1所述的方法,其特征在于,基于用户操作识别模型,根据所述客户数据特征和所述用户操作行为特征,确定用户操作是否异常之后,还包括:
若确定用户操作存在异常,则获取用户在校验时间窗口的交易数据;
根据所述交易数据,对异常的用户操作进行校验。
5.根据权利要求1所述的方法,其特征在于,
若历史异常操作的数量小于数量阈值,则所述用户操作识别模型基于第一网络结构训练得到;
否则,所述用户操作识别模型基于第二网络结构训练得到;
其中,所述第一网络结构的隐藏层数量小于所述第二网络结构的隐藏层数量。
6.一种用户操作数据处理装置,其特征在于,包括:
特征获取模块,用于获取用户操作的客户数据特征,以及用户操作行为特征;
操作异常确定模块,用于基于用户操作识别模型,根据所述客户数据特征和所述用户操作行为特征,确定用户操作是否异常;
其中,所述用户操作识别模型根据历史异常操作关联的客户数据特征和用户操作行为特征训练得到。
7.根据权利要求6所述的设置,其特征在于,还包括:
业务场景获取模块,用于所述操作异常确定模块之前,获取用户所处的业务场景;
识别模型获取模块,用于将所述业务场景,与候选操作识别模型关联的候选业务场景进行匹配,以得到所述用户操作识别模型。
8.根据权利要求6所述的设置,其特征在于,还包括:
交易数据获取模块,用于所述操作异常确定模块之后,若确定用户操作存在异常,则获取用户在校验时间窗口的交易数据;
操作校验模块,用于根据所述交易数据,对异常的用户操作进行校验。
9.一种设备,其特征在于,所述设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的用户操作数据处理方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5中任一所述的用户操作数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911194167.5A CN110990810B (zh) | 2019-11-28 | 2019-11-28 | 一种用户操作数据处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911194167.5A CN110990810B (zh) | 2019-11-28 | 2019-11-28 | 一种用户操作数据处理方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110990810A true CN110990810A (zh) | 2020-04-10 |
CN110990810B CN110990810B (zh) | 2022-06-28 |
Family
ID=70087866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911194167.5A Active CN110990810B (zh) | 2019-11-28 | 2019-11-28 | 一种用户操作数据处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110990810B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112069046A (zh) * | 2020-08-28 | 2020-12-11 | 平安科技(深圳)有限公司 | 数据泄露提醒方法、装置、设备及计算机可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140283067A1 (en) * | 2013-03-15 | 2014-09-18 | Shape Security Inc. | Detecting the introduction of alien content |
CN108550052A (zh) * | 2018-04-03 | 2018-09-18 | 杭州呯嘭智能技术有限公司 | 基于用户行为数据特征的刷单检测方法及系统 |
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 |
CN109300028A (zh) * | 2018-09-11 | 2019-02-01 | 上海天旦网络科技发展有限公司 | 基于网络数据的实时反欺诈方法和系统及存储介质 |
CN109410036A (zh) * | 2018-10-09 | 2019-03-01 | 北京芯盾时代科技有限公司 | 一种欺诈检测模型训练方法和装置及欺诈检测方法和装置 |
CN109861953A (zh) * | 2018-05-14 | 2019-06-07 | 新华三信息安全技术有限公司 | 一种异常用户识别方法及装置 |
CN110311902A (zh) * | 2019-06-21 | 2019-10-08 | 北京奇艺世纪科技有限公司 | 一种异常行为的识别方法、装置及电子设备 |
-
2019
- 2019-11-28 CN CN201911194167.5A patent/CN110990810B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140283067A1 (en) * | 2013-03-15 | 2014-09-18 | Shape Security Inc. | Detecting the introduction of alien content |
CN108550052A (zh) * | 2018-04-03 | 2018-09-18 | 杭州呯嘭智能技术有限公司 | 基于用户行为数据特征的刷单检测方法及系统 |
CN109861953A (zh) * | 2018-05-14 | 2019-06-07 | 新华三信息安全技术有限公司 | 一种异常用户识别方法及装置 |
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 |
CN109300028A (zh) * | 2018-09-11 | 2019-02-01 | 上海天旦网络科技发展有限公司 | 基于网络数据的实时反欺诈方法和系统及存储介质 |
CN109410036A (zh) * | 2018-10-09 | 2019-03-01 | 北京芯盾时代科技有限公司 | 一种欺诈检测模型训练方法和装置及欺诈检测方法和装置 |
CN110311902A (zh) * | 2019-06-21 | 2019-10-08 | 北京奇艺世纪科技有限公司 | 一种异常行为的识别方法、装置及电子设备 |
Non-Patent Citations (1)
Title |
---|
陈秀清 等: "互联网证券业务的风险控制研究", 《创新与发展:中国证券业2017年论文集》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112069046A (zh) * | 2020-08-28 | 2020-12-11 | 平安科技(深圳)有限公司 | 数据泄露提醒方法、装置、设备及计算机可读存储介质 |
CN112069046B (zh) * | 2020-08-28 | 2022-03-29 | 平安科技(深圳)有限公司 | 数据泄露提醒方法、装置、设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110990810B (zh) | 2022-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105590055B (zh) | 用于在网络交互系统中识别用户可信行为的方法及装置 | |
CN108053318B (zh) | 一种对异常交易进行识别的方法及装置 | |
CN110602029B (zh) | 一种用于识别网络攻击的方法和系统 | |
CA2990101A1 (en) | Systems and methods for detecting resources responsible for events | |
EP3549050B1 (en) | Method and computer product and methods for generation and selection of access rules | |
CN111614690A (zh) | 一种异常行为检测方法及装置 | |
CN113132311B (zh) | 异常访问检测方法、装置和设备 | |
CN113949577A (zh) | 一种应用于云服务的数据攻击分析方法及服务器 | |
CN112003846B (zh) | 一种信用阈值的训练、ip地址的检测方法及相关装置 | |
CN105656867A (zh) | 盗窃账号事件的监控方法及装置 | |
CN112839014A (zh) | 建立识别异常访问者模型的方法、系统、设备及介质 | |
CN112819611A (zh) | 欺诈识别方法、装置、电子设备和计算机可读存储介质 | |
CN111125118B (zh) | 关联数据查询方法、装置、设备及介质 | |
US11412063B2 (en) | Method and apparatus for setting mobile device identifier | |
CN112749973A (zh) | 一种权限管理方法、装置和计算机可读存储介质 | |
US10013694B1 (en) | Open data collection for threat intelligence posture assessment | |
CN109242658B (zh) | 可疑交易报告生成方法、系统、计算机设备和存储介质 | |
CN110990810B (zh) | 一种用户操作数据处理方法、装置、设备及存储介质 | |
US11539730B2 (en) | Method, device, and computer program product for abnormality detection | |
CN114841705B (zh) | 一种基于场景识别的反欺诈监测方法 | |
CN115409424A (zh) | 一种基于平台业务场景的风险确定方法及装置 | |
CN111800409A (zh) | 接口攻击检测方法及装置 | |
US20220398588A1 (en) | Identifying an unauthorized data processing transaction | |
CN115809466B (zh) | 基于stride模型的安全需求生成方法、装置、电子设备及介质 | |
CN113723522B (zh) | 异常用户的识别方法、装置、电子设备以及存储介质 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220926 Address after: 25 Financial Street, Xicheng District, Beijing 100033 Patentee after: CHINA CONSTRUCTION BANK Corp. Address before: 25 Financial Street, Xicheng District, Beijing 100033 Patentee before: CHINA CONSTRUCTION BANK Corp. Patentee before: Jianxin Financial Science and Technology Co.,Ltd. |