CN111126797B - 私有数据保护的业务风险控制方法、装置、平台及系统 - Google Patents
私有数据保护的业务风险控制方法、装置、平台及系统 Download PDFInfo
- Publication number
- CN111126797B CN111126797B CN201911249510.1A CN201911249510A CN111126797B CN 111126797 B CN111126797 B CN 111126797B CN 201911249510 A CN201911249510 A CN 201911249510A CN 111126797 B CN111126797 B CN 111126797B
- Authority
- CN
- China
- Prior art keywords
- risk
- computing platform
- service provider
- service
- target
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Bioethics (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer And Data Communications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例提供一种私有数据保护的业务风险控制方法、装置、平台及系统。方法包括:业务提供方基于安全多方计算协议,将属于私有数据的风险特征集合发送至集中计算平台。所述集中计算平台至少基于所述集中计算平台和所述业务提供方的风险特征集合,对风控模型进行训练。所述业务提供方向所述集中计算平台发送风险识别请求,所述风险识别请求携带有目标业务对象的风险特征。所述集中计算平台将所述目标业务对象的风险特征输入至所述风控模型,以将所述风控模型确定的所述目标业务对象的风险识别结果发送至所述业务提供方;所述业务提供方对所述目标业务对象执行与所述风险识别结果相匹配的业务风险控制决策。
Description
技术领域
本文件涉及数据处理技术领域,尤其涉及一种私有数据保护的业务风险控制方法、装置、平台及系统。
背景技术
随着人工智能的发展,风控模型凭借机械化的风险识别能力,被越来越多的机构重视。目前,风控模型的普及还存在较多的限制,其中一部分原因是风险特征数据的分布存在严重倾斜,再加上这类数据敏感性较强,机构之间不方便彼此共享,导致“数据孤岛”的形成。在数据割裂的现况下,很多机构没有条件构建风控模型而导致风险决策能力受限。
有鉴于此,如何在保证机构私有数据隐私的前提下,通过机构联合建模实现风险防控,是当前亟需解决的技术问题。
发明内容
本说明书实施例目的是提供一种私有数据保护的业务风险控制方法及相关硬件,能够在保证机构私有数据隐私的前提下,通过机构联合建模实现风险防控。
为了实现上述目的,本说明书实施例是这样实现的:
第一方面,提供一种私有数据保护的业务风险控制方法,包括:
业务提供方基于安全多方计算协议,将属于私有数据的风险特征集合发送至集中计算平台;
所述集中计算平台至少基于所述集中计算平台和所述业务提供方的风险特征集合,对风控模型进行训练;
所述业务提供方向所述集中计算平台发送风险识别请求,所述风险识别请求携带有目标业务对象的风险特征;
所述集中计算平台将所述目标业务对象的风险特征输入至所述风控模型,以将所述风控模型确定的所述目标业务对象的风险识别结果发送至所述业务提供方;
所述业务提供方对所述目标业务对象执行与所述风险识别结果相匹配的业务风险控制决策。
第二方面,提供一种私有数据保护的业务风险控制方法,包括:
业务提供方基于安全多方计算协议,将属于私有数据的风险特征集合发送至集中计算平台,使得所述集中计算平台至少基于所述集中计算平台和所述业务提供方的风险特征集合,对风控模型进行训练;
所述业务提供方向所述集中计算平台发送携带有目标业务对象的风险特征的风险识别请求,使得将所述目标业务对象的风险特征输入至所述风控模型,得到所述目标业务对象的风险识别结果;
所述业务提供方接收所述集中计算平台发送的所述目标业务对象的风险识别结果;
所述业务提供方对所述目标业务对象执行与所述风险识别结果相匹配的业务风险控制决策。
第三方面,提供一种私有数据保护的业务风险控制方法,包括:
集中计算平台接收业务提供方基于安全多方计算协议发送的风险特征集合,其中,所述业务提供方发送的风险特征集合属于所述业务提供方的私有数据;
所述集中计算平台至少基于所述集中计算平台和所述业务提供方的风险特征集合,对风控模型进行训练;
所述集中计算平台接收所述业务提供方发送的风险识别请求,所述风险识别请求携带有目标业务对象的风险特征;
所述集中计算平台将所述目标业务对象的风险特征输入至所述风控模型,得到所述目标业务对象的风险识别结果;
所述集中计算平台将所述目标业务对象的风险识别结果发送至所述业务提供方,使得所述业务提供方对所述目标业务对象执行与所述风险识别结果相匹配的业务风险控制决策。
第四方面,提供一种业务提供方装置,包括:
发送模块,基于安全多方计算协议,将属于私有数据的风险特征集合发送至集中计算平台,使得所述集中计算平台至少基于所述集中计算平台和所述业务提供方的风险特征集合,对风控模型进行训练;
请求模块,向所述集中计算平台发送携带有目标业务对象的风险特征的风险识别请求,使得将所述目标业务对象的风险特征输入至所述风控模型,得到所述目标业务对象的风险识别结果;
接收模块,接收所述集中计算平台发送的所述目标业务对象的风险识别结果;
决策模块,对所述目标业务对象执行与所述风险识别结果相匹配的业务风险控制决策。
第五方面,提供一种集中计算平台,包括:
第一接收模块,接收业务提供方基于安全多方计算协议发送的风险特征集合,其中,所述业务提供方发送的风险特征集合属于所述业务提供方的私有数据;
训练模块,至少基于所述集中计算平台和所述业务提供方的风险特征集合,对风控模型进行训练;
第二接收模块,接收所述业务提供方发送的风险识别请求,所述风险识别请求携带有目标业务对象的风险特征;
风险识别模块,将所述目标业务对象的风险特征输入至所述风控模型,得到所述目标业务对象的风险识别结果;
发送模块,将所述目标业务对象的风险识别结果发送至所述业务提供方,使得所述业务提供方对所述目标业务对象执行与所述风险识别结果相匹配的业务风险控制决策。
第六方面,提供一种业务风险控制系统,包括:集中计算平台和业务提供方,其中,
所述业务提供方基于安全多方计算协议,将属于私有数据的风险特征集合发送至集中计算平台,以及向所述集中计算平台发送携带有目标业务对象的风险特征的风险识别请求,以从所述集中计算平台获得所述目标业务对象的风险识别结果,进而对所述目标业务对象执行与所述风险识别结果相匹配的业务风险控制决策;
所述集中计算平台至少基于所述集中计算平台和所述业务提供方的风险特征集合,对风控模型进行训练,以及将接收到的所述风险识别请求中的所述目标业务对象的风险特征输入至所述风控模型,以将所述风控模型确定的所述目标业务对象的风险识别结果发送至所述业务提供方。
第七方面,提供一种电子设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行:
基于安全多方计算协议,将属于私有数据的风险特征集合发送至集中计算平台,使得所述集中计算平台至少基于所述集中计算平台和所述业务提供方的风险特征集合,对风控模型进行训练;
向所述集中计算平台发送携带有目标业务对象的风险特征的风险识别请求,使得将所述目标业务对象的风险特征输入至所述风控模型,得到所述目标业务对象的风险识别结果;
接收所述集中计算平台发送的所述目标业务对象的风险识别结果;
对所述目标业务对象执行与所述风险识别结果相匹配的业务风险控制决策。
第八方面,提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如下步骤:
基于安全多方计算协议,将属于私有数据的风险特征集合发送至集中计算平台,使得所述集中计算平台至少基于所述集中计算平台和所述业务提供方的风险特征集合,对风控模型进行训练;
向所述集中计算平台发送携带有目标业务对象的风险特征的风险识别请求,使得将所述目标业务对象的风险特征输入至所述风控模型,得到所述目标业务对象的风险识别结果;
接收所述集中计算平台发送的所述目标业务对象的风险识别结果;
对所述目标业务对象执行与所述风险识别结果相匹配的业务风险控制决策。
第九方面,提供一种电子设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行:
接收业务提供方基于安全多方计算协议发送的风险特征集合,其中,所述业务提供方发送的风险特征集合属于所述业务提供方的私有数据;
至少基于所述集中计算平台和所述业务提供方的风险特征集合,对风控模型进行训练;
接收所述业务提供方发送的风险识别请求,所述风险识别请求携带有目标业务对象的风险特征;
将所述目标业务对象的风险特征输入至所述风控模型,得到所述目标业务对象的风险识别结果;
将所述目标业务对象的风险识别结果发送至所述业务提供方,使得所述业务提供方对所述目标业务对象执行与所述风险识别结果相匹配的业务风险控制决策。
第十方面,提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如下步骤:
接收业务提供方基于安全多方计算协议发送的风险特征集合,其中,所述业务提供方发送的风险特征集合属于所述业务提供方的私有数据;
至少基于所述集中计算平台和所述业务提供方的风险特征集合,对风控模型进行训练;
接收所述业务提供方发送的风险识别请求,所述风险识别请求携带有目标业务对象的风险特征;
将所述目标业务对象的风险特征输入至所述风控模型,得到所述目标业务对象的风险识别结果;
将所述目标业务对象的风险识别结果发送至所述业务提供方,使得所述业务提供方对所述目标业务对象执行与所述风险识别结果相匹配的业务风险控制决策。
本说明书实施例的方案中,集中计算平台运营风控模型,以向参与合作的业务提供方提供风险识别服务,从而辅助业务提供方制定业务风险控制决策。同时,业务提供方可以基于安全多方计算协议,将私有数据的风险特征集合提供给集中计算平台,由集中计算平台结合自身海量的数据资源和强大的分析能力,对风控模型进行训练。在安全多方计算协议下,机构私有的风险特征不会被暴露,从而促进了与集中计算平台开展联合风控的意愿,实现互惠互利的技术效果。
附图说明
为了更清楚地说明本说明书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实施例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为本说明书实施例提供的私有数据保护的业务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私有数据保护的业务风险控制方法在的应用示意图。
图3为本说明书实施例提供的私有数据保护的业务风险控制方法在的另一应用示意图。
图4为本说明书实施例提供的业务提供方装置的结构示意图。
图5为本说明书实施例提供的集中计算平台的结构示意图。
图6为本说明书实施例提供的业务风险控制系统的结构示意图。
图7为本说明书实施例提供的电子设备的结构示意图。
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中的技术方案,下面将结合本说明书实施例中的附图,对本说明书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保护的范围。
如前所述,风控模型凭借其机械化的预测能力,被越来越多的机构重视。但是,目前风控模型的普及还存在较多限制,其中一部分原因是风险特征数据的分布存在严重倾斜,再加上这类数据敏感性较强,机构之间不方便彼此共享,导致“数据孤岛”的形成。在数据割裂的现况下,很多中小型机构没有条件构建风控模型而导致风险决策能力受限。
在此背景下,本文件旨在以保护机构私有风险特征为基础,提出一种机构间联合建模实现风险防控的技术方案。
图1是本说明书实施例私有数据保护的业务风险控制方法的流程图。图1所示的方法可以由下文相对应的装置、系统执行,包括:
步骤S102,业务提供方基于安全多方计算协议,将属于私有数据的风险特征集合发送至集中计算平台。
其中,这所述的业务提供方可以是指银行、独立软件开发商、商户等机构,具有收集样本用户的风险特征的能力。
应理解,在本说明书实施例中,集中计算平台可以从其他机构获取风险特征集合。在安全多方计算协议下,业务提供方的风险特征集合需要进行加密处理。如果业务提供方不希望将自己的风险特征集合暴露给其他机构,则其他机构无法业务提供方的风险特征集合进行解密。
当然,在实际应用中,业务提供方也可以和其他机构进一步细分合作关系。比如,业务提供方可以与其他机构约定形成一个合作小组共享批次的风险特征集合。在安全多方计算协议下,小组内的成员对象同一种加密方式对风险特征集合进行加密处理,同时小组外的其他成员对象无法对小组内的成员对象的风险特征集合进行解密。
步骤S104,集中计算平台至少基于集中计算平台和业务提供方的风险特征集合,对风控模型进行训练。
其中,集中计算平台具备强大的数据存储和分析能力,本身积累的大量的风险特征集合。在本步骤中,集中计算平台可以结合自身的风险特征集合、业务提供方的风险特征集合以及其他机构的风险特征集合,来对风控模型进行线上训练。
在实际应用中,业务提供方可以将本地的样本业务对象的风险分类标签和经安全多方计算的样本业务对象的风险特征集合发送至集中计算平台,集中计算平台以样本业务对象的风险特征集合作为风控模型的输入数据,以样本业务对象的风险分类标签作为风控模型的输出数据,对风控模型进行有监督训练。
在训练过程中,风控模型会输出针对样本业务对象的预测值,这个预测值与样本业务对象的风险分类标签表征的真实值可能存在误差。本步骤通过最大似然估计推导得到的损失函数计算出预测值与真实值的误差,并以降低误差为目的,对解释模中的风险特征的权重值进行调整,从而达到训练效果。
步骤S106,业务提供方向集中计算平台发送风险识别请求,风险识别请求携带有目标业务对象的风险特征。
应理解,这里所述的目标业务对象可以但不限于是业务提供方的用户。也就是说,业务提供方在提供服务时,如果需要对用户进行风险识别,可以将用户的风险特征提供给集中计算平台。
步骤S108,集中计算平台将目标业务对象的风险特征输入至风控模型,以将风控模型确定的目标业务对象的风险识别结果发送至业务提供方。
步骤S110,业务提供方对目标业务对象执行与风险识别结果相匹配的业务风险控制决策。
应理解,风险控制决策可以由业务提供方自由设置,本说明书实施例不作具体限定。作为示例性,目标业务对象在业务提供方的业务受理难易程度可以与风险识别结果相关联。例如:某商户作为业务提供方,如果通过集中计算平台确定目标用户的风险识别结果指示为“低风险”用户,则商户可以给目标用户开通分期支付;如果通过集中计算平台确定目标用户的风险识别结果指示为“高风险”用户,则商户只向目标用户开通现结支付。
本说明书实施例的业务风险控制方法中,集中计算平台运营风控模型,以向参与合作的业务提供方提供风险识别服务,从而辅助业务提供方制定业务风险控制决策。同时,业务提供方可以基于安全多方计算协议,将私有数据的风险特征集合提供给集中计算平台,由集中计算平台结合自身海量的数据资源和强大的分析能力,对风控模型进行训练。在安全多方计算协议下,机构私有的风险特征不会被暴露,从而促进了与集中计算平台开展联合风控的意愿,实现互惠互利的技术效果。
下面结合实际的应用场景,对本说明书实施例的业务风险控制方法进行示例性介绍。
如图2所示,在本应用场景中,假设某地区的银行、商户、独立软件开发商与支付应用服务方共同开展风控合作。其中,支付应用服务方作为银行、商户、独立软件开发商之间的交易枢纽,具有强大数据收集能力和数据分析能力,因此作为集中计算平台负责构建并运营风控模型。
显然,银行、商户、独立软件开发商这些服务机构的用户群体包含了该地区内大部分居民,因此用户的交集较大。但是银行记录的都是用户的收支行为特征,而商户则记录用户的商品消费特征和商品浏览特征。显然这些服务机构收集的风险特征交集较小,且具有很大局限性。本应用场景的支付应用服务方作为集中计算平台负责汇总这些机构的风险特征,并结合自身所收集的风险特征,以对风控模型进行多维度训练,从而提高风控模型的风险识别性能。
这里,银行、商户、独立软件开发商可以基于自己的业务模式,收集一些样本用户的风险特征和样本用户的风险分类标签。比如,银行收集“高风险”样本用户和“低风险”样本用户的收支行为数据,商户收集“高风险”样本用户和“低风险”样本用户的消费记录。
在数据积累一定程度后,银行、商户、独立软件开发商可以基于软件保护扩展SGX的加密能力,执行安全多方计算协议,将样本用户的风险特征进行加密处理后发送至支付应用服务方,同时样本用户的用户标识和风险分类标签可以作为脱敏数据,直接透传给支付应用服务方。
为方便理解,具体简单了实例,商户向支付应用服务方可以提供了本地样本用户“张三”的数据,包括“张三”的身份信息(如身份证号、生物信息、手机号等)、消费记录(属于隐私数据,通过SGX功能进行加密处理)以及风险分类标签“高风险”。对于风控模型来讲,“张三”的数据是确定具有风险的黑样本,因此可以作为风控模型的正例训练数据。
支付应用服务方在收到银行、商户、独立软件开发商提供的私有数据后,可以在按照安全多方计算协议对SGX功能加密处理的风险特征进行解密,之后,支付应用服务方基于自身受到的样本用户的风险特征和对应的风险分类标签,以及来自银行、商户、独立软件开发商提供的样本用户的风险特征和对应的风险分类标签,对当前运营的风控模型进行线上训练。
这个训练过程可以是在银行、商户、独立软件开发商监管的装置中完成。在银行、商户、独立软件开发商同监管下,支付应用服务方不会泄露解密得到的风险特征。
在风控模型训练完成后,支付应用服务方即可通过风控模型向银行、商户、独立软件开发商提供风险识别服务。
如图3所示,银行、商户、独立软件开发商中的任意者在需要对目标用户进行风险识别时,可以通过支付应用服务方的应用程序接口(API,Application ProgrammingInterface)向支付应用服务方发起风险识别请求,风险识别请求携带目标用户的风险特征。比如:银行发起的风险识别请求一般携带目标用户的收支行为数据,商户发起的风险识别请求一般携带目标用户的消费历史数据。
支付应用服务方在接收到风险识别请求后,将其中的目标用户的风险特征输入至风控模型,以确定目标用户的风险识别结果,并将目标用户的风险识别结果反馈回对应的银行、商户和独立软件开发商。
银行、商户和独立软件开发商根据目标用户的风险识别结果,匹配出合适业务风险控制决策,以投放应用于目标用户。
比如,为目标业务对象配置与风险识别结果相匹配的业务额度;为目标业务对象配置与风险识别结果相匹配的身份认证方式;为目标业务对象配置与风险识别结果相匹配的业务项目等等。
显然,在本应用场景中,银行、商户、独立软件开发商和支付应用服务方掌握本地区用户的风险特征维度是不同的,各机构所收集的用户风险特征或多或少都存在一定的局限性。而人和社会是复杂的,这种局限性并不能证明各机构掌握的风险特征可以作为判断用户是否存在风险的依据,因此本实施例的集中计算平台将不同机构的风险特征进行汇总,通过汇总得到的多维度风险特征对风控模型进行训练,可以使风控模型具有较为全面的风险识别能力,从而更好地服务于各机构。在这种生态下,机构没有用户数据暴露的顾虑,因此更加愿意开展协作,积极向集中计算平台提供自己私有的风险特征数据,对联合风控起到促进作用。
以上是对本说明书实施例的方法的介绍。应理解,在不脱离本文上述原理基础之上,还可以进行适当的变化,这些变化也应视为本说明书实施例的保护范围。比如,本申请说明书实施例的安全多方计算协议可以采用同态加密算法对风险特征进行加密处理。应理解,数据在经同态加密处理后,可以直接用于运算。也就是说,支付应用服务方在不需要对其他成员对象提供的用户风险特征进行解密的情况下,就能直接使用这些用户风险特征对风控模型进行训练。
与上述业务风险控制方法相对应地,本说明书实施例还提供一种业务提供方装置。图4为业务提供方装置400的结构示意图,包括:
发送模块410,基于安全多方计算协议,将属于私有数据的风险特征集合发送至集中计算平台,使得所述集中计算平台至少基于所述集中计算平台和所述业务提供方的风险特征集合,对风控模型进行训练。
请求模块420,向所述集中计算平台发送携带有目标业务对象的风险特征的风险识别请求,使得将所述目标业务对象的风险特征输入至所述风控模型,得到所述目标业务对象的风险识别结果。
接收模块430,接收所述集中计算平台发送的所述目标业务对象的风险识别结果;
决策模块440,对所述目标业务对象执行与所述风险识别结果相匹配的业务风险控制决策。
本说明书实施例的业务提供方可以基于安全多方计算协议,将私有数据的风险特征集合提供给集中计算平台,由集中计算平台结合自身海量的数据资源和强大的分析能力,对风控模型进行训练,从而借助集中计算平台的风控模型进行风险识别,以辅助制定业务风险控制决策。在安全多方计算协议下,机构私有的风险特征不会被暴露,从而促进了与集中计算平台开展联合风控的意愿,实现互惠互利的技术效果。
应理解,本说明书实施例的服务提供方装置可以实现图1所示的业务风险控制方法中关于业务提供方所执行的全部步骤,因此起到了图1至图3所示的业务风险控制方法中业务提供方所对应的技术效果。由于原理相同,本文不再赘述。
与上述模型学习方法相对应地,本说明书实施例还提供一种集中计算平台。图5为集中计算平台500的结构示意图,包括:
第一接收模块510,接收业务提供方基于安全多方计算协议发送的风险特征集合,其中,所述业务提供方发送的风险特征集合属于所述业务提供方的私有数据。
训练模块520,至少基于所述集中计算平台和所述业务提供方的风险特征集合,对风控模型进行训练。
第二接收模块530,接收所述业务提供方发送的风险识别请求,所述风险识别请求携带有目标业务对象的风险特征。
风险识别模块540,将所述目标业务对象的风险特征输入至所述风控模型,得到所述目标业务对象的风险识别结果。
发送模块550,将所述目标业务对象的风险识别结果发送至所述业务提供方,使得所述业务提供方对所述目标业务对象执行与所述风险识别结果相匹配的业务风险控制决策。
本说明书实施例的集中计算平台运营风控模型,以向参与合作的业务提供方提供风险识别服务,从而辅助业务提供方制定业务风险控制决策。同时,业务提供方可以基于安全多方计算协议,将私有数据的风险特征集合提供给集中计算平台,由集中计算平台结合自身海量的数据资源和强大的分析能力,对风控模型进行训练。在安全多方计算协议下,机构私有的风险特征不会被暴露,从而促进了与集中计算平台开展联合风控的意愿,实现互惠互利的技术效果。
应理解,本说明书实施例的集中计算平台成员装置可以实现图1所示的业务风险控制方法中关于集中计算平台成员装置所执行的步骤,因此起到了图1至图3所示的业务风险控制方法中业务提供方所对应的技术效果。由于原理相同,本文不再赘述。
与上述模型学习方法相对应地,本说明书实施例还提供一种业务风险控制系统。图6是业务风险控制系统的结构示意图,包括:集中计算平台610和业务提供方620(不限于一个)。其中:
业务提供方620基于安全多方计算协议,将属于私有数据的风险特征集合发送至集中计算平台610,以及向集中计算平台610发送携带有目标业务对象的风险特征的风险识别请求,以从集中计算平台610获得所述目标业务对象的风险识别结果,进而对所述目标业务对象执行与所述风险识别结果相匹配的业务风险控制决策;
集中计算平台610至少基于所述集中计算平台610和业务提供方620的风险特征集合,对风控模型进行训练,以及将接收到的所述风险识别请求中的所述目标业务对象的风险特征输入至所述风控模型,以将所述风控模型确定的所述目标业务对象的风险识别结果发送至业务提供方620。
本说明书实施例的业务风险控制系统中,集中计算平台运营风控模型,以向参与合作的业务提供方提供风险识别服务,从而辅助业务提供方制定业务风险控制决策。同时,业务提供方可以基于安全多方计算协议,将私有数据的风险特征集合提供给集中计算平台,由集中计算平台结合自身海量的数据资源和强大的分析能力,对风控模型进行训练。在安全多方计算协议下,机构私有的风险特征不会被暴露,从而促进了与集中计算平台开展联合风控的意愿,实现互惠互利的技术效果。
可选地,业务提供方620具体将本地的样本业务对象的风险分类标签和经安全多方计算的样本业务对象的风险特征集合发送至集中计算平台610。其中,在集中计算平台610对风控模型进行训练的过程中,样本业务对象的风险特征集合作为风控模型的输入数据,样本业务对象的风险分类标签作为风控模型的输出数据。
可选地,所述安全多方计算包括基于软件保护扩展SGX执行的安全计算。
可选地,所述目标业务对象在所述业务提供方的业务受理难易程度与所述风险识别结果相关联。
可选地,所述业务提供方对所述目标业务对象执行与所述风险识别结果相匹配的业务风险控制决策,包括以下至少一者:
为所述目标业务对象配置与所述风险识别结果相匹配的业务额度;
为所述目标业务对象配置与所述风险识别结果相匹配的身份认证方式;
为所述目标业务对象配置与所述风险识别结果相匹配的业务项目。
显然,本说明书实施例的业务风险控制系统可以作为上述图1所示的业务风险控制方法的执行主体,因此实现业务风险控制方法在图1和图2所实现的功能。由于原理相同,本文不再赘述。
图7是本说明书的一个实施例电子设备的结构示意图。请参考图7,在硬件层面,该电子设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图7中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成上述业务提供方装置。处理器,执行存储器所存放的程序,并具体用于执行以下操作:
基于安全多方计算协议,将属于私有数据的风险特征集合发送至集中计算平台,使得所述集中计算平台至少基于所述集中计算平台和所述业务提供方的风险特征集合,对风控模型进行训练;
向所述集中计算平台发送携带有目标业务对象的风险特征的风险识别请求,使得将所述目标业务对象的风险特征输入至所述风控模型,得到所述目标业务对象的风险识别结果;
接收所述集中计算平台发送的所述目标业务对象的风险识别结果;
对所述目标业务对象执行与所述风险识别结果相匹配的业务风险控制决策。
或者,处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成上述集中计算平台。处理器,执行存储器所存放的程序,并具体用于执行以下操作:
接收业务提供方基于安全多方计算协议发送的风险特征集合,其中,所述业务提供方发送的风险特征集合属于所述业务提供方的私有数据;
至少基于所述集中计算平台和所述业务提供方的风险特征集合,对风控模型进行训练;
接收所述业务提供方发送的风险识别请求,所述风险识别请求携带有目标业务对象的风险特征;
将所述目标业务对象的风险特征输入至所述风控模型,得到所述目标业务对象的风险识别结果;
将所述目标业务对象的风险识别结果发送至所述业务提供方,使得所述业务提供方对所述目标业务对象执行与所述风险识别结果相匹配的业务风险控制决策。
上述如本说明书图1所示实施例揭示的业务风险控制方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本说明书实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
应理解,本说明书实施例的电子设备可以实现上述服务提供方装置在图1至图3所示的实施例的功能,或者实现上述集中计算平台在图1至图3所示的实施例的功能。由于原理相同,本文不再赘述。
当然,除了软件实现方式之外,本说明书的电子设备并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
此外,本说明书实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序。
其中,该一个或多个程序包括指令,该指令当被包括多个应用程序的便携式电子设备执行时,能够使该便携式电子设备执行图1所示实施例的方法,并具体用于执行以下方法:
基于安全多方计算协议,将属于私有数据的风险特征集合发送至集中计算平台,使得所述集中计算平台至少基于所述集中计算平台和所述业务提供方的风险特征集合,对风控模型进行训练;
向所述集中计算平台发送携带有目标业务对象的风险特征的风险识别请求,使得将所述目标业务对象的风险特征输入至所述风控模型,得到所述目标业务对象的风险识别结果;
接收所述集中计算平台发送的所述目标业务对象的风险识别结果;
对所述目标业务对象执行与所述风险识别结果相匹配的业务风险控制决策。
或者,具体用于执行以下方法:
接收业务提供方基于安全多方计算协议发送的风险特征集合,其中,所述业务提供方发送的风险特征集合属于所述业务提供方的私有数据。
至少基于所述集中计算平台和所述业务提供方的风险特征集合,对风控模型进行训练。
接收所述业务提供方发送的风险识别请求,所述风险识别请求携带有目标业务对象的风险特征。
将所述目标业务对象的风险特征输入至所述风控模型,得到所述目标业务对象的风险识别结果。
将所述目标业务对象的风险识别结果发送至所述业务提供方,使得所述业务提供方对所述目标业务对象执行与所述风险识别结果相匹配的业务风险控制决策。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上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。此外,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,都应当属于本文件的保护范围。
Claims (14)
1.一种私有数据保护的业务风险控制方法,包括:
业务提供方基于安全多方计算协议,将属于私有数据的风险特征集合发送至集中计算平台;
所述集中计算平台至少基于所述集中计算平台和所述业务提供方的风险特征集合,对本地运营的风控模型进行训练,风险特征集合包含所述业务提供方本地的样本业务对象的风险分类标签和经安全多方计算的样本业务对象的风险特征集合;
所述业务提供方向所述集中计算平台发送风险识别请求,所述风险识别请求携带有目标业务对象的风险特征;
所述集中计算平台将所述目标业务对象的风险特征输入至所述风控模型,以将所述风控模型确定的所述目标业务对象的风险识别结果发送至所述业务提供方;
所述业务提供方对所述目标业务对象执行与所述风险识别结果相匹配的业务风险控制决策。
2.根据权利要求1所述的方法,
业务提供方基于安全多方计算协议,将属于私有数据的风险特征集合发送至集中计算平台,包括:
业务提供方将本地的样本业务对象的风险分类标签和经安全多方计算的样本业务对象的风险特征集合发送至集中计算平台;
其中,在所述集中计算平台对风控模型进行训练的过程中,样本业务对象的风险特征集合作为所述风控模型的输入数据,样本业务对象的风险分类标签作为所述风控模型的输出数据。
3.根据权利要求2所述的方法,
所述安全多方计算包括基于软件保护扩展SGX执行的安全计算。
4.根据权利要求1-3中任一项所述的方法,
所述目标业务对象在所述业务提供方的业务受理难易程度与所述风险识别结果相关联。
5.根据权利要求1-3中任一项所述的方法,
所述业务提供方对所述目标业务对象执行与所述风险识别结果相匹配的业务风险控制决策,包括以下至少一者:
为所述目标业务对象配置与所述风险识别结果相匹配的业务额度;
为所述目标业务对象配置与所述风险识别结果相匹配的身份认证方式;
为所述目标业务对象配置与所述风险识别结果相匹配的业务项目。
6.一种私有数据保护的业务风险控制方法,包括:
业务提供方基于安全多方计算协议,将属于私有数据的风险特征集合发送至集中计算平台,使得所述集中计算平台至少基于所述集中计算平台和所述业务提供方的风险特征集合,对本地运营的风控模型进行训练,风险特征集合包含所述业务提供方本地的样本业务对象的风险分类标签和经安全多方计算的样本业务对象的风险特征集合;
所述业务提供方向所述集中计算平台发送携带有目标业务对象的风险特征的风险识别请求,使得将所述目标业务对象的风险特征输入至所述风控模型,得到所述目标业务对象的风险识别结果;
所述业务提供方接收所述集中计算平台发送的所述目标业务对象的风险识别结果;
所述业务提供方对所述目标业务对象执行与所述风险识别结果相匹配的业务风险控制决策。
7.一种私有数据保护的业务风险控制方法,包括:
集中计算平台接收业务提供方基于安全多方计算协议发送的风险特征集合,其中,所述业务提供方发送的风险特征集合属于所述业务提供方的私有数据,风险特征集合包含所述业务提供方本地的样本业务对象的风险分类标签和经安全多方计算的样本业务对象的风险特征集合;
所述集中计算平台至少基于所述集中计算平台和所述业务提供方的风险特征集合,对本地运营的风控模型进行训练;
所述集中计算平台接收所述业务提供方发送的风险识别请求,所述风险识别请求携带有目标业务对象的风险特征;
所述集中计算平台将所述目标业务对象的风险特征输入至所述风控模型,得到所述目标业务对象的风险识别结果;
所述集中计算平台将所述目标业务对象的风险识别结果发送至所述业务提供方,使得所述业务提供方对所述目标业务对象执行与所述风险识别结果相匹配的业务风险控制决策。
8.一种业务提供方装置,包括:
发送模块,基于安全多方计算协议,将属于业务提供方装置私有数据的风险特征集合发送至集中计算平台,使得所述集中计算平台至少基于所述集中计算平台和所述业务提供方的风险特征集合,对本地运营的风控模型进行训练,风险特征集合包含所述业务提供方本地的样本业务对象的风险分类标签和经安全多方计算的样本业务对象的风险特征集合;
请求模块,向所述集中计算平台发送携带有目标业务对象的风险特征的风险识别请求,使得将所述目标业务对象的风险特征输入至所述风控模型,得到所述目标业务对象的风险识别结果;
接收模块,接收所述集中计算平台发送的所述目标业务对象的风险识别结果;
决策模块,对所述目标业务对象执行与所述风险识别结果相匹配的业务风险控制决策。
9.一种集中计算平台,包括:
第一接收模块,接收业务提供方基于安全多方计算协议发送的风险特征集合,其中,所述业务提供方发送的风险特征集合属于所述业务提供方的私有数据;
训练模块,至少基于所述集中计算平台和所述业务提供方的风险特征集合,对本地运营的风控模型进行训练,风险特征集合包含所述业务提供方本地的样本业务对象的风险分类标签和经安全多方计算的样本业务对象的风险特征集合;
第二接收模块,接收所述业务提供方发送的风险识别请求,所述风险识别请求携带有目标业务对象的风险特征;
风险识别模块,将所述目标业务对象的风险特征输入至所述风控模型,得到所述目标业务对象的风险识别结果;
发送模块,将所述目标业务对象的风险识别结果发送至所述业务提供方,使得所述业务提供方对所述目标业务对象执行与所述风险识别结果相匹配的业务风险控制决策。
10.一种业务风险控制系统,包括:集中计算平台和业务提供方,其中,
所述业务提供方基于安全多方计算协议,将属于私有数据的风险特征集合发送至集中计算平台,以及向所述集中计算平台发送携带有目标业务对象的风险特征的风险识别请求,以从所述集中计算平台获得所述目标业务对象的风险识别结果,进而对所述目标业务对象执行与所述风险识别结果相匹配的业务风险控制决策;
所述集中计算平台至少基于所述集中计算平台和所述业务提供方的风险特征集合,对本地运营的风控模型进行训练,以及将接收到的所述风险识别请求中的所述目标业务对象的风险特征输入至所述风控模型,以将所述风控模型确定的所述目标业务对象的风险识别结果发送至所述业务提供方,风险特征集合包含所述业务提供方本地的样本业务对象的风险分类标签和经安全多方计算的样本业务对象的风险特征集合。
11.一种电子设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行:
基于安全多方计算协议,将属于私有数据的风险特征集合发送至集中计算平台,使得所述集中计算平台至少基于所述集中计算平台和业务提供方的风险特征集合,对本地运营的风控模型进行训练,风险特征集合包含所述业务提供方本地的样本业务对象的风险分类标签和经安全多方计算的样本业务对象的风险特征集合;
向所述集中计算平台发送携带有目标业务对象的风险特征的风险识别请求,使得将所述目标业务对象的风险特征输入至所述风控模型,得到所述目标业务对象的风险识别结果;
接收所述集中计算平台发送的所述目标业务对象的风险识别结果;
对所述目标业务对象执行与所述风险识别结果相匹配的业务风险控制决策。
12.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如下步骤:
基于安全多方计算协议,将属于私有数据的风险特征集合发送至集中计算平台,使得所述集中计算平台至少基于所述集中计算平台和业务提供方的风险特征集合,对本地运营的风控模型进行训练,风险特征集合包含所述业务提供方本地的样本业务对象的风险分类标签和经安全多方计算的样本业务对象的风险特征集合;
向所述集中计算平台发送携带有目标业务对象的风险特征的风险识别请求,使得将所述目标业务对象的风险特征输入至所述风控模型,得到所述目标业务对象的风险识别结果;
接收所述集中计算平台发送的所述目标业务对象的风险识别结果;
对所述目标业务对象执行与所述风险识别结果相匹配的业务风险控制决策。
13.一种电子设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行:
接收业务提供方基于安全多方计算协议发送的风险特征集合,其中,所述业务提供方发送的风险特征集合属于所述业务提供方的私有数据;
至少基于集中计算平台和所述业务提供方的风险特征集合,对本地运营的风控模型进行训练,风险特征集合包含所述业务提供方本地的样本业务对象的风险分类标签和经安全多方计算的样本业务对象的风险特征集合;
接收所述业务提供方发送的风险识别请求,所述风险识别请求携带有目标业务对象的风险特征;
将所述目标业务对象的风险特征输入至所述风控模型,得到所述目标业务对象的风险识别结果;
将所述目标业务对象的风险识别结果发送至所述业务提供方,使得所述业务提供方对所述目标业务对象执行与所述风险识别结果相匹配的业务风险控制决策。
14.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如下步骤:
接收业务提供方基于安全多方计算协议发送的风险特征集合,其中,所述业务提供方发送的风险特征集合属于所述业务提供方的私有数据;
至少基于集中计算平台和所述业务提供方的风险特征集合,对本地运营的风控模型进行训练,风险特征集合包含所述业务提供方本地的样本业务对象的风险分类标签和经安全多方计算的样本业务对象的风险特征集合;
接收所述业务提供方发送的风险识别请求,所述风险识别请求携带有目标业务对象的风险特征;
将所述目标业务对象的风险特征输入至所述风控模型,得到所述目标业务对象的风险识别结果;
将所述目标业务对象的风险识别结果发送至所述业务提供方,使得所述业务提供方对所述目标业务对象执行与所述风险识别结果相匹配的业务风险控制决策。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911249510.1A CN111126797B (zh) | 2019-12-09 | 2019-12-09 | 私有数据保护的业务风险控制方法、装置、平台及系统 |
PCT/CN2020/124689 WO2021114932A1 (zh) | 2019-12-09 | 2020-10-29 | 私有数据保护的业务风险控制方法、装置、平台及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911249510.1A CN111126797B (zh) | 2019-12-09 | 2019-12-09 | 私有数据保护的业务风险控制方法、装置、平台及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111126797A CN111126797A (zh) | 2020-05-08 |
CN111126797B true CN111126797B (zh) | 2021-11-30 |
Family
ID=70497946
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911249510.1A Active CN111126797B (zh) | 2019-12-09 | 2019-12-09 | 私有数据保护的业务风险控制方法、装置、平台及系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111126797B (zh) |
WO (1) | WO2021114932A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111818093B (zh) * | 2020-08-28 | 2020-12-11 | 支付宝(杭州)信息技术有限公司 | 用于进行风险评估的神经网络系统、方法及装置 |
CN113033943B (zh) * | 2020-12-28 | 2024-03-29 | 航天科工网络信息发展有限公司 | 一种应用于国防产业供应链的分布式统一管理方法 |
CN113755465A (zh) | 2021-09-23 | 2021-12-07 | 武汉爱博泰克生物科技有限公司 | 嵌合体dna聚合酶及其制备方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109583731A (zh) * | 2018-11-20 | 2019-04-05 | 阿里巴巴集团控股有限公司 | 一种风险识别方法、装置及设备 |
CN109636607A (zh) * | 2018-12-18 | 2019-04-16 | 平安科技(深圳)有限公司 | 基于模型部署的业务数据处理方法、装置和计算机设备 |
CN110533419A (zh) * | 2019-07-24 | 2019-12-03 | 阿里巴巴集团控股有限公司 | 基于区块链的风控模型的共享方法、装置及服务器 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160119195A1 (en) * | 2014-10-23 | 2016-04-28 | International Business Machines Corporation | Computing service level risk |
CN107644340A (zh) * | 2016-07-22 | 2018-01-30 | 阿里巴巴集团控股有限公司 | 风险识别方法、客户端设备及风险识别系统 |
CN108629694B (zh) * | 2018-05-16 | 2021-04-30 | 北京京东尚科信息技术有限公司 | 风险控制系统和方法及计算机可读存储介质 |
CN109544163B (zh) * | 2018-11-30 | 2021-01-29 | 华青融天(北京)软件股份有限公司 | 一种用户支付行为的风险控制方法、装置、设备及介质 |
CN110378698A (zh) * | 2019-07-24 | 2019-10-25 | 中国工商银行股份有限公司 | 交易风险识别方法、装置和计算机系统 |
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 |
-
2019
- 2019-12-09 CN CN201911249510.1A patent/CN111126797B/zh active Active
-
2020
- 2020-10-29 WO PCT/CN2020/124689 patent/WO2021114932A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109583731A (zh) * | 2018-11-20 | 2019-04-05 | 阿里巴巴集团控股有限公司 | 一种风险识别方法、装置及设备 |
CN109636607A (zh) * | 2018-12-18 | 2019-04-16 | 平安科技(深圳)有限公司 | 基于模型部署的业务数据处理方法、装置和计算机设备 |
CN110533419A (zh) * | 2019-07-24 | 2019-12-03 | 阿里巴巴集团控股有限公司 | 基于区块链的风控模型的共享方法、装置及服务器 |
Also Published As
Publication number | Publication date |
---|---|
CN111126797A (zh) | 2020-05-08 |
WO2021114932A1 (zh) | 2021-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111126797B (zh) | 私有数据保护的业务风险控制方法、装置、平台及系统 | |
CN110874649B (zh) | 联邦学习的执行方法、系统、客户端及电子设备 | |
US10891161B2 (en) | Method and device for virtual resource allocation, modeling, and data prediction | |
CN107451485B (zh) | 一种基于区块链的数据处理方法及设备 | |
US11386423B2 (en) | Multi-signature verification network | |
CN112132198B (zh) | 数据处理方法、装置、系统和服务器 | |
US11568401B2 (en) | Digital payment system | |
CN112465627B (zh) | 基于区块链和机器学习的金融借贷审核方法及系统 | |
CN111160814A (zh) | 基于多方安全计算的用户风险评估方法、装置和系统 | |
CN111160572B (zh) | 一种基于多标签的联邦学习方法、装置和系统 | |
CN116108934A (zh) | 联邦学习系统、联邦学习方法和装置 | |
CN109871514B (zh) | 一种数据处理方法、装置及存储介质 | |
Huang et al. | Demystifying Bitcoin address behavior via graph neural networks | |
CN115114642A (zh) | 基于链下可信计算的融资租赁核验方法、装置以及设备 | |
Anton | Integration of blockchain technologies and machine learning with deep analysis | |
CN110362981B (zh) | 基于可信设备指纹判断异常行为的方法及系统 | |
CN113541957A (zh) | 一种基于区块链的业务监管方法、装置及设备 | |
WO2020211073A1 (zh) | 基于区块链和多方安全计算的交易方法、装置及存储介质 | |
CN111080084A (zh) | 基于区块链的征信管理方法、设备和存储介质 | |
CN113592650B (zh) | 基于区块链智能合约的交易方法、装置和设备 | |
US20240242208A1 (en) | Multi-signature verification network | |
CN111311076B (zh) | 一种账户风险管理方法、装置、设备及介质 | |
US20220084008A1 (en) | System and method of operating a consumer device as a payment device | |
CN116756558A (zh) | 关联方识别模型的训练方法、关联方识别方法以及装置 | |
CN116739727A (zh) | 目标客群对象的确定方法、装置和服务器 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40028623 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |