CN111177743B - 一种面向信用大数据的风险控制方法及其系统 - Google Patents

Abstract

本发明公开了一种面向信用大数据的风险控制方法及其系统，由终端设备完成数据的采集，服务器完成数据融合、清洗以及属性标签与主体标签的标注等实现数据预处理；再针对可信终端采集的原生数据设计风险控制模块，通过对数据进行标签化处理与敏感性划分，将数据划分成不同敏感等级，实现一级风险控制；再针对数据存储平台的使用者的初始信用度问题，通过分析原生数据中主体标签，评估数据访问者的初始信任度与权限，达到二级风险控制的目的；最后，针对系统、存储平台需要实时监控数据访问者行为这一问题，根据访问者行为动态界定主体信任度，从而完成面向信用大数据的三级风险控制。

Description

一种面向信用大数据的风险控制方法及其系统

技术领域

本发明属于安全技术领域，具体涉及一种面向信用大数据的风险控制方法及其系统。

背景技术

随着互联网技术的不断发展，数据可信问题的重要性越逐渐凸显，信用大数据中包含的隐私信息也在与日剧增。由于信用大数据的类型繁多且多源异构，信用大数据风险控制方法所达到的效果往往是不理想的，为此，如何设计一个安全性、可靠性、系统性较高的风险评估方法尤为重要。

一般而言，导致信用大数据风险控制效果低下的原因大致可以分为以下三个方面：首先，由于不同终端所采集的信用数据是多源异构数据，信息量大但是质量不佳，可能导致获取的信用数据有效性不高，不能很好的满足风险控制对数据的需求；其次，现有的风险控制系统普遍存在局部控制现象，不具有系统性，不能从整体角度对风险进行预测并控制；最后，由于采集所得的数据访问者的数据存在恶意作假现象，这些数据会导致信任度衡量不准确，致使访问权限的设定不规范，从而严重影响信用大数据风险控制效果。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种面向信用大数据的风险控制方法及其系统，使用多模块、多级可信评估模型，实现数据采集终端对访问者信息的按需采集与筛选，并在提高数据质量的同时动态调整访问者的访问权限，使得投机取巧者无利可图，进而增强数据可靠性和系统的安全性与稳定性。

本发明采用以下技术方案：

一种面向信用大数据的风险控制方法，对终端主体产生的系统初始数据进行标签化处理，将初始数据划分成不同敏感等级，实现一级风险控制；针对数据存储平台使用者的初始信用度问题，分析原生数据中主体及属性标签，评估数据访问者的初始信任度，实现二级风险控制；针对系统、存储平台实时监控数据访问者行为，基于区块链技术，根据访问者行为动态界定其信任度，实现面向信用大数据的三级风险控制。

具体的，包括以下步骤：

S1、终端设备采集信用大数据C，并对数据进行标签化，得到数据主体标签 L_aff与其相关联的数据属性标签L_pro；

S2、服务器根据属性标签L_pro，对原生信用大数据进行敏感等级划分，确定不敏感数据C_1n、敏感数据C_1sen和非常敏感数据C_1vsen，并为不同的数据集合设置不同的访问权限R_k,i；

S3、服务器根据主体标签L_aff，与其相对应的属性标签L_pro所标注的数据，评估访问主体t的初始信任度T_rust,t,1，确定访问主体t的初始访问权限等级R_k,t′；

S4、计算访问主体t在第i次登陆时访问敏感数据的概率P_sen和非常敏感数据的概率P_vsen，根据主体t在第i次登陆后的整体诚实因子ρ_t,i及信任度T_rust,t,i动态调整访问主体的访问权限等级R_k,t″。

进一步的，步骤S1具体为：

S101、服务器采用机器学习算法对采集到的信用大数据C进行清洗，删除冗余数据，采用中间件融合方法对采集到的数据进行融合，将融合后的数据集根据是否结构化存入关系数据库或非关系数据库；采用面向属性的归纳算法对多源异构数据进行泛化，再对数据进行归一化处理，得到数据集合C_pre；

S102、对预处理后的数据集合C_pre进行实体及其属性的提取，利用深度学习网络及预测算法得到高精确度的主体预测及其关联属性，确定出离散、相互独立的实体信息C_en，学习不同标签之间的顺序信息T，输出信用大数据提取出的主体标签和相关联的属性标签，得到数据主体标签L_aff与其相关联的数据属性标签 L_pro。

进一步，步骤S2中，不同等级访问权限R_k,i具体为：

其中，C_1n,k为非敏感数据的任意一类非敏感数据；C_1n，k∪C_1n，j∪C_1n，q为需要访问三类非敏感数据；C_1n为整个非敏感数据集合；C_1sen,t为敏感数据中一类数据属性值；C_1vsen，n为非常敏感数据中一类数据属性值。

更进一步，不敏感数据C_1n，敏感数据C_1sen，非常敏感数据C_1vsen的划分过程如下：

其中，L_nlab为信用大数据的不敏感属性集合，L_slab为信用大数据的敏感属性集合，L_vlab为信用大数据的非常敏感的属性集合。

进一步，步骤S3中，访问主体t的初始访问权限等级R_k,t′为：

其中，T_rust,t,1为主体ω的初始信任度，

为参加信用大数据评估的所有主体标签所代表的主体数目总和，p_ave为所有的访问主体的初始信任度的算数平均数。

更进一步，初始信任度T_rust,t,1具体为：

其中，L_aff为所有主体标签集合；t.L_pro为主体t的所有标签属性；C_1n′为不敏感属性数据个数；C_1sen′为敏感属性数据的个数；C_1vsen′为非常敏感属性数据的个数。

进一步，步骤S4具体为：

S401、通过区块链验证访问主体t在第i次登陆时新增数据的真实性得出该次登录时其新增数据诚实因子P_tp，整合两种诚信因子得到访问主体t最终的诚信因子ρ_t，通过区块链验证访问主体t在第i次登陆时新增数据中的真实数据占所有数据的比重ρ_tp,i；

S402、动态更新主体在访问过程中的读数据诚实因子ρ_tr以及提供新增诚信因子ρ_tp，得到主体t在第i次登录时的整体诚实因子ρ_t,i如下：

ρ_t,i＝ρ_tr*ρ_tp

S403、计算并更新主体t当前情况下可信度T_rust,t,i，具体为：

其中，ρ_t为主体t的诚实因子，T_rust,t,1为访问主体t的初始信任度；

S404、根据主体t在第i次登陆后的信任度T_rust,t,i，动态调整访问主体的访问权限等级R_k,t″，访问权限等级R_k,t″具体为：

其中，p_ave'为所有的访问主体的更新后的信任度算数平均数，

为参加信用大数据评估的所有主体标签所代表的主体数目总和；T_rust,ω,i为主体ω的更新后的信任度。

更进一步，步骤S401中，通过区块链验证访问主体t在第i次登陆时新增数据中的真实数据占所有数据的比重ρ_tp,i为：

其中，N_real,t,i代表该次新增的真实数据量，N_all,t,i代表该次新增的总体数据量。

本发明的另一个技术方案是，一种面向信用大数据的风险控制系统，利用所述的面向信用大数据的风险控制方法，包括：

数据采集预处理模块，采集终端主体产生的系统初始数据，对初始数据进行清洗、融合、泛化，通过智能识别算法实现数据主体标签和相关联的属性标签的提取；

一级风控模块，对提取主体标签和相关联属性标签的数据进行标签化处理与敏感性划分，将数据划分成不同敏感等级，完成对与处理数据的敏感性划分与不同数据集的访问权限设定；

二级风控模块，分析原生数据中主体标签，评估数据访问者的初始信任度，完成对访问主体的初始信任度评估以及初始访问权限的设定；

三级风控模块，根据访问者行为动态界定访问主体信任度，对主体访问行为进行实时监控，并通过区块链回溯验证对主体新提供的数据的真实性进行评估，采用动态调整反馈机制，对以上处理过程中计算得出的数据进行存储并通过反馈动态调整主体的信任度及访问权限。

与现有技术相比，本发明至少具有以下有益效果：

本发明提出了一种面向信用大数据的风险控制方法，可以根据信用大数据在不同的数据处理阶段存在的风险不同，系统调整风控方法，提高了信用大数据风险控制的系统性、控制的准确性与可靠性；对终端设备采集的数据进行标签化与敏感性划分，可以充分利用信用大数据的同时，重点保护敏感度较高的数据，在保证风控方法可靠性的前提下，有效节省了风控成本；在权限授予的过程中，采用动态界定用户信任度，结合区块链回溯验证机制，有效预防采集数据过程中投机取巧情况的发生，并赋予了系统动态管理访问者访问权限的能力。

进一步的，步骤S1通过对终端所采集的信用数据，作标签化与敏感性划分等处理操作，提高原生数据在风险控制中的录用率的同时方便后续处理操作；

进一步的，步骤S2中通过对不同属性标签的数据对信用大数据进行敏感等级划分，不同等级的数据享受不同级别的保护措施，大大节约了信用大数据的风险控制成本；

进一步的，步骤S3中二级信用大数据风险控制，根据主体标签评估访问主体的初始信任度，并根据初始信任度确定初始访问权限，给访问主体提供了一个客观的评价标准，进一步提高风险控制有效性的同时，间接节约监控访问主体的成本，即降低风控成本；

进一步的，步骤S4中三级信用大数据风险控制，根据访问主体的初始信任度，结合区块链信息回溯校验机制以及实时访问行为等，动态调整访问主体的权限，有效的预防了投机取巧的用户行为。

综上所述，本发明的控制方法充分实现了适应不同数据处理阶段的多层多级的风险控制机制，较为系统的设计了三级风险控制模块，通过实现数据标签化提高信用大数据的利用率，通过敏感性划分降低风控成本，通过动态调整访问主体权限有效预防用户的投机取巧行为。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明应用于群智感知的信用大数据风险评测方法的框架图；

图2为本发明预处理示意图；

图3为本发明一级风控数据分级示意图；

图4为本发明二级风控用户信用分级示意图；

图5为本发明三级风控用户信任度评分与访问权限动态调整示意图。

具体实施方式

本发明提供了一种面向信用大数据的风险控制方法，针对不同阶段的数据对风险控制的影响不同，设计基于信用大数据的风险控制方法，针对可信终端采集的原生数据设计风险控制模块，通过对数据进行标签化处理与敏感性划分，将数据划分成不同敏感等级，进而实现一级风险控制；针对数据存储平台的使用者的初始信用度问题，通过分析原生数据中主体标签，评估数据访问者的初始信任度，达到二级风险控制的目的；针对系统、存储平台需要实时监控数据访问者行为这一问题，以区块链技术为依托，根据访问者行为动态界定其信任度，从而完成面向信用大数据的三级风险控制。

请参阅图1，本发明一种面向信用大数据的风险控制系统，包括：

数据采集预处理模块，采集终端主体产生的系统初始数据，对初始数据进行清洗、融合、泛化，通过智能识别算法实现数据主体标签和相关联的属性标签的提取。

一级风控模块，通过对数据进行标签化处理与敏感性划分，将数据划分成不同敏感等级，完成对与处理数据的敏感性划分与不同数据集的访问权限设定。

二级风控模块，针对数据存储平台的使用者的初始信用度问题，通过分析原生数据中主体标签，评估数据访问者的初始信任度，完成对访问主体的初始信任度评估以及初始访问权限的设定。

三级风控模块，根据访问者行为动态界定访问主体信任度，对主体访问行为进行实时监控，并通过区块链回溯验证对主体新提供的数据的真实性进行评估，采用动态调整反馈机制，对以上处理过程中计算得出的数据进行存储并通过反馈动态调整主体的信任度及访问权限。

本发明一种面向信用大数据的风险控制方法，具体步骤如下：

S1、根据可信终端采集设备所得数据进行预处理；

S101、终端设备采集信用大数据C，服务器采用机器学习算法对采集到的信用大数据C进行清洗，删除冗余数据，提高数据精确度，采用中间件融合方法对采集到的数据进行融合，将融合后的数据集根据是否结构化存入关系数据库或非关系数据库；采用面向属性的归纳算法对多源异构数据进行泛化，再对数据进行归一化处理，得到数据集合C_pre；

S102、对预处理后的数据集合C_pre进行实体及其属性的提取，利用深度学习网络及预测算法得到高精确度的主体预测及其关联属性，确定出离散、相互独立的实体信息C_en，并学习不同标签之间的顺序信息T，输出信用大数据提取出的主体标签和相关联的属性标签，得到数据主体标签L_aff与其相关联的数据属性标签 L_pro，如图2所示。

S2、完成数据敏感性的划分；

根据智能识别所得的带有属性标签L_pro的数据进行一级信用大数据风险评测，输出结果将数据划分为三个等级，分别是不敏感数据C_1n、敏感数据C_1sen和非常敏感数据C_1vsen，为不同的数据集合设置不同的访问权限R_k,i，如图3所示。

S201、服务器根据属性标签L_pro，对原生信用大数据进行敏感等级划分，得出不敏感数据C_1n，敏感数据C_1sen，非常敏感数据C_1vsen，其划分过程如下：

其中，L_nlab为信用大数据的不敏感属性集合，L_slab为信用大数据的敏感属性集合，L_vlab为信用大数据的非常敏感的属性集合，如籍贯、家庭住址、公司、身份证号等信息；

S202、根据信用大数据的敏感等级C_1n、C_1sen、C_1vsen设置不同等级访问权限R_k,i，其划分方法如下：

其中，C_1n,k为非敏感数据的任意一类非敏感数据；C_1n，k∪C_1n，j∪C_1n，q为需要访问三类非敏感数据，即三类非敏感数据的并集；C_1n为整个非敏感数据集合；C_1sen,t为敏感数据中一类数据属性值；C_1vsen，n为非常敏感数据中一类数据属性值。

S3、完成主体初始信任度的访问权限评估；

根据收集结合统计学习与机器学习相关知识针对带有主体标签的数据设计二级信用大数据风险评测算法，算法主要目标为使得服务器可以根据主体标签与其相对应的属性标签所标注的数据，计算并评估访问主体的初始信任度及访问权限，如图4所示。

S301、服务器根据主体标签L_aff，与其相对应的属性标签L_pro所标注的数据，评估访问主体t的初始信任度T_rust,t,1，初始信任度T_rust,t,1具体为：

其中，L_aff为所有主体标签集合；t.L_pro为主体t的所有标签属性；C_1n′为不敏感属性数据个数；C_1sen′为敏感属性数据的个数；C_1vsen′为非常敏感属性数据的个数；

S302、访问主体t的初始信任度T_rust,t,1，确定其初始访问权限等级R_k,t′，等级越高访问的数据内容就越多，相反访问的内容就越少。

访问主体t所对应的初始访问权限等级R_k,t′计算如下：

其中，T_rust,t,1为主体ω的初始信任度，

为参加信用大数据评估的所有主体标签所代表的主体数目总和，取值范围约束为

p_ave为所有的访问主体的初始信任度的算数平均数。

S4、完成访问安全的保护以及主体动态信任度的评估与调整。

针对主体信任度会动态改变这一特点，结合访问主体在不同登录阶段所存在的数据访问或信息提供操作，对主体可能存在的篡改行为进行实时监控，通过区块链回溯验证对主体新提供的数据的真实性进行评估，动态调整主体的信任度及访问权限。如图5所示。

S401、负责完成信用大数据用户的行为跟踪与访问权限的动态更新，通过计算访问主体t在第i次登陆时访问敏感数据的概率P_sen和非常敏感数据的概率P_vsen；

通过区块链验证访问主体t在第i次登陆时新增数据的真实性得出该次登录时其新增数据诚实因子P_tp，最终整合两种诚信因子得到访问主体t最终的诚信因ρ_t，具体计算过程如下：

其中，N_sen,t,i为访问主体t在第i次登陆时，访问敏感数据的记录条数；N_t,i为访问主体t在第i次登陆时，访问数据记录的总数；N_vsen,t,i为访问主体t在第i次登陆时，访问非常敏感数据的记录条数；

其次，通过区块链验证访问主体t在第i次登陆时新增数据中的真实数据占所有数据的比重ρ_tp,i，计算如下：

其中，N_real,t,i代表该次新增的真实数据量，N_all,t,i代表该次新增的总体数据量，当所新增数据无法通过区块链验证时，该数据默认为真实数据。

S402、动态更新主体在访问过程中的读数据诚实因子ρ_tr以及提供新增诚信因子ρ_tp；

计算方式如下：

其中，W_r为主体t在访问过程中是否存在信息纂改操作，该篡改操作的识别通过区块链回溯机制实现，值为1代表存在篡改操作，反之则不存在，P_sen,tr,i为访问主体t在第i次登陆时访问敏感数据的概率；P_vsen,tr,i为访问主体t在第i次登陆时访问非常敏感数据的概率；W_p为主体t在第i次访时是否有新数据在服务器中更新，值为1代表不存在更新操作，否则值为P_tp,i，即为通过区块链验证得到的访问主体t在第i次登陆时新增数据中的真实数据占所有数据的比重。最终得到主体t在第i次登录时的整体诚实因子ρ_t,i。

ρ_t,i＝ρ_tr*ρ_tp

S403、计算并更新主体t当前情况下可信度T_rust,t,i；

其中，ρ_t为上一步得到的主体t的诚实因子，T_rust,t,1为步骤S3得到的访问主体 t的初始信任度。

S404、根据主体t在第i次登陆后的信任度T_rust,t,i，动态调整访问主体的访问权限等级R_k,t″。

其中，p_ave'为所有的访问主体的更新后的信任度算数平均数，

为参加信用大数据评估的所有主体标签所代表的主体数目总和；T_rust,ω,i为主体ω的更新后的信任度，取值范围为0＜ω≤N_aff，最终完成第三级信用大数据风险控制。

利用本发明所提出的一种面向信用大数据的风险控制方法，可以实现跨领域、跨平台的信用数据融合与评估，借助三级风险系统及区块链回溯验证机制实现访问者信任度的动态调整。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (8)

1.一种面向信用大数据的风险控制方法，其特征在于，对终端主体产生的系统初始数据进行标签化处理，将初始数据划分成不同敏感等级，实现一级风险控制；针对数据存储平台使用者的初始信用度问题，分析原生数据中主体及属性标签，评估数据访问者的初始信任度，实现二级风险控制；针对系统、存储平台实时监控数据访问者行为，基于区块链技术，根据访问者行为动态界定其信任度，实现面向信用大数据的三级风险控制；包括以下步骤：

S1、终端设备采集信用大数据C，并对数据进行标签化，得到数据主体标签L_aff与其相关联的数据属性标签L_pro；

S2、服务器根据属性标签L_pro，对原生信用大数据进行敏感等级划分，确定不敏感数据C_1n、敏感数据C_1sen和非常敏感数据C_1vsen，并为不同的数据集合设置不同的访问权限R_k,i；

S3、服务器根据主体标签L_aff，与其相对应的属性标签L_pro所标注的数据，评估访问主体t的初始信任度T_rust,t,1，确定访问主体t的初始访问权限等级R_k,t′；

S4、计算访问主体t在第i次登陆时访问敏感数据的概率P_sen和非常敏感数据的概率P_vsen，根据主体t在第i次登陆后的整体诚实因子ρ_t,i及信任度T_rust,t,i动态调整访问主体的访问权限等级R_k,t″，具体为：

S401、通过区块链验证访问主体t在第i次登陆时新增数据的真实性得出该次登录时其新增数据诚实因子P_tp，整合两种诚信因子得到访问主体t最终的诚信因子ρ_t，通过区块链验证访问主体t在第i次登陆时新增数据中的真实数据占所有数据的比重ρ_tp,i；

S402、动态更新主体在访问过程中的读数据诚实因子ρ_tr以及提供新增诚信因子ρ_tp，得到主体t在第i次登录时的整体诚实因子ρ_t,i如下：

ρ_t,i＝ρ_tr*ρ_tp

S403、计算并更新主体t当前情况下可信度T_rust,t,i，具体为：

其中，ρ_t为主体t的诚实因子，T_rust,t,1为访问主体t的初始信任度；

S404、根据主体t在第i次登陆后的信任度T_rust,t,i，动态调整访问主体的访问权限等级R_k,t″，访问权限等级R_k,t″具体为：

其中，p_ave'为所有的访问主体的更新后的信任度算数平均数，

为参加信用大数据评估的所有主体标签所代表的主体数目总和；T_rust,ω,i为主体ω的更新后的信任度。

2.根据权利要求1所述的面向信用大数据的风险控制方法，其特征在于，步骤S1具体为：

S101、服务器采用机器学习算法对采集到的信用大数据C进行清洗，删除冗余数据，采用中间件融合方法对采集到的数据进行融合，将融合后的数据集根据是否结构化存入关系数据库或非关系数据库；采用面向属性的归纳算法对多源异构数据进行泛化，再对数据进行归一化处理，得到数据集合C_pre；

S102、对预处理后的数据集合C_pre进行实体及其属性的提取，利用深度学习网络及预测算法得到高精确度的主体预测及其关联属性，确定出离散、相互独立的实体信息C_en，学习不同标签之间的顺序信息T，输出信用大数据提取出的主体标签和相关联的属性标签，得到数据主体标签L_aff与其相关联的数据属性标签L_pro。

3.根据权利要求1所述的面向信用大数据的风险控制方法，其特征在于，步骤S2中，不同等级访问权限R_k,i具体为：

其中，C_1n,k为非敏感数据的任意一类非敏感数据；C_1n，k∪C_1n，j∪C_1n，q为需要访问三类非敏感数据；C_1n为整个非敏感数据集合；C_1sen,t为敏感数据中一类数据属性值；C_1vsen，n为非常敏感数据中一类数据属性值。

4.根据权利要求3所述的面向信用大数据的风险控制方法，其特征在于，不敏感数据C_1n，敏感数据C_1sen，非常敏感数据C_1vsen的划分过程如下：

其中，L_nlab为信用大数据的不敏感属性集合，L_slab为信用大数据的敏感属性集合，L_vlab为信用大数据的非常敏感的属性集合。

5.根据权利要求1所述的面向信用大数据的风险控制方法，其特征在于，步骤S3中，访问主体t的初始访问权限等级R_k,t′为：

其中，T_rust,t,1为主体ω的初始信任度，

为参加信用大数据评估的所有主体标签所代表的主体数目总和，p_ave为所有的访问主体的初始信任度的算数平均数。

6.根据权利要求5所述的面向信用大数据的风险控制方法，其特征在于，初始信任度T_rust,t,1具体为：

其中，L_aff为所有主体标签集合；t.L_pro为主体t的所有标签属性；C_1n′为不敏感属性数据个数；C_1sen′为敏感属性数据的个数；C_1vsen′为非常敏感属性数据的个数。

7.根据权利要求1所述的面向信用大数据的风险控制方法，其特征在于，步骤S401中，通过区块链验证访问主体t在第i次登陆时新增数据中的真实数据占所有数据的比重ρ_tp,i为：

其中，N_real,t,i代表该次新增的真实数据量，N_all,t,i代表该次新增的总体数据量。

8.一种面向信用大数据的风险控制系统，其特征在于，利用权利要求1所述的面向信用大数据的风险控制方法，包括：

数据采集预处理模块，采集终端主体产生的系统初始数据，对初始数据进行清洗、融合、泛化，通过智能识别算法实现数据主体标签和相关联的属性标签的提取；

一级风控模块，对提取主体标签和相关联属性标签的数据进行标签化处理与敏感性划分，将数据划分成不同敏感等级，完成对与处理数据的敏感性划分与不同数据集的访问权限设定；

二级风控模块，分析原生数据中主体标签，评估数据访问者的初始信任度，完成对访问主体的初始信任度评估以及初始访问权限的设定；

三级风控模块，根据访问者行为动态界定访问主体信任度，对主体访问行为进行实时监控，并通过区块链回溯验证对主体新提供的数据的真实性进行评估，采用动态调整反馈机制，对以上处理过程中计算得出的数据进行存储并通过反馈动态调整主体的信任度及访问权限。

Images