CN111539810A - 防诈骗方法、装置、系统、设备及存储介质 - Google Patents
防诈骗方法、装置、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN111539810A CN111539810A CN202010371517.7A CN202010371517A CN111539810A CN 111539810 A CN111539810 A CN 111539810A CN 202010371517 A CN202010371517 A CN 202010371517A CN 111539810 A CN111539810 A CN 111539810A
- Authority
- CN
- China
- Prior art keywords
- preset
- fraud
- model
- target
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 85
- 238000012549 training Methods 0.000 claims abstract description 69
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000002265 prevention Effects 0.000 claims description 79
- 238000004891 communication Methods 0.000 claims description 23
- 230000008859 change Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 description 8
- 238000007405 data analysis Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Technology Law (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Security & Cryptography (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种防诈骗方法、装置、系统、设备和存储介质，所述方法还包括：获取待处理数据，将所述待处理数据输入至预设联邦反诈骗模型中；其中，所述预设联邦反诈骗模型是基于具有预设标签的预设诈骗关联数据，通过执行预设联邦流程，对预设待训练预测模型执行迭代训练后得到的目标模型；基于所述预设联邦反诈骗模型对所述待处理数据进行诈骗识别处理，得到预测结果。本申请解决现有技术中诈骗数据都掌握在不同的设备中如不同的企业或者政府机构中，降低了诈骗可预防性的技术问题。
Description
技术领域
本申请涉及金融科技(Fintech)的人工智能技术领域，尤其涉及一种防诈骗方法、装置、系统、设备及存储介质。
背景技术
随着金融科技，尤其是互联网科技金融的不断发展，越来越多的技术应用在金融领域，但金融业也对技术提出了更高的要求，如金融业对防诈骗也有更高的要求。
随着互联网时代到来，诈骗手段繁多，电话诈骗，网络诈骗，屡禁不止，给企业，人们等带来财产损失，其中，国家公安机关，电信公司，各类防火墙公司等都在努力以各种手段如通过诈骗信息标注，诈骗电话标注等等来防止人们上当受骗，虽然取得了一定的成果，但仍然很多漏网之鱼，其中，一部分原因是诈骗数据都掌握在不同的企业或者政府机构手中，由于涉及到用户数据隐私问题，这些数据一般不会也不能进行共享，这降低了诈骗的可预防性。
发明内容
本申请的主要目的在于提供一种防诈骗方法、装置、系统、设备和存储介质，旨在解决现有技术中诈骗数据都掌握在不同的设备中如不同的企业或者政府机构中，降低了诈骗可预防性的技术问题。
为实现上述目的，本申请提供一种防诈骗方法，所述防诈骗方法包括：
所述防诈骗方法应用于第一设备，所述防诈骗方法包括：
获取待处理数据，将所述待处理数据输入至预设联邦反诈骗模型中；
其中，所述预设联邦反诈骗模型是基于具有预设标签的预设诈骗关联数据，通过执行预设联邦流程，对预设待训练预测模型执行迭代训练后得到的目标模型；
基于所述预设联邦反诈骗模型对所述待处理数据进行诈骗识别处理，得到预测结果。
可选地，所述待处理数据包括待处理贷款数据；
所述基于所述预设联邦反诈骗模型对所述待处理数据进行诈骗识别处理，得到预测结果的步骤之后，所述方法还包括：
若所述预测结果为所述待处理贷款数据不是诈骗类型时，将所述待处理贷款数据输入至预设风控模型中；
基于所述预设风控模型，对所述待处理贷款数据进行评分，得到评分结果；
基于所述评分结果，输出所述待处理贷款数据的目标可贷款数值范围。
可选地，所述将所述待处理数据输入至预设联邦反诈骗模型中的步骤之前，所述方法还包括：
获取具有预设标签的预设诈骗关联数据，对所述预设待训练预测模型进行迭代训练，以训练更新所述预设待训练预测模型的模型变量；
判断迭代训练后的所述待预测模型是否达到预设替换更新条件；
若所述迭代训练后的待训练预测模型达到预设替换更新条件，则通过执行所述预设联邦流程，对训练更新的所述预设待训练预测模型的模型变量进行替换更新，获得替换更新的所述预设待训练预测模型；
持续对替换更新的所述预设待训练预测模型进行迭代训练和替换更新，直至所述预设待训练模型满足预设训练完成条件，获得所述预设联邦反诈骗模型。
可选地，所述第一设备分别与第三设备进行预设通信；
所述若所述迭代训练后的待训练预测模型达到预设替换更新条件，则通过执行所述预设联邦流程，对训练更新的所述预设待训练预测模型的模型变量进行替换更新，获得替换更新的所述预设待训练预测模型的步骤，包括：
若所述迭代训练后的待训练预测模型达到预设替换更新条件，则获取达到所述预设替换更新条件的所述待训练预测模型的第一目标模型参数；
将所述第一目标模型参数发送给所述第三设备，以供所述第三设备联合各个第二设备发送的第二目标模型参数与所述第一目标模型参数，计算得到第三目标模型参数，其中，所述第一设备与各个第二设备之间存在预设纵向和/或横向联邦关联关系；
接收所述第三设备发送的所述第三目标模型参数，将所述第一目标模型参数替换更新为所述第三目标模型参数，获得替换更新的所述预设待训练预测模型。
可选地，所述基于所述预设联邦反诈骗模型对所述待处理数据进行诈骗识别处理，得到预测结果的步骤之后，所述方法还包括：
接收第三设备计算的在得到所述预测结果过程中的所述第一设备的目标贡献度，其中，所述第一设备的目标贡献度通过预设区块链记录。
可选地，所述接收第三设备计算的在得到所述预测结果过程中的第一设备的目标贡献度的步骤之后，所述方法还包括：
当所述目标贡献度大于预设贡献度时，将所述目标贡献度发送给所述第一设备关联的客户端。
本申请还提供一种防诈骗方法，所述防诈骗方法应用于第三设备，所述第三设备分别与第一设备，以及第二设备进行预设通信，所述防诈骗方法包括：
接收所述第一设备发送的第一目标模型参数，并接收所述第二设备的第二目标模型参数；
联合所述第一目标模型参数与所述第二目标模型参数，计算得到第三目标模型参数，其中，所述第一设备与各个第二设备之间存在预设纵向和/或横向联邦关联关系；
将所述第三目标模型参数发送给所述第一设备，以供所述第一设备基于所述第三目标模型参数进行预设待训练预测模型的更改。
可选地，所述第一设备与客户端进行通信连接，所述将所述第三目标模型参数发送给所述第一设备，以供所述第一设备基于所述第三目标模型参数进行预设待训练预测模型的更改的步骤之后，所述方法还包括：
若检测到待处理数据预测成功时，确定所述第一设备的目标贡献度与所述各个第二设备的贡献度；
将所述第一设备的目标贡献度与所述各个第二设备的贡献度发送至预设区块链的区块中，以供所述预设区块链的区块将贡献度大于预设值的第一设备推送给客户端。
本申请还提供一种防诈骗装置，所述防诈骗装置应用于第一设备，所述防诈骗装置包括：
第一获取模块，用于获取待处理数据，将所述待处理数据输入至预设联邦反诈骗模型中；
识别模块，用于基于所述预设联邦反诈骗模型对所述待处理数据进行诈骗识别处理，得到预测结果；
其中，所述预设联邦反诈骗模型是基于具有预设标签的预设诈骗关联数据，通过执行预设联邦流程，对预设待训练预测模型执行迭代训练后得到的目标模型。
可选地，所述防诈骗装置包括：
输入模块，用于若所述预测结果为所述待处理贷款数据不是诈骗类型时，将所述待处理贷款数据输入至预设风控模型中；
评分模块，用于基于所述预设风控模型，对所述待处理贷款数据进行评分，得到评分结果；
输出模块，用于基于所述评分结果，输出所述待处理贷款数据的目标可贷款数值范围。
可选地，所述防诈骗装置包括：
第二获取模块，用于获取具有预设标签的预设诈骗关联数据，对所述预设待训练预测模型进行迭代训练，以训练更新所述预设待训练预测模型的模型变量；
判断模块，用于判断迭代训练后的所述待预测模型是否达到预设替换更新条件；
第三获取模块，用于若所述迭代训练后的待训练预测模型达到预设替换更新条件，则通过执行所述预设联邦流程，对训练更新的所述预设待训练预测模型的模型变量进行替换更新，获得替换更新的所述预设待训练预测模型；
第四获取模块，用于持续对替换更新的所述预设待训练预测模型进行迭代训练和替换更新，直至所述预设待训练模型满足预设训练完成条件，获得所述预设联邦反诈骗模型。
可选地，所述第一设备分别与第三设备进行预设通信；
所述第三获取模块包括：
第一获取单元，用于若所述迭代训练后的待训练预测模型达到预设替换更新条件，则获取达到所述预设替换更新条件的所述待训练预测模型的第一目标模型参数；
发送单元，用于将所述第一目标模型参数发送给所述第三设备，以供所述第三设备联合各个第二设备发送的第二目标模型参数与所述第一目标模型参数，计算得到第三目标模型参数，其中，所述第一设备与各个第二设备之间存在预设纵向和/或横向联邦关联关系；
接收单元，用于接收所述第三设备发送的所述第三目标模型参数，将所述第一目标模型参数替换更新为所述第三目标模型参数，获得替换更新的所述预设待训练预测模型。
可选地，所述防诈骗装置还包括：
贡献度获取模块，用于接收第三设备计算的在得到所述预测结果过程中的所述第一设备的目标贡献度，其中，所述第一设备的目标贡献度通过预设区块链记录。
可选地，所述防诈骗装置还包括：
贡献度发送模块，用于当所述目标贡献度大于预设贡献度时，将所述目标贡献度发送给所述第一设备关联的客户端。
本申请还提供一种防诈骗装置，所述防诈骗装置应用于第三设备，所述第三设备分别与第一设备，以及第二设备进行预设通信，所述防诈骗装置还包括：
接收模块，用于接收所述第一设备发送的第一目标模型参数，并接收所述第二设备的第二目标模型参数；
计算模块，用于联合所述第一目标模型参数与所述第二目标模型参数，计算得到第三目标模型参数，其中，所述第一设备与各个第二设备之间存在预设纵向和/或横向联邦关联关系；
更改模块，用于将所述第三目标模型参数发送给所述第一设备，以供所述第一设备基于所述第三目标模型参数进行预设待训练预测模型的更改。
可选地，所述防诈骗装置还包括：
确定模块，拥有古若检测到待处理数据预测成功时，确定所述第一设备的目标贡献度与所述各个第二设备的贡献度；
推送模块，用于将所述第一设备的目标贡献度与所述各个第二设备的贡献度发送至预设区块链的区块中，以供所述预设区块链的区块将贡献度大于预设值的第一设备推送给客户端。
本申请还提供一种防诈骗系统，所述防诈骗系统包括上述所述用于第一设备的防诈骗装置，以及第三设备，所述第三设备分别与第一设备，以及第二设备进行预设通信，所述第三设备用于实现：
接收所述第一设备发送的第一目标模型参数，并接收所述第二设备的第二目标模型参数；
联合所述第一目标模型参数与所述第二目标模型参数，计算得到第三目标模型参数，其中，所述第一设备与各个第二设备之间存在预设纵向和/或横向联邦关联关系；
将所述第三目标模型参数发送给所述第一设备，以供所述第一设备基于所述第三目标模型参数进行预设待训练预测模型的更改。
本申请还提供一种防诈骗设备，所述防诈骗设备为实体设备，所述防诈骗设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述防诈骗方法的程序，所述防诈骗方法的程序被处理器执行时可实现如上述的防诈骗方法的步骤。
本申请还提供一种存储介质，所述存储介质上存储有实现上述防诈骗方法的程序，所述防诈骗方法的程序被处理器执行时实现如上述的防诈骗方法的步骤。
本申请通过获取待处理数据，将所述待处理数据输入至预设联邦反诈骗模型中；其中，所述预设联邦反诈骗模型是基于具有预设标签的预设诈骗关联数据，通过执行预设联邦流程，对预设待训练预测模型执行迭代训练后得到的目标模型，基于所述预设联邦反诈骗模型对所述待处理数据进行诈骗识别处理，得到预测结果。在本申请中，由于获取待处理数据后，基于预设联邦反诈骗模型对所述待处理数据进行诈骗识别处理，得到预测结果，而所述预设联邦反诈骗模型是基于具有预设标签的预设诈骗关联数据，通过执行预设联邦流程(数据不动模型动)，对预设待训练预测模型执行迭代训练后得到的目标模型，即在保护数据隐私的同时，通过联邦流程实现数据不动模型动，将小数据孤岛分析变为大数据分析，提升诈骗的可预防性，解决现有技术中诈骗数据都掌握在不同的企业或者政府机构手中，降低了诈骗可预防性的技术问题。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请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，对于本领域普通技术人员而言，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为本申请防诈骗方法第一实施例的流程示意图；
图2为本申请防诈骗方法第一实施例中将所述待处理数据输入至预设联邦反诈骗模型中的步骤之前的细化步骤流程示意图；
图3为本申请实施例方案涉及的硬件运行环境的设备结构示意图；
图4为本申请防诈骗方法的场景示意图。
本申请目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供一种防诈骗方法，所述防诈骗方法应用于第一设备，在本申请防诈骗方法的第一实施例中，参照图1，所述防诈骗方法包括：
步骤S10，获取待处理数据，将所述待处理数据输入至预设联邦反诈骗模型中；
其中，所述预设联邦反诈骗模型是基于具有预设标签的预设诈骗关联数据，通过执行预设联邦流程，对预设待训练预测模型执行迭代训练后得到的目标模型；
步骤S20，基于所述预设联邦反诈骗模型对所述待处理数据进行诈骗识别处理，得到预测结果。
具体步骤如下：
步骤S10，获取待处理数据，将所述待处理数据输入至预设联邦反诈骗模型中；
其中，所述预设联邦反诈骗模型是基于具有预设标签的预设诈骗关联数据，通过执行预设联邦流程，对预设待训练预测模型执行迭代训练后得到的目标模型；
在本实施例中，需要说明的是，防诈骗方法应用于第一设备，该第一设备属于防诈骗系统，该防诈骗系统从属于防诈骗设备，对于防诈骗系统而言，除了第一设备外，还包括第二设备，其中，第二设备是与第一设备具有预设联邦关联关系，该预设联邦关联关系包括预设纵向联邦关联关系或者预设横向联邦关联关系，其中，具有预设纵向联邦关联关系的设备之间(如第一设备与第二设备)数据特征重叠较小，而用户重叠较多，可以从设备之间取出用户相同，而用户数据特征不同的那部分用户及相应数据进行联合机器学习训练，比如有属于同一个地区的两个设备A和B，其中设备A是一家银行，设备B是一个电商平台，设备A和设备B在同一地区拥有较多相同的用户，但是A与B的业务不同，记录的用户数据特征是不同的，特别地，设备A和设备B记录的用户数据特征可能是互补的，可以使用纵向联邦学习联合A和B构建预测模型，以便实现大数据分析，进而向客户提供更好的服务。
与具有预设纵向联邦关联关系的各个设备之间数据特征重叠较小，而用户重叠较多不同，具有预设横向联邦关联关系的各个设备之间数据特征重叠较多，而用户重叠较少，因而取出数据特征相同而用户不完全相同的那部分数据进行横向联合机器学习，具体地，比如有两家不同地区的银行，它们的用户群体分别来自各自所在的地区，相互的交集很小。但是它们的业务很相似，记录的用户数据特征是相同的，可以使用横向联邦学习来联合两家银行构建预测模型。
整体地，第一设备与各个第二设备形成联邦反诈骗模型，在该联邦反诈骗模型中，相同行业的设备(企业或者公司)利用横向联邦学习建模技术，建立一个该行业的横向联邦反诈骗模型，不同行业的的设备(企业或者公司)利用纵向联邦学习建模技术，建立一个该地区的纵向联邦反诈骗模型，其中，各设备(企业或者公司)都是联邦(包括横向联邦与纵向联邦)中的端点。
另外，需要说明的是，防诈骗系统还可以包括第三设备，该第三设备可以是作为第三方辅助第一设备与第二设备进行联邦的。例如，国家公安机关作为公信力机构，可以作为第三设备或者中心服务节点。
获取待处理数据，将所述待处理数据输入至预设联邦反诈骗模型中，其中，所述预设联邦反诈骗模型是基于具有预设标签的预设诈骗关联数据，通过执行预设联邦流程，对预设待训练预测模型执行迭代训练后得到的目标模型；由于预设联邦反诈骗模型是已经迭代训练好的，且是执行预设联邦流程后即与其他设备联邦后迭代训练得到目标模型，因而，能够准确预测待处理数据。
需要说明的是，获取待处理数据，将所述待处理数据输入至预设联邦反诈骗模型中后，由于预设联邦反诈骗模型是基于具有预设标签的预设诈骗关联数据，通过执行预设联邦流程，对预设待训练预测模型执行迭代训练后得到的目标模型，即预设联邦反诈骗模型是被标注过的数据进行训练得到的，如果待处理数据是被标注过的数据中的某一类型数据，则预设联邦反诈骗模型能匹配预测该待处理数据，如果无法匹配预测，则进行预设联邦反诈骗模型的更新，以实现精准预测。
如图2所示，所述将所述待处理数据输入至预设联邦反诈骗模型中的步骤之前，所述方法还包括：
步骤S01，获取具有预设标签的预设诈骗关联数据，对所述预设待训练预测模型进行迭代训练，以训练更新所述预设待训练预测模型的模型变量；
第一设备获取具有预设标签的预设诈骗关联数据如电信数据(短信子数据/电话子数据等)，互联网数据(社交子数据/购物子数据等)或者金融数据(转账子数据/金融产品子数据等)等，对所述预设待训练预测模型进行迭代训练，以训练更新所述预设待训练预测模型的模型变量，如通过具有预设标签的预设电信数据，对所述预设待训练预测模型进行迭代训练，以训练更新所述预设待训练预测模型的模型变量，或者如通过具有预设标签的预设互联网数据，对所述预设待训练预测模型进行迭代训练，以训练更新所述预设待训练预测模型的模型变量，在本实施例中，对所述预设待训练预测模型进行迭代训练的方法包括但不限于梯度下降法。
步骤S02，判断迭代训练后的所述待预测模型是否达到预设替换更新条件；
步骤S03，若所述迭代训练后的待训练预测模型达到预设替换更新条件，则通过执行所述预设联邦流程，对训练更新的所述预设待训练预测模型的模型变量进行替换更新，获得替换更新的所述预设待训练预测模型；
需要说明的是，所述预设替换更新条件包括达到第一迭代次数阈值、达到第一训练轮数阈值等，在本实施例中，若迭代训练后的所述预设待训练预测模型达到所述预设替换更新条件，则通过执行所述预设联邦流程，对训练更新的所述预设待训练预测模型的模型变量进行替换更新，获得替换更新的所述预设待训练预测模型，具体地，对训练更新的所述预设待训练预测模型的模型变量进行替换更新，获得替换更新的所述预设待训练预测模型包括：直接接收第二设备(包括多个)的对应模型变量，进而基于第二设备的对应模型变量，与第一设备的模型变量得到聚合模型变量，在得到聚合模型变量后，则基于所述聚合模型变量，对所述预设待训练预测模型的模型变量进行替换更新，获得替换更新的所述预设待训练预测模型。
步骤S04，持续对替换更新的所述预设待训练预测模型进行迭代训练和替换更新，直至所述预设待训练模型满足预设训练完成条件，获得所述预设联邦反诈骗模型。
在本实施例中，基于替换更新后的所述模型变量，重新进行对替换更新后的预设待训练预测模型的迭代训练和是否达到所述预设替换更新条件的判断，其中，预设训练完成条件包括达到第二迭代次数阈值、达到第二训练轮数阈值等，持续对替换更新的所述预设待训练预测模型进行迭代训练和替换更新，直至所述预设待训练模型满足预设训练完成条件，获得所述预设联邦反诈骗模型。
进一步地，第一设备与第三设备进行预设通信；
所述若所述迭代训练后的待训练预测模型达到预设替换更新条件，则通过执行所述预设联邦流程，对训练更新的所述预设待训练预测模型的模型变量进行替换更新，获得替换更新的所述预设待训练预测模型的步骤包括：
步骤S031，若所述迭代训练后的待训练预测模型达到预设替换更新条件，则获取达到所述预设替换更新条件的所述待训练预测模型的第一目标模型参数；
步骤S032，将所述第一目标模型参数发送给所述第三设备，以供所述第三设备联合各个第二设备发送的多个第二目标模型参数与所述第一目标模型参数，计算得到第三目标模型参数，其中，所述第一设备与各个第二设备之间存在预设纵向和/或横向联邦关联关系；
在本实施例中，第三设备可以是作为第三方辅助第一设备与第二设备进行联邦的。具体地，第一设备将所述第一目标模型参数(加密)发送给所述第三设备，即第三设备接收第一设备的(加密)的第一目标模型参数，并接收第二设备的(加密)的第二目标模型参数，特别地，接收多个第二设备的(加密)的第二目标模型参数。
所述第三设备联合各个第二设备发送的多个第二目标模型参数与所述第一目标模型参数，计算得到第三目标模型参数，如均值处理多个第二目标模型参数与所述第一目标模型参数，得到第三目标模型参数。
需要说明的是，所述第一设备与各个第二设备之间存在预设纵向和/或横向联邦关联关系，当所述第一设备与各个第二设备之间存在预设纵向联邦关联关系时，整体地，第一设备与各个不同行业的第二设备形成联邦反诈骗模型，当所述第一设备与各个第二设备之间存在预设横向联邦关联关系时，整体地，第一设备与同地区的各个第二设备形成联邦反诈骗模型，其中，各设备(企业或者公司)都是联邦(包括横向联邦与纵向联邦)中的端点，如图4所示，端点可以为电信企业，互联网企业等等，也即，在本实施例中，是形成一个大的联邦反欺诈模型。
步骤S033，接收所述第三设备发送的所述第三目标模型参数，将所述第一目标模型参数替换更新为所述第三目标模型参数，获得替换更新的所述预设待训练预测模型。
对于第一设备而言，接收所述第三设备发送的所述第三目标模型参数，将所述第一目标模型参数替换更新为所述第三目标模型参数，获得替换更新的所述预设待训练预测模型，直至得到预设联邦反诈骗模型。
需要说明的是，预设联邦反诈骗模型建立后，第一设备把预设联邦反诈骗模型分发到用户端，以供进行诈骗识别。
步骤S20，基于所述预设联邦反诈骗模型对所述待处理数据进行诈骗识别处理，得到预测结果。
在本实施例中，还可以根据所述待处理数据和所述预测结果更新所述预设联邦反诈骗模型，以实现闭环训练。
在本实施例中，在将待处理数据输入至预设联邦反诈骗模型后，基于所述预设联邦反诈骗模型对所述待处理数据进行诈骗识别处理，得到预测结果。该预测结果包括该待处理数据对应结果为诈骗或者非诈骗。
本申请通过获取待处理数据，将所述待处理数据输入至预设联邦反诈骗模型中；其中，所述预设联邦反诈骗模型是基于具有预设标签的预设诈骗关联数据，通过执行预设联邦流程，对预设待训练预测模型执行迭代训练后得到的目标模型，基于所述预设联邦反诈骗模型对所述待处理数据进行诈骗识别处理，得到预测结果。在本申请中，由于获取待处理数据后，基于预设联邦反诈骗模型对所述待处理数据进行诈骗识别处理，得到预测结果，而所述预设联邦反诈骗模型是基于具有预设标签的预设诈骗关联数据，通过执行预设联邦流程(数据不动模型动)，对预设待训练预测模型执行迭代训练后得到的目标模型，即在保护数据隐私的同时，通过联邦流程实现数据不动模型动，将小数据孤岛分析变为大数据分析，提升诈骗的可预防性，解决现有技术中诈骗数据都掌握在不同的企业或者政府机构手中，降低了诈骗可预防性的技术问题。
进一步地，基于本申请中的第一实施例，在本申请的另一实施例中，所述基于所述预设联邦反诈骗模型对所述待处理数据进行诈骗识别处理，得到预测结果的步骤之后，所述方法还包括：
步骤A1，接收第三设备计算的在得到所述预测结果过程中的所述第一设备的目标贡献度，其中，所述第一设备的目标贡献度通过预设区块链记录。
接收第三设备计算的在得到所述预测结果过程中的所述第一设备的目标贡献度，其中，所述第一设备的目标贡献度通过预设区块链记录，具体地，第三设备在每次预测得到预测结果后，将预测结果发送给区块链记录，并基于区块链记录各个设备在该得到预测结果的案件中的贡献度，其中，各个设备在该得到预测结果的案件中的贡献度通过第三设备计算得到，具体地，第三设备在得到预测结果的案件中预设联邦反诈骗模型对应的第三目标模型参数后，确定预设联邦反诈骗模型对应的第三目标模型参数与预测结果的案件中对应第一目标参数的模型变化大小或者参数变化比例，基于该模型变化大小确定目标贡献度，需要说明的是，在得到预设联邦反诈骗模型的过程中，每次得到第三目标模型参数后，即将第三目标模型参数发送给区块链区块记录，由于预设联邦反诈骗模型会定期训练更新，因此区块链记录的贡献度也会在每次训练时更新。
在本实施例中，第三设备还在得到预测结果的案件中基于对应第三目标模型参数确定所述各个第二设备的贡献度，具体地，通过在得到预测结果的案件中对应第三目标模型参数与对应第二目标参数的参数变化比例，确定各个第二设备的贡献度，在得到第一设备的目标贡献度与所述各个第二设备的贡献度后，将第一设备的目标贡献度与所述各个第二设备的贡献度发送给区块链，以供区块链的区块记录由于通过区块链的区块记录各个设备的贡献度，因而，贡献度排名不可篡改，实现过程的公开透明。需要说明的是，若在区块链的记录中检测到任一设备的贡献度大于预设值时，可以将该贡献度大于预设值的设备推送给预设联邦反诈骗模型的关联的用户端，提升该贡献度大于预设值的设备的公信力。
所述接收第三设备计算的在得到所述预测结果过程中的第一设备的目标贡献度的步骤之后，所述方法还包括：
步骤A2，当所述目标贡献度大于预设贡献度时，将所述目标贡献度发送给所述第一设备关联的客户端。
在本实施例中，当所述目标贡献度大于预设贡献度时，将所述目标贡献度发送给所述第一设备关联的客户端，以提升第一设备的公信力。
本实施例接收第三设备计算的在得到所述预测结果过程中的所述第一设备的目标贡献度，其中，所述第一设备的目标贡献度通过预设区块链记录。在本实施例中，由于通过区块链记录各个设备的贡献度，使得贡献度计算过程公开透明，便于设备进行形象推广。
进一步地，基于本申请中的第一实施例与第二实施例，在本申请的另一实施例中，所述待处理数据包括待处理贷款数据；
所述基于所述预设联邦反诈骗模型对所述待处理数据进行诈骗识别处理，得到预测结果的步骤之后，所述方法还包括：
步骤S40，若所述预测结果为所述待处理贷款数据不是诈骗类型时，将所述待处理贷款数据输入至预设风控模型中；
在本实施例中，预测结果为：待处理数据是诈骗类型(是诈骗类型的概率大于等于预设值)，或者待处理数据不是诈骗类型(是诈骗类型的概率小于预设值)。若所述预测结果为所述待处理贷款数据不是诈骗类型时，将所述待处理贷款数据输入至预设风控模型中，其中，预设风控模型是已经训练好的模型。
步骤S50，基于所述预设风控模型，对所述待处理贷款数据进行评分，得到评分结果；
步骤S60，基于所述评分结果，输出所述待处理贷款数据的目标可贷款数值范围。
基于所述预设风控模型，对所述待处理贷款数据进行评分，得到评分结果，基于所述评分结果，输出所述待处理贷款数据的目标可贷款数值范围，具体地，根据评分结果的等级或者范围，以及预设的各个评分结果的等级或者范围，与各个可贷款数值范围的关联关系，得到所述待处理贷款数据的目标可贷款数值范围并输出。
在本实施例中，通过若所述预测结果为所述待处理贷款数据不是诈骗类型时，将所述待处理贷款数据输入至预设风控模型中；基于所述预设风控模型，对所述待处理贷款数据进行评分，得到评分结果；基于所述评分结果，输出所述待处理贷款数据的目标可贷款数值范围。在本实施例中，基于预设联邦反诈骗模型对所述待处理贷款数据进行诈骗识别处理后，准确确定目标可贷款数值范围。
进一步地，本申请实施例还提供一种防诈骗方法，所述防诈骗方法应用于第三设备，所述第三设备分别与第一设备，以及第二设备进行预设通信，所述防诈骗方法包括：
步骤B1，接收所述第一设备发送的第一目标模型参数，并接收所述第二设备的第二目标模型参数；
步骤B2，联合所述第一目标模型参数与所述第二目标模型参数，计算得到第三目标模型参数，其中，所述第一设备与各个第二设备之间存在预设纵向和/或横向联邦关联关系；
在本实施例中，防诈骗方法应用于第三设备，所述第三设备分别与第一设备，以及第二设备进行预设通信，在本实施例中，接收所述第一设备发送的第一目标模型参数，并接收所述第二设备的第二目标模型参数，以联合所述第一目标模型参数与所述第二目标模型参数，计算得到第三目标模型参数，具体地，均值处理所述第一目标模型参数与所述第二目标模型参数(一个或者多个)，得到第三目标模型参数，其中，所述第一设备与各个第二设备之间存在预设纵向和/或横向联邦关联关系，由于所述第一设备与各个第二设备之间存在预设纵向和/或横向联邦关联关系，因而，整体地，通过第三设备，第一设备与各个不同行业的第二设备形成联邦反诈骗模型，且通过第三设备，第一设备与同地区的各个第二设备形成联邦反诈骗模型，其中，各设备(企业或者公司)都是联邦(包括横向联邦与纵向联邦)中的端点，也即，在本实施例中，是形成一个大的联邦反欺诈模型。
步骤B3，将所述第三目标模型参数发送给所述第一设备，以供所述第一设备基于所述第三目标模型参数进行预设待训练预测模型的更改。
在本实施例中，将所述第三目标模型参数发送给所述第一设备，以供所述第一设备基于所述第三目标模型参数进行预设待训练预测模型的更改，以准确得到第一设备的预设联邦反诈骗模型。
所述第一设备与客户端进行通信连接，所述将所述第三目标模型参数发送给所述第一设备，以供所述第一设备基于所述第三目标模型参数进行预设待训练预测模型的更改的步骤之后，所述方法还包括：
步骤C1，若检测到待处理数据预测成功时，确定所述第一设备的目标贡献度与所述各个第二设备的贡献度；
在本实施例中，若检测到待处理数据预测成功时，通过所述第三目标模型参数确定所述第一设备的目标贡献度与所述各个第二设备的贡献度，具体地，通过所述第三目标模型参数与第一目标模型参数确定所述第一设备的目标贡献度，通过所述第三目标模型参数与第二目标模型参数确定所述各个第二设备的贡献度。
步骤C2，将所述第一设备的目标贡献度与所述各个第二设备的贡献度发送至预设区块链的区块中，以供所述预设区块链的区块将贡献度大于预设值的第一设备推送给客户端。
在本实施例中，通过第三设备将所述第一设备的目标贡献度与所述各个第二设备的贡献度发送至预设区块链的区块中，以供所述预设区块链的区块将贡献度大于预设值的第一设备推送给客户端，以提升贡献度大于预设值的第一设备。
本实施例通过接收所述第一设备发送的第一目标模型参数，并接收所述第二设备的第二目标模型参数；联合所述第一目标模型参数与所述第二目标模型参数，计算得到第三目标模型参数，其中，所述第一设备与各个第二设备之间存在预设纵向和/或横向联邦关联关系；将所述第三目标模型参数发送给所述第一设备，以供所述第一设备基于所述第三目标模型参数进行预设待训练预测模型的更改。为准确进行质检语音奠定基础。
参照图3，图3是本申请实施例方案涉及的硬件运行环境的设备结构示意图。
如图3所示，该防诈骗设备可以包括：处理器1001，例如CPU，存储器1005，通信总线1002。其中，通信总线1002用于实现处理器1001和存储器1005之间的连接通信。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。
可选地，该防诈骗设备还可以包括矩形用户接口、网络接口、摄像头、RF(RadioFrequency，射频)电路，传感器、音频电路、WiFi模块等等。矩形用户接口可以包括显示屏(Display)、输入子模块比如键盘(Keyboard)，可选矩形用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
本领域技术人员可以理解，图3中示出的防诈骗设备结构并不构成对防诈骗设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图3所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块以及防诈骗程序。操作系统是管理和控制防诈骗设备硬件和软件资源的程序，支持防诈骗程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信，以及与防诈骗系统中其它硬件和软件之间通信。
在图3所示的防诈骗设备中，处理器1001用于执行存储器1005中存储的防诈骗程序，实现上述任一项所述的防诈骗方法的步骤。
本申请防诈骗设备具体实施方式与上述防诈骗方法各实施例基本相同，在此不再赘述。
本申请还提供一种防诈骗装置，第一获取模块，用于获取待处理数据，将所述待处理数据输入至预设联邦反诈骗模型中；
识别模块，用于基于所述预设联邦反诈骗模型对所述待处理数据进行诈骗识别处理，得到预测结果；
其中，所述预设联邦反诈骗模型是基于具有预设标签的预设诈骗关联数据，通过执行预设联邦流程，对预设待训练预测模型执行迭代训练后得到的目标模型。
可选地，所述防诈骗装置包括：
输入模块，用于若所述预测结果为所述待处理贷款数据不是诈骗类型时，将所述待处理贷款数据输入至预设风控模型中；
评分模块，用于基于所述预设风控模型，对所述待处理贷款数据进行评分，得到评分结果；
输出模块，用于基于所述评分结果，输出所述待处理贷款数据的目标可贷款数值范围。
可选地，所述防诈骗装置包括：
第二获取模块，用于获取具有预设标签的预设诈骗关联数据，对所述预设待训练预测模型进行迭代训练，以训练更新所述预设待训练预测模型的模型变量；
判断模块，用于判断迭代训练后的所述待预测模型是否达到预设替换更新条件；
第三获取模块，用于若所述迭代训练后的待训练预测模型达到预设替换更新条件，则通过执行所述预设联邦流程，对训练更新的所述预设待训练预测模型的模型变量进行替换更新，获得替换更新的所述预设待训练预测模型；
第四获取模块，用于持续对替换更新的所述预设待训练预测模型进行迭代训练和替换更新，直至所述预设待训练模型满足预设训练完成条件，获得所述预设联邦反诈骗模型。
可选地，所述第一设备分别与第三设备进行预设通信；
所述第三获取模块包括：
第一获取单元，用于若所述迭代训练后的待训练预测模型达到预设替换更新条件，则获取达到所述预设替换更新条件的所述待训练预测模型的第一目标模型参数；
发送单元，用于将所述第一目标模型参数发送给所述第三设备，以供所述第三设备联合各个第二设备发送的第二目标模型参数与所述第一目标模型参数，计算得到第三目标模型参数，其中，所述第一设备与各个第二设备之间存在预设纵向和/或横向联邦关联关系；
接收单元，用于接收所述第三设备发送的所述第三目标模型参数，将所述第一目标模型参数替换更新为所述第三目标模型参数，获得替换更新的所述预设待训练预测模型。
可选地，所述防诈骗装置还包括：
贡献度获取模块，用于接收第三设备计算的在得到所述预测结果过程中的所述第一设备的目标贡献度，其中，所述第一设备的目标贡献度通过预设区块链记录。
可选地，所述防诈骗装置还包括：
贡献度发送模块，用于当所述目标贡献度大于预设贡献度时，将所述目标贡献度发送给所述第一设备关联的客户端。
本申请防诈骗装置的具体实施方式与上述防诈骗方法各实施例基本相同，在此不再赘述。
本申请还提供一种防诈骗装置，所述防诈骗装置应用于第三设备，所述第三设备分别与第一设备，以及第二设备进行预设通信，所述防诈骗装置还包括：
接收模块，用于接收所述第一设备发送的第一目标模型参数，并接收所述第二设备的第二目标模型参数；
计算模块，用于联合所述第一目标模型参数与所述第二目标模型参数，计算得到第三目标模型参数，其中，所述第一设备与各个第二设备之间存在预设纵向和/或横向联邦关联关系；
更改模块，用于将所述第三目标模型参数发送给所述第一设备，以供所述第一设备基于所述第三目标模型参数进行预设待训练预测模型的更改。
可选地，所述防诈骗装置还包括：
确定模块，拥有古若检测到待处理数据预测成功时，确定所述第一设备的目标贡献度与所述各个第二设备的贡献度；
推送模块，用于将所述第一设备的目标贡献度与所述各个第二设备的贡献度发送至预设区块链的区块中，以供所述预设区块链的区块将贡献度大于预设值的第一设备推送给客户端。
本申请防诈骗装置的具体实施方式与上述防诈骗方法各实施例基本相同，在此不再赘述。
本申请还提供一种防诈骗系统，所述防诈骗系统包括上述所述用于第一设备的防诈骗装置，以及第三设备，所述第三设备分别与第一设备，以及第二设备进行预设通信，所述第三设备用于实现：
接收所述第一设备发送的第一目标模型参数，并接收所述第二设备的第二目标模型参数；
联合所述第一目标模型参数与所述第二目标模型参数，计算得到第三目标模型参数，其中，所述第一设备与各个第二设备之间存在预设纵向和/或横向联邦关联关系；
将所述第三目标模型参数发送给所述第一设备，以供所述第一设备基于所述第三目标模型参数进行预设待训练预测模型的更改。
本申请防诈骗系统的具体实施方式与上述防诈骗方法各实施例基本相同，在此不再赘述。
本申请实施例提供了一种存储介质，且所述存储介质存储有一个或者一个以上程序，所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述任一项所述的防诈骗方法的步骤。
本申请存储介质具体实施方式与上述防诈骗方法各实施例基本相同，在此不再赘述。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利处理范围内。
Claims (12)
1.一种防诈骗方法，其特征在于，所述防诈骗方法应用于第一设备，所述防诈骗方法包括：
获取待处理数据，将所述待处理数据输入至预设联邦反诈骗模型中；
其中，所述预设联邦反诈骗模型是基于具有预设标签的预设诈骗关联数据，通过执行预设联邦流程，对预设待训练预测模型执行迭代训练后得到的目标模型；
基于所述预设联邦反诈骗模型对所述待处理数据进行诈骗识别处理，得到预测结果。
2.如权利要求1所述的防诈骗方法，其特征在于，所述待处理数据包括待处理贷款数据；
所述基于所述预设联邦反诈骗模型对所述待处理数据进行诈骗识别处理，得到预测结果的步骤之后，所述方法还包括：
若所述预测结果为所述待处理贷款数据不是诈骗类型时，将所述待处理贷款数据输入至预设风控模型中；
基于所述预设风控模型，对所述待处理贷款数据进行评分，得到评分结果；
基于所述评分结果，输出所述待处理贷款数据的目标可贷款数值范围。
3.如权利要求1所述的防诈骗方法，其特征在于，所述将所述待处理数据输入至预设联邦反诈骗模型中的步骤之前，所述方法还包括：
获取具有预设标签的预设诈骗关联数据，对所述预设待训练预测模型进行迭代训练，以训练更新所述预设待训练预测模型的模型变量；
判断迭代训练后的所述待预测模型是否达到预设替换更新条件；
若所述迭代训练后的待训练预测模型达到预设替换更新条件，则通过执行所述预设联邦流程，对训练更新的所述预设待训练预测模型的模型变量进行替换更新，获得替换更新的所述预设待训练预测模型；
持续对替换更新的所述预设待训练预测模型进行迭代训练和替换更新，直至所述预设待训练模型满足预设训练完成条件，获得所述预设联邦反诈骗模型。
4.如权利要求3所述的防诈骗方法，其特征在于，所述第一设备分别与第三设备进行预设通信；
所述若所述迭代训练后的待训练预测模型达到预设替换更新条件，则通过执行所述预设联邦流程，对训练更新的所述预设待训练预测模型的模型变量进行替换更新，获得替换更新的所述预设待训练预测模型的步骤，包括：
若所述迭代训练后的待训练预测模型达到预设替换更新条件，则获取达到所述预设替换更新条件的所述待训练预测模型的第一目标模型参数；
将所述第一目标模型参数发送给所述第三设备，以供所述第三设备联合各个第二设备发送的第二目标模型参数与所述第一目标模型参数，计算得到第三目标模型参数，其中，所述第一设备与各个第二设备之间存在预设纵向和/或横向联邦关联关系；
接收所述第三设备发送的所述第三目标模型参数，将所述第一目标模型参数替换更新为所述第三目标模型参数，获得替换更新的所述预设待训练预测模型。
5.如权利要求1-4任一项所述的防诈骗方法，其特征在于，所述基于所述预设联邦反诈骗模型对所述待处理数据进行诈骗识别处理，得到预测结果的步骤之后，所述方法还包括：
接收第三设备计算的在得到所述预测结果过程中的所述第一设备的目标贡献度，其中，所述第一设备的目标贡献度通过预设区块链记录。
6.如权利要求5所述的防诈骗方法，其特征在于，所述接收第三设备计算的在得到所述预测结果过程中的第一设备的目标贡献度的步骤之后，所述方法还包括：
当所述目标贡献度大于预设贡献度时，将所述目标贡献度发送给所述第一设备关联的客户端。
7.一种防诈骗方法，其特征在于，所述防诈骗方法应用于第三设备，所述第三设备分别与第一设备，以及第二设备进行预设通信，所述防诈骗方法包括：
接收所述第一设备发送的第一目标模型参数，并接收所述第二设备的第二目标模型参数；
联合所述第一目标模型参数与所述第二目标模型参数，计算得到第三目标模型参数，其中，所述第一设备与各个第二设备之间存在预设纵向和/或横向联邦关联关系；
将所述第三目标模型参数发送给所述第一设备，以供所述第一设备基于所述第三目标模型参数进行预设待训练预测模型的更改。
8.如权利要求7所述的防诈骗方法，其特征在于，所述第一设备与客户端进行通信连接，所述将所述第三目标模型参数发送给所述第一设备，以供所述第一设备基于所述第三目标模型参数进行预设待训练预测模型的更改的步骤之后，所述方法还包括：
若检测到待处理数据预测成功时，确定所述第一设备的目标贡献度与所述各个第二设备的贡献度；
将所述第一设备的目标贡献度与所述各个第二设备的贡献度发送至预设区块链的区块中，以供所述预设区块链的区块将贡献度大于预设值的第一设备推送给客户端。
9.一种防诈骗装置，其特征在于，所述防诈骗装置应用于第一设备，所述防诈骗装置包括：
第一获取模块，用于获取待处理数据，将所述待处理数据输入至预设联邦反诈骗模型中；
识别模块，用于基于所述预设联邦反诈骗模型对所述待处理数据进行诈骗识别处理，得到预测结果；
其中，所述预设联邦反诈骗模型是基于具有预设标签的预设诈骗关联数据，通过执行预设联邦流程，对预设待训练预测模型执行迭代训练后得到的目标模型。
10.一种防诈骗系统，其特征在于，所述防诈骗系统包括如权利要求9所述的防诈骗装置，以及第三设备，所述第三设备分别与第一设备，以及第二设备进行预设通信，所述第三设备用于实现：
接收模块，用于接收所述第一设备发送的第一目标模型参数，并接收所述第二设备的第二目标模型参数；
计算模块，联合所述第一目标模型参数与所述第二目标模型参数，计算得到第三目标模型参数，其中，所述第一设备与各个第二设备之间存在预设纵向和/或横向联邦关联关系；
更改模块，用于将所述第三目标模型参数发送给所述第一设备，以供所述第一设备基于所述第三目标模型参数进行预设待训练预测模型的更改。
11.一种防诈骗设备，其特征在于，所述防诈骗设备包括：存储器、处理器以及存储在存储器上的用于实现所述防诈骗方法的程序，
所述存储器用于存储实现防诈骗方法的程序；
所述处理器用于执行实现所述防诈骗方法的程序，以实现如权利要求1至8中任一项所述防诈骗方法的步骤。
12.一种存储介质，其特征在于，所述存储介质上存储有实现防诈骗方法的程序，所述实现防诈骗方法的程序被处理器执行以实现如权利要求1至8中任一项所述防诈骗方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010371517.7A CN111539810A (zh) | 2020-04-30 | 2020-04-30 | 防诈骗方法、装置、系统、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010371517.7A CN111539810A (zh) | 2020-04-30 | 2020-04-30 | 防诈骗方法、装置、系统、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111539810A true CN111539810A (zh) | 2020-08-14 |
Family
ID=71975565
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010371517.7A Pending CN111539810A (zh) | 2020-04-30 | 2020-04-30 | 防诈骗方法、装置、系统、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111539810A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111967910A (zh) * | 2020-08-18 | 2020-11-20 | 中国银行股份有限公司 | 一种用户客群分类方法和装置 |
| CN112668913A (zh) * | 2020-12-31 | 2021-04-16 | 深圳前海微众银行股份有限公司 | 基于联邦学习的网络构建方法、装置、设备及存储介质 |
| CN112906524A (zh) * | 2021-02-05 | 2021-06-04 | 深圳前海微众银行股份有限公司 | 区域变迁状况预测方法、设备、介质及计算机程序产品 |
| CN113177674A (zh) * | 2021-05-28 | 2021-07-27 | 恒安嘉新（北京）科技股份公司 | 网络诈骗的预警方法、装置、设备及介质 |
| CN113269359A (zh) * | 2021-05-20 | 2021-08-17 | 深圳易财信息技术有限公司 | 用户财务状况预测方法、设备、介质及计算机程序产品 |
| CN113706176A (zh) * | 2021-09-02 | 2021-11-26 | 赵琦 | 一种结合云计算的信息反欺诈处理方法及服务平台系统 |
| CN114119030A (zh) * | 2021-11-10 | 2022-03-01 | 恒安嘉新（北京）科技股份公司 | 一种预防诈骗的方法、装置、电子设备及存储介质 |
| CN116433345A (zh) * | 2023-05-05 | 2023-07-14 | 辽宁慧远科技开发有限公司 | 基于ai的欺诈活动分析方法及数字化金融产品服务系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110503207A (zh) * | 2019-08-28 | 2019-11-26 | 深圳前海微众银行股份有限公司 | 联邦学习信用管理方法、装置、设备及可读存储介质 |
| CN110717671A (zh) * | 2019-10-08 | 2020-01-21 | 深圳前海微众银行股份有限公司 | 一种确定参与方贡献度的方法及装置 |
| CN111008709A (zh) * | 2020-03-10 | 2020-04-14 | 支付宝(杭州)信息技术有限公司 | 联邦学习、资料风险评估方法、装置和系统 |
-
2020
- 2020-04-30 CN CN202010371517.7A patent/CN111539810A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110503207A (zh) * | 2019-08-28 | 2019-11-26 | 深圳前海微众银行股份有限公司 | 联邦学习信用管理方法、装置、设备及可读存储介质 |
| CN110717671A (zh) * | 2019-10-08 | 2020-01-21 | 深圳前海微众银行股份有限公司 | 一种确定参与方贡献度的方法及装置 |
| CN111008709A (zh) * | 2020-03-10 | 2020-04-14 | 支付宝(杭州)信息技术有限公司 | 联邦学习、资料风险评估方法、装置和系统 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111967910A (zh) * | 2020-08-18 | 2020-11-20 | 中国银行股份有限公司 | 一种用户客群分类方法和装置 |
| CN112668913A (zh) * | 2020-12-31 | 2021-04-16 | 深圳前海微众银行股份有限公司 | 基于联邦学习的网络构建方法、装置、设备及存储介质 |
| CN112668913B (zh) * | 2020-12-31 | 2024-05-31 | 深圳前海微众银行股份有限公司 | 基于联邦学习的网络构建方法、装置、设备及存储介质 |
| CN112906524A (zh) * | 2021-02-05 | 2021-06-04 | 深圳前海微众银行股份有限公司 | 区域变迁状况预测方法、设备、介质及计算机程序产品 |
| CN113269359A (zh) * | 2021-05-20 | 2021-08-17 | 深圳易财信息技术有限公司 | 用户财务状况预测方法、设备、介质及计算机程序产品 |
| CN113177674A (zh) * | 2021-05-28 | 2021-07-27 | 恒安嘉新（北京）科技股份公司 | 网络诈骗的预警方法、装置、设备及介质 |
| CN113706176A (zh) * | 2021-09-02 | 2021-11-26 | 赵琦 | 一种结合云计算的信息反欺诈处理方法及服务平台系统 |
| CN113706176B (zh) * | 2021-09-02 | 2022-08-19 | 江西裕民银行股份有限公司 | 一种结合云计算的信息反欺诈处理方法及服务平台系统 |
| CN114119030A (zh) * | 2021-11-10 | 2022-03-01 | 恒安嘉新（北京）科技股份公司 | 一种预防诈骗的方法、装置、电子设备及存储介质 |
| CN116433345A (zh) * | 2023-05-05 | 2023-07-14 | 辽宁慧远科技开发有限公司 | 基于ai的欺诈活动分析方法及数字化金融产品服务系统 |
| CN116433345B (zh) * | 2023-05-05 | 2024-05-24 | 意数信息技术(上海)有限公司 | 基于ai的欺诈活动分析方法及数字化金融产品服务系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111539810A (zh) | 防诈骗方法、装置、系统、设备及存储介质 | |
| CN111428881B (zh) | 识别模型的训练方法、装置、设备及可读存储介质 | |
| CN113627085B (zh) | 横向联邦学习建模优化方法、设备、介质 | |
| CN112906912A (zh) | 纵向联邦学习中无可信第三方的回归模型训练方法及系统 | |
| CN111860864A (zh) | 纵向联邦建模优化方法、设备及可读存储介质 | |
| CN111008709A (zh) | 联邦学习、资料风险评估方法、装置和系统 | |
| CN111970277B (zh) | 基于联邦学习的流量识别方法及装置 | |
| CN112785086A (zh) | 信贷逾期风险预测方法及装置 | |
| CN112561684A (zh) | 金融欺诈风险识别方法、装置、计算机设备及存储介质 | |
| CN112116008B (zh) | 基于智能决策的目标检测模型的处理方法、及其相关设备 | |
| CN112199709A (zh) | 基于多方的隐私数据联合训练模型的方法和装置 | |
| CN112132676B (zh) | 联合训练目标模型的贡献度的确定方法、装置和终端设备 | |
| CN110287316A (zh) | 一种告警分类方法、装置、电子设备及存储介质 | |
| CN112039702A (zh) | 基于联邦学习和相互学习的模型参数训练方法及装置 | |
| CN112785002A (zh) | 模型构建优化方法、设备、介质及计算机程序产品 | |
| CN114186256B (zh) | 神经网络模型的训练方法、装置、设备和存储介质 | |
| CN113409134A (zh) | 基于联邦学习的企业融资授信方法及装置 | |
| CN111563267A (zh) | 用于联邦特征工程数据处理的方法和装置 | |
| CN110837653A (zh) | 标签预测方法、装置以及计算机可读存储介质 | |
| CN112966878A (zh) | 一种贷款逾期预测、学习方法及装置 | |
| CN111931189A (zh) | Api接口转用风险检测方法、装置和api服务系统 | |
| CN110443624A (zh) | 基于区块链的收单商户审查方法及节点装置 | |
| CN113537516B (zh) | 分布式机器学习模型的训练方法、装置、设备和介质 | |
| CN111461223A (zh) | 异常交易识别模型的训练方法及异常交易识别方法 | |
| CN114418380A (zh) | 基于联邦学习的用户评分方法、服务器及存储介质 |
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 |