CN112070225A - 一种基于无监督学习的实体卡异常绑卡报警的方法 - Google Patents

一种基于无监督学习的实体卡异常绑卡报警的方法 Download PDF

Info

Publication number
CN112070225A
CN112070225A CN202010903192.2A CN202010903192A CN112070225A CN 112070225 A CN112070225 A CN 112070225A CN 202010903192 A CN202010903192 A CN 202010903192A CN 112070225 A CN112070225 A CN 112070225A
Authority
CN
China
Prior art keywords
card
binding
abnormal
alarm
cluster
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
Application number
CN202010903192.2A
Other languages
English (en)
Other versions
CN112070225B (zh
Inventor
王巍
韩笑跃
陈品竹
刘俊旺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Multipoint Shenzhen Digital Technology Co ltd
Original Assignee
Multipoint Shenzhen Digital Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Multipoint Shenzhen Digital Technology Co ltd filed Critical Multipoint Shenzhen Digital Technology Co ltd
Priority to CN202010903192.2A priority Critical patent/CN112070225B/zh
Publication of CN112070225A publication Critical patent/CN112070225A/zh
Application granted granted Critical
Publication of CN112070225B publication Critical patent/CN112070225B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/08—Network architectures or network communication protocols for network security for authentication of entities
    • H04L63/083—Network architectures or network communication protocols for network security for authentication of entities using passwords

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Medical Informatics (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于无监督学习的实体卡异常绑卡报警的方法，包括(1)业务处理，(2)数据处理以及(3)建模和报警三步；且上述步骤由异常绑卡报警系统完成，该异常绑卡报警系统由业务处理系统，数据处理系统以及建模和报警系统组成。本发明提供一种基于无监督学习的实体卡异常绑卡报警的方法，通过该方法使得系统可以通过无监督学习，并自动发现实体卡异常绑卡行为以便于及时处理，极大的提高了安全性，能够很好的避免商家以及用户的风险，更好的促进了商家的发展。

Description

一种基于无监督学习的实体卡异常绑卡报警的方法
技术领域
本发明属于安全领域，具体是指一种基于无监督学习的实体卡异常绑卡报警的方法。
背景技术
未来随着科技的进步和时间的推移，线下线上一体化将会成为必然趋势。而线下线上资产共享是助力商家实现线下线上一体化的途径之一。线下线上一体化为商家和用户提供实体卡消费便利的同时也带来潜在风险。如，异常用户可能采用非常规方式绑定他人实体卡。
如何识别异常用户的绑卡行为则是系统需要解决的问题之一。而常见的预测异常绑卡行为的方案是通过配置阈值来进行判断绑卡行为是否异常，但是此方案需要人为配置报警规则，需要依赖配置人员的经验，如果报警规则设置不合理，则可能当异常绑卡发生时无法报警或者正常绑卡行为误报警。
发明内容
本发明的目的在于克服上述问题，提供一种基于无监督学习的实体卡异常绑卡报警的方法，通过该方法使得系统可以通过无监督学习，并自动发现实体卡异常绑卡行为以便于及时处理，极大的提高了安全性，能够很好的避免商家以及用户的风险，更好的促进了商家的发展。
本发明的目的通过下述技术方案实现：
一种基于无监督学习的实体卡异常绑卡报警的方法，包括(1)业务处理，(2)数据处理以及(3)建模和报警三步；
且上述步骤由异常绑卡报警系统完成，该异常绑卡报警系统由如下三个子系统组成：
业务处理系统：通过设置服务器为用户提供绑卡功能，并将用户的绑卡结果进行存储；
数据处理系统：采集业务系统存储的用户绑卡结果，并对采集的用户绑卡结果进行处理，最终形成及其学习特征数据；
建模和报警系统：以数据处理系统形成的学习特征数据作为样本数据，对学习特征数据进行聚类，对聚类的结果进行分析并在需要报警时进行报警。
步骤(1)的具体过程为：
(11)用户通过手机端或网页端向服务器发送绑卡请求；
(12)服务器验证绑卡请求；
(13)服务器将绑卡请求的验证结果向手机端或网页端进行反馈；
(14)服务器将绑卡请求以及验证结果导入数据库中进行存储。
步骤(11)中所述的绑卡请求包括用户号，卡面号以及卡片密码；步骤(13)中验证结果是通过服务器对绑卡请求中的卡面号和卡片密码进行计算得到的结果，若计算结果正确则绑卡成功，服务器将成功信息通过手机端或网页端向用户进行反馈并进入步骤(14)，若计算结果错误则绑卡失败，服务器将失败信息通过手机端或网页端向用户进行反馈并结束业务处理过程。
步骤(2)的具体过程为：
(21)通过设置数据采集模块从数据库中采集绑卡请求以及验证结果；
(22)对采集的绑卡请求以及验证结果进行统计处理得到统计数据；
(23)对统计数据进行空值处理，均一化处理以及异常值处理得到学习特征数据。
步骤(22)中所述的统计数据包括用户号在预设周期内的绑卡次数以及绑卡金额。
步骤(3)的具体过程为：
(31)建立机器学习模型；
(32)机器学习模型加载学习特征数据；
(33)机器学习模型对加载的学习特征数据进行计算并得到计算结果；
(34)根据计算结果进行分析，当分析结果为正常时则跳过，当分析结果为异常时则进行报警反馈。
步骤(33)中计算采用K-Means聚类算法进行聚类分群，具体的算法为：
(a)从学习特征数据中随机选取K个对象作为初始的聚类中心；
(b)分别计算每个学习特征数据到聚类中心的距离，并将每个数据点分配到不同的聚类中心；
(c)当学习特征数据全部计算完成后，重新计算K个聚类的中心位置，若重新计算的K个距离类的中心位置与上一次计算的K个聚类的中心位置不同则进入步骤(d)，若重新计算的K个距离类的中心位置与上一次计算的K个聚类的中心位置相同则完成计算；
(d)将重新计算的K个聚类的中心位置作为初始的聚类中心，并返回步骤(b)。
K-Means聚类算法公式为：
C(i)：当前样本x(i)的簇的索引；
μk：第k个聚簇中心；
xi：第i个数据；
Figure BDA0002660464890000031
求最小化公式：min J(c(1)..c(m)，μ1..μk)。
步骤(34)中以计算结果为依据，其中所有的用户分被为两个聚类，任意一个聚类中的所有用户的相似度较高，而两个聚类间的用户的相似度较低，两个聚类中用户数量多的聚类为正常客户聚类，用户数量少的聚类即为异常客户聚类，当分析的用户属于正常客户聚类时则跳过，当分析的用户为异常客户聚类时则进行报警反馈。
步骤(34)中报警反馈是指通过邮件或者短信将异常信息反馈给预设设备。
本发明与现有技术相比，具有以下优点及有益效果：
本发明通过该方法使得系统可以通过无监督学习，并自动发现实体卡异常绑卡行为以便于及时处理，极大的提高了安全性，能够很好的避免商家以及用户的风险，更好的促进了商家的发展。
附图说明
图1为本发明的步骤和系统框图。
具体实施方式
下面结合实施例对本发明作进一步的详细说明，但本发明的实施方式不限于此。
实施例
如图1所示，一种基于无监督学习的实体卡异常绑卡报警的方法，包括以下步骤：
(1)业务处理；
(2)数据处理；
(3)建模和报警；
上述步骤由异常绑卡报警系统完成，该异常绑卡报警系统由如下三个子系统组成：
用于进行业务处理的业务处理系统：通过设置服务器为用户提供绑卡功能，并将用户的绑卡结果进行存储；
用于进行数据处理的数据处理系统：采集业务系统存储的用户绑卡结果，并对采集的用户绑卡结果进行处理，最终形成及其学习特征数据；
用于进行建模和报警的建模和报警系统：以数据处理系统形成的学习特征数据作为样本数据，对学习特征数据进行聚类，对聚类的结果进行分析并在需要报警时进行报警。
步骤(1)的具体过程为：
(11)用户通过手机端或网页端向服务器发送绑卡请求；
绑卡请求的具体内容包括用户号，卡面号以及卡片密码。
(12)服务器验证绑卡请求；
(13)服务器将绑卡请求的验证结果向手机端或网页端进行反馈；
验证结果是通过服务器对绑卡请求中的卡面号和卡片密码进行计算得到的结果，若计算结果正确则绑卡成功，服务器将成功信息通过手机端或网页端向用户进行反馈并进入步骤(14)，若计算结果错误则绑卡失败，服务器将失败信息通过手机端或网页端向用户进行反馈并结束业务处理过程。
(14)服务器将绑卡请求以及验证结果导入数据库中进行存储。
步骤(2)的具体过程为：
(21)通过设置数据采集模块从数据库中采集绑卡请求以及验证结果；
(22)对采集的绑卡请求以及验证结果进行统计处理得到统计数据；
所述的统计数据包括用户号在预设周期内的绑卡次数以及绑卡金额。
如，预设周期为10分钟，则统计数据包括用户号在10分钟内的绑卡次数以及绑卡的总金额。
(23)对统计数据进行空值处理，均一化处理以及异常值处理得到学习特征数据。
步骤(3)的具体过程为：
(31)建立机器学习模型；
(32)机器学习模型加载学习特征数据；
(33)机器学习模型对加载的学习特征数据进行计算并得到计算结果；
采用K-Means聚类算法进行聚类分群，具体的算法为：
(a)从学习特征数据中随机选取K个对象作为初始的聚类中心；
(b)分别计算每个学习特征数据到聚类中心的距离，并将每个数据点分配到不同的聚类中心；
(c)当学习特征数据全部计算完成后，重新计算K个聚类的中心位置，若重新计算的K个距离类的中心位置与上一次计算的K个聚类的中心位置不同则进入步骤(d)，若重新计算的K个距离类的中心位置与上一次计算的K个聚类的中心位置相同则完成计算；
(d)将重新计算的K个聚类的中心位置作为初始的聚类中心，并返回步骤(b)。
K-Means聚类算法公式为：
C(i)：当前样本x(i)的簇的索引；
μk：第k个聚簇中心；
xi：第i个数据；
Figure BDA0002660464890000061
求最小化公式：min J(c(1)..c(m)，μ1..μk)。
本申请采用的是K-Means聚类算法，在实际的计算时也可以采用K-MEDOIDS、CLARANS、BIRCH、CURE、CHAMELEON、DENCLUE、OPTICS、STING、CLIOUE、WAVE-CLUSTER等聚类算法来完成计算，极大的提高了本申请的灵活性。
(34)根据计算结果进行分析，当分析结果为正常时则跳过，当分析结果为异常时则进行报警反馈。
以计算结果为依据，其中所有的用户分被为两个聚类，任意一个聚类中的所有用户的相似度较高，而两个聚类间的用户的相似度较低，两个聚类中用户数量多的聚类为正常客户聚类，用户数量少的聚类即为异常客户聚类，当分析的用户属于正常客户聚类时则跳过，当分析的用户为异常客户聚类时则进行报警反馈。
报警反馈是指通过邮件或者短信将异常信息反馈给预设设备，相关的工作人员可以根据预设设备的报警提示及时的对相关的异常用户号进行查询和确认，进而有效的提高了系统使用的安全性，同时更好的保护了用户的权益。
如上所述，便可很好的实现本发明。

Claims (10)

1.一种基于无监督学习的实体卡异常绑卡报警的方法，其特征在于，包括(1)业务处理，(2)数据处理以及(3)建模和报警三步；
且上述步骤由异常绑卡报警系统完成，该异常绑卡报警系统由如下三个子系统组成：
业务处理系统：通过设置服务器为用户提供绑卡功能，并将用户的绑卡结果进行存储；
数据处理系统：采集业务系统存储的用户绑卡结果，并对采集的用户绑卡结果进行处理，最终形成及其学习特征数据；
建模和报警系统：以数据处理系统形成的学习特征数据作为样本数据，对学习特征数据进行聚类，对聚类的结果进行分析并在需要报警时进行报警。
2.根据权利要求1所述的一种基于无监督学习的实体卡异常绑卡报警的方法，其特征在于：步骤(1)的具体过程为：
(11)用户通过手机端或网页端向服务器发送绑卡请求；
(12)服务器验证绑卡请求；
(13)服务器将绑卡请求的验证结果向手机端或网页端进行反馈；
(14)服务器将绑卡请求以及验证结果导入数据库中进行存储。
3.根据权利要求2所述的一种基于无监督学习的实体卡异常绑卡报警的方法，其特征在于：步骤(11)中所述的绑卡请求包括用户号，卡面号以及卡片密码；步骤(13)中验证结果是通过服务器对绑卡请求中的卡面号和卡片密码进行计算得到的结果，若计算结果正确则绑卡成功，服务器将成功信息通过手机端或网页端向用户进行反馈并进入步骤(14)，若计算结果错误则绑卡失败，服务器将失败信息通过手机端或网页端向用户进行反馈并结束业务处理过程。
4.根据权利要求3所述的一种基于无监督学习的实体卡异常绑卡报警的方法，其特征在于：步骤(2)的具体过程为：
(21)通过设置数据采集模块从数据库中采集绑卡请求以及验证结果；
(22)对采集的绑卡请求以及验证结果进行统计处理得到统计数据；
(23)对统计数据进行空值处理，均一化处理以及异常值处理得到学习特征数据。
5.根据权利要求4所述的一种基于无监督学习的实体卡异常绑卡报警的方法，其特征在于：步骤(22)中所述的统计数据包括用户号在预设周期内的绑卡次数以及绑卡金额。
6.根据权利要求5所述的一种基于无监督学习的实体卡异常绑卡报警的方法，其特征在于：步骤(3)的具体过程为：
(31)建立机器学习模型；
(32)机器学习模型加载学习特征数据；
(33)机器学习模型对加载的学习特征数据进行计算并得到计算结果；
(34)根据计算结果进行分析，当分析结果为正常时则跳过，当分析结果为异常时则进行报警反馈。
7.根据权利要求6所述的一种基于无监督学习的实体卡异常绑卡报警的方法，其特征在于：步骤(33)中计算采用K-Means聚类算法进行聚类分群，具体的算法为：
(a)从学习特征数据中随机选取K个对象作为初始的聚类中心；
(b)分别计算每个学习特征数据到聚类中心的距离，并将每个数据点分配到不同的聚类中心；
(c)当学习特征数据全部计算完成后，重新计算K个聚类的中心位置，若重新计算的K个距离类的中心位置与上一次计算的K个聚类的中心位置不同则进入步骤(d)，若重新计算的K个距离类的中心位置与上一次计算的K个聚类的中心位置相同则完成计算；
(d)将重新计算的K个聚类的中心位置作为初始的聚类中心，并返回步骤(b)。
8.根据权利要求7所述的一种基于无监督学习的实体卡异常绑卡报警的方法，其特征在于：K-Means聚类算法公式为：
C(i)：当前样本x(i)的簇的索引；
μk：第k个聚簇中心；
xi：第i个数据；
Figure FDA0002660464880000031
求最小化公式：min J（c（1）·c(m)，μ1..μk)。
9.根据权利要求8所述的一种基于无监督学习的实体卡异常绑卡报警的方法，其特征在于：步骤(34)中以计算结果为依据，其中所有的用户分被为两个聚类，任意一个聚类中的所有用户的相似度较高，而两个聚类间的用户的相似度较低，两个聚类中用户数量多的聚类为正常客户聚类，用户数量少的聚类即为异常客户聚类，当分析的用户属于正常客户聚类时则跳过，当分析的用户为异常客户聚类时则进行报警反馈。
10.根据权利要求9所述的一种基于无监督学习的实体卡异常绑卡报警的方法，其特征在于：步骤(34)中报警反馈是指通过邮件或者短信将异常信息反馈给预设设备。
CN202010903192.2A 2020-09-01 2020-09-01 一种基于无监督学习的实体卡异常绑卡报警的方法 Active CN112070225B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010903192.2A CN112070225B (zh) 2020-09-01 2020-09-01 一种基于无监督学习的实体卡异常绑卡报警的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010903192.2A CN112070225B (zh) 2020-09-01 2020-09-01 一种基于无监督学习的实体卡异常绑卡报警的方法

Publications (2)

Publication Number Publication Date
CN112070225A true CN112070225A (zh) 2020-12-11
CN112070225B CN112070225B (zh) 2023-10-10

Family

ID=73666282

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010903192.2A Active CN112070225B (zh) 2020-09-01 2020-09-01 一种基于无监督学习的实体卡异常绑卡报警的方法

Country Status (1)

Country Link
CN (1) CN112070225B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104301431A (zh) * 2014-10-29 2015-01-21 深圳先进技术研究院 一种基于多源大数据gis的重点人群实时监控系统
CN104317918A (zh) * 2014-10-29 2015-01-28 深圳先进技术研究院 基于复合大数据gis的异常行为分析及报警系统
CN106846207A (zh) * 2017-01-19 2017-06-13 四川华迪信息技术有限公司 医养结合信息服务与预警平台及控制方法
CN107798541A (zh) * 2016-08-31 2018-03-13 苏宁云商集团股份有限公司 一种用于在线业务的监控方法及系统
CN108062555A (zh) * 2016-11-08 2018-05-22 南京理工大学 基于Spark流式聚类的监测数据预警系统
CN108269012A (zh) * 2018-01-12 2018-07-10 中国平安人寿保险股份有限公司 风险评分模型的构建方法、装置、存储介质及终端
CN108512827A (zh) * 2018-02-09 2018-09-07 世纪龙信息网络有限责任公司 异常登录的识别和监督学习模型的建立方法、装置
CN109598278A (zh) * 2018-09-20 2019-04-09 阿里巴巴集团控股有限公司 聚类处理方法、装置、电子设备及计算机可读存储介质
CN109697332A (zh) * 2019-01-14 2019-04-30 重庆邮电大学 一种基于非监督学习方法的流计算系统的异常监测方案
WO2019105296A1 (zh) * 2017-11-29 2019-06-06 华为技术有限公司 绑卡方法及终端
CN110751231A (zh) * 2019-10-30 2020-02-04 上海观安信息技术股份有限公司 一种基于无监督算法的养卡号码检测方法及系统
WO2020038353A1 (zh) * 2018-08-21 2020-02-27 瀚思安信（北京）软件技术有限公司 异常行为检测方法及系统
CN110992043A (zh) * 2019-11-05 2020-04-10 支付宝(杭州)信息技术有限公司 一种风险实体挖掘的方法和装置

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104301431A (zh) * 2014-10-29 2015-01-21 深圳先进技术研究院 一种基于多源大数据gis的重点人群实时监控系统
CN104317918A (zh) * 2014-10-29 2015-01-28 深圳先进技术研究院 基于复合大数据gis的异常行为分析及报警系统
CN107798541A (zh) * 2016-08-31 2018-03-13 苏宁云商集团股份有限公司 一种用于在线业务的监控方法及系统
CN108062555A (zh) * 2016-11-08 2018-05-22 南京理工大学 基于Spark流式聚类的监测数据预警系统
CN106846207A (zh) * 2017-01-19 2017-06-13 四川华迪信息技术有限公司 医养结合信息服务与预警平台及控制方法
WO2019105296A1 (zh) * 2017-11-29 2019-06-06 华为技术有限公司 绑卡方法及终端
CN108269012A (zh) * 2018-01-12 2018-07-10 中国平安人寿保险股份有限公司 风险评分模型的构建方法、装置、存储介质及终端
CN108512827A (zh) * 2018-02-09 2018-09-07 世纪龙信息网络有限责任公司 异常登录的识别和监督学习模型的建立方法、装置
WO2020038353A1 (zh) * 2018-08-21 2020-02-27 瀚思安信（北京）软件技术有限公司 异常行为检测方法及系统
CN109598278A (zh) * 2018-09-20 2019-04-09 阿里巴巴集团控股有限公司 聚类处理方法、装置、电子设备及计算机可读存储介质
CN109697332A (zh) * 2019-01-14 2019-04-30 重庆邮电大学 一种基于非监督学习方法的流计算系统的异常监测方案
CN110751231A (zh) * 2019-10-30 2020-02-04 上海观安信息技术股份有限公司 一种基于无监督算法的养卡号码检测方法及系统
CN110992043A (zh) * 2019-11-05 2020-04-10 支付宝(杭州)信息技术有限公司 一种风险实体挖掘的方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
RACHEL GOSHORN等: "Abnormal behavior-detection using sequential syntactical classification in a network of clustered cameras", 《SECOND ACM/IEEE INTERNATIONAL CONFERENCE ON DISTRIBUTED SMART CAMERAS》, pages 1 - 10 *
甘鹭: "基于机器学习算法的信用风险预测模型研究一以某互联网金融公司数据样本为例", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 1, pages 140 - 93 *

Also Published As

Publication number Publication date
CN112070225B (zh) 2023-10-10

Similar Documents

Publication Publication Date Title
EP3884410B1 (en) System and method for adaptively determining an optimal authentication scheme
CN112434742A (zh) 一种识别以太坊上庞氏骗局的方法、系统及设备
CN112990386B (zh) 用户价值聚类方法、装置、计算机设备和存储介质
CN110033365A (zh) 一种个人信用贷款审批系统及方法
CN111343162B (zh) 系统安全登录方法、装置、介质及电子设备
CN110276621A (zh) 数据卡反欺诈识别方法、电子装置及可读存储介质
CN110544100A (zh) 基于机器学习的业务识别方法、装置及介质
CN106657062B (zh) 用户识别的方法和装置
CN111062444A (zh) 信用风险预测方法、系统、终端及存储介质
CN106604281A (zh) 一种确定手机号码稳定性的方法及设备
CN112634017A (zh) 远程开卡激活方法、装置、电子设备及计算机存储介质
CN116402625B (zh) 客户评估方法、装置、计算机设备及存储介质
CN112070225A (zh) 一种基于无监督学习的实体卡异常绑卡报警的方法
CN116596659A (zh) 基于大数据风控的企业智能化信贷审批方法、系统及介质
CN116305076A (zh) 基于签名的身份信息注册样本在线更新方法、系统及存储介质
CN115099937A (zh) 资产配置信息共享方法及其系统、计算机设备
CN111640502B (zh) 配送对象的健康状态检测方法及装置
CN112116405B (zh) 数据处理方法、装置、电子设备及介质
CN114363082A (zh) 网络攻击检测方法、装置、设备及计算机可读存储介质
CN113487320A (zh) 欺诈交易检测方法、装置、计算机设备和存储介质
CN112085469A (zh) 基于向量机模型的数据审批方法、装置、设备及存储介质
CN111555889A (zh) 电子签名的验证方法、装置、计算机设备和存储介质
CN113822648B (zh) 互联网护理平台审批数据的处理方法
CN111581512B (zh) 一种网页访客数量统计方法及装置
CN113726736B (zh) 基于个体行为内聚性的身份认证方法及系统

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