CN112330332A - 识别关于节点任务的欺诈风险的方法、计算设备和介质 - Google Patents
识别关于节点任务的欺诈风险的方法、计算设备和介质 Download PDFInfo
- Publication number
- CN112330332A CN112330332A CN202110005191.0A CN202110005191A CN112330332A CN 112330332 A CN112330332 A CN 112330332A CN 202110005191 A CN202110005191 A CN 202110005191A CN 112330332 A CN112330332 A CN 112330332A
- Authority
- CN
- China
- Prior art keywords
- task
- predetermined
- determining
- node
- risk
- 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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Computer Security & Cryptography (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种用于识别关于节点任务的欺诈风险的方法、计算设备和存储介质。该方法包括:获取任务节点针对预定应用的多个预定操作的操作信息和多个位置信息;响应于确定预定时间间隔达到,确定与多个位置信息相关联的目标区域的总数量和相同目标区域的数量;计算预定时间间隔内任务节点所在位置的集中度;响应于确定集中度大于或者等于预定集中度阈值,将任务节点与风险标识相关联;针对向任务节点所分配的节点任务和来自任务节点的关于任务对象的数据进行风险管控操作。本公开能够有效识别交易风险同时保证用户使用便捷性能够同时保证用户的便捷性以及系统并准确识别关于节点任务的欺诈风险。
Description
技术领域
本公开总体上涉及交易安全技术,具体地,涉及用于识别关于节点任务的欺诈风险的方法、计算设备和计算机可读存储介质。
背景技术
随着互联网技术的发展,人们不仅可以通过互联网购买商品,而且可以通过互联网来进行申请和获批保险等金融产品或者服务。保险等金融产品或者服务对用户信息的真实性有较高的要求,因此需要业务人员通过与用户当面确认(例如面签、拜访等)的方式协助识别金融产品或者服务申请过程中是否可能出现的虚假信息和欺诈行为。
传统的用于识别欺诈风险的方案例如包括:业务人员经由移动设备到用户所在位置处采集或调查用户的属性信息、当面获取用户签名、确认用户是否有不良记录以及用户信息是否存在不实内容、协助用户申请金融产品或者服务等,由此,可以提高用户申请保险等金融产品或者服务的便捷性,而且能够一定程度地保障金融产品或者服务审批过程中的安全性。但是,上述传统的用于识别欺诈风险的方案中,用户属性信息和用户签名等信息的真实性主要由执行任务的业务人员所采集和确定,因此,上述传统的用于识别欺诈风险的方案难以系统并准确地识别因任务节点的欺诈行为或者非正常客户来源等原因而导致的欺诈风险。
综上,传统的用于识别欺诈风险的方案难以系统并准确地识别因任务节点的欺诈行为或者非正常客户来源等原因而导致的欺诈风险,进而无法同时保证用户的便捷性以及系统并准确识别欺诈风险。
发明内容
本公开提供了一种用于识别关于节点任务的欺诈风险的方法、计算设备和计算机可读存储介质,能够同时保证用户的便捷性以及系统并准确识别关于节点任务的欺诈风险。
根据本公开的第一方面,提供了一种用于识别关于节点任务的欺诈风险的方法,该方法包括:在管理设备处,获取任务节点针对预定应用的多个预定操作的操作信息和多个位置信息,操作信息至少指示多个预定操作的属性、任务节点执行多个预定操作的多个对应时间,多个位置信息中的每一个位置信息指示对应的预定操作被执行时任务节点的所在位置,任务节点包括移动设备;响应于确定预定时间间隔达到,基于多个位置信息之间的距离,确定与多个位置信息相关联的目标区域的总数量和相同目标区域的数量;基于相同目标区域的数量和目标区域的总数量,计算预定时间间隔内任务节点执行多个预定操作时所在位置的集中度;响应于确定集中度大于或者等于预定集中度阈值,将任务节点与风险标识相关联,预定集中度阈值与预定时间间隔相关联;以及至少基于风险标识,针对向任务节点所分配的节点任务和来自任务节点的关于任务对象的数据进行风险管控操作。本公开的方法能够同时保证用户的便捷性以及系统并准确识别关于节点任务的欺诈风险。
根据本发明的第二方面,还提供了一种计算设备,该设备包括:一个或多个处理器;以及存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得设备执行本公开的第一方面的方法。
根据本公开的第三方面,还提供了一种计算机可读存储介质。该计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现本公开的第一方面的方法。
在一些实施例中,用于识别关于节点任务的欺诈风险的方法还包括:获取多个任务节点针对预定应用执行预定操作所对应的多个历史位置信息,以便形成历史位置信息样本集;从多个历史位置信息中选择部分数量的历史位置信息作为多个类簇的类簇中心;对于历史位置信息样本集中除多个类簇中心之外的每个剩余历史位置信息,分别确定剩余历史位置信息与多个类簇中心之间的多个距离,以便将剩余历史位置信息分配至距离剩余历史位置信息最近的类簇中心所属的类簇中;针对多个类簇中心所属的多个类簇中的每个类簇,基于被分配至类簇中的多个历史位置信息,更新类簇的类簇中心;确定多个类簇的多个类簇中心是否不再变化;响应于确定多个类簇的多个类簇中心不再变化,针对类簇中的历史位置信息与对应的类簇中心的簇内距离以递减的方式进行排序;以及响应于确定排序顺序为预定顺序的两个簇内距离满足预定条件,将与类簇中心所关联的历史位置信息距离预定范围之内的区域确定为风险区域。
在一些实施例中,确定排序顺序为预定顺序的两个簇内距离满足预定条件包括:确定排序顺序分别为第一和第二的第一簇内距离和第二簇内距离;响应于确定第一簇内距离大于或者等于预定倍数的第二簇内距离,将类簇中心所关联的历史位置信息为风险历史位置信息;以及将距离风险历史位置信息预定范围之内的区域确定为风险区域。
在一些实施例中,其中预定倍数为1.5。
在一些实施例中,用于识别关于节点任务的欺诈风险的方法还包括:获取用于执行节点任务的任务节点的任务对象的关联位置,节点任务至少包括:用于获取任务对象的签字的任务、针对任务对象进行调查的任务;以及响应于确定任务对象的关联位置属于风险区域,调整关于任务对象的关联阈值设置。
在一些实施例中,获取任务节点针对预定应用的多个预定操作的操作信息和多个位置信息包括:响应于确定节点任务为针对任务对象进行调查的任务,确定预定应用的拍照操作是否被执行;以及响应于确定预定应用的拍照操作被执行,将任务节点的当前GPS数据确定与关于任务对象的图像采集操作或上传数据操作所对应的位置信息。
在一些实施例中,确定与多个位置信息相关联的目标区域的总数量和相同目标区域的数量包括:循环计算多个位置信息中的每两个位置信息之间的距离;响应于确定当前两个位置信息之间的距离小于或者等于预定距离阈值,将当前两个位置信息所分别关联的目标区域确定为相同目标区域;计算与多个位置信息相关联相同目标区域的数量;以及将多个位置信息的数量确定为目标区域的总数量。
在一些实施例中,确定与多个位置信息相关联的目标区域的总数量和相同目标区域的数量包括:将多个位置信息中的每一个位置信息所指示的经度信息和纬度信息分别转换为经度二进制数据和纬度二进制数据,以便将经度二进制数据和纬度二进制数据合并为一维的经纬度二进制数据,经纬度二进制数据包括多个数值;将经纬度二进制数据以每五个数值为一组转换为经纬度十进制数据,以便基于预定编码方式将经纬度十进制数据转换为与位置信息对应的位置编码信息;基于与位置信息对应的位置编码信息和标识预定区域的区块的编码信息,确定与多个位置信息相关联的相同区块,以便将相同区块确定为相同目标区域,预定区域被预先基于预定区域的经纬度信息分割成多个区块,并且多个区块中的每一个区块由预定编码方式所确定的一编码信息所标识;计算与多个位置信息相关联相同目标区域的数量;以及将经转换的位置编码信息所对应的区块的总数量确定为目标区域的总数量。
在一些实施例中,用于识别关于节点任务的欺诈风险的方法还包括:响应于第二预定时间间隔达到,基于第一预定操作的属性,获取第一操作位置信息,第一操作位置信息指示第一预定操作被执行时任务节点的所在位置;确定与第一操作位置信息相关联的相同目标区域的数量;基于相同目标区域的数量和第一操作位置信息的总数量,计算第二预定时间间隔内任务节点执行第一预定操作时所在位置的第一操作集中度,第一预定操作为关于增加新的任务对象的操作和关于提交任务对象的请求的操作中的一项。
在一些实施例中,确定预定时间间隔达到包括:响应于确定第一预定时间间隔达到,将预定集中度阈值确定为第一预定集中度阈值;以及响应于确定第三预定时间间隔达到,将预定集中度阈值确定为第三预定集中度阈值,第三预定时间间隔大于第一预定时间间隔,第三预定集中度阈值小于第一预定集中度阈值。
在一些实施例中,至少基于风险标识,针对向任务节点所分配的节点任务和来自任务节点的关于任务对象的数据进行风险管控操作包括:确定任务节点是否关联有第一风险标识;响应于确定任务节点关联有第一风险标识,确定任务节点是否关联有第二风险标识;响应于确定任务节点未关联有第二风险标识,向任务节点发送提示信息并且降低任务节点的权限,第一风险标识是响应于确定集中度大于或者等于第一预定集中度阈值而生成的;以及响应于确定任务节点关联有第二风险标识,禁止向任务节点分配节点任务并且针对来自任务节点的任务执行结果数据不予确认,第二风险标识是响应于确定集中度大于或者等于第三预定集中度阈值而生成的。
在一些实施例中,确定预定时间间隔达到包括:响应于确认任务节点关联有风险标识,记录任务节点的历史操作信息和历史位置信息;基于所记录的、关联有风险标识的多个任务节点的多个历史操作信息和多个历史位置信息,生成用于训练风险预测模型的多个样本数据,风险预测模型是基于神经网络模型而构建的;以及基于多个样本数据,训练风险预测模型,风险预测模型用于提取当前任务节点的操作信息和多个位置信息的特征,以便基于所提取的特征而预测关于当前任务节点的风险概率;基于集中度和风险概率,以便确定当前任务节点与风险标识的关联性。
提供发明内容部分是为了以简化的形式来介绍对概念的选择,它们在下文的具体实施方式中将被进一步描述。发明内容部分无意标识本公开的关键特征或主要特征,也无意限制本公开的范围。
附图说明
图1示出了根据本公开的实施例的用于识别关于节点任务的欺诈风险的方法的系统的示意图。
图2示出了根据本公开的实施例的用于识别关于节点任务的欺诈风险的方法的流程图。
图3示意性示出了根据本公开的另一实施例的用于确定与多个位置信息相关联的目标区域的总数量和相同目标区域的数量的方法的流程图。
图4示出了根据本公开的实施例的用于确定风险区域的方法的流程图。
图5示出了根据本公开的实施例的用于确定第一操作集中度的方法的流程图。
图6示意性示出了适于用来实现本公开的实施例的电子设备的框图。
在各个附图中,相同或对应的标号表示相同或对应的部分。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施例。虽然附图中显示了本公开的优选实施例,然而应该理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
在本文中使用的术语“包括”及其变形表示开放性包括,即“包括但不限于”。除非特别申明,术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。
如前文所描述,在传统的用于识别欺诈风险的方案中,用户属性信息和用户签名等信息的真实性主要由执行任务的业务人员所采集和确定,因此,难以系统并准确地识别因任务节点的欺诈行为或者非正常客户来源等原因而导致的欺诈风险,进而无法同时保证用户的便捷性以及系统并准确识别欺诈风险。
为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个,本公开的示例实施例提出了一种用于识别关于节点任务的欺诈风险的方案,本公开方案通过获取任务节点针对多个预定操作的操作信息和多个位置信息,本公开能够准确获得任务节点执行业务操作的实际地理位置。另外,通过确定与多个位置信息相关联的相同目标区域的数量,以及计算预定时间间隔内的任务节点执行多个预定操作时所在位置的集中度,本公开能够准确识别任务节点执行业务时的聚集位置和聚集程度。并且通过在确定集中度高于与预定时间间隔相关联的预定集中度阈值时将任务节点与风险标识相关联,以用于基于风险标识来针对向任务节点所分配的节点任务和来自任务节点的关于任务对象的数据进行风险管控操作,本公开能够针对任务节点执行业务操作时位置过于集中的非正常情形进行风险管控操作,并且可以针对不同预定时间间隔自动配置差异的集中度阈值以便进行比较,以便避免因偶然因素所导致的个别期间集中度过高而引发的识别错误,因此,本公开的方法能够同时保证用户的便捷性以及系统并准确识别关于节点任务的欺诈风险。
图1示出了根据本公开的实施例的用于实施用于识别关于节点任务的欺诈风险的方法的系统100的示意图。如图1所示,系统100包括:管理设备110、多个任务节点130(例如包括第一任务节点130-1至第N任务节点130-N,N为正整数)、多个任务对象的用户设备140(例如包括第一用户设备140-1至第N用户设备140-M ,M为正整数)、网络150。管理设备110可以通过无线的方式(例如网络150)与多个任务节点130、任务对象的用户设备140进行数据交互。
管理设备110(例如为计算设备)可以具有一个或多个处理单元,包括诸如GPU、FPGA和ASIC等的专用处理单元以及诸如CPU的通用处理单元。另外,在每个管理设备上也可以运行着一个或多个虚拟机。管理设备110例如至少包括:操作信息和位置信息获取单元112、目标区域数量确定单元114、预定时间间隔内集中度计算单元116、预定集中度阈值比较单元118、任务节点与风险标识相关联单元120、风险管控操作单元122。
关于操作信息和位置信息获取单元112,其用于在管理设备处,获取任务节点针对预定应用的多个预定操作的操作信息和多个位置信息,操作信息至少指示多个预定操作的属性、任务节点执行多个预定操作的多个对应时间,多个位置信息中的每一个位置信息指示对应的预定操作被执行时任务节点的所在位置,任务节点包括移动设备。
目标区域数量确定单元114,其用于确定预定时间间是否隔达到,如果确定预定时间间隔达到,基于多个位置信息之间的距离,确定与多个位置信息相关联的目标区域的总数量和相同目标区域的数量。
关于预定时间间隔内集中度计算单元116,其用于基于相同目标区域的数量和目标区域的总数量,计算预定时间间隔内任务节点执行多个预定操作时所在位置的集中度。
关于预定集中度阈值比较单元118,其用于确定集中度是否大于或者等于预定集中度阈值。
关于任务节点与风险标识相关联单元120,其用于如果确定集中度大于或者等于预定集中度阈值,将任务节点与风险标识相关联,预定集中度阈值与预定时间间隔相关联。
关于风险管控操作单元122,其用于至少基于风险标识,针对向任务节点所分配的节点任务和来自任务节点的关于任务对象的数据进行风险管控操作。
图2示出了根据本公开的实施例的用于识别关于节点任务的欺诈风险的方法200的流程图。应当理解,方法200例如可以在图6所描述的电子设备600处执行。也可以在图1所描述的管理设备110处执行。应当理解,方法200还可以包括未示出的附加动作和/或可以省略所示出的动作,本公开的范围在此方面不受限制。
在步骤202处,管理设备110获取任务节点针对预定应用的多个预定操作的操作信息和多个位置信息,操作信息至少指示多个预定操作的属性、任务节点执行多个预定操作的多个对应时间,多个位置信息中的每一个位置信息指示对应的预定操作被执行时任务节点的所在位置,任务节点包括移动设备。
例如,管理设备110可以获取(例如通过埋点的方式)单个任务节点在预定时间间隔内的针对预定应用的所有预定操作的操作信息和对应的位置信息。也可以获取多个任务节点中的每个任务节点在预定时间间隔内的针对预定应用的所有预定操作的操作信息和对应的位置信息。
关于任务节点,其例如而不限于是银行的客户经理的移动设备。
关于任务节点所执行的节点任务,其例如包括:用于获取任务对象的签字的任务、针对任务对象进行调查的任务。该节点任务例如是由管理设备110所分配给任务节点的。如果管理设备110确定某个任务节点关联有指示高风险的风险标识,则管理设备110可以停止向该任务节点分配节点任务。
关于节点任务所针对的任务对象,其例如是用户或者客户。该用户例如而不限于是申请贷款的用户。在一些实施例中,在任务对象授权的情况下,任务对象操作预定应用时,管理设备110可以获得任务对象的位置信息,进而基于任务对象的位置信息与对应的任务节点位置信息的关联性确定是否存在欺诈风险。在一些实施例中,管理设备110无法获得任务对象的位置信息。关于节点任务的欺诈风险例如是非正常客户来源的骗贷。
关于任务节点执行的多个预定操作,其例如包括:登录操作、拜访任务对象的操作、关于任务对象的图像的采集操作、关于任务对象的请求(例如贷款申请的提交操作、新增任务对象的操作、贷款操作、贷后操作等等。获取任务节点针对预定应用的多个预定操作的操作信息和多个位置信息包括:响应于确定节点任务为针对任务对象进行调查的任务,确定预定应用的拍照操作是否被执行;以及响应于确定预定应用的拍照操作被执行,将任务节点的当前GPS数据确定与关于任务对象的图像采集操作或上传数据操作所对应的位置信息。通过采用上述方式,使得经由预定应用采集关于任务对象的图像数据时自动获得任务节点的真实位置信息,本公开能够避免对采集位置的人为篡改。
在步骤204处,管理设备110确定预定时间间隔是否达到。如果管理设备110确定预定时间间隔还未达到,跳转至步骤202。该预定时间间隔例如为一周、两周以及一个月等预先设定的不同的时间段。
在步骤206处,如果管理设备110确定预定时间间隔达到,确定与多个位置信息相关联的目标区域的总数量和相同目标区域的数量。所提及的多个位置信息例如是预定时间间隔任务节点执行所有预定操作时任务节点所在的多个位置。
确定目标区域的总数量和相同目标区域的数量的方式例如包括:管理设备110循环计算多个位置信息中的每两个位置信息之间的距离;如果于确定当前两个位置信息之间的距离小于或者等于预定距离阈值,将当前两个位置信息所分别关联的目标区域确定为相同目标区域;计算与多个位置信息相关联相同目标区域的数量;以及将多个位置信息的数量确定为目标区域的总数量。
关于确定多个位置信息中的两个位置信息之间的距离的方式可以包括多种。以下结合公式(1)来说明两个位置信息之间的距离的计算方式。
在上述公式(1)中,代表两个位置信息中的第一位置信息所指示的经度。代表第一位置信息所指示的纬度。为第一位置信息所指示的经纬度。代表两个位置信息中的第二位置信息所指示的经度。代表第二位置信息所指示的纬度。为第二位置信息所指示的经纬度。代表两个位置信息之间的距离。代表常数。。代表地球平均半径。例如,。
关于确定相同目标区域的方式可以包括多种。在一些实施例中,确定相同目标区域的方式例如包括:管理设备110确定两个位置信息之间的距离是否小于或者等于预定距离阈值。如果确定两个位置信息之间的距离小于或者等于预定距离阈值(该预定距离阈值例如为正负50米的范围),则确定两个位置信息所关联的目标区域为相同目标区域。经研究发现,不同的任务对象所处的位置存在差异,如果某个业务节点与不同任务对象的业务操作频繁地出现在相同的地点,则表明可能存在异常。因此,可以通过确定任务节点的位置信息所关联的相同目标区域及其数量来计算任务节点预定时间间隔内的业务操作地点的分布特点。
在步骤208处,管理设备110基于相同目标区域的数量和目标区域的总数量,计算预定时间间隔内任务节点执行多个预定操作时所在位置的集中度。
计算集中度的方式例如包括多种。例如,以下结合公式(2)说明计算集中度的方法。
Con= Nsame/Nsum (2)
在上述公式(1)中, Con代表预定时间间隔内任务节点执行多个预定操作时所在位置的集中度。Nsame代表相同目标区域的数量。Nsum代表目标区域的总数量。例如预定时间间隔(例如一个月)中某任务节点执行所有预定操作涉及的位置信息关联的目标区域的总数量为100个,其中,相同目标区域的数量为80个。则预定时间间隔内该任务节点执行所有预定操作时所在位置的集中度为80%。
在步骤210处,确定集中度是否大于或者等于预定集中度阈值。如果管理设备110集中度小于预定集中度阈值,跳转至步骤202。
预定集中度阈值与预定时间间隔相关联的方式例如是:如果确定第一预定时间间隔(例如一周)达到,将预定集中度阈值确定为第一预定集中度阈值;以及如果确定第三预定时间(例如两周)间隔达到,将预定集中度阈值确定为第三预定集中度阈值,第三预定时间间隔大于第一预定时间间隔,第三预定集中度阈值小于第一预定集中度阈值。例如,如果预定时间间隔为一周,关联的预定集中度阈值例如为60%。如果预定时间间隔为两周,关联的预定集中度阈值例如为40%。
在步骤212处,如果管理设备110确定集中度大于或者等于预定集中度阈值,将任务节点与风险标识相关联,预定集中度阈值与预定时间间隔相关联。
例如,对于某个任务节点,如果一周内其执行所有预定操作时所在位置的集中度为80%,超过关联的预定集中度阈值,即60%(该阈值例如与一周这一预定时间间隔所关联),则将该任务节点与用于指示中等风险的风险标识相关联(该风险标识例如为第一风险标识)。如果两周内其执行所有预定操作时所在位置的集中度为50%,例如依然超过对应预定集中度阈值40%(该阈值例如与一个月这一预定时间间隔所对应),则将该任务节点与用于指示高风险的风险标识相关联(该风险标识例如为第二风险标识)。在一些实施例中,如果管理设备110确定某个任务节点在预定时间间隔(例如一个月)中的每一单位时间间隔单元(例如每一周)中的最高集中度所关联的目标区域重复出现(例如,每个月的每一周至少有一天的最高集中度所关联的目标区域是重复的),则将该任务节点与风险标识相关联。由此,可以识别任务节点业务操作聚集区域反复出现重合的异常现象并进行风险标识。
在一些实施例中,管理设备110还可以确认任务节点在预定时间间隔内的最高集中度所关联的目标区域;然后基于预定操作的属性,确定任务节点在最高集中度所关联的目标区域所执行的预定操作中是否包括关于任务对象数据的提交操作;如果确定任务节点在最高集中度所关联的目标区域所执行的预定操作中不包括关于任务对象数据的提交操作,则将该任务节点与风险标识相关联。由此,可以识别任务节点在其业务操作最为集中的位置未曾提交任务对象数据的异常情况。
在步骤214处,管理设备110至少基于风险标识,针对向任务节点所分配的节点任务和来自任务节点的关于任务对象的数据进行风险管控操作。
关于风险管控操作的方法,其例如包括:确定任务节点是否关联有第一风险标识;如果确定任务节点关联有第一风险标识,确定任务节点是否关联有第二风险标识;如果确定任务节点未关联有第二风险标识,向任务节点发送提示信息并且降低任务节点的权限,第一风险标识是响应于确定集中度大于或者等于第一预定集中度阈值而生成的;以及如果确定任务节点关联有第二风险标识,禁止向任务节点分配节点任务并且针对来自任务节点的任务执行结果数据不予确认,第二风险标识是响应于确定集中度大于或者等于第三预定集中度阈值而生成的。
在上述方案中,本公开方案通过获取任务节点针对多个预定操作的操作信息和多个位置信息,本公开能够准确获得任务节点执行业务操作的实际地理位置。另外,通过确定与多个位置信息相关联的相同目标区域的数量,以及计算预定时间间隔内的任务节点执行多个预定操作时所在位置的集中度,本公开能够准确识别任务节点执行业务时的聚集位置和聚集程度。并且通过在确定集中度高于与预定时间间隔相关联的预定集中度阈值时将任务节点与风险标识相关联,以用于基于风险标识来针对向任务节点所分配的节点任务和来自任务节点的关于任务对象的数据进行风险管控操作,本公开能够针对任务节点执行业务操作时位置过于集中的非正常情形进行风险管控操作,并且可以针对不同预定时间间隔自动配置差异的集中度阈值以便进行比较,以便避免因偶然因素所导致的个别期间集中度过高而引发的识别错误,因此,本公开的方法能够同时保证用户的便捷性以及系统并准确识别关于节点任务的欺诈风险。
在一些实施例中,方法200还包括:如果管理设备110确认任务节点关联有风险标识,记录任务节点的历史操作信息和历史位置信息。上述所记录的历史操作信息和历史位置信息能够反映存在风险的任务节点的操作行为与位置的关联性和特点。
然后,管理设备110基于所记录的、存在关联的风险标识的多个任务节点的多个历史操作信息和多个历史位置信息,生成用于训练风险预测模型的多个样本数据,风险预测模型是基于神经网络模型而构建的。关于风险预测模型,其例如而不限于是基于DeepFM模型构建。DeepFM模型主要包括:稀疏特征层、稠密嵌入层、FM部分和Deep部分和输出层。关于风险预测模型的输出数据,其例如是所预测的关于当前任务节点的风险概率。关于风险预测模型的输入数据,其例如包括预定操作类别特征、预定操作时间特征、位置信息的特征。预定操作类别特征例如至少包括:关于任务对象的属性信息的采集操作特征、关于任务对象的图像数据的上传操作特征、关于任务对象的图像数据的采集操作特征、关于任务对象的贷款申请的提交操作特征等等。上述风险预测模型的输入数据例如分别经由清洗、填充、归一化处理和拼接处理而生成的。
之后,管理设备110基于多个样本数据,训练风险预测模型,风险预测模型用于提取当前任务节点的操作信息和多个位置信息的特征,以便基于所提取的特征而预测关于当前任务节点的风险概率。
管理设备11基于集中度和风险概率,以便确定当前任务节点与风险标识的关联性。
在上述方案中,通过综合集中度比较和经由风险预测模型所预测的风险概率不同识别手段来确定任务节点是否存在风险,能够将基于典型风险识别规则的识别结果与基于预测模型的预测结果的相互校验,因此既可以识别典型的风险,又可以识别非典型的风险,因而能够更加全面地识别关于节点任务的欺诈风险。
图3示出了根据本公开的另一实施例的用于确定与多个位置信息相关联的目标区域的总数量和相同目标区域的数量的方法300的流程图。应当理解,方法300例如可以在图6所描述的电子设备600处执行。也可以在图1所描述的管理设备110处执行。
在步骤302处,管理设备110将多个位置信息中的每一个位置信息所指示的经度信息和纬度信息分别转换为经度二进制数据和纬度二进制数据,以便将经度二进制数据和纬度二进制数据合并为一维的经纬度二进制数据,经纬度二进制数据包括多个数值。
应当理解,经度范围是东经180到西经180,纬度范围是南纬90到北纬90,如果以西经为负、东经为正,南纬为负,北纬为正,地球经度范围为[-180, 180],纬度范围为[-90,90]。如果以本初子午线、赤道为界,地球可以分成4个大的区块。对应的可以将纬度范围[-90°, 0°)用二进制0代表,(0°, 90°]用二进制1代表,经度范围[-180°, 0°)用二进制0代表,(0°, 180°]用二进制1代表。以类似思路,然后针对大的区块以递归方式再对半划分为更小的区块,例如,以纬度范围 [-90,90]的区块为例,对半划分为更小的区块,其纬度范围(0°, 90°]和[-90°, 0°)。例如针对纬度范围(0°, 90°]的区块再对半划分为更小的区块纬度范围(0°,45°]和纬度范围(45°, 90°]。进一步针对纬度范围(0°,45°]对半划分为纬度范围(0°,22.5°]和纬度范围(22.5°, 45°],以此类推,不再赘述。上述每一个纬度范围的区块可以分别用二进制1或者0代表。
将多个位置信息中的每一个位置信息所指示的经度信息和纬度信息分别转换为经度二进制数据和纬度二进制数据的方法例如包括:管理设备110分别确定对应的每一个位置信息所指示的经度信息和纬度信息分别落点在哪些区块,然后根据这些区块的对应的二进制编码来确定转换后的经度二进制数据和纬度二进制数据,例如,位置信息的经纬度信息为(37.13579, 110.24680),其中纬度信息37.13579转换后的纬度二进制数据示意为1011100…1。经度信息110.24680转换后的经度二进制数据示意为1101001…0。
管理设备110将经度二进制数据和纬度二进制数据合并为一维经纬度二进制数据的方式例如包括:使得经度二进制数据占偶数位,使得纬度二进制数据占奇数位,按照顺序合并偶数位和奇数位,以便生成一维的经纬度二进制数据。通过采用上述手段可以将将两维的经度二进制数据和纬度二进制数据转换为一维的二进制编码。
在步骤304处,管理设备110将经纬度二进制数据以每五个数值为一组转换为经纬度十进制数据,以便基于预定编码方式将经纬度十进制数据转换为与位置信息对应的位置编码信息。
将经纬度二进制数据转换为经纬度十进制数据方式例如包括:管理设备110将上述经合并的一维的经纬度二进制数据按照每5位切分,以便分别计算每个单元的十进制数据。在一些实施例中,当以5位数为切分一维经纬度二进制数据时,每单元最大的十进制结果为31,以便与用于将经纬度十进制数据转换为位置编码信息的预定编码方式相匹配。
关于预定编码方式,其例如而不限于是Base32编码。例如以下表1示例了经纬度十进制数据转换为位置编码信息的方式。
在步骤306处,管理设备110基于与位置信息对应的位置编码信息和标识预定区域的区块的编码信息,确定与多个位置信息相关联的相同区块,以便将相同区块确定为相同目标区域,预定区域被预先基于预定区域的经纬度信息分割成多个区块,并且多个区块中的每一个区块由预定编码方式所确定的一编码信息所标识。
例如,经转换的位置编码信息为对应的区块的编码信息。根据经转换的位置编码信息所对应的区块的编码信息是否相同可以确定与对应位置信息所关联的区块是否为相同区块。该区块的长度或者宽度例如由预定编码(例如而不限于是geohash编码)的长度所确定,例如以下表2示例出预定编码长度确定方式。
在步骤308处,管理设备110计算与多个位置信息相关联相同目标区域的数量。例如,管理设备110可以计算基于经转换的位置编码信息所确定的相同区块的数量。
在步骤310处,管理设备110将经转换的位置编码信息所对应的区块的总数量确定为目标区域的总数量。
例如,此时的集中度= 相同区块的数量 /区块的总数量。
由此,本公开可以准确地识别任务节点中执行业务操作时的聚集区域,以利于提高计算任务节点的执行业务操作时位置聚集程度的准确度。
图4示意性示出了根据本公开的实施例的用于确定风险区域的方法400的流程图。应当理解,方法400例如可以在图6所描述的电子设备600处执行。也可以在图1所描述的管理设备110处执行。
在步骤402处,管理设备110获取多个任务节点针对预定应用执行预定操作所对应的多个历史位置信息,以便形成历史位置信息样本集。
在步骤404处,管理设备110从多个历史位置信息中选择部分数量的历史位置信息作为多个类簇的类簇中心。例如计算设备110从包括n个历史位置信息的历史位置信息样本集中选择k个历史位置信息作为类簇中心。其中1 < k ≤ n。
在步骤406处,计算设备110对于历史位置信息样本集中除多个类簇中心之外的每个剩余历史位置信息,分别确定剩余历史位置信息与多个类簇中心之间的多个距离,以便将剩余历史位置信息分配至距离剩余历史位置信息最近的类簇中心所属的类簇中。
以下结合公式(3)说明计算剩余历史位置信息与每个类簇中心之间的距离的方式。
在上述公式(3)中,代表第i个历史位置信息,其中1 ≤ i ≤ n。代表第j个类簇中心,其中1 ≤ j ≤ k。代表第i个历史位置信息的第t个属性(例如,经度和纬度两个属性),1 ≤ t ≤ m(m为2),表示第j个类簇中心的第t个属性。
在步骤408处,计算设备110针对多个类簇中心所属的多个类簇中的每个类簇,基于被分配至类簇中的多个历史位置信息,更新类簇的类簇中心。以下结合公式(4)说明更新类簇的类簇中心的方式。
在步骤410处,计算设备110确定多个类簇的多个类簇中心是否不再变化。即,确定更新后的多个类簇中心与更新前的多个类簇中心是否均相同,如果均相同,则表明不再变化,否则,则确定多个类簇的多个类簇中心发生变化。如果在步骤410处计算设备110确定多个类簇的至少一个类簇中心发生变化,则回到步骤404。
如果在步骤410处计算设备110确定多个类簇的多个类簇中心不再变化,在步骤412处,管理设备110针对类簇中的历史位置信息与对应的类簇中心的簇内距离以递减的方式进行排序。
在步骤414处,管理设备110确定排序顺序为预定顺序的两个簇内距离是否满足预定条件。
在步骤416处,如果管理设备110确定排序顺序为预定顺序的两个簇内距离满足预定条件,将与类簇中心所关联的历史位置信息距离预定范围之内的区域确定为风险区域。如果管理设备110确定排序顺序为预定顺序的两个簇内距离未满足预定条件,在步骤418处,将与类簇中心所关联的历史位置信息距离预定范围之内的区域确定为非风险区域。
确定排序顺序为预定顺序的两个簇内距离满足预定条件的方式例如包括:确定排序顺序分别为第一和第二的第一簇内距离和第二簇内距离;如果确定第一簇内距离大于或者等于预定倍数的第二簇内距离,将类簇中心所关联的历史位置信息为风险历史位置信息;以及将距离风险历史位置信息预定范围之内的区域确定为风险区域。
图5示出了根据本公开的实施例的用于确认与第一预定操作相关联第一操作集中度的方法500的流程图。应当理解,方法500例如可以在图6所描述的电子设备600处执行。也可以在图1所描述的管理设备110处执行。
在步骤502处,管理设备110确认第二预定时间间隔是否达到。如果管理设备110确认第二预定时间间隔尚未达到,在步骤502处继续等待。第二预定时间间隔可以与第一预定时间间隔相同或者不同。
在步骤504处,如果管理设备110确认第二预定时间间隔达到,基于第一预定操作的属性,获取第一操作位置信息,第一操作位置信息指示第一预定操作被执行时任务节点的所在位置。
在步骤506处,管理设备110确定与第一操作位置信息相关联的相同目标区域的数量。确定与第一操作位置信息相关联的相同目标区域的方式例如如前文,在此,不再赘述。
在步骤508处,管理设备110基于相同目标区域的数量和第一操作位置信息的总数量,计算第二预定时间间隔内任务节点执行第一预定操作时所在位置的第一操作集中度,第一预定操作为关于增加新的任务对象的操作和关于提交任务对象的请求的操作中的一项。
由此,本公开可以准确地识别任务节点在执行关键操作时的聚集程度,以便于准确确定欺诈风险较高的操作动作的聚集程度。
图6示意性示出了适于用来实现本公开实施例的电子设备(或者计算设备)600的框图。设备600可以是用于实现执行图2至图5所示的方法200至500的设备。如图6所示,设备600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的计算机程序指令或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序指令,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。CPU601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606、输出单元607、存储单元608,处理单元601执行上文所描述的各个方法和处理,例如执行方法200至500。例如,在一些实施例中,方法200至500可被实现为计算机软件程序,其被存储于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由CPU 601执行时,可以执行上文描述的方法200至500的一个或多个操作。备选地,在其他实施例中,CPU601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法200至500的一个或多个动作。
需要进一步说明的是,本公开可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,该编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给语音交互装置中的处理器、通用计算机、专用计算机或其它可编程数据处理装置的处理单元,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的设备、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,该模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
以上仅为本公开的可选实施例,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等效替换、改进等,均应包含在本公开的保护范围之内。
Claims (14)
1.一种用于识别关于节点任务的欺诈风险的方法,包括:
在管理设备处,获取任务节点针对预定应用的多个预定操作的操作信息和多个位置信息,所述操作信息至少指示所述多个预定操作的属性、任务节点执行所述多个预定操作的多个对应时间,所述多个位置信息中的每一个位置信息指示对应的预定操作被执行时所述任务节点的所在位置,所述任务节点包括移动设备;
响应于确定预定时间间隔达到,基于所述多个位置信息之间的距离,确定与所述多个位置信息相关联的目标区域的总数量和相同目标区域的数量;
基于所述相同目标区域的数量和目标区域的总数量,计算所述预定时间间隔内所述任务节点执行所述多个预定操作时所在位置的集中度;
响应于确定所述集中度大于或者等于预定集中度阈值,将所述任务节点与风险标识相关联,所述预定集中度阈值与所述预定时间间隔相关联;以及
至少基于所述风险标识,针对向所述任务节点所分配的节点任务和来自所述任务节点的关于任务对象的数据进行风险管控操作。
2.根据权利要求1所述的方法,还包括:
获取多个任务节点针对所述预定应用执行预定操作所对应的多个历史位置信息,以便形成历史位置信息样本集;
从所述多个历史位置信息中选择部分数量的历史位置信息作为多个类簇的类簇中心;
对于所述历史位置信息样本集中除多个类簇中心之外的每个剩余历史位置信息,分别确定剩余历史位置信息与多个类簇中心之间的多个距离,以便将所述剩余历史位置信息分配至距离所述剩余历史位置信息最近的类簇中心所属的类簇中;
针对多个类簇中心所属的多个类簇中的每个类簇,基于被分配至所述类簇中的多个历史位置信息,更新所述类簇的类簇中心;
确定所述多个类簇的多个类簇中心是否不再变化;
响应于确定所述多个类簇的多个类簇中心不再变化,针对所述类簇中的历史位置信息与对应的类簇中心的簇内距离以递减的方式进行排序;以及
响应于确定排序顺序为预定顺序的两个簇内距离满足预定条件,将与所述类簇中心所关联的历史位置信息距离预定范围之内的区域确定为风险区域。
3.根据权利要求2所述的方法,其中确定排序顺序为预定顺序的两个簇内距离满足预定条件包括:
确定排序顺序分别为第一和第二的第一簇内距离和第二簇内距离;
响应于确定第一簇内距离大于或者等于预定倍数的第二簇内距离,将所述类簇中心所关联的历史位置信息为风险历史位置信息;以及
将距离所述风险历史位置信息预定范围之内的区域确定为风险区域。
4.根据权利要求3所述的方法,其中所述预定倍数为1.5。
5.根据权利要求2所述的方法,还包括:
获取用于执行节点任务的任务节点的任务对象的关联位置,所述节点任务至少包括:用于获取任务对象的签字的任务、针对任务对象进行调查的任务;以及
响应于确定所述任务对象的关联位置属于所述风险区域,调整关于所述任务对象的关联阈值设置。
6.根据权利要求1所述的方法,其中获取任务节点针对预定应用的多个预定操作的操作信息和多个位置信息包括:
响应于确定所述节点任务为针对任务对象进行调查的任务,确定所述预定应用的拍照操作是否被执行;以及
响应于确定所述预定应用的拍照操作被执行,将所述任务节点的当前GPS数据确定与关于所述任务对象的图像采集操作或上传数据操作所对应的位置信息。
7.根据权利要求1所述的方法,其中确定与所述多个位置信息相关联的目标区域的总数量和相同目标区域的数量包括:
循环计算所述多个位置信息中的每两个位置信息之间的距离;
响应于确定当前两个位置信息之间的距离小于或者等于预定距离阈值,将当前两个位置信息所分别关联的目标区域确定为相同目标区域;
计算与所述多个位置信息相关联所述相同目标区域的数量;以及
将所述多个位置信息的数量确定为目标区域的总数量。
8.根据权利要求1所述的方法,其中确定与所述多个位置信息相关联的目标区域的总数量和相同目标区域的数量包括:
将所述多个位置信息中的每一个位置信息所指示的经度信息和纬度信息分别转换为经度二进制数据和纬度二进制数据,以便将所述经度二进制数据和所述纬度二进制数据合并为一维的经纬度二进制数据,所述经纬度二进制数据包括多个数值;
将所述经纬度二进制数据以每五个数值为一组转换为经纬度十进制数据,以便基于预定编码方式将所述经纬度十进制数据转换为与位置信息对应的位置编码信息;
基于与位置信息对应的位置编码信息和标识预定区域的区块的编码信息,确定与多个所述位置信息相关联的相同区块,以便将所述相同区块确定为相同目标区域,所述预定区域被预先基于所述预定区域的经纬度信息分割成多个区块,并且所述多个区块中的每一个区块由预定编码方式所确定的一编码信息所标识;
计算与所述多个位置信息相关联所述相同目标区域的数量;以及
将经转换的位置编码信息所对应的区块的总数量确定为目标区域的总数量。
9.根据权利要求1所述的方法,还包括;
响应于第二预定时间间隔达到,基于第一预定操作的属性,获取第一操作位置信息,所述第一操作位置信息指示所述第一预定操作被执行时所述任务节点的所在位置;
确定与所述第一操作位置信息相关联的相同目标区域的数量;
基于所述相同目标区域的数量和第一操作位置信息的总数量,计算所述第二预定时间间隔内所述任务节点执行所述第一预定操作时所在位置的第一操作集中度,所述第一预定操作为关于增加新的任务对象的操作和关于提交任务对象的请求的操作中的一项。
10.根据权利要求1所述的方法,其中确定预定时间间隔达到包括:
响应于确定第一预定时间间隔达到,将预定集中度阈值确定为第一预定集中度阈值;以及
响应于确定第三预定时间间隔达到,将预定集中度阈值确定为第三预定集中度阈值,所述第三预定时间间隔大于所述第一预定时间间隔,所述第三预定集中度阈值小于所述第一预定集中度阈值。
11.根据权利要求10所述的方法,其中至少基于所述风险标识,针对向所述任务节点所分配的节点任务和来自所述任务节点的关于任务对象的数据进行风险管控操作包括:
确定所述任务节点是否关联有第一风险标识;
响应于确定所述任务节点关联有所述第一风险标识,确定所述任务节点是否关联有第二风险标识;
响应于确定所述任务节点未关联有所述第二风险标识,向所述任务节点发送提示信息并且降低所述任务节点的权限,所述第一风险标识是响应于确定所述集中度大于或者等于所述第一预定集中度阈值而生成的;以及
响应于确定所述任务节点关联有所述第二风险标识,禁止向所述任务节点分配节点任务并且针对来自所述任务节点的任务执行结果数据不予确认,所述第二风险标识是响应于确定所述集中度大于或者等于所述第三预定集中度阈值而生成的。
12.根据权利要求1所述的方法,还包括:
响应于确认所述任务节点关联有所述风险标识,记录所述任务节点的历史操作信息和历史位置信息;
基于所记录的、关联有风险标识的多个任务节点的多个历史操作信息和多个历史位置信息,生成用于训练风险预测模型的多个样本数据,所述风险预测模型是基于神经网络模型而构建的;以及
基于所述多个样本数据,训练所述风险预测模型,所述风险预测模型用于提取当前任务节点的操作信息和多个位置信息的特征,以便基于所提取的特征而预测关于当前任务节点的风险概率;
基于所述集中度和所述风险概率,以便确定当前任务节点与风险标识的关联性。
13.一种计算设备,包括:
一个或多个处理器;以及
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1-12中任一项所述的方法。
14.一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如权利要求1-12任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110005191.0A CN112330332B (zh) | 2021-01-05 | 2021-01-05 | 识别关于节点任务的欺诈风险的方法、计算设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110005191.0A CN112330332B (zh) | 2021-01-05 | 2021-01-05 | 识别关于节点任务的欺诈风险的方法、计算设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112330332A true CN112330332A (zh) | 2021-02-05 |
CN112330332B CN112330332B (zh) | 2021-05-07 |
Family
ID=74302156
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110005191.0A Active CN112330332B (zh) | 2021-01-05 | 2021-01-05 | 识别关于节点任务的欺诈风险的方法、计算设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112330332B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117294530A (zh) * | 2023-11-24 | 2023-12-26 | 深圳市中燃科技有限公司 | 工业互联网标识解析二级节点数据安全管理方法及系统 |
WO2024083034A1 (zh) * | 2022-10-20 | 2024-04-25 | 索尼集团公司 | 用于无线通信的电子设备和方法、计算机可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104679777A (zh) * | 2013-12-02 | 2015-06-03 | 中国银联股份有限公司 | 一种用于检测欺诈交易的方法及系统 |
CN107431639A (zh) * | 2015-08-26 | 2017-12-01 | 华为技术有限公司 | 共享风险组邻近及方法 |
CN109299747A (zh) * | 2018-10-24 | 2019-02-01 | 北京字节跳动网络技术有限公司 | 一种类簇中心的确定方法、装置、计算机设备及存储介质 |
CN111260215A (zh) * | 2020-01-15 | 2020-06-09 | 中国平安财产保险股份有限公司 | 风险预警方法及相关装置 |
CN111882150A (zh) * | 2020-06-16 | 2020-11-03 | 贵州大学 | 一种神经网络与层次分析法结合的食品安全风险预警方法 |
CN111932262A (zh) * | 2020-09-27 | 2020-11-13 | 南京吉拉福网络科技有限公司 | 识别关于消费凭证的交易风险的方法、计算设备和介质 |
-
2021
- 2021-01-05 CN CN202110005191.0A patent/CN112330332B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104679777A (zh) * | 2013-12-02 | 2015-06-03 | 中国银联股份有限公司 | 一种用于检测欺诈交易的方法及系统 |
CN107431639A (zh) * | 2015-08-26 | 2017-12-01 | 华为技术有限公司 | 共享风险组邻近及方法 |
CN109299747A (zh) * | 2018-10-24 | 2019-02-01 | 北京字节跳动网络技术有限公司 | 一种类簇中心的确定方法、装置、计算机设备及存储介质 |
CN111260215A (zh) * | 2020-01-15 | 2020-06-09 | 中国平安财产保险股份有限公司 | 风险预警方法及相关装置 |
CN111882150A (zh) * | 2020-06-16 | 2020-11-03 | 贵州大学 | 一种神经网络与层次分析法结合的食品安全风险预警方法 |
CN111932262A (zh) * | 2020-09-27 | 2020-11-13 | 南京吉拉福网络科技有限公司 | 识别关于消费凭证的交易风险的方法、计算设备和介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024083034A1 (zh) * | 2022-10-20 | 2024-04-25 | 索尼集团公司 | 用于无线通信的电子设备和方法、计算机可读存储介质 |
CN117294530A (zh) * | 2023-11-24 | 2023-12-26 | 深圳市中燃科技有限公司 | 工业互联网标识解析二级节点数据安全管理方法及系统 |
CN117294530B (zh) * | 2023-11-24 | 2024-05-14 | 深圳市中燃科技有限公司 | 工业互联网标识解析二级节点数据安全管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112330332B (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2020245462B2 (en) | Verification of electronic identity components | |
CN112118551B (zh) | 设备风险识别方法及相关设备 | |
CN112330332B (zh) | 识别关于节点任务的欺诈风险的方法、计算设备和介质 | |
CN109118224A (zh) | 区块链网络的工作量证明方法、装置、介质及电子设备 | |
US11494848B2 (en) | Risk-transfer configurator and simulation engine providing forward- and backward-looking measures for steering and adjustments of risk-driven portfolios of underwriting objects and method thereof | |
CN110674360B (zh) | 一种用于数据的溯源方法和系统 | |
CN110633726A (zh) | 一种房源识别方法、装置、存储介质及电子设备 | |
CN111931047B (zh) | 基于人工智能的黑产账号检测方法及相关装置 | |
CN107657357B (zh) | 数据的处理方法及装置 | |
CN109690571A (zh) | 基于学习的组标记系统和方法 | |
CN115936895A (zh) | 基于人工智能的风险评估方法、装置、设备及存储介质 | |
CN110197078B (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
CN112702410B (zh) | 一种基于区块链网络的评估系统、方法及相关设备 | |
CN107798450B (zh) | 业务分配方法和装置 | |
CN117056620A (zh) | 一种基于职业信息处理业务的方法、装置、设备及介质 | |
CN115114666B (zh) | 一种基于区块链的考勤数据隐私计算方法和系统 | |
CN115982241A (zh) | 一种数据处理方法、装置、电子设备及计算机可读介质 | |
CN113269179B (zh) | 数据处理方法、装置、设备及存储介质 | |
CN116703555A (zh) | 一种预警方法、装置、电子设备及计算机可读介质 | |
CN115168848A (zh) | 基于大数据分析拦截的拦截反馈处理方法 | |
CN113537806A (zh) | 异常用户识别方法、装置、电子设备及可读存储介质 | |
CN111882415A (zh) | 一种质量检测模型的训练方法和相关装置 | |
CN110910091A (zh) | 一种数据处理方法、设备及介质 | |
US20230244868A1 (en) | Visualization of the impact of training data | |
CN116933123A (zh) | 客用户的常住地预测方法、装置、设备及存储介质 |
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 |