CN112465627B - 基于区块链和机器学习的金融借贷审核方法及系统 - Google Patents
基于区块链和机器学习的金融借贷审核方法及系统 Download PDFInfo
- Publication number
- CN112465627B CN112465627B CN202011347674.0A CN202011347674A CN112465627B CN 112465627 B CN112465627 B CN 112465627B CN 202011347674 A CN202011347674 A CN 202011347674A CN 112465627 B CN112465627 B CN 112465627B
- Authority
- CN
- China
- Prior art keywords
- node
- risk
- super
- user
- nodes
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000010801 machine learning Methods 0.000 title claims abstract description 15
- 230000003068 static effect Effects 0.000 claims abstract description 79
- 230000000593 degrading effect Effects 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 54
- 238000012549 training Methods 0.000 claims description 47
- 230000009471 action Effects 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 14
- 230000006399 behavior Effects 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000002787 reinforcement Effects 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 5
- 238000012550 audit Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003796 beauty Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011017 operating method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Accounting & Taxation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Finance (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Technology Law (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Bioethics (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
Abstract
本发明公开了基于区块链和机器学习的金融借贷审核方法及系统,应用于区块链网络,包括超级节点和普通节点,所述方法包括:当任一节点查询请求时,统计冲突信息数量,基于静态预测结果和动态预测结果对借贷用户进行风险分级,将最先生成静态预测结果和最先生成动态预测结果的普通节点升级为超级节点,根据超级节点排序列表按排序顺序将相同数量超级节点降级为普通节点。本发明克服了传统各平台信息孤岛的弊病,实现用户黑名单共享同步,实现对待借贷用户进行联合审核;而通过静态风险模型和动态风险模型结合审核,避免人为审核主观因素的影响,保证了风险识别的准确性和成长性;通过对超级节点的调整,可以避免超级节点僵化和联合作恶。
Description
【技术领域】
本发明涉及金融风险管控技术领域,尤其涉及基于区块链和机器学习的金融借贷审核方法及系统。
【背景技术】
计算机和网络技术的发展使得互联网已经渗透进人们生活的方方面面,人们越来越多地利用互联网进行各种各样的操作,包括金融相关操作,例如网络购物,电子支付,电子转账,在线理财,在线借贷等。在用户的诸多网络金融操作中,有一些操作行为有一定的金融风险,例如请求先享后付类服务,采用花呗、白条等透支服务,申请借贷等。但由于各个平台不互通且无法对用户进行风险评价,因此,逾期还款、借款坏账等案件常有发生。
为保障金融投资机构的业务安全,这就需要建立切实有效的金融违约风险审核系统,对用户的金融违约风险进行审核。
发明内容】
有鉴于此,本发明实施例提供了基于区块链和机器学习的金融借贷审核方法。
第一方面,本发明实施例提供了基于区块链和机器学习的金融借贷审核方法,应用于区块链网络,所述区块链网络包括超级节点和普通节点,所述方法包括:
S1、当任一节点在区块链中发送借贷用户风险查询请求时,记录有借贷用户个人信息的普通节点和超级节点组成第一节点小组,第一节点小组内加密共享借贷用户的个人信息,根据共享结果统计冲突信息数量,若冲突信息数量M≥数量阈值M0,则认定借贷用户为高风险用户;
S2、若冲突信息数量M<数量阈值M0,第一节点小组各普通节点基于静态风险模型对共享结果进行风险预测,生成的静态预测结果携带时间戳共享到区块链中;
S3、记录有借贷用户消费类别信息的普通节点和超级节点组成第二节点小组,第二节点小组内加密共享借贷用户的消费类别信息,第二节点小组各普通节点基于动态风险模型对共享结果进行风险预测,生成的动态预测结果携带时间戳共享到区块链中;
S4、超级节点对静态预测结果和动态预测结果共识记账后,生成新的区块,并获取奖励;
S5、基于静态预测结果和动态预测结果对借贷用户进行风险分级,将最先生成静态预测结果和最先生成动态预测结果的普通节点升级为超级节点,根据超级节点排序列表按排序顺序将相同数量超级节点降级为普通节点。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,在S1之前还包括:
S10、判断是否到达更新周期,若是,超级节点和普通节点将预存的黑名单列表中增加的黑名单用户信息共享到区块链中,并相应更新黑名单列表,其中,黑名单用户信息包括个人信息和消费类别信息;
S11、按作为超级节点的时间由短到长的顺序对超级节点进行排序,生成超级节点排序列表,并根据超级节点排序列表依次完成每个超级节点静态风险模型和动态风险模型的更新,其中,每个超级节点在更新完成后将更新的静态风险模型和动态风险模型携带时间戳共享到区块链中,排序靠后的超级节点在接收到前一超级节点共享的静态风险模型和动态风险模型的基础上完成更新;
S12、计算超级节点的评价分数F,按评价分数F由小到大的顺序对超级节点排序列表进行更新。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述静态风险模型构建方法,具体包括:
获取白名单用户的个人信息添加安全标签,获取黑名单用户的个人信息添加风险标签,构建获得训练集数据和验证集数据;
训练深层神经网络的作为强化学习的代理器,接收训练集数据,并根据更新策略π生成标签的概率;定义更新策略π:π(a|s)=Pr(at=a|st=s),其中,Pr为状态转移的概率,at为当前行为,st为当前状态;
将每一对状态和更新动作对(s,a)与一个Q值函数相关联;其中,定义Q函数,Qπ(s,a)=Eπ[Rc|(st=s|at=a)],其中,E为迭代次数;
将(s1,at,rt,st+1)存储在经验回放存储器Ω中,若经验回放存储器Ω中的记录达到一定数量后,每个训练步骤从经验回放存储器Ω中采样,采样的每条记录记为(sj,aj,rj,sj+1),对于每条记录,计算目标值y和损失函数L(θ),并更新卷积神经网络参数θ;其中,定义损失函数L(θ):Bm为经验回放存储器Ω内的总记录,Q(s,a,θk)表示卷积神经网络输出的Q值;定义目标值y,其中r为奖励值,j为经验回放存储器Ω内的一个样本,γ为预设的折现因子,T和F为布尔值;
通过验证集数据对训练获得的静态风险模型进行验证,达到预设要求。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述静态风险模型更新方法,具体包括:
将到达更新周期黑名单列表更新的黑名单用户以遍历循环超级节点排序列表方式分配给超级节点,每个超级节点获取黑名单用户的个人信息添加风险标签;
每个超级节点获取到达更新周期白名单列表增加的白名单用户的个人信息添加安全标签;
通过风险标签的个人信息和安全标签的个人信息对静态风险模型进行训练,更新静态风险模型。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述动态风险模型构建方法,具体包括:
获取白名单用户的消费类别信息添加安全标签,获取黑名单用户的消费类别信息添加风险标签,构建获得训练集数据和验证集数据;
构建风险识别主干网络,使用一个在ImageNet上预先训练过的ResNet-50作为主干网络,并修正进行提取基础特征张量;
利用三元组损失函数进行相似度学习,得到训练模型;其中,定义三元组损失函数Ltri:其中nb为批大小,每次取多少个样本数据喂进网络,xa为初始样本,xp为与xa同一类别的正样本,xn为与xa不同类别的负样本,D为欧氏距离,m为阈值参数;
计算联合损失Ltotal:Ltotal=Lcross+Ltri;
选择Q值最大的动作直接推断最优策略π*;
通过验证集数据对训练获得的动态风险模型进行验证,达到预设要求;
所述动态风险模型更新方法,具体包括:
将到达更新周期黑名单列表更新的黑名单用户以遍历循环超级节点排序列表方式分配给超级节点,每个超级节点获取黑名单用户的消费类别信息添加风险标签;
每个超级节点获取到达更新周期白名单列表增加的白名单用户的消费类别信息添加安全标签;
通过风险标签的消费类别信息和安全标签的消费类别信息对动态风险模型进行训练,更新动态风险模型。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述个人信息包括:姓名、身份证号、家庭地址、居住地、学历、教育经历、工作单位性质、工作经历、固定资产和负债,所述消费类别信息包括:转账、购物、餐饮、医疗、服饰美容、交通、汽车、房子、通讯、会员、游戏和打赏。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述评价分数F计算公式为:
其中,F表示评价分数,x表示超级节点的计算能力,y表示超级节点的存储能力,z表示超级节点更新模型的训练数据数量,t表示更新模型的更新时长,n表示超级节点与普通节点转换次数,θ表示超级节点产生区块延误次数,α和β表示调节系数,满足α,β∈[0,1]且α+β=1。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述基于静态预测结果和动态预测结果对借贷用户进行风险分级,具体包括:
当静态预测结果和动态预测结果均为风险,则认定借贷用户为高风险用户;
当静态预测结果为安全,且动态预测结果为风险,则认定借贷用户为中风险用户;
当静态预测结果为风险,且动态预测结果为安全,则认定借贷用户为低风险用户;
当静态预测结果和动态预测结果均为安全,则认定借贷用户为安全用户。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述第一节点小组内加密共享借贷用户的个人信息,具体包括:
第一节点小组内的普通节点和超级节点各自将与所述私钥对应的公钥发送至区块链中;
第一节点小组内的普通节点和超级节点计算各自记录的借贷用户个人信息对应的哈希值,并通过私钥对所述哈希值进行加密,然后通过第一节点小组内的目标节点的公钥进行二次加密,然后将加密内容发送至区块链中;
第一节点小组内的目标节点根据发送节点的公钥对加密内容进行验证,然后通过自身私钥对公钥加密后的借贷用户个人信息进行解密,获取共享的户个人信息。
第二方面,本发明实施例提供了一种基于区块链的节点管理系统,其包括:
区块链系统,所述区块链系统包括多个普通节点和多个超级节点;所述区块链系统还包括:
查询模块,用于当任一节点在区块链中发送借贷用户风险查询请求时,记录有借贷用户个人信息的普通节点和超级节点组成第一节点小组,第一节点小组内加密共享借贷用户的个人信息;
预测模块,用于根据共享结果统计冲突信息数量,若冲突信息数量M≥数量阈值M0,则认定借贷用户为高风险用户;若冲突信息数量M<数量阈值M0,第一节点小组各普通节点基于静态风险模型对共享结果进行风险预测,生成的静态预测结果携带时间戳共享到区块链中;记录有借贷用户消费类别信息的普通节点和超级节点组成第二节点小组,第二节点小组内加密共享借贷用户的消费类别信息,第二节点小组各普通节点基于动态风险模型对共享结果进行风险预测,生成的动态预测结果携带时间戳共享到区块链中;
奖励模块,用于超级节点对静态预测结果和动态预测结果共识记账后,生成新的区块,并获取奖励;
调整模块,用于基于静态预测结果和动态预测结果对借贷用户进行风险分级,将最先生成静态预测结果和最先生成动态预测结果的普通节点升级为超级节点,根据超级节点排序列表按排序顺序将相同数量超级节点降级为普通节点。
上述技术方案中的一个技术方案具有如下有益效果:
本发明实施例的方法中提出了基于区块链和机器学习的金融借贷审核方法,通过搭建基于区块链的金融借贷审核平台,克服了传统各平台信息孤岛的弊病,实现用户黑名单共享同步,实现对待借贷用户进行联合审核;而通过静态风险模型和动态风险模型结合审核,避免人为审核主观因素的影响,保证了风险识别的准确性和成长性;通过对超级节点的调整,可以避免超级节点僵化和联合作恶。
【附图说明】
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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发明的一些实施例,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它的附图。
图1是本发明实施例所提供的基于区块链和机器学习的金融借贷审核方法的S1-S5的流程示意图;
图2是本发明实施例所提供的基于区块链和机器学习的金融借贷审核方法的S10-S12的流程示意图;
图3是本发明实施例所提供的基于区块链和机器学习的金融借贷审核方法加密共享的流程示意图;
图4为本发明实施例所提供的基于区块链的节点管理系统的功能方块图;
图5为本发明实施例所提供的节点设备的硬件示意图。
【具体实施方式】
为使本发明的目的、技术方案和优点更加清楚,下面将结合具体实施例及相应的附图对本发明的技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参考图2,其为图2是基于区块链和机器学习的金融借贷审核方法S10-S12的流程示意图。如图2所示,该方法应用于区块链网络,所述区块链网络包括超级节点和普通节点,该方法包括以下步骤:
S10、判断是否到达更新周期,若是,超级节点和普通节点将预存的黑名单列表中增加的黑名单用户信息共享到区块链中,并相应更新黑名单列表,其中,黑名单用户信息包括个人信息和消费类别信息;
具体,超级节点和普通节点可以是各个网购平台、支付平台、借款平台、银行或信用查询平台等可以给客户提供征信、记录用户信息、金融借贷或者记录客户消费的平台,黑名单列表记录的黑名单用户可以是借款或者先付后还中未还款或者还款多次逾期的客户,个人信息可以包括:姓名、身份证号、家庭地址、居住地、学历、教育经历、工作单位性质、工作经历、固定资产和负债,所述消费类别信息可以包括:转账、购物、餐饮、医疗、服饰美容、交通、汽车、房子、通讯、会员、游戏和打赏的次数,或者所述消费类别信息可以包括:转账、购物、餐饮、医疗、服饰美容、交通、汽车、房子、通讯、会员、游戏和打赏的次数和金额;
S11、按作为超级节点的时间由短到长的顺序对超级节点进行排序,生成超级节点排序列表,并根据超级节点排序列表依次完成每个超级节点静态风险模型和动态风险模型的更新,其中,每个超级节点在更新完成后将更新的静态风险模型和动态风险模型携带时间戳共享到区块链中,排序靠后的超级节点在接收到前一超级节点共享的静态风险模型和动态风险模型的基础上完成更新;
其中,通过新超级节点优先于老超级节点进行模型更新,使得新超级节点模型更新困难程度低于老超级节点,从而使得评分更有利于新的超级节点,这样设计可以避免超级节点僵化和联合作恶;
S12、计算超级节点的评价分数F,按评价分数F由小到大的顺序对超级节点排序列表进行更新。
本发明通过搭建基于区块链的金融借贷审核平台,利用区块链去中心化、不可篡改等特点,克服了传统各平台信息孤岛的弊病,实现用户黑名单共享同步,同时,实现对待借贷用户进行联合审核;而通过静态风险模型和动态风险模型结合审核,保证了风险识别的准确性和成长性,每个超级结点均参与模型的更新,保证了训练数据来源的安全性和多样性,避免了单一数据来源评价的片面性;各超级节点在不泄露用户信息的条件下,实现模型更新;而将个人信息和消费类别信息作为模型风险识别的方向,以信用信息和消费作为风险规律挖掘的方向,可以在实现风险审核的同时,保证平台和用户的隐私,提高平台贡献数据参与审核的积极性,有利于区块链的健康发展;通过对超级节点的调整,可以避免超级节点僵化和联合作恶。
本发明实施例的评价分数F计算公式为:
其中,F表示评价分数,x表示超级节点的计算能力,y表示超级节点的存储能力,z表示超级节点更新模型的训练数据数量,t表示更新模型的更新时长,n表示超级节点与普通节点转换次数,θ表示超级节点产生区块延误次数,α和β表示调节系数,满足α,β∈[0,1]且α+β=1。
请参考图1,其为图1是基于区块链和机器学习的金融借贷审核方法S1-S5的流程示意图。如图1所示,所述方法包括:
S1、当任一节点在区块链中发送借贷用户风险查询请求时,记录有借贷用户个人信息的普通节点和超级节点组成第一节点小组,第一节点小组内加密共享借贷用户的个人信息,根据共享结果统计冲突信息数量,若冲突信息数量M≥数量阈值M0,则认定借贷用户为高风险用户;
S2、若冲突信息数量M<数量阈值M0,第一节点小组各普通节点基于静态风险模型对共享结果进行风险预测,生成的静态预测结果携带时间戳共享到区块链中;
S3、记录有借贷用户消费类别信息的普通节点和超级节点组成第二节点小组,第二节点小组内加密共享借贷用户的消费类别信息,第二节点小组各普通节点基于动态风险模型对共享结果进行风险预测,生成的动态预测结果携带时间戳共享到区块链中;
S4、超级节点对静态预测结果和动态预测结果共识记账后,生成新的区块,并获取奖励;
S5、基于静态预测结果和动态预测结果对借贷用户进行风险分级,将最先生成静态预测结果和最先生成动态预测结果的普通节点升级为超级节点,根据超级节点排序列表按排序顺序将相同数量超级节点降级为普通节点。
本发明通过记录有借贷用户个人信息的普通节点和超级节点组成第一节点小组,第一节点小组内加密共享借贷用户的个人信息,克服了传统各平台信息孤岛的弊病,在均具有客户信息的各平台之间共享详细程度、真实或虚假的用户个人信息,一方面可以避免用户个人信息泄露给无关平台,加密共享进一步保证信息安全,另一方面相关平台又可以相互验证,根据共享结果统计冲突信息数量,若冲突信息数量M≥数量阈值M0,则认定借贷用户为高风险用户,发现用户个人信息造假以及提供虚假材料。记录有借贷用户消费类别信息的普通节点和超级节点组成第二节点小组,第二节点小组内加密共享借贷用户的消费类别信息,克服了传统各平台信息孤岛的弊病,在均具有客户信息的各平台之间共享详细程度、真实或虚假的用户消费类别信息,一方面可以避免用户消费类别信息泄露给无关平台,加密共享进一步保证信息安全,另一方面相关平台可以完善用户消费情况,便于模型挖掘出规律。通过建立超级节点评分升级和降级机制,对超级节点进行奖励,调动超级节点共识的积极性以及普通节点升级的积极性。
参照图3,图3是本发明实施例所提供的基于区块链和机器学习的金融借贷审核方法加密共享的流程示意图,如图3所示,本发明实施例第一节点小组内加密共享借贷用户的个人信息,具体包括:
第一节点小组内的普通节点和超级节点各自将与所述私钥对应的公钥发送至区块链中;
第一节点小组内的普通节点和超级节点计算各自记录的借贷用户个人信息对应的哈希值,并通过私钥对所述哈希值进行加密,然后通过第一节点小组内的目标节点的公钥进行二次加密,然后将加密内容发送至区块链中;
第一节点小组内的目标节点根据发送节点的公钥对加密内容进行验证,然后通过自身私钥对公钥加密后的借贷用户个人信息进行解密,获取共享的户个人信息。
本发明第一节点小组内的普通节点和超级节点计算各自记录的借贷用户个人信息对应的哈希值,并通过私钥对所述哈希值进行加密,通过公钥加密结合私钥解密,保证了借贷用户个人信息无法被节点获得,然后通过第一节点小组内的目标节点的公钥进行二次加密,保证了发送的用户个人信息的机密性、不可篡改性,本发明通过二次加密确保了用户个人信息即不会被他人读取,也不会被他人篡改,并且可以确认发送者的身份。
同理,本发明实施例第二节点小组内加密共享借贷用户的消费类别信息,具体包括:
第二节点小组内的普通节点和超级节点各自将与所述私钥对应的公钥发送至区块链中;
第二节点小组内的普通节点和超级节点计算各自记录的借贷用户消费类别信息对应的哈希值,并通过私钥对所述哈希值进行加密,然后通过第二节点小组内的目标节点的公钥进行二次加密,然后将加密内容发送至区块链中;
第二节点小组内的目标节点根据发送节点的公钥对加密内容进行验证,然后通过自身私钥对公钥加密后的借贷用户消费类别信息进行解密,获取共享的户消费类别信息。
本发明实施例的述静态风险模型构建方法,具体包括:
获取白名单用户的个人信息添加安全标签,获取黑名单用户的个人信息添加风险标签,构建获得训练集数据和验证集数据;
需要说明的是,白名单各个节点标准可以相同或者不同;
训练深层神经网络的作为强化学习的代理器,接收训练集数据,并根据更新策略π生成标签的概率;定义更新策略π:π(a|s)=Pr(at=a|st=s),其中,Pr为状态转移的概率,at为当前行为,st为当前状态;
将每一对状态和更新动作对(s,a)与一个Q值函数相关联;其中,定义Q函数,Qπ(s,a)=Eπ[Rc|(st=s|at=a)],其中,E为迭代次数;
将(s1,at,rt,st+1)存储在经验回放存储器Ω中,若经验回放存储器Ω中的记录达到一定数量后,每个训练步骤从经验回放存储器Ω中采样,采样的每条记录记为(sj,aj,rj,sj+1),对于每条记录,计算目标值y和损失函数L(θ),并更新卷积神经网络参数θ;其中,定义损失函数L(θ):Bm为经验回放存储器Ω内的总记录,Q(s,a,θk)表示卷积神经网络输出的Q值;定义目标值y,其中r为奖励值,j为经验回放存储器Ω内的一个样本,γ为预设的折现因子,T和F为布尔值;
通过验证集数据对训练获得的静态风险模型进行验证,达到预设要求。
另外,静态风险模型更新方法,具体包括:
将到达更新周期黑名单列表更新的黑名单用户以遍历循环超级节点排序列表方式分配给超级节点,每个超级节点获取黑名单用户的个人信息添加风险标签;
每个超级节点获取到达更新周期白名单列表增加的白名单用户的个人信息添加安全标签;
通过风险标签的个人信息和安全标签的个人信息对静态风险模型进行训练,更新静态风险模型。
本发明实现对静态风险模型为更高效、自适应的借贷风险识别框架,并可进行动态的更新,模型稳健性和准确性高。另外,通过采用机器学习对借贷用户信息进行处理,高效且成长性高,可以克服人为主观因素影响。
本发明实施例的动态风险模型构建方法,具体包括:
获取白名单用户的消费类别信息添加安全标签,获取黑名单用户的消费类别信息添加风险标签,构建获得训练集数据和验证集数据;
构建风险识别主干网络,使用一个在ImageNet上预先训练过的ResNet-50作为主干网络,并修正进行提取基础特征张量;
利用三元组损失函数进行相似度学习,得到训练模型;其中,定义三元组损失函数Ltri:其中nb为批大小,每次取多少个样本数据喂进网络,xa为初始样本,xp为与xa同一类别的正样本,xn为与xa不同类别的负样本,D为欧氏距离,m为阈值参数;
计算联合损失Ltotal:Ltotal=Lcross+Ltri;
选择Q值最大的动作直接推断最优策略π*;
通过验证集数据对训练获得的动态风险模型进行验证,达到预设要求;
所述动态风险模型更新方法,具体包括:
将到达更新周期黑名单列表更新的黑名单用户以遍历循环超级节点排序列表方式分配给超级节点,每个超级节点获取黑名单用户的消费类别信息添加风险标签;
每个超级节点获取到达更新周期白名单列表增加的白名单用户的消费类别信息添加安全标签;
通过风险标签的消费类别信息和安全标签的消费类别信息对动态风险模型进行训练,更新动态风险模型。
本发明构建的动态风险模型进行动态的更新,借助增量式表征学习挖掘到泛化能力强的表征,进而提高模型针对借贷用户动态消费特征风险识别的实时性、准确性和鲁棒性。
本发明实施例基于静态预测结果和动态预测结果对借贷用户进行风险分级,具体包括:
当静态预测结果和动态预测结果均为风险,则认定借贷用户为高风险用户;
当静态预测结果为安全,且动态预测结果为风险,则认定借贷用户为中风险用户;
当静态预测结果为风险,且动态预测结果为安全,则认定借贷用户为低风险用户;
当静态预测结果和动态预测结果均为安全,则认定借贷用户为安全用户。
本发明根据静态预测结果和动态预测结果借贷用户进行风险分级,实现对借贷用户的风险进行正确判断,因此,可以根据分级决定是否借款或者借款额度,因此,可以降低放贷风险。
本发明实施例进一步给出实现上述方法实施例中各步骤及方法的装置实施例。
请参考图4,其为本发明实施例所提供的区块链系统的构架图,所述区块链系统包括多个普通节点和多个超级节点;所述区块链系统还包括:
查询模块,用于当任一节点在区块链中发送借贷用户风险查询请求时,记录有借贷用户个人信息的普通节点和超级节点组成第一节点小组,第一节点小组内加密共享借贷用户的个人信息;
预测模块,用于根据共享结果统计冲突信息数量,若冲突信息数量M≥数量阈值M0,则认定借贷用户为高风险用户;若冲突信息数量M<数量阈值M0,第一节点小组各普通节点基于静态风险模型对共享结果进行风险预测,生成的静态预测结果携带时间戳共享到区块链中;记录有借贷用户消费类别信息的普通节点和超级节点组成第二节点小组,第二节点小组内加密共享借贷用户的消费类别信息,第二节点小组各普通节点基于动态风险模型对共享结果进行风险预测,生成的动态预测结果携带时间戳共享到区块链中;
奖励模块,用于超级节点对静态预测结果和动态预测结果共识记账后,生成新的区块,并获取奖励;
调整模块,用于基于静态预测结果和动态预测结果对借贷用户进行风险分级,将最先生成静态预测结果和最先生成动态预测结果的普通节点升级为超级节点,根据超级节点排序列表按排序顺序将相同数量超级节点降级为普通节点。
由于本实施例中的各单元模块能够执行图1所示的方法,本实施例未详细描述的部分,可参考对图1的相关说明。图5是本发明的一个实施例节点设备的硬件示意图。请参考图5,在硬件层面,该节点设备包括处理器,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,该节点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5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。
在一种可能实现的方式中,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,也可从其它设备上获取相应的计算机程序,以在逻辑层面上形成电价的定价装置。处理器,执行存储器所存放的程序,以通过执行的程序实现本发明任一实施例中提供的节点工作方法。
本发明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,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节点设备执行时,能够使该节点设备执行本发明任一实施例中提供的节点工作方法。
上述如本发明图实施例提供的节点设备执行的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 Signal Processor,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发明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。
结合本发明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。
本发明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,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节点设备执行时,能够使该节点设备执行本发明任一实施例中提供的节点工作方法。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元或模块分别描述。当然,在实施本发明时可以把各单元或模块的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本发明的实施例可提供为方法、系统或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本发明中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的实施例而已,并不用于限制本发明。对于本领域技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (8)
1.基于区块链和机器学习的金融借贷审核方法,应用于区块链网络,所述区块链网络包括超级节点和普通节点,其特征在于,所述方法包括:
S1、当任一节点在区块链中发送借贷用户风险查询请求时,记录有借贷用户个人信息的普通节点和超级节点组成第一节点小组,第一节点小组内加密共享借贷用户的个人信息,根据共享结果统计冲突信息数量,若冲突信息数量M≥数量阈值M0,则认定借贷用户为高风险用户;
S2、若冲突信息数量M<数量阈值M0,第一节点小组各普通节点基于静态风险模型对共享结果进行风险预测,生成的静态预测结果携带时间戳共享到区块链中;
S3、记录有借贷用户消费类别信息的普通节点和超级节点组成第二节点小组,第二节点小组内加密共享借贷用户的消费类别信息,第二节点小组各普通节点基于动态风险模型对共享结果进行风险预测,生成的动态预测结果携带时间戳共享到区块链中;
S4、超级节点对静态预测结果和动态预测结果共识记账后,生成新的区块;
S5、基于静态预测结果和动态预测结果对借贷用户进行风险分级,将最先生成静态预测结果和最先生成动态预测结果的普通节点升级为超级节点,根据超级节点排序列表按排序顺序将相同数量超级节点降级为普通节点;
所述静态风险模型构建方法,具体包括:
获取白名单用户的个人信息添加安全标签,获取黑名单用户的个人信息添加风险标签,构建获得训练集数据和验证集数据;
训练深层神经网络的作为强化学习的代理器,接收训练集数据,并根据更新策略π生成标签的概率;定义更新策略π:π(a|s)=Pr(at=a|st=s),其中,Pr为状态转移的概率,at为当前行为,st为当前状态;
将(s1,at,rt,st+1)存储在经验回放存储器Ω中,若经验回放存储器Ω中的记录达到一定数量后,每个训练步骤从经验回放存储器Ω中采样,采样的每条记录记为(sj,aj,rj,sj+1),对于每条记录,计算目标值y和损失函数L(θ),并更新卷积神经网络参数θ;其中,定义损失函数L(θ):Bm为经验回放存储器Ω内的总记录,Q(s,a,θk)表示卷积神经网络输出的Q值;定义目标值y,其中r为奖励值,j为经验回放存储器Ω内的一个样本,γ为预设的折现因子,T和F为布尔值;
通过验证集数据对训练获得的静态风险模型进行验证,达到预设要求;
所述动态风险模型构建方法,具体包括:
获取白名单用户的消费类别信息添加安全标签,获取黑名单用户的消费类别信息添加风险标签,构建获得训练集数据和验证集数据;
构建风险识别主干网络,使用一个在ImageNet上预先训练过的ResNet-50作为主干网络,并修正进行提取基础特征张量;
利用三元组损失函数进行相似度学习,得到训练模型;其中,定义三元组损失函数Ltri:其中nb为批大小,每次取多少个样本数据喂进网络,xa为初始样本,xp为与xa同一类别的正样本,xn为与xa不同类别的负样本,D为欧氏距离,m为阈值参数;
计算联合损失Ltotal:Ltotal=Lcross+Ltri;
选择Q值最大的动作直接推断最优策略π*;
通过验证集数据对训练获得的动态风险模型进行验证,达到预设要求;
所述动态风险模型更新方法,具体包括:
将到达更新周期黑名单列表更新的黑名单用户以遍历循环超级节点排序列表方式分配给超级节点,每个超级节点获取黑名单用户的消费类别信息添加风险标签;
每个超级节点获取到达更新周期白名单列表增加的白名单用户的消费类别信息添加安全标签;
通过风险标签的消费类别信息和安全标签的消费类别信息对动态风险模型进行训练,更新动态风险模型。
2.根据权利要求1所述的方法,其特征在于,在S1之前还包括:
S10、判断是否到达更新周期,若是,超级节点和普通节点将预存的黑名单列表中增加的黑名单用户信息共享到区块链中,并相应更新黑名单列表,其中,黑名单用户信息包括个人信息和消费类别信息;
S11、按作为超级节点的时间由短到长的顺序对超级节点进行排序,生成超级节点排序列表,并根据超级节点排序列表依次完成每个超级节点静态风险模型和动态风险模型的更新,其中,每个超级节点在更新完成后将更新的静态风险模型和动态风险模型携带时间戳共享到区块链中,排序靠后的超级节点在接收到前一超级节点共享的静态风险模型和动态风险模型的基础上完成更新;
S12、计算超级节点的评价分数F,按评价分数F由小到大的顺序对超级节点排序列表进行更新。
3.根据权利要求2所述的方法,其特征在于,所述静态风险模型更新方法,具体包括:
将到达更新周期黑名单列表更新的黑名单用户以遍历循环超级节点排序列表方式分配给超级节点,每个超级节点获取黑名单用户的个人信息添加风险标签;
每个超级节点获取到达更新周期白名单列表增加的白名单用户的个人信息添加安全标签;
通过风险标签的个人信息和安全标签的个人信息对静态风险模型进行训练,更新静态风险模型。
4.根据权利要求3所述的方法,其特征在于,其特征在于,所述个人信息包括:姓名、身份证号、家庭地址、居住地、学历、教育经历、工作单位性质、工作经历、固定资产和负债,所述消费类别信息包括:转账、购物、餐饮、医疗、服饰美容、交通、汽车、房子、通讯、会员、游戏和打赏。
6.根据权利要求1所述的方法,其特征在于,所述基于静态预测结果和动态预测结果对借贷用户进行风险分级,具体包括:
当静态预测结果和动态预测结果均为风险,则认定借贷用户为高风险用户;
当静态预测结果为安全,且动态预测结果为风险,则认定借贷用户为中风险用户;
当静态预测结果为风险,且动态预测结果为安全,则认定借贷用户为低风险用户;
当静态预测结果和动态预测结果均为安全,则认定借贷用户为安全用户。
7.根据权利要求1所述的方法,其特征在于,所述第一节点小组内加密共享借贷用户的个人信息,具体包括:
第一节点小组内的普通节点和超级节点各自将与私钥对应的公钥发送至区块链中;
第一节点小组内的普通节点和超级节点计算各自记录的借贷用户个人信息对应的哈希值,并通过私钥对所述哈希值进行加密,然后通过第一节点小组内的目标节点的公钥进行二次加密,然后将加密内容发送至区块链中;
第一节点小组内的目标节点根据发送节点的公钥对加密内容进行验证,然后通过自身私钥对公钥加密后的借贷用户个人信息进行解密,获取共享的户个人信息。
8.基于区块链的节点管理系统,其特征在于,包括:
区块链系统,所述区块链系统包括多个普通节点和多个超级节点;所述区块链系统还包括:
查询模块,用于当任一节点在区块链中发送借贷用户风险查询请求时,记录有借贷用户个人信息的普通节点和超级节点组成第一节点小组,第一节点小组内加密共享借贷用户的个人信息;
预测模块,用于根据共享结果统计冲突信息数量,若冲突信息数量M≥数量阈值M0,则认定借贷用户为高风险用户;若冲突信息数量M<数量阈值M0,第一节点小组各普通节点基于静态风险模型对共享结果进行风险预测,生成的静态预测结果携带时间戳共享到区块链中;记录有借贷用户消费类别信息的普通节点和超级节点组成第二节点小组,第二节点小组内加密共享借贷用户的消费类别信息,第二节点小组各普通节点基于动态风险模型对共享结果进行风险预测,生成的动态预测结果携带时间戳共享到区块链中;
奖励模块,用于超级节点对静态预测结果和动态预测结果共识记账后,生成新的区块;
调整模块,用于基于静态预测结果和动态预测结果对借贷用户进行风险分级,将最先生成静态预测结果和最先生成动态预测结果的普通节点升级为超级节点,根据超级节点排序列表按排序顺序将相同数量超级节点降级为普通节点;
所述静态风险模型构建方法,具体包括:
获取白名单用户的个人信息添加安全标签,获取黑名单用户的个人信息添加风险标签,构建获得训练集数据和验证集数据;
训练深层神经网络的作为强化学习的代理器,接收训练集数据,并根据更新策略π生成标签的概率;定义更新策略π:π(a|s)=Pr(at=a|st=s),其中,Pr为状态转移的概率,at为当前行为,st为当前状态;
将每一对状态和更新动作对(s,a)与一个Q值函数相关联;其中,定义Q函数,Qπ(s,a)=Eπ[Rc|(st=s|at=a)],其中,E为迭代次数;
将(s1,at,rt,st+1)存储在经验回放存储器Ω中,若经验回放存储器Ω中的记录达到一定数量后,每个训练步骤从经验回放存储器Ω中采样,采样的每条记录记为(sj,aj,rj,sj+1),对于每条记录,计算目标值y和损失函数L(θ),并更新卷积神经网络参数θ;其中,定义损失函数L(θ):Bm为经验回放存储器Ω内的总记录,Q(s,a,θk)表示卷积神经网络输出的Q值;定义目标值y,其中r为奖励值,j为经验回放存储器Ω内的一个样本,γ为预设的折现因子,T和F为布尔值;
通过验证集数据对训练获得的静态风险模型进行验证,达到预设要求;
所述动态风险模型构建方法,具体包括:
获取白名单用户的消费类别信息添加安全标签,获取黑名单用户的消费类别信息添加风险标签,构建获得训练集数据和验证集数据;
构建风险识别主干网络,使用一个在ImageNet上预先训练过的ResNet-50作为主干网络,并修正进行提取基础特征张量;
利用三元组损失函数进行相似度学习,得到训练模型;其中,定义三元组损失函数Ltri:其中nb为批大小,每次取多少个样本数据喂进网络,xa为初始样本,xp为与xa同一类别的正样本,xn为与xa不同类别的负样本,D为欧氏距离,m为阈值参数;
计算联合损失Ltotal:Ltotal=Lcross+Ltri;
选择Q值最大的动作直接推断最优策略π*;
通过验证集数据对训练获得的动态风险模型进行验证,达到预设要求;
所述动态风险模型更新方法,具体包括:
将到达更新周期黑名单列表更新的黑名单用户以遍历循环超级节点排序列表方式分配给超级节点,每个超级节点获取黑名单用户的消费类别信息添加风险标签;
每个超级节点获取到达更新周期白名单列表增加的白名单用户的消费类别信息添加安全标签;
通过风险标签的消费类别信息和安全标签的消费类别信息对动态风险模型进行训练,更新动态风险模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011347674.0A CN112465627B (zh) | 2020-11-26 | 2020-11-26 | 基于区块链和机器学习的金融借贷审核方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011347674.0A CN112465627B (zh) | 2020-11-26 | 2020-11-26 | 基于区块链和机器学习的金融借贷审核方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112465627A CN112465627A (zh) | 2021-03-09 |
CN112465627B true CN112465627B (zh) | 2021-11-26 |
Family
ID=74808534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011347674.0A Active CN112465627B (zh) | 2020-11-26 | 2020-11-26 | 基于区块链和机器学习的金融借贷审核方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112465627B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298636B (zh) * | 2021-04-28 | 2023-05-02 | 上海淇玥信息技术有限公司 | 一种基于模拟资源申请的风险控制方法、装置和系统 |
CN113516548A (zh) * | 2021-05-14 | 2021-10-19 | 牛少侠科技(山西)有限公司 | 一种基于区块链的金融借贷方法及系统 |
CN113393321B (zh) * | 2021-07-11 | 2022-12-13 | 深圳市鼎驰科技发展有限公司 | 一种基于区块链的金融风控方法 |
CN113393330B (zh) * | 2021-07-11 | 2022-12-23 | 深圳市鼎驰科技发展有限公司 | 一种基于区块链的金融风控管理系统 |
CN113486991B (zh) * | 2021-09-07 | 2021-11-26 | 南通林德安全设备科技有限公司 | 一种基于区块链的医疗数据神经网络特征融合方法及系统 |
CN114037091B (zh) * | 2021-11-11 | 2024-05-28 | 哈尔滨工业大学 | 一种基于专家联合评价的网络安全信息共享系统、方法、电子设备及存储介质 |
CN116383789B (zh) * | 2023-06-06 | 2023-08-25 | 杭州格物智安科技有限公司 | 基于个人信息服务系统的信息交互方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084061A (zh) * | 2019-03-29 | 2019-08-02 | 南京星链高科技发展有限公司 | 基于议会制度的区块链共识机制 |
CN110417883B (zh) * | 2019-07-23 | 2021-09-24 | 杭州云象网络技术有限公司 | 一种应用于区块链的点对点网络结构的设计方法 |
CN111861464B (zh) * | 2020-07-18 | 2021-04-27 | 西安纸贵互联网科技有限公司 | 区块链的节点共识方法及系统 |
-
2020
- 2020-11-26 CN CN202011347674.0A patent/CN112465627B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112465627A (zh) | 2021-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112465627B (zh) | 基于区块链和机器学习的金融借贷审核方法及系统 | |
EP3824423B1 (en) | Blockchain transaction safety using smart contracts | |
Yli-Huumo et al. | Where is current research on blockchain technology?—a systematic review | |
US11907266B2 (en) | Method and system for self-aggregation of personal data and control thereof | |
US20220414671A1 (en) | Systems and methods of providing security in an electronic network | |
US11544808B2 (en) | Digital negotiation platform | |
US20230120897A1 (en) | Apparatus for cryptographic resource transfer based on quantitative assessment regarding non-fungible tokens | |
CN107704930B (zh) | 基于共享数据的建模方法、装置、系统及电子设备 | |
Gietzmann et al. | Blockchain and other distributed ledger technologies: where is the accounting? | |
US20200250780A1 (en) | Decentralized Autonomous Evaluation Engine for Intellectual Property Assets | |
US20230055618A1 (en) | Systems and Methods for Management of Token Interactions | |
US20230198785A1 (en) | Computer-implemented digital communication using cryptography | |
CN115080858A (zh) | 多方协作场景下的数据推荐方法及装置 | |
Thomason et al. | Advancements in the New World of Web 3: A Look Toward the Decentralized Future: A Look Toward the Decentralized Future | |
Hai et al. | Posterior probability and collaborative filtering based Heterogeneous Recommendations model for user/item Application in use case of IoVT | |
Ural et al. | Survey on Blockchain-Enhanced Machine Learning | |
CN117094773A (zh) | 基于区块链隐私计算的在线迁移学习方法及系统 | |
US11652803B2 (en) | System, method and computer-accessible medium for supporting at least one cyber-physical signaling game | |
TW200844881A (en) | System for matching transaction of intellectual property with self-searching, self-enlarge and amending classification characters and method of the same | |
US11836767B1 (en) | Community-based digital transaction authentication | |
Mustafa et al. | Decentralized oracle networks (DONs) provision for DAML smart contracts | |
US11748807B1 (en) | Community-based digital transaction authentication | |
Gong et al. | A comprehensive trust model based on social relationship and transaction attributes | |
US11847246B1 (en) | Token based communications for machine learning systems | |
US20230031624A1 (en) | Methods, systems, apparatuses and devices for facilitating capitalizing on a portfolio of pre-selected multi level marketing companies |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211105 Address after: 101300 North Cultural Ying Village, Gaoliying Town, Shunyi District, Beijing (No. 1, Linkong Second Road) Applicant after: SINO-PARSONS TECHNOLOGY (BEIJING) Co.,Ltd. Address before: 101104 li'ersi village, Zhangjiawan Town, Tongzhou District, Beijing Applicant before: BEIJING TIANYIBAIKANG SCIENCE AND TRADE CO.,LTD. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |