CN112506983A - 一种基于大数据支撑的反欺诈方法 - Google Patents
一种基于大数据支撑的反欺诈方法 Download PDFInfo
- Publication number
- CN112506983A CN112506983A CN202010989147.3A CN202010989147A CN112506983A CN 112506983 A CN112506983 A CN 112506983A CN 202010989147 A CN202010989147 A CN 202010989147A CN 112506983 A CN112506983 A CN 112506983A
- Authority
- CN
- China
- Prior art keywords
- data
- fraud
- subsystem
- analysis
- internet
- 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 71
- 238000004458 analytical method Methods 0.000 claims abstract description 33
- 230000008569 process Effects 0.000 claims abstract description 25
- 230000006399 behavior Effects 0.000 claims abstract description 19
- 238000007405 data analysis Methods 0.000 claims abstract description 18
- 238000005516 engineering process Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 238000007726 management method Methods 0.000 claims description 32
- 238000012544 monitoring process Methods 0.000 claims description 17
- 238000013500 data storage Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 238000012423 maintenance Methods 0.000 claims description 10
- 230000002776 aggregation Effects 0.000 claims description 8
- 238000004220 aggregation Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 6
- 238000013523 data management Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 4
- 230000002452 interceptive effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012098 association analyses Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000013079 data visualisation Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 7
- 238000005065 mining Methods 0.000 abstract description 3
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据支撑的反欺诈方法,该方法包括以下步骤:数据采集;数据分析和计算;数据存储;数据分析展示;通过实时计算业务在各个时刻的特征偏离值预估业务过程中发生欺诈风险的概率;构建识别模型,对待识别的行为进行欺诈判别;反欺诈规则知识图谱构建与推理;决策引擎构建,结合反欺诈方法。通过该方法,提升了互联网安全技术保障能力,保障了正常网络秩序,保护了用户合法权益,维护了社会和谐稳定,具有巨大的社会效益;获得全面、准确、实时的海量互联网网络诈骗基础数据,形成了海量互联网数据深度挖掘分析及管控能力,保障了省内用户合法权益、维护互联网公共环境安全等方面发挥重大作用;减少了人民群众财产损失。
Description
技术领域
本发明涉及大数据反欺诈技术领域,具体来说,涉及一种基于大数据支撑的反欺诈方法。
背景技术
目前通信管理局等管理部门的现有反诈信息系统对于互联网环境下的诈骗类型缺少相应的技术分析、监测预警、处置手段,不能及时有效的发现互联网诈骗案件,对于已经举报和发现的互联网诈骗案件,目前只能进行线下协调三家基础电信运营商获取通信数据,然后通过人工进行分析和处置,分析效率低,协同办案流程长,不能及时有效的打击互联网诈骗。
发明内容
针对相关技术中的上述技术问题,本发明提出一种基于大数据支撑的反欺诈方法,能够克服现有技术的上述不足。
为实现上述技术目的,本发明的技术方案是这样实现的:
一种基于大数据支撑的反欺诈方法,该方法包括以下步骤:
S1:数据采集;
所述步骤S1包括以下步骤:
S11:在Flume组件上实现采集接口子系统功能,实时将数据上传至Kafka,其中,接口子系统包括数据汇聚子系统、数据存储分析子系统、综合业务管理子系统、协同联动子系统、安全子系统、运维子系统;
S12:将数据上传至HDFS;
S2:数据分析和计算,实时数据流采用Storm高并发处理,采用Spark进行大数据建模分析;
S3:数据存储,其中,以高性能交互查询的Hive作为基本数据仓库;
S4:数据分析展示;
所述步骤S4包括以下步骤:
S41:将即时分析数据结果进行呈现;
S42:生成数据图表进行数据分析;
S5:基于深度学习的复杂多源行为特征建模,建立欺诈风险行为档案,对特征进行监控记录,通过实时计算业务在各个时刻的特征偏离值预估业务过程中发生欺诈风险的概率;
S6:基于增量学习的反欺诈智能识别,构建识别模型,对待识别的行为进行欺诈判别;
S7:反欺诈规则知识图谱构建与推理;
所述步骤S7包括以下步骤:
S71:利用专家经验和历史规则构建反欺诈基础规则库;
S72:利用规则集生成方法推理生成更多的规则,在规则判断过程中迭代更新修正规则库;
S73:通过实体抽取技术从规则库的规则中抽取实体;
S74:利用关系抽取技术获取实体之间的关系,形成知识图谱并进行推理;
S8:决策引擎构建,结合反欺诈方法,采用流式技术处理业务交易产生的海量数据,利用分布式集群计算引擎,快速、高效、准确地对数据进行分析处理,通过融合多维度的决策信息进行风险判断,将反欺诈风险监控前移,把控互联网的欺诈风险。
进一步的,所述数据汇聚子系统用于统一对接、采集、调用相关系统数据资源,对数据进行规整清洗预处理,形成格式化数据。
进一步的,所述数据存储分析子系统用于对接入的数据进行存储和分析,对互联网诈骗信息综合分析研判,运用大数据分析技术、特征分析模型、人工智能技术对诈骗网站、URL、APP的分析研判。
进一步的,所述综合业务管理子系统用于在管局侧部署,对于诈骗场景业务进行业务数据的管理,其中,所述业务数据的管理包括特征数据管理、黑白名单管理、灰名单分析及研判、反制指令、诈骗场景还原、大数据可视化展示。
进一步的,所述协同联动子系统用于与部级互联网反诈联动平台、通信管理局已有系统、属地省级基础电信企业、社管平台其他相关系统进行对接,进行政企之间互联网反诈数据信息的共通共享。
进一步的,所述安全子系统用于对于各个子系统网络安全、数据安全、访问安全、传输安全、应用安全、前端拦截系统安全进行安全管控。
进一步的,所述运维子系统用于对系统的服务器、交换机、防火墙、应用业务进程、数据库进程软硬件的运行状态进行实时监控和告警,及时发现网络运行异常状态并进行快速维护。
进一步的,所述步骤S8中,所述反诈骗方法包括用户信誉库、反欺诈规则库、智能模型、关联分析。
本发明的有益效果:通过该方法,达到了以下效果:
(1)本发明本项目能够从技术上遏制不法分子对互联网用户的诈骗行为,提升了互联网安全技术保障能力,切实保障了正常网络秩序,保护了用户合法权益,维护了社会和谐稳定,具有巨大的社会效益;
(2)本发明项是紧紧围绕国家对互联网诈骗的打击要求,服务保障全省网络信息安全需要,从源头监测,能够加互联网网络诈骗反制技术手段,获得全面、准确、实时的海量互联网网络诈骗基础数据,形成了海量互联网数据深度挖掘分析及管控能力,完善互联网网络诈骗监测、管控及回溯体系,保障了省内用户合法权益、维护互联网公共环境安全等方面发挥重大作用;
(3)本发明充分利用基础电信企业己建成的互联网反诈数据,提供第一手疑似互联网诈骗信息及诈骗网站的域名、IP等信息,从源头对互联网诈骗事件进行监控和溯源,控制全省互联网诈骗数量和涉案金额,减少了人民群众财产损失,潜在的经济效益明显。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例所述的一种基于大数据支撑的反欺诈方法的流程框图;
图2是根据本发明实施例所述的一种基于大数据支撑的反欺诈方法的系统功能图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅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所获得的所有其他实施例,都属于本发明保护的范围。
如图1、2所示,根据本发明实施例所述的一种基于大数据支撑的反欺诈方法,包括以下步骤:
S1:数据采集;
步骤S1包括以下步骤:
S11:在Flume组件上实现采集接口子系统功能,实时将数据上传至Kafka,其中,接口子系统包括数据汇聚子系统、数据存储分析子系统、综合业务管理子系统、协同联动子系统、安全子系统、运维子系统;
S12:将数据上传至HDFS;
S2:数据分析和计算,实时数据流采用Storm高并发处理,采用Spark进行大数据建模分析;
S3:数据存储,其中,以高性能交互查询的Hive作为基本数据仓库;
S4:数据分析展示;
步骤S4包括以下步骤:
S41:将即时分析数据结果进行呈现;
S42:生成数据图表进行数据分析;
S5:基于深度学习的复杂多源行为特征建模,建立欺诈风险行为档案,对特征进行监控记录,通过实时计算业务在各个时刻的特征偏离值预估业务过程中发生欺诈风险的概率;
S6:基于增量学习的反欺诈智能识别,构建识别模型,对待识别的行为进行欺诈判别;
S7:反欺诈规则知识图谱构建与推理;
步骤S7包括以下步骤:
S71:利用专家经验和历史规则构建反欺诈基础规则库;
S72:利用规则集生成方法推理生成更多的规则,在规则判断过程中迭代更新修正规则库;
S73:通过实体抽取技术从规则库的规则中抽取实体;
S74:利用关系抽取技术获取实体之间的关系,形成知识图谱并进行推理;
S8:决策引擎构建,结合反欺诈方法,采用流式技术处理业务交易产生的海量数据,利用分布式集群计算引擎,快速、高效、准确地对数据进行分析处理,通过融合多维度的决策信息进行风险判断,将反欺诈风险监控前移,把控互联网的欺诈风险。
在本发明的一个具体实施例中,所述数据汇聚子系统用于统一对接、采集、调用相关系统数据资源,对数据进行规整清洗预处理,形成格式化数据。
在本发明的一个具体实施例中,所述数据存储分析子系统用于对接入的数据进行存储和分析,对互联网诈骗信息综合分析研判,运用大数据分析技术、特征分析模型、人工智能技术对诈骗网站、URL、APP的分析研判。
在本发明的一个具体实施例中,所述综合业务管理子系统用于在管局侧部署,对于诈骗场景业务进行业务数据的管理,其中,所述业务数据的管理包括特征数据管理、黑白名单管理、灰名单分析及研判、反制指令、诈骗场景还原、大数据可视化展示。
在本发明的一个具体实施例中,所述协同联动子系统用于与部级互联网反诈联动平台、通信管理局已有系统、属地省级基础电信企业、社管平台其他相关系统进行对接,进行政企之间互联网反诈数据信息的共通共享。
在本发明的一个具体实施例中,所述安全子系统用于对于各个子系统网络安全、数据安全、访问安全、传输安全、应用安全、前端拦截系统安全进行安全管控。
在本发明的一个具体实施例中,所述运维子系统用于对系统的服务器、交换机、防火墙、应用业务进程、数据库进程软硬件的运行状态进行实时监控和告警,及时发现网络运行异常状态并进行快速维护。
在本发明的一个具体实施例中,所述步骤S8中,所述反诈骗方法包括用户信誉库、反欺诈规则库、智能模型、关联分析。
为了方便理解本发明的上述技术方案,以下对本发明的上述技术方案进行详细说明。
系统部分:
本发明在外部对接部级互联网反诈联动平台、管局电信诈骗防范系统,IDC/ISP信息安全管理系统,运营商信移动恶意程序监测系统;在内部可分为6个子系统:数据汇聚子系统、数据存储分析子系统、综合业务管理子系统、协同联动子系统、运维子系统、安全子系统。见图1
(1)数据汇聚子系统:数据汇聚子系统统一对接、采集、调用相关系统数据资源,对数据进行规整清洗等预处理,形成格式化数据,便于后续存储、分析和研判。
(2)数据存储分析子系统:对接入的数据进行存储和分析,实现互联网诈骗信息综合分析研判能力,运用大数据分析技术、特征分析模型、人工智能等技术,实现对诈骗网站、URL、APP的分析研判。
(3)综合业务管理子系统:在管局侧部署,用于对于诈骗场景业务进行业务数据的管理,包括特征数据的管理、黑白名单管理、灰名单分析及研判、反制指令、诈骗场景还原、大数据可视化展示等功能。
(4)协同联动子系统:该子系统可与部级互联网反诈联动平台、通信管理局已有系统、属地省级基础电信企业、社管平台其他相关系统进行对接,实现政企之间互联网反诈数据信息的共通共享。
(5)安全子系统:安全子系统主要对于各个子系统网络安全、数据安全、访问安全、传输安全、应用安全、前端拦截系统安全等进行安全管控,实现网络内、跨网等系统的安全防护、漏洞检测等安全功能。
(6)运维子系统:主要对于系统的服务器、交换机、防火墙、应用业务进程、数据库进程等软硬件的运行状态进行实时监控和告警,及时发现网络运行异常状态并进行快速维护的功能。
方法流程部分:
S1数据采集:在Flume组件上实现采集接口子系统,实时将数据上传至Kafka,然后将数据上传至HDFS;
S2数据分析和计算:实时数据流采用Storm高并发处理;采用Spark进行大数据建模分析;
S3数据存储:以高性能交互查询的Hive作为基本数据仓库;
S4数据分析展示:将即时分析数据结果进行呈现,生成数据图表进行数据分析,提高数据分析的效率。
S5基于深度学习的复杂多源行为特征建模,建立欺诈风险行为档案,对特征进行监控记录,通过实时计算业务在各个时刻的特征偏离值预估业务过程中发生欺诈风险的概率。解决传统的特征抽取方法难以应对复杂的行为数据问题,例如细粒度的原始行为包含时间、行为内容、地点等。
S6 基于增量学习的反欺诈智能识别,即通过学习历史欺诈行为事件,构建识别模型,对待识别的行为进行欺诈判别。当前欺诈行为呈现快速、批量的特征,则如何能够实时、动态、精准的识别欺诈行为成为关键,本发明拟引入增量学习方法,实现模型的自主学习,当有新数据时仅需自适应调整模型参数,而尽可能减少模型的再训练学习。
S7 反欺诈规则知识图谱构建与推理技术,首先利用专家经验和历史规则构建反欺诈基础规则库,再利用规则集生成方法推理生成更多的规则,在规则判断过程中迭代更新修正规则库。通过实体抽取技术从规则库的规则中抽取实体,再利用关系抽取技术获取实体之间的关系,形成知识图谱并进行推理。
S8决策引擎构建技术,构建一个功能强大的决策引擎将用户信誉库、反欺诈规则库、智能模型、关联分析等各类反欺诈方法有效地结合。采用流式技术处理业务交易产生的海量数据,利用分布式集群计算引擎,快速、高效、准确地对数据进行分析处理,通过融合多维度的决策信息进行风险判断,将反欺诈风险监控前移,严格把控互联网的欺诈风险。
本发明实施提供了一种实现互联网欺诈智能预警的方法和系统,该反欺诈智能预警方法和系统具体为首先根据实际应用场景及需求,由前向接口发起请求,选择合适的反欺诈模型,再由模型基于的系统平台传输请求至后向接口,由后向接口对接相应的数据源库,基于海量诈骗数据经整合、抽取、分析输出的诈骗行为规则特征及一系列风控规则的逻辑分析,最终返回给前向接口的客户端,以此核验并智能分析终端信息的匹配程度并输出欺诈风险程度的分析结果,从而实现对欺诈交易的智能预警,使得客户可根据返回的输出结果采取恰当的应对措施。
具体包括的硬件木块包括:(1)集群17台服务器;(2)集群内存容量3388G;(3)集群储存容量1080T;(4)相关网络接口。
各模块之间的信号传输:(1)经整合、抽取、分析输出的诈骗行为规则特征;(2)根据设备中的特征智能模型分析计算输出的欺诈风险系数。
综上所述,借助于本发明的上述技术方案,通过该方法,达到了以下效果:本发明本项目能够从技术上遏制不法分子对互联网用户的诈骗行为,提升了互联网安全技术保障能力,切实保障了正常网络秩序,保护了用户合法权益,维护了社会和谐稳定,具有巨大的社会效益;本发明项是紧紧围绕国家对互联网诈骗的打击要求,服务保障全省网络信息安全需要,从源头监测,能够加互联网网络诈骗反制技术手段,获得全面、准确、实时的海量互联网网络诈骗基础数据,形成了海量互联网数据深度挖掘分析及管控能力,完善互联网网络诈骗监测、管控及回溯体系,保障了省内用户合法权益、维护互联网公共环境安全等方面发挥重大作用;本发明充分利用基础电信企业己建成的互联网反诈数据,提供第一手疑似互联网诈骗信息及诈骗网站的域名、IP等信息,从源头对互联网诈骗事件进行监控和溯源,控制全省互联网诈骗数量和涉案金额,减少了人民群众财产损失,潜在的经济效益明显。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于大数据支撑的反欺诈方法,其特征在于,包括以下步骤:
S1:数据采集;
所述步骤S1包括以下步骤:
S11:在Flume组件上实现采集接口子系统功能,实时将数据上传至Kafka,其中,接口子系统包括数据汇聚子系统、数据存储分析子系统、综合业务管理子系统、协同联动子系统、安全子系统、运维子系统;
S12:将数据上传至HDFS;
S2:数据分析和计算,实时数据流采用Storm高并发处理,采用Spark进行大数据建模分析;
S3:数据存储,其中,以高性能交互查询的Hive作为基本数据仓库;
S4:数据分析展示;
所述步骤S4包括以下步骤:
S41:将即时分析数据结果进行呈现;
S42:生成数据图表进行数据分析;
S5:基于深度学习的复杂多源行为特征建模,建立欺诈风险行为档案,对特征进行监控记录,通过实时计算业务在各个时刻的特征偏离值预估业务过程中发生欺诈风险的概率;
S6:基于增量学习的反欺诈智能识别,构建识别模型,对待识别的行为进行欺诈判别;
S7:反欺诈规则知识图谱构建与推理;
所述步骤S7包括以下步骤:
S71:利用专家经验和历史规则构建反欺诈基础规则库;
S72:利用规则集生成方法推理生成更多的规则,在规则判断过程中迭代更新修正规则库;
S73:通过实体抽取技术从规则库的规则中抽取实体;
S74:利用关系抽取技术获取实体之间的关系,形成知识图谱并进行推理;
S8:决策引擎构建,结合反欺诈方法,采用流式技术处理业务交易产生的海量数据,利用分布式集群计算引擎,快速、高效、准确地对数据进行分析处理,通过融合多维度的决策信息进行风险判断,将反欺诈风险监控前移,把控互联网的欺诈风险。
2.根据权利要求1所述的一种基于大数据支撑的反欺诈方法,其特征在于,所述数据汇聚子系统用于统一对接、采集、调用相关系统数据资源,对数据进行规整清洗预处理,形成格式化数据。
3.根据权利要求1所述的一种基于大数据支撑的反欺诈方法,其特征在于,所述数据存储分析子系统用于对接入的数据进行存储和分析,对互联网诈骗信息综合分析研判,运用大数据分析技术、特征分析模型、人工智能技术对诈骗网站、URL、APP的分析研判。
4.根据权利要求1所述的一种基于大数据支撑的反欺诈方法,其特征在于,所述综合业务管理子系统用于在管局侧部署,对于诈骗场景业务进行业务数据的管理,其中,所述业务数据的管理包括特征数据管理、黑白名单管理、灰名单分析及研判、反制指令、诈骗场景还原、大数据可视化展示。
5.根据权利要求1所述的一种基于大数据支撑的反欺诈方法,其特征在于,所述协同联动子系统用于与部级互联网反诈联动平台、通信管理局已有系统、属地省级基础电信企业、社管平台其他相关系统进行对接,进行政企之间互联网反诈数据信息的共通共享。
6.根据权利要求1所述的一种基于大数据支撑的反欺诈方法,其特征在于,所述安全子系统用于对于各个子系统网络安全、数据安全、访问安全、传输安全、应用安全、前端拦截系统安全进行安全管控。
7.根据权利要求1所述的一种基于大数据支撑的反欺诈方法,其特征在于,所述运维子系统用于对系统的服务器、交换机、防火墙、应用业务进程、数据库进程软硬件的运行状态进行实时监控和告警,及时发现网络运行异常状态并进行快速维护。
8.根据权利要求1所述的一种基于大数据支撑的反欺诈方法,其特征在于,所述步骤S8中,所述反诈骗方法包括用户信誉库、反欺诈规则库、智能模型、关联分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010989147.3A CN112506983A (zh) | 2020-09-18 | 2020-09-18 | 一种基于大数据支撑的反欺诈方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010989147.3A CN112506983A (zh) | 2020-09-18 | 2020-09-18 | 一种基于大数据支撑的反欺诈方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112506983A true CN112506983A (zh) | 2021-03-16 |
Family
ID=74953568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010989147.3A Pending CN112506983A (zh) | 2020-09-18 | 2020-09-18 | 一种基于大数据支撑的反欺诈方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112506983A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113837885A (zh) * | 2021-09-27 | 2021-12-24 | 上海欣方智能系统有限公司 | 一种金融反诈业务数据库的构建方法、金融反诈业务系统 |
CN113923011A (zh) * | 2021-09-30 | 2022-01-11 | 北京恒安嘉新安全技术有限公司 | 一种网络诈骗的预警方法、装置、计算机设备及存储介质 |
CN114549026A (zh) * | 2022-04-26 | 2022-05-27 | 浙江鹏信信息科技股份有限公司 | 基于算法组件库分析的未知诈骗的识别方法及系统 |
CN115134388A (zh) * | 2022-09-01 | 2022-09-30 | 安徽鹿鼎科技有限公司 | 一种电子数据勘鉴数据平台 |
CN116542685A (zh) * | 2023-07-06 | 2023-08-04 | 凯泰铭科技(北京)有限公司 | 一种基于图网络的车险数据处理方法及装置 |
CN117035082A (zh) * | 2023-10-10 | 2023-11-10 | 北京江融信科技有限公司 | 一种用于识别欺诈团伙的知识图谱实时运算方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145587A (zh) * | 2017-05-11 | 2017-09-08 | 成都四方伟业软件股份有限公司 | 一种基于大数据挖掘的医保反欺诈系统 |
CN109300028A (zh) * | 2018-09-11 | 2019-02-01 | 上海天旦网络科技发展有限公司 | 基于网络数据的实时反欺诈方法和系统及存储介质 |
CN110148001A (zh) * | 2019-04-29 | 2019-08-20 | 上海欣方智能系统有限公司 | 一种实现欺诈交易智能预警的系统及方法 |
US20200034842A1 (en) * | 2018-07-24 | 2020-01-30 | Accenture Global Solutions Limited | Digital content and transaction management using an artificial intelligence (ai) based communication system |
-
2020
- 2020-09-18 CN CN202010989147.3A patent/CN112506983A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145587A (zh) * | 2017-05-11 | 2017-09-08 | 成都四方伟业软件股份有限公司 | 一种基于大数据挖掘的医保反欺诈系统 |
US20200034842A1 (en) * | 2018-07-24 | 2020-01-30 | Accenture Global Solutions Limited | Digital content and transaction management using an artificial intelligence (ai) based communication system |
CN109300028A (zh) * | 2018-09-11 | 2019-02-01 | 上海天旦网络科技发展有限公司 | 基于网络数据的实时反欺诈方法和系统及存储介质 |
CN110148001A (zh) * | 2019-04-29 | 2019-08-20 | 上海欣方智能系统有限公司 | 一种实现欺诈交易智能预警的系统及方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113837885A (zh) * | 2021-09-27 | 2021-12-24 | 上海欣方智能系统有限公司 | 一种金融反诈业务数据库的构建方法、金融反诈业务系统 |
CN113923011A (zh) * | 2021-09-30 | 2022-01-11 | 北京恒安嘉新安全技术有限公司 | 一种网络诈骗的预警方法、装置、计算机设备及存储介质 |
CN113923011B (zh) * | 2021-09-30 | 2023-10-17 | 北京恒安嘉新安全技术有限公司 | 一种网络诈骗的预警方法、装置、计算机设备及存储介质 |
CN114549026A (zh) * | 2022-04-26 | 2022-05-27 | 浙江鹏信信息科技股份有限公司 | 基于算法组件库分析的未知诈骗的识别方法及系统 |
CN115134388A (zh) * | 2022-09-01 | 2022-09-30 | 安徽鹿鼎科技有限公司 | 一种电子数据勘鉴数据平台 |
CN116542685A (zh) * | 2023-07-06 | 2023-08-04 | 凯泰铭科技(北京)有限公司 | 一种基于图网络的车险数据处理方法及装置 |
CN116542685B (zh) * | 2023-07-06 | 2023-09-15 | 凯泰铭科技(北京)有限公司 | 一种基于图网络的车险数据处理方法及装置 |
CN117035082A (zh) * | 2023-10-10 | 2023-11-10 | 北京江融信科技有限公司 | 一种用于识别欺诈团伙的知识图谱实时运算方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112506983A (zh) | 一种基于大数据支撑的反欺诈方法 | |
US11606370B1 (en) | Systems and methods of detecting and mitigating malicious network activity | |
CN109861995A (zh) | 一种网络空间安全大数据智能分析方法、计算机可读介质 | |
CN107330731B (zh) | 一种识别广告位点击异常的方法和装置 | |
CN101808102B (zh) | 一种基于云计算的操作记录追踪系统和方法 | |
CN110148001A (zh) | 一种实现欺诈交易智能预警的系统及方法 | |
CN112822147B (zh) | 一种用于分析攻击链的方法、系统及设备 | |
CN103618652A (zh) | 一种业务数据的审计和深度分析系统及其方法 | |
CN112351031A (zh) | 攻击行为画像的生成方法、装置、电子设备和存储介质 | |
CN103701783A (zh) | 一种预处理单元、由其构成的数据处理系统以及处理方法 | |
EP3970038B1 (en) | Siem system and methods for exfiltrating event data | |
US20210248145A1 (en) | System, method and computer program for ingesting, processing, storing, and searching technology asset data | |
CA3057037A1 (en) | Systems and methods for anomaly or fraud detection | |
Hulak et al. | Ensuring Data Security in the Peer-to-Peer Economic System of the DAO | |
CN112989135B (zh) | 实时风险团伙的识别方法、介质、装置和计算设备 | |
CN111160926A (zh) | 一种中小企业智能咨询服务云架构 | |
CN116668192B (zh) | 一种网络用户行为异常检测方法及系统 | |
US9830568B2 (en) | Controlling and managing identity access risk | |
CN115984481A (zh) | 一种可视化工业数字仿真管理系统 | |
Ko et al. | Design of RPC-based blockchain monitoring agent | |
Zhou et al. | Network security situation assessment methods and tactics based on multivariate spatiotemporal attack graph model | |
CN115883213A (zh) | 基于连续时间动态异质图神经网络的apt检测方法及系统 | |
CN113507392B (zh) | 网络运维方法、装置、电子设备、介质和程序产品 | |
Sen et al. | On holistic multi-step cyberattack detection via a graph-based correlation approach | |
US11956255B1 (en) | Recognizing successful cyberattacks based on subsequent benign activities of an attacker |
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 |