CN112579864A - 反诈骗处理方法和装置 - Google Patents

Abstract

本发明提供了一种反诈骗处理方法和装置以及电子设备，其中，所述反诈骗处理方法包括：调用网络爬虫引擎爬取网页中的各用户的用户资源信息；对各用户的用户资源信息进行预处理；通过预设的分布式日志系统，将预处理后的各用户资源信息发送至Flink资源分析引擎；启动所述Flink资源分析引擎对接收到的各用户资源信息进行分析，分别确定各用户受诈骗的第一概率和第一方式；在用户受诈骗的第一概率大于第一预设阈值的情况下，向所述用户发送第一提示信息；通过预设的分布式日志系统，将各用户受诈骗的第一概率和第一方式发送至ES中进行存储。本发明提供的反诈骗处理方法，能够对社交媒体、网页等的诈骗事件进行识别。

Description

反诈骗处理方法和装置

技术领域

本发明涉及反诈骗技术领域，特别是涉及一种反诈骗处理方法和装置。

背景技术

目前由于网络技术的发展，人与人之间的连接变得很容易，由此催生了网络犯罪或网络诈骗这种新的诈骗犯罪类型。而且由于网络技术越来越发达，用户上网产生的个人数据被不法商家倒卖利用，间接构成了威胁或骚扰人们生活的新的问题。

目前网络诈骗事件类型层出不穷，网络上缺少对这类问题的监管，刚接触网络的新用户非常容易受到诈骗，即便是互联网老用户也难免受到诈骗的影响。现有技术主要通过移动终端安装各类管家应用程序识别网络诈骗事件，而管家应用程序仅能识别电话诈骗事件，对于网络上社交媒体，网页等的诈骗事件无法进行识别。

可见，现有技术无法对网络诈骗事件进行快速、准确地识别及提醒。

发明内容

鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种反诈骗处理方法及装置。

第一方面，本发明实施例公开了一种反诈骗处理方法，其中，所述方法包括：调用网络爬虫引擎爬取网页中的各用户的用户资源信息，其中，用户资源信息包括以下至少之一：姓名、电话号码、年龄、银行卡号、身份证号码、常用IP以及访问资源；

对各用户的用户资源信息进行预处理；

通过预设的分布式日志系统，将预处理后的各用户资源信息发送至Flink资源分析引擎；

启动所述Flink资源分析引擎对接收到的各用户资源信息进行分析，分别确定各用户受诈骗的第一概率和第一方式；

在用户受诈骗的第一概率大于第一预设阈值的情况下，向所述用户发送第一提示信息，其中，所述第一提示信息用于提示用户存在被诈骗的风险以及受诈骗的第一方式；

通过预设的分布式日志系统，将各用户受诈骗的第一概率和第一方式发送至ES中进行存储。

可选地，所述方法还包括：

所述Flink资源分析引擎按照预设参数对各用户进行分类，得到各分类对应的用户群体；

针对每个所述用户群体，统计所述用户群体受诈骗的第二概率和受诈骗的第二方式；

通过预设的分布式日志系统，将各所述用户群体受诈骗的第二概率和第二方式发送至ES中进行存储。

可选地，针对每个所述用户群体，统计所述用户群体受诈骗的第二概率和受诈骗的第二方式的步骤，包括：

针对每个所述用户群体，统计所述用户群体中第一类型用户的比例，其中，所述第一类型用户为受诈骗的第一概率大于第一预设阈值的用户；

将所述比例确定为所述用户群体受诈骗的第二概率；

针对每个所述用户群体，依据所述用户群体中各用户的受诈骗方式，统计所述用户群体受诈骗的第二方式。

可选地，在所述针对每个所述用户群体，统计所述用户群体受诈骗的第二概率和受诈骗的第二方式的步骤之后，所述方法还包括：

针对每个所述用户群体，判断所述用户群体受诈骗的第二概率是否大于第二预设阈值；

在所述第二概率大于所述第二预设阈值的情况下，向所述用户群体中的各用户分别发送第二提示信息，其中，所述第二提示信息用于提示用户存在被诈骗的风险以及受诈骗的第二方式。

可选地，所述调用网络爬虫引擎爬取网页中的各用户的用户资源信息的步骤，包括：

调用网络爬虫引擎，按照预设的爬虫爬取路径和爬虫爬取时间间隔，爬取网页的各用户的用户资源信息。

第二方面，本发明实施例公开了一种反诈骗处理装置，其中，所述装置包括：网络爬虫引擎模块，用于爬取网页中的各用户的用户资源信息，其中，用户资源信息包括以下至少之一：姓名、电话号码、年龄、银行卡号、身份证号码、常用IP以及访问资源；对各用户的用户资源信息进行预处理；分布式日志系统模块，用于将预处理后的各用户资源信息发送至Flink资源分析引擎模块；Flink资源分析引擎模块，用于对接收到的各用户资源信息进行分析，分别确定各用户受诈骗的第一概率和第一方式；在用户受诈骗的第一概率大于第一预设阈值的情况下，向所述用户发送第一提示信息，其中，所述第一提示信息用于提示用户存在被诈骗的风险以及受诈骗的第一方式；所述分布式日志系统模块，还用于将各用户受诈骗的第一概率和第一方式发送至ES中进行存储。

可选地，所述Flink资源分析引擎模块还用于：

按照预设参数对各用户进行分类，得到各分类对应的用户群体；

针对每个所述用户群体，统计所述用户群体受诈骗的第二概率和受诈骗的第二方式；

所述分布式日志系统模块，用于将各所述用户群体受诈骗的第二概率和第二方式发送至ES中进行存储。

可选地，所述Flink资源分析引擎模块针对每个所述用户群体，统计所述用户群体受诈骗的第二概率和受诈骗的第二方式时，具体用于：

针对每个所述用户群体，统计所述用户群体中第一类型用户的比例，其中，所述第一类型用户为受诈骗的第一概率大于第一预设阈值的用户；

将所述比例确定为所述用户群体受诈骗的第二概率；

针对每个所述用户群体，依据所述用户群体中各用户的受诈骗方式，统计所述用户群体受诈骗的第二方式。

可选地，所述Flink资源分析引擎模块还用于：

在针对每个所述用户群体，统计所述用户群体受诈骗的第二概率和受诈骗的第二方式之后，针对每个所述用户群体，判断所述用户群体受诈骗的第二概率是否大于第二预设阈值；

在所述第二概率大于所述第二预设阈值的情况下，向所述用户群体中的各用户分别发送第二提示信息，其中，所述第二提示信息用于提示用户存在被诈骗的风险以及受诈骗的第二方式。

可选地，所述网络爬虫引擎模块，具体用于：

调用网络爬虫引擎，按照预设的爬虫爬取路径和爬虫爬取时间间隔，爬取网页的各用户的用户资源信息。

本发明实施例中提供的反诈骗处理方案，调用网络爬虫引擎爬取网页中的各用户的用户资源信息；对各用户的用户资源信息进行预处理；通过预设的分布式日志系统，将预处理后的各用户资源信息发送至Flink资源分析引擎；启动Flink资源分析引擎对接收到的各用户资源信息进行分析，分别确定各用户受诈骗的第一概率和第一方式；在用户受诈骗的第一概率大于第一预设阈值的情况下，向用户发送第一提示信息；通过预设的分布式日志系统，将各用户受诈骗的第一概率和第一方式发送至ES中进行存储。一方面，本申请实施例提供的反诈骗方法，能够对社交媒体、网页等的诈骗事件进行识别；另一方面，将各用户受诈骗的第一概率和第一方式发送至ES中进行存储，便于后续进行数据追溯。

附图说明

图1是本发明实施例的一种反诈骗处理方法的步骤流程图；

图2是本发明实施例的网络爬虫程序图示意图；

图3是本发明实施例的一种反诈骗处理系统的结构框图；

图4是本发明实施例的一种反诈骗处理装置的结构框图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，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能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

参照图1，示出了本发明实施例的一种反诈骗处理方法的步骤流程图。

本发明实施例的反诈骗处理方法可以包括以下步骤：

步骤101：调用网络爬虫引擎爬取网页中的各用户的用户资源信息。

网络爬虫是一种按照一定的规则，自动地抓取互联网信息的程序或者脚本。网络爬虫是一个自动提取网页的程序，它为搜索引擎从万维网上下载网页，是搜索引擎的重要组成。传统爬虫从一个或若干初始网页的URL(Uniform Resource Locator,统一资源定位器)开始，获得初始网页上的URL，在抓取网页的过程中，不断从当前页面上抽取新的URL放入队列，直到满足系统的一定停止条件。聚焦爬虫的工作流程较为复杂，需要根据一定的网页分析算法过滤与主题无关的链接，保留有用的链接并将其放入等待抓取的URL队列。然后，它将根据一定的搜索策略从队列中选择下一步要抓取的网页URL，并重复上述过程，直到达到系统的某一条件时停止。另外，所有被爬虫抓取的网页将会被系统存贮，进行一定的分析、过滤，并建立索引，以便之后的查询和检索；对于聚焦爬虫来说，这一过程所得到的分析结果还可能对以后的抓取过程给出反馈和指导。网络爬虫引擎为运行网络爬虫程序的引擎。网络爬虫程序图示意图如图2所示，控制节点控制各爬虫节点爬取网页中的用户资源信息。

在一种可选地实施例中，用设置网络爬虫爬取路径和爬虫爬取资源的时间间隔，系统调用网络爬虫引擎，按照预设的爬虫爬取路径和爬虫爬取时间间隔，爬取网页的各用户的用户资源信息。

步骤102：对各用户的用户资源信息进行预处理。

其中，用户资源信息包括以下至少之一：姓名、电话号码、年龄、银行卡号、身份证号码、常用IP以及访问资源，系统为各用户分配唯一的身份标识，将各用户的用户资源信息与身份标识对应存储。

步骤103：通过预设的分布式日志系统，将预处理后的各用户资源信息发送至Flink资源分析引擎。

预设的分布式日志系统可以为kafka，系统将经过预处理的用户信息经过kafka传入Flink资源分析引擎中。Kafka:是一个分布式、支持分区的、多副本基于zookeeper协调的分布式消息系统，它的最大特性就是可以实时的处理大量的数据以满足各种需求场景，是当前应用比较广泛的分布式日志系统。Flink:是由Apache软件基金会开发的开源流处理框架，其核心是用Java和Scala编写的分布式流数据流处理引擎，其编程模型相对比较简单，且具有高吞吐量、低延迟以及高性能等特性。

步骤104：启动Flink资源分析引擎对接收到的各用户资源信息进行分析，分别确定各用户受诈骗的第一概率和第一方式。

本申请实施例中，使用Flink资源分析引擎作为分析用户资源信息的核心，Flink支持数据的连续流式分析，可以源源不断的将获取到的用户数据进行分析处理；利用Flink支持事件驱动的应用程序的这一特点，当用户资源信息分析结束后，可以根据分析结果做出后续的处理。如，当某一用户的用户资源信息被不止一次的在多个不同的URL中获取到，那么判定该用户所受的欺诈风险可能较高，这时Flink资源分析引擎会做出及时的响应，通过短信或其他方式提示对应的用户注意防范互联网金融诈骗。

FlinkFlink资源分析引擎的处理方式可设置如下：

当用户资源信息中包含用户身份证号码、银行卡号及手机号码信息时，将该类用户资源信息标识为最易被欺诈级别，并确定受诈骗的第一方式。针对各用户，系统可统计爬取到的该用户的资源信息被标识为最易被欺诈级别的次数，通过统计次数确定该用户受诈骗的第一概率，在第一概率大于第一预设阈值的情况下系统将自动发送第一提示信息提示用户；其中，第一提示信息用于提示用户存在被诈骗的风险以及受诈骗的第一方式。

第一预设阈值可由本领域技术人员根据实际需求进行设置，本申请实施例中对此不做具体限制。

当用户资源信息中不存在身份证号码、银行卡账户等信息时，提取用户的访问记录，获取该用户的浏览记录及偏好，同时根据用户浏览记录系统自动分析用户所受到的金融诈骗可能来与于哪些方面即受诈骗的第一方式，并将对应的数据存储至ES中。

具体地，每一次获取到用户资源信息后，自动查询ES，根据爬取到的用户资源信息及已入库的用户资源信息判断该用户是否已经存在，如果存在，为用户添加一个字段，统计同一用户资源信息出现的次数，当某一用户资源信息出现的次数达到第一预设阈值时，将该用户所遭受金融欺诈的级别设置为高级别，系统自动发送相应地第一提示信息，以提示用户。

步骤105：在用户受诈骗的第一概率大于第一预设阈值的情况下，向用户发送第一提示信息。

其中，第一提示信息用于提示用户存在被诈骗的风险以及受诈骗的第一方式。

步骤106：通过预设的分布式日志系统，将各用户受诈骗的第一概率和第一方式发送至ES中进行存储。

ES，英文全拼为ElasticSearch是一个基于Lucene的搜索服务器。ES中存储的数据为半结构化的数据(JSON结构的数据)。它提供了一个分布式多用户能力的全文搜索引擎，基于RESTful web接口。Elasticsearch是用Java开发的，并作为Apache许可条款下的开放源码发布，是当前流行的企业级搜索引擎。设计用于云计算中，能够达到实时搜索，稳定，可靠，快速，安装使用方便。

将对用户资源信息的分析结果存储至ES中，所得到的分析结果可以对以后的抓取过程提供反馈和指导。

在一种可选地实施例中，Flink资源分析引擎除可分别对用户进行风险提示外，还可以对批量用户进行风险提示。具体地：可通过Flink资源分析引擎批处理特性以及行为事件分析法，将大量用户资源信息同时输入到Flink资源分析引擎中，通过用户资源信息中包含的网页资源信息，结合Flink资源分析引擎的批处理特性以及行为事件分析法，来获取用户的互联网浏览记录，通过对大量用户数据中访问记录的统计分析来提取不同用户之间的互联网喜好、关注的焦点等，针对分类得到的各分类对应的结果集，统计出具有相似访问记录的用户所受的互联网金融欺诈的第二概率。结果集即用户群体。

在实际实现过程中，Flink资源分析引擎按照预设参数对各用户进行分类，得到各分类对应的用户群体；针对每个用户群体，统计用户群体受诈骗的第二概率和受诈骗的第二方式；通过预设的分布式日志系统，将各用户群体受诈骗的第二概率和第二方式发送至ES中进行存储。

用户群体受诈骗的第二概率的确定方式可由本领域技术人员灵活确定，例如：将用户群内被发送第一提示信息的各用户的数量，确定为第二概率。

在一种可选的实施例中，针对每个用户群体，统计用户群体受诈骗的第二概率和受诈骗的第二方式的步骤，包括以下子步骤：

子步骤一：针对每个所述用户群体，统计用户群体中第一类型用户的比例，其中，第一类型用户为受诈骗的第一概率大于预设阈值的用户；

子步骤二：将比例确定为用户群体受诈骗的第二概率；

子步骤三：针对每个用户群体，依据用户群体中各用户的受诈骗方式，统计用户群体受诈骗的第二方式。

在一种可选地实施例中，在针对每个用户群体，统计用户群体受诈骗的第二概率和受诈骗的第二方式的步骤之后，还可以包括如下步骤：

针对每个用户群体，判断用户群体受诈骗的第二概率是否大于第二预设阈值；

第二预设阈值可由本领域技术人员根据实际需求进行设置，本申请实施例中对此不做具体限制。

在第二概率大于第二预设阈值的情况下，向用户群体中的各用户分别发送第二提示信息，其中，第二提示信息用于提示用户存在被诈骗的风险以及受诈骗的第二方式。

该种可选地向用户群体中全部用户集中发送第二提示信息的方式，能够及时、全面地对用户进行诈骗提醒。不仅如此，由于以用户群体为单位进行用户资源信息统计，还便于后续对诈骗方式、诈骗用户类型等进行统计分析。

下面结合附图3中所示的反诈骗处理系统，对本申请实施例的反诈骗处理方法进行说明。

整个系统包含三个引擎，分别为网络爬虫引擎、Flink资源分析引擎以及数据存储引擎以及数据存储引擎。

网络爬虫引擎设置爬取资源的路径，并按照爬取资源的路径处理爬取到的用户信息及用户资源信息，并将爬取到的用户信息通过Kafka发送至Flink资源分析引擎。Flink资源分析引擎动态提取用户数据信息，多维度分析用户所受互联网金融欺诈概率及方式，并对结果集进行处理，将处理结果发送至数据存储引擎，数据存储引擎中的Kafka将处理结果存储至ES中。

本发明实施例提供的反诈骗处理方法，调用网络爬虫引擎爬取网页中的各用户的用户资源信息；对各用户的用户资源信息进行预处理；通过预设的分布式日志系统，将预处理后的各用户资源信息发送至Flink资源分析引擎；启动Flink资源分析引擎对接收到的各用户资源信息进行分析，分别确定各用户受诈骗的第一概率和第一方式；在用户受诈骗的第一概率大于第一预设阈值的情况下，向用户发送第一提示信息；通过预设的分布式日志系统，将各用户受诈骗的第一概率和第一方式发送至ES中进行存储。一方面，本申请实施例提供的反诈骗处理方法，能够对社交媒体、网页等的诈骗事件进行识别；另一方面，将各用户受诈骗的第一概率和第一方式发送至ES中进行存储，便于后续进行数据追溯。

参照图4，示出了本发明实施例的一种反诈骗处理装置的结构框图。

本发明实施例提供的反诈骗处理装置包括如下模块：

网络爬虫引擎模块401，用于爬取网页中的各用户的用户资源信息，其中，用户资源信息包括以下至少之一：姓名、电话号码、年龄、银行卡号、身份证号码、常用IP以及访问资源；对各用户的用户资源信息进行预处理；

分布式日志系统模块402，用于将预处理后的各用户资源信息发送至Flink资源分析引擎模块；

Flink资源分析引擎模块403，用于对接收到的各用户资源信息进行分析，分别确定各用户受诈骗的第一概率和第一方式；在用户受诈骗的第一概率大于第一预设阈值的情况下，向所述用户发送第一提示信息，其中，所述第一提示信息用于提示用户存在被诈骗的风险以及受诈骗的第一方式；

所述分布式日志系统模块402，还用于将各用户受诈骗的第一概率和第一方式发送至ES404中进行存储。

可选地，所述Flink资源分析引擎模块还用于：按照预设参数对各用户进行分类，得到各分类对应的用户群体；

针对每个所述用户群体，统计所述用户群体受诈骗的第二概率和受诈骗的第二方式；

所述分布式日志系统模块，用于将各所述用户群体受诈骗的第二概率和第二方式发送至ES中进行存储。

可选地，所述Flink资源分析引擎模块针对每个所述用户群体，统计所述用户群体受诈骗的第二概率和受诈骗的第二方式时，具体用于：

针对每个所述用户群体，统计所述用户群体中第一类型用户的比例，其中，所述第一类型用户为受诈骗的第一概率大于第一预设阈值的用户；

将所述比例确定为所述用户群体受诈骗的第二概率；

针对每个所述用户群体，依据所述用户群体中各用户的受诈骗方式，统计所述用户群体受诈骗的第二方式。

可选地，所述Flink资源分析引擎模块还用于：

在针对每个所述用户群体，统计所述用户群体受诈骗的第二概率和受诈骗的第二方式之后，针对每个所述用户群体，判断所述用户群体受诈骗的第二概率是否大于第二预设阈值；

在所述第二概率大于所述第二预设阈值的情况下，向所述用户群体中的各用户分别发送第二提示信息，其中，所述第二提示信息用于提示用户存在被诈骗的风险以及受诈骗的第二方式。

可选地，所述网络爬虫引擎模块，具体用于：

调用网络爬虫引擎，按照预设的爬虫爬取路径和爬虫爬取时间间隔，爬取网页的各用户的用户资源信息。

本发明实施例提供的反诈骗处理装置，调用网络爬虫引擎爬取网页中的用户资源信息进行预处理；通过预设的分布式日志系统，将预处理后的各用户资源信息发送至Flink资源分析引擎；启动Flink资源分析引擎对接收到的各用户资源信息进行分析，分别确定各用户受诈骗的第一概率和第一方式；在用户受诈骗的第一概率大于第一预设阈值的情况下，向用户发送第一提示信息；通过预设的分布式日志系统，将各用户受诈骗的第一概率和第一方式发送至ES中进行存储。一方面，本申请实施例提供的反诈骗处理装置，能够对社交媒体、网页等的诈骗事件进行识别；另一方面，将各用户受诈骗的第一概率和第一方式发送至ES中进行存储，便于后续进行数据追溯。

对于装置实施例而言，由于其与方法实施例基本相似，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。

在本发明的实施例中，还提供了一种电子设备。该电子设备可以包括一个或多个处理器，以及其上存储有指令的一个或多个机器可读介质，指令例如应用程序。当所述指令由所述一个或多个处理器执行时，使得所述处理器执行上述反诈骗处理方法。

在本发明的实施例中，还提供了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序可由电子设备的处理器执行，以完成上述反诈骗处理方法中的相关流程。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例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，本发明实施例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。

本发明实施例是参照根据本发明实施例的方法、终端设备(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终端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终端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终端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终端设备上，使得在计算机或其他可编程终端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终端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。

尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。

以上对本发明所提供的一种反诈骗处理方法及装置，电子设备及存储介质，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种反诈骗处理方法，其特征在于，所述方法包括：

调用网络爬虫引擎爬取网页中的各用户的用户资源信息，其中，用户资源信息包括以下至少之一：姓名、电话号码、年龄、银行卡号、身份证号码、常用IP以及访问资源；

对各用户的用户资源信息进行预处理；

通过预设的分布式日志系统，将预处理后的各用户资源信息发送至Flink资源分析引擎；

启动所述Flink资源分析引擎对接收到的各用户资源信息进行分析，分别确定各用户受诈骗的第一概率和第一方式；

在用户受诈骗的第一概率大于第一预设阈值的情况下，向所述用户发送第一提示信息，其中，所述第一提示信息用于提示用户存在被诈骗的风险以及受诈骗的第一方式；

通过预设的分布式日志系统，将各用户受诈骗的第一概率和第一方式发送至ES中进行存储。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

所述Flink资源分析引擎按照预设参数对各用户进行分类，得到各分类对应的用户群体；

针对每个所述用户群体，统计所述用户群体受诈骗的第二概率和受诈骗的第二方式；

通过预设的分布式日志系统，将各所述用户群体受诈骗的第二概率和第二方式发送至ES中进行存储。

3.根据权利要求2所述的方法，其特征在于，针对每个所述用户群体，统计所述用户群体受诈骗的第二概率和受诈骗的第二方式的步骤，包括：

针对每个所述用户群体，统计所述用户群体中第一类型用户的比例，其中，所述第一类型用户为受诈骗的第一概率大于第一预设阈值的用户；

将所述比例确定为所述用户群体受诈骗的第二概率；

针对每个所述用户群体，依据所述用户群体中各用户的受诈骗方式，统计所述用户群体受诈骗的第二方式。

4.根据权利要求2所述的方法，其特征在于，在所述针对每个所述用户群体，统计所述用户群体受诈骗的第二概率和受诈骗的第二方式的步骤之后，所述方法还包括：

针对每个所述用户群体，判断所述用户群体受诈骗的第二概率是否大于第二预设阈值；

在所述第二概率大于所述第二预设阈值的情况下，向所述用户群体中的各用户分别发送第二提示信息，其中，所述第二提示信息用于提示用户存在被诈骗的风险以及受诈骗的第二方式。

5.根据权利要求1所述的方法，其特征在于，所述调用网络爬虫引擎爬取网页中的各用户的用户资源信息的步骤，包括：

调用网络爬虫引擎，按照预设的爬虫爬取路径和爬虫爬取时间间隔，爬取网页的各用户的用户资源信息。

6.一种反诈骗处理装置，其特征在于，所述装置包括：

网络爬虫引擎模块，用于爬取网页中的各用户的用户资源信息，其中，用户资源信息包括以下至少之一：姓名、电话号码、年龄、银行卡号、身份证号码、常用IP以及访问资源；对各用户的用户资源信息进行预处理；

分布式日志系统模块，用于将预处理后的各用户资源信息发送至Flink资源分析引擎模块；

Flink资源分析引擎模块，用于对接收到的各用户资源信息进行分析，分别确定各用户受诈骗的第一概率和第一方式；在用户受诈骗的第一概率大于第一预设阈值的情况下，向所述用户发送第一提示信息，其中，所述第一提示信息用于提示用户存在被诈骗的风险以及受诈骗的第一方式；

所述分布式日志系统模块，还用于将各用户受诈骗的第一概率和第一方式发送至ES中进行存储。

7.根据权利要求6所述的装置，其特征在于，所述Flink资源分析引擎模块还用于：

按照预设参数对各用户进行分类，得到各分类对应的用户群体；

针对每个所述用户群体，统计所述用户群体受诈骗的第二概率和受诈骗的第二方式；

所述分布式日志系统模块，用于将各所述用户群体受诈骗的第二概率和第二方式发送至ES中进行存储。

8.根据权利要求7所述的装置，其特征在于，所述Flink资源分析引擎模块针对每个所述用户群体，统计所述用户群体受诈骗的第二概率和受诈骗的第二方式时，具体用于：

针对每个所述用户群体，统计所述用户群体中第一类型用户的比例，其中，所述第一类型用户为受诈骗的第一概率大于第一预设阈值的用户；

将所述比例确定为所述用户群体受诈骗的第二概率；

针对每个所述用户群体，依据所述用户群体中各用户的受诈骗方式，统计所述用户群体受诈骗的第二方式。

9.根据权利要求7所述的装置，其特征在于，所述Flink资源分析引擎模块还用于：

在针对每个所述用户群体，统计所述用户群体受诈骗的第二概率和受诈骗的第二方式之后，针对每个所述用户群体，判断所述用户群体受诈骗的第二概率是否大于第二预设阈值；

在所述第二概率大于所述第二预设阈值的情况下，向所述用户群体中的各用户分别发送第二提示信息，其中，所述第二提示信息用于提示用户存在被诈骗的风险以及受诈骗的第二方式。

10.根据权利要求6所述的装置，其特征在于，所述网络爬虫引擎模块，具体用于：

调用网络爬虫引擎，按照预设的爬虫爬取路径和爬虫爬取时间间隔，爬取网页的各用户的用户资源信息。

Images