CN112632371B - 银行业务反欺诈方法与系统 - Google Patents
银行业务反欺诈方法与系统 Download PDFInfo
- Publication number
- CN112632371B CN112632371B CN202011440168.6A CN202011440168A CN112632371B CN 112632371 B CN112632371 B CN 112632371B CN 202011440168 A CN202011440168 A CN 202011440168A CN 112632371 B CN112632371 B CN 112632371B
- Authority
- CN
- China
- Prior art keywords
- fraud
- banking
- rule
- early warning
- 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.)
- Active
Links
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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
-
- 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
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/54—Interprogram communication
- G06F9/546—Message passing systems or structures, e.g. queues
-
- 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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
-
- 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
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/54—Indexing scheme relating to G06F9/54
- G06F2209/547—Messaging middleware
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请涉及一种银行业务反欺诈方法与系统,利用低延迟、高吞吐的分布式大数据处理工具kafka作为数据暂存地和分发器,灵活快速地实现对同一份数据上多个指标的并发计算;利用新一代大数据流计算引擎flink实现批流一体化处理,避免数据在不同处理引擎之间来回搬运,也统一计算模型,便于统一人员技能和技术架构,降低开发运维成本,通过日终批量方式预先加工中间结果,降低日间系统计算压力的同时,提升指标计算的实时性,解决了日终批处理方式的指标结果滞后性问题。
Description
技术领域
本申请涉及反欺诈技术领域,特别是涉及一种银行业务反欺诈方法与系统。
背景技术
随着金融风险事件不断暴露,金融监管机构和银行对于金融风险控制的认识和要求在不断提升。受限于技术条件,银行传统的风险控制系统一般基于批量方式实现,风险指标的计算结果基于当天运行数据在一天的银行营业结束后生成,该风险指标的计算结果只能运用于第二天的风险控制,导致风险控制的时效性和准确性比较差,风控漏洞较大。
而对于每天上千万笔交易量、千亿的指标计算量、PB级数据规模的数据。很多传统的实时指标计算方法底层逻辑一般是采用实时采集、异步计算的方式。换言之,就是采集、计算、查询三个环节是异步并行的,三者各司其职,无法有效协同。异步计算无法保证实时数据已经被计算,异步查询无法保证当前的计算结果实时被查获。同时,随着大数据的不断累积,计算能力会逐渐变得迟缓。
综上,传统的银行业务反欺诈方法无法实时对当前的业务交易进行反欺诈的风险控制。
发明内容
基于此,有必要针对传统银行业务反欺诈方法无法实时对当前的业务交易进行反欺诈的风险控制的问题,提供一种银行业务反欺诈方法与系统。
本申请提供一种银行业务反欺诈方法,包括:
反欺诈数据处理引擎从反欺诈风险管理平台中获取规则列表,基于Flume实时同步用户在各个服务渠道的用户数据,存储于本地设置的ODS数据库中,以及本地设置的kafka消息中间件中;
反欺诈数据处理引擎从本地的ODS数据库中获取已同步的用户数据,利用Flink规则算子,筛选所述规则列表中各个规则所需的用户数据,生成中间数据,并将所述中间数据存储于本地设置的缓存服务器或kafka消息中间件中;
当一笔处于任一服务渠道的业务交易被发起后,所述服务渠道的客户端存储交易流水信息;
所述服务渠道的客户端通过反欺诈接口,获取所述缓存服务器或kafka消息中间件中的中间数据,基于中间数据和交易流水信息进行规则命中分析,判断本次业务交易是否命中任意一个风险预警规则;
若本次业务交易命中任意一个风险预警规则,则所述服务渠道的客户端生成命中结果发送至反欺诈数据处理引擎的缓存服务器或kafka消息中间件中进行存储。
进一步地,所述服务渠道至少包括手机银行业务渠道、个人网银业务渠道和企业网银业务渠道。
在反欺诈数据处理引擎从反欺诈风险管理平台中获取规则列表之前,所述银行业务反欺诈方法还包括:
反欺诈风险管理创建多个风险预警规则,并对每一个风险预警规则进行参数配置;
创建规则列表,将所有的风险预警规则存储入规则列表。
进一步地,在将所有的风险预警规则存储入规则列表之后,所述银行业务反欺诈方法还包括:
基于风险控制策略,将多个风险预警规则进行任意组合,生成至少一个风险预警规则组;
将至少一个风险预警规则组存储入规则列表。
进一步地,当判断本次业务交易是否命中任意一个风险预警规则时,还判断是否命中任意一个风险预警规则组。
进一步地,反欺诈数据处理引擎从本地的ODS数据库中获取已同步的用户数据,利用Flink规则算子,筛选所述规则列表中各个规则所需的用户数据,生成中间数据,并将所述中间数据存储于本地设置的缓存服务器或kafka消息中间件中,包括:
反欺诈数据处理引擎从本地的ODS数据库中获取已同步的用户数据;
利用Flink规则算子,筛选所述规则列表中各个风险预警规则、以及各个风险预警规则组所需的用户数据,生成与风险预警规则或风险预警规则组队员的中间数据,并将所述中间数据存储于本地设置的缓存服务器或kafka消息中间件中。
进一步地,当判断本次业务交易是否命中任意一个风险预警规则时,还同步判断是否命中任意一个风险预警规则组;
当同时命中一个风险预警规则和一个风险预警规则组时,将风险预警规则组作为命中目标。
本申请还提供一种银行业务反欺诈系统,包括:
银行业务系统;
反欺诈系统,通过反欺诈接口与银行业务系统连接,采用前述内容提及的银行业务反欺诈方法,对银行业务系统流转的银行业务进行反欺诈监控。
本申请涉及一种银行业务反欺诈方法与系统,利用低延迟、高吞吐的分布式大数据处理工具kafka作为数据暂存地和分发器,灵活快速地实现对同一份数据上多个指标的并发计算;利用新一代大数据流计算引擎flink实现批流一体化处理,避免数据在不同处理引擎之间来回搬运,也统一计算模型,便于统一人员技能和技术架构,降低开发运维成本,通过日终批量方式预先加工中间结果,降低日间系统计算压力的同时,提升指标计算的实时性,解决了日终批处理方式的指标结果滞后性问题。
附图说明
图1为本申请一实施例提供的银行业务反欺诈方法的流程示意图;
图2为本申请一实施例提供的银行业务反欺诈系统的结构示意图;
图3为本申请一实施例提供的银行业务反欺诈系统中,反欺诈数据处理引擎的结构示意图。
附图标记:
10-银行业务系统;110-后台业务系统;120-客户端;
20-反欺诈系统;210-反欺诈风险管理平台;
220-反欺诈数据处理引擎;221-Kafka消息中间件;222-缓存服务器;
230-反欺诈系统数据库;231-ODS数据库;
232-规则配置数据库;30-反欺诈接口
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供一种银行业务反欺诈方法。需要说明的是,本申请提供的银行业务反欺诈方法可以与任意的银行业务系统配合使用。
此外,本申请提供的银行业务反欺诈方法不限制其执行主体。可选地,本申请提供的银行业务反欺诈方法的执行主体可以为一种反欺诈系统或反欺诈终端。具体地,本申请提供的银行业务反欺诈方法的执行主体可以为反欺诈系统或反欺诈终端中的一个或多个处理器。
如图1所示,在本申请的一实施例中,所述银行业务反欺诈方法包括如下步骤S100至步骤S500:
S100,反欺诈数据处理引擎从反欺诈风险管理平台中获取规则列表,基于Flume实时同步用户在各个服务渠道的用户数据,存储于本地设置的ODS数据库中,以及本地设置的kafka消息中间件中。
具体地,不同的服务渠道代表不同的业务类型,例如手机银行。所述规则列表存储有一个或多个风险预警规则。风险预警规则是指一些预先设定好的存在一定欺诈风险的业务行为,例如长期无交易的企业账户短时间内单笔大额入账后连续多笔公转私出账”,“用同一个身份证或者在同一个设备开多个二、三类账户”,“多个客户使用同一个IP或者同一个客户使用多个不同IP登录”等。
本步骤基于Flume实时同步用户在各个服务渠道的用户数据,存储于本地设置的ODS数据库中,以及本地设置的kafka消息中间件中,为后续数据处理提供数据源。
S200,反欺诈数据处理引擎从本地的ODS数据库中获取已同步的用户数据,利用Flink规则算子,筛选所述规则列表中各个规则所需的用户数据,生成中间数据,并将所述中间数据存储于本地设置的缓存服务器或kafka消息中间件中。
具体地,本步骤中,反欺诈数据处理引擎可以基于手机银行、个人网银、企业网银数据以及核心系统的数据进行实时同步,并根据反欺诈风险管理平台配置的规则,对同步的数据进行筛选、处理、分析,形成中间结果并存储,供接口端获取或其他业务系统订阅。
S300,当一笔处于任一服务渠道的业务交易被发起后,所述服务渠道的客户端存储交易流水信息。
S400,所述服务渠道的客户端通过反欺诈接口,获取所述缓存服务器或kafka消息中间件中的中间数据,基于中间数据和交易流水信息进行规则命中分析,判断本次业务交易是否命中任意一个风险预警规则。
S500,若本次业务交易命中任意一个风险预警规则,则所述服务渠道的客户端生成命中结果发送至反欺诈数据处理引擎的缓存服务器或kafka消息中间件中进行存储。
具体地,步骤S400和步骤S500可以在手机银行、个人网银、企业网银的每一笔业务交易中,甚至是交易授权时调用此反欺诈接口,根据风险预警规则,实时判断本次交易是否存在风险,并告知业务系统采取相应风险防范措施。
本实施例中,利用低延迟、高吞吐的分布式大数据处理工具kafka作为数据暂存地和分发器,灵活快速地实现对同一份数据上多个指标的并发计算;利用新一代大数据流计算引擎flink实现批流一体化处理,避免数据在不同处理引擎之间来回搬运,也统一计算模型,便于统一人员技能和技术架构,降低开发运维成本,通过日终批量方式预先加工中间结果,降低日间系统计算压力的同时,提升指标计算的实时性,解决了日终批处理方式的指标结果滞后性问题。
在本申请的一实施例中,所述服务渠道至少包括手机银行业务渠道、个人网银业务渠道和企业网银业务渠道。
具体地,当然,服务渠道不止以上几种方式。
在本申请的一实施例中,在所述步骤S100之前,所述银行业务反欺诈方法还包括:
S010,反欺诈风险管理创建多个风险预警规则,并对每一个风险预警规则进行参数配置。
S020,创建规则列表,将所有的风险预警规则存储入规则列表。
具体地,例如,可以在反欺诈风险管理平台上对“长期无交易的企业账户短时间内单笔大额入账后连续多笔公转私出账”这一风险预警规则进行参数配置,比如,第一参数可以配置为“时间范围为120分钟”,第二参数可以配置为“大额入账金额超过10万元”,第三参数可以配置为“3笔转账后”,第四参数可以配置为“账户剩余金额小于1000元”,这一就形成了“长期无交易的企业账户短时间内单笔大额入账后连续多笔公转私出账”这一风险预警规则。
进一步地,还可以针对每一个风险预警规则配置相关状态和规则命中处理策略等内容。
本实施例中,通过对风险预警规则进行参数配置,使得风险预警规则可以贴合各个实际可能存在欺诈风险的业务场景,便于后续进行反欺诈监控。
在本申请的一实施例中,在所述步骤S020之后,所述银行业务反欺诈方法还包括:
S030,基于风险控制策略,将多个风险预警规则进行任意组合,生成至少一个风险预警规则组。
S040,将至少一个风险预警规则组存储入规则列表。
本实施例中,通过对不同规则组的定义,可以形成不同业务场景规则,以便应对于各银行业务。
在本申请的一实施例中,当判断本次业务交易是否命中任意一个风险预警规则时,还判断是否命中任意一个风险预警规则组。
在本申请的一实施例中,所述步骤S200包括:
S210,反欺诈数据处理引擎从本地的ODS数据库中获取已同步的用户数据。
S220,利用Flink规则算子,筛选所述规则列表中各个风险预警规则、以及各个风险预警规则组所需的用户数据,生成与风险预警规则或风险预警规则组对应的中间数据,并将所述中间数据存储于本地设置的缓存服务器或kafka消息中间件中。
具体地,针对于每一个规则可以预设一个Flink规则算子,通过Flink实时流计算,可以针对每一个风险预警规则(或风险预警规则组)生成相应的中间数据。缓存服务器又称为Redi。
本实施例中,过Flink中开发的规则算子,分笔并行处理所有规则的算子,筛选各个规则所需数据,并对筛选后的数据进行分析、统计,计算得出规则所需参数的统计数据,并将中间结果存入Redis或Kafka中,供接口端获取或其他业务系统订阅。
在本申请的一实施例中,在所述步骤S500中,当判断本次业务交易是否命中任意一个风险预警规则时,还同步判断是否命中任意一个风险预警规则组。
当同时命中一个风险预警规则和一个风险预警规则组时,将风险预警规则组作为命中目标。
具体地,风险预警规则是一个规则,而规则组是一个复杂的规则集合,如果刚好命中了规则组合和规则,那么以复杂的规则集合为准。
本申请还提供一种银行业务反欺诈系统。
在本申请的一实施例中,所述银行业务反欺诈系统,包括银行业务系统和反欺诈系统。所述反欺诈系统通过反欺诈接口与银行业务系统连接,采用前述内容提及的银行业务反欺诈方法,对银行业务系统流转的银行业务进行反欺诈监控。所述银行业务系统,包括后台业务系统和客户端。
具体地,所述后台业务系统是银行的后台业务管理系统,记录有各条银行业务的金额流水。后台业务系统包括不仅限于手机银行业务系统、个人网银业务系统、企业网银业务系统和收银台业务系统。
客户端是用户使用的终端,例如客户使用的银行服务渠道是手机银行,那么客户端就是手机银行app。
在本申请的一实施例中,所述反欺诈系统包括反欺诈风险管理平台、反欺诈数据处理引擎和反欺诈系统数据库。所述反欺诈数据处理引擎与反欺诈风险管理平台连接。所述反欺诈系统数据库包括ODS数据库和规则配置数据库。
具体地,规则配置数据库用于存储规则列表。
在本申请的一实施例中,所述反欺诈数据引擎包括Kafka消息中间件和缓存服务器。所述Kafka消息中间件用于存储实时同步的用户数据。所述缓存服务器,用于存储中间数据。
具体地,缓存服务器又称为Redis。
以上所述实施例的各技术特征可以进行任意的组合,各方法步骤也并不做执行顺序的限制,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (9)
1.一种银行业务反欺诈方法,其特征在于,所述银行业务反欺诈方法包括:
S100,反欺诈数据处理引擎从反欺诈风险管理平台中获取规则列表,基于Flume实时同步用户在各个服务渠道的用户数据,存储于本地设置的ODS数据库中,以及本地设置的kafka消息中间件中;
S200,反欺诈数据处理引擎从本地的ODS数据库中获取已同步的用户数据,利用Flink规则算子,筛选所述规则列表中各个规则所需的用户数据,生成中间数据,并将所述中间数据存储于本地设置的缓存服务器或kafka消息中间件中;
所述S200包括:
S210,反欺诈数据处理引擎从本地的ODS数据库中获取已同步的用户数据;
S220,利用Flink规则算子,筛选所述规则列表中各个风险预警规则、以及各个风险预警规则组所需的用户数据,生成与风险预警规则或风险预警规则组队员的中间数据,并将所述中间数据存储于本地设置的缓存服务器或kafka消息中间件中;
S300,当一笔处于任一服务渠道的业务交易被发起后,所述服务渠道的客户端存储交易流水信息;
S400,所述服务渠道的客户端通过反欺诈接口,获取所述缓存服务器或kafka消息中间件中的中间数据,基于中间数据和交易流水信息进行规则命中分析,判断本次业务交易是否命中任意一个风险预警规则;
S500,若本次业务交易命中任意一个风险预警规则,则所述服务渠道的客户端生成命中结果发送至反欺诈数据处理引擎的缓存服务器或kafka消息中间件中进行存储。
2.根据权利要求1所述的银行业务反欺诈方法,其特征在于,所述服务渠道至少包括手机银行业务渠道、个人网银业务渠道和企业网银业务渠道。
3.根据权利要求2所述的银行业务反欺诈方法,其特征在于,在所述步骤S100之前,所述银行业务反欺诈方法还包括:
S010,反欺诈风险管理创建多个风险预警规则,并对每一个风险预警规则进行参数配置;
S020,创建规则列表,将所有的风险预警规则存储入规则列表。
4.根据权利要求3所述的银行业务反欺诈方法,其特征在于,在所述步骤S020之后,所述银行业务反欺诈方法还包括:
S030,基于风险控制策略,将多个风险预警规则进行任意组合,生成至少一个风险预警规则组;
S040,将至少一个风险预警规则组存储入规则列表。
5.根据权利要求4所述的银行业务反欺诈方法,其特征在于,当判断本次业务交易是否命中任意一个风险预警规则时,还判断是否命中任意一个风险预警规则组。
6.根据权利要求4所述的银行业务反欺诈方法,其特征在于,在所述步骤S500中,当判断本次业务交易是否命中任意一个风险预警规则时,还同步判断是否命中任意一个风险预警规则组;
当同时命中一个风险预警规则和一个风险预警规则组时,将风险预警规则组作为命中目标。
7.一种银行业务反欺诈系统,其特征在于,包括:
银行业务系统,包括后台业务系统和客户端;
反欺诈系统,通过反欺诈接口与银行业务系统连接,采用权利要求1- 6中任意一项所述的银行业务反欺诈方法,对银行业务系统流转的银行业务进行反欺诈监控。
8.根据权利要求7所述的银行业务反欺诈系统 ,其特征在于,所述反欺诈系统包括:
反欺诈风险管理平台;
反欺诈数据处理引擎,与反欺诈风险管理平台连接;
反欺诈系统数据库,包括ODS数据库和规则配置数据库。
9.根据权利要求8所述的银行业务反欺诈系统 ,其特征在于,所述反欺诈数据处理引擎包括:
Kafka消息中间件,用于存储实时同步的用户数据;
缓存服务器,用于存储中间数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011440168.6A CN112632371B (zh) | 2020-12-11 | 2020-12-11 | 银行业务反欺诈方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011440168.6A CN112632371B (zh) | 2020-12-11 | 2020-12-11 | 银行业务反欺诈方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112632371A CN112632371A (zh) | 2021-04-09 |
CN112632371B true CN112632371B (zh) | 2022-09-30 |
Family
ID=75309236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011440168.6A Active CN112632371B (zh) | 2020-12-11 | 2020-12-11 | 银行业务反欺诈方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112632371B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116303498B (zh) * | 2023-02-28 | 2023-11-03 | 上海数禾信息科技有限公司 | 流批一体方法、装置、设备和介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976242A (zh) * | 2016-04-21 | 2016-09-28 | 中国农业银行股份有限公司 | 一种基于实时流数据分析的交易欺诈检测方法及系统 |
WO2017187207A1 (en) * | 2016-04-29 | 2017-11-02 | Privitar Limited | Computer-implemented privacy engineering system and method |
CN108920948A (zh) * | 2018-05-25 | 2018-11-30 | 众安信息技术服务有限公司 | 一种反欺诈流式计算装置及方法 |
CN109472610A (zh) * | 2018-11-09 | 2019-03-15 | 福建省农村信用社联合社 | 一种银行交易反欺诈方法及系统、设备和存储介质 |
CN110956547B (zh) * | 2019-11-28 | 2023-11-03 | 广州及包子信息技术咨询服务有限公司 | 一种基于搜索引擎的实时识别欺诈团伙的方法及系统 |
-
2020
- 2020-12-11 CN CN202011440168.6A patent/CN112632371B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112632371A (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111382150B (zh) | 一种基于Flink的实时计算方法及系统 | |
US10637990B1 (en) | Call center load balancing and routing management | |
CN108805391A (zh) | 确定高风险用户的方法及装置 | |
KR20120040589A (ko) | 전자 입찰에 있어 투찰금액 예측방법 및 그 시스템 | |
CN110111202A (zh) | 一种贷后风险监控的方法和系统 | |
CN113256408A (zh) | 基于消费金融的风险控制方法、系统和计算机设备 | |
CN111125118B (zh) | 关联数据查询方法、装置、设备及介质 | |
CN109902747B (zh) | 一种身份识别方法、装置、设备及计算机可读存储介质 | |
CN111259952A (zh) | 异常用户识别方法、装置、计算机设备及存储介质 | |
CN112737974A (zh) | 业务流处理方法、装置、计算机设备及存储介质 | |
CN111815439B (zh) | 一种基于云平台的信用评分系统 | |
Li et al. | Enhancing telco service quality with big data enabled churn analysis: infrastructure, model, and deployment | |
CN110197426B (zh) | 一种信用评分模型的建立方法、装置及可读存储介质 | |
CN114612018B (zh) | 一种内控风险监测方法、系统和可读存储介质 | |
CN111915316A (zh) | 一种可疑交易的监控方法、装置、计算机设备和存储介质 | |
CN112632371B (zh) | 银行业务反欺诈方法与系统 | |
CN113298121A (zh) | 基于多数据源建模的消息发送方法、装置和电子设备 | |
CN114282011A (zh) | 知识图谱的构建方法和装置、图计算方法及装置 | |
CN112884442B (zh) | 一种基于审计模型的审计监控数据的获取方法及系统 | |
CN113327111A (zh) | 一种网络金融交易风险的评估方法及系统 | |
CN113450158A (zh) | 银行活动信息推送方法及装置 | |
CN209785065U (zh) | 一种代理商分润管理装置 | |
CN112862598A (zh) | 渠道信息管理方法、装置、电子设备及介质 | |
CN112308466A (zh) | 企业资质审核方法、装置、计算机设备和存储介质 | |
CN112734352A (zh) | 一种基于数据维度的单据审核方法和装置 |
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 |