CN112749980B - 一种基于区块链的信用资产处理方法及系统 - Google Patents
一种基于区块链的信用资产处理方法及系统 Download PDFInfo
- Publication number
- CN112749980B CN112749980B CN202110041211.XA CN202110041211A CN112749980B CN 112749980 B CN112749980 B CN 112749980B CN 202110041211 A CN202110041211 A CN 202110041211A CN 112749980 B CN112749980 B CN 112749980B
- Authority
- CN
- China
- Prior art keywords
- data
- credit asset
- user
- asset data
- credit
- 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
- 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
-
- 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
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0609—Buyer or seller confidence or verification
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Technology Law (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供了一种基于区块链的信用资产处理方法及系统,其方法包括:基于区块链,获取用户行为信息;将所述行为信息进行处理,得到用户的信用资产数据;将所述用户信用资产数据进行评级,且根据评级结果预测用户信用资产数据在预设时间内的变化趋势;将评级后的信用资产数据进行加密处理,并进行存储。通过从用户行为信息中获取用户的信用资产数据,并对获取到的信用资产数据进行评级以及预测变化趋势,便于用户及时掌握一定时间段内自身信用资产的变化情况,同时将评级后的资产数据进行加密保存,有效的保护了用户的信用资产信息。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种基于区块链的信用资产处理方法及系统。
背景技术
目前,随着互联网的快速发展,个人或企业信用开始变得越来越重要,在当今社会出行、住宿、贷款无一例外需要查看信用,并且企业或者个人可以信用为基础向他人赊销商品或提供劳务,从而形成应收账款或应收票据。
但是,目前现有的系统不能对用户的信用资产信息进行严格的加密,且不能及时对用户的信用进行评级,从而预测不到用户在一定时间内的信用度变化值,不利于用户及时解决自身信用资产,因此本发明提供了一种基于区块链的信用资产处理方法及系统。
发明内容
本发明提供一种基于区块链的信用资产处理方法及系统,用以对得到用户的信用资产数据进行评级,且预测一定时间段内用户信用资产的变化趋势,并将用户评级后的信用资产数据进行加密保存处理,便于用户及时了解自身信用资产。
本发明提供一种基于区块链的信用资产处理方法,包括:
步骤1:基于区块链,获取用户行为信息;
步骤2:将所述行为信息进行处理,得到用户的信用资产数据;
步骤3:将所述用户信用资产数据进行评级,且根据评级结果预测用户信用资产数据在预设时间内的变化趋势;
步骤4:将评级后的信用资产数据进行加密处理,并进行存储。
优选的,一种基于区块链的信用资产处理方法,步骤1中,基于区块链,获取用户行为信息,包括:
所述区块链包含N个区块链节点;
所述N个区块链节点存储有用户的不同行为信息;
所述用户行为信息包括:用户行为频次、消费信息、用户不动产信息、用户银行存款信息、用户征信信息。
优选的,一种基于区块链的信用资产处理方法,步骤2中,将所述行为信息进行处理,得到用户的信用资产数据,包括:
构建数据处理模型,且所述数据处理模型内部配置有行为信息表以及信用资产处理策略;
所述行为信息表用于对所述用户的行为信息进行筛选得到对应的用户行为数据;
所述用户行为数据包括用户的行为值;
所述用户资产处理策略,用于对所述用户的行为值进行处理,得到用户信用资产值;
构建数据转换模型,并将所述用户信用资产值输入所述数据转化模型,得到用户信用资产数据。
优选的一种基于区块链的信用资产处理方法,步骤3中,对所述用户信用资产数据进行评级,包括:
获取所述信用资产数据,并构建数据权重计算模型;
将所述信用资产数据输入所述数据权重计算模型,得到信用资产数据权重值;
将所述信用资产数据权重值与预设信用资产等级阈值进行比较,并根据比较结果,对用户的信用资产数据等级进行升级或降级,得到用户最终的信用资产数据等级。
优选的,一种基于区块链的信用资产处理方法,步骤3中,根据评级结果预测用户信用资产数据在预设时间内的变化趋势,还包括:
构建信用资产数据等级趋势预测模型,且所述信用资产等级趋势预测模型内部包含神经网络算法;
设定预测时间长度为半年;
将所述用户最终的信用资产等级输入所述信用资产等级趋势预测模型,且所述神经网络算法对所述用户最终的信用资产等级进行计算,得到用户半年内信用资产等级的变化趋势;
其中,所述变化趋势包括信用资产等级的上升值或者信用资产等级的下降值;
将所述变化趋势中的信用资产等级下降值与预设阈值进行比较;
若所述信用资产等级下降值大于所述预设阈值,判定用户的信用资产等级满足预设的预警条件,并向用户发送预警信号;
否则,判定用户的信用资产等级合格。
优选的,一种基于区块链的信用资产处理方法,步骤4中,对评级后的信用资产数据进行加密处理,包括:
获取所述信用资产数据,并根据所述信用资产数据的数据类型、数据格式,确定所述信用资产数据的数据等级;
其中,数据等级包括高级数据和一般数据;
当确定所述信用资产数据的数据等级为高级数据时,构建高级信用资产数据加密模型;
基于高级信用资产数据加密模型产生一个加密密钥,并将所述加密密钥按照预定规则生成一组子密钥;
将所述信用资产数据随机打包生成M个明文数据块;
根据每个明文数据块的大小,并按照预设匹配规则选取对应的所述子密钥对所述明文数据块进行加密,得到M个密文数据块;
将所述M个密文数据块输入数据编码为预定数据长度的N个密文数据中,并将所述M个密文数据块与所述N个密文数据按位组合,得到长度相同的前部密文数据和后部密文数据;
将所述前部密文数据和后部密文数据进行前后置换,得到M个密文输出数据块;
其中,M与N的大小相同,且M用来表示密文数据块的个数,N用来表示密文数据的个数;
将M个密文输出数据块进行融合,得到第一目标密文信用资产数据;
当确定所述信用资产数据的数据等级为一般数据时,构建普通信用资产数据加密模型,对所述信用资产数据进行加密,得到第二目标密文信用资产数据。
优选的,一种基于区块链的信用资产处理方法,步骤4中,对评级后的信用资产数据进行加密处理,并进行存储,还包括:
获取第一目标密文信用资产数据以及第二目标密文信用资产数据;
获取预设的并发存储区域,且所述并发存储区域包括W个存储单元,并按预设排列顺序进行排列;
同时,所述W个存储单元具备各自的属性信息;
提取所述W个存储单元各自属性信息对应的目标向量;
按照存储单元在所述并发存储区域中的预设排列顺序将对应的所述目标向量进行组合,得到目标向量矩阵;
构建目标神经网络模型,并基于所述目标神经网络模型对所述目标向量矩阵进行处理,得到所述并发存储区域中W个存储单元各自属性信息中关键信息对应的目标位置;
其中,所述关键信息包含每个存储单元的存储类别信息以及存储单元的类别标识信息;
基于所述目标位置,提取所述W个存储单元属性信息中的关键信息;
确定所述第一目标密文信用资产数据以及第二目标密文信用资产数据的目标数据类别;
将所述目标数据类别与所述W个存储单元属性信息中的关键信息进行匹配;
基于匹配结果,从所述W个存储单元中确定符合所述第一目标密文信用资产数据以及第二目标密文信用资产数据进行存储的目标存储单元;
将所述第一目标密文信用资产数据以及第二目标密文信用资产数据存入所述目标存储单元,并记录存储信息。
优选的,一种基于区块链的信用资产处理方法,步骤4中,对评级后的信用资产数据进行加密处理,还包括:
获取所用信用资产数据;
所述信用资产数据中包含用户的银行存款信息、用户的不动产信息以及用户的消费信息;
计算所述信用资产数据的重要程度值,并根据所述信用资产数据的重要程度值计算对所述信用资产数据的加密值,具体包括:
根据如下公式计算所述信用资产数据的重要程度值:
其中,α表示所述信用资产数据的重要程度值,且取值范围为(0,1);∈表示所述信用资产数据中用户的银行存款信息数据所占的权重;μ表示所述信用资产数据中用户的不动产信息数据所占的权重;ρ表示所述信用资产数据中用户的消费信息数据所占的权重;γ表示重要程度因子,且取值范围为(0.5,0.8);表示所述信用资产数据中用户的银行存款信息数据的方差;τ表示所述信用资产数据中用户的不动产信息数据的方差;θ表示所述信用资产数据中用户的消费信息数据的方差;
根据如下公式计算所述信用资产数据的加密值:
其中,δ表示所述信用资产数据的加密值;ω表示加密因子;α表示所述信用资产数据的重要程度值,且取值范围为(0,1);σ表示加密所述信用资产数据的密钥的加密强度值;β表示加密所述信用资产数据的密钥的数量;v表示安全系数,且取值范围为(0.5,0.8);κ表示所述信用资产数据的抗干扰系数;
将计算得到的加密值与预设加密值进行比较;
若所述加密值小于所述预设加密值,判定对所述信用资产数据加密不合格;
同时,构建二重加密模型,并将加密后的信用资产数据输入所述二重加密模型进行二次加密,并计算二次加密的加密值;
将二次加密的加密值再次与所述预设加密值进行比较,直至加密值大于或者等于所述预设加密值;
否则,判定对所述信用资产数据加密合格。
本发明提供一种基于区块链的信用资产处理系统,包括:
行为获取模块,用于从区块链中获取用户行为信息;
数据处理模块,用于将所述行为信息进行处理,得到用户的信用资产数据;
信用评级模块,用于对所述用户信用资产数据进行评级,且根据评级结果预测用户信用资产数据在预设时间内的变化趋势;
数据存储模块,用于对评级后的信用资产数据进行加密处理,并进行存储。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种基于区块链的信用资产处理方法的流程图;
图2为本发明实施例中一种基于区块链的信用资产处理系统的结构图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例1:
本发明提供一种实施例,一种基于区块链的信用资产处理方法,如图1所示,包括:
步骤1:基于区块链,获取用户行为信息;
步骤2:将所述行为信息进行处理,得到用户的信用资产数据;
步骤3:将所述用户信用资产数据进行评级,且根据评级结果预测用户信用资产数据在预设时间内的变化趋势;
步骤4:将评级后的信用资产数据进行加密处理,并进行存储。
该实施例中,行为信息包括用户行为频次、消费信息、用户不动产信息、用户银行存款信息。
该实施例中,信用资产数据指的是用户凭借信用为基础向他人赊销商品或提供劳务形成应收账款,即用户的资产信息。
该实施例中,预设时间是预先设定好的,可以是半年。
该实施例中,变化趋势指的是用户的信用资产数据在半年内的上升值或者下降值,其中,上升值以及下降值是半年后用户的信用资产等级与用户当前的信用资产等级的差值。
上述技术方案的有益效果是:通过从用户行为信息中获取用户的信用资产数据,并对获取到的信用资产数据进行评级以及预测变化趋势,便于用户及时掌握一定时间段内自身信用资产的变化情况,同时将评级后的资产数据进行加密保存,有效的保护了用户的信用资产信息。
实施例2:
在上述实施例1的基础上,本实施例提供了一种基于区块链的信用资产处理方法,步骤1中,基于区块链,获取用户行为信息,包括:
所述区块链包含N个区块链节点;
所述N个区块链节点存储有用户的不同行为信息;
所述用户行为信息包括:用户行为频次、消费信息、用户不动产信息、用户银行存款信息、用户征信信息。
该实施例中,区块链是一个分布式的共享账本或者数据库,用于存储用户的信用资产信息。
该实施例中,区块链节点指的是区块链中的子存储单元,用于存储不同种类的数据。
上述技术方案的有益效果是:通过区块链获取用户的行为信息,确保获取用户信息的全面性,为用户的信用资产数据评级提供了便利。
实施例3:
在上述实施例1的基础上,本实施例提供了一种基于区块链的信用资产处理方法,步骤2中,将所述行为信息进行处理,得到用户的信用资产数据,包括:
构建数据处理模型,且所述数据处理模型内部配置有行为信息表以及信用资产处理策略;
所述行为信息表用于对所述用户的行为信息进行筛选得到对应的用户行为数据;
所述用户行为数据包括用户的行为值;
所述用户资产处理策略,用于对所述用户的行为值进行处理,得到用户信用资产值;
构建数据转换模型,并将所述用户信用资产值输入所述数据转化模型,得到用户信用资产数据。
该实施例中,行为信息表是用来记录用户的资产行为,例如有饮食消费、出行消费等。
该实施例中,信用资产处理策略指的是对用户信用资产进行处理的方法或者手段,例如可以是剔除用户的流动资金后剩余的不动资金。
该实施例中,行为值指的是指的是用户做某件事所具备的价值。
该实施例中,信用资产值指的是用户凭借信用向他人赊销商品或提供劳务形成的应收账款。
上述技术方案的有益效果是:通过确定用户的行为信息从而确定用户的信用资产数据,有利于根据用户的消费或者收入情况,准确判断用户的信用资金量,从而有利于对用户的信用资金进行评级。
实施例4:
在上述实施例1的基础上,本实施例提供了一种基于区块链的信用资产处理方法,步骤3中,对所述用户信用资产数据进行评级,包括:
获取所述信用资产数据,并构建数据权重计算模型;
将所述信用资产数据输入所述数据权重计算模型,得到信用资产数据权重值;
将所述信用资产数据权重值与预设信用资产等级阈值进行比较,并根据比较结果,对用户的信用资产数据等级进行升级或降级,得到用户最终的信用资产数据等级。
该实施例中,信用资产数据权重值指的是用户凭借信用所得的资产在总资产中所占的重要程度。
该实施例中,预设信用资产等级阈值是预先设定好的,用来衡量用户信用资产等级的参数区间。
上述技术方案的有益效果是:通过确定用户信用资产数据权重值,并将权重值与预设信用资产等级阈值进行比较,准确的判断出用户当前的信用资产等级,提高了等级划分的准确性。
实施例5:
在上述实施例1的基础上,本实施例提供了一种基于区块链的信用资产处理方法,步骤3中,根据评级结果预测用户信用资产数据在预设时间内的变化趋势,还包括:
构建信用资产数据等级趋势预测模型,且所述信用资产等级趋势预测模型内部包含神经网络算法;
设定预测时间长度为半年;
将所述用户最终的信用资产等级输入所述信用资产等级趋势预测模型,且所述神经网络算法对所述用户最终的信用资产等级进行计算,得到用户半年内信用资产等级的变化趋势;
其中,所述变化趋势包括信用资产等级的上升值或者信用资产等级的下降值;
将所述变化趋势中的信用资产等级下降值与预设阈值进行比较;
若所述信用资产等级下降值大于所述预设阈值,判定用户的信用资产等级满足预设的预警条件,并向用户发送预警信号;
否则,判定用户的信用资产等级合格。
该实施例中,预测时间长度是半年,用来衡量用户半年内信用资产等级的变化。
该实施例中,变化趋势指的是用户在预测时间长度内,信用资产数据的上升或下降的浮动值。
该实施例中,预设阈值是预先设定的,用来衡量用户信用资产等级的下降范围。
该实施例中,预设的预警条件指的是用户的信用资产等级下降到一定程度时的下降值与预设值之间的大小关系,此大小关系为预设值为5,当用户的信用资产等级下降超过5时,则满足预设的预警条件。
上述技术方案的有益效果是:通过获取用户当前的信用资产等级,并对用户未来半年内的信用资产等级进行预测,准确预测出用户半年的信用资产等级的变化趋势,便于提醒用户做出相应的举措。
实施例6:
在上述实施例1的基础上,本实施例提供了一种基于区块链的信用资产处理方法,步骤4中,对评级后的信用资产数据进行加密处理,包括:
获取所述信用资产数据,并根据所述信用资产数据的数据类型、数据格式,确定所述信用资产数据的数据等级;
其中,数据等级包括高级数据和一般数据;
当确定所述信用资产数据的数据等级为高级数据时,构建高级信用资产数据加密模型;
基于高级信用资产数据加密模型产生一个加密密钥,并将所述加密密钥按照预定规则生成一组子密钥;
将所述信用资产数据随机打包生成M个明文数据块;
根据每个明文数据块的大小,并按照预设匹配规则选取对应的所述子密钥对所述明文数据块进行加密,得到M个密文数据块;
将所述M个密文数据块输入数据编码为预定数据长度的N个密文数据中,并将所述M个密文数据块与所述N个密文数据按位组合,得到长度相同的前部密文数据和后部密文数据;
将所述前部密文数据和后部密文数据进行前后置换,得到M个密文输出数据块;
其中,M与N的大小相同,且M用来表示密文数据块的个数,N用来表示密文数据的个数;
将M个密文输出数据块进行融合,得到第一目标密文信用资产数据;
当确定所述信用资产数据的数据等级为一般数据时,构建普通信用资产数据加密模型,对所述信用资产数据进行加密,得到第二目标密文信用资产数据。
该实施例中,加密密钥指的是用来加密用户信用资产数据由明文到密文的一种参数。
该实施例中,预定规则是预先设定好的,可以是将加密密钥进行拆分。
该实施例中,明文数据块指的是将用户信用资产数据分解为多块数据,并且分解后的信用资产数据没有加密。
该实施例中,预定数据长度是预先设定好的,和明文数据块的长度一致,是用来加密用户信用资产数据的。
该实施例中,前部密文数据指的是将用户信用资产数据加密后处于前端的加密后的信用资产数据,加密后的信用资产数据分为三部分,前端,中部和后端。
该实施例中,后部密文数据的是将用户信用资产数据加密后处于后端的加密后的信用资产数据。
上述技术方案的有益效果是:通过获取密钥,并将密钥拆分为多个子密钥,同时将用户的信用资产数据打包为多个明文数据块,有利于一个子密钥对应一个明文数据块,在加上预设长度的密文数据,有效的对用户的信用资产数据进行严格加密,确保了加密后的用户的信用资产数据的保密级别。
实施例7:
在上述实施例1的基础上,本实施例提供了一种基于区块链的信用资产处理方法,步骤4中,对评级后的信用资产数据进行加密处理,并进行存储,还包括:
获取第一目标密文信用资产数据以及第二目标密文信用资产数据;
获取预设的并发存储区域,且所述并发存储区域包括W个存储单元,并按预设排列顺序进行排列;
同时,所述W个存储单元具备各自的属性信息;
提取所述W个存储单元各自属性信息对应的目标向量;
按照存储单元在所述并发存储区域中的预设排列顺序将对应的所述目标向量进行组合,得到目标向量矩阵;
构建目标神经网络模型,并基于所述目标神经网络模型对所述目标向量矩阵进行处理,得到所述并发存储区域中W个存储单元各自属性信息中关键信息对应的目标位置;
其中,所述关键信息包含每个存储单元的存储类别信息以及存储单元的类别标识信息;
基于所述目标位置,提取所述W个存储单元属性信息中的关键信息;
确定所述第一目标密文信用资产数据以及第二目标密文信用资产数据的目标数据类别;
将所述目标数据类别与所述W个存储单元属性信息中的关键信息进行匹配;
基于匹配结果,从所述W个存储单元中确定符合所述第一目标密文信用资产数据以及第二目标密文信用资产数据进行存储的目标存储单元;
将所述第一目标密文信用资产数据以及第二目标密文信用资产数据存入所述目标存储单元,并记录存储信息。
该实施例中,并发存储区域指的是能够同时对多个存储单元进行数据存储的存储模块。
该实施例中,预设排列顺序是预先设定好的,用来规范存储单元在并发存储区域中的排列顺序。
该实施例中,属性信息指的是存储单元的基本信息,基本信息包括存储单元的容量以及存储单元所能存储的数据类型。
该实施例中,目标向量指的将属性信息转换为向量值,便于对存储单元的属性信息进行分析。
该实施例中,目标向量矩阵是由目标向量组成的,内部包含多个存储单元对应的目标向量。
该实施例中,目标位置指的是存储单元的关键信息在存储单元属性信息中的位置,便于根据位置准确提取出存储单元的关键信息。
上述技术方案的有益效果是:通过确定并发存取区域中每个存储单元的属性信息,并根据属性信息提取每个存储单元的关键信息,同时确定信用资产数据的数据类型,使得信用资产数据的数据类型与存储单元所能存储的数据类型一致,准确的将信用资产数据存入到对应的存储单元,提高了信用资产数据的存储效果。
实施例8:
在上述实施例1的基础上,本实施例提供了一种基于区块链的信用资产处理方法,步骤4中,对评级后的信用资产数据进行加密处理,还包括:
获取所用信用资产数据;
所述信用资产数据中包含用户的银行存款信息、用户的不动产信息以及用户的消费信息;
计算所述信用资产数据的重要程度值,并根据所述信用资产数据的重要程度值计算对所述信用资产数据的加密值,具体包括:
根据如下公式计算所述信用资产数据的重要程度值:
其中,α表示所述信用资产数据的重要程度值,且取值范围为(0,1);∈表示所述信用资产数据中用户的银行存款信息数据所占的权重;μ表示所述信用资产数据中用户的不动产信息数据所占的权重;ρ表示所述信用资产数据中用户的消费信息数据所占的权重;γ表示重要程度因子,且取值范围为(0.5,0.8);表示所述信用资产数据中用户的银行存款信息数据的方差;τ表示所述信用资产数据中用户的不动产信息数据的方差;θ表示所述信用资产数据中用户的消费信息数据的方差;
根据如下公式计算所述信用资产数据的加密值:
其中,δ表示所述信用资产数据的加密值;ω表示加密因子;α表示所述信用资产数据的重要程度值,且取值范围为(0,1);σ表示加密所述信用资产数据的密钥的加密强度值;β表示加密所述信用资产数据的密钥的数量;v表示安全系数,且取值范围为(0.5,0.8);κ表示所述信用资产数据的抗干扰系数;
将计算得到的加密值与预设加密值进行比较;
若所述加密值小于所述预设加密值,判定对所述信用资产数据加密不合格;
同时,构建二重加密模型,并将加密后的信用资产数据输入所述二重加密模型进行二次加密,并计算二次加密的加密值;
将二次加密的加密值再次与所述预设加密值进行比较,直至加密值大于或者等于所述预设加密值;
否则,判定对所述信用资产数据加密合格。
该实施例中,加密因子的取值范围为(0.6,0.9)。
该实施例中,加密强度值的取值范围为(0,1]。
该实施例中,抗干扰系数的取值范围为(0.56,0.82)。
该实施例中,预设加密值是预先设定好的,用来衡量信用资产数据加密后的加密效果。
上述技术方案的有益效果是:通过计算信用资产数据的重要程度值,并根据信用资产数据的重要程度值计算对信用资产数据的加密值。在计算信用资产数据的重要程度值时,涉及信用资产数据中银行存款的权重、消费信息数据所占的权重、不动产信息数据所占的权重以及三者对应的方差,使得计算结果更加准确可靠,便于根据重要程度值对信用资产数据进行加密,在计算加密值时,涉及密钥的数量以及密钥的加密强度值,确保通过密钥对信用资产数据进行有效加密,此方案严格控制了对用户信用资产数据的加密,提高了用户信用资产的保密性。
实施例9:
本发明提供了一种实施例,一种基于区块链的信用资产处理系统,如图2所示,包括:
行为获取模块,用于从区块链中获取用户行为信息;
数据处理模块,用于将所述行为信息进行处理,得到用户的信用资产数据;
信用评级模块,用于对所述用户信用资产数据进行评级,且根据评级结果预测用户信用资产数据在预设时间内的变化趋势;
数据存储模块,用于对评级后的信用资产数据进行加密处理,并进行存储。
上述技术方案的有益效果是:通过从用户行为信息中获取用户的信用资产数据,并对获取到的信用资产数据进行评级以及预测变化趋势,便于用户及时掌握一定时间段内自身信用资产的变化情况,同时将评级后的资产数据进行加密保存,有效的保护了用户的信用资产信息。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种基于区块链的信用资产处理方法,其特征在于,包括:
步骤1:基于区块链,获取用户行为信息;
步骤2:将所述行为信息进行处理,得到用户的信用资产数据;
步骤3:将所述用户信用资产数据进行评级,且根据评级结果预测用户信用资产数据在预设时间内的变化趋势,具体步骤包括:
构建信用资产数据等级趋势预测模型;
设定预测时间长度;
获取用户信用资产数据,并对所述用户信用资产数据进行评级,得到用户最终的信用资产等级;
将所述用户最终的信用资产等级输入所述信用资产等级趋势预测模型,对所述用户最终的信用资产等级进行计算,得到用户预测时间内信用资产等级的变化趋势;
其中,所述变化趋势包括信用资产等级的上升值或者信用资产等级的下降值;
将所述变化趋势中的信用资产等级下降值与预设阈值进行比较;
若所述信用资产等级下降值大于所述预设阈值,判定用户的信用资产等级满足预设的预警条件,并向用户发送预警信号;
否则,判定用户的信用资产等级合格;
步骤4:将评级后的信用资产数据进行加密处理,并进行存储,具体步骤包括:
获取所用信用资产数据;
所述信用资产数据中包含用户的银行存款信息、用户的不动产信息以及用户的消费信息;
计算所述信用资产数据的重要程度值,并根据所述信用资产数据的重要程度值计算对所述信用资产数据的加密值,具体包括:
根据如下公式计算所述信用资产数据的重要程度值:
其中,α表示所述信用资产数据的重要程度值,且取值范围为(0,1);∈表示所述信用资产数据中用户的银行存款信息数据所占的权重;μ表示所述信用资产数据中用户的不动产信息数据所占的权重;ρ表示所述信用资产数据中用户的消费信息数据所占的权重;γ表示重要程度因子,且取值范围为(0.5,0.8);表示所述信用资产数据中用户的银行存款信息数据的方差;τ表示所述信用资产数据中用户的不动产信息数据的方差;θ表示所述信用资产数据中用户的消费信息数据的方差;
根据如下公式计算所述信用资产数据的加密值:
其中,δ表示所述信用资产数据的加密值;ω表示加密因子;α表示所述信用资产数据的重要程度值,且取值范围为(0,1);σ表示加密所述信用资产数据的密钥的加密强度值;β表示加密所述信用资产数据的密钥的数量;v表示安全系数,且取值范围为(0.5,0.8);κ表示所述信用资产数据的抗干扰系数;
将计算得到的加密值与预设加密值进行比较;
若所述加密值小于所述预设加密值,判定对所述信用资产数据加密不合格,同时,构建二重加密模型,并将加密后的信用资产数据输入所述二重加密模型进行二次加密,并计算二次加密的加密值;
将二次加密的加密值再次与所述预设加密值进行比较,直至加密值大于或者等于所述预设加密值;
否则,判定对所述信用资产数据加密合格。
2.如权利要求1所述的一种基于区块链的信用资产处理方法,其特征在于,步骤1中,基于区块链,获取用户行为信息,包括:
所述区块链包含N个区块链节点;
所述N个区块链节点存储有用户的不同行为信息;
所述用户行为信息包括:用户行为频次、消费信息、用户不动产信息、用户银行存款信息、用户征信信息。
3.如权利要求1所述的一种基于区块链的信用资产处理方法,其特征在于,步骤2中,将所述行为信息进行处理,得到用户的信用资产数据,包括:
构建数据处理模型,且所述数据处理模型内部配置有行为信息表以及信用资产处理策略;
所述行为信息表用于对所述用户的行为信息进行筛选得到对应的用户行为数据;
所述用户行为数据包括用户的行为值;
基于用户资产处理策略对所述用户的行为值进行处理,得到用户信用资产值;
构建数据转换模型,并将所述用户信用资产值输入到所述数据转化模型,得到用户信用资产数据。
4.如权利要求1所述的一种基于区块链的信用资产处理方法,其特征在于,步骤3中,对所述用户信用资产数据进行评级,包括:
获取所述信用资产数据,并构建数据权重计算模型;
将所述信用资产数据输入所述数据权重计算模型,得到信用资产数据权重值;
将所述信用资产数据权重值与预设信用资产等级阈值进行比较,并根据比较结果,对用户的信用资产数据等级进行升级或降级,得到用户最终的信用资产数据等级。
5.如权利要求1所述的一种基于区块链的信用资产处理方法,其特征在于,步骤4中,对评级后的信用资产数据进行加密处理,包括:
获取所述信用资产数据,并根据所述信用资产数据的数据类型、数据格式,确定所述信用资产数据的数据等级;
其中,数据等级包括高级数据和一般数据;
当确定所述信用资产数据的数据等级为高级数据时,构建高级信用资产数据加密模型;
基于高级信用资产数据加密模型产生加密密钥,并将所述加密密钥按照预定规则生成一组子密钥;
将所述信用资产数据随机打包生成M个明文数据块;
根据每个明文数据块的大小,并按照预设匹配规则选取对应的所述子密钥对所述明文数据块进行加密,得到M个密文数据块;
将所述M个密文数据块输入数据编码为预定数据长度的N个密文数据中,并将所述M个密文数据块与所述N个密文数据按位组合,得到长度相同的前部密文数据和后部密文数据;
将所述前部密文数据和后部密文数据进行前后置换,得到M个密文输出数据块;
其中,M与N的大小相同,且M用来表示密文数据块的个数,N用来表示密文数据的个数;
将M个密文输出数据块进行融合,得到第一目标密文信用资产数据;
当确定所述信用资产数据的数据等级为一般数据时,构建普通信用资产数据加密模型,对所述信用资产数据进行加密,得到第二目标密文信用资产数据。
6.如权利要求1所述的一种基于区块链的信用资产处理方法,其特征在于,步骤4中,对评级后的信用资产数据进行加密处理,并进行存储,还包括:
获取第一目标密文信用资产数据以及第二目标密文信用资产数据;
获取预设的并发存储区域,且所述并发存储区域包括W个存储单元,并按预设排列顺序进行排列;
同时,所述W个存储单元具备各自的属性信息;
提取所述W个存储单元各自属性信息对应的目标向量;
按照存储单元在所述并发存储区域中的预设排列顺序,将对应的所述目标向量进行组合,得到目标向量矩阵;
构建目标神经网络模型,并基于所述目标神经网络模型对所述目标向量矩阵进行处理,得到所述并发存储区域中W个存储单元各自属性信息中关键信息对应的目标位置;
其中,所述关键信息包含每个存储单元的存储类别信息以及存储单元的类别标识信息;
基于所述目标位置,提取所述W个存储单元属性信息中的关键信息;
确定所述第一目标密文信用资产数据以及第二目标密文信用资产数据的目标数据类别;
将所述目标数据类别与所述W个存储单元属性信息中的关键信息进行匹配;
基于匹配结果,从所述W个存储单元中确定符合所述第一目标密文信用资产数据以及第二目标密文信用资产数据进行存储的目标存储单元;
将所述第一目标密文信用资产数据以及第二目标密文信用资产数据存入所述目标存储单元,并记录存储信息。
7.一种基于区块链的信用资产处理系统,其特征在于,包括:
行为获取模块,用于从区块链中获取用户行为信息;
数据处理模块,用于将所述行为信息进行处理,得到用户的信用资产数据;
信用评级模块,用于对所述用户信用资产数据进行评级,且根据评级结果预测用户信用资产数据在预设时间内的变化趋势,具体步骤包括:
构建信用资产数据等级趋势预测模型;
设定预测时间长度;
获取用户信用资产数据,并对所述用户信用资产数据进行评级,得到用户最终的信用资产等级;
将所述用户最终的信用资产等级输入所述信用资产等级趋势预测模型,对所述用户最终的信用资产等级进行计算,得到用户预测时间内信用资产等级的变化趋势;
其中,所述变化趋势包括信用资产等级的上升值或者信用资产等级的下降值;
将所述变化趋势中的信用资产等级下降值与预设阈值进行比较;
若所述信用资产等级下降值大于所述预设阈值,判定用户的信用资产等级满足预设的预警条件,并向用户发送预警信号;
否则,判定用户的信用资产等级合格;
数据存储模块,用于对评级后的信用资产数据进行加密处理,并进行存储,具体步骤包括:
获取所用信用资产数据;
所述信用资产数据中包含用户的银行存款信息、用户的不动产信息以及用户的消费信息;
计算所述信用资产数据的重要程度值,并根据所述信用资产数据的重要程度值计算对所述信用资产数据的加密值,具体包括:
根据如下公式计算所述信用资产数据的重要程度值:
其中,α表示所述信用资产数据的重要程度值,且取值范围为(0,1);∈表示所述信用资产数据中用户的银行存款信息数据所占的权重;μ表示所述信用资产数据中用户的不动产信息数据所占的权重;ρ表示所述信用资产数据中用户的消费信息数据所占的权重;γ表示重要程度因子,且取值范围为(0.5,0.8);表示所述信用资产数据中用户的银行存款信息数据的方差;τ表示所述信用资产数据中用户的不动产信息数据的方差;θ表示所述信用资产数据中用户的消费信息数据的方差;
根据如下公式计算所述信用资产数据的加密值:
其中,δ表示所述信用资产数据的加密值;ω表示加密因子;α表示所述信用资产数据的重要程度值,且取值范围为(0,1);σ表示加密所述信用资产数据的密钥的加密强度值;β表示加密所述信用资产数据的密钥的数量;ν表示安全系数,且取值范围为(0.5,0.8);κ表示所述信用资产数据的抗干扰系数;
将计算得到的加密值与预设加密值进行比较;
若所述加密值小于所述预设加密值,判定对所述信用资产数据加密不合格,同时,构建二重加密模型,并将加密后的信用资产数据输入所述二重加密模型进行二次加密,并计算二次加密的加密值;
将二次加密的加密值再次与所述预设加密值进行比较,直至加密值大于或者等于所述预设加密值;
否则,判定对所述信用资产数据加密合格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110041211.XA CN112749980B (zh) | 2021-01-13 | 2021-01-13 | 一种基于区块链的信用资产处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110041211.XA CN112749980B (zh) | 2021-01-13 | 2021-01-13 | 一种基于区块链的信用资产处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112749980A CN112749980A (zh) | 2021-05-04 |
CN112749980B true CN112749980B (zh) | 2021-12-07 |
Family
ID=75651063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110041211.XA Active CN112749980B (zh) | 2021-01-13 | 2021-01-13 | 一种基于区块链的信用资产处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112749980B (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127363B (zh) * | 2016-06-12 | 2022-04-15 | 腾讯科技(深圳)有限公司 | 一种用户信用评估方法和装置 |
CN110519229B (zh) * | 2019-07-22 | 2021-08-20 | 杭州凯腾互联网技术有限公司 | 一种基于区块链的价值资产处理系统 |
CN110472435A (zh) * | 2019-07-22 | 2019-11-19 | 杭州凯腾互联网技术有限公司 | 一种基于区块链的权证量化评估及权证自洽交易处理系统 |
CN110502921B (zh) * | 2019-07-22 | 2021-07-13 | 杭州凯腾互联网技术有限公司 | 一种用于对用户贡献进行数据化处理的权证可结算系统 |
CN110489980A (zh) * | 2019-07-22 | 2019-11-22 | 杭州凯腾互联网技术有限公司 | 一种基于区块链的信用资产处理系统 |
-
2021
- 2021-01-13 CN CN202110041211.XA patent/CN112749980B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112749980A (zh) | 2021-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hittmeir et al. | On the utility of synthetic data: An empirical evaluation on machine learning tasks | |
Chen et al. | Mining the customer credit using hybrid support vector machine technique | |
Vukovic et al. | A case-based reasoning model that uses preference theory functions for credit scoring | |
Chen et al. | Predicting customer churn from valuable B2B customers in the logistics industry: a case study | |
Keramati et al. | A proposed classification of data mining techniques in credit scoring | |
CN111597348B (zh) | 用户画像方法、装置、计算机设备和存储介质 | |
CN112381428B (zh) | 基于强化学习的业务分配方法、装置、设备及存储介质 | |
Rizwan et al. | Bitcoin price prediction using deep learning algorithm | |
CN112700324A (zh) | 基于CatBoost与受限玻尔兹曼机结合的用户借贷违约预测方法 | |
Bueff et al. | Machine learning interpretability for a stress scenario generation in credit scoring based on counterfactuals | |
Jagannath et al. | An on-chain analysis-based approach to predict ethereum prices | |
CN115271886A (zh) | 金融产品的推荐方法及装置、存储介质、电子设备 | |
Hossain et al. | A differentiate analysis for credit card fraud detection | |
CN112749980B (zh) | 一种基于区块链的信用资产处理方法及系统 | |
Anderies et al. | Telekom-net: The embedded bi-lstm and expert knowledge model for stock forecasting and suggestion | |
Dm et al. | Comparison of Accuracy of Support Vector Machine Model and Logistic Regression Model in Predicting Individual Loan Defaults | |
CN114331728A (zh) | 一种证券分析管理系统 | |
Nagesh | Generating political scores using rfm model and cluster prediction by xgboost | |
Lee et al. | Application of machine learning in credit risk scorecard | |
Mundargi et al. | Bank Fixed Term Deposit analysis using Bayesian Logistic Regression | |
Pulkkinen et al. | A multi-objective rule optimizer with an application to risk management | |
Kang | Fraud Detection in Mobile Money Transactions Using Machine Learning | |
Zhang et al. | Kernel-based multiple criteria linear programming classifier | |
Chakraborty et al. | FairMixRep: Self-supervised Robust Representation Learning for Heterogeneous Data with Fairness constraints | |
Koki et al. | A Peek into the Unobservable: Hidden States and Bayesian Inference for the Bitcoin and Ether Price Series |
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 |