CN112837069A - 基于区块链与大数据的安全支付方法及云平台系统 - Google Patents

Abstract

本发明涉及区块链与大数据支付安全技术领域，涉及一种基于区块链与大数据的安全支付方法及云平台系统。本发明通过在设定的触发条件下，对所述支付场景下目标支付对象的当前操作对应的待分析支付行为数据进行分析，以确定所述当前支付操作是否存在潜在支付风险。当出现支付异常情况时，可以获取所述待分析支付行为数据并通过支付安全风险识别模型进行风险识别，并在识别到潜在的支付风险时，确定对应的进阶安全支付验证流程，对所述当前支付操作进行进阶的支付验证，实现对所述当前支付操作的处理。如此，可在出现支付异常情况等可能触发潜在支付风险的情况时，通过大数据分析的方式，结合预先设定的进阶安全支付验证流程，提升支付的安全性。

Description

基于区块链与大数据的安全支付方法及云平台系统

技术领域

本发明涉及区块链与大数据支付安全技术领域，具体而言，涉及一种基于区块链与大数据的安全支付方法及云平台系统。

背景技术

区块链技术是利用块链式数据结构来验证与存储数据、利用分布式节点共识算法来生成和更新数据、利用密码学的方式保证数据传输和访问的安全、利用由自动化脚本代码组成的智能合约来编程和操作数据的一种全新的分布式基础架构与计算方式，是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。

随着移动互联网技术不断发展以及各种支付平台的出现，给人们的生活带来了很大的便利。在人们的日常生活中，移动支付、在线网络支付等方式已深入广大用户的日常生活中。然而，对于支付平台来说，则面临多重的、复杂的支付安全风险，例如云平台系统攻击、洗钱、欺诈、账户盗用等支付安全风险。同时，随着大数据技术的进步以及大数据时代的快速来临，支付安全则显得更加的复杂多样。区块链技术因其具有去中心化和可追溯的特性，使得数据处理的安全性得到极大的提升，因而，被广泛应用在大数据安全支付处理中。因此，在目前大数据环境下，如何提升移动支付以及在线支付等过程中的支付安全性，是本领域技术人员亟待解决的重要技术问题。

发明内容

鉴于上述问题，本发明实施例提供一种基于区块链与大数据的安全支付方法及云平台系统，以提高移动支付以及在线支付等支付场景下的支付安全性。

详细地，本实施例提供的基于区块链与大数据的安全支付方法，应用于支付服务平台，所述支付服务平台与支付对象对应的支付终端通信连接，所述方法包括：

基于设定的触发条件，获取支付场景下目标支付对象的当前支付操作对应的待分析支付行为数据；

将所述支付行为数据输入预先通过大数据样本训练得到的支付安全风险识别模型，确定所述当前支付操作是否存在潜在支付风险；

若所述当前支付操作存在潜在支付风险，根据所述当前支付操作的支付行为数据确定对应的进阶安全支付验证流程，对所述当前支付操作进行支付验证，以对所述当前支付操作进行处理。

其中，所述基于设定的触发条件，获取支付场景下目标支付对象的当前支付操作对应的待分析支付行为数据，包括：

判断所述当前支付操作是否存在预先设定的支付异常情况；

当出现预先设定的支付异常情况时，获取所述当前支付操作产生的当前支付行为数据以及所述目标支付对象的历史支付行为数据，将所述当前支付行为数据和所述历史支付行为数据进行整合作为所述当前支付操作对应的待分析支付行为数据。

其中，所述支付安全风险识别模型包括数据分析网络和风险判别网络，所述将所述支付行为数据输入预先通过大数据样本训练得到的支付安全风险识别模型，确定所述当前支付操作是否存在潜在支付风险，包括：

通过所述支付安全风险识别模型中的数据分析网络对所述待分析支付行为数据进行特征分析，得到多个数据维度的维度数据特征；

通过所述支付安全风险识别模型中的风险判别网络，根据所述多个数据维度的维度数据特征对所述当前支付操作进行风险识别，判断所述当前支付操作是否存在潜在支付风险。

其中，所述多个数据维度的维度数据特征包括所述目标支付对象的画像标签特征、所述目标支付对象在多次支付操作中对应的支付金额数据特征、所述目标支付对象在多次支付操作分别采用的身份验证方式特征、所述目标支付对象在多次支付操作中的验证异常记录数据特征；

所述通过所述支付安全风险识别模型中的风险判别网络，根据所述多个数据维度的维度数据特征对所述当前支付操作进行风险识别，判断所述当前支付操作是否存在潜在支付风险，包括：

按照预先设定的风险评价规则，分别计算针对所述目标支付对象的画像标签特征、所述目标支付对象在多次支付操作中对应的支付金额数据特征、所述目标支付对象在多次支付操作分别采用的身份验证方式特征、所述目标支付对象在多次支付操作中的验证异常记录数据特征中的每个维度数据特征对应的风险评估值；

根据每个所述维度数据特征对应的风险评估值，判断所述当前支付操作是否存在潜在支付风险，并在存在潜在支付风险时，确定所述潜在支付风险的风险类型；

所述潜在支付风险的风险类型包括身份验证风险、支付额度风险、支付权限风险、支付环境风险；所述根据所述当前支付操作的支付行为数据确定对应的进阶安全支付验证流程，对所述当前支付操作进行支付验证，以对所述当前支付操作进行处理，包括：

将所述风险类型与预先设定的分别针对各所述风险类型的多个进阶安全支付验证流程进行匹配，得到与所述潜在支付风险的风险类型匹配的目标进阶安全支付验证流程；

启动所述目标进阶安全支付验证流程对所述当前支付操作进行安全验证，在所述目标支付对象完成安全验证时，通过所述当前支付操作，以及在所述目标支付对象安全验证失败时，拒绝所述当前支付操作。

其中，所述通过所述支付安全风险识别模型中的数据分析网络对所述待分析支付行为数据进行特征分析，得到多个数据维度的维度数据特征，包括：

获取所述目标支付对象的当前支付操作对应的待分析支付行为数据中与各所述数据维度对应的预设数据类别的有效数据描述，所述有效数据描述中包括分别用于描述所述目标支付对象的不同行为属性特征的数据描述；

对获取的所述目标支付对象的待分析支付行为数据中预设数据类别的有效数据描述按照设定的聚类规则进行聚类，得到聚类后的有效数据描述；

针对每个数据聚类的有效数据描述，确定每个数据聚类的有效数据描述对应的数据描述分量，并根据确定的每个数据聚类的有效数据描述对应的数据描述分量创建所述目标支付对象的待分析支付行为数据对应的数据描述分量矩阵；

根据所述目标支付对象的待分析支付行为数据对应的数据描述分量矩阵和预先设定的各个待分析数据维度对应的数据描述分量矩阵，确定所述目标支付对象的待分析支付行为数据对应的数据描述分量矩阵分别与所述各个待分析数据维度对应的数据描述分量矩阵之间的匹配度参数；

根据确定的匹配度参数，从所述各个待分析数据维度中获取与所述目标支付对象的当前支付操作对应的的待分析数据维度；

根据所述获取的与所述目标支付对象的当前支付操作对应的的待分析数据维度从所述有效数据描述中获取各待分析数据维度分别对应的数据描述，得到所述多个数据维度的维度数据特征。

其中，所述支付安全风险识别模型通过以下方法训练得到：

获取支付行为数据样本和所述支付行为数据样本对应的标定风险特征描述数据，所述支付行为数据样本对应的标定风险特征描述数据包括所述支付行为数据样本中各支付对象的标定画像标签特征以及所述支付行为数据样本对应的标定风险类别标签特征；

将所述支付行为数据样本输入到预定的支付风险识别模型中的数据分析网络，通过所述数据分析网络对所述支付行为数据样本进行数据分析得到所述支付行为数据样本的目标维度数据特征；

通过所述数据分析网络，根据所述目标维度数据特征计算所述支付行为数据样本对应的推定风险特征描述数据，所述支付行为数据样本对应的推定风险特征描述数据包括所述支付行为数据样本中各支付对象的推定画像标签特征以及所述支付行为数据样本对应的推定风险类别标签特征；

通过所述预定的支付风险识别模型中的风险判别网络，根据所述支付行为数据样本的标定风险特征描述数据和推定风险特征描述数据，确定所述标定画像标签特征与所述推定画像标签特征的第一匹配度，以及所述标定风险类别标签特征与所述推定风险类别标签特征的第二匹配度；

根据所述第一匹配度和所述第二匹配度更新所述支付风险识别模型的模型评价指标，以进行迭代训练，得到训练完成的所述支付风险识别模型。

其中，所述数据分析网络包括数据整合层以及多个数据分析层；所述通过所述数据分析网络对所述支付行为数据样本进行数据分析得到所述支付行为数据样本的目标维度数据特征，包括：

分别通过所述数据分析层对所述支付行为数据样本进行数据分析，得到各所述数据分析层分析得到的不同数据维度的维度数据特征；

通过所述数据整合层，对所述不同数据维度的维度数据特征按照各所述数据分析层的连接次序进行数据整合，得到所述支付行为数据样本的目标维度数据特征；

其中：所述数据分析网络包括多个数据整合层； 所述通过数据整合层，对所述不同数据维度的维度数据特征按照各所述数据分析层的连接次序进行数据整合，得到所述支付行为数据样本的目标维度数据特征，包括：

依次将每一个所述数据分析层分析得到的维度数据特征输入对应的一个数据整合层，对输入当前数据整合层的维度数据特征进行数据维度标记处理，得到标记后的维度数据特征；

通过所述当前数据整合层对所述标记后的维度数据特征，与未进行数据整合处理的维度数据特征中由最后一个数据分析层提取的维度数据特征进行数据整合，将数据整合后的维度数据特征输入下一个数据整合层；

将最后一个数据整合层得到的数据整合后的维度数据特征作为所述目标维度数据特征。

其中，所述获取支付行为数据样本和所述支付行为数据样本对应的标定风险特征描述数据，包括：

获取预定的支付风险识别模型的初始支付行为数据样本，所述初始支付行为数据样本为具有标签数据的训练样本，所述初始支付行为数据样本的标签数据包括初始支付行为数据样本的初始标定风险特征描述数据，所述初始标定风险特征描述数据包括所述初始支付行为数据样本中各支付对象的标定画像标签特征以及标定风险类别标签特征；

从初始支付行为数据样本中，筛选多个与所述支付场景匹配的支付行为数据，将筛选的支付行为数据作为所述预定的支付风险识别模型的支付行为数据样本；

根据所述支付行为数据样本在对应的初始支付行为数据样本中的存储路径，从所述初始支付行为数据样本的初始标定风险特征描述数据中获取所述支付行为数据样本的标定风险特征描述数据。

其中，所述根据所述第一匹配度和所述第二匹配度更新所述支付风险识别模型的模型评价指标，以进行迭代训练，得到训练完成的所述支付风险识别模型，包括：

根据所述支付行为数据样本的标定风险特征描述数据和推定风险特征描述数据的特征向量距离，确定所述数据分析网络的第一评价指标损失函数值；

根据所述第一评价指标损失函数值，更新所述数据分析网络的评价指标，对所述数据分析网络进行迭代训练，直到所述第一评价指标损失函数值收敛；

根据所述第一匹配度和第二匹配度，确定所述风险判别网络的第二评价指标损失函数值；

根据所述第二评价指标损失函数值更新所述风险判别网络的评价指标，对所述风险判别网络进行迭代训练，直到所述第二评价指标损失函数值收敛；

其中，所述根据所述支付行为数据样本的标定风险特征描述数据和推定风险特征描述数据的特征向量距离，确定所述数据分析网络的第一评价指标损失函数值，包括：

计算所述支付行为数据样本中同一支付对象的推定画像标签特征和标定画像标签特征之间的第一特征向量距离；

计算所述支付行为数据样本中所述推定风险类别标签特征与所述标定风险类别标签特征的第二特征向量距离；

根据所述第一特征向量距离和所述第二特征向量距离得到所述第一评价指标损失函数值。

进一步地，本实施例提供的基于区块链与大数据的安全支付云平台系统，包括支付服务平台以及与所述支付服务平台通信连接的支付终端，所述支付服务平台包括处理器、机器可读存储介质，所述机器可读存储介质用于存储计算机指令，所述处理器用于执行所述机器可读存储介质中的计算机指令，以实现上述的基于区块链与大数据的安全支付方法。

相较于现有技术，本发明实施例提供的基于区块链与大数据的安全支付方法及云平台系统，通过在设定的触发条件下，对所述支付场景下的目标支付对象的当前操作对应的待分析支付行为数据进行分析，以确定所述当前支付操作是否存在潜在支付风险。当出现支付异常情况时，可以获取所述待分析支付行为数据并通过支付安全风险识别模型进行风险识别，并在识别到潜在的支付风险时，确定对应的进阶安全支付验证流程，对所述当前支付操作进行进阶的支付验证，实现对所述当前支付操作的处理。如此，在出现支付异常情况等可能触发潜在支付风险的情况时，通过大数据分析的方式，结合预先设定的进阶安全支付验证流程，提升支付的安全性。

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，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，针对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相关的附图。

图1是本发明实施例提供的安全支付云平台系统的云平台系统架构示意图。

图2是本发明实施例提供的一种基于区块链与大数据的安全支付方法的流程示意图。

图3是本发明实施例提供的支付服务平台的示意图。

具体实施方式

请参阅图1，是本发明实施例提供的安全支付云平台系统的云平台系统架构示意图。所述安全支付云平台系统包括支付服务平台1以及与支付服务平台1通信连接的支付终端2。支付对象可以使用所述支付终端2通过支付服务平台1完成相应支付项目的支付。所述支付服务平台1可以是，但不限于，提供移动支付、在线支付等服务的平台服务器、服务器集群、云端服务设备等，例如可以是提供在线购物的电商平台的服务器。所述支付终端2可以是，但不限于，智能手机、平板电脑、笔记本电脑、个人计算机、智能穿戴设备等。

请参阅图2，图2是本发明实施例提供的一种基于区块链与大数据的安全支付方法的流程示意图。本实施例中，所述方法可以由所述安全支付云平台系统的支付服务平台1执行，下面结合图2对所述方法的详细步骤进行具体说明。具体地，所述方法包括以下所述的步骤。

步骤S21，基于设定的触发条件，获取支付场景下目标支付对象的当前支付操作对应的待分析支付行为数据。

步骤S22，将所述支付行为数据输入预先通过大数据样本训练得到的支付安全风险识别模型，确定所述当前支付操作是否存在潜在支付风险。

步骤S23，若所述当前支付操作存在潜在支付风险，根据所述当前支付操作的支付行为数据确定对应的进阶安全支付验证流程，对所述当前支付操作进行支付验证，以对所述当前支付操作进行处理。

本实施例中，通过在设定的触发条件下，对所述支付场景下目标支付对象的当前操作对应的待分析支付行为数据进行分析，以确定所述当前支付操作是否存在潜在支付风险。其中，所述设定的触发条件可以包括目标支付对象的当前支付操作存在预先设定的支付异常情况，例如身份验证异常、支付金额异常、支付环境异常等。当出现支付异常情况时，可以获取所述待分析支付行为数据并通过支付安全风险识别模型进行风险识别，并在识别到潜在的支付风险时，确定对应的进阶安全支付验证流程，对所述当前支付操作进行支付验证，实现对所述当前支付操作的处理。如此，在出现支付异常情况等可能触发潜在支付风险的情况时，通过大数据分析的方式，结合预先设定的进阶安全支付验证流程，提升支付的安全性。

下面将结合具体的实施方式对上述各步骤进行详细的说明。

进一步地，在上述步骤S21中，基于设定的触发条件，获取支付场景下目标支付对象的当前支付操作对应的待分析支付行为数据，具体可以通过以下方法实现。

首先，判断所述当前支付操作是否存在预先设定的支付异常情况，所述支付异常情况包括支付安全验证异常、支付金额异常、支付环境异常中的其中任意一种或多种。例如，所述支付安全验证异常可以是，但不限于，所述当前支付操作输入的支付验证信息（如密码、指纹、人脸验证信息）出现至少一次验证错误、所述目标支付对象在当前支付操作中所使用的支付验证信息与预设的验证信息的匹配度低于预设阈值等；所述支付金额异常可以是，但不限于，当前支付金额超出设定支付限额、当前支付金额超出账户余额等；所述支付环境异常可以是，但不限于，当前所使用的网络环境为未加密环境、当前支付过程中的网络环境出现网络变化等。应当说明，上述的支付异常情况举例仅仅是示例性的说明，实际应用时，所述支付异常情况也可以是根据实际情况而确定的其他可能影响支付安全性的异常情况，此处不具体限定。

然后，当出现预先设定的支付异常情况时，获取所述当前支付操作产生的当前支付行为数据以及所述目标支付对象的历史支付行为数据，将所述当前支付行为数据和所述历史支付行为数据进行整合作为所述当前支付操作对应的待分析支付行为数据。如此，当出现可能影响支付安全性的异常情况时，再获取所述当前支付操作产生的当前支付行为数据以及所述目标支付对象的历史支付行为数据进行整合得到所述对应的待分析支付行为数据，以用于后续确定进阶支付验证流程的分析依据。由此，在出现支付异常情况的时候，再进行待分析支付行为数据的获取，而不用在一开始就获取相应的数据，可以不增加正常支付操作的验证流程。此外，将所述目标支付对象的历史支付行为数据加入待分析支付行为数据中，可以提升后续的风险识别的精确性。进一步地，在具有支付异常情况时，通过大数据获取及分析的方式，通过进阶支付验证流程来保证支付过程的安全性，达到结合大数据的安全支付目的，保障用户的账户及财产安全。

进一步地，本实施例中，所述支付安全风险识别模型包括数据分析网络和风险判别网络。基于此，所述步骤S22中，将所述支付行为数据输入预先通过大数据样本训练得到的支付安全风险识别模型，确定所述当前支付操作是否存在潜在支付风险，可以通过以下方式实现，描述如下。

首先，通过所述支付安全风险识别模型中的数据分析网络对所述待分析支付行为数据进行特征分析，得到多个数据维度的维度数据特征。例如，所述多个数据维度可以是目标支付对象的身份特征、历史支付类型特征、历史支付验证方式、历史支付习惯、常用支付环境等有利于通过大数据分析支付安全信息等数据维度。相应地，所述维度数据特征则可以是对应维度下提取出来的数据信息。

然后，通过所述支付安全风险识别模型中的风险判别网络，根据所述多个数据维度的维度数据特征对所述当前支付操作进行风险识别，判断所述当前支付操作是否存在潜在支付风险。所述风险判别网络可以基于预先训练得到的风险判别逻辑，对所述多个数据维度的维度数据特征进行数据分析而确定个所述当前支付操作是否存在潜在支付风险，例如，可以将所述目标支付对象历史使用的身份验证方式、历史的支付使用习惯、历史支付环境等因素与所述当前支付操作的相应数据进行多维度的大数据分析，最终确定当前支付操作是否存在潜在支付风险。例如，可以通过判别当前支付操作是否采用了一种新的身份验证方式、当前在的支付金额是否超出支付限额以及超出历史任意一次支付金额的最高金额、当前使用的支付环境（如支付设备、支付网络、支付地域）与以往的支付环境的差异性是否超出设定条件（如跨区域、跨省、跨境等），通过这些分析方式来确定所述潜在支付风险。

其中，上述多个数据维度的维度数据特征具体的获得方法可以包括以下A1-A5的步骤，详细描述如下。

A1、获取目标支付对象的当前支付操作对应的待分析支付行为数据中与各所述数据维度对应的预设数据类别的有效数据描述，所述有效数据描述中包括分别用于描述所述目标支付对象的不同行为属性特征的数据描述。例如，所述不同行为属性特征可以是，但不限于，例如用不的身份特征（年龄段、性别、所述用户群体、职业等）、支付行为对应的支付项目类型特征、支付环境特征、支付时域信息特征以及地域信息特征等，具体不进行限定。详细地，可以以所述目标支付对象的待分析支付行为数据中每个预设数据类别作为数据聚类，对获取的所述目标支付对象的待分析支付行为数据中预设数据类别的有效数据描述进行聚类，得到聚类后的有效数据描述。

A2、对获取的所述目标支付对象的待分析支付行为数据中预设数据类别的有效数据描述按照设定的聚类规则进行聚类，得到聚类后的有效数据描述。例如，可以根据用于反映支付操作信息的不同属性类别的方式进行聚类。

A3、 针对每个数据聚类的有效数据描述，确定每个数据聚类的有效数据描述对应的数据描述分量，并根据确定的每个数据聚类的有效数据描述对应的数据描述分量 创建所述目标支付对象的待分析支付行为数据对应的数据描述分量矩阵。其中，有效数据描述是指可以对对应的数据聚类下的相应支付行为数据进行有效描述的相关数据，具体可以从不同的数据栏位中进行相应的数据提取而得到。

A4、 根据所述目标支付对象的待分析支付行为数据对应的数据描述分量矩阵和预先设定的各个待分析数据维度对应的数据描述分量矩阵，确定所述目标支付对象的待分析支付行为数据对应的数据描述分量矩阵分别与所述各个待分析数据维度对应的数据描述分量矩阵之间的匹配度参数，并根据确定的匹配度参数，从所述各个待分析数据维度中获取与所述目标支付对象的当前支付操作对应的的待分析数据维度。其中，所述数据描述分量矩阵可以是将相应的待分析支付行为数据进行特征向量的转换然后通过数据矩阵的形式进行表达而得到。例如，可以将匹配度参数符合预设条件待分析支付行为数据中的多个数据维度确定为所述当前支付操作所对应的待分析数据维度，以用于获取后续进行相应分析的支付行为数据。

本实施例中，所述待分析数据维度可以是预先根据实际环境需求，而设定的多个目标数据维度，以利于后续有针对性的进行相应数据维度的数据分析，而避免一些无关维度的数据参与数据分析过程而浪费计算资源，提高数据分析的效率。

在一种可能的实施方式中，可根据所述目标支付对象的待分析支付行为数据对应的数据描述分量矩阵和预先设定的各个待分析数据维度对应的数据描述分量矩阵，通过预设的匹配度计算规则，确定所述目标支付对象的待分析支付行为数据对应的数据描述分量矩阵分别与所述各个待分析数据维度对应的数据描述分量矩阵之间的匹配度参数。

例如，详细地，可以首先根据所述目标支付对象的待分析支付行为数据对应的数据描述分量矩阵和预先设定的各个待分析数据维度对应的数据描述分量矩阵，确定所述目标支付对象的待分析支付行为数据对应的数据描述分量矩阵与各个待分析数据维度对应的数据描述分量矩阵之间的匹配度参数；然后，根据所述目标支付对象的待分析支付行为数据对应的数据描述分量矩阵与各个待分析数据维度对应的数据描述分量矩阵之间的匹配度参数，以及针对每个待分析数据维度预设的权重参数，确定所述目标支付对象的待分析支付行为数据对应的数据描述分量矩阵分别与所述各个待分析数据维度对应的数据描述分量矩阵之间的匹配度参数。

A5、根据所述获取的与所述目标支付对象的当前支付操作对应的的待分析数据维度从所述有效数据描述中获取各待分析数据维度分别对应的数据描述，得到所述多个数据维度的维度数据特征。

进一步地，，所述多个数据维度的维度数据特征可以包括所述目标支付对象的画像标签特征、所述目标支付对象在多次支付操作中对应的支付金额数据特征、所述目标支付对象在多次支付操作分别采用的身份验证方式特征、所述目标支付对象在多次支付操作中的验证异常记录数据特征等。基于此，所述步骤S22中，通过所述支付安全风险识别模型中的风险判别网络，根据所述多个数据维度的维度数据特征对所述当前支付操作进行风险识别，判断所述当前支付操作是否存在潜在支付风险，另一种可实现的方式可以包括：

首先，按照预先设定的风险评价规则，分别计算针对所述目标支付对象的画像标签特征、所述目标支付对象在多次支付操作中对应的支付金额数据特征、所述目标支付对象在多次支付操作分别采用的身份验证方式特征、所述目标支付对象在多次支付操作中的验证异常记录数据特征中的每个维度数据特征对应的风险评估值；

然后，根据每个所述维度数据特征对应的风险评估值，判断所述当前支付操作是否存在潜在支付风险，并在存在潜在支付风险时，确定所述潜在支付风险的风险类型。

例如，可以根据每个维度数据特征对应的风险评估值，计算得到当前支付操作的支付操作风险值，例如将各风险评估值进行加权求和，将加权求和的结果作为所述支付操作风险值。当所述支付操作风险值大于设定的阈值时，则判定所述当前支付操作存在潜在的支付风险。当存在潜在支付风险时，根据每个维度的风险评估值，将风险评估值最大的维度数据特征对应的预设风险类型作为所述潜在支付风险的风险类型。例如，所述目标支付对象在多次支付操作分别采用的身份验证方式特征对应的风险评估值最大，则对应的风险类型可以是身份验证风险。

进一步地，基于上述内容，所述潜在支付风险的风险类型可以包括，但不限于，身份验证风险、支付额度风险、支付权限风险、支付环境风险。

如此，上述步骤S23中，根据所述当前支付操作的支付行为数据确定对应的进阶安全支付验证流程，对所述当前支付操作进行支付验证，以对所述当前支付操作进行处理，可以通过以下方式实现。

首先，将所述风险类型与预先设定的分别针对各所述风险类型的多个进阶安全支付验证流程进行匹配，得到与所述潜在支付风险的风险类型匹配的目标进阶安全支付验证流程。

例如，当所述风险类型为身份验证风险时（如当前支付操作所使用的安全验证方式与之前任意一次采用的验证方式不同），所述进阶安全支付验证流程可以是要求目标支付对象通过至少两种类型（如密码验证、指纹验证、人脸验证、验证码验证中的至少两种）的身份验证。又例如，当所述风险类型为支付额度风险（如当前支付操作的支付金额异常，超出以往任意一次支付操作的支付金额以及预先设定的金额限额时），所述进阶支付验证了流程可以包括是要求目标支付对象通过至少两种类型（如密码验证、指纹验证、人脸验证、验证码验证中的至少两种）的身份验证以及短信验证码确认支付额度的验证码验证。又例如，当所述风险类型为支付环境险（如当前支付操作为跨境支付，而以往所述目标支付对象从未进行过跨境支付），所述进阶支付验证了流程可以包括是要求目标支付对象通过至少三种类型（如密码验证、指纹验证、人脸验证、验证码验证中的至少两种）的身份验证以及短信验证码确认支付环境的验证码验证，具体不进行限定。

然后，启动所述目标进阶安全支付验证流程对所述当前支付操作进行安全验证，在所述目标支付对象完成安全验证时，通过所述当前支付操作，以及在所述目标支付对象安全验证失败时，拒绝所述当前支付操作。

本实施例中，所述支付安全风险识别模型通过以下步骤（1）-（5）所描述的方法进行预先训练得到。

（1）获取支付行为数据样本和所述支付行为数据样本对应的标定风险特征描述数据，所述支付行为数据样本对应的标定风险特征描述数据包括所述支付行为数据样本中各支付对象的标定画像标签特征以及所述支付行为数据样本对应的标定风险类别标签特征。

详细地，步骤（1）中，可以通过以下方式获取所述支付行为数据样本和所述支付行为数据样本对应的标定风险特征描述数据。

首先，获取预定的支付风险识别模型的初始支付行为数据样本，所述初始支付行为数据样本为具有标签数据的训练样本，所述初始支付行为数据样本的标签数据包括初始支付行为数据样本的初始标定风险特征描述数据，所述初始标定风险特征描述数据包括所述初始支付行为数据样本中各支付对象的标定画像标签特征以及标定风险类别标签特征；

然后，从初始支付行为数据样本中，筛选多个与所述支付场景匹配的支付行为数据，将筛选的支付行为数据作为所述预定的支付风险识别模型的支付行为数据样本；

最后，根据所述支付行为数据样本在对应的初始支付行为数据样本中的存储路径，从所述初始支付行为数据样本的初始标定风险特征描述数据中获取所述支付行为数据样本的标定风险特征描述数据。

（2）将所述支付行为数据样本输入到预定的支付风险识别模型中的数据分析网络，通过所述数据分析网络对所述支付行为数据样本进行数据分析得到所述支付行为数据样本的目标维度数据特征。

本实施例中，可分别通过所述数据分析层对所述支付行为数据样本进行数据分析，得到各所述数据分析层分析得到的不同数据维度的维度数据特征； 然后，通过所述数据整合层，对所述不同数据维度的维度数据特征按照各所述数据分析层的连接次序进行数据整合，得到所述支付行为数据样本的目标维度数据特征。

在一种可能的实施方式中，所述数据分析网络可以包括多个数据整合层，如此，可以依次将每一个所述数据分析层分析得到的维度数据特征输入对应的一个数据整合层，对输入当前数据整合层的维度数据特征进行数据维度标记处理，得到标记后的维度数据特征；然后，通过所述当前数据整合层对所述标记后的维度数据特征，与未进行数据整合处理的维度数据特征中由最后一个数据分析层提取的维度数据特征进行数据整合，将数据整合后的维度数据特征输入下一个数据整合层；最后，将最后一个数据整合层得到的数据整合后的维度数据特征作为所述目标维度数据特征。

（3）通过所述数据分析网络，根据所述目标维度数据特征计算所述支付行为数据样本对应的推定风险特征描述数据，所述支付行为数据样本对应的推定风险特征描述数据包括所述支付行为数据样本中各支付对象的推定画像标签特征以及所述支付行为数据样本对应的推定风险类别标签特征。

（4）通过所述预定的支付风险识别模型中的风险判别网络，根据所述支付行为数据样本的标定风险特征描述数据和推定风险特征描述数据，确定所述标定画像标签特征与所述推定画像标签特征的第一匹配度，以及所述标定风险类别标签特征与所述推定风险类别标签特征的第二匹配度。

（5）根据所述第一匹配度和所述第二匹配度更新所述支付风险识别模型的模型评价指标，以进行迭代训练，得到训练完成的所述支付风险识别模型。

本实施中，步骤（5）中对所述支付风险识别模型进行迭代训练的方法可以包括：

首先，根据所述支付行为数据样本的标定风险特征描述数据和推定风险特征描述数据的特征向量距离，确定所述数据分析网络的第一评价指标损失函数值；例如，可首先计算所述支付行为数据样本中同一支付对象的推定画像标签特征和标定画像标签特征之间的第一特征向量距离；然后，计算所述支付行为数据样本中所述推定风险类别标签特征与所述标定风险类别标签特征的第二特征向量距离；最后，根据所述第一特征向量距离和所述第二特征向量距离得到所述第一评价指标损失函数值；

然后， 根据所述第一评价指标损失函数值，更新所述数据分析网络的评价指标，对所述数据分析网络进行迭代训练，直到所述第一评价指标损失函数值收敛；

接着，根据所述第一匹配度和第二匹配度，确定所述风险判别网络的第二评价指标损失函数值；

最后，根据所述第二评价指标损失函数值更新所述风险判别网络的评价指标，对所述风险判别网络进行迭代训练，直到所述第二评价指标损失函数值收敛。

如图3所示，是本发明实施例提供的支付服务平台1的示意图。本实施例中没所述支付服务平台1用于实现上述的基于区块链与大数据的安全支付方法。详细地，所述支付服务平台1可包括基于区块链与大数据的安全支付装置10、处理器11、机器可读存储介质12、以及总线13。

具体地，所述处理器11执行机器可读存储介质12存储的程序或指令，使得处理器11可以执行如上方法实施例的任意方法步骤，处理器11、机器可读存储介质12可以通过总线13连接。所述基于区块链与大数据的安全支付装置10可以包括以软件或计算机程序的方式实现的多个功能模块，多个所述功能模块可以存储于所述机器可读存储介质12中，在所述处理器11执行各所述功能模块时，实现上述的基于区块链与大数据的安全支付方法。本实施例中，所述基于区块链与大数据的安全支付装置10可以包括行为数据获取模块101、支付风险识别模块102、以及进阶验证模块103。

行为数据获取模块101，用于基于设定的触发条件，获取支付场景下目标支付对象的当前支付操作对应的待分析支付行为数据。

支付风险识别模块102，用于将所述支付行为数据输入预先通过大数据样本训练得到的支付安全风险识别模型，确定所述当前支付操作是否存在潜在支付风险。

进阶验证模块103，用于在所述当前支付操作存在潜在支付风险，根据所述当前支付操作的支付行为数据确定对应的进阶安全支付验证流程，对所述当前支付操作进行支付验证，以对所述当前支付操作进行处理。

应当说明的是，所述行为数据获取模块101、支付风险识别模块102、以及进阶验证模块103可以分别用于执行所述方法中的步骤S21-步骤S23的对应步骤，关于该等功能模块的详细内容可以参照对应的步骤的内容，此处不再赘述。

综上所述，本发明实施例提供的基于区块链与大数据的安全支付方法及云平台系统，通过在设定的触发条件下，对所述支付场景下的目标支付对象的当前操作对应的待分析支付行为数据进行分析，以确定所述当前支付操作是否存在潜在支付风险。当出现支付异常情况时，可以获取所述待分析支付行为数据并通过支付安全风险识别模型进行风险识别，并在识别到潜在的支付风险时，确定对应的进阶安全支付验证流程，对所述当前支付操作进行进阶的支付验证，实现对所述当前支付操作的处理。如此，在出现支付异常情况等可能触发潜在支付风险的情况时，通过大数据分析的方式，结合预先设定的进阶安全支付验证流程，提升支付的安全性。

以上所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。通常在附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，在附图中提供的本发明的实施例的详细描述并非旨在限制本发明的保护范围，而仅仅是表示本发明的选定实施例。因此，本发明的保护范围应以权利要求的保护范围为准。此外，基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下可获得的所有其它实施例，都应属于本发明保护的范围。

Claims (10)

1.一种基于区块链与大数据的安全支付方法，应用于支付服务平台，所述支付服务平台与支付对象对应的支付终端通信连接，其特征在于，所述方法包括：

基于设定的触发条件，获取支付场景下目标支付对象的当前支付操作对应的待分析支付行为数据；

将所述支付行为数据输入预先通过大数据样本训练得到的支付安全风险识别模型，确定所述当前支付操作是否存在潜在支付风险；

若所述当前支付操作存在潜在支付风险，根据所述当前支付操作的支付行为数据确定对应的进阶安全支付验证流程，对所述当前支付操作进行支付验证，以对所述当前支付操作进行处理。

2.根据权利要求1所述的方法，其特征在于，所述基于设定的触发条件，获取支付场景下目标支付对象的当前支付操作对应的待分析支付行为数据，包括：

判断所述当前支付操作是否存在预先设定的支付异常情况；

当出现预先设定的支付异常情况时，获取所述当前支付操作产生的当前支付行为数据以及所述目标支付对象的历史支付行为数据，将所述当前支付行为数据和所述历史支付行为数据进行整合作为所述当前支付操作对应的待分析支付行为数据。

3.根据权利要求2所述的方法，其特征在于，所述支付安全风险识别模型包括数据分析网络和风险判别网络，所述将所述支付行为数据输入预先通过大数据样本训练得到的支付安全风险识别模型，确定所述当前支付操作是否存在潜在支付风险，包括：

通过所述支付安全风险识别模型中的数据分析网络对所述待分析支付行为数据进行特征分析，得到多个数据维度的维度数据特征；

通过所述支付安全风险识别模型中的风险判别网络，根据所述多个数据维度的维度数据特征对所述当前支付操作进行风险识别，判断所述当前支付操作是否存在潜在支付风险。

4.根据权利要求3所述的方法，其特征在于， 其中，所述多个数据维度的维度数据特征包括所述目标支付对象的画像标签特征、所述目标支付对象在多次支付操作中对应的支付金额数据特征、所述目标支付对象在多次支付操作分别采用的身份验证方式特征、所述目标支付对象在多次支付操作中的验证异常记录数据特征；

所述通过所述支付安全风险识别模型中的风险判别网络，根据所述多个数据维度的维度数据特征对所述当前支付操作进行风险识别，判断所述当前支付操作是否存在潜在支付风险，包括：

按照预先设定的风险评价规则，分别计算针对所述目标支付对象的画像标签特征、所述目标支付对象在多次支付操作中对应的支付金额数据特征、所述目标支付对象在多次支付操作分别采用的身份验证方式特征、所述目标支付对象在多次支付操作中的验证异常记录数据特征中的每个维度数据特征对应的风险评估值；

根据每个所述维度数据特征对应的风险评估值，判断所述当前支付操作是否存在潜在支付风险，并在存在潜在支付风险时，确定所述潜在支付风险的风险类型；

所述潜在支付风险的风险类型包括身份验证风险、支付额度风险、支付权限风险、支付环境风险；所述根据所述当前支付操作的支付行为数据确定对应的进阶安全支付验证流程，对所述当前支付操作进行支付验证，以对所述当前支付操作进行处理，包括：

将所述风险类型与预先设定的分别针对各所述风险类型的多个进阶安全支付验证流程进行匹配，得到与所述潜在支付风险的风险类型匹配的目标进阶安全支付验证流程；

启动所述目标进阶安全支付验证流程对所述当前支付操作进行安全验证，在所述目标支付对象完成安全验证时，通过所述当前支付操作，以及在所述目标支付对象安全验证失败时，拒绝所述当前支付操作。

5.根据权利要求3所述的方法，其特征在于，所述通过所述支付安全风险识别模型中的数据分析网络对所述待分析支付行为数据进行特征分析，得到多个数据维度的维度数据特征，包括：

获取所述目标支付对象的当前支付操作对应的待分析支付行为数据中与各所述数据维度对应的预设数据类别的有效数据描述，所述有效数据描述中包括分别用于描述所述目标支付对象的不同行为属性特征的数据描述；

对获取的所述目标支付对象的待分析支付行为数据中预设数据类别的有效数据描述按照设定的聚类规则进行聚类，得到聚类后的有效数据描述；

针对每个数据聚类的有效数据描述，确定每个数据聚类的有效数据描述对应的数据描述分量，并根据确定的每个数据聚类的有效数据描述对应的数据描述分量创建所述目标支付对象的待分析支付行为数据对应的数据描述分量矩阵；

根据所述目标支付对象的待分析支付行为数据对应的数据描述分量矩阵和预先设定的各个待分析数据维度对应的数据描述分量矩阵，确定所述目标支付对象的待分析支付行为数据对应的数据描述分量矩阵分别与所述各个待分析数据维度对应的数据描述分量矩阵之间的匹配度参数；

根据确定的匹配度参数，从所述各个待分析数据维度中获取与所述目标支付对象的当前支付操作对应的的待分析数据维度；

根据所述获取的与所述目标支付对象的当前支付操作对应的的待分析数据维度从所述有效数据描述中获取各待分析数据维度分别对应的数据描述，得到所述多个数据维度的维度数据特征。

6.根据权利要求1-5任意一项所述的方法，其特征在于，所述支付安全风险识别模型通过以下方法训练得到：

获取支付行为数据样本和所述支付行为数据样本对应的标定风险特征描述数据，所述支付行为数据样本对应的标定风险特征描述数据包括所述支付行为数据样本中各支付对象的标定画像标签特征以及所述支付行为数据样本对应的标定风险类别标签特征；

将所述支付行为数据样本输入到预定的支付风险识别模型中的数据分析网络，通过所述数据分析网络对所述支付行为数据样本进行数据分析得到所述支付行为数据样本的目标维度数据特征；

通过所述数据分析网络，根据所述目标维度数据特征计算所述支付行为数据样本对应的推定风险特征描述数据，所述支付行为数据样本对应的推定风险特征描述数据包括所述支付行为数据样本中各支付对象的推定画像标签特征以及所述支付行为数据样本对应的推定风险类别标签特征；

通过所述预定的支付风险识别模型中的风险判别网络，根据所述支付行为数据样本的标定风险特征描述数据和推定风险特征描述数据，确定所述标定画像标签特征与所述推定画像标签特征的第一匹配度，以及所述标定风险类别标签特征与所述推定风险类别标签特征的第二匹配度；

根据所述第一匹配度和所述第二匹配度更新所述支付风险识别模型的模型评价指标，以进行迭代训练，得到训练完成的所述支付风险识别模型。

7.根据权利要求6所述的方法，其特征在于，所述数据分析网络包括数据整合层以及多个数据分析层；所述通过所述数据分析网络对所述支付行为数据样本进行数据分析得到所述支付行为数据样本的目标维度数据特征，包括：

分别通过所述数据分析层对所述支付行为数据样本进行数据分析，得到各所述数据分析层分析得到的不同数据维度的维度数据特征；

通过所述数据整合层，对所述不同数据维度的维度数据特征按照各所述数据分析层的连接次序进行数据整合，得到所述支付行为数据样本的目标维度数据特征；

其中：所述数据分析网络包括多个数据整合层； 所述通过数据整合层，对所述不同数据维度的维度数据特征按照各所述数据分析层的连接次序进行数据整合，得到所述支付行为数据样本的目标维度数据特征，包括：

依次将每一个所述数据分析层分析得到的维度数据特征输入对应的一个数据整合层，对输入当前数据整合层的维度数据特征进行数据维度标记处理，得到标记后的维度数据特征；

通过所述当前数据整合层对所述标记后的维度数据特征，与未进行数据整合处理的维度数据特征中由最后一个数据分析层提取的维度数据特征进行数据整合，将数据整合后的维度数据特征输入下一个数据整合层；

将最后一个数据整合层得到的数据整合后的维度数据特征作为所述目标维度数据特征。

8.根据权利要求6所述的方法，其特征在于，所述获取支付行为数据样本和所述支付行为数据样本对应的标定风险特征描述数据，包括：

获取预定的支付风险识别模型的初始支付行为数据样本，所述初始支付行为数据样本为具有标签数据的训练样本，所述初始支付行为数据样本的标签数据包括初始支付行为数据样本的初始标定风险特征描述数据，所述初始标定风险特征描述数据包括所述初始支付行为数据样本中各支付对象的标定画像标签特征以及标定风险类别标签特征；

从初始支付行为数据样本中，筛选多个与所述支付场景匹配的支付行为数据，将筛选的支付行为数据作为所述预定的支付风险识别模型的支付行为数据样本；

根据所述支付行为数据样本在对应的初始支付行为数据样本中的存储路径，从所述初始支付行为数据样本的初始标定风险特征描述数据中获取所述支付行为数据样本的标定风险特征描述数据。

9.根据权利要求6所述的方法，其特征在于，所述根据所述第一匹配度和所述第二匹配度更新所述支付风险识别模型的模型评价指标，以进行迭代训练，得到训练完成的所述支付风险识别模型，包括：

根据所述支付行为数据样本的标定风险特征描述数据和推定风险特征描述数据的特征向量距离，确定所述数据分析网络的第一评价指标损失函数值；

根据所述第一评价指标损失函数值，更新所述数据分析网络的评价指标，对所述数据分析网络进行迭代训练，直到所述第一评价指标损失函数值收敛；

根据所述第一匹配度和第二匹配度，确定所述风险判别网络的第二评价指标损失函数值；

根据所述第二评价指标损失函数值更新所述风险判别网络的评价指标，对所述风险判别网络进行迭代训练，直到所述第二评价指标损失函数值收敛；

其中，所述根据所述支付行为数据样本的标定风险特征描述数据和推定风险特征描述数据的特征向量距离，确定所述数据分析网络的第一评价指标损失函数值，包括：

计算所述支付行为数据样本中同一支付对象的推定画像标签特征和标定画像标签特征之间的第一特征向量距离；

计算所述支付行为数据样本中所述推定风险类别标签特征与所述标定风险类别标签特征的第二特征向量距离；

根据所述第一特征向量距离和所述第二特征向量距离得到所述第一评价指标损失函数值。

10.一种基于区块链与大数据的安全支付云平台系统，其特征在于，包括支付服务平台以及与所述支付服务平台通信连接的支付终端，所述支付服务平台包括处理器、机器可读存储介质，所述机器可读存储介质用于存储计算机指令，所述处理器用于执行所述机器可读存储介质中的计算机指令，以实现权利要求1-9中任意一项所述的基于区块链与大数据的安全支付方法。

Images