CN113312667A - 一种风险防控方法、装置及设备 - Google Patents

一种风险防控方法、装置及设备 Download PDF

Info

Publication number
CN113312667A
CN113312667A CN202110631595.0A CN202110631595A CN113312667A CN 113312667 A CN113312667 A CN 113312667A CN 202110631595 A CN202110631595 A CN 202110631595A CN 113312667 A CN113312667 A CN 113312667A
Authority
CN
China
Prior art keywords
risk prevention
model
control
terminal equipment
server
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.)
Granted
Application number
CN202110631595.0A
Other languages
English (en)
Other versions
CN113312667B (zh
Inventor
傅欣艺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alipay Hangzhou Information Technology Co Ltd
Original Assignee
Alipay Hangzhou Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Alipay Hangzhou Information Technology Co Ltd filed Critical Alipay Hangzhou Information Technology Co Ltd
Priority to CN202110631595.0A priority Critical patent/CN113312667B/zh
Publication of CN113312667A publication Critical patent/CN113312667A/zh
Priority to PCT/CN2022/093895 priority patent/WO2022257723A1/zh
Application granted granted Critical
Publication of CN113312667B publication Critical patent/CN113312667B/zh
Priority to US18/526,555 priority patent/US20240104570A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
    • G06Q20/401—Transaction verification
    • G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Accounting & Taxation (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Bioethics (AREA)
  • Molecular Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Hardware Design (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Telephonic Communication Services (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本说明书实施例公开了一种风险防控方法、装置及设备，该方法应用于终端设备，包括：接收服务器下发的终端设备所属的分类群组对应的待训练的目标业务的初始风险防控模型；基于预先存储的训练样本数据对初始风险防控模型进行模型训练，得到终端设备对应的风险防控子模型，训练样本数据中至少包括与终端设备的用户和目标业务相关的数据；将风险防控子模型发送给服务器，以使服务器对终端设备所属的分类群组中的不同终端设备提供的风险防控子模型进行模型融合处理，得到终端设备所属的分类群组对应的风险防控模型；接收服务器发送的终端设备所属的分类群组对应的风险防控模型，并基于风险防控模型对目标业务的数据进行风险防控处理。

Description

一种风险防控方法、装置及设备
技术领域
本说明书涉及计算机技术领域，尤其涉及一种风险防控方法、装置及设备。
背景技术
当前风险防控系统的架构通常是由服务端进行风险决策，终端设备采集相应业务的数据，并将其上传给服务器。通过服务器强大的运算能力，对上述数据进行风控策略和风险防控模型的分析，最终输出风控决策。
上述服务端进行风险决策的方式中，需要终端设备将数据上传至服务器，这样就可能会给用户的隐私数据带来安全隐患，而且，如果终端设备进行集中请求，服务器的资源消耗大，此外，由于不同用户使用同一个风险防控模型，不同用户的习惯和每个用户的喜好存在差别，因此，该风险防控模型很难满足不同用户的需求，风险防控模型的灵活性差。基于此，需要提供一种基于终端与服务器(或端云)共享学习的个性化风险防控系统，该风险防控系统不仅可以保护隐私数据，还可以减少终端设备和服务器之间的交互，减轻服务器计算压力，而且还可以提高风险防控模型的灵活性。
发明内容
本说明书实施例的目的是提供一种基于终端与服务器(或端云)共享学习的个性化风险防控系统，该风险防控系统不仅可以保护隐私数据，还可以减少终端设备和服务器之间的交互，减轻服务器计算压力，而且还可以提高风险防控模型的灵活性。
为了实现上述技术方案，本说明书实施例是这样实现的：
本说明书实施例提供的一种风险防控方法，应用于终端设备，所述方法包括：接收服务器下发的所述终端设备所属的分类群组对应的待训练的目标业务的初始风险防控模型。基于预先存储的训练样本数据对所述初始风险防控模型进行模型训练，得到所述终端设备对应的风险防控子模型，所述训练样本数据中至少包括与所述终端设备的用户和所述目标业务相关的数据。将所述风险防控子模型发送给所述服务器，以使所述服务器对所述终端设备所属的分类群组中的不同终端设备提供的风险防控子模型进行模型融合处理，得到所述终端设备所属的分类群组对应的风险防控模型。接收所述服务器发送的所述终端设备所属的分类群组对应的风险防控模型，并基于所述风险防控模型对获取的所述目标业务的数据进行风险防控处理。
本说明书实施例提供的一种风险防控方法，应用于服务器，所述方法包括：获取终端设备所属的分类群组的信息。基于所述终端设备所属的分类群组的信息，获取所述终端设备所属的分类群组对应的待训练的目标业务的初始风险防控模型，并将所述初始风险防控模型下发到所述终端设备，以使所述终端设备基于预先存储的训练样本数据对所述初始风险防控模型进行模型训练，得到所述终端设备对应的风险防控子模型，所述训练样本数据中至少包括与所述终端设备的用户和所述目标业务相关的数据。接收所述终端设备发送的所述风险防控子模型，并对所述终端设备发送的所述风险防控子模型和所述终端设备所属的分类群组中的其它终端设备提供的风险防控子模型进行模型融合处理，得到所述终端设备所属的分类群组对应的风险防控模型，所述其它终端设备提供的风险防控子模型是所述其它终端设备基于所述其它终端设备中预先存储的训练样本数据对所述初始风险防控模型进行模型训练得到。将所述风险防控模型发送给所述终端设备，以使所述终端设备基于所述风险防控模型对获取的所述目标业务的数据进行风险防控处理。
本说明书实施例提供的一种风险防控装置，所述装置包括：初始模型接收模块，接收服务器下发的所述装置所属的分类群组对应的待训练的目标业务的初始风险防控模型。子模型训练模块，基于预先存储的训练样本数据对所述初始风险防控模型进行模型训练，得到所述装置对应的风险防控子模型，所述训练样本数据中至少包括与所述装置的用户和所述目标业务相关的数据。子模型发送模块，将所述风险防控子模型发送给所述服务器，以使所述服务器对所述装置所属的分类群组中的不同终端设备提供的风险防控子模型进行模型融合处理，得到所述装置所属的分类群组对应的风险防控模型。风险防控模块，接收所述服务器发送的所述装置所属的分类群组对应的风险防控模型，并基于所述风险防控模型对获取的所述目标业务的数据进行风险防控处理。
本说明书实施例提供的一种风险防控装置，所述装置包括：群组信息获取模块，获取终端设备所属的分类群组的信息。初始模型下发模块，基于所述终端设备所属的分类群组的信息，获取所述终端设备所属的分类群组对应的待训练的目标业务的初始风险防控模型，并将所述初始风险防控模型下发到所述终端设备，以使所述终端设备基于预先存储的训练样本数据对所述初始风险防控模型进行模型训练，得到所述终端设备对应的风险防控子模型，所述训练样本数据中至少包括与所述终端设备的用户和所述目标业务相关的数据。子模型接收模块，接收所述终端设备发送的所述风险防控子模型，并对所述终端设备发送的所述风险防控子模型和所述终端设备所属的分类群组中的其它终端设备提供的风险防控子模型进行模型融合处理，得到所述终端设备所属的分类群组对应的风险防控模型，所述其它终端设备提供的风险防控子模型是所述其它终端设备基于所述其它终端设备中预先存储的训练样本数据对所述初始风险防控模型进行模型训练得到。风控模型下发模块，将所述风险防控模型发送给所述终端设备，以使所述终端设备基于所述风险防控模型对获取的所述目标业务的数据进行风险防控处理。
本说明书实施例提供的一种风险防控设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：接收服务器下发的所述设备所属的分类群组对应的待训练的目标业务的初始风险防控模型。基于预先存储的训练样本数据对所述初始风险防控模型进行模型训练，得到所述设备对应的风险防控子模型，所述训练样本数据中至少包括与所述设备的用户和所述目标业务相关的数据。将所述风险防控子模型发送给所述服务器，以使所述服务器对所述设备所属的分类群组中的不同终端设备提供的风险防控子模型进行模型融合处理，得到所述设备所属的分类群组对应的风险防控模型。接收所述服务器发送的所述设备所属的分类群组对应的风险防控模型，并基于所述风险防控模型对获取的所述目标业务的数据进行风险防控处理。
本说明书实施例提供的一种风险防控设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：获取终端设备所属的分类群组的信息。基于所述终端设备所属的分类群组的信息，获取所述终端设备所属的分类群组对应的待训练的目标业务的初始风险防控模型，并将所述初始风险防控模型下发到所述终端设备，以使所述终端设备基于预先存储的训练样本数据对所述初始风险防控模型进行模型训练，得到所述终端设备对应的风险防控子模型，所述训练样本数据中至少包括与所述终端设备的用户和所述目标业务相关的数据。接收所述终端设备发送的所述风险防控子模型，并对所述终端设备发送的所述风险防控子模型和所述终端设备所属的分类群组中的其它终端设备提供的风险防控子模型进行模型融合处理，得到所述终端设备所属的分类群组对应的风险防控模型，所述其它终端设备提供的风险防控子模型是所述其它终端设备基于所述其它终端设备中预先存储的训练样本数据对所述初始风险防控模型进行模型训练得到。将所述风险防控模型发送给所述终端设备，以使所述终端设备基于所述风险防控模型对获取的所述目标业务的数据进行风险防控处理。
本说明书实施例还提供了一种存储介质，其中，所述存储介质用于存储计算机可执行指令，所述可执行指令在被执行时实现以下流程：接收服务器下发的终端设备所属的分类群组对应的待训练的目标业务的初始风险防控模型。基于预先存储的训练样本数据对所述初始风险防控模型进行模型训练，得到所述终端设备对应的风险防控子模型，所述训练样本数据中至少包括与所述终端设备的用户和所述目标业务相关的数据。将所述风险防控子模型发送给所述服务器，以使所述服务器对所述终端设备所属的分类群组中的不同终端设备提供的风险防控子模型进行模型融合处理，得到所述终端设备所属的分类群组对应的风险防控模型。接收所述服务器发送的所述终端设备所属的分类群组对应的风险防控模型，并基于所述风险防控模型对获取的所述目标业务的数据进行风险防控处理。
本说明书实施例还提供了一种存储介质，其中，所述存储介质用于存储计算机可执行指令，所述可执行指令在被执行时实现以下流程：获取终端设备所属的分类群组的信息。基于所述终端设备所属的分类群组的信息，获取所述终端设备所属的分类群组对应的待训练的目标业务的初始风险防控模型，并将所述初始风险防控模型下发到所述终端设备，以使所述终端设备基于预先存储的训练样本数据对所述初始风险防控模型进行模型训练，得到所述终端设备对应的风险防控子模型，所述训练样本数据中至少包括与所述终端设备的用户和所述目标业务相关的数据。接收所述终端设备发送的所述风险防控子模型，并对所述终端设备发送的所述风险防控子模型和所述终端设备所属的分类群组中的其它终端设备提供的风险防控子模型进行模型融合处理，得到所述终端设备所属的分类群组对应的风险防控模型，所述其它终端设备提供的风险防控子模型是所述其它终端设备基于所述其它终端设备中预先存储的训练样本数据对所述初始风险防控模型进行模型训练得到。将所述风险防控模型发送给所述终端设备，以使所述终端设备基于所述风险防控模型对获取的所述目标业务的数据进行风险防控处理。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1A为本说明书一种风险防控方法实施例；
图1B为本说明书一种风险防控的处理过程示意图；
图2为本说明书一种风险防控系统的结构示意图；
图3为本说明书另一种风险防控的处理过程示意图；
图4A为本说明书另一种风险防控方法实施例；
图4B为本说明书又一种风险防控的处理过程示意图；
图5为本说明书又一种风险防控的处理过程示意图；
图6为本说明书一种风险防控装置实施例；
图7为本说明书另一种风险防控装置实施例；
图8为本说明书一种风险防控设备实施例。
具体实施方式
本说明书实施例提供一种风险防控方法、装置及设备。
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
实施例一
如图1A和图1B所示，本说明书实施例提供一种风险防控方法，该方法的执行主体可以为终端设备，其中，该终端设备可以如手机、平板电脑、个人计算机等。该方法具体可以包括以下步骤：
在步骤S102中，接收服务器下发的终端设备所属的分类群组对应的待训练的目标业务的初始风险防控模型。
其中，服务器可以是某项业务(如进行交易的业务或金融业务等)的服务器，具体如，该服务器可以是支付业务的服务器，也可以是与金融或即时通讯等相关业务的服务器等，或者，也可以是对某项业务进行风险防控的服务器，具体可以根据实际情况设定，本说明书实施例对此不做限定。分类群组可以是对终端设备通过聚类等方式进行群组划分后得到的分类群组，该分类群组可以通过多种不同的方式设定，例如，可以通过设定的不同年龄段进行分类群组的划分，或者，也可以通过用户所处区域的不同进行分类群组的划分，或者，也可以根据用户注册目标业务的时长进行分类群组的划分等，具体可以根据实际情况设定，本说明书实施例对此不做限定。目标业务可以是任意的可能存在风险或需要进行风险防控的业务，例如支付业务或转账业务等，具体可以根据实际情况设定，本说明书实施例对此不做限定。初始风险防控模型可以是还未经过训练的用于对某业务进行风险防控的模型，该初始风险防控模型可以仅具有模型架构，其中的模型参数还不准确，具体如可以是模型参数还未知或预先设定的数值或随机值等，具体可以根据实际情况设定，本说明书实施例对此不做限定。
在实施中，当前风险防控系统的架构通常是由服务端进行风险决策，终端设备采集相应业务的数据，并将其上传给服务器。通过服务器强大的运算能力，对上述数据进行风控策略和风险防控模型的分析，最终输出风控决策。上述服务端进行风险决策的方式中，需要终端设备将数据上传至服务器，这样就可能会给用户的隐私数据带来安全隐患，而且，如果终端设备进行集中请求，服务器的资源消耗大，此外，由于不同用户使用同一个风险防控模型，不同用户的习惯和每个用户的喜好存在差别，因此，该风险防控模型很难满足不同用户的需求，风险防控模型的灵活性差。基于此，需要提供一种基于终端与服务器(或端云)共享学习的个性化风险防控系统，该风险防控系统不仅可以保护隐私数据，还可以减少终端设备和服务器之间的交互，减轻服务器计算压力，而且还可以提高风险防控模型的灵活性。本说明书实施例提供一种可实现的技术方案，具体可以包括以下内容：
如图2所示，考虑到不同的用户的习惯和喜好，以及对风险防控意识的强弱，可以对不同的用户进行聚类、分类或人工划分群组等方式，将具有某相同属性的用户划分到同一个分类群组，进而可以确定不同用户所属的分类群组，相应的，也可以以此确定用户使用的终端设备所属的分类群组。服务器可以针对不同的分类群组分别构建相应的风险防控模型的模型架构，其中，不同分类群组对应的风险防控模型的模型架构可以相同，也可以不同，该模型架构中的模型参数的参数值可以是未知的，也可以是随机设定的，还可以是根据专家经验而设定的，具体可以根据实际情况设定，本说明书实施例对此不做限定。服务器为不同的分类群组设定的上述风险防控模型可以作为待训练的目标业务的初始风险防控模型。服务器可以获取不同分类群组和不同分类群组中包含的终端设备的信息或用户的信息，然后，可以基于终端设备的信息或用户的信息，将每个终端设备所属的分类群组对应的待训练的目标业务的初始风险防控模型发送给终端设备，终端设备可以接收服务器发送的该终端设备所属的分类群组对应的初始风险防控模型。
例如，针对目标业务，可以预先设定不同的年龄段，如0-25岁、26-60岁和大于60岁等三个年龄段，可以使用相应的算法，分别为上述三个不同的年龄段构建相应的风险防控模型的模型架构，其中，各个风险防控模型的模型参数的参数值可以随机设定，从而可以得到三个不同年龄段对应的目标业务的初始风险防控模型。然后，可以获取预先记录的或在服务器中注册目标业务的每个用户的信息或用户使用的终端设备的信息，基于用户的年龄信息，可以确定该用户的终端设备所属的分类群组，具体如，某用户的年龄为37岁，属于26-60岁的年龄段，可以获取26-60岁的年龄段对应的目标业务的初始风险防控模型，并可以将该初始风险防控模型发送给该用户的终端设备。
需要说明的是，上述步骤S102的处理可以通过多种不同的方式触发，例如，可以是在终端设备向服务器请求执行目标业务时触发，或者，也可以是每当到达预设周期时，服务器可以向终端设备下发该终端设备所属的分类群组对应的初始风险防控模型，或者，也可以是终端设备周期性的向服务器获取终端设备所属的分类群组对应的初始风险防控模型等，具体可以根据实际情况设定，本说明书实施例对此不做限定。
在步骤S104中，基于预先存储的训练样本数据对初始风险防控模型进行模型训练，得到终端设备对应的风险防控子模型，该训练样本数据中至少包括与终端设备的用户和目标业务相关的数据。
其中，训练样本数据可以包括终端设备的用户在执行目标业务的过程中产生的相关数据，即与终端设备的用户和目标业务相关的数据，该相关数据可以是指定时间段内产生的数据，也可以是从用户注册目标业务开始到当前时刻产生的数据等，具体可以根据实际情况设定，本说明书实施例对此不做限定。在实际应用中，训练样本数据也可以包括终端设备通过指定的数据获取方式从其它终端设备、服务器或数据库等获取的与目标业务相关的数据，或者，可以包括终端设备通过指定的数据获取方式从其它终端设备、服务器或数据库等获取的与终端设备的用户和目标业务相关的数据等。
在实施中，由于初始风险防控模型中的模型参数是不准确的，因此，每个终端设备中可以维护一定量的训练样本数据，在通过上述方式得到初始风险防控模型后，可以通过终端设备中的训练样本数据对初始风险防控模型进行模型训练，即可以从训练样本数据中选择一个样本数据，将该样本数据输入到初始风险防控模型中，得到关于模型参数的表达式，之后，可以从训练样本数据中再选择一个样本数据，将该样本数据输入到初始风险防控模型中，再次得到关于模型参数的表达式，通过上述方式可以得到多个关于模型参数的表达式，可以将多个关于模型参数的表达式组成方程组，求解方程组，可以得到各个模型参数的参数值。可以通过上述方式使用训练样本数据中剩余的样本数据对初始风险防控模型中的模型参数进行更新，直到最终的结果收敛为止，从而得到较优的模型参数，进而得到训练后的风险防控模型，并可以将训练后的风险防控模型作为终端设备对应的风险防控子模型。
在步骤S106中，将风险防控子模型发送给服务器，以使服务器对终端设备所属的分类群组中的不同终端设备提供的风险防控子模型进行模型融合处理，得到终端设备所属的分类群组对应的风险防控模型。
在实施中，终端设备可以将风险防控子模型发送给服务器，服务器可以接收该终端设备对应的风险防控子模型，同样的，该终端设备所属的分类群组中的多个不同的终端设备也可以通过上述方式训练属于每个终端设备的风险防控子模型，每个终端设备可以将其训练的风险防控子模型提供给服务器，服务器可以对该终端设备所属的分类群组中的不同终端设备提供的风险防控子模型进行模型融合处理，这样通过联邦学习的方式，服务器可以得到终端设备所属的分类群组对应的风险防控模型。
在步骤S108中，接收服务器发送的终端设备所属的分类群组对应的风险防控模型，并基于该风险防控模型对获取的目标业务的数据进行风险防控处理。
在实施中，终端设备可以接收到服务器发送的终端设备所属的分类群组对应的风险防控模型，当终端设备获取到目标业务的数据时，可以将目标业务的数据输入到该风险防控模型中，得到该目标业务的数据是否存在风险的结果，如果该结果指示该目标业务的数据存在风险，则可以拒绝终端设备执行目标业务，如果该结果指示该目标业务的数据不存在风险，则可以允许终端设备执行目标业务。
本说明书实施例提供一种风险防控方法，在接收到服务器下发的终端设备所属的分类群组对应的待训练的目标业务的初始风险防控模型时，基于预先存储的训练样本数据对初始风险防控模型进行模型训练，得到终端设备对应的风险防控子模型，其中，该训练样本数据中至少包括与终端设备的用户和目标业务相关的数据，然后，将风险防控子模型发送给服务器，服务器对终端设备所属的分类群组中的不同终端设备提供的风险防控子模型进行模型融合处理，得到终端设备所属的分类群组对应的风险防控模型，终端设备使用服务器提供的该终端设备所属的分类群组对应的风险防控模型对获取的所述目标业务的数据进行风险防控处理，这样，通过联邦学习的方式确定风险防控模型，从而实现了基于终端与服务器共享学习的个性化风险防控，而且上述方式不仅可以保护隐私数据，还可以减少终端设备和服务器之间的交互，减轻服务器计算压力，并可以提高风险防控模型的灵活性。
实施例二
如图3所示，本说明书实施例提供一种风险防控方法，该方法的执行主体可以为终端设备，其中，该终端设备可以如手机、平板电脑、个人计算机等。该方法具体可以包括以下步骤：
在步骤S302中，接收服务器下发的待训练的第一模型，第一模型中的模型参数的参数值为随机产生的参数值或预设的参数值。
其中，第一模型可以由预设的神经网络模型构建，该神经网络模型可以包括多种，例如可以包括卷积神经网络模型、循环神经网络模型、生成式对抗网络模型等，具体可以根据实际情况设定，本说明书实施例对此不做限定。第一模型中的模型参数的参数值可以为预设的参数值，例如，第一模型中的模型参数的参数值可以是根据专家经验而设定的参数值，或者，第一模型中的模型参数的参数值可以是根据相关的历史数据而设定的参数值等，具体可以根据实际情况设定，本说明书实施例对此不做限定。
在实施中，为了提高用户数据的安全性，终端设备中的针对目标业务和用户的相关数据可以不进行输出，而是在终端设备中保留相应的训练样本数据，并可以在终端设备中训练相应模型，以得到相应的模型的模型参数。在实际应用中，模型训练的过程中模型的某一个或多个网络层中保留的训练样本数据的信息较多，因此，服务器可以预先设定相应的算法，并可以通过该算法构建第一模型的模型架构，并可以设定其中的模型参数的参数值，从而服务器可以得到待训练的第一模型。为了能够准确对终端设备或终端设备的用户进行分类群组的划分，可以基于终端设备中的训练样本数据实现，但是由于训练样本数据无法由终端设备输出，因此，可以通过模型训练的方式获取终端设备中的训练样本数据的相关信息，具体地，服务器可以将构建的待训练的第一模型发送给终端设备，终端设备可以接收服务器下发的待训练的第一模型。
在步骤S304中，基于预先存储的训练样本数据对第一模型进行模型训练，得到训练后的第一模型，并获取训练后的第一模型中的预设网络层中的参数和相应的参数值。
其中，预设网络层可以包括一个网络层，也可以包括多个网络层，具体如，第一模型为卷积神经网络模型，预设网络层可以是其中的多个卷积层，也可以是卷积层、池化层和全连接层中的一种或多种等，具体可以根据实际情况设定，在实际应用中，训练后的第一模型中的预设网络层可以是输出层的前一网络层(如全连接层等)。
在实施中，模型训练的过程中模型的某一个或多个网络层中保留的训练样本数据的信息较多，因此，在综合考虑通信量和有效性后，可以选择仅向服务器上传模型训练的过程中模型的某一个或多个网络层的信息，具体地，可以获取终端设备预先存储的训练样本数据，可以通过该训练样本数据对第一模型进行模型训练，得到训练后的第一模型。然后，可以获取训练后的第一模型中的预设网络层中的参数和相应的参数值，例如，可以获取训练后的第一模型中输出层的前一网络层(具体如全连接层等)的参数和相应的参数值等。
在步骤S306中，将训练后的第一模型中的预设网络层中的参数和相应的参数值发送给服务器，以使服务器基于不同终端设备提供的训练后的第一模型中的预设网络层中的参数和相应的参数值，对不同的终端设备进行聚类，得到不同终端设备所属的分类群组。
在实施中，服务器接收到终端设备发送的训练后的第一模型中的预设网络层中的参数和相应的参数值后，由于训练后的第一模型中的预设网络层中的参数和相应的参数值中保留有终端设备中的训练样本数据的信息，因此，可以使用训练后的第一模型中的预设网络层中的参数和相应的参数值代替终端设备中的训练样本数据，对终端设备或终端设备的用户进行分类群组的划分，此外，其它终端设备也可以通过上述方式向服务器提供训练后的第一模型中的预设网络层中的参数和相应的参数值，从而服务器可以得到多个不同终端设备提供的训练后的第一模型中的预设网络层中的参数和相应的参数值。然后，可以通过预设的聚类算法对获取的训练后的第一模型中的预设网络层中的参数和相应的参数值进行聚类处理，得到不同终端设备所属的分类群组，从而可以得到上述终端设备所属的分类群组。
在实际应用中，上述步骤S306的处理可以多种多样，以下提供一种可选的处理方式，具体可以包括以下内容：使用预设的第二加密算法对训练后的第一模型中的预设网络层中的参数和相应的参数值进行加密处理，得到加密后的参数和相应的加密后的参数值，并将加密后的参数和相应的加密后的参数值发送给服务器。
其中，第二加密算法可以包括多种，例如同态加密算法、部分同态加密算法或全同态加密算法等，具体可以根据实际情况设定，本说明书实施例对此不做限定。
在实施中，为了保证传输数据的安全性，可以预先设定加密算法(即第二加密算法)，可以使用第二加密算法对训练后的第一模型中的预设网络层中的参数和相应的参数值进行加密处理，得到加密后的参数和相应的加密后的参数值，然后，将加密后的参数和相应的加密后的参数值发送给服务器，从而保证数据传输过程中数据的安全性。
在步骤S308中，接收服务器下发的终端设备所属的分类群组对应的待训练的目标业务的初始风险防控模型。
其中，初始风险防控模型可以由预设的神经网络模型构建，该神经网络模型可以包括多种，例如可以包括卷积神经网络模型、循环神经网络模型、生成式对抗网络模型等。其中，上述第一模型与初始风险防控模型可以不同。终端设备所属的分类群组是服务器基于不同终端设备提供的训练后的第一模型中的预设网络层中的参数和相应的参数值，通过预设的聚类算法对不同的终端设备进行聚类得到，具体可以参见上述相关内容，其中的聚类算法可以为K-means聚类算法等，在实际应用中，聚类算法也可以包括其它多种不同的聚类算法，具体可以根据实际情况选定，本说明书实施例对此不做限定。
在步骤S310中，基于上述训练样本数据对初始风险防控模型进行模型训练，得到终端设备对应的风险防控子模型，训练样本数据中至少包括与终端设备的用户和目标业务相关的数据。
在步骤S312中，使用预设的第一加密算法对风险防控子模型进行加密处理，得到加密后的风险防控子模型，并将加密后的风险防控子模型发送给服务器，以使服务器对终端设备所属的分类群组中的不同终端设备提供的风险防控子模型进行模型融合处理，得到终端设备所属的分类群组对应的风险防控模型。
其中，第一加密算法可以包括多种，例如同态加密算法、部分同态加密算法或全同态加密算法等，第一加密算法可以与上述第二加密算法相同，也可以与上述第二加密算法不同，具体可以根据实际情况设定，本说明书实施例对此不做限定。
在步骤S314中，接收服务器发送的终端设备所属的分类群组对应的风险防控模型。
通过上述处理得到终端设备所属的分类群组对应的风险防控模型，终端设备可以利用该风险防控模型对目标业务的业务数据进行风险检测和风险防控，具体可以包括以下步骤S316～步骤S320的处理。
在步骤S316中，获取待检测的目标业务的业务数据。
在步骤S318中，将上述业务数据输入到风险防控模型中，以对业务数据是否存在预设风险进行检测，得到相应的检测结果。
在步骤S320中，如果检测结果指示业务数据存在预设风险，则取消终端设备执行目标业务的业务处理。
此外，还可以对终端设备所属的分类群组对应的风险防控模型进行更新，具体可以包括以下步骤S322～步骤S326的处理。
在步骤S322中，如果检测到训练样本数据被更新，则获取更新后的训练样本数据。
在实施中，检测终端设备中存储的训练样本数据是否被更新的方式可以包括多种，例如，终端设备存储的训练样本数据可以包括数据标识，终端设备可以周期性或不定期检测训练样本数据中的数据标识是否增加，从而确定训练样本数据是否被更新，或者，可以检测训练样本数据中增加的数据量是否超过预定数量阈值，从而确定训练样本数据是否被更新等，具体可以根据实际情况设定，本说明书实施例对此不做限定。
在步骤S324中，基于更新后的训练样本数据对风险防控模型进行模型训练，得到训练后的风险防控模型，并将训练后的风险防控模型发送给服务器，以使服务器对终端设备所属的分类群组对应的风险防控模型进行更新，得到更新后的风险防控模型。
在实施中，终端设备可以将训练后的风险防控模型发送给服务器，服务器可以接收该训练后的风险防控模型，同样的，该终端设备所属的分类群组中的多个不同的终端设备也可以通过上述方式训练属于每个终端设备的风险防控模型，每个终端设备可以将其训练的风险防控模型提供给服务器，服务器可以对该终端设备所属的分类群组中的不同终端设备提供的风险防控模型进行模型融合处理，以更新终端设备所属的分类群组对应的风险防控模型，这样通过联邦学习的方式，服务器可以不断更新终端设备所属的分类群组对应的风险防控模型，此外，服务器也可以只通过该终端设备提供的风险防控模型对该终端设备所属的分类群组对应的风险防控模型进行更新，具体可以根据实际情况设定，本说明书实施例对此不做限定。
在步骤S326中，接收服务器发送的更新后的风险防控模型，并基于更新后的风险防控模型对目标业务的数据进行风险防控处理。
另外，上述对终端设备所属的分类群组对应的风险防控模型进行更新的处理除了可以通过上述步骤S322～步骤S326实现外，还可以通过下述方式实现，具体可以包括以下步骤A2～步骤A4的处理。
在步骤A2中，如果检测到训练样本数据被更新，则获取更新后的训练样本数据。
在步骤A4中，基于更新后的训练样本数据对风险防控模型进行模型训练，得到训练后的风险防控模型，并基于训练后的风险防控模型对目标业务的数据进行风险防控处理。
本说明书实施例提供一种风险防控方法，在接收到服务器下发的终端设备所属的分类群组对应的待训练的目标业务的初始风险防控模型时，基于预先存储的训练样本数据对初始风险防控模型进行模型训练，得到终端设备对应的风险防控子模型，其中，该训练样本数据中至少包括与终端设备的用户和目标业务相关的数据，然后，将风险防控子模型发送给服务器，服务器对终端设备所属的分类群组中的不同终端设备提供的风险防控子模型进行模型融合处理，得到终端设备所属的分类群组对应的风险防控模型，终端设备使用服务器提供的该终端设备所属的分类群组对应的风险防控模型对获取的所述目标业务的数据进行风险防控处理，这样，通过联邦学习的方式确定风险防控模型，从而实现了基于终端与服务器共享学习的个性化风险防控，而且上述方式不仅可以保护隐私数据，还可以减少终端设备和服务器之间的交互，减轻服务器计算压力，并可以提高风险防控模型的灵活性。
此外，基于用户的相关数据进行聚类，为每个类别群体的用户定制个性化的风险防控模型，而且，通过聚类算法结合联邦学习的方式对风险防控模型进行训练，可以实现你高端设备中的数据不需传输给服务器，从而保护了用户隐私。
实施例三
如图4A和图4B所示，本说明书实施例提供一种风险防控方法，该方法的执行主体可以为服务器，其中，该服务器可以是为某项业务(如进行交易的业务或金融业务等)的服务器，具体如，该服务器可以是支付业务的服务器，也可以是与金融或即时通讯等相关业务的服务器等，或者，也可以是需要对业务数据进行风险检测或风险防控的服务器等。该方法具体可以包括以下步骤：
在步骤S402中，获取终端设备所属的分类群组的信息。
在实施中，终端设备所属的分类群组可以通过多种不同的方式确定，例如可以对终端设备通过聚类等方式进行群组划分后得到的分类群组，或者，可以对每个终端设备的用户通过人工的方式进行分类群组的划分，从而得到终端设备所属的分类群组。
需要说明的是，上述步骤S402的处理可以通过多种不同的方式触发，例如，可以是在终端设备向服务器请求执行目标业务时触发，或者，也可以是每当到达预设周期时，服务器可以获取终端设备所属的分类群组的信息等，具体可以根据实际情况设定，本说明书实施例对此不做限定。
在步骤S404中，基于终端设备所属的分类群组的信息，获取终端设备所属的分类群组对应的待训练的目标业务的初始风险防控模型，并将初始风险防控模型下发到终端设备，以使终端设备基于预先存储的训练样本数据对初始风险防控模型进行模型训练，得到终端设备对应的风险防控子模型，该训练样本数据中至少包括与终端设备的用户和目标业务相关的数据。
在步骤S406中，接收终端设备发送的风险防控子模型，并对终端设备发送的风险防控子模型和终端设备所属的分类群组中的其它终端设备提供的风险防控子模型进行模型融合处理，得到终端设备所属的分类群组对应的风险防控模型，其它终端设备提供的风险防控子模型是其它终端设备基于其它终端设备中预先存储的训练样本数据对初始风险防控模型进行模型训练得到。
在步骤S408中，将风险防控模型发送给终端设备，以使终端设备基于风险防控模型对获取的目标业务的数据进行风险防控处理。
本说明书实施例提供一种风险防控方法，在接收到服务器下发的终端设备所属的分类群组对应的待训练的目标业务的初始风险防控模型时，基于预先存储的训练样本数据对初始风险防控模型进行模型训练，得到终端设备对应的风险防控子模型，其中，该训练样本数据中至少包括与终端设备的用户和目标业务相关的数据，然后，将风险防控子模型发送给服务器，服务器对终端设备所属的分类群组中的不同终端设备提供的风险防控子模型进行模型融合处理，得到终端设备所属的分类群组对应的风险防控模型，终端设备使用服务器提供的该终端设备所属的分类群组对应的风险防控模型对获取的所述目标业务的数据进行风险防控处理，这样，通过联邦学习的方式确定风险防控模型，从而实现了基于终端与服务器共享学习的个性化风险防控，而且上述方式不仅可以保护隐私数据，还可以减少终端设备和服务器之间的交互，减轻服务器计算压力，并可以提高风险防控模型的灵活性。
实施例四
如图5所示，本说明书实施例提供一种风险防控方法，该方法的执行主体可以为服务器，其中，该服务器可以是为某项业务(如进行交易的业务或金融业务等)的服务器，具体如，该服务器可以是支付业务的服务器，也可以是与金融或即时通讯等相关业务的服务器等，或者，也可以是需要对业务数据进行风险检测或风险防控的服务器等。该方法具体可以包括以下步骤：
在步骤S502中，向终端设备下发待训练的第一模型，第一模型中的模型参数的参数值为随机产生的参数值或预设的参数值，以使终端设备基于预先存储的训练样本数据对第一模型进行模型训练，得到训练后的第一模型，并将训练后的第一模型中的预设网络层中的参数和相应的参数值发送给服务器。
其中，第一模型可以由预设的神经网络模型构建。
在步骤S504中，接收终端设备发送的训练后的第一模型中的预设网络层中的参数和相应的参数值，并基于训练后的第一模型中的预设网络层中的参数和相应的参数值，通过预设的聚类算法对终端设备进行聚类，得到终端设备所属的分类群组。
其中，聚类算法可以包括K-means聚类算法等。
此外，训练后的第一模型中的预设网络层中的参数和相应的参数值可以是终端设备使用预设的第二加密算法进行加密处理后得到的加密后的参数和相应的加密后的参数值，基于此，服务器接收到终端设备发送的训练后的第一模型中的预设网络层中的参数和相应的参数值后，可以使用与第二加密算法对应的解密算法对加密后的参数和相应的加密后的参数值进行解密处理，得到训练后的第一模型中的预设网络层中的参数和相应的参数值。
在步骤S506中，获取终端设备所属的分类群组的信息。
在步骤S508中，基于终端设备所属的分类群组的信息，获取终端设备所属的分类群组对应的待训练的目标业务的初始风险防控模型，并将初始风险防控模型下发到终端设备，以使终端设备基于预先存储的训练样本数据对初始风险防控模型进行模型训练，得到终端设备对应的风险防控子模型，该训练样本数据中至少包括与终端设备的用户和目标业务相关的数据。
其中，初始风险防控模型可以由预设的神经网络模型构建。初始风险防控模型可以与上述第一模型不同。
在步骤S510中，接收终端设备发送的风险防控子模型，并对终端设备发送的风险防控子模型和终端设备所属的分类群组中的其它终端设备提供的风险防控子模型进行模型融合处理，得到终端设备所属的分类群组对应的风险防控模型，其它终端设备提供的风险防控子模型是其它终端设备基于其它终端设备中预先存储的训练样本数据对初始风险防控模型进行模型训练得到。
其中，风险防控子模型可以是终端设备使用预设的第一加密算法进行加密处理后得到的加密后的风险防控子模型，基于此，服务器接收到终端设备发送的风险防控子模型后，可以使用与第一加密算法对应的解密算法对加密后的风险防控子模型进行解密处理，得到风险防控子模型。
在步骤S512中，将风险防控模型发送给终端设备，以使终端设备基于风险防控模型对获取的目标业务的数据进行风险防控处理。
在步骤S514中，接收终端设备发送的训练后的风险防控模型，训练后的风险防控模型是终端设备在检测到训练样本数据被更新时，基于更新后的训练样本数据对风险防控模型进行模型训练得到。
在步骤S516中，基于训练后的风险防控模型，对终端设备所属的分类群组对应的风险防控模型进行更新，得到更新后的风险防控模型。
在步骤S518中，将更新后的风险防控模型发送给终端设备，以使终端设备基于更新后的风险防控模型对目标业务的数据进行风险防控处理。
本说明书实施例提供一种风险防控方法，在接收到服务器下发的终端设备所属的分类群组对应的待训练的目标业务的初始风险防控模型时，基于预先存储的训练样本数据对初始风险防控模型进行模型训练，得到终端设备对应的风险防控子模型，其中，该训练样本数据中至少包括与终端设备的用户和目标业务相关的数据，然后，将风险防控子模型发送给服务器，服务器对终端设备所属的分类群组中的不同终端设备提供的风险防控子模型进行模型融合处理，得到终端设备所属的分类群组对应的风险防控模型，终端设备使用服务器提供的该终端设备所属的分类群组对应的风险防控模型对获取的所述目标业务的数据进行风险防控处理，这样，通过联邦学习的方式确定风险防控模型，从而实现了基于终端与服务器共享学习的个性化风险防控，而且上述方式不仅可以保护隐私数据，还可以减少终端设备和服务器之间的交互，减轻服务器计算压力，并可以提高风险防控模型的灵活性。
此外，基于用户的相关数据进行聚类，为每个类别群体的用户定制个性化的风险防控模型，而且，通过聚类算法结合联邦学习的方式对风险防控模型进行训练，可以实现你高端设备中的数据不需传输给服务器，从而保护了用户隐私。
实施例五
以上为本说明书实施例提供的风险防控方法，基于同样的思路，本说明书实施例还提供一种风险防控装置，如图6所示。
该风险防控装置包括：初始模型接收模块601、子模型训练模块602、子模型发送模块603和风险防控模块604，其中：
初始模型接收模块601，接收服务器下发的所述装置所属的分类群组对应的待训练的目标业务的初始风险防控模型；
子模型训练模块602，基于预先存储的训练样本数据对所述初始风险防控模型进行模型训练，得到所述装置对应的风险防控子模型，所述训练样本数据中至少包括与所述装置的用户和所述目标业务相关的数据；
子模型发送模块603，将所述风险防控子模型发送给所述服务器，以使所述服务器对所述装置所属的分类群组中的不同终端设备提供的风险防控子模型进行模型融合处理，得到所述装置所属的分类群组对应的风险防控模型；
风险防控模块604，接收所述服务器发送的所述装置所属的分类群组对应的风险防控模型，并基于所述风险防控模型对获取的所述目标业务的数据进行风险防控处理。
本说明书实施例中，所述初始风险防控模型由预设的神经网络模型构建。
本说明书实施例中，所述子模型发送模块603，使用预设的第一加密算法对所述风险防控子模型进行加密处理，得到加密后的风险防控子模型，并将所述加密后的风险防控子模型发送给所述服务器。
本说明书实施例中，所述装置还包括：
第一模型接收模块，接收服务器下发的待训练的第一模型，所述第一模型中的模型参数的参数值为随机产生的参数值或预设的参数值；
第一模型训练模块，基于所述训练样本数据对所述第一模型进行模型训练，得到训练后的第一模型，并获取所述训练后的第一模型中的预设网络层中的参数和相应的参数值；
参数发送模块，将所述训练后的第一模型中的预设网络层中的参数和相应的参数值发送给所述服务器，以使所述服务器基于不同终端设备提供的训练后的第一模型中的预设网络层中的参数和相应的参数值，对不同的终端设备进行聚类，得到不同终端设备所属的分类群组。
本说明书实施例中，所述第一模型由预设的神经网络模型构建，所述第一模型与所述初始风险防控模型不同。
本说明书实施例中，所述装置所属的分类群组是所述服务器基于不同终端设备提供的训练后的第一模型中的预设网络层中的参数和相应的参数值，通过预设的聚类算法对不同的终端设备进行聚类得到。
本说明书实施例中，所述聚类算法为K-means聚类算法。
本说明书实施例中，所述参数发送模块，使用预设的第二加密算法对所述训练后的第一模型中的预设网络层中的参数和相应的参数值进行加密处理，得到加密后的参数和相应的加密后的参数值，并将加密后的参数和相应的加密后的参数值发送给所述服务器。
本说明书实施例中，所述风险防控模块604，包括：
数据获取单元，获取待检测的所述目标业务的业务数据；
风险防控单元，将所述业务数据输入到所述风险防控模型中，以对所述业务数据是否存在预设风险进行检测，得到相应的检测结果；
业务处理单元，如果所述检测结果指示所述业务数据存在预设风险，则取消所述装置执行所述目标业务的业务处理。
本说明书实施例中，所述装置还包括：
第一样本更新检测模块，如果检测到所述训练样本数据被更新，则获取更新后的训练样本数据；
模型更新模块，基于更新后的训练样本数据对所述风险防控模型进行模型训练，得到训练后的风险防控模型，并基于训练后的风险防控模型对所述目标业务的数据进行风险防控处理。
本说明书实施例中，所述装置还包括：
第二样本更新检测模块，如果检测到所述训练样本数据被更新，则获取更新后的所述训练样本数据；
更新训练模块，基于更新后的所述训练样本数据对所述风险防控模型进行模型训练，得到训练后的风险防控模型，并将训练后的风险防控模型发送给所述服务器，以使所述服务器对所述装置所属的分类群组对应的风险防控模型进行更新，得到更新后的风险防控模型；
更新模型接收模块，接收所述服务器发送的更新后的风险防控模型，并基于更新后的风险防控模型对所述目标业务的数据进行风险防控处理。
本说明书实施例提供一种风险防控装置，在接收到服务器下发的终端设备所属的分类群组对应的待训练的目标业务的初始风险防控模型时，基于预先存储的训练样本数据对初始风险防控模型进行模型训练，得到终端设备对应的风险防控子模型，其中，该训练样本数据中至少包括与终端设备的用户和目标业务相关的数据，然后，将风险防控子模型发送给服务器，服务器对终端设备所属的分类群组中的不同终端设备提供的风险防控子模型进行模型融合处理，得到终端设备所属的分类群组对应的风险防控模型，终端设备使用服务器提供的该终端设备所属的分类群组对应的风险防控模型对获取的所述目标业务的数据进行风险防控处理，这样，通过联邦学习的方式确定风险防控模型，从而实现了基于终端与服务器共享学习的个性化风险防控，而且上述方式不仅可以保护隐私数据，还可以减少终端设备和服务器之间的交互，减轻服务器计算压力，并可以提高风险防控模型的灵活性。
此外，基于用户的相关数据进行聚类，为每个类别群体的用户定制个性化的风险防控模型，而且，通过聚类算法结合联邦学习的方式对风险防控模型进行训练，可以实现你高端设备中的数据不需传输给服务器，从而保护了用户隐私。
实施例六
基于同样的思路，本说明书实施例还提供一种风险防控装置，如图7所示。
该风险防控装置包括：群组信息获取模块701、初始模型下发模块702、子模型接收模块703和风控模型下发模块704，其中：
群组信息获取模块701，获取终端设备所属的分类群组的信息；
初始模型下发模块702，基于所述终端设备所属的分类群组的信息，获取所述终端设备所属的分类群组对应的待训练的目标业务的初始风险防控模型，并将所述初始风险防控模型下发到所述终端设备，以使所述终端设备基于预先存储的训练样本数据对所述初始风险防控模型进行模型训练，得到所述终端设备对应的风险防控子模型，所述训练样本数据中至少包括与所述终端设备的用户和所述目标业务相关的数据；
子模型接收模块703，接收所述终端设备发送的所述风险防控子模型，并对所述终端设备发送的所述风险防控子模型和所述终端设备所属的分类群组中的其它终端设备提供的风险防控子模型进行模型融合处理，得到所述终端设备所属的分类群组对应的风险防控模型，所述其它终端设备提供的风险防控子模型是所述其它终端设备基于所述其它终端设备中预先存储的训练样本数据对所述初始风险防控模型进行模型训练得到；
风控模型下发模块704，将所述风险防控模型发送给所述终端设备，以使所述终端设备基于所述风险防控模型对获取的所述目标业务的数据进行风险防控处理。
本说明书实施例中，所述装置还包括：
第一模型下发模块，向所述终端设备下发待训练的第一模型，所述第一模型中的模型参数的参数值为随机产生的参数值或预设的参数值，以使所述终端设备基于所述训练样本数据对所述第一模型进行模型训练，得到训练后的第一模型，并将所述训练后的第一模型中的预设网络层中的参数和相应的参数值发送给所述装置；
参数接收模块，接收所述终端设备发送的所述训练后的第一模型中的预设网络层中的参数和相应的参数值，并基于训练后的第一模型中的预设网络层中的参数和相应的参数值，通过预设的聚类算法对所述终端设备进行聚类，得到所述终端设备所属的分类群组。
本说明书实施例中，所述装置还包括：
更新模型接收模块，接收所述终端设备发送的训练后的所述风险防控模型，训练后的所述风险防控模型是所述终端设备在检测到所述训练样本数据被更新时，基于更新后的所述训练样本数据对所述风险防控模型进行模型训练得到；
更新模块，基于训练后的所述风险防控模型，对所述终端设备所属的分类群组对应的风险防控模型进行更新，得到更新后的风险防控模型；
更新模型下发模块，将更新后的风险防控模型发送给所述终端设备，以使所述终端设备基于更新后的风险防控模型对所述目标业务的数据进行风险防控处理。
本说明书实施例提供一种风险防控装置，在接收到服务器下发的终端设备所属的分类群组对应的待训练的目标业务的初始风险防控模型时，基于预先存储的训练样本数据对初始风险防控模型进行模型训练，得到终端设备对应的风险防控子模型，其中，该训练样本数据中至少包括与终端设备的用户和目标业务相关的数据，然后，将风险防控子模型发送给服务器，服务器对终端设备所属的分类群组中的不同终端设备提供的风险防控子模型进行模型融合处理，得到终端设备所属的分类群组对应的风险防控模型，终端设备使用服务器提供的该终端设备所属的分类群组对应的风险防控模型对获取的所述目标业务的数据进行风险防控处理，这样，通过联邦学习的方式确定风险防控模型，从而实现了基于终端与服务器共享学习的个性化风险防控，而且上述方式不仅可以保护隐私数据，还可以减少终端设备和服务器之间的交互，减轻服务器计算压力，并可以提高风险防控模型的灵活性。
此外，基于用户的相关数据进行聚类，为每个类别群体的用户定制个性化的风险防控模型，而且，通过聚类算法结合联邦学习的方式对风险防控模型进行训练，可以实现你高端设备中的数据不需传输给服务器，从而保护了用户隐私。
实施例七
以上为本说明书实施例提供的风险防控装置，基于同样的思路，本说明书实施例还提供一种风险防控设备，如图8所示。
所述风险防控设备可以为上述实施例提供的服务器或终端设备等。
风险防控设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器801和存储器802，存储器802中可以存储有一个或一个以上存储应用程序或数据。其中，存储器802可以是短暂存储或持久存储。存储在存储器802的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对风险防控设备中的一系列计算机可执行指令。更进一步地，处理器801可以设置为与存储器802通信，在风险防控设备上执行存储器802中的一系列计算机可执行指令。风险防控设备还可以包括一个或一个以上电源803，一个或一个以上有线或无线网络接口804，一个或一个以上输入输出接口805，一个或一个以上键盘806。
具体在本实施例中，风险防控设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对风险防控设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：
接收服务器下发的所述设备所属的分类群组对应的待训练的目标业务的初始风险防控模型；
基于预先存储的训练样本数据对所述初始风险防控模型进行模型训练，得到所述设备对应的风险防控子模型，所述训练样本数据中至少包括与所述设备的用户和所述目标业务相关的数据；
将所述风险防控子模型发送给所述服务器，以使所述服务器对所述设备所属的分类群组中的不同终端设备提供的风险防控子模型进行模型融合处理，得到所述设备所属的分类群组对应的风险防控模型；
接收所述服务器发送的所述设备所属的分类群组对应的风险防控模型，并基于所述风险防控模型对获取的所述目标业务的数据进行风险防控处理。
本说明书实施例中，所述初始风险防控模型由预设的神经网络模型构建。
本说明书实施例中，所述将所述风险防控子模型发送给所述服务器，包括：
使用预设的第一加密算法对所述风险防控子模型进行加密处理，得到加密后的风险防控子模型，并将所述加密后的风险防控子模型发送给所述服务器。
本说明书实施例中，还包括：
接收服务器下发的待训练的第一模型，所述第一模型中的模型参数的参数值为随机产生的参数值或预设的参数值；
基于所述训练样本数据对所述第一模型进行模型训练，得到训练后的第一模型，并获取所述训练后的第一模型中的预设网络层中的参数和相应的参数值；
将所述训练后的第一模型中的预设网络层中的参数和相应的参数值发送给所述服务器，以使所述服务器基于不同终端设备提供的训练后的第一模型中的预设网络层中的参数和相应的参数值，对不同的终端设备进行聚类，得到不同终端设备所属的分类群组。
本说明书实施例中，所述第一模型由预设的神经网络模型构建，所述第一模型与所述初始风险防控模型不同。
本说明书实施例中，所述设备所属的分类群组是所述服务器基于不同终端设备提供的训练后的第一模型中的预设网络层中的参数和相应的参数值，通过预设的聚类算法对不同的终端设备进行聚类得到。
本说明书实施例中，所述聚类算法为K-means聚类算法。
本说明书实施例中，所述将所述训练后的第一模型中的预设网络层中的参数和相应的参数值发送给所述服务器，包括：
使用预设的第二加密算法对所述训练后的第一模型中的预设网络层中的参数和相应的参数值进行加密处理，得到加密后的参数和相应的加密后的参数值，并将加密后的参数和相应的加密后的参数值发送给所述服务器。
本说明书实施例中，基于所述风险防控模型对获取的所述目标业务的数据进行风险防控处理，包括：
获取待检测的所述目标业务的业务数据；
将所述业务数据输入到所述风险防控模型中，以对所述业务数据是否存在预设风险进行检测，得到相应的检测结果；
如果所述检测结果指示所述业务数据存在预设风险，则取消所述设备执行所述目标业务的业务处理。
本说明书实施例中，还包括：
如果检测到所述训练样本数据被更新，则获取更新后的训练样本数据；
基于更新后的训练样本数据对所述风险防控模型进行模型训练，得到训练后的风险防控模型，并基于训练后的风险防控模型对所述目标业务的数据进行风险防控处理。
本说明书实施例中，还包括：
如果检测到所述训练样本数据被更新，则获取更新后的所述训练样本数据；
基于更新后的所述训练样本数据对所述风险防控模型进行模型训练，得到训练后的风险防控模型，并将训练后的风险防控模型发送给所述服务器，以使所述服务器对所述设备所属的分类群组对应的风险防控模型进行更新，得到更新后的风险防控模型；
接收所述服务器发送的更新后的风险防控模型，并基于更新后的风险防控模型对所述目标业务的数据进行风险防控处理。
此外，具体在本实施例中，风险防控设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对风险防控设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：
获取终端设备所属的分类群组的信息；
基于所述终端设备所属的分类群组的信息，获取所述终端设备所属的分类群组对应的待训练的目标业务的初始风险防控模型，并将所述初始风险防控模型下发到所述终端设备，以使所述终端设备基于预先存储的训练样本数据对所述初始风险防控模型进行模型训练，得到所述终端设备对应的风险防控子模型，所述训练样本数据中至少包括与所述终端设备的用户和所述目标业务相关的数据；
接收所述终端设备发送的所述风险防控子模型，并对所述终端设备发送的所述风险防控子模型和所述终端设备所属的分类群组中的其它终端设备提供的风险防控子模型进行模型融合处理，得到所述终端设备所属的分类群组对应的风险防控模型，所述其它终端设备提供的风险防控子模型是所述其它终端设备基于所述其它终端设备中预先存储的训练样本数据对所述初始风险防控模型进行模型训练得到；
将所述风险防控模型发送给所述终端设备，以使所述终端设备基于所述风险防控模型对获取的所述目标业务的数据进行风险防控处理。
本说明书实施例中，还包括：
向所述终端设备下发待训练的第一模型，所述第一模型中的模型参数的参数值为随机产生的参数值或预设的参数值，以使所述终端设备基于所述训练样本数据对所述第一模型进行模型训练，得到训练后的第一模型，并将所述训练后的第一模型中的预设网络层中的参数和相应的参数值发送给所述设备；
接收所述终端设备发送的所述训练后的第一模型中的预设网络层中的参数和相应的参数值，并基于训练后的第一模型中的预设网络层中的参数和相应的参数值，通过预设的聚类算法对所述终端设备进行聚类，得到所述终端设备所属的分类群组。
本说明书实施例中，还包括：
接收所述终端设备发送的训练后的所述风险防控模型，训练后的所述风险防控模型是所述终端设备在检测到所述训练样本数据被更新时，基于更新后的所述训练样本数据对所述风险防控模型进行模型训练得到；
基于训练后的所述风险防控模型，对所述终端设备所属的分类群组对应的风险防控模型进行更新，得到更新后的风险防控模型；
将更新后的风险防控模型发送给所述终端设备，以使所述终端设备基于更新后的风险防控模型对所述目标业务的数据进行风险防控处理。
本说明书实施例提供一种风险防控设备，在接收到服务器下发的终端设备所属的分类群组对应的待训练的目标业务的初始风险防控模型时，基于预先存储的训练样本数据对初始风险防控模型进行模型训练，得到终端设备对应的风险防控子模型，其中，该训练样本数据中至少包括与终端设备的用户和目标业务相关的数据，然后，将风险防控子模型发送给服务器，服务器对终端设备所属的分类群组中的不同终端设备提供的风险防控子模型进行模型融合处理，得到终端设备所属的分类群组对应的风险防控模型，终端设备使用服务器提供的该终端设备所属的分类群组对应的风险防控模型对获取的所述目标业务的数据进行风险防控处理，这样，通过联邦学习的方式确定风险防控模型，从而实现了基于终端与服务器共享学习的个性化风险防控，而且上述方式不仅可以保护隐私数据，还可以减少终端设备和服务器之间的交互，减轻服务器计算压力，并可以提高风险防控模型的灵活性。
此外，基于用户的相关数据进行聚类，为每个类别群体的用户定制个性化的风险防控模型，而且，通过聚类算法结合联邦学习的方式对风险防控模型进行训练，可以实现你高端设备中的数据不需传输给服务器，从而保护了用户隐私。
实施例八
进一步地，基于上述图1A和图5所示的方法，本说明书一个或多个实施例还提供了一种存储介质，用于存储计算机可执行指令信息，一种具体的实施例中，该存储介质可以为U盘、光盘、硬盘等，该存储介质存储的计算机可执行指令信息在被处理器执行时，能实现以下流程：
接收服务器下发的终端设备所属的分类群组对应的待训练的目标业务的初始风险防控模型；
基于预先存储的训练样本数据对所述初始风险防控模型进行模型训练，得到所述终端设备对应的风险防控子模型，所述训练样本数据中至少包括与所述终端设备的用户和所述目标业务相关的数据；
将所述风险防控子模型发送给所述服务器，以使所述服务器对所述终端设备所属的分类群组中的不同终端设备提供的风险防控子模型进行模型融合处理，得到所述终端设备所属的分类群组对应的风险防控模型；
接收所述服务器发送的所述终端设备所属的分类群组对应的风险防控模型，并基于所述风险防控模型对获取的所述目标业务的数据进行风险防控处理。
本说明书实施例中，所述初始风险防控模型由预设的神经网络模型构建。
本说明书实施例中，所述将所述风险防控子模型发送给所述服务器，包括：
使用预设的第一加密算法对所述风险防控子模型进行加密处理，得到加密后的风险防控子模型，并将所述加密后的风险防控子模型发送给所述服务器。
本说明书实施例中，还包括：
接收服务器下发的待训练的第一模型，所述第一模型中的模型参数的参数值为随机产生的参数值或预设的参数值；
基于所述训练样本数据对所述第一模型进行模型训练，得到训练后的第一模型，并获取所述训练后的第一模型中的预设网络层中的参数和相应的参数值；
将所述训练后的第一模型中的预设网络层中的参数和相应的参数值发送给所述服务器，以使所述服务器基于不同终端设备提供的训练后的第一模型中的预设网络层中的参数和相应的参数值，对不同的终端设备进行聚类，得到不同终端设备所属的分类群组。
本说明书实施例中，所述第一模型由预设的神经网络模型构建，所述第一模型与所述初始风险防控模型不同。
本说明书实施例中，所述终端设备所属的分类群组是所述服务器基于不同终端设备提供的训练后的第一模型中的预设网络层中的参数和相应的参数值，通过预设的聚类算法对不同的终端设备进行聚类得到。
本说明书实施例中，所述聚类算法为K-means聚类算法。
本说明书实施例中，所述将所述训练后的第一模型中的预设网络层中的参数和相应的参数值发送给所述服务器，包括：
使用预设的第二加密算法对所述训练后的第一模型中的预设网络层中的参数和相应的参数值进行加密处理，得到加密后的参数和相应的加密后的参数值，并将加密后的参数和相应的加密后的参数值发送给所述服务器。
本说明书实施例中，所述基于所述风险防控模型对获取的所述目标业务的数据进行风险防控处理，包括：
获取待检测的所述目标业务的业务数据；
将所述业务数据输入到所述风险防控模型中，以对所述业务数据是否存在预设风险进行检测，得到相应的检测结果；
如果所述检测结果指示所述业务数据存在预设风险，则取消所述终端设备执行所述目标业务的业务处理。
本说明书实施例中，还包括：
如果检测到所述训练样本数据被更新，则获取更新后的训练样本数据；
基于更新后的训练样本数据对所述风险防控模型进行模型训练，得到训练后的风险防控模型，并基于训练后的风险防控模型对所述目标业务的数据进行风险防控处理。
本说明书实施例中，还包括：
如果检测到所述训练样本数据被更新，则获取更新后的所述训练样本数据；
基于更新后的所述训练样本数据对所述风险防控模型进行模型训练，得到训练后的风险防控模型，并将训练后的风险防控模型发送给所述服务器，以使所述服务器对所述终端设备所属的分类群组对应的风险防控模型进行更新，得到更新后的风险防控模型；
接收所述服务器发送的更新后的风险防控模型，并基于更新后的风险防控模型对所述目标业务的数据进行风险防控处理。
另一种具体的实施例中，该存储介质可以为U盘、光盘、硬盘等，该存储介质存储的计算机可执行指令信息在被处理器执行时，能实现以下流程：
获取终端设备所属的分类群组的信息；
基于所述终端设备所属的分类群组的信息，获取所述终端设备所属的分类群组对应的待训练的目标业务的初始风险防控模型，并将所述初始风险防控模型下发到所述终端设备，以使所述终端设备基于预先存储的训练样本数据对所述初始风险防控模型进行模型训练，得到所述终端设备对应的风险防控子模型，所述训练样本数据中至少包括与所述终端设备的用户和所述目标业务相关的数据；
接收所述终端设备发送的所述风险防控子模型，并对所述终端设备发送的所述风险防控子模型和所述终端设备所属的分类群组中的其它终端设备提供的风险防控子模型进行模型融合处理，得到所述终端设备所属的分类群组对应的风险防控模型，所述其它终端设备提供的风险防控子模型是所述其它终端设备基于所述其它终端设备中预先存储的训练样本数据对所述初始风险防控模型进行模型训练得到；
将所述风险防控模型发送给所述终端设备，以使所述终端设备基于所述风险防控模型对获取的所述目标业务的数据进行风险防控处理。
本说明书实施例中，还包括：
向所述终端设备下发待训练的第一模型，所述第一模型中的模型参数的参数值为随机产生的参数值或预设的参数值，以使所述终端设备基于所述训练样本数据对所述第一模型进行模型训练，得到训练后的第一模型，并将所述训练后的第一模型中的预设网络层中的参数和相应的参数值发送给所述服务器；
接收所述终端设备发送的所述训练后的第一模型中的预设网络层中的参数和相应的参数值，并基于训练后的第一模型中的预设网络层中的参数和相应的参数值，通过预设的聚类算法对所述终端设备进行聚类，得到所述终端设备所属的分类群组。
本说明书实施例中，还包括：
接收所述终端设备发送的训练后的所述风险防控模型，训练后的所述风险防控模型是所述终端设备在检测到所述训练样本数据被更新时，基于更新后的所述训练样本数据对所述风险防控模型进行模型训练得到；
基于训练后的所述风险防控模型，对所述终端设备所属的分类群组对应的风险防控模型进行更新，得到更新后的风险防控模型；
将更新后的风险防控模型发送给所述终端设备，以使所述终端设备基于更新后的风险防控模型对所述目标业务的数据进行风险防控处理。
本说明书实施例提供一种存储介质，在接收到服务器下发的终端设备所属的分类群组对应的待训练的目标业务的初始风险防控模型时，基于预先存储的训练样本数据对初始风险防控模型进行模型训练，得到终端设备对应的风险防控子模型，其中，该训练样本数据中至少包括与终端设备的用户和目标业务相关的数据，然后，将风险防控子模型发送给服务器，服务器对终端设备所属的分类群组中的不同终端设备提供的风险防控子模型进行模型融合处理，得到终端设备所属的分类群组对应的风险防控模型，终端设备使用服务器提供的该终端设备所属的分类群组对应的风险防控模型对获取的所述目标业务的数据进行风险防控处理，这样，通过联邦学习的方式确定风险防控模型，从而实现了基于终端与服务器共享学习的个性化风险防控，而且上述方式不仅可以保护隐私数据，还可以减少终端设备和服务器之间的交互，减轻服务器计算压力，并可以提高风险防控模型的灵活性。
此外，基于用户的相关数据进行聚类，为每个类别群体的用户定制个性化的风险防控模型，而且，通过聚类算法结合联邦学习的方式对风险防控模型进行训练，可以实现你高端设备中的数据不需传输给服务器，从而保护了用户隐私。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device，PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书一个或多个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，本说明书一个或多个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。
本说明书的实施例是参照根据本说明书实施例的方法、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欺诈案例的串并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欺诈案例的串并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欺诈案例的串并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欺诈案例的串并设备上，使得在计算机或其他可编程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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商品或者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、商品或者设备所固有的要素。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、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个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，本说明书一个或多个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。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，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。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (20)

1.一种风险防控方法，应用于终端设备，所述方法包括：
接收服务器下发的所述终端设备所属的分类群组对应的待训练的目标业务的初始风险防控模型；
基于预先存储的训练样本数据对所述初始风险防控模型进行模型训练，得到所述终端设备对应的风险防控子模型，所述训练样本数据中至少包括与所述终端设备的用户和所述目标业务相关的数据；
将所述风险防控子模型发送给所述服务器，以使所述服务器对所述终端设备所属的分类群组中的不同终端设备提供的风险防控子模型进行模型融合处理，得到所述终端设备所属的分类群组对应的风险防控模型；
接收所述服务器发送的所述终端设备所属的分类群组对应的风险防控模型，并基于所述风险防控模型对获取的所述目标业务的数据进行风险防控处理。
2.根据权利要求1所述的方法，所述初始风险防控模型由预设的神经网络模型构建。
3.根据权利要求1所述的方法，所述将所述风险防控子模型发送给所述服务器，包括：
使用预设的第一加密算法对所述风险防控子模型进行加密处理，得到加密后的风险防控子模型，并将所述加密后的风险防控子模型发送给所述服务器。
4.根据权利要求1所述的方法，所述方法还包括：
接收服务器下发的待训练的第一模型，所述第一模型中的模型参数的参数值为随机产生的参数值或预设的参数值；
基于所述训练样本数据对所述第一模型进行模型训练，得到训练后的第一模型，并获取所述训练后的第一模型中的预设网络层中的参数和相应的参数值；
将所述训练后的第一模型中的预设网络层中的参数和相应的参数值发送给所述服务器，以使所述服务器基于不同终端设备提供的训练后的第一模型中的预设网络层中的参数和相应的参数值，对不同的终端设备进行聚类，得到不同终端设备所属的分类群组。
5.根据权利要求4所述的方法，所述第一模型由预设的神经网络模型构建，所述第一模型与所述初始风险防控模型不同。
6.根据权利要求4所述的方法，所述终端设备所属的分类群组是所述服务器基于不同终端设备提供的训练后的第一模型中的预设网络层中的参数和相应的参数值，通过预设的聚类算法对不同的终端设备进行聚类得到。
7.根据权利要求6所述的方法，所述聚类算法为K-means聚类算法。
8.根据权利要求4所述的方法，所述将所述训练后的第一模型中的预设网络层中的参数和相应的参数值发送给所述服务器，包括：
使用预设的第二加密算法对所述训练后的第一模型中的预设网络层中的参数和相应的参数值进行加密处理，得到加密后的参数和相应的加密后的参数值，并将加密后的参数和相应的加密后的参数值发送给所述服务器。
9.根据权利要求1所述的方法，所述基于所述风险防控模型对获取的所述目标业务的数据进行风险防控处理，包括：
获取待检测的所述目标业务的业务数据；
将所述业务数据输入到所述风险防控模型中，以对所述业务数据是否存在预设风险进行检测，得到相应的检测结果；
如果所述检测结果指示所述业务数据存在预设风险，则取消所述终端设备执行所述目标业务的业务处理。
10.根据权利要求1所述的方法，所述方法还包括：
如果检测到所述训练样本数据被更新，则获取更新后的训练样本数据；
基于更新后的训练样本数据对所述风险防控模型进行模型训练，得到训练后的风险防控模型，并基于训练后的风险防控模型对所述目标业务的数据进行风险防控处理。
11.根据权利要求1所述的方法，所述方法还包括：
如果检测到所述训练样本数据被更新，则获取更新后的所述训练样本数据；
基于更新后的所述训练样本数据对所述风险防控模型进行模型训练，得到训练后的风险防控模型，并将训练后的风险防控模型发送给所述服务器，以使所述服务器对所述终端设备所属的分类群组对应的风险防控模型进行更新，得到更新后的风险防控模型；
接收所述服务器发送的更新后的风险防控模型，并基于更新后的风险防控模型对所述目标业务的数据进行风险防控处理。
12.一种风险防控方法，应用于服务器，所述方法包括：
获取终端设备所属的分类群组的信息；
基于所述终端设备所属的分类群组的信息，获取所述终端设备所属的分类群组对应的待训练的目标业务的初始风险防控模型，并将所述初始风险防控模型下发到所述终端设备，以使所述终端设备基于预先存储的训练样本数据对所述初始风险防控模型进行模型训练，得到所述终端设备对应的风险防控子模型，所述训练样本数据中至少包括与所述终端设备的用户和所述目标业务相关的数据；
接收所述终端设备发送的所述风险防控子模型，并对所述终端设备发送的所述风险防控子模型和所述终端设备所属的分类群组中的其它终端设备提供的风险防控子模型进行模型融合处理，得到所述终端设备所属的分类群组对应的风险防控模型，所述其它终端设备提供的风险防控子模型是所述其它终端设备基于所述其它终端设备中预先存储的训练样本数据对所述初始风险防控模型进行模型训练得到；
将所述风险防控模型发送给所述终端设备，以使所述终端设备基于所述风险防控模型对获取的所述目标业务的数据进行风险防控处理。
13.根据权利要求12所述的方法，所述方法还包括：
向所述终端设备下发待训练的第一模型，所述第一模型中的模型参数的参数值为随机产生的参数值或预设的参数值，以使所述终端设备基于所述训练样本数据对所述第一模型进行模型训练，得到训练后的第一模型，并将所述训练后的第一模型中的预设网络层中的参数和相应的参数值发送给所述服务器；
接收所述终端设备发送的所述训练后的第一模型中的预设网络层中的参数和相应的参数值，并基于训练后的第一模型中的预设网络层中的参数和相应的参数值，通过预设的聚类算法对所述终端设备进行聚类，得到所述终端设备所属的分类群组。
14.根据权利要求12所述的方法，所述方法还包括：
接收所述终端设备发送的训练后的所述风险防控模型，训练后的所述风险防控模型是所述终端设备在检测到所述训练样本数据被更新时，基于更新后的所述训练样本数据对所述风险防控模型进行模型训练得到；
基于训练后的所述风险防控模型，对所述终端设备所属的分类群组对应的风险防控模型进行更新，得到更新后的风险防控模型；
将更新后的风险防控模型发送给所述终端设备，以使所述终端设备基于更新后的风险防控模型对所述目标业务的数据进行风险防控处理。
15.一种风险防控装置，所述装置包括：
初始模型接收模块，接收服务器下发的所述装置所属的分类群组对应的待训练的目标业务的初始风险防控模型；
子模型训练模块，基于预先存储的训练样本数据对所述初始风险防控模型进行模型训练，得到所述装置对应的风险防控子模型，所述训练样本数据中至少包括与所述装置的用户和所述目标业务相关的数据；
子模型发送模块，将所述风险防控子模型发送给所述服务器，以使所述服务器对所述装置所属的分类群组中的不同终端设备提供的风险防控子模型进行模型融合处理，得到所述装置所属的分类群组对应的风险防控模型；
风险防控模块，接收所述服务器发送的所述装置所属的分类群组对应的风险防控模型，并基于所述风险防控模型对获取的所述目标业务的数据进行风险防控处理。
16.一种风险防控装置，所述装置包括：
群组信息获取模块，获取终端设备所属的分类群组的信息；
初始模型下发模块，基于所述终端设备所属的分类群组的信息，获取所述终端设备所属的分类群组对应的待训练的目标业务的初始风险防控模型，并将所述初始风险防控模型下发到所述终端设备，以使所述终端设备基于预先存储的训练样本数据对所述初始风险防控模型进行模型训练，得到所述终端设备对应的风险防控子模型，所述训练样本数据中至少包括与所述终端设备的用户和所述目标业务相关的数据；
子模型接收模块，接收所述终端设备发送的所述风险防控子模型，并对所述终端设备发送的所述风险防控子模型和所述终端设备所属的分类群组中的其它终端设备提供的风险防控子模型进行模型融合处理，得到所述终端设备所属的分类群组对应的风险防控模型，所述其它终端设备提供的风险防控子模型是所述其它终端设备基于所述其它终端设备中预先存储的训练样本数据对所述初始风险防控模型进行模型训练得到；
风控模型下发模块，将所述风险防控模型发送给所述终端设备，以使所述终端设备基于所述风险防控模型对获取的所述目标业务的数据进行风险防控处理。
17.一种风险防控设备，所述风险防控设备包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：
接收服务器下发的所述设备所属的分类群组对应的待训练的目标业务的初始风险防控模型；
基于预先存储的训练样本数据对所述初始风险防控模型进行模型训练，得到所述设备对应的风险防控子模型，所述训练样本数据中至少包括与所述设备的用户和所述目标业务相关的数据；
将所述风险防控子模型发送给所述服务器，以使所述服务器对所述设备所属的分类群组中的不同终端设备提供的风险防控子模型进行模型融合处理，得到所述设备所属的分类群组对应的风险防控模型；
接收所述服务器发送的所述设备所属的分类群组对应的风险防控模型，并基于所述风险防控模型对获取的所述目标业务的数据进行风险防控处理。
18.一种风险防控设备，所述风险防控设备包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：
获取终端设备所属的分类群组的信息；
基于所述终端设备所属的分类群组的信息，获取所述终端设备所属的分类群组对应的待训练的目标业务的初始风险防控模型，并将所述初始风险防控模型下发到所述终端设备，以使所述终端设备基于预先存储的训练样本数据对所述初始风险防控模型进行模型训练，得到所述终端设备对应的风险防控子模型，所述训练样本数据中至少包括与所述终端设备的用户和所述目标业务相关的数据；
接收所述终端设备发送的所述风险防控子模型，并对所述终端设备发送的所述风险防控子模型和所述终端设备所属的分类群组中的其它终端设备提供的风险防控子模型进行模型融合处理，得到所述终端设备所属的分类群组对应的风险防控模型，所述其它终端设备提供的风险防控子模型是所述其它终端设备基于所述其它终端设备中预先存储的训练样本数据对所述初始风险防控模型进行模型训练得到；
将所述风险防控模型发送给所述终端设备，以使所述终端设备基于所述风险防控模型对获取的所述目标业务的数据进行风险防控处理。
19.一种存储介质，所述存储介质用于存储计算机可执行指令，所述可执行指令在被执行时实现以下流程：
接收服务器下发的终端设备所属的分类群组对应的待训练的目标业务的初始风险防控模型；
基于预先存储的训练样本数据对所述初始风险防控模型进行模型训练，得到所述终端设备对应的风险防控子模型，所述训练样本数据中至少包括与所述终端设备的用户和所述目标业务相关的数据；
将所述风险防控子模型发送给所述服务器，以使所述服务器对所述终端设备所属的分类群组中的不同终端设备提供的风险防控子模型进行模型融合处理，得到所述终端设备所属的分类群组对应的风险防控模型；
接收所述服务器发送的所述终端设备所属的分类群组对应的风险防控模型，并基于所述风险防控模型对获取的所述目标业务的数据进行风险防控处理。
20.一种存储介质，所述存储介质用于存储计算机可执行指令，所述可执行指令在被执行时实现以下流程：
获取终端设备所属的分类群组的信息；
基于所述终端设备所属的分类群组的信息，获取所述终端设备所属的分类群组对应的待训练的目标业务的初始风险防控模型，并将所述初始风险防控模型下发到所述终端设备，以使所述终端设备基于预先存储的训练样本数据对所述初始风险防控模型进行模型训练，得到所述终端设备对应的风险防控子模型，所述训练样本数据中至少包括与所述终端设备的用户和所述目标业务相关的数据；
接收所述终端设备发送的所述风险防控子模型，并对所述终端设备发送的所述风险防控子模型和所述终端设备所属的分类群组中的其它终端设备提供的风险防控子模型进行模型融合处理，得到所述终端设备所属的分类群组对应的风险防控模型，所述其它终端设备提供的风险防控子模型是所述其它终端设备基于所述其它终端设备中预先存储的训练样本数据对所述初始风险防控模型进行模型训练得到；
将所述风险防控模型发送给所述终端设备，以使所述终端设备基于所述风险防控模型对获取的所述目标业务的数据进行风险防控处理。
CN202110631595.0A 2021-06-07 2021-06-07 一种风险防控方法、装置及设备 Active CN113312667B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110631595.0A CN113312667B (zh) 2021-06-07 2021-06-07 一种风险防控方法、装置及设备
PCT/CN2022/093895 WO2022257723A1 (zh) 2021-06-07 2022-05-19 风险防控的方法、装置及设备
US18/526,555 US20240104570A1 (en) 2021-06-07 2023-12-01 Risk prevention and control methods, apparatuses, and devices

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110631595.0A CN113312667B (zh) 2021-06-07 2021-06-07 一种风险防控方法、装置及设备

Publications (2)

Publication Number Publication Date
CN113312667A true CN113312667A (zh) 2021-08-27
CN113312667B CN113312667B (zh) 2022-09-02

Family

ID=77377926

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110631595.0A Active CN113312667B (zh) 2021-06-07 2021-06-07 一种风险防控方法、装置及设备

Country Status (3)

Country Link
US (1) US20240104570A1 (zh)
CN (1) CN113312667B (zh)
WO (1) WO2022257723A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113992429A (zh) * 2021-12-22 2022-01-28 支付宝(杭州)信息技术有限公司 一种事件的处理方法、装置及设备
CN114090243A (zh) * 2021-11-10 2022-02-25 支付宝(杭州)信息技术有限公司 模型计算方法和装置
CN114819614A (zh) * 2022-04-22 2022-07-29 支付宝(杭州)信息技术有限公司 数据处理方法、装置、系统及设备
WO2022257723A1 (zh) * 2021-06-07 2022-12-15 支付宝(杭州)信息技术有限公司 风险防控的方法、装置及设备
CN115545720A (zh) * 2022-11-29 2022-12-30 支付宝(杭州)信息技术有限公司 一种模型训练的方法、业务风控的方法及装置
WO2024060227A1 (zh) * 2022-09-23 2024-03-28 Oppo广东移动通信有限公司 模型生成方法、信息处理方法和设备

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220414528A1 (en) * 2021-06-24 2022-12-29 Paypal, Inc. Edge Device Machine Learning
CN115952859B (zh) * 2023-03-01 2023-05-23 支付宝(杭州)信息技术有限公司 数据处理方法、装置及设备
CN116070916B (zh) * 2023-03-06 2023-06-16 支付宝(杭州)信息技术有限公司 数据处理方法、装置及设备
CN116151627B (zh) * 2023-04-04 2023-09-01 支付宝(杭州)信息技术有限公司 一种业务风控的方法、装置、存储介质及电子设备
CN116797829B (zh) * 2023-06-13 2024-06-14 北京百度网讯科技有限公司 一种模型生成方法、图像分类方法、装置、设备及介质

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105490841A (zh) * 2015-11-26 2016-04-13 广州华多网络科技有限公司 一种终端日志抓取方法、装置及系统
US20200050710A1 (en) * 2018-08-09 2020-02-13 Autodesk, Inc. Techniques for generating designs that reflect stylistic preferences
CN111008709A (zh) * 2020-03-10 2020-04-14 支付宝(杭州)信息技术有限公司 联邦学习、资料风险评估方法、装置和系统
CN111831523A (zh) * 2020-06-24 2020-10-27 上海识装信息科技有限公司 一种客户端无感知排查线上问题的方法及系统
CN111866869A (zh) * 2020-07-07 2020-10-30 兰州交通大学 面向边缘计算的联邦学习室内定位隐私保护方法
WO2020229684A1 (en) * 2019-05-16 2020-11-19 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Concepts for federated learning, client classification and training data similarity measurement
CN112181971A (zh) * 2020-10-27 2021-01-05 华侨大学 一种基于边缘的联邦学习模型清洗和设备聚类方法、系统、设备和可读存储介质
CN112256874A (zh) * 2020-10-21 2021-01-22 平安科技（深圳）有限公司 模型训练方法、文本分类方法、装置、计算机设备和介质
CN112270597A (zh) * 2020-11-10 2021-01-26 恒安嘉新（北京）科技股份公司 业务处理、信用评价模型训练方法、装置、设备及介质
CN112465626A (zh) * 2020-11-24 2021-03-09 平安科技（深圳）有限公司 基于客户端分类聚合的联合风险评估方法及相关设备
CN112488322A (zh) * 2020-12-15 2021-03-12 杭州电子科技大学 一种基于数据特征感知聚合的联邦学习模型训练方法
CN112712182A (zh) * 2021-03-29 2021-04-27 腾讯科技（深圳）有限公司 一种基于联邦学习的模型训练方法、装置及存储介质
CN112819180A (zh) * 2021-01-26 2021-05-18 华中科技大学 一种基于联邦生成模型的多业务数据生成方法和装置
CN112819156A (zh) * 2021-01-26 2021-05-18 支付宝(杭州)信息技术有限公司 一种数据处理方法、装置及设备
CN112884164A (zh) * 2021-03-18 2021-06-01 中国地质大学（北京） 面向智能移动终端实现的联邦机器学习迁移方法与系统
CN112906903A (zh) * 2021-01-11 2021-06-04 北京源堡科技有限公司 网络安全风险预测方法、装置、存储介质及计算机设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11580475B2 (en) * 2018-12-20 2023-02-14 Accenture Global Solutions Limited Utilizing artificial intelligence to predict risk and compliance actionable insights, predict remediation incidents, and accelerate a remediation process
CN110222880B (zh) * 2019-05-20 2023-12-19 创新先进技术有限公司 业务风险的确定方法、模型训练方法和数据处理方法
CN111738628B (zh) * 2020-08-14 2020-12-08 支付宝(杭州)信息技术有限公司 一种风险群组识别方法及装置
CN113312667B (zh) * 2021-06-07 2022-09-02 支付宝(杭州)信息技术有限公司 一种风险防控方法、装置及设备

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105490841A (zh) * 2015-11-26 2016-04-13 广州华多网络科技有限公司 一种终端日志抓取方法、装置及系统
US20200050710A1 (en) * 2018-08-09 2020-02-13 Autodesk, Inc. Techniques for generating designs that reflect stylistic preferences
WO2020229684A1 (en) * 2019-05-16 2020-11-19 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Concepts for federated learning, client classification and training data similarity measurement
CN111008709A (zh) * 2020-03-10 2020-04-14 支付宝(杭州)信息技术有限公司 联邦学习、资料风险评估方法、装置和系统
CN111831523A (zh) * 2020-06-24 2020-10-27 上海识装信息科技有限公司 一种客户端无感知排查线上问题的方法及系统
CN111866869A (zh) * 2020-07-07 2020-10-30 兰州交通大学 面向边缘计算的联邦学习室内定位隐私保护方法
CN112256874A (zh) * 2020-10-21 2021-01-22 平安科技（深圳）有限公司 模型训练方法、文本分类方法、装置、计算机设备和介质
CN112181971A (zh) * 2020-10-27 2021-01-05 华侨大学 一种基于边缘的联邦学习模型清洗和设备聚类方法、系统、设备和可读存储介质
CN112270597A (zh) * 2020-11-10 2021-01-26 恒安嘉新（北京）科技股份公司 业务处理、信用评价模型训练方法、装置、设备及介质
CN112465626A (zh) * 2020-11-24 2021-03-09 平安科技（深圳）有限公司 基于客户端分类聚合的联合风险评估方法及相关设备
CN112488322A (zh) * 2020-12-15 2021-03-12 杭州电子科技大学 一种基于数据特征感知聚合的联邦学习模型训练方法
CN112906903A (zh) * 2021-01-11 2021-06-04 北京源堡科技有限公司 网络安全风险预测方法、装置、存储介质及计算机设备
CN112819180A (zh) * 2021-01-26 2021-05-18 华中科技大学 一种基于联邦生成模型的多业务数据生成方法和装置
CN112819156A (zh) * 2021-01-26 2021-05-18 支付宝(杭州)信息技术有限公司 一种数据处理方法、装置及设备
CN112884164A (zh) * 2021-03-18 2021-06-01 中国地质大学（北京） 面向智能移动终端实现的联邦机器学习迁移方法与系统
CN112712182A (zh) * 2021-03-29 2021-04-27 腾讯科技（深圳）有限公司 一种基于联邦学习的模型训练方法、装置及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
何雯等: "基于联邦学习的企业数据共享探讨", 《信息与电脑(理论版)》 *
李云红等: "基于层次聚类多任务学习的人类行为识别", 《自动化仪表》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022257723A1 (zh) * 2021-06-07 2022-12-15 支付宝(杭州)信息技术有限公司 风险防控的方法、装置及设备
CN114090243A (zh) * 2021-11-10 2022-02-25 支付宝(杭州)信息技术有限公司 模型计算方法和装置
CN113992429A (zh) * 2021-12-22 2022-01-28 支付宝(杭州)信息技术有限公司 一种事件的处理方法、装置及设备
CN113992429B (zh) * 2021-12-22 2022-04-29 支付宝(杭州)信息技术有限公司 一种事件的处理方法、装置及设备
CN114819614A (zh) * 2022-04-22 2022-07-29 支付宝(杭州)信息技术有限公司 数据处理方法、装置、系统及设备
WO2024060227A1 (zh) * 2022-09-23 2024-03-28 Oppo广东移动通信有限公司 模型生成方法、信息处理方法和设备
CN115545720A (zh) * 2022-11-29 2022-12-30 支付宝(杭州)信息技术有限公司 一种模型训练的方法、业务风控的方法及装置
CN115545720B (zh) * 2022-11-29 2023-03-10 支付宝(杭州)信息技术有限公司 一种模型训练的方法、业务风控的方法及装置

Also Published As

Publication number Publication date
US20240104570A1 (en) 2024-03-28
WO2022257723A1 (zh) 2022-12-15
CN113312667B (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
CN113312667B (zh) 一种风险防控方法、装置及设备
CN110457912B (zh) 数据处理方法、装置和电子设备
CN114818973B (zh) 一种基于隐私保护的图模型训练方法、装置及设备
CN109948641B (zh) 异常群体识别方法及装置
CN111523431B (zh) 一种面部识别的方法、装置及设备
CN111538869B (zh) 一种交易异常群组的检测方法、装置及设备
CN109583224B (zh) 一种用户隐私数据处理方法、装置、设备及系统
CN110569428A (zh) 一种推荐模型的构建方法、装置及设备
CN113221747B (zh) 一种基于隐私保护的隐私数据处理方法、装置及设备
CN110008394B (zh) 一种舆情信息的识别方法、装置及设备
CN112035881B (zh) 一种基于隐私保护的应用程序识别方法、装置及设备
CN110634030A (zh) 应用的业务指标挖掘方法、装置及设备
CN111753328B (zh) 隐私数据的泄露风险检测方法及系统
CN112966113A (zh) 一种数据的风险防控方法、装置及设备
CN114817984A (zh) 数据处理方法、装置、系统及设备
CN114638005A (zh) 基于区块链的数据处理方法、装置及系统、存储介质
CN112819156A (zh) 一种数据处理方法、装置及设备
CN113221717A (zh) 一种基于隐私保护的模型构建方法、装置及设备
CN113992429B (zh) 一种事件的处理方法、装置及设备
CN113569873B (zh) 一种图像的处理方法、装置及设备
CN114638998A (zh) 模型更新方法、装置、系统及设备
CN115545943A (zh) 一种图谱的处理方法、装置及设备
CN112967044A (zh) 一种支付业务的处理方法及装置
CN112818119A (zh) 一种信息的处理方法、装置及设备
CN117972436B (zh) 大语言模型的训练方法、训练装置、存储介质及电子设备

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