CN113807723A - 用于知识图谱的风险识别方法 - Google Patents

用于知识图谱的风险识别方法 Download PDF

Info

Publication number
CN113807723A
CN113807723A CN202111123092.9A CN202111123092A CN113807723A CN 113807723 A CN113807723 A CN 113807723A CN 202111123092 A CN202111123092 A CN 202111123092A CN 113807723 A CN113807723 A CN 113807723A
Authority
CN
China
Prior art keywords
node
knowledge graph
identification method
risk identification
tested
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
CN202111123092.9A
Other languages
English (en)
Other versions
CN113807723B (zh
Inventor
张浚脯
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.)
Chongqing Fumin Bank Co Ltd
Original Assignee
Chongqing Fumin Bank 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 Chongqing Fumin Bank Co Ltd filed Critical Chongqing Fumin Bank Co Ltd
Priority to CN202111123092.9A priority Critical patent/CN113807723B/zh
Publication of CN113807723A publication Critical patent/CN113807723A/zh
Application granted granted Critical
Publication of CN113807723B publication Critical patent/CN113807723B/zh
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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063114—Status monitoring or status determination for a person or group
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及数据处理技术领域，本发明意在提供一种用于知识图谱的风险识别方法，以提高风险识别的准确性。本发明一种用于知识图谱的风险识别方法，该方法包括以下内容，获取某一已知节点及其属性，以及获取某一待测节点，其中：还包括，根据已知节点和待测节点之间链接的时间数据以及链接的关联关系数据，预测待测节点的潜在属性。本发明在贷前欺诈风险识别阶段，新增对客户风险的前置判断，在节省大量人力的情况下，对于潜在坏客户的识别也保证了精准度以及时效性；配合调查和催收团队能够提前对预测出高风险标签客户进行风险控制。

Description

用于知识图谱的风险识别方法
技术领域
本发明涉及计算机模型技术领域，具体为一种用于知识图谱的风险识别方法。
背景技术
知识图谱在反欺诈风险防控领域的应用中，通常会基于部分已知属性的节点，去预测与之存在关系的其他节点的潜在属性。在不同的算法评估过程中，属性的传播很重要的一点是节点之间的链接，大部分节点之间的链接强度通常是给予相同的权重，例如：在反欺诈的风险识别中，以节点是客户，属性为信用等级低为例，已知节点A客户的属性为信用等级低，需要预测节点B客户的潜在属性。节点之间的链接是什么呢？通俗的讲是指节点A客户和节点B客户之间的关联关系，比如节点A客户和节点B客户共用一个设备或者共用一个IP或者共用一个电话；大部分节点之间的链接强度通常是给予相同的权重是指：节点A客户和节点B客户是共用一个设备，而节点A客户和节点C客户是共用一个IP，但是现有技术中，对于节点B客户和节点C客户分配的链接强度的权重都是0.5，并没有基于不同得到关联关系进行不同的权重赋值，并且现有技术中，在进行其他节点的潜在属性的预测时，也未考虑时间数据，导致预测的准确度较低，并且时效性差。
发明内容
本发明意在提供一种用于知识图谱的风险识别方法，以提高风险识别的准确性和时效性。
本发明一种用于知识图谱的风险识别方法，该方法包括以下内容，获取某一已知节点及其属性，以及获取某一待测节点，其中：还包括，根据已知节点和待测节点之间链接的时间数据以及链接的关联关系数据，预测待测节点的潜在属性。
有益效果：在已知节点和待测节点之间链接中考虑时间数据以及链接的关联关系数据后，已知节点在对外传播时，与之关联的待测节点会因为时间数据以及链接的关联关系数据的不同，导致预测的潜在属性具有差异性，比如更加强烈的关联关系以及时间更近的关联会使得待测节点更容易被感染，从而预测的待测节点的潜在属性也更加精准；配合反欺诈后续的调查，在节省大量人力的情况下，对于潜在坏客户的识别也保证了精准度以及时效性；配合调查和催收团队能够提前对预测出高风险标签客户进行风险控制。
进一步：所述的已知节点和待测节点均采用客户的身份信息。在反欺诈风险防控领域，主要是为了防止有些客户存在欺诈行为，因此已知节点和待测节点主要是针对客户，采用客户的身份信息，一是系统调取方便，另外客户身份信息存在唯一性，通常不会存在误判的情况。
进一步：所述的属性和潜在属性均包括但不限于逾期、信用等级低或者欺诈行为中的一种。以上各种属性主要是作为判断一个客户存在欺诈风险的因素，当然也可以包含其他用于判断存在欺诈与否的属性。
进一步：所述的时间数据是指：获取已知节点和待测节点之间存在关联关系的时间段，将该时间段与当前进行预测的时间点进行比较，生成比较结果，该比较结果记为时间戳。
采用此种方式，将比较结果记为时间戳，时间戳更小的关联会使得待测节点更容易被感染，从而预测的待测节点的潜在属性也更加精准。
进一步：所述的关联关系数据包括但不限于共用设备、共用IP、共用电话或者共用GPS中的一种。以上各种关联关系均是已知节点和待测节点之间存在关联关系的比较直观的证明，采用以上各种关联关系更容易查找和调取数据，并且更容易进行预测。
进一步：已知节点和待测节点之间链接的关联关系类型不同赋值不同。关联关系有强有弱，不同的关联关系对于潜在属性的预测的影响是不同的，因此采用不同的赋值方式。
进一步：根据已知节点和待测节点之间链接的时间数据以及链接的关联关系数据，预测待测节点的潜在属性的计算公式是：
Figure BDA0003277901970000021
其中，函数(Edge(a,b))表示已知节点a和待测b之间关联关系的数量，i表示关联关系类型；(ρCT-t(a,b))是一个阻尼因子，CT表示当前时间，函数t(a,b)表示已知节点a和待测节点b之间最近的时间戳，ρ是区间[0,1]的参数。
进一步：ρ以0.1为刻度，进行测试，筛选最优衰减参数，ρ的敏感程度高低顺序依次是：电话、设备、IP以及GPS。
有益效果：相比于现有技术中，对于两个节点之间的链接强度通常是给予相同的权重的方式(即背景技术所述节点之间的链接强度通常是给予相同的权重是指：节点A客户和节点B客户是共用一个设备，而节点A客户和节点C客户是共用一个IP，但是现有技术中，对于节点B客户和节点C客户分配的链接强度的权重都是0.5，并没有基于不同得到关联关系进行不同的权重赋值)，本发明提出了一种全新的加权传播模型算法以及一种基于关联关系类型和时间数据的传播权重计算公式，不仅基于不同的关联关系类型进行不同的赋值，而且也考虑了时间数据，两个节点之间具备关联关系的时间段越接近当前时间点(即时间戳越小)的关联会使得待测节点更容易被感染，现有技术中并没有考虑时间因素，因此本发明上述模型在预测待测节点的潜在属性时，更精准，时效性更强。
附图说明
图1为本发明用于知识图谱的风险识别方法实施例的流程示意图。
具体实施方式
下面通过具体实施方式进一步详细说明：
用于知识图谱的风险识别方法，包括以下内容，获取某一已知节点及其属性，以及获取某一待测节点，根据已知节点和待测节点之间链接的时间数据以及链接的关联关系数据，预测待测节点的潜在属性。
具体的，本实施例中所述的已知节点和待测节点均采用客户的身份信息，比如客户的身份证号或者社保卡号。所述的属性和潜在属性均包括但不限于逾期、信用等级低或者欺诈行为中的一种。所述的关联关系数据包括但不限于共用设备、共用IP、共用电话或者共用GPS中的一种。已知节点和待测节点之间链接的关联关系类型不同赋值不同。所述的时间数据是指：获取已知节点和待测节点之间存在关联关系的时间段，将该时间段与当前进行预测的时间点进行比较，生成比较结果，该比较结果记为时间戳。两个节点之间具备关联关系的时间段越接近当前时间点(即时间戳越小)的关联会使得待测节点更容易被感染。
更具体的，根据已知节点和待测节点之间链接的时间数据以及链接的关联关系数据，预测待测节点的潜在属性的计算公式是：
Figure BDA0003277901970000031
其中，函数(Edge(a,b))表示已知节点a和待测b之间关联关系的数量，i表示关联关系类型(如设备、电话、IP、GPS)；不同类型，赋予的值是不一样的，比如已知节点a和待测节点b有两个设备具有关联关系，Edge(a,b)＝2*1＝2，假如已知节点a和待测节点b是一个IP边，Edge(a,b)＝1*0.8＝0.8，这是由于设备和IP的重要性不一样。
(ρCT-t(a,b))是一个阻尼因子，CT表示当前时间，函数t(a,b)表示已知节点a和待测节点b之间最近的时间戳，ρ是区间[0,1]的参数。ρCT-t(a,b)是一个指数函数，ρ作为[0,1]的底数，使得指数函数呈现单调递减；使用ρ来校准加权过程中关联关系的重要性和敏感性，比如电话号码的ρ就是最高的，如果时间差距越大，ρCT-t(a,b)下降就会更快，这是由于人们更改电话号码的可能性更高。ρ的较高(或较低)值在加权定义中增强(或衰减)时间的影响。
ρ通过以0.1为刻度，测试0.1到0.9总共9个不同变量值的影响，筛选出最优衰减参数；ρ的敏感程度高低顺序依次是：电话、设备、IP以及GPS。
本实施例提出了一种全新的加权传播模型算法以及一种基于关联关系类型和时间数据的传播权重计算公式，不仅基于不同的关联关系类型赋值不同，而且也考虑了时间数据，两个节点之间具备关联关系的时间段越接近当前时间点(即时间戳越小)的关联会使得待测节点更容易被感染，现有技术中并没有考虑时间因素，预测的准确性低，本实施例基于上述模型算法以及传播权重计算公式在预测待测节点的潜在属性时，更精准，时效性更强。
以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims (8)

1.用于知识图谱的风险识别方法，该方法包括以下内容，获取某一已知节点及其属性，以及获取某一待测节点，其特征在于：还包括，根据已知节点和待测节点之间链接的时间数据以及链接的关联关系数据，预测待测节点的潜在属性。
2.根据权利要求1所述的用于知识图谱的风险识别方法，其特征在于：所述的已知节点和待测节点均采用客户的不可逆的加密身份信息。
3.根据权利要求1所述的用于知识图谱的风险识别方法，其特征在于：所述的属性和潜在属性均包括但不限于逾期、信用等级低或者欺诈行为中的一种。
4.根据权利要求1所述的用于知识图谱的风险识别方法，其特征在于：所述的时间数据是指：获取已知节点和待测节点之间存在关联关系的时间段，将该时间段与当前进行预测的时间点进行比较，生成比较结果，该比较结果记为时间戳。
5.根据权利要求1所述的用于知识图谱的风险识别方法，其特征在于：所述的关联关系数据包括但不限于共用设备、共用IP、共用电话或者共用GPS中的一种。
6.根据权利要求5所述的用于知识图谱的风险识别方法，其特征在于：已知节点和待测节点之间链接的关联关系类型不同赋值不同。
7.根据权利要求1、4或6所述的用于知识图谱的风险识别方法，其特征在于：根据已知节点和待测节点之间链接的时间数据以及链接的关联关系数据，预测待测节点的潜在属性的计算公式是：
Figure FDA0003277901960000011
其中，函数(Edge(a,b))表示已知节点a和待测b之间关联关系的数量，i表示关联关系类型；(ρCT-t(a,b))是一个阻尼因子，CT表示当前时间，函数t(a,b)表示已知节点a和待测节点b之间最近的时间戳，ρ是区间[0,1]的参数。
8.根据权利要求7所述的用于知识图谱的风险识别方法，其特征在于：ρ以0.1为刻度，进行测试，筛选最优衰减参数，ρ的敏感程度高低顺序依次是：电话、设备、IP以及GPS。
CN202111123092.9A 2021-09-24 2021-09-24 用于知识图谱的风险识别方法 Active CN113807723B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111123092.9A CN113807723B (zh) 2021-09-24 2021-09-24 用于知识图谱的风险识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111123092.9A CN113807723B (zh) 2021-09-24 2021-09-24 用于知识图谱的风险识别方法

Publications (2)

Publication Number Publication Date
CN113807723A true CN113807723A (zh) 2021-12-17
CN113807723B CN113807723B (zh) 2023-11-03

Family

ID=78896565

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111123092.9A Active CN113807723B (zh) 2021-09-24 2021-09-24 用于知识图谱的风险识别方法

Country Status (1)

Country Link
CN (1) CN113807723B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116308748A (zh) * 2023-03-19 2023-06-23 二十六度数字科技(广州)有限公司 一种基于知识图谱的用户欺诈行为判断系统

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011085497A1 (en) * 2010-01-14 2011-07-21 Evan V Chrapko Systems and methods for conducting more reliable financial transactions, credit decisions, and security assessments
CN104166702A (zh) * 2014-08-04 2014-11-26 浙江财经大学 一种面向服务供应链网络的服务推荐方法
US20170140262A1 (en) * 2012-03-09 2017-05-18 Nara Logics, Inc. Systems and methods for providing recommendations based on collaborative and/or content-based nodal interrelationships
CN106778894A (zh) * 2016-12-29 2017-05-31 大连理工大学 一种学术异构信息网络中作者合作关系预测的方法
CN107103403A (zh) * 2017-03-06 2017-08-29 广东工业大学 一种用cio/cto社交网络预测科技公司业绩的方法
EP3407564A1 (en) * 2017-05-26 2018-11-28 AlienVault, Inc. Detection system for network security threats
CN109299418A (zh) * 2018-07-23 2019-02-01 东南大学 一种基于网络嵌入的时序社交网络链接预测方法
CN109710621A (zh) * 2019-01-16 2019-05-03 福州大学 结合语义类节点与边权重的关键词搜索ksanew算法
CN109918511A (zh) * 2019-01-29 2019-06-21 华融融通（北京）科技有限公司 一种基于bfs和lpa的知识图谱反欺诈特征提取方法
CN109949046A (zh) * 2018-11-02 2019-06-28 阿里巴巴集团控股有限公司 风险团伙的识别方法和装置
CN110188198A (zh) * 2019-05-13 2019-08-30 北京一览群智数据科技有限责任公司 一种基于知识图谱的反欺诈方法及装置
CN110941664A (zh) * 2019-12-11 2020-03-31 北京百度网讯科技有限公司 知识图谱的构建方法、检测方法、装置、设备及存储介质
WO2020074456A1 (en) * 2018-10-08 2020-04-16 International Business Machines Corporation Blockchain timestamp agreement
CN111091287A (zh) * 2019-12-13 2020-05-01 南京三百云信息科技有限公司 风险对象识别方法、装置以及计算机设备
CN111199474A (zh) * 2019-12-16 2020-05-26 北京淇瑀信息科技有限公司 一种基于双方网络图数据的风险预测方法、装置和电子设备
CN111369258A (zh) * 2020-03-10 2020-07-03 支付宝(杭州)信息技术有限公司 实体对象类型的预测方法、装置及设备
CN112905340A (zh) * 2021-02-08 2021-06-04 中国工商银行股份有限公司 系统资源分配方法、装置及设备
CN113360671A (zh) * 2021-06-16 2021-09-07 浙江工业大学 一种基于知识图谱的医保医疗单据审核方法及其系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112987603B (zh) * 2019-12-02 2022-10-14 中国石油化工集团有限公司 一种基于gprs的节点地震仪器远程监控系统

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011085497A1 (en) * 2010-01-14 2011-07-21 Evan V Chrapko Systems and methods for conducting more reliable financial transactions, credit decisions, and security assessments
US20170140262A1 (en) * 2012-03-09 2017-05-18 Nara Logics, Inc. Systems and methods for providing recommendations based on collaborative and/or content-based nodal interrelationships
CN104166702A (zh) * 2014-08-04 2014-11-26 浙江财经大学 一种面向服务供应链网络的服务推荐方法
CN106778894A (zh) * 2016-12-29 2017-05-31 大连理工大学 一种学术异构信息网络中作者合作关系预测的方法
CN107103403A (zh) * 2017-03-06 2017-08-29 广东工业大学 一种用cio/cto社交网络预测科技公司业绩的方法
EP3407564A1 (en) * 2017-05-26 2018-11-28 AlienVault, Inc. Detection system for network security threats
CN109299418A (zh) * 2018-07-23 2019-02-01 东南大学 一种基于网络嵌入的时序社交网络链接预测方法
WO2020074456A1 (en) * 2018-10-08 2020-04-16 International Business Machines Corporation Blockchain timestamp agreement
CN109949046A (zh) * 2018-11-02 2019-06-28 阿里巴巴集团控股有限公司 风险团伙的识别方法和装置
CN109710621A (zh) * 2019-01-16 2019-05-03 福州大学 结合语义类节点与边权重的关键词搜索ksanew算法
CN109918511A (zh) * 2019-01-29 2019-06-21 华融融通（北京）科技有限公司 一种基于bfs和lpa的知识图谱反欺诈特征提取方法
CN110188198A (zh) * 2019-05-13 2019-08-30 北京一览群智数据科技有限责任公司 一种基于知识图谱的反欺诈方法及装置
CN110941664A (zh) * 2019-12-11 2020-03-31 北京百度网讯科技有限公司 知识图谱的构建方法、检测方法、装置、设备及存储介质
CN111091287A (zh) * 2019-12-13 2020-05-01 南京三百云信息科技有限公司 风险对象识别方法、装置以及计算机设备
CN111199474A (zh) * 2019-12-16 2020-05-26 北京淇瑀信息科技有限公司 一种基于双方网络图数据的风险预测方法、装置和电子设备
CN111369258A (zh) * 2020-03-10 2020-07-03 支付宝(杭州)信息技术有限公司 实体对象类型的预测方法、装置及设备
CN112905340A (zh) * 2021-02-08 2021-06-04 中国工商银行股份有限公司 系统资源分配方法、装置及设备
CN113360671A (zh) * 2021-06-16 2021-09-07 浙江工业大学 一种基于知识图谱的医保医疗单据审核方法及其系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
刘丽萍;操刘生;陈梦;: "基于AR模型和卡尔曼滤波的UWSNs节点分层预测定位", 天津大学学报(自然科学与工程技术版) *
楼叶;: "基于信息传播模型研究的舆情导控方法探寻", 信息网络安全 *
蒋楚钰: "基于pagerank 改进的公证人节点信用排序算法", 《信息安全研究》 *
鞠时光: "基于时间链接分析的页面排序优化算法", 计算机应用研究 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116308748A (zh) * 2023-03-19 2023-06-23 二十六度数字科技(广州)有限公司 一种基于知识图谱的用户欺诈行为判断系统
CN116308748B (zh) * 2023-03-19 2023-10-20 二十六度数字科技(广州)有限公司 一种基于知识图谱的用户欺诈行为判断系统

Also Published As

Publication number Publication date
CN113807723B (zh) 2023-11-03

Similar Documents

Publication Publication Date Title
US8311907B2 (en) System and method for detecting fraudulent transactions
TW201629824A (zh) 使用適應性行爲輪廓之異常檢測技術
CN113542279B (zh) 一种网络安全风险评估方法、系统及装置
CN110851872B (zh) 针对隐私数据泄漏的风险评估方法及装置
US11847216B2 (en) Analysis device, analysis method and computer-readable recording medium
CN110059293B (zh) 基金估值数据的数据质量的确定方法、装置和服务器
CN109344042B (zh) 异常操作行为的识别方法、装置、设备及介质
CN111786974A (zh) 一种网络安全评估方法、装置、计算机设备和存储介质
CN113553583A (zh) 信息系统资产安全风险评估方法与装置
CN110287703B (zh) 车辆安全风险检测的方法及装置
CN113807723A (zh) 用于知识图谱的风险识别方法
CN113765850B (zh) 物联网异常检测方法、装置、计算设备及计算机存储介质
CN116707924A (zh) 一种基于大数据分析的网络安全检测方法及系统
CN116362543A (zh) 一种融合信息安全和功能安全的综合风险评估方法及装置
CN111245815A (zh) 数据处理方法、装置、存储介质及电子设备
CN110808947A (zh) 一种自动化的脆弱性量化评估方法及系统
CN114884735A (zh) 一种基于安全态势的多源数据智能评估系统
CN110570301B (zh) 风险识别方法、装置、设备及介质
CN110532758B (zh) 一种针对群组的风险识别方法及装置
CN110046783B (zh) 冒用账户识别方法、装置、电子设备及存储介质
KR101872406B1 (ko) 악성코드들의 위험도를 정량적으로 결정하는 장치 및 방법
CN118094589A (zh) 一种安全级别评估方法及装置
CN111447082B (zh) 关联账号的确定方法、装置和关联数据对象的确定方法
CN115065509B (zh) 基于偏离函数的统计推断攻击的风险识别方法和装置
CN116032567B (zh) 未知网络威胁的风险描述方法、装置、设备及存储介质

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