CN114612083A - 自学习数字货币介质、支付方法和支付系统 - Google Patents
自学习数字货币介质、支付方法和支付系统 Download PDFInfo
- Publication number
- CN114612083A CN114612083A CN202210112996.XA CN202210112996A CN114612083A CN 114612083 A CN114612083 A CN 114612083A CN 202210112996 A CN202210112996 A CN 202210112996A CN 114612083 A CN114612083 A CN 114612083A
- Authority
- CN
- China
- Prior art keywords
- transaction
- digital currency
- learning
- self
- digital
- 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.)
- Pending
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
- G06Q20/04—Payment circuits
- G06Q20/06—Private payment circuits, e.g. involving electronic currency used among participants of a common payment scheme
- G06Q20/065—Private payment circuits, e.g. involving electronic currency used among participants of a common payment scheme using e-cash
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
-
- 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
- G06Q20/08—Payment architectures
- G06Q20/10—Payment architectures specially adapted for electronic funds transfer [EFT] systems; specially adapted for home banking systems
- G06Q20/105—Payment architectures specially adapted for electronic funds transfer [EFT] systems; specially adapted for home banking systems involving programming of a portable memory device, e.g. IC cards, "electronic purses"
-
- 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
- G06Q20/30—Payment architectures, schemes or protocols characterised by the use of specific devices or networks
- G06Q20/36—Payment architectures, schemes or protocols characterised by the use of specific devices or networks using electronic wallets or electronic money safes
- G06Q20/367—Payment architectures, schemes or protocols characterised by the use of specific devices or networks using electronic wallets or electronic money safes involving electronic purses or money safes
- G06Q20/3678—Payment architectures, schemes or protocols characterised by the use of specific devices or networks using electronic wallets or electronic money safes involving electronic purses or money safes e-cash details, e.g. blinded, divisible or detecting double spending
-
- 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
- G06Q20/382—Payment protocols; Details thereof insuring higher security of transaction
- G06Q20/3821—Electronic credentials
- G06Q20/38215—Use of certificates or encrypted proofs of transaction rights
-
- 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
- G06Q20/382—Payment protocols; Details thereof insuring higher security of transaction
- G06Q20/3829—Payment protocols; Details thereof insuring higher security of transaction involving key management
Abstract
一种自学习数字货币介质、支付方法和支付系统。所述自学习数字货币介质包括一自学习处理模块,能够根据历史交易记录自学习得出的经验值,为下一步交易提前准备部分或全部的交易信息或交易子链。本发明通过自学习和边缘计算,可以实现数字货币的智能化应用,例如可以设计最优充值金额、加速离线交易、进行边缘风险控制等,可以加速交易速度,提高交易安全;本发明特别适用于各种计算能力的硬件钱包,通过配置算法模型来灵活实现自学习和边缘计算,可极大提升硬件钱包交易双方的确定性、减少交易时间、提升交易体验。
Description
技术领域
本发明涉及数字货币技术领域,具体涉及一种自学习数字货币介质、支付方法和支付系统。
背景技术
数字人民币是由央行发行的法定数字货币,它由指定运营机构参与运营并向公众兑换,与纸钞和硬币等价。相对于纸钞和硬币,数字人民币交易同样具备可离线交易的特点。数字人民币通常保存在硬钱包或软钱包中,需要提前申领或充值。在进行充值时,由于客户可以充值任意数值,而不像纸币有固定发行面额,且客户对充值金额没有历史数据经验值可以作为依据,全靠主观记忆和估计,由此导致硬件钱包使用过程中需要在最初充值生成的币串基础上多次生成交易信息和多次编解码,例如需要生成交易子链、余额凭证、交易凭证等交易信息,随着交易次数增多,每一次都要对之前的交易信息进行解码添加交易信息后再编码,会导致交易时间极大延长,用户体验较差;此外,数字人民币对于离线交易只规定最大交易次数,例如100次,数字钱包什么时候与货币管理机构同步交易,要靠人工参与发起,在没有提醒的情形下,用户很容易忘记同步的步骤,这导致交易次数越多交易时间越长,在极端情况下还可能影响其它交易功能。因此,如何开发一种具备自学习能力的数字货币硬件、支付方法和支付系统以支持更加有预测性而又能简化交易操作、提高支付效率的人民币支付业务,就是迫切需要解决的问题。
发明内容
有鉴于此,本发明的主要目的在于提供一种自学习的数字货币介质、支付方法和支付系统,以期至少部分地解决上述技术问题。
由此,作为本发明的第一方面,提出了一种数字货币介质,包括一自学习处理模块,能够根据历史交易记录自学习得出的经验值,为正在进行的交易提前准备部分或全部的交易信息或交易子链
作为本发明的第二方面,本发明还提出了一种数字货币介质的充值方法,包括如下步骤:
根据历史交易记录自学习得出的经验值,预先确定需要充值的金额,并反馈给用户;
接收用户按照上述反馈进行的充值。
作为本发明的第三方面,本发明还提出了一种数字货币介质的支付方法,包括如下步骤:
获取与之交易的交易方的身份信息;
根据所述交易方的身份信息查询是否存在根据历史交易记录自学习得出的经验值,如果存在,则根据所述经验值提前准备交易信息和/或交易子链;
与所述交易方完成支付。
作为本发明的第四方面,本发明还提出了一种包括自学习数字货币介质的支付系统,包括:
支付端的数字货币介质,所述数字货币介质为如上所述的数字货币介质;
接收端的数字货币介质,用于与所述支付端的数字货币介质进行支付。
基于上述方案可知,本发明的自学习数字货币介质、相关支付方法及支付系统相对于现有技术至少具有如下优点之一:
本发明通过自学习和边缘计算,可以实现数字货币的智能化应用,例如可以设计最优充值金额、加速离线交易、进行边缘风险控制等;
本发明的自学习是通过建立知识库,通过人工智能算法和/或统计算法,实现数据的分析,给出最优经验值,计算速度快,硬件成本增加不大;
本发明的边缘计算,也是根据经验值实现预计算,加速交易速度,审核异常交易行为,提高交易安全;
本发明的数字货币硬件可以实现自动同步,在交易次数较少时就与货币管理机构进行同步,重新融铸币以减少加解密次数,提高交易速度;
本发明特别适用于各种计算能力的硬件钱包(安全芯片、加密芯片、8位和32位单片机或ARM架构机器),通过配置算法模型来灵活实现自学习和边缘计算,可极大提升硬件钱包交易双方的确定性、减少交易时间、提升交易体验。
附图说明
为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚,下面将参照附图详细描述本发明的具体实施例。但需声明的是,下面描述的附图仅仅是本发明示例性实施例的附图,对于本领域的技术人员来讲,在不付出创造性劳动的前提下,可以根据这些附图获得其它实施例的附图。
图1是本发明的多次交易生成的数字货币币串的结构示意图;
图2是本发明的自学习数字货币钱包的结构示意图;
图3是本发明的自学习数字货币交易的流程图;
图4是本发明的边缘计算基本模型的流程图。
具体实施方式
现在将参考附图更全面地描述本发明的示例性实施例。然而,示例性实施例能够以多种形式实施,且不应被理解为本发明仅限于在此阐述的实施例。相反,提供这些示例性实施例能够使得本发明更加全面和完整,更加便于将发明构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的元件、组件或部分,因而将省略对它们的重复描述。
在符合本发明的技术构思的前提下,在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。
在对于具体实施例的描述中,本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是,并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
应理解,虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分,但这不应受这些定语限制。这些定语乃是用以区分一者与另一者。例如,第一器件亦可称为第二器件而不偏离本发明实质的技术方案。
术语“和/或”或者“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
在本发明中用到一些术语含义如下:
知识库:表示以收款方公钥为索引的经过数据分析的经验值数据集合,可以位于支付端(数字货币钱包)中,也可以位于收款端或管理端(例如货币管理机构的服务器)。
经验值:通过自学习的数据分析得出的经验值数据;可以根据需要存储若干个字段,例如收款方公钥(Public Key简称PKn)+风险指数(Risk Level简称RLn)+交易常用金额(Balance简称BLn)+交易时间周期(Time简称TMn)+时间起点(Start简称STn)+保留要素(Reserve简称RSn);其中,n为整数,表示经验值索引。
样本训练:自学习模型中,分析交易数据的过程,称为训练。这里的样本指的是一次交易数据。
正反馈:自学习训练算法模型的参数修正的方式,通过输入数据的分析,调整算法参数,称为正反馈。
负反馈:自学习训练算法模型的参数修正的方式,使用输出结果,调整算法参数,称为负反馈。
深度学习:多次数据分析的过程称为深度学习,例如采用各种具有聚类或分类功能的神经网络模型进行的学习过程。
本发明中所称的“数字货币”是指数字形式的货币,主要定位于M0,也就是相当于流通中的现钞和硬币。此处的“货币”是指真正意义上的货币,而非代币。或者说,货币是一种所有者之间关于交换权的契约,其基于一定的信用基础,这种信用基础可以是主权信用,也可以是群体信用。本发明的基于“数字货币”的技术方案特别是指具有国家主权信息基础的“法定货币”,例如数字人民币。但本发明也不限制其可扩展到其他信用基础的虚拟数字货币,例如比特币。
需要注意的是,本发明所称的“数字货币”与第三方电子支付具有本质的区别。“数字货币”是真正的货币,是数字形式的法定货币,且与纸钞和硬币等价,而后者仅仅是一种能显示账单和余额的支付工具,而不是货币。
本发明中的“数字货币”储存在“数字货币钱包”中,并通过“数字货币钱包”进行支付。由此,本发明中所称的“数字货币钱包”是指用于储存和支付数字货制的工具,其形式上可以是软件,也可以是硬件或其他形式。然而,“数字货币钱包”虽然应具有储存和支付的功能,但在实际中其可以由分装置或分模块实现,各分装置或模块可以部分实现部分的储存功能或支付功能。例如,对于地铁进站口的数字货币钱包,其可以仅实现部分的支付功能,而需要与地铁出站口的数字货制钱包配合以实现完整的“数字货币钱包”。本发明中所称的“数字货币钱包”涵盖全部实现和部分实现的“数字货币钱包”的软件、APP或硬件装置,例如IC卡式硬件钱包、穿戴式数字货币支付设备和物联网数字货币支付设备。
需要注意的是,本发明的“数字货币钱包”不包括任何第三方支付工具的所谓“钱包”,其是真正能够实现货币的存储与支付的钱包,而不仅仅借用了“钱包”的概念来表明其形式上的某种相似性。
近日,数字人民币作为一种新型法定货币,已经在我国多地进行试点,并即将在全国推广使用。数字人民币的原理是通过特定加密保护的软硬件来存储一个币串,通过数字证书和数字币串来实现交易。在现有的数字人民币规范中,数字人民币需要充值或者申领,获得一由货币管理机构原生发行的币串,如图1所示,该数字人民币进行交易时需要在该币串基础上添加各种支付信息(如交易子链1、余额凭证1、交易凭证1等)并完成加密编码,再次交易时则在上次编码基础上解码,再次添加各种支付信息(如交易子链2、余额凭证2、交易凭证2等)后完成加密编码。由此可见,随着交易次数的增多,需要在原始币串的基础上添加多次支付信息,进行多次编解码,需要耗费大量的处理时间,且需要一定的硬件计算力支持。
现有技术中,存储数字人民币币串的硬件介质,使用数字人民币币串进行交易的硬件介质,比如硬件钱包、硬件钱箱、硬件钱柜等各种硬件形式,通常都存在如下问题:交易双方不确定、交易额度不确定、交易次数导致交易数据几何倍数增加、币串余额影响交易体验。
此外,在付款方和收款方交易时,由于临时建立协商会话密钥,需要传递双方证书公钥,且需要临时确定交易额度,由此导致数据传输时间长、交互时间长、导致用户体验差。在多次交易后,还有可能因为存储或者余额不足等原因,导致交易失败,需要发起同步交易,与货币管理机构完成结算重新确认剩余金额后,才能再次发起交易,这也导致用户体验特别差。
针对上述问题,本发明提出了一种自学习的数字货币介质,所述介质可以是软件也可以是硬件,例如可以是数字货币软件/APP、数字货币钱包、钱箱、钱柜等,而其中的钱包又可以分为硬钱包或软钱包,其中:
所述数字货币介质包括一自学习处理模块,能够根据历史交易记录自学习得出的经验值,为下一步交易提前准备部分或全部的交易信息或交易子链,例如在发起交易前预先设置好充值金额,预先生成经常与之交易的交易方的惯常金额的交易子链,或预先提供需要与之交易的交易方的数字证书,等等。
其中,所述根据历史交易记录自学习得出的经验值可以是基于服务器对所述数字货币钱包的历史交易记录预先或者即时进行统计分析或深度学习来得的并传输给所述数字货币介质,也可以是所述数字货币介质本身包括的自学习处理模块,通过所述自学习处理模块对所述数字货币钱包的历史交易记录进行统计分析或深度学习来得的。
其中,所述统计分析例如包括统计和排序、去除干扰项和错误项、合并同类型或相似项等。所述深度学习例如是通过人工智能模型来实现,常见的深度学习算法例如包括受限波尔兹曼机(Restricted Boltzmann Machine,RBN)、Deep Belief Networks(DBN)、卷积网络(Convolutional Network)、堆栈式自动编码器(Stacked Auto-encoders)、决策树算法等,其中最常用的是卷积网络模型。
其中,所述数字货币介质的历史交易记录可以从货币管理机构的服务器端数据库进行查询,也可以从所述数字货币介质中存储的币串上包含的交易信息来查询,还可以是所述数字货币介质中包含一专门的存储器,专门用于存储每次进行交易的交易方的交易信息,例如收款方公钥(Public Key简称PKn)+风险指数(Risk Level简称RLn)+交易常用金额(Balance简称BLn)+交易时间周期(Time简称TMn)+时间起点(Start简称STn)+保留要素(Reserve简称RSn);其中,n为整数,表示经验值索引。所述交易信息将作为统计分析或深度学习的样本。
其中,所述数字货币介质还可以包括一知识库,也可以称之为经验值库,表示以收款方公钥为索引的经过统计分析或深度学习处理之后得到的经验值数据集合,所述知识库可以位于支付端(数字货币钱包),也可以位于收款端或管理端(例如货币管理机构的服务器)。
其中,所述数字货币介质还可以包含一黑名单,该黑名单可以是基于历史交易中的多次异常交易行为而形成,也可以来自银行监管系统或网络安全监管部门,从而所述数字货币介质在进行交易之前还可以通过查询所述黑名单排除异常交易嫌疑方,避免受骗上当。
其中,所述数字货币介质在钱包金额预估或统计低于预定阈值时,能够给出预警提示,例如提示用户进行充值,并基于自学习处理模块的处理结果,即知识库中的经验值来提示最佳充值金额。
本发明还提出了一种自学习数字货币介质的充值方法,包括如下步骤:
根据历史交易记录自学习得出的经验值,预先确定需要充值的金额,并反馈给用户;
接收用户按照上述反馈进行的充值。
本发明还提出了一种自学习数字货币介质的支付方法,包括如下步骤:
获取与之交易的交易方的身份信息;
根据所述交易方的身份信息查询是否存在根据历史交易记录自学习得出的经验值,如果有,则根据所述经验值提前准备交易信息和/或交易子链;
与所述交易方完成支付。
本发明还提出了一种包括自学习数字货币介质的支付系统,包括:
支付端的数字货币介质,包括一自学习处理模块,能够根据历史交易记录自学习得出的经验值,为下一步交易提前准备部分或全部的交易信息或交易子链,例如在发起交易前预先设置好充值金额,预先生成经常与之交易的交易方的惯常金额的交易子链,或预先提供需要与之交易的交易方的数字证书,等等;
接收端的数字货币介质,用于与所述支付端的数字货币介质进行支付。
其中,所述根据历史交易记录自学习得出的经验值可以是基于服务器对所述数字货币钱包的历史交易记录预先或者即时进行统计分析或深度学习来得的并传输给所述数字货币介质,也可以是所述数字货币介质本身包括的自学习处理模块,通过所述自学习处理模块对所述数字货币钱包的历史交易记录进行统计分析或深度学习来得的。
其中,所述统计分析例如包括统计和排序、去除干扰项和错误项、合并同类型或相似项等。所述深度学习例如是通过人工智能模型来实现,常见的深度学习算法例如包括受限波尔兹曼机(Restricted Boltzmann Machine,RBN)、Deep Belief Networks(DBN)、卷积网络(Convolutional Network)、堆栈式自动编码器(Stacked Auto-encoders)等,其中最常用的是卷积网络模型。
其中,所述数字货币介质的历史交易记录可以从货币管理机构的服务器端数据库进行查询,也可以从所述数字货币介质中存储的币串上包含的交易信息来查询,还可以是所述数字货币介质中包含一专门的存储器,专门用于存储每次进行交易的交易方的交易信息,例如收款方公钥(Public Key简称PKn)+风险指数(Risk Level简称RLn)+交易常用金额(Balance简称BLn)+交易时间周期(Time简称TMn)+时间起点(Start简称STn)+保留要素(Reserve简称RSn);其中,n为整数,表示经验值索引。所述交易信息将作为统计分析或深度学习的样本。
其中,进行任何操作之前,所述数字货币介质还可以先查询一知识库,也可以称之为经验值库,所述知识库表示以收款方公钥为索引的经过统计分析或深度学习处理之后得到的经验值数据集合,所述知识库可以位于支付端(数字货币钱包),也可以位于收款端或管理端(例如货币管理机构的服务器)。
其中,所述数字货币介质还可以包含一黑名单,该黑名单可以是基于历史交易中的多次异常交易行为而形成,也可以来自银行监管系统或网络安全监管部门,从而所述数字货币介质在进行交易之前还可以通过查询所述黑名单排除异常交易嫌疑方,避免受骗上当。
其中,所述交易系统还可以包括一银行数字货币系统,用于同步所述支付端和接收端数字货币介质的账目,实现熔币和铸币功能。
在一个优选实施方式中,本发明还提出了一种数字货币的支付方法,包括如下步骤:
建立自学习模型,根据历史交易数据,生成经验值;
反复多次交易时,查询知识库的经验值,以提升交易速度,完善交易体验。比如:采取正态分布算法,抽样5次,分析数据。离线交易时,可通过自学习,确定常用收付款方和交易要素信息;提前准备交易数据,如时间和交易子链。同步交易之前,通过自学习,自动发起同步交易;余额不足时,自动发起充值交易。证书过期之前,自动发起更新密钥的个人化交易。异常交易情况下,建立URL吊销名单,拒绝危险操作,或提醒用户确认交易。
其中,所使用的自学习模型例如如图3所示,所述自学习的基本模型包括如下流程:
1、发起数字人民币交易;例如由支付方钱包与收款方钱包通信,获取收款方钱包的收款方公钥。
2、支付方钱包查询知识库,判断对于当前的数字人民币交易是否存在经验值;该知识库例如可以采用收款方公钥或者收款方的其它标志信息为索引,具体存储格式例如可以为:收款方公钥(Public Key简称PKn)+风险指数(Risk Level简称RLn)+交易常用金额(Balance简称BLn)+交易时间周期(Time简称TMn)+时间起点(Start简称STn)+保留要素(Reserve简称RSn);其中,n为整数,表示经验值索引。上述字段可以根据具体应用需要进行增删。
3、支付方钱包根据查询结果执行不同处理逻辑。
如果存在,则
3.1根据收款方信息从知识库中查找到对应记录,提取经验值;
3.2支付方钱包基于该经验值进行数据准备,例如查询为常用金额,则提示给充值程序的充值推荐金额,查询为常用收款方,则从本机的缓存存储器中查找到对应收款方的数字证书,避免重复下载导致漫长的通信传输和数据处理时间。
3.3完成相应的经验交易。
3.4支付方钱包还包括检查偏离步骤,根据计算偏差是否大于误差阈值来判断上述根据经验值做出的交易是否正常交易,是否存在错漏需要进行负反馈(一般交易完成无法撤销,只能作为负反馈样本改进自学习算法,提高以后的准确率)。这里所说的偏差,是指通过自学习得到正常支付的数据值(比如,每天坐地铁,几十次的交易记录都是5元/次;每天午餐的费用,几十次的交易记录都在15~30元之间),然后将此次的数据(比如此次坐地铁是4元,午餐费用是50元)与其进行对比,如果存在区别则判断为存在偏差,可以设置一个误差阈值(例如±20%)来进行判断。
如果不存在,则
3.5支付方钱包直接完成交易。
3.6将相关数据作为正反馈样本提供给自学习算法。
3.7自学习算法基于该正反馈样本进行训练,对结果进行分析。
3.8对于训练成功的结果,则将该样本形成经验值存储到知识库中,没有成功的则放弃。
4、结束整个交易流程。
在又一个优选实施方式中,本发明还提出了一种基于边缘计算的数字货币支付方法,包括如下步骤:
在支付之前先基于边缘计算的基本模型查询是否超出了边缘阈值,是否存在交易风险;
如果没有问题,则完成交易过程。
其中采用了如图2所示的边缘计算的基本模型,下面对其进行详述之。
1、发起数字人民币交易;例如由支付方钱包与收款方钱包通信,获取收款方钱包的收款方公钥。
2、支付方钱包查询知识库,判断对于当前的数字人民币交易是否存在经验值;该知识库例如可以采用收款方公钥或者收款方的其它标志信息为索引,具体存储格式例如可以为:收款方公钥(Public Key简称PKn)+风险指数(Risk Level简称RLn)+交易常用金额(Balance简称BLn)+交易时间周期(Time简称TMn)+时间起点(Start简称STn)+保留要素(Reserve简称RSn);其中,n为整数,表示经验值索引。上述字段可以根据具体应用需要进行增删。
3、基于经验值的匹配,查询知识库中对应的数据记录。
4、整理查询到的数据记录,对于交易方和交易时间段都有很高吻合度(例如坐地铁、中午食堂划卡等)的数据记录,提取其中的关键交易信息,预先计算生成交易子链和交易凭证。
5、等待所有条件是否均达到,比如坐地铁划款是否确实是平日的价格,中午午餐是否还是原来定价,若达到则保留上述预先生成的交易子链和交易凭证,执行交易步骤。
6、结束整个交易流程。
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明作进一步的详细说明。
实施例1
本实施例提出了一种具有自学习功能的IC卡式硬件钱包,包括:
SE加密芯片,用于保存该硬件钱包的密钥和公钥;
处理模块,用于执行该硬件钱包的鉴权、编解码运算和通信程序;以及,用于对所述硬件钱包的历史交易记录进行统计分析来得到经验值。由于本实施例的IC卡式硬件钱包平时并不供电,因此无法提前对数据进行分析处理,数据计算能力也有限,所以只能在与交易方进行身份确认时,利用线圈充电激活的时间进行简单的分析和计算,例如对于固定路线的地铁通勤、中午食堂固定餐费的消费,进行自学习和边缘计算,其读取的数据均来自加密芯片,处理模块根据加密芯片中存储的交易子链相关信息自学习得出经验值,调取需要与之交易的交易方的数字证书、交易凭证等信息,预先生成新的交易子链,从而可以节约后续通信和数据处理的时间。例如,在地铁进站时就完成相关交易子链的计算,在食堂工作人员输入买饭的金额之前就完成相关交易子链的计算,就可以在地铁出站刷卡时节约大量通讯和重复计算的时间,食堂工作人员输入金额后即完成支付交易。
实施例2
本实施例提出了一种具有自学习功能的硬件或软件钱包,其具有相对于实施例1更强大的数据处理功能和通信功能,该硬件或软件钱包包括:
SE加密芯片/软件加密模块,用于保存该钱包的密钥和公钥;
自学习处理模块,用于对所述钱包的历史交易记录进行统计分析或深度学习来得到经验值。历史交易记录来自于该硬件或软件钱包本身存储的历史交易记录,或者来自银行数币管理系统上的历史交易数据库。深度学习模型为卷积神经网络模型。
知识库,采用收款方公钥为索引,存储有自学习处理模块处理后得出的经验值。具体存储格式为:收款方公钥(Public Key简称PKn)+风险指数(Risk Level简称RLn)+交易常用金额(Balance简称BLn)+交易时间周期(Time简称TMn)+时间起点(Start简称STn)+保留要素(Reserve简称RSn);其中,n为整数,表示经验值索引。
管理模块,用于执行该硬件钱包的鉴权、编解码运算和通信程序;以及用于在进行支付前查询所述知识库,基于如图4所示的处理逻辑进行相应处理。
实施例3
本实施例提出了一种自学习的数字货币钱包的充值方法,该数字货币钱包具有交互能力,包括存储有根据历史交易记录自学习得到的经验值的一知识库,该知识库采用收款方公钥为索引,具体存储格式为:收款方公钥(Public Key简称PKn)+风险指数(RiskLevel简称RLn)+交易常用金额(Balance简称BLn)+交易时间周期(Time简称TMn)+时间起点(Start简称STn)+保留要素(Reserve简称RSn);其中,n为整数,表示经验值索引。该充值方法包括如下步骤:
数字货币钱包在触发充值事件时,先查询知识库中的经验值和该数字货币钱包中已充还未消费的币值;
数字货币钱包根据查询到的经验值和未消费的币值,来确定充值的最佳金额,并反馈给用户;
数字货币钱包接收用户按照上述反馈进行的充值。
其中,充值事件的触发可以是用户主动触发,也可以是数字货币钱包每天例行检查时发现钱包中金额数值低于预定阈值。例行检查时间可以由用户自主设定,预定阈值也可以由用户自主设定。
确定充值的最佳金额的原则例如为:
1、选取用户最常使用的金额面值,从而可以对应支付,减少交易子链的多重计算,节约交易时间。例如,对于经常坐地铁的,按照习惯路线的固定金额多次充值,可以使每次直接消耗该币值,避免生成多个交易子链增加后续计算处理时间。
2、如果用户没有惯常消费金额,或者均已经完成合适数量的充值,则可以按照用户习惯的充值金额进行充值。例如,用户每次都喜欢充值100元、200元,则尊重其习惯,以便于其进行收支管理和理财。
实施例4
本实施例提出了又一种自学习的数字货币钱包,包括:
一专门记录历史交易记录的存储器,其中每一条历史记录包括收款方公钥、风险指数、交易金额、交易时间等字段,这些历史交易记录不仅仅包括一个数字货币币串的所有历史交易,而是该数字货币钱包中的若干数字货币币串的历史交易记录的一个集合,其记录数量取决于该存储器的大小。
自学习处理模块,能够根据历史交易记录自学习得出的经验值,为下一步交易提前准备部分或全部的交易信息或交易子链。
知识库,用于存储经过自学习处理模块通过统计分析或深度学习得到的经验值数据,该知识库以收款方公钥为索引。
该自学习的数字货币钱包的支付方法,包括如下步骤:
数字货币钱包获取与之进行交易的交易方的身份信息。
数字货币钱包根据所述身份信息在知识库中查询相应经验值,看是否存在对应记录。如果存在,则调取相应经验值,预先计算或准备需要与之交易的收款方的数字证书或交易子链等,从而可以减少每次交易时都需要重新传输数字证书、公钥等的时间和重新计算交易子链的处理时间。
与进行交易的交易方达成交易。
综上所述,本发明可以以包含加密芯片(SE芯片)的硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微机处理器或手机处理器等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者系统程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种数字货币介质,其特征在于,所述数字货币介质包括一自学习处理模块,能够根据历史交易记录自学习得出的经验值,为正在进行的交易提前准备部分或全部的交易信息或交易子链。
2.根据权利要求1所述的数字货币介质,其特征在于,所述数字货币介质包括数字货币软件/APP、数字货币钱包、可穿戴数字货币介质、物联网数字货币介质。
3.根据权利要求1所述的数字货币介质,其特征在于,所述根据历史交易记录自学习得出的经验值是基于服务器对所述数字货币钱包的历史交易记录预先或者即时进行统计分析或深度学习来得的并传输给所述数字货币介质,或者是通过所述数字货币介质的自学习处理模块对所述数字货币钱包的历史交易记录进行统计分析或深度学习来得的;
作为优选,所述统计分析包括统计和排序、去除干扰项/错误项、合并同类项/相似项中的至少之一;
作为优选,所述深度学习是通过人工智能模型来实现的,所述深度学习算法包括受限波尔兹曼机(Restricted Boltzmann Machine,RBN)、Deep Belief Networks(DBN)、卷积网络(Convolutional Network)、堆栈式自动编码器(Stacked Auto-encoders)、决策树算法;
作为优选,所述数字货币介质的历史交易记录从货币管理机构的服务器端数据库进行查询,或者从所述数字货币介质中存储的币串上包含的信息中来查询,或者是所述数字货币介质包含的专门用于存储每次进行交易的交易方的交易信息的存储器中查询。
4.根据权利要求1所述的数字货币介质,其特征在于,所述数字货币介质还包括一知识库,所述知识库为经过自学习得到的经验值数据的集合;
作为优选,所述知识库中存储有如下数据字段的数据值:收款方公钥(Public Key简称PKn)、风险指数(Risk Level简称RLn)、交易常用金额(Balance简称BLn)、交易时间周期(Time简称TMn)、时间起点(Start简称STn)和保留要素(Reserve简称RSn);其中,n为整数,表示经验值索引;
作为优选,所述数字货币介质还包括基于历史交易中若干次异常交易行为而形成的,或银行监管部门生成的黑名单,从而所述数字货币介质在进行交易之前还通过查询所述黑名单排除异常交易嫌疑方。
5.根据权利要求1所述的数字货币介质,其特征在于,所述数字货币介质在钱包金额预估或统计低于预设阈值时,能够提示充值;所述数字货币介质在被提示充值或在用户发起充值指令时,能够基于自学习功能提示最佳充值金额;和/或
所述数字货币介质能够定期检查所存储的数字货币币串包含的交易子链的数量,若大于等于某一预设阈值,则提示或激发同步操作。
6.一种数字货币介质的充值方法,其特征在于,包括如下步骤:
根据历史交易记录自学习得出的经验值,预先确定需要充值的金额,并反馈给用户;
接收用户按照上述反馈进行的充值操作。
7.根据权利要求6所述的充值方法,其特征在于,所述充值操作由定期监测程序监测到所述数字货币介质内的币串金额低于预定阈值时发起。
8.一种数字货币介质的支付方法,其特征在于,包括如下步骤:
获取与之交易的交易方的身份信息;
根据所述交易方的身份信息查询是否存在根据历史交易记录自学习得出的经验值,如果存在,则根据所述经验值提前准备交易信息和/或交易子链;
与所述交易方完成支付。
9.一种数字货币介质的交易系统,包括:
支付端的数字货币介质,所述数字货币介质为如权利要求1-7任一项所述的数字货币介质;
接收端的数字货币介质,用于与所述支付端的数字货币介质进行支付。
10.根据权利要求9所述的数字货币介质的交易系统,其特征在于,所述包含自学习功能的数字货币介质的交易系统还包括一货币管理机构,用于同步所述支付端和接收端数字货币介质的账目。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210112996.XA CN114612083A (zh) | 2022-01-29 | 2022-01-29 | 自学习数字货币介质、支付方法和支付系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210112996.XA CN114612083A (zh) | 2022-01-29 | 2022-01-29 | 自学习数字货币介质、支付方法和支付系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114612083A true CN114612083A (zh) | 2022-06-10 |
Family
ID=81858476
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210112996.XA Pending CN114612083A (zh) | 2022-01-29 | 2022-01-29 | 自学习数字货币介质、支付方法和支付系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114612083A (zh) |
-
2022
- 2022-01-29 CN CN202210112996.XA patent/CN114612083A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200320536A1 (en) | Instant Funds Availability Risk Assessment System and Method | |
CN106846506B (zh) | 一种基于信息标识码进行信息验证的方法及系统 | |
CN104599408B (zh) | 基于动态二维码的第三方账户自动柜员机取款方法及系统 | |
CN105678546B (zh) | 基于分布式共享总账的数字资产处理方法 | |
CN112862298B (zh) | 一种针对用户画像的信用评估方法 | |
US8249989B2 (en) | Check cashing at automated teller machine | |
CA2436319A1 (en) | Payment validation network | |
CN110852730B (zh) | 基于数字货币的交易处理方法及装置和电子设备 | |
US20050137949A1 (en) | Automatic, characterized and prioritized transactions to credit card accounts from one credit card account, method and computer software | |
EP2226759A1 (en) | Electronic settlement method and electronic settlement device | |
CN112199575A (zh) | 虚拟银行开户方法、装置、设备和计算机存储介质 | |
CN109272131A (zh) | 外币预约取现方法、客户端、服务器、外币预约柜及系统 | |
CN109409548A (zh) | 外币预约取现方法、客户端、服务器、外币预约柜及系统 | |
CN114612105A (zh) | 风险控制方法及采用其的数字货币介质和支付方法、系统 | |
CN109344987A (zh) | 外币预约取现方法、客户端、服务器、外币预约柜及系统 | |
CN112819473B (zh) | 一种基于数字字典的订单处理方法、服务器、设备及介质 | |
US20240127208A1 (en) | Systems and methods for inter-institutional atm functionality | |
TWM547144U (zh) | 外幣提領系統 | |
CN111258750B (zh) | 数据量处理方法以及系统、额度分配方法以及系统 | |
US10049348B2 (en) | Transaction systems and associated methods for enhanced account balance and status management | |
CN114612083A (zh) | 自学习数字货币介质、支付方法和支付系统 | |
EP3489875A1 (en) | Device for payment of vehicle based costs, a respective vehicle and a respective method | |
US20230298038A1 (en) | A computer implemented method and system for requesting consent from a consumer to complete an action | |
KR102291341B1 (ko) | 금융거래를 위한 암호화폐별 가상계좌 생성 방법, 시스템 및 프로그램 | |
CN113034153A (zh) | 一种基于共享学习的被欺诈风险识别方法、装置及设备 |
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 |