发明内容
本发明提供一种基于大数据安全风控的信息处理方法及服务器,为实现上述技术目的,本发明采用如下技术方案。
第一方面是一种基于大数据安全风控的信息处理方法,应用于信息处理服务器,方法包括:
对存在风控要素优化需求的电商业务风控检测记录进行风控要素全局优化,获得第一已优化电商业务风控检测记录,所述存在风控要素优化需求的电商业务风控检测记录包含完整风控检测报告及非完整风控检测报告,所述第一已优化电商业务风控检测记录包含与所述非完整风控检测报告对应的全局优化检测报告;
通过所述完整风控检测报告的若干个第一电商业务风控检测事项以及所述全局优化检测报告的若干个第二电商业务风控检测事项,依次确定与每个第二电商业务风控检测事项的威胁捕捉偏好存在关联的第一电商业务风控检测事项;
结合与每个第二电商业务风控检测事项的威胁捕捉偏好存在关联的第一电商业务风控检测事项,对所述全局优化检测报告进行阶段性优化,获得所述存在风控要素优化需求的电商业务风控检测记录的第二已优化电商业务风控检测记录。
可选的实施例中,所述通过所述完整风控检测报告的若干个第一电商业务风控检测事项以及所述全局优化检测报告的若干个第二电商业务风控检测事项,依次确定与每个第二电商业务风控检测事项的威胁捕捉偏好存在关联的第一电商业务风控检测事项,包括:
对于其中一个第二电商业务风控检测事项,依次确定出所述第二电商业务风控检测事项与所述若干个第一电商业务风控检测事项之间的共性评价值;
将共性评价值最大的不少于一个第一电商业务风控检测事项,确定为与所述第二电商业务风控检测事项的威胁捕捉偏好存在关联的第一电商业务风控检测事项。
可选的实施例中,所述结合与每个第二电商业务风控检测事项的威胁捕捉偏好存在关联的第一电商业务风控检测事项,对所述全局优化检测报告进行阶段性优化,获得所述存在风控要素优化需求的电商业务风控检测记录的第二已优化电商业务风控检测记录,包括:
结合与每个第二电商业务风控检测事项的威胁捕捉偏好存在关联的第一电商业务风控检测事项,依次对每个第二电商业务风控检测事项进行信息衍生,获得每个第二电商业务风控检测事项的已优化电商业务风控检测事项;
对所述存在风控要素优化需求的电商业务风控检测记录的完整风控检测报告及每个第二电商业务风控检测事项的已优化电商业务风控检测事项进行组合,获得所述第二已优化电商业务风控检测记录。
可选的实施例中,所述结合与每个第二电商业务风控检测事项的威胁捕捉偏好存在关联的第一电商业务风控检测事项,依次对每个第二电商业务风控检测事项进行信息衍生,获得每个第二电商业务风控检测事项的已优化电商业务风控检测事项,包括:
对于其中一个第二电商业务风控检测事项,对所述第一已优化电商业务风控检测记录中与所述第二电商业务风控检测事项对应的第三电商业务风控检测事项进行检测事项知识挖掘,获得所述第三电商业务风控检测事项的事项知识字段,所述第三电商业务风控检测事项的检测指标数多于所述第二电商业务风控检测事项的检测指标数;
对与所述第二电商业务风控检测事项的威胁捕捉偏好存在关联的第一电商业务风控检测事项进行检测事项知识挖掘,获得所述第一电商业务风控检测事项的事项知识字段;
将所述第三电商业务风控检测事项的事项知识字段与所述第一电商业务风控检测事项的事项知识字段进行加权,获得所述第二电商业务风控检测事项的已加权事项知识字段;
通过所述第二电商业务风控检测事项的已加权事项知识字段,确定所述第二电商业务风控检测事项的已优化电商业务风控检测事项。
可选的实施例中,所述方法基于AI机器学习模型实施,所述AI机器学习模型包括第一风控要素优化子模型、威胁捕捉偏好分析子模型及第二风控要素优化子模型,所述第一风控要素优化子模型用作对存在风控要素优化需求的电商业务风控检测记录进行风控要素全局优化,所述威胁捕捉偏好分析子模型用作对所述第二电商业务风控检测事项与所述第一电商业务风控检测事项进行威胁捕捉偏好匹配,所述第二风控要素优化子模型用作对所述全局优化检测报告进行阶段性优化;
所述方法还包括:利用事先设定的模型调试示例簇,调试所述AI机器学习模型,所述模型调试示例簇包括若干个示例型电商业务风控检测记录及与所述示例型电商业务风控检测记录对应的目标电商业务风控检测记录,每个示例型电商业务风控检测记录包括完整风控检测报告及非完整风控检测报告。
可选的实施例中,所述利用事先设定的模型调试示例簇,调试所述AI机器学习模型,包括:
将所述示例型电商业务风控检测记录加载到所述AI机器学习模型中进行处理,获得所述示例型电商业务风控检测记录的全局优化检测记录以及若干个已优化风控检测事项示例;
对所述示例型电商业务风控检测记录的完整风控检测报告及所述若干个已优化风控检测事项示例进行组合,获得所述示例型电商业务风控检测记录的已优化风控检测记录示例;
通过所述示例型电商业务风控检测记录的全局优化检测记录、所述已优化风控检测记录示例及所述目标电商业务风控检测记录,调试所述AI机器学习模型。
可选的实施例中,所述通过所述示例型电商业务风控检测记录的全局优化检测记录、所述已优化风控检测记录示例及所述目标电商业务风控检测记录,调试所述AI机器学习模型,包括:
通过所述全局优化检测记录及所述目标电商业务风控检测记录,确定所述AI机器学习模型的全局优化模型代价;
通过所述已优化风控检测记录示例的若干个已优化风控检测事项示例及所述目标电商业务风控检测记录的若干个目标电商业务风控检测事项,确定所述AI机器学习模型的事项拆解模型代价;
通过所述已优化风控检测记录示例及所述目标电商业务风控检测记录,确定所述AI机器学习模型的综合风控优化模型代价;
通过所述全局优化模型代价、所述事项拆解模型代价及所述综合风控优化模型代价,调试所述AI机器学习模型。
可选的实施例中,所述AI机器学习模型还包括第一优化校验子模型,所述利用事先设定的模型调试示例簇,调试所述AI机器学习模型,还包括:
将与所述示例型电商业务风控检测记录对应的目标电商业务风控检测记录的若干个目标电商业务风控检测事项和事项定位标签的已优化风控检测事项示例,分别加载到所述第一优化校验子模型中进行处理,获得所述目标电商业务风控检测事项的第一优化校验信息及所述已优化风控检测事项示例的第二优化校验信息;
通过所述第一优化校验信息及所述第二优化校验信息,联合调试所述AI机器学习模型。
可选的实施例中,所述利用事先设定的模型调试示例簇,调试所述AI机器学习模型,还包括:
确定所述示例型电商业务风控检测记录的完整风控检测报告的若干个电商业务风控检测事项的第一事项关系网,以及所述若干个已优化风控检测事项示例的第二事项关系网;
将所述第一事项关系网和所述第二事项关系网分别加载到所述第一优化校验子模型中进行处理,获得第三优化校验信息和第四优化校验信息;
通过所述第一优化校验信息、所述第二优化校验信息、所述第三优化校验信息及所述第四优化校验信息,联合调试所述AI机器学习模型。
可选的实施例中,所述AI机器学习模型还包括第二优化校验子模型,所述利用事先设定的模型调试示例簇,调试所述AI机器学习模型,还包括:
将与所述示例型电商业务风控检测记录对应的目标电商业务风控检测记录以及所述已优化风控检测记录示例,分别加载到所述第二优化校验子模型中进行处理,获得所述目标电商业务风控检测记录的第五优化校验信息及所述已优化风控检测记录示例的第六优化校验信息;
通过所述第五优化校验信息及所述第六优化校验信息,联合调试所述AI机器学习模型。
第二方面是一种信息处理服务器,包括存储器和处理器;所述存储器和所述处理器耦合;所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令;其中,当所述处理器执行所述计算机指令时,使得所述信息处理服务器执行第一方面的方法。
第三方面是一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序在运行时执行第一方面的方法。
根据本发明的一个实施例,能够对存在风控要素优化需求的电商业务风控检测记录进行风控要素全局优化,从电商业务风控检测记录的完整风控检测报告的电商业务风控检测事项中确定出与全局优化检测报告的电商业务风控检测事项的威胁捕捉偏好存在关联的电商业务风控检测事项;利用威胁捕捉偏好存在关联的电商业务风控检测事项更为细致地实现电商业务风控检测记录的风控要素优化,进而准确完整地实现对电商业务风控检测记录的优化,从而保障电商业务风控检测记录的信息完整性和丰富程度,便于后续根据第二已优化电商业务风控检测记录进行可信的风控策略定制。
具体实施方式
以下,术语“第一”、“第二”和“第三”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”或“第三”等的特征可以明示或者隐含地包括一个或者更多个该特征。
图1示出了本发明实施例提供的基于大数据安全风控的信息处理方法的流程示意图,基于大数据安全风控的信息处理方法可以通过信息处理服务器实现,信息处理服务器可以包括存储器和处理器;所述存储器和所述处理器耦合;所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令;其中,当所述处理器执行所述计算机指令时,使得所述信息处理服务器执行如下步骤所描述的技术方案。
Step11:对存在风控要素优化需求的电商业务风控检测记录进行风控要素全局优化,获得第一已优化电商业务风控检测记录。
在本发明实施例中,所述存在风控要素优化需求的电商业务风控检测记录包含完整风控检测报告及非完整风控检测报告,所述第一已优化电商业务风控检测记录包含与所述非完整风控检测报告对应的全局优化检测报告。
进一步地,存在风控要素优化需求比如可以是需要对相关电商业务风控检测记录进行信息补全/补充的需求,基于此,风控要素优化可以理解为对相关电商业务风控检测记录中的缺失细节进行补全/衍生。而电商业务风控检测记录可以是信息处理服务器与电商业务处理设备进行交互所产生的记录信息,比如:电商平台交互信息等,还可以理解为待处理的电商业务风控检测记录。
相应的,对存在风控要素优化需求的电商业务风控检测记录进行风控要素全局优化可以理解为对存在风控要素优化需求的电商业务风控检测记录进行初步缺失细节信息补全或者衍生处理,进而得到补全记录(即第一已优化电商业务风控检测记录)。
进一步地,完整风控检测报告可以理解为正常的、不存在细节信息缺失的风控检测报告,非完整风控检测报告可以理解为存在信息缺失或者存在需要优化的风控检测报告,全局优化检测报告可以理解为非完整风控检测报告中对应的初步缺失细节信息的补全报告。
Step12:通过所述完整风控检测报告的若干个第一电商业务风控检测事项以及所述全局优化检测报告的若干个第二电商业务风控检测事项,依次确定与每个第二电商业务风控检测事项的威胁捕捉偏好存在关联的第一电商业务风控检测事项。
在本发明实施例中,第一电商业务风控检测事项可以理解为完整风控检测报告的若干个检测报告块,第二电商业务风控检测事项可以理解为全局优化检测报告的若干个检测报告块。进一步地,威胁捕捉偏好用于表征不同电商业务风控检测事项对应的风控威胁的特征信息,比如可以反映风控威胁的攻击倾向或者意图,亦或者反映风控威胁的检测指标特征(比如检测热度、检测时段、敏感字段)等,在此不作限定。
Step13:结合与每个第二电商业务风控检测事项的威胁捕捉偏好存在关联的第一电商业务风控检测事项,对所述全局优化检测报告进行阶段性优化,获得所述存在风控要素优化需求的电商业务风控检测记录的第二已优化电商业务风控检测记录。
在本发明实施例中,对全局优化检测报告进行阶段性优化可以理解为结合与每个第二电商业务风控检测事项的威胁捕捉偏好存在关联的第一电商业务风控检测事项,深层次对全局优化检测报告进行初步缺失细节信息补全或者衍生处理,得到完成深层次处理的风控检测记录(即第二已优化电商业务风控检测记录)。
举例而言,存在风控要素优化需求的电商业务风控检测记录可以是包括远程电商业务的电商业务风控检测记录,存在风控要素优化需求的电商业务风控检测记录可以包括完整风控检测报告及非完整风控检测报告,本发明实施例对此不作限制。
对于一些可能性的实施例而言,可以在Step11中对存在风控要素优化需求的电商业务风控检测记录进行风控要素全局优化,比如:采用关键要素挖掘-关键要素翻译的CNN网络对存在风控要素优化需求的电商业务风控检测记录进行处理,挖掘电商业务风控检测记录的整体业务场景信息,并利用整体业务场景信息对电商业务风控检测记录进行风控要素全局优化。该CNN可以比如包括关键要素挖掘模块(卷积模块)、关键要素扩张挖掘模块(膨胀卷积模块)、关键要素转置挖掘模块(反卷积模块)、窗口化处理模块(池化模块)、分类模块(全连接模块)等,本发明实施例对该CNN的细节不进行限定。
可以理解的是,通过风控要素全局优化后,获得存在风控要素优化需求的电商业务风控检测记录的第一已优化电商业务风控检测记录。该第一已优化电商业务风控检测记录包含与非完整风控检测报告对应的全局优化检测报告。
对于一些可能性的实施例而言,可以对存在风控要素优化需求的电商业务风控检测记录的完整风控检测报告进行拆分,获得若干个第一电商业务风控检测事项。比如:结合w*w的动态模块在完整风控检测报告中遍历(周期间隔比如为w/2,以获得更多的电商业务风控检测事项),获得检测指标数为w*w的若干个第一电商业务风控检测事项。其中,w的取值比如为64,本发明实施例对此不作限制。
对于一些可能性的实施例而言,第一电商业务风控检测事项可以包括完整风控检测报告中的部分威胁捕捉偏好信息。可以利用若干个第一电商业务风控检测事项,确定所述存在风控要素优化需求的电商业务风控检测记录的威胁捕捉偏好集合,以方便之后挑选类似的威胁捕捉偏好。
对于一些可能性的实施例而言,可以对第一已优化电商业务风控检测记录的全局优化检测报告进行拆分,获得若干个第二电商业务风控检测事项。第二电商业务风控检测事项的检测指标数可以与第一电商业务风控检测事项一致或者不一致,本发明实施例对此不作限制。
对于一些可能性的实施例而言,可以利用若干个第一电商业务风控检测事项以及全局优化检测报告的若干个第二电商业务风控检测事项,依次确定与每个第二电商业务风控检测事项的威胁捕捉偏好存在关联的第一电商业务风控检测事项。简单的理解,对于其中一个第二电商业务风控检测事项,可以确定该第二电商业务风控检测事项的威胁捕捉偏好信息与若干个第一电商业务风控检测事项的威胁捕捉偏好信息之间的共性评价值(比如相似度);利用共性评价值挑选出与该第二电商业务风控检测事项的威胁捕捉偏好存在关联的第一电商业务风控检测事项,以方便利用威胁捕捉偏好信息进一步阶段性优化第二电商业务风控检测事项。
对于一些可能性的实施例而言,可以结合与每个第二电商业务风控检测事项的威胁捕捉偏好存在关联的第一电商业务风控检测事项,对所述全局优化检测报告进行阶段性优化,获得所述存在风控要素优化需求的电商业务风控检测记录的第二已优化电商业务风控检测记录。
简单的理解,对于其中一个第二电商业务风控检测事项,可通过CNN挖掘与该第二电商业务风控检测事项的威胁捕捉偏好存在关联的第一电商业务风控检测事项的事项知识字段,该事项知识字段包括第一电商业务风控检测事项的威胁捕捉偏好信息。通过关键要素挖掘-关键要素翻译的CNN对该第二电商业务风控检测事项进行处理,提取该第二电商业务风控检测事项的事项知识字段;将该第二电商业务风控检测事项的事项知识字段与第一电商业务风控检测事项的事项知识字段加权;并利用加权后的事项知识字段对该第二电商业务风控检测事项进行优化,获得已优化电商业务风控检测事项。将若干个已优化电商业务风控检测事项与存在风控要素优化需求的电商业务风控检测记录的完整风控检测报告组合,可获得第二已优化电商业务风控检测记录。
利用本发明的实施例,能够对存在风控要素优化需求的电商业务风控检测记录进行风控要素全局优化,从电商业务风控检测记录的完整风控检测报告的电商业务风控检测事项中确定出与全局优化检测报告的电商业务风控检测事项的威胁捕捉偏好存在关联的电商业务风控检测事项;利用威胁捕捉偏好存在关联的电商业务风控检测事项更为细致地实现电商业务风控检测记录的风控要素优化,进而准确完整地实现对电商业务风控检测记录的优化,从而保障电商业务风控检测记录的信息完整性和丰富程度,便于后续根据第二已优化电商业务风控检测记录进行可信的风控策略定制。
对于一些可能性的实施例而言,可以事先设定有第一风控要素优化子模型,用作对存在风控要素优化需求的电商业务风控检测记录进行风控要素全局优化。该第一风控要素优化子模型为关键要素挖掘-关键要素翻译的CNN,能够提取电商业务风控检测记录的整体业务场景信息,并利用整体业务场景信息确定已优化电商业务风控检测记录。
对于一些可能性的实施例而言,第一风控要素优化子模型比如包括关键要素挖掘模块、关键要素扩张挖掘模块、关键要素转置挖掘模块、窗口化处理模块、分类模块等。其中,采用关键要素扩张挖掘模块能够提高第一风控要素优化子模型对整体业务场景信息的敏感性,进而能够提高阶段性优化质量。如此一来,能够实现存在风控要素优化需求的电商业务风控检测记录的风控要素全局优化。
在一种可独立实施的技术方案中,Step12可以包括如下Step121和Step122。
Step121:对于其中一个第二电商业务风控检测事项,依次确定出所述第二电商业务风控检测事项与所述若干个第一电商业务风控检测事项之间的共性评价值。
Step122:将共性评价值最大的不少于一个第一电商业务风控检测事项,确定为与所述第二电商业务风控检测事项的威胁捕捉偏好存在关联的第一电商业务风控检测事项。
在本发明实施例中,共性评价值可以理解为第二电商业务风控检测事项与若干个第一电商业务风控检测事项之间的相似度。
举例而言,可以事先设置有威胁捕捉偏好分析子模型,用作对第二电商业务风控检测事项与第一电商业务风控检测事项进行威胁捕捉偏好分析。对于其中一个第二电商业务风控检测事项,可以将该第二电商业务风控检测事项与威胁捕捉偏好集合中的若干个第一电商业务风控检测事项加载至威胁捕捉偏好分析子模型中进行处理,确定第二电商业务风控检测事项与每个第一电商业务风控检测事项之间的共性评价值。
比如,通过威胁捕捉偏好分析子模型挖掘第二电商业务风控检测事项和第一电商业务风控检测事项的事项知识字段;利用事项知识字段确定第二电商业务风控检测事项与每个第一电商业务风控检测事项之间的共性评价值分布情况;利用共性评价值分布情况确定出第二电商业务风控检测事项与每个第一电商业务风控检测事项之间的共性评价值。
对于一些可能性的实施例而言,威胁捕捉偏好分析子模型比如包括关键要素挖掘模块、归一化模块等。
对于一些可能性的实施例而言,可以将共性评价值最大的不少于一个第一电商业务风控检测事项,确定为与第二电商业务风控检测事项的威胁捕捉偏好存在关联的第一电商业务风控检测事项,比如挑选出共性评价值最大的四个第一电商业务风控检测事项,作为威胁捕捉偏好存在关联的第一电商业务风控检测事项。
如此一来,可以确定与第二电商业务风控检测事项的威胁捕捉偏好存在关联的第一电商业务风控检测事项,以方便利用威胁捕捉偏好信息进一步优化第二电商业务风控检测事项。
在一种可独立实施的技术方案中,Step13可以包括Step131和Step132。
Step131:结合与每个第二电商业务风控检测事项的威胁捕捉偏好存在关联的第一电商业务风控检测事项,依次对每个第二电商业务风控检测事项进行信息衍生,获得每个第二电商业务风控检测事项的已优化电商业务风控检测事项。
在本发明实施例中,对每个第二电商业务风控检测事项进行信息衍生可以理解为对每个第二电商业务风控检测事项进行信息补全处理。
Step132:对所述存在风控要素优化需求的电商业务风控检测记录的完整风控检测报告及每个第二电商业务风控检测事项的已优化电商业务风控检测事项进行组合,获得所述第二已优化电商业务风控检测记录。
在本发明实施例中,对于其中一个第二电商业务风控检测事项,可通过CNN挖掘与该第二电商业务风控检测事项的威胁捕捉偏好存在关联的第一电商业务风控检测事项的事项知识字段,该事项知识字段包括第一电商业务风控检测事项的威胁捕捉偏好信息。通过关键要素挖掘-关键要素翻译的CNN对该第二电商业务风控检测事项进行处理,挖掘该第二电商业务风控检测事项的事项知识字段;将该第二电商业务风控检测事项的事项知识字段与第一电商业务风控检测事项的事项知识字段加权;并利用加权后的事项知识字段对该第二电商业务风控检测事项进行优化,获得已优化电商业务风控检测事项。
对于一些可能性的实施例而言,将若干个已优化电商业务风控检测事项与存在风控要素优化需求的电商业务风控检测记录的完整风控检测报告组合,可以获得第二已优化电商业务风控检测记录。如此一来,可以进一步优化存在风控要素优化需求的电商业务风控检测记录,进而能够显著提高电商业务风控检测记录的优化质量。
对于一些可能性的实施例而言,结合与每个第二电商业务风控检测事项的威胁捕捉偏好存在关联的第一电商业务风控检测事项,依次对每个第二电商业务风控检测事项进行信息衍生,获得每个第二电商业务风控检测事项的已优化电商业务风控检测事项的步骤,可以包括Step1311-Step1314。
Step1311:对于其中一个第二电商业务风控检测事项,对所述第一已优化电商业务风控检测记录中与所述第二电商业务风控检测事项对应的第三电商业务风控检测事项进行检测事项知识挖掘,获得所述第三电商业务风控检测事项的事项知识字段,所述第三电商业务风控检测事项的检测指标数多于所述第二电商业务风控检测事项的检测指标数。
Step1312:对与所述第二电商业务风控检测事项的威胁捕捉偏好存在关联的第一电商业务风控检测事项进行检测事项知识挖掘,获得所述第一电商业务风控检测事项的事项知识字段。
Step1313:将所述第三电商业务风控检测事项的事项知识字段与所述第一电商业务风控检测事项的事项知识字段进行加权,获得所述第二电商业务风控检测事项的已加权事项知识字段(比如融合特征)。
Step1314:通过所述第二电商业务风控检测事项的已加权事项知识字段,确定所述第二电商业务风控检测事项的已优化电商业务风控检测事项。
举例而言,可以事先设置有第二风控要素优化子模型,用作对第一已优化电商业务风控检测记录进行优化。第二风控要素优化子模型包括一个关键要素挖掘-关键要素翻译的第一CNN和一个指定的第二CNN。第一CNN和第二CNN比如包括关键要素挖掘模块、关键要素扩张挖掘模块、关键要素转置挖掘模块、窗口化处理模块、分类模块等,本发明实施例对此不作限制。
对于一些可能性的实施例而言,对于其中一个第二电商业务风控检测事项,可以获取与该第二电商业务风控检测事项对应的第三电商业务风控检测事项。比如,可以在第一已优化电商业务风控检测记录中,以该第二电商业务风控检测事项的分布为基准进行衍生预测处理,获得第三电商业务风控检测事项。进一步地,该第三电商业务风控检测事项的检测指标数多于该第二电商业务风控检测事项的检测指标数,比如第二电商业务风控检测事项的检测指标数为64^2,第三电商业务风控检测事项的检测指标数为192^2。如此一来,可以记录第二电商业务风控检测事项及其关联风控检测报告的更全面的电商业务风控检测记录信息,以便于进一步提高电商业务风控检测记录的优化质量。
对于一些可能性的实施例而言,可以将第三电商业务风控检测事项输入第一CNN的关键要素挖掘中进行检测事项知识挖掘(可以理解为特征提取),获得第三电商业务风控检测事项的事项知识字段(可以理解为事项特征信息)。
对于一些可能性的实施例而言,可以将与第二电商业务风控检测事项的威胁捕捉偏好存在关联的第一电商业务风控检测事项输入第二CNN中进行检测事项知识挖掘。其中,在与第二电商业务风控检测事项的威胁捕捉偏好存在关联的第一电商业务风控检测事项为若干个的情况下,可以将若干个第一电商业务风控检测事项组合后,加载到第二CNN。通过处理后,获得第一电商业务风控检测事项的事项知识字段。
对于一些可能性的实施例而言,将第三电商业务风控检测事项的事项知识字段与第一电商业务风控检测事项的事项知识字段进行加权,获得第二电商业务风控检测事项的已加权事项知识字段;再将已加权事项知识字段加载至第一CNN的关键要素挖掘中,确定该第二电商业务风控检测事项的已优化电商业务风控检测事项。
对于一些可能性的实施例而言,可以进行若干层的事项知识字段加权。简单的理解,第一电商业务风控检测事项的事项知识字段包括若干层关键要素挖掘模块导出的事项知识字段,可以在第一CNN的关键要素翻译中相应的若干个阶段分别进行事项知识字段加权,对若干层已加权事项知识字段逐一进行之后的关键要素扩张挖掘、关键要素转置挖掘等处理,最后确定该第二电商业务风控检测事项的已优化电商业务风控检测事项。本发明实施例对此不作限制。
对于一些可能性的实施例而言,将若干个已优化电商业务风控检测事项与存在风控要素优化需求的电商业务风控检测记录的完整风控检测报告组合,可获得第二已优化电商业务风控检测记录,从而完成电商业务风控检测记录优化的完整流程。
如此一来,借助威胁捕捉偏好存在关联的第一电商业务风控检测事项参与第二电商业务风控检测事项的优化过程,可以通过第一电商业务风控检测事项中的部分威胁捕捉偏好信息,提高第二电商业务风控检测事项的分事项优化质量。
在一种可独立实施的技术方案中,利用本发明实施例的基于大数据安全风控的信息处理方法可以基于AI机器学习模型实施,所述AI机器学习模型包括第一风控要素优化子模型、威胁捕捉偏好分析子模型及第二风控要素优化子模型,所述第一风控要素优化子模型用作对存在风控要素优化需求的电商业务风控检测记录进行风控要素全局优化,所述威胁捕捉偏好分析子模型用作对所述第二电商业务风控检测事项与所述第一电商业务风控检测事项进行威胁捕捉偏好匹配,所述第二风控要素优化子模型用作对所述全局优化检测报告进行阶段性优化。
举例而言,利用本发明实施例的AI机器学习模型包括第一风控要素优化子模型network21、威胁捕捉偏好分析子模型network22及第二风控要素优化子模型network23。比如,存在风控要素优化需求的电商业务风控检测记录record-Im包括待优化的非完整风控检测报告和完整检测记录的完整风控检测报告。可以将存在风控要素优化需求的电商业务风控检测记录record-Im加载至第一风控要素优化子模型network21中进行风控要素全局优化,获得第一已优化电商业务风控检测记录record-Is。第一已优化电商业务风控检测记录record-Is包含与非完整风控检测报告对应的全局优化检测报告。
在一些示例中,可以对全局优化检测报告进行拆分,获得第二电商业务风控检测事项的集合,每个第二电商业务风控检测事项的检测指标数为64^2。
在一些示例中,可以对存在风控要素优化需求的电商业务风控检测记录record-Im的完整风控检测报告进行拆分,获得若干个第一电商业务风控检测事项,检测指标数为64^2;利用若干个第一电商业务风控检测事项,确定出存在风控要素优化需求的电商业务风控检测记录的威胁捕捉偏好集合set24。
在一些示例中,对于任意第二电商业务风控检测事项case,可以将该第二电商业务风控检测事项和威胁捕捉偏好集合set24中的若干个第一电商业务风控检测事项加载至威胁捕捉偏好分析子模型network22,导出与该第二电商业务风控检测事项的威胁捕捉偏好存在关联的四个第一电商业务风控检测事项event221。
在一些示例中,可以在第一已优化电商业务风控检测记录中,以每个第二电商业务风控检测事项case为基准逐一进行衍生处理,获得第三电商业务风控检测事项的集合每个第三电商业务风控检测事项的检测指标数为192^2。
在一些示例中,可以将第二电商业务风控检测事项case对应的第三电商业务风控检测事项和威胁捕捉偏好存在关联的四个第一电商业务风控检测事项event221输入第二风控要素优化子模型network23中,获得第二电商业务风控检测事项case的已优化电商业务风控检测事项。第一电商业务风控检测事项event221的若干层事项知识字段分别与第三电商业务风控检测事项的若干层事项知识字段进行了加权。
进一步地,对若干个第二电商业务风控检测事项分别处理,获得若干个已优化电商业务风控检测事项event231;将若干个已优化电商业务风控检测事项event231与存在风控要素优化需求的电商业务风控检测记录的完整风控检测报告进行组合,获得第二已优化电商业务风控检测记录record-25,从而完成整个电商业务风控检测记录优化过程。
基于以上内容,在应用本发明实施例的AI机器学习模型之前,可以对AI机器学习模型进行调试。
在一种可独立实施的技术方案中,所述方法还包括:利用事先设定的模型调试示例簇,调试所述AI机器学习模型,所述模型调试示例簇包括若干个示例型电商业务风控检测记录及与所述示例型电商业务风控检测记录对应的目标电商业务风控检测记录,每个示例型电商业务风控检测记录包括完整风控检测报告及非完整风控检测报告。
举例而言,可以事先设置有模型调试示例簇,模型调试示例簇中包括若干个示例型电商业务风控检测记录及与所述示例型电商业务风控检测记录对应的目标电商业务风控检测记录。比如挑选现有电商业务风控检测记录库中的目标电商业务风控检测记录,或其它方法获取的目标电商业务风控检测记录;对目标电商业务风控检测记录的局部风控检测报告进行主动性缺陷化处理,获得相应的示例型电商业务风控检测记录,使得每个示例型电商业务风控检测记录包括完整风控检测报告及非完整风控检测报告。本发明实施例对此不作限制。
对于一些可能性的实施例而言,利用事先设定的模型调试示例簇,调试所述AI机器学习模型的步骤,可以包括Step21-Step23。
Step21:将所述示例型电商业务风控检测记录加载到所述AI机器学习模型中进行处理,获得所述示例型电商业务风控检测记录的全局优化检测记录以及若干个已优化风控检测事项示例。
Step22:对所述示例型电商业务风控检测记录的完整风控检测报告及所述若干个已优化风控检测事项示例进行组合,获得所述示例型电商业务风控检测记录的已优化风控检测记录示例。
Step23:通过所述示例型电商业务风控检测记录的全局优化检测记录、所述已优化风控检测记录示例及所述目标电商业务风控检测记录,调试所述AI机器学习模型。
举例而言,可以将模型调试示例簇中的示例型电商业务风控检测记录加载至第一风控要素优化子模型中,获得示例型电商业务风控检测记录的全局优化检测记录,该全局优化检测记录包括全局优化检测报告;利用示例型电商业务风控检测记录的完整风控检测报告的若干个电商业务风控检测事项,确定威胁捕捉偏好集合;将全局优化检测报告的任一示例型电商业务风控检测事项及完整风控检测报告的若干个电商业务风控检测事项加载到威胁捕捉偏好分析子模型,获得与该示例型电商业务风控检测事项的威胁捕捉偏好存在关联的不少于一个电商业务风控检测事项。如此一来,对全局优化检测报告的每个示例型电商业务风控检测事项分别处理,可获得与每个示例型电商业务风控检测事项的威胁捕捉偏好存在关联的第一电商业务风控检测事项。
对于一些可能性的实施例而言,对全局优化检测报告的示例型电商业务风控检测事项进行衍生预测,获得第三电商业务风控检测事项;将第三电商业务风控检测事项和威胁捕捉偏好存在关联的第一电商业务风控检测事项加载到第二风控要素优化子模型中获得相应的已优化风控检测事项示例。
对于一些可能性的实施例而言,对所述示例型电商业务风控检测记录的完整风控检测报告及所述若干个已优化风控检测事项示例进行组合,获得所述示例型电商业务风控检测记录的已优化风控检测记录示例;进而利用示例型电商业务风控检测记录的全局优化检测记录、所述已优化风控检测记录示例及所述目标电商业务风控检测记录,可调试所述AI机器学习模型。如此一来,可以实现AI机器学习模型的调试过程。
在一种可独立实施的技术方案中,通过所述示例型电商业务风控检测记录的全局优化检测记录、所述已优化风控检测记录示例及所述目标电商业务风控检测记录,调试所述AI机器学习模型的步骤,可以包括如下内容。
Step231:通过所述全局优化检测记录及所述目标电商业务风控检测记录,确定所述AI机器学习模型的全局优化模型代价。
Step232:通过所述已优化风控检测记录示例的若干个已优化风控检测事项示例及所述目标电商业务风控检测记录的若干个目标电商业务风控检测事项,确定所述AI机器学习模型的事项拆解模型代价。
Step233:通过所述已优化风控检测记录示例及所述目标电商业务风控检测记录,确定所述AI机器学习模型的综合风控优化模型代价。
Step234:通过所述全局优化模型代价、所述事项拆解模型代价及所述综合风控优化模型代价,调试所述AI机器学习模型。
举例而言,可以从每个方面限定AI机器学习模型的模型代价。第一方面,利用全局优化检测记录与目标电商业务风控检测记录之间的偏差信息,可以确定第一风控要素优化子模型的模型代价,可以理解,AI机器学习模型的全局优化模型代价(比如损失函数)。
进一步地,利用已优化风控检测记录示例的已优化风控检测事项示例与目标电商业务风控检测记录的事项定位标签的目标电商业务风控检测事项之间的偏差信息,可以确定每个电商业务风控检测事项的优化模型代价,可以理解为AI机器学习模型的事项拆解模型代价。
更进一步地,已优化风控检测记录示例与目标电商业务风控检测记录之间的偏差信息,可以确定整体电商业务风控检测记录的优化模型代价,可以理解为AI机器学习模型的综合风控优化模型代价。
对于一些可能性的实施例而言,可以将全局优化模型代价、事项拆解模型代价及综合风控优化模型代价的全局处理,确定为AI机器学习模型的全局模型代价;利用该全局模型代价逆向更新AI机器学习模型的变量。通过若干次更新,在符合调试要求(比如模型趋于稳定)的前提下,可以获得调试后的AI机器学习模型。如此一来,可提高AI机器学习模型调试质量,获得可信度较高的AI机器学习模型。
对于一些可能性的实施例而言,可通过联合调试的思路,进一步提高AI机器学习模型调试质量。其中,利用本发明实施例的AI机器学习模型还可包括第一优化校验子模型,基于此,所述利用事先设定的模型调试示例簇,调试所述AI机器学习模型的步骤,该方法还可以包括Step31和Step32。
Step31:将与所述示例型电商业务风控检测记录对应的目标电商业务风控检测记录的若干个目标电商业务风控检测事项和事项定位标签的已优化风控检测事项示例,分别加载到所述第一优化校验子模型中进行处理,获得所述目标电商业务风控检测事项的第一优化校验信息及所述已优化风控检测事项示例的第二优化校验信息。
Step32:通过所述第一优化校验信息及所述第二优化校验信息,联合调试所述AI机器学习模型。
举例而言,可以事先设置有第一优化校验子模型,作为联合调试的优化校验模块;将第一风控要素优化子模型、威胁捕捉偏好分析子模型及第二风控要素优化子模型作为联合调试的处理模块。
可以理解,在调试过程中,可以将目标电商业务风控检测记录的目标电商业务风控检测事项加载到第一优化校验子模型,获得第一优化校验信息;将事项定位标签的已优化风控检测事项示例加载到第一优化校验子模型,获得第二优化校验信息。
对于一些可能性的实施例而言,利用第一优化校验信息和第二优化校验信息,可以确定AI机器学习模型的阶段性联合模型代价;利用该阶段性联合模型代价,分别调整处理模块和优化校验模块的变量,从而实现处理模块和优化校验模块的联合调试。
在联合调试中,优化校验模块想要区别目标电商业务风控检测事项和已优化风控检测事项示例;处理模块想要模糊目标电商业务风控检测事项和已优化风控检测事项示例,两者相互影响,使得能够一并提高处理模块和优化校验模块的准确度。
在一种可独立实施的技术方案中,所述利用事先设定的模型调试示例簇,调试所述AI机器学习模型,该方法还可以包括Step41-Step43。
Step41:确定所述示例型电商业务风控检测记录的完整风控检测报告的若干个电商业务风控检测事项的第一事项关系网,以及所述若干个已优化风控检测事项示例的第二事项关系网。
Step42:将所述第一事项关系网和所述第二事项关系网分别加载到所述第一优化校验子模型中进行处理,获得第三优化校验信息和第四优化校验信息。
Step43:通过所述第一优化校验信息、所述第二优化校验信息、所述第三优化校验信息及所述第四优化校验信息,联合调试所述AI机器学习模型。
举例而言,为了充分利用已认证的威胁捕捉偏好,关联完整风控检测报告的威胁捕捉偏好标签,可以通过第一优化校验子模型对电商业务风控检测事项的事项关系网进行优化校验,以便进一步提高调试性能。
对于一些可能性的实施例而言,利用示例型电商业务风控检测记录的威胁捕捉偏好集合中的若干个电商业务风控检测事项,可以确定出该若干个电商业务风控检测事项的事项关系网(可以理解为第一事项关系网);利用示例型电商业务风控检测记录的若干个已优化风控检测事项示例,可以确定出若干个已优化风控检测事项示例的事项关系网(可以理解为第二事项关系网)。
对于一些可能性的实施例而言,可以将第一事项关系网和所述第二事项关系网分别加载到所述第一优化校验子模型中进行处理,获得第三优化校验信息和第四优化校验信息;进而可以利用第一优化校验信息、第二优化校验信息、第三优化校验信息及第四优化校验信息,确定AI机器学习模型的阶段性联合模型代价;利用该阶段性联合模型代价,分别调整处理模块和优化校验模块的变量,从而实现处理模块和优化校验模块的联合调试。
在联合调试中,优化校验模块想要区别目标电商业务风控检测事项和已优化风控检测事项示例;处理模块想要模糊目标电商业务风控检测事项和已优化风控检测事项示例;同时,优化校验模块想要区别目标电商业务风控检测事项的事项关系网和已优化风控检测事项示例的事项关系网,处理模块想要模糊目标电商业务风控检测事项的事项关系网和已优化风控检测事项示例的事项关系网,两者相互影响,这样能够同时提高处理模块和优化校验模块的准确性。
可以理解的是,通过联合调试后,能够使得已优化风控检测事项示例更趋向于目标电商业务风控检测事项,已优化风控检测事项示例的事项关系网更趋向于目标电商业务风控检测事项的事项关系网,从而能够显著提高AI机器学习模型调试质量。
对于一些可能性的实施例而言,可以将联合调试增添到前面的调试过程,换言之,将阶段性联合模型代价增添到AI机器学习模型的事项拆解模型代价中,并将相关的模型代价的加权结果确定为AI机器学习模型的事项拆解模型代价,从而提高AI机器学习模型调试质量。
在一种可独立实施的技术方案中,利用本发明实施例的AI机器学习模型还可以包括第二优化校验子模型。基于此,所述利用事先设定的模型调试示例簇,调试所述AI机器学习模型的步骤,还可可以包括Step51和Step52。
Step51:将与所述示例型电商业务风控检测记录对应的目标电商业务风控检测记录以及所述已优化风控检测记录示例,分别加载到所述第二优化校验子模型中进行处理,获得所述目标电商业务风控检测记录的第五优化校验信息及所述已优化风控检测记录示例的第六优化校验信息。
Step52:通过所述第五优化校验信息及所述第六优化校验信息,联合调试所述AI机器学习模型。
举例而言,可以事先设置有第二优化校验子模型,作为联合调试的优化校验模块;将第一风控要素优化子模型、威胁捕捉偏好分析子模型及第二风控要素优化子模型作为联合调试的处理模块。
进一步地,在调试过程中,可以将目标电商业务风控检测记录加载到第二优化校验子模型,获得第五优化校验信息;将对应的已优化风控检测事项示例加载到第二优化校验子模型,获得第六优化校验信息。
对于一些可能性的实施例而言,利用第五优化校验信息和第六优化校验信息,可以确定AI机器学习模型的全局联合模型代价;利用该全局联合模型代价,分别调整处理模块和优化校验模块的变量,从而实现处理模块和优化校验模块的联合调试。
对于一些可能性的实施例而言,可以将联合调试增添到前面的调试过程,比如,将全局联合模型代价增添到AI机器学习模型的综合风控优化模型代价中,并将全局联合模型代价与噪声模型代价的加权结果,确定为AI机器学习模型的综合风控优化模型代价,从而能够显著提高AI机器学习模型调试质量。
利用本发明实施例的基于大数据安全风控的信息处理方法,通过威胁捕捉偏好集合的思路,能够快速、准确的获得有效的威胁捕捉偏好数据;通过阶段性事项处理的思路可以提高处理效率;在调试中,能够通过联合调试提高AI机器学习模型调试质量,进一步提高确定威胁捕捉偏好的精度。
利用本发明实施例的基于大数据安全风控的信息处理方法,能够应用于电商风控检测场景下,从而保障风控检测报告的完整性和可信度。
在一种可独立实施的技术方案中,在确定出第二已优化电商业务风控检测记录之后,该方法还可以包括如下内容:基于所述第二已优化电商业务风控检测记录进行风控策略定制,得到目标风控策略;将所述目标风控策略进行部署。
在本发明实施例中,第二已优化电商业务风控检测记录是不存在内容缺失的风控检测记录,因此可以基于第二已优化电商业务风控检测记录确定目标电商业务的目标风控策略,该目标风控策略包括针对不同风控漏洞的应对措施或者防护规则等,部署目标风控策略时,可以根据信息处理服务器或者电商业务客户端的算力进行单向部署或者双向部署,如果信息处理服务器和电商业务客户端的算力均能够承载目标风控策略,可以实现双向部署,如果电商业务客户端的算力不能承载目标风控策略,可以仅在信息处理服务器侧部署,且单向部署和双向部署的部署方式可以适应性调整,在此不作限定。
在一种可独立实施的技术方案中,基于所述第二已优化电商业务风控检测记录进行风控策略定制,得到目标风控策略,可以通过如下技术方案实现:基于所述第二已优化电商业务风控检测记录获得风控漏洞知识集合,其中,所述风控漏洞知识集合包括存在联系的Y组风控漏洞知识,所述Y为大于或等于1的整数;根据所述风控漏洞知识集合获得参考防护知识集合,其中,所述参考防护知识集合包括存在联系的Y组参考防护知识;基于所述风控漏洞知识集合,通过风控漏洞处理网络所包括的第一漏洞表现挖掘节点获得风控漏洞异常表现分布集合,其中,所述风控漏洞异常表现分布集合包括Y个风控漏洞异常表现分布;基于所述参考防护知识集合,通过所述风控漏洞处理网络所包括的第二漏洞表现挖掘节点获得参考防护异常表现分布集合,其中,所述参考防护异常表现分布集合包括Y个参考防护异常表现分布;基于所述风控漏洞异常表现分布集合以及所述参考防护异常表现分布集合,通过所述风控漏洞处理网络所包括的分类节点获得所述风控漏洞知识所对应的策略命中评分;根据所述策略命中评分确定所述风控漏洞知识集合的目标风控策略。
在本发明实施例中,可以基于风控漏洞知识集合对应的漏洞修复记录确定参考防护知识集合,比如按照在先的修复记录定位历史防护信息,然后根据历史防护信息确定参考防护知识集合。可以理解的是,基于对风控漏洞知识集合以及参考防护知识集合的联动分析,能够准确得到风控漏洞知识所对应的策略命中评分,从而精准定位风控漏洞知识集合的目标风控策略。
在一种可独立实施的技术方案中,所述基于所述风控漏洞异常表现分布集合以及所述参考防护异常表现分布集合,通过所述风控漏洞处理网络所包括的分类节点获得所述风控漏洞知识集合所对应的策略命中评分,包括:基于所述风控漏洞异常表现分布集合,通过所述风控漏洞处理网络所包括的第一场景聚焦单元获得Y个第一漏洞表现数组,其中,每个第一漏洞表现数组对应于一个风控漏洞异常表现分布;基于所述参考防护异常表现分布集合,通过所述风控漏洞处理网络所包括的第二场景聚焦单元获得Y个第二漏洞表现数组,其中,每个第二漏洞表现数组对应于一个参考防护异常表现分布;对所述Y个第一漏洞表现数组以及所述Y个第二漏洞表现数组进行组装处理,得到Y个目标漏洞表现数组,其中,每个目标漏洞表现数组包括一个第一漏洞表现数组以及一个第二漏洞表现数组;基于所述Y个目标漏洞表现数组,通过所述风控漏洞处理网络所包括的所述分类节点获得所述风控漏洞知识集合所对应的策略命中评分。
在一种可独立实施的技术方案中,所述基于所述风控漏洞异常表现分布集合,通过所述风控漏洞处理网络所包括的第一场景聚焦单元获得Y个第一漏洞表现数组,包括:对于所述风控漏洞异常表现分布集合中的每组风控漏洞异常表现分布,通过所述第一场景聚焦单元所包括的maxpool模块获得第一maxpool异常表现分布,其中,所述第一场景聚焦单元属于所述风控漏洞处理网络;对于所述风控漏洞异常表现分布集合中的每组风控漏洞异常表现分布,通过所述第一场景聚焦单元所包括的avepool模块获得第一avepool异常表现分布;对于所述风控漏洞异常表现分布集合中的每组风控漏洞异常表现分布,基于所述第一maxpool异常表现分布以及所述第一avepool异常表现分布,通过所述第一场景聚焦单元所包括的卷积模块获得第一目标异常表现分布;对于所述风控漏洞异常表现分布集合中的每组风控漏洞异常表现分布,基于所述第一目标异常表现分布以及所述风控漏洞异常表现分布,通过所述第一场景聚焦单元所包括的第一avepool模块获得第一漏洞表现数组。
基于同样的发明构思,图2示出了本发明实施例提供的基于大数据安全风控的信息处理装置的模块框图,基于大数据安全风控的信息处理装置可以包括实施图1所示的相关方法步骤的全局优化模块21,用于对存在风控要素优化需求的电商业务风控检测记录进行风控要素全局优化,获得第一已优化电商业务风控检测记录,所述存在风控要素优化需求的电商业务风控检测记录包含完整风控检测报告及非完整风控检测报告,所述第一已优化电商业务风控检测记录包含与所述非完整风控检测报告对应的全局优化检测报告;事项确定模块22,用于通过所述完整风控检测报告的若干个第一电商业务风控检测事项以及所述全局优化检测报告的若干个第二电商业务风控检测事项,依次确定与每个第二电商业务风控检测事项的威胁捕捉偏好存在关联的第一电商业务风控检测事项;阶段优化模块23,用于结合与每个第二电商业务风控检测事项的威胁捕捉偏好存在关联的第一电商业务风控检测事项,对所述全局优化检测报告进行阶段性优化,获得所述存在风控要素优化需求的电商业务风控检测记录的第二已优化电商业务风控检测记录。
应用于本发明的相关实施例可以达到如下技术效果:能够对存在风控要素优化需求的电商业务风控检测记录进行风控要素全局优化,从电商业务风控检测记录的完整风控检测报告的电商业务风控检测事项中确定出与全局优化检测报告的电商业务风控检测事项的威胁捕捉偏好存在关联的电商业务风控检测事项;利用威胁捕捉偏好存在关联的电商业务风控检测事项更为细致地实现电商业务风控检测记录的风控要素优化,进而准确完整地实现对电商业务风控检测记录的优化,从而保障电商业务风控检测记录的信息完整性和丰富程度,便于后续根据第二已优化电商业务风控检测记录进行可信的风控策略定制。
以上所述,仅为本发明的具体实施方式。熟悉本技术领域的技术人员根据本发明提供的具体实施方式,可想到变化或替换,都应涵盖在本发明的保护范围之内。