CN114971638A - 基于风险识别的交易认证方法及装置 - Google Patents
基于风险识别的交易认证方法及装置 Download PDFInfo
- Publication number
- CN114971638A CN114971638A CN202210540392.5A CN202210540392A CN114971638A CN 114971638 A CN114971638 A CN 114971638A CN 202210540392 A CN202210540392 A CN 202210540392A CN 114971638 A CN114971638 A CN 114971638A
- Authority
- CN
- China
- Prior art keywords
- transaction
- information
- risk
- characteristic information
- authentication
- 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
- G06Q20/38—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
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
-
- 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
- G06Q20/38—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
- G06Q20/4014—Identity check for transactions
-
- 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
- G06Q20/4015—Transaction verification using location information
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Computer Security & Cryptography (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种基于风险识别的交易认证方法及装置,可用于金融领域或其他技术领域。所述基于风险识别的交易认证方法包括:获取交易请求中请求进行的交易的特征信息;将所述特征信息输入预先建立的风险预测模型,以使所述风险预测模型输出所述交易的风险等级;根据所述交易的风险等级,对所述交易进行交易认证。所述装置用于执行所述方法。本发明实施例提供的基于风险识别的交易认证方法及装置,属于事中风险处理,能够及时警告或阻断风险交易,提高客户资金的安全性,提升客户交易的体验性。
Description
技术领域
本发明涉及金融或其他技术领域,具体涉及一种基于风险识别的交易认证方法及装置。
背景技术
网银:即网上银行,电子渠道的一种,各银行利用网络技术,通过互联网向客户提供服务,使用户能够实现足不出户就可以办理开销户、转账、对账、投资理财等传统服务项目。
现有的针对网银的交易风险防控方法,一是跟踪交易发送监控系统,并事后核实确认,一是事前风险拦截。前者客户已经蒙受资金损失,追回困难重重,后者虽然可以避免及时规避风险,但是也会使客户的正常交易受到影响。
发明内容
本发明实施例提供一种基于风险识别的交易认证方法及装置,属于事中风险处理,能够及时警告或阻断风险交易,提高客户资金的安全性,提升客户交易的体验性。
一方面,本发明实施例提供一种基于风险识别的交易认证方法,包括:获取交易请求中请求进行的交易的特征信息;将所述特征信息输入预先建立的风险预测模型,以使所述风险预测模型输出所述交易的风险等级;根据所述交易的风险等级,对所述交易进行交易认证。
可选的,所述特征信息包括以下至少一种:交易请求方的身份信息、所使用的设备的信息、交易信息;其中,
所述交易请求方的身份信息包括交易请求方的企业信息、交易请求方的状态信息和/或交易请求方的开户机构;
所述交易请求方所使用的设备的信息包括设备类型、设备所在的地理位置和/或设备的IP地址;
所述交易信息包括交易金额、交易时间和/或交易对手方信息。
可选的,所述根据所述交易的风险等级,对所述交易进行交易认证包括:
在预设的映射关系表中查找与所述风险等级相对应的交易认证方式;
按照所述交易认证方式对所述交易进行交易认证。
可选的,在将所述特征信息输入预先建立的风险预测模型,以使所述风险预测模型输出所述交易的风险等级之前,所述方法还包括:
利用主成分分析方法对特征信息数据库中的每条交易的特征信息进行预处理,得到每条交易的特征信息的主成分;
以所述特征信息库中每条交易的特征信息的主成分的值作为输入、以该条交易的风险等级作为标签,对神经网络模型进行训练,得到风险预测模型。
另一方面,本发明实施例提供一种基于风险识别的交易认证装置,包括:
获取模块,用于获取交易请求中请求进行的交易的特征信息;
输入模块,用于将所述特征信息输入预先建立的风险预测模型,以使所述风险预测模型输出所述交易的风险等级;
认证模块,用于根据所述交易的风险等级,对所述交易进行交易认证。
可选的,所述特征信息包括以下至少一种:交易请求方的身份信息、所使用的设备的信息、交易信息;其中,
所述交易请求方的身份信息包括交易请求方的企业信息、交易请求方的状态信息和/或交易请求方的开户机构;
所述交易请求方所使用的设备的信息包括设备类型、设备所在的地理位置和/或设备的IP地址;
所述交易信息包括交易金额、交易时间和/或交易对手方信息。
可选的,所述认证模块具体用于:
在预设的映射关系表中查找与所述风险等级相对应的认证方式;
按照所述认证方式对所述交易进行交易认证。
可选的,所述装置还包括:
利用主成分分析方法对特征信息数据库中的每条交易的特征信息进行预处理,得到每条交易的特征信息的主成分;
以所述特征信息库中每条交易的特征信息的主成分的值作为输入、以该条交易的风险等级作为标签,对神经网络模型进行训练,得到风险预测模型。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任一实施例所述的方法。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述任一实施例所述的方法。
本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现上述任一实施例所述的方法。
本发明实施例提供的基于风险识别的交易认证方法及装置,获取交易请求中请求进行的交易的特征信息;将所述特征信息输入预先建立的风险预测模型,以使所述风险预测模型输出所述交易的风险等级;根据所述交易的风险等级,对所述交易进行交易认证。这样,通过运用大数据、人工智能等互联网技术,采集分析客户动账交易的多维度信息,对交易进行实时管控与精准拦截,根据风险等级采取拒绝交易、加强认证等方式对客户进行核实,及时警告或阻断风险交易,进一步加强交易风险管控能力,防范交易风险。且本发明实施例提供的基于风险识别的交易认证方法,属于事中风险处理,并且根据客户交易信息评定为不同的风险等级,进而采用对应的风险应对策略,及时警告或阻断风险交易,提高客户资金的安全性,提升客户交易的体验性。
附图说明
为了更清楚地说明本发明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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1是本发明一实施例提供的一种基于风险识别的交易认证方法的流程示意图。
图2是本发明另一实施例提供的一种基于风险识别的交易认证方法的流程示意图。
图3是本发明又一实施例提供的一种基于风险识别的交易认证方法的流程示意图。
图4是本发明一实施例提供的一种基于风险识别的交易认证方法的部分流程示意图。
图5是本发明一实施例提出的一种基于风险识别的交易认证装置的结构示意图。
图6是本发明一实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意排序。
关于本文中所使用的“第一”、“第二”、……等,并非特别指称次序或顺位的意思,亦非用以限定本发明,其仅为了区别以相同技术用语描述的元件或操作。
关于本文中所使用的“包含”、“包括”、“具有”、“含有”等等,均为开放性的用语,即意指包含但不限于。
关于本文中所使用的“及/或”,包括所述事物的任一或全部排序。
本申请中技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
本发明实施例提供的基于风险识别的交易认证方法的执行主体包括但不限于计算机。
图1是本发明一实施例提供的基于风险识别的交易认证方法的流程示意图,如图1所示,本发明实施例提供的基于风险识别的交易认证方法,包括:
S101、获取交易请求中请求进行的交易的特征信息;
本步骤,所述交易请求可以是客户端发送的,例如客户通过客户端发起转账交易请求;所述交易请求中携带有请求的交易的具体信息,例如交易请求方的信息、交易对手方的信息、交易金额、交易时间等,交易的特征信息是指与所述交易相关的信息,可以包括但不限于所述交易请求中的信息。
S102、将所述特征信息输入预先建立的风险预测模型,以使所述风险预测模型输出所述交易的风险等级;
本步骤,所述风险预测模型可以是预先运用大数据算法,根据不同信息影响因子和权重,进行多维建模,建立的风险预测模型,进行风险等级评估。例如常见的大数据算法:人工神经网络,机器学习,线性回归,决策树等等。
在实时获取到交易请求中请求进行的交易的特征信息之后,代入所述风险预测模型即可获得该交易的风险等级。
S103、根据所述交易的风险等级,对所述交易进行交易认证。
本步骤,根据风险预测模型评估的风险等级,进行不同等级的风险应对策略,比如短信认证、客户电话认证、人脸识别认证、临柜认证等。
本发明实施例提供的基于风险识别的交易认证方法,通过获取交易请求中请求进行的交易的特征信息;将所述特征信息输入预先建立的风险预测模型,以使所述风险预测模型输出所述交易的风险等级;根据所述交易的风险等级,对所述交易进行交易认证。这样,通过运用大数据、人工智能等互联网技术,采集分析客户动账交易的多维度信息,对交易进行实时管控与精准拦截,根据风险等级采取拒绝交易、加强认证等方式对客户进行核实,及时警告或阻断风险交易,进一步加强交易风险管控能力,防范交易风险。
且本发明实施例提供的基于风险识别的交易认证方法,属于事中风险处理,并且根据客户交易信息评定为不同的风险等级,进而采用对应的风险应对策略,及时警告或阻断风险交易,提高客户资金的安全性,提升客户交易的体验性。
可选的,所述特征信息包括以下至少一种:交易请求方的身份信息、所使用的设备的信息、交易信息;其中,所述交易请求方的身份信息包括交易请求方的企业信息、交易请求方的状态信息和/或交易请求方的开户机构;所述交易请求方所使用的设备的信息包括设备类型、设备所在的地理位置和/或设备的IP地址;所述交易信息包括交易金额、交易时间和/或交易对手方信息。
本实施例,所述交易请求方是指发起所述交易请求的客户,可在客户登录网银APP(应用程序)时,通过身份认证获取客户的身份信息,例如包括客户的企业信息、客户状态、开户机构等;二是通过前置控件采集客户当前操作使用的设备信息,包括设备类型、地理位置、IP地址等;三是客户在发起交易请求时记录相关的交易信息,包括交易金额、交易时间、交易对手方信息等。
本申请实施例中的用户信息均是通过合法合规途径获得,并且对用户信息的获取、存储、使用、处理等经过客户授权同意的,用于交易风险管控。
如图2所示,可选的,所述根据所述交易的风险等级,对所述交易进行交易认证包括:
S1031、在预设的映射关系表中查找与所述风险等级相对应的交易认证方式;
本步骤,如图3所示,根据风险预测模型评估的风险等级,网银系统和客户需进行不同的风险应对。按照风险从高到低,可分为四个等级:一级-交易拒绝、二级-客户二次确认、三级-通知风险、四级-交易放行。其中一级、三级、四级均为标准模式,需客户二次确认的二级风险,则可细分为多个风险应对措施,可以根据需求进行定制。具体应对分级如下表:
S1032、按照所述交易认证方式对所述交易进行交易认证。
本步骤,对于风险等级低的交易,进行放行处理;对于判定为存在较高风险等级的交易,根据不同的风险等级,进行不同的加强认证方法,包括网银弹窗提示、短信上行确认、电话外呼核实、人脸识别认证等方式。
如图4所示,可选的,在将所述特征信息输入预先建立的风险预测模型,以使所述风险预测模型输出所述交易的风险等级之前,所述方法还包括:
S104、利用主成分分析方法对特征信息数据库中的每条交易的特征信息进行预处理,得到每条交易的特征信息的主成分;
本步骤,所述特征数据库中保存有预先采集的交易的特征信息。对每条交易的特征信息,通过主成分分析方法进行预处理,选取目标个数个主成分进行建模(例如前5个)。
主成分分析(Principal Component Analysis,PCA),是一种统计方法。通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量,转换后的这组变量叫主成分。在用统计分析方法研究多变量的课题时,变量个数太多就会增加课题的复杂性。主成分分析是对于原先提出的所有变量,将重复的变量(关系紧密的变量)删去多余,建立尽可能少的新变量,使得这些新变量是两两不相关的,而且这些新变量在反映课题的信息方面尽可能保持原有的信息。
S105、以所述特征信息库中每条交易的特征信息的主成分的值作为输入、以该条交易的风险等级作为标签,对神经网络模型进行训练,得到风险预测模型。
本步骤,每条交易的风险等级可以是预先定义好的,例如可以利用专家评价法预先评估每条所述交易的风险等级;所述神经网络模型具体可以选用线性回归模型,线性回归模型通过最小二乘法对建模主成分及风险等级求解方程,求得方程解即为风险预测模型。当新的交易的特征信息采集到之后,通过主成分分析方法进行预处理,得到该条新的交易的特征信息的主成分,将主成分输入风险预测模型即可获得该条新的交易的风险等级。应当理解的是,一些线性回归模型中包括利用主成分分析方法对输入的一组变量进行降维操作这一前置步骤,这时,直接将特征信息数据库中的每条交易的特征信息输入至该线性模型中即可,无需再进行前置的降维操作,该方法与本实施例所提供的方法等同。
图5是本发明一实施例提出的一种基于风险识别的交易认证装置的结构示意图,如图5所示,本发明实施例提出的一种基于风险识别的交易认证装置,包括:
获取模块21,用于获取交易请求中请求进行的交易的特征信息;
输入模块22,用于将所述特征信息输入预先建立的风险预测模型,以使所述风险预测模型输出所述交易的风险等级;
认证模块23,用于根据所述交易的风险等级,对所述交易进行交易认证。
本发明实施例提供的基于风险识别的交易认证装置,通过获取交易请求中请求进行的交易的特征信息;将所述特征信息输入预先建立的风险预测模型,以使所述风险预测模型输出所述交易的风险等级;根据所述交易的风险等级,对所述交易进行交易认证。这样,通过运用大数据、人工智能等互联网技术,采集分析客户动账交易的多维度信息,对交易进行实时管控与精准拦截,根据风险等级采取拒绝交易、加强认证等方式对客户进行核实,及时警告或阻断风险交易,进一步加强交易风险管控能力,防范交易风险。
且本发明实施例提供的基于风险识别的交易认证装置,属于事中风险处理,并且根据客户交易信息评定为不同的风险等级,进而采用对应的风险应对策略,及时警告或阻断风险交易,提高客户资金的安全性,提升客户交易的体验性。
可选的,所述特征信息包括以下至少一种:交易请求方的身份信息、所使用的设备的信息、交易信息;其中,所述交易请求方的身份信息包括交易请求方的企业信息、交易请求方的状态信息和/或交易请求方的开户机构;所述交易请求方所使用的设备的信息包括设备类型、设备所在的地理位置和/或设备的IP地址;所述交易信息包括交易金额、交易时间和/或交易对手方信息。
可选的,所述认证模块具体用于:在预设的映射关系表中查找与所述风险等级相对应的认证方式;按照所述认证方式对所述交易进行交易认证。
可选的,所述装置还包括:利用主成分分析方法对特征信息数据库中的每条交易的特征信息进行预处理,得到每条交易的特征信息的主成分;以所述特征信息库中每条交易的特征信息的主成分的值作为输入、以该条交易的风险等级作为标签,对神经网络模型进行训练,得到风险预测模型。
本发明实施例提供的装置的实施例具体可以用于执行上述各基于风险识别的交易认证方法实施例的处理流程,其功能在此不再赘述,可以参照上述方法实施例的详细描述。
需要说明的是,本发明实施例提供的基于风险识别的交易认证方法及装置可用于金融领域,也可用于除金融领域之外的任意技术领域,本发明实施例对基于风险识别的交易认证方法及装置的应用领域不做限定。
图6为本发明一实施例提供的电子设备的实体结构示意图,如图6所示,该电子设备可以包括:处理器(processor)301、通信接口(CommunicationsInterface)302、存储器(memory)303和通信总线304,其中,处理器301,通信接口302,存储器303通过通信总线304完成相互间的通信。处理器301可以调用存储器303中的逻辑指令,以执行上述任一实施例所述的方法,例如包括:获取交易请求中请求进行的交易的特征信息;将所述特征信息输入预先建立的风险预测模型,以使所述风险预测模型输出所述交易的风险等级;根据所述交易的风险等级,对所述交易进行交易认证。
此外,上述的存储器303中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:获取交易请求中请求进行的交易的特征信息;将所述特征信息输入预先建立的风险预测模型,以使所述风险预测模型输出所述交易的风险等级;根据所述交易的风险等级,对所述交易进行交易认证。
本实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储计算机程序,所述计算机程序使所述计算机执行上述各方法实施例所提供的方法,例如包括:获取交易请求中请求进行的交易的特征信息;将所述特征信息输入预先建立的风险预测模型,以使所述风险预测模型输出所述交易的风险等级;根据所述交易的风险等级,对所述交易进行交易认证。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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数据处理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数据处理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数据处理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数据处理设备上,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。
在本说明书的描述中,参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
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,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,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 (11)
1.一种基于风险识别的交易认证方法,其特征在于,包括:
获取交易请求中请求进行的交易的特征信息;
将所述特征信息输入预先建立的风险预测模型,以使所述风险预测模型输出所述交易的风险等级;
根据所述交易的风险等级,对所述交易进行交易认证。
2.根据权利要求1所述的方法,其特征在于,所述特征信息包括以下至少一种:交易请求方的身份信息、所使用的设备的信息、交易信息;其中,
所述交易请求方的身份信息包括交易请求方的企业信息、交易请求方的状态信息和/或交易请求方的开户机构;
所述交易请求方所使用的设备的信息包括设备类型、设备所在的地理位置和/或设备的IP地址;
所述交易信息包括交易金额、交易时间和/或交易对手方信息。
3.根据权利要求1或2所述的方法,其特征在于,所述根据所述交易的风险等级,对所述交易进行交易认证包括:
在预设的映射关系表中查找与所述风险等级相对应的交易认证方式;
按照所述交易认证方式对所述交易进行交易认证。
4.根据权利要求3所述的方法,其特征在于,在将所述特征信息输入预先建立的风险预测模型,以使所述风险预测模型输出所述交易的风险等级之前,所述方法还包括:
利用主成分分析方法对特征信息数据库中的每条交易的特征信息进行预处理,得到每条交易的特征信息的主成分;
以所述特征信息库中每条交易的特征信息的主成分的值作为输入、以该条交易的风险等级作为标签,对神经网络模型进行训练,得到风险预测模型。
5.一种基于风险识别的交易认证装置,其特征在于,包括:
获取模块,用于获取交易请求中请求进行的交易的特征信息;
输入模块,用于将所述特征信息输入预先建立的风险预测模型,以使所述风险预测模型输出所述交易的风险等级;
认证模块,用于根据所述交易的风险等级,对所述交易进行交易认证。
6.根据权利要求5所述的装置,其特征在于,所述特征信息包括以下至少一种:交易请求方的身份信息、所使用的设备的信息、交易信息;其中,
所述交易请求方的身份信息包括交易请求方的企业信息、交易请求方的状态信息和/或交易请求方的开户机构;
所述交易请求方所使用的设备的信息包括设备类型、设备所在的地理位置和/或设备的IP地址;
所述交易信息包括交易金额、交易时间和/或交易对手方信息。
7.根据权利要求5或6所述的装置,其特征在于,所述认证模块具体用于:
在预设的映射关系表中查找与所述风险等级相对应的认证方式;
按照所述认证方式对所述交易进行交易认证。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
利用主成分分析方法对特征信息数据库中的每条交易的特征信息进行预处理,得到每条交易的特征信息的主成分;
以所述特征信息库中每条交易的特征信息的主成分的值作为输入、以该条交易的风险等级作为标签,对神经网络模型进行训练,得到风险预测模型。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至4任一所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至4任一所述的方法。
11.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现权利要求1至4任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210540392.5A CN114971638A (zh) | 2022-05-17 | 2022-05-17 | 基于风险识别的交易认证方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210540392.5A CN114971638A (zh) | 2022-05-17 | 2022-05-17 | 基于风险识别的交易认证方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114971638A true CN114971638A (zh) | 2022-08-30 |
Family
ID=82982540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210540392.5A Pending CN114971638A (zh) | 2022-05-17 | 2022-05-17 | 基于风险识别的交易认证方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114971638A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116405187A (zh) * | 2023-04-21 | 2023-07-07 | 石家庄铁道大学 | 基于区块链的分布式节点入侵态势感知方法 |
-
2022
- 2022-05-17 CN CN202210540392.5A patent/CN114971638A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116405187A (zh) * | 2023-04-21 | 2023-07-07 | 石家庄铁道大学 | 基于区块链的分布式节点入侵态势感知方法 |
CN116405187B (zh) * | 2023-04-21 | 2024-04-09 | 石家庄铁道大学 | 基于区块链的分布式节点入侵态势感知方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108876133B (zh) | 基于业务信息的风险评估处理方法、装置、服务器和介质 | |
CN107316198B (zh) | 账户风险识别方法及装置 | |
CN106803168B (zh) | 一种异常转账侦测方法和装置 | |
US10600055B2 (en) | Authentication and interaction tracking system and method | |
CN108053318B (zh) | 一种对异常交易进行识别的方法及装置 | |
CN109410036A (zh) | 一种欺诈检测模型训练方法和装置及欺诈检测方法和装置 | |
CN106503562A (zh) | 一种风险识别方法及装置 | |
CN113011973B (zh) | 基于智能合约数据湖的金融交易监管模型的方法及设备 | |
CN110033365A (zh) | 一种个人信用贷款审批系统及方法 | |
CN112036890B (zh) | 客户身份认证方法及装置 | |
CN111008896A (zh) | 金融风险预警方法、装置、电子设备及存储介质 | |
CN111681091A (zh) | 基于时间域信息的金融风险预测方法、装置及存储介质 | |
CN105740667A (zh) | 一种基于用户行为的信息识别方法及装置 | |
CN112862298A (zh) | 一种针对用户画像的信用评估方法 | |
CN111160737A (zh) | 一种资源分配方案的适配方法及相关设备 | |
CN110335144B (zh) | 个人电子银行账户安全检测方法及装置 | |
CN113052703A (zh) | 一种交易风险预警方法及装置 | |
CN114971638A (zh) | 基于风险识别的交易认证方法及装置 | |
CN116720084A (zh) | 数据识别方法、装置、电子设备及计算机可读存储介质 | |
CN113781056A (zh) | 预测用户欺诈行为的方法及装置 | |
CN115860889A (zh) | 一种基于人工智能的金融贷款大数据管理方法及系统 | |
CN114048330A (zh) | 风险传导概率知识图谱生成方法、装置、设备及存储介质 | |
CN113129003A (zh) | 二维码支付控制方法及装置 | |
EP4280142A1 (en) | System and method for automated feature generation and usage in identity decision making | |
CN116362753A (zh) | 交易风险处理方法、装置及存储介质 |
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 |