CN115082076A - 一种基于区块链的三阶段金融违规多重裁判方法 - Google Patents
一种基于区块链的三阶段金融违规多重裁判方法 Download PDFInfo
- Publication number
- CN115082076A CN115082076A CN202210779580.3A CN202210779580A CN115082076A CN 115082076 A CN115082076 A CN 115082076A CN 202210779580 A CN202210779580 A CN 202210779580A CN 115082076 A CN115082076 A CN 115082076A
- Authority
- CN
- China
- Prior art keywords
- data
- transaction
- intelligent
- result
- judgment
- 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
- 238000000034 method Methods 0.000 title claims abstract description 89
- 238000001514 detection method Methods 0.000 claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims description 161
- 238000010801 machine learning Methods 0.000 claims description 84
- 238000004458 analytical method Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 24
- 230000006399 behavior Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 16
- 230000007246 mechanism Effects 0.000 claims description 11
- 238000012706 support-vector machine Methods 0.000 claims description 10
- 238000004900 laundering Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 6
- 238000007477 logistic regression Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000013138 pruning Methods 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- WZVDWCGCAQYINC-UHFFFAOYSA-N 2,2-dichloro-n-(3-chloro-4-fluorophenyl)acetamide Chemical compound FC1=CC=C(NC(=O)C(Cl)Cl)C=C1Cl WZVDWCGCAQYINC-UHFFFAOYSA-N 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000013524 data verification Methods 0.000 claims description 3
- 239000003999 initiator Substances 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000013175 transesophageal echocardiography Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 11
- 230000001105 regulatory effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24552—Database cache management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Technology Law (AREA)
- Evolutionary Computation (AREA)
- Computer Security & Cryptography (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于区块链的三阶段金融违规多重裁判方法,包括:预言机获取金融交易数据,进行数据特征划分后获得检测数据集;预言机将数据发送到智能合约数据库或区块链系统,上链并导入区块链系统内,若数据不合规则返回;数据分别存放在MySQL数据库、缓存数据库以及智能合约数据库;区块链数据湖上不同模块的特征属性数据被依次传入多重裁判引擎,执行交易前期的操作;数据被分别执行反非法收入合法化检测中的交易中期和交易后期的操作获得操作后数据;基于智能控制器的控制,在智能投票器的裁判下分别执行交易通过,交易撤回或多重裁判的操作获得最终判别结果;将智能投票器的最终判别结果返回智能合约数据库,以确定最终交易结果。
Description
技术领域
本发明属于区块链技术、机器学习以及监管技术,特别是一种基于区块链的三阶段金融违规多重裁判方法。
背景技术
由于数字资产是全球性、分布式、网络化的金融产品,而不是由传统中心化的系统和产品。因此自从数字资产得到世界的重视,许多监管单位就都非常关注如何监管数字资产。
现有技术曾经提出由于数字资产是网络化,分布式的产品,监管数字资产也需要以网络化和分布式的方式进行。但是监管需要多方合作,交易数据需要从网络收集,但是分析还是在后台中心系统处理,因此数字资产监管需要同时间网络化作业,并且辅之以中心化的分析。在中心系统,可以使用大量的机器学习方法。
数字经济发展可以分为下面几个成熟度:
1)没有监管:只有交易机制而没有监管机制;
2)最少的监管:例如交易后主动报告交易数据;
3)实时嵌入式监管:在交易时监管单位直接参与作业;
4)强大监管:在交易时监管单位直接参与作业,而且在后台监管平台还有大量机器学习算法在从事监管计算;
5)更强大的监管:在交易时监管单位直接参与作业,而且在后台监管平台还有大量机器学习算法在从事监管计算,而在不同交易阶段同时间使用不同机器学习算法,并且这些机器学习算法包含自动排名的机制。
例如中国人民银行的数字人民币,由央行直接控制,因此至少在第3成熟度(实时嵌入式监管)或是更高。如果要达到第5成熟度,并且包含自动排名的机制,所面临的问题和前面不同,包括:
1)现在有许多机器学习算法,监管系统应该选择使用哪种算法;
2)每个机器学习算法都有不同特性以及缺点,如何同时间使用多个机器学习算法而维持监管系统的高准确性;
3)新型数字经济的做法和传统数字代币的做法不同,数字代币系统不从事监管,但是合规数字经济需要监管机制,而且监管是在系统交易的每一步骤上都可以进行。如何在新型数字资产交易流程中使用机器学习的方法来发现不合规事件;
4)不同数据需要不同的机器学习的算法,而因为交易会一直持续,数据一直在变,因此最优化的机器学习算法应当也是一直在变化。如何在数据动态更新的环境下,找到最适合的机器学习算法;
新型数字经济交易流程千变万化,大致可以分为三大阶段:交易前,交易中,交易后三个阶段。每一个阶段的监管目标都不同,因此在三个阶段需要使用不同机器学习算法,而现有技术中没有针对三个阶段融合的金融违规时间的复合裁判法则,因此需要提出能够在三个阶段使用不同机器学习算法场景下的复合裁判解决方案。
发明内容
本发明为了解决现有技术存在的一项或多项技术问题,提出基于机器学习算法的金融违规多重裁判方法及其金融交易监管系统,是一种分布式解决方案,能够发现复杂情境下的金融交易违规,提升了反洗钱监管的效率和正确率,减少了交易时间,降低了人力资源成本。
本发明的目的在于提供一种基于区块链的多阶段金融违规多重裁判方法,其中所述区块链采用区块链数据湖,所述多阶段是三阶段或四阶段,所述三阶段为交易前期、交易中期和交易后期;所述四阶段为预备,交易,结算和清算,包括:
S10,预言机通过外部获取金融交易数据,对所述金融交易数据进行数据深加工后,按照其对应的金融属性进行数据特征划分后获得上区块链所需的检测数据集,所述数据深加工为数据预处理;
S20,所述预言机将所述检测数据集作为数据源发送到智能合约数据库或区块链系统,所述智能合约数据库或所述区块链系统收到所述检测数据集后,将所述检测数据集上链并导入所述区块链系统内,若所述检测数据集内的金融交易数据不合规则返回,即终止此次交易;
S30,导入所述区块链系统内的检测数据集根据内部的金融交易数据的属性、特征、类别以及所在处理阶段因素被分别存放在MySQL数据库、缓存数据库以及智能合约数据库中;其中MySQL数据库存放反洗钱操作前的全部链上数据类型,缓存数据库存放短间隔高频次细粒度调用的数据类型以及多重裁判返回的数据信息;所述智能合约数据库则存放交易特征属性的数据类型;
S40,基于智能控制器的控制,所述区块链数据湖上不同模块的特征属性数据被依次传入多重裁判引擎,首先执行交易前期的操作,所述交易前期的操作针对所有类型的监管机制;所述交易前期的操作由智能控制器执行;
S50,基于智能控制器的控制,智能合约数据库中的特征属性数据被分别执行反非法收入合法化检测中的交易中期和交易后期的操作获得操作后数据;交易中期和交易后期的操作均为基于机器学习算法的判定方法;包括:
S51,智能控制器从机器学习算法集合中随机选取的算法对所述区块链数据湖上不同模块的特征属性数据依次进行行为建模判定和链路分析判定,包括:
S511,根据所述区块链数据湖上不同模块的特征属性数据是否含有再次裁判标记判断其是否在执行多重裁判操作,若否,则依次生成K个0-9的第一随机数(0<K<10),生成的过程中采取剪枝的方法,即每生成一个第一随机数,则将其从对应的随机数集合中删掉,保障选取的算法不会重复;同时在机器学习算法集合中选取K个算法,K个算法中每个算法的标号与生成的第一随机数相对应;对所述区块链数据湖上不同模块的特征属性数据依次执行行为建模判定操作,运行结束后将判定的预测结果返回给智能投票器,若判定的预测结果为存在违规,则更新机器学习算法集合,重新分配10个新的机器学习算法,并随机生成N个0-9的第二随机数(0<N<10),在生成的过程中,每生成一个第二随机数,则将其从对应的随机数集合中删掉,保障选取的算法不会重复,在更新后的机器学习算法集合中重新选择N个新的算法,N个新的算法中每个算法的标号与生成的第二随机数相对应,对所述区块链数据湖上不同模块的特征属性数据依次执行行为建模判定操作,并将再次裁判的预测结果V1发送到智能投票器;
S512,重复步骤S511,对所述区块链数据湖上不同模块的特征属性数据执行链路分析操作后获得预测结果V2;将预测结果V2发送到智能投票器。
S52,智能控制器从机器学习算法集合中随机选取的算法对所述区块链数据湖上不同模块的特征属性数据依次进行风险预警和异常检测分析判定,包括:
S521,根据所述区块链数据湖上不同模块的特征属性数据是否含有再次裁判标记判断其是否在执行多重裁判操作,若否,则依次生成K个0-9的第一随机数(0<K<10),生成的过程中采取剪枝的方法,即每生成一个第一随机数,则将其从对应的随机数集合中删掉,保障选取的算法不会重复;同时在机器学习算法集合中选取K个算法,K个算法中每个算法的标号与生成的第一随机数相对应;对所述区块链数据湖上不同模块的特征属性数据依次执行风险预警判定操作,运行结束后将判定的预测结果返回给智能投票器,若判定的预测结果为存在违规,则更新机器学习算法集合,重新分配10个新的机器学习算法,并随机生成N个0-9的第二随机数(0<N<10),在生成的过程中,每生成一个第二随机数,则将其从对应的随机数集合中删掉,保障选取的算法不会重复,在更新后的机器学习算法集合中重新选择N个新的算法,N个新的算法中每个算法的标号与生成的第二随机数相对应,对所述区块链数据湖上不同模块的特征属性数据依次执行风险预警判定操作,并将再次裁判的预测结果V3发送到智能投票器;
S522,重复步骤S521中的操作,对所述区块链数据湖上不同模块的特征属性数据执行异常检测分析判定后获得判定结果V4;将判定结果V4发送到智能投票器;
S60,基于智能控制器的控制,将经过交易中期和交易后期的操作的数据发送给智能投票器,在智能投票器的裁判下分别执行交易通过,交易撤回或多重裁判的操作获得最终判别结果;若执行多重裁判操作,则对所述经过交易中期和交易后期的操作的数据重新标记后再次重复执行S50;所述S60包括:
若最终结果V1、预测结果V2、 再次裁判的预测结果V3和判定结果V4均为0,则金融交易为正常交易,智能投票器的裁判结果为通过,该笔交易通过;
若最终结果V1、预测结果V2、 再次裁判的预测结果V3和判定结果V4有2个及以上为1,则金融交易为可疑交易,智能投票器裁判结果为撤回,该笔交易终止;
若最终结果V1、预测结果V2、 再次裁判的预测结果V3和判定结果V4有1个为1且不含有再次裁判标记,则金融交易为可疑交易,智能投票器将对应结果标记后导入区块链数据湖并执行再次裁判操作,即重新执行S40,且对应数据集含有再次裁判标记;
若最终结果V1、预测结果V2、 再次裁判的预测结果V3和判定结果V4有1个为1且含有再次裁判标记,则金融交易为可疑交易,智能投票器裁判结果为撤回,该笔交易终止;
在S60中,智能投票器只能通过全部判定为0的交易,全部交易均为正常交易;若交易过程中有一笔交易判定结果不为0,则执行再次裁判操作直至结果均为0,方可判定交易通过,或者直接判定结果为撤回;
S70,智能控制器将多重裁判引擎中智能投票器的最终判别结果返回智能合约数据库,以确定最终交易结果,并展示交易状况及预测准确率。
优选的,所述S10中所述预言机分布在各地以采集需要的金融交易数据,所述预言机使用区块链系统或不使用区块链系统;所述预言机验证数据或不验证数据;对于具有验证数据功能的预言机,其是可信的;对于无法验证数据的预言机,提供对外部获取的金融交易数据的验证服务。
优选的,所述S10中所述数据预处理方法为数据清洗,包括:
采用head() 方法检查数据,并处理缺失数据;
对应添加默认值后,删除不完整的行和列;
规范化数据类型后保存结果。
优选的,所述S20中如果预言机是可信的而且通讯是可信的,智能合约或是区块链系统可以不再度验证预言机发送的数据;所述S20中预言机自下而上依次调用不同层执行查验操作,逻辑结构为:
网络协议,包括中心化预言机的网络拓扑结构中,由单一的中心化服务商控制一个中介节点;
操作层,用于在可信执行环境(TEEs)上进行智能合约的运行和数据调用;由 AWS充当审查角色,通过 TLSNotary Proof 验证诚实性;依赖多重签名机制让满足超过最小诚实节点数的预言者(Oracles)同时为相应节点签名;
合约层,包括订单匹配合约、服务请求合约、数据调用接口和服务标准协议。
优选的,所述S40执行交易前期的操作包括:KYC(客户身份识别),具体包含:Onboarding,CDD/EDD,SWIFT,黑名单/白名单判定的基于规则的判定方法;
智能控制器首先执行交易前期操作,调取Cache数据库中缓存的账户数据、评分数据及黑名单\白名单等数据,并对其执行KYC的一系列操作;若执行结果通过,则进入S50,否则返回,即终止此次交易;
所述S40包括为:
S401,对所述区块链数据湖上不同模块的特征属性数据做数字入职和SWIFT过滤操作,若结果为正进入步骤S402,若为负则返回,即终止此次交易;
S402,对所述区块链数据湖上不同模块的特征属性数据做客户尽职调查和增强尽职调查操作,若结果为正进入步骤S403,若为负则返回、即终止此次交易;
S403,对所述区块链数据湖上不同模块的特征属性数据做白名单\黑名单过滤操作,若结果通过则进入步骤S50,否则返回、即终止此次交易。
优选的,所述S50中交易中期操作为:反非法收入合法化检测中的行为建模和链路分析操作;执行时,智能控制器从机器学习算法集合中随机选取的算法对S40中导入的数据依次进行行为建模判定和链路分析判定,并将判定结果传入智能投票器。机器学习算法集合至少包含:最大熵,朴素贝叶斯,随机树,随机森林,逻辑回归,支持向量机,RBF,CLOPE,K-means,SNA共10种算法;交易后期操作为:反非法收入合法化检测中的风险预警和异常检测操作;执行交易后期操作时,智能控制器从机器学习算法集合中随机选取的算法对步骤S40中导入的数据依次进行风险预警和异常检测分析判定,并将判定结果传入智能投票器。这里的机器学习算法集合包含:最大熵,朴素贝叶斯,随机树,随机森林,逻辑回归,支持向量机, EMD,TREAT,LDCA,MST共10种算法。
优选的,所述S70包括:
S701,检查所述金融交易对应的用户在建立时提交的信息及交易金额是否真实合法;
S702,检查所述金融交易的转账发起方和受益方是否为合法用户;
S703,根据多重裁判引擎返回的结果判断所述智能合约的操作是否继续执行。
优选的,所述多重裁判方法使用Dempster-Shafer 理论以及可传递信度理论进行裁判,包括:每个机器学习方法的结果提供一个证据,而根据所述Dempster-Shafer 理论以及可传递信度理论和证据来判断所述金融交易是否合规。
优选的,所述区块链使用传统数据库、大数据平台或云平台替代。
本发明的第二方面还在于提供一种金融交易监管系统,其使用如第一方面所述的一种基于区块链数据湖的三阶段金融违规多重裁判方法。
本发明的有益效果:
(1)通过本发明基于区块链数据湖的三阶段金融违规多重裁判方法配置基于区块链数据湖的三阶段反洗钱多重裁判模型,可以解决现有模型算法对小额高频交易、复杂关联交易、偶发低频交易识别精度低,历史交易难溯源的问题;对海量交易和复杂交易手段的洗钱行为能进行有效识别;改善了算法单一性及不可解释性等局限;提升了预测的准确率和效率,降低了人工成本,缓解服务器压力。
(2)适用性广:本发明的方法适用于现有技术中大部分机器学习算法,并且可以在交易的每个阶段都可以使用多重算法。
(3)监管方法的精确性大大提高:每个机器学习算法都有不同特性以及缺点,本发明同时间使用多个机器学习算法,以及只要很少的算法认为可能是不合规的,这笔交易就很难通过;如果多个算法都认为可能是不合规的,这笔交易就不能通过,来维持监管方法的高准确性。
(4)提高不合规事件监测的全面性:在不同交易阶段中,使用不同组合的算法来发现不合规事件。
(5)可调整性:本方法中所应用的机器学习算法的数目可以动态调整,以维持金融市场的合规性以及降低金融风险。
根据下文结合附图对本发明具体实施例的详细描述,本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本发明的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解,这些附图未必是按比例绘制的。本发明的目标及特征考虑到如下结合附图的描述将更加明显,附图中:
图1为根据本发明优选实施例的基于区块链数据湖的三阶段金融违规多重裁判方法流程图。
具体实施方式
为了使得本发明能够针对其发明要点更加明显易懂,下面将结合附图和实例对本发明作进一步的说明。在下面的描述中阐述了很多细节和具体实例,提供这些实例是为了能够更透彻地理解本发明,并且能够将本发明完整形象地传达给本领域的技术人员。虽然本发明能够以很多不同于此描述的其它方式实施,但是本领域技术人员可以在不违背本发明内涵的情况下做相应的推广,因此本发明不受下面公开的具体实例及具体附图所限制。
在下面的描述中阐述了很多细节和具体实例,提供这些实例是为了能够更透彻地理解本发明,并且能够将本发明完整形象地传达给本领域的技术人员。虽然本发明能够以很多不同于此描述的其它方式实施,但是本领域技术人员可以在不违背本发明内涵的情况下做相应的推广,因此本发明不受下面公开的具体实例及具体附图所限制。
实施例一
如图1所示,本发明第一优选实施例提供一种基于区块链的多阶段金融违规多重裁判方法,其中多阶段可以是三阶段,即交易前期、交易中期和交易后期。
在第一个阶段,交易前期,主要是预备交易,例如从事“认识你的客户”(Know YourCustomer, KYC)以及确保资产是真实的,资金却是存在。
在第二个阶段,交易中期,确保交易公平而迅速,买方得到最低的价钱,而卖方得到最高的价钱。
在第三阶段,交易后期,买方得到卖方的资产,而卖方得到买方的资金,所有交易在清算所、银行内结算完毕。
所述多阶段还可以为四阶段或更多阶段。新型数字经济交易流程可以千变万化而不一定是三段式作业,例如可以是四阶段的流程,即预备,交易,结算和清算四个阶段;或是更多阶段的流程;每一个阶段的步骤也可以是并行或是串行执行,交易和结算分离等不同交易流程。不论是何种交易流程,每一个阶段都有监管的问题需要解决,而在每一个阶段,都可以使用基于机器学习算法的多重裁判方法判断交易是不是合规。
作为优选的实施方式,所述区块链使用传统数据库、大数据平台或云平台替代。
作为优选的实施方式,所述区块链为区块链数据湖。
传统数据库、大数据平台或云平台,以及区块链数据湖是为了设置一个可以收集,存储,分析大量交易和监管数据的数据库。区块链数据湖系统可以和多条区块链系统链接,使用双锁定协议绑定区块链上的数据和区块链数据湖的数据。
由于每个阶段的目的、流程、算法、架构、数据和其他阶段的目的、流程、算法、架构、数据不同,每个阶段使用的机器学习算法可能会不同。在不同阶段可能会使用同样的机器学习的算法,但是使用的数据却不同,得到的结果也会不同。
一般情形下,采用两个机器学习算法可能足够,在这种情形下,任何一个算法发现可能不合规的场景,这笔交易就可能不通过。在采用三个机器学习算法环境下,任何一个算法发现可能不合规的场景,这笔交易就可能不通过。以此类推。在任何情形下,如果有多个机器学习算法发现可能不合规场景,这笔交易就不能通过,提高了交易是否合规的判断的精准性。本具体实施方式中,交易流程分为三阶段,而每个阶段使用三个机器学习算法,这样整个系统就一共使用个机器学习算法。
本发明的目的在于提供一种基于区块链的多阶段金融违规多重裁判方法,包括以下步骤:
S10,预言机通过外部获取金融交易数据,对所述金融交易数据进行数据深加工后,按照其对应的金融属性进行数据特征划分后获得上区块链所需的检测数据集,所述数据深加工为数据预处理;
作为优选的实施方式,所述预言机分布在各地以采集需要的金融交易数据,预言机可以有多种设计,可以使用区块链系统也可以不使用区块链系统。有的预言机验证数据,有的不验证数据,对于具有验证数据功能的预言机,其是可信的;而对于无法验证数据的预言机,还需要提供对外部获取的金融交易数据的验证服务。
S20,所述预言机将所述检测数据集作为数据源发送到智能合约数据库或区块链系统,所述智能合约数据库或所述区块链系统收到所述检测数据集后,将所述检测数据集上链并导入所述区块链系统内,若所述检测数据集内的金融交易数据不合规则返回,即终止此次交易;
作为优选的实施方式,如果预言机是可信的而且通讯是可信的,智能合约或是区块链系统可以不再度验证预言机发送的数据。
S30,导入所述区块链系统内的检测数据集根据内部的金融交易数据的属性、特征、类别以及所在处理阶段等因素被分别存放在MySQL数据库、缓存数据库以及智能合约数据库中;其中MySQL数据库存放反洗钱操作前的全部链上数据类型,缓存数据库存放短间隔高频次细粒度调用的数据类型,如:关系数据、账户数据、税务数据、历史数据、评分数据及黑名单\白名单数据等,以及多重裁判返回的数据信息。智能合约数据库则存放交易特征属性的数据类型;
S40,基于智能控制器的控制,所述区块链数据湖上不同模块的特征属性数据被依次传入多重裁判引擎,首先执行交易前期的操作,所述交易前期的操作针对所有类型的监管机制;所述交易前期的操作由智能控制器执行,首先调取缓存(Cache)数据库中缓存的账户数据、评分数据及黑名单\白名单等数据,然后对其执行KYC的一系列操作
S50,基于智能控制器的控制,智能合约数据库中的特征属性数据被分别执行反非法收入合法化检测中的交易中期和交易后期的操作获得操作后数据;交易中期和交易后期的操作均为基于机器学习算法的判定方法。
其中交易中期操作为:AML(反非法收入合法化检测)中的行为建模和链路分析操作;
执行时,智能控制器从机器学习算法集合中随机选取的算法对S40中导入的数据依次进行行为建模判定和链路分析判定,并将判定结果传入智能投票器。机器学习算法集合至少包含:最大熵,朴素贝叶斯,随机树,随机森林,逻辑回归,支持向量机,RBF,CLOPE,K-means,SNA共10种算法。
交易后期操作为:AML(反非法收入合法化检测)中的风险预警和异常检测操作。
执行交易后期操作时,智能控制器从机器学习算法集合中随机选取的算法对步骤S40中导入的数据依次进行风险预警和异常检测分析判定,并将判定结果传入智能投票器。这里的机器学习算法集合包含:最大熵,朴素贝叶斯,随机树,随机森林,逻辑回归,支持向量机, EMD,TREAT,LDCA,MST共10种算法。当然,其他机器学习算法也可以使用,均在本发明的保护范围内。
S60,基于智能控制器的控制,将经过交易中期和交易后期的操作的数据发送给智能投票器,在智能投票器的裁判下分别执行交易通过,交易撤回或多重裁判的操作获得最终判别结果;若执行多重裁判操作,则对所述经过交易中期和交易后期的操作的数据重新标记后再次重复执行S50。
S70,智能控制器将多重裁判引擎中智能投票器的最终判别结果返回智能合约数据库,以确定最终交易结果,并展示交易状况及预测准确率。
作为优选的实施方式,所述S10中所述数据预处理方法为数据清洗,包括:
采用head() 方法检查数据,并处理缺失数据;
对应添加默认值后,删除不完整的行和列;
规范化数据类型后保存结果。
作为优选的实施方式,所述S20中预言机自下而上依次调用不同层执行查验操作,逻辑结构为:
网络协议,包括中心化预言机的网络拓扑结构中,由单一的中心化服务商控制一个中介节点;
操作层,用于在可信执行环境(TEEs)上进行智能合约的运行和数据调用;由 AWS充当审查角色,通过 TLSNotary Proof 验证诚实性;依赖多重签名机制让满足超过最小诚实节点数的预言者(Oracles)同时为相应节点签名;
合约层,包括订单匹配合约、服务请求合约、数据调用接口和服务标准协议。
在一些优选实施方式中,所述S40执行交易前期的操作包括:KYC(客户身份识别),具体包含:Onboarding,CDD/EDD,SWIFT,黑名单/白名单判定等基于规则的判定方法;
智能控制器首先执行交易前期操作,调取Cache数据库中缓存的账户数据、评分数据及黑名单\白名单等数据,并对其执行KYC的一系列操作。若执行结果通过,则进入S50,否则返回,即终止此次交易;
所述S40包括为:
S401,对所述区块链数据湖上不同模块的特征属性数据做Digital Onboarding(数字入职)和SWIFT过滤操作,若结果为正进入步骤S402,若为负则返回,即终止此次交易;
S402,对所述区块链数据湖上不同模块的特征属性数据做CDD(客户尽职调查)和EDD(增强尽职调查)操作,若结果为正进入步骤S403,若为负则返回、即终止此次交易;
S403,对所述区块链数据湖上不同模块的特征属性数据做Whitelist\BlacklistFilter(白名单\黑名单过滤)操作,若结果通过则进入步骤S50,否则返回、即终止此次交易。
作为优选的实施方式中, 所述S50基于智能控制器的控制,智能合约数据库中的特征属性数据被分别执行反非法收入合法化检测中的交易中期和交易后期的操作获得操作后数据包括:
S51,智能控制器从机器学习算法集合中随机选取的算法对所述区块链数据湖上不同模块的特征属性数据依次进行行为建模判定和链路分析判定,包括:
S511,根据所述区块链数据湖上不同模块的特征属性数据是否含有再次裁判标记判断其是否在执行多重裁判操作,若否,则依次生成K个0-9的第一随机数(0<K<10),生成的过程中采取剪枝的方法,即每生成一个第一随机数,则将其从对应的随机数集合中删掉,保障选取的算法不会重复;同时在机器学习算法集合中选取K个算法,K个算法中每个算法的标号与生成的第一随机数相对应;对所述区块链数据湖上不同模块的特征属性数据依次执行行为建模判定操作,运行结束后将判定的预测结果返回给智能投票器,若判定的预测结果为存在违规,则更新机器学习算法集合,重新分配10个新的机器学习算法,并随机生成N个0-9的第二随机数(0<N<10),在生成的过程中,每生成一个第二随机数,则将其从对应的随机数集合中删掉,保障选取的算法不会重复,在更新后的机器学习算法集合中重新选择N个新的算法,N个新的算法中每个算法的标号与生成的第二随机数相对应,对所述区块链数据湖上不同模块的特征属性数据依次执行行为建模判定操作,并将再次裁判的预测结果V1发送到智能投票器。
作为优选的实施方式,机器学习算法的数量可以动态调整。例如在处理有可能大量不合规交易的环境下,数量可以提高;而在大部分交易都是合规环境下,数量可以减少。数量也可以根据处理环境和历史数据决定。例如在一个场景下,不合规事件在一段时间(例如一小时或是一天)出现多次,机器学习算法数目提提高;而在一段时间内次数减少,这数目可以降低。
本实施例以SVM算法为例,详细描述算法分析过程。
采用SVM算法(Support Vector Machine,支持向量机)对金融交易数据进行行为建模二分类运算,结果分别为:安全交易、可疑交易。SVM算法选用Sigmoid核函数,其计算方法为:
计算金融交易数据中客户年龄或交易金额的加权平均值:
金融交易数据中客户年龄或交易金额的加权平均值高于预设阈值为坏点数据,删除所述坏点数据;并将最终结果V1发送到智能投票器。
S512,重复步骤S511,对所述区块链数据湖上不同模块的特征属性数据执行链路分析操作后获得预测结果V2;将预测结果V2发送到智能投票器。
S52,智能控制器从机器学习算法集合中随机选取的算法对所述区块链数据湖上不同模块的特征属性数据依次进行风险预警和异常检测分析判定,包括:
S521,根据所述区块链数据湖上不同模块的特征属性数据是否含有再次裁判标记判断其是否在执行多重裁判操作,若否,则依次生成K个0-9的第一随机数(0<K<10),生成的过程中采取剪枝的方法,即每生成一个第一随机数,则将其从对应的随机数集合中删掉,保障选取的算法不会重复;同时在机器学习算法集合中选取K个算法,K个算法中每个算法的标号与生成的第一随机数相对应;对所述区块链数据湖上不同模块的特征属性数据依次执行风险预警判定操作,运行结束后将判定的预测结果返回给智能投票器,若判定的预测结果为存在违规,则更新机器学习算法集合,重新分配10个新的机器学习算法,并随机生成N个0-9的第二随机数(0<N<10),在生成的过程中,每生成一个第二随机数,则将其从对应的随机数集合中删掉,保障选取的算法不会重复,在更新后的机器学习算法集合中重新选择N个新的算法,N个新的算法中每个算法的标号与生成的第二随机数相对应,对所述区块链数据湖上不同模块的特征属性数据依次执行风险预警判定操作,并将再次裁判的预测结果V3发送到智能投票器。
本实施例采用MaxEnt算法(最大熵)为例,简述算法分析过程。
(1)首先需设置约束条件并对应交易数据求最大熵,包括:构造拉格朗日函数对约束条件建模得到MaxEnt模型:
(2)然后计算交易数据信息熵,其计算方法为:
(3)将最终结果V3发送到智能投票器。
S522,重复步骤S521中的操作,对所述区块链数据湖上不同模块的特征属性数据执行异常检测分析判定后获得判定结果V4;将判定结果V4发送到智能投票器。
作为优选的实施方式,S60基于智能控制器的控制,将经过交易中期和交易后期的操作的数据发送给智能投票器,所述在智能投票器的裁判下分别执行交易通过,交易撤回或多重裁判的操作获得最终判别结果;若执行多重裁判操作,则对所述经过交易中期和交易后期的操作的数据重新标记后再次重复执行S50包括:
若最终结果V1、预测结果V2、 再次裁判的预测结果V3和判定结果V4均为0,则金融交易为正常交易,智能投票器的裁判结果为通过,该笔交易通过;
若最终结果V1、预测结果V2、 再次裁判的预测结果V3和判定结果V4有2个及以上为1,则金融交易为可疑交易,智能投票器裁判结果为撤回,该笔交易终止;
若最终结果V1、预测结果V2、 再次裁判的预测结果V3和判定结果V4有1个为1且不含有再次裁判标记,则金融交易为可疑交易,智能投票器将对应结果标记后导入区块链数据湖并执行再次裁判操作,即重新执行S40,且对应数据集含有再次裁判标记;
若最终结果V1、预测结果V2、 再次裁判的预测结果V3和判定结果V4有1个为1且含有再次裁判标记,则金融交易为可疑交易,智能投票器裁判结果为撤回,该笔交易终止;
在S60中,智能投票器只能通过全部判定为0的交易,全部交易均为正常交易;若交易过程中有一笔交易判定结果不为0,则执行再次裁判操作直至结果均为0,方可判定交易通过,或者直接判定结果为撤回。
作为优选的实施方式,个别机构可能选择放松上面的限制,例如80%的判断为0就可以接受,或是需要经过人工处理来做最后的决策。但是这样金融风险比较大。
作为优选的实施方式中,所述S70智能控制器将多重裁判引擎中智能投票器的最终判别结果返回智能合约数据库,以确定最终交易结果,并展示交易状况及预测准确率包括:
S701,检查所述金融交易对应的用户在建立时提交的信息及交易金额是否真实合法
S702,检查所述金融交易的转账发起方和受益方是否为合法用户;
S703,根据多重裁判引擎返回的结果判断所述智能合约的操作是否继续执行。
作为优选的实施方式,所述多重裁判方法还可以使用Dempster-Shafer 理论以及可传递信度理论(TBM)来做评判;每个机器学习方法的结果提供一个证据,而根据所述Dempster-Shafer 理论以及可传递信度理论和证据来判断所述金融交易是否合规。
实施例二
基于区块链数据湖的三阶段金融违规多重裁判系统,包括:
外部数据模块,用于通过外部数据集的形式存储金融交易数据;
预言机模块,用于基于预言机查询检验所述金融交易数据,判定所述金融交易数据是否合规;
区块链数据湖模块,包括MySQL数据库、缓存数据库以及智能合约数据库,用于根据所述金融交易数据的属性、特征、类别以及所在处理阶段的不同,将其分别存储在MySQL数据库、缓存数据库以及智能合约数据库中,所述处理阶段包括交易前期、交易中期和交易后期;
多重裁判引擎模块,用于将所述区块链数据湖的智能合约数据库中不同区位的特征属性数据依次执行交易前期、交易中期和交易后期操作;所述多重裁判引擎模块包括智能投票器,用于基于规则的KYC方法和基于机器学习的反非法收入合法化算法由所述智能投票器裁判所述金融交易数据是否存在金融违规的最终判别结果;以及
智能控制器模块,用于控制数据、算法、区块、数据库的联合运算操作。
实施例三:
一种金融交易监管系统,其使用如实施例一所述的一种基于区块链数据湖的三阶段金融违规多重裁判方法。
本发明的有益效果:
(1)通过本发明基于区块链数据湖的三阶段金融违规多重裁判方法配置基于区块链数据湖的三阶段反洗钱多重裁判模型,可以解决现有模型算法对小额高频交易、复杂关联交易、偶发低频交易识别精度低,历史交易难溯源的问题;对海量交易和复杂交易手段的洗钱行为能进行有效识别;改善了算法单一性及不可解释性等局限;提升了预测的准确率和效率,降低了人工成本,缓解服务器压力。
(2)适用性广:本发明的方法适用于现有技术中大部分机器学习算法,并且可以在交易的每个阶段都可以使用多重算法。
(3)监管方法的精确性大大提高:每个机器学习算法都有不同特性以及缺点,本发明同时间使用多个机器学习算法,以及只要很少的算法认为可能是不合规的,这笔交易就很难通过;如果多个算法都认为可能是不合规的,这笔交易就不能通过,来维持监管方法的高准确性。
(4)提高不合规事件监测的全面性:在不同交易阶段中,使用不同组合的算法来发现不合规事件。
(5)可调整性:本方法中所应用的机器学习算法的数目可以动态调整,以维持金融市场的合规性以及降低金融风险。
虽然本发明已经参考特定的说明性实施例进行了描述,但是不会受到这些实施例的限定而仅仅受到附加权利要求的限定。本领域技术人员应当理解可以在不偏离本发明的保护范围和精神的情况下对本发明的实施例能够进行改动和修改。
Claims (10)
1.一种基于区块链的三阶段金融违规多重裁判方法,其特征在于,其中所述区块链采用区块链数据湖,所述三阶段是三阶段或四阶段,所述三阶段为交易前期、交易中期和交易后期;所述四阶段为预备,交易,结算和清算,包括:
S10,预言机通过外部获取金融交易数据,对所述金融交易数据进行数据深加工后,按照其对应的金融属性进行数据特征划分后获得上区块链所需的检测数据集,所述数据深加工为数据预处理;
S20,所述预言机将所述检测数据集作为数据源发送到智能合约数据库或区块链系统,所述智能合约数据库或所述区块链系统收到所述检测数据集后,将所述检测数据集上链并导入所述区块链系统内,若所述检测数据集内的金融交易数据不合规则返回,即终止此次交易;
S30,导入所述区块链系统内的检测数据集根据内部的金融交易数据的属性、特征、类别以及所在处理阶段因素被分别存放在MySQL数据库、缓存数据库以及智能合约数据库中;其中MySQL数据库存放反洗钱操作前的全部链上数据类型,缓存数据库存放短间隔高频次细粒度调用的数据类型以及多重裁判返回的数据信息;所述智能合约数据库则存放交易特征属性的数据类型;
S40,基于智能控制器的控制,所述区块链数据湖上不同模块的特征属性数据被依次传入多重裁判引擎,首先执行交易前期的操作,所述交易前期的操作针对所有类型的监管机制;所述交易前期的操作由智能控制器执行;
S50,基于智能控制器的控制,智能合约数据库中的特征属性数据被分别执行反非法收入合法化检测中的交易中期和交易后期的操作获得操作后数据;交易中期和交易后期的操作均为基于机器学习算法的判定方法;包括:
S51,智能控制器从机器学习算法集合中随机选取的算法对所述区块链数据湖上不同模块的特征属性数据依次进行行为建模判定和链路分析判定,包括:
S511,根据所述区块链数据湖上不同模块的特征属性数据是否含有再次裁判标记判断其是否在执行多重裁判操作,若否,则依次生成K个0-9的第一随机数(0<K<10),生成的过程中采取剪枝的方法,即每生成一个第一随机数,则将其从对应的随机数集合中删掉,保障选取的算法不会重复;同时在机器学习算法集合中选取K个算法,K个算法中每个算法的标号与生成的第一随机数相对应;对所述区块链数据湖上不同模块的特征属性数据依次执行行为建模判定操作,运行结束后将判定的预测结果返回给智能投票器,若判定的预测结果为存在违规,则更新机器学习算法集合,重新分配10个新的机器学习算法,并随机生成N个0-9的第二随机数(0<N<10),在生成的过程中,每生成一个第二随机数,则将其从对应的随机数集合中删掉,保障选取的算法不会重复,在更新后的机器学习算法集合中重新选择N个新的算法,N个新的算法中每个算法的标号与生成的第二随机数相对应,对所述区块链数据湖上不同模块的特征属性数据依次执行行为建模判定操作,并将再次裁判的预测结果V1发送到智能投票器;
S512,重复步骤S511,对所述区块链数据湖上不同模块的特征属性数据执行链路分析操作后获得预测结果V2;将预测结果V2发送到智能投票器。
S52,智能控制器从机器学习算法集合中随机选取的算法对所述区块链数据湖上不同模块的特征属性数据依次进行风险预警和异常检测分析判定,包括:
S521,根据所述区块链数据湖上不同模块的特征属性数据是否含有再次裁判标记判断其是否在执行多重裁判操作,若否,则依次生成K个0-9的第一随机数(0<K<10),生成的过程中采取剪枝的方法,即每生成一个第一随机数,则将其从对应的随机数集合中删掉,保障选取的算法不会重复;同时在机器学习算法集合中选取K个算法,K个算法中每个算法的标号与生成的第一随机数相对应;对所述区块链数据湖上不同模块的特征属性数据依次执行风险预警判定操作,运行结束后将判定的预测结果返回给智能投票器,若判定的预测结果为存在违规,则更新机器学习算法集合,重新分配10个新的机器学习算法,并随机生成N个0-9的第二随机数(0<N<10),在生成的过程中,每生成一个第二随机数,则将其从对应的随机数集合中删掉,保障选取的算法不会重复,在更新后的机器学习算法集合中重新选择N个新的算法,N个新的算法中每个算法的标号与生成的第二随机数相对应,对所述区块链数据湖上不同模块的特征属性数据依次执行风险预警判定操作,并将再次裁判的预测结果V3发送到智能投票器;
S522,重复步骤S521中的操作,对所述区块链数据湖上不同模块的特征属性数据执行异常检测分析判定后获得判定结果V4;将判定结果V4发送到智能投票器;
S60,基于智能控制器的控制,将经过交易中期和交易后期的操作的数据发送给智能投票器,在智能投票器的裁判下分别执行交易通过,交易撤回或多重裁判的操作获得最终判别结果;若执行多重裁判操作,则对所述经过交易中期和交易后期的操作的数据重新标记后再次重复执行S50;所述S60包括:
若最终结果V1、预测结果V2、再次裁判的预测结果V3和判定结果V4均为0,则金融交易为正常交易,智能投票器的裁判结果为通过,该笔交易通过;
若最终结果V1、预测结果V2、再次裁判的预测结果V3和判定结果V4有2个及以上为1,则金融交易为可疑交易,智能投票器裁判结果为撤回,该笔交易终止;
若最终结果V1、预测结果V2、再次裁判的预测结果V3和判定结果V4有1个为1且不含有再次裁判标记,则金融交易为可疑交易,智能投票器将对应结果标记后导入区块链数据湖并执行再次裁判操作,即重新执行S40,且对应数据集含有再次裁判标记;
若最终结果V1、预测结果V2、再次裁判的预测结果V3和判定结果V4有1个为1且含有再次裁判标记,则金融交易为可疑交易,智能投票器裁判结果为撤回,该笔交易终止;
在S60中,智能投票器只能通过全部判定为0的交易,全部交易均为正常交易;若交易过程中有一笔交易判定结果不为0,则执行再次裁判操作直至结果均为0,方可判定交易通过,或者直接判定结果为撤回;
S70,智能控制器将多重裁判引擎中智能投票器的最终判别结果返回智能合约数据库,以确定最终交易结果,并展示交易状况及预测准确率。
2.根据权利要求1所述的一种基于区块链的三阶段金融违规多重裁判方法,其特征在于,所述S10中所述预言机分布在各地以采集需要的金融交易数据,所述预言机使用区块链系统或不使用区块链系统;所述预言机验证数据或不验证数据;对于具有验证数据功能的预言机,其是可信的;对于无法验证数据的预言机,提供对外部获取的金融交易数据的验证服务。
3.根据权利要求2所述的一种基于区块链的三阶段金融违规多重裁判方法,其特征在于,所述S10中所述数据预处理方法为数据清洗,包括:
采用head() 方法检查数据,并处理缺失数据;
对应添加默认值后,删除不完整的行和列;
规范化数据类型后保存结果。
4.根据权利要求3所述的一种基于区块链的三阶段金融违规多重裁判方法,其特征在于,所述S20中如果预言机是可信的而且通讯是可信的,智能合约或是区块链系统可以不再度验证预言机发送的数据;所述S20中预言机自下而上依次调用不同层执行查验操作,逻辑结构为:
网络协议,包括中心化预言机的网络拓扑结构中,由单一的中心化服务商控制一个中介节点;
操作层,用于在可信执行环境(TEEs)上进行智能合约的运行和数据调用;由 AWS充当审查角色,通过 TLSNotary Proof 验证诚实性;依赖多重签名机制让满足超过最小诚实节点数的预言者(Oracles)同时为相应节点签名;
合约层,包括订单匹配合约、服务请求合约、数据调用接口和服务标准协议。
5.根据权利要求4所述的一种基于区块链的三阶段金融违规多重裁判方法,其特征在于,所述S40执行交易前期的操作包括:KYC(客户身份识别),具体包含:Onboarding,CDD/EDD,SWIFT,黑名单/白名单判定的基于规则的判定方法;
智能控制器首先执行交易前期操作,调取Cache数据库中缓存的账户数据、评分数据及黑名单\白名单等数据,并对其执行KYC的一系列操作;若执行结果通过,则进入S50,否则返回,即终止此次交易。
6.根据权利要求4所述的一种基于区块链的三阶段金融违规多重裁判方法,其特征在于,所述S40包括为:
S401,对所述区块链数据湖上不同模块的特征属性数据做数字入职和SWIFT过滤操作,若结果为正进入步骤S402,若为负则返回,即终止此次交易;
S402,对所述区块链数据湖上不同模块的特征属性数据做客户尽职调查和增强尽职调查操作,若结果为正进入步骤S403,若为负则返回、即终止此次交易;
S403,对所述区块链数据湖上不同模块的特征属性数据做白名单\黑名单过滤操作,若结果通过则进入步骤S50,否则返回、即终止此次交易。
7.根据权利要求6所述的一种基于区块链的三阶段金融违规多重裁判方法,其特征在于,所述S50中交易中期操作为:反非法收入合法化检测中的行为建模和链路分析操作;执行时,智能控制器从机器学习算法集合中随机选取的算法对S40中导入的数据依次进行行为建模判定和链路分析判定,并将判定结果传入智能投票器。机器学习算法集合至少包含:最大熵,朴素贝叶斯,随机树,随机森林,逻辑回归,支持向量机,RBF,CLOPE,K-means,SNA共10种算法;交易后期操作为:反非法收入合法化检测中的风险预警和异常检测操作;执行交易后期操作时,智能控制器从机器学习算法集合中随机选取的算法对步骤S40中导入的数据依次进行风险预警和异常检测分析判定,并将判定结果传入智能投票器。这里的机器学习算法集合包含:最大熵,朴素贝叶斯,随机树,随机森林,逻辑回归,支持向量机, EMD,TREAT,LDCA,MST共10种算法。
8.根据权利要求7所述的一种基于区块链的三阶段金融违规多重裁判方法,其特征在于,所述S70包括:
S701,检查所述金融交易对应的用户在建立时提交的信息及交易金额是否真实合法;
S702,检查所述金融交易的转账发起方和受益方是否为合法用户;
S703,根据多重裁判引擎返回的结果判断所述智能合约的操作是否继续执行。
9.根据权利要求8所述的一种基于区块链的三阶段金融违规多重裁判方法,其特征在于,所述多重裁判方法使用Dempster-Shafer 理论以及可传递信度理论进行裁判,包括:每个机器学习方法的结果提供一个证据,而根据所述Dempster-Shafer 理论以及可传递信度理论和证据来判断所述金融交易是否合规。
10.根据权利要求1-9任一所述的一种基于区块链的三阶段金融违规多重裁判方法,其特征在于,所述区块链使用传统数据库、大数据平台或云平台替代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210779580.3A CN115082076A (zh) | 2022-07-04 | 2022-07-04 | 一种基于区块链的三阶段金融违规多重裁判方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210779580.3A CN115082076A (zh) | 2022-07-04 | 2022-07-04 | 一种基于区块链的三阶段金融违规多重裁判方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115082076A true CN115082076A (zh) | 2022-09-20 |
Family
ID=83257556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210779580.3A Pending CN115082076A (zh) | 2022-07-04 | 2022-07-04 | 一种基于区块链的三阶段金融违规多重裁判方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115082076A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682067A (zh) * | 2016-11-08 | 2017-05-17 | 浙江邦盛科技有限公司 | 一种基于交易数据的机器学习反欺诈监测系统 |
US20200160344A1 (en) * | 2018-11-20 | 2020-05-21 | CipherTrace, Inc. | Blockchain Transaction Analysis and Anti-Money Laundering Compliance Systems and Methods |
CN112927072A (zh) * | 2021-01-20 | 2021-06-08 | 北京航空航天大学 | 一种基于区块链的反洗钱仲裁方法、系统及相关装置 |
CN113011973A (zh) * | 2021-01-21 | 2021-06-22 | 北京航空航天大学 | 基于智能合约数据湖的金融交易监管模型、系统、设备 |
US20210224922A1 (en) * | 2018-11-14 | 2021-07-22 | C3.Ai, Inc. | Systems and methods for anti-money laundering analysis |
CN113205420A (zh) * | 2021-05-21 | 2021-08-03 | 中国建设银行股份有限公司 | 基于区块链的洗钱预警方法及装置 |
US20210390489A1 (en) * | 2018-10-10 | 2021-12-16 | Shoyo | System and method for multiple identification using smart contracts on blockchains |
US20220108133A1 (en) * | 2020-10-06 | 2022-04-07 | Actimize Ltd. | Sharing financial crime knowledge |
-
2022
- 2022-07-04 CN CN202210779580.3A patent/CN115082076A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682067A (zh) * | 2016-11-08 | 2017-05-17 | 浙江邦盛科技有限公司 | 一种基于交易数据的机器学习反欺诈监测系统 |
US20210390489A1 (en) * | 2018-10-10 | 2021-12-16 | Shoyo | System and method for multiple identification using smart contracts on blockchains |
US20210224922A1 (en) * | 2018-11-14 | 2021-07-22 | C3.Ai, Inc. | Systems and methods for anti-money laundering analysis |
US20200160344A1 (en) * | 2018-11-20 | 2020-05-21 | CipherTrace, Inc. | Blockchain Transaction Analysis and Anti-Money Laundering Compliance Systems and Methods |
US20220108133A1 (en) * | 2020-10-06 | 2022-04-07 | Actimize Ltd. | Sharing financial crime knowledge |
CN112927072A (zh) * | 2021-01-20 | 2021-06-08 | 北京航空航天大学 | 一种基于区块链的反洗钱仲裁方法、系统及相关装置 |
CN113011973A (zh) * | 2021-01-21 | 2021-06-22 | 北京航空航天大学 | 基于智能合约数据湖的金融交易监管模型、系统、设备 |
CN113205420A (zh) * | 2021-05-21 | 2021-08-03 | 中国建设银行股份有限公司 | 基于区块链的洗钱预警方法及装置 |
Non-Patent Citations (1)
Title |
---|
闫树;卿苏德;魏凯;: "区块链在数据流通中的应用", 大数据 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11853854B2 (en) | Method of automating data science services | |
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 | |
US10977655B2 (en) | Method for improving operating profits with better automated decision making with artificial intelligence | |
US11080709B2 (en) | Method of reducing financial losses in multiple payment channels upon a recognition of fraud first appearing in any one payment channel | |
Ogwueleka | Data mining application in credit card fraud detection system | |
US20160078367A1 (en) | Data clean-up method for improving predictive model training | |
EP4236197A2 (en) | Micro-loan system | |
US20150317749A1 (en) | System and Method for Characterizing Financial Messages | |
US20230360052A1 (en) | Machine learning model and narrative generator for prohibited transaction detection and compliance | |
CN112927072B (zh) | 一种基于区块链的反洗钱仲裁方法、系统及相关装置 | |
WO2019021312A1 (en) | AUTOMATED LOAN PAYMENT PROBABILITY PREDICTION PREDICTION SYSTEM AND METHOD THEREOF | |
US20210097543A1 (en) | Determining fraud risk indicators using different fraud risk models for different data phases | |
WO2023045691A1 (zh) | 对象识别方法、装置、电子设备及存储介质 | |
CN118396739A (zh) | 一种基于群体智能的区块链智能合约的冲突裁决系统 | |
CN115953163A (zh) | 欺诈风险检测方法、装置、设备和介质 | |
CN113011893B (zh) | 数据处理方法、装置、计算机设备及存储介质 | |
CN109214937A (zh) | 保险理赔智能反欺诈判定方法和系统 | |
CN115082076A (zh) | 一种基于区块链的三阶段金融违规多重裁判方法 | |
CN115438751A (zh) | 一种基于图神经网络的区块链钓鱼诈骗识别的方法 | |
CN115170293A (zh) | 贷后管理方法及装置 | |
CN116451050A (zh) | 异常行为识别模型训练、异常行为识别方法和装置 | |
CN115170139B (zh) | 一种基于区块链数据湖的三阶段金融违规多重裁判系统 | |
CN113435901A (zh) | 一种交易欺诈风险侦测方法、装置和系统 | |
CN114092216A (zh) | 企业信贷评级方法、装置、计算机设备和存储介质 | |
CN112823502B (zh) | 针对资源访问规则配置的实时反馈服务 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220920 |
|
WD01 | Invention patent application deemed withdrawn after publication |