CN115170139A - 一种基于区块链数据湖的三阶段金融违规多重裁判系统 - Google Patents
一种基于区块链数据湖的三阶段金融违规多重裁判系统 Download PDFInfo
- Publication number
- CN115170139A CN115170139A CN202210779601.1A CN202210779601A CN115170139A CN 115170139 A CN115170139 A CN 115170139A CN 202210779601 A CN202210779601 A CN 202210779601A CN 115170139 A CN115170139 A CN 115170139A
- Authority
- CN
- China
- Prior art keywords
- data
- transaction
- intelligent
- financial
- block chain
- 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
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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Technology Law (AREA)
- Computer Security & Cryptography (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种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金融交易数据,判定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;多重裁判引擎模块,包括智能投票器,用于将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;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智能投票器裁判金融交易数据是否存在金融违规的最终判别结果;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。还提供了一种金融交易监管系统。
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数据湖的三阶段金融违规多重裁判系统。
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系统及其金融交易监管系统,是一种分布式解决方案,是能够发现复杂违规案例的解决方案。
本发明的目的在于提供一种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;
所述基于区块链数据湖的三阶段金融违规多重裁判系统实时的为对于金融违规的多重裁判方法,所述方法包括:
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,所述控制数据、算法、区块、数据库的联合运算操作包括:控制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传入所述多重裁判引擎,分别执行反非法交易合法化的交易前期、交易中期和交易后期操作,执行时,所述智能控制器模块从机器学习算法集合中随机选取的算法对所述特征属性数据依次进行行为建模判定和链路分析判定,并将判定结果传入所述智能投票器;所述智能控制器模块从机器学习算法集合中随机选取的算法对所述特征属性数据依次进行风险预警和异常检测分析判定,基于所述智能控制器模块的控制,发送到所述智能投票器的特征属性数据在所述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;所述智能控制器模块将所述多重裁判引擎模块中智能投票器的所述最终判别结果返回所述智能合约数据库,以确定最终金融交易结果并展示交易状况及预测准确率。
优选的,所述预言机模块自下而上依次调用不同层执行所述查询检验,所述预言机模块的逻辑结构包括:
网络协议,包括:在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,用于运行智能合约和调用数据,所述智能合约的运行和数据调用均在可信执行环境(TEEs)上进行,在所述操作层由亚马逊 AWS作为预言者,通过 TLSNotaryProof 验证所述审查角色的诚实性,所述操作层依赖多重签名机制,使得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;以及
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MySQL数据库内存储反非法收入合法化操作前的全部链上数据类型,缓存数据库内存储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用于存储交易特征属性的数据类型。
优选的,所述短间隔高频次细粒度调用的数据类型包括: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。
优选的,所述外部数据模块内还包括数据深加工子模块和特征标记子模块;其中所述数据深加工模块,配置为将所述外部数据集内的金融交易数据进行数据清洗和数据预处理操作后形成深加工数据结果,并将所述深加工数据结果保存为交易数据集;所述数据特征标记模块,配置为将所述交易数据集构建多维特征数据集。
优选的,所述多维特征数据集为六维特征数据集,所述六维特征数据集包括客户信息维度,客户肖像维度,交易账户维度,交易金额维度,交易笔数维度,对手信息维度。
优选的,所述客户信息维度包含:发起人姓名、发起人账号、公司、地址、身份证号、出生日期、出生地、受益人姓名和/或受益人账号的属性信息;所述客户肖像维度包含:客户类型、 个人账户或身份证或手机号为特征的归属地、外籍且命名不符、年龄偏大、离岸账户、银行职工、可疑交易、高风险地区、与公司名类似、开户时长、洗钱风险的属性信息;所述交易账户维度包含:交易激增、多币种交易、提现激增、大额消费激增、小余额次数的属性信息;所述交易金额维度包含:特殊交易金额、贷款金额过高、贷款比例过高、低金额、特殊转账、小额转账笔数过高、小额转账比例过高、转账统计特征、相邻交易统计特征的属性信息;所述交易笔数维度包含:转入比例、转出比例、美元笔数、单日多次存取、跨境交易金额、境交易比例、外币大规模交易、公职人工大金额、交易时间差统计特征的属性信息;所述对手信息维度包含:交易对手多且来源复杂、交易对手数量、相邻交易对手相同不同次数、对手类型的属性信息。
优选的,所述多维特征数据集还包括:交易机构维度,所述交易机构维度包括交易机构为正常机构或是有问题机构,交易地点或国家,交易时间,交易系统和交易货币。
本发明的第二方面还在于提供一种金融交易监管系统,其中包括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系统。
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系统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,本发明的系统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)监管系统的精确性大大提高: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,来维持监管系统的高准确性。
(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:本系统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系统结构图;
图2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系统的智能投票器结构图;
图3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系统的多重裁判引擎结构详解图;
图4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系统的多重裁判引擎结构图;
图5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系统的系统结构详解图。
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1-5所示,本发明第一优选实施例提供一种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(Oraclize)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;
所述基于区块链数据湖的三阶段金融违规多重裁判系统实时的为对于金融违规的多重裁判方法,所述方法包括:
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。
作为优选的实施方式,所述控制数据、算法、区块、数据库的联合运算操作,包括:控制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传入所述多重裁判引擎,分别执行反非法交易合法化的交易前期、交易中期和交易后期操作,执行时,所述智能控制器模块从机器学习算法集合中随机选取的算法对所述特征属性数据依次进行行为建模判定和链路分析判定,并将判定结果传入所述智能投票器;所述智能控制器模块从机器学习算法集合中随机选取的算法对所述特征属性数据依次进行风险预警和异常检测分析判定,基于所述智能控制器模块的控制,发送到所述智能投票器的特征属性数据在所述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;所述智能控制器模块将所述多重裁判引擎模块中智能投票器的所述最终判别结果返回所述智能合约数据库,以确定最终金融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,所述预言机模块自下而上依次调用不同层执行所述查询检验,所述预言机模块的逻辑结构包括:
网络协议,包括:在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,用于运行智能合约和调用数据,所述智能合约的运行和数据调用均在可信执行环境(TEEs)上进行,在所述操作层由亚马逊 AWS作为预言者,预言者为审计方,通过TLSNotary Proof 验证所述审查角色的诚实性,所述操作层依赖多重签名机制,使得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;其中TLSNotary Proof允许客户端向第三方提交证据,证明客户端与某服务器之间发生了HTTPs网络流量。虽然HTTPs自身是安全的,但它并不支持数据签名。因此,TLSNotary Proof依赖于TLSNotary签名方案(通过PageSigner)。TLSNotary Proof利用了传输层安全协议(Transport LayerSecurity,TLS),使得TLS可以掌控密钥,在获取数据后给数据签名,并将数据分配给三方:服务器(预言机)、受审单位(Oraclize)以及审计方。Oraclize使用亚马逊网络服务器(AWS)虚拟机实例作为审计方,可以验证自实例化以来它没有被修改过。这一AWS实例存储着TLSNotary密文,密文让它可以提供诚实性证明;
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。
作为优选的实施方式,所述MySQL数据库内存储反非法收入合法化操作前的全部链上数据类型,缓存数据库内存储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用于存储交易特征属性的数据类型。
作为优选的实施方式,所述短间隔高频次细粒度调用的数据类型包括: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。
作为优选的实施方式,所述外部数据模块内还包括数据深加工子模块和特征标记子模块;其中所述数据深加工模块,配置为将所述外部数据集内的金融交易数据进行数据清洗和数据预处理操作后形成深加工数据结果,并将所述深加工数据结果保存为交易数据集;所述数据特征标记模块,配置为将所述交易数据集构建多维特征数据集。
作为优选的实施方式,所述多维特征数据集为六维特征数据集,所述六维特征数据集包括客户信息维度,客户肖像维度,交易账户维度,交易金额维度,交易笔数维度,对手信息维度。
作为优选的实施方式,所述客户信息维度包含:发起人姓名、发起人账号、公司、地址、身份证号、出生日期、出生地、受益人姓名和/或受益人账号的属性信息;所述客户肖像维度包含:客户类型、 个人账户或身份证或手机号为特征的归属地、外籍且命名不符、年龄偏大、离岸账户、银行职工、可疑交易、高风险地区、与公司名类似、开户时长、洗钱风险的属性信息;所述交易账户维度包含:交易激增、多币种交易、提现激增、大额消费激增、小余额次数的属性信息;所述交易金额维度包含:特殊交易金额、贷款金额过高、贷款比例过高、低金额、特殊转账、小额转账笔数过高、小额转账比例过高、转账统计特征、相邻交易统计特征的属性信息;所述交易笔数维度包含:转入比例、转出比例、美元笔数、单日多次存取、跨境交易金额、境交易比例、外币大规模交易、公职人工大金额、交易时间差统计特征的属性信息;所述对手信息维度包含:交易对手多且来源复杂、交易对手数量、相邻交易对手相同不同次数、对手类型的属性信息。
作为优选的实施方式,所述多维特征数据集还包括:交易机构维度,所述交易机构维度包括交易机构为正常机构或是有问题机构,交易地点或国家,交易时间,交易系统和交易货币。
实施例二
一种金融交易监管系统,其中包括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系统。
两个优选实施例的有益效果:
(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系统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,本发明的系统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)监管系统的精确性大大提高: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,来维持监管系统的高准确性。
(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:本系统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)
1.一种基于区块链数据湖的三阶段金融违规多重裁判系统,其特征在于,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;
所述基于区块链数据湖的三阶段金融违规多重裁判系统实时的为对于金融违规的多重裁判方法,所述方法包括:
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数据湖的三阶段金融违规多重裁判系统,其特征在于,所述控制数据、算法、区块、数据库的联合运算操作包括:控制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传入所述多重裁判引擎,分别执行反非法交易合法化的交易前期、交易中期和交易后期操作,执行时,所述智能控制器模块从机器学习算法集合中随机选取的算法对所述特征属性数据依次进行行为建模判定和链路分析判定,并将判定结果传入所述智能投票器;所述智能控制器模块从机器学习算法集合中随机选取的算法对所述特征属性数据依次进行风险预警和异常检测分析判定,基于所述智能控制器模块的控制,发送到所述智能投票器的特征属性数据在所述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;所述智能控制器模块将所述多重裁判引擎模块中智能投票器的所述最终判别结果返回所述智能合约数据库,以确定最终金融交易结果并展示交易状况及预测准确率。
3.根据权利要求1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系统,其特征在于,所述预言机模块自下而上依次调用不同层执行所述查询检验,所述预言机模块的逻辑结构包括:
网络协议,包括:在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,用于运行智能合约和调用数据,所述智能合约的运行和数据调用均在可信执行环境上进行,在所述操作层由亚马逊 AWS作为预言者,通过 TLSNotary Proof 验证所述审查角色的诚实性,所述操作层依赖多重签名机制,使得满足超过最小诚实节点数的预言者同时为相应节点签名;以及
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。
4.根据权利要求1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系统,其特征在于,所述MySQL数据库内存储反非法收入合法化操作前的全部链上数据类型,缓存数据库内存储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用于存储交易特征属性的数据类型。
5.根据权利要求4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系统,其特征在于,所述短间隔高频次细粒度调用的数据类型包括: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。
6.根据权利要求1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系统,其特征在于,所述外部数据模块内还包括数据深加工子模块和特征标记子模块;其中所述数据深加工模块,配置为将所述外部数据集内的金融交易数据进行数据清洗和数据预处理操作后形成深加工数据结果,并将所述深加工数据结果保存为交易数据集;所述数据特征标记模块,配置为将所述交易数据集构建多维特征数据集。
7.根据权利要求6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系统,其特征在于,所述多维特征数据集为六维特征数据集,所述六维特征数据集包括客户信息维度,客户肖像维度,交易账户维度,交易金额维度,交易笔数维度,对手信息维度。
8.根据权利要求7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系统,其特征在于,所述客户信息维度包含:发起人姓名、发起人账号、公司、地址、身份证号、出生日期、出生地、受益人姓名和/或受益人账号的属性信息;所述客户肖像维度包含:客户类型、个人账户或身份证或手机号为特征的归属地、外籍且命名不符、年龄偏大、离岸账户、银行职工、可疑交易、高风险地区、与公司名类似、开户时长、洗钱风险的属性信息;所述交易账户维度包含:交易激增、多币种交易、提现激增、大额消费激增、小余额次数的属性信息;所述交易金额维度包含:特殊交易金额、贷款金额过高、贷款比例过高、低金额、特殊转账、小额转账笔数过高、小额转账比例过高、转账统计特征、相邻交易统计特征的属性信息;所述交易笔数维度包含:转入比例、转出比例、美元笔数、单日多次存取、跨境交易金额、境交易比例、外币大规模交易、公职人工大金额、交易时间差统计特征的属性信息;所述对手信息维度包含:交易对手多且来源复杂、交易对手数量、相邻交易对手相同不同次数、对手类型的属性信息。
9.根据权利要求8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系统,其特征在于,所述多维特征数据集还包括:交易机构维度,所述交易机构维度包括交易机构为正常机构或是有问题机构,交易地点或国家,交易时间,交易系统和交易货币。
10.一种金融交易监管系统,其中包括如权利要求1-9任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系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210779601.1A CN115170139B (zh) | 2022-07-04 | 2022-07-04 | 一种基于区块链数据湖的三阶段金融违规多重裁判系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210779601.1A CN115170139B (zh) | 2022-07-04 | 2022-07-04 | 一种基于区块链数据湖的三阶段金融违规多重裁判系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115170139A true CN115170139A (zh) | 2022-10-11 |
CN115170139B CN115170139B (zh) | 2023-07-18 |
Family
ID=83491764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210779601.1A Active CN115170139B (zh) | 2022-07-04 | 2022-07-04 | 一种基于区块链数据湖的三阶段金融违规多重裁判系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115170139B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110049030A (zh) * | 2019-04-08 | 2019-07-23 | 山东公链信息科技有限公司 | 基于随机连续离散的区块链共识系统 |
US20200265516A1 (en) * | 2019-02-20 | 2020-08-20 | 55 Global, Inc. | Trusted tokenized transactions in a blockchain system |
CN112287029A (zh) * | 2020-11-17 | 2021-01-29 | 北京物资学院 | 一种区块链多链跨链系统及其实现机制 |
US20210142300A1 (en) * | 2019-11-13 | 2021-05-13 | Ceres Coin LLC | Stablecoin as a medium of exchange on a blockchain-based transaction network |
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 |
CN113449342A (zh) * | 2020-03-27 | 2021-09-28 | 山东浪潮质量链科技有限公司 | 一种基于区块链的随机数预言机实现方法、设备及介质 |
CN113628049A (zh) * | 2021-07-21 | 2021-11-09 | 三峡大学 | 一种基于群体智能的区块链智能合约的冲突裁决方法 |
US20220067738A1 (en) * | 2020-08-28 | 2022-03-03 | Anchain.ai Inc. | System and Method for Blockchain Automatic Tracing of Money Flow Using Artificial Intelligence |
CN114154969A (zh) * | 2021-10-15 | 2022-03-08 | 北京天德科技有限公司 | 一种基于区块链的大型交易和结算方法 |
-
2022
- 2022-07-04 CN CN202210779601.1A patent/CN115170139B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200265516A1 (en) * | 2019-02-20 | 2020-08-20 | 55 Global, Inc. | Trusted tokenized transactions in a blockchain system |
CN110049030A (zh) * | 2019-04-08 | 2019-07-23 | 山东公链信息科技有限公司 | 基于随机连续离散的区块链共识系统 |
US20210142300A1 (en) * | 2019-11-13 | 2021-05-13 | Ceres Coin LLC | Stablecoin as a medium of exchange on a blockchain-based transaction network |
CN113449342A (zh) * | 2020-03-27 | 2021-09-28 | 山东浪潮质量链科技有限公司 | 一种基于区块链的随机数预言机实现方法、设备及介质 |
US20220067738A1 (en) * | 2020-08-28 | 2022-03-03 | Anchain.ai Inc. | System and Method for Blockchain Automatic Tracing of Money Flow Using Artificial Intelligence |
CN112287029A (zh) * | 2020-11-17 | 2021-01-29 | 北京物资学院 | 一种区块链多链跨链系统及其实现机制 |
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 |
CN113628049A (zh) * | 2021-07-21 | 2021-11-09 | 三峡大学 | 一种基于群体智能的区块链智能合约的冲突裁决方法 |
CN114154969A (zh) * | 2021-10-15 | 2022-03-08 | 北京天德科技有限公司 | 一种基于区块链的大型交易和结算方法 |
Non-Patent Citations (4)
Title |
---|
向伟静: "法律智能合约平台模型的研究与设计", vol. 39, no. 1, pages 109 - 122 * |
滕飞: "区块链技术在数字货币中的应用态势分析", vol. 43, no. 5, pages 511 - 522 * |
蔡维德: "一种并行博弈的九宫格智能合约", vol. 8, no. 5, pages 443 - 451 * |
蔡维德: "分布式数字资产交易平台的问题与评估", vol. 33, no. 2, pages 410 - 433 * |
Also Published As
Publication number | Publication date |
---|---|
CN115170139B (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112534453A (zh) | 区块链交易安全 | |
Xie et al. | A feature extraction method for credit card fraud detection | |
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 | |
CN104867055A (zh) | 一种金融网络可疑资金追踪与识别方法 | |
CN103279883A (zh) | 电子支付交易风险控制方法及系统 | |
CN112200583B (zh) | 一种基于知识图谱的欺诈客户识别方法 | |
CN108492001A (zh) | 一种用于担保贷款网络风险管理的方法 | |
CN111639706A (zh) | 基于图像集的个人风险画像生成方法及相关设备 | |
CN110209729A (zh) | 数据转移对象识别的方法及装置 | |
CN115456603A (zh) | 一种基于双链结构的审批流程处理方法和装置 | |
WO2021218345A1 (zh) | 基于区块链的数据处理方法、装置、终端及存储介质 | |
CN111680968B (zh) | 基于区块链的建筑权益管理系统及方法 | |
CN112365270A (zh) | 一种金融欺诈识别与拦截的方法 | |
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 | |
CN113034159B (zh) | 一种基于区块链预言机技术的企业可信信评系统及方法 | |
CN115099798A (zh) | 一种基于实体识别的比特币异常地址追踪系统 | |
Yang et al. | Framework Design of Science and Technology Venture Capital Salary Management System Driven by Blockchain Technology | |
US11647048B2 (en) | Real-time feedback service for resource access rule configuration | |
Fill et al. | Catchword: blockchains and enterprise modeling | |
CN114595909A (zh) | 一种电费回收风险评估方法和系统 | |
CN110516075A (zh) | 基于机器学习的预警报告生成方法、装置和计算机设备 | |
CN115082076A (zh) | 一种基于区块链的三阶段金融违规多重裁判方法 | |
CN117786354A (zh) | 基于联邦学习的电力数据风控方法、设备和介质 | |
US20230376962A1 (en) | System and Method for Automated Feature Generation and Usage in Identity Decision Making | |
CN114625899B (zh) | 信息处理方法、装置、电子设备以及存储介质 |
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 |