CN115688130B - 数据处理方法、装置及设备 - Google Patents
数据处理方法、装置及设备 Download PDFInfo
- Publication number
- CN115688130B CN115688130B CN202211267903.7A CN202211267903A CN115688130B CN 115688130 B CN115688130 B CN 115688130B CN 202211267903 A CN202211267903 A CN 202211267903A CN 115688130 B CN115688130 B CN 115688130B
- Authority
- CN
- China
- Prior art keywords
- data
- service data
- risk
- service
- target
- 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.)
- Active
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例提供了一种数据处理方法、装置及设备,所述方法包括:获取待检测的目标业务的业务数据,并基于第一风险检测模型和所述业务数据,确定所述业务数据的风险类型,所述第一风险检测模型为基于深度学习算法构建的用于确定业务数据的风险类型的模型;基于扰动数据和所述业务数据的风险类型,对所述业务数据进行攻击,并在对所述业务数据攻击成功的情况下,获取对所述业务数据攻击成功所使用的扰动数据的目标数据量;在所述目标数据量大于预设数据量阈值的情况下,基于所述业务数据的风险类型,确定执行所述目标业务是否存在风险。
Description
技术领域
本说明书实施例涉及数据处理技术领域,尤其涉及一种数据处理方法、装置及设备。
背景技术
随着互联网行业的迅速发展,网络服务的数量和类型越来越多,网络风险也随之增多,如何为用户提供更加安全的网络环境,成为网络服务商关注的焦点。
在风控场景下,可以通过人工对业务数据进行巡检的方式,确定执行某业务是否存在风险,但是,由于业务数据的数据量较大,因此,人工巡检的方式会使得数据巡检压力大,这就可能导致无法及时准确的确定执行某业务是否存在风险,因此,需要一种在风控场景下,能及时准确的确定执行某业务是否存在风险的解决方案。
发明内容
本说明书实施例的目的是提供一种数据处理方法、装置及设备,以提供一种在风控场景下,能及时准确的确定执行某业务是否存在风险的解决方案。
为了实现上述技术方案,本说明书实施例是这样实现的:
第一方面,本说明书实施例提供了一种数据处理方法,包括:获取待检测的目标业务的业务数据,并基于第一风险检测模型和所述业务数据,确定所述业务数据的风险类型,所述第一风险检测模型为基于深度学习算法构建的用于确定业务数据的风险类型的模型;基于扰动数据和所述业务数据的风险类型,对所述业务数据进行攻击,并在对所述业务数据攻击成功的情况下,获取对所述业务数据攻击成功所使用的扰动数据的目标数据量;在所述目标数据量大于预设数据量阈值的情况下,基于所述业务数据的风险类型,确定执行所述目标业务是否存在风险。
第二方面,本说明书实施例提供了一种数据处理装置,所述装置包括:类型确定模块,用于获取待检测的目标业务的业务数据,并基于第一风险检测模型和所述业务数据,确定所述业务数据的风险类型,所述第一风险检测模型为基于深度学习算法构建的用于确定业务数据的风险类型的模型;数据获取模块,用于基于扰动数据和所述业务数据的风险类型,对所述业务数据进行攻击,并在对所述业务数据攻击成功的情况下,获取对所述业务数据攻击成功所使用的扰动数据的目标数据量;第一检测模块,用于在所述目标数据量大于预设数据量阈值的情况下,基于所述业务数据的风险类型,确定执行所述目标业务是否存在风险。
第三方面,本说明书实施例提供了一种数据处理设备,所述数据处理设备包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:获取待检测的目标业务的业务数据,并基于第一风险检测模型和所述业务数据,确定所述业务数据的风险类型,所述第一风险检测模型为基于深度学习算法构建的用于确定业务数据的风险类型的模型;基于扰动数据和所述业务数据的风险类型,对所述业务数据进行攻击,并在对所述业务数据攻击成功的情况下,获取对所述业务数据攻击成功所使用的扰动数据的目标数据量;在所述目标数据量大于预设数据量阈值的情况下,基于所述业务数据的风险类型,确定执行所述目标业务是否存在风险。
第四方面,本说明书实施例提供一种存储介质,所述存储介质用于存储计算机可执行指令,所述可执行指令在被执行时实现以下流程:获取待检测的目标业务的业务数据,并基于第一风险检测模型和所述业务数据,确定所述业务数据的风险类型,所述第一风险检测模型为基于深度学习算法构建的用于确定业务数据的风险类型的模型;基于扰动数据和所述业务数据的风险类型,对所述业务数据进行攻击,并在对所述业务数据攻击成功的情况下,获取对所述业务数据攻击成功所使用的扰动数据的目标数据量;在所述目标数据量大于预设数据量阈值的情况下,基于所述业务数据的风险类型,确定执行所述目标业务是否存在风险。
附图说明
为了更清楚地说明本说明书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说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1A为本说明书一种数据处理方法实施例的流程图;
图1B为本说明书一种数据处理方法实施例的处理过程示意图;
图2为本说明书一种业务数据的示意图;
图3为本说明书另一种数据处理方法实施例的处理过程示意图;
图4为本说明书另一种数据处理方法实施例的处理过程示意图;
图5为本说明书另一种数据处理方法实施例的处理过程示意图;
图6为本说明书一种数据处理装置实施例的结构示意图;
图7为本说明书一种数据处理设备的结构示意图。
具体实施方式
本说明书实施例提供一种数据处理方法、装置及设备。
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书保护的范围。
实施例一
如图1A和图1B所示,本说明书实施例提供一种数据处理方法,该方法的执行主体可以为服务器,该服务器可以是独立的服务器,也可以是由多个服务器组成的服务器集群。该方法具体可以包括以下步骤:
在S102中,获取待检测的目标业务的业务数据,并基于第一风险检测模型和业务数据,确定业务数据的风险类型。
其中,目标业务可以是任意业务,业务数据可以是执行目标业务所需的数据,例如,目标业务可以是身份验证业务,业务数据可以是生物特征数据、账号和密码数据等,或者,目标业务可以是资源转移业务,业务数据可以包括资源转移页面数据、用户身份数据等,第一风险检测模型可以为基于深度学习算法构建的用于确定业务数据的风险类型的模型,风险类型可以包括风险型、无风险型、其他类型等,也可以包括高风险型、中风险型、低风险型等多种类型,可以根据不同的风险检测场景确定不同的风险类型,本说明书实施例对具体的风险类型不作具体限定。
在实施中,随着互联网行业的迅速发展,网络服务的数量和类型越来越多,网络风险也随之增多,如何为用户提供更加安全的网络环境,成为网络服务商关注的焦点。在风控场景下,可以通过人工对业务数据进行巡检的方式,确定执行某业务是否存在风险,但是,由于业务数据的数据量较大,因此,人工巡检的方式会使得数据巡检压力大,这就可能导致无法及时准确的确定执行某业务是否存在风险,因此,需要一种在风控场景下,能及时准确的确定执行某业务是否存在风险的解决方案。为此,本说明书实施例提供一种可以解决上述问题的技术方案,具体可以参见下述内容。
以目标业务为页面检测业务为例,业务数据可以为待检测页面包含的数据,第一风险检测模型可以是基于卷积神经网络(Convolutional Neural Networks,CNN)算法构建的模型。如图2所示,终端设备可以向用户展示业务页面,用户可以在该业务页面内进行输入操作,终端设备可以在接收到用户在“确定”控件上的触发指令的情况下,将该待检测页面的页面数据作为业务数据发送给服务器,服务器可以将该页面数据输入预先训练的卷积神经网络模型,得到该业务数据的风险类型。
此外,待检测的业务数据可以包含多种不同类型的数据,如图2所示,业务数据可以包含图片、文本和视频等数据,相对应的,第一风险检测模型也可以包含多个不同的风险检测子模型,以对不同的元素进行风险检测,得到不同元素对应的风险类型,在根据不同元素对应的风险类型确定该业务数据的风险类型,例如,若基于风险检测子模型1确定图片元素的风险类型为风险型,基于风险检测子模型2确定文本元素的风险类型为风险型,基于风险检测子模型3确定视频元素的风险类型为无风险型,则服务器可以确定该业务数据的风险类型为风险型。或者,第一风险检测模型也可以是基于多模态数据对深度学习算法构建的模型进行训练得到,服务器可以将业务数据直接输入第一风险检测模型,得到业务数据的风险类型。
上述业务数据的风险类型的确定方法是一种可选地、可实现的确定方法,在实际应用场景中,还可以有多种不同的确定方法,可以根据实际应用场景的不同而有所不同,本说明书实施例对此不作具体限定。
在S104中,基于扰动数据和业务数据的风险类型,对业务数据进行攻击,并在对业务数据攻击成功的情况下,获取对业务数据攻击成功所使用的扰动数据的目标数据量。
在实施中,以目标业务为资源专业业务为例,如图2所示,服务器获取的业务数据可以包含图片、文本和视频等数据,可以将扰动数据添加到业务数据中的任一数据中,如可以将扰动数据添加到业务数据中的图片数据,在基于第一风险检测模型对添加扰动数据的业务数据进行风险检测,得到添加扰动数据的业务数据的风险类型,若添加扰动数据的业务数据的风险类型与未添加扰动数据的业务数据的风险类型(即业务数据的风险类型)不同,则可以确定对业务数据攻击成功,反之,则确定对业务数据攻击失败。
上述对业务数据的攻击方法是一种可选地、可实现的攻击方法,在实际应用场景中,还可以有多种不同的攻击方法,可以根据实际应用场景的不同而有所不同,本说明书实施例对此不作具体限定。
在S106中,在目标数据量大于预设数据量阈值的情况下,基于业务数据的风险类型,确定执行目标业务是否存在风险。
在实施中,在实际应用场景中,为节省攻击成本,恶意第三方通常会针对容易被攻击的业务进行攻击,因此,恶意第三方生成的数据也具有易攻击的特点,所以,可以根据对业务数据攻击成功所使用的扰动数据的目标数据量,确定业务数据是否容易被攻击成功。
在目标数据量大于预设数据量阈值的情况下,可以认为业务数据是较难被攻击的,即业务数据是正常业务数据而非恶意第三方生成的数据的可能性较大,此时,服务器可以基于业务数据的风险类型,准确的确定执行目标业务是否存在风险。
例如,若业务数据的风险类型为风险型,服务器可以将预设告警信息发送给终端设备,并停止执行目标业务,或者,若业务数据的风险类型为低风险型,则可以根据目标业务的风险检测需求,确定是否执行目标业务,具体如,若目标业务的风险检测需求低,且业务数据的风险类型为低风险型,则可以认为执行目标业务不存在风险,服务器可以执行目标业务,并将业务执行结果返回给终端设备。
此外,在目标数据量不大于预设数据量阈值的情况下,可以认为业务数据是恶意第三方生成的数据的可能性较大,服务器可以将业务数据发送给相关工作人员进行人工审核,以根据审核结果确定执行目标业务是否存在风险。
本说明书实施例提供一种数据处理方法,获取待检测的目标业务的业务数据,并基于第一风险检测模型和业务数据,确定业务数据的风险类型,第一风险检测模型为基于深度学习算法构建的用于确定业务数据的风险类型的模型,基于扰动数据和业务数据的风险类型,对业务数据进行攻击,并在对所述业务数据攻击成功的情况下,获取对所述业务数据攻击成功所使用的扰动数据的目标数据量,在目标数据量大于预设数据量阈值的情况下,基于业务数据的风险类型,确定执行目标业务是否存在风险。为节省攻击成本,恶意第三方通常会针对容易被攻击的业务进行攻击,因此,恶意第三方生成的数据也具有易攻击的特点,针对恶意第三方生成的数据的脆弱性的特点,可以根据对业务数据攻击成功所使用的扰动数据的目标数据量,对业务数据是否为恶意第三方生成的数据进行筛选,即在目标数据量大于预设数据量阈值的情况下,可以认为业务数据较难被攻击,业务数据不是恶意第三方生成的数据,可以根据业务数据的风险类型,及时准确的确定执行目标业务是否存在风险。
实施例二
本说明书实施例提供一种数据处理方法,该方法的执行主体可以为服务器,该服务器可以是独立的服务器,也可以是由多个服务器组成的服务器集群。该方法具体可以包括以下步骤:
在S102中,获取待检测的目标业务的业务数据,并基于第一风险检测模型和业务数据,确定业务数据的风险类型。
其中,第一风险检测模型为基于深度学习算法构建的用于确定业务数据的风险类型的模型。
在S302中,基于目标业务的风险检测优先级、目标业务的业务类型以及业务数据的数据类型,确定用于对业务数据进行攻击的扰动数据。
其中,目标业务的风险检测优先级可以用于表征目标业务的风险检测需求,风险检测优先级越高,表明目标业务的风险检测需求越高,目标业务的业务类型可以包括身份验证类、资源转移类等,业务数据的数据类型可以包括图片、文本、视频等类型。
在实施中,可以根据目标业务的风险检测优先级,确定扰动数据的初始数据量,即目标业务的风险检测优先级越高,扰动数据的初始数据量越大。
如图2所示,业务数据可能包含图片、文本、视频等类型的数据,针对不同数据类型的业务数据,可以根据业务数据的数据类型和目标业务的业务类型,确定扰动数据的数据类型,例如,若目标业务为资源转移业务,业务数据为如图2所示的资源转移页面包含的数据,则可以确定扰动数据为针对文本1的扰动数据,扰动数据的类型为文本数据,或者,若目标业务数据为身份验证数据,业务数据包含图片(包含生物特征数据的图片)、文本等类型的数据),则可以确定扰动数据为针对图片的扰动数据,扰动数据的类型为像素数据等。
上述扰动数据的确定方法是一种可选地、可实现的确定方法,在实际应用场景中,还可以有多种不同的确定方法,可以根据实际应用场景的不同而有所不同,本说明书实施例对此不作具体限定。
在S304中,对业务数据添加扰动数据,得到添加后的业务数据,并基于第一风险检测模型和添加后的业务数据,确定添加后的业务数据的风险类型。
在实施中,以目标业务为资源转移业务,业务数据为如图2所示的资源转移页面包含的数据为例,扰动数据可以是针对文本1的扰动数据,可以将扰动数据添加至文本1,得到添加后的业务数据,在将添加后的业务数据输入第一风险检测模型,得到添加后的业务数据的风险类型。
在S306中,基于添加后的业务数据的风险类型和业务数据的风险类型,确定对业务数据是否攻击成功。
在实施中,若添加后的业务数据的风险类型和业务数据的风险类型相同,则可以确定对业务数据未攻击成功,若添加后的业务数据的风险类型和业务数据的风险类型不同,则可以确定对业务数据攻击成功。
在S308中,若未对业务数据攻击成功,则对扰动数据的数据量进行更新处理,将更新处理后的扰动数据添加到业务数据,得到添加后的业务数据,并继续对添加后的业务数据进行攻击,直到对业务数据攻击成功。
在实施中,以目标业务为资源转移业务,业务数据为如图2所示的资源转移页面包含的数据为例,扰动数据可以是针对文本1的扰动数据,若未对业务数据攻击成功,则可以对该扰动数据的数据量进行更新处理,得到更新后的扰动数据,或者,还可以增加针对文本2、图片、视频中的一个或多个的扰动数据,并将增加的扰动数据添加到对应的数据中,得到更新后的扰动数据,除此之外,扰动数据的更新方法还可以有多种,可以根据实际应用场景的不同选取不同的更新方法,本说明书实施例对此不作具体限定。
在得到更新后的扰动数据后,可以将更新处理后的扰动数据添加到业务数据,并继续对添加后的业务数据进行攻击,直到对业务数据攻击成功。
在S104中,在对业务数据攻击成功的情况下,获取对业务数据攻击成功所使用的扰动数据的目标数据量。
在得到对业务数据攻击成功所使用的扰动数据的目标数据量后,可以根据目标数据量是否大于预设数据阈值,确定执行目标业务是否存在风险,即如图3所示,在S104之后,还可以继续执行S106,或如图4所示,在S104之后,可以继续执行S310,或者,在业务数据为多个的情况下,还可以根据业务数据中是否存在目标数据量是否大于预设数据阈值的情况,确定执行目标业务是否存在风险,即如图5所示,在S104之后,可以继续执行S312~S316。
在S106中,在目标数据量大于预设数据量阈值的情况下,基于业务数据的风险类型,确定执行目标业务是否存在风险。
在S310中,在目标数据量不大于预设数据量阈值的情况下,基于第二风险检测模型和业务数据,确定业务数据的目标风险类型,并基于业务数据的目标风险类型,确定执行目标业务是否存在风险。
其中,第二风险检测模型的模型规模可以大于第一风险检测模型的模型规模,第二风险检测模型可以是基于深度学习算法构建的模型,用于构建第二风险检测模型的深度学习算法,与用于构建第一风险检测模型的深度学习算法可以相同,也可以不同,以第一风险检测模型和第二风险检测模型都为CNN算法构建的模型为例,第一风险检测模型可以具有3层卷积层,第二风险检测模型可以具有5层卷积层,且用于训练第二风险检测模型的历史数据的数据量,大于用于训练第一风险检测模型的历史数据的数据量,这样,训练得到的第二风险检测模型的模型规模大于第一风险检测模型的模型规模,且第二风险检测模型的稳定性要高于第一风险检测模型。
在实施中,在目标数据量不大于预设数据量阈值的情况下,可以认为业务数据是恶意第三方生成的数据的可能性较大,即业务数据可能是正常业务数据也有可能是恶意第三方生成的数据,因此,可以通过更为稳健的第二风险检测模型,对业务数据进行风险检测,得到业务数据的目标风险类型,在通过业务数据的目标风险类型,确定执行目标业务是否存在风险。
在S312中,在业务数据中存在目标数据量不大于预设数据量阈值的第一业务数据的情况下,基于与第一业务数据对应的风险检测规则,对第一业务数据进行风险检测,并基于风险检测结果确定第一业务数据的目标风险类型。
在实施中,可以基于第二风险检测模型和第一业务数据,确定第一业务数据的目标风险类型,第二风险检测模型的模型规模可以大于第一风险检测模型的模型规模,其中,第二风险检测模型可以是如S310中的第二风险检测模型。
此外,以业务数据为如图2所示的页面数据为例,假设第一业务数据为文本1和视频,服务器可以通过第二风险检测模型确定文本1的目标风险类型,以及视频的目标风险类型,或者,服务器还可以通过预先训练的文本风险检测模型对文本1进行风险检测,得到文本1的目标风险类型,在通过预先训练的视频风险检测模型对视频进行风险检测,得到视频的目标风险类型。
上述第一业务数据的目标风险类型的确定方法是一种可选地、可实现的确定方法,在实际应用场景中,还可以有多种不同的确定方法,可以根据实际应用场景的不同选取不同的确定方法,本说明书实施例对此不作具体限定。
在S314中,在业务数据中存在目标数据量大于预设数据量阈值的第二业务数据的情况下,将第一业务数据的风险类型确定为第一业务数据的目标风险类型。
在S316中,基于第一业务数据的目标风险类型和第二业务数据的目标风险类型,确定执行目标业务是否存在风险。
在实施中,在实际应用中,上述S316的处理方式可以多种多样,以下提供一种可选的实现方式,具体可以参见下述步骤一~步骤二处理:
步骤一,获取第一业务数据对应的风险等级,以及第二业务数据对应的风险等级。
在实施中,业务数据的风险等级可以根据目标业务的不同而有所不同,例如,假设目标业务为身份验证业务,则图片和视频类型的业务数据的风险等级可以为等级1,文本类型的业务数据的风险等级可以为等级2,假设目标业务为资源转移业务,则图片和视频类型的业务数据的风险等级可以为等级2,文本类型的业务数据的风险等级可以为等级1,其中,等级1要高于等级2。
步骤二,基于第一业务数据的目标风险类型和对应的风险等级,以及第二业务数据的目标风险类型和对应的风险等级,确定执行目标业务是否存在风险。
在实施中,假设目标业务为身份验证业务,第一业务数据的目标风险类型为低风险,对应的风险等级为等级1,第二业务数据的目标风险类型为中风险,对应的风险等级为等级2,其中,等级1高于等级2,那么,可以认为执行目标业务不存在风险,服务器可以执行目标业务,并将业务执行结果返回给终端设备。
本说明书实施例提供一种数据处理方法,获取待检测的目标业务的业务数据,并基于第一风险检测模型和业务数据,确定业务数据的风险类型,第一风险检测模型为基于深度学习算法构建的用于确定业务数据的风险类型的模型,基于扰动数据和业务数据的风险类型,对业务数据进行攻击,并在对所述业务数据攻击成功的情况下,获取对所述业务数据攻击成功所使用的扰动数据的目标数据量,在目标数据量大于预设数据量阈值的情况下,基于业务数据的风险类型,确定执行目标业务是否存在风险。为节省攻击成本,恶意第三方通常会针对容易被攻击的业务进行攻击,因此,恶意第三方生成的数据也具有易攻击的特点,针对恶意第三方生成的数据的脆弱性的特点,可以根据对业务数据攻击成功所使用的扰动数据的目标数据量,对业务数据是否为恶意第三方生成的数据进行筛选,即在目标数据量大于预设数据量阈值的情况下,可以认为业务数据较难被攻击,业务数据不是恶意第三方生成的数据,可以根据业务数据的风险类型,及时准确的确定执行目标业务是否存在风险。
实施例三
以上为本说明书实施例提供的数据处理方法,基于同样的思路,本说明书实施例还提供一种数据处理装置,如图6所示。
该数据处理装置包括:类型确定模块601、数据获取模块602和第一检测模块603,其中:
类型确定模块601,用于获取待检测的目标业务的业务数据,并基于第一风险检测模型和所述业务数据,确定所述业务数据的风险类型,所述第一风险检测模型为基于深度学习算法构建的用于确定业务数据的风险类型的模型;
数据获取模块602,用于基于扰动数据和所述业务数据的风险类型,对所述业务数据进行攻击,并在对所述业务数据攻击成功的情况下,获取对所述业务数据攻击成功所使用的扰动数据的目标数据量;
第一检测模块603,用于在所述目标数据量大于预设数据量阈值的情况下,基于所述业务数据的风险类型,确定执行所述目标业务是否存在风险。
本说明书实施例中,所述数据获取模块602,用于:
对所述业务数据添加所述扰动数据,得到添加后的业务数据,并基于所述第一风险检测模型和所述添加后的业务数据,确定所述添加后的业务数据的风险类型;
基于所述添加后的业务数据的风险类型和所述业务数据的风险类型,确定对所述业务数据是否攻击成功;
若未对所述业务数据攻击成功,则对所述扰动数据的数据量进行更新处理,将更新处理后的扰动数据添加到所述业务数据,得到所述添加后的业务数据,并继续对所述添加后的业务数据进行攻击,直到对所述业务数据攻击成功。
本说明书实施例中,所述装置还包括:
第二检测模块,用于在所述目标数据量不大于预设数据量阈值的情况下,基于第二风险检测模型和所述业务数据,确定所述业务数据的目标风险类型,并基于所述业务数据的目标风险类型,确定执行所述目标业务是否存在风险,所述第二风险检测模型的模型规模大于所述第一风险检测模型的模型规模。
本说明书实施例中,所述业务数据为多个,所述第一检测模块603,用于:
在所述业务数据中存在所述目标数据量不大于所述预设数据量阈值的第一业务数据的情况下,基于与所述第一业务数据对应的风险检测规则,对所述第一业务数据进行风险检测,并基于风险检测结果确定所述第一业务数据的目标风险类型;
在所述业务数据中存在所述目标数据量大于所述预设数据量阈值的第二业务数据的情况下,将所述第一业务数据的风险类型确定为所述第一业务数据的目标风险类型;
基于所述第一业务数据的目标风险类型和所述第二业务数据的目标风险类型,确定执行所述目标业务是否存在风险。
本说明书实施例中,所述第一检测模块603,用于:
基于第二风险检测模型和所述第一业务数据,确定所述第一业务数据的目标风险类型,所述第二风险检测模型的模型规模大于所述第一风险检测模型的模型规模。
本说明书实施例中,所述第一检测模块603,用于:
获取所述第一业务数据对应的风险等级,以及所述第二业务数据对应的风险等级;
基于所述第一业务数据的目标风险类型和对应的风险等级,以及所述第二业务数据的目标风险类型和对应的风险等级,确定执行所述目标业务是否存在风险。
本说明书实施例中,所述装置还包括:
数据确定模块,用于基于所述目标业务的风险检测优先级、所述目标业务的业务类型以及所述业务数据的数据类型,确定用于对所述业务数据进行攻击的所述扰动数据。
本说明书实施例提供一种数据处理装置,获取待检测的目标业务的业务数据,并基于第一风险检测模型和业务数据,确定业务数据的风险类型,第一风险检测模型为基于深度学习算法构建的用于确定业务数据的风险类型的模型,基于扰动数据和业务数据的风险类型,对业务数据进行攻击,并在对所述业务数据攻击成功的情况下,获取对所述业务数据攻击成功所使用的扰动数据的目标数据量,在目标数据量大于预设数据量阈值的情况下,基于业务数据的风险类型,确定执行目标业务是否存在风险。为节省攻击成本,恶意第三方通常会针对容易被攻击的业务进行攻击,因此,恶意第三方生成的数据也具有易攻击的特点,针对恶意第三方生成的数据的脆弱性的特点,可以根据对业务数据攻击成功所使用的扰动数据的目标数据量,对业务数据是否为恶意第三方生成的数据进行筛选,即在目标数据量大于预设数据量阈值的情况下,可以认为业务数据较难被攻击,业务数据不是恶意第三方生成的数据,可以根据业务数据的风险类型,及时准确的确定执行目标业务是否存在风险。
实施例四
基于同样的思路,本说明书实施例还提供一种数据处理设备,如图7所示。
数据处理设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上的处理器701和存储器702,存储器702中可以存储有一个或一个以上存储应用程序或数据。其中,存储器702可以是短暂存储或持久存储。存储在存储器702的应用程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括对数据处理设备中的一系列计算机可执行指令。更进一步地,处理器701可以设置为与存储器702通信,在数据处理设备上执行存储器702中的一系列计算机可执行指令。数据处理设备还可以包括一个或一个以上电源703,一个或一个以上有线或无线网络接口704,一个或一个以上输入输出接口705,一个或一个以上键盘706。
具体在本实施例中,数据处理设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对数据处理设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
获取待检测的目标业务的业务数据,并基于第一风险检测模型和所述业务数据,确定所述业务数据的风险类型,所述第一风险检测模型为基于深度学习算法构建的用于确定业务数据的风险类型的模型;
基于扰动数据和所述业务数据的风险类型,对所述业务数据进行攻击,并在对所述业务数据攻击成功的情况下,获取对所述业务数据攻击成功所使用的扰动数据的目标数据量;
在所述目标数据量大于预设数据量阈值的情况下,基于所述业务数据的风险类型,确定执行所述目标业务是否存在风险。
可选地,所述基于扰动数据和所述业务数据的风险类型,对所述业务数据进行攻击,包括:
对所述业务数据添加所述扰动数据,得到添加后的业务数据,并基于所述第一风险检测模型和所述添加后的业务数据,确定所述添加后的业务数据的风险类型;
基于所述添加后的业务数据的风险类型和所述业务数据的风险类型,确定对所述业务数据是否攻击成功;
若未对所述业务数据攻击成功,则对所述扰动数据的数据量进行更新处理,将更新处理后的扰动数据添加到所述业务数据,得到所述添加后的业务数据,并继续对所述添加后的业务数据进行攻击,直到对所述业务数据攻击成功。
可选地,所述方法还包括:
在所述目标数据量不大于预设数据量阈值的情况下,基于第二风险检测模型和所述业务数据,确定所述业务数据的目标风险类型,并基于所述业务数据的目标风险类型,确定执行所述目标业务是否存在风险,所述第二风险检测模型的模型规模大于所述第一风险检测模型的模型规模。
可选地,所述业务数据为多个,所述在所述目标数据量大于预设数据量阈值的情况下,基于所述业务数据的风险类型,确定执行所述目标业务是否存在风险,包括:
在所述业务数据中存在所述目标数据量不大于所述预设数据量阈值的第一业务数据的情况下,基于与所述第一业务数据对应的风险检测规则,对所述第一业务数据进行风险检测,并基于风险检测结果确定所述第一业务数据的目标风险类型;
在所述业务数据中存在所述目标数据量大于所述预设数据量阈值的第二业务数据的情况下,将所述第一业务数据的风险类型确定为所述第一业务数据的目标风险类型;
基于所述第一业务数据的目标风险类型和所述第二业务数据的目标风险类型,确定执行所述目标业务是否存在风险。
可选地,所述基于与所述第一业务数据对应的风险检测规则,对所述第一业务数据进行风险检测,并基于风险检测结果确定所述第一业务数据的目标风险类型,包括:
基于第二风险检测模型和所述第一业务数据,确定所述第一业务数据的目标风险类型,所述第二风险检测模型的模型规模大于所述第一风险检测模型的模型规模。
可选地,所述基于所述第一业务数据的目标风险类型和所述第二业务数据的目标风险类型,确定执行所述目标业务是否存在风险,包括:
获取所述第一业务数据对应的风险等级,以及所述第二业务数据对应的风险等级;
基于所述第一业务数据的目标风险类型和对应的风险等级,以及所述第二业务数据的目标风险类型和对应的风险等级,确定执行所述目标业务是否存在风险。
可选地,在所述基于扰动数据和所述业务数据的风险类型,对所述业务数据进行攻击之前,还包括:
基于所述目标业务的风险检测优先级、所述目标业务的业务类型以及所述业务数据的数据类型,确定用于对所述业务数据进行攻击的所述扰动数据。
本说明书实施例提供一种数据处理设备,获取待检测的目标业务的业务数据,并基于第一风险检测模型和业务数据,确定业务数据的风险类型,第一风险检测模型为基于深度学习算法构建的用于确定业务数据的风险类型的模型,基于扰动数据和业务数据的风险类型,对业务数据进行攻击,并在对所述业务数据攻击成功的情况下,获取对所述业务数据攻击成功所使用的扰动数据的目标数据量,在目标数据量大于预设数据量阈值的情况下,基于业务数据的风险类型,确定执行目标业务是否存在风险。为节省攻击成本,恶意第三方通常会针对容易被攻击的业务进行攻击,因此,恶意第三方生成的数据也具有易攻击的特点,针对恶意第三方生成的数据的脆弱性的特点,可以根据对业务数据攻击成功所使用的扰动数据的目标数据量,对业务数据是否为恶意第三方生成的数据进行筛选,即在目标数据量大于预设数据量阈值的情况下,可以认为业务数据较难被攻击,业务数据不是恶意第三方生成的数据,可以根据业务数据的风险类型,及时准确的确定执行目标业务是否存在风险。
实施例五
本说明书实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述数据处理方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等。
本说明书实施例提供一种计算机可读存储介质,获取待检测的目标业务的业务数据,并基于第一风险检测模型和业务数据,确定业务数据的风险类型,第一风险检测模型为基于深度学习算法构建的用于确定业务数据的风险类型的模型,基于扰动数据和业务数据的风险类型,对业务数据进行攻击,并在对所述业务数据攻击成功的情况下,获取对所述业务数据攻击成功所使用的扰动数据的目标数据量,在目标数据量大于预设数据量阈值的情况下,基于业务数据的风险类型,确定执行目标业务是否存在风险。为节省攻击成本,恶意第三方通常会针对容易被攻击的业务进行攻击,因此,恶意第三方生成的数据也具有易攻击的特点,针对恶意第三方生成的数据的脆弱性的特点,可以根据对业务数据攻击成功所使用的扰动数据的目标数据量,对业务数据是否为恶意第三方生成的数据进行筛选,即在目标数据量大于预设数据量阈值的情况下,可以认为业务数据较难被攻击,业务数据不是恶意第三方生成的数据,可以根据业务数据的风险类型,及时准确的确定执行目标业务是否存在风险。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书一个或多个实施例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,本说明书一个或多个实施例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。
本说明书的实施例是参照根据本说明书实施例的方法、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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书一个或多个实施例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,本说明书一个或多个实施例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。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种数据处理方法,包括:
获取待检测的目标业务的业务数据,并基于第一风险检测模型和所述业务数据,确定所述业务数据的风险类型,所述第一风险检测模型为基于深度学习算法构建的用于确定业务数据的风险类型的模型;
基于扰动数据和所述业务数据的风险类型,对所述业务数据进行攻击,并在对所述业务数据攻击成功的情况下,获取对所述业务数据攻击成功所使用的扰动数据的目标数据量;
在所述目标数据量大于预设数据量阈值的情况下,基于所述业务数据的风险类型,确定执行所述目标业务是否存在风险;
其中,所述基于扰动数据和所述业务数据的风险类型,对所述业务数据进行攻击,包括:
基于添加后的业务数据的风险类型和所述业务数据的风险类型,确定对所述业务数据是否攻击成功,所述添加后的业务数据为对所述业务数据添加所述扰动数据得到的数据,所述添加后的业务数据的风险类型基于所述第一风险检测模型和所述添加后的业务数据确定。
2.根据权利要求1所述的方法,所述基于扰动数据和所述业务数据的风险类型,对所述业务数据进行攻击,包括:
对所述业务数据添加所述扰动数据,得到所述添加后的业务数据,并基于所述第一风险检测模型和所述添加后的业务数据,确定所述添加后的业务数据的风险类型;
基于所述添加后的业务数据的风险类型和所述业务数据的风险类型,确定对所述业务数据是否攻击成功;
若未对所述业务数据攻击成功,则对所述扰动数据的数据量进行更新处理,将更新处理后的扰动数据添加到所述业务数据,得到所述添加后的业务数据,并继续对所述添加后的业务数据进行攻击,直到对所述业务数据攻击成功。
3.根据权利要求2所述的方法,所述方法还包括:
在所述目标数据量不大于预设数据量阈值的情况下,基于第二风险检测模型和所述业务数据,确定所述业务数据的目标风险类型,并基于所述业务数据的目标风险类型,确定执行所述目标业务是否存在风险,所述第二风险检测模型的模型规模大于所述第一风险检测模型的模型规模。
4.根据权利要求2所述的方法,所述业务数据为多个,所述在所述目标数据量大于预设数据量阈值的情况下,基于所述业务数据的风险类型,确定执行所述目标业务是否存在风险,包括:
在所述业务数据中存在所述目标数据量不大于所述预设数据量阈值的第一业务数据的情况下,基于与所述第一业务数据对应的风险检测规则,对所述第一业务数据进行风险检测,并基于风险检测结果确定所述第一业务数据的目标风险类型;
在所述业务数据中存在所述目标数据量大于所述预设数据量阈值的第二业务数据的情况下,将所述第一业务数据的风险类型确定为所述第一业务数据的目标风险类型;
基于所述第一业务数据的目标风险类型和所述第二业务数据的目标风险类型,确定执行所述目标业务是否存在风险。
5.根据权利要求4所述的方法,所述基于与所述第一业务数据对应的风险检测规则,对所述第一业务数据进行风险检测,并基于风险检测结果确定所述第一业务数据的目标风险类型,包括:
基于第二风险检测模型和所述第一业务数据,确定所述第一业务数据的目标风险类型,所述第二风险检测模型的模型规模大于所述第一风险检测模型的模型规模。
6.根据权利要求4所述的方法,所述基于所述第一业务数据的目标风险类型和所述第二业务数据的目标风险类型,确定执行所述目标业务是否存在风险,包括:
获取所述第一业务数据对应的风险等级,以及所述第二业务数据对应的风险等级;
基于所述第一业务数据的目标风险类型和对应的风险等级,以及所述第二业务数据的目标风险类型和对应的风险等级,确定执行所述目标业务是否存在风险。
7.根据权利要求2所述的方法,在所述基于扰动数据和所述业务数据的风险类型,对所述业务数据进行攻击之前,还包括:
基于所述目标业务的风险检测优先级、所述目标业务的业务类型以及所述业务数据的数据类型,确定用于对所述业务数据进行攻击的所述扰动数据。
8.一种数据处理装置,包括:
类型确定模块,用于获取待检测的目标业务的业务数据,并基于第一风险检测模型和所述业务数据,确定所述业务数据的风险类型,所述第一风险检测模型为基于深度学习算法构建的用于确定业务数据的风险类型的模型;
数据获取模块,用于基于扰动数据和所述业务数据的风险类型,对所述业务数据进行攻击,并在对所述业务数据攻击成功的情况下,获取对所述业务数据攻击成功所使用的扰动数据的目标数据量;
第一检测模块,用于在所述目标数据量大于预设数据量阈值的情况下,基于所述业务数据的风险类型,确定执行所述目标业务是否存在风险;
其中,所述数据获取模块,用于:
基于添加后的业务数据的风险类型和所述业务数据的风险类型,确定对所述业务数据是否攻击成功,所述添加后的业务数据为对所述业务数据添加所述扰动数据得到的数据,所述添加后的业务数据的风险类型基于所述第一风险检测模型和所述添加后的业务数据确定。
9.一种数据处理设备,所述数据处理设备包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:
获取待检测的目标业务的业务数据,并基于第一风险检测模型和所述业务数据,确定所述业务数据的风险类型,所述第一风险检测模型为基于深度学习算法构建的用于确定业务数据的风险类型的模型;
基于扰动数据和所述业务数据的风险类型,对所述业务数据进行攻击,并在对所述业务数据攻击成功的情况下,获取对所述业务数据攻击成功所使用的扰动数据的目标数据量;
在所述目标数据量大于预设数据量阈值的情况下,基于所述业务数据的风险类型,确定执行所述目标业务是否存在风险;
其中,所述基于扰动数据和所述业务数据的风险类型,对所述业务数据进行攻击,包括:
基于添加后的业务数据的风险类型和所述业务数据的风险类型,确定对所述业务数据是否攻击成功,所述添加后的业务数据为对所述业务数据添加所述扰动数据得到的数据,所述添加后的业务数据的风险类型基于所述第一风险检测模型和所述添加后的业务数据确定。
10.一种存储介质,所述存储介质用于存储计算机可执行指令,所述可执行指令在被处理器执行时实现以下流程:
获取待检测的目标业务的业务数据,并基于第一风险检测模型和所述业务数据,确定所述业务数据的风险类型,所述第一风险检测模型为基于深度学习算法构建的用于确定业务数据的风险类型的模型;
基于扰动数据和所述业务数据的风险类型,对所述业务数据进行攻击,并在对所述业务数据攻击成功的情况下,获取对所述业务数据攻击成功所使用的扰动数据的目标数据量;
在所述目标数据量大于预设数据量阈值的情况下,基于所述业务数据的风险类型,确定执行所述目标业务是否存在风险;
其中,所述基于扰动数据和所述业务数据的风险类型,对所述业务数据进行攻击,包括:
基于添加后的业务数据的风险类型和所述业务数据的风险类型,确定对所述业务数据是否攻击成功,所述添加后的业务数据为对所述业务数据添加所述扰动数据得到的数据,所述添加后的业务数据的风险类型基于所述第一风险检测模型和所述添加后的业务数据确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211267903.7A CN115688130B (zh) | 2022-10-17 | 2022-10-17 | 数据处理方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211267903.7A CN115688130B (zh) | 2022-10-17 | 2022-10-17 | 数据处理方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115688130A CN115688130A (zh) | 2023-02-03 |
CN115688130B true CN115688130B (zh) | 2023-10-20 |
Family
ID=85067119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211267903.7A Active CN115688130B (zh) | 2022-10-17 | 2022-10-17 | 数据处理方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115688130B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510194A (zh) * | 2018-03-30 | 2018-09-07 | 平安科技(深圳)有限公司 | 风控模型训练方法、风险识别方法、装置、设备及介质 |
WO2019218751A1 (zh) * | 2018-05-16 | 2019-11-21 | 阿里巴巴集团控股有限公司 | 一种保险业务风险预测的处理方法、装置及处理设备 |
CN111404915A (zh) * | 2020-03-11 | 2020-07-10 | 湖南大学 | 一种基于三层模型的电网信息物理安全风险检测方法 |
WO2021223675A1 (zh) * | 2020-05-06 | 2021-11-11 | 支付宝(杭州)信息技术有限公司 | 风险检测 |
CN113918435A (zh) * | 2021-10-18 | 2022-01-11 | 北京天际友盟信息技术有限公司 | 一种应用程序风险等级的确定方法、装置以及存储介质 |
CN113919488A (zh) * | 2021-12-03 | 2022-01-11 | 支付宝(杭州)信息技术有限公司 | 对抗样本的生成方法、装置和服务器 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8086655B2 (en) * | 2007-09-14 | 2011-12-27 | International Business Machines Corporation | Methods and apparatus for perturbing an evolving data stream for time series compressibility and privacy |
US10839394B2 (en) * | 2018-10-26 | 2020-11-17 | Microsoft Technology Licensing, Llc | Machine learning system for taking control actions |
US11397891B2 (en) * | 2020-01-14 | 2022-07-26 | International Business Machines Corporation | Interpretability-aware adversarial attack and defense method for deep learnings |
-
2022
- 2022-10-17 CN CN202211267903.7A patent/CN115688130B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510194A (zh) * | 2018-03-30 | 2018-09-07 | 平安科技(深圳)有限公司 | 风控模型训练方法、风险识别方法、装置、设备及介质 |
WO2019218751A1 (zh) * | 2018-05-16 | 2019-11-21 | 阿里巴巴集团控股有限公司 | 一种保险业务风险预测的处理方法、装置及处理设备 |
CN111404915A (zh) * | 2020-03-11 | 2020-07-10 | 湖南大学 | 一种基于三层模型的电网信息物理安全风险检测方法 |
WO2021223675A1 (zh) * | 2020-05-06 | 2021-11-11 | 支付宝(杭州)信息技术有限公司 | 风险检测 |
CN113918435A (zh) * | 2021-10-18 | 2022-01-11 | 北京天际友盟信息技术有限公司 | 一种应用程序风险等级的确定方法、装置以及存储介质 |
CN113919488A (zh) * | 2021-12-03 | 2022-01-11 | 支付宝(杭州)信息技术有限公司 | 对抗样本的生成方法、装置和服务器 |
Non-Patent Citations (1)
Title |
---|
基于自然语言技术的内部审计风险预警框架构建与应用――以NJ银行授信业务为例;李猛;朱迎际;庄轶;;中国内部审计(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115688130A (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112200132B (zh) | 一种基于隐私保护的数据处理方法、装置及设备 | |
CN112398838B (zh) | 一种基于隐私保护的认证方法、装置、设备及存储介质 | |
CN115712866B (zh) | 数据处理方法、装置及设备 | |
CN116167461B (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN114819614A (zh) | 数据处理方法、装置、系统及设备 | |
CN116824339A (zh) | 图像处理方法及装置 | |
CN116049761A (zh) | 数据处理方法、装置及设备 | |
CN115841335B (zh) | 数据处理方法、装置及设备 | |
CN115221523B (zh) | 数据处理方法、装置及设备 | |
CN115688130B (zh) | 数据处理方法、装置及设备 | |
CN114926706B (zh) | 数据处理方法、装置及设备 | |
CN116822606A (zh) | 一种异常检测模型的训练方法、装置、设备及存储介质 | |
CN114710318B (zh) | 一种限制爬虫高频访问的方法、装置、设备及介质 | |
CN116188023A (zh) | 一种风险识别模型训练的方法、装置、存储介质及设备 | |
CN115204395A (zh) | 数据的处理方法、装置及设备 | |
CN115545720A (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
CN112257060B (zh) | 一种数据的处理方法、装置及设备 | |
CN112884478B (zh) | 一种数据处理方法、装置及设备 | |
CN117972436B (zh) | 大语言模型的训练方法、训练装置、存储介质及电子设备 | |
CN113239851B (zh) | 一种基于隐私保护的隐私图像处理方法、装置及设备 | |
CN111275445B (zh) | 一种数据的处理方法、装置及设备 | |
CN109242478B (zh) | 一种口令红包创建方法及装置 | |
CN115423485B (zh) | 数据处理方法、装置及设备 | |
CN117369783B (zh) | 一种安全代码生成模型的训练方法及装置 | |
CN115828171B (zh) | 一种端云协同执行业务的方法、装置、介质及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |