CN115689567A - 风险控制方法、装置、设备、介质和程序产品 - Google Patents
风险控制方法、装置、设备、介质和程序产品 Download PDFInfo
- Publication number
- CN115689567A CN115689567A CN202210714215.4A CN202210714215A CN115689567A CN 115689567 A CN115689567 A CN 115689567A CN 202210714215 A CN202210714215 A CN 202210714215A CN 115689567 A CN115689567 A CN 115689567A
- Authority
- CN
- China
- Prior art keywords
- risk
- prior
- user
- item
- level
- 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
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本公开提供了一种风险控制方法,可以应用于信息安全技术领域或金融领域。该风险控制方法包括:获取事前风险要素信息,并基于所述事前风险要素信息获取事前风险等级;当触发事项时,获取事中风险要素信息,并基于所述事中风险要素信息获取事中风险等级;基于所述事前风险等级和所述事中风险等级获取综合风险等级;以及基于所述综合风险等级以及预设的身份认证规则触发身份认证。本公开还提供了一种风险控制装置、设备、存储介质和程序产品。
Description
技术领域
本公开涉及信息安全技术领域或金融领域,具体地,涉及一种风险控制方法、装置、设备、介质和程序产品。
背景技术
随着金融行业对于风险把控意识的不断加强,越来越多的交易场景需要对用户进行身份认证。部分风险较高且需要对用户进行身份认证的交易仅能线下办理,用户体验较差。虽然生物识别技术逐渐成熟,但普通的识别认证无法充分保障交易安全。如何兼顾业务安全及业务办理的便捷性,成为亟待解决的问题。
发明内容
鉴于上述问题,本公开的实施例提供了一种风险控制方法、装置、设备、介质和程序产品。
根据本公开的第一个方面,提供了一种风险控制方法,包括:获取事前风险要素信息,并基于所述事前风险要素信息获取事前风险等级;当触发事项时,获取事中风险要素信息,并基于所述事中风险要素信息获取事中风险等级;基于所述事前风险等级和所述事中风险等级获取综合风险等级;以及基于所述综合风险等级以及预设的身份认证规则触发身份认证。
根据本公开的实施例,所述基于所述事前风险等级和所述事中风险等级获取综合风险等级包括:获取对应于m个待处理事项中每个事项的所述事前风险等级和所述事中风险等级,其中,m为大于或等于2的整数;基于对应于所述m个待处理事项中每个事项的所述事前风险等级建立事项处理队列;以及依次计算所述事项处理队列中每个事项的综合风险等级,其中,第i个事项的综合风险等级基于对应于第i个事项的所述事前风险等级和所述事中风险等级计算得到,i满足1≤i≤m且i为整数。
根据本公开的实施例,所述基于对应于所述m个事项中每个事项的所述事前风险等级建立事项处理队列包括:按照事前风险等级从低到高的顺序对所述m个待处理事项进行排序,获取事项入队序列;以及基于所述事项入队序列获取所述事项处理队列。
根据本公开的实施例,当对所述事项处理队列的处理时长大于预设的阈值时,以所述事项处理队列中第i个事项的事前风险等级作为所述第i个事项的综合风险等级。
根据本公开的实施例,获取综合风险等级包括:基于所述事前风险要素信息获取p个事前风险子项以及各事前风险子项的风险等级,基于所述事中风险要素信息获取q个事中风险子项以及各事中风险子项的风险等级;以及基于各风险子项的风险等级,各风险子项权重,风险子项数量以及预设的风险分级数获取综合风险等级,其中,p和q分别为大于或等于1的整数,所述风险子项包括事前风险子项和事中风险子项。
根据本公开的实施例,所述方法还包括基于各事前风险子项的风险等级获取事前风险项等级;以及基于所述事前风险项等级,预设的事前风险项权重,各事中风险子项的风险等级,各事中风险子项权重,风险项数量以及预设的风险分级数获取综合风险等级,其中,所述风险项包括事前风险项和事中风险子项。
根据本公开的实施例,所述事前风险等级包括高风险,较高风险,中风险,较低风险以及低风险;当第i个事项的所述事前风险等级为高风险时,以所述第i个事项的事前风险等级为第i个事项的综合风险等级。
根据本公开的实施例,所述事前风险要素信息包括用户事前自然信息特征要素、用户事前金融信息特征要素以及监管信息特征要素;和/或,所述事中风险要素信息包括用户事中自然信息特征要素和用户事中金融信息特征要素。
根据本公开的实施例,所述用户事前自然信息特征要素包括用户年龄,用户国籍,用户居住地,用户社会声誉中的至少两种;和/或,所述用户事前金融特征信息要素包括用户征信,用户交易频数,用户资产,用户风险模型匹配信息中的至少两种;和/或,所述监管信息特征要素包括预获取的风险监管数据。
根据本公开的实施例,所述用户事中自然信息特征要素包括用户交易地区,用户交易IP地址以及用户身份信息中的至少两种;和/或,所述用户事中金融信息特征要素包括交易对手信息,交易类型,用户交易时间以及用户交易资产数中的至少两种。
根据本公开的实施例,所述基于各事前风险子项的风险等级获取事前风险项等级包括:基于各事前风险子项的风险等级以及预设的评分卡模型获取事前风险项等级;或基于各事前风险子项的风险等级和预训练得到的事前风险评价机器学习模型获取事前风险项等级。
根据本公开的实施例,其中,所述综合风险等级包含n级,所述预设的身份认证规则包括每一级综合风险等级与一种身份认证方法相匹配,所述基于所述综合风险等级以及预设的身份认证规则触发身份认证还包括:当所述综合风险等级为第k级,且与所述第k级综合风险等级匹配的身份认证方法关联的验证要素记录为空时,触发第k+1级综合风险等级匹配的身份认证方法,其中,n为大于或等于2的整数,k满足1≤k<n且k为整数。
根据本公开的实施例,所述身份认证方法关联的验证要素包括生物识别信息,安全指令和安全控制工具中的至少一种。
本公开的第二方面提供了一种风险认证装置,包括:第一处理模块,配置为获取事前风险要素信息,并基于所述事前风险要素信息获取事前风险等级;第二处理模块,配置为当触发事项时,获取事中风险要素信息,并基于所述事中风险要素信息获取事中风险等级;第三处理模块,配置为基于所述事前风险等级和所述事中风险等级获取综合风险等级;以及认证模块,配置为基于所述综合风险等级以及预设的身份认证规则触发身份认证。
根据本公开的实施例,第三处理模块包括获取子模块,队列子模块和计算子模块。其中获取子模块被配置为获取对应于m个待处理事项中每个事项的所述事前风险等级和所述事中风险等级,其中,m为大于或等于2的整数;队列子模块被配置为基于对应于所述m个待处理事项中每个事项的所述事前风险等级建立事项处理队列;计算子模块被配置为依次计算所述事项处理队列中每个事项的综合风险等级,其中,第i个事项的综合风险等级基于对应于第i个事项的所述事前风险等级和所述事中风险等级计算得到,i满足1≤i≤m且i为整数。
根据本公开的实施例,队列子模块包括排序单元和构建单元。排序单元被配置为按照事前风险等级从低到高的顺序对所述m个待处理事项进行排序,获取事项入队序列。构建单元被配置为基于所述事项入队序列获取所述事项处理队列。
根据本公开另一些实施例,第三处理模块还包括获取单元和计算单元。其中,获取单元被配置为基于所述事前风险要素信息获取p个事前风险子项以及各事前风险子项的风险等级,基于所述事中风险要素信息获取q个事中风险子项以及各事中风险子项的风险等级。计算单元被配置为基于各风险子项的风险等级,各风险子项权重,风险子项数量以及预设的风险分级数获取综合风险等级,其中,p和q分别为大于或等于1的整数,所述风险子项包括事前风险子项和事中风险子项。
根据本公开另一些实施例,当第三处理模块包含计算子模块时,所述计算子模块包含所述获取单元和计算单元。
根据本公开再一些实施例,第三处理模块还包括处理单元。所述处理单元被配置为基于各事前风险子项的风险等级获取事前风险项等级。此时,计算单元被配置为基于所述事前风险项等级,预设的事前风险项权重,各事中风险子项的风险等级,各事中风险子项权重,风险项数量以及预设的风险分级数获取综合风险等级,其中,所述风险项包括事前风险项和事中风险子项。
根据本公开又一些实施例,当第三处理模块包含计算子模块时,所述计算子模块包含所述处理单元。
根据本公开的一些实施例,综合风险等级包含n级,所述预设的身份认证规则包括每一级综合风险等级与一种身份认证方法相匹配,认证模块还包括验证判断子模块。其中,验证判断子模块被配置为当所述综合风险等级为第k级,且与所述第k级综合风险等级匹配的身份认证方法关联的验证要素记录为空时,触发第k+1级综合风险等级匹配的身份认证方法,其中,n为大于或等于2的整数,k满足1≤k<n且k为整数。
本公开的第三方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得一个或多个处理器执行上述风险控制方法。
本公开的第四方面还提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行上述风险控制方法。
本公开的第五方面还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述风险控制方法。
本公开的实施例提供的方法,通过判定事前风险等级和事中风险等级,科学合理地对待处理事项的综合风险等级进行计算。基于综合风险等级以及预设的身份认证规则触发身份认证,能够实现对不同风险等级的用户以不同策略进行身份认证,有利于提高身份认证的准确度和个性化。应用于较高风险的业务的在线办理时,能够兼顾业务安全及业务办理的便捷性。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述内容以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的风险控制方法、装置、设备、介质和程序产品的应用场景图。
图2示意性示出了根据本公开实施例的风险控制方法的流程图。
图3示意性示出了根据本公开实施例的获取综合风险等级的方法的流程图。
图4示意性示出了根据本公开另一些实施例的获取综合风险等级的方法的流程图。
图5示意性示出了根据本公开实施例的快速判别方法的流程图。
图6示意性示出了根据本公开实施例的基于对应于所述m个事项中每个事项的所述事前风险等级建立事项处理队列的方法的流程图。
图7示意性示出了根据本公开实施例的在特殊情况下基于综合风险等级以及预设的身份认证规则触发身份认证的方法的流程图。
图8示意性示出了根据本公开实施例的风险控制装置的结构框图。
图9示意性示出了根据本公开实施例的第三处理模块的结构框图。
图10示意性示出了根据本公开实施例的队列子模块的结构框图。
图11示意性示出了根据本公开另一些实施例的第三处理模块的结构框图。
图12示意性示出了根据本公开另一些实施例的第三处理模块的结构框图。
图13示意性示出了根据本公开再一些实施例的第三处理模块的结构框图。
图14示意性示出了根据本公开又一些实施例的第三处理模块的结构框图。
图15示意性示出了根据本公开实施例的认证模块的结构框图。
图16示意性示出了根据本公开实施例的适于实现风险控制方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
在本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
在本公开的技术方案中,在获取或采集用户个人信息之前,均获取了用户的授权或同意。
随着金融行业对于风险把控意识的不断加强,越来越多的交易场景需要对用户进行身份认证。部分风险较高且需要对用户进行身份认证的交易仅能线下办理,用户体验较差。以部分商业银行为例,部分风险较高且需要对用户进行身份认证的交易仅能在网点办理。大堂经理需要对客户进行面签,对交易进行授权,如柜面A新增托管账户交易,由于需要两位客户共同办理业务,并且需要对两位客户同时进行身份校验,因此仅支持到网点柜面办理业务,这样对客户来说极为不便。虽然生物识别技术逐渐成熟,但普通的识别认证无法充分保障交易安全。如何兼顾业务安全及业务办理的便捷性,成为亟待解决的问题。
针对上述问题,本公开的实施例提供了风险控制方法,其特征在于,包括:获取事前风险要素信息,并基于所述事前风险要素信息获取事前风险等级;当触发事项时,获取事中风险要素信息,并基于所述事中风险要素信息获取事中风险等级;基于所述事前风险等级和所述事中风险等级获取综合风险等级;以及基于所述综合风险等级以及预设的身份认证规则触发身份认证。
本公开的实施例提供的方法,通过事前风险要素信息和事中风险要素信息获取事前风险等级和事中风险等级,结合事前和事中两种不同时段的风险等级指标能够更加科学合理地对待处理事项的综合风险等级进行计算。进一步,可以基于综合风险等级以及预设的身份认证规则触发身份认证,以实现对不同风险等级的用户以不同策略进行身份认证,有利于提高身份认证的准确度和个性化。本公开的实施例的方法可以实现在线办理较高风险的业务,以兼顾业务安全及业务办理的便捷性,提升用户满意度。
需要说明的是,本公开实施例提供的风险控制方法、装置、设备、介质和程序产品可用于信息安全技术领域在风险控制相关方面,也可用于除信息安全技术之外的多种领域,如金融领域等。本公开实施例提供的风险控制方法、装置、设备、介质和程序产品的应用领域不做限定。
以下将结合附图及其说明文字围绕实现本公开的至少一个目的的上述操作进行阐述。
图1示意性示出了根据本公开实施例的风险控制方法、装置、设备、介质和程序产品的应用场景图。
如图1所示,根据该实施例的应用场景100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的风险控制方法一般可以由服务器105执行。相应地,本公开实施例所提供的风险控制装置一般可以设置于服务器105中。本公开实施例所提供的风险控制方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的风险控制装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
以下将基于图1描述的场景,通过图2~图7对公开实施例的风险控制方法进行详细描述。
图2示意性示出了根据本公开实施例的风险控制方法的流程图。
如图2所示,该实施例的风险控制包括操作S210~操作S240,该交易处理方法可以由处理器执行,也可以由包括处理器的任何电子设备执行。
在操作S210,获取事前风险要素信息,并基于所述事前风险要素信息获取事前风险等级。
在操作S220,当触发事项时,获取事中风险要素信息,并基于所述事中风险要素信息获取事中风险等级。
在操作S230,基于所述事前风险等级和所述事中风险等级获取综合风险等级。
在操作S240,基于所述综合风险等级以及预设的身份认证规则触发身份认证。
根据本公开的实施例,事前风险要素信息可以在不触发事项时即可获取。例如,可以在不通过交易的情况下获取。并基于事前风险要素信息计算事前风险等级。事前风险等级可以用于评估用户基本风险。事中风险要素信息可以为在事项触发时获取的安全评价信息,例如在用户登录后,交易进行前获取。可以基于事中风险要素信息计算事中风险等级。在本公开的实施例中,事前风险要素信息和事中风险要素信息可能涉及用户信息。需说明,在获取用户的信息之前,可以获得用户的同意或授权。例如,在操作S210之前,可以向用户发出获取用户信息的请求。在用户同意或授权可以获取用户信息的情况下,执行所述操作S210。
进一步,可以基于事前风险等级和事中风险等级综合计算触发事项的综合风险等级。并基于等级判定结果触发相应的身份认证方法。应理解,可以预设身份认证规则,从而使综合风险等级判定结果与相应的身份认证方法形成映射关系。
本公开的实施例提供的方法,通过事前风险要素信息和事中风险要素信息获取事前风险等级和事中风险等级,结合事前和事中两种不同时段的风险等级指标,更加科学合理地对触发事项的综合风险等级进行计算。进一步,基于综合风险等级以及预设的身份认证规则触发身份认证,可以实现对不同风险等级的用户以不同策略进行身份认证,有利于提高身份认证的准确度和个性化。本公开的实施例提供的方法尤其适用于较高风险的业务的在线办理,能够在提升业务办理便捷性的同时保障业务安全,提升用户体验。
根据本公开的实施例,所述事前风险要素信息包括用户事前自然信息特征要素、用户事前金融信息特征要素以及监管信息特征要素;和/或,所述事中风险要素信息包括用户事中自然信息特征要素和用户事中金融信息特征要素。其中,用户事前自然信息特征要素可以为事前收集的用户的基础属性信息,用户事前金融信息特征要素可以为事前收集的用户的金融特征信息,特别是用户的与金融安全相关的特征信息。监管信息特征要素可以为事前收集的与金融安全相关的由监管部门掌握特征信息。应理解,在应用本方案的方法时,可以经监管部门授权获得上述监管信息特征要素
在一些具体的实施例中,用户事前自然信息特征要素包括用户年龄,用户国籍,用户居住地,用户社会声誉中的至少两种;和/或,所述用户事前金融特征信息要素包括用户征信,用户交易频数,用户资产,用户风险模型匹配信息中的至少两种;和/或,所述监管信息特征要素包括预获取的风险监管数据,例如,监管黑名单。其中,监管黑名单可以包含经监管部门确认,存在较大金融安全风险的用户及用户信息。
具体的,用户事前自然信息特征要素可以在事前于机构内部或外部获得。其中,用户社会声誉可以基于网络爬取新闻报道获得,例如,是否存在权威媒体的重要负面新闻报道评论。用户金融信息特征要素可以基于本机构或其他金融机构留存的用户信息获取。其中,用户征信可以包含用户是否存在不良征信记录。用户交易频数和用户资产可以分别为用户在本金融机构的交易频度以及在本机构留存的资产信息。用户风险模型可以为已上线使用的模型。可以基于用户风险模型获取用户原始风险等级信息,以备使用本公开实施例的方法更新优化。预获取的风险监管数据可以基于指定渠道经授权获取。
在一些具体的实施例中,所述用户事中自然信息特征要素包括用户交易地区,用户交易IP地址以及用户身份信息中的至少两种;和/或,所述用户事中金融信息特征要素包括交易对手信息,交易类型,用户交易时间以及用户交易资产数中的至少两种。与用户事前信息特征要素类似的,用户事中自然信息特征要素可以为事中收集的用户的基础属性信息,用户事中金融信息特征要素可以为事前收集的用户的金融特征信息,特别是用户的与金融安全相关的特征信息。上述用户事中自然信息特征要素和用户事中金融信息特征要素可以基于技术渠道以及关联的指定渠道经授权获取。
图3示意性示出了根据本公开实施例的获取综合风险等级的方法的流程图。
如图3所示,该实施例的风险控制包括操作S310~操作S320。
在操作S310,基于所述事前风险要素信息获取p个事前风险子项以及各事前风险子项的风险等级,基于所述事中风险要素信息获取q个事中风险子项以及各事中风险子项的风险等级。
在操作S320,基于各风险子项的风险等级,各风险子项权重,风险子项数量以及预设的风险分级数获取综合风险等级。
其中,p和q分别为大于或等于1的整数,所述风险子项包括事前风险子项和事中风险子项。由此,可以将事前风险要素信息与事前风险子项形成映射关系,全面考量对综合风险等级产生影响的因素,并基于权重法获取综合风险等级。
在一些实施例中,基于式(1)的公式获取综合风险评分:
在式(1)中,ai代表第i项风险子项的风险等级(包括事前风险子项等级和事中风险子项等级),pi代表第i项风险子项权重,m代表预设的风险分级数,n代表风险子项数量。例如,当风险分为5级时,风险分级数为5。可以将综合风险评分基于预设的风险分级数划分评分-等级区间。以五级评分为例,例如风险等级1-[X1,X2),风险等级2-[X2,X3),风险等级3-[X3,X4),风险等级4-[X4,X5),风险等级5-[X5,X6],由此可以基于综合风险评分获取对应的综合风险等级。
在一些实施例中,基于事前风险子项和事中风险子项在综合风险等级评定中的重要性差异以及减少数据处理开销的考量,可以以各事前风险子项的风险等级为基础,综合计算事前风险项等级,并对事前风险项等级赋予统一的权重。
图4示意性示出了根据本公开另一些实施例的获取综合风险等级的方法的流程图。
如图4所示,该实施例的风险控制包括操作S410~操作S420。
在操作S410,基于各事前风险子项的风险等级获取事前风险项等级。
在操作S420,基于所述事前风险项等级,预设的事前风险项权重,各事中风险子项的风险等级,各事中风险子项权重,风险项数量以及预设的风险分级数获取综合风险等级,其中,所述风险项包括事前风险项和事中风险子项。
此时,式(1)中的ai包括事前风险项等级和第i项事中风险子项的风险等级。根据本公开的实施例,基于各事前风险子项的风险等级获取事前风险项等级包括:基于各事前风险子项的风险等级以及预设的评分卡模型获取事前风险项等级;或基于各事前风险子项的风险等级和预训练得到的事前风险评价机器学习模型获取事前风险项等级。
其中,评分卡模型通过对各事前风险子项实行打分制,以对用户在相应维度的事前风险子项中进行风险评分并获取每一个事前风险子项的风险子项等级。进一步,可以获取事前风险项等级。而预训练得到的事前风险评价机器学习模型可以基于用户风险历史数据的学习建立模型,并对输入的风险子项特征数据进行处理以获取待处理事项的事前风险项等级。
下面以一个具体的示例为例,对本公开实施例的综合风险等级计算进行说明。
在一个典型的示例中,用户事前自然信息特征要素包括用户年龄,用户国籍,用户居住地和用户社会声誉;所述用户事前金融特征信息要素包括用户征信,用户交易频数,用户资产和用户风险模型匹配信息;所述监管信息特征要素包括预获取的风险监管数据。在本示例中,预获取的风险监管数据包括监管黑名单数据。事前风险项等级的具体获得方法可以包括:
首先,在步骤S1,对用户事前自然信息特征要素进行处理如下:
1.根据用户年龄划分风险等级:1-[0,16],2-[16,23),3-[65,∞),4-[40,65),5-[23,40)。
2.根据用户国籍划分风险等级:
(1)若命中监管信息特征要素中的监管黑名单,风险等级5;
(2)未命中监管信息特征要素中的监管黑名单,但用户国籍非本国,风险等级3;
(3)未命中监管信息特征要素中的监管黑名单,且用户国籍为本国,风险等级1。
3.根据用户居住地区划分等级:将用户居住地区与监管信息特征要素中的监管黑名单进行匹配,若用户居住地区命中监管黑名单,风险等级5;若未命中监管黑名单,风险等级1。
4.用户社会声誉:基于用户在预设时间范围内在权威媒体获得负面新闻报道的数量划分风险等级:
(1)若无负面评论,风险等级1;
(2)若负面新闻报道评论获数量为1条,风险等级2;
(3)若负面新闻报道评论获数量为[2,3]条,风险等级3;
(4)若负面新闻报道评论获数量为[4,6]条,风险等级4;
(5)若负面新闻报道评论获数量为[7,∞]条,风险等级5。
对用户事前金融信息特征要素进行处理如下:
5.根据用户在预设时间范围内存在不良征信历史记录数量进行评分:
(1)若用户无上述记录,风险等级1;
(2)若用户存在1条上述记录,风险等级3;
(3)若用户存在2条上述记录,风险等级4;
(4)若用户存在3条及以上上述记录,风险等级5。
6.根据用户交易频数进行划分:
(1)挑选出转账借方和贷方都是本机构用户的明细数据
(2)以转账借方、贷方为一组,提取每组用户的往来资金大小、往来资金频数等特征。例如,可以基于RFM模型,来提取用户在预设时间范围内的往来资金频数、往来资金大小、最近一次资金往来的时间。进一步,计算预设时间范围内(例如一个月之内)用户在本机构日均交易频度,1-[0,5),2-[5,10),3-[10,15),4-[15,20),5-[20,∞)。
7.根据用户在本机构的月均资产信息进行划分(单位为元):1-[10000,∞),2-[5000,10000),3-[1000,5000),4-[500,1000),5-[0,500)。
8.根据用户是否匹配本机构风险模型进行等级划分:
(1)匹配本机构风险模型,风险等级5,
(2)未匹配本机构风险模型,风险等级1。
在获取各事前风险子项的风险等级后,可基于评分卡模型计算事前风险项等级:如将各事前风险子项的风险等级加和计算。
1.若用户在风险子项5-根据用户在预设时间范围内存在不良征信历史记录数量进行评分以及风险子项8-根据用户是否匹配本机构风险模型进行等级划分中的风险等级均为5,则直接判定为高风险客户,事前风险项等级定为35;
2.若事前风险项等级为[35,25),则判定用户为较高风险用户;
3.若事前风险项等级为[25,15),则判定用户为中风险用户;
4.若事前风险项等级为[15,10),则判定用户为较低风险用户;
5.若事前风险项等级为[10,8],则判定用户为低风险用户。
在本公开的示例中,可以预设事前风险项权重为4,以备计算综合风险等级。
在另一个具体的示例中,可以基于各事前风险子项的风险等级和预训练得到的事前风险评价机器学习模型获取事前风险项等级。
其中,预训练得到的事前风险评价机器学习模型可通过GBDT算法来实现。需要说明的是,在搭建模型前需要预先准备标注好的历史用户风险数据用于模型训练。在本具体的示例中,需要针对历史用户提前确定风险、疑似风险和低风险名单,其中风险用户为已知的风险用户,例如命中监管黑名单,命中负面新闻报道名单的用户;疑似风险用户可通过利用Louvain社群发现算法,基于用户间的往来资金大小、往来资金频数等特征,将全量用户划分为小的用户群。进一步,在算法中判断黑名单所在社区,并计算社区所在的黑名单数量。如果社区中包含1个以上黑名单用户,则定义为风险社区。将风险社区中的非黑名单用户定义为疑似风险用户。在历史客户中,除去风险客户、疑似风险用户的人员作为低风险客户。然后再应用GBDT算法训练事前风险评价机器学习模型。可以理解的是,将新的用户特殊数据输入事前风险评测模型后,系统可自动判别客户的风险,可将风险客户、疑似风险客户、低风险客户的风险分别定义为高风险、中分享、低风险。
在本公开的示例中,用户事中金融信息特征要素包括交易对手信息,交易类型,用户交易时间以及用户交易资产数。
在步骤S2,基于与用户事前自然信息特征要素和用户事前金融信息特征要素类似的处理方法,对用户事中自然信息特征要素和进行处理如下:
1.根据客户交易地区划分等级:
(1)客户交易地区与客户居住地一致,则判断风险等级为1;
(2)客户交易地区与客户居住地不一致,且未命中监管黑名单,则风险等级为2;
(3)客户交易地区与客户居住地不一致,且命中监管黑名单,则风险等级为5;
可以预设此事中风险子项的风险子项权重为5。
2.根据客户交易IP地址划分风险等级,包括用户交易IP地址与用户居住地的匹配度,以及用户交易IP地址关联用户账户数量两个维度:
2.1根据客户在预设时间内(例如,近1个月内)IP地址分布地区占比统计进行等级划分:
(1)100%为客户居住地,且命中监管黑名单,风险等级为5;
(2)100%为客户居住地,且没有命中监管黑名单,风险等级为1;
[80%,100%)为客户居住地,风险等级为2;
[60%,80%)为客户居住地,风险等级为3;
[40%,60%)为客户居住地,风险等级为4;
[0%,40%)为客户居住地,风险等级为5;
可以预设此事中风险子项的风险子项权重为5。
2.2根据用户IP地址操作的客户账户数量划分风险等级:1-[1,2],2-[3,4),3-[4,5),4-[5,6),5-[6,∞)。
可以预设此事中风险子项的风险子项权重为6。
3.根据是否客户本人办理划分风险等级:
3.1若为客户本人,未命中监管黑名单,风险等级为1;
3.2若为客户本人,但命中监管黑名单,风险等级为5;
3.3若非客户本人,但为客户亲属,且未命中监管黑名单,风险等级为3;
3.4若非客户本人,但为客户亲属,且命中监管黑名单,风险等级为4;
3.5若非本人,且无亲属关系,且命中监管黑名单,风险等级为5;
3.6若非本人,且无亲属关系,且未命中监管黑名单,风险等级为4。
可以预设此事中风险子项的风险子项权重为5。
对用户事中金融信息特征要素进行处理如下:
4.根据客户交易对手信息划分风险等级:
(1)若客户交易对手信息命中监管黑名单,风险等级为5,
(2)若客户对手信息未命中监管黑名单,风险等级为1。
可以预设此事中风险子项的风险子项权重为5。
5.根据客户交易类型进行风险等级划分,例如:风险等级为5-(支付转账类、贷款类、投资理财类、客户信息查询类),风险等级为4-(协议开通、变更类、提额类),风险等级为3-(注册及设备登陆),风险等级为2-(其他类);
可以预设此事中风险子项的风险子项权重为5。
6.根据预设的规则对个人客户的转账交易明细数据进行加工,基于用户最近交易时间,用户交易资产数获取用户往来资金数量、往来资金时间间隔,进一步进行风险等级判断:
(1)挑选出转账借方和贷方都是本机构客户的明细数据
(2)以转账借方、贷方为一组,提取每组客户的往来资金大小、往来资金频数等特征。例如,可以基于RFM模型,来提取每组客户的近半年的往来资金频数、往来资金大小、最近一次资金往来的时间。
客户近半年往来资金时间间隔风险判断:记录客户近半年往来资金频数区间[a,b],并计算其众数c,并将本次交易时间与上一次交易时间进行计算得出本次交易时间间隔x并进行等级划分:1-本次时间间隔x≥c,3-本次时间间隔a≤x<c,5-本次间隔时间x<a;
可以预设此事中风险子项的风险子项权重为3。
在步骤S3,基于步骤S1和S2的结果计算综合风险等级:
根据式(1)的计算公式计算综合风险等级评分。综合风险评分的区间为15-80分,15分表示风险最低,80分表示风险最高。将综合风险评分根据五个区间进行等级划分:风险等级1-[15,20),风险等级2-[20,30),风险等级3-[30,45),风险等级4-[45,60),风险等级5-[60,80]。由此,可以基于实际计算得到的综合风险评分值获取对应的综合风险等级。
需要说明的是,由于计算风险等级的过程需要消耗系统资源开销,在事项处理并发量较大的时候,可能造成因计算风险等级耗时较长导致处理等待时间较长,为了兼顾风险控制和处理性能,通过快速判别方法来控制事项处理进度。
图5示意性示出了根据本公开实施例的快速判别方法的流程图。
如图5所示,该实施例的快速判别方法包括操作S510~操作S530。
在操作S510,获取对应于m个待处理事项中每个事项的所述事前风险等级和所述事中风险等级,其中,m为大于或等于2的整数。
在操作S520,基于对应于所述m个待处理事项中每个事项的所述事前风险等级建立事项处理队列。
在操作S530,依次计算所述事项处理队列中每个事项的综合风险等级,其中,第i个事项的综合风险等级基于对应于第i个事项的所述事前风险等级和所述事中风险等级计算得到,i满足1≤i≤m且i为整数。
在一些优选的实施例中,将待计算风险等级的事项依次送入队列,按照先进先出规则,依次处理队列中的事项。基于各事项的事前风险等级的计算结果定义事项的入队优先级。
图6示意性示出了根据本公开实施例的基于对应于所述m个事项中每个事项的所述事前风险等级建立事项处理队列的方法的流程图。
如图6所示,该实施例的基于对应于所述m个事项中每个事项的所述事前风险等级建立事项处理队列的方法包括操作S610~操作S620。
在操作S610,按照事前风险等级从低到高的顺序对所述m个待处理事项进行排序,获取事项入队序列。
在操作S620,基于所述事项入队序列获取所述事项处理队列。
在本公开的实施例中,入队优先级满足低风险>中风险>高风险。也就是说,针对低风险客户,优先计算其最终的最终的风险等级,以提升用户体验。对于事项处理队列中的事项,依次计算其最终风险等级。作为一种优选的方式,事前风险等级包括高风险,较高风险,中风险,较低风险以及低风险;当第i个事项的所述事前风险等级为高风险时,以所述第i个事项的事前风险等级为第i个事项的综合风险等级。对于其余事前风险等级的事项,需要计算其综合风险等级。由此,可以进一步平衡数据处理速度和风险控制。
在本公开的实施例中,可以设置处理超时机制。具体的,可以当对所述事项处理队列的处理时长大于预设的阈值时,以所述事项处理队列中第i个事项的事前风险等级作为所述第i个事项的综合风险等级。以此为兜底规则,可以保障数据处理的稳定性,提升数据处理效率,保证用户体验。
根据本公开的实施例,所述综合风险等级包含n级,其中,n为大于或等于2的整数,所述预设的身份认证规则包括每一级综合风险等级与一种身份认证方法相匹配。
作为一种优选的方式,为了进一步提高风险控制的完备性,可以预设身份认证的特殊规则,以在对所述综合风险等级进行身份认证方法匹配时,于特殊情况下提高安全认证的要求。
图7示意性示出了根据本公开实施例的在特殊情况下基于综合风险等级以及预设的身份认证规则触发身份认证的方法的流程图。
如图7所示,该实施例的在特殊情况下基于综合风险等级以及预设的身份认证规则触发身份认证的方法包括操作S710。
在操作S710,当所述综合风险等级为第k级,且与所述第k级综合风险等级匹配的身份认证方法关联的验证要素记录为空时,触发第k+1级综合风险等级匹配的身份认证方法,其中,k满足1≤k<n且k为整数。其中,身份认证方法关联的验证要素包括生物识别信息,安全指令和安全控制工具中的至少一种。其中,生物识别信息可以包括但不限于人脸识别,指纹识别,指静脉识别,虹膜识别等;安全指令可以包括但不限于用户名/密码、动态口令、短信验证码(与手机号绑定)等;安全控制工具可以包括但不限于智能卡、USB Key(U盾)等。可以对不同级别的综合风险等级预配置不同的验证要素及要素组合。例如较低风险等级可仅进行生物识别;较高风险等级可以生物识别和安全指令为组合进行身份认证;高级别风险可以对验证要素进行全要素组合。需说明,在触发身份认证之前,可以获得用户的同意或授权。例如,在操作S710之前,可以向用户发出获取用户信息的请求。在用户同意或授权可以获取用户信息的情况下,执行所述操作S710。
在一个示例中,假设第k级综合风险等级匹配的身份认证方法关联的验证要素为生物识别信息。但用户在本机构没有该生物识别信息的记录(如未录入人脸信息)时,自动触发k+1级认证方法:USBKey认证+用户名/密码认证,以充分保证事项处理的安全性。
在本公开的实施例中,可基于预设的时间以及风险控制要求收集和/或更新风险子项,并自动调整风险子项的参数,例如风险子项的权重,风险子项等级的配置规则等,以不断优化本公开实施例的风险控制方法。应理解,还可以对事前风险等级,事中风险等级,以及综合风险等级的计算方法,队列规则等实时调整优化,以保证风险控制方法的持续有效。
基于上述风险控制方法,本公开还提供了一种风险控制装置。以下将结合图8对该装置进行详细描述。
图8示意性示出了根据本公开实施例的风险控制装置的结构框图。
如图8所示,该实施例的风险控制装置800包括第一处理模块810、第二处理模块820、第三处理模块830和认证模块840。
第一处理模块810被配置为获取事前风险要素信息,并基于所述事前风险要素信息获取事前风险等级。
第二处理模块820被配置为当触发事项时,获取事中风险要素信息,并基于所述事中风险要素信息获取事中风险等级。
第三处理模块830被配置为基于所述事前风险等级和所述事中风险等级获取综合风险等级。
认证模块840被配置为基于所述综合风险等级以及预设的身份认证规则触发身份认证。
根据本公开的实施例,第三处理模块还可以包括获取子模块、队列子模块和计算子模块。
图9示意性示出了根据本公开实施例的第三处理模块的结构框图。
如图9所示,该实施例的第三处理模块830包括获取子模块8301、队列子模块8302和计算子模块8303。
其中,获取子模块8301被配置为获取对应于m个待处理事项中每个事项的所述事前风险等级和所述事中风险等级,其中,m为大于或等于2的整数。
队列子模块8302被配置为基于对应于所述m个待处理事项中每个事项的所述事前风险等级建立事项处理队列。
计算子模块8303被配置为依次计算所述事项处理队列中每个事项的综合风险等级,其中,第i个事项的综合风险等级基于对应于第i个事项的所述事前风险等级和所述事中风险等级计算得到,i满足1≤i≤m且i为整数。
根据本公开的实施例,队列子模块还可以包括排序单元和构建单元。
图10示意性示出了根据本公开实施例的队列子模块的结构框图。
如图10所示,该实施例的队列子模块8302包括排序单元83021和构建单元83022。
排序单元83021被配置为按照事前风险等级从低到高的顺序对所述m个待处理事项进行排序,获取事项入队序列。
构建单元83022被配置为基于所述事项入队序列获取所述事项处理队列。
根据本公开另一些实施例,第三处理模块还包括获取单元和计算单元。
图11示意性示出了根据本公开另一些实施例的第三处理模块的结构框图。
如图11所示,该实施例的第三处理模块830包括获取单元831和计算单元832。
其中,获取单元831被配置为基于所述事前风险要素信息获取p个事前风险子项以及各事前风险子项的风险等级,基于所述事中风险要素信息获取q个事中风险子项以及各事中风险子项的风险等级。
计算单元832被配置为基于各风险子项的风险等级,各风险子项权重,风险子项数量以及预设的风险分级数获取综合风险等级,其中,p和q分别为大于或等于1的整数,所述风险子项包括事前风险子项和事中风险子项。
类似的,图12示意性示出了根据本公开另一些实施例的第三处理模块的结构框图。
如图12所示,在另一些的实施例中,当第三处理模块830包含计算子模块8303时,计算子模块8303包含所述获取单元831和计算单元832。
图13示意性示出了根据本公开再一些实施例的第三处理模块的结构框图。
如图13所示,在再一些的实施例中,第三处理模块830还包括处理单元833。处理单元833被配置为基于各事前风险子项的风险等级获取事前风险项等级。此时,计算单元832被配置为基于所述事前风险项等级,预设的事前风险项权重,各事中风险子项的风险等级,各事中风险子项权重,风险项数量以及预设的风险分级数获取综合风险等级,其中,所述风险项包括事前风险项和事中风险子项。
类似的,图14示意性示出了根据本公开又一些实施例的第三处理模块的结构框图。
如图14所示,在另一些的实施例中,当第三处理模块830包含计算子模块8303时,计算子模块8303包含所述处理单元833。
根据本公开的一些实施例,综合风险等级包含n级,所述预设的身份认证规则包括每一级综合风险等级与一种身份认证方法相匹配,认证模块还可以包括验证判断子模块。
图15示意性示出了根据本公开实施例的认证模块的结构框图。
如图15所示,该实施例的认证模块840包括验证判断子模块8401。其中,验证判断子模块8401被配置为当所述综合风险等级为第k级,且与所述第k级综合风险等级匹配的身份认证方法关联的验证要素记录为空时,触发第k+1级综合风险等级匹配的身份认证方法,其中,n为大于或等于2的整数,k满足1≤k<n且k为整数。
根据本公开的实施例,第一处理模块810、第二处理模块820、第三处理模块830、认证模块840、获取子模块8301、队列子模块8302、计算子模块8303、排序单元83021、构建单元83022、获取单元831、计算单元832、处理单元833和验证判断子模块8401中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,第一处理模块810、第二处理模块820、第三处理模块830、认证模块840、获取子模块8301、队列子模块8302、计算子模块8303、排序单元83021、构建单元83022、获取单元831、计算单元832、处理单元833和验证判断子模块8401中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,第一处理模块810、第二处理模块820、第三处理模块830、认证模块840、获取子模块8301、队列子模块8302、计算子模块8303、排序单元83021、构建单元83022、获取单元831、计算单元832、处理单元833和验证判断子模块8401中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图16示意性示出了根据本公开实施例的适于实现风险控制方法的电子设备的方框图。
如图16所示,根据本公开实施例的电子设备900包括处理器901,其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。处理器901例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器901还可以包括用于缓存用途的板载存储器。处理器901可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 903中,存储有电子设备900操作所需的各种程序和数据。处理器901、ROM902以及RAM903通过总线904彼此相连。处理器901通过执行ROM 902和/或RAM903中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM902和RAM903以外的一个或多个存储器中。处理器901也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备900还可以包括输入/输出(I/O)接口905,输入/输出(I/O)接口905也连接至总线904。电子设备900还可以包括连接至I/O接口905的以下部件中的一项或多项:包括键盘、鼠标等的输入部分906;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907;包括硬盘等的存储部分908;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器910上,以便于从其上读出的计算机程序根据需要被安装入存储部分908。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 902和/或RAM 903和/或ROM 902和RAM 903以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时,该程序代码用于使计算机系统实现本公开实施例所提供的方法。
在该计算机程序被处理器901执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分909被下载和安装,和/或从可拆卸介质911被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
在这样的实施例中,该计算机程序可以通过通信部分909从网络上被下载和安装,和/或从可拆卸介质911被安装。在该计算机程序被处理器901执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (17)
1.一种风险控制方法,其特征在于,包括:
获取事前风险要素信息,并基于所述事前风险要素信息获取事前风险等级;
当触发事项时,获取事中风险要素信息,并基于所述事中风险要素信息获取事中风险等级;
基于所述事前风险等级和所述事中风险等级获取综合风险等级;以及
基于所述综合风险等级以及预设的身份认证规则触发身份认证。
2.根据权利要求1所述的方法,其中,所述基于所述事前风险等级和所述事中风险等级获取综合风险等级包括:
获取对应于m个待处理事项中每个事项的所述事前风险等级和所述事中风险等级,其中,m为大于或等于2的整数;
基于对应于所述m个待处理事项中每个事项的所述事前风险等级建立事项处理队列;以及
依次计算所述事项处理队列中每个事项的综合风险等级,其中,第i个事项的综合风险等级基于对应于第i个事项的所述事前风险等级和所述事中风险等级计算得到,i满足1≤i≤m且i为整数。
3.根据权利要求2所述的方法,其中,所述基于对应于所述m个事项中每个事项的所述事前风险等级建立事项处理队列包括:
按照事前风险等级从低到高的顺序对所述m个待处理事项进行排序,获取事项入队序列;以及
基于所述事项入队序列获取所述事项处理队列。
4.根据权利要求2所述的方法,其中,当对所述事项处理队列的处理时长大于预设的阈值时,以所述事项处理队列中第i个事项的事前风险等级作为所述第i个事项的综合风险等级。
5.根据权利要求1或2所述的方法,其中,获取综合风险等级包括:
基于所述事前风险要素信息获取p个事前风险子项以及各事前风险子项的风险等级,基于所述事中风险要素信息获取q个事中风险子项以及各事中风险子项的风险等级;以及
基于各风险子项的风险等级,各风险子项权重,风险子项数量以及预设的风险分级数获取综合风险等级,其中,p和q分别为大于或等于1的整数,所述风险子项包括事前风险子项和事中风险子项。
6.根据权利要求5所述的方法,所述方法还包括:
基于各事前风险子项的风险等级获取事前风险项等级;以及
基于所述事前风险项等级,预设的事前风险项权重,各事中风险子项的风险等级,各事中风险子项权重,风险项数量以及预设的风险分级数获取综合风险等级,其中,所述风险项包括事前风险项和事中风险子项。
7.根据权利要求2所述的方法,其中,所述事前风险等级包括高风险,较高风险,中风险,较低风险以及低风险;当第i个事项的所述事前风险等级为高风险时,以所述第i个事项的事前风险等级为第i个事项的综合风险等级。
8.根据权利要求5所述的方法,其中,所述事前风险要素信息包括用户事前自然信息特征要素、用户事前金融信息特征要素以及监管信息特征要素;和/或,所述事中风险要素信息包括用户事中自然信息特征要素和用户事中金融信息特征要素。
9.根据权利要求8所述的方法,其中,所述用户事前自然信息特征要素包括用户年龄,用户国籍,用户居住地,用户社会声誉中的至少两种;和/或,所述用户事前金融特征信息要素包括用户征信,用户交易频数,用户资产,用户风险模型匹配信息中的至少两种;和/或,所述监管信息特征要素包括预获取的风险监管数据。
10.根据权利要求8所述的方法,其中,所述用户事中自然信息特征要素包括用户交易地区,用户交易IP地址以及用户身份信息中的至少两种;和/或,所述用户事中金融信息特征要素包括交易对手信息,交易类型,用户交易时间以及用户交易资产数中的至少两种。
11.根据权利要求5所述的方法,其中,所述基于各事前风险子项的风险等级获取事前风险项等级包括:
基于各事前风险子项的风险等级以及预设的评分卡模型获取事前风险项等级;或
基于各事前风险子项的风险等级和预训练得到的事前风险评价机器学习模型获取事前风险项等级。
12.根据权利要求1所述的方法,其中,所述综合风险等级包含n级,所述预设的身份认证规则包括每一级综合风险等级与一种身份认证方法相匹配,所述基于所述综合风险等级以及预设的身份认证规则触发身份认证还包括:
当所述综合风险等级为第k级,且与所述第k级综合风险等级匹配的身份认证方法关联的验证要素记录为空时,触发第k+1级综合风险等级匹配的身份认证方法,其中,n为大于或等于2的整数,k满足1≤k<n且k为整数。
13.根据权利要求12所述的方法,其中,所述身份认证方法关联的验证要素包括生物识别信息,安全指令和安全控制工具中的至少一种。
14.一种风险控制装置,其特征在于,包括:
第一处理模块,配置为获取事前风险要素信息,并基于所述事前风险要素信息获取事前风险等级;
第二处理模块,配置为当触发事项时,获取事中风险要素信息,并基于所述事中风险要素信息获取事中风险等级;
第三处理模块,配置为基于所述事前风险等级和所述事中风险等级获取综合风险等级;以及
认证模块,配置为基于所述综合风险等级以及预设的身份认证规则触发身份认证。
15.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行根据权利要求1~13中任一项所述的方法。
16.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行根据权利要求1~13中任一项所述的方法。
17.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现根据权利要求1~13中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210714215.4A CN115689567A (zh) | 2022-06-22 | 2022-06-22 | 风险控制方法、装置、设备、介质和程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210714215.4A CN115689567A (zh) | 2022-06-22 | 2022-06-22 | 风险控制方法、装置、设备、介质和程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115689567A true CN115689567A (zh) | 2023-02-03 |
Family
ID=85060441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210714215.4A Pending CN115689567A (zh) | 2022-06-22 | 2022-06-22 | 风险控制方法、装置、设备、介质和程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115689567A (zh) |
-
2022
- 2022-06-22 CN CN202210714215.4A patent/CN115689567A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11625730B2 (en) | Synthetic online entity detection | |
US20210174440A1 (en) | Providing virtual markers based upon network connectivity | |
US20230259857A1 (en) | Systems and methods for vulnerability assessment and remedy identification | |
US7708200B2 (en) | Fraud risk advisor | |
US20130173457A1 (en) | Systems and methods for conducting more reliable financial transactions, credit decisions, and security assessments | |
CN110689438A (zh) | 企业类金融风险评分方法、装置、计算机设备及存储介质 | |
US20140316960A1 (en) | Merchant bank tool | |
US20240104574A1 (en) | Systems and methods for improved fraud detection | |
WO2016084642A1 (ja) | 与信審査用サーバと与信審査用システム及び与信審査用プログラム | |
CN110009297A (zh) | 一种基于信用的资质信息审核方法、装置及设备 | |
CN112702410B (zh) | 一种基于区块链网络的评估系统、方法及相关设备 | |
US20150019410A1 (en) | Fraud Management System and Method | |
CN116664306A (zh) | 风控规则的智能推荐方法、装置、电子设备及介质 | |
CN116342247A (zh) | 信贷支用授权管控方法、装置、设备及其存储介质 | |
CN115689567A (zh) | 风险控制方法、装置、设备、介质和程序产品 | |
AU2011265479B2 (en) | Fraud risk advisor | |
US20240185336A1 (en) | Establishing a decentralized finance network | |
CN117437020A (zh) | 商户风险判定方法、装置、电子设备和介质 | |
CN118134497A (zh) | 交易对象确定方法及装置、设备、存储介质和程序产品 | |
CN116308615A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN115456756A (zh) | 一种固定资产预测方法、设备和计算机可读存储介质 | |
CN117934154A (zh) | 交易风险预测方法、模型训练方法、装置、设备、介质和程序产品 | |
CN117172899A (zh) | 银行网点的交易处理方法、设备及存储介质 | |
CN114553569A (zh) | 基于用户信息建立家庭网络的方法、装置、设备及介质 | |
CN116485550A (zh) | 一种基金产品的确定方法、电子设备和存储介质 |
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 |