CN115907474A - 风控系统的调整方法、装置、电子设备和存储介质 - Google Patents

Abstract

本发明实施例提供风控系统的调整方法、装置、电子设备和存储介质，该方法包括：获取风控系统针对业务请求生成的风控数据，风控数据基于风控系统中的多个策略模型对业务请求进行风控处理得到，采用风控数据计算各个策略模型对应的性能指标，根据对应的性能指标，确定性能指标未达到预设指标的目标策略模型，从而针对目标策略模型进行下线处理或重新训练。本发明实施例采用多个策略模型对业务请求进行风控处理得到的风控数据，来计算每个策略模型的性能指标，基于性能指标筛选出不达标的策略模型，再针对不达标的策略模型进行下线处理或重新训练，从而调整风控系统，使得风控系统中的策略模型变得精简、有效，极大优化了风控系统。

Description

风控系统的调整方法、装置、电子设备和存储介质

技术领域

本发明涉及通信技术领域，特别涉及一种风控系统的调整方法、一种风控系统的调整装置、一种电子设备和一种计算机可读存储介质。

背景技术

风控是指一系列的完整的风险控制，以保证事情向好的方向发展，而免受不可预估的经济和财产损失而措手不及。

风控系统上线伊始，风险策略较为精简有效，但随着接入风控系统的业务越来越多，业务类型和业务属性越来越复杂，所以风控系统需要不断地进行风险策略的迭代。在迭代过程中，如果直接对已有的历史策略进行改动，则很有可能造成不可预知的风险，因此往往采用新增策略的方式，即在历史策略的基础上增添新配置的策略，然而有些历史策略不再适用当前的业务发展，但仍然处于线上状态，导致风控系统变得庞大且复杂，无法得到优化。

发明内容

鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种风控系统的调整方法和相应的一种风控系统的调整装置、一种电子设备以及一种计算机可读存储介质。

在本发明实施的第一方面，首先提供了一种风控系统的调整方法，应用于运营管理平台，所述运营管理平台与风控系统通信连接，所述风控系统包括多个策略模型，所述方法包括：

获取所述风控系统针对业务请求生成的风控数据；所述风控数据基于所述多个策略模型对所述业务请求进行风控处理得到；

采用所述风控数据，计算各个策略模型对应的性能指标；

根据所述对应的性能指标，确定性能指标未达到预设指标的目标策略模型；

针对所述目标策略模型进行下线处理或重新训练。

在本发明实施的第二方面，还提供了一种风控系统的调整装置，应用于运营管理平台，所述运营管理平台与风控系统通信连接，所述风控系统包括多个策略模型，所述装置包括：

风控数据获取模块，用于获取所述风控系统针对业务请求生成的风控数据；所述风控数据基于所述多个策略模型对所述业务请求进行风控处理得到；

性能指标计算模块，用于采用所述风控数据，计算各个策略模型对应的性能指标；

目标策略模型确定模块，用于根据所述对应的性能指标，确定性能指标未达到预设指标的目标策略模型；

调整模块，用于针对所述目标策略模型进行下线处理或重新训练。

在本发明实施的又一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述任一所述的风控系统的调整方法。

在本发明实施的又一方面，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一所述的风控系统的调整方法。

与现有技术相比，本发明实施例包括以下优点：

在本发明实施例中，通过运营管理平台获取风控系统针对业务请求生成的风控数据，其中风控数据基于风控系统中的多个策略模型对业务请求进行风控处理得到，运营管理平台采用风控数据，计算各个策略模型对应的性能指标，然后根据对应的性能指标，确定性能指标未达到预设指标的目标策略模型，从而针对目标策略模型进行下线处理或重新训练。本发明实施例采用多个策略模型对业务请求进行风控处理得到的风控数据，来计算每个策略模型的性能指标，基于性能指标筛选出不达标的策略模型，再针对不达标的策略模型进行下线处理或重新训练，从而调整风控系统，使得风控系统中的策略模型变得精简、有效，极大优化了风控系统。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例中的一种风控系统的调整方法实施例一的步骤流程图；

图2是本发明实施例中的一种风控系统的调整方法实施例二的步骤流程图；

图3是本发明实施例中的运营管理平台与风控系统的交互示意图；

图4是本发明实施例中的一种风控系统的调整方法实施例二的子步骤流程图；

图5是本发明实施例中的一种风控系统的调整装置的结构框图；

图6是本发明实施例提供的电子设备的结构框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在当今时代，越来越多的行业需要风控，风控可以有效防止一系列不可控的风险事件的发生，而风控是通过调用风险系统来完成的。

随着接入风控系统的业务越来越多，业务类型和业务属性越来越复杂，比如对于登录类型，其属性最开始是使用账号和密码登录，到后面是使用短信验证码登录，到如今是使用手机号码一键登录，所以风控系统需要不断地进行风险策略的迭代，而风控是一个对抗性的过程，不断地会有黑产尝试去绕过风控系统，因此会有一些成功绕过的风险案件，基于这些风险案件，风控运营人员可以配置新的风险策略，然后可以将新配置的风险策略增添到风控系统。

然而这造成风控系统中的风险策略呈现急速膨胀的态势，从几十条发展成几千条甚至上万条，且有些历史策略不再适用当前的业务发展，但仍然处于线上状态，导致风控系统变得庞大且复杂，风控运营人员面对如此庞大且复杂的风控系统也越来越难以维护。

针对上述问题，本发明实施例提出了一种风控系统的调整方法，通过采用多个策略模型对业务请求进行风控处理得到的风控数据，来计算每个策略模型的性能指标，基于性能指标筛选出不达标的策略模型，再针对不达标的策略模型进行下线处理或重新训练，从而使得风控系统中的策略模型变得精简、有效，极大优化了风控系统。

参照图1，示出了本发明实施例中的一种风控系统的调整方法实施例一的步骤流程图，应用于运营管理平台，所述运营管理平台与风控系统通信连接，所述风控系统包括多个策略模型，该方法具体可以包括如下步骤：

步骤101，获取所述风控系统针对业务请求生成的风控数据；所述风控数据基于所述多个策略模型对所述业务请求进行风控处理得到。

在本发明实施例中，可以应用于运营管理平台，运营管理平台可以与风控系统通信连接，风控运营人员可以通过运营管理平台，将新配置的策略模型下发到风控系统，使得风控系统包含有多个策略模型，每个策略模型可以用于检测业务请求是否存在某种风险。

本发明实施例可以设置一预设周期，当到达预设周期时，运营管理平台可以定时获取风控系统针对业务请求生成的风控数据，其中，风控数据是风控系统采用多个策略模型来对业务请求进行风控处理得到。

步骤102，采用所述风控数据，计算各个策略模型对应的性能指标。

由于风控数据是基于多个策略模型对业务请求进行风控处理得到的，所以风控数据可以反映出每个策略模型实际产出的效能，比如每个策略模型运算了多少次，每个策略模型的运算结果是怎么样的，多个运算结果一起决策出某个业务请求处于哪一种风险等级，等等。

本发明实施例可以采用风控数据，来计算每个策略模型对应的性能指标，其中，性能指标可以包括运算次数、无效次数、偏离度、重叠度和贡献度。

需要说明的是，新配置的策略模型通常是基于当前业务发展所配置的，因而新配置的策略模型往往是有效的，且上线前会在测试环境和仿真环境去评估它的有效性，所以新配置的策略模型的各种性能指标一般都比较好，本发明实施例可以针对在先配置的策略模型，即历史策略模型，计算每个历史策略模型对应的性能指标，而无需计算新配置的策略模型对应的性能指标，从而可以节省计算时间和计算成本。

此外，本发明实施例也可以针对所有的策略模型，即历史策略模型和新配置的策略模型，计算每个策略模型对应的性能指标，从而可以确保风控系统中的每一个策略模型的有效性。

步骤103，根据所述对应的性能指标，确定性能指标未达到预设指标的目标策略模型。

在计算得到每个策略模型对应的性能指标后，运营管理平台可以根据每个策略模型对应的性能指标，确定出性能指标未达到预设指标的目标策略模型，从而筛选出不达标的策略模型。

步骤104，针对所述目标策略模型进行下线处理或重新训练。

在确定出性能指标未达到预设指标的目标策略模型后，此时就可以知道风控系统中存在哪些是不再适用当前的业务发展，但仍然处于线上状态的目标策略模型，目标策略模型即是不达标的策略模型，运营管理平台可以针对不达标的策略模型进行下线处理或重新训练，从而调整风控系统，使得风控系统可以得到优化。

综上，在本发明实施例中，通过运营管理平台获取风控系统针对业务请求生成的风控数据，其中风控数据基于风控系统中的多个策略模型对业务请求进行风控处理得到，运营管理平台采用风控数据，计算各个策略模型对应的性能指标，然后根据对应的性能指标，确定性能指标未达到预设指标的目标策略模型，从而针对目标策略模型进行下线处理或重新训练。本发明实施例采用多个策略模型对业务请求进行风控处理得到的风控数据，来计算每个策略模型的性能指标，基于性能指标筛选出不达标的策略模型，再针对不达标的策略模型进行下线处理或重新训练，从而调整风控系统，使得风控系统中的策略模型变得精简、有效，极大优化了风控系统。

参照图2，示出了本发明实施例中的一种风控系统的调整方法实施例二的步骤流程图，应用于运营管理平台，所述运营管理平台与风控系统通信连接，所述风控系统包括多个策略模型，该方法具体可以包括如下步骤：

步骤201，获取所述风控系统针对业务请求生成的风控数据；所述风控数据基于所述多个策略模型对所述业务请求进行风控处理得到。

在本发明实施例中，可以应用于运营管理平台，运营管理平台可以与风控系统通信连接，风控系统可以包括多个策略模型，策略模型指的是风控系统中用户决策风险等级所依赖的策略。

参照图3，示出了本发明实施例中的运营管理平台与风控系统的交互示意图，在风控系统中，Rule1.1～Rule1.n、Rule2.1～Rule2.n均是策略模型，n为大于0的正整数，策略模型具有相应的风险主题，风险主题指的是将同一类型的策略模型归纳为一个主题，例如Rule1.1～Rule1.n属于设备风险主题，Rule2.1～Rule2.n属于聚集风险主题。

每个策略模型可以用于检测业务请求是否存在某种风险。作为一示例，如图3所示，策略模型Rule1.1是用来检测业务请求是否存在[多开分身安装]的风险，多开分身是指通过在终端上安装多开分身软件，来实现安装和使用多个相同的APP(Application，应用程序)。作为另一示例，如图3所示，策略模型Rule1.2是用来检测业务请求是否存在[设备root]的风险，root是指超级用户权限，root比windows的系统管理员的能力更大，具备root意味着拥有在终端上所有用户的所有数据。

风控系统可以采用多个策略模型来对业务请求进行风控处理，从而得到风控数据，当到达预设周期时，运营管理平台可以从风控系统中获取针对业务请求生成的风控数据。

在具体实现中，当风控系统接收到业务请求时，风控系统可以根据业务请求携带的各种字段，触发相应的多个策略模型，然后这些策略模型分别检测该业务请求，得到多个检测结果，其中，检测结果可以用来表示业务请求是否存在风险。风控系统可以针对每个检测结果进行评分，得到多个第一风险评分，然后可以将多个第一风险评分进行叠加，得到第二风险评分。换言之，第二风险评分即为多个第一风险评分的总和。

风控系统可以比较第二风险评分和风险阈值，风险阈值可以包括低风险阈值、中风险阈值、高风险阈值，其中，低风险阈值＜中风险阈值＜高风险阈值。如果第二风险评分＜低风险阈值，那么风控系统可以生成无风险的风险等级；如果低风险阈值≤第二风险评分＜中风险阈值，那么风控系统可以生成低风险的风险等级；如果中风险阈值≤第二风险评分＜高风险阈值，那么风控系统可以生成中风险的风险等级；如果第二风险评分≥高风险阈值，那么风控系统可以生成高风险的风险等级。在决策出该业务请求所处的风险等级，并根据风险等级生成相应的风险措施后，风控系统可以依据风险等级和风险措施生成风控结果，由此得到针对该业务请求生成的风控数据，该风控数据包括多个检测结果和一个风控结果。

步骤202，采用所述风控数据，计算各个策略模型对应的性能指标。

本发明实施例可以采用风控数据，来计算每个策略模型对应的性能指标，如图3所示，性能指标可以包括运算次数、无效次数、偏离度、重叠度和贡献度。

本发明的一个可选实施例中，所述风控数据包括多个检测结果和多个风控结果，各个检测结果用于表示各个业务请求是否存在风险，所述各个检测结果由所述风控系统基于所述各个策略模型进行检测得到，各个风控结果用于表示各个业务请求处于的风险等级，所述各个风控结果由所述风控系统基于针对同一业务请求的多个检测结果进行联合决策得到；步骤202可以包括以下子步骤：

子步骤S11，从所述多个检测结果和所述多个风控结果中，确定所述各个策略模型对应的检测结果和对应的风控结果；

子步骤S12，采用所述对应的检测结果和/或所述对应的风控结果，计算所述各个策略模型对应的性能指标。

在本发明实施例中，风控系统可以接收并处理不同类型的业务请求，比如登录、注册、支付、评论点赞、金币领取等等类型。在处理每个业务请求时，风控系统都会触发相应的多个策略模型，每个策略模型检测当前业务请求会对应输出一个检测结果，每个检测结果可以用来表示当前业务请求是否存在风险，然后风控系统可以采用针对当前业务请求的多个检测结果，联合决策出当前业务请求所处的风险等级，从而得到风控结果，即每个业务请求对应多个检测结果和一个风控结果，而在预设周期内，风控系统会接收并处理多个业务请求，如图3所示，在预设周期内，风控系统会接收到业务请求1～N，N为大于0的正整数，因此运营管理系统接收到的风控数据可以包括多个检测结果和多个风控结果。

在一种示例中，假设风控系统包含有策略模型A～M，当接收到某个业务请求时，风控系统根据当前业务请求所携带的各种字段，触发相应的多个策略模型，假设触发了策略模型A～C，那么策略模型A检测当前业务请求，对应输出检测结果A；策略模型B检测当前业务请求，对应输出检测结果B，策略模型C检测当前业务请求，对应输出检测结果C。风控系统采用检测结果A～C联合决策出当前业务请求所处的风险等级，生成一个风控结果W。在预设周期内，风控系统会接收并处理多个业务请求，从而产生多个检测结果和多个风控结果，多个检测结果和多个风控结果构成了风控数据。

运营管理平台可以从多个检测结果和多个风控结果中，确定出每个策略模型对应的检测结果和对应的风控结果，然后可以采用每个策略模型对应的检测结果，计算出每个策略模型对应的性能指标，或者可以采用每个策略模型对应的风控结果，计算出每个策略模型对应的性能指标，或者可以采用每个策略模型对应的检测结果以及对应的风控结果，计算出每个策略模型对应的性能指标。

本发明的一个可选实施例中，子步骤S12可以包括以下子步骤：

计算所述各个策略模型对应的检测结果的数量，或者，计算所述各个策略模型对应的风控结果的数量；采用所述对应的检测结果的数量或所述对应的风控结果的数量，计算所述各个策略模型对应的目标运算次数。

在本发明实施例中，每个策略模型检测一个业务请求会对应输出一个检测结果，所以检测结果的数量可以表征策略模型的运算次数，因此运营管理平台可以计算每个策略模型对应的检测结果的数量，然后可以采用每个策略模型对应的检测结果的数量，计算出每个策略模型对应的目标运算次数。具体地，可以将每个策略模型对应的检测结果的数量，确定为每个策略模型对应的目标运算次数。

除了可以采用检测结果的数量计算得到运算次数，还可以采用风控结果的数量计算得到运算次数，这是因为每个风控结果是基于针对同一业务请求的多个检测结果进行联合决策得到的，所以风控结果的数量也可以表征策略模型的运算次数，因此运营管理平台可以计算每个策略模型对应的风控结果的数量，然后可以采用每个策略模型对应的风控结果的数量，计算出每个策略模型对应的目标运算次数。具体地，可以将每个策略模型对应的风控结果的数量，确定为每个策略模型对应的目标运算次数。

需要说明的是，风控结果是在检测结果的基础上得到的，所以每个策略模型对应的风控结果的数量与对应的检测结果的数量是相同的，因此无论是采用对应的检测结果的数量进行计算，还是采用对应的风控结果进行计算，所计算得到的目标运算次是相同的。

本发明的一个可选实施例中，所述检测结果包括有风险结果或无风险结果；子步骤S12可以包括以下子步骤：

计算所述各个策略模型对应的无风险结果的数量；采用所述对应的无风险结果的数量，计算所述各个策略模型对应的目标无效次数。

在本发明实施例中，检测结果可以是一个检测主体对应的true/false结果，有风险结果即为检测主体对应的true结果，无风险结果即为检测主体对应的false结果。示例性地，如图3所示，如果策略模型Rule1.1检测出当前业务请求所对应的终端上有安装多开分身软件，那么策略模型Rule1.1可以输出有风险结果，有风险结果可以是[是否安装多开分身，true]的结果；或者，如果策略模型Rule1.1检测出当前业务请求所对应的终端上没有安装多开分身软件，那么策略模型Rule1.1可以输出无风险结果，无风险结果可以是[是否安装多开分身，false]的结果。

其中，有风险结果可以表征业务请求被策略模型检测输出有风险，无风险结果可以表征业务请求被策略模型检测输出无风险。如果某个策略模型一直输出无风险结果，则说明该策略模型没有发挥任何作用，进而可以定义该策略模型为无效策略，因此运营管理平台可以计算每个策略模型对应的无风险结果的数量，然后可以采用每个策略模型对应的无风险结果的数量，计算出每个策略模型对应的目标无效次数。具体地，可以将每个策略模型对应的无风险结果的数量，确定为每个策略模型对应的目标无效次数。

本发明的一个可选实施例中，子步骤S12可以包括以下子步骤：

计算所述各个策略模型对应的不匹配次数；所述不匹配次数为所述检测结果不匹配所述风险等级的次数；采用所述对应的不匹配次数，计算所述各个策略模型对应的目标偏离度。

在本发明实施例中，风控结果包含有风险等级，风险等级是基于针对同一业务请求的多个检测结果进行联合决策得到的。有些时候，某个策略模型输出的检测结果所决策出的风险，与最终的风控结果所决策出的风险，会出现不一致的情况。示例性地，策略模型A输出有风险结果，有风险结果的风险评分为10分，其他策略模型输出无风险结果，无风险结果的风险评分为0分，那么风控系统叠加到的总风险评分是10分，如果低风险阈值为20分，那么风控系统决策出无风险的风险等级。由于策略模型A一直输出的是有风险结果，而其他策略模型一直输出的是无风险结果，导致最终决策出的风险等级一直是无风险，那么这意味着策略模型A的阈值与其他策略模型可能是相悖的，策略模型A存在偏离度过高的可能。

运营管理平台可以计算每个策略模型对应的不匹配次数，其中，不匹配次数是指检测结果不匹配风险等级的次数，如上述示例中策略模型A输出是有风险，但是整体决策是无风险，运营管理平台可以采用每个策略模型对应的不匹配次数，计算出每个策略模型对应的目标偏离度。具体地，可以计算每个策略模型对应的不匹配次数与对应的运算次数之间的比值，将比值作为每个策略模型对应的目标偏离度。

本发明的一个可选实施例中，子步骤S12可以包括以下子步骤：

计算所述各个策略模型对应的重叠次数；所述重叠次数为两两策略模型之间具有同一检测结果的次数；采用所述对应的重叠次数，计算所述各个策略模型对应的目标重叠度。

风控系统包含的策略模型是海量的，且运营人员在不改动已有的历史策略模型的基础上增添新配置的策略模型，所以难免会存在一些重叠的策略模型，这些重叠的策略模型之间具有同一检测结果。示例性地，在一个月内，策略模型A和策略模型B均处理了100个业务请求，其中，策略模型A有70次输出有风险结果，有30次输出无风险结果，而在相同的业务请求中策略模型B的输出结果与策略模型A完全一致，即策略模型A和策略模型B之间具有同一检测结果，那么这意味着策略模型A和策略模型B均存在重叠度过高的可能。

运营管理平台可以计算每个策略模型对应的重叠次数，其中，重叠次数是指两两策略模型之间具有同一检测结果的次数，运营管理平台可以采用每个策略模型对应的重叠次数，计算出每个策略模型对应的目标重叠度。具体地，可以计算每个策略模型对应的重叠次数与对应的运算次数之间的比值，将比值作为每个策略模型对应的目标重叠度。

本发明的一个可选实施例中，所述检测结果具有对应的第一风险评分，所述风险等级具有对应的第二风险评分；子步骤S12可以包括以下子步骤：

计算所述各个策略模型对应的风险评分比例；所述风险评分比例为所述第一风险评分与所述第二风险评分的比值；采用所述对应的风险评分比例，计算所述各个策略模型对应的目标贡献度。

风控系统针对每个检测结果都会进行评分，因此每个检测结果具有对应的第一风险评分，然后风控系统会将多个第一风险评分进行叠加，得到第二风险评分，再根据第二风险评分和风险阈值决策出风险等级，因此每个风险等级具有对应的第二风险评分。

某个策略模型输出的评分量在最终的整体评分量里的贡献度，如果多次是正相关，那么该策略模型的风险评分比例越高，这代表该策略模型的贡献度越高。例如，策略模型A在70次输出有风险结果，而最终决策为有风险的次数是62次，那么策略模型A在这62次里带来了一定程度的贡献。

运营管理平台可以计算每个策略模型对应的风险评分比例，其中，风险评分比例是指第一风险评分与第二风险评分的比值，运营管理平台可以采用每个策略模型对应的风险评分比例，计算出每个策略模型对应的目标贡献度。

在具体实现中，可以将某个策略模型在单次决策中输出的评分量除以单次决策最终的整体评分量，由此得到单次决策的风险评分比例，然后将每次决策得到的风险评分比例进行叠加，由此得到多次决策的总风险评分比例，然后再将总风险评分比例除以该策略模型参与的决策次数，由此得到该策略模型最终的风险评分比例。运营管理平台可以采用每个策略模型对应的风险评分比例，计算每个策略模型对应的目标贡献度。具体地，可以将每个策略模型对应的风险评分比例，确定为每个策略模型对应的目标贡献度。

步骤203，根据所述对应的性能指标，确定性能指标未达到预设指标的目标策略模型。

在计算得到每个策略模型对应的目标运算次数后，运营管理平台可以根据每个策略模型对应的目标运算次数，确定出目标运算次数未达到预设指标的目标策略模型，以及，在计算得到每个策略模型对应的目标无效次数后，运营管理平台可以根据每个策略模型对应的目标无效次数，确定出目标无效次数未达到预设指标的目标策略模型，以及，在计算得到每个策略模型对应的目标偏离度后，运营管理平台可以根据每个策略模型对应的目标偏离度，确定出目标偏离度未达到预设指标的目标策略模型，以及，在计算得到每个策略模型对应的目标重叠度后，运营管理平台可以根据每个策略模型对应的目标重叠度，确定出目标重叠度未达到预设指标的目标策略模型，以及，在计算得到每个策略模型对应的目标贡献度后，运营管理平台可以根据每个策略模型对应的目标贡献度，确定出目标贡献度未达到预设指标的目标策略模型，从而筛选出不达标的策略模型。

本发明的一个可选实施例中，所述预设指标包括预设运算次数；步骤203可以包括以下子步骤：

将所述各个策略模型对应的目标运算次数分别与所述预设运算次数进行比较；确定目标运算次数低于所述预设运算次数的目标策略模型。

不同的性能指标可以对应不同的预设指标，如果性能指标为运算次数，那么可以将计算得到的每个策略模型对应的目标运算次数，分别与预设运算次数进行比较，然后从多个策略模型中确定出目标运算次数低于预设运算次数的目标策略模型。如图3所示，目标运算次数低于预设运算次数的目标策略模型属于是僵尸策略，僵尸策略是指长期没有运算的策略模型，比如策略模型A在一个月内一直没有运算过，那么策略模型A属于是僵尸策略。

本发明的一个可选实施例中，所述预设指标包括预设无效次数；步骤203可以包括以下子步骤：

将所述各个策略模型对应的目标无效次数分别与所述预设无效次数进行比较；确定目标无效次数高于所述预设无效次数的目标策略模型。

如果性能指标为无效次数，那么可以将计算得到的每个策略模型对应的目标无效次数，分别与预设无效次数进行比较，然后从多个策略模型中确定出目标无效次数低于预设无效次数的目标策略模型。如图3所示，目标无效次数高于预设无效次数的目标策略模型属于是无效策略，无效策略是指几乎没有任何决策命中的策略模型，比如策略模型A在一个月内一直输出false结果(无风险结果)，那么策略模型A属于是无效策略。

本发明的一个可选实施例中，所述预设指标包括预设偏离度；步骤203可以包括以下子步骤：

将所述各个策略模型对应的目标偏离度分别与所述预设偏离度进行比较；确定目标偏离度高于所述预设偏离度的目标策略模型。

如果性能指标为偏离度，那么可以将计算得到的每个策略模型对应的目标偏离度，分别与预设偏离度进行比较，然后从多个策略模型中确定出目标偏离度高于预设偏离度的目标策略模型。如图3所示，目标偏离度高于预设偏离度的目标策略模型属于是阈值偏离策略，阈值偏离策略是指其输出的风险与最终决策的风险总是不一致的策略模型，阈值偏离策略相当于拖后腿的策略，比如策略模型A多次输出有风险，但最终决策为无风险，那么策略模型A属于是阈值偏离策略。

本发明的一个可选实施例中，所述预设指标包括预设重叠度；步骤203可以包括以下子步骤：

将所述各个策略模型对应的目标重叠度分别与所述预设重叠度进行比较；确定目标重叠度高于所述预设重叠度的目标策略模型。

如果性能指标为重叠度，那么可以将计算得到的每个策略模型对应的目标重叠度，分别与预设重叠度进行比较，然后从多个策略模型中确定出目标重叠度高于预设重叠度的目标策略模型。如图3所示，目标重叠度高于预设重叠度的目标策略模型属于是冗余策略，冗余策略是指包含其他策略的策略或者被其他策略包含的策略，比如策略模型A和策略模型B输出的检测结果完全一致，那么策略模型A和策略模型B均属于是冗余策略。

本发明的一个可选实施例中，所述预设指标包括预设贡献度；步骤203可以包括以下子步骤：

将所述各个策略模型对应的目标贡献度分别与所述预设贡献度进行比较；确定目标贡献度低于所述预设贡献度的目标策略模型。

如果性能指标为贡献度，那么可以将计算得到的每个策略模型对应的目标贡献度，分别与预设贡献度进行比较，然后从多个策略模型中确定出目标贡献度低于预设贡献度的目标策略模型。如图3所示，目标贡献度低于预设贡献度的目标策略模型属于是无贡献策略，无贡献策略是指长期没有作出贡献的策略，比如策略模型A多次输出无风险，但最终决策为有风险，那么策略模型A属于是无贡献策略。

步骤204，针对所述目标策略模型进行下线处理或重新训练。

在确定出性能指标未达到预设指标的目标策略模型后，比如僵尸策略、无效策略、阈值偏离策略、冗余策略、无贡献策略，这些策略模型属于不再适用当前的业务发展，但仍然处于线上状态的不达标的策略模型，运营管理平台可以针对不达标的策略模型进行下线处理或重新训练。

本发明的一个可选实施例中，步骤204可以包括以下子步骤：

将所述目标运算次数低于所述预设运算次数的目标策略模型进行下线处理。

目标运算次数低于预设运算次数的目标策略模型，即僵尸策略，它的作用已经不再适用当前的业务发展，即它压根不再运行了，所以需要将该目标策略模型进行下线处理，不再上线。

本发明实施例通过筛选出僵尸策略并将其下线，使得风控系统中的策略模型变得精简、有效，从而达到风控系统的瘦身和优化的效果。

本发明的一个可选实施例中，步骤204可以包括以下子步骤：

将所述目标无效次数高于所述预设无效次数的目标策略模型进行下线处理。

目标无效次数高于预设无效次数的目标策略模型，即无效策略，它压根发挥不了作用，所以需要将该目标策略模型进行下线处理，不再上线。

本发明实施例通过筛选出无效策略并将其下线，使得风控系统中的策略模型变得精简、有效，从而达到风控系统的瘦身和优化的效果。

本发明的一个可选实施例中，步骤204可以包括以下子步骤：

将所述目标偏离度高于所述预设偏离度的目标策略模型进行重新训练。

目标偏离度高于预设偏离度的目标策略模型，即阈值偏离策略，虽然它偏离度高，但不代表它没有任何作用，它的偏离可能是因为它的阈值设置不合理，所以需要将该目标策略模型进行重新训练。其中，重新训练指的是根据数据最新分布情况重新确定阈值偏离策略的阈值。

在一种示例中，假设策略模型A是“if一个月内用户访问APP时所处的城市数>2，then风险+10分”，N年前策略模型A确定的阈值是2，这是因为99.99％的用户都是低于2个，但是随着高铁、轻轨等交通越来越发达，人员流动更容易，所以正常用户也会频繁到其他城市，那么很多用户很容易突破该阈值，导致策略模型A的目标偏离度高于预设偏离度，因此需要将策略模型A进行重新训练，通过将策略模型A对应的特征进行数据分布的重新统计，如果统计出99.99％的用户是低于4个，即数据最新分布情况是99.99％的用户在一个月内去过的城市不到4个，那么策略模型A的阈值可以更新为4，即策略模型A更新为“if一个月内用户访问APP时所处的城市数>4，then风险+10分”。

本发明实施例针对策略模型的阈值存在不合理问题，提供了更科学的优化建议，从而提升风控系统决策的准确率和召回率。

本发明的一个可选实施例中，步骤204可以包括以下子步骤：

将所述目标重叠度高于所述预设重叠度的目标策略模型进行下线处理。

目标重叠度高于预设重叠度的目标策略模型，即冗余策略，它们的作用5是重叠的，这可能是当初配置策略模型的时候，有多个风险案件是类似的，

所以就会出现重叠的问题。

对于重叠的这些策略模型，比如策略模型A和策略模型B是重叠的，此时需要人工介入，基于运营人员的经验去分析是下线哪一个策略模型，然

后运营人员可以向运营管理平台输入指示信息，运营管理平台接收到指示信0息后，可以根据指示信息来将其中一个目标策略模型进行下线处理，不再上线。

本发明实施例通过筛选出冗余策略并将其下线，使得风控系统中的策略模型变得精简、有效，从而达到风控系统的瘦身和优化的效果。

本发明的一个可选实施例中，步骤204可以包括以下子步骤：5将所述目标贡献度低于所述预设贡献度的目标策略模型进行重新训练。

目标贡献度低于预设贡献度的目标策略模型，即无贡献策略，虽然它贡献度低，但不代表它没有任何作用，它的贡献低可能是因为它的阈值设置不合理，所以需要将该目标策略模型进行重新训练。其中，重新训练指的是根据数据最新分布情况重新确定无贡献策略的阈值。

0本发明实施例针对策略模型的阈值存在不合理问题，提供了更科学的优化建议，从而提升风控系统决策的准确率和召回率。

综上，在本发明实施例中，通过运营管理平台获取风控系统针对业务请求生成的风控数据，其中风控数据基于风控系统中的多个策略模型对业务请

求进行风控处理得到，运营管理平台采用风控数据，计算各个策略模型对应5的性能指标，然后根据对应的性能指标，确定性能指标未达到预设指标的目标策略模型，从而针对目标策略模型进行下线处理或重新训练。本发明实施例采用多个策略模型对业务请求进行风控处理得到的风控数据，来计算每个策略模型的性能指标，基于性能指标筛选出不达标的策略模型，再针对不达标的策略模型进行下线处理或重新训练，从而调整风控系统，使得风控系统中的策略模型变得精简、有效，极大优化了风控系统。

参考图5，示出了本发明实施例中的一种风控系统的调整装置的结构框图，应用于运营管理平台，所述运营管理平台与风控系统通信连接，所述风控系统包括多个策略模型，具体可以包括如下模块：

风控数据获取模块501，用于获取所述风控系统针对业务请求生成的风控数据；所述风控数据基于所述多个策略模型对所述业务请求进行风控处理得到；

性能指标计算模块502，用于采用所述风控数据，计算各个策略模型对应的性能指标；

目标策略模型确定模块503，用于根据所述对应的性能指标，确定性能指标未达到预设指标的目标策略模型；

调整模块504，用于针对所述目标策略模型进行下线处理或重新训练。

本发明的一个可选实施例中，所述风控数据包括多个检测结果和多个风控结果，各个检测结果用于表示各个业务请求是否存在风险，所述各个检测结果由所述风控系统基于所述各个策略模型进行检测得到，各个风控结果用于表示各个业务请求处于的风险等级，所述各个风控结果由所述风控系统基于针对同一业务请求的多个检测结果进行联合决策得到；

所述性能指标计算模块502可以包括：

数据分类子模块，用于从所述多个检测结果和所述多个风控结果中，确定所述各个策略模型对应的检测结果和对应的风控结果；

性能指标计算子模块，用于采用所述对应的检测结果和/或所述对应的风控结果，计算所述各个策略模型对应的性能指标。

本发明的一个可选实施例中，所述性能指标计算子模块可以包括：

第一计算单元，用于计算所述各个策略模型对应的检测结果的数量，或者，计算所述各个策略模型对应的风控结果的数量；

目标运算次数计算单元，用于采用所述对应的检测结果的数量或所述对应的风控结果的数量，计算所述各个策略模型对应的目标运算次数；

所述预设指标包括预设运算次数；所述目标策略模型确定模块503可以包括：

第一比较子模块，用于将所述各个策略模型对应的目标运算次数分别与所述预设运算次数进行比较；

第一目标策略模型确定子模块，用于确定目标运算次数低于所述预设运算次数的目标策略模型；

所述调整模块504可以包括：

第一调整子模块，用于将所述目标运算次数低于所述预设运算次数的目标策略模型进行下线处理。

本发明的一个可选实施例中，所述检测结果包括有风险结果或无风险结果；所述性能指标计算子模块可以包括：

第二计算单元，用于计算所述各个策略模型对应的无风险结果的数量；

目标无效次数计算单元，用于采用所述对应的无风险结果的数量，计算所述各个策略模型对应的目标无效次数；

所述预设指标包括预设无效次数；所述目标策略模型确定模块503可以包括：

第二比较子模块，用于将所述各个策略模型对应的目标无效次数分别与所述预设无效次数进行比较；

第二目标策略模型确定子模块，用于确定目标无效次数高于所述预设无效次数的目标策略模型；

所述调整模块504可以包括：

第二调整子模块，用于将所述目标无效次数高于所述预设无效次数的目标策略模型进行下线处理。

本发明的一个可选实施例中，所述性能指标计算子模块可以包括：

第三计算单元，用于计算所述各个策略模型对应的不匹配次数；所述不匹配次数为所述检测结果不匹配所述风险等级的次数；

目标偏离度计算单元，用于采用所述对应的不匹配次数，计算所述各个策略模型对应的目标偏离度；

所述预设指标包括预设偏离度；所述目标策略模型确定模块503可以包括：

第三比较子模块，用于将所述各个策略模型对应的目标偏离度分别与所述预设偏离度进行比较；

第三目标策略模型确定子模块，用于确定目标偏离度高于所述预设偏离度的目标策略模型；

所述调整模块504可以包括：

第三调整子模块，用于将所述目标偏离度高于所述预设偏离度的目标策略模型进行重新训练。

本发明的一个可选实施例中，所述性能指标计算子模块可以包括：

第四计算单元，用于计算所述各个策略模型对应的重叠次数；所述重叠次数为两两策略模型之间具有同一检测结果的次数；

目标重叠度计算单元，用于采用所述对应的重叠次数，计算所述各个策略模型对应的目标重叠度；

所述预设指标包括预设重叠度；所述目标策略模型确定模块503可以包括：

第四比较子模块，用于将所述各个策略模型对应的目标重叠度分别与所述预设重叠度进行比较；

第四目标策略模型确定子模块，用于确定目标重叠度高于所述预设重叠度的目标策略模型；

所述调整模块504可以包括：

第四调整子模块，用于将所述目标重叠度高于所述预设重叠度的目标策略模型进行下线处理。

本发明的一个可选实施例中，所述检测结果具有对应的第一风险评分，所述风险等级具有对应的第二风险评分；所述性能指标计算子模块可以包括：

第五计算单元，用于计算所述各个策略模型对应的风险评分比例；所述风险评分比例为所述第一风险评分与所述第二风险评分的比值；

目标贡献度计算单元，用于采用所述对应的风险评分比例，计算所述各个策略模型对应的目标贡献度；

所述预设指标包括预设贡献度；所述目标策略模型确定模块503可以包5括：

第五比较子模块，用于将所述各个策略模型对应的目标贡献度分别与所述预设贡献度进行比较；

第五目标策略模型确定子模块，用于确定目标贡献度低于所述预设贡献度的目标策略模型；

0所述调整模块504可以包括：

第五调整子模块，用于将所述目标贡献度低于所述预设贡献度的目标策略模型进行重新训练。

对于装置实施例而言，由于其与方法实施例基本相似，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。

本发明实施例还提供了一种电子设备，如图6所示，包括处理器601、通信接口602、存储器603和通信总线604，其中，处理器601，通信接口602，存储器603通过通信总线604完成相互间的通信，

存储器603，用于存放计算机程序；

0处理器601，用于执行存储器603上所存放的程序时，实现上述风控系

统的调整方法实施例的各个过程。

上述终端提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该通信总线可以分为地址5总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

通信接口用于上述终端与其他设备之间的通信。

存储器可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。

上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

本发明实施例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中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的风控系统的调整方法。

本发明实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的风控系统的调整方法。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，而且还包括没有明5确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有

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、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同0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。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范

围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均5包含在本发明的保护范围内。

Claims (10)

1.一种风控系统的调整方法，其特征在于，应用于运营管理平台，所述运营管理平台与风控系统通信连接，所述风控系统包括多个策略模型，所述方法包括：

获取所述风控系统针对业务请求生成的风控数据；所述风控数据基于所述多个策略模型对所述业务请求进行风控处理得到；

采用所述风控数据，计算各个策略模型对应的性能指标；

根据所述对应的性能指标，确定性能指标未达到预设指标的目标策略模型；

针对所述目标策略模型进行下线处理或重新训练。

2.根据权利要求1所述的方法，其特征在于，所述风控数据包括多个检测结果和多个风控结果，各个检测结果用于表示各个业务请求是否存在风险，所述各个检测结果由所述风控系统基于所述各个策略模型进行检测得到，各个风控结果用于表示各个业务请求处于的风险等级，所述各个风控结果由所述风控系统基于针对同一业务请求的多个检测结果进行联合决策得到；

所述采用所述风控数据，计算各个策略模型对应的性能指标，包括：

从所述多个检测结果和所述多个风控结果中，确定所述各个策略模型对应的检测结果和对应的风控结果；

采用所述对应的检测结果和/或所述对应的风控结果，计算所述各个策略模型对应的性能指标。

3.根据权利要求2所述的方法，其特征在于，所述采用所述对应的检测结果和/或所述对应的风控结果，计算所述各个策略模型对应的性能指标，包括：

计算所述各个策略模型对应的检测结果的数量，或者，计算所述各个策略模型对应的风控结果的数量；

采用所述对应的检测结果的数量或所述对应的风控结果的数量，计算所述各个策略模型对应的目标运算次数；

所述预设指标包括预设运算次数；所述根据所述对应的性能指标，确定性能指标未达到预设指标的目标策略模型，包括：

将所述各个策略模型对应的目标运算次数分别与所述预设运算次数进行比较；

确定目标运算次数低于所述预设运算次数的目标策略模型；

所述针对所述目标策略模型进行下线处理或重新训练，包括：

将所述目标运算次数低于所述预设运算次数的目标策略模型进行下线处理。

4.根据权利要求2所述的方法，其特征在于，所述检测结果包括有风险结果或无风险结果；所述采用所述对应的检测结果和/或所述对应的风控结果，计算所述各个策略模型对应的性能指标，包括：

计算所述各个策略模型对应的无风险结果的数量；

采用所述对应的无风险结果的数量，计算所述各个策略模型对应的目标无效次数；

所述预设指标包括预设无效次数；所述根据所述对应的性能指标，确定性能指标未达到预设指标的目标策略模型，包括：

将所述各个策略模型对应的目标无效次数分别与所述预设无效次数进行比较；

确定目标无效次数高于所述预设无效次数的目标策略模型；

所述针对所述目标策略模型进行下线处理或重新训练，包括：

将所述目标无效次数高于所述预设无效次数的目标策略模型进行下线处理。

5.根据权利要求2所述的方法，其特征在于，所述采用所述对应的检测结果和/或所述对应的风控结果，计算所述各个策略模型对应的性能指标，包括：

计算所述各个策略模型对应的不匹配次数；所述不匹配次数为所述检测结果不匹配所述风险等级的次数；

采用所述对应的不匹配次数，计算所述各个策略模型对应的目标偏离度；

所述预设指标包括预设偏离度；所述根据所述对应的性能指标，确定性能指标未达到预设指标的目标策略模型，包括：

将所述各个策略模型对应的目标偏离度分别与所述预设偏离度进行比较；

确定目标偏离度高于所述预设偏离度的目标策略模型；

所述针对所述目标策略模型进行下线处理或重新训练，包括：

将所述目标偏离度高于所述预设偏离度的目标策略模型进行重新训练。

6.根据权利要求2所述的方法，其特征在于，所述采用所述对应的检测结果和/或所述对应的风控结果，计算所述各个策略模型对应的性能指标，包括：

计算所述各个策略模型对应的重叠次数；所述重叠次数为两两策略模型之间具有同一检测结果的次数；

采用所述对应的重叠次数，计算所述各个策略模型对应的目标重叠度；

所述预设指标包括预设重叠度；所述根据所述对应的性能指标，确定性能指标未达到预设指标的目标策略模型，包括：

将所述各个策略模型对应的目标重叠度分别与所述预设重叠度进行比较；

确定目标重叠度高于所述预设重叠度的目标策略模型；

所述针对所述目标策略模型进行下线处理或重新训练，包括：

将所述目标重叠度高于所述预设重叠度的目标策略模型进行下线处理。

7.根据权利要求2所述的方法，其特征在于，所述检测结果具有对应的第一风险评分，所述风险等级具有对应的第二风险评分；所述采用所述对应的检测结果和/或所述对应的风控结果，计算所述各个策略模型对应的性能指标，包括：

计算所述各个策略模型对应的风险评分比例；所述风险评分比例为所述第一风险评分与所述第二风险评分的比值；

采用所述对应的风险评分比例，计算所述各个策略模型对应的目标贡献度；

所述预设指标包括预设贡献度；所述根据所述对应的性能指标，确定性能指标未达到预设指标的目标策略模型，包括：

将所述各个策略模型对应的目标贡献度分别与所述预设贡献度进行比较；

确定目标贡献度低于所述预设贡献度的目标策略模型；

所述针对所述目标策略模型进行下线处理或重新训练，包括：

将所述目标贡献度低于所述预设贡献度的目标策略模型进行重新训练。

8.一种风控系统的调整装置，其特征在于，应用于运营管理平台，所述运营管理平台与风控系统通信连接，所述风控系统包括多个策略模型，所述装置包括：

风控数据获取模块，用于获取所述风控系统针对业务请求生成的风控数据；所述风控数据基于所述多个策略模型对所述业务请求进行风控处理得到；

性能指标计算模块，用于采用所述风控数据，计算各个策略模型对应的性能指标；

目标策略模型确定模块，用于根据所述对应的性能指标，确定性能指标未达到预设指标的目标策略模型；

调整模块，用于针对所述目标策略模型进行下线处理或重新训练。

9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现权利要求1-7中任一所述的风控系统的调整方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的风控系统的调整方法。

Images