CN116611069A - 针对于数字化业务软件应用的异常分析方法及ai决策系统 - Google Patents
针对于数字化业务软件应用的异常分析方法及ai决策系统 Download PDFInfo
- Publication number
- CN116611069A CN116611069A CN202310496969.1A CN202310496969A CN116611069A CN 116611069 A CN116611069 A CN 116611069A CN 202310496969 A CN202310496969 A CN 202310496969A CN 116611069 A CN116611069 A CN 116611069A
- Authority
- CN
- China
- Prior art keywords
- risk
- focusing
- risk operation
- fraud
- events
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 38
- 230000005856 abnormality Effects 0.000 title description 2
- 238000013475 authorization Methods 0.000 claims abstract description 15
- 230000006399 behavior Effects 0.000 claims description 222
- 230000002159 abnormal effect Effects 0.000 claims description 81
- 239000013598 vector Substances 0.000 claims description 68
- 230000007246 mechanism Effects 0.000 claims description 52
- 230000004927 fusion Effects 0.000 claims description 50
- 238000012512 characterization method Methods 0.000 claims description 42
- 238000000034 method Methods 0.000 claims description 30
- 238000013507 mapping Methods 0.000 claims description 27
- 238000011084 recovery Methods 0.000 claims description 22
- 238000010586 diagram Methods 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 230000000875 corresponding effect Effects 0.000 description 99
- 238000012549 training Methods 0.000 description 73
- 230000000694 effects Effects 0.000 description 32
- 238000011156 evaluation Methods 0.000 description 30
- 238000013461 design Methods 0.000 description 18
- 230000001537 neural effect Effects 0.000 description 18
- 238000004590 computer program Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 9
- 238000005457 optimization Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000003542 behavioural effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
- G06F21/57—Certifying or maintaining trusted computer platforms, e.g. secure boots or power-downs, version controls, system software checks, secure updates or assessing vulnerabilities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
- G06F21/51—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems at application loading time, e.g. accepting, rejecting, starting or inhibiting executable software based on integrity or source reliability
-
- 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)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供一种针对于数字化业务软件应用的异常分析方法及AI决策系统，涉及数字化与人工智能技术领域，通过对指定数字化业务软件应用的应用授权上传报告中的风险操作行为数据进行欺诈决策，获取符合欺诈溯源要求的欺诈节点，并跟踪提取指定数字化业务软件应用针对欺诈节点所对应的用户操作引导数据而后通过异常引导通道决策生成对应的异常引导通道数据，并结合异常引导通道数据与欺诈节点对指定数字化业务软件应用进行业务执行流程报告，从而通过结合欺诈节点和欺诈节点所对应的用户操作引导数据的异常引导通道数据进行应用的业务执行流程报告，相较于仅依赖欺诈节点进行异常欺诈报告的方案，可以提高异常欺诈报告的完整性。
Description
技术领域
本申请涉及人工智能与数字化服务技术领域，具体而言，涉及一种针对于数字化业务软件应用的异常分析方法及AI决策系统。
背景技术
数字化是随着信息、通讯、物联网、云计算、人工智能、区块链、元宇宙等科技技术不断发展的产物，具体指的是构建业务数字化、数字资产化、资产服务化、服务业务化闭环，通过数字化技术能力反哺业务。与传统信息化更多关注的是用户和流程不同，数字化强调的是用户与数字世界的连通与联动。在数字化业务软件应用的服务过程中，可能会涉及到一系列可能存在隐私或者安全风险的操作行为数据，这些操作行为数据的形成过程可能会存在一定的信息欺诈概率，在相关技术中可以通过进行欺诈节点分析来进行后续的应用业务优化，例如拦截、阻止等操作，然而相关技术仅仅依据欺诈节点进行异常欺诈报告，无法较好地保证异常欺诈报告的完整性。
发明内容
为了至少克服现有技术中的上述不足，本申请的目的在于提供一种针对于数字化业务软件应用的异常分析方法及AI决策系统。
第一方面，本申请提供一种针对于数字化业务软件应用的异常分析方法，应用于AI决策系统，所述方法包括：
对指定数字化业务软件应用的应用授权上传报告中的风险操作行为数据进行欺诈决策，获得对应的欺诈决策结果；
结合所述欺诈决策结果，获取符合欺诈溯源要求的欺诈节点，并跟踪提取所述指定数字化业务软件应用针对所述欺诈节点所对应的用户操作引导数据；
对所述用户操作引导数据进行异常引导通道决策，生成对应的异常引导通道数据，并结合所述异常引导通道数据与所述欺诈节点，对所述指定数字化业务软件应用进行业务执行流程报告。
对于一些示例性的设计思路，所述对指定数字化业务软件应用的应用授权上传报告中的风险操作行为数据进行欺诈决策，获得对应的欺诈决策结果，通过以下步骤实现：
结合指定数字化业务软件应用的应用授权上传报告中的风险操作行为数据中的风险要素表征信息，对所述风险操作行为数据进行事件输出，获得多个第一风险操作事件，所述风险要素表征信息结合所述风险操作行为数据中的风险要素特征进行确定，所述风险要素表征信息的集中度与输出的第一风险操作事件的定位区域大小负关联；
结合具有锁定聚焦元素的融合性特征聚焦机制和具有变化聚焦元素的融合性特征聚焦机制，对所述多个第一风险操作事件进行聚焦式识别，获得所述多个第一风险操作事件的聚焦式表征向量信息，对所述多个第一风险操作事件的聚焦式表征向量信息进行事件恢复，获得所述多个第一风险操作事件的聚焦式操作事件，各所述聚焦式操作事件具有有聚焦权重值；
结合所述多个第一风险操作事件的聚焦式操作事件进行欺诈决策，获得各所述第一风险操作事件的欺诈节点数据；
结合各所述第一风险操作事件的欺诈节点数据，对所述风险操作行为数据进行欺诈节点数据输出，获得所述风险操作行为数据的欺诈决策结果。
对于一些示例性的设计思路，所述结合指定数字化业务软件应用的应用授权上传报告中的风险操作行为数据中的风险要素表征信息，对所述风险操作行为数据进行事件输出，获得多个第一风险操作事件，通过以下步骤实现：
对所述风险操作行为数据进行风险分布空间构建，获得所述风险操作行为数据的风险分布子空间，所述风险分布子空间表征所述风险操作行为数据中不同风险操作行为处的风险要素表征信息的集中度；
结合所述风险分布子空间中不同风险操作行为处的风险要素表征信息的集中度，确定对应风险操作行为的定位区域大小；
结合所述定位区域大小，对所述风险操作行为数据进行事件输出，获得所述多个第一风险操作事件。
对于一些示例性的设计思路，所述结合具有锁定聚焦元素的融合性特征聚焦机制和具有变化聚焦元素的融合性特征聚焦机制，对所述多个第一风险操作事件进行聚焦式识别，获得所述多个第一风险操作事件的聚焦式表征向量信息，通过以下步骤实现：
对于每个第一风险操作事件，对所述第一风险操作事件进行分桶，获得多个第二风险操作事件；
获取所述多个第二风险操作事件的有向关系图，所述多个第二风险操作事件的有向关系图由所述多个第二风险操作事件的行为描述知识与所述多个第二风险操作事件的事件联系描述知识进行融合构建的；
结合所述具有锁定聚焦元素的融合性特征聚焦机制和所述具有变化聚焦元素的融合性特征聚焦机制，对所述多个第二风险操作事件的有向关系图进行聚焦式识别，获得所述第一风险操作事件的聚焦式表征向量信息；
所述结合所述具有锁定聚焦元素的融合性特征聚焦机制和所述具有变化聚焦元素的融合性特征聚焦机制，对所述多个第二风险操作事件的有向关系图进行聚焦式识别，获得所述第一风险操作事件的聚焦式表征向量信息，通过以下步骤实现：
结合所述具有锁定聚焦元素的融合性特征聚焦机制、空间映射网络以及RBF神经元网络，对所述多个第二风险操作事件的有向关系图进行聚焦式识别，获得所述多个第二风险操作事件的参考聚焦式表征向量信息；
结合具有变化聚焦元素的融合性特征聚焦机制、空间映射网络以及RBF神经元网络，对所述多个第二风险操作事件的参考聚焦式表征向量信息进行聚焦式识别，获得所述第一风险操作事件的聚焦式表征向量信息；
所述结合所述具有锁定聚焦元素的融合性特征聚焦机制、空间映射网络以及RBF神经元网络，对所述多个第二风险操作事件的有向关系图进行聚焦式识别，获得所述多个第二风险操作事件的参考聚焦式表征向量信息，通过以下步骤实现：
结合第一空间映射网络，对所述多个第二风险操作事件的有向关系图进行固定维度空间映射；
结合所述具有锁定聚焦元素的融合性特征聚焦机制，对固定维度空间映射后的所述多个第二风险操作事件的有向关系图进行聚焦式向量编码，获得第一参考聚焦式编码向量；
结合所述多个第二风险操作事件的有向关系图和所述第一参考聚焦式编码向量，确定第二参考聚焦式编码向量；
结合第二空间映射网络，对所述第二参考聚焦式编码向量进行固定维度空间映射；
结合所述RBF神经元网络，对固定维度空间映射后的所述第二参考聚焦式编码向量进行处理，获得所述多个第二风险操作事件的参考聚焦式表征向量信息。
对于一些示例性的设计思路，所述对所述多个第一风险操作事件的聚焦式表征向量信息进行事件恢复，获得所述多个第一风险操作事件的聚焦式操作事件，通过以下步骤实现：
对于每个第一风险操作事件，对所述第一风险操作事件的聚焦式表征向量信息进行事件恢复，获得所述第一风险操作事件中多个风险要素特征对应的聚焦权重值；
结合所述第一风险操作事件中多个风险要素特征对应的聚焦权重值，获得所述第一风险操作事件的聚焦式操作事件，所述聚焦式操作事件中各个风险要素特征的集中度表征对应的聚焦权重值。
对于一些示例性的设计思路，所述结合所述多个第一风险操作事件的聚焦式操作事件进行欺诈决策，获得各所述第一风险操作事件的欺诈节点数据，通过以下步骤实现：
对于每个第一风险操作事件的聚焦式操作事件，获取所述第一风险操作事件的聚焦式操作事件中每个聚焦权重值对应的风险要素特征的聚焦节点；
结合所述每个聚焦权重值对应的风险要素特征的聚焦节点，确定所述第一风险操作事件的欺诈节点数据。
对于一些示例性的设计思路，所述结合所述多个第一风险操作事件的聚焦式操作事件进行欺诈决策，获得各所述第一风险操作事件的欺诈节点数据，通过以下步骤实现：
对于每个第一风险操作事件的聚焦式操作事件，结合所述聚焦式操作事件中多个风险要素特征之间的风险操作行为关系，对所述聚焦式操作事件中多个风险要素特征对应的聚焦权重值进行更新；
结合更新后的所述聚焦式操作事件中每个聚焦权重值对应的风险要素特征的聚焦节点，获得所述第一风险操作事件的欺诈节点数据。
对于一些示例性的设计思路，所述欺诈决策结果包括所述风险操作行为数据的欺诈节点数据；
所述结合各所述第一风险操作事件的欺诈节点数据，对所述风险操作行为数据进行欺诈节点数据输出，获得所述风险操作行为数据的欺诈决策结果，通过以下步骤实现：
结合每个欺诈节点数据对应的第一风险操作事件的聚焦节点，确定所述每个欺诈节点数据所对应的欺诈影响参数；
结合所述每个欺诈节点数据所对应的欺诈影响参数，对所述风险操作行为数据进行欺诈节点数据输出，获得所述风险操作行为数据的欺诈决策结果。
对于一些示例性的设计思路，所述方法还包括：
对所述多个第一风险操作事件的聚焦式操作事件进行关联配置，获得所述风险操作行为数据的聚焦式操作事件，所述风险操作行为数据的聚焦式操作事件表征所述风险操作行为数据中聚焦式风险操作行为的操作事件；
或者，对调整后的所述多个第一风险操作事件的聚焦式操作事件进行关联配置，获得所述风险操作行为数据的聚焦式操作事件。
譬如，对于一些示例性的设计思路，所述方法还包括：
结合范例风险操作行为数据中的风险要素表征信息，对所述范例风险操作行为数据进行事件输出，获得多个第一范例风险操作事件，所述范例风险操作行为数据上具有有范例欺诈节点数据，所述风险要素表征信息结合所述范例风险操作行为数据中的风险要素特征进行确定，所述风险要素表征信息的集中度与输出的第一风险操作事件的定位区域大小负关联；
结合所述多个第一范例风险操作事件在所述范例风险操作行为数据中的风险操作行为和网络学习目标数据，确定各所述第一范例风险操作事件中示例性配置的聚焦权重值，所述网络学习目标数据表征所述范例风险操作行为数据中各个风险操作行为的聚焦权重值；
结合具有锁定聚焦元素的融合性特征聚焦机制和具有变化聚焦元素的融合性特征聚焦机制，对所述多个第一范例风险操作事件进行聚焦式识别，获得所述多个第一范例风险操作事件的聚焦式表征向量信息，对所述多个第一范例风险操作事件的聚焦式表征向量信息进行事件恢复，获得所述多个第一范例风险操作事件的范例聚焦式操作事件，各所述范例聚焦式操作事件具有有聚焦权重值；
结合所述多个第一范例风险操作事件的范例聚焦式操作事件进行欺诈决策，获得各所述第一范例风险操作事件的欺诈节点数据；
结合各所述第一范例风险操作事件的欺诈节点数据，对所述范例风险操作行为数据的欺诈节点数据进行分析，获得所述范例风险操作行为数据的欺诈决策结果；
结合各所述范例聚焦式操作事件中具有的聚焦权重值、各所述第一范例风险操作事件中示例性配置的聚焦权重值、所述范例风险操作行为数据的欺诈节点数据以及所述范例欺诈节点数据，对所述欺诈决策神经单元进行收敛优化；
所述结合各所述范例聚焦式操作事件中具有的聚焦权重值、各所述第一范例风险操作事件中示例性配置的聚焦权重值、所述范例风险操作行为数据的欺诈节点数据以及所述范例欺诈节点数据，对所述欺诈决策神经单元进行收敛优化，通过以下步骤实现：
结合各所述范例聚焦式操作事件中具有的聚焦权重值与对应的所述第一范例风险操作事件中示例性配置的聚焦权重值，确定第一训练效果评估指标；
结合所述范例风险操作行为数据的欺诈节点数据和所述范例欺诈节点数据，确定第二训练效果评估指标，所述第二训练效果评估指标为交叉熵损失函数值；
结合所述第一训练效果评估指标和所述第二训练效果评估指标，对所述欺诈决策神经单元进行收敛优化；
所述结合各所述范例聚焦式操作事件中具有的聚焦权重值与对应的所述第一范例风险操作事件中示例性配置的聚焦权重值，确定第一训练效果评估指标，通过以下步骤实现：
结合各所述范例聚焦式操作事件中具有的聚焦权重值与对应的所述第一范例风险操作事件中示例性配置的聚焦权重值，确定第三训练效果评估指标，所述第三训练效果评估指标为交叉熵损失函数值；
结合各所述范例聚焦式操作事件中具有的聚焦权重值与对应的所述第一范例风险操作事件中示例性配置的聚焦权重值，确定第四训练效果评估指标；
对所述第三训练效果评估指标和所述第四训练效果评估指标进行加权计算，获得所述第一训练效果评估指标。
譬如，对于一些示例性的设计思路，所述对所述用户操作引导数据进行异常引导通道决策，生成对应的异常引导通道数据，并结合所述异常引导通道数据与所述欺诈节点，对所述指定数字化业务软件应用进行业务执行流程报告，通过以下步骤实现：
将所述指定数字化业务软件应用的用户操作引导数据传递至达到训练终止要求的异常引导轨迹分析网络，获取所述异常引导轨迹分析网络生成的所述指定数字化业务软件应用的异常引导通道数据，所述异常引导轨迹分析网络是通过利用范例网络学习数据进行AI训练获得的，所述范例网络学习数据中包括范例用户操作引导数据和范例用户操作引导派生数据，所述范例用户操作引导数据为先验信任认证的参考用户的用户操作引导数据，所述范例用户操作引导派生数据为对所述范例用户操作引导数据进行扩展分化获得的范例学习数据；
对所述指定数字化业务软件应用中与所述异常引导通道数据对应的第一业务执行流程以及与所述欺诈节点对应的第二业务执行流程进行流程锁定，并将所述流程锁定信息进行业务执行流程报告。
譬如，对于一些示例性的设计思路，所述异常引导轨迹分析网络包括特征嵌入层和特征还原层，所述异常引导轨迹分析网络通过以下步骤训练生成：
在各个所述范例用户操作引导数据中选取部分所述范例用户操作引导数据组成目标训练编排单元，对于所述目标训练编排单元中的目标范例用户操作引导数据，执行如下步骤：
将所述目标范例用户操作引导数据传递至特征扩展模块，获得目标范例用户操作引导派生数据；
结合所述特征嵌入层分别提取所述目标范例用户操作引导数据和所述目标范例用户操作引导派生数据的嵌入式特征选择序列，获得第一嵌入式特征选择序列和第二嵌入式特征选择序列；
将所述第一嵌入式特征选择序列和所述第二嵌入式特征选择序列分别传递至所述特征还原层，获取所述特征还原层生成的第一异常引导轨迹定位数据和第二异常引导轨迹定位数据；
结合所述目标训练编排单元中的每个范例用户操作引导数据对应的所述第一嵌入式特征选择序列、所述第二嵌入式特征选择序列、所述第一异常引导轨迹定位数据、所述第二异常引导轨迹定位数据以及所述目标范例用户操作引导数据对应的范例异常引导通道数据得到编排单元loss值；
结合所述编排单元loss值调整所述特征扩展模块、所述特征嵌入层和所述特征还原层的层配置数据，并重新执行所述在各个所述范例用户操作引导数据中选取部分所述范例用户操作引导数据组成目标训练编排单元的步骤，直至所述层配置数据达到训练终止要求。
譬如，对于一些示例性的设计思路，所述结合所述目标训练编排单元中的每个范例用户操作引导数据对应的所述第一嵌入式特征选择序列、所述第二嵌入式特征选择序列、所述第一异常引导轨迹定位数据、所述第二异常引导轨迹定位数据以及所述目标范例用户操作引导数据对应的范例异常引导通道数据得到编排单元loss值，包括：
结合所述目标范例用户操作引导数据对应的范例异常引导通道数据和所述第一异常引导轨迹定位数据得到第一异常定位loss值；
将所述第一嵌入式特征选择序列和所述第二嵌入式特征选择序列分别传递至训练监督网络，获取所述训练监督网络生成的训练监督决策数据，结合所述训练监督决策数据得到第二异常定位loss值；
结合所述第一异常定位loss值和所述第二异常定位loss值得到所述目标范例用户操作引导数据对应的范例异常定位loss值；
获取所述训练编排单元中每个范例用户操作引导数据对应的所述第一异常引导轨迹定位数据的置信度数据序列作为第一置信度数据序列，获取所述训练编排单元中每个范例用户操作引导数据对应的所述第二异常引导轨迹定位数据的置信度数据序列作为第二置信度数据序列；
结合所述第一置信度数据序列和所述第二置信度数据序列得到第一单元异常定位loss值；
对所述训练编排单元中的每个范例用户操作引导数据分别对应的范例异常定位loss值进行加权，获得第二单元异常定位loss值；
结合所述第一单元异常定位loss值和所述第二单元异常定位loss值得到所述编排单元loss值；
所述结合所述编排单元loss值调整所述特征扩展模块、所述特征嵌入层和所述特征还原层的层配置数据，包括：
结合所述编排单元loss值调整所述特征扩展模块、所述特征嵌入层、所述特征还原层和所述训练监督网络的层配置数据。
譬如，对于一些示例性的设计思路，所述结合所述特征嵌入层分别提取所述目标范例用户操作引导数据和所述目标范例用户操作引导派生数据的嵌入式特征选择序列，获得第一嵌入式特征选择序列和第二嵌入式特征选择序列，包括：
分别对所述目标范例用户操作引导数据和所述目标范例用户操作引导派生数据进行独热编码，获得第一独热编码数据和第二独热编码数据；
分别将所述第一独热编码数据和所述第二独热编码数据传递至所述特征嵌入层，获取所述特征嵌入层生成的所述第一嵌入式特征选择序列和所述第二嵌入式特征选择序列。
第二方面，本申请实施例还提供一种AI决策系统，所述AI决策系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有计算机程序，所述计算机程序结合该处理器加载并执行以实现以上第一方面的针对于数字化业务软件应用的异常分析方法。
第三方面，本申请实施例提供一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于被处理器执行时，以实现以上第一方面的针对于数字化业务软件应用的异常分析方法。
第四方面，本申请实施例提供一种计算机程序产品，包括计算机程序或计算机可执行指令，所述计算机程序或计算机可执行指令被处理器执行时，以实现以上第一方面的针对于数字化业务软件应用的异常分析方法。
本申请实施例至少具有以下有益效果：
采用以上任意方面的技术方案，通过对指定数字化业务软件应用的应用授权上传报告中的风险操作行为数据进行欺诈决策，获得对应的欺诈决策结果，结合欺诈决策结果，获取符合欺诈溯源要求的欺诈节点，并跟踪提取指定数字化业务软件应用针对欺诈节点所对应的用户操作引导数据，对用户操作引导数据进行异常引导通道决策，生成对应的异常引导通道数据，并结合异常引导通道数据与欺诈节点，对指定数字化业务软件应用进行业务执行流程报告，通过结合欺诈节点和欺诈节点所对应的用户操作引导数据的异常引导通道数据进行应用的业务执行流程报告，相较于仅依赖欺诈节点进行异常欺诈报告的方案，可以提高异常欺诈报告的完整性。
并且，通过风险操作行为数据中风险要素表征信息的不同集中度，来对风险操作行为数据的不同风险操作行为部分依据不同定位区域大小进行事件输出，再通过具有锁定聚焦元素的融合性特征聚焦机制和具有变化聚焦元素的融合性特征聚焦机制，对事件输出得到的风险操作事件进行聚焦式识别和事件恢复，获得各个风险操作事件的具有有聚焦权重值的聚焦式操作事件，然后通过聚焦式操作事件决策风险操作事件的欺诈节点数据，由此分析风险操作行为数据的欺诈节点数据，获得风险操作行为数据的欺诈决策结果，可以使得在聚焦式识别和事件恢复留存中更加关注风险操作行为数据中的欺诈特征部分，提高欺诈决策的精度。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要启用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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，还可以结合这些附图获得其它相关的附图。
图1为本申请实施例提供的针对于数字化业务软件应用的异常分析方法的流程示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，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它实施例，都属于本申请保护的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的基础上相互结合。
在以下的描述中，所涉及的术语“第一\第二”仅仅是区别类似的虚拟人物对话语音，不代表针对对象的特定排序，可以理解地，“第一\第二”在允许的基础上可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义，本申请实施例所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本申请实施例中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
参见图1：
STEP100，对指定数字化业务软件应用的应用授权上传报告中的风险操作行为数据进行欺诈决策，获得对应的欺诈决策结果。
STEP200，结合所述欺诈决策结果，获取符合欺诈溯源要求的欺诈节点，并跟踪提取所述指定数字化业务软件应用针对所述欺诈节点所对应的用户操作引导数据。
示例性地，可获取欺诈决策概率值大于门限概率值的欺诈节点作为所述符合欺诈溯源要求的欺诈节点，然后可以跟踪提取所述指定数字化业务软件应用针对所述欺诈节点所对应的用户操作引导数据，例如可以跟踪提取所述指定数字化业务软件应用针对所述欺诈节点在所述欺诈节点所对应的时间区间之前的用户行为数据，并从所述用户操作数据中提取具有引导性操作（如临时退出视频双录、临时切换其它页面或者其它应用、验证过程中临时出现音频质量变化等）的行为数据作为所述用户操作引导数据。
其中，欺诈节点可以表示存在信息欺诈行为的应用操作节点，如在信贷申请过程中填写个人身份数据时的应用操作节点、或者在购买金融产品过程中进行视频双录时的应用操作节点等。
STEP300，对所述用户操作引导数据进行异常引导通道决策，生成对应的异常引导通道数据，并结合所述异常引导通道数据与所述欺诈节点，对所述指定数字化业务软件应用进行业务执行流程报告。
采用以上技术方案，通过对指定数字化业务软件应用的应用授权上传报告中的风险操作行为数据进行欺诈决策，获得对应的欺诈决策结果，结合欺诈决策结果，获取符合欺诈溯源要求的欺诈节点，并跟踪提取指定数字化业务软件应用针对欺诈节点所对应的用户操作引导数据，对用户操作引导数据进行异常引导通道决策，生成对应的异常引导通道数据，并结合异常引导通道数据与欺诈节点，对指定数字化业务软件应用进行业务执行流程报告，通过结合欺诈节点和欺诈节点所对应的用户操作引导数据的异常引导通道数据进行应用的业务执行流程报告，相较于仅依赖欺诈节点进行异常欺诈报告的方案，可以提高异常欺诈报告的完整性。
对于一种可替代的实施例，本申请实施例提供一种基于AI分析的欺诈决策方法，包括下述步骤。
STEP101，结合指定数字化业务软件应用的应用授权上传报告中的风险操作行为数据中的风险要素表征信息，对风险操作行为数据进行事件输出，获得多个第一风险操作事件，该风险要素表征信息结合风险操作行为数据中的风险要素特征进行确定，该风险要素表征信息的集中度与输出的第一风险操作事件的定位区域大小负关联。
对于一种可替代的实施例，指定数字化业务软件应用可以是数字化政企业务软件应用、数字化经济平台软件应用等，应用授权上传报告可以表征用户在该指定数字化业务软件应用产生的允许授权上传的行为数据序列。
该风险操作行为数据的风险要素表征信息可以表示风险操作行为数据中的风险状态，由风险操作行为数据中的风险要素特征进行确定。该风险操作行为数据中不同风险操作行为（如视频双录行为、信贷申请行为等）的风险要素表征信息的集中度可能存在不同。AI决策系统能够结合风险要素表征信息的集中度，对风险操作行为数据进行事件输出。在风险要素表征信息的集中度高的风险操作行为的风险操作事件的定位区域大小较小，获得较多的第一风险操作事件。在风险要素表征信息的集中度低的风险操作行为的风险操作事件的定位区域大小较大，获得较少的第一风险操作事件。
STEP102，结合具有锁定聚焦元素的融合性特征聚焦机制和具有变化聚焦元素的融合性特征聚焦机制，对多个第一风险操作事件进行聚焦式识别，获得多个第一风险操作事件的聚焦式表征向量信息，对多个第一风险操作事件的聚焦式表征向量信息进行事件恢复，获得多个第一风险操作事件的聚焦式操作事件，每个聚焦式操作事件具有有聚焦权重值。
对于一种可替代的实施例，对于每个第一风险操作事件，先结合具有锁定聚焦元素的融合性特征聚焦机制，对该第一风险操作事件进行聚焦式识别。然后，再结合具有变化聚焦元素的融合性特征聚焦机制，对聚焦式识别后的第一风险操作事件再次进行聚焦式识别，获得该第一风险操作事件的聚焦式表征向量信息。然后，对该第一风险操作事件的聚焦式表征向量信息进行事件恢复，获得该第一风险操作事件的聚焦式操作事件。在事件恢复过程中，可以分析获得该第一风险操作事件中各个风险操作行为处对应的聚焦权重值。AI决策系统将决策到的聚焦权重值依据对应的风险操作行为进行标注，以生成聚焦式操作事件。
STEP103，结合多个第一风险操作事件的聚焦式操作事件进行欺诈决策，获得每个第一风险操作事件的欺诈节点数据。
对于一种可替代的实施例，对于每个第一风险操作事件，该第一风险操作事件的聚焦式操作事件中具有有该第一风险操作事件的各个风险要素特征对应的聚焦权重值。AI决策系统能够结合该聚焦式操作事件中具有的该第一风险操作事件的各个风险要素特征对应的聚焦权重值，对该第一风险操作事件进行欺诈决策。不同类别的第一风险操作事件对应不同的欺诈节点数据。该欺诈节点数据能够表示各个推定欺诈节点所对应的置信度数据。
STEP104，结合每个第一风险操作事件的欺诈节点数据，对所述风险操作行为数据进行欺诈节点数据输出，获得所述风险操作行为数据的欺诈决策结果。
对于一种可替代的实施例，结合多个第一风险操作行为数据的欺诈节点数据，对风险操作行为数据这个整体的欺诈节点数据进行分析，获得风险操作行为数据的欺诈决策结果。也即，该欺诈决策结果包括风险操作行为数据的欺诈节点数据。该欺诈决策结果能够反映目标欺诈节点的欺诈概率值分布。
采用以上技术方案，本实施例通过风险操作行为数据中风险要素表征信息的不同集中度，来对风险操作行为数据的不同风险操作行为部分依据不同定位区域大小进行事件输出，再通过具有锁定聚焦元素的融合性特征聚焦机制和具有变化聚焦元素的融合性特征聚焦机制，对事件输出得到的风险操作事件进行聚焦式识别和事件恢复，获得各个风险操作事件的具有有聚焦权重值的聚焦式操作事件，然后通过聚焦式操作事件决策风险操作事件的欺诈节点数据，由此分析风险操作行为数据的欺诈节点数据，获得风险操作行为数据的欺诈决策结果，可以使得在聚焦式识别和事件恢复留存中更加关注风险操作行为数据中的欺诈特征部分，提高欺诈决策的精度。
对于一种可替代的实施例，可基于欺诈决策神经单元来实现上述的欺诈决策方法。该欺诈决策神经单元为达到训练终止要求的AI模型。AI决策系统能够对该欺诈决策神经单元进行训练），下面提供一种基于人工智能的欺诈决策训练方法，包括以下步骤。
STEP201，结合范例风险操作行为数据中的风险要素表征信息，对范例风险操作行为数据进行事件输出，获得多个第一范例风险操作事件，该范例风险操作行为数据上具有有范例欺诈节点数据，该风险要素表征信息结合范例风险操作行为数据中的风险要素特征进行确定，该风险要素表征信息的集中度与输出的第一风险操作事件的定位区域大小负关联。
对于一种可替代的实施例，该范例风险操作行为数据中携带参考用户的某个风险操作数据。该范例风险操作行为数据上具有有范例欺诈节点数据，该范例欺诈节点数据表征该范例风险操作行为数据中风险操作数据的欺诈节点状态。AI决策系统对范例风险操作行为数据进行事件输出的原理与STEP101中对风险操作行为数据进行事件输出的原理相同，在此不再赘述。
STEP202，结合多个第一范例风险操作事件在范例风险操作行为数据中的风险操作行为和网络学习目标数据，确定每个第一范例风险操作事件中示例性配置的聚焦权重值，该网络学习目标数据表征范例风险操作行为数据中各个风险操作行为的聚焦权重值。
对于一种可替代的实施例，范例风险操作行为数据的网络学习目标数据（训练标签）可以是以矩阵形式表达的。该网络学习目标数据中具有有该范例风险操作行为数据中各个风险要素特征对应的聚焦权重值。例如，该网络学习目标数据中各个风险操作行为处具有学习依据参数，不同的学习依据参数表示不同的聚焦权重值。对于每个第一范例风险操作事件，能够结合该第一范例风险操作事件在范例风险操作行为数据中的风险操作行为，在该网络学习目标数据中找到对应风险操作行为处各个风险要素特征对应的聚焦权重值。然后，能够将对应风险操作行为处各个风险要素特征对应的聚焦权重值，作为第一范例风险操作事件中示例性配置的聚焦权重值。该示例性配置的聚焦权重值即为准确的聚焦权重值，用于为后续分析的聚焦权重值提供参考。
STEP203，结合具有锁定聚焦元素的融合性特征聚焦机制和具有变化聚焦元素的融合性特征聚焦机制，对多个第一范例风险操作事件进行聚焦式识别，获得多个第一范例风险操作事件的聚焦式表征向量信息，对多个第一范例风险操作事件的聚焦式表征向量信息进行事件恢复，获得多个第一范例风险操作事件的范例聚焦式操作事件，每个范例聚焦式操作事件具有有聚焦权重值。
对于一种可替代的实施例，结合与STEP102中对多个第一风险操作事件进行聚焦式识别和事件恢复的相同原理，对多个第一范例风险操作事件进行聚焦式识别和事件恢复，在此不再赘述。
STEP204，结合多个第一范例风险操作事件的范例聚焦式操作事件进行欺诈决策，获得每个第一范例风险操作事件的欺诈节点数据。
对于一种可替代的实施例，结合与STEP103中对多个第一风险操作事件的欺诈节点数据进行分析的相同原理，对多个第一范例风险操作事件的欺诈节点数据进行分析，在此不再赘述。
STEP205，结合每个第一范例风险操作事件的欺诈节点数据，对范例风险操作行为数据的欺诈节点数据进行分析，获得范例风险操作行为数据的欺诈决策结果。
对于一种可替代的实施例，结合与STEP104中对风险操作行为数据的欺诈节点数据进行分析的相同原理，对范例风险操作行为数据的欺诈节点数据进行分析，在此不再赘述。
STEP206，结合每个范例聚焦式操作事件中具有的聚焦权重值、每个第一范例风险操作事件中示例性配置的聚焦权重值、范例风险操作行为数据的欺诈节点数据以及范例欺诈节点数据，对所述欺诈决策神经单元进行收敛优化。
对于一种可替代的实施例，结合每个范例聚焦式操作事件中具有的聚焦权重值与对应的第一范例风险操作事件中示例性配置的聚焦权重值之间的差异值、范例风险操作行为数据的欺诈节点数据和范例欺诈节点数据之间的差异值，来对所述欺诈决策神经单元进行收敛优化，使得上述两个差异值尽可能地减小，从而提高欺诈决策神经单元的欺诈决策精度。
采用以上技术方案，通过范例风险操作行为数据中风险要素表征信息的不同集中度，来对范例风险操作行为数据不同数据段依据不同定位区域大小进行事件输出，通过网络学习目标数据确定每个事件输出得到的范例风险操作事件中示例性配置的聚焦权重值，通过具有锁定聚焦元素的融合性特征聚焦机制和具有变化聚焦元素的融合性特征聚焦机制，对事件输出得到的范例风险操作事件进行聚焦式识别和事件恢复，获得各个范例风险操作事件的具有有聚焦权重值的范例聚焦式操作事件，然后决策范例风险操作事件的欺诈节点数据，从而决策范例风险操作行为数据的欺诈节点数据，再通过范例聚焦式操作事件中分析获得的聚焦权重值、范例风险操作事件中示例性配置的聚焦权重值、分析获得的范例风险操作行为数据的欺诈节点数据以及范例风险操作行为数据的范例欺诈节点数据，对所述欺诈决策神经单元进行收敛优化；可以使得在聚焦式识别和事件恢复留存中更加关注风险操作行为数据中的欺诈特征部分，提高欺诈决策的精度，在训练过程中从范例风险操作事件中的聚焦权重值等局部信息和范例风险操作行为数据的欺诈节点数据等全局信息两个方面，来对所述欺诈决策神经单元进行收敛优化，使得欺诈决策神经单元的欺诈决策精度更高。
接下来进一步介绍本申请另一个实施例，包括以下步骤。
STEP301，结合风险操作行为数据中的风险要素表征信息，对风险操作行为数据进行事件输出，获得多个第一风险操作事件，该风险要素表征信息结合风险操作行为数据中的风险要素特征进行确定，该风险要素表征信息的集中度与输出的第一风险操作事件的定位区域大小负关联。
对于一种可替代的实施例，该STEP301主要包括STEP3011-STEP3012这两个步骤，如下所示。
STEP3011，基于设定清洗策略，清洗噪声特征，获得仅包含代表性行为特征的风险操作行为数据。
代表性行为特征为具有持续性的行为特征。
STEP3012，结合风险操作行为数据中的风险要素表征信息，对仅包含代表性行为特征的风险操作行为数据进行事件输出。
对于一种可替代的实施例，能够提取风险操作行为数据的有向关系图，来确定风险要素表征信息的集中度，从而对风险操作行为数据进行事件输出。其中，该STEP3012包括下述步骤。AI决策系统对风险操作行为数据进行风险分布空间构建，获得风险操作行为数据的风险分布子空间，该风险分布子空间表征风险操作行为数据中不同风险操作行为处的风险要素表征信息的集中度。然后，结合风险分布子空间中不同风险操作行为处的风险要素表征信息的集中度，确定对应风险操作行为的定位区域大小。然后，结合定位区域大小，对风险操作行为数据进行事件输出，获得多个第一风险操作事件。
STEP302、对于每个第一风险操作事件，对该第一风险操作事件进行分桶，获得多个第二风险操作事件。
STEP303，获取多个第二风险操作事件的有向关系图，该多个第二风险操作事件的有向关系图由多个第二风险操作事件的行为描述知识与多个第二风险操作事件的事件联系描述知识进行融合构建的。
对于一种可替代的实施例，对于每个第二风险操作事件，提取该第二风险操作事件的行为描述知识和事件联系描述知识。该行为描述知识表征第二风险操作事件中的内容。该事件联系描述知识表征该第二风险操作事件在第一风险操作事件中的风险操作行为。然后，将该第二风险操作事件的行为描述知识和事件联系描述知识进行融合，获得该第二风险操作事件的有向关系图。
STEP304，结合具有锁定聚焦元素的融合性特征聚焦机制和具有变化聚焦元素的融合性特征聚焦机制，对多个第二风险操作事件的有向关系图进行聚焦式识别，获得第一风险操作事件的聚焦式表征向量信息。
对于一种可替代的实施例，先结合具有锁定聚焦元素的融合性特征聚焦机制，对多个第二风险操作事件的有向关系图进行聚焦式识别。然后，再结合具有变化聚焦元素的融合性特征聚焦机制，对聚焦式识别后的多个第二风险操作事件的有向关系图再次进行聚焦式识别，获得第一风险操作事件的聚焦式表征向量信息。
对于一种可替代的实施例，该STEP302包括下述步骤。AI决策系统结合具有锁定聚焦元素的融合性特征聚焦机制（如带有固定窗口的多头自注意力机制）、空间映射网络以及RBF神经元网络（如多层感知机），对多个第二风险操作事件的有向关系图进行聚焦式识别，获得多个第二风险操作事件的参考聚焦式表征向量信息。然后，结合具有变化聚焦元素的融合性特征聚焦机制（如带有移位窗口的多头自注意力机制）、空间映射网络以及RBF神经元网络，对多个第二风险操作事件的参考聚焦式表征向量信息进行聚焦式识别，获得第一风险操作事件的聚焦式表征向量信息。其中，该RBF神经元网络中的激活函数为GELU函数。
其中，结合第一空间映射网络，对多个第二风险操作事件的有向关系图进行固定维度空间映射。然后，结合具有锁定聚焦元素的融合性特征聚焦机制，对固定维度空间映射后的多个第二风险操作事件的有向关系图进行聚焦式向量编码，获得第一参考聚焦式编码向量。然后，结合多个第二风险操作事件的有向关系图和第一参考聚焦式编码向量，确定第二参考聚焦式编码向量。然后，结合第二空间映射网络，对第二参考聚焦式编码向量进行固定维度空间映射。然后，结合RBF神经元网络，对第二参考聚焦式编码向量进行处理，获得多个第二风险操作事件的参考聚焦式表征向量信息。其中，第一空间映射网络和具有锁定聚焦元素的融合性特征聚焦机制的参数层构成一个残差网络，也即，多个第二风险操作事件的有向关系图和第一参考聚焦式编码向量相加，获得第二参考聚焦式编码向量。第二空间映射网络和RBF神经元网络也构成一个残差网络，也即，第二参考聚焦式编码向量和RBF神经元网络输出的有向关系图相加，获得多个第二风险操作事件的参考聚焦式表征向量信息。
STEP305，对多个第一风险操作事件的聚焦式表征向量信息进行事件恢复，获得多个第一风险操作事件的聚焦式操作事件，每个聚焦式操作事件具有有聚焦权重值。
对于一种可替代的实施例，对于每个第一风险操作事件，对该第一风险操作事件的聚焦式表征向量信息进行事件恢复，以分析该第一风险操作事件中各个风险要素特征对应的聚焦权重值，结合各个风险要素特征对应的聚焦权重值，获得该第一风险操作事件的聚焦式操作事件。
对于一种可替代的实施例，能够采用不同的集中度来显示不同的聚焦权重值。其中，该STEP305包括下述步骤。对于每个第一风险操作事件，对第一风险操作事件的聚焦式表征向量信息进行事件恢复，获得第一风险操作事件中多个风险要素特征对应的聚焦权重值。然后，结合第一风险操作事件中多个风险要素特征对应的聚焦权重值，获得第一风险操作事件的聚焦式操作事件。其中，该聚焦式操作事件中各个风险要素特征的集中度表征对应的聚焦权重值。由此，通过不同的集中度来显示不同的聚焦权重值，可以直观确定第一风险操作事件中各个风险操作行为的聚焦权重值。
STEP306，结合多个第一风险操作事件的聚焦式操作事件进行欺诈决策，获得每个第一风险操作事件的欺诈节点数据。
对于一种可替代的实施例，每个聚焦式操作事件中具有有对应的第一风险操作事件中各个风险要素特征对应的聚焦权重值。AI决策系统能够结合每个聚焦式操作事件，决策对应的第一风险操作事件的欺诈节点数据。AI决策系统决策多个第一风险操作事件的欺诈节点数据的过程，相当于对多个第一风险操作事件进行欺诈决策。
对于一种可替代的实施例，能够结合聚焦式操作事件中每个聚焦权重值对应的风险要素特征的聚焦节点，来决策该第一风险操作事件的欺诈节点数据。其中，该STEP306包括下述步骤。对于每个第一风险操作事件的聚焦式操作事件，获取第一风险操作事件的聚焦式操作事件中每个聚焦权重值对应的风险要素特征的聚焦节点。然后，结合每个聚焦权重值对应的风险要素特征的聚焦节点，确定第一风险操作事件的欺诈节点数据。由此，第一风险操作事件的欺诈节点数据与第一风险操作事件中各个风险操作行为的聚焦权重值相关，通过聚焦式操作事件中每个聚焦权重值对应的风险要素特征的聚焦节点，来决策该第一风险操作事件的欺诈节点数据，使得决策的第一风险操作事件的欺诈节点数据更加准确。
对于一种可替代的实施例，由于AI决策系统决策的聚焦权重值可能存在误差，会影响第一风险操作事件的欺诈节点数据的决策。AI决策系统能够对分析获得的聚焦权重值进行更新，优化存在错误的聚焦权重值，再对第一风险操作事件的欺诈节点数据进行分析。其中，该STEP306包括下述步骤。对于每个第一风险操作事件的聚焦式操作事件，结合聚焦式操作事件中多个风险要素特征之间的风险操作行为关系，对聚焦式操作事件中多个风险要素特征对应的聚焦权重值进行更新。然后，结合更新后的聚焦式操作事件中每个聚焦权重值对应的风险要素特征的聚焦节点，获得第一风险操作事件的欺诈节点数据。
STEP307，结合每个第一风险操作事件的欺诈节点数据，对所述风险操作行为数据进行欺诈节点数据输出，获得所述风险操作行为数据的欺诈决策结果。
对于一种可替代的实施例，风险操作行为数据的欺诈节点数据与风险操作行为数据中各个第一风险操作事件的决策欺诈节点数据相关。AI决策系统结合多个第一风险操作行为数据的欺诈节点数据，来决策该风险操作行为数据的欺诈节点数据。
对于一种可替代的实施例，能够结合各个欺诈节点数据对应的第一风险操作事件的聚焦节点，来决策该风险操作行为数据的欺诈节点数据。其中，该STEP307包括下述步骤。AI决策系统结合每个欺诈节点数据对应的第一风险操作事件的聚焦节点，确定每个欺诈节点数据所对应的欺诈影响参数。然后，结合每个欺诈节点数据所对应的欺诈影响参数，对风险操作行为数据的欺诈节点数据进行分析，获得风险操作行为数据的欺诈节点数据。由此，通过每个欺诈节点数据对应的第一风险操作事件在多个第一风险操作事件中所对应的欺诈影响参数，来确定风险操作行为数据的欺诈节点数据，使得该欺诈决策结果能够准确表示该风险操作行为数据的欺诈节点数据。
对于一种可替代的实施例，还能够结合风险操作行为数据中各个聚焦权重值对应的风险要素特征的聚焦节点，来决策该风险操作行为数据的欺诈节点数据。其中，该STEP307包括下述步骤。AI决策系统获取风险操作行为数据的聚焦式操作事件中每个聚焦权重值对应的风险要素特征的聚焦节点。然后，结合每个聚焦权重值对应的风险要素特征的聚焦节点，确定风险操作行为数据的欺诈节点数据。由此，风险操作行为数据的欺诈节点数据与风险操作行为数据中各个风险操作行为的聚焦权重值相关，通过聚焦式操作事件中每个聚焦权重值对应的风险要素特征的聚焦节点，来决策该风险操作行为数据的欺诈节点数据，使得决策的风险操作行为数据的欺诈节点数据更加准确。
STEP308，结合多个第一风险操作事件的聚焦式操作事件，获得风险操作行为数据的聚焦式操作事件。
对于一种可替代的实施例，在AI决策系统结合多个第一风险操作事件的聚焦式操作事件，对风险操作行为数据的欺诈节点数据的决策过程中，还能够结合多个第一风险操作事件的聚焦式操作事件，来生成风险操作行为数据的聚焦式操作事件。也即，STEP308的执行时机可以与STEP306至STEP307的执行时机相同。其中，能够对多个第一风险操作事件的聚焦式操作事件进行关联配置，获得风险操作行为数据的聚焦式操作事件，或者，还能够对更新后的多个第一风险操作事件的聚焦式操作事件进行关联配置，获得风险操作行为数据的聚焦式操作事件。该风险操作行为数据的聚焦式操作事件表征风险操作行为数据中聚焦式风险操作行为的操作事件。
由此，本实施例通过风险操作行为数据中风险要素表征信息的不同集中度，来对风险操作行为数据的不同风险操作行为部分依据不同定位区域大小进行事件输出，再通过具有锁定聚焦元素的融合性特征聚焦机制和具有变化聚焦元素的融合性特征聚焦机制，对事件输出得到的风险操作事件进行聚焦式识别和事件恢复，获得各个风险操作事件的具有有聚焦权重值的聚焦式操作事件，然后通过聚焦式操作事件决策风险操作事件的欺诈节点数据，由此分析风险操作行为数据的欺诈节点数据，获得风险操作行为数据的欺诈决策结果。
下面介绍本申请另一种实施例的欺诈决策神经单元的训练实施例，包括以下步骤。
STEP401，结合范例风险操作行为数据中的风险要素表征信息，对范例风险操作行为数据进行事件输出，获得多个第一范例风险操作事件，该范例风险操作行为数据上具有有范例欺诈节点数据，该风险要素表征信息结合范例风险操作行为数据中的风险要素特征进行确定，该风险要素表征信息的集中度与输出的第一风险操作事件的定位区域大小负关联。
对于一种可替代的实施例，结合与STEP301中对风险操作行为数据进行事件输出的相同原理，对范例风险操作行为数据进行事件输出，获得多个第一范例风险操作事件，在此不再赘述。
STEP402，结合多个第一范例风险操作事件在范例风险操作行为数据中的风险操作行为和网络学习目标数据，确定每个第一范例风险操作事件中示例性配置的聚焦权重值，该网络学习目标数据表征范例风险操作行为数据中各个风险操作行为的聚焦权重值。
对于一种可替代的实施例，范例风险操作行为数据的网络学习目标数据与范例风险操作行为数据大小相同，且风险操作行为数据中的各个风险操作行为对应。该网络学习目标数据中标注了范例风险操作行为数据中各个风险要素特征对应的示例性配置的聚焦权重值。AI决策系统能够结合该第一范例风险操作事件在范例风险操作行为数据中的风险操作行为，在该网络学习目标数据中找到对应风险操作行为处各个风险要素特征对应的聚焦权重值，以实现获取该第一范例风险操作事件中示例性配置的聚焦权重值。
STEP403，结合具有锁定聚焦元素的融合性特征聚焦机制和具有变化聚焦元素的融合性特征聚焦机制，对多个第一范例风险操作事件进行聚焦式识别，获得多个第一范例风险操作事件的聚焦式表征向量信息，对多个第一范例风险操作事件的聚焦式表征向量信息进行事件恢复，获得多个第一范例风险操作事件的范例聚焦式操作事件，每个范例聚焦式操作事件具有有聚焦权重值。
对于一种可替代的实施例，结合与STEP302至STEP305中生成多个第一风险操作事件的聚焦式操作事件的相同原理，对范例风险操作行为数据进行聚焦式识别和事件恢复，获得多个第一范例风险操作事件，在此不再赘述。
STEP404，结合多个第一范例风险操作事件的范例聚焦式操作事件进行欺诈决策，获得每个第一范例风险操作事件的欺诈节点数据。
对于一种可替代的实施例，结合与STEP306中对多个第一风险操作事件的欺诈节点数据进行分析的相同原理，对多个第一范例风险操作事件的欺诈节点数据进行分析，在此不再赘述。
STEP405，结合每个第一范例风险操作事件的欺诈节点数据，对范例风险操作行为数据的欺诈节点数据进行分析，获得范例风险操作行为数据的欺诈决策结果。
对于一种可替代的实施例，结合与STEP307中对风险操作行为数据的欺诈节点数据进行分析的相同原理，对范例风险操作行为数据的欺诈节点数据进行分析，在此不再赘述。
STEP406，结合每个范例聚焦式操作事件中具有的聚焦权重值与对应的第一范例风险操作事件中示例性配置的聚焦权重值，确定第一训练效果评估指标。
对于一种可替代的实施例，能够结合每个范例聚焦式操作事件中具有的聚焦权重值与对应的第一范例风险操作事件中示例性配置的聚焦权重值的区别，确定第一训练效果评估指标。
对于一种可替代的实施例，结合每个范例聚焦式操作事件中具有的聚焦权重值与对应的第一范例风险操作事件中示例性配置的聚焦权重值，确定第三训练效果评估指标，该第三训练效果评估指标为交叉熵损失函数值。然后，结合每个范例聚焦式操作事件中具有的聚焦权重值与对应的第一范例风险操作事件中示例性配置的聚焦权重值，确定第四训练效果评估指标。然后，对第三训练效果评估指标和第四训练效果评估指标进行加权计算，获得第一训练效果评估指标。其中，该第三训练效果评估指标表征各个风险要素特征所对应的决策的聚焦权重值与示例性配置的聚焦权重值之间的区别。该第四训练效果评估指标与风险操作行为部分相关，表征一个风险操作行为部分内风险要素特征所对应的决策的聚焦权重值与示例性配置的聚焦权重值之间的区别。由此，由于各个风险要素特征对应的决策到的聚焦权重值不仅与该风险要素特征值有关，还与其他风险要素特征的风险要素特征值相关，通过计算范例聚焦式操作事件中具有的聚焦权重值与对应的第一范例风险操作事件中示例性配置的聚焦权重值之间的交叉熵损失函数值和Dice训练效果评估指标，不仅从风险要素特征的角度计算训练效果评估指标，还从风险操作行为部分的角度计算训练效果评估指标，使得计算的第一训练效果评估指标更加准确地反应欺诈决策神经单元的性能，从而利于训练出性能更好的欺诈决策神经单元。
STEP407，结合范例风险操作行为数据的欺诈节点数据和范例欺诈节点数据，确定第二训练效果评估指标，该第二训练效果评估指标为交叉熵损失函数值。
对于一种可替代的实施例，结合范例风险操作行为数据的欺诈节点数据和范例欺诈节点数据之间的区别，确定该欺诈决策神经单元的第二训练效果评估指标。
STEP408，结合第一训练效果评估指标和第二训练效果评估指标，对所述欺诈决策神经单元进行收敛优化。
对于一种可替代的实施例，以第一训练效果评估指标和第二训练效果评估指标的最大化为收敛优化目的，对该欺诈决策神经单元进行收敛优化。
对于一种可替代的实施例，针对STEP300，可以通过下述步骤实现。
STEP310，将所述指定数字化业务软件应用的用户操作引导数据传递至达到训练终止要求的异常引导轨迹分析网络，获取所述异常引导轨迹分析网络生成的所述指定数字化业务软件应用的异常引导通道数据，所述异常引导轨迹分析网络是通过利用范例网络学习数据进行AI训练获得的，所述范例网络学习数据中包括范例用户操作引导数据和范例用户操作引导派生数据，所述范例用户操作引导数据为先验信任认证的参考用户的用户操作引导数据，所述范例用户操作引导派生数据为对所述范例用户操作引导数据进行扩展分化获得的范例学习数据；
STEP320，对所述指定数字化业务软件应用中与所述异常引导通道数据对应的第一业务执行流程以及与所述欺诈节点对应的第二业务执行流程进行流程锁定，并将所述流程锁定信息进行业务执行流程报告。
其中，上述的异常引导轨迹分析网络包括特征嵌入层和特征还原层，所述异常引导轨迹分析网络通过以下步骤训练生成：
在各个所述范例用户操作引导数据中选取部分所述范例用户操作引导数据组成目标训练编排单元，对于所述目标训练编排单元中的目标范例用户操作引导数据，执行如下步骤：
（1）将所述目标范例用户操作引导数据传递至特征扩展模块，获得目标范例用户操作引导派生数据；
（2）结合所述特征嵌入层分别提取所述目标范例用户操作引导数据和所述目标范例用户操作引导派生数据的嵌入式特征选择序列，获得第一嵌入式特征选择序列和第二嵌入式特征选择序列；
（3）将所述第一嵌入式特征选择序列和所述第二嵌入式特征选择序列分别传递至所述特征还原层，获取所述特征还原层生成的第一异常引导轨迹定位数据和第二异常引导轨迹定位数据；
（4）结合所述目标训练编排单元中的每个范例用户操作引导数据对应的所述第一嵌入式特征选择序列、所述第二嵌入式特征选择序列、所述第一异常引导轨迹定位数据、所述第二异常引导轨迹定位数据以及所述目标范例用户操作引导数据对应的范例异常引导通道数据得到编排单元loss值；
（5）结合所述编排单元loss值调整所述特征扩展模块、所述特征嵌入层和所述特征还原层的层配置数据，并重新执行所述在各个所述范例用户操作引导数据中选取部分所述范例用户操作引导数据组成目标训练编排单元的步骤，直至所述层配置数据达到训练终止要求。
其中，结合所述目标训练编排单元中的每个范例用户操作引导数据对应的所述第一嵌入式特征选择序列、所述第二嵌入式特征选择序列、所述第一异常引导轨迹定位数据、所述第二异常引导轨迹定位数据以及所述目标范例用户操作引导数据对应的范例异常引导通道数据得到编排单元loss值，包括：结合所述目标范例用户操作引导数据对应的范例异常引导通道数据和所述第一异常引导轨迹定位数据得到第一异常定位loss值；将所述第一嵌入式特征选择序列和所述第二嵌入式特征选择序列分别传递至训练监督网络，获取所述训练监督网络生成的训练监督决策数据，结合所述训练监督决策数据得到第二异常定位loss值；结合所述第一异常定位loss值和所述第二异常定位loss值得到所述目标范例用户操作引导数据对应的范例异常定位loss值；获取所述训练编排单元中每个范例用户操作引导数据对应的所述第一异常引导轨迹定位数据的置信度数据序列作为第一置信度数据序列，获取所述训练编排单元中每个范例用户操作引导数据对应的所述第二异常引导轨迹定位数据的置信度数据序列作为第二置信度数据序列；结合所述第一置信度数据序列和所述第二置信度数据序列得到第一单元异常定位loss值；对所述训练编排单元中的每个范例用户操作引导数据分别对应的范例异常定位loss值进行加权，获得第二单元异常定位loss值；结合所述第一单元异常定位loss值和所述第二单元异常定位loss值得到所述编排单元loss值。
结合所述编排单元loss值调整所述特征扩展模块、所述特征嵌入层和所述特征还原层的层配置数据，包括：结合所述编排单元loss值调整所述特征扩展模块、所述特征嵌入层、所述特征还原层和所述训练监督网络的层配置数据。
其中，结合所述特征嵌入层分别提取所述目标范例用户操作引导数据和所述目标范例用户操作引导派生数据的嵌入式特征选择序列，获得第一嵌入式特征选择序列和第二嵌入式特征选择序列，包括：分别对所述目标范例用户操作引导数据和所述目标范例用户操作引导派生数据进行独热编码，获得第一独热编码数据和第二独热编码数据；分别将所述第一独热编码数据和所述第二独热编码数据传递至所述特征嵌入层，获取所述特征嵌入层生成的所述第一嵌入式特征选择序列和所述第二嵌入式特征选择序列。
一些设计思路中，提供了一种AI决策系统，该AI决策系统可以是服务器，该AI决策系统包括处理器、存储器、输入/输出接口(Input/Output，简称I/O）和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该AI决策系统的处理器用于提供计算和控制能力。该AI决策系统的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该AI决策系统的数据库用于存储上述方法所涉及的数据。该AI决策系统的模型加载数据/输出接口用于处理器与外部设备之间交换信息。该AI决策系统的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种针对于数字化业务软件应用的异常分析方法。
一些设计思路中，提供了一种AI决策系统，该AI决策系统可以是终端。该AI决策系统包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该AI决策系统的处理器用于提供计算和控制能力。该AI决策系统的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该AI决策系统的模型加载数据/输出接口用于处理器与外部设备之间交换信息。该AI决策系统的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC（近场通信）或其它技术实现。该计算机程序被处理器执行时以实现一种针对于数字化业务软件应用的异常分析方法。该AI决策系统的显示单元用于形成视觉可见的画面。
一些设计思路中，提供了一种AI决策系统，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
一些设计思路中，提供了一种计算机可读存储介质，其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各方法实施例中的步骤。
一些设计思路中，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各方法实施例中的步骤。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种针对于数字化业务软件应用的异常分析方法，其特征在于，应用于AI决策系统，所述方法包括：
对所述指定数字化业务软件应用的应用授权上传报告中的风险操作行为数据进行欺诈决策，获得对应的欺诈决策结果；
结合所述欺诈决策结果，获取符合欺诈溯源要求的欺诈节点，并跟踪提取所述指定数字化业务软件应用针对所述欺诈节点所对应的用户操作引导数据；
对所述用户操作引导数据进行异常引导通道决策，生成对应的异常引导通道数据，并结合所述异常引导通道数据与所述欺诈节点，对所述指定数字化业务软件应用进行业务执行流程报告。
2.根据权利要求1所述的针对于数字化业务软件应用的异常分析方法，其特征在于，所述对指定数字化业务软件应用的应用授权上传报告中的风险操作行为数据进行欺诈决策，获得对应的欺诈决策结果，通过以下步骤实现：
结合指定数字化业务软件应用的应用授权上传报告中的风险操作行为数据中的风险要素表征信息，对所述风险操作行为数据进行事件输出，获得多个第一风险操作事件，所述风险要素表征信息通过所述风险操作行为数据中的风险要素特征进行确定，所述风险要素表征信息的集中度与输出的第一风险操作事件的定位区域大小负关联；
结合具有锁定聚焦元素的融合性特征聚焦机制和具有变化聚焦元素的融合性特征聚焦机制，对所述多个第一风险操作事件进行聚焦式识别，获得所述多个第一风险操作事件的聚焦式表征向量信息，对所述多个第一风险操作事件的聚焦式表征向量信息进行事件恢复，获得所述多个第一风险操作事件的聚焦式操作事件，各所述聚焦式操作事件具有有聚焦权重值；
结合所述多个第一风险操作事件的聚焦式操作事件进行欺诈决策，获得各所述第一风险操作事件的欺诈节点数据；
结合各所述第一风险操作事件的欺诈节点数据，对所述风险操作行为数据进行欺诈节点数据输出，获得所述风险操作行为数据的欺诈决策结果。
3.根据权利要求2所述的针对于数字化业务软件应用的异常分析方法，其特征在于，所述对所述多个第一风险操作事件的聚焦式表征向量信息进行事件恢复，获得所述多个第一风险操作事件的聚焦式操作事件，通过以下步骤实现：
对于每个第一风险操作事件，对所述第一风险操作事件的聚焦式表征向量信息进行事件恢复，获得所述第一风险操作事件中多个风险要素特征对应的聚焦权重值；
结合所述第一风险操作事件中多个风险要素特征对应的聚焦权重值，获得所述第一风险操作事件的聚焦式操作事件，所述聚焦式操作事件中各个风险要素特征的集中度表征对应的聚焦权重值。
4.根据权利要求2所述的针对于数字化业务软件应用的异常分析方法，其特征在于，所述结合所述多个第一风险操作事件的聚焦式操作事件进行欺诈决策，获得各所述第一风险操作事件的欺诈节点数据，通过以下步骤实现：
对于每个第一风险操作事件的聚焦式操作事件，获取所述第一风险操作事件的聚焦式操作事件中每个聚焦权重值对应的风险要素特征的聚焦节点；
结合所述每个聚焦权重值对应的风险要素特征的聚焦节点，确定所述第一风险操作事件的欺诈节点数据。
5.根据权利要求2所述的针对于数字化业务软件应用的异常分析方法，其特征在于，所述结合指定数字化业务软件应用的应用授权上传报告中的风险操作行为数据中的风险要素表征信息，对所述风险操作行为数据进行事件输出，获得多个第一风险操作事件，通过以下步骤实现：
对所述风险操作行为数据进行风险分布空间构建，获得所述风险操作行为数据的风险分布子空间，所述风险分布子空间表征所述风险操作行为数据中不同风险操作行为处的风险要素表征信息的集中度；
结合所述风险分布子空间中不同风险操作行为处的风险要素表征信息的集中度，确定对应风险操作行为的定位区域大小；
结合所述定位区域大小，对所述风险操作行为数据进行事件输出，获得所述多个第一风险操作事件。
6.根据权利要求2所述的针对于数字化业务软件应用的异常分析方法，其特征在于，所述结合具有锁定聚焦元素的融合性特征聚焦机制和具有变化聚焦元素的融合性特征聚焦机制，对所述多个第一风险操作事件进行聚焦式识别，获得所述多个第一风险操作事件的聚焦式表征向量信息，通过以下步骤实现：
对于每个第一风险操作事件，对所述第一风险操作事件进行分桶，获得多个第二风险操作事件；
获取所述多个第二风险操作事件的有向关系图，所述多个第二风险操作事件的有向关系图由所述多个第二风险操作事件的行为描述知识与所述多个第二风险操作事件的事件联系描述知识进行融合构建的；
结合所述具有锁定聚焦元素的融合性特征聚焦机制和所述具有变化聚焦元素的融合性特征聚焦机制，对所述多个第二风险操作事件的有向关系图进行聚焦式识别，获得所述第一风险操作事件的聚焦式表征向量信息；
所述结合所述具有锁定聚焦元素的融合性特征聚焦机制和所述具有变化聚焦元素的融合性特征聚焦机制，对所述多个第二风险操作事件的有向关系图进行聚焦式识别，获得所述第一风险操作事件的聚焦式表征向量信息，通过以下步骤实现：
结合所述具有锁定聚焦元素的融合性特征聚焦机制、空间映射网络以及RBF神经元网络，对所述多个第二风险操作事件的有向关系图进行聚焦式识别，获得所述多个第二风险操作事件的参考聚焦式表征向量信息；
结合具有变化聚焦元素的融合性特征聚焦机制、空间映射网络以及RBF神经元网络，对所述多个第二风险操作事件的参考聚焦式表征向量信息进行聚焦式识别，获得所述第一风险操作事件的聚焦式表征向量信息；
所述结合所述具有锁定聚焦元素的融合性特征聚焦机制、空间映射网络以及RBF神经元网络，对所述多个第二风险操作事件的有向关系图进行聚焦式识别，获得所述多个第二风险操作事件的参考聚焦式表征向量信息，通过以下步骤实现：
结合第一空间映射网络，对所述多个第二风险操作事件的有向关系图进行固定维度空间映射；
结合所述具有锁定聚焦元素的融合性特征聚焦机制，对固定维度空间映射后的所述多个第二风险操作事件的有向关系图进行聚焦式向量编码，获得第一参考聚焦式编码向量；
结合所述多个第二风险操作事件的有向关系图和所述第一参考聚焦式编码向量，确定第二参考聚焦式编码向量；
结合第二空间映射网络，对所述第二参考聚焦式编码向量进行固定维度空间映射；
结合所述RBF神经元网络，对固定维度空间映射后的所述第二参考聚焦式编码向量进行处理，获得所述多个第二风险操作事件的参考聚焦式表征向量信息。
7.根据权利要求2所述的针对于数字化业务软件应用的异常分析方法，其特征在于，所述欺诈决策结果包括所述风险操作行为数据的欺诈节点数据；
所述结合各所述第一风险操作事件的欺诈节点数据，对所述风险操作行为数据进行欺诈节点数据输出，获得所述风险操作行为数据的欺诈决策结果，通过以下步骤实现：
结合每个欺诈节点数据对应的第一风险操作事件的聚焦节点，确定所述每个欺诈节点数据所对应的欺诈影响参数；
结合所述每个欺诈节点数据所对应的欺诈影响参数，对所述风险操作行为数据进行欺诈节点数据输出，获得所述风险操作行为数据的欺诈决策结果。
8.根据权利要求2所述的针对于数字化业务软件应用的异常分析方法，其特征在于，所述结合所述多个第一风险操作事件的聚焦式操作事件进行欺诈决策，获得各所述第一风险操作事件的欺诈节点数据，通过以下步骤实现：
针对每个第一风险操作事件的聚焦式操作事件，结合所述聚焦式操作事件中多个风险要素特征之间的风险操作行为关系，对所述聚焦式操作事件中多个风险要素特征对应的聚焦权重值进行调整；
结合调整后的所述聚焦式操作事件中每个聚焦权重值对应的风险要素特征的聚焦节点，获得所述第一风险操作事件的欺诈节点数据。
9.根据权利要求2所述的针对于数字化业务软件应用的异常分析方法，其特征在于，所述方法还包括：
对所述多个第一风险操作事件的聚焦式操作事件进行关联配置，获得所述风险操作行为数据的聚焦式操作事件，所述风险操作行为数据的聚焦式操作事件表征所述风险操作行为数据中聚焦式风险操作行为的操作事件；
或者，对调整后的所述多个第一风险操作事件的聚焦式操作事件进行关联配置，获得所述风险操作行为数据的聚焦式操作事件。
10.一种AI决策系统，其特征在于，所述AI决策系统包括处理器和机器可读存储介质，该机器可读存储介质中存储有机器可执行指令，该机器可执行指令由该处理器加载并执行以实现权利要求1-9中任意一项的针对于数字化业务软件应用的异常分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310496969.1A CN116611069B (zh) | 2023-05-05 | 2023-05-05 | 针对于数字化业务软件应用的异常分析方法及ai决策系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310496969.1A CN116611069B (zh) | 2023-05-05 | 2023-05-05 | 针对于数字化业务软件应用的异常分析方法及ai决策系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116611069A true CN116611069A (zh) | 2023-08-18 |
| CN116611069B CN116611069B (zh) | 2024-03-08 |
Family
ID=87679196
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310496969.1A Active CN116611069B (zh) | 2023-05-05 | 2023-05-05 | 针对于数字化业务软件应用的异常分析方法及ai决策系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116611069B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140081699A1 (en) * | 2004-02-13 | 2014-03-20 | Fis Financial Compliance Solutions, Llc | Systems and methods for monitoring and detecting fraudulent uses of business applications |
| CN108322473A (zh) * | 2018-02-12 | 2018-07-24 | 北京京东金融科技控股有限公司 | 用户行为分析方法与装置 |
| US20180253737A1 (en) * | 2017-03-06 | 2018-09-06 | International Business Machines Corporation | Dynamicall Evaluating Fraud Risk |
| US20190095919A1 (en) * | 2017-09-22 | 2019-03-28 | Jpmorgan Chase Bank, N.A. | System and method for integrating cyber fraud intelligence and payment risk decisions |
| CN111445259A (zh) * | 2018-12-27 | 2020-07-24 | 中国移动通信集团辽宁有限公司 | 业务欺诈行为的确定方法、装置、设备及介质 |
| CN113343073A (zh) * | 2021-06-11 | 2021-09-03 | 广州兴晟通讯科技有限公司 | 基于大数据和人工智能的信息欺诈识别方法及大数据系统 |
| CN114445088A (zh) * | 2022-01-13 | 2022-05-06 | 内蒙古蒙商消费金融股份有限公司 | 一种欺诈行为的判定方法、装置、电子设备和存储介质 |
| US20220366430A1 (en) * | 2021-05-14 | 2022-11-17 | At&T Intellectual Property I, L.P. | Data stream based event sequence anomaly detection for mobility customer fraud analysis |
-
2023
- 2023-05-05 CN CN202310496969.1A patent/CN116611069B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140081699A1 (en) * | 2004-02-13 | 2014-03-20 | Fis Financial Compliance Solutions, Llc | Systems and methods for monitoring and detecting fraudulent uses of business applications |
| US20180253737A1 (en) * | 2017-03-06 | 2018-09-06 | International Business Machines Corporation | Dynamicall Evaluating Fraud Risk |
| US20190095919A1 (en) * | 2017-09-22 | 2019-03-28 | Jpmorgan Chase Bank, N.A. | System and method for integrating cyber fraud intelligence and payment risk decisions |
| CN108322473A (zh) * | 2018-02-12 | 2018-07-24 | 北京京东金融科技控股有限公司 | 用户行为分析方法与装置 |
| CN111445259A (zh) * | 2018-12-27 | 2020-07-24 | 中国移动通信集团辽宁有限公司 | 业务欺诈行为的确定方法、装置、设备及介质 |
| US20220366430A1 (en) * | 2021-05-14 | 2022-11-17 | At&T Intellectual Property I, L.P. | Data stream based event sequence anomaly detection for mobility customer fraud analysis |
| CN113343073A (zh) * | 2021-06-11 | 2021-09-03 | 广州兴晟通讯科技有限公司 | 基于大数据和人工智能的信息欺诈识别方法及大数据系统 |
| CN114445088A (zh) * | 2022-01-13 | 2022-05-06 | 内蒙古蒙商消费金融股份有限公司 | 一种欺诈行为的判定方法、装置、电子设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116611069B (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230316076A1 (en) | Unsupervised Machine Learning System to Automate Functions On a Graph Structure | |
| Denouden et al. | Improving reconstruction autoencoder out-of-distribution detection with mahalanobis distance | |
| US20190378049A1 (en) | Ensemble of machine learning engines coupled to a graph structure that spreads heat | |
| US20190378050A1 (en) | Machine learning system to identify and optimize features based on historical data, known patterns, or emerging patterns | |
| US20220094709A1 (en) | Automatic Machine Learning Vulnerability Identification and Retraining | |
| CN111818093B (zh) | 用于进行风险评估的神经网络系统、方法及装置 | |
| US11070585B2 (en) | Systems and methods configuring a unified threat machine learning model for joint content and user threat detection | |
| KR102359090B1 (ko) | 실시간 기업정보시스템 이상행위 탐지 서비스를 제공하는 방법과 시스템 | |
| CN111967565A (zh) | 用于进行风险评估的神经网络系统、方法及装置 | |
| Huo et al. | Graph autoencoders for business process anomaly detection | |
| CN113449011A (zh) | 基于大数据预测的信息推送更新方法及大数据预测系统 | |
| Shakya | Application of machine learning techniques in credit card fraud detection | |
| CN114663957A (zh) | 人脸检测方法、人脸检测模型的训练方法及装置 | |
| CN112668697B (zh) | 一种无人机飞控控制参数的模糊测试方法及系统 | |
| Kim et al. | Automated, reliable zero-day malware detection based on autoencoding architecture | |
| Zhang et al. | Generalizing universal adversarial perturbations for deep neural networks | |
| CN116805039B (zh) | 特征筛选方法、装置、计算机设备和数据扰动方法 | |
| Yang et al. | Efficient and persistent backdoor attack by boundary trigger set constructing against federated learning | |
| CN116611069B (zh) | 针对于数字化业务软件应用的异常分析方法及ai决策系统 | |
| CN114841705B (zh) | 一种基于场景识别的反欺诈监测方法 | |
| CN116232925A (zh) | 基于数字金融服务的大数据挖掘方法及系统 | |
| CN112115443B (zh) | 一种终端用户鉴权方法及系统 | |
| Faghan et al. | Adversarial attacks on deep algorithmic trading policies | |
| Chen et al. | Temporal action detection with dynamic weights based on curriculum learning | |
| Zhu et al. | Collaborative local-global learning for temporal action proposal |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20231018 Address after: No. 214 Heping Road, Guangyang District, Langfang City, Hebei Province, 065000 Applicant after: Zhang Ning Address before: No. 1-105 Yuhua Road, Guangyang District, Langfang City, Hebei Province, 065000 Applicant before: Langfang Hantong Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240131 Address after: Chinatelecom tower, No. 19, Chaoyangmen North Street, Dongcheng District, Beijing 100010 Applicant after: Tianyi Safety Technology Co.,Ltd. Country or region after: China Address before: No. 214 Heping Road, Guangyang District, Langfang City, Hebei Province, 065000 Applicant before: Zhang Ning Country or region before: China |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |