CN116797226B - 一种基于大数据的咖啡现货交易的信息安全的评估方法 - Google Patents
一种基于大数据的咖啡现货交易的信息安全的评估方法 Download PDFInfo
- Publication number
- CN116797226B CN116797226B CN202310220460.4A CN202310220460A CN116797226B CN 116797226 B CN116797226 B CN 116797226B CN 202310220460 A CN202310220460 A CN 202310220460A CN 116797226 B CN116797226 B CN 116797226B
- Authority
- CN
- China
- Prior art keywords
- transaction
- value
- account
- transaction account
- security
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000002159 abnormal effect Effects 0.000 claims abstract description 48
- 238000011156 evaluation Methods 0.000 claims abstract description 34
- 238000012795 verification Methods 0.000 claims abstract description 25
- 230000005856 abnormality Effects 0.000 claims abstract description 9
- 230000005540 biological transmission Effects 0.000 claims abstract description 8
- 238000010801 machine learning Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 238000013210 evaluation model Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 238000013178 mathematical model Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 239000002245 particle Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于大数据的咖啡现货交易信息安全的评估方法,属于信息安全技术领域,具体包括:基于现货交易的交易账户的登录验证可信值、支付校验可信值、历史异常交易次数、数据传输加密方式得到交易账户的风险等级,并基于风险等级确定交易次数阈值以及交易金额阈值,并通过其判断交易账户的近一小时的交易次数或者交易金额存在疑似异常时,基于交易账户的日志确定是否存在异常,并当未存在异常时,基于交易账户的近一周的交易次数、交易金额、疑似异常次数、风险等级,确定交易账户的信息安全的评估值,并基于评估值对交易次数阈值以及交易金额阈值进行修正,从而进一步提升了现货交易的安全性,降低了潜在风险。
Description
技术领域
本发明属于信息安全技术领域,尤其涉及一种基于大数据的咖啡现货交易的信息安全的评估方法。
背景技术
为了实现对现货交易过程中的信息安全的评估和提升,在授权发明专利授权公告号CN107103470B《一种提高现货交易过程中信息安全的方法》中通过分析日志表判断资金是否出现异常,如果资金出现异常则查找定位资金异常原因,并提供预警信息。该方法通过对数据库分析日志表记录进行分析,找到异常根本原因,及时进行异常预警,同时将结算结果、分析异常结果可视化展现给平台管理人员,便于平台管理人员定位问题及处理,但是却存在以下技术问题:
1、未考虑对咖啡现货交易过程中的信息安全的风险和情况进行实时评估,由于咖啡现货交易过程中存在较大的资金风险,因此若不能对信息安全进行实时评估,而是当资金存在异常时再根据日志分析进行异常的诊断,则有可能会导致不必要的资金损失。
2、未考虑基于登录信息、交易验证信息、信息加密方式等实现对交易风险的评估,不仅会导致交易风险的评估结果不够准确,同时也有可能导致咖啡的现货交易的资金的安全风险大大增加。
针对上述技术问题,本发明提供了一种基于大数据的咖啡现货交易的信息安全的评估方法。
发明内容
为实现本发明目的,本发明采用如下技术方案:
根据本发明的一个方面,提供了一种基于大数据的咖啡现货交易的信息安全的评估方法。
一种基于大数据的咖啡现货交易信息安全的评估方法,其特征在于,具体包括:
S11基于现货交易的交易账户的登录验证可信值、支付校验可信值、历史异常交易次数、数据传输加密方式,采用基于机器学习算法的评估模型,得到所述交易账户的风险等级,并基于所述风险等级确定所述交易账户的交易次数阈值以及交易金额阈值;
S12基于所述交易账户的交易次数阈值以及交易金额阈值,判断所述交易账户的近一小时的交易次数或者交易金额是否存在疑似异常,若是,则进入步骤S14,若否,则进入步骤S13;
S13判断所述交易账户的近一周的交易次数或者交易金额是否存在疑似异常,若是,则进入步骤S14,若否,则返回步骤S12;
S14基于所述交易账户的日志,确定所述交易账户是否存在异常,并当未存在异常时,基于所述交易账户的近一周的交易次数、交易金额、疑似异常次数、风险等级,确定所述交易账户的信息安全的评估值,并基于所述评估值对所述交易次数阈值以及交易金额阈值进行修正,返回步骤S12按照修正后的交易次数阈值以及交易金额阈值进行疑似异常状态的评估。
通过基于现货交易的交易账户的登录验证可信值、支付校验可信值、历史异常交易次数、数据传输加密方式,采用基于机器学习算法的评估模型,得到所述交易账户的风险等级,并根据风险等级进行阈值的确定,从而实现了从多方面对不同交易账户的风险等级的确认,保证了对不同的交易账户的区别性管理,同时也实现了对风险账户的识别,防止风险的进一步发生。
通过基于一小时乃至一周内的交易次数或者交易金额的疑似异常的情况的识别,从而实现了对异常交易的识别,从而使得账户在存在异常的状态能够被及时识别,提升识别的效率,并且降低了账户的出现损失的概率和可能性。
通过基于所述交易账户的近一周的交易次数、交易金额、疑似异常次数、风险等级,确定所述交易账户的信息安全的评估值,并基于所述评估值对所述交易次数阈值以及交易金额阈值进行修正,从而实现了对交易账户的信息安全的状态的多角度的准确评估,保证了账户的信息安全,并且通过对阈值的修正,从而使得能够更加及时准确的发现账户的异常。
另一方面,本申请实施例中提供一种计算机系统,包括:通信连接的存储器和处理器,以及存储在所述存储器上并能 够在所述处理器上运行的计算机程序,其特征在于:所述处理器运行所述计算机程序时上述一种基于大数据的咖啡现货交易信息安全的评估方法。
另一方面,本发明提供了一种计算机存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行上述的一种基于大数据的咖啡现货交易信息安全的评估方法。
其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
通过参照附图详细描述其示例实施方式,本发明的上述和其它特征及优点将变得更加明显;
图1是一种计算机系统的框架图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的实施方式;相反,提供这些实施方式使得本发明将全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。图中相同的附图标记表示相同或类似的结构,因而将省略它们的详细描述。
用语“一个”、“一”、“该”、“所述”用以表示存在一个或多个要素/组成部分/等;用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等。
申请人发现,在进行咖啡现货的交易业务处理时,存在着一定的信息安全风险,原有的技术方案忽视了对咖啡现货交易过程中的信息安全的风险和情况进行实时评估,由于咖啡现货交易过程中存在较大的资金风险,因此若不能对信息安全进行实时评估有可能会导致不必要的资金损失;同时未考虑基于登录信息、交易验证信息、信息加密方式等实现对交易风险的评估,不仅会导致交易风险的评估结果不够准确,同时也有可能导致咖啡的现货交易的资金的安全风险大大增加。
实施例1
为解决上述问题,根据本发明的一个方面,提供了一种基于大数据的咖啡现货交易信息安全的评估方法,其特征在于,具体包括:
S11基于现货交易的交易账户的登录验证可信值、支付校验可信值、历史异常交易次数、数据传输加密方式,采用基于机器学习算法的评估模型,得到所述交易账户的风险等级,并基于所述风险等级确定所述交易账户的交易次数阈值以及交易金额阈值;
具体的,所述登录验证可信值根据登录验证的身份验证方式和身份验证次数,采用基于层次分析法的数学模型进行确定,取值范围在0到1之间,其中所述登录验证可信值越大,则登录验证方式的可信度越高。
具体的举个例子,身份验证方式根据可信度的不同分为0.3,0.5,1三种,身份验证次数分为1,2,3次及以上,通过构建数学模型,将上述数据代入其中,从而可以得到登录验证可信度。
具体的,交易账户的风险等级的评估的具体步骤为:
S21基于所述交易账户的登录验证可信值、支付校验可信值、数据传输加密方式,采用基于机器学习算法的预测模型,得到所述交易账户的基础安全风险值;
具体的,所述基于机器学习算法的预测模型采用基于PSO-SVR算法的预测模型,其中所述预测模型构建的具体步骤为:
1)获取训练样本,并对数据进行归一化处理;
2)初始化PSO-SVR模型,设置PSO算法种群规模为20,粒子的速度搜索区间为[-10,10],位置搜索区间为[-20,20],最大迭代次数T=200,wmax=8;
3)将SVR模型核参数σ和惩罚因子c初始化,为 PSO 算法的粒子位置,根据适应度函数计算粒子初始适应度值;
4) 在算法迭代过程中,每个粒子按照
对自身的速度和位置进行更新,并计算更新后的适应度函数值,其中惯性因子采用
其中d为当前迭代次数,T为最大迭代次数,wmax为最大权值,rand/>为取值范围在0到/>之间的随机取值函数。
5) 判断当前最优个体适应度值是否满足迭代终止条件,或者迭代次数是否达到最大,如果达到终止条件则转至下一步,否则转至步骤4)进行循环迭代;
6)PSO算法迭代终止后,将最优参数输出 SVR进行仿真试验,进行实时预测。
S22判断所述交易账户的基础安全风险值是否小于第一阈值,若是,则基于所述交易账户的基础安全风险值确定所述交易账户的风险等级,若否,则进入步骤S23;
S23基于所述基础安全风险值、所述历史异常交易次数,采用基于机器学习算法的评估模型,得到所述交易账户的风险等级。
具体的举个例子,所述基于机器学习算法的评估模型采用基于SVM算法的评估模型,其中所述评估模型构建的具体步骤为:
(1)导入原始数据,按比例随机划分训练集和测试集,同时对数据进行归一化处理;
(2)对PSO进行初始化参数设置,将训练集代入到PSO中,结合SVM迭代运算,更新权值,得到两个最优参数惩罚因子C和核函数参数g;
(3)将经过PSO计算后的最优参数代入SVM模型中,用测试集进行运算,对得到的数据反归一化,建立分类器模型并输出预测结果,并计算实际结果与预测结果的误差,并当误差小于预设阈值时,输出评估模型。
具体的,所述风险等级包括无风险、中等风险、高风险。
具体的举个例子,对于不同的风险等级均有设定好的交易账户的交易次数阈值以及交易金额阈值,具体的可以采用查表等方式进行确定。
通过基于现货交易的交易账户的登录验证可信值、支付校验可信值、历史异常交易次数、数据传输加密方式,采用基于机器学习算法的评估模型,得到所述交易账户的风险等级,并根据风险等级进行阈值的确定,从而实现了从多方面对不同交易账户的风险等级的确认,保证了对不同的交易账户的区别性管理,同时也实现了对风险账户的识别,防止风险的进一步发生。
S12基于所述交易账户的交易次数阈值以及交易金额阈值,判断所述交易账户的近一小时的交易次数或者交易金额是否存在疑似异常,若是,则进入步骤S14,若否,则进入步骤S13;
具体的,当所述交易账户的近一小时的交易次数大于交易次数阈值或者交易金额大于交易金额阈值时,确定所述交易账户存在疑似异常。
S13判断所述交易账户的近一周的交易次数或者交易金额是否存在疑似异常,若是,则进入步骤S14,若否,则返回步骤S12;
具体的举个例子,在实际操作过程中,可以根据具体的交易次数阈值或者交易金额阈值进行疑似异常的确定,或者根据某一天的交易次数或者交易金额与一周内的其他天之间存在较大差异进行疑似异常的确定。
通过基于一小时乃至一周内的交易次数或者交易金额的疑似异常的情况的识别,从而实现了对异常交易的识别,从而使得账户在存在异常的状态能够被及时识别,提升识别的效率,并且降低了账户的出现损失的概率和可能性。
S14基于所述交易账户的日志,确定所述交易账户是否存在异常,并当未存在异常时,基于所述交易账户的近一周的交易次数、交易金额、疑似异常次数、风险等级,确定所述交易账户的信息安全的评估值,并基于所述评估值对所述交易次数阈值以及交易金额阈值进行修正,返回步骤S12按照修正后的交易次数阈值以及交易金额阈值进行疑似异常状态的评估。
具体的,当所述交易账户的交易金额发生变动,而所述交易账户的咖啡现货未发生变动时,则确定所述交易账户处于异常状态;或者所述交易账户在第一时间阈值内的清仓次数或者提现次数大于第二阈值时,则确定所述交易账户处于异常状态。
具体的,所述交易账户的信息安全的评估值的构建的具体步骤为:
S31基于所述交易账户的近一周的疑似异常次数和所述交易账户的风险等级,采用基于机器学习算法的信息安全评估模型,确定所述交易账户的信息安全的安全评估值;
具体的举个例子,所述基于机器学习算法的信息安全评估模型的构建步骤与上述预测模型的构建步骤类似,此处不再一一赘述。
S32基于所述交易账户的近一周的交易次数和交易金额,采用基于机器学习算法的基础评估模型,得到所述交易账户的信息安全的基础安全评估值;
S33基于所述基础安全评估值和所述安全评估值,采用基于层次分析法的数学模型,得到所述交易账户的信息安全的评估值。
具体的举个例子,所述基础安全评估值和所述安全评估值的权值可以采用熵值法或者专家打分的方式确定,并基于所述权值以及所述基础安全评估值和所述安全评估值,进行交易账户的信息安全的评估值的确定。
具体的举个例子,所述信息安全的评估值的取值范围在0到1之间,一般来说,信息安全的评估值越大,则所述交易账户的信息安全的状态则越安全。
具体的,当所述交易账户的信息安全的评估值小于或者等于第一安全阈值时,基于所述信息安全的评估值对所述交易次数阈值以及交易金额阈值进行修正,使得修正后的交易次数阈值以及交易金额阈值小于修正前的交易次数阈值以及交易金额阈值;当所述交易账户的信息安全的评估值大于第一安全阈值时,则无须对所述交易账户的交易次数阈值以及交易金额阈值进行修正。
具体的举个例子,在实际的修正操作过程中,当信息安全的评估值越小,则交易次数阈值以及交易金额阈值则越小。
通过基于所述交易账户的近一周的交易次数、交易金额、疑似异常次数、风险等级,确定所述交易账户的信息安全的评估值,并基于所述评估值对所述交易次数阈值以及交易金额阈值进行修正,从而实现了对交易账户的信息安全的状态的多角度的准确评估,保证了账户的信息安全,并且通过对阈值的修正,从而使得能够更加及时准确的发现账户的异常。
实施例2
本申请实施例中提供一种计算机系统,包括:通信连接的存储器和处理器,以及存储在所述存储器上并能 够在所述处理器上运行的计算机程序,其特征在于:所述处理器运行所述计算机程序时上述一种基于大数据的咖啡现货交易信息安全的评估方法。
具体的,本实施例还提供了一种计算机系统,该计算机系统包括通过系统总线连接的处理器、存储器、网络接口和数据库;其中,该计算机系统的处理器用于提供计算和控制能力;该计算机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、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。该计算机设备网络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上述的一种基于大数据的咖啡现货交易信息安全的评估方法。
实施例3
如图1所示,本发明提供了一种计算机存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行上述的一种基于大数据的咖啡现货交易信息安全的评估方法。
具体的,本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以 通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可 包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM (PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括 随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得, 诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强 型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM (RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统和方法,也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的系统、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,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方式中,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,两个连续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,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动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。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (7)
1.一种基于大数据的咖啡现货交易信息安全的评估方法,其特征在于,具体包括:
S11基于现货交易的交易账户的登录验证可信值、支付校验可信值、历史异常交易次数、数据传输加密方式,采用基于机器学习算法的评估模型,得到所述交易账户的风险等级,并基于所述风险等级确定所述交易账户的交易次数阈值以及交易金额阈值;
所述交易账户的风险等级的评估的具体步骤为:
基于所述交易账户的登录验证可信值、支付校验可信值、数据传输加密方式,采用基于机器学习算法的预测模型,得到所述交易账户的基础安全风险值;
判断所述交易账户的基础安全风险值是否小于第一阈值,若是,则基于所述交易账户的基础安全风险值确定所述交易账户的风险等级,若否,则进入下一步骤;
基于所述基础安全风险值、所述历史异常交易次数,采用基于机器学习算法的评估模型,得到所述交易账户的风险等级;
S12基于所述交易账户的交易次数阈值以及交易金额阈值,判断所述交易账户的近一小时的交易次数或者交易金额是否存在疑似异常,若是,则进入步骤S14,若否,则进入步骤S13;
S13判断所述交易账户的近一周的交易次数或者交易金额是否存在疑似异常,若是,则进入步骤S14,若否,则返回步骤S12;
S14基于所述交易账户的日志,确定所述交易账户是否存在异常,并当未存在异常时,基于所述交易账户的近一周的交易次数、交易金额、疑似异常次数、风险等级,确定所述交易账户的信息安全的评估值,并基于所述评估值对所述交易次数阈值以及交易金额阈值进行修正,返回步骤S12按照修正后的交易次数阈值以及交易金额阈值进行疑似异常状态的评估;
当所述交易账户的交易金额发生变动,而所述交易账户的咖啡现货未发生变动时,则确定所述交易账户处于异常状态;或者所述交易账户在第一时间阈值内的清仓次数或者提现次数大于第二阈值时,则确定所述交易账户处于异常状态;
所述交易账户的信息安全的评估值的构建的具体步骤为:
基于所述交易账户的近一周的疑似异常次数和所述交易账户的风险等级,采用基于机器学习算法的信息安全评估模型,确定所述交易账户的信息安全的安全评估值;
基于所述交易账户的近一周的交易次数和交易金额,采用基于机器学习算法的基础评估模型,得到所述交易账户的信息安全的基础安全评估值;
基于所述基础安全评估值和所述安全评估值,采用基于层次分析法的数学模型,得到所述交易账户的信息安全的评估值。
2.如权利要求1所述的基于大数据的咖啡现货交易信息安全的评估方法,其特征在于,所述登录验证可信值根据登录验证的身份验证方式和身份验证次数,采用基于层次分析法的数学模型进行确定,取值范围在0到1之间,其中所述登录验证可信值越大,则登录验证方式的可信度越高。
3.如权利要求1所述的基于大数据的咖啡现货交易信息安全的评估方法,其特征在于,所述风险等级包括无风险、中等风险、高风险。
4.如权利要求1所述的基于大数据的咖啡现货交易信息安全的评估方法,其特征在于,当所述交易账户的近一小时的交易次数大于交易次数阈值或者交易金额大于交易金额阈值时,确定所述交易账户存在疑似异常。
5.如权利要求1所述的基于大数据的咖啡现货交易信息安全的评估方法,其特征在于,当所述交易账户的信息安全的评估值小于或者等于第一安全阈值时,基于所述信息安全的评估值对所述交易次数阈值以及交易金额阈值进行修正,使得修正后的交易次数阈值以及交易金额阈值小于修正前的交易次数阈值以及交易金额阈值;当所述交易账户的信息安全的评估值大于第一安全阈值时,则无须对所述交易账户的交易次数阈值以及交易金额阈值进行修正。
6.一种计算机系统,包括:通信连接的存储器和处理器,以及存储在所述存储器上并能够在所述处理器上运行的计算机程序,其特征在于:所述处理器运行所述计算机程序时执行权利要求1-5任一项所述的一种基于大数据的咖啡现货交易信息安全的评估方法。
7.一种计算机存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行权利要求1-5任一项所述的一种基于大数据的咖啡现货交易信息安全的评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310220460.4A CN116797226B (zh) | 2023-03-09 | 2023-03-09 | 一种基于大数据的咖啡现货交易的信息安全的评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310220460.4A CN116797226B (zh) | 2023-03-09 | 2023-03-09 | 一种基于大数据的咖啡现货交易的信息安全的评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116797226A CN116797226A (zh) | 2023-09-22 |
CN116797226B true CN116797226B (zh) | 2024-02-09 |
Family
ID=88033386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310220460.4A Active CN116797226B (zh) | 2023-03-09 | 2023-03-09 | 一种基于大数据的咖啡现货交易的信息安全的评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116797226B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117852019B (zh) * | 2024-03-06 | 2024-05-24 | 天逸财金科技服务(武汉)有限公司 | 基于密码学的数字资产流转方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108062629A (zh) * | 2017-12-26 | 2018-05-22 | 平安科技(深圳)有限公司 | 交易事件的处理方法、终端设备及介质 |
CN108133372A (zh) * | 2017-12-28 | 2018-06-08 | 阿里巴巴集团控股有限公司 | 评估支付风险的方法及装置 |
CN108665366A (zh) * | 2018-04-27 | 2018-10-16 | 平安科技(深圳)有限公司 | 确定用户风险等级的方法、终端设备及计算机可读存储介质 |
CN111882432A (zh) * | 2020-08-07 | 2020-11-03 | 中国工商银行股份有限公司 | 处理业务请求的方法、装置、计算设备和介质 |
CN112488719A (zh) * | 2020-11-17 | 2021-03-12 | 中信银行股份有限公司 | 一种账户风险识别方法和装置 |
CN115271957A (zh) * | 2022-08-11 | 2022-11-01 | 赵松涛 | 基于云计算的金融风险分析评估系统及方法 |
CN115564449A (zh) * | 2022-10-25 | 2023-01-03 | 中国工商银行股份有限公司 | 交易账户的风险管控方法、装置及电子设备 |
CN115660686A (zh) * | 2022-03-02 | 2023-01-31 | 中国工商银行股份有限公司 | 交易风险评估方法、装置、设备、存储介质和程序产品 |
-
2023
- 2023-03-09 CN CN202310220460.4A patent/CN116797226B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108062629A (zh) * | 2017-12-26 | 2018-05-22 | 平安科技(深圳)有限公司 | 交易事件的处理方法、终端设备及介质 |
CN108133372A (zh) * | 2017-12-28 | 2018-06-08 | 阿里巴巴集团控股有限公司 | 评估支付风险的方法及装置 |
CN108665366A (zh) * | 2018-04-27 | 2018-10-16 | 平安科技(深圳)有限公司 | 确定用户风险等级的方法、终端设备及计算机可读存储介质 |
CN111882432A (zh) * | 2020-08-07 | 2020-11-03 | 中国工商银行股份有限公司 | 处理业务请求的方法、装置、计算设备和介质 |
CN112488719A (zh) * | 2020-11-17 | 2021-03-12 | 中信银行股份有限公司 | 一种账户风险识别方法和装置 |
CN115660686A (zh) * | 2022-03-02 | 2023-01-31 | 中国工商银行股份有限公司 | 交易风险评估方法、装置、设备、存储介质和程序产品 |
CN115271957A (zh) * | 2022-08-11 | 2022-11-01 | 赵松涛 | 基于云计算的金融风险分析评估系统及方法 |
CN115564449A (zh) * | 2022-10-25 | 2023-01-03 | 中国工商银行股份有限公司 | 交易账户的风险管控方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116797226A (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829776B (zh) | 商户风险评估方法、装置、计算机设备和存储介质 | |
EP3931729B1 (en) | Online application origination (oao) service for fraud prevention systems | |
CN116797226B (zh) | 一种基于大数据的咖啡现货交易的信息安全的评估方法 | |
CN116029876B (zh) | 智慧校园综合管理装置与方法 | |
US20180253737A1 (en) | Dynamicall Evaluating Fraud Risk | |
CN111639798A (zh) | 智能的预测模型选择方法及装置 | |
CN113298638B (zh) | 根因定位方法、电子设备及存储介质 | |
CN116257884B (zh) | 一种基于流量分析的电商平台客户数据处理方法与系统 | |
CN112819611A (zh) | 欺诈识别方法、装置、电子设备和计算机可读存储介质 | |
CN112801456A (zh) | 资金流动性风险预警方法、装置和电子设备 | |
CN117390545A (zh) | 一种风险评估方法 | |
CN116737597A (zh) | 测试用例处理方法、系统与存储介质 | |
CN110020939B (zh) | 建立违约损失率预测模型的装置、方法及存储介质 | |
CN111541703B (zh) | 终端设备认证方法、装置、计算机设备及存储介质 | |
CN116389108A (zh) | Ab实验方法、系统与存储介质 | |
CN116994167A (zh) | 一种基于机器学习算法的网站安全监测方法 | |
US11580786B2 (en) | Updating method for configuration parameters of electronic device, device and computer-readable medium | |
CN116938505A (zh) | 一种失陷主机检测方法及相关装置 | |
CN114792007A (zh) | 代码检测方法、装置、设备、存储介质和计算机程序产品 | |
CN112734099A (zh) | 企业风险的预测方法、装置及服务器 | |
Görgen et al. | Predicting value at risk for cryptocurrencies with generalized random forests | |
CN118333633B (zh) | 基于大数据的债权债务台账管理系统及方法 | |
Yang et al. | Assessing Markov property in multistate transition models with applications to credit risk modeling | |
CN116627949A (zh) | 一种基于查询语句分析的数据库运维方法 | |
WO2023169733A1 (en) | Method and device for monitoring of network events |
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 |