CN116860476A - 一种信用风险筛查任务处理方法及装置 - Google Patents
一种信用风险筛查任务处理方法及装置 Download PDFInfo
- Publication number
- CN116860476A CN116860476A CN202310768497.0A CN202310768497A CN116860476A CN 116860476 A CN116860476 A CN 116860476A CN 202310768497 A CN202310768497 A CN 202310768497A CN 116860476 A CN116860476 A CN 116860476A
- Authority
- CN
- China
- Prior art keywords
- data
- screening
- credit risk
- rating
- middleware
- 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
- 238000012216 screening Methods 0.000 title claims abstract description 317
- 238000003672 processing method Methods 0.000 title claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 145
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000012544 monitoring process Methods 0.000 claims abstract description 23
- 238000003860 storage Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/54—Interprogram communication
- G06F9/546—Message passing systems or structures, e.g. queues
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
- G06F16/275—Synchronous replication
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/54—Indexing scheme relating to G06F9/54
- G06F2209/547—Messaging middleware
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种信用风险筛查任务处理方法及装置，涉及风险处理技术领域，可用于金融领域或其他技术领域。所述方法包括：存储评级数据至实时数据仓库，并将所述实时数据仓库中的评级数据同步至数据中间件；获取固收库数据，通过所述数据中间件中的评级数据和所述固收库数据确定信用风险筛查任务，通过数据分布式处理引擎监听所述信用风险筛查任务，并从数据中间件消息队列中获取筛查数据；获取与筛查数据类型相对应的业务筛查逻辑规则，并执行所述业务筛查逻辑规则，得到信用风险筛查任务处理结果。所述装置执行上述方法。本发明实施例提供的方法及装置，能够及时处理信用风险筛查任务，且方便维护业务筛查逻辑规则。
Description
技术领域
本发明涉及风险处理技术领域，具体涉及一种信用风险筛查任务处理方法及装置。
背景技术
目前受托投资监管系统的信用筛查模块需要选择固收库、中金评级，中信评级，行内评级数据等，通过对所选固收库中融资主体和担保主体字段的评级与用户自定义的业务筛查逻辑规则做匹配，通过匹配的结果判断所选固收库中的每个产品的信用风险状况，由此来制定投资策略。
而融资主体的数据、评级等相关数据，由客户上传文件完成后至T+2开始做数据入湖处理，再通过由oracle编写的存储过程做数据清洗操作后录入到oracle表里。自定义的业务筛查逻辑规则由web端录入存储到表中，且需要通过修改代码的方式来实现对业务筛查逻辑规则进行修改。筛查任务是由web端创建，创建任务时选择要筛查的固收库和相关的评级数据(中金评级，中信评级，行内评级)，提交筛查任务到服务端的定时任务队列中，由定时任务模块扫描筛查任务表，扫描到表中的新提交的筛查任务后做筛查任务逻辑处理，并将筛查结果入库到单点oracle数据库的结果表中。
但是，上述现有方法存在信用风险筛查任务处理不及时，且业务筛查逻辑规则维护不便的技术问题。
发明内容
针对现有技术中的问题，本发明实施例提供一种信用风险筛查任务处理方法及装置，能够至少部分地解决现有技术中存在的问题。
一方面，本发明提出一种信用风险筛查任务处理方法，包括：
存储评级数据至实时数据仓库，并将所述实时数据仓库中的评级数据同步至数据中间件；
获取固收库数据，通过所述数据中间件中的评级数据和所述固收库数据确定信用风险筛查任务，通过数据分布式处理引擎监听所述信用风险筛查任务，并从数据中间件消息队列中获取筛查数据；
获取与筛查数据类型相对应的业务筛查逻辑规则，并执行所述业务筛查逻辑规则，得到信用风险筛查任务处理结果；所述业务筛查逻辑规则预先基于规则引擎配置完成。
其中，所述存储评级数据至实时数据仓库，包括：
从数据湖中获取评级数据，并将所述评级数据写入到数据中间件消息队列中；
通过数据分布式处理引擎处理所述数据中间件消息队列中的评级数据，将数据处理结果存储至所述实时数据仓库。
其中，所述通过数据分布式处理引擎处理所述数据中间件消息队列中的评级数据，包括：
通过所述数据分布式处理引擎获取消息主题，并将与每个消息主题分别对应的数据转换为数据流；
对各数据流进行关联操作，将关联操作处理结果作为所述数据处理结果。
其中，所述通过所述数据中间件中的评级数据和所述固收库数据确定信用风险筛查任务，包括：
响应于用户根据所述评级数据和所述固收库数据选择的目标评级数据和目标固收库数据，确定所述信用风险筛查任务。
其中，所述通过数据分布式处理引擎监听所述信用风险筛查任务，并从数据中间件消息队列中获取筛查数据，包括：
所述数据分布式处理引擎将数据写入状态中；
从上下文中获取状态数据，根据状态数据对数据流进行处理，得到筛查数据的数据流。
其中，所述获取与筛查数据类型相对应的业务筛查逻辑规则，包括：
在所述规则引擎配置完成所述业务筛查逻辑规则后，将所述业务筛查逻辑规则存储至关系型数据库中；
将所述关系型数据库中的业务筛查逻辑规则同步至所述数据中间件的对应消息主题中；
通过所述数据分布式处理引擎从每个消息主题中获取对应的业务筛查逻辑规则。
其中，在所述执行所述业务筛查逻辑规则，得到信用风险筛查任务处理结果的步骤之后，所述信用风险筛查任务处理方法还包括：
在监听得到所述信用风险筛查任务处理结果之后，将所述信用风险筛查任务处理结果推送至目标客户端，以供所述目标客户端显示所述信用风险筛查任务处理结果。
一方面，本发明提出一种信用风险筛查任务处理装置，包括：
存储单元，用于存储评级数据至实时数据仓库，并将所述实时数据仓库中的评级数据同步至数据中间件；
获取单元，用于获取固收库数据，通过所述数据中间件中的评级数据和所述固收库数据确定信用风险筛查任务，通过数据分布式处理引擎监听所述信用风险筛查任务，并从数据中间件消息队列中获取筛查数据；
执行单元，用于获取与筛查数据类型相对应的业务筛查逻辑规则，并执行所述业务筛查逻辑规则，得到信用风险筛查任务处理结果；所述业务筛查逻辑规则预先基于规则引擎配置完成。
再一方面，本发明实施例提供一种电子设备，包括：处理器、存储器和总线，其中，
所述处理器和所述存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如下方法：
存储评级数据至实时数据仓库，并将所述实时数据仓库中的评级数据同步至数据中间件；
获取固收库数据，通过所述数据中间件中的评级数据和所述固收库数据确定信用风险筛查任务，通过数据分布式处理引擎监听所述信用风险筛查任务，并从数据中间件消息队列中获取筛查数据；
获取与筛查数据类型相对应的业务筛查逻辑规则，并执行所述业务筛查逻辑规则，得到信用风险筛查任务处理结果；所述业务筛查逻辑规则预先基于规则引擎配置完成。
本发明实施例提供一种非暂态计算机可读存储介质，包括：
所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如下方法：
存储评级数据至实时数据仓库，并将所述实时数据仓库中的评级数据同步至数据中间件；
获取固收库数据，通过所述数据中间件中的评级数据和所述固收库数据确定信用风险筛查任务，通过数据分布式处理引擎监听所述信用风险筛查任务，并从数据中间件消息队列中获取筛查数据；
获取与筛查数据类型相对应的业务筛查逻辑规则，并执行所述业务筛查逻辑规则，得到信用风险筛查任务处理结果；所述业务筛查逻辑规则预先基于规则引擎配置完成。
本发明实施例提供的信用风险筛查任务处理方法及装置，存储评级数据至实时数据仓库，并将所述实时数据仓库中的评级数据同步至数据中间件；获取固收库数据，通过所述数据中间件中的评级数据和所述固收库数据确定信用风险筛查任务，通过数据分布式处理引擎监听所述信用风险筛查任务，并从数据中间件消息队列中获取筛查数据；获取与筛查数据类型相对应的业务筛查逻辑规则，并执行所述业务筛查逻辑规则，得到信用风险筛查任务处理结果；所述业务筛查逻辑规则预先基于规则引擎配置完成，能够及时处理信用风险筛查任务，且方便维护业务筛查逻辑规则。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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。在附图中：
图1是本发明一实施例提供的信用风险筛查任务处理方法的流程示意图。
图2是本发明另一实施例提供的信用风险筛查任务处理方法的流程示意图。
图3是本发明另一实施例提供的信用风险筛查任务处理方法的流程示意图。
图4是本发明一实施例提供的信用风险筛查任务处理装置的结构示意图。
图5为本发明实施例提供的电子设备实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
图1是本发明一实施例提供的信用风险筛查任务处理方法的流程示意图，如图1所示，本发明实施例提供的信用风险筛查任务处理方法，包括：
步骤S1：存储评级数据至实时数据仓库，并将所述实时数据仓库中的评级数据同步至数据中间件。
步骤S2：获取固收库数据，通过所述数据中间件中的评级数据和所述固收库数据确定信用风险筛查任务，通过数据分布式处理引擎监听所述信用风险筛查任务，并从数据中间件消息队列中获取筛查数据。
步骤S3：获取与筛查数据类型相对应的业务筛查逻辑规则，并执行所述业务筛查逻辑规则，得到信用风险筛查任务处理结果；所述业务筛查逻辑规则预先基于规则引擎配置完成。
在上述步骤S1中，装置存储评级数据至实时数据仓库，并将所述实时数据仓库中的评级数据同步至数据中间件。装置可以是执行该方法的计算机设备，例如可以包括服务器等。需要说明是，本发明实施例涉及用户数据的获取及分析是经用户授权的。实时数据仓库可以具体是Hologres，Hologres提供维表关联点查、结果缓存，复杂实时交互、离线查询和联邦查询等，这样Hologres作为业务系统的数据入口。在线系统可以通过PostgreSQL生态在Hologres中访问数据，无需对接其他系统，这样也能解决之前的系统查询和存储的问题。
数据中间件可以具体是kafka。kafka中的消息主题(即topic可按筛查数据类型制定)。
所述存储评级数据至实时数据仓库，包括：
从数据湖中获取评级数据，并将所述评级数据写入到数据中间件消息队列中；数据湖可以具体是hiveSQL。数据中间件消息队列，即是kafka消息队列。
通过数据分布式处理引擎处理所述数据中间件消息队列中的评级数据，将数据处理结果存储至所述实时数据仓库。数据分布式处理引擎可以具体是Flink。
所述通过数据分布式处理引擎处理所述数据中间件消息队列中的评级数据，包括：
通过所述数据分布式处理引擎获取消息主题，并将与每个消息主题分别对应的数据转换为数据流；Flink获取topic，将与每个topic对应的数据转换为数据流，将各类型评级的数据(即筛查数据类型)缓存在windowstate中。
对各数据流进行关联操作，将关联操作处理结果作为所述数据处理结果。至少两条数据流在窗口中定义好关联条件，即通过固收库数据中的融资主体id关联，窗口触发计算时，执行join操作(即关联操作)。这里得到的是各个主体创建存储函数，将join的结果直接存储到Hologres中。
如图2所示，进一步说明如下：
101：从数据湖中获取评级数据，并写入到到kafka消息队列中。
102：kafka中存放对应topic的评级数据。
103：Flink流式存储引擎流通过keyBy(id),intervalJoin算子在关联窗口内完成join操作，通过右流相对左流偏移的时间区间作为关联窗口。通过flink流式引擎实时计算得到存储的计算结果。
104：将上述计算结果存储到Hologres，方便后续的查询、统计、分析服务。
在上述步骤S2中，装置获取固收库数据，通过所述数据中间件中的评级数据和所述固收库数据确定信用风险筛查任务，通过数据分布式处理引擎监听所述信用风险筛查任务，并从数据中间件消息队列中获取筛查数据。固收库数据中的固收类产品可以包括定期存款、货币基金、债券型银行理财产等，这种固收类产品的投资时间越久，则收益越多。
可以通过读取固收类产品数据表获取固收库数据。
所述通过所述数据中间件中的评级数据和所述固收库数据确定信用风险筛查任务，包括：
响应于用户根据所述评级数据和所述固收库数据选择的目标评级数据和目标固收库数据，确定所述信用风险筛查任务。用户根据需求选择要筛查的目标固收库数据和各个目标评级数据，然后提交信用风险筛查任务到kafka中。
Flink监听提交的任务，从kafka中获取任务队列中的筛查数据。
所述通过数据分布式处理引擎监听所述信用风险筛查任务，并从数据中间件消息队列中获取筛查数据，包括：
所述数据分布式处理引擎将数据写入状态中；
从上下文中获取状态数据，根据状态数据对数据流进行处理，得到筛查数据的数据流。具体说明如下：
Flink流处理引擎通过自定义BroadcastProcessFunction实现
processBroadcastElement处理各条数据流，并将数据写入状态中，processElement从上下文中获取状态数据，并对数据流进行处理，得用于规则引擎中所需的筛查数据的数据流。
上述规则引擎可以具体是Urule。
在上述步骤S3中，装置获取与筛查数据类型相对应的业务筛查逻辑规则，并执行所述业务筛查逻辑规则，得到信用风险筛查任务处理结果；所述业务筛查逻辑规则预先基于规则引擎配置完成。
业务筛查逻辑规则可以通过用户根据实际业务情况自主配置来获取，例如针对一种购买信托产品的业务筛查逻辑规则，可以包括先获取购买客户的基本信息和财务状况信息，如果基本信息符合要求(例如姓名、年龄、手机号等信息正确且齐全)，且财务状况信息符合要求(例如购买客户的个人资产超过该产品要求的最低限值)，则确定购买客户是否阅读并签署风险告知任务书，如果已签署且达到静默期限(例如7天)，执行上述步骤的过程，即是执行业务筛查逻辑规则，如果上述业务筛查逻辑规则中涉及的内容都验证通过，则信用风险筛查任务处理结果为风险较低。
如果上述业务筛查逻辑规则中涉及的内容没有都验证通过，则信用风险筛查任务处理结果为风险较高。
所述获取与筛查数据类型相对应的业务筛查逻辑规则，包括：
在所述规则引擎配置完成所述业务筛查逻辑规则后，将所述业务筛查逻辑规则存储至关系型数据库中；通过Urule配置业务筛查逻辑规则，就无需通过代码修改方式维护业务筛查逻辑规则，进而提高业务筛查逻辑规则的维护效率。
关系型数据库可以是Oracle。由于业务筛查逻辑规则需要用户进行自定义的配置数据关系，因此使用关系型数据库可以进一步提高这类数据的读写效率。
将所述关系型数据库中的业务筛查逻辑规则同步至所述数据中间件的对应消息主题中；即使得每个topic都与相应的筛查数据类型相对应，也就与每种业务筛查逻辑规则相对应。
通过所述数据分布式处理引擎从每个消息主题中获取对应的业务筛查逻辑规则。由于上述关系数据库与数据中间件实现了数据同步，进一步保证了获取业务筛查逻辑规则的实时性。
Urule配置好数据库的连接信息，将Urule配置好的规则知识包存储于关系型数据库中，并同步到kafka对应的topic中。规则知识包可以理解为存储业务筛查逻辑规则的数据包。
调用Urule中规则知识包接口获取指定的知识包id对应的构建好的资源包信息，通过知识包创建具体的knowledgeSession对象，获取上述处理好的数据流插入到knowledgeSession中，通过调用knowledgeSession的fireRule()方法进行规则计算，最后调用execute()方法执行，execute()方法首先对变量库和参数库归一,形成fact数组。
然后调用Retelnstance的enter()方法执行LHS，最后调用Aganda的execute方法执行规则的RHS部分。将RHS中的结论部分直接存储到kafka中，服务端监听到处理好的任务可实时反馈在页面中，方便订阅查看。
信用筛查的业务规则，可通过采用Urule规则引擎专门配置，当业务规则改变时，只需在Urule里变更规则，kafka可实时监听到变更后的规则，从而触发在执行引擎的过程中触发相应规则，将Urule中配置的规则和实时的数据进行匹配，并将匹配的结果持久化到工具中。
在所述执行所述业务筛查逻辑规则，得到信用风险筛查任务处理结果的步骤之后，所述信用风险筛查任务处理方法还包括：
在监听得到所述信用风险筛查任务处理结果之后，将所述信用风险筛查任务处理结果推送至目标客户端，以供所述目标客户端显示所述信用风险筛查任务处理结果。目标客户端可以理解为需要显示信用风险筛查任务处理结果的手机和平板电脑等，也可以是上述用户选择目标评级数据和目标固收库数据时所使用的客户端。
如图3所示，进一步说明如下：
201：通过图2加工完成的评级数据和固收库数据，根据需求选择需要的固收库数据和各个评级数据，提交筛查任务。
202：将评级数据和固收库数据中的融资主体数据发送到kafka消息队列对应的topic。
203：在Urule中创建业务筛查流程中的库文件，即业务规则中对应的类与其对应的变量，将定义好的库文件导入到规则集中去配置使用，将这些文件打包到知识包中，将设计好的知识包存储于关系型数据库中，并同步到kafka中。
204：通过Flink读取kafka中的评级数据、固收库数据和Urule规则知识包，调用Urule中的接口执行具体的规则，通过规则匹配获取到固收库中每条数据，得到例如养老金产品的筛查结果。
205：存储筛查任务中固收库每条数据的筛查结果，服务端监听到完成的任务可实时展现于客户端。
本发明实施例提供的信用风险筛查任务处理方法，通过分析传统场景下的入湖数据和用户上传数据处理的场景，实时的大数据处理解决了实效性问题；实时处理后的数据存储到Hologres，解决了单点数据库存储和执行大数据量的sql速度慢的硬件资源瓶颈问题。
通过flink+Urule动态规则引擎，利用flink流处理调用Urule规则引擎，Urule对固收库里融资主体和担保主体对应的评级事实与规则进行匹配。判断flink中接收的固收库数据的筛查结果(预警、合格、卖出等)。
本发明针对预先设定的评级规则，在Flink中计算投资范围内的融资主体及其担保主体的信誉得分，可以灵活地改变、新增、删除规则，用户根据需求在线配置规则，可动态维护实时生效，改变了目前系统中代码修改，重启服务的复杂过程。同时也解决了当前定时任务计算筛查任务的延时问题。
由于现有方法是客户上传文件至数据湖中，而数据湖是传统的oracle数据库，这不是实时数据仓库，所以无法在第一时间实时进行后续数据处理过程，进而导致信用风险筛查任务处理不及时。
另一方面，当需要对业务筛查逻辑规则进行维护时，需要通过修改代码的方式来实现，不够方便和灵活。
本发明实施例提供的信用风险筛查任务处理方法，存储评级数据至实时数据仓库，并将所述实时数据仓库中的评级数据同步至数据中间件；获取固收库数据，通过所述数据中间件中的评级数据和所述固收库数据确定信用风险筛查任务，通过数据分布式处理引擎监听所述信用风险筛查任务，并从数据中间件消息队列中获取筛查数据；获取与筛查数据类型相对应的业务筛查逻辑规则，并执行所述业务筛查逻辑规则，得到信用风险筛查任务处理结果；所述业务筛查逻辑规则预先基于规则引擎配置完成，能够及时处理信用风险筛查任务，且方便维护业务筛查逻辑规则。
进一步地，所述存储评级数据至实时数据仓库，包括：
从数据湖中获取评级数据，并将所述评级数据写入到数据中间件消息队列中；可参照上述实施例说明，不再赘述。
通过数据分布式处理引擎处理所述数据中间件消息队列中的评级数据，将数据处理结果存储至所述实时数据仓库。可参照上述实施例说明，不再赘述。
本发明实施例提供的信用风险筛查任务处理方法，能够保证实时数据仓库中的评价数据的及时性。
进一步地，所述通过数据分布式处理引擎处理所述数据中间件消息队列中的评级数据，包括：
通过所述数据分布式处理引擎获取消息主题，并将与每个消息主题分别对应的数据转换为数据流；可参照上述实施例说明，不再赘述。
对各数据流进行关联操作，将关联操作处理结果作为所述数据处理结果。可参照上述实施例说明，不再赘述。
本发明实施例提供的信用风险筛查任务处理方法，进一步能够保证实时数据仓库中的评价数据的及时性。
进一步地，所述通过所述数据中间件中的评级数据和所述固收库数据确定信用风险筛查任务，包括：
响应于用户根据所述评级数据和所述固收库数据选择的目标评级数据和目标固收库数据，确定所述信用风险筛查任务。可参照上述实施例说明，不再赘述。
本发明实施例提供的信用风险筛查任务处理方法，能够准确确定信用风险筛查任务。
进一步地，所述通过数据分布式处理引擎监听所述信用风险筛查任务，并从数据中间件消息队列中获取筛查数据，包括：
所述数据分布式处理引擎将数据写入状态中；可参照上述实施例说明，不再赘述。
从上下文中获取状态数据，根据状态数据对数据流进行处理，得到筛查数据的数据流。可参照上述实施例说明，不再赘述。
本发明实施例提供的信用风险筛查任务处理方法，能够高效获取筛查数据。
进一步地，所述获取与筛查数据类型相对应的业务筛查逻辑规则，包括：
在所述规则引擎配置完成所述业务筛查逻辑规则后，将所述业务筛查逻辑规则存储至关系型数据库中；可参照上述实施例说明，不再赘述。
将所述关系型数据库中的业务筛查逻辑规则同步至所述数据中间件的对应消息主题中；可参照上述实施例说明，不再赘述。
通过所述数据分布式处理引擎从每个消息主题中获取对应的业务筛查逻辑规则。可参照上述实施例说明，不再赘述。
本发明实施例提供的信用风险筛查任务处理方法，能够高效获取业务筛查逻辑规则。
进一步地，在所述执行所述业务筛查逻辑规则，得到信用风险筛查任务处理结果的步骤之后，所述信用风险筛查任务处理方法还包括：
在监听得到所述信用风险筛查任务处理结果之后，将所述信用风险筛查任务处理结果推送至目标客户端，以供所述目标客户端显示所述信用风险筛查任务处理结果。可参照上述实施例说明，不再赘述。
本发明实施例提供的信用风险筛查任务处理方法，方便用户浏览信用风险筛查任务处理结果。
需要说明的是，本发明实施例提供的信用风险筛查任务处理方法可用于金融领域，也可用于除金融领域之外的任意技术领域，本发明实施例对信用风险筛查任务处理方法的应用领域不做限定。
图4是本发明一实施例提供的信用风险筛查任务处理装置的结构示意图，如图4所示，本发明实施例提供的信用风险筛查任务处理装置，包括存储单元401、获取单元402和执行单元403，其中：
存储单元401用于存储评级数据至实时数据仓库，并将所述实时数据仓库中的评级数据同步至数据中间件；获取单元402用于获取固收库数据，通过所述数据中间件中的评级数据和所述固收库数据确定信用风险筛查任务，通过数据分布式处理引擎监听所述信用风险筛查任务，并从数据中间件消息队列中获取筛查数据；执行单元403用于获取与筛查数据类型相对应的业务筛查逻辑规则，并执行所述业务筛查逻辑规则，得到信用风险筛查任务处理结果；所述业务筛查逻辑规则预先基于规则引擎配置完成。
具体的，装置中的存储单元401用于存储评级数据至实时数据仓库，并将所述实时数据仓库中的评级数据同步至数据中间件；获取单元402用于获取固收库数据，通过所述数据中间件中的评级数据和所述固收库数据确定信用风险筛查任务，通过数据分布式处理引擎监听所述信用风险筛查任务，并从数据中间件消息队列中获取筛查数据；执行单元403用于获取与筛查数据类型相对应的业务筛查逻辑规则，并执行所述业务筛查逻辑规则，得到信用风险筛查任务处理结果；所述业务筛查逻辑规则预先基于规则引擎配置完成。
本发明实施例提供的信用风险筛查任务处理装置，存储评级数据至实时数据仓库，并将所述实时数据仓库中的评级数据同步至数据中间件；获取固收库数据，通过所述数据中间件中的评级数据和所述固收库数据确定信用风险筛查任务，通过数据分布式处理引擎监听所述信用风险筛查任务，并从数据中间件消息队列中获取筛查数据；获取与筛查数据类型相对应的业务筛查逻辑规则，并执行所述业务筛查逻辑规则，得到信用风险筛查任务处理结果；所述业务筛查逻辑规则预先基于规则引擎配置完成，能够及时处理信用风险筛查任务，且方便维护业务筛查逻辑规则。
进一步地，所述存储单元401具体用于：
从数据湖中获取评级数据，并将所述评级数据写入到数据中间件消息队列中；
通过数据分布式处理引擎处理所述数据中间件消息队列中的评级数据，将数据处理结果存储至所述实时数据仓库。
本发明实施例提供的信用风险筛查任务处理装置，能够保证实时数据仓库中的评价数据的及时性。
进一步地，所述存储单元401还具体用于：
通过所述数据分布式处理引擎获取消息主题，并将与每个消息主题分别对应的数据转换为数据流；
对各数据流进行关联操作，将关联操作处理结果作为所述数据处理结果。
本发明实施例提供的信用风险筛查任务处理装置，进一步能够保证实时数据仓库中的评价数据的及时性。
进一步地，所述获取单元402具体用于：
响应于用户根据所述评级数据和所述固收库数据选择的目标评级数据和目标固收库数据，确定所述信用风险筛查任务。
本发明实施例提供的信用风险筛查任务处理装置，能够准确确定信用风险筛查任务。
进一步地，所述获取单元402具体用于：
所述数据分布式处理引擎将数据写入状态中；
从上下文中获取状态数据，根据状态数据对数据流进行处理，得到筛查数据的数据流。
本发明实施例提供的信用风险筛查任务处理装置，能够高效获取筛查数据。
进一步地，所述执行单元403具体用于：
在所述规则引擎配置完成所述业务筛查逻辑规则后，将所述业务筛查逻辑规则存储至关系型数据库中；
将所述关系型数据库中的业务筛查逻辑规则同步至所述数据中间件的对应消息主题中；
通过所述数据分布式处理引擎从每个消息主题中获取对应的业务筛查逻辑规则。
本发明实施例提供的信用风险筛查任务处理装置，能够高效获取业务筛查逻辑规则。
进一步地，在所述执行所述业务筛查逻辑规则，得到信用风险筛查任务处理结果的步骤之后，所述信用风险筛查任务处理装置还用于：
在监听得到所述信用风险筛查任务处理结果之后，将所述信用风险筛查任务处理结果推送至目标客户端，以供所述目标客户端显示所述信用风险筛查任务处理结果。
本发明实施例提供的信用风险筛查任务处理装置，方便用户浏览信用风险筛查任务处理结果。
本发明实施例提供信用风险筛查任务处理装置的实施例具体可以用于执行上述各方法实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。
图5为本发明实施例提供的电子设备实体结构示意图，如图5所示，所述电子设备包括：处理器(processor)501、存储器(memory)502和总线503；
其中，所述处理器501、存储器502通过总线503完成相互间的通信；
所述处理器501用于调用所述存储器502中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：
存储评级数据至实时数据仓库，并将所述实时数据仓库中的评级数据同步至数据中间件；
获取固收库数据，通过所述数据中间件中的评级数据和所述固收库数据确定信用风险筛查任务，通过数据分布式处理引擎监听所述信用风险筛查任务，并从数据中间件消息队列中获取筛查数据；
获取与筛查数据类型相对应的业务筛查逻辑规则，并执行所述业务筛查逻辑规则，得到信用风险筛查任务处理结果；所述业务筛查逻辑规则预先基于规则引擎配置完成。
本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：
存储评级数据至实时数据仓库，并将所述实时数据仓库中的评级数据同步至数据中间件；
获取固收库数据，通过所述数据中间件中的评级数据和所述固收库数据确定信用风险筛查任务，通过数据分布式处理引擎监听所述信用风险筛查任务，并从数据中间件消息队列中获取筛查数据；
获取与筛查数据类型相对应的业务筛查逻辑规则，并执行所述业务筛查逻辑规则，得到信用风险筛查任务处理结果；所述业务筛查逻辑规则预先基于规则引擎配置完成。
本实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，所述计算机程序使所述计算机执行上述各方法实施例所提供的方法，例如包括：
存储评级数据至实时数据仓库，并将所述实时数据仓库中的评级数据同步至数据中间件；
获取固收库数据，通过所述数据中间件中的评级数据和所述固收库数据确定信用风险筛查任务，通过数据分布式处理引擎监听所述信用风险筛查任务，并从数据中间件消息队列中获取筛查数据；
获取与筛查数据类型相对应的业务筛查逻辑规则，并执行所述业务筛查逻辑规则，得到信用风险筛查任务处理结果；所述业务筛查逻辑规则预先基于规则引擎配置完成。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在本说明书的描述中，参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不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，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种信用风险筛查任务处理方法，其特征在于，包括：
存储评级数据至实时数据仓库，并将所述实时数据仓库中的评级数据同步至数据中间件；
获取固收库数据，通过所述数据中间件中的评级数据和所述固收库数据确定信用风险筛查任务，通过数据分布式处理引擎监听所述信用风险筛查任务，并从数据中间件消息队列中获取筛查数据；
获取与筛查数据类型相对应的业务筛查逻辑规则，并执行所述业务筛查逻辑规则，得到信用风险筛查任务处理结果；所述业务筛查逻辑规则预先基于规则引擎配置完成。
2.根据权利要求1所述的信用风险筛查任务处理方法，其特征在于，所述存储评级数据至实时数据仓库，包括：
从数据湖中获取评级数据，并将所述评级数据写入到数据中间件消息队列中；
通过数据分布式处理引擎处理所述数据中间件消息队列中的评级数据，将数据处理结果存储至所述实时数据仓库。
3.根据权利要求2所述的信用风险筛查任务处理方法，其特征在于，所述通过数据分布式处理引擎处理所述数据中间件消息队列中的评级数据，包括：
通过所述数据分布式处理引擎获取消息主题，并将与每个消息主题分别对应的数据转换为数据流；
对各数据流进行关联操作，将关联操作处理结果作为所述数据处理结果。
4.根据权利要求1所述的信用风险筛查任务处理方法，其特征在于，所述通过所述数据中间件中的评级数据和所述固收库数据确定信用风险筛查任务，包括：
响应于用户根据所述评级数据和所述固收库数据选择的目标评级数据和目标固收库数据，确定所述信用风险筛查任务。
5.根据权利要求1所述的信用风险筛查任务处理方法，其特征在于，所述通过数据分布式处理引擎监听所述信用风险筛查任务，并从数据中间件消息队列中获取筛查数据，包括：
所述数据分布式处理引擎将数据写入状态中；
从上下文中获取状态数据，根据状态数据对数据流进行处理，得到筛查数据的数据流。
6.根据权利要求1所述的信用风险筛查任务处理方法，其特征在于，所述获取与筛查数据类型相对应的业务筛查逻辑规则，包括：
在所述规则引擎配置完成所述业务筛查逻辑规则后，将所述业务筛查逻辑规则存储至关系型数据库中；
将所述关系型数据库中的业务筛查逻辑规则同步至所述数据中间件的对应消息主题中；
通过所述数据分布式处理引擎从每个消息主题中获取对应的业务筛查逻辑规则。
7.根据权利要求1至6任一所述的信用风险筛查任务处理方法，其特征在于，在所述执行所述业务筛查逻辑规则，得到信用风险筛查任务处理结果的步骤之后，所述信用风险筛查任务处理方法还包括：
在监听得到所述信用风险筛查任务处理结果之后，将所述信用风险筛查任务处理结果推送至目标客户端，以供所述目标客户端显示所述信用风险筛查任务处理结果。
8.一种信用风险筛查任务处理装置，其特征在于，包括：
存储单元，用于存储评级数据至实时数据仓库，并将所述实时数据仓库中的评级数据同步至数据中间件；
获取单元，用于获取固收库数据，通过所述数据中间件中的评级数据和所述固收库数据确定信用风险筛查任务，通过数据分布式处理引擎监听所述信用风险筛查任务，并从数据中间件消息队列中获取筛查数据；
执行单元，用于获取与筛查数据类型相对应的业务筛查逻辑规则，并执行所述业务筛查逻辑规则，得到信用风险筛查任务处理结果；所述业务筛查逻辑规则预先基于规则引擎配置完成。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
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，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310768497.0A CN116860476A (zh) | 2023-06-27 | 2023-06-27 | 一种信用风险筛查任务处理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310768497.0A CN116860476A (zh) | 2023-06-27 | 2023-06-27 | 一种信用风险筛查任务处理方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116860476A true CN116860476A (zh) | 2023-10-10 |
Family
ID=88222623
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310768497.0A Pending CN116860476A (zh) | 2023-06-27 | 2023-06-27 | 一种信用风险筛查任务处理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116860476A (zh) |
-
2023
- 2023-06-27 CN CN202310768497.0A patent/CN116860476A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11580680B2 (en) | Systems and interactive user interfaces for dynamic retrieval, analysis, and triage of data items | |
| CN108139958A (zh) | 连续查询处理中的事件批量处理、输出排序和基于日志的状态存储 | |
| US20140201292A1 (en) | Digital business card system performing social networking commonality comparisions, professional profile curation and personal brand management | |
| US20130246230A1 (en) | Method and System for E-Commerce Transaction Data Accounting | |
| US8793236B2 (en) | Method and apparatus using historical influence for success attribution in network site activity | |
| WO2019169978A1 (zh) | 资源推荐方法及装置 | |
| US20130166374A1 (en) | Managing reputations | |
| CN112506743A (zh) | 一种日志监控方法、装置和服务器 | |
| US20180005121A1 (en) | Provide enhanced relationship graph signals | |
| CN111488616A (zh) | 业务数据区块链的预言机实现方法及装置 | |
| CN109409927A (zh) | 基于网络数据的分布式实时营销方法和系统及存储介质 | |
| CN111666298A (zh) | 基于flink的用户服务类别检测方法、装置、计算机设备 | |
| US10733244B2 (en) | Data retrieval system | |
| US11704363B2 (en) | System and method for generating highly scalable temporal graph database | |
| CN104035964A (zh) | 一种用于提供信誉相关信息的方法和设备 | |
| CN111898036A (zh) | 一种行为数据收集处理系统及方法 | |
| EP1189160A1 (en) | Method and system for transforming session data | |
| US20100010979A1 (en) | Reduced Volume Precision Data Quality Information Cleansing Feedback Process | |
| CN112231344B (zh) | 实时流数据查询方法及装置 | |
| Evans et al. | Big data fusion model for heterogeneous financial market data (findf) | |
| CN116860476A (zh) | 一种信用风险筛查任务处理方法及装置 | |
| CN108345600B (zh) | 一种搜索应用的管理、数据搜索方法及其装置 | |
| CN114297211A (zh) | 一种数据在线分析系统、方法、设备及存储介质 | |
| CN115687374A (zh) | 数据发布方法、装置、存储介质及计算机设备 | |
| CN107180047B (zh) | 文件的生成方法和装置 |
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 |