CN117010892A - 支付风险检测方法、装置、电子设备和可读介质 - Google Patents
支付风险检测方法、装置、电子设备和可读介质 Download PDFInfo
- Publication number
- CN117010892A CN117010892A CN202211134227.6A CN202211134227A CN117010892A CN 117010892 A CN117010892 A CN 117010892A CN 202211134227 A CN202211134227 A CN 202211134227A CN 117010892 A CN117010892 A CN 117010892A
- Authority
- CN
- China
- Prior art keywords
- data
- transaction
- sample
- risk
- payment
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 62
- 238000013507 mapping Methods 0.000 claims abstract description 251
- 239000011159 matrix material Substances 0.000 claims abstract description 80
- 238000000034 method Methods 0.000 claims abstract description 61
- 238000011156 evaluation Methods 0.000 claims description 141
- 238000005070 sampling Methods 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004140 cleaning Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000012502 risk assessment Methods 0.000 abstract description 10
- 238000013459 approach Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 29
- 230000000875 corresponding effect Effects 0.000 description 26
- 238000010586 diagram Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 16
- 238000012546 transfer Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000012854 evaluation process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000003442 weekly effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012011 method of payment Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Classifications
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/382—Payment protocols; Details thereof insuring higher security of transaction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
-
- 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
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Computer Security & Cryptography (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Technology Law (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请提供一种支付风险检测方法、装置、电子设备和可读介质。该方法包括:获取支付交易的支付数据;通过第一映射关系对所述支付数据进行评分,得到所述支付交易的风险评分,所述第一映射关系中包含隐含层和输出层,所述隐含层的隐含层参数为随机生成的固定参数,所述输出层的输出层参数是根据样本权重矩阵一次求解的,所述样本权重矩阵表示为对角矩阵,所述对角矩阵中位于对角位置的权重值与样本数据的正负性相关;根据风险评分,确定支付交易的风险检测结果。该方法能够使得风险评估更加趋近风险决策的边界,对交易中的风险进行高效拟合,有利于避免过拟合的情况,从而提高支付系统对风险的识别能力和安全性。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种支付风险检测方法、装置、电子设备和可读介质。
背景技术
移动支付已经成为了常见的支付方式,应用在国民生活的各个方面。随着支付业务的不断扩大和深入,支付业务的使用者所面临的支付风险也越发升高。如今,支付平台通常会对每笔支付进行风险检测来识别存在异常的支付交易。
在相关技术中,支付平台通常会根据异常支付交易的特征来制定对应的规则策略,对于规则策略命中的交易进行对应的风控操作,例如风险提示或冻结交易等,来降低交易风险。
然而,规则策略学习的特征通常比较单一,容易出现规则策略对样本过拟合的情况,造成风险识别能力下降,不利于支付系统的安全性。
发明内容
基于上述技术问题,本申请提供一种支付风险检测方法、装置、电子设备和可读介质,以使得风险评估更加趋近风险决策的边界,对交易中的风险进行高效拟合,有利于避免过拟合的情况,从而提高支付系统对风险的识别能力和安全性。
本申请的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本申请的实践而习得。
根据本申请实施例的一个方面,提供一种支付风险检测方法,包括:
获取支付交易的支付数据;
通过第一映射关系对所述支付数据进行评分,得到所述支付交易的风险评分,所述第一映射关系中包含隐含层和输出层,所述隐含层的隐含层参数为随机生成的固定参数,所述输出层的输出层参数是根据样本权重矩阵一次求解的,所述样本权重矩阵表示为对角矩阵,所述对角矩阵中位于对角位置的权重值与样本数据的正负性相关;
根据所述风险评分,确定所述支付交易的风险检测结果。
根据本申请实施例的一个方面,提供一种支付风险检测装置,包括:
支付数据获取模块,用于获取支付交易的支付数据;
评分模块,用于通过第一映射关系对所述支付数据进行评分,得到所述支付交易的风险评分,所述第一映射关系中包含隐含层和输出层,所述隐含层的隐含层参数为随机生成的固定参数,所述输出层的输出层参数是根据样本权重矩阵一次求解的,所述样本权重矩阵表示为对角矩阵,所述对角矩阵中位于对角位置的权重值与样本数据的正负性相关;
结果确定模块,用于根据所述风险评分,确定所述支付交易的风险检测结果。
在本申请的一些实施例中,基于以上技术方案,支付风险检测装置还包括:
样本数据获取模块,用于按照预设时间段从通过所述第一映射关系进行过评分的历史交易数据中获取样本数据,所述历史交易数据为所述预设时间段内的历史支付交易的交易数据;
参数更新模块,用于根据所述样本数据,对所述第一映射关系中所述输出层的输出层参数进行参数更新。
在本申请的一些实施例中,基于以上技术方案,参数更新模块,包括:
更新子模块,用于根据所述样本数据,对所述第一映射关系中所述输出层的输出层参数进行参数更新,得到候选映射;
评估子模块,用于根据评估数据,对所述候选映射进行评估,得到评估结果,其中,所述评估数据来自于与所述预设时间段不同的时间段;
映射确定子模块,用于若所述评估结果指示评估通过,则将所述候选映射确定为参数更新后的所述第一映射关系。
在本申请的一些实施例中,基于以上技术方案,评估子模块,包括:
评估样本获取单元,用于从与所述预设时间段不同的时间段中获取已标记正负的交易数据作为评估样本;
评分单元,用于通过所述候选映射对所述评估样本进行评分,得到评估输出结果;
评估结果确定单元,用于根据所述评估输出结果中识别的风险交易与所述评估样本中的实际风险交易的比对,确定所述候选映射的评估结果。
在本申请的一些实施例中,基于以上技术方案,评估结果确定单元包括:
样本覆盖分数确定子单元,用于根据所述评估输出结果中风险交易的数量和所述评估样本中风险交易的实际数量的比例,确定样本覆盖分数;
告警风险数量确定子单元,用于根据风险告警策略,确定所述评估输出结果的风险交易中符合所述风险告警策略的交易的告警风险数量,所述风险告警策略用于指示对支付交易进行风险告警的预设条件;
策略覆盖分确定子单元,用于数根据所述评估输出结果中风险交易的数量和所述告警风险数量的比例,确定策略覆盖分数;
评估结果根据所述样本覆盖分数和所述策略覆盖分数,确定所述候选映射的评估结果。
在本申请的一些实施例中,基于以上技术方案;更新子模块包括:
矩阵生成单元,用于根据所述样本数据中正样本权重和负样本权重,生成样本权重矩阵;
计算单元,用于将所述样本数据输入到所述第一映射关系中进行计算,得到所述隐含层结果;
更新参数确定单元,用于根据所述样本权重矩阵和所述隐含层结果的预设映射关系,确定所述第一映射关系中输出层的更新参数;
参数带入单元,用于将所述更新参数带入所述第一映射关系的输出层,得到候选映射。
在本申请的一些实施例中,基于以上技术方案,矩阵生成单元包括:
负样本权重设置子单元,用于将所述样本数据中各个负样本的权重设置为预设权重;
正样本权重设置子单元,用于根据所述负样本的样本数与正样本的样本数的比值,确定各个正样本的权重;
矩阵生成子单元,用于根据所述负样本的权重和所述正样本的权重,生成样本权重矩阵。
在本申请的一些实施例中,基于以上技术方案,样本数据获取模块包括:
历史数据获取子模块,用于获取在所述预设时间段内发生的历史支付交易的历史交易数据;
样本抽取子模块,用于按照预设比例,从所述历史交易数据中抽取已标记正负的数据样本,得到采样交易数据;
数据清洗子模块,用于根据所述采样交易数据的数据特征,对所述采样交易数据进行数据清洗,得到所述样本数据。
在本申请的一些实施例中,基于以上技术方案,数据清洗子模块,包括:
信息价值评估单元,用于根据所述采样交易数据中历史支付交易的交易特征进行信息价值评估,得到历史支付交易中各个交易特征的信息量;
目标交易特征确定单元,用于根据所述历史支付交易中各个交易特征的信息量和各个交易特征的数据变化稳定性,确定目标交易特征;
交易数据获取单元,用于从所述采样交易数据中获取所述目标特征对应的交易数据,得到所述样本数据。
在本申请的一些实施例中,基于以上技术方案,支付风险检测装置还包括:
初始化模块,用于对第二映射关系进行初始化,所述第二映射关系中包含输入层、隐含层和输出层;
权重生成模块,用于根据初始样本数据中正样本权重和负样本权重,生成样本权重矩阵;
数据处理模块,用于通过所述输入层和所述隐含层对所述初始样本数据进行处理,得到隐含层输出结果;
输出层参数确定模块,用于根据所述初始样本数据、所述样本权重矩阵和所述隐含层输出结果的映射关系,确定所述输出层的输出层参数;
参数更新模块,用于根据所述输出层参数更新所述第二映射关系中所述输出层的参数,得到所述第一映射关系。
在本申请的一些实施例中,基于以上技术方案,初始化模块包括:
节点数量确定子模块,用于根据所述初始样本数据的特征数量,确定所述隐含层的节点数量;
随机子模块,用于随机初始化所述输入层中输入层权重和输入层偏差,其中,所述输入层权重的维度数量根据所述隐含层的节点数量和所述初始样本数据的特征数量确定。
在本申请的一些实施例中,基于以上技术方案,结果确定模块包括:
策略获取子模块,用于获取所述支付交易对应的风险告警策略,所述风险告警策略用于指示对支付交易进行风险告警的预设条件;
风险告警子模块,用于根据所述风险告警策略和所述风险评分,对所述支付交易进行风险告警;
样本标记子模块,用于根据所述风险告警的结果,对所述支付交易的支付数据进行样本标记,以用于对所述第一映射关系进行参数更新。
根据本申请实施例的一个方面,提供一种电子设备,该电子设备包括:处理器;以及存储器,用于存储处理器的可执行指令;其中,该处理器配置为经由执行可执行指令来执行如以上技术方案中的支付风险检测方法。
根据本申请实施例的一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,当该计算机程序被处理器执行时实现如以上技术方案中的支付风险检测方法。
根据本申请实施例的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各种可选实现方式中提供支付风险检测方法。
在本申请的实施例中,通过在支付交易的风险评估过程中,采用映射关系来对交易风险进行评分,并且利用映射的输出结果对其进行及时的参数更新,该映射关系的参数能够根据样本数据直接调整确定,从而能够在满足风险评估所需时效性的同时,使得风险评估更加趋近风险决策的边界,对交易中的风险进行高效拟合,有利于避免过拟合的情况,从而提高支付系统对风险的识别能力和安全性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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为本申请技术方案在一个应用场景中的系统示意图;
图2为本申请实施例中风险检测整体流程的流程示意图;
图3为本申请实施例中映射部署整体流程的流程示意图;
图4为本申请实施例中一种支付风险检测方法的示意性流程图;
图5为本申请实施例中一个支付场景中支付数据的示例性示意图;
图6为本申请实施例中映射关系初始化的示意性流程图;
图7为本申请实施例中映射关系的结构示意图;
图8为本申请实施例中一个完成实施例的示意性流程图;
图9示意性地示出了本申请实施例中支付风险检测装置的组成框图;
图10示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
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范例;相反,提供这些实施方式使得本申请将更加全面和完整,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。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本申请的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本申请的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应理解,本申请的方案可以应用于移动支付领域,并且具体应用在对支付交易中风险交易的检测和识别的场景中。其中,风险交易指的是不利于交易的一方或者双方信息安全或者资金安全的交易,例如交易一方存在不诚信或者抱有不良意图进行交易,或者交易双方涉及的交易内容或者交易资金存在不合法的情况等。本申请的方案在交易发生的时候会利用已经调整好参数的映射关系来根据支付交易中交易数据的特征对交易进行风险评分,再结合风险评分的结果以及对应设置的风险告警策略,来对交易的一方或者双方进行告警或者进一步拦截或者冻结交易,从而对信息安全或者资金安全进行保护。映射关系通常会被离线更新和部署到风控平台,并且在交易过程中进行实时的风险评估。此外,在本申请的方案中,映射关系会进一步根据时效性较高的交易数据进行参数更新,从而提高映射关系对于风险识别的时效性。
在本申请的具体实施方式中,涉及到用户信息、交易数据等相关的数据,当本申请的实施例运用到具体产品或技术中时,需要获得用户许可或者同意,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
下面对本申请的应用场景进行介绍。请参阅图1,图1为本申请技术方案在一个应用场景中的系统示意图。如图1所示,该应用场景中包括终端110、终端120、支付系统130和风控系统140。交易方A和交易方B分别通过终端110和终端120进行交易。当交易方A向交易方B发起交易时,终端110会通过支付系统130向终端120发起支付交易。支付系统130在接收到终端110发起的交易请求后,将交易数据提供给风控系统140来对支付交易进行风险识别。风控系统140在识别风险后将支付结果反馈给支付系统130。支付系统130则根据风险识别结果以及支付请求的情况,向终端110或者终端120或者向二者发送风险告警提示,从而提醒对应的交易方A和交易方B高交易可能存在的风险情况。
支付系统130和风控系统140可以部署在相同或不同的服务器上,并且二者可以是相互独立的系统,也可以是一个系统的不同模块。支付系统130和风控系统140的服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network,内容分发网络)以及大数据和人工智能平台等基础云计算服务的云服务器,本处不对此进行限制。
终端110和终端120包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端、飞行器等。终端110、终端120、支付系统130和风控系统140之间可以通过有线或无线通信方式进行直接或间接地连接。终端的数量以及支付系统和风控系统的服务器的数量也不做限制。在上述的风控系统中部署有本申请方案中的包含映射关系的支付风险检测装置。映射关系属于机器学习领域。本申请中的映射关系是一类基于前馈神经网络构建的机器学习方法,并且具有单隐含层。机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
下面对本申请技术方案的风险检测整体流程进行介绍。请参阅图2,图2为本申请实施例中风险检测整体流程的流程示意图。如图2所示,整体流程包含3个阶段,分别为离线部署阶段210、风控阶段220和支付平台阶段230。在离线部署阶段210中,首先会对大量的历史支付交易数据和案例进行分析,挖掘和筛选出具有高显著性的特征进行特征工程211,从而得到用于对映射关系进行参数更新的样本数据。随后,在步骤212中,将样本数据输入到映射关系中进行参数更新。在步骤213中,对更新参数后的映射关系进行效果评估以及跨时间验证。在验证通过后,会在步骤214中将映射关系部署到风控系统的存储装置221中。在风控阶段220中,风控系统会利用映射关系的输出结果与配套的风控策略222结合进行风险检测。当发生交易的时候,映射关系和风控策略将会对交易进行风险监测,当识别出当笔交易有风险的时候,在支付平台阶段230中将会对交易方进行提醒以及对风险交易进行拦截等操作,让交易方意识到当笔交易有风险从而阻止交易的发生,从而减少信息泄露和资金损失。
下面对本申请技术方案的映射部署整体流程进行介绍。请参阅图3,图3为本申请实施例中映射部署整体流程的流程示意图。如图3所示,部署过程主要包含映射参数调整过程和接入过程。在映射参数调整过程中,首先在步骤310中会进行数据获取,从而得到用于参数调整的交易数据。随后,在步骤320中,对获取到的数据进行数据清洗,从而去除不符合参数更新要求的交易数据。随后,在步骤330中,对清洗过后的数据进行特征筛选和加工,获得符合显著性要求和稳定性要求的数据特征。随后在步骤340中进行去平均化和标准化,从而统一数据特征值的尺度。在步骤350中,利用处理好的数据进行映射关系的参数更新。随后,在步骤360中,对参数更新后的映射关系进行效果评估。如果评估不通过,则会回到步骤310中重新进行参数更新,而如果评估通过,则在进入步骤370中进行映射关系的在线开发,从而使得更新参数后的映射关系接入到业务系统中,例如支付系统。随后,在步骤380中,映射关系上线,以便在执行业务的过程中进一步对支付交易进行风险检测。在步骤390中,映射关系对于进行的支付交易会进行风险监测,并且在发现风险后会进行风险报告。监测到的风险和报告的结果在后的参数更新过程中会用于步骤310的获取数据,步骤330中特征筛选以及步骤350的映射关系参数更新过程中。
下面结合具体实施方式对本申请提供的技术方案做出详细说明。为了便于介绍,请参阅图4,图4为本申请实施例中一种支付风险检测方法的示意性流程图。该方法可以应用于上述的支付系统或者风控系统中。在本申请的实施例中,以支付系统和风控系统合并为一体的支付平台的服务器为执行主体对支付风险检测方法进行介绍。该支付风险检测方法可以包括如下的步骤S410至S430:
步骤S410,获取支付交易的支付数据。
在本实施例中,支付平台会从客户端接收到用于进行支付交易的支付请求。支付平台在进行支付交易时,会获取该支付交易的支付数据。支付数据中通常包含支付交易本身的特征数据以及交易支付双方账户的相关账户历史数据。例如,支付数据可以包含双方账户被投诉的记录、双方账户之间的友邻关系、出入账信息和注册历史等内容。取决于支付交易的具体场景,所获取的支付数据可以不同。例如,支付平台内部的支付交易和向平台外的支付交易所获取的支付数据可以是不同的。例如,请参阅图5,图5为本申请实施例中一个支付场景中支付数据的示例性示意图。如图5所示,在跨平台转账,并且转到非相同拥有者的账户时,所获取的交易方数据包含好友数、投诉历史、注册时间等特征数据。
步骤S420,通过第一映射关系对所述支付数据进行评分,得到所述支付交易的风险评分,所述第一映射关系中包含隐含层和输出层,所述隐含层的隐含层参数为随机生成的固定参数,所述输出层的输出层参数是根据样本权重矩阵一次求解的,所述样本权重矩阵表示为对角矩阵,所述对角矩阵中位于对角位置的权重值与样本数据的正负性相关。
支付平台中会部署有经过参数调整的第一映射关系,该第一映射关系中包含隐含层和输出层。隐含层的隐含层参数为随机生成的固定参数,即在映射关系初始化时随机指定,并且后续过程中不会被更新。输出层的参数在映射关系的参数更新时会被更新。该第一映射关系用于根据输入的交易数据来输出对支付交易的风险评分,以便于根据风险评分对支付交易的风险情况进行评估。第一映射关系通常采用时效性较高的交易数据作为参数更新数据进行周期性参数更新。参数更新数据通常从支付平台的历史交易数据中获得,这些历史交易数据是由还未进行参数更新的第一映射关系处理过的数据。具体地,例如,在部署了第一映射关系后,支付平台可以每天、每3天或者每周都对第一映射关系进行参数更新。以每周更新为例,在更新时,会利用第一映射关系在上一周内处理过的交易数据作为样本数据来进行参数更新。参数更新后的第一映射关系中输出层参数是根据样本权重矩阵确定的。样本权重矩阵中包含对应于每一个样本数据的权重。该权重表示样本数据的特征对于结果的重要程度。样本权重矩阵表示为对角矩阵,即,当存在N个样本数据,则样本权重矩阵为N*N的矩阵。对角矩阵中位于对角位置的权重值与样本数据的正负性相关。样本的正负性用于表示样本的是否为风险预测的目标,对于本实施例,正样本为存在风险的支付交易,负样本则为不存在风险的交易。该更新参数的计算过程通常是离线进行的,即,将第一映射关系和样本数据到另一个环境或者设备中进行参数计算和模拟更新。在模拟更新完成后,将更新后的第一映射关系的输出层参数复制到支付平台的线上的第一映射关系中。这样,第一映射关系的结构简洁,并且参数更新过程中不需要反向传播的参数调整过程,只需要一次求解即可完成参数更新而不需要在一次更新中进行多次迭代以进行收敛过程,更新效率高,因此可以提高对于风险检测的时效性。
步骤S430,根据所述风险评分,确定所述支付交易的风险检测结果。
支付平台根据风险评分,确定支付交易的风险检测结果。支付平台中通常会配置有评分阈值,并且根据风险评分和评分阈值的比较结果来确定支付交易的风险检测结果。风险检测结果用于指示支付交易是否存在风险,支付平台后续会根据风险检测结果进一步进行对应的风险应对处理,例如进行告警、延迟转账、冻结转账等。在一个实施例中,支付平台中针对于不同支付类型的支付交易会设置有不同的评分阈值。因此,支付平台首先会确定支付交易的支付类型,从而获得对应的评分阈值,支付类型例如可以是平台内部的交易、转账到平台外部的交易、好友间转账、陌生人转账、大额转账、高频转出等等。
在本申请的实施例中,通过在支付交易的风险评估过程中,采用映射关系来对交易风险进行评分,并且利用映射的输出结果对其进行及时的参数更新,该映射关系的参数能够根据样本数据直接调整确定,从而能够在满足风险评估所需时效性的同时,使得风险评估更加趋近风险决策的边界,对交易中的风险进行高效拟合,有利于避免过拟合的情况,从而提高支付系统对风险的识别能力和安全性。
在本申请的一个实施例中,基于以上的技术方案,上述步骤S410,获取支付交易的支付数据之前,本申请的方法还包括如下的步骤:
按照预设时间段从通过所述第一映射关系进行过评分的历史交易数据中获取样本数据,所述历史交易数据为所述预设时间段内的历史支付交易的交易数据;
根据所述样本数据,对所述第一映射关系中所述输出层的输出层参数进行参数更新。
在本实施例中,支付平台会按照预设时间段从通过第一映射关系处理过的历史交易数据中获取样本数据。预设时间段通常是按照周期性设置的,例如每天或者每周等时间。相应的,第一映射关系的参数则也会按照周期性被更新。历史交易数据为预设时间段内的历史支付交易的交易数据。即,如果预设时间段设置为每天,当历史交易数据则为当天或者前一天发生的交易支付的交易数据。支付平台会按照预定的采样比例或者采样规则,从历史交易数据中提取或者筛选出一部分数据作为样本数据。这些样本数据中的每笔交易数据会被标记为正样本或者负样本。
在得到样本数据后,支付平台会利用样本数据对第一映射关系进行参数更新,得到更新后的第一映射关系。可以理解,支付平台中所部署的第一映射关系是已经更新过参数的映射关系,因此,支付平台根据其处理过的数据来对其进行参数更新,以使得更新后的第一映射关系能够针对于最新的风险交易特征进行风险评分。
在本申请的实施例中,从预设时间段内历史支付交易的交易数据中获取样本数据来对第一映射关系进行参数更新,有利于提高方案的风险检测检测能力的时效性。
在本申请的一个实施例中,基于以上的技术方案,上述步骤,根据所述样本数据,对所述第一映射关系中所述输出层的输出层参数进行参数更新,具体包括如下的步骤:
根据所述样本数据,对所述第一映射关系中所述输出层的输出层参数进行参数更新,得到候选映射;
根据评估数据,对所述候选映射进行评估,得到评估结果,其中,所述评估数据来自于与所述预设时间段不同的时间段;
若所述评估结果指示评估通过,则将所述候选映射确定为参数更新后的所述第一映射关系。
在本实施例中,在对第一映射关系进行参数更新的过程中,会利用不同时间段的交易数据来对第一映射关系的检测效果进行评估,在评估通过后才结束更新过程。具体地,支付平台首先会根据样本数据,对第一映射关系进行参数更新,得到候选映射。随后,支付平台会利用准备好的评估数据,来候选映射进行评估,得到评估结果。评估数据是来自于与预设时间段不同时间段的交易数据。在进行评估时,支付平台会通过候选映射来对评估数据进行风险评分,并且基于评估数据对应的风险评分来进一步计算出预设的指标数据,例如信息量、曲线下面积和KS检验等标准,并且根据候选映射对于评估数据中风险交易的检测结果在各项指标上的表现,来确定候选映射的评估是否通过。如果评估结果指示评估通过,则候选映射就是更新后的第一映射关系。在离线计算的情况下,可以将候选映射中的参数复制到在线的第一映射关系中。如果评估结果指示评估不通过,则表示当前第一映射关系的表现不满足部署到支付平台标准。此时,支付平台会从预设时间段的历史支付交易中重新获取交易数据并且重新计算更新参数,直到更新后的第一映射关系通过评估或者达到结束更新的条件为止。
在本申请的实施例中,通过不同时间段内的数据来对参数更新后的第一映射关系进行评估,从而确保第一映射关系对各个时间段内的数据都有足够的检测能力,避免第一映射关系对样本数据过拟合,从而提升风险检测结果的稳定性。
在本申请的一个实施例中,基于以上的技术方案,上述步骤,根据评估数据,对所述候选映射进行评估,得到评估结果,具体包括如下的步骤:
从与所述预设时间段不同的时间段中获取已标记的交易数据作为评估样本;
通过所述候选映射对所述评估样本进行评分,得到评估输出结果;
根据所述评估输出结果中识别的风险交易与所述评估样本中的实际风险交易的比对,确定所述候选映射的评估结果。
在本实施例中,评估的评估结果根据映射关系输出的结果中的风险交易与实际的风险交易之间的比对来确定。具体地,支付平台首先会从与预设时间段不同的时间段中获取已标记的交易数据作为评估样本。该不同的时间段可以与预设时间段的时间跨度不同。例如,预设时间段为一周,而获取评估样本的时间段可以是两周或者一个月。并且,该不同时间段与预设时间段之间不存在时间交叉。获取评估样本的样本提取规则可以获取样本数据的规则相同或者类似。评估样本是标记的交易数据,因此,其实际上是否是风险交易是已知的。随后,支付平台通过参数更新的大的候选映射,对得到的评估样本进行评分,得到对于评估样本中每条交易数据的风险评分,并且可以风险评分单独或者结合对应的风险策略进一步得到对每条交易数据的风险检测结果,从而得到对于评估样本的评估输出结果。评估输出结果中包含评估样本中每条交易数据的风险检测结果,即被检测为风险交易的交易数据,被检测为正常交易的交易数据。随后,支付平台会将评估输出结果中识别的风险交易述评估样本中的实际风险交易进行比对,并根据比对的结果来确定候选映射的评估结果。例如,当候选映射检测出的风险交易能够覆盖所有的实际风险交易,或者所覆盖的实际风险交易达到一定比例,则可以评估通过。评估过程还可以进一步结合其他评估标准,例如检测错误率或者风险覆盖率等标准。
在本申请的实施例中,通过在评估过程中,通过映射关系识别出的风险交易与实际风险交易的比对来确定评估结果,从而能够确保通过评估的映射关系对交易数据中风险覆盖能够达到足够高度,从而有利于提高风险检测的准确性。
在本申请的一个实施例中,基于以上的技术方案,上述步骤,根据所述评估输出结果中识别的风险交易与所述评估样本中的实际风险交易的比对,确定所述候选映射的评估结果,具体包括如下的步骤:
根据所述评估输出结果中风险交易的数量和所述评估样本中风险交易的实际数量的比例,确定样本覆盖分数;
根据风险告警策略,确定所述评估输出结果的风险交易中符合所述风险告警策略的交易的告警风险数量,所述风险告警策略用于指示对支付交易进行风险告警的预设条件;
根据所述评估输出结果中风险交易的数量和所述告警风险数量的比例,确定策略覆盖分数;
根据所述样本覆盖分数和所述策略覆盖分数,确定所述候选映射的评估结果。
在本实施例中,在确定评估结果的过程中,会计算评估输出结果的样本覆盖分数和策略覆盖分数。其中,支付平台会根据所述评估输出结果中风险交易的数量和所述评估样本中风险交易的实际数量的比例,确定样本覆盖分数,即,样本覆盖分数按照如下方式确定:
样本覆盖分数=结果覆盖的风险交易数/评估样本中实际风险交易数
可以理解的是,该样本覆盖分数可以大于1,并且,由于可能存在误识别,因此,即使样本覆盖分数为1,也存在漏识别的风险交易数与误识别的风险交易数相同的情况。
随后,支付平台根据风险告警策略来对第一映射关系检测出的风险交易进行检查,从而确定是否要对检测出的风险交易进行进一步的告警。风险告警策略是用于指示对支付交易进行风险告警的预设条件,其通常规与告警相关的规则,例如,风险告警策略中可以规定对向自己的账户进行转账不进行告警,则对于向自己转账的交易,即使由于其他特征而被识别为风险交易,也不会进行告警。支付平台会统计在评估输出结果的风险交易中符合风险告警策略的支付交易的告警风险数量,并且根据评估输出结果中风险交易的数量和所述告警风险数量的比例,确定策略覆盖分数。策略覆盖分数可以按照如下的方式确定:
策略覆盖分数=告警风险数/结果覆盖的风险交易数
可以理解的是,该策略覆盖分数的取值范围为0到1之间。支付平台可以根据样本覆盖分数和策略覆盖分数确定候选映射的评估结果。具体地,如果这两个分数满足根据实际交易风险情况而设置的阈值条件,则可以判断候选映射的评估结果为通过。如果其中一个不满足阈值条件,则评估不通过,则支付平台需要重新获取样本数据并且对第一映射关系进行参数更新,之后重新进行评估过程。
在本申请的实施例中,提供了具体的评估方案,通过检测的风险交易数与实际的风险交易数以及告警的风险交易数之间的比例,来确定评估结果,从而能够确保通过评估的映射关系的风险分布能够与实际交易场景中存在的风险分布相加符合,有利于映射关系对实际情况拟合的准确性。
在本申请的一个实施例中,基于以上的技术方案,上述步骤,根据所述样本数据,对所述第一映射关系中所述输出层的输出层参数进行参数更新,得到候选映射,具体包括如下的步骤:
根据所述样本数据中正样本权重和负样本权重,生成样本权重矩阵;
将所述样本数据输入到所述第一映射关系中进行计算,得到隐含层结果;
根据所述样本权重矩阵和所述隐含层结果的预设映射关系,确定所述第一映射关系中输出层的的更新参数;
将所述更新参数带入所述第一映射关系的输出层,得到候选映射。
在本实施例中,在对第一映射关系进行参数更新时,会根据样本数据中正样本权重和负样本权重,生成样本权重矩阵。其中,正样本权重和负样本权重分别可以根据正样本和负样本的数量来确定,例如,根据它们在样本数据中的比例来确定。样本权重矩阵是一个对角矩阵,每个元素矩阵对应于一个样本,元素值为样本权重。支付平台在获取到样本数据后,会将样本数据输入到当前的第一映射关系中进行计算,从而得到其对于样本数据输出的隐含层结果。隐含层结果为参数更新过程中输出的中间结果,其并不是第一映射关系的最终输出结果,也没有经过第一映射关系的完整计算过程,而是通过第一映射关系中没有需要更新参数的隐含层中的计算过程得到的。对于第一映射关系,其目标损失函数存在闭式的解析解。因此,根据目标损失函数,则可以反推出第一映射关系中需要更新的参数对应的计算公式。以三层的第一映射关系为例,第一映射关系包含输入层、隐含层和输出层。其中,输出层中包含更新参数,而更新参数的计算则可以根据隐含层结果以及样本数据之间的预设映射关系确定,并且该预设映射关系可以通过目标损失函数得到。而隐含层结果则根据样本数据和样本权重矩阵的映射关系确定。由此可见,在参数更新时,可以根据样本权重矩阵和隐含层结果的映射关系,直接计算出输出层中配置的输出层参数的更新参数。随后,将更新参数带入到第一映射关系中,就可以得到候选映射。
在本申请的实施例中,提供了进行第一映射关系参数更新的具体过程,在更新过程中可以通过一次计算直接得到需要的输出层参数,而不需要进行反向传播的过程,提高了参数更新的执行效率。
在本申请的一个实施例中,基于以上的技术方案,上述步骤,根据所述样本数据中正样本权重和负样本权重,生成样本权重矩阵,具体包括如下的步骤:
将所述样本数据中各个负样本的权重设置为预设权重;
根据所述负样本的样本数与正样本的样本数的比值,确定各个正样本的权重;
根据所述负样本的权重和所述正样本的权重,生成样本权重矩阵。
在本实施例中,在生成样本权重矩阵的过程中,可以先对样本数据中负样本的数量或者比例进行预先的判断。对于负样本数量远大于正样本数量的情况,则可以直接将样本数据中各个负样本的权重设置为预设权重,例如直接将负样本的权重设置为1。而正样本的权重则设置为负样本数与正样本数的比值,即正样本的权重=负样本数/正样本数。此外,正样本的权重也可以随业务需要进行调整,例如针对于某一类交易风险的正样本调高权重,从而强化对于此类风险的检测能力。随后,按照矩阵的形式,根据负样本的权重和正样本的权重,生成样本权重矩阵。样本权重矩阵的维度为N×N,其中,N为样本数量。
在本申请的实施例中,通过样本数量来的比例来生成样本权重矩阵,从而能够合理突出正样本的对于检测结果的影响力,避免负样本淹没正样本而导致映射关系辨识能力下降,有利于提升映射关系的检测能力。
在本申请的一个实施例中,基于以上的技术方案,上述步骤,按照预设时间段从通过所述第一映射关系进行过评分的历史交易数据中获取样本数据,具体包括如下的步骤:
获取在所述预设时间段内发生的历史支付交易的历史交易数据;
按照预设比例,从所述历史交易数据中抽取已标记正负的数据样本,得到采样交易数据;
根据所述采样交易数据的数据特征,对所述采样交易数据进行数据清洗,得到所述样本数据。
在本实施例中,在获取样本数据的过程中,支付平台会获取在预设时间段内发生的历史支付交易的历史交易数据。预设时间段通常设置为临近当前时间的时间段,例如,以要进行参数更新当天发生的支付交易。随后,支付平台会按照预设的采样比例,从历史交易数据中抽取已标记的数据样本,得到采样交易数据。抽取通常采用随机抽取的方式,并且在抽取的过程中,支付平台还可以按照预设的特征规则,从历史交易数据中提取出对应特征。例如,对于历史支付场景,在第一映射关系进行第一次参数调整时,会按照各个特征的显著性来筛选一部分特征作为的交易的指示特征,在后续抽取已标记的数据样本时,则也会抽取这些特征作为采样交易数据。在获取到采样交易数据后,支付平台会根据采样交易数据的数据特征,来对采样交易数据进行数据清洗。对于采样交易数据中的每个数据特征,支付交易平台都会按照对应的指标计算规则来计算对应的指标,例如显著性指标和数据稳定性指标等。根据特征数据的指标,进一步对采样交易数据的数据特征进行筛选,去除不符合指标要求的交易数据,得到样本数据。
在本申请的实施例中,根据数据特征来对采样得到的交易数据进行清洗,从而能够筛选出特征表现更强的样本数据,有利于增强第一映射关系的区分能力,避免评分错误,提高结果正确性。
在本申请的一个实施例中,基于以上的技术方案,上述步骤,根据所述采样交易数据的数据特征,对所述采样交易数据进行数据清洗,得到所述样本数据,具体包括如下的步骤:
根据所述采样交易数据中历史支付交易的交易特征进行信息价值评估,得到历史支付交易中各个交易特征的信息量;
根据所述历史支付交易中各个交易特征的信息量和各个交易特征的数据变化稳定性,确定目标交易特征;
从所述采样交易数据中获取所述目标特征对应的交易数据,得到所述样本数据。
在本实施例中,支付平台根据交易特征的信息价值确定样本数据中的交易特征。具体地,支付平台会根据采样交易数据中历史支付交易的交易特征进行信息价值评估,得到历史支付交易中各个交易特征的信息量。信息价值的评估方式具体包括先对某个交易特征的交易数据进行分箱,对于交易数据的每个分箱,分别计算正样本数、负样本数,分别除以全量数据中的正样本、负样本总数,得到每个分箱内的边际正样本占比和边际负样本占比求得对应分箱证据权重值。再根据证据权重值计算加权和,从而得到该交易特征的信息量。支付平台还可以计算各个特征数据的数据变化稳定性指标。具体地,首先会将交易特征进行离散化,即类别型特征保持不变,数值型特征进行分箱处理。随后,在相同的分箱区间内,分别统计实际占比与预期占比的数据集合中,每一个特征下每种取值的正样本占比;随后,计算各分箱内的实际占比-预期占比和Ln(实际占比/预期占比),计算索引=(实际占比-预期占比)*ln(实际占比/预期占比);最后,将该交易特征下的各取值(分箱)的索引进行求和,即得到该特征的最终稳定性。根据历史支付交易中各个交易特征的信息量和各个交易特征的数据变化稳定性是否满足预设值的信息量要去和稳定性要求,从而确定目标交易特征。最后,从采样交易数据中所述目标特征对应的交易数据,得到样本数据。
在本申请实施例中,通过交易特征的信息量和稳定性来选择目标交易特征,从而能够使得样本数据中的数据具备更加的特征表达性,有利于提升参数的准确性。
在第一映射关系部署之前,支付平台会对第一映射关系进行初始化。为了便于介绍,请参阅图6,图6为本申请实施例中映射关系初始化的示意性流程图。如图6所示,初始化过程中,首先会创建初始映射关系610,其中主要包括映射关系中参数的随机初始化。在步骤620中,会根据样本数量确定隐含层节点数目。然后,在步骤630中初始化初始映射关系中输入层的权重。随后,在步骤640中,根据正负样本的数量确定正负样本权重矩阵。随后,在步骤650中,求解出初始映射关系中输出层的参数,从而得到第一映射参数,从而完成初始化过程。
在本申请的一个实施例中,基于以上的技术方案,上述步骤S410,获取支付交易的支付数据之前,本申请的方法还包括如下的步骤:
对第二映射关系进行初始化,所述第二映射关系中包含输入层、隐含层和输出层;
根据初始样本数据中正样本权重和负样本权重,生成样本权重矩阵;
通过所述输入层和所述隐含层对所述初始样本数据进行处理,得到隐含层输出结果;
根据所述初始样本数据、所述样本权重矩阵和所述隐含层输出结果的映射关系,确定所述输出层的输出层参数;
根据所述输出层参数更新所述第二映射关系中所述输出层的参数,得到所述第一映射关系。
在本申请的实施例中,会对第二映射关系进行初始参数更新,从而得到要部署的第一映射关系。可以理解,第二映射关系与第一映射关系的结构相同,即第二映射关系中的各项参数通常是随机赋予的,而第一映射关系为进行初始参数更新后的第二映射关系。
具体地,支付平台首先会对第二映射关系进行初始化,其中包括按照第二映射关系构建对应的映射关系结构以及初始化程序对象等。第二映射关系是一个三层的网络结构,包含输入层、隐含层和输出层。为了便于介绍,请参阅图7,图7为本申请实施例中第二映射关系的结构示意图。如图6所示,输入层接收的输入xj是d维的特征向量,对应标签为zj。输出是一个标量yj。其中,输出层中存在输出层参数β。随后,支付平台会生成样本权重矩阵。样本权重矩阵W=diag(w11,…,wNN)为对角矩阵,其中,其第j个值wjj代表样本j的权重。随后,支付平台通过输入层和隐含层对初始样本数据进行处理,得到隐含层输出结果。具体地,对于输入样本xj,隐含层的输出可以表示为
tj=g(Hxj+b)
其中g为隐含层节点的非线性激活函数,可以选用sigmoid函数或者其他非线性函数。根据初始样本数据、样本权重矩阵和隐含层输出结果,支付凭条可以计算得到输出层的输出层参数。其中,输出层的输出可以表示为
yj=tj Tβ
其中β为输出层的参数。则对于全部N个样本数据,损失函数可以表示为
min∑wjj||yj-zj||2
可以证明,该目标损失函数有闭式的解析解,如下:
β=(TWTT)-1TZ
其中T=[t1,…,tN]T,对应于隐含层输出,Z=[z1,…,zN]T,对应于样板标签。
在得到输出层参数后,支付平台则更新第二映射关系中输出层的参数β,从而得到第一映射关系。
在本申请的实施例中,提供了第二映射关系的初始化方式,第一映射关系含有单层隐含层,降低了映射关系的计算复杂度,提升在线计算的计算速度,有利于提高风控检测的在线实时性。
在本申请的一个实施例中,基于以上的技术方案,上述步骤,对第二映射关系进行初始化,具体包括如下的步骤:
根据所述初始样本数据的特征数量,确定所述隐含层的节点数量;
随机初始化所述输入层中输入层权重和输入层偏差,其中,所述输入层权重的维度数量根据所述隐含层的节点数量和所述初始样本数据的特征数量确定。
在本实施例中,支付平台会根据初始样本数据的特征数量,来确定隐含层的节点数量。具体地,隐含层的节点数量L通常设置为大于输入的初始样本数据中的特征数d,并且小于总样本数N。支付平台会随机初始化输入层中的输入层权重和输入层偏差,其中,输入层权重的维度数量根据隐含层的节点数量和初始样本数据的特征数量确定。具体地,输入层权重H的维度为L*d。其中,L为隐含层的节点数量,d为初始样本数据中的特征数。,输入层权重H和输入层偏置b的取值则进行随机初始化。此外,在后续的参数更新过程中,输入层权重H和输入层偏置b的取值可以不需要调整,而仅调整输入层参数,通过输出层参数来体现隐含层输出到输出层的输出之间的映射关系,从而达到学习效果。
在本申请的一个实施例中,基于以上的技术方案,上述步骤S430,根据所述风险评分,确定所述支付交易的风险检测结果,具体包括如下的步骤:
获取所述支付交易对应的风险告警策略,所述风险告警策略用于指示对支付交易进行风险告警的预设条件;
根据所述风险告警策略和所述风险评分,对所述支付交易进行风险告警;
根据所述风险告警的结果,对所述支付交易的支付数据进行样本标记,以用于对所述第一映射关系进行参数更新。
对于每个每种支付交易,在支付平台中会配置对应的风险告警策略。风险告警策略用于指示对支付交易进行风险告警的预设条件,即符合风险告警策略的风险交易才会被告警,而不符合的风险交易可以被作为正常交易进行处理。在获取到对应的风险告警策略后,支付平台会根据风险告警策略和风险评分,确定当前的支付交易是否属于需要告警的风险交易,并且在需要告警的情况下,对支付交易进行风险告警。随后,支付平台会根据风险告警的结果,对支付交易的支付数据进行样本标记。具体地,进行风险告警的支付交易会被标记为正样本,而未进行风险告警的支付交易会被标记为负样本。标记的样本会下一次参数更新时被用于对更新后的第一映射关系进行参数更新,从而提升第一映射关系对于风险的识别能力。
在本申请的实施例中,在进行风险告警后,会根据告警结果对支付数据进行样本标记,从而能够在支付业务的过程中,自动收集样本数据来对第一映射关系进行参数更新,使得第一映射关系能够保持对风险识别能力的时效性。
下面介绍本申请方案中的一个完整实施例。请参阅图8,图8为本申请实施例中一个完成实施例的示意性流程图。如图8所示,在步骤801中,支付平台会按照预设时间段从通过所述映射关系进行过评分的历史交易数据中获取样本数据,其中,所述历史交易数据为所述预设时间段内的历史支付交易的交易数据;随后,在步骤802中,支付平台会将所述样本数据中各个负样本的权重设置为预设权重,并且在步骤803中,根据所述负样本的样本数与正样本的样本数的比值,确定各个正样本的权重;在步骤804中,支付平台根据所述负样本的权重和所述正样本的权重,生成样本权重矩阵。在步骤805中,支付平台还会将所述样本数据输入到所述第一映射关系中进行计算,得到隐含层结果。随后,在步骤806中,支付平台根据所述样本权重矩阵和所述隐含层结果的映射关系,确定所述第一映射关系的更新参数,并且在步骤807中,将所述更新参数带入所述第一映射关系,得到候选映射。在步骤808中,支付平台开始进行评估,从与所述预设时间段不同的时间段中获取已标记的交易数据作为评估样本;随后在步骤809中,通过所述候选映射对所述评估样本进行评分,得到评估输出结果。在步骤810中,支付平台会根据所述评估输出结果中识别的风险交易与所述评估样本中的实际风险交易的比对结果,来确定所述候选映射的评估结果。在步骤811中,如果所述评估结果指示评估通过,则可以将候选映射确定为所述更新后的第一映射关系。在得到更新后的第一映射关系后,在步骤812中,支付平台在进行支付交易时,获取所述支付交易的支付数据,并且在步骤813中,通过更新后的第一映射关系对所述支付数据进行评分,得到所述支付交易的风险评分;最后,在步骤814中,支付平台根据所述风险评分,确定所述支付交易的风险检测结果,从而在后续的步骤中根据风险检测结果来进一步进行风险告警。
应当注意,尽管在附图中以特定顺序描述了本申请中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
以下介绍本申请的装置实施,可以用于执行本申请上述实施例中的支付风险检测方法。图9示意性地示出了本申请实施例中支付风险检测装置的组成框图。如图9所示,支付风险检测装置900主要可以包括:
支付数据获取模块910,用于获取支付交易的支付数据;
评分模块920,用于通过第一映射关系对所述支付数据进行评分,得到所述支付交易的风险评分,所述第一映射关系中包含隐含层和输出层,所述隐含层的隐含层参数为随机生成的固定参数,所述输出层的输出层参数是根据样本权重矩阵一次求解的,所述样本权重矩阵表示为对角矩阵,所述对角矩阵中位于对角位置的权重值与样本数据的正负性相关;
结果确定模块930,用于根据所述风险评分,确定所述支付交易的风险检测结果。
在本申请的一些实施例中,基于以上技术方案,支付风险检测装置900还包括:
样本数据获取模块,用于按照预设时间段从通过所述第一映射关系进行过评分的历史交易数据中获取样本数据,所述历史交易数据为所述预设时间段内的历史支付交易的交易数据;
参数更新模块,用于根据所述样本数据,对所述映射关系中所述输出层的输出层参数进行参数更新。
在本申请的一些实施例中,基于以上技术方案,参数更新模块,包括:
更新子模块,用于根据所述样本数据,对所述第一映射关系中所述输出层的输出层参数进行参数更新,得到候选映射;
评估子模块,用于根据评估数据,对所述候选映射进行评估,得到评估结果,其中,所述评估数据来自于与所述预设时间段不同的时间段;
映射确定子模块,用于若所述评估结果指示评估通过,则将所述候选映射确定为参数更新后的所述第一映射关系。
在本申请的一些实施例中,基于以上技术方案,评估子模块,包括:
评估样本获取单元,用于从与所述预设时间段不同的时间段中获取已标记正负的交易数据作为评估样本;
评分单元,用于通过所述候选映射对所述评估样本进行评分,得到评估输出结果;
评估结果确定单元,用于根据所述评估输出结果中识别的风险交易与所述评估样本中的实际风险交易的比对,确定所述候选映射的评估结果。
在本申请的一些实施例中,基于以上技术方案,评估结果确定单元包括:
样本覆盖分数确定子单元,用于根据所述评估输出结果中风险交易的数量和所述评估样本中风险交易的实际数量的比例,确定样本覆盖分数;
告警风险数量确定子单元,用于根据风险告警策略,确定所述评估输出结果的风险交易中符合所述风险告警策略的交易的告警风险数量,所述风险告警策略用于指示对支付交易进行风险告警的预设条件;
策略覆盖分确定子单元,用于数根据所述评估输出结果中风险交易的数量和所述告警风险数量的比例,确定策略覆盖分数;
评估结果根据所述样本覆盖分数和所述策略覆盖分数,确定所述候选映射的评估结果。
在本申请的一些实施例中,基于以上技术方案,更新子模块包括:
矩阵生成单元,用于根据所述样本数据中正样本权重和负样本权重,生成样本权重矩阵;
计算单元,用于将所述样本数据输入到所述第一映射关系中进行计算,得到所述隐含层结果;
更新参数确定单元,用于根据所述样本权重矩阵和所述隐含层结果的预设映射关系,确定所述第一映射关系中输出层的更新参数;
参数带入单元,用于将所述更新参数带入所述第一映射关系的输出层,得到候选映射。
在本申请的一些实施例中,基于以上技术方案,矩阵生成单元包括:
负样本权重设置子单元,用于将所述样本数据中各个负样本的权重设置为预设权重;
正样本权重设置子单元,用于根据所述负样本的样本数与正样本的样本数的比值,确定各个正样本的权重;
矩阵生成子单元,用于根据所述负样本的权重和所述正样本的权重,生成样本权重矩阵。
在本申请的一些实施例中,基于以上技术方案,样本数据获取模块包括:
历史数据获取子模块,用于获取在所述预设时间段内发生的历史支付交易的历史交易数据;
样本抽取子模块,用于按照预设比例,从所述历史交易数据中抽取已标记正负的数据样本,得到采样交易数据;
数据清洗子模块,用于根据所述采样交易数据的数据特征,对所述采样交易数据进行数据清洗,得到所述样本数据。
在本申请的一些实施例中,基于以上技术方案,数据清洗子模块,包括:
信息价值评估单元,用于根据所述采样交易数据中历史支付交易的交易特征进行信息价值评估,得到历史支付交易中各个交易特征的信息量;
目标交易特征确定单元,用于根据所述历史支付交易中各个交易特征的信息量和各个交易特征的数据变化稳定性,确定目标交易特征;
交易数据获取单元,用于从所述采样交易数据中获取所述目标特征对应的交易数据,得到所述样本数据。
在本申请的一些实施例中,基于以上技术方案,支付风险检测装置900还包括:
初始化模块,用于对第二映射关系进行初始化,所述第二映射关系中包含输入层、隐含层和输出层;
权重生成模块,用于根据初始样本数据中正样本权重和负样本权重,生成样本权重矩阵;
数据处理模块,用于通过所述输入层和所述隐含层对所述初始样本数据进行处理,得到隐含层输出结果;
输出层参数确定模块,用于根据所述初始样本数据、所述样本权重矩阵和所述隐含层输出结果的映射关系,确定所述输出层的输出层参数;
参数更新模块,用于根据所述输出层参数更新所述第二映射关系中所述输出层的参数,得到所述第一映射关系。
在本申请的一些实施例中,基于以上技术方案,初始化模块包括:
节点数量确定子模块,用于根据所述初始样本数据的特征数量,确定所述隐含层的节点数量;
随机子模块,用于随机初始化所述输入层中输入层权重和输入层偏差,其中,所述输入层权重的维度数量根据所述隐含层的节点数量和所述初始样本数据的特征数量确定。
在本申请的一些实施例中,基于以上技术方案,结果确定模块930包括:
策略获取子模块,用于获取所述支付交易对应的风险告警策略,所述风险告警策略用于指示对支付交易进行风险告警的预设条件;
风险告警子模块,用于根据所述风险告警策略和所述风险评分,对所述支付交易进行风险告警;
样本标记子模块,用于根据所述风险告警的结果,对所述支付交易的支付数据进行样本标记,以用于对所述更新后的第一映射关系进行参数更新。
需要说明的是,上述实施例所提供的装置与上述实施例所提供的方法属于同一构思,其中各个模块执行操作的具体方式已经在方法实施例中进行了详细描述,此处不再赘述。
图10示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
需要说明的是,图10示出的电子设备的计算机系统1000仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图10所示,计算机系统1000包括中央处理单元(Central Processing Unit,CPU)1001,其可以根据存储在只读存储器(Read-Only Memory,ROM)1002中的程序或者从储存部分1008加载到随机访问存储器(Random Access Memory,RAM)1003中的程序而执行各种适当的动作和处理。在RAM 1003中,还存储有系统操作所需的各种程序和数据。CPU1001、ROM1002以及RAM 1003通过总线1004彼此相连。输入/输出(Input/Output,I/O)接口1005也连接至总线1004。
以下部件连接至I/O接口1005:包括键盘、鼠标等的输入部分1006;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分1007;包括硬盘等的储存部分1008;以及包括诸如LAN(Local AreaNetwork,局域网)卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1010上,以便于从其上读出的计算机程序根据需要被安装入储存部分1008。
特别地,根据本申请的实施例,各个方法流程图中所描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1009从网络上被下载和安装,和/或从可拆卸介质1011被安装。在该计算机程序被中央处理单元(CPU)1001执行时,执行本申请的系统中限定的各种功能。
需要说明的是,本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本申请实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (15)
1.一种支付风险检测方法,其特征在于,包括:
获取支付交易的支付数据;
通过第一映射关系对所述支付数据进行评分,得到所述支付交易的风险评分,所述第一映射关系中包含隐含层和输出层,所述隐含层的隐含层参数为随机生成的固定参数,所述输出层的输出层参数是根据样本权重矩阵一次求解的,所述样本权重矩阵表示为对角矩阵,所述对角矩阵中位于对角位置的权重值与样本数据的正负性相关;
根据所述风险评分,确定所述支付交易的风险检测结果。
2.根据权利要求1所述的方法,其特征在于,所述获取支付交易的支付数据之前,所述方法还包括:
按照预设时间段从通过所述第一映射关系进行过评分的历史交易数据中获取样本数据,所述历史交易数据为所述预设时间段内的历史支付交易的交易数据;
根据所述样本数据,对所述第一映射关系中所述输出层的输出层参数进行参数更新。
3.根据权利要求2所述的方法,其特征在于,所述根据所述样本数据,对所述第一映射关系中所述输出层的输出层参数进行参数更新,包括:
根据所述样本数据,对所述第一映射关系中所述输出层的输出层参数进行参数更新,得到候选映射;
根据评估数据,对所述候选映射进行评估,得到评估结果,其中,所述评估数据来自于与所述预设时间段不同的时间段;
若所述评估结果指示评估通过,则将所述候选映射确定为参数更新后的所述第一映射关系。
4.根据权利要求3所述的方法,其特征在于,所述根据评估数据,对所述候选映射进行评估,得到评估结果,包括:
从与所述预设时间段不同的时间段中获取已标记正负的交易数据作为评估样本;
通过所述候选映射对所述评估样本进行评分,得到评估输出结果;
根据所述评估输出结果中识别的风险交易与所述评估样本中的实际风险交易的比对,确定所述候选映射的评估结果。
5.根据权利要求4所述的方法,其特征在于,所述根据所述评估输出结果中识别的风险交易与所述评估样本中的实际风险交易的比对,确定所述候选映射的评估结果,包括:
根据所述评估输出结果中风险交易的数量和所述评估样本中风险交易的实际数量的比例,确定样本覆盖分数;
根据风险告警策略,确定所述评估输出结果的风险交易中符合所述风险告警策略的交易的告警风险数量,所述风险告警策略用于指示对支付交易进行风险告警的预设条件;
根据所述评估输出结果中风险交易的数量和所述告警风险数量的比例,确定策略覆盖分数;
根据所述样本覆盖分数和所述策略覆盖分数,确定所述候选映射的评估结果。
6.根据权利要求3所述的方法,其特征在于,所述根据所述样本数据,对所述第一映射关系中所述输出层的输出层参数进行参数更新,得到候选映射,包括:
根据所述样本数据中正样本权重和负样本权重,生成样本权重矩阵;
将所述样本数据输入到所述第一映射关系中进行计算,得到所述隐含层结果;
根据所述样本权重矩阵和所述隐含层结果的预设映射关系,确定所述第一映射关系中输出层的更新参数;
将所述更新参数带入所述第一映射关系的输出层,得到候选映射。
7.根据权利要求6所述的方法,其特征在于,所述根据所述样本数据中正样本权重和负样本权重,生成样本权重矩阵,包括:
将所述样本数据中各个负样本的权重设置为预设权重;
根据所述负样本的样本数与正样本的样本数的比值,确定各个正样本的权重;
根据所述负样本的权重和所述正样本的权重,生成样本权重矩阵。
8.根据权利要求2所述的方法,其特征在于,所述按照预设时间段从所述第一映射关系进行过评分的历史交易数据中获取样本数据,包括:
获取在所述预设时间段内发生的历史支付交易的历史交易数据;
按照预设比例,从所述历史交易数据中抽取已标记正负的数据样本,得到采样交易数据;
根据所述采样交易数据的数据特征,对所述采样交易数据进行数据清洗,得到所述样本数据。
9.根据权利要求8所述的方法,其特征在于,所述根据所述采样交易数据的数据特征,对所述采样交易数据进行数据清洗,得到所述样本数据,包括:
根据所述采样交易数据中历史支付交易的交易特征进行信息价值评估,得到历史支付交易中各个交易特征的信息量;
根据所述历史支付交易中各个交易特征的信息量和各个交易特征的数据变化稳定性,确定目标交易特征;
从所述采样交易数据中获取所述目标特征对应的交易数据,得到所述样本数据。
10.根据权利要求1所述的方法,其特征在于,所述获取支付交易的支付数据之前,所述方法还包括:
对第二映射关系进行初始化,所述第二映射关系中包含输入层、隐含层和输出层;
根据初始样本数据中正样本权重和负样本权重,生成样本权重矩阵;
通过所述输入层和所述隐含层对所述初始样本数据进行处理,得到隐含层输出结果;
根据所述初始样本数据、所述样本权重矩阵和所述隐含层输出结果的映射关系,确定所述输出层的输出层参数;
根据所述输出层参数更新所述第二映射关系中所述输出层的参数,得到所述第一映射关系。
11.根据权利要求10所述的方法,其特征在于,所述对第二映射关系进行初始化,包括:
根据所述初始样本数据的特征数量,确定所述隐含层的节点数量;
随机初始化所述输入层中输入层权重和输入层偏差,其中,所述输入层权重的维度数量根据所述隐含层的节点数量和所述初始样本数据的特征数量确定。
12.根据权利要求1至11中任一项所述的方法,其特征在于,所述根据所述风险评分,确定所述支付交易的风险检测结果,包括:
获取所述支付交易对应的风险告警策略,所述风险告警策略用于指示对支付交易进行风险告警的预设条件;
根据所述风险告警策略和所述风险评分,对所述支付交易进行风险告警;
根据所述风险告警的结果,对所述支付交易的支付数据进行样本标记,以用于对所述第一映射关系进行参数更新。
13.一种支付风险检测装置,其特征在于,包括:
支付数据获取模块,用于获取支付交易的支付数据;
评分模块,用于通过第一映射关系对所述支付数据进行评分,得到所述支付交易的风险评分,所述第一映射关系中包含隐含层和输出层,所述隐含层的隐含层参数为随机生成的固定参数,所述输出层的输出层参数是根据样本权重矩阵一次求解的,所述样本权重矩阵表示为对角矩阵,所述对角矩阵中位于对角位置的权重值与样本数据的正负性相关;
结果确定模块,用于根据所述风险评分,确定所述支付交易的风险检测结果。
14.一种电子设备,其特征在于,包括:
处理器;
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1至12中任意一项所述的支付风险检测方法。
15.一种计算机可读介质,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如权利要求1至12中任一项所述的支付风险检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211134227.6A CN117010892A (zh) | 2022-09-16 | 2022-09-16 | 支付风险检测方法、装置、电子设备和可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211134227.6A CN117010892A (zh) | 2022-09-16 | 2022-09-16 | 支付风险检测方法、装置、电子设备和可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117010892A true CN117010892A (zh) | 2023-11-07 |
Family
ID=88566101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211134227.6A Pending CN117010892A (zh) | 2022-09-16 | 2022-09-16 | 支付风险检测方法、装置、电子设备和可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117010892A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117557272A (zh) * | 2023-11-22 | 2024-02-13 | 深圳市中磁计算机技术有限公司 | 一种针对pos机的支付环境安全检测方法、系统及介质 |
-
2022
- 2022-09-16 CN CN202211134227.6A patent/CN117010892A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117557272A (zh) * | 2023-11-22 | 2024-02-13 | 深圳市中磁计算机技术有限公司 | 一种针对pos机的支付环境安全检测方法、系统及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110417721B (zh) | 安全风险评估方法、装置、设备及计算机可读存储介质 | |
CN111127178A (zh) | 数据处理方法与装置、存储介质、电子设备 | |
CN112231570B (zh) | 推荐系统托攻击检测方法、装置、设备及存储介质 | |
CN110287316A (zh) | 一种告警分类方法、装置、电子设备及存储介质 | |
CN111931047B (zh) | 基于人工智能的黑产账号检测方法及相关装置 | |
CN113627566A (zh) | 一种网络诈骗的预警方法、装置和计算机设备 | |
CN111754241A (zh) | 一种用户行为感知方法、装置、设备及介质 | |
CN110322254A (zh) | 在线欺诈识别方法、装置、介质及电子设备 | |
WO2023045691A1 (zh) | 对象识别方法、装置、电子设备及存储介质 | |
CN115034596A (zh) | 一种风险传导预测方法、装置、设备和介质 | |
CN115204733A (zh) | 数据审计方法、装置、电子设备及存储介质 | |
CN113298121B (zh) | 基于多数据源建模的消息发送方法、装置和电子设备 | |
US11354671B2 (en) | Fraud mitigation using one or more enhanced spatial features | |
Ni et al. | A Victim‐Based Framework for Telecom Fraud Analysis: A Bayesian Network Model | |
CN115329347B (zh) | 基于车联网漏洞数据的预测方法、设备和存储介质 | |
CN115965464A (zh) | 空壳企业识别方法、装置、存储介质及电子装置 | |
CN117010892A (zh) | 支付风险检测方法、装置、电子设备和可读介质 | |
CN115795345A (zh) | 信息处理方法、装置、设备及存储介质 | |
CN114860615A (zh) | 规则自动化测试方法、装置、电子设备及存储介质 | |
CN114443738A (zh) | 异常数据挖掘方法、装置、设备及介质 | |
CN112685610A (zh) | 虚假注册账号识别方法及相关装置 | |
CN116308444A (zh) | 数据处理方法及装置、电子设备、存储介质、程序产品 | |
CN115187253A (zh) | 实体风险识别方法、装置、计算机可读介质及电子设备 | |
CN117575595A (zh) | 支付风险识别方法、装置、计算机设备及存储介质 | |
CN116975757A (zh) | 异常群体的检测方法及相关设备 |
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 |