CN117635144A - 一种基于通道配置的智能路由支付方法 - Google Patents
一种基于通道配置的智能路由支付方法 Download PDFInfo
- Publication number
- CN117635144A CN117635144A CN202410104281.9A CN202410104281A CN117635144A CN 117635144 A CN117635144 A CN 117635144A CN 202410104281 A CN202410104281 A CN 202410104281A CN 117635144 A CN117635144 A CN 117635144A
- Authority
- CN
- China
- Prior art keywords
- payment channel
- data
- payment
- user
- generate
- 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
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000012545 processing Methods 0.000 claims abstract description 144
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 51
- 238000012544 monitoring process Methods 0.000 claims abstract description 45
- 238000011156 evaluation Methods 0.000 claims abstract description 30
- 238000005516 engineering process Methods 0.000 claims abstract description 25
- 238000007637 random forest analysis Methods 0.000 claims abstract description 14
- 238000013075 data extraction Methods 0.000 claims abstract description 6
- 238000012502 risk assessment Methods 0.000 claims description 87
- 238000012795 verification Methods 0.000 claims description 54
- 238000012549 training Methods 0.000 claims description 50
- 238000004364 calculation method Methods 0.000 claims description 41
- 238000005457 optimization Methods 0.000 claims description 39
- 238000012360 testing method Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- 238000007477 logistic regression Methods 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000002427 irreversible effect Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明涉及金融科技应用技术领域,尤其涉及一种基于通道配置的智能路由支付方法。所述方法包括以下步骤:获取银行数据库的银行历史交易数据;利用随机森林算法对银行历史交易数据进行支付通道特征数据提取处理,生成支付通道特征数据;根据支付通道特征数据进行支付通道备选评估处理,生成备选支付通道信息;利用电子监控设备对用户进行虹膜数据采集处理,生成用户的虹膜数据;利用录音设备对用户进行人声采集处理,生成用户的音频数据;利用双因素身份验证加密技术对虹膜数据与音频数据进行用户多重身份验证信息加密处理,生成用户加密验证信息。本发明通过对支付通道的动态调整,以实现智能路由的支付方法。
Description
技术领域
本发明涉及金融科技应用技术领域,尤其涉及一种基于通道配置的智能路由支付方法。
背景技术
经过互联网的快速发展,线上支付方式便捷了人们的生活方式,对于线上支付方式也有各式各样,人们也可以选择不同的线上支付方式进行支付。然而,传统的智能路由方法不能对用户的支付通道偏好与支付通道的安全性进行综合性的设计支付通道的优先级,对于交易信息的加密方式也不能保障其安全,使得降低了支付成功率、支付速度以及支付安全性。
发明内容
基于此,本发明提供一种基于通道配置的智能路由支付方法,以解决至少一个上述技术问题。
为实现上述目的,一种基于通道配置的智能路由支付方法,包括以下步骤:
步骤S1:获取银行数据库的银行历史交易数据;利用随机森林算法对银行历史交易数据进行支付通道特征数据提取处理,生成支付通道特征数据;根据支付通道特征数据进行支付通道备选评估处理,生成备选支付通道信息;
步骤S2:利用电子监控设备对用户进行虹膜数据采集处理,生成用户的虹膜数据;利用录音设备对用户进行人声采集处理,生成用户的音频数据;利用双因素身份验证加密技术对虹膜数据与音频数据进行用户多重身份验证信息加密处理,生成用户加密验证信息;
步骤S3:根据用户加密验证信息对银行数据库进行用户历史交易数据采集处理,生成用户历史交易数据;利用长短期记忆网络算法对用户历史交易数据进行用户个性化支付通道分析处理,生成用户偏好支付通道数据;根据用户偏好支付通道数据进行支付通道主选评估处理,生成主选支付通道信息;根据主选支付通道信息与备选支付通道信息进行支付通道配置的智能路由建立,生成支付通道智能路由;
步骤S4:利用支付通道风险计算公式对银行历史交易数据进行支付风险数据计算处理,生成历史支付通道风险数据;基于逻辑回归算法对历史支付通道风险数据进行交易路由的风险评估模型建立,生成风险评估模型;
步骤S5:对支付通道智能路由进行支付通道实时监测处理,生成支付通道智能路由的实时支付通道监测数据;将实时支付通道监测数据传输至风险评估模型中进行支付通道实时风险评估处理,生成实时支付通道风险评估数据;根据实时支付通道风险评估数据对支付通道智能路由进行支付通道优化动态调整处理,生成优化后的支付通道智能路由;
步骤S6:利用哈希函数对优化后的支付通道智能路由中预获取的预交易数据进行哈希加密处理,生成预交易数据的哈希值;利用用户加密验证信息对预交易数据的哈希值进行标记拆分加密处理,生成优化后的加密交易数据。
本发明通过利用随机森林算法对银行历史交易数据进行支付通道特征数据提取处理,可以从大量的历史数据中提取出与支付通道相关的特征信息,这些特征信息可以帮助识别出哪些支付通道更适合处理特定类型的交易,从而提高支付通道选择的准确性。通过根据支付通道特征数据进行备选评估处理,可以对备选支付通道进行评估和排名,确定哪些备选支付通道具有较高的可靠性、速度和安全性,从而提供了一种更加全面和客观的方式来选择备选支付通道。通过采集用户的虹膜数据和音频数据,并对其进行加密处理,可以实现双因素身份验证,多重身份验证方式提供了更高的安全性,因为攻击者需要同时获取并解密用户的虹膜数据和音频数据才能冒充用户身份,虹膜数据和音频数据是唯一的生物特征,每个人的虹膜和声音都是独一无二的,通过采集和加密处理这些数据,可以确保身份验证过程的准确性,避免误认和身份冒用的风险。通过根据用户加密验证信息获取用户历史交易数据,并利用长短期记忆网络算法对数据进行分析,可以了解用户的支付偏好和习惯,基于这些分析结果,生成用户偏好支付通道数据,使支付流程更加符合用户的个性化需求,提供更好的支付体验。通过对用户历史交易数据的分析和用户偏好支付通道数据的生成,可以了解用户对不同支付通道的偏好程度和使用频率,利用主选评估处理,生成主选支付通道信息,这些通道是根据用户的偏好和历史交易数据进行筛选和排序的结果。这样可以优化支付通道选择,提供更适合用户需求的支付通道。支付通道的智能路由建立是基于用户加密验证信息和主选支付通道信息与备选支付通道信息的综合分析,通过综合考虑用户的身份验证信息、偏好支付通道以及备选通道的安全性等因素,建立更安全的支付通道智能路由,这有助于减少支付风险和欺诈行为。通过利用支付通道风险计算公式对银行历史交易数据进行支付风险数据计算处理,识别出历史交易中存在的支付风险,这有助于银行对潜在的风险进行评估和监控,提前发现并应对可能的风险事件。基于逻辑回归算法对历史支付通道风险数据进行建模和分析,可以建立交易路由的风险评估模型,这个模型可以根据历史支付通道风险数据的特征和趋势,预测未来交易的风险程度,为决策者提供参考和指导。通过对支付通道智能路由进行支付通道的实时监测处理,可以及时收集和记录支付通道智能路由在不同时间点上的支付通道情况,这有助于了解当前支付通道的状态、使用情况和性能表现,为后续的风险评估和优化提供数据支持。将实时支付通道监测数据传输至风险评估模型中进行实时风险评估处理,可以基于当前的支付通道情况计算出实时的支付通道风险评估数据,及时发现潜在的支付风险,并提供实时的风险评估结果。根据实时支付通道风险评估数据,对支付通道智能路由进行支付通道优化的动态调整处理,根据实时风险评估数据对支付通道进行调整,可以优化后的支付通道智能路由的配置,提高支付安全性和效率。通过对预交易数据进行哈希加密处理,可以将数据转化为不可逆的哈希值,提高数据的安全性,哈希函数具有唯一性和不可逆性,即相同的输入数据会产生相同的哈希值,而不同的输入数据会产生不同的哈希值,有效防止数据的泄露和篡改,保护交易数据的机密性和完整性,预交易数据的哈希值可以用于验证数据的完整性,在传输过程中如果预交易数据被篡改或损坏,哈希值将发生变化,从而提供了一种简单而有效的方法来检测数据的篡改或损坏。将用户加密验证信息与哈希值进行标记拆分加密处理,进一步增强数据的保护,将用户加密验证信息与哈希值相关联,只有具备相应加密验证信息的授权用户才能解密并获取原始的预交易数据。因此,本发明的基于通道配置的智能路由支付方法能够对用户的支付通道偏好与支付通道的安全性进行综合性的设计支付通道的优先级,对于交易信息的加密方式也能保障其安全,从而提高了支付成功率、支付速度以及支付安全性。
附图说明
图1为本发明的基于通道配置的智能路由支付方法的步骤流程示意图;
图2为图1中步骤S1的详细实施步骤流程示意图;
图3为图1中步骤S2的详细实施步骤流程示意图;
图4为图1中步骤S3的详细实施步骤流程示意图;
图5为图1中步骤S5的详细实施步骤流程示意图;
图6为图1中步骤S6的详细实施步骤流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,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/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
本申请实施例提供一种基于通道配置的智能路由支付方法,所述银行数据库包括但不限于:A银行的客户信息管理数据库、B银行的客户信息管理数据库等至少一种。所述备选支付通道信息包括但不限于:备选支付软件A、备选支付软件B等至少一种。所述主选支付通道信息包括但不限于:首选的支付软件C、首选的支付软件D等至少一种。
为实现上述目的,请参阅图1至图6,一种基于通道配置的智能路由支付方法,包括以下步骤:
步骤S1:获取银行数据库的银行历史交易数据;利用随机森林算法对银行历史交易数据进行支付通道特征数据提取处理,生成支付通道特征数据;根据支付通道特征数据进行支付通道备选评估处理,生成备选支付通道信息;
步骤S2:利用电子监控设备对用户进行虹膜数据采集处理,生成用户的虹膜数据;利用录音设备对用户进行人声采集处理,生成用户的音频数据;利用双因素身份验证加密技术对虹膜数据与音频数据进行用户多重身份验证信息加密处理,生成用户加密验证信息;
步骤S3:根据用户加密验证信息对银行数据库进行用户历史交易数据采集处理,生成用户历史交易数据;利用长短期记忆网络算法对用户历史交易数据进行用户个性化支付通道分析处理,生成用户偏好支付通道数据;根据用户偏好支付通道数据进行支付通道主选评估处理,生成主选支付通道信息;根据主选支付通道信息与备选支付通道信息进行支付通道配置的智能路由建立,生成支付通道智能路由;
步骤S4:利用支付通道风险计算公式对银行历史交易数据进行支付风险数据计算处理,生成历史支付通道风险数据;基于逻辑回归算法对历史支付通道风险数据进行交易路由的风险评估模型建立,生成风险评估模型;
步骤S5:对支付通道智能路由进行支付通道实时监测处理,生成支付通道智能路由的实时支付通道监测数据;将实时支付通道监测数据传输至风险评估模型中进行支付通道实时风险评估处理,生成实时支付通道风险评估数据;根据实时支付通道风险评估数据对支付通道智能路由进行支付通道优化动态调整处理,生成优化后的支付通道智能路由;
步骤S6:利用哈希函数对优化后的支付通道智能路由中预获取的预交易数据进行哈希加密处理,生成预交易数据的哈希值;利用用户加密验证信息对预交易数据的哈希值进行标记拆分加密处理,生成优化后的加密交易数据。
本发明通过利用随机森林算法对银行历史交易数据进行支付通道特征数据提取处理,可以从大量的历史数据中提取出与支付通道相关的特征信息,这些特征信息可以帮助识别出哪些支付通道更适合处理特定类型的交易,从而提高支付通道选择的准确性。通过根据支付通道特征数据进行备选评估处理,可以对备选支付通道进行评估和排名,确定哪些备选支付通道具有较高的可靠性、速度和安全性,从而提供了一种更加全面和客观的方式来选择备选支付通道。通过采集用户的虹膜数据和音频数据,并对其进行加密处理,可以实现双因素身份验证,多重身份验证方式提供了更高的安全性,因为攻击者需要同时获取并解密用户的虹膜数据和音频数据才能冒充用户身份,虹膜数据和音频数据是唯一的生物特征,每个人的虹膜和声音都是独一无二的,通过采集和加密处理这些数据,可以确保身份验证过程的准确性,避免误认和身份冒用的风险。通过根据用户加密验证信息获取用户历史交易数据,并利用长短期记忆网络算法对数据进行分析,可以了解用户的支付偏好和习惯,基于这些分析结果,生成用户偏好支付通道数据,使支付流程更加符合用户的个性化需求,提供更好的支付体验。通过对用户历史交易数据的分析和用户偏好支付通道数据的生成,可以了解用户对不同支付通道的偏好程度和使用频率,利用主选评估处理,生成主选支付通道信息,这些通道是根据用户的偏好和历史交易数据进行筛选和排序的结果。这样可以优化支付通道选择,提供更适合用户需求的支付通道。支付通道的智能路由建立是基于用户加密验证信息和主选支付通道信息与备选支付通道信息的综合分析,通过综合考虑用户的身份验证信息、偏好支付通道以及备选通道的安全性等因素,建立更安全的支付通道智能路由,这有助于减少支付风险和欺诈行为。通过利用支付通道风险计算公式对银行历史交易数据进行支付风险数据计算处理,识别出历史交易中存在的支付风险,这有助于银行对潜在的风险进行评估和监控,提前发现并应对可能的风险事件。基于逻辑回归算法对历史支付通道风险数据进行建模和分析,可以建立交易路由的风险评估模型,这个模型可以根据历史支付通道风险数据的特征和趋势,预测未来交易的风险程度,为决策者提供参考和指导。通过对支付通道智能路由进行支付通道的实时监测处理,可以及时收集和记录支付通道智能路由在不同时间点上的支付通道情况,这有助于了解当前支付通道的状态、使用情况和性能表现,为后续的风险评估和优化提供数据支持。将实时支付通道监测数据传输至风险评估模型中进行实时风险评估处理,可以基于当前的支付通道情况计算出实时的支付通道风险评估数据,及时发现潜在的支付风险,并提供实时的风险评估结果。根据实时支付通道风险评估数据,对支付通道智能路由进行支付通道优化的动态调整处理,根据实时风险评估数据对支付通道进行调整,可以优化后的支付通道智能路由的配置,提高支付安全性和效率。通过对预交易数据进行哈希加密处理,可以将数据转化为不可逆的哈希值,提高数据的安全性,哈希函数具有唯一性和不可逆性,即相同的输入数据会产生相同的哈希值,而不同的输入数据会产生不同的哈希值,有效防止数据的泄露和篡改,保护交易数据的机密性和完整性,预交易数据的哈希值可以用于验证数据的完整性,在传输过程中如果预交易数据被篡改或损坏,哈希值将发生变化,从而提供了一种简单而有效的方法来检测数据的篡改或损坏。将用户加密验证信息与哈希值进行标记拆分加密处理,进一步增强数据的保护,将用户加密验证信息与哈希值相关联,只有具备相应加密验证信息的授权用户才能解密并获取原始的预交易数据。因此,本发明的基于通道配置的智能路由支付方法能够对用户的支付通道偏好与支付通道的安全性进行综合性的设计支付通道的优先级,对于交易信息的加密方式也能保障其安全,从而提高了支付成功率、支付速度以及支付安全性。
本发明实施例中,参考图1所述,为本发明基于通道配置的智能路由支付方法的步骤流程示意图,在本实施例中,所述基于通道配置的智能路由支付方法包括以下步骤:
步骤S1:获取银行数据库的银行历史交易数据;利用随机森林算法对银行历史交易数据进行支付通道特征数据提取处理,生成支付通道特征数据;根据支付通道特征数据进行支付通道备选评估处理,生成备选支付通道信息;
本发明实施例中,获取银行数据库的银行历史交易数据,包括从数据库中提取包括交易金额、交易时间、交易方向等信息的历史交易记录。利用随机森林算法对银行历史交易数据进行支付通道特征数据提取处理,使用随机森林算法对历史交易数据进行训练和分析,以识别与支付通道相关的特征,这些特征可能包括交易金额的分布、交易时间的模式、交易方向的统计等。基于提取的支付通道特征数据进行支付通道备选评估处理,根据支付通道特征数据对备选支付通道进行评估和排序,评估可能涉及到支付通道的安全性、稳定性、交易成功率等指标,最终生成备选支付通道信息,这包括备选支付通道的列表或排序结果。
步骤S2:利用电子监控设备对用户进行虹膜数据采集处理,生成用户的虹膜数据;利用录音设备对用户进行人声采集处理,生成用户的音频数据;利用双因素身份验证加密技术对虹膜数据与音频数据进行用户多重身份验证信息加密处理,生成用户加密验证信息;
本发明实施例中,使用专门的设备或技术来捕捉用户的虹膜图像,以获取用户的虹膜数据。虹膜是人眼中独特的生物特征,可以用于身份验证和识别。使用录音设备或技术来录制用户的语音或音频数据,以获取用户的声音特征。利用双因素身份验证方法将用户的虹膜数据和音频数据进行加密处理,将虹膜数据和音频数据转换成特定数据,再利用非对称加密类方法进行加密,生成用户加密验证信息,加密的验证信息可以用于后续的身份验证过程和支付安全措施。
步骤S3:根据用户加密验证信息对银行数据库进行用户历史交易数据采集处理,生成用户历史交易数据;利用长短期记忆网络算法对用户历史交易数据进行用户个性化支付通道分析处理,生成用户偏好支付通道数据;根据用户偏好支付通道数据进行支付通道主选评估处理,生成主选支付通道信息;根据主选支付通道信息与备选支付通道信息进行支付通道配置的智能路由建立,生成支付通道智能路由;
本发明实施例中,根据用户加密验证信息对银行数据库进行用户历史交易数据采集处理,以获取用户的历史交易数据,通过解密用户加密验证信息,可以识别用户的身份并从银行数据库中检索相关的历史交易记录。利用长短期记忆网络(LSTM)算法对用户历史交易数据进行用户个性化支付通道分析处理,LSTM是一种适用于序列数据的深度学习算法,可以对用户的历史交易数据进行分析,识别出用户的支付习惯、偏好和行为模式,从而生成用户偏好支付通道数据。根据用户偏好支付通道数据进行支付通道主选评估处理,生成主选支付通道信息,这意味着根据用户的偏好和行为模式,评估不同支付通道的适用性和可靠性,选择最符合用户需求的主选支付通道。根据主选支付通道信息与备选支付通道信息进行支付通道配置的智能路由建立,生成支付通道智能路由,通过将用户的主选支付通道和备选支付通道结合起来建立智能路由机制,以确保支付通道的高效性和安全性,实现最佳的支付通道配置。
步骤S4:利用支付通道风险计算公式对银行历史交易数据进行支付风险数据计算处理,生成历史支付通道风险数据;基于逻辑回归算法对历史支付通道风险数据进行交易路由的风险评估模型建立,生成风险评估模型;
本发明实施例中,利用支付通道风险计算公式对银行历史交易数据进行支付风险数据计算处理,以生成历史支付通道风险数据,这个计算公式包括考虑交易金额、支付通道的拒绝率、交易时间等因素,用于评估每笔交易的风险程度。基于逻辑回归算法对历史支付通道风险数据进行交易路由的风险评估模型建立。逻辑回归是一种常用的分类算法,可以根据输入的特征数据(如历史支付通道风险数据)来预测交易的风险级别或概率,通过训练逻辑回归模型,可以建立一个能够根据历史支付通道风险数据对交易路由进行风险评估的模型。
步骤S5:对支付通道智能路由进行支付通道实时监测处理,生成支付通道智能路由的实时支付通道监测数据;将实时支付通道监测数据传输至风险评估模型中进行支付通道实时风险评估处理,生成实时支付通道风险评估数据;根据实时支付通道风险评估数据对支付通道智能路由进行支付通道优化动态调整处理,生成优化后的支付通道智能路由;
本发明实施例中,对支付通道智能路由进行支付通道的实时监测处理,包括实时收集和监测与支付通道相关的数据,例如交易成功率、交易时间、交易量等。监测可以通过系统日志、实时数据流或其他监测机制来实现。将实时支付通道监测数据传输至风险评估模型中进行支付通道的实时风险评估处理,这涉及将实时监测数据传输给预先建立的风险评估模型,该模型基于历史数据和算法来评估支付通道的风险水平,评估模型可以使用机器学习算法、统计模型或其他相关的风险评估技术。通过实时支付通道风险评估数据对支付通道智能路由进行支付通道的优化动态调整处理。根据实时评估数据对支付通道的优先级、权重或其他相关参数进行动态调整,以优化支付流程和提高支付安全性,优化调整可以通过算法逻辑、规则引擎或其他优化技术来实现。
步骤S6:利用哈希函数对优化后的支付通道智能路由中预获取的预交易数据进行哈希加密处理,生成预交易数据的哈希值;利用用户加密验证信息对预交易数据的哈希值进行标记拆分加密处理,生成优化后的加密交易数据。
本发明实施例中,针对优化后的支付通道智能路由中预获取的预交易数据,使用哈希函数进行哈希加密处理,哈希函数是一种将输入数据转换为固定长度哈希值的算法,通过对预交易数据应用哈希函数生成预交易数据的哈希值,哈希值具有唯一性和不可逆性,可以用于确保数据的完整性和安全性。利用用户加密验证信息对预交易数据的哈希值先进行标记,再进行拆分打乱顺序,最后利用加密算法再次加密,通过将用户加密验证信息与哈希值进行标记拆分加密处理,可以将预交易数据的哈希值与用户身份信息相关联,增加数据的安全性和隐私保护。
优选地,步骤S1包括以下步骤:
步骤S11:获取银行数据库的银行历史交易数据;
步骤S12:基于随机森林算法建立银行历史交易数据与支付通道特征的映射关系,以生成初始支付通道特征模型;
步骤S13:将银行历史交易数据进行数据划分处理,分别生成银行历史交易数据训练集与银行历史交易数据测试集;
步骤S14:利用银行历史交易数据训练集对初始支付通道特征模型进行模型训练,生成支付通道特征模型;
步骤S15:利用支付通道特征模型对银行历史交易数据测试集进行支付通道特征关系提取处理,生成支付通道特征数据;
步骤S16:根据支付通道特征数据进行支付通道备选评估处理,生成备选支付通道信息。
本发明通过基于随机森林算法的映射关系,可以建立银行历史交易数据与支付通道特征之间的模型,从而提取有效的支付通道特征,这有助于了解交易数据与支付通道之间的关联,为后续的支付通道优化提供基础。将银行历史交易数据划分为训练集和测试集,可以进行有效的模型训练和评估,通过利用训练集对初始支付通道特征模型进行训练,可以学习到数据之间的模式和规律,提高模型的准确性和泛化能力。利用支付通道特征模型对银行历史交易数据测试集进行处理,可以提取出与支付通道相关的特征信息,这有助于分析交易数据与支付通道之间的关系,了解各种特征对支付通道的影响程度,为支付通道的选择和优化提供依据。根据支付通道特征数据进行备选评估处理,可以生成备选支付通道信息,这有助于确定多个备选支付通道,以满足不同用户和交易的需求,提高支付的灵活性和可选择性。
作为本发明的一个实例,参考图2所示,为图1中步骤S1的详细实施步骤流程示意图,在本实例中所述步骤S1包括:
步骤S11:获取银行数据库的银行历史交易数据;
本发明实施例中,获取银行数据库的银行历史交易数据,包括从数据库中提取包括交易金额、交易时间、交易方向等信息的历史交易记录。
步骤S12:基于随机森林算法建立银行历史交易数据与支付通道特征的映射关系,以生成初始支付通道特征模型;
本发明实施例中,我们采用随机森林算法建立银行历史交易数据与支付通道特征的映射关系,通过该算法,我们能够确定哪些交易特征对于支付通道的选择和配置具有重要影响,例如可以分析交易金额、交易时间等特征与支付通道的关联程度。
步骤S13:将银行历史交易数据进行数据划分处理,分别生成银行历史交易数据训练集与银行历史交易数据测试集;
本发明实施例中,将银行历史交易数据进行数据划分处理,生成训练集和测试集,训练集将用于模型的训练,而测试集则用于评估模型的性能,例如可以按照时间顺序将数据划分为训练集和测试集,确保测试集包含最新的交易数据。
步骤S14:利用银行历史交易数据训练集对初始支付通道特征模型进行模型训练,生成支付通道特征模型;
本发明实施例中,利用银行历史交易数据训练集对初始支付通道特征模型进行模型训练,利用银行历史交易数据训练集对模型的误差函数、特征选择等进行优化,通过迭代优化算法不断调整参数和权重,以最大程度地准确预测支付通道的特征,以此建立出可以对支付通道特征数据预测的支付通道特征模型。
步骤S15:利用支付通道特征模型对银行历史交易数据测试集进行支付通道特征关系提取处理,生成支付通道特征数据;
本发明实施例中,利用已训练好的支付通道特征模型对测试集的银行历史交易数据进行支付通道特征关系提取处理,通过模型提取出测试集中的特征数据,并分析其与支付通道之间的关系,例如可以识别出某些特征对于选择特定支付通道更为重要。
步骤S16:根据支付通道特征数据进行支付通道备选评估处理,生成备选支付通道信息。
本发明实施例中,根据支付通道特征数据进行支付通道备选评估处理,根据事先定义的评估指标对备选支付通道进行评估和排序,以确定最佳的支付通道组合,例如考虑通道的稳定性、速度和成本等因素进行评估,从而生成备选支付通道信息。
优选地,步骤S2包括以下步骤:
步骤S21:利用电子监控设备对用户进行虹膜数据采集处理,生成用户的虹膜数据;
步骤S22:利用录音设备对用户进行人声采集处理,生成用户的音频数据;
步骤S23:利用二维快速傅里叶变换技术对虹膜数据进行虹膜数据频域转换,生成虹膜频域数据;
步骤S24:利用一维快速傅里叶变换技术对音频数据进行虹膜数据频域转换,生成音频频域数据;
步骤S25:利用快速傅里叶变换技术对虹膜频域数据与音频频域数据进行虹膜数字信号及音频数字信号转换,分别生成虹膜数字信号以及音频数字信号;
步骤S26:利用双因素身份验证加密技术对虹膜数字信号与音频数字信号进行用户多重身份验证信息加密处理,生成用户加密验证信息。
本发明通过采集用户的虹膜数据和音频数据,并对其进行加密处理,可以实现双因素身份验证,多重身份验证方式提供了更高的安全性,因为攻击者需要同时获取并解密用户的虹膜数据和音频数据才能冒充用户身份,虹膜数据和音频数据是唯一的生物特征,每个人的虹膜和声音都是独一无二的,通过采集和加密处理这些数据确保身份验证过程的准确性,避免误认和身份冒用的风险。利用二维快速傅里叶变换技术对虹膜数据和一维快速傅里叶变换技术对音频数据进行频域转换,将数据从时域转换为频域表示,这有助于提取数据中的频域特征,例如频谱信息和频率分量为后续的处理和分析提供更丰富的信息。通过快速傅里叶变换技术对虹膜频域数据和音频频域数据进行转换,可以将数据从模拟信号转换为数字信号表示,使得数字化数据的处理、存储和传输,提高数据的可处理性和可靠性。利用双因素身份验证加密技术对虹膜数字信号和音频数字信号进行加密处理,可以增强数据的安全性和隐私保护,通过加密用户的验证信息可以确保身份验证过程的机密性,防止未经授权的访问和篡改。
作为本发明的一个实例,参考图3所示,为图1中步骤S2的详细实施步骤流程示意图,在本实例中所述步骤S2包括:
步骤S21:利用电子监控设备对用户进行虹膜数据采集处理,生成用户的虹膜数据;
本发明实施例中,通过专门的虹膜扫描仪或摄像头等设备,获取用户眼部的虹膜图像数据,这些图像数据包含了虹膜的唯一特征,可以用于身份验证和识别。
步骤S22:利用录音设备对用户进行人声采集处理,生成用户的音频数据;
本发明实施例中,通过麦克风或其他录音设备,获取用户的语音样本,这些语音样本包含了用户的声音特征,可以用于声纹识别和验证。
步骤S23:利用二维快速傅里叶变换技术对虹膜数据进行虹膜数据频域转换,生成虹膜频域数据;
本发明实施例中,对虹膜图像数据应用二维快速傅里叶变换算法,将其转换为频域表示,以获取虹膜的频域特征。
步骤S24:利用一维快速傅里叶变换技术对音频数据进行虹膜数据频域转换,生成音频频域数据;
本发明实施例中,对录制的声音数据应用一维快速傅里叶变换算法,将其转换为频域表示,以提取音频的频域特征。
步骤S25:利用快速傅里叶变换技术对虹膜频域数据与音频频域数据进行虹膜数字信号及音频数字信号转换,分别生成虹膜数字信号以及音频数字信号;
本发明实施例中,将虹膜的频域数据和音频的频域数据分别应用快速傅里叶变换,将其转换为数字信号的形式,例如0101的二进制数据,以便进行后续的数字信号处理和分析。
步骤S26:利用双因素身份验证加密技术对虹膜数字信号与音频数字信号进行用户多重身份验证信息加密处理,生成用户加密验证信息。
本发明实施例中,采用双因素身份验证加密技术对虹膜数字信号和音频数字信号进行加密处理,如将0101的二进制数据进行融合,再利用非对称加密方式进行加密,生成用户加密验证信息,以确保用户的身份信息的安全性和保密性
优选地,步骤S3包括以下步骤:
步骤S31:根据用户加密验证信息对银行数据库进行用户历史交易数据采集处理,生成用户历史交易数据;
步骤S32:基于长短期记忆网络算法建立用户历史交易数据与用户偏好支付通道的映射关系,以生成初始用户偏好支付通道模型;
步骤S33:将用户历史交易数据进行数据划分处理,分别生成训练集用户历史交易数据与测试集用户历史交易数据;
步骤S34:利用训练集用户历史交易数据对初始用户偏好支付通道模型进行模型训练,生成用户偏好支付通道模型;
步骤S35:利用用户偏好支付通道模型对测试集用户历史交易数据进行用户偏好支付通道关系提取处理,生成用户偏好支付通道数据;
步骤S36:根据用户偏好支付通道数据进行支付通道主选评估处理,生成主选支付通道信息;
步骤S37:根据主选支付通道信息与备选支付通道信息进行支付通道配置的智能路由建立,生成支付通道智能路由。
本发明通过根据用户加密验证信息对银行数据库进行采集处理,可以获取用户的历史交易数据,这些数据包含了用户的交易记录和行为模式,有助于分析用户的支付习惯和偏好。基于长短期记忆网络算法建立用户历史交易数据与用户偏好支付通道的映射关系,生成初始用户偏好支付通道模型有助于理解用户的偏好和倾向,为后续的支付通道选择和优化提供依据。将用户历史交易数据划分为训练集和测试集,利用训练集对初始用户偏好支付通道模型进行模型训练,通过学习用户的历史交易数据提取特征和模式,从而优化支付通道的选择和个性化推荐。利用用户偏好支付通道模型对测试集用户历史交易数据进行处理,提取出用户偏好支付通道关系,这有助于了解用户在不同交易情境下的支付偏好和倾向,为个性化的支付通道选择提供依据。根据用户偏好支付通道数据进行评估处理,确定主选支付通道信息,评估用户的偏好和交易情境选择最适合用户需求的主要支付通道,提高支付体验和效率。根据主选支付通道信息和备选支付通道信息进行支付通道配置的智能路由建立,这可以根据用户的需求和条件,智能地选择合适的支付通道路径,确保支付的安全性、可靠性和效率。
作为本发明的一个实例,参考图4所示,为图1中步骤S3的详细实施步骤流程示意图,在本实例中所述步骤S3包括:
步骤S31:根据用户加密验证信息对银行数据库进行用户历史交易数据采集处理,生成用户历史交易数据;
本发明实施例中,通过使用用户加密验证信息作为查询条件,从银行数据库中提取与该用户相关的历史交易数据,这些数据包括用户的交易记录、交易金额、交易时间等信息,生成用户历史交易数据。
步骤S32:基于长短期记忆网络算法建立用户历史交易数据与用户偏好支付通道的映射关系,以生成初始用户偏好支付通道模型;
本发明实施例中,利用长短期记忆网络(LSTM)算法,将用户历史交易数据与用户偏好支付通道之间的关系进行建模和学习,通过分析历史交易数据提取用户对不同支付通道的偏好和行为模式。
步骤S33:将用户历史交易数据进行数据划分处理,分别生成训练集用户历史交易数据与测试集用户历史交易数据;
本发明实施例中,将用户历史交易数据按照一定的比例划分为训练集和测试集。训练集用于模型的训练和参数优化,测试集用于评估模型的性能和准确度,例如按照时间顺序划分训练集与测试集。
步骤S34:利用训练集用户历史交易数据对初始用户偏好支付通道模型进行模型训练,生成用户偏好支付通道模型;
本发明实施例中,使用训练集的用户历史交易数据作为输入,经过模型训练和优化得到用户偏好支付通道模型,模型会学习用户历史交易数据中的特征和模式,利用银行历史交易数据训练集对模型的误差函数、特征选择等进行优化,通过迭代优化算法不断调整参数和权重,并建立用户与支付通道之间的映射关系,以最大程度地准确预测用户偏好支付通道的特征。
步骤S35:利用用户偏好支付通道模型对测试集用户历史交易数据进行用户偏好支付通道关系提取处理,生成用户偏好支付通道数据;
本发明实施例中,过将测试集的用户历史交易数据输入到用户偏好支付通道模型中,可以提取用户的支付偏好和关联的支付通道信息,这些数据反映了用户对不同支付通道的偏好程度和使用倾向。
步骤S36:根据用户偏好支付通道数据进行支付通道主选评估处理,生成主选支付通道信息;
本发明实施例中,根据用户偏好支付通道数据对不同支付通道进行评估和排序,确定用户的主选支付通道,这些主选支付通道信息包括优先级、可用性、费用等方面的考虑。
步骤S37:根据主选支付通道信息与备选支付通道信息进行支付通道配置的智能路由建立,生成支付通道智能路由。
本发明实施例中,根据主选支付通道和备选支付通道的信息,建立智能路由机制,根据不同的条件和策略选择最优的支付通道进行交易处理,这样可以提高支付系统的效率和可靠性,并满足用户的偏好和需求。
优选地,步骤S4包括以下步骤:
步骤S41:利用支付通道风险计算公式对银行历史交易数据进行支付风险数据计算处理,生成历史支付通道风险数据;
步骤S42:基于逻辑回归算法建立支付通道风险数据的映射关系,以生成初始风险评估模型;
步骤S43:利用历史支付通道风险数据对初始风险评估模型进行模型训练处理,生成风险评估模型。
本发明通过利用支付通道风险计算公式对银行历史交易数据进行计算处理,可以生成历史支付通道风险数据,这些数据反映了历史交易的风险程度,了解支付通道的安全性和风险情况。基于逻辑回归算法建立支付通道风险数据的映射关系,以生成初始风险评估模型,将历史支付通道风险数据与支付通道的特征相对应,为后续的风险评估提供依据。利用历史支付通道风险数据对初始风险评估模型进行模型训练,通过训练模型学习支付通道风险数据的模式和规律,进一步提高风险评估的准确性和可靠性。
本发明实施例中,通过应用特定的支付通道风险计算公式,对银行的历史交易数据进行处理,以计算每笔交易的支付风险,例如可以考虑交易金额、交易地点、交易时间等因素,并将其转化为相应的风险评分。利用逻辑回归算法建立支付通道风险数据与支付风险评估之间的映射关系,用于预测不同支付通道风险数据与支付风险之间的关联规律,并生成初始的风险评估模型。利用历史支付通道风险数据对初始风险评估模型进行模型训练处理,生成风险评估模型,使用历史支付通道风险数据作为训练集,对初始风险评估模型进行训练和优化,通过模型训练进一步提高模型的准确性和预测能力,生成最终的风险评估模型。
优选地,步骤S41中的支付通道风险计算公式如下所示:
;
式中,表示为历史支付通道风险数据,/>表示为交易金额数据,/>表示为支付通道对应的交易拒绝率,/>表示为支付通道对应的检测到存在异常交易生成的权重信息,/>表示为支付通道对应的平均交易时间,/>表示为支付通道对应的交易成功率,/>表示为支付通道对应的历史风险评分数据,/>表示为历史支付通道风险数据的异常调整值。
本发明利用支付通道风险计算公式,该公式综合考虑了交易金额数据,支付通道对应的交易拒绝率/>,支付通道对应的检测到存在异常交易生成的权重信息/>,支付通道对应的平均交易时间/>,支付通道对应的交易成功率/>,支付通道对应的历史风险评分数据/>,以形成函数关系式/>,函数关系中,考虑交易金额可以帮助评估支付风险的大小,较高的交易金额可能会增加支付风险,因为较大的交易额可能更容易成为攻击者的目标,通过将交易金额纳入计算公式,可以更全面地评估支付风险。支付通道对应的交易拒绝率是指支付通道在某一时期内拒绝的交易数量与总交易数量的比率,较高的交易拒绝率可能表明支付通道存在异常或风险,可能需要额外的注意和调整,通过考虑交易拒绝率,可以将风险评估与支付通道的实际表现相关联。通过考虑支付通道对应的检测到存在异常交易生成的权重信息将支付通道的风险评估与异常交易的影响相关联,如交易过程中检测到交易出现欺诈、交易信息有一方身份不明确等异常行为,从而更准确地评估支付风险。支付通道对应的平均交易时间反映了支付通道的处理速度和效率,较长的平均交易时间可能增加支付风险,因为交易过程中的延迟可能导致更多的风险和机会被利用,通过考虑平均交易时间将支付风险与支付通道的性能和效率相关联。支付通道对应的交易成功率是指支付通道中成功完成的交易数量与总交易数量的比率,较高的交易成功率可能表明支付通道的稳定性和可靠性较高,通过考虑交易成功率将支付通道的风险评估与其成功率相关联,从而更全面地评估支付风险。支付通道对应的历史风险评分数据反映了支付通道过去的风险表现和历史数据,通过引入历史风险评分数据将支付风险的评估与支付通道的过去表现相关联,更准确地评估支付风险。利用历史支付通道风险数据的异常调整值/>对函数关系进行调整修正,减少异常数据或误差项带来的误差影响,从而更准确地生成历史支付通道风险数据/>,提高了对银行历史交易数据进行支付风险数据计算处理的准确性和可靠性。同时该公式中的异常调整值以及权重信息可以根据实际情况进行调整,应用于不同的支付通道的情况,提高了算法的灵活性与适用性。
优选地,步骤S5包括以下步骤:
步骤S51:对支付通道智能路由进行支付通道实时监测处理,生成实时支付通道监测数据;
步骤S52:将实时支付通道监测数据传输至风险评估模型中进行支付通道实时风险评估处理,生成实时支付通道风险评估数据;
步骤S53:根据预设的支付通道安全性等级区间将实时支付通道风险评估数据进行支付通道安全性分级,生成支付通道安全性分级数据;
步骤S54:利用优化支付通道优先级计算公式对支付通道安全性分级数据进行支付通道优化配置计算,生成支付通道优先级数据;
步骤S55:根据支付通道优先级数据对支付通道智能路由进行支付通道动态优化调整,生成优化后的支付通道智能路由。
本发明对支付通道智能路由进行实时监测,可以获取支付通道的实时状态和性能指标,了解各个通道的可用性、响应时间和交易成功率等信息,为后续的风险评估和优化提供数据基础。将实时支付通道监测数据传输至风险评估模型中进行处理,可以对支付通道的实时风险进行评估,通过分析实时数据和模型的结合,可以及时发现异常情况和潜在的风险,为后续的安全性分级和优化决策提供依据。根据预设的支付通道安全性等级区间对实时支付通道风险评估数据进行分级处理,将不同风险水平的通道进行分类,这有助于对支付通道进行安全性评估和管理,提高支付系统的整体安全性和可靠性。利用优化支付通道优先级计算公式,根据支付通道的安全性分级数据进行计算处理,生成支付通道的优先级数据。通过计算优先级可以确定各个通道的优先级顺序,为后续的优化决策提供依据。根据支付通道的优先级数据对支付通道智能路由进行动态优化调整,通过调整通道的路由顺序和权重分配可以优化系统的性能和安全性,提高用户的支付体验和交易效率。
作为本发明的一个实例,参考图5所示,为图1中步骤S5的详细实施步骤流程示意图,在本实例中所述步骤S5包括:
步骤S51:对支付通道智能路由进行支付通道实时监测处理,生成实时支付通道监测数据;
本发明实施例中,对支付通道智能路由进行支付通道实时监测处理,生成实时支付通道监测数据,例如通过监控支付通道的实时交易情况、网络延迟等指标,收集并记录支付通道的实时状态信息
步骤S52:将实时支付通道监测数据传输至风险评估模型中进行支付通道实时风险评估处理,生成实时支付通道风险评估数据;
本发明实施例中,将实时支付通道监测数据传输至风险评估模型中进行实时风险评估处理,生成实时支付通道风险评估数据,例如将收集到的实时监测数据输入到预先训练好的风险评估模型中,模型会根据数据分析和评估当前支付通道的风险水平。
步骤S53:根据预设的支付通道安全性等级区间将实时支付通道风险评估数据进行支付通道安全性分级,生成支付通道安全性分级数据;
本发明实施例中,根据预设的支付通道安全性等级区间对实时支付通道风险评估数据进行安全性分级处理,例如将风险评估数据分为高、中、低三个安全等级,生成支付通道安全性分级数据。
步骤S54:利用优化支付通道优先级计算公式对支付通道安全性分级数据进行支付通道优化配置计算,生成支付通道优先级数据;
本发明实施例中,利用优化支付通道优先级计算公式对支付通道安全性分级数据进行优化配置计算处理,例如根据支付通道的性能指标和安全性等级,计算出每个支付通道的优先级,生成支付通道优先级数据。
步骤S55:根据支付通道优先级数据对支付通道智能路由进行支付通道动态优化调整,生成优化后的支付通道智能路由。
本发明实施例中,根据支付通道优先级数据对支付通道智能路由进行动态优化调整处理,例如重新分配交易流量,该交易流量用于确定哪个支付通道优先,使高优先级的支付通道获得更多的流量,从而生成优化后的支付通道智能路由。
优选地,步骤S54中的优化支付通道优先级计算公式如下所示:
;
式中,表示为支付通道优先级数据,/>表示为支付通道涉及的支付时间,/>表示为时刻支付通道安全性分级数据,/>表示为根据主选支付通道信息生成的综合权重信息,/>表示为/>时刻为主选或备选的支付通道调整值,/>表示为根据备选支付通道信息生成的综合权重信息,/>表示为/>时刻支付通道的可靠性评分数据,/>表示为/>时刻支付通道安全性分级数据的权重信息,/>表示为支付通道优先级数据的异常调整值。
本发明利用优化支付通道优先级计算公式,该公式充分考虑了支付通道涉及的支付时间,/>时刻支付通道安全性分级数据/>,根据主选支付通道信息生成的综合权重信息/>,/>时刻为主选或备选的支付通道调整值/>,根据备选支付通道信息生成的综合权重信息/>,时刻支付通道的可靠性评分数据/>,/>时刻支付通道安全性分级数据的权重信息/>,以形成函数关系式/>,函数关系式中根据主选支付通道信息生成的综合权重信息与根据备选支付通道信息生成的综合权重信息,这些权重信息综合考虑了支付通道的各种特征和属性,例如安全性分级数据、可靠性评分数据等,通过综合权重信息的考虑,可以更准确地反映支付通道的整体质量和性能,使得减少算力的同时保障数据的准确性。/>时刻的支付通道安全性分级数据与支付通道安全性分级数据的权重信息,通过对安全性分级数据进行加权调整,可以根据实时的安全性情况对支付通道的优先级进行动态调整,这有助于确保支付通道的安全性能够及时地反映在优化的过程中,并在需要时对支付通道进行适当的调整。/>时刻为主选或备选的支付通道调整值,通过考虑支付通道的调整值实现对支付通道的动态优化和调整,确保在不同情况下选择合适的支付通道,提高支付效率和用户体验。/>时刻支付通道的可靠性评分数据考虑了支付通道的稳定性和可信度,对支付通道的优先级计算起到重要的影响。通过考虑可靠性评分数据确保在支付过程中选择稳定可靠的支付通道,减少支付风险和故障的可能性。利用支付通道优先级数据的异常调整值/>对函数关系进行调整修正,减少异常数据或误差项带来的误差影响,从而更准确地生成支付通道优先级数据/>,提高了对支付通道安全性分级数据进行支付通道优化配置计算的准确性和可靠性。同时该公式中的异常调整值以及权重信息可以根据实际情况进行调整,应用于不同的支付通道的情况,提高了算法的灵活性与适用性。
优选地,步骤S55包括以下步骤:
步骤S551:利用预设的时间阈值对支付通道优先级数据进行支付通道优先级实时更新,生成实时支付通道优先级数据;
步骤S552:利用实时支付通道优先级数据对支付通道智能路由进行支付通道动态优化调整,生成优化后的支付通道智能路由。
本发明根据预设的时间阈值对支付通道优先级数据进行实时更新,随着时间的推移,支付通道的性能和风险状况可能发生变化,因此通过实时更新优先级数据可以及时反映出通道的最新状态,为后续的动态优化提供准确的信息基础。利用实时支付通道优先级数据对支付通道智能路由进行动态优化调整,根据最新的优先级数据,对支付通道的路由顺序和权重进行调整,以实现最佳的支付通道选择,提高系统的性能、安全性和可用性,确保用户的交易顺利完成并获得最佳的支付体验。
本发明实施例中,根据预设的时间阈值,对支付通道优先级数据进行实时更新处理,以确保支付通道的优先级能够及时响应性能变化,例如当某个支付通道的性能指标在预设的时间阈值内发生显著变化时,系统会重新计算该支付通道的优先级,并生成实时支付通道优先级数据。利用实时支付通道优先级数据对支付通道智能路由进行动态优化调整处理,以实现更加智能和高效的支付通道分配,例如根据实时支付通道优先级数据,系统会调整支付通道的分配比例,使得优先级较高的支付通道能够处理更多的交易流量,从而生成优化后的支付通道智能路由。
优选地,步骤S6包括以下步骤:
步骤S61:利用哈希函数对优化后的支付通道智能路由中预获取的预交易数据进行哈希加密处理,生成预交易数据的哈希值;
步骤S62:利用用户加密验证信息对预交易数据的哈希值进行标记处理,生成预交易数据的标记哈希值;
步骤S63:对预交易数据的标记哈希值进行数据段拆分处理,生成预交易数据的拆分哈希值;
步骤S64:根据预设的数据段调节顺序方式对预交易数据的拆分哈希值进行顺序调节,生成预交易数据的调节哈希值;
步骤S65:利用同态加密技术对预交易数据的调节哈希值进行同态加密,生成优化后的加密交易数据。
本发明通过哈希函数对预交易数据进行加密处理,生成哈希值,哈希加密可以将预交易数据转化为固定长度的加密摘要,保护数据的完整性和安全性。利用用户加密验证信息对预交易数据的哈希值进行标记处理,添加额外的标记信息,增加加密数据的唯一性和识别性,确保数据的可追溯性和安全性。对预交易数据的标记哈希值进行数据段拆分处理,将哈希值分成多个数据段,增加数据的分散性和隐蔽性,防止信息泄露和数据篡改。根据预设的数据段调节顺序方式对预交易数据的拆分哈希值进行顺序调节处理,通过调整数据段的顺序增加数据的混淆性和不可预测性,提高数据的安全性。利用同态加密技术对预交易数据的调节哈希值进行加密处理,生成优化后的加密交易数据,同态加密可以在不暴露原始数据的情况下对数据进行计算和操作,增加数据的保密性和隐私性。
作为本发明的一个实例,参考图6所示,为图1中步骤S6的详细实施步骤流程示意图,在本实例中所述步骤S6包括:
步骤S61:利用哈希函数对优化后的支付通道智能路由中预获取的预交易数据进行哈希加密处理,生成预交易数据的哈希值;
本发明实施例中,通过SHA-256哈希函数对优化后的支付通道智能路由中预获取的预交易数据进行哈希加密处理,生成对应的预交易数据的哈希值。
步骤S62:利用用户加密验证信息对预交易数据的哈希值进行标记处理,生成预交易数据的标记哈希值;
本发明实施例中,将用户的身份信息或其他加密验证信息与哈希值进行组合,生成带有标记的哈希值。
步骤S63:对预交易数据的标记哈希值进行数据段拆分处理,生成预交易数据的拆分哈希值;
本发明实施例中,将预交易数据的标记哈希值按照预设的规则进行拆分,形成多个数据段的哈希值,如将一个哈希值截取2个字段,以生成预交易数据的拆分哈希值。
步骤S64:根据预设的数据段调节顺序方式对预交易数据的拆分哈希值进行顺序调节,生成预交易数据的调节哈希值;
本发明实施例中,根据指定的调节顺序方式如前后字段对调等方式,对预交易数据的拆分哈希值进行重新排序,生成调节后的哈希值。
步骤S65:利用同态加密技术对预交易数据的调节哈希值进行同态加密,生成优化后的加密交易数据。
本发明实施例中,根据具体需求和安全性要求,选择适合的同态加密方案,如Paillier同态加密或ElGamal同态加密等,使用公钥将预交易数据的调节哈希值进行同态加密,具体的加密过程会根据选定的同态加密方案而有所不同,但总体目标是将预交易数据的调节哈希值转换为加密形式,经过同态加密处理的预交易数据的调节哈希值即为优化后的加密交易数据。该数据可以在加密状态下进行进一步的计算和处理,而无需解密,以生成保护用户隐私的优化后的加密交易数据。
本申请有益效果在于,本发明通过建立银行历史交易数据与支付通道特征的映射关系,以及用户历史交易数据与用户偏好支付通道的映射关系,可以提取和分析数据之间的关联性,为后续的优化和决策提供基础。通过将数据划分为训练集和测试集,并利用机器学习算法对支付通道特征模型和用户偏好支付通道模型进行训练,可以建立模型来预测和分析支付通道特征和用户偏好,从而实现更准确的智能决策。通过对虹膜数据和音频数据的采集、频域转换和数字信号处理,可以提取和处理用户的生物特征和身份验证信息,为后续的加密和验证提供基础。通过将虹膜数字信号和音频数字信号进行多重身份验证信息加密处理,可以增强用户身份验证的安全性和可靠性,保护用户的个人隐私和数据安全。通过支付通道备选评估、支付通道优先级计算和支付通道智能路由建立,根据实时的支付通道风险评估数据和用户偏好支付通道数据进行动态优化和调整,提高支付通道的安全性和效率。通过哈希加密、同态加密和加密交易数据的处理,可以保护交易数据的完整性、隐私性和安全性,防止数据泄露和篡改。综上所述,本发明的基于通道配置的智能路由实现方法提高决策的准确性和智能性、增强身份验证和数据加密的安全性、优化支付通道和提高交易效率,以及保护用户的个人隐私和数据安全。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于通道配置的智能路由支付方法,其特征在于,包括以下步骤:
步骤S1:获取银行数据库的银行历史交易数据;利用随机森林算法对银行历史交易数据进行支付通道特征数据提取处理,生成支付通道特征数据;根据支付通道特征数据进行支付通道备选评估处理,生成备选支付通道信息;
步骤S2:利用电子监控设备对用户进行虹膜数据采集处理,生成用户的虹膜数据;利用录音设备对用户进行人声采集处理,生成用户的音频数据;利用双因素身份验证加密技术对虹膜数据与音频数据进行用户多重身份验证信息加密处理,生成用户加密验证信息;
步骤S3:根据用户加密验证信息对银行数据库进行用户历史交易数据采集处理,生成用户历史交易数据;利用长短期记忆网络算法对用户历史交易数据进行用户个性化支付通道分析处理,生成用户偏好支付通道数据;根据用户偏好支付通道数据进行支付通道主选评估处理,生成主选支付通道信息;根据主选支付通道信息与备选支付通道信息进行支付通道配置的智能路由建立,生成支付通道智能路由;
步骤S4:利用支付通道风险计算公式对银行历史交易数据进行支付风险数据计算处理,生成历史支付通道风险数据;基于逻辑回归算法对历史支付通道风险数据进行交易路由的风险评估模型建立,生成风险评估模型;
步骤S5:对支付通道智能路由进行支付通道实时监测处理,生成支付通道智能路由的实时支付通道监测数据;将实时支付通道监测数据传输至风险评估模型中进行支付通道实时风险评估处理,生成实时支付通道风险评估数据;根据实时支付通道风险评估数据对支付通道智能路由进行支付通道优化动态调整处理,生成优化后的支付通道智能路由;
步骤S6:利用哈希函数对优化后的支付通道智能路由中预获取的预交易数据进行哈希加密处理,生成预交易数据的哈希值;利用用户加密验证信息对预交易数据的哈希值进行标记拆分加密处理,生成优化后的加密交易数据。
2.根据权利要求1所述的基于通道配置的智能路由支付方法,其特征在于,步骤S1包括以下步骤:
步骤S11:获取银行数据库的银行历史交易数据;
步骤S12:基于随机森林算法建立银行历史交易数据与支付通道特征的映射关系,以生成初始支付通道特征模型;
步骤S13:将银行历史交易数据进行数据划分处理,分别生成银行历史交易数据训练集与银行历史交易数据测试集;
步骤S14:利用银行历史交易数据训练集对初始支付通道特征模型进行模型训练,生成支付通道特征模型;
步骤S15:利用支付通道特征模型对银行历史交易数据测试集进行支付通道特征关系提取处理,生成支付通道特征数据;
步骤S16:根据支付通道特征数据进行支付通道备选评估处理,生成备选支付通道信息。
3.根据权利要求2所述的基于通道配置的智能路由支付方法,其特征在于,步骤S2包括以下步骤:
步骤S21:利用电子监控设备对用户进行虹膜数据采集处理,生成用户的虹膜数据;
步骤S22:利用录音设备对用户进行人声采集处理,生成用户的音频数据;
步骤S23:利用二维快速傅里叶变换技术对虹膜数据进行虹膜数据频域转换,生成虹膜频域数据;
步骤S24:利用一维快速傅里叶变换技术对音频数据进行虹膜数据频域转换,生成音频频域数据;
步骤S25:利用快速傅里叶变换技术对虹膜频域数据与音频频域数据进行虹膜数字信号及音频数字信号转换,分别生成虹膜数字信号以及音频数字信号;
步骤S26:利用双因素身份验证加密技术对虹膜数字信号与音频数字信号进行用户多重身份验证信息加密处理,生成用户加密验证信息。
4.根据权利要求3所述的基于通道配置的智能路由支付方法,其特征在于,步骤S3包括以下步骤:
步骤S31:根据用户加密验证信息对银行数据库进行用户历史交易数据采集处理,生成用户历史交易数据;
步骤S32:基于长短期记忆网络算法建立用户历史交易数据与用户偏好支付通道的映射关系,以生成初始用户偏好支付通道模型;
步骤S33:将用户历史交易数据进行数据划分处理,分别生成训练集用户历史交易数据与测试集用户历史交易数据;
步骤S34:利用训练集用户历史交易数据对初始用户偏好支付通道模型进行模型训练,生成用户偏好支付通道模型;
步骤S35:利用用户偏好支付通道模型对测试集用户历史交易数据进行用户偏好支付通道关系提取处理,生成用户偏好支付通道数据;
步骤S36:根据用户偏好支付通道数据进行支付通道主选评估处理,生成主选支付通道信息;
步骤S37:根据主选支付通道信息与备选支付通道信息进行支付通道配置的智能路由建立,生成支付通道智能路由。
5.根据权利要求4所述的基于通道配置的智能路由支付方法,其特征在于,步骤S4包括以下步骤:
步骤S41:利用支付通道风险计算公式对银行历史交易数据进行支付风险数据计算处理,生成历史支付通道风险数据;
步骤S42:基于逻辑回归算法建立支付通道风险数据的映射关系,以生成初始风险评估模型;
步骤S43:利用历史支付通道风险数据对初始风险评估模型进行模型训练处理,生成风险评估模型。
6.根据权利要求5所述的基于通道配置的智能路由支付方法,其特征在于,步骤S41中的支付通道风险计算公式如下所示:
;
式中,表示为历史支付通道风险数据,/>表示为交易金额数据,/>表示为支付通道对应的交易拒绝率,/>表示为支付通道对应的检测到存在异常交易生成的权重信息,/>表示为支付通道对应的平均交易时间,/>表示为支付通道对应的交易成功率,/>表示为支付通道对应的历史风险评分数据,/>表示为历史支付通道风险数据的异常调整值。
7.根据权利要求6所述的基于通道配置的智能路由支付方法,其特征在于,步骤S5包括以下步骤:
步骤S51:对支付通道智能路由进行支付通道实时监测处理,生成实时支付通道监测数据;
步骤S52:将实时支付通道监测数据传输至风险评估模型中进行支付通道实时风险评估处理,生成实时支付通道风险评估数据;
步骤S53:根据预设的支付通道安全性等级区间将实时支付通道风险评估数据进行支付通道安全性分级,生成支付通道安全性分级数据;
步骤S54:利用优化支付通道优先级计算公式对支付通道安全性分级数据进行支付通道优化配置计算,生成支付通道优先级数据;
步骤S55:根据支付通道优先级数据对支付通道智能路由进行支付通道动态优化调整,生成优化后的支付通道智能路由。
8.根据权利要求7所述的基于通道配置的智能路由支付方法,其特征在于,步骤S54中的优化支付通道优先级计算公式如下所示:
;
式中,表示为支付通道优先级数据,/>表示为支付通道涉及的支付时间,/>表示为/>时刻支付通道安全性分级数据,/>表示为根据主选支付通道信息生成的综合权重信息,/>表示为时刻为主选或备选的支付通道调整值,/>表示为根据备选支付通道信息生成的综合权重信息,/>表示为/>时刻支付通道的可靠性评分数据,/>表示在/>时刻的支付通道安全性分级数据权重信息,/>表示为支付通道优先级数据的异常调整值。
9.根据权利要求7所述的基于通道配置的智能路由支付方法,其特征在于,步骤S55包括以下步骤:
步骤S551:利用预设的时间阈值对支付通道优先级数据进行支付通道优先级实时更新,生成实时支付通道优先级数据;
步骤S552:利用实时支付通道优先级数据对支付通道智能路由进行支付通道动态优化调整,生成优化后的支付通道智能路由。
10.根据权利要求9所述的基于通道配置的智能路由支付方法,其特征在于,步骤S6包括以下步骤:
步骤S61:利用哈希函数对优化后的支付通道智能路由中预获取的预交易数据进行哈希加密处理,生成预交易数据的哈希值;
步骤S62:利用用户加密验证信息对预交易数据的哈希值进行标记处理,生成预交易数据的标记哈希值;
步骤S63:对预交易数据的标记哈希值进行数据段拆分处理,生成预交易数据的拆分哈希值;
步骤S64:根据预设的数据段调节顺序方式对预交易数据的拆分哈希值进行顺序调节,生成预交易数据的调节哈希值;
步骤S65:利用同态加密技术对预交易数据的调节哈希值进行同态加密,生成优化后的加密交易数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410104281.9A CN117635144B (zh) | 2024-01-25 | 2024-01-25 | 一种基于通道配置的智能路由支付方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410104281.9A CN117635144B (zh) | 2024-01-25 | 2024-01-25 | 一种基于通道配置的智能路由支付方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117635144A true CN117635144A (zh) | 2024-03-01 |
CN117635144B CN117635144B (zh) | 2024-05-28 |
Family
ID=90035796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410104281.9A Active CN117635144B (zh) | 2024-01-25 | 2024-01-25 | 一种基于通道配置的智能路由支付方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117635144B (zh) |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014056413A (ja) * | 2012-09-12 | 2014-03-27 | Toppan Printing Co Ltd | 決済装置、及び決済方法 |
US20140279388A1 (en) * | 2013-03-15 | 2014-09-18 | Mobile Decisioning Holdings Limited | Method, apparatus, and computer-readable medium for advancing prepaid credit |
US20170004487A1 (en) * | 2015-07-01 | 2017-01-05 | Klarna Ab | Method for using supervised model with physical store |
CN109410028A (zh) * | 2018-08-31 | 2019-03-01 | 拉卡拉支付股份有限公司 | 支付方法、装置、电子设备及存储介质 |
CN110458547A (zh) * | 2019-08-02 | 2019-11-15 | 浙江融易区块链科技有限公司 | 一种支付网关服务器及支付渠道选择方法 |
CN111833173A (zh) * | 2020-06-03 | 2020-10-27 | 百维金科(上海)信息科技有限公司 | 基于lstm的第三方平台支付欺诈行为在线检测方法 |
CN112101953A (zh) * | 2020-09-28 | 2020-12-18 | 中国银行股份有限公司 | 一种利用最优支付链路的移动支付处理方法及系统 |
US20210027300A1 (en) * | 2019-07-26 | 2021-01-28 | Visa International Service Association | System, Method, and Computer Program Product for Generating Aggregations Associated with Predictions of Transactions |
CN113095814A (zh) * | 2021-04-13 | 2021-07-09 | 深圳前海微众银行股份有限公司 | 一种多渠道组合支付的方法及装置 |
CN113111340A (zh) * | 2021-04-10 | 2021-07-13 | 支付宝(杭州)信息技术有限公司 | 一种显示登录方式选项的方法、装置、设备和可读介质 |
CN114625957A (zh) * | 2021-10-29 | 2022-06-14 | 厦门友微科技有限公司 | 一种基于支付方式的个性化推荐的支付方法、装置及设备 |
CN114638610A (zh) * | 2022-03-23 | 2022-06-17 | 平安普惠企业管理有限公司 | 收付渠道加密方法、装置、电子设备及存储介质 |
CN114971017A (zh) * | 2022-05-26 | 2022-08-30 | 中国银行股份有限公司 | 银行交易数据的处理方法及装置 |
CN114971606A (zh) * | 2022-05-31 | 2022-08-30 | 中信百信银行股份有限公司 | 一种用于优先成功的动态支付路由方法、系统及装置 |
US20220327504A1 (en) * | 2021-04-12 | 2022-10-13 | Forter Ltd | Systems and method for automatic transaction routing and execution |
CN115689556A (zh) * | 2022-10-31 | 2023-02-03 | 北京快乐茄信息技术有限公司 | 一种应用于支付路由系统的处理方法、装置及存储介质 |
CN116151815A (zh) * | 2023-02-17 | 2023-05-23 | 同芙集团(中国)股份有限公司 | 一种基于特征因子的支付方式推荐方法及系统 |
CN116776386A (zh) * | 2023-07-05 | 2023-09-19 | 深圳钰丰信息技术有限公司 | 一种云服务数据信息安全管理方法及系统 |
CN117057794A (zh) * | 2023-08-16 | 2023-11-14 | 侨远科技有限公司 | 基于区块链的智能支付网关交易方法、系统、设备及介质 |
JP7395703B1 (ja) * | 2022-11-08 | 2023-12-11 | オーブック・インコーポレイテッド | マルチチャンネル決済方法及びシステム |
CN117235811A (zh) * | 2023-10-08 | 2023-12-15 | 上海墅字科技有限公司 | 基于互联网金融的支付大数据分析方法及大数据分析系统 |
-
2024
- 2024-01-25 CN CN202410104281.9A patent/CN117635144B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014056413A (ja) * | 2012-09-12 | 2014-03-27 | Toppan Printing Co Ltd | 決済装置、及び決済方法 |
US20140279388A1 (en) * | 2013-03-15 | 2014-09-18 | Mobile Decisioning Holdings Limited | Method, apparatus, and computer-readable medium for advancing prepaid credit |
US20170004487A1 (en) * | 2015-07-01 | 2017-01-05 | Klarna Ab | Method for using supervised model with physical store |
CN109410028A (zh) * | 2018-08-31 | 2019-03-01 | 拉卡拉支付股份有限公司 | 支付方法、装置、电子设备及存储介质 |
US20210027300A1 (en) * | 2019-07-26 | 2021-01-28 | Visa International Service Association | System, Method, and Computer Program Product for Generating Aggregations Associated with Predictions of Transactions |
CN110458547A (zh) * | 2019-08-02 | 2019-11-15 | 浙江融易区块链科技有限公司 | 一种支付网关服务器及支付渠道选择方法 |
CN111833173A (zh) * | 2020-06-03 | 2020-10-27 | 百维金科(上海)信息科技有限公司 | 基于lstm的第三方平台支付欺诈行为在线检测方法 |
CN112101953A (zh) * | 2020-09-28 | 2020-12-18 | 中国银行股份有限公司 | 一种利用最优支付链路的移动支付处理方法及系统 |
CN113111340A (zh) * | 2021-04-10 | 2021-07-13 | 支付宝(杭州)信息技术有限公司 | 一种显示登录方式选项的方法、装置、设备和可读介质 |
US20220327504A1 (en) * | 2021-04-12 | 2022-10-13 | Forter Ltd | Systems and method for automatic transaction routing and execution |
CN113095814A (zh) * | 2021-04-13 | 2021-07-09 | 深圳前海微众银行股份有限公司 | 一种多渠道组合支付的方法及装置 |
CN114625957A (zh) * | 2021-10-29 | 2022-06-14 | 厦门友微科技有限公司 | 一种基于支付方式的个性化推荐的支付方法、装置及设备 |
CN114638610A (zh) * | 2022-03-23 | 2022-06-17 | 平安普惠企业管理有限公司 | 收付渠道加密方法、装置、电子设备及存储介质 |
CN114971017A (zh) * | 2022-05-26 | 2022-08-30 | 中国银行股份有限公司 | 银行交易数据的处理方法及装置 |
CN114971606A (zh) * | 2022-05-31 | 2022-08-30 | 中信百信银行股份有限公司 | 一种用于优先成功的动态支付路由方法、系统及装置 |
CN115689556A (zh) * | 2022-10-31 | 2023-02-03 | 北京快乐茄信息技术有限公司 | 一种应用于支付路由系统的处理方法、装置及存储介质 |
JP7395703B1 (ja) * | 2022-11-08 | 2023-12-11 | オーブック・インコーポレイテッド | マルチチャンネル決済方法及びシステム |
CN116151815A (zh) * | 2023-02-17 | 2023-05-23 | 同芙集团(中国)股份有限公司 | 一种基于特征因子的支付方式推荐方法及系统 |
CN116776386A (zh) * | 2023-07-05 | 2023-09-19 | 深圳钰丰信息技术有限公司 | 一种云服务数据信息安全管理方法及系统 |
CN117057794A (zh) * | 2023-08-16 | 2023-11-14 | 侨远科技有限公司 | 基于区块链的智能支付网关交易方法、系统、设备及介质 |
CN117235811A (zh) * | 2023-10-08 | 2023-12-15 | 上海墅字科技有限公司 | 基于互联网金融的支付大数据分析方法及大数据分析系统 |
Non-Patent Citations (2)
Title |
---|
徐一文;黎潇阳;董启文;钱卫宁;周昉;: "基于聚合支付平台交易数据的商户流失预测", 华东师范大学学报(自然科学版), no. 05, 25 September 2020 (2020-09-25) * |
樊春美;朱建生;: "基于电商平台的恶意支付账户识别算法研究", 计算机技术与发展, no. 06, 10 June 2020 (2020-06-10) * |
Also Published As
Publication number | Publication date |
---|---|
CN117635144B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
De Cristofaro | An overview of privacy in machine learning | |
US12041140B2 (en) | Real-time entity anomaly detection | |
Ambusaidi et al. | A novel feature selection approach for intrusion detection data classification | |
CN108764267B (zh) | 一种基于对抗式决策树集成的拒绝服务攻击检测方法 | |
US11716328B2 (en) | Method of constructing a table for determining match values | |
CN116776386B (zh) | 一种云服务数据信息安全管理方法及系统 | |
Ahmad et al. | Analysis of classification techniques for intrusion detection | |
Spooren et al. | Leveraging battery usage from mobile devices for active authentication | |
CN111428078B (zh) | 音频指纹编码方法、装置、计算机设备及存储介质 | |
CN116684182A (zh) | 一种基于异常流量识别的信息拦截方法及系统 | |
CN117527265B (zh) | 基于分布式数字身份的物联网数据采集系统及方法 | |
Shahreza et al. | Measuring linkability of protected biometric templates using maximal leakage | |
CN117635144B (zh) | 一种基于通道配置的智能路由支付方法 | |
CN112951433A (zh) | 一种基于隐私计算的心理健康评估方法 | |
Liu et al. | Doc2vec-based insider threat detection through behaviour analysis of multi-source security logs | |
Maheswari et al. | Unsupervised Binary BAT algorithm based Network Intrusion Detection System using enhanced multiple classifiers | |
CN108416592B (zh) | 一种高速语音识别方法 | |
Dissanayake et al. | “Trust Pass”-Blockchain-Based Trusted Digital Identity Platform Towards Digital Transformation | |
Herrmann et al. | Behavior-based tracking of Internet users with semi-supervised learning | |
Bumiller et al. | Towards a Better Understanding of Impersonation Risks | |
CN118229432B (zh) | 金融一体机的网络数据处理方法及系统 | |
CA3131616A1 (en) | System and method for detecting anomalous activity based on a data distribution | |
Neal et al. | Mobile biometrics, replay attacks, and behavior profiling: An empirical analysis of impostor detection | |
Chatiwala et al. | A secure and reliable mobile authentication alternative utilizing hand structure | |
Varnosfaderani et al. | Smartsso-a deep learning platform for automated account linkage in federated identity management |
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 |