CN118504765A - 风险预测、模型训练方法、设备、存储介质及程序产品 - Google Patents
风险预测、模型训练方法、设备、存储介质及程序产品 Download PDFInfo
- Publication number
- CN118504765A CN118504765A CN202410670700.5A CN202410670700A CN118504765A CN 118504765 A CN118504765 A CN 118504765A CN 202410670700 A CN202410670700 A CN 202410670700A CN 118504765 A CN118504765 A CN 118504765A
- Authority
- CN
- China
- Prior art keywords
- transaction
- transaction data
- nft
- historical
- parameter
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000012549 training Methods 0.000 title claims abstract description 33
- 230000002159 abnormal effect Effects 0.000 claims description 73
- 230000035515 penetration Effects 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims 1
- 238000012954 risk control Methods 0.000 abstract description 49
- 238000005516 engineering process Methods 0.000 abstract description 11
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 230000001105 regulatory effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 101000827703 Homo sapiens Polyphosphoinositide phosphatase Proteins 0.000 description 3
- 102100023591 Polyphosphoinositide phosphatase Human genes 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 2
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 2
- 101100233916 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) KAR5 gene Proteins 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提出一种风险预测、模型训练方法、设备、存储介质及程序产品，该方法获取待交易NFT的历史交易数据和当前安全评估参数；基于所述历史交易数据和预先训练的风控模型，获取历史风险程度参数；基于所述历史风险程度参数和所述当前安全评估参数，获取所述待交易NFT的当前风险程度参数。通过待交易NFT的历史交易数据和当前安全评估参数，并借助于训练风控模型，实现了对待交易NFT的交易风险预测，相较于相关技术，提高了交易待交易NFT的安全性。
Description
技术领域
本申请属于计算机技术领域，具体涉及一种风险预测、模型训练方法、设备、存储介质及程序产品。
背景技术
NFT(Non-Fungible Token，非同质化代币)，具有不可分割、不可替代、独一无二等特点。每一个NFT都是独一无二的，它映射着特定区块链上的唯一序列号，具有唯一性、不可分割、不可篡改、可交易等特质。
相关技术中提供了艺术拍卖会，社交平台和在线社区，或直接交易等交易方式交易NFT，然而这些交易方式都不能在交易前鉴定本次需要交易的NFT是否存在恶意炒作、价格虚高等风险。
发明内容
本申请提出一种风险预测、模型训练方法、设备、存储介质及程序产品，能够预测本次需要交易的NFT是否存在恶意炒作、价格虚高等风险。
本申请第一方面实施例提出了一种非同质化代币NFT的风险预测方法，包括：
获取待交易NFT的历史交易数据和当前安全评估参数；
基于所述历史交易数据和预先训练的风控模型，获取历史风险程度参数；
基于所述历史风险程度参数和所述当前安全评估参数，获取所述待交易NFT的当前风险程度参数。
在一些实施例中，所述方法还包括：
从所述历史交易数据中，获取所述待交易NFT的属性特征、发行数量参数和历史交易价格；以及，从所述当前安全评估参数中，获取当前需要交易所述待交易NFT的交易双方的身份信息；
在基于所述属性特征、所述发行数量参数和历史交易价格，确定所述待交易NFT属于高价值NFT的情况下；和/或，在基于所述身份信息对所述交易双方进行身份验证，并确认所述身份验证的验证结果指示验证通过的情况下，执行所述从所述历史交易数据中，获取所述待交易NFT的属性特征、发行数量参数和历史交易价格的步骤。
在一些实施例中，获取待交易NFT的当前安全评估参数，包括：
分别获取当前交易所述待交易NFT的交易平台的安全漏洞扫描结果，参与所述当前交易的交易双方各自的网络渗透测试结果和人员信誉度参数；
将所述网络渗透测试结果、所述人员信誉度参数和所述安全漏洞扫描结果作为所述当前安全评估参数。
在一些实施例中，基于所述历史交易数据和预先训练的训练风控模型，获取历史风险程度参数，包括：
基于所述风控模型中的阈值系数和所述历史交易数据包括的历史平均交易价格，计算交易价格差阈值；
基于所述交易价格差阈值，将所述历史交易数据分为正常交易数据和异常交易数据；
根据统计所述正常交易数据获得的正常交易次数，计算正常交易占比；根据所述正常交易次数和统计所述异常交易数据获得的异常交易次数，计算离散程度参数；以及，根据所述正常交易数据中包括的备案正常交易数据和所述异常交易数据中包括的备案异常交易数据，计算交易平台备案参数；
将所述正常交易占比、所述离散程度参数和所述交易平台备案参数，作为所述历史风险程度参数。
在一些实施例中，基于所述历史风险程度参数和所述当前安全评估参数，获取所述待交易NFT的当前风险程度参数，包括：
对于所述正常交易占比、所述离散程度参数、所述交易平台备案参数和所述当前安全评估参数这四个参数中的每个参数，获取所述每个参数的风险权重；
计算所述每个参数与所述每个参数对应的风险权重的乘积；
计算各所述乘积之和，获得所述待交易NFT的所述当前风险程度参数。
本申请第二方面实施例提出了一种风控模型的训练方法，用于训练获得第一方面所述的训练风控模型，所述方法包括：
对于样本历史交易数据中的任意一条交易数据，利用预先建立的风控模型中的阈值系数，计算与所述任意一条交易数据对应的目标风险程度参数；所述阈值系数用于表征正常交易与上一次交易的交易价格差的阈值；
基于所述目标风险程度参数，获得所述任意一条交易数据的预测结果，所述预测结果为异常数据或正常数据；
基于所述任意一条交易数据的预测结果，获得所述样本历史交易数据中预测正常交易数据的预测占比；
根据所述预测占比和所述样本历史交易数据中正常交易数据的实际占比，更新所述阈值系数，获得所述训练风控模型。
本申请第三方面实施例提出了一种非同质化代币NFT的风险预测装置，包括：
第一获取模块，用于获取待交易NFT的历史交易数据和当前安全评估参数；
第二获取模块，用于基于所述历史交易数据和预先训练的风控模型，获取历史风险程度参数；
第三获取模块，用于基于所述历史风险程度参数和所述当前安全评估参数，获取所述待交易NFT的当前风险程度参数。
本申请第四方面的实施例提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序以实现上述第一方面或第二方面所述的方法。
本申请第五方面的实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行实现上述第一方面或第二方面所述的方法。
本申请实施例中提供的技术方案，至少具有如下技术效果或优点：
在本申请实施例中，通过待交易NFT的历史交易数据和当前安全评估参数，并借助于训练风控模型，实现了对待交易NFT的交易风险预测，相较于相关技术，提高了交易待交易NFT的安全性。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变的明显，或通过本申请的实践了解到。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。
在附图中：
图1示出了本申请一实施例所提供的非同质化代币NFT的风险预测方法的一种流程示意图；
图2示出了本申请一实施例所提供的非同质化代币NFT的风险预测方法的又一种流程示意图；
图3示出了本申请一实施例所提供的风控模型的训练方法的一种流程示意图；
图4示出了本申请一实施例所提供的计算目标正常交易占比、目标离散程度参数和目标交易平台备案参数的流程示意图；
图5示出了本申请一实施例所提供的非同质化代币NFT的风险预测装置的结构示意图；
图6示出了本申请一实施例所提供的风控模型的训练装置的结构示意图；
图7示出了本申请一实施例所提供的一种电子设备的结构示意图；
图8示出了本申请一实施例所提供的一种存储介质的示意图。
具体实施方式
下面将参照附图更详细地描述本申请的示例性实施方式。虽然附图中显示了本申请的示例性实施方式，然而应当理解，可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本申请，并且能够将本申请的范围完整的传达给本领域的技术人员。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本申请所属领域技术人员所理解的通常意义。
为了便于理解本申请的实施例，下面对本申请涉及的部分术语进行解释说明。
NFT：是Non-Fungible Tokens的缩写，也被称为非同质代币，本意是指不可替代的代币，NFT本质上是一种数字资产，通过智能合约部署，在区块链上具有唯一性、公开性、不可篡改性、不可交易性，NFT它可以是摄影、视频、音乐等形式。
区块链：是一个分布式账本，或者也叫去中心化数据库，区块链技术拥有去中心化、过程高效透明、成本很低、数据高度安全等等非常多优势。区块链技术降低了我们人与人之间的信任成本。
相关技术中，可以通过NFT市场、艺术拍卖会、社交平台和在线社区或直接交易等方式完成NFT的交易。以下对这四种交易的方式分别进行介绍。
在NFT市场上交易：这是交易NFT的最为常见的方式。在这种方式中，NFT市场提供一个平台，供卖家将自己的NFT上架出售，买家可以浏览和购买感兴趣的NFT。
艺术拍卖会：一些艺术拍卖会也开始接受NFT的拍卖。这些拍卖会通常会在传统的拍卖会场上举行，但以数字方式进行竞拍和交易。
社交平台和在线社区：一些社交平台和在线社区也提供了NFT交易功能。用户可以在社交平台和在线社区发布帖子，用于展示和出售NFT。
直接交易：卖家可以直接与感兴趣的买家进行交易。这种方式可能通过私下协商达成交易，双方可以互相协商价格和交易细节，并在区块链上进行转移。
当前在NFT多次交易的过程中，可能存在为了获得高收益，卖家开设多个交易账户，利用这些交易账户，卖家跟自己反复交易NFT，并在交易的过程中，反复抬高交易价格。这样当有真实的买家想要购买NFT时，由于真实的买家会参考NFT以往的成交价格并根据以往的成交价格衡量NFT的市场价值，所以，卖家自己与自己交易以哄抬价格的行为会影响买家。相关技术中给出的几种交易NFT的方式都不能在买家交易前鉴定出本次NFT交易是否存在恶意炒作、价格虚高等风险。
为了缓解相关技术中存在的问题，本申请实施例提供一种风险预测、模型训练方法、设备、存储介质及程序产品，该方法包括获取待交易NFT的历史交易数据和当前安全评估参数；基于历史交易数据和预先训练的风控模型，获取历史风险程度参数；基于历史风险程度参数和当前安全评估参数，获取待交易NFT的当前风险程度参数。通过待交易NFT的历史交易数据和当前安全评估参数，并借助于训练风控模型，实现了对待交易NFT的交易风险预测，相较于相关技术，提高了交易待交易NFT的安全性。
如图1所示，图1为本申请实施例提供的一种非同质化代币NFT的风险预测方法，该方法可应用于电子设备，该电子设备可以包括终端或者服务器，本申请实施例不做限定。
如图1所示，该方法可以包括以下步骤：
步骤101、获取待交易NFT的历史交易数据和当前安全评估参数。
其中，安全评估参数用于表征交易待交易NFT的交易环境的安全程度。交易环境包括交易待交易NFT的交易双方和交易平台。交易双方包括待交易NFT的买家和买家。
本实施例中，当前安全评估参数用于表征交易双方以及交易平台的安全漏洞扫描情况以及交易双方是否存在失信行为等数据。因此当前安全评估参数可以包括交易平台的安全漏洞扫描结果，参与当前交易的交易双方各自的网络渗透测试结果和人员信誉度参数。其中，安全漏洞扫描结果包括高危漏洞、中危漏洞和低危漏洞。高危漏洞表征交易平台存在的交易风险高于中危漏洞表征交易平台存在的交易风险，中危漏洞表征交易平台存在的交易风险高于低危漏洞表征交易平台存在的交易风险。网络渗透测试结果用于表征买家或卖家的网络安全程度，人员信誉度参数用于表征买家或卖家是否为失信人员以及失信的程度。作为一个示例，给出以下表一表示的当前安全评估参数：
表一
在上表中，买方的网络渗透测试结果为1个高危漏洞，1个低危漏洞，卖方的网络渗透测试结果为1个低危漏洞，交易平台的安全漏洞扫描结果为2个低危漏洞，买方的人员信誉度参数为存在1个失信行为，卖方的人员信誉度参数为0个失信行为。
应用中，交易平台提供安全扫描控件下载入口，用户可以通过交易平台下载该安全扫描控件，运行该安全扫描控件可以获得用户的网络渗透测试结果，并将获得网络渗透测试结果发送至电子设备中。
实际应用中，由于交易平台每天都有大量的交易发生，如果每次交易都需要交易平台向电子设备返回安全漏洞扫描结果，会导致实现交易平台的服务器的压力过大，所以可以设置交易平台按照固定周期定期扫描并向电子设备上传交易平台的安全漏洞扫描结果。
步骤102、基于所述历史交易数据和预先训练的风控模型，获取历史风险程度参数。
其中，历史风险程度参数用于表征在预设历史时间范围内针对待交易NFT的交易的安全风险程度。
本实施例中，历史交易数据包括正常交易数据和异常交易数据。其中，正常交易数据指的是与上一次交易数据的交易价格的差值小于等于交易价格差阈值的交易数据。异常交易数据指的是与上一次交易数据的交易价格的差值大于交易价格差阈值的交易数据。比如，上一次交易为第n次交易，后一次交易为第n+1次交易，若第n次交易与第n+1次交易的交易价格差小于等于交易价格差阈值，则第n+1次交易包括的交易数据为正常交易数据；若第n次交易与第n+1次交易的交易价格差大于交易价格差阈值，则第n+1次交易包括的交易数据为异常交易数据。
应当理解，训练风控模型中携带阈值系数，该阈值系数用于表征正常交易与上一次交易的交易价格差的阈值，因此利用阈值系数可以将历史交易数据划分为正常交易数据和历史交易数据，进而利用划分得到的正常交易数据和历史交易数据，计算得到正常交易占比。
本实施例中，历史风险程度参数包括但不限于正常交易占比、离散程度参数和交易平台备案参数。应理解，预训练风控模型中定义了离散程度参数、正常交易占比和交易平台备案参数的计算方式，因此调用训练风控模型可以直接计算得到这些参数。
本实施例中，正常交易占比指的是正常交易数据包括的正常交易次数与历史交易数据包括的总交易次数之商。用公式描述时，正常交易占比＝(正常交易次数/总交易次数)*100％。
本实施例中，离散程度参数用于表征历史交易数据中交易待交易NFT的交易时间的规律程度。离散程度参数越小，表征交易时间越规律，相应地表明待交易NFT的风险程度越高；相反，离散程度参数越大，表征交易时间越不规律，相应地表明待交易NFT的风险程度越低。应理解，在相关技术中，卖家在使用多个账户多次交易NFT以抬高价格时，多次交易的时间比较有规律性，因此本实施例通过离散程度参数可以很好地预测这种不合规行为带来的交易待交易NFT的风险。
本实施例中，离散程度参数可以基于正常交易数据包括的正常交易次数和统计异常交易数据获得的异常交易次数得到。具体说来，通过求和正常交易次数和异常交易次数可以得到总交易次数。通过统计历史交易数据可以得到总交易时间间隔，基于总交易时间间隔和总交易次数可以计算得到总交易时间间隔平均值T。通过统计异常交易数据，可以得到异常交易时间间隔，基于异常交易时间间隔和异常交易次数，可以计算得到异常交易时间间隔平均值T1。通过统计正常交易数据，可以得到正常交易时间间隔，基于正常交易时间间隔和正常交易次数，可以计算得到正常交易时间间隔平均值T2。利用标准差公式和总交易时间间隔平均值T、异常交易时间间隔平均值T1和正常交易时间间隔平均值T2，分别计算总交易时间间隔的标准差σ、异常交易时间间隔的标准差σ1和正常交易时间间隔的标准差σ2，并将总交易时间间隔的标准差σ、异常交易时间间隔的标准差σ1和正常交易时间间隔的标准差σ2作为离散程度参数。
本实施例中，基于正常交易数据中包括的备案正常交易数据和异常交易数据中包括的备案异常交易数据，计算交易平台备案参数。其中，备案正常交易数据指的是交易过程中涉及的交易平台在市场监管机构做过备案的正常交易数据，同理备案异常交易数据指的是交易过程中涉及的交易平台在监管机构做过备案的异常交易数据。
应用中，电子设备可以通过与市场监管机构建立的接口机制查询每次正常交易数据和每次异常交易数据所在的交易平台的信息，通常查询结果分两种，一种为通过市场监管能够查询到该次交易的交易平台，说明该次交易中的交易平台已与市场监管建立连接属于已备案平台，相应地可以确定该次交易数据为备案交易数据。另一种则是无法查询到该次交易的交易平台，说明该次交易要么是买卖双方私下交易，要么是该次交易的交易平台未纳入市场监管，此类交易平台属于未备案平台，相应地，可以确定该次交易数据为未备案交易数据。
本实施例中，可以基于备案正常交易数据包括的备案正常交易次数和正常交易数据包括的正常交易总次数，计算正常交易备案平台次数与正常交易次数的占比M1。基于备案异常数据包括的备案异常交易次数和异常交易数据包括的异常交易总次数，计算异常交易备案平台次数与异常交易次数的占比M2。基于备案正常交易次数和备案异常交易次数计算备案总次数，基于备案总次数和历史交易数据包括的交易总次数，计算总交易备案平台次数与总交易次数占比M。然后，基于M、M1和M2得到交易平台备案参数。
关于M、M1和M2这三个参数，作为一个示例，NFT的历史交易数据中包括的总交易次数为20次，正常交易次数为15次，异常交易次数为5次，其中在正常交易次数中能查到在已备案的交易平台的次数为13次，未备案的交易平台的次数为2次；在异常交易次数中能查到的已备案的交易平台次数为1次，未备案的交易平台的次数为4次，从而得到总交易备案平台次数与总交易次数占比M＝14/20；正常交易备案平台次数与正常交易次数占比M1＝13/15；异常交易备案平台次数与异常交易次数占比M2＝1/5；其M2远低于M。其NFT异常交易在不正规的交易平台的交易概率远大于总概率。从而进一步说明其风险度增高。
一个可选实施例中，基于M、M1和M2得到的交易平台备案参数包括两部分，第一部分为M，第二部分为基于M、M1和M2的相对大小关系得到，具体说来，在M1>M时，即正常交易在备案平台交易占比大于总交易占比，则第二部分参数为10分，在M＞M1＞1/2*N/M时，即正常交易在备案平台交易占比大于1/2总交易占比,但是小于总交易占比，则第二部分参数为5分，在M1<1/2*M，是指正常交易在备案平台交易占比小于1/2总交易占比，则第二部分参数为0分。
步骤103、基于历史风险程度参数和当前安全评估参数，获取待交易NFT的当前风险程度参数。
其中，当前风险程度参数用于表征当前交易待交易NFT的交易风险程度。
本实施例中，基于正常交易占比、离散程度参数、交易平台备案参数和当前安全评估参数这四个参数对风险程度参数的影响程度，对这四个参数设置了风险权重，基于风险权重预测风险程度参数。
具体实现时，一个可选实施例中，基于历史风险程度参数和当前安全评估参数，预测当前风险程度参数可以包括以下步骤：
对于正常交易占比、离散程度参数、交易平台备案参数和当前安全评估参数这四个参数中的每个参数，获取每个参数的风险权重；
计算每个参数与每个参数对应的风险权重的乘积；
计算各乘积之和，获得当前风险程度参数。
应用中，正常交易占比、离散程度参数、交易平台备案参数和当前安全评估参数这四个参数的风险权重可以人为基于经验或根据实际需求预先设置，本实施例对此不作具体限定。比如可以设置正常交易占比为30，离散程度参数为30，交易平台备案参数的占比为20，当前安全评估参数的占比为20。
本实施例中，在离散程度参数、交易平台备案参数或当前安全评估参数包括多个子参数的情况下，可以将参数的风险权重分配给不同的子参数。作为一个示例，以离散程度参数为30，交易平台备案参数的占比为20，当前安全评估参数的占比为20为例，在离散程度参数包括总交易时间间隔的标准差σ、异常交易时间间隔的标准差σ1和正常交易时间间隔的标准差σ2的情况下，离散程度参数与风险权重的乘积可以为10*σ+10*σ1+10*σ2。在交易平台备案参数包括M和θ时，交易平台备案参数与风险权重的乘积可以为10*M+θ，其中，θ为前述基于M、M1和M2的相对大小关系得到，因此在M1>M时，θ＝10分，在M＞M1＞1/2*N/M时，θ＝5分，在M1<1/2*M，θ＝0分。
在当前安全评估参数包括交易平台的安全漏洞扫描结果，参与所述当前交易的交易双方各自的网络渗透测试结果和人员信誉度参数时，当前安全评估参数与风险权重的乘积可以为20-(10*A高+2.5D失+1*B中+0.2*C低)，其中，A高＝A买+A卖+A台，B中＝B买+B卖+B台，C低＝C买+C卖+C台，D失＝D买+D卖。A表示买方、卖方和交易平台高危漏洞情况，B表示买方、卖方和交易平台中危漏洞情况，C表示买方、卖方和交易平台低位漏洞情况，D表示买方、卖方的失信次数。仍以前述实施例中示出的当前评估参数的表格一为例，那么A高＝1+0+0＝1次，D失＝1+0＝1，B中＝0+0+0＝0次，C低＝1+1+2＝4次。
应理解，最终得到的风险程度参数可以通过得分进行表示，得分通常处于
【0-100】的分数区间，得分越高表明待交易NFT的风险度越低。实际应用中，可以设置不同的分数区间对应不同的交易风险程度，比如，设置分数处于【50-100】这一区间，则认为交易风险程度低，分数处于【30-50】这一区间，则认为本次交易风险程度中等，分数处于【0-30】这一区间，则认为本次交易风险程度高。
本申请实施例提供的方案中，通过待交易NFT的历史交易数据和当前安全评估参数，并借助于训练风控模型，实现了对待交易NFT的交易风险预测，相较于相关技术，提高了交易待交易NFT的安全性。
在一个可选实施例中，为了降低对待交易NFT的交易速度的影响，本实施例中在确定待交易NFT属于高价值NFT的情况下，才基于所述历史交易数据和预先训练的风控模型，获取历史风险程度参数。和或，为了提高交易的可靠性，在确定交易双方不是非法交易用户的情况下，才基于所述历史交易数据和预先训练的风控模型，获取历史风险程度参数。
具体实现时，一个可选实施例中，基于所述历史交易数据和预先训练的风控模型，获取历史风险程度参数之前，还可以包括以下步骤：
从历史交易数据中，获取待交易NFT的属性特征、发行数量参数和历史交易价格；以及，从当前安全评估参数中，获取当前需要交易待交易NFT的交易双方的身份信息；
基于属性特征、发行数量参数和历史交易价格，确定待交易NFT属于高价值NFT；和/或，基于身份信息对交易双方进行身份验证，并确认身份验证的验证结果指示验证通过。
本实施例中，待交易NFT的属性特征包括但不限于用于表征待交易NFT是否为限量款的款式参数、表征待交易NFT的作者是否为知名创作者的作者参数等。发行数量参数包括但不限于待交易NFT的稀有度。
应当理解，电子设备可以与交易平台和监管机构进行交互，这样电子设备可以获取待交易NFT属性特征，交易数据等参数，并且还可以调用监管机构对交易双方进行身份验证，获取交易双方各自的人员信誉度参数。
应用中，在获取当前风险程度参数之后，还可以通过交易平台与买方交互的交互界面向用户发送风险提醒，待买方基于风险提醒确定仍然需要进行交易时，按照正常的交易流程完成与卖方交易待交易NFT。进一步，在买方与卖方完成针对待交易NFT的交易后，电子设备还可以从交易平台获取并记录此次交易的交易价格和交易时间等参数。
为了方便理解，本申请实施例还提供一种非同质化代币NFT的风险预测方法，如图2所示，该方法可以包括以下步骤：
步骤201、买方通过买方客户端发起NFT交易申请请求，该NFT交易申请请求包括待交易NFT的标识；
步骤202、用于实现监管平台的电子设备获取买方和买方的身份信息，调用监管机构，基于买方和买方的身份信息对交易双方进行身份验证，验证通过执行步骤203，否则结束流程；
步骤203、电子设备基于待交易NFT的属性特征，历史交易数据包括的发行数量参数和历史交易价格，确定待交易NFT是否属于高价值NFT，若是，执行步骤204，否则结束流程；
步骤204、电子设备调用预先部署于智能合约中的训练风控模型，基于待交易NFT的历史交易数据，计算正常交易占比、离散程度参数和交易平台备案参数；
步骤205、电子设备获取安全评估参数，基于安全评估参数、正常交易占比、离散程度参数和交易平台备案参数，预测表征待交易NFT的交易风险程度的风险程度参数。
基于相同的发明构思，本申请实施例还提供一种风控模型的训练方法，如图3所示，该方法可以包括以下步骤：
步骤301、对于样本历史交易数据中的任意一条交易数据，利用预先建立的风控模型中的阈值系数，计算与任意一条交易数据对应的目标风险程度参数；阈值系数用于表征正常交易与上一次交易的交易价格差的阈值；
步骤302、基于目标风险程度参数，获得任意一条交易数据的预测结果，预测结果为异常数据或正常数据；
步骤303、基于任意一条交易数据的预测结果，获得样本历史交易数据中预测正常交易数据的预测占比；
步骤304、根据预测占比和样本历史交易数据中正常交易数据的实际占比，更新阈值系数，获得训练风控模型。
应理解，上一次交易为正常交易的紧邻的交易，该上一次交易可以为正常交易也可以为异常交易。正常交易的交易价格与上一次交易的交易价格的差值小于等于阈值系数与样本历史交易数据的平均价格之积。
其中，目标风险程度参数包括但不限于目标正常交易占比、目标离散程度参数和目标交易平台备案参数。
应理解，对于样本历史交易数据中的不同的交易数据来说，不同的交易数据对应的历史交易数据集合不同，由于目标风险程度参数是基于该交易数据对应的历史交易数据集合计算得到，所以，不同的交易数据对应的目标风险程度参数不同。
本实施例中，预先建立的风控模型中定义了正常交易占比、离散程度参数和交易平台备案参数的计算逻辑，因此调用风控模型可以计算这些参数。在未训练之前风控模型中的阈值系数可以人为设置，比如设置阈值系数为1，经过样本历史交易数据对风控模型进行训练之后，风控模型中的阈值系数发生更新，从而得到训练风控模型。
作为一个示例，假定训练之前样本历史交易数据中有1000w条数据，其中有80％为正常交易数据，20％为异常交易数据。当阈值系数设置为1，如果通过风控模型预测出来70％的为正常交易数据，30％为异常交易数据，这个就和实际值有差异，然后调整阈值系数，设置为0.9，让其比例无限接近80％正常，20％异常。那么就可以说明这个风控模型基本达到预期了。
以下参照图4给出计算样本历史交易数据中的任意一条交易数据对应的目标正常交易占比、目标离散程度参数和目标交易平台备案参数的计算过程。如图4所示，可以包括以下步骤：
步骤401、从样本历史交易数据中获取任意一条交易数据对应的目标历史交易数据集合。
应理解，目标历史交易数据集合中的交易数据的交易时间早于任意一条交易数据的交易时间。
步骤402、采用风控模型中的阈值系数和基于样本历史交易数据得到的历史平均交易价格，计算目标交易价格差阈值。
步骤403、基于目标交易价格差阈值将目标历史交易数据集合中的交易数据分为目标正常交易数据和目标异常交易数据。
步骤404、统计目标正常交易数据对应的目标正常交易次数，以及统计目标历史交易数据集合对应的目标总交易次数，计算目标正常交易次数与目标总交易次数之商，得到任意一条交易数据对应的目标正常交易占比。
步骤405、统计目标异常交易数据对应的目标异常交易次数，统计目标正常交易数据对应的目标正常交易时间间隔，统计目标异常交易数据对应的目标异常交易时间间隔，统计目标历史交易数据集合对应的目标总交易时间间隔。
步骤406、基于目标正常交易时间间隔和目标正常交易次数，计算目标正常交易时间间隔平均值；基于目标异常交易时间间隔和目标异常交易次数，计算目标异常交易时间间隔平均值；基于目标总交易时间间隔和目标总交易次数，计算目标总交易时间间隔平均值。
步骤407、基于目标正常交易时间间隔平均值、目标异常交易时间间隔平均值和目标总交易时间间隔平均值，计算目标总交易时间间隔的标准差、目标异常交易时间间隔的标准差和目标正常交易时间间隔的标准差。
步骤408、将目标总交易时间间隔的标准差、目标异常交易时间间隔的标准差和目标正常交易时间间隔的标准差，作为任意一条交易数据对应的目标离散程度参数。
步骤409、获取目标正常交易数据中的目标备案正常交易数据，以及目标异常交易数据中的目标备案异常交易数据，统计目标备案正常交易数据的目标备案正常交易次数以及目标备案异常交易数据的目标备案异常交易次数。
步骤410、基于目标备案正常交易次数和目标备案异常交易次数，计算目标备案总次数；计算目标备案正常交易次数与目标正常交易次数的占比N1；计算目标备案异常交易次数与目标异常交易次数占比N2；计算目标备案总次数和目标交易总次数，占比N。
步骤411、基于N、N1和N2，计算任意一条交易数据对应的目标交易平台备案参数。
应理解，本实施例给出的在模型训练过程中计算目标正常交易占比、目标离散程度参数和目标交易平台备案参数的过程与训练前风控模型中交易占比、离散程度参数和交易平台备案参数的计算逻辑相同。
本申请实施例还提供一种非同质化代币NFT的风险预测装置，该用于执行上述任一实施例提供的非同质化代币NFT的风险预测方法。如图5所示，该装置包括：
第一获取模块51，用于获取待交易NFT的历史交易数据和当前安全评估参数；
第二获取模块52，用于基于所述历史交易数据和预先训练的风控模型，获取历史风险程度参数；
第三获取模块53，用于基于所述历史风险程度参数和所述当前安全评估参数，获取所述待交易NFT的当前风险程度参数。
在一些实施例中，该装置还用于：
所述方法还包括：
从所述历史交易数据中，获取所述待交易NFT的属性特征、发行数量参数和历史交易价格；以及，从所述当前安全评估参数中，获取当前需要交易所述待交易NFT的交易双方的身份信息；
在基于所述属性特征、所述发行数量参数和历史交易价格，确定所述待交易NFT属于高价值NFT的情况下；和/或，在基于所述身份信息对所述交易双方进行身份验证，并确认所述身份验证的验证结果指示验证通过的情况下，执行所述从所述历史交易数据中，获取所述待交易NFT的属性特征、发行数量参数和历史交易价格的步骤。
在一些实施例中，第一获取模块51用于：
分别获取当前交易所述待交易NFT的交易平台的安全漏洞扫描结果，参与所述当前交易的交易双方各自的网络渗透测试结果和人员信誉度参数；
将所述网络渗透测试结果、所述人员信誉度参数和所述安全漏洞扫描结果作为所述当前安全评估参数。
在一些实施例中，第二获取模块52：
基于所述风控模型中的阈值系数和所述历史交易数据包括的历史平均交易价格，计算交易价格差阈值；
基于所述交易价格差阈值，将所述历史交易数据分为正常交易数据和异常交易数据；
根据统计所述正常交易数据获得的正常交易次数，计算所述正常交易占比；根据所述正常交易次数和统计所述异常交易数据获得的异常交易次数，计算所述离散程度参数；以及，根据所述正常交易数据中包括的备案正常交易数据和所述异常交易数据中包括的备案异常交易数据，计算所述交易平台备案参数；
将所述正常交易占比、所述离散程度参数和所述交易平台备案参数，作为所述历史风险程度参数。
在一些实施例中，第三获取模块53用于：
对于所述正常交易占比、所述离散程度参数、所述交易平台备案参数和所述当前安全评估参数这四个参数中的每个参数，获取所述每个参数的风险权重；
计算所述每个参数与所述每个参数对应的风险权重的乘积；
计算各所述乘积之和，获得所述待交易NFT的所述当前风险程度参数。
本申请实施例还提供一种风控模型的训练装置，该用于执行上述任一实施例提供的风控模型的训练方法。该装置用于训练获得前述非同质化代币NFT的风险预测方法实施例中的训练风控模型。如图6所示，该装置包括：
计算单元61，用于对于样本历史交易数据中的任意一条交易数据，利用预先建立的风控模型中的阈值系数，计算与所述任意一条交易数据对应的目标风险程度参数；所述阈值系数用于表征正常交易与上一次交易的交易价格差的阈值；
第一获得单元62，用于基于所述目标风险程度参数，获得所述任意一条交易数据的预测结果，所述预测结果为异常数据或正常数据；
第二获得单元63，用于基于所述任意一条交易数据的预测结果，获得所述样本历史交易数据中预测正常交易数据的预测占比；
更新单元64，用于根据所述预测占比和所述样本历史交易数据中正常交易数据的实际占比，更新所述阈值系数，获得所述训练风控模型。
本申请实施例提供的风控模型的训练装置与本申请实施例提供的风控模型的训练方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种电子设备，以执行上述非同质化代币NFT的风险预测方法或风控模型的训练装置方法。请参考图7其示出了本申请的一些实施方式所提供的一种电子设备的示意图。如图7所示，电子设备7包括：处理器700，存储器701，总线702和通信接口703，所述处理器700、通信接口703和存储器701通过总线702连接；所述存储器701中存储有可在所述处理器700上运行的计算机程序，所述处理器700运行所述计算机程序时执行本申请前述任一实施方式所提供的目标检测方法。
其中，存储器701可能包含高速随机存取存储器(RAM：Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口703(可以是有线或者无线)实现该装置网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
总线702可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器701用于存储程序，所述处理器700在接收到执行指令后，执行所述程序，前述本申请实施例任一实施方式揭示的所述目标检测方法可以应用于处理器700中，或者由处理器700实现。
处理器700可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器700中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器700可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器701，处理器700读取存储器701中的信息，结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的非同质化代币NFT的风险预测方法或风控模型的训练装置方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的非同质化代币NFT的风险预测方法或风控模型的训练装置方法对应的计算机可读存储介质，请参考图8，其示出的计算机可读存储介质为光盘30，其上存储有计算机程序(即程序产品)，所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的目标检测方法。
需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的非同质化代币NFT的风险预测方法或风控模型的训练装置方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
需要说明的是：
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本申请并帮助理解各个发明方面中的一个或多个，在上面对本申请的示例性实施例的描述中，本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下示意图：即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本申请的单独实施例。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种非同质化代币NFT的风险预测方法，其特征在于，包括：
获取待交易NFT的历史交易数据和当前安全评估参数；
基于所述历史交易数据和预先训练的风控模型，获取历史风险程度参数；
基于所述历史风险程度参数和所述当前安全评估参数，获取所述待交易NFT的当前风险程度参数。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
从所述历史交易数据中，获取所述待交易NFT的属性特征、发行数量参数和历史交易价格；以及，从所述当前安全评估参数中，获取当前需要交易所述待交易NFT的交易双方的身份信息；
在基于所述属性特征、所述发行数量参数和历史交易价格，确定所述待交易NFT属于高价值NFT的情况下；和/或，在基于所述身份信息对所述交易双方进行身份验证，并确认所述身份验证的验证结果指示验证通过的情况下，执行所述从所述历史交易数据中，获取所述待交易NFT的属性特征、发行数量参数和历史交易价格的步骤。
3.根据权利要求1所述的方法，其特征在于，获取待交易NFT的当前安全评估参数，包括：
分别获取当前交易所述待交易NFT的交易平台的安全漏洞扫描结果，参与所述当前交易的交易双方各自的网络渗透测试结果和人员信誉度参数；
将所述网络渗透测试结果、所述人员信誉度参数和所述安全漏洞扫描结果作为所述当前安全评估参数。
4.根据权利要求1所述的方法，其特征在于，基于所述历史交易数据和预先训练的训练风控模型，获取历史风险程度参数，包括：
基于所述风控模型中的阈值系数和所述历史交易数据包括的历史平均交易价格，计算交易价格差阈值；
基于所述交易价格差阈值，将所述历史交易数据分为正常交易数据和异常交易数据；
根据统计所述正常交易数据获得的正常交易次数，计算正常交易占比；根据所述正常交易次数和统计所述异常交易数据获得的异常交易次数，计算离散程度参数；以及，根据所述正常交易数据中包括的备案正常交易数据和所述异常交易数据中包括的备案异常交易数据，计算交易平台备案参数；
将所述正常交易占比、所述离散程度参数和所述交易平台备案参数，作为所述历史风险程度参数。
5.根据权利要求4所述的方法，其特征在于，基于所述历史风险程度参数和所述当前安全评估参数，获取所述待交易NFT的当前风险程度参数，包括：
对于所述正常交易占比、所述离散程度参数、所述交易平台备案参数和所述当前安全评估参数这四个参数中的每个参数，获取所述每个参数的风险权重；
计算所述每个参数与所述每个参数对应的风险权重的乘积；
计算各所述乘积之和，获得所述待交易NFT的所述当前风险程度参数。
6.一种风控模型的训练方法，其特征在于，用于训练获得权利要求1所述的训练风控模型，所述方法包括：
对于样本历史交易数据中的任意一条交易数据，利用预先建立的风控模型中的阈值系数，计算与所述任意一条交易数据对应的目标风险程度参数；所述阈值系数用于表征正常交易与上一次交易的交易价格差的阈值；
基于所述目标风险程度参数，获得所述任意一条交易数据的预测结果，所述预测结果为异常数据或正常数据；
基于所述任意一条交易数据的预测结果，获得所述样本历史交易数据中预测正常交易数据的预测占比；
根据所述预测占比和所述样本历史交易数据中正常交易数据的实际占比，更新所述阈值系数，获得所述训练风控模型。
7.一种非同质化代币NFT的风险预测装置，其特征在于，包括：
第一获取模块，用于获取待交易NFT的历史交易数据和当前安全评估参数；
第二获取模块，用于基于所述历史交易数据和预先训练的风控模型，获取历史风险程度参数；
第三获取模块，用于基于所述历史风险程度参数和所述当前安全评估参数，获取所述待交易NFT的当前风险程度参数。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序以实现如权利要求1-5任一项或权利要求6所述的方法。
9.一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，所述程序被处理器执行实现如权利要求1-5中任一项或权利要求6所述的方法。
10.一种计算机程序产品，其特征在于，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备的处理器中运行时，所述电子设备中的处理器执行如权利要求1-5中任一项或权利要求6所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410670700.5A CN118504765A (zh) | 2024-05-28 | 2024-05-28 | 风险预测、模型训练方法、设备、存储介质及程序产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410670700.5A CN118504765A (zh) | 2024-05-28 | 2024-05-28 | 风险预测、模型训练方法、设备、存储介质及程序产品 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118504765A true CN118504765A (zh) | 2024-08-16 |
Family
ID=92229122
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410670700.5A Pending CN118504765A (zh) | 2024-05-28 | 2024-05-28 | 风险预测、模型训练方法、设备、存储介质及程序产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118504765A (zh) |
-
2024
- 2024-05-28 CN CN202410670700.5A patent/CN118504765A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110192216B (zh) | 计算机实现的方法和系统 | |
| US11995657B2 (en) | Assessing risk over a contingent asset lifecycle | |
| Chen et al. | A dynamic model of auctions with buy‐it‐now: Theory and evidence | |
| CN111008852B (zh) | 艺术品防伪鉴定方法、服务器、终端及存储介质 | |
| WO2019099936A1 (en) | Trusted online review system and method | |
| US20230351386A1 (en) | Utilizing a public benefit assets secure token | |
| US12301719B2 (en) | Using a public benefit assets secure token | |
| CN119547415A (zh) | 用于基于资产的共识的双层令牌方法和系统 | |
| CN117078430A (zh) | 使用机器训练的模型的交易风险评估 | |
| US20030055662A1 (en) | System and method for auditing electronic auctions | |
| US12327246B2 (en) | Utilizing a public benefit assets secure token | |
| Mundra et al. | Online Hybrid model for online fraud prevention and detection | |
| US20180165756A1 (en) | Bidding system and method capable of providing motivation for bidding | |
| US12260402B2 (en) | Updating a set of public benefit assets secure token | |
| CN118504765A (zh) | 风险预测、模型训练方法、设备、存储介质及程序产品 | |
| US20230186386A1 (en) | Identifying a public benefit assets secure token | |
| CN110428312A (zh) | 资产拍卖的价格确定方法、装置及资产管理维护平台 | |
| CN112950250A (zh) | 房屋价值的评估方法、装置、存储介质和智能终端 | |
| WO2024025957A1 (en) | Systems and methods for verifying transaction authenticity using securitized token-based system | |
| KR102634818B1 (ko) | 상품 거래 지원 방법 및 장치 | |
| KR102566403B1 (ko) | 중고 물품 거래 시스템 및 그 방법과 이를 위한 컴퓨터 프로그램 | |
| KR100626301B1 (ko) | 입찰 횟수에 따라 하락하는 낙찰가를 결정하는 경매 방법 | |
| CN117635145B (zh) | 基于区块链的碳交易方法和装置、电子设备和存储介质 | |
| US12367527B2 (en) | Utilizing a public benefit assets secure token | |
| US20230342766A1 (en) | Utilizing a public benefit assets secure token |
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 |