KR20190025005A

KR20190025005A - 데이터 위험을 제어하기 위한 방법 및 디바이스

Info

Publication number: KR20190025005A
Application number: KR1020197003200A
Authority: KR
Inventors: 웬후 훠; 쳉웨이 후앙; 웨이치앙 왕
Original assignee: 알리바바 그룹 홀딩 리미티드
Priority date: 2016-07-01
Filing date: 2017-06-26
Publication date: 2019-03-08
Also published as: CN107563757A; JP6697584B2; MY188651A; US11074350B2; TW201802732A; EP3480769A1; TWI673666B; KR102175226B1; CN107563757B; US20190130116A1; SG11201811395YA; WO2018001195A1; EP3480769A4; JP2019525309A

Abstract

인터넷 기술의 분야에 관한, 데이터 위험을 제어하기 위한 방법 및 디바이스가 제공되되, 방법은, 제1 속성에 따라 미리 결정된 시간 기간에 일괄 거래 데이터를 분류하는 단계(101); 일괄 거래 데이터의 각각의 범주에 대해, 제2 속성에 따라, 일괄 거래 데이터에 존재하는 위험을 식별하기 위한 그래프의 대응하는 그래프 지표를 각각 생성하는 단계(102); 일괄 거래 데이터의 상이한 범주에 대응하는 그래프 지표를 각각의 위험 식별 모델에 각각 입력하고, 그리고 모델의 출력 결과에 따라, 입력된 그래프 지표에 대응하는 일괄 거래 데이터가 위험한지를 획득하는 단계(103)를 포함한다. 본 해결책은 일괄 거래 데이터에 존재하는 위험을 신속하게 그리고 정확하게 식별할 수 있다.

Description

데이터 위험을 제어하기 위한 방법 및 디바이스

본 발명은 인터넷의 기술 분야, 더 구체적으로, 데이터 위험을 제어하기 위한 방법 및 디바이스에 관한 것이다.

인터넷 기술의 빠른 개발에 따라, 전자 결제 애플리케이션이 점점 더 만연해지고 있다. 여기서, 어구 "전자 결제"는 통화 결제 및 자금 이체를 구현하도록 직접적으로 또는 다른 사람들을 승인함으로써, 전자 단말기를 통해 결제 명령어를 발행함으로써, 지불인의 행위를 지칭한다. 전자 결제는 사람들의 일상생활을 더 편리하고, 빠르고 그리고 효율적으로 만들 수 있다.

오늘날, 전자 결제 처리 동안 자금의 보안을 결정할 수 있기 위해서, 종종 위험 제어 시스템이 각각의 전자 결제 동안 위험 방지 및 제어를 실시하도록 사용된다. 위험 제어 시스템은 보통 정책 규칙 및 결제 모델로 이루어지고, 그리고 위험 제어 시스템은 주로 개별적인 전자 결제를 위해 실시간 위험 결정 및 위험 의사 결정을 실시한다. 미리 결정된 전자 결제가 위험을 갖는다고 결정될 때, 위험 경보가 수행되고, 즉, 위험을 가진 전자 결제가 차단 또는 취소되어 사용자에 대한 재정적 손실을 방지한다.

그러나, 위험 제어 시스템의 방지 및 제어 과정에서, 악의적인 범인이 종종 각각의 전자 결제 시 정상적인 전자 결제의 행동 습관을 시뮬레이션함으로써 결제를 해서, 위험 제어 시스템에 의한 방지 및 제어를 피한다. 전자 결제를 실행할 때, 악의적인 범인은 특정한 배치(batch)를 형성할 수도 있다. 일괄 전자 결제에 관하여, 그 전자 결제 개체가 분산되고 그리고 지속기간이 길기 때문에, 위험 제어 시스템이 단일의 전자 결제에 대한 방지 및 제어를 실시할 때, 분산 전자 결제는 위험 제어 시스템의 위험 경보 조건을 충족하지 못할 수도 있다. 분산된 일괄 전자 결제에 대한 식별을 수행하는 것이 불가능해서, 가능하게는 직접적으로 전자 결제 사용자에 대한 불필요한 재정적 손실을 초래한다.

이런 사정으로, 본 발명의 실시형태는 데이터 위험을 제어하기 위한 방법 및 디바이스를 제공한다. 주 목적은 현재의 기술에서, 단일의 거래 데이터에 대한 위험 방지 및 제어를 실시하는 위험 제어 시스템이 분산된 일괄 거래 데이터에서 위험 식별을 수행할 수 없다는 문제점을 해결하고, 그리고 일괄 거래 데이터 내 위험을 신속하게 그리고 정확하게 식별할 수 있게 하는 것이다.

이 목적을 달성하기 위해서, 본 발명은 다음의 기술적 설계안을 제공한다:

첫째로, 본 발명은,

제1 속성에 따라 미리 설정된 시간 기간에 일괄 거래 데이터를 분류하는 단계;

제2 속성에 따라 일괄 거래 데이터의 각각의 범주에 대해 대응하는 그래프의 그래프 지표를 생성하는 단계(대응하는 그래프는 일괄 거래 데이터 내 위험을 식별하도록 구성됨); 및

일괄 거래 데이터의 상이한 범주에 대응하는 그래프 지표를 대응하는 위험 식별 모델에 각각 입력하고, 그리고 입력된 그래프 지표에 대응하는 일괄 거래 데이터가 모델에 의해 출력된 결과에 기초하여 위험을 갖는지를 결정하는 단계를 포함하는, 데이터 위험 제어 방법을 제공한다.

둘째로, 본 발명에 의해 제공된 데이터 위험 제어 디바이스는,

제1 속성에 따라 미리 설정된 시간 기간에 일괄 거래 데이터를 분류하도록 구성된 제1 분류부;

제2 속성에 따라, 제1 분류부에 의해 분류된 일괄 거래 데이터의 각각의 범주에 대해 대응하는 그래프의 그래프 지표를 생성하도록 구성된 제1 생성부(대응하는 그래프는 일괄 거래 데이터 내 위험을 식별하도록 구성됨);

일괄 거래 데이터의 상이한 범주에 대응하는 제1 생성부에 의해 생성된 그래프 지표를 대응하는 위험 식별 모델에 각각 입력하도록 구성된 입력부; 및

입력된 그래프 지표에 대응하는 일괄 거래 데이터가 모델에 의해 출력된 결과에 기초하여 위험을 갖는지를 결정하도록 구성된 결정부를 포함한다.

이 기술적 설계안에 의해, 본 발명의 실시형태에 의해 제공된 기술적 설계안은 적어도 다음의 이점을 갖는다:

본 발명에 의해 제공된 데이터 위험을 제어하기 위한 방법 및 디바이스에서, 위험 제어 장치/시스템이 위험 제어를 수행할 때, 먼저, 위험 제어 장치/시스템은 제1 속성에 따라 미리 설정된 시간 기간에 일괄 거래 데이터를 분류한다. 위험 제어 장치/시스템은 제2 속성에 기초하여 일괄 거래 데이터의 각각의 범주에 대해 대응하는 그래프의 그래프 지표를 생성하고, 대응하는 그래프는 일괄 거래 데이터 내 위험을 식별하도록 구성된다. 위험 제어 장치/시스템은 일괄 거래 데이터의 상이한 범주에 대응하는 그래프 지표를 위험 식별 모델에 입력하고, 그리고 모델에 의해 출력된 결과에 기초하여, 위험 제어 장치/시스템은 입력된 그래프 지표에 대응하는 일괄 거래 데이터가 위험을 갖는지를 결정해서, 위험 제어 장치/시스템이 그래프 지표에 대응하는 위험한 일괄 거래 데이터에 대한 위험 제어를 수행하게 조장한다. 미리 설정된 시간 기간에 단일의 거래 데이터를 축적함으로써 형성된 일괄 거래 데이터를 분류함으로써 그리고 그래프 지표를 생성함으로써, 본 발명은 위험 식별 모델을 이용함으로써 일괄 거래 데이터의 상이한 범주 내 총체적인 위험을 신속하게 그리고 정확하게 식별할 수 있어서, 사용자에 대한 불필요한 재정적 손실을 감소시킨다.

이전의 설명은 단지 본 발명의 기술적 설계안의 요약이다. 본 발명의 기술적 수단의 더 명확한 이해를 위해, 설명의 내용에 따라 기술적 수단의 구현을 가능하게 하기 위해서, 그리고 또한 본 발명의 앞서 말한 목적 및 다른 목적, 특성 및 이점을 더 분명하고 그리고 더 간단하게 만들기 위해서, 본 발명의 상세한 실시형태가 아래에 제공된다.

바람직한 실시형태의 다음의 상세한 설명을 읽음으로써, 다양한 다른 이점 및 이득이 당업자에게 명확해질 것이다. 첨부된 도면은 단지 바람직한 실시형태의 목적을 예시하기 위한 것이고 그리고 본 발명을 제한하기 위한 것이 아니다. 또한, 전반적으로 첨부된 도면에서, 동일한 참조 부호는 동일한 부분을 나타낸다.
도 1은 본 발명의 실시형태에 의해 제공된 데이터 위험 제어 방법의 흐름도;
도 2는 본 발명의 실시형태에 의해 제공된 그래프의 도면;
도 3은 본 발명의 실시형태에 의해 제공된 데이터 위험 제어 디바이스의 구성 블록도; 및
도 4는 본 발명의 또 다른 실시형태에 의해 제공된 데이터 위험 제어 디바이스의 구성 블록도.

본 개시내용의 예시적인 실시형태의 더 상세한 설명을 위해 첨부된 도면이 아래에서 참조된다. 본 개시내용의 예시적인 실시형태가 첨부된 도면에 도시되지만, 본 개시내용이 다양한 형태로 달성될 수도 있고 그리고 본 명세서에 설명된 실시형태에 의해 제한되지 않음이 이해되어야 한다. 대조적으로, 이 실시형태는 본 개시내용의 더 완전한 이해를 위해 제공되고; 이 실시형태는 본 개시내용의 범위를 당업자에게 전달할 수 있다.

본 발명의 실시형태는 데이터 위험 제어 방법을 제공하고, 그리고 이 방법은 컴퓨터 디바이스에 적용된다. 도 1에 도시된 바와 같이, 이 방법은,

제1 속성에 따라 미리 설정된 시간 기간에 일괄 거래 데이터를 분류하는 단계(101)를 포함한다.

현재의 기술에서, 위험 제어 장치/시스템은 각각의 단일의 거래에서 데이터에 대한 매우 철저한 위험 제어를 수행한다. 그러나, 위험 제어 장치/시스템의 방지 및 제어 과정 동안, 범죄 집단이 종종 단일의 거래 데이터 작동 시 정상적인 사용자의 습관을 시뮬레이션해서, 위험 제어 장치/시스템에 의한 방지 및 제어를 피한다. 여기서, 단일의 거래 데이터는 보통 사용자의 자금 흐름 데이터, 예를 들어, 은행 이체, 온라인 구매 결제, 크로스-플랫폼 자금 결제 등이다. 그러나, 이러한 범죄를 저지르는 과정에서, 범죄 집단은 분산 개체를 사용하고 그리고 지속기간이 길다. 위험 제어 장치/시스템이 단일의 거래 데이터에 대한 위험 평가 또는 의사 결정을 수행할 때, 위험이 각각의 개체에 분산된다. 그러나, 각각의 개체에 대한 위험의 부분은 위험 제어 장치/시스템의 경보 문턱값에 도달하지 못할 수도 있다. 따라서, 집중된 위험의 큰 부분을 놓칠 것이고, 사용자에 대한 불필요한 재정적 손실을 발생시킨다. 예시적인 적용에서, 개체는 은행 카드, 화폐 거래 플랫폼의 등록 계정 등을 포함할 수도 있지만 이들로 제한되지 않는, 자본 유출단이다. 본 발명의 실시형태는 자본 유출단에 대응하는 개체에 제한을 두지 않는다.

따라서, 단일의 거래 데이터 내 위험만이 식별될 수 있고, 그리고 위험을 놓치기 쉬운 현재의 기술의 문제점을 해결하기 위해서, 본 발명의 실시형태는 일괄 거래 데이터 위험을 식별하도록 단위로서 일괄 거래 데이터를 사용한다. 위험 방지 및 제어 과정 동안, 본 발명의 실시형태의 위험 제어 장치/시스템은 단일의 거래 데이터가 아닌, 일괄 거래 데이터에서 위험 식별을 수행한다. 따라서, 방지 및 제어 전에, 위험 제어 시스템은 일괄 거래 데이터를 획득하도록 단일의 거래 데이터를 축적해야 한다. 데이터베이스에 기록된 다량의 단일의 거래 데이터가 있기 때문에, 일괄 거래 데이터를 획득할 때, 보통 데이터베이스 내의 모든 단일의 거래 데이터가 축적되진 않는다. 오히려, 미리 결정된 미리 설정된 시간 기간에 단일의 거래 데이터가 일괄 거래 데이터를 획득하도록 축적된다. 축적된 일괄 거래 데이터의 양이 매우 많다면, 일괄 거래 데이터 내 위험은 "약화"될 것이고, 그리고 일괄 거래 데이터 내 위험을 식별할 때, 많은 데이터의 양은 위험의 식별을 특정한 정도로 방해할 것이다. 축적된 일괄 거래 데이터의 양이 매우 작다면, 이것은 쉽게 일괄 거래 데이터가 단일의 거래 데이터의 통계적 유의도를 부족하게 할 수 있어서, 일괄 거래 데이터 내 위험을 식별할 목적을 실패한다.

범죄자가 범죄를 저지를 때 범죄의 일괄 특성에 기인하여, 집단 범죄는 불가피하게 내부 연결을 가질 것이다. 제1 속성에 따라 일괄 거래 데이터를 분류할 때, 예를 들어, 동일한 국가에서 등록된 계좌를 수반한 거래 데이터, 동일한 종류의 상품을 수반한 거래, 동일한 상품 수령 국가 또는 지역 및/또는 동일한 수취인 계좌 번호를 수반한 거래 각각이 범주로 분류될 수도 있다. 분류의 범위는 위험한 거래에 기초하여 결정될 수도 있다. 상이한 국가 및 지역이 상이한 형태의 위험을 생성할 것이고, 이는 상이한 분류 방법을 초래할 것이다. 따라서, 본 발명의 실시형태는 일괄 거래 데이터의 분류를 통해 위험을 미리 결정된 범주로 "패키징(package)"하고, 일괄 위험이 집중되는 범주를 결정하고, 일괄 거래 데이터 내 위험 식별의 정확도를 보장하고, 그리고 위험을 놓치는 것을 방지하여, 사용자에 대한 불필요한, 알려지지 않은 재정적 손실을 방지한다. 제1 속성이 단지 설명의 편의를 위해 사용되고, 그리고 하나의 속성을 나타내지 않지만, 하나 또는 다수의 속성을 포함할 수도 있다고 언명되어야 한다.

예시적인 적용에서, 범죄자가 불법적으로 특정한 상품을 획득해서 이득을 취할 때, 범죄자는 불법적으로 획득된 상품을 폐기해야 한다. 훔친 상품의 온라인 폐기는 보통 상품의 유형(예를 들어, 전화기 및 디지털 상품, 자동차, 가전제품, 의류 등과 같은 유형), 판매자의 지역 및 구매자의 지역 등과 같은 정보를 수반한다. 따라서, 본 발명의 실시형태가 제1 속성에 따라 분류를 수행할 때, 상품 유형, 판매자의 지역 또는 구매자의 지역은 제1 속성으로서 사용될 수도 있다. 하위 유형(예를 들어, 모바일 폰, 컴퓨터, 여성복 및 액세서리, 차량 모델, 가전제품 등) 및 판매자의 도시도 또한 제1 속성으로서 사용될 수도 있다. 본 발명의 실시형태는 제1 속성을 설정하는 것에 제한을 두지 않는다.

본 발명의 실시형태에서, 미리 설정된 시간 기간에 단일의 거래 데이터를 축적하는 목적은 단일의 거래 데이터를 수집하는 동안 단일의 거래 데이터에 가능한 알려지지 않은 위험을 축적하는 것이다. 예시적인 적용에서, 미리 결정된 날 내에 단일의 거래 데이터가 일괄 거래 데이터를 획득하도록 축적될 수도 있거나; 또는 3일의 연이은 날에 단일의 거래 데이터가 일괄 거래 데이터를 획득하도록 축적될 수도 있거나; 또는 미리 결정된 주에 단일의 거래 데이터가 거래 데이터를 획득하도록 축적될 수도 있다. 본 발명의 실시형태는 미리 설정된 시간 기간을 설정하는 것에 제한을 두지 않는다.

제2 속성에 따라 일괄 거래 데이터의 각각의 범주에 대해 대응하는 그래프의 그래프 지표를 생성하는 단계(102), 대응하는 그래프는 일괄 거래 데이터 내 위험을 식별하도록 구성됨.

단계(101)에서 일괄 거래 데이터를 분류한 후에, 동일한 범주의 일괄 거래 데이터 내 하나의 유형의 위험이 있을 수도 있고, 위험이 없을 수도 있거나 또는 다수의 유형의 위험이 있을 수도 있다. 따라서, 상이한 범주의 일괄 거래 데이터에 대한 식별을 별도로 실시하고 그리고 위험을 결정할 필요가 있다.

미리 결정된 범주 내 일괄 거래 데이터가 임의의 위험을 갖는지를 결정하기 위해서, 본 발명의 실시형태는 위험이 상이한 범주의 일괄 거래 데이터에 존재하는지를 식별하도록 위험 식별 모델을 사용한다. 여기서, 위험 식별 모델은 그래프 지표에 기초하여 일괄 거래 데이터에 존재하는 위험을 식별하도록 사용된다. 위험 식별 모델이 위험 식별을 수행할 때, 위험 식별 모델로의 입력은 일괄 거래 데이터에 기초하여 확립된 그래프의 그래프 지표이다.

이 단계의 목적은 입력 데이터에 대한 위험 식별 모델의 필요조건을 충족하고, 제2 속성에 기초하여 상이한 범주의 일괄 거래 데이터에 대한 그래프를 생성하고, 그리고 생성된 그래프에 기초하여 각각의 그래프의 지표를 획득하는 것이다. 여기서, 제2 속성은 단지 설명의 편의를 위해 사용된다. 그것은 하나의 속성 또는 다수의 속성일 수도 있다. 예를 들어, 그래프는 거래 데이터에서 거래에 수반된 장비의 속성에 기초하여 확립될 수도 있거나, 또는 그래프는 이메일 및 IP 어드레스에 기초하여 각각의 범주의 일괄 거래 데이터에 대해 각각 확립될 수도 있다. 그래프가 상이한 일괄 거래 데이터에 대해 생성될 때, 제2 속성은 동일하거나 또는 상이할 수도 있다. 제2 속성이 또한 실제 상황에 기초하여 결정될 수도 있다. 제1 속성과 제2 속성은 동일할 수도 있거나 또는 상이할 수도 있거나 또는 부분적으로 동일할 수도 있다. 그래프에 기초하여 도출된 그래프 지표는 그래프 내 노드의 수, 연관된 노드 간 에지의 수 등을 포함할 수도 있다.

일괄 거래 데이터의 상이한 범주에 대응하는 그래프 지표를 대응하는 위험 식별 모델에 각각 입력하고, 그리고 입력된 그래프 지표에 대응하는 일괄 거래 데이터가 모델에 의해 출력된 결과에 기초하여 위험을 갖는지를 결정하는 단계(103).

위험이 일괄 거래 데이터에 존재하는지를 결정할 때, 상이한 범주의 일괄 거래 데이터에 대응하는 그래프 지표가 대응하는 위험 식별 모델에 입력되고, 그리고 위험 식별 모델은 위험이 입력된 그래프 지표에 대응하는 일괄 거래 데이터에 존재하는지를 결정한다.

위험 식별 모델이 위험이 모델의 출력 결과에 기초하여 일괄 거래 데이터에 존재한다고 결정할 때, 위험 식별 모델은 그래프 지표에 대응하는 위험한 일괄 거래 데이터의 제1 속성 및 제2 속성 및 결정된 위험에 대응하는 그래프 지표를 출력하고, 그리고 이들을 위험 방지 및 제어 및 위험 의사 결정에서의 참조를 위해 위험 제어 시스템에 제공한다. 즉, 위험 방지 및 제어가 제1 속성, 제2 속성 및 그래프 지표에 기초하여 실시되어서, 사용자에 대한 재정적 손실을 방지한다.

위험 제어 장치/시스템이 위험 제어를 수행할 때, 먼저, 본 발명에 의해 제공된 데이터 위험 제어 방법은 제1 속성에 따라 미리 설정된 시간 기간에 일괄 거래 데이터를 분류하고, 그리고 제2 속성에 따라 일괄 거래 데이터의 각각의 범주에 대한 대응하는 그래프의 그래프 지표를 생성하고, 대응하는 그래프는 일괄 거래 데이터 내 위험을 식별하도록 구성된다. 데이터 위험 제어 방법은 일괄 거래 데이터의 상이한 범주에 대응하는 그래프 지표를 대응하는 위험 식별 모델에 각각 입력하고, 그리고 모델의 출력 결과에 기초하여, 데이터 위험 제어 방법은 위험 제어 장치/시스템이 그래프 지표에 대응하는 위험한 일괄 거래 데이터의 위험 제어를 수행하도록, 입력된 그래프 지표에 대응하는 일괄 거래 데이터가 위험을 갖는지를 결정한다. 미리 설정된 시간 기간에 단일의 거래 데이터를 축적함으로써 획득된 일괄 거래 데이터를 분류하고 그리고 그래프 지표를 생성함으로써, 본 발명은 상이한 범주의 일괄 거래 데이터 내 집중된 위험을 신속하게 그리고 정확하게 식별하도록 위험 식별 모델을 사용할 수 있어서, 사용자에 대한 불필요한 재정적 손실을 감소시킨다.

게다가, 미리 설정된 시간 기간에 단일의 거래 데이터의 축적을 통해 획득된 일괄 거래 데이터에 대한 분류를 수행할 때, 제1 속성에 따라 일괄 거래 데이터에 대한 분류를 수행하는 것이 필요하다. 여기서, 제1 속성은 상이한 국가, 지역 또는 거래에 따라 달라진다. 제1 속성은 국가, 상품 모델 번호, 회사명, 차량 상표 등을 포함하지만, 이들로 제한되지 않는다. 실시예로서, 2016년 2월 17일, 00:00 내지 24:00의 미리 설정된 시간 기간 내에, 분류될 데이터베이스 내 단일의 거래 데이터의 1000개의 피스가 있다. 이때에, 단일의 거래 데이터의 1000개의 피스가 수신 국가의 제1 속성에 따라 분류된다. 여기서, 수신 국가인 미국이 붙은 단일의 거래 데이터의 300개의 피스가 있고, 수신 국가인 중국이 붙은 단일의 거래 데이터의 400개의 피스가 있고, 그리고 수신 국가인 영국이 붙은 단일의 거래 데이터의 300개의 피스가 있다. 표 1은 데이터베이스 내 단일의 거래 데이터의 1000개의 피스에 대한 분류 정보의 상세한 기록이다. 표 1에 나타낸 바와 같이, 표 1은 수신 국가의 제1 속성에 따라 결정된 범주를 상세히 열거한다. 여기서, 표 1은 단지 실례가 되는 예이다. 본 발명의 실시형태는 상세한 기록 정보의 분류에 제한을 두지 않는다.

거래 날짜	범주	수신 국가	주문 번호	주석
2016/2/17	I	미국	1001
2016/2/17	I	미국	1002
2016/2/17	I	미국	... ...
2016/2/17	II	중국	1005
2016/2/17	II	중국	1010
2016/2/17	II	중국	... ...
2016/2/17	III	영국	1026
2016/2/17	III	영국	... ...

게다가, 트레이닝 일괄 거래 데이터는 트레이닝 일괄 거래 데이터의 상이한 범주 내 위험의 존재에 관한 위험 식별 모델의 일반 규칙, 즉, 분류된 트레이닝 일괄 거래 데이터에 관한 미리 설정된 처리 작동을 수행함으로써 결정된 트레이닝 그래프 지표에 대응하는 미리 설정된 위험 문턱값을 획득하도록, 트레이닝을 실시하도록 사용된다. 이 미리 설정된 위험 문턱값을 사용하여, 위험이 일괄 거래 데이터에 존재하는지가 결정된다. 트레이닝 일괄 거래 데이터는 미리 설정된 시간 기간에 이력 단일의 거래 데이터의 축적을 통해 획득된 일괄 거래 데이터이다. 따라서, 입력 데이터에 대한 위험 식별 모델의 필요조건을 충족하기 위해서, 제2 속성에 기초하여, 단계(102)에서 일괄 거래 데이터 내 위험을 식별하도록 구성된, 일괄 거래 데이터의 각각의 범주에 대한 대응하는 그래프의 그래프 지표를 생성할 때, 미리 설정된 처리 작동이 분류된 일괄 거래 데이터에서 수행된다. 동시에, 특정한 정도로, 분류된 일괄 거래 데이터에서 미리 설정된 처리 작동을 수행하는 것은 위험 식별 모델이 위험을 식별하는 속도 및 효율을 증진시킬 수도 있다. 여기서, 미리 설정된 처리 작동은, 모든 범주의 일괄 거래 데이터에 대하여, 제2 속성에 기초한 단일의 거래 데이터 간의 상관관계의 그래프를 구축하는 것, 및 일괄 거래 데이터 위험을 식별할 시 사용되는 그래프로부터 그래프 지표를 도출하는 것을 포함한다.

이 실시형태에서, 상이한 범주의 일괄 거래 데이터에 대한 일괄 거래 데이터 위험을 식별하도록 제2 속성에 따라 그래프 지표를 생성하는 목적은 동일한 범주 내 단일의 거래 데이터 간의 내부 연결이 있는지를 결정하는 것이다. 이 그래프는 동일한 제2 속성을 가진 단일의 거래 데이터 간의 연관성을 유발한다. 완전한 그래프를 구축한 후, 단일의 거래 데이터의 각각의 쌍 간의 상관관계의 정도를 결정하는 것은 불가능하다. 따라서, 그래프에 기초하여 대응하는 그래프 지표를 생성하고 그리고 그래프 지표를 위험 식별 모델에 입력하는 것이 필요하고, 위험 식별 모델이 일괄 거래 데이터 위험을 식별하도록 그래프 지표를 사용하게 조장한다.

게다가, 제2 속성에 기초하여 일괄 거래 데이터의 상이한 범주에 대한 그래프를 구축할 때, 다음의 방법이 사용될 수도 있지만, 가능한 방법은 다음으로 제한되지 않는다. 예를 들어, 먼저, 일괄 거래 데이터의 동일한 범주 내 동일한 제2 속성을 가진 단일의 거래 데이터가 검색되고, 그리고 연관성이 동일한 제2 속성을 가진 단일의 거래 데이터 간에 확립된다. 다음으로, 에지가 연관된 단일의 거래 데이터 간에 구성되고, 그리고 에지 거리값이 설정된다. 최종적으로, 그래프가 에지 및 에지 거리값에 기초하여 구축된다. 동일한 범주의 일괄 거래 데이터에 대한 그래프를 구성할 때, 그래프는 하나의 제2 속성에 기초하여 구성될 수도 있거나 또는 대응하는 수의 그래프가 적어도 2개의 제2 속성에 기초하여 구성될 수도 있다. 정상적인 상황 하에서, 제2 속성의 수와 구성된 그래프의 수 간의 일-대-일 대응이 있다. 심각한 상황 하에서, 상이한 범주의 일괄 거래 데이터의 제2 속성에 상당한 에러가 있다고 결정된다면, 일괄 거래 데이터의 범주 내 동일한 제2 속성을 가진 단일의 거래 데이터의 적어도 2개의 피스를 찾는 것을 불가능하게 만들 수도 있다. 이 유형의 상황은 거의 발생하지 않는다. 본 발명의 실시형태는 콘텐츠 및 제2 속성의 수, 단일의 범주에 대해 구성된 그래프의 수 또는 그래프 내 단일의 거래 데이터의 수량에 제한을 두지 않는다.

본 발명의 실시형태에서, 제2 속성의 결정은 상이한 범주 내 단일의 거래 데이터의 실제 콘텐츠에 기초해야 한다. 제2 속성은 단말 장비 속성, 쇼핑 플랫폼 또는 화폐 거래 플랫폼의 등록 계정, 인터넷 프로토콜(Internet Protocol: IP), 수취인 계좌 번호 정보 /결제 계좌 번호 정보 등을 포함할 수도 있지만, 이들로 제한되지 않는다. 본 발명의 실시형태는 이것에 제한을 두지 않는다.

예를 들어, 범죄의 일괄 수행의 특성으로서, 범죄자는 다수의 화폐 거래 플랫폼의 등록 계정과 동일한 은행 카드를 묶을 수도 있다. 예를 들어, 범죄자는 상이한 쇼핑 플랫폼의 등록 계정과 하나의 은행 카드를 묶을 수도 있거나; 또는 범죄자는 다수의 사용자의 다수의 은행 카드를 동일한 등록 계정과 묶을 수도 있거나 또는 은행 카드를 쇼핑 웹사이트에서 사용할 수도 있다. 예를 들어, 사용자(I)의 쇼핑 웹사이트 등록 계정: abc@*.com이 사용자(A), 사용자(B) 및 사용자(C)의 은행 카드와 동시에 묶인다. 사용자(I)가 사용자(A), 사용자(B) 및 사용자(C)의 개인 정보(신분증, 모바일 폰 번호, 은행 카드 번호)를 훔친 후, 사용자(I)가 온라인 결제 행위를 수행할 수도 있어서, 사용자(A), 사용자(B) 및 사용자(C)에 대한 재정적 손실을 초래한다. 따라서, 일괄 거래 데이터에 대한 그래프를 구축하도록 제2 속성을 결정할 때, 화폐 거래를 실시하기 위해 사용된 장비 또는 IP 정보의 정보, 화폐 거래 플랫폼 계좌 정보, 은행 카드 정보 등과 같은, 제2 속성이 범죄자에 의해 행해지는 필수적인 단계에 기초하여 결정될 수도 있다.

연관된 데이터 간 에지를 구성한 후, 에지 거리값이 그래프 내 에지를 "수량화"하도록, 즉, 동일한 범주 내 상관된 단일의 거래 데이터를 수량화하도록 설정되어야 한다는 것을 유념해야 한다. 에지 거리값을 설정하기 위한 원리는: 제2 속성에 기초하여, 단일의 거래 데이터의 쌍 간에 연관성이 있다면, 쌍 내 단일의 거래 데이터의 2개의 피스에 의해 형성된 에지에 대한 거리값이 비교적 낮게 설정되고, 예를 들어, 에지 거리값을 1로 설정하거나 또는 에지 거리값을 2로 설정하는 등을 하는 것이다. 제2 속성에 기초하여, 단일의 거래 데이터의 쌍 간에 연관성이 없다면, 이것은 쌍 내 단일의 거래 데이터의 2개의 피스가 서로 비교적 관계가 없고, 그리고 단일의 거래 데이터의 이 독립적인 피스에 대한 에지 거리값이 비교적 높게 설정되고, 예를 들어, 에지 거리값을 1000으로 설정하거나 또는 에지 거리값을 5000으로 설정하는 등을 한다는 것을 의미한다. 본 발명의 실시형태는 에지 거리값이 설정되는 수치에 제한을 두지 않는다.

예를 들어, 표 1에 도시된 실시예를 참조하면, 그래프는 다음의 제2 속성: 수취인 단말 장비가 스마트폰인 것, IP 어드레스, 수취인 화폐 거래 플랫폼의 등록 계정 및 수취인 은행 카드 유형에 기초하여, 수신 국가인 미국이 붙은 일괄 거래 데이터에 대하여 구성된다. 도 2는 본 발명의 실시형태에 의해 제공된 그래프의 도면을 도시한다. 도 2에 도시된 바와 같이, 이것은 4개의 제2 속성에 기초한 그래프이다. 여기서, A는 수취인 단말 장비가 스마트폰인 것에 기초하여 단일의 거래 데이터 간의 연관성을 나타내고, B는 IP 어드레스에 기초하여 단일의 거래 데이터 간의 연관성을 나타내고, C는 수취인 화폐 거래 플랫폼의 등록 계정에 기초하여 단일의 거래 데이터 간의 연관성을 나타내고, 그리고 D는 수취인 은행 카드 유형에 기초하여 단일의 거래 데이터 간의 연관성을 나타낸다. 이 그래프에서, A, B, C, D로 도시된 에지 각각은 에지를 형성하는 단일의 거래 데이터의 피스 간의 연관성을 나타낸다. 연관된 단일의 거래 데이터의 쌍 간의 각각의 에지에 대한 거리값은 2로 설정되고 그리고 비연관된 단일의 거래 데이터의 쌍 간의 거리값은 1000으로 설정된다. 예를 들어, 단일의 거래 데이터(1)와 단일의 거래 데이터(2) 간의 거리값 및 단일의 거래 데이터(1)와 단일의 거래 데이터(3) 간의 거리값은 각각 1000이고; 단일의 거래 데이터(3)와 단일의 거래 데이터(4) 간의 거리값은 2이고; 그리고 단일의 거래 데이터(3)와 단일의 거래 데이터(1) 간의 거리값 및 단일의 거래 데이터(3)와 단일의 거래 데이터(2) 간의 거리값은 각각 1000이다. 도 2는 단지 실례가 되는 실시예임을 유념해야 한다. 본 발명의 실시형태는 제2 속성, 연관된 단일의 거래 데이터의 피스의 수, 미리 결정된 범주에 대한 일괄 거래 데이터의 피스의 수, 또는 단일의 거래 데이터의 각각의 쌍 간의 거리값에 제한을 두지 않는다. 수신 국가인 중국 및 영국이 붙은 일괄 거래 데이터에 대한 제2 속성에 기초한 연관성 그래프의 구성에 대해, 제2 속성 및 제2 속성에 기초하여 그래프를 구성하는 방법은 수신 국가인 미국이 붙은 일괄 거래 데이터에 관해서와 동일하다. 추가의 상세사항은 여기서 제공되지 않을 것이다.

게다가, 제2 속성에 기초하여 그래프를 구성한 후, 위험 식별 시스템이 일괄 거래 데이터 내 위험을 식별하는 것을 돕기 위해서, 대응하는 그래프 지표가 구성된 그래프로부터 도출된다. 그래프 지표를 도출하는 과정은: 일괄 거래 데이터의 상이한 범주에 대응하는 그래프를 파싱(parsing)하는 것; 일괄 거래 데이터의 각각의 범주 내 단일의 거래 데이터의 피스의 수, 그래프 내 에지의 수 및 대응하는 에지 거리값을 결정하는 것; 및 단일의 거래 데이터의 피스의 수, 그래프 내 에지의 수 및 대응하는 에지 거리값에 기초하여 그래프 지표를 생성하는 것을 포함한다.

다음은 더 나은 이해를 제공하기 위한, 그래프 지표의 상세한 설명이다. 일괄 거래 데이터의 미리 결정된 범주에 대해, 일괄 거래 데이터는 연관된 단일의 거래 데이터 및 비연관된, 상호 독립적인 단일의 거래 데이터를 포함한다. 그래프가 단말 장비 속성 중 제2 속성에 기초하여 일괄 거래 데이터의 범주에 대해 구축될 때, 도출된 그래프 지표는, 에지 거리값의 평균 거리, 에지 거리값의 가장 가까운 거리, 단일의 거래 데이터의 피스의 수, 단일의 거래 데이터 결제 수 엔트로피 및 에지의 평균수를 포함한다. 여기서, 에지 거리값에 대한 더 짧은 평균 거리는 연관된 단일의 거래 데이터 간의 더 높은 상관관계를 의미하고, 즉, 결제가 더 집중될수록, 위험 확률이 더 높아진다. 에지 거리값에 대한 더 긴 평균 거리는 연관된 단일의 거래 데이터 간의 더 작은 상관관계를 의미하고, 즉, 결제가 더 분산될수록, 위험 확률이 더 작아진다. 에지 거리값의 가장 가까운 거리가 비교적 짧을 때, 이것은 단일의 거래 데이터의 2개의 피스가 연관된다는 것을 의미하고; 에지 거리값의 가장 가까운 거리가 비교적 길 때, 이것은 단일의 거래 데이터의 2개의 피스가 상관되지 않고 그리고 서로 관계가 없다는 것을 의미한다. 단일의 거래 데이터 결제 수 엔트로피는 각각의 계좌의 결제의 수에 대해 계산된 엔트로피이다. 더 작은 엔트로피는 연관성 그래프 내 결제가 더 적은 계좌에 집중된다는 것을 의미하고; 더 큰 엔트로피는 그래프 내 결제가 분산된다는 것을 의미한다. 상이한 범주의 일괄 거래 데이터에서, 단일의 거래 데이터의 피스의 더 높은 수는 이 범주의 일괄 거래 데이터 내 결제의 더 높은 수, 및 더 높은 위험 확률을 의미한다. 에지의 평균수 = 에지의 수/

, 여기서

단일의 거래 데이터의 피스의 수. 에지의 더 높은 평균수는 단일의 거래 데이터의 더 많은 피스가 상관되고, 즉, 결제가 더 집중되고 그리고 위험 확률이 더 높아진다는 것을 나타낸다.

게다가, 위험을 식별하기 위한 위험 식별 모델을 사용하기 전에, 미리 설정된 시간 기간에 축적된 이력 단일의 거래 데이터로부터 획득된 일괄 거래 데이터를 사용함으로써 트레이닝을 수행하고, 그리고 위험 식별 모델을 구축하여, 위험이 트레이닝 일괄 거래 데이터에 존재할 때 그래프 지표에 대응하는 미리 설정된 위험 문턱값을 획득하고, 그리고 위험 식별 모델에 의해 위험 식별의 정확도를 보장할 필요가 있다. 위험 식별 모델을 구축할 때, 위험 식별 모델의 대응하는 유형은, 위험 식별 모델 트레이닝에서 사용되는 일괄 거래 데이터를 분류하는 것, 트레이닝 일괄 거래 데이터의 상이한 범주에 대해 제2 속성에 기초하여 트레이닝 그래프를 구축하는 것, 트레이닝 그래프에 기초하여 대응하는 트레이닝 그래프 지표를 생성하는 것, 트레이닝 그래프 지표를 사용하여 위험 식별 모델 트레이닝을 수행하는 것, 및 트레이닝 결과에 기초하여 트레이닝 일괄 거래 데이터의 상이한 범주의 그래프 지표에 대응하는 미리 설정된 위험 문턱값을 결정하는 것을 포함하여, 트레이닝 일괄 거래 데이터의 범주에 기초하여 구축될 수도 있다.

여기서, 트레이닝 일괄 거래 데이터는 앞서 언급한 일괄 거래 데이터와 유사하다. 트레이닝 일괄 거래 데이터는 미리 설정된 시간 기간에 이력 단일의 거래 데이터의 축적으로부터 획득된 일괄 거래 데이터이고; 일괄 거래 데이터는 미리 설정된 시간 기간에 단일의 거래 데이터의 축적으로부터 획득된다. 이력 단일의 거래 데이터는 앞서 언급한 단일의 거래 데이터와 유사하다. 둘 다는 사용자 자금 흐름의 데이터이지만, 본질적인 차이가 있다. 차이는: 이력 단일의 거래 데이터가 임의의 위험이 수반되었는지가 알려진, 승인되고 그리고 완료된 거래로부터의 데이터라는 것이다. 완료되었고 그리고 위험을 수반한 거래는 복원될 수 없다. 단일의 거래 데이터가 현재 거래 과정 중에 있는 데이터일 수도 있고, 그리고 임의의 위험이 데이터에 수반되었는지는 알려지지 않는다. 거래가 완료되기 전에, 위험이 단일의 거래 데이터에서 발견된다면 거래는 중지 또는 취소될 수도 있어서, 사용자에 대한 불필요한 재정적 손실을 방지한다. 예를 들어, 단일의 거래 데이터가 은행 이체 데이터이고 그리고 은행 이체 자금이 아직 대상 계좌로 이체되지 않았을 때, 대상 계좌가 위험을 가질 수도 있다는 것이 이 과정 동안 발견된다면, 은행 이체가 취소된다.

본 발명의 실시형태에서, 이력 단일의 거래 데이터 내 위험이 알려지더라도, 이력 단일의 거래 데이터가 축적되어 트레이닝 일괄 거래 데이터를 형성할 때, 트레이닝 일괄 거래 데이터 내 위험의 존재의 패턴 또는 규칙을 알아내는 것은 불가능하다. 따라서, 기존의 위험을 가진 트레이닝 일괄 거래 데이터에서 트레이닝을 수행하고, 그리고 위험이 존재할 때 그래프 지표의 미리 설정된 위험 문턱값을 요약 및 알아낼 필요가 있다. 이 미리 설정된 위험 문턱값에 기초하여, 위험 식별 시스템이 완료되지 않은 거래의 일괄 거래 데이터에 대한 위험 방지 및 제어를 수행하여, 거래 데이터의 보안을 보장한다.

예시적인 적용에서, 그래프에 기초하여 그래프 지표 및 트레이닝 그래프 지표를 도출할 때, 계산된 그래프 지표 또는 트레이닝 지표는 값이고, 그리고 미리 설정된 위험 문턱값은 트레이닝 그래프 지표에 기초한다. 따라서, 미리 설정된 위험 문턱값은 위험 식별 모델 내 변수로서 간주될 수도 있어서, 트레이닝 그래프 지표로부터 도출된 값을 이 변수에 할당한다. 위험 식별 모델이 그래프 지표가 미리 설정된 위험 문턱값을 초과하는지를 식별할 때, 미리 설정된 위험 문턱값은 그래프 지표의 값(변수)과 비교된다. 이들이 매칭된다면, 이것은 그래프 지표가 존재하는 일괄 거래 데이터의 유형이 위험하다는 것을 의미하고; 이들이 매칭되지 않는다면, 이것은 그래프 지표가 존재하는 일괄 거래 데이터의 유형이 위험하지 않다는 것을 의미한다.

게다가, 도 1에 도시된 방법을 달성하기 위해서, 본 발명의 또 다른 실시형태는 데이터 위험 제어 디바이스를 제공한다. 이 디바이스 실시형태는 앞서 언급한 방법 실시형태에 대응한다. 독해의 용이성을 위해서, 이 디바이스 실시형태는 방법 실시형태의 상세사항을 일일이 반복하지 않을 것이지만, 명확하게 하기 위해서, 이 실시형태의 디바이스는 방법 실시형태의 전체 내용을 구현할 수 있다.

본 발명의 실시형태는 데이터 위험 제어 디바이스를 제공한다. 도 3에 도시된 바와 같이, 이 디바이스는,

제1 속성에 따라 미리 설정된 시간 기간에 일괄 거래 데이터를 분류하도록 구성된 제1 분류부(31);

제2 속성에 따라, 제1 분류부(31)에 의해 분류된 일괄 거래 데이터의 각각의 범주에 대해 대응하는 그래프의 그래프 지표를 생성하도록 구성된 제1 생성부(32)(대응하는 그래프는 일괄 거래 데이터 내 위험을 식별하도록 구성됨);

일괄 거래 데이터의 상이한 범주에 대응하는 제1 생성부(32)에 의해 생성된 그래프 지표를 대응하는 위험 식별 모델에 각각 입력하도록 구성된 입력부(33);

입력된 그래프 지표에 대응하는 일괄 거래 데이터가 모델에 의해 출력된 결과에 기초하여 위험을 갖는지를 결정하도록 구성된 결정부(34)를 포함한다.

게다가, 도 4에 도시된 바와 같이, 제1 생성부(32)는,

제2 속성에 기초하여, 일괄 거래 데이터의 각각의 범주에 대해 단일의 거래 데이터 간의 연관성의 그래프를 구축하도록 구성된 구축 모듈(321);

구축 모듈(321)에 의해 구축된 그래프에 기초하여 대응하는 그래프 지표를 생성하도록 구성된 생성 모듈(322)을 포함한다.

게다가, 도 4에 도시된 바와 같이, 구축 모듈(321)은,

일괄 거래 데이터의 동일한 범주 내 동일한 제2 속성을 가진 단일의 거래 데이터를 검색하도록 구성된 검색 하위-모듈(3211);

검색 하위-모듈(3211)에 의해 발견된 동일한 제2 속성을 가진 단일의 거래 데이터 간의 연관성을 확립하도록 구성된 확립 하위-모듈(3212);

연관된 단일의 거래 데이터 간의 에지를 구성하도록 구성된 구성 하위-모듈(3213)(단일의 거래 데이터 간의 연관성은 확립 하위-모듈(3212)에 의해 확립됨);

구성 하위-모듈(3213)에 의해 구성된 에지에 대한 에지 거리값을 설정하도록 구성된 설정 모듈(3214)을 포함한다.

게다가, 도 4에 도시된 바와 같이, 생성 모듈(322)은,

일괄 거래 데이터의 각각의 범주에 대응하는 그래프를 파싱하도록 구성된 파싱 하위-모듈(3221);

파싱 하위-모듈(3221)이 일괄 거래 데이터의 각각의 범주에 대응하는 그래프를 파싱하는 과정 동안, 일괄 거래 데이터의 각각의 범주 내 단일의 거래 데이터의 피스의 수, 그래프 내 에지의 수 및 에지 거리값을 결정하도록 구성된 결정 하위-모듈(3222);

결정 하위-모듈(3222)에 의해 결정된, 단일의 거래 데이터의 피스의 수, 그래프 내 에지의 수 및 에지 거리값에 기초하여 그래프 지표를 생성하도록 구성된 생성 하위-모듈(3223)을 포함한다.

게다가, 도 4에 도시된 바와 같이, 디바이스는 또한,

위험 식별 모델 트레이닝을 위해 사용된 트레이닝 일괄 거래 데이터를 분류하도록 구성된 제2 분류부(35);

제1 속성에 기초하여, 제2 분류부(35)에 의해 분류된 트레이닝 일괄 거래 데이터의 각각의 범주에 대해 트레이닝 그래프를 구축하도록 구성된 구축부(building unit)(36); 트레이닝 일괄 거래 데이터는 미리 설정된 시간 기간에 이력 단일의 거래 데이터를 축적함으로써 획득된 일괄 거래 데이터임;

구축부(36)에 의해 구축된 트레이닝 그래프에 기초하여 대응하는 트레이닝 그래프 지표를 생성하도록 구성된 제2 생성부(37);

위험 식별 모델 트레이닝을 수행하기 위해 제2 생성부(37)에 의해 생성된 트레이닝 그래프 지표를 사용하도록 구성된 트레이닝부(38)를 포함한다.

위험 제어 장치/시스템이 위험 제어를 수행할 때, 먼저, 본 발명에 의해 제공된 데이터 위험 제어 디바이스는 제1 속성에 따라 미리 설정된 시간 기간에 일괄 거래 데이터를 분류하고, 그리고 제2 속성에 따라 일괄 거래 데이터의 각각의 범주에 대해 대응하는 그래프의 그래프 지표를 생성하고, 대응하는 그래프는 일괄 거래 데이터 내 위험을 식별하도록 구성된다. 데이터 위험 제어 디바이스는 일괄 거래 데이터의 상이한 범주에 대응하는 그래프 지표를 대응하는 위험 식별 모델에 각각 입력하고, 그리고 모델의 출력 결과에 기초하여, 입력된 그래프 지표에 대응하는 일괄 거래 데이터가 위험을 갖는지를 결정해서, 위험 제어 장치/시스템이 그래프 지표에 대응하는 위험한 일괄 거래 데이터의 위험 제어를 수행한다. 미리 설정된 시간 기간에 단일의 거래 데이터를 축적함으로써 획득된 일괄 거래 데이터를 분류하고 그리고 그래프 지표를 생성함으로써, 본 발명은 상이한 범주의 일괄 거래 데이터 내 집중된 위험을 신속하게 그리고 정확하게 식별하도록 위험 식별 모델을 사용할 수 있어서, 사용자에 대한 불필요한 재정적 손실을 감소시킨다.

데이터 위험 제어 디바이스는 프로세서 및 메모리를 포함한다. 제1 분류부, 생성부, 입력부 및 결정부는 메모리에 저장된 프로그램부이다. 프로세서는 대응하는 기능을 달성하도록 메모리에 저장된 프로그램부를 실행한다.

프로세서는 커널(kernel)을 포함하고 그리고 커널은 메모리로부터 대응하는 프로그램부를 검색한다. 하나 이상의 커널이 있을 수도 있다. 현재의 기술에서, 단위로서 단일의 거래 데이터를 사용함으로써 위험 방지 및 제어를 실시하는 위험 제어 시스템이 분산된 일괄 거래 데이터에 대해 위험 식별을 수행할 수 없다는 문제점을 해결하기 위해 커널 매개변수를 조정함으로써, 일괄 거래 데이터 위험을 신속하게 그리고 정확하게 식별할 수 있다.

메모리는 컴퓨터-판독 가능 매체의 휘발성 메모리, 랜덤 액세스 메모리(random access memory: RAM) 및/또는 비휘발성 RAM, 예컨대, 판독-전용 메모리 (read-only memory: ROM) 또는 플래시 RAM의 형태를 포함할 수도 있다. 메모리는 적어도 하나의 저장 칩을 포함한다.

본 출원은 또한 컴퓨터 프로그램 제품을 제공한다. 컴퓨터 프로그램 제품이 데이터 처리 디바이스에서 실행될 때, 방법 단계: 제1 속성에 따라 미리 설정된 시간 기간에 일괄 거래 데이터를 분류하는 단계; 제2 속성에 따라 일괄 거래 데이터의 각각의 범주에 대해 대응하는 그래프의 그래프 지표를 생성하는 단계(대응하는 그래프는 일괄 거래 데이터 내 위험을 식별하도록 구성됨); 일괄 거래 데이터의 상이한 범주에 대응하는 그래프 지표를 대응하는 위험 식별 모델에 각각 입력하고, 그리고 입력된 그래프 지표에 대응하는 일괄 거래 데이터가 모델에 의해 출력된 결과에 기초하여 위험을 갖는지를 결정하는 단계를 이용하여 프로그램 코드를 실행 및 초기화하기에 적합하다.

당업자는 본 출원의 실시형태가 방법, 시스템 또는 컴퓨터 프로그램 제품으로서 제공될 수도 있다는 것을 이해할 것이다. 따라서, 본 출원은 순전히 하드웨어 실시형태의 형태, 순전히 소프트웨어 실시형태의 형태 또는 소프트웨어와 하드웨어를 결합하는 실시형태의 형태를 채용할 수도 있다. 또한, 본 출원은 이 중 하나 이상에 컴퓨터-실행 가능 프로그램 코드를 포함하는 컴퓨터 저장 매체(자기 디스크 메모리, CD-ROM, 광 메모리 등을 포함하지만 이들로 제한되지 않음)를 통해 달성된 컴퓨터 프로그램 제품의 형태를 채용할 수도 있다.

본 출원은 본 출원의 실시형태에 따라 방법, 디바이스 및 컴퓨터 프로그램 제품의 흐름도 및/또는 블록도를 참조하여 설명을 제공한다. 흐름도 및/또는 블록도에서 모든 흐름 및/또는 블록뿐만 아니라 흐름도 및/또는 블록도에서 흐름 및/또는 블록의 조합이 컴퓨터 프로그램 명령어를 통해 달성될 수도 있다는 것을 이해해야 한다. 이 컴퓨터 프로그램 명령어가 기계를 생산하기 위해서 다용도 컴퓨터, 특수화 컴퓨터, 내장된 프로세서, 또는 또 다른 프로그램 가능한 데이터 처리 디바이스의 프로세서에 제공될 수도 있어서, 컴퓨터 또는 다른 프로그램 가능한 데이터 처리 디바이스의 프로세서에 의해 실행되는 명령어가 흐름도의 하나 이상의 흐름 및/또는 블록도의 하나 이상의 블록의 지정된 기능을 달성하도록 구성된 디바이스를 생산하게 한다.

이 컴퓨터 프로그램 명령어가 또한 컴퓨터 또는 다른 프로그램 가능 데이터 처리 디바이스가 특정한 모드로 작동하게 할 수 있는 컴퓨터 판독 가능 메모리에 저장될 수도 있어서, 이 컴퓨터 판독 가능 메모리에 저장된 명령어가 명령 장치를 포함한 제품을 생성하게 한다. 이 명령 장치는 흐름도의 하나 이상의 흐름 및/또는 블록도의 하나 이상의 블록에 명시된 기능을 달성한다.

이 컴퓨터 프로그램 명령어가 컴퓨터 또는 다른 프로그램 가능 데이터 처리 디바이스에 로딩될 수도 있어서, 컴퓨터 또는 다른 프로그램 가능 디바이스의 일련의 작동 단계의 실행이 컴퓨터 처리를 생성하게 한다. 이 방식으로, 컴퓨터 또는 다른 프로그램 가능 디바이스에서 실행된 명령어가 흐름도의 하나 이상의 흐름 및/또는 블록도의 하나 이상의 블록의 명시된 기능을 달성하기 위한 단계를 제공한다.

하나의 전형적인 구성에서, 산출 장비는 하나 이상의 프로세서(CPU), 입력/출력 인터페이스, 네트워크 인터페이스 및 내부 메모리를 포함한다.

메모리는 컴퓨터-판독 가능 매체의 휘발성 메모리, 랜덤 액세스 메모리(RAM) 및/또는 비휘발성 RAM, 예컨대, 판독-전용 메모리(ROM) 또는 플래시 RAM의 형태를 포함할 수도 있다. 메모리는 컴퓨터-판독 가능 매체의 예이다.

컴퓨터-판독 가능 매체는 임의의 방법 또는 기술을 통해 정보 저장을 달성할 수 있는, 영구적, 비영구적, 이동 및 부동 매체를 포함한다. 정보는 컴퓨터-판독 가능 명령어, 데이터 구조, 프로그램 모듈 또는 다른 데이터일 수도 있다. 컴퓨터 저장 매체의 예는 상-변화 RAM(Phase-change RAM: PRAM), 정적 RAM(Static RAM: SRAM), 동적 RAM(Dynamic RAM: DRAM), 다른 유형의 랜덤 액세스 메모리(RAM), 판독-전용 메모리(ROM), 전기적으로 소거 가능한 프로그램 가능 판독-전용 메모리(Electrically Erasable Programmable Read-Only Memory: EEPROM), 플래시 메모리 또는 다른 내부 메모리 기술, 콤팩트 디스크 판독-전용 메모리(Compact Disk Read-Only Memory: CD-ROM), 디지털 다기능 디스크(Digital Versatile Disc: DVD) 또는 다른 광 메모리, 카세트, 자기 테이프 및 디스크 메모리 또는 다른 자기 메모리 디바이스 또는 임의의 다른 비전송 매체를 포함하지만, 이로 제한되지 않고, 이들은 산출 디바이스에 의해 액세스될 수 있는 정보를 저장하기 위해 사용될 수 있다. 본 명세서의 정의에 따르면, 컴퓨터-판독 가능 매체는 일시적인 컴퓨터-판독 가능 매체(일시적인 매체), 예컨대, 변조된 데이터 신호 및 캐리어를 배제한다.

선행 내용은 단지 본 출원의 실시형태이고 그리고 본 출원을 제한하도록 사용되지 않는다. 당업자는 본 출원에 대한 다양한 수정 또는 변경을 행할 수 있다. 본 출원의 정신 및 원리 내에서 행해진 모든 수정, 등가 치환 및 개선은 본 출원의 보호 범위 내에 속할 것이다.

Claims

데이터 위험 제어 방법으로서,
제1 속성에 따라 미리 설정된 시간 기간에 일괄 거래 데이터를 분류하는 단계;
제2 속성에 따라 상기 일괄 거래 데이터의 각각의 범주에 대해 대응하는 그래프의 그래프 지표를 생성하는 단계로서, 상기 대응하는 그래프는 상기 일괄 거래 데이터 내 위험을 식별하도록 구성되는, 상기 그래프 지표를 생성하는 단계; 및
상기 일괄 거래 데이터의 상이한 범주에 대응하는 상기 그래프 지표를 대응하는 위험 식별 모델에 각각 입력하고, 그리고 상기 그래프 지표에 대응하는 상기 일괄 거래 데이터가 상기 모델에 의해 출력된 결과에 기초하여 위험을 갖는지를 결정하는 단계를 포함하는, 데이터 위험 제어 방법.
제1항에 있어서, 상기 제2 속성에 따라 상기 일괄 거래 데이터의 각각의 범주에 대해 대응하는 그래프의 그래프 지표를 생성하는 단계는,
상기 제2 속성에 기초하여, 상기 일괄 거래 데이터의 상기 각각의 범주에 대해 단일의 거래 데이터 간의 연관성의 그래프를 구축하는 것; 및
상기 그래프에 기초하여 대응하는 그래프 지표를 생성하는 것을 포함하는, 데이터 위험 제어 방법.
제2항에 있어서, 상기 제2 속성에 기초하여, 상기 일괄 거래 데이터의 상기 각각의 범주에 대해 단일의 거래 데이터 간의 연관성의 그래프를 구축하는 것은,
상기 일괄 거래 데이터의 동일한 범주 내 동일한 제2 속성을 갖는 단일의 거래 데이터를 검색하는 것;
상기 동일한 제2 속성을 갖는 상기 단일의 거래 데이터 간의 연관성을 확립하는 것; 및
연관된 단일의 거래 데이터 간의 에지를 구성하고, 그리고 상기 에지에 대해 에지 거리값을 설정하는 것을 포함하는, 데이터 위험 제어 방법.
제3항에 있어서, 상기 그래프에 기초하여 상기 대응하는 그래프 지표를 생성하는 것은,
상기 일괄 거래 데이터의 상기 각각의 범주에 대응하는 상기 그래프를 파싱(parsing)하고, 그리고 상기 일괄 거래 데이터의 상기 각각의 범주 내 단일의 거래 데이터의 피스의 수, 상기 그래프 내 에지의 수 및 에지 거리값을 결정하는 것;
상기 단일의 거래 데이터의 피스의 수, 상기 그래프 내 에지의 수 및 상기 에지 거리값에 기초하여 상기 그래프 지표를 생성하는 것을 포함하는, 데이터 위험 제어 방법.
제1항 내지 제4항 중 어느 한 항에 있어서, 상기 방법은,
위험 식별 모델 트레이닝을 위해 사용되는 트레이닝 일괄 거래 데이터를 분류하고, 그리고 상기 제1 속성에 기초하여, 상기 트레이닝 일괄 거래 데이터의 각각의 범주에 대해 트레이닝 그래프를 구축하는 단계로서, 상기 트레이닝 일괄 거래 데이터는 미리 설정된 시간 기간에 이력 단일의 거래 데이터를 축적함으로써 획득된 일괄 거래 데이터인, 상기 트레이닝 그래프를 구축하는 단계;
상기 트레이닝 그래프에 기초하여 대응하는 트레이닝 그래프 지표를 생성하는 단계; 및
상기 트레이닝 그래프 지표를 사용하여 위험 식별 모델 트레이닝을 수행하는 단계를 더 포함하는, 데이터 위험 제어 방법.
데이터 위험 제어 디바이스로서,
제1 속성에 따라 미리 설정된 시간 기간에 일괄 거래 데이터를 분류하도록 구성된 제1 분류부;
제2 속성에 따라, 상기 제1 분류부에 의해 분류된 상기 일괄 거래 데이터의 각각의 범주에 대해 대응하는 그래프의 그래프 지표를 생성하도록 구성된 제1 생성부로서, 상기 대응하는 그래프는 상기 일괄 거래 데이터 내 위험을 식별하도록 구성되는, 상기 제1 생성부;
상기 일괄 거래 데이터의 상이한 범주에 대응하는 상기 제1 생성부에 의해 생성된 상기 그래프 지표를 대응하는 위험 식별 모델에 각각 입력하도록 구성된 입력부; 및
상기 입력된 그래프 지표에 대응하는 상기 일괄 거래 데이터가 상기 모델에 의해 출력된 결과에 기초하여 위험을 갖는지를 결정하도록 구성된 결정부를 포함하는, 데이터 위험 제어 디바이스.
제6항에 있어서, 상기 제1 생성부는,
상기 제2 속성에 기초하여, 상기 일괄 거래 데이터의 상기 각각의 범주에 대해 단일의 거래 데이터 간의 연관성의 그래프를 구축하도록 구성된 구축 모듈; 및
상기 구축 모듈에 의해 구축된 상기 그래프에 기초하여 대응하는 그래프 지표를 생성하도록 구성된 생성 모듈을 포함하는, 데이터 위험 제어 디바이스.
제7항에 있어서, 상기 구축 모듈은,
상기 일괄 거래 데이터의 동일한 범주 내 동일한 제2 속성을 가진 단일의 거래 데이터를 검색하도록 구성된 검색 하위-모듈;
상기 검색 하위-모듈에 의해 발견된 상기 동일한 제2 속성을 가진 상기 단일의 거래 데이터 간의 연관성을 확립하도록 구성된 확립 하위-모듈;
연관된 단일의 거래 데이터 간의 에지를 구성하도록 구성된 구성 하위-모듈로서, 상기 단일의 거래 데이터 간의 상기 연관성은 상기 확립 하위-모듈에 의해 확립되는, 상기 구성 하위-모듈; 및
상기 구성 하위-모듈에 의해 구성된 에지에 대한 에지 거리값을 설정하도록 구성된 설정 모듈을 포함하는, 데이터 위험 제어 디바이스.
제8항에 있어서, 상기 생성 모듈은,
상기 일괄 거래 데이터의 상기 각각의 범주에 대응하는 상기 그래프를 파싱하도록 구성된 파싱 하위-모듈;
상기 파싱 하위-모듈이 상기 일괄 거래 데이터의 상기 각각의 범주에 대응하는 상기 그래프를 파싱하는 과정 동안, 상기 일괄 거래 데이터의 상기 각각의 범주 내 단일의 거래 데이터의 피스의 수, 상기 그래프 내 에지의 수 및 상기 에지 거리값을 결정하도록 구성된 결정 하위-모듈; 및
상기 결정 하위-모듈에 의해 결정된, 상기 단일의 거래 데이터의 피스의 수, 상기 그래프 내 에지의 수 및 상기 에지 거리값에 기초하여 상기 그래프 지표를 생성하도록 구성된 생성 하위-모듈을 포함하는, 데이터 위험 제어 디바이스.
제6항 내지 제9항 중 어느 한 항에 있어서, 상기 디바이스는 또한,
위험 식별 모델 트레이닝을 위해 사용된 트레이닝 일괄 거래 데이터를 분류하도록 구성된 제2 분류부;
상기 제1 속성에 기초하여, 상기 제2 분류부에 의해 분류된 상기 트레이닝 일괄 거래 데이터의 각각의 범주에 대해 트레이닝 그래프를 구축하도록 구성된 구축부(building unit)로서, 상기 트레이닝 일괄 거래 데이터는 미리 설정된 시간 기간에 이력 단일의 거래 데이터를 축적함으로써 획득된 일괄 거래 데이터인, 상기 구축부;
상기 구축부에 의해 구축된 상기 트레이닝 그래프에 기초하여 대응하는 트레이닝 그래프 지표를 생성하도록 구성된 제2 생성부; 및
상기 위험 식별 모델 트레이닝을 수행하기 위해 상기 제2 생성부에 의해 생성된 상기 트레이닝 그래프 지표를 사용하도록 구성된 트레이닝부를 포함하는, 데이터 위험 제어 디바이스.