一种风险防控处理方法、装置及设备
技术领域
本说明书涉及计算机技术领域,尤其涉及一种风险防控处理方法、装置及设备。
背景技术
随着网络技和终端技术的日益普遍,网络交易中存在的风险也越来越多,尽管网路交易等业务***中存在风险控制规则,但是,网络交易风险并没有因此而降低,业务***中的风险控制仍然面临巨大的挑战。
业务***中通常会具有一套基于风险数据的风险控制体系,通过不断进行人工调整业务规则来实现。策略运营是风险控制体系中不可缺少的环节,同时也是与外界风险对抗的主要途径,目前策略运营的方式为基于人工策略的方式实现,即发现风险交易后,向风险控制体系上报或投诉该交易,通过人工分析、人工提取风险交易数据的特征,并通过人工对上述风险交易数据进行离线数据评估,最终,通过人工配置相应的风险防控规则。
然而,通过人工的方式获取风险防控规则的处理,人工承担了过多的重复性、机械性的工作,导致大量的人力资源和物力资源被浪费,而且还需要消耗大量的时间,在当前风险攻防节奏逐渐加快的情况下,以上述方式进行风险防控已无法满足用户需求,因此,在欺诈等风险防控领域,需要一种时效性更高、响应更及时的解决方案。
发明内容
本说明书实施例的目的是提供一种风险防控处理方法、装置及设备,以提供一种时效性更高、响应更及时的风险防控处理解决方案。
为实现上述技术方案,本说明书实施例是这样实现的:
本说明书实施例提供的一种风险防控处理方法,所述方法包括:
获取目标业务近期的流式风险交易数据作为黑样本流数据,并获取所述目标业务的无交易风险的流式交易数据作为白样本流数据;
确定所述黑样本流数据和所述白样本流数据被重复采样的次数;
根据所述黑样本流数据和所述白样本流数据,以及所述黑样本流数据和所述白样本流数据被重复抽样的次数,建立第一决策树模型;
基于所述黑样本流数据和/或所述白样本流数据,使用所述第一决策树模型对所述目标业务当前的风险防控规则对应的决策树模型进行更新。
可选地,所述使用所述第一决策树模型对所述目标业务当前的风险防控规则对应的决策树模型进行更新之后,所述方法还包括:
基于更新后的决策树模型,对所述目标业务当前的风险防控规则进行更新。
可选地,所述黑样本流数据中包括用于指示流式交易数据为流式风险交易数据的标签,
所述获取目标业务近期的流式风险交易数据作为黑样本流数据,并获取所述目标业务的无交易风险的流式数据作为白样本流数据,包括:
获取目标业务的流式交易数据对应的特征变量;
从所述特征变量中获取无交易风险的流式交易数据对应的特征变量作为白样本流数据;
将所述标签的信息与所述特征变量进行匹配,得到相匹配的特征变量作为黑样本流数据。
可选地,所述方法还包括:
对所述黑样本流数据和所述白样本流数据进行延时处理,以确定所述黑样本流数据和所述白样本流数据的数量比例。
可选地,所述方法还包括:
对所述白样本流数据进行欠采样处理,以确定所述白样本流数据的数量比例。
可选地,所述确定所述黑样本流数据和所述白样本流数据被重复采样的次数,包括:
分别为每个所述黑样本流数据和每个所述白样本流数据分配泊松分布的随机数;
根据所述泊松分布的随机数的数值,确定所述黑样本流数据和所述白样本流数据被重复抽样的次数。
可选地,所述根据所述黑样本流数据和所述白样本流数据,以及所述黑样本流数据和所述白样本流数据被重复抽样的次数,建立第一决策树模型,包括:
分别从所述黑样本流数据和白样本流数据中选取第一黑样本流数据和第一白样本流数据;
根据所述第一黑样本流数据和所述第一白样本流数据,以及所述第一黑样本流数据和所述第一白样本流数据被重复抽样的次数,建立第一决策树模型。
可选地,所述根据所述第一黑样本流数据和所述第一白样本流数据,以及所述第一黑样本流数据和所述第一白样本流数据被重复抽样的次数,建立第一决策树模型,包括:
创建决策树模型,在所述决策树模型的待***节点处创建不等式条件;
根据所述不等式条件,对所述第一黑样本流数据和所述第一白样本流数据进行子节点的预划分;
计算每个子节点的预划分对应的不等式条件的增益;
根据所述增益和对应的不等式条件,对所述待***节点进行子节点的***,得到***后的子节点;
基于所述***后的子节点,以及所述第一黑样本流数据和所述第一白样本流数据被重复抽样的次数,建立第一决策树模型。
可选地,所述基于所述黑样本流数据和/或所述白样本流数据,使用所述第一决策树模型对所述目标业务当前的风险防控规则对应的决策树模型进行更新,包括:
分别从所述黑样本流数据和/或白样本流数据中选取部分数据作为评估样本数据;
根据所述评估样本数据,分别对所述第一决策树模型和所述目标业务当前的风险防控规则对应的决策树模型进行评估;
如果所述第一决策树模型满足预定的评估条件,且所述目标业务当前的风险防控规则对应的决策树模型中存在不满足预定的评估条件的第二决策树模型,则使用所述第一决策树模型替换所述第二决策树模型。
本说明书实施例提供的一种风险防控处理装置,所述装置包括:
样本获取模块,用于获取目标业务近期的流式风险交易数据作为黑样本流数据,并获取所述目标业务的无交易风险的流式交易数据作为白样本流数据;
采样次数确定模块,用于确定所述黑样本流数据和所述白样本流数据被重复采样的次数
模型建立模块,用于根据所述黑样本流数据和所述白样本流数据,以及所述黑样本流数据和所述白样本流数据被重复抽样的次数,建立第一决策树模型;
模型更新模块,用于基于所述黑样本流数据和/或所述白样本流数据,使用所述第一决策树模型对所述目标业务当前的风险防控规则对应的决策树模型进行更新。
可选地,所述装置还包括:
规则更新模块,用于基于更新后的决策树模型,对所述目标业务当前的风险防控规则进行更新。
可选地,所述黑样本流数据中包括用于指示流式交易数据为流式风险交易数据的标签,
所述样本获取模块,包括:
特征获取单元,用于获取目标业务的流式交易数据对应的特征变量;
第一选取单元,用于从所述特征变量中获取无交易风险的流式交易数据对应的特征变量作为白样本流数据;
匹配单元,用于将所述标签的信息与所述特征变量进行匹配,得到相匹配的特征变量作为黑样本流数据。
可选地,所述装置还包括:
延时模块,用于对所述黑样本流数据和所述白样本流数据进行延时处理,以确定所述黑样本流数据和所述白样本流数据的数量比例。
可选地,所述装置还包括:
欠采样模块,用于对所述白样本流数据进行欠采样处理,以确定所述白样本流数据的数量比例。
可选地,所述采样次数确定模块,包括:
分配单元,用于分别为每个所述黑样本流数据和每个所述白样本流数据分配泊松分布的随机数;
采样次数确定单元,用于根据所述泊松分布的随机数的数值,确定所述黑样本流数据和所述白样本流数据被重复抽样的次数。
可选地,所述模型建立模块,包括:
第二选取单元,用于分别从所述黑样本流数据和白样本流数据中选取第一黑样本流数据和第一白样本流数据;
模型建立单元,用于根据所述第一黑样本流数据和所述第一白样本流数据,以及所述第一黑样本流数据和所述第一白样本流数据被重复抽样的次数,建立第一决策树模型。
可选地,所述模型建立单元,用于:
创建决策树模型,在所述决策树模型的待***节点处创建不等式条件;
根据所述不等式条件,对所述第一黑样本流数据和所述第一白样本流数据进行子节点的预划分;
计算每个子节点的预划分对应的不等式条件的增益;
根据所述增益和对应的不等式条件,对所述待***节点进行子节点的***,得到***后的子节点;
基于所述***后的子节点,以及所述第一黑样本流数据和所述第一白样本流数据被重复抽样的次数,建立第一决策树模型。
可选地,所述模型更新模块,包括:
第三选取单元,用于分别从所述黑样本流数据和/或白样本流数据中选取部分数据作为评估样本数据;
评估单元,用于根据所述评估样本数据,分别对所述第一决策树模型和所述目标业务当前的风险防控规则对应的决策树模型进行评估;
模型更新单元,用于如果所述第一决策树模型满足预定的评估条件,且所述目标业务当前的风险防控规则对应的决策树模型中存在不满足预定的评估条件的第二决策树模型,则使用所述第一决策树模型替换所述第二决策树模型。
本说明书实施例提供的一种风险防控处理设备,所述风险防控处理设备包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:
获取目标业务近期的流式风险交易数据作为黑样本流数据,并获取所述目标业务的无交易风险的流式交易数据作为白样本流数据;
确定所述黑样本流数据和所述白样本流数据被重复采样的次数;
根据所述黑样本流数据和所述白样本流数据,以及所述黑样本流数据和所述白样本流数据被重复抽样的次数,建立第一决策树模型;
基于所述黑样本流数据和/或所述白样本流数据,使用所述第一决策树模型对所述目标业务当前的风险防控规则对应的决策树模型进行更新。
由以上本说明书实施例提供的技术方案可见,本说明书实施例通过获取目标业务近期的流式风险交易数据作为黑样本流数据,并获取目标业务的无交易风险的流式交易数据作为白样本流数据,然后,确定黑样本流数据和白样本流数据被重复采样的次数,可以根据黑样本流数据和白样本流数据,以及黑样本流数据和白样本流数据被重复抽样的次数,建立第一决策树模型,最后,可以基于黑样本流数据和/或白样本流数据,使用第一决策树模型对目标业务当前的风险防控规则对应的决策树模型进行更新,这样,通过获取的近期黑样本流数据和白样本流数据,生成第一决策树模型,并通过第一决策树模型对目标业务当前的风险防控规则对应的决策树模型进行实时更新,从而不需要人工参与即可完成欺诈等风险防控规则的更新,而且通过近期数据完成对风险防控规则的更新,实现对于后续欺诈等风险的快速应对,可以大幅减少新风险带来的资损,提高了欺诈等风险防控规则的生成效率,进而提高目标业务的安全性。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本说明书一种风险防控处理方法实施例;
图2为本说明书一种决策树模型的示意图;
图3为本说明书另一种风险防控处理方法实施例;
图4为本说明书一种风险防控处理装置实施例;
图5为本说明书一种风险防控处理设备实施例。
具体实施方式
本说明书实施例提供一种风险防控处理方法、装置及设备。
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书保护的范围。
实施例一
如图1所示,本说明书实施例提供一种风险防控处理方法,该方法的执行主体可以为终端设备或服务器,其中,该终端设备可以如个人计算机等设备,也可以如手机、平板电脑等移动终端设备,该终端设备可以为用户使用的终端设备。该服务器可以是独立的服务器,也可以是由多个服务器组成的服务器集群,而且,该服务器可以是某项业务的后台服务器,也可以是某网站(如网络购物网站或支付应用等)的后台服务器等。该方法可以用于对业务***中的业务规则进行更新等处理中,为了提高效率,本实施例中以执行主体为服务器为例进行说明,对于终端设备的情况,可以根据下述相关内容处理,在此不再赘述。该方法具体可以包括以下步骤:
在步骤S102中,获取目标业务近期的流式风险交易数据作为黑样本流数据,并获取所述目标业务的无交易风险的流式交易数据作为白样本流数据。
其中,目标业务可以是任意业务,例如在线支付业务、网络购物业务等。流式风险交易数据可以是在网络交易的过程中某一时刻获取到的存在交易风险的流式交易数据,其中的交易风险可以包括对用户的资源(如用户的资金等)造成损失或对目标业务造成损失等。近期的流式风险交易数据可以是当前时刻之前预定时长的流式风险交易数据,当前时刻之前预定时长如当前时刻之前24小时内或5天内等。
在实施中,为了保证业务***中数据的安全性,可以通过黑名单或白名单的方式对业务***中可能存在的风险交易进行拦截等处理。随着网络技术的不断提高,网络病毒或网络木马程序等越来越多,而黑名单或白名单很难及时覆盖到所有可能的网络病毒或网络木马程序,或者其他存在风险的交易,这样,在实际应用中,用户会遇到黑名单或白名单中无法覆盖的交易风险,此时,用户需要判断是否进行目标业务的交易,如果用户确定本次交易存在风险,则可以终止本次交易,并可以将本次交易的相关信息存储,或者可以将本次交易的相关信息发送给目标业务的业务***。如果用户进行了上述交易,并在完成上述交易后确定上次交易为风险交易,此时,用户可以将本次交易的相关信息存储,或者可以将本次交易的相关信息发送给目标业务的业务***。
业务***中都会具有一套基于风险数据的风险控制体系,通过不断进行人工调整业务规则来实现。策略运营是风险控制体系中不可缺少的环节,同时也是与外界风险对抗的主要途径,目前策略运营的方式为基于人工策略的方式,其处理流程可以是:发现交易风险的风险交易数据或风险交易后,向风险控制体系上报或投诉该交易,通过人工分析该上报或投诉的交易,以对该交易进行定性,然后,可以人工提取风险交易数据的特征,并通过人工对上述风险交易数据进行离线数据评估后,可以配置相应的风险控制策略来补充或替换风险控制体系中的风险防控规则。然后,可以试运行该风险防控规则,如果得到的结果符合预期结果,则可以将该风险防控规则添加到目标业务的业务***中,以对风险交易进行防控。然而,通过人工的方式获取风险防控规则的处理,人工承担了过多的重复性、机械性的工作,不仅导致了时间的流逝,还导致大量的人力资源和物力资源的浪费,而且,即使从人工对交易数据分析开始计算,上述一整套流程消耗的时间会比较长,一般情况下都至少在一周以上,就以一种新的欺诈手法或风险交易为例,一周的发酵时间足以造成大量的资损,可能危害成千上万的用户。当前,风险防控的形式非常严峻,尤其是欺诈场景,由于欺诈场景涉及的资金量非常高,欺诈“黑产”的利润空间很大,所以欺诈的新方法、新手段层出不穷,欺诈安全领域的攻防节奏变化非常快。在上述的风险控制体系架构上,欺诈交易数据的人工分析需要时间、风险防控模型的响应需要时间、风险控制策略的部署也需要时间,从而造成对于欺诈等风险的响应不够及时,造成一定的资损。因此,在欺诈等风险防控领域,需要一种时效性更高、响应更及时的解决方案。为此,本说明书实施例提供一种基于最新的流式数据的风险防控处理方式,具体可以包括以下内容:
针对某一项业务(即目标业务),在实际应用中可能会存在一些遗漏或新增的风险交易,而这些风险交易的相关数据不会被目标业务当前使用的业务规则所拦截,从而可能会给用户的资源造成损失,为了提升目标业务的安全性,可以对目标业务的风险防控规则及时进行补充或更新,为此可以通过多种方式获取与目标业务相关的存在交易风险的流式风险交易数据,例如,用户在使用目标业务的过程中,如果发现存在风险的交易,可以实时向相应的业务***进行上报或投诉,业务***会在用户上报或投诉的时间点接收到该风险交易的流式数据等,在实际应用中,还可以通过其它方式获取风险交易数据,如目标业务的运营商可以向用户购买或通过交换等方式获取用户存储或收集的存在风险的交易的相关流式数据等。其中,流式风险交易数据需要用户主动反馈,需要经历一定的时间,在实际应用中,可以获取到当前时刻之前预定时长的流式风险交易数据,例如,当前时刻为10点钟,则可以获取昨天10点钟到当前时刻24小时内的流式风险交易数据,或者更长时间段内的流式风险交易数据等。
可以针对用户上报或投诉的风险交易进行审理,确定其中实际存在交易风险的流式数据,通过上述方式将风险交易定性后,可以得到目标业务的流式风险交易数据,可以将该流式风险交易数据作为流式样本数据中的黑样本流数据。此外,为了后续得到的风险防控规则更加准确,流式样本数据中还可以包括一定数量的白样本流数据,白样本流数据可以选取与黑样本流数据的选取时长相同的选取时长,还可以与黑样本流数据的选取时长不同的选取时长,而且,白样本流数据的选取时长可以大于黑样本流数据的选取时长,例如选取一定天数之前的无交易风险(或非投诉的交易或非上报的交易)的流式交易数据等,这样可以尽可能的保证白样本流数据中尽可能少的掺杂有黑样本流数据。
在步骤S104中,确定上述黑样本流数据和上述白样本流数据被重复采样的次数。
在实施中,对于得到的目标业务的流式风险交易数据(即黑样本流数据)和无交易风险的流式交易数据(即白样本流数据),可以通过某一种算法或多种算法的组合产生新的风险防控规则,本说明书实施例中可以采用在线随机森林算法实现。在线随机森林算法需要对样本数据进行可放回采样或可重复采样(即某一个样本数据可以被采样并使用多次),由于流式交易数据只能在某个时间点获取,而不能够在任何时间点都可以遍历所有样本数据,因此,为了实现对流式交易数据的可重复采样,可以设定一定的机制分别为黑样本流数据和白样本流数据分配被重复采样的次数,该机制可以根据实际情况设定,具体如,可以随机分配等,本说明书实施例对此不做限定。
在步骤S106中,根据上述黑样本流数据和白样本流数据,以及黑样本流数据和白样本流数据被重复抽样的次数,建立第一决策树模型。
其中,第一决策树模型可以是在已知各种情况发生概率的基础上,通过构成决策树来求取净现值的期望值大于等于零的概率的模型,可以用于评价项目风险或业务风险等,可以是一种判断其可行性的决策分析方法。如图2所示,第一决策树模型可以是业务属性与业务属性值之间的一种映射关系模型,决策树中的每个节点表示某个业务属性,而每个分叉路径则代表某个可能的业务属性值,而决策树中的每个叶节点则对应从根节点到该叶节点所经历的路径所表示的业务属性值。第一决策树模型的目的可以是在一个数据集中找到一个最优特征,然后从该最优特征的选值中查找到一个最优候选值,根据得到的最优候选值将数据集分为两个子数据集,然后递归上述处理过程,直到满足指定条件为止。
在实施中,可以通过得到的黑样本流数据和白样本流数据建立一个决策树模型(即第一决策树模型),然后,可以根据黑样本流数据和白样本流数据被重复抽样的次数,分别组成多个训练样本流数据,并分别建立决策树模型,从而得到多个第一决策树模型。
需要说明的是,如图2所示,可以通过决策树模型输出基于上述风险交易数据的风险防控规则,其中,输出的风险防控规则可以包括一个或多个具体的业务规则。
在步骤S108中,基于上述黑样本流数据和/或上述白样本流数据,使用上述第一决策树模型对目标业务当前的风险防控规则对应的决策树模型进行更新。
在实施中,通过上述步骤S106的处理得到第一决策树模型后,可以使用黑样本流数据和/或白样本流数据,对每一个第一决策树模型和目标业务当前的风险防控规则对应的决策树模型进行评估,确定当前的风险防控规则对应的决策树模型的准确率情况,如果当前的风险防控规则对应的决策树模型的准确率满足预定的准确率条件,可以保留当前的风险防控规则对应的决策树模型,同样的,也可以确定第一决策树模型的准确率情况,如果其满足预定的准确率条件,则可以将第一决策树模型和当前的风险防控规则对应的决策树模型进行组合,得到目标业务对应的新决策树模型,并可以基于新决策树模型确定目标业务相应的风险防控规则。如果当前的风险防控规则对应的决策树模型的准确率不满足预定的准确率条件,可以使用上述第一决策树模型替换当前的风险防控规则对应的决策树模型,并可以基于替换后得到的决策树模型确定目标业务相应的风险防控规则。
本说明书实施例提供一种风险防控处理方法,通过获取目标业务近期的流式风险交易数据作为黑样本流数据,并获取目标业务的无交易风险的流式交易数据作为白样本流数据,然后,确定黑样本流数据和白样本流数据被重复采样的次数,可以根据黑样本流数据和白样本流数据,以及黑样本流数据和白样本流数据被重复抽样的次数,建立第一决策树模型,最后,可以基于黑样本流数据和/或白样本流数据,使用第一决策树模型对目标业务当前的风险防控规则对应的决策树模型进行更新,这样,通过获取的近期黑样本流数据和白样本流数据,生成第一决策树模型,并通过第一决策树模型对目标业务当前的风险防控规则对应的决策树模型进行实时更新,从而不需要人工参与即可完成欺诈等风险防控规则的更新,而且通过近期数据完成对风险防控规则的更新,实现对于后续欺诈等风险的快速应对,可以大幅减少新风险带来的资损,提高了欺诈等风险防控规则的生成效率,进而提高目标业务的安全性。
实施例二
如图3所示,本说明书实施例提供一种风险防控处理方法,该方法的执行主体可以为终端设备或服务器,其中,该终端设备可以如个人计算机等设备,也可以如手机、平板电脑等移动终端设备,该终端设备可以为用户使用的终端设备。该服务器可以是独立的服务器,也可以是由多个服务器组成的服务器集群,而且,该服务器可以是某项业务的后台服务器,也可以是某网站(如网络购物网站或支付应用等)的后台服务器等。该方法可以用于对业务***中的业务规则进行更新等处理中,为了提高效率,本实施例中以执行主体为服务器为例进行说明,对于终端设备的情况,可以根据下述相关内容处理,在此不再赘述。
本说明书实施例中,主要针对上述相关技术中人工数据分析、风险防控模型的人工迭代、风险防控规则的人工部署等多个部分进行优化,以下分别进行详细说明。该方法具体可以包括以下步骤:
在步骤S302中,获取目标业务的流式交易数据对应的特征变量。
其中,流式交易数据可以包括存在交易风险的流式风险交易数据和无交易风险的流式交易数据等,其中,流式风险交易数据中可以包括基于欺诈的流式交易数据等。特征变量可以是一种流式交易数据的实值单值函数,特征变量可以包括多种实现形式,例如以向量的形式表示,或者,以数学表达式的形式表示等,本说明书实施例对此不做限定。
在实施中,考虑到目标业务的流式风险交易数据需要依靠用户主动上报,且上报流式风险交易数据需要一定的时限,而且,流式交易数据的内容往往较多,其中会带有很多与确定该流式交易数据是否为流式风险交易数据无关的内容,为了减轻***的处理负担,可以对流式交易数据进行特征提取,通过特征变量的形式来表征流式交易数据。因此,本说明书实施例在每一个交易事件发生时,可以计算该交易事件对应的流式交易数据的特征变量,其中,为了能够得到足够多的特征变量,可以获取一定时长内发生的交易事件,例如可以获取3个月内或半年内发生的交易事件,从而可以获取每一个交易事件对应的流式交易数据。通过上述方式可以获取到预定时长内的流式交易数据对应的特征变量。
在步骤S304中,从上述特征变量中获取无交易风险的流式交易数据对应的特征变量作为白样本流数据。
在实施中,通过上述处理过程可以得到特征变量,可以基于得到的特征变量设立样本变量池。由于特征变量是基于每一个交易事件获取的,而交易事件中包括存在交易风险的交易事件和无交易风险的交易事件,同样的,特征变量中可以包括流式风险交易数据对应的特征变量和无交易风险的流式交易数据对应的特征变量,因此,可以从样本变量池中提取无交易风险的流式交易数据对应的特征变量,并可以将提取的特征变量作为白样本流数据。
考虑到用户上报的流式风险交易数据对于用户来说,可能更加清楚流式风险交易数据存在何种交易风险、会产生何种交易后果等,因此,用户在每次上报流式风险交易数据时,可以请求用户对上传的流式风险交易数据制作标签,该标签中可以记录该流式风险交易数据的风险属性(例如支付欺诈或电信欺诈等),也即是流式风险交易数据(即下述黑样本流数据)中包括用于指示流式交易数据为流式风险交易数据的标签,对于流式风险交易数据的处理可以通过以下步骤S306的处理方式实现。
在步骤S306中,获取目标业务近期的流式风险交易数据,并将流式风险交易数据中的标签的信息与上述特征变量进行匹配,得到相匹配的特征变量作为黑样本流数据。
在实施中,用户上传流式风险交易数据后,可以对该流式风险交易数据进行审理,以对该流式风险交易数据进行定性,如果审理结果确定该流式风险交易数据在实际应用中属于存在交易风险的流式交易数据,则可以提取该流式风险交易数据中的标签,并对该标签中的信息进行分析,得到分析结果,然后,实时地将该标签的信息与上述特征变量构成的样本变量池进行匹配,可以将匹配到的样本变量池中的特征变量作为黑样本流数据。
需要说明的是,上述步骤S304和步骤S306的执行是按照先后顺序实现的,在实际应用中,可以先执行上述步骤S304的处理,然后再执行上述步骤S306的处理,然而,在本说明书的另一个实施例中,也可以先执行上述步骤S306的处理,然后再执行上述步骤S304的处理,或者,还可以同时执行上述步骤S304和步骤S306的处理,本说明书实施例对此不做限定。
本说明书实施例中,为了能够得到时效性更高、响应更及时的风险防控规则,可以采用在线学习(即Online Learning)算法来获取风险防控规则,为了保证通过在线学习算法得到的风险防控模型的性能,可以根据一定的流式样本数据的浓度对上述黑样本流数据和上述白样本流数据进行处理,具体可以参见下述步骤S308的处理。
在步骤S308中,对上述黑样本流数据和上述白样本流数据进行延时处理,以确定黑样本流数据和白样本流数据的数量比例。
其中,延时机制可以是用于确定黑样本流数据和白样本流数据的数量比例是否满足预定比例阈值的数据控制机制,其中的预定比例阈值可以根据实际情况确定,具体如1:1或1:2等。
在实施中,为了保证输入到上述风险防控模型中黑样本流数据和白样本流数据的比例适当,可以预先设置延时机制,通过延时机制可以有效控制黑样本流数据和白样本流数据之间的输入比例,从而保证黑样本流数据和白样本流数据的数量比例满足预定比例阈值。
另外,对于白样本流数据,还可以通过其它方式保证白样本流数据在流式样本数据中所占的比例,具体可以通过以下方式实现:对上述白样本流数据进行欠采样处理,以确定该白样本流数据的数量比例。
其中,白样本流数据的数量比例可以是指白样本流数据在流式样本数据(包括白样本流数据和黑样本流数据)中所占的比例,具体如50%或30%等。欠采样处理可以是采样频率低于信号最高频率的两倍的采样处理。
通过上述对上述白样本流数据进行欠采样处理,可以保证输入到在线学习算法中进行学习的流式样本数据的浓度不致于过低。
本说明书实施例中可以通过在线学习算法实现决策树模型的建立和风险防控规则的更新,在实际应用中,在线学习算法可以包括多种,本说明书实施例中可以在线学习算法为在线随机森林算法(即Online Random Forests)为例进行说明,对于通过其它在线学习算法实现的具体处理过程可以参见下述相关内容,在此不再赘述。
在步骤S310中,分别从上述黑样本流数据和白样本流数据中选取第一黑样本流数据和第一白样本流数据。
在实施中,可以将上述黑样本流数据划分为两个部分,一部分黑样本流数据可以用于构建决策树模型,另一部分黑样本流数据可以用于对决策树模型的准确性进行评估,同样的,也可以将上述白样本流数据划分为两个部分,一部分白样本流数据可以用于构建决策树模型,另一部分白样本流数据可以用于对决策树模型的准确性进行评估,为此,可以通过预定的划分比例(如5:1或7:3等)或者随机抽取的方式,从上述黑样本流数据中选取第一黑样本流数据,并从上述白样本流数据中选取第一白样本流数据。
在实际应用中,上述步骤S310的处理方式可以多种多样,以下再提供一种可选的实现方式,具体可以参见下述步骤一和步骤二处理。
步骤一,分别为每个黑样本流数据和每个白样本流数据分配泊松分布的随机数。
在实施中,根据在线随机森林算法的特性,需要对流式样本数据(包括黑样本流数据和白样本流数据)进行Bagging操作(或者也可以称为套袋操作,其实质可以是可放回的采样操作),但是,流式交易数据只能在某个时间点获取,而不能够在任何时间点都可以遍历所有样本数据,因此,为了实现对流式交易数据的Bagging操作,当得到每条流式样本数据,并使用该流式样本数据创建决策树模型时,可以先赋予每条流式样本数据一个泊松分布的随机数,即为每个黑样本流数据和每个白样本流数据分配泊松分布的随机数。其中,分配的泊松分布的随机数为非负整数。
步骤二,根据上述泊松分布的随机数的数值,确定第一黑样本流数据和第一白样本流数据。
在实施中,如果某条流式样本数据分配的泊松分布的随机数的数值为0,则可以将该流式样本数据设定为评估样本数据,以便为后续对决策树模型的准确性等指标进行评估,如果某条流式样本数据分配的泊松分布的随机数的数值为一个正整数,则可以将该随机数的数值做为该流式样本数据“被重抽样”的次数,从而实现了对于流式交易数据的Bagging操作。通过上述处理过程可以将由黑样本流数据和白样本流数据组成的流式样本数据划分为两个部分,一部分为评估样本数据,另一部分为由第一黑样本流数据和第一白样本流数据组成的流式样本数据。
需要说明的是,第一黑样本流数据中的数据数量可以小于黑样本流数据中的数据数量,也可以等于黑样本流数据中的数据数量,同样的,第一白样本流数据中的数据数量可以小于白样本流数据中的数据数量,也可以等于白样本流数据中的数据数量。
在步骤S312中,确定上述黑样本流数据和上述白样本流数据被重复采样的次数。
上述步骤S312的处理可以多种多样,以下提供一种可选的处理方式,具体可以包括以下步骤一和步骤二。
步骤一,分别为每个黑样本流数据和每个白样本流数据分配泊松分布的随机数。
需要说明的是,基于上述内容,可以只对为每个第一黑样本流数据和每个第一白样本流数据分配泊松分布的随机数。
步骤二,根据该泊松分布的随机数的数值,确定黑样本流数据和白样本流数据被重复抽样的次数。
在实施中,如果某条流式样本数据分配的泊松分布的随机数的数值为一个正整数,则可以将该随机数的数值做为该流式样本数据“被重抽样”的次数(即该流式样本数据被重复抽样的次数),从而实现了对于流式交易数据的Bagging操作,从而可以得到第一黑样本流数据和第一白样本流数据被重复抽样的次数。
在步骤S314中,根据上述第一黑样本流数据和上述第一白样本流数据,以及第一黑样本流数据和第一白样本流数据被重复抽样的次数,建立第一决策树模型。
在实施中,可以通过如上述实施例一中所述通过多种方式获取与目标业务相关的流式风险交易数据,如,用户在使用目标业务的过程中主动上报,或者,向用户购买或通过交换等方式获取等。可以对获取的流式风险交易数据进行审理,确定实际存在交易风险的流式交易数据,通过上述方式将流式风险交易数据定性后,可以得到目标业务的流式风险交易数据,该流式风险交易数据可以作为黑样本流数据。可以通过Online Learning算法,根据上述第一黑样本流数据和上述第一白样本流数据,以及第一黑样本流数据和第一白样本流数据被重复抽样的次数,建立第一决策树模型。
上述步骤S314的具体处理过程可以多种多样,以下提供一种可选的处理方式,具体可以参见下述步骤一~步骤五的处理。
步骤一,创建决策树模型,在该决策树模型的待***节点处创建不等式条件。
在实施中,如图2所示,可以创建一个新的决策树模型,该决策树模型中可以包括一个或多个待***节点,可以在该决策树模型的待***节点处随机创建一组不等式条件。
步骤二,根据上述不等式条件,对第一黑样本流数据和第一白样本流数据进行子节点的预划分。
在实施中,上述创建的决策树模型中可以包括一个或多个子节点,可以对决策树模型中可能存在的子节点进行预划分,在划分子节点的过程中可以以上述创建的不等式条件作为划分依据。
步骤三,计算每个子节点的预划分对应的不等式条件的增益。
在实施中,每个子节点的预划分对应的不等式条件的增益可以通过以下公式(1)计算得到
其中,Rj代表第j个待***节点,s代表第s种不等式条件,Rjls代表第j个待***节点采用第s种不等式条件预划分后的左边的子节点,||代表节点中流式样本数据的数量,Rjrs与Rjls类似,Rjrs代表第j个待***节点采用第s种不等式条件预划分后的右边的子节点。另外,
在实际应用中,还可以通过其它计算公式得到L(Rj),L(Rj)可以主要用于衡量流式样本数据中的第一黑样本流数据和第一白样本流数据的纯度。
步骤四,根据上述增益和对应的不等式条件,对待***节点进行子节点的***,得到***后的子节点。
在实施中,通过上述方式计算得到相应的增益后,如果一个待***节点接受的流式样本数据的数量已达到预定阈值(即已足够),并且存在一种不等式条件使得上述得到的增益超过一定的阈值,则可以使用增益最大的不等式条件对该待***节点进行子节点的***,***后的子节点。然后,同理,可以通过上述算法继续进行流式样本数据的迭代,得到相应的子节点,如图2所示。
步骤五,基于上述***后的子节点,以及第一黑样本流数据和第一白样本流数据被重复抽样的次数,建立第一决策树模型。
在实施中,决策树模型***后的子节点,会对第一黑样本流数据和第一白样本流数据的纯度进行评估,如果流式样本数据的数量,以及第一黑样本流数据和第一白样本流数据的纯度达到预定的要求,则该子节点成为一个叶子节点,并停止子节点的***。如图2所示,当一个决策树模型已经不存在待***节点,或者流式样本数据的数量达到一定的数量,该决策树模型构建完成,从而得到第一决策树模型。然后,可以根据第一黑样本流数据和第一白样本流数据被重复抽样的次数,分别组成多个训练样本流数据,并分别建立第一决策树模型,从而得到多个第一决策树模型。
在步骤S316中,分别从上述黑样本流数据和/或白样本流数据中选取部分数据作为评估样本数据。
上述步骤S316的具体处理过程可以参见上述步骤S310中的相关内容,再此不再赘述。
在步骤S318中,根据上述评估样本数据,分别对第一决策树模型和目标业务当前的风险防控规则对应的决策树模型进行评估。
在实施中,通过上述步骤S302~步骤S312的处理,可以得到一个决策树模型,而随着时间的推移,新生成的决策树模型会越来越多,新生成的决策树模型与当前已有的决策树模型共同构成了随机森林模型,其中随机森林模型中可以包括大量的决策树模型,例如包括100个决策树模型或包括500个决策树模型等。由于其中包括有旧的决策树模型,新的决策树模型产生后,必然会涉及新的决策树模型与旧的决策树模型之间的新陈代谢过程。本说明书实施例中,可以利用上述确定的评估样本数据(也即是利用最新一段时间内的评估样本数据)对于当前已有的决策树模型和新生成的决策树模型进行准确率的评估,从而得到当前已有的决策树模型和新生成的决策树模型的准确率的评估值。
在步骤S320中,如果第一决策树模型满足预定的评估条件,且目标业务当前的风险防控规则对应的决策树模型中存在不满足预定的评估条件的第二决策树模型,则使用第一决策树模型替换第二决策树模型。
其中,评估条件可以根据实际情况设定,具体如设定一个阈值,评估条件可以是超过该阈值等,本说明书实施例对此不做限定。
在实施中,可以综合考虑当前已有的决策树模型的存在时间(通常,决策树模型的存在时间越长,该决策树模型对最终产生的风险防控规则的准确性越差),以及上述得到的准确率的评估值,此外,还可以根据实际情况添加其它相关元素和/或随机因素,完成由新生成的决策树模型与当前已有的决策树模型的更替,通过对新生成的决策树模型与当前已有的决策树模型的更替,可以实现对新生成的决策树模型对应的第一风险防控规则与当前已有的决策树模型对应的当前风险防控规则的更新。
通过新生成的决策树模型与当前已有的决策树模型的更替,可以得到新的随机森林模型。对于新的随机森林模型和之前的随机森林模型,可以继续使用上述评估样本数据进行整体的准确率、AUC(Area under curve)等的评估,如果上述指标(即准确率、AUC等)的提升超过预定阈值,则可以使用新的随机森林模型替换之前的随机森林模型。通过上述方式进行替换后,可以对线上数据进行灰度打分,如果灰度打分的结果分布正常,则可以将目标业务的业务***的欺诈风险防控模型全部切换到新的随机森林模型,如果灰度打分的结果分布异常,则进行随机森林模型的回滚处理。
其中,对于上述打分的处理过程,对于欺诈的防控最终都体现为一条条的风险防控规则,例如“模型分高于多少则对本笔交易进行失败”等,为了保证风险防控规则的稳定性(由于风险防控规则的调整耗时耗力,例如风险防控规则一直保持为模型分高于0.6分则失败等),但在线随机森林算法是在线上实时变更的,所以需要一个标准化打分的操作。为解决标准化打分的问题,首先根据目标指标(包括但不限于准确率等),在评估样本数据中选取一个阈值,然后计算标准化需要的相关参数,可以将该阈值映射到0.6或其它数值,从而维持了风险防控规则的稳定性。
在步骤S322中,基于更新后的决策树模型,对目标业务当前的风险防控规则进行更新。
本说明书实施例提供一种风险防控处理方法,通过获取目标业务近期的流式风险交易数据作为黑样本流数据,并获取目标业务的无交易风险的流式交易数据作为白样本流数据,然后,确定黑样本流数据和白样本流数据被重复采样的次数,可以根据黑样本流数据和白样本流数据,以及黑样本流数据和白样本流数据被重复抽样的次数,建立第一决策树模型,最后,可以基于黑样本流数据和/或白样本流数据,使用第一决策树模型对目标业务当前的风险防控规则对应的决策树模型进行更新,这样,通过获取的近期黑样本流数据和白样本流数据,生成第一决策树模型,并通过第一决策树模型对目标业务当前的风险防控规则对应的决策树模型进行实时更新,从而不需要人工参与即可完成欺诈等风险防控规则的更新,而且通过近期数据完成对风险防控规则的更新,实现对于后续欺诈等风险的快速应对,可以大幅减少新风险带来的资损,提高了欺诈等风险防控规则的生成效率,进而提高目标业务的安全性。
实施例三
以上为本说明书实施例提供的风险防控处理方法,基于同样的思路,本说明书实施例还提供一种风险防控处理装置,如图4示。
该风险防控处理装置包括:样本获取模块401、采样次数确定模块402、模型建立模块403和模型更新模块404,其中:
样本获取模块401,用于获取目标业务近期的流式风险交易数据作为黑样本流数据,并获取所述目标业务的无交易风险的流式交易数据作为白样本流数据;
采样次数确定模块402,用于确定所述黑样本流数据和所述白样本流数据被重复采样的次数
模型建立模块403,用于根据所述黑样本流数据和所述白样本流数据,以及所述黑样本流数据和所述白样本流数据被重复抽样的次数,建立第一决策树模型;
模型更新模块404,用于基于所述黑样本流数据和/或所述白样本流数据,使用所述第一决策树模型对所述目标业务当前的风险防控规则对应的决策树模型进行更新。
本说明书实施例中,所述装置还包括:
规则更新模块,用于基于更新后的决策树模型,对所述目标业务当前的风险防控规则进行更新。
本说明书实施例中,所述黑样本流数据中包括用于指示流式交易数据为流式风险交易数据的标签,
所述样本获取模块401,包括:
特征获取单元,用于获取目标业务的流式交易数据对应的特征变量;
第一选取单元,用于从所述特征变量中获取无交易风险的流式交易数据对应的特征变量作为白样本流数据;
匹配单元,用于将所述标签的信息与所述特征变量进行匹配,得到相匹配的特征变量作为黑样本流数据。
本说明书实施例中,所述装置还包括:
延时模块,用于对所述黑样本流数据和所述白样本流数据进行延时处理,以确定所述黑样本流数据和所述白样本流数据的数量比例。
本说明书实施例中,所述装置还包括:
欠采样模块,用于对所述白样本流数据进行欠采样处理,以确定所述白样本流数据的数量比例。
本说明书实施例中,所述采样次数确定模块402,包括:
分配单元,用于分别为每个所述黑样本流数据和每个所述白样本流数据分配泊松分布的随机数;
采样次数确定单元,用于根据所述泊松分布的随机数的数值,确定所述黑样本流数据和所述白样本流数据被重复抽样的次数。
本说明书实施例中,所述模型建立模块403,包括:
第二选取单元,用于分别从所述黑样本流数据和白样本流数据中选取第一黑样本流数据和第一白样本流数据;
模型建立单元,用于根据所述第一黑样本流数据和所述第一白样本流数据,以及所述第一黑样本流数据和所述第一白样本流数据被重复抽样的次数,建立第一决策树模型。
本说明书实施例中,所述模型建立单元,用于:
创建决策树模型,在所述决策树模型的待***节点处创建不等式条件;
根据所述不等式条件,对所述第一黑样本流数据和所述第一白样本流数据进行子节点的预划分;
计算每个子节点的预划分对应的不等式条件的增益;
根据所述增益和对应的不等式条件,对所述待***节点进行子节点的***,得到***后的子节点;
基于所述***后的子节点,以及所述第一黑样本流数据和所述第一白样本流数据被重复抽样的次数,建立第一决策树模型。
本说明书实施例中,所述模型更新模块404,包括:
第三选取单元,用于分别从所述黑样本流数据和/或白样本流数据中选取部分数据作为评估样本数据;
评估单元,用于根据所述评估样本数据,分别对所述第一决策树模型和所述目标业务当前的风险防控规则对应的决策树模型进行评估;
模型更新单元,用于如果所述第一决策树模型满足预定的评估条件,且所述目标业务当前的风险防控规则对应的决策树模型中存在不满足预定的评估条件的第二决策树模型,则使用所述第一决策树模型替换所述第二决策树模型。
本说明书实施例提供一种风险防控处理装置,通过获取目标业务近期的流式风险交易数据作为黑样本流数据,并获取目标业务的无交易风险的流式交易数据作为白样本流数据,然后,确定黑样本流数据和白样本流数据被重复采样的次数,可以根据黑样本流数据和白样本流数据,以及黑样本流数据和白样本流数据被重复抽样的次数,建立第一决策树模型,最后,可以基于黑样本流数据和/或白样本流数据,使用第一决策树模型对目标业务当前的风险防控规则对应的决策树模型进行更新,这样,通过获取的近期黑样本流数据和白样本流数据,生成第一决策树模型,并通过第一决策树模型对目标业务当前的风险防控规则对应的决策树模型进行实时更新,从而不需要人工参与即可完成欺诈等风险防控规则的更新,而且通过近期数据完成对风险防控规则的更新,实现对于后续欺诈等风险的快速应对,可以大幅减少新风险带来的资损,提高了欺诈等风险防控规则的生成效率,进而提高目标业务的安全性。
实施例五
以上为本说明书实施例提供的风险防控处理装置,基于同样的思路,本说明书实施例还提供一种风险防控处理设备,如图5所示。
所述风险防控处理设备可以为上述实施例提供的服务器或终端设备。
风险防控处理设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上的处理器501和存储器502,存储器502中可以存储有一个或一个以上存储应用程序或数据。其中,存储器502可以是短暂存储或持久存储。存储在存储器502的应用程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括对风险防控处理设备中的一系列计算机可执行指令。更进一步地,处理器501可以设置为与存储器502通信,在风险防控处理设备上执行存储器502中的一系列计算机可执行指令。风险防控处理设备还可以包括一个或一个以上电源503,一个或一个以上有线或无线网络接口504,一个或一个以上输入输出接口505,一个或一个以上键盘506。
具体在本实施例中,风险防控处理设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对风险防控处理设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
获取目标业务近期的流式风险交易数据作为黑样本流数据,并获取所述目标业务的无交易风险的流式交易数据作为白样本流数据;
确定所述黑样本流数据和所述白样本流数据被重复采样的次数;
根据所述黑样本流数据和所述白样本流数据,以及所述黑样本流数据和所述白样本流数据被重复抽样的次数,建立第一决策树模型;
基于所述黑样本流数据和/或所述白样本流数据,使用所述第一决策树模型对所述目标业务当前的风险防控规则对应的决策树模型进行更新。
可选地,所述使用所述第一决策树模型对所述目标业务当前的风险防控规则对应的决策树模型进行更新之后,还包括:
基于更新后的决策树模型,对所述目标业务当前的风险防控规则进行更新。
可选地,所述黑样本流数据中包括用于指示流式交易数据为流式风险交易数据的标签,
所述获取目标业务近期的流式风险交易数据作为黑样本流数据,并获取所述目标业务的无交易风险的流式数据作为白样本流数据,包括:
获取目标业务的流式交易数据对应的特征变量;
从所述特征变量中获取无交易风险的流式交易数据对应的特征变量作为白样本流数据;
将所述标签的信息与所述特征变量进行匹配,得到相匹配的特征变量作为黑样本流数据。
可选地,还包括:
对所述黑样本流数据和所述白样本流数据进行延时处理,以确定所述黑样本流数据和所述白样本流数据的数量比例。
可选地,还包括:
对所述白样本流数据进行欠采样处理,以确定所述白样本流数据的数量比例。
可选地,所述确定所述黑样本流数据和所述白样本流数据被重复采样的次数,包括:
分别为每个所述黑样本流数据和每个所述白样本流数据分配泊松分布的随机数;
根据所述泊松分布的随机数的数值,确定所述黑样本流数据和所述白样本流数据被重复抽样的次数。
可选地,所述根据所述黑样本流数据和所述白样本流数据,以及所述黑样本流数据和所述白样本流数据被重复抽样的次数,建立第一决策树模型,包括:
分别从所述黑样本流数据和白样本流数据中选取第一黑样本流数据和第一白样本流数据;
根据所述第一黑样本流数据和所述第一白样本流数据,以及所述第一黑样本流数据和所述第一白样本流数据被重复抽样的次数,建立第一决策树模型。
可选地,所述根据所述第一黑样本流数据和所述第一白样本流数据,以及所述第一黑样本流数据和所述第一白样本流数据被重复抽样的次数,建立第一决策树模型,包括:
创建决策树模型,在所述决策树模型的待***节点处创建不等式条件;
根据所述不等式条件,对所述第一黑样本流数据和所述第一白样本流数据进行子节点的预划分;
计算每个子节点的预划分对应的不等式条件的增益;
根据所述增益和对应的不等式条件,对所述待***节点进行子节点的***,得到***后的子节点;
基于所述***后的子节点,以及所述第一黑样本流数据和所述第一白样本流数据被重复抽样的次数,建立第一决策树模型。
可选地,所述基于所述黑样本流数据和/或所述白样本流数据,使用所述第一决策树模型对所述目标业务当前的风险防控规则对应的决策树模型进行更新,包括:
分别从所述黑样本流数据和/或白样本流数据中选取部分数据作为评估样本数据;
根据所述评估样本数据,分别对所述第一决策树模型和所述目标业务当前的风险防控规则对应的决策树模型进行评估;
如果所述第一决策树模型满足预定的评估条件,且所述目标业务当前的风险防控规则对应的决策树模型中存在不满足预定的评估条件的第二决策树模型,则使用所述第一决策树模型替换所述第二决策树模型。
本说明书实施例提供一种风险防控处理设备,通过获取目标业务近期的流式风险交易数据作为黑样本流数据,并获取目标业务的无交易风险的流式交易数据作为白样本流数据,然后,确定黑样本流数据和白样本流数据被重复采样的次数,可以根据黑样本流数据和白样本流数据,以及黑样本流数据和白样本流数据被重复抽样的次数,建立第一决策树模型,最后,可以基于黑样本流数据和/或白样本流数据,使用第一决策树模型对目标业务当前的风险防控规则对应的决策树模型进行更新,这样,通过获取的近期黑样本流数据和白样本流数据,生成第一决策树模型,并通过第一决策树模型对目标业务当前的风险防控规则对应的决策树模型进行实时更新,从而不需要人工参与即可完成欺诈等风险防控规则的更新,而且通过近期数据完成对风险防控规则的更新,实现对于后续欺诈等风险的快速应对,可以大幅减少新风险带来的资损,提高了欺诈等风险防控规则的生成效率,进而提高目标业务的安全性。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、***、或计算机程序产品。因此,本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书的实施例是参照根据本说明书实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,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)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、***或计算机程序产品。因此,本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。