CN110148000A - 一种应用于支付平台的安全管控***和方法 - Google Patents
一种应用于支付平台的安全管控***和方法 Download PDFInfo
- Publication number
- CN110148000A CN110148000A CN201910309707.3A CN201910309707A CN110148000A CN 110148000 A CN110148000 A CN 110148000A CN 201910309707 A CN201910309707 A CN 201910309707A CN 110148000 A CN110148000 A CN 110148000A
- Authority
- CN
- China
- Prior art keywords
- risk
- trade company
- information
- detection model
- trade
- 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 35
- 238000001514 detection method Methods 0.000 claims description 82
- 238000007726 management method Methods 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 21
- 238000012797 qualification Methods 0.000 claims description 18
- 239000013589 supplement Substances 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000013526 transfer learning Methods 0.000 claims description 6
- 238000012550 audit Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 4
- 241001269238 Data Species 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims 1
- 230000002708 enhancing effect Effects 0.000 abstract description 2
- 239000000463 material Substances 0.000 abstract description 2
- 239000000047 product Substances 0.000 description 18
- 238000004891 communication Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 208000001613 Gambling Diseases 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000013016 learning Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000013066 combination product Substances 0.000 description 1
- 229940127555 combination product Drugs 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 238000012011 method of payment Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Computer Security & Cryptography (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书提供一种应用于支付平台的安全管控***和方法，该安全管控***至少包括入驻风险检测模块，预先建立的商户的准入模型，在商户入驻平台时通过商户提交的资料计算商户的风险得分，以使商户对应的服务商收到该风险得分后，可对应采取不同的预防范措施。本方案将安全赋能产品的安全管控延伸到全周期环节，增强对商户风险的控制的同时减少可能带来的资损。
Description
技术领域
本说明书涉及互联网领域，尤其涉及一种应用于支付平台的安全管控***和方法。
背景技术
在当前各大支付平台(如支付宝)的整体业务模式下，服务商在支付平台的商户拓展过程中起到了主要作用，支付平台通常包括与平台直接相连的多个服务商，以及由服务商拓展而来的，与平台间接相连的多个商户。这些商户可视为服务商的下属商户，由服务商对商户进行直接管理，支付平台可开放或关闭商户的相关支付功能。
为了实现对商户的安全管控，支付平台通常会搭载安全赋能产品，而在传统方案中，风险管控仅能覆盖到事后环节，即当前安全赋能产品基本只有向服务商推送风险交易及风险商户，而这些推送信息属于已经发生的风险，已对服务商或支付宝产生一定资损，推送功能仅起到对续发风险的控制作用。未能很好地与服务商建立起完善的联合共治模式。
发明内容
针对上述技术问题，本说明书实施例提供一种应用于支付平台的安全管控方法和装置，技术方案如下：
根据本说明书实施例的第一方面，提供一种应用于支付平台的安全管控***，所述支付平台中包括多个服务商，与所述服务商的多个下属商户，所述安全管控***至少包括入驻风险检测模块，
所述入驻风险检测模块用于：
在商户提交的入驻信息中提取出校验信息，所述校验信息为预先设定的用于检验商户入驻风险的特定信息；
获取预先训练的入驻检测模型组，所述入驻检测模型组中包括若干不同的入驻检测模型，其中，商户的特征数据被分为若干类别，每个入驻检测模型对应由商户的其中一种类别的特征数据训练而成；
将所述校验信息输入所述入驻检测模型组，获取不同的入驻检测模型输出的商户在不同类别的风险得分；
将所述不同类别的风险得分进行加权计算，将计算结果确定为商户的入驻风险值。
根据本说明书实施例的第二方面，提供一种应用于支付平台的安全管控方法，所述支付平台中包括多个服务商，与所述服务商的多个下属商户，所述安全管控方法包括：
在商户提交的入驻信息中提取出校验信息，所述校验信息为预先设定的用于检验商户入驻风险的特定信息；
获取预先训练的入驻检测模型组，所述入驻检测模型组中包括若干不同的入驻检测模型，其中，商户的特征数据被分为若干类别，每个入驻检测模型对应由商户的其中一种类别的特征数据训练而成；
将所述校验信息输入所述入驻检测模型组，获取不同的入驻检测模型输出的商户在不同类别的风险得分；
将所述不同类别的风险得分进行加权计算，将计算结果确定为商户的入驻风险值。
根据本说明书实施例的第三方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现一种应用于支付平台的安全管控方法，该方法包括：
在商户提交的入驻信息中提取出校验信息，所述校验信息为预先设定的用于检验商户入驻风险的特定信息；
获取预先训练的入驻检测模型组，所述入驻检测模型组中包括若干不同的入驻检测模型，其中，商户的特征数据被分为若干类别，每个入驻检测模型对应由商户的其中一种类别的特征数据训练而成；
将所述校验信息输入所述入驻检测模型组，获取不同的入驻检测模型输出的商户在不同类别的风险得分；
将所述不同类别的风险得分进行加权计算，将计算结果确定为商户的入驻风险值。
本说明书实施例所提供的技术方案，预先建立的商户的准入模型，在商户入驻平台时通过商户提交的资料计算商户的风险得分，以使商户对应的服务商收到该风险得分后，可对应采取不同的预防范措施。本方案将安全赋能产品的安全管控延伸到全周期环节，增强对商户风险的控制的同时减少可能带来的资损。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书实施例。
此外，本说明书实施例中的任一实施例并不需要达到上述的全部效果。
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实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1是本说明书一示例性实施例示出的安全管控***的商户入驻风险检测的一种流程图；
图2是本说明书一示例性实施例示出的安全管控***的搭建入驻检测模型组的一种流程图；
图3是本说明书一示例性实施例示出的安全管控***的商户实时风险检测的一种流程图；
图4是本说明书一示例性实施例示出的安全管控***的一种示意图；
图5是本说明书一示例性实施例示出的一种计算机设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书的一些方面相一致的装置和方法的例子。
在本说明书使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
在当前各大支付平台(如支付宝)的整体业务模式下，服务商在支付平台的商户拓展过程中起到了主要作用，支付平台通常包括与平台直接相连的多个服务商，以及由服务商拓展而来的，与平台间接相连的多个商户。这些商户可视为服务商的下属商户，由服务商对商户进行直接管理，支付平台可开放或关闭商户的相关支付功能。
为了实现对商户的安全管控，支付平台通常会搭载安全赋能产品(比如支付宝平台的RiskGo)，而在传统方案中，风险管控仅能覆盖到事后环节，即当前安全赋能产品基本只有向服务商推送风险交易及风险商户，而这些推送信息属于已经发生的风险，已对服务商或支付宝产生一定资损，推送功能仅起到对续发风险的控制作用。未能很好地与服务商建立起完善的联合共治模式。
针对以上问题，本说明书实施例提供一种应用于支付平台的安全管控***，该安全管控***可实现对商户全生命周期的风险防控，具体地，该对商户全生命周期的风险防控可分为对商户的入驻风险检测，商户入驻后的实时风险检测和风险联防心智搭建三个阶段。下面分别对每个阶段的防控方案进行具体说明。
对于商户的入驻防控阶段发生于商户入驻支付平台时，安全防控搭载于支付平台，对入驻商户进行入驻检测，参见图1所示，该入驻检测方法包括以下步骤：
S101，在商户提交的入驻信息中提取出校验信息，所述校验信息为预先设定的用于检验商户入驻风险的特定信息；
具体地，该提取出的校验信息可包括商户的经营资质信息，门店地址信息，行业信息，门头照片信息，拓展小二资质信息等信息。
其中，拓展小二为服务商拓展新商户的渠道，拓展小二可能是个人也可能是企业，拓展小二资质信息指的是拓展小二的身份证/营业执照、银行卡信息等。
这些信息部分通常是商户直接提交的文本信息，部分是商户以图片形式提交的信息，因此，在进行信息提取时，可在商户提交的文本形式的商户信息进行文本提取，以获取用户的门店地址信息、行业信息和拓展渠道资质信息；对商户提交的图片形式的证件信息进行图像识别，将所述证件信息解析为文本形式的经营资质信息和门头照片信息。最后将所述文本提取和图像识别得到的信息确定为商户的校验信息。
例如，商户在入驻时需要上传自身的门头照片，营业执照图片，法人身份证图片，银行卡图片等等，在本步骤中，可使用图像识别技术(如OCR识别技术)对这些图片进行识别，以解析图片并提取图片中的待使用文本信息。
进一步地，可使用图像识别技术先一步分辨商户上传的图片中是否存在PS痕迹，是否为合成或伪造图片等，如果图片存在问题，则可先终止流程并通知商户重新上传相关资料。
S102，获取预先训练的入驻检测模型组，所述入驻检测模型组中包括若干不同的入驻检测模型，其中，商户的特征数据被分为若干类别，每个入驻检测模型对应由商户的其中一种类别的特征数据训练而成；
举例说明，预先训练的入驻检测模型组中包括地址真实性检测模型，资质真实性检测模型，行业真实性检测模型和交易真实性检测模型，分别用于检测不同上述不同类型的商户信息真实程度。
S103，将所述校验信息输入所述入驻检测模型组，获取不同的入驻检测模型输出的商户在不同类别的风险得分；
具体地，可将所述校验信息中的对应信息分别输入预先训练的地址真实性风险计算模型、资质真实性风险计算模型、行业真实性风险计算模型和交易真实性风险模型中，接收所述不同风险模型分别输出的不同类别的风险得分。
S104，将所述不同类别的风险得分进行加权计算，将计算结果确定为商户的入驻风险值。
在实际应用中，可根据实际应用场景为不同类别的风险设定权重，比如设定商户的资质真实性权重为0.3，设定商户的地址真实性权重为0.2，权重的设定可由用户根据不同类别风险在当前应用场景的重要程度自行定义。
进一步地，将计算结果确定为商户的入驻风险值后，可将所述入驻风险值推送给所述商户的所属服务商，以使所述服务商利用所述计算结果对所述商户采用对应的进一步审核策略。
举例说明：在商户入驻的时候，拓展该商户的服务商可以调用入驻风险值对这个商户做初步的审核，并可根据风险情况进一步判断这个商户在不在黑名单，是不是赌徒，是不是老赖，有没有开过其他的门店，开过店的经营历史怎么样等等…或者，服务商可以根据该入驻风险值判断是否要给商户一些权益，比如说，是否需要为这个新商户发放一些新人红包，机具优惠等等。
上述入驻检测方法应用了一种入驻检测模型组，该入驻检测模型组的构建方法可参考图2，包括以下步骤：
S201，获取黑白样本数据，所述黑样本数据为存在历史风险交易的商户数据，所述白样本数据为不存在历史风险交易的商户数据；
在样本采集阶段，可在商户入驻支付平台后产生的历史交易中进行判断。将有历史风险交易的商户确定为黑样本商户，该历史风险交易具体可包括欺诈风险交易，赌博风险交易，虚假交易，套现风险交易等，或确定该商户持有人是否有过虚假开店识别记录。当商户发生过上述行为且行为的严重程度或频繁程度超过预设阈值后，即可将商户确定为黑样本商户。
一般地，支付平台会根据用户在支付平台的日常行为评定用户的价值，确定白样本商户时，除了选择不存在历史风险交易的商户外，还可同时考虑商户在支付平台的价值，进一步选择高价值用户作为白样本用户。
S202，确定商户的若干个特征数据集，每个特征数据集用于表征所述商户其中一种类别的商户特征；
由于该模型用于商户入驻检测环节，一般地，需要用到商户身份特征，经营稳定性特征，地址稳定性特征这三类的特征去构建体检分模型。在实际模型构建中，用到的具体特征类别一般包含：地址特征、行业特征、资质特征、经营者特征这四大类。
举例说明，地址特征可包括：LBS地址可信度，地址商圈价值，是否处于黑产黑浓度地址范围等特征；行业特征可包括：行业日均成交量，行业风险浓度等特征；资质特征可包括：商户资料完整性，工商资料真实性，资质风险历史(是否处于黑名单中)等特征；经营者特征可包括：商户的经营者资质真实性，经营者历史账户行为等特征。
S203，利用所述黑白样本数据，与所述不同特征数据集分别构建入驻检测模型组中的不同入驻检测模型。
通过商户的不同类别的特征构建入驻检测模型，以使得构建出的不同类别的模型可分别检测商户在地址，行业，资质等不同类别的风险。
进一步地，为了使安全管控***能做到对外赋能，安全管控***可针对不同的服务商提供有适应性的模型。
具体地，可接收服务商上传的补充黑白样本数据，该补充黑白样本数据为服务商根据自身业务场景定义的黑样本商户与白样本商户；
接收到服务商上传的补充黑白样本数据后，基于迁移学习算法，使用所述补充黑白样本数据训练所述入驻检测模型，以使所述入驻检测模型完成适应所述服务商所在业务场景的迭代。
举例说明：由于服务商会有自己独有的业务场景，例如不同服务商的商户准入标准可能会有区别，不同服务商的商户管理也会有区别。可通过服务商提供的样本，将模型做相应的适配；例如原版的模型汇中有900个显著特征，但根据服务商提供的黑白标签可发现其中200个特征是不显著的，对于样本的准确性不高。因此需要对这200个特征用迁移学习的算法实现调整，这种调整是单针对某一个服务商的，不是通用的，当这个服务商来进行商户的入驻检测时，产品返回的结果将为做过迁移学习后的模型输出结果，而不是通用模型检测分。总体迁移学习的目的，是为了让模型结果更贴合服务商的业务场景。
下面介绍安全管控***对于已入驻商户的实时风险检测方法，参见图3所示，该实时风险检测方法包括以下步骤：
S301，针对入驻商户的任一笔实时交易信息，使用预先训练的风险交易模型为所述交易打分，将计算出的风险分值记录在产生所述交易的商户数据中；
S302，针对任一入驻商户，根据当前时间段内所述商户产生的风险交易笔数，计算出所述商户的当前风险浓度；
S303，根据预定义的层级划分阈值确定所述风险浓度对应的风险层级，根据所述风险层级对应的预定义处理策略，对所述商户及其所属服务商分别进行不同程度的风险处理与信息推送。
举例说明，支付平台存在海量数据，每一个数据都可以是检测模型的一个特征，预先训练的风险交易模型可以包括赌博模型，欺诈模型，套现模型，盗用模型等等，这些模型分别用于计算一笔实时交易的赌博模型分、欺诈模型分、套现模型分、盗用模型分等单独的模型分。例如，针对交易号12345678，通过不同模型计算出该笔交易的欺诈98分，赌博23分，套现20分，盗用15分……可以判定这笔交易是一笔赌博交易。
商户产生每一笔实时交易会通过模型进行一次风险判断，之后根据这些交易对这个商户再做综合判断。例如商户A，在一个月内，有1000笔交易，这1000笔交易中，有200笔赌博交易，15笔套现交易，10笔欺诈交易……，则可计算出这个商户A的整体风险率为22.5％，而大盘的风险率一般为0.0001％，那这个商户就是一个高危商户，例如商户B，在一个月内，有100000笔交易，这100000笔交易中，产生了1笔赌博交易，那这个商户B风险率就是0.00001％，低于大盘平均值，则不能因为单笔交易有风险而确定这个商户B有风险。
在确定商户的风险浓度后，可根据该风险浓度和预定的阈值为商户划定风险层级，通过API接口或网页接口进行风险推送，对于服务商来说，该风险信息推送可包括其下各个商户拓展渠道的概况，例如服务商的渠道A本周共计拓展商户10家，其中包括7家虚假商户，便于服务商可对其拓展渠道进行管控.
对于间连商户来说，可联合服务商对商户进行分层管控。举例说明，将风险层级分为三层，对于极高危的商户，支付平台可直接关闭其支付权限，并将结果通知其所述服务商，由服务商将处罚商户的介质信息回传至支付平台，用于后续的准入拦截，实现数据闭环；对于高危商户，可将风险信息推送至其所属服务商，提醒服务商进行处罚，并将处罚结果通知支付平台；对于中危商户，可将该商户加入监控库并通知其所属服务商，当后续商户发生异常时可及时预警。
值得说明的是,根据风险浓度和预定的阈值为商户划定风险层级时,阈值可以是动态值，根据当下整体风险、大促活动等情况可实时调整阈值。
下面继续介绍安全管控***的风险联防心智搭建及安全产品运营方法：
在风险联防心智搭建方面，通常情况下，服务商的相对安全意识都不够全面，技术资源也较为薄弱，无法发挥自身的主动性去进行安全防范，也不会主动与支付平台的数据共享。需要将安全结合业务发展。可为服务商制定不同的附加策略。当服务商的风险表现和数据共享表现符合不同预设条件时，则执行对应的附加策略。
举例说明，当服务商风险率下降到一定阈值，数据回传率提升到一定阈值，我们将为其提供花呗收款额度提升，网商贷小微贷款等支付渠道的权益。为服务商带来利益的同时，对支付平台线下业务增长也有促进作用。引入安全+渠道权益的概念。
在安全产品运营方面，产品露出对于共建安全生态有至关重要的作用，需要为不同客户智能推荐不同的安全产品，才能完善生态体系建设的能力。具体地，可建立产品推荐模型，为不同类别的客户智能推荐产品。
(1)样本采集：历史接入安全管控***的所有客户，为学***台的合作伙伴，均为潜在客户推荐样本。
(2)变量刻画：通过学***台合作伙伴中，将同类客户做出归类。
其中，商户属性：可包括是否为直连/间连、是否为企业大商户、是否存在营销场景、平台产品是否有提现场景、是否有账户体系等；行业属性：可包括是否为共享租赁行业、是否为餐饮行业、是否有企业信贷功能等；交易属性：可包括日均交易体量/金额、虚假交易占比、风险交易占比、赌博买家浓度、作弊买家浓度、舆情风险交易情况等。
(3)模型训练：采用协同过滤算法(item-based collaborative filtering)，及基于规则推荐(rule-based recommentdation)对样本进行训练，并最后通过两个模型结果融合，生存推荐方案。该模型推荐可同步嵌入安全管控***门户，支付平台门户等，当客户登录页面后，即可生成使用与此客户的组合产品推荐。
举例说明：客户A，无拓展商户业务，那产品推荐将仅包含实时风险商户管理；客户B，主营业务即为拓展客户，但并无自助签约，均为小二到店拓展，那入驻体检分中将剔除证照识别、门头照PS审核等功能，进行简便化的入驻校验产品推荐。客户C，拓展商户主要通过自助渠道，那入驻体检分，将包含OCR证照识别，门头照PS识别，商户真实性校验、风险交易等，进行复合版入驻校验产品的推荐。
参考图4，从上文叙述可以看出，安全管控***可分为入驻风险检测模块，实时风险检测模块与风险联防心智搭建模块，分别对应商户的入驻风险检测，商户入驻后的实时风险检测和风险联防心智搭建这三个安全管控阶段，可实现对一个商户从入驻支付平台到退出支付平台全生命周期的安全管控。
举例说明商户A，在入驻平台时，由于商户A的开店历史上有稳定且交易大的交易量，则进而通过检测入驻风险值判定是商户A一个健康优质的商户，于是服务商允许他入驻支付平台，并因为入驻检测结果良好为其免费的机具，红包等。随着时间推移，该商户A被黑产诱导，开始涉及赌博，通过安全管控***日常推送给服务商的风险信息中，服务商发现这个商户已经被支付平台定性为赌博高危商户，于是及时把这个风险商户冻结，终止合约，及时止损，服务商若风险处理的及时，他的风险率较其他服务商都要低的话，安全管控***会提供一些支付平台的权益，例如保险，贷款，花呗收款额度提升等等，进一步激励服务商积极处理风险商户。
本说明书实施例还提供一种计算机设备，其至少包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，处理器执行所述程序时实现前述应用于支付平台的安全管控方法，所述方法至少包括：
所述入驻风险检测模块用于：
在商户提交的入驻信息中提取出校验信息，所述校验信息为预先设定的用于检验商户入驻风险的特定信息；
获取预先训练的入驻检测模型组，所述入驻检测模型组中包括若干不同的入驻检测模型，其中，商户的特征数据被分为若干类别，每个入驻检测模型对应由商户的其中一种类别的特征数据训练而成；
将所述校验信息输入所述入驻检测模型组，获取不同的入驻检测模型输出的商户在不同类别的风险得分；
将所述不同类别的风险得分进行加权计算，将计算结果确定为商户的入驻风险值。
图5示出了本说明书实施例所提供的一种更为具体的计算设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作***和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
本说明书实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述的应用于支付平台的安全管控方法，所述方法至少包括：
所述入驻风险检测模块用于：
在商户提交的入驻信息中提取出校验信息，所述校验信息为预先设定的用于检验商户入驻风险的特定信息；
获取预先训练的入驻检测模型组，所述入驻检测模型组中包括若干不同的入驻检测模型，其中，商户的特征数据被分为若干类别，每个入驻检测模型对应由商户的其中一种类别的特征数据训练而成；
将所述校验信息输入所述入驻检测模型组，获取不同的入驻检测模型输出的商户在不同类别的风险得分；
将所述不同类别的风险得分进行加权计算，将计算结果确定为商户的入驻风险值。
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。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本说明书实施例可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本说明书实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本说明书实施例各个实施例或者实施例的某些部分所述的方法。
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，计算机的具体形式可以是个人计算机、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、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
以上所述仅是本说明书实施例的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本说明书实施例原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本说明书实施例的保护范围。
Claims (15)
1.一种应用于支付平台的安全管控***，所述支付平台中包括多个服务商，与所述服务商的多个下属商户，所述安全管控***至少包括入驻风险检测模块，
所述入驻风险检测模块用于：
在商户提交的入驻信息中提取出校验信息，所述校验信息为预先设定的用于检验商户入驻风险的特定信息；
获取预先训练的入驻检测模型组，所述入驻检测模型组中包括若干不同的入驻检测模型，其中，商户的特征数据被分为若干类别，每个入驻检测模型对应由商户的其中一种类别的特征数据训练而成；
将所述校验信息输入所述入驻检测模型组，获取不同的入驻检测模型输出的商户在不同类别的风险得分；
将所述不同类别的风险得分进行加权计算，将计算结果确定为商户的入驻风险值。
2.如权利要求1所述的安全管控***，将计算结果确定为商户的入驻风险值后，还包括：
将所述入驻风险值推送给所述商户的所属服务商，以使所述服务商利用所述计算结果对所述商户采用对应的进一步审核策略。
3.如权利要求1所述的安全管控***，所述在商户提交的入驻信息中提取出校验信息，包括：
在商户提交的文本形式的商户信息进行文本提取，以获取用户的门店地址信息、行业信息和拓展渠道资质信息；
对商户提交的图片形式的证件信息进行图像识别，将所述证件信息解析为文本形式的经营资质信息和门头照片信息；
将所述文本提取和图像识别得到的信息确定为商户的校验信息。
4.如权利要求1所述的安全管控***，所述将所述校验信息输入所述入驻检测模型组，获取不同的入驻检测模型输出的商户在不同类别的风险得分，包括：
将所述校验信息中的对应信息分别输入预先训练的地址真实性风险计算模型、资质真实性风险计算模型、行业真实性风险计算模型和交易真实性风险模型中，接收所述不同风险模型分别输出的不同类别的风险得分。
5.如权利要求1所述的安全管控***，所述***还包括入驻检测模型组构建模块，
所述入驻检测模型组构建模块用于：
获取黑白样本数据，所述黑样本数据为存在历史风险交易的商户数据，所述白样本数据为不存在历史风险交易的商户数据；
确定商户的若干个特征数据集，每个特征数据集用于表征所述商户其中一种类别的商户特征；
利用所述黑白样本数据，与所述不同特征数据集分别构建入驻检测模型组中的不同入驻检测模型。
6.如权利要求5所述的***，所述入驻检测模型组构建模块，还用于：
接收服务商上传的补充黑白样本数据，所述补充黑白样本数据为服务商根据自身业务场景定义的黑样本商户与白样本商户；
基于迁移学习算法，使用所述补充黑白样本数据训练所述入驻检测模型，以使所述入驻检测模型完成适应所述服务商所在业务场景的迭代。
7.如权利要求1所述的安全管控***，所述***还包括实时风险检测模块，
所述实时风险检测模块用于：
针对入驻商户的任一笔实时交易信息，使用预先训练的风险交易模型为所述交易打分，将计算出的风险分值记录在产生所述交易的商户数据中；
针对任一入驻商户，根据当前时间段内所述商户产生的风险交易笔数，计算出所述商户的当前风险浓度；
根据预定义的层级划分阈值确定所述风险浓度对应的风险层级，根据所述风险层级对应的预定义处理策略，对所述商户及所属服务商进行风险处理与信息推送。
8.一种应用于支付平台的安全管控方法，所述支付平台中包括多个服务商，与所述服务商的多个下属商户，所述安全管控方法包括：
在商户提交的入驻信息中提取出校验信息，所述校验信息为预先设定的用于检验商户入驻风险的特定信息；
获取预先训练的入驻检测模型组，所述入驻检测模型组中包括若干不同的入驻检测模型，其中，商户的特征数据被分为若干类别，每个入驻检测模型对应由商户的其中一种类别的特征数据训练而成；
将所述校验信息输入所述入驻检测模型组，获取不同的入驻检测模型输出的商户在不同类别的风险得分；
将所述不同类别的风险得分进行加权计算，将计算结果确定为商户的入驻风险值。
9.如权利要求8所述的安全管控方法，将计算结果确定为商户的入驻风险值后，还包括：
将所述入驻风险值推送给所述商户的所属服务商，以使所述服务商利用所述计算结果对所述商户采用对应的进一步审核策略。
10.如权利要求8所述的安全管控方法，所述在商户提交的入驻信息中提取出校验信息，包括：
在商户提交的文本形式的商户信息进行文本提取，以获取用户的门店地址信息、行业信息和拓展渠道资质信息；
对商户提交的图片形式的证件信息进行图像识别，将所述证件信息解析为文本形式的经营资质信息和门头照片信息；
将所述文本提取和图像识别得到的信息确定为商户的校验信息。
11.如权利要求8所述的安全管控方法，所述将所述校验信息输入所述入驻检测模型组，获取不同的入驻检测模型输出的商户在不同类别的风险得分，包括：
将所述校验信息中的对应信息分别输入预先训练的地址真实性风险计算模型、资质真实性风险计算模型、行业真实性风险计算模型和交易真实性风险模型中，接收所述不同风险模型分别输出的不同类别的风险得分。
12.如权利要求8所述的安全管控方法，所述方法还包括：
获取黑白样本数据，所述黑样本数据为存在历史风险交易的商户数据，所述白样本数据为不存在历史风险交易的商户数据；
确定商户的若干个特征数据集，每个特征数据集用于表征所述商户其中一种类别的商户特征；
利用所述黑白样本数据，与所述不同特征数据集分别构建入驻检测模型组中的不同入驻检测模型。
13.如权利要求12所述的方法，所述分别构建入驻检测模型组中的不同入驻检测模型后，还包括：
接收服务商上传的补充黑白样本数据，所述补充黑白样本数据为服务商根据自身业务场景定义的黑样本商户与白样本商户；
基于迁移学习算法，使用所述补充黑白样本数据训练所述入驻检测模型，以使所述入驻检测模型完成适应所述服务商所在业务场景的迭代。
14.如权利要求8所述的安全管控方法，所述方法还包括：
针对入驻商户的任一笔实时交易信息，使用预先训练的风险交易模型为所述交易打分，将计算出的风险分值记录在产生所述交易的商户数据中；
针对任一入驻商户，根据当前时间段内所述商户产生的风险交易笔数，计算出所述商户的当前风险浓度；
根据预定义的层级划分阈值确定所述风险浓度对应的风险层级，根据所述风险层级对应的预定义处理策略，对所述商户及其所属服务商分别进行不同程度的风险处理与信息推送。
15.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现如权利要求8所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910309707.3A CN110148000A (zh) | 2019-04-17 | 2019-04-17 | 一种应用于支付平台的安全管控***和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910309707.3A CN110148000A (zh) | 2019-04-17 | 2019-04-17 | 一种应用于支付平台的安全管控***和方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110148000A true CN110148000A (zh) | 2019-08-20 |
Family
ID=67589697
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910309707.3A Pending CN110148000A (zh) | 2019-04-17 | 2019-04-17 | 一种应用于支付平台的安全管控***和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110148000A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110033120A (zh) * | 2019-03-06 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 用于为商户提供风险预测赋能服务的方法及装置 |
| CN110717653A (zh) * | 2019-09-17 | 2020-01-21 | 阿里巴巴集团控股有限公司 | 风险识别方法及装置和电子设备 |
| CN110910041A (zh) * | 2019-12-04 | 2020-03-24 | 支付宝(杭州)信息技术有限公司 | 一种风险管控方法、***、及装置 |
| CN111754245A (zh) * | 2020-06-18 | 2020-10-09 | 支付宝(杭州)信息技术有限公司 | 一种经营场景照认证方法、装置和设备 |
| CN112017059A (zh) * | 2020-07-14 | 2020-12-01 | 北京淇瑀信息科技有限公司 | 一种分级优化的风险控制方法、装置和电子设备 |
| CN112990939A (zh) * | 2020-11-27 | 2021-06-18 | ***股份有限公司 | 用于验证用户数据的方法、装置和计算机可读介质 |
| CN113344376A (zh) * | 2021-06-02 | 2021-09-03 | 南京星云数字技术有限公司 | 商户风险监测方法、装置、计算机设备和存储介质 |
| CN113762966A (zh) * | 2020-06-05 | 2021-12-07 | 网联清算有限公司 | 商户信息核验方法、装置、设备及存储介质 |
| CN113839851A (zh) * | 2020-06-08 | 2021-12-24 | 腾讯科技（深圳）有限公司 | 一种支付配置方法及装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105590261A (zh) * | 2014-12-31 | 2016-05-18 | ***股份有限公司 | 商户风险估算方法及*** |
| CN106815754A (zh) * | 2015-12-02 | 2017-06-09 | 阿里巴巴集团控股有限公司 | 一种风险控制***的计费方法和风控***服务器 |
| WO2017162113A1 (zh) * | 2016-03-25 | 2017-09-28 | 阿里巴巴集团控股有限公司 | 一种风险信息输出、风险信息构建方法及装置 |
| CN107622432A (zh) * | 2017-07-28 | 2018-01-23 | 阿里巴巴集团控股有限公司 | 商户评价方法及*** |
| CN107644375A (zh) * | 2016-07-22 | 2018-01-30 | 花生米浙江数据信息服务股份有限公司 | 一种专家模型与机器学习模型融合的小商户信用评估方法 |
| CN108305012A (zh) * | 2018-02-11 | 2018-07-20 | 深圳市快付通金融网络科技服务有限公司 | 一种风控规则获取方法及装置 |
| CN108932585A (zh) * | 2018-06-19 | 2018-12-04 | 腾讯科技（深圳）有限公司 | 一种商户运营管理方法及其设备、存储介质、电子设备 |
| CN109389457A (zh) * | 2018-08-20 | 2019-02-26 | 深圳壹账通智能科技有限公司 | 申请收款权限的入网方法、装置、设备及可读存储介质 |
| CN110264221A (zh) * | 2019-05-15 | 2019-09-20 | 阿里巴巴集团控股有限公司 | 一种针对服务商行业的全链路安全业务联合解决方案 |
-
2019
- 2019-04-17 CN CN201910309707.3A patent/CN110148000A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105590261A (zh) * | 2014-12-31 | 2016-05-18 | ***股份有限公司 | 商户风险估算方法及*** |
| CN106815754A (zh) * | 2015-12-02 | 2017-06-09 | 阿里巴巴集团控股有限公司 | 一种风险控制***的计费方法和风控***服务器 |
| WO2017162113A1 (zh) * | 2016-03-25 | 2017-09-28 | 阿里巴巴集团控股有限公司 | 一种风险信息输出、风险信息构建方法及装置 |
| CN107644375A (zh) * | 2016-07-22 | 2018-01-30 | 花生米浙江数据信息服务股份有限公司 | 一种专家模型与机器学习模型融合的小商户信用评估方法 |
| CN107622432A (zh) * | 2017-07-28 | 2018-01-23 | 阿里巴巴集团控股有限公司 | 商户评价方法及*** |
| CN108305012A (zh) * | 2018-02-11 | 2018-07-20 | 深圳市快付通金融网络科技服务有限公司 | 一种风控规则获取方法及装置 |
| CN108932585A (zh) * | 2018-06-19 | 2018-12-04 | 腾讯科技（深圳）有限公司 | 一种商户运营管理方法及其设备、存储介质、电子设备 |
| CN109389457A (zh) * | 2018-08-20 | 2019-02-26 | 深圳壹账通智能科技有限公司 | 申请收款权限的入网方法、装置、设备及可读存储介质 |
| CN110264221A (zh) * | 2019-05-15 | 2019-09-20 | 阿里巴巴集团控股有限公司 | 一种针对服务商行业的全链路安全业务联合解决方案 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110033120A (zh) * | 2019-03-06 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 用于为商户提供风险预测赋能服务的方法及装置 |
| CN110717653A (zh) * | 2019-09-17 | 2020-01-21 | 阿里巴巴集团控股有限公司 | 风险识别方法及装置和电子设备 |
| CN110717653B (zh) * | 2019-09-17 | 2023-05-12 | 创新先进技术有限公司 | 风险识别方法及装置和电子设备 |
| CN110910041A (zh) * | 2019-12-04 | 2020-03-24 | 支付宝(杭州)信息技术有限公司 | 一种风险管控方法、***、及装置 |
| WO2021109667A1 (zh) * | 2019-12-04 | 2021-06-10 | 支付宝(杭州)信息技术有限公司 | 一种风险管控方法、***、及装置 |
| CN113762966A (zh) * | 2020-06-05 | 2021-12-07 | 网联清算有限公司 | 商户信息核验方法、装置、设备及存储介质 |
| CN113839851A (zh) * | 2020-06-08 | 2021-12-24 | 腾讯科技（深圳）有限公司 | 一种支付配置方法及装置 |
| CN111754245A (zh) * | 2020-06-18 | 2020-10-09 | 支付宝(杭州)信息技术有限公司 | 一种经营场景照认证方法、装置和设备 |
| CN112017059A (zh) * | 2020-07-14 | 2020-12-01 | 北京淇瑀信息科技有限公司 | 一种分级优化的风险控制方法、装置和电子设备 |
| CN112990939A (zh) * | 2020-11-27 | 2021-06-18 | ***股份有限公司 | 用于验证用户数据的方法、装置和计算机可读介质 |
| CN113344376A (zh) * | 2021-06-02 | 2021-09-03 | 南京星云数字技术有限公司 | 商户风险监测方法、装置、计算机设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110148000A (zh) | 一种应用于支付平台的安全管控***和方法 | |
| Humbani et al. | A cashless society for all: Determining consumers’ readiness to adopt mobile payment services | |
| Christl et al. | Corporate surveillance in everyday life | |
| CN113989019A (zh) | 识别风险的方法、装置、设备及存储介质 | |
| McGurk | Data profiling and insurance law | |
| CN108737138B (zh) | 服务提供方法及服务平台 | |
| CA3169417A1 (en) | Method of and system for appraising risk | |
| FU et al. | Automated theme search in ICO whitepapers | |
| KR20150061541A (ko) | 허위판매 방지 시스템 및 그 제공방법 | |
| KR20200020505A (ko) | 가치선택적 마케팅 시스템 | |
| US10097953B1 (en) | Network based resource management and allocation | |
| CN116976664A (zh) | 一种风险商户预测方法、***、计算机和可读存储介质 | |
| Trouw et al. | The xy oracle network: The proof-of-origin based cryptographic location network | |
| CN115564591A (zh) | 一种融资产品的确定方法及相关设备 | |
| WO2018104581A1 (en) | Methods and systems for arranging cause marketing, sponsorship or fundraising campaigns | |
| Parthasarathy et al. | A framework for managing ethics in data science projects | |
| KR102358156B1 (ko) | 맞춤형 대출 중개 서비스의 제공 방법 | |
| CN113807950A (zh) | 基于自然语言处理模型的业务分析方法及相关装置 | |
| Considine et al. | Social technology: A compendium of short cases | |
| Khan | Islamic banks web-marketing during the Covid-19 crisis. | |
| Dialysa | Synchronize Fintech And The Banking Industry | |
| Cerchiello et al. | ICOs White Papers: identity card or lark mirror? | |
| Ayu | Comparative Analysis of User Satisfaction Levels on Livin By Mandiri and BSI Mobile Applications Using the PIECES Method | |
| CN111327572B (zh) | 账户行为识别方法、设备及存储介质 | |
| Tavallaei et al. | Presenting the conceptual model of evaluating e-banking effect on banks’ performances with the approach of BSC |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200929 Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Applicant after: Innovative advanced technology Co.,Ltd. Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Applicant before: Advanced innovation technology Co.,Ltd. Effective date of registration: 20200929 Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Applicant after: Advanced innovation technology Co.,Ltd. Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands Applicant before: Alibaba Group Holding Ltd. |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190820 |