CN111724250A - 风险传播的确定方法、装置、计算机***及可读存储介质 - Google Patents
风险传播的确定方法、装置、计算机***及可读存储介质 Download PDFInfo
- Publication number
- CN111724250A CN111724250A CN202010611452.9A CN202010611452A CN111724250A CN 111724250 A CN111724250 A CN 111724250A CN 202010611452 A CN202010611452 A CN 202010611452A CN 111724250 A CN111724250 A CN 111724250A
- Authority
- CN
- China
- Prior art keywords
- risk
- target
- propagation
- network
- individual data
- 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 53
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 5
- 238000012502 risk assessment Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 10
- 230000003068 static effect Effects 0.000 abstract description 8
- 238000011156 evaluation Methods 0.000 abstract description 6
- 230000000644 propagated effect Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
Images
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Technology Law (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了动态风险传播确定方法、装置、计算机***及可读存储介质,涉及信息安全技术领域,包括:建立风险网络并获取目标时刻,对所述风险网络进行预处理,获得目标网络;获取预设衰减系数,基于创建时刻和预设衰减系数计算目标时刻下目标网络中各个传播关系对应的风险因子;根据所述风险因子确定目标网络中各个待确定状态个体数据在目标时刻下的风险数据;基于所述风险数据对所述目标网络中各个待确定状态个体数据进行风险状态标记,获取目标结果,解决现有技术存在的现有的静态网络不考虑时间及风险网络结构的结构变化,对风险未知的实体作出的风险评估结果准确性较低的问题。
Description
技术领域
本发明涉及信息安全技术领域,尤其涉及一种风险传播的确定方法、装置、计算机***及可读存储介质。
背景技术
随着互联网的快速发展,伴随而来的是互联网欺诈及信贷风险发生率的上升,为了进行反欺诈和风控,可利用风险传播技术进行欺诈行为的识别和风险传播预测,风险传播是一种应用在图或关系网络上进行风险传播的图计算方法,其主要目的是为了将风险表现从目前已出现的实体上向目前未出现的实体进行传播,以对目前尚未有风险表现的实体进行风险评估和判别预测的一种方法。
目前常用的风险传播方法是基于静态的图或关系网,即风险传播网络中每条传播关系上的风险因子为固定值,即任意时刻下传播的风险一致,但是在实际使用过程中,每条风险传播均会随着时间的推移而发生改变,即被传播的风险是动态变化的,因此现有的静态网络不考虑时间及风险网络结构的结构变化,对风险未知的实体作出的风险评估结果准确性较低。
发明内容
本发明的目的是提供一种风险传播的确定方法、装置、计算机***及可读存储介质,用于解决现有技术存在的现有的静态网络不考虑时间及风险网络结构的结构变化,对风险未知的实体作出的风险评估结果准确性较低的问题。
为实现上述目的,本发明提供一种动态风险传播确定方法,包括:建立风险网络并获取目标时刻,对所述风险网络进行预处理,获得目标网络;
其中,所述风险网络中包括多个个体数据及各个个体数据对应的传播关系,所述传播关系为带有创建时间和初始风险因子的有向关系;
获取预设衰减系数,基于创建时刻和预设衰减系数计算目标时刻下目标网络中各个传播关系对应的风险因子;
根据所述风险因子确定目标网络中各个待确定状态个体数据在目标时刻下的风险数据;
基于所述风险数据对所述目标网络中各个待确定状态个体数据进行风险状态标记,获取目标结果。
进一步的,获所述基于创建时刻和预设衰减系数计算目标时刻下目标网络中各个传播关系对应的风险因子,对于任一所述传播关系,包括以下:
获取所述传播关系上的初始风险因子和创建时刻;
基于预设衰减系数获取风险因子在目标时刻至创建时刻下的衰减量;
基于所述初始风险因子和所述衰减量获得目标时刻下所述传播关系对应的风险因子。
进一步的,所述根据所述风险因子确定目标网络中各个待确定状态个体数据在目标时刻下的风险数据,对于任一所述待确定状态个体数据,包括以下:
基于所述目标网络获取与所述待确定状态个体数据关联的所有风险传播关系;
基于所述风险因子实时计算与所述待确定状态个体数据关联的每一条风险传播关系对应的被传播的风险;
从所述风险数据中筛选获得最大值,即为所述待确定状态个体数据目标时刻对应的风险数据。
还包括将所述目标结果上传至区块链。
进一步的,所述对所述风险网络进行预处理,获得目标网络,包括以下:
基于所述风险网络,获取所述风险网络中的个体数据和各个个体数据对应的传播关系;
基于所述各个个体数据的当前风险状态对各个个体数据进行标记,基于标记后的个体数据及各个个体数据对应的传播关系获得初始网络;
获取目标时刻,并基于所述目标时刻设定时间窗口;
基于所述时间窗口对所述初始网络进行分割,获取目标网络;
在获得目标结果后还包括将所述目标结果上传至区块链。
进一步的,所述基于所述各个个体数据的当前风险状态对各个个体数据进行标记,包括以下:
逐个判断各个个个体数据风险状态是否处于预设周期内;
当判断结果为是,则基于当前风险状态对所述个体数据进行标记;
当判断结果为否,则标记该个体数据为待确定状态的个体数据;
将所有标记为待确定状态的个体数据合并获得待确定状态个体数据集合。
进一步的,基于所述时间窗口对所述初始网络进行分割,获取目标网络,包括以下:
获取初始网络中各个传播关系及各个传播关系对应的时间数据;
移除时间数据不在时间窗口内的传播关系,获得目标网络。
进一步的,在获得目标网络前还包括以下:
在移除时间数据不在时间窗口内的传播关系后,再次移除无传播关系关联的个体数据。
为实现上述目的,本发明还提供一种动态风险传播确定装置,包括:
预处理模块,用于建立风险网络并获取目标时刻,对所述风险网络进行预处理,获得目标网络;
其中,所述风险网络中包括多个个体数据及各个个体数据对应的传播关系,所述传播关系为带有创建时间和初始风险因子的有向关系;
获取模块,用于获取预设衰减系数,基于创建时刻和预设衰减系数计算目标网络中各个传播关系对应的目标时刻对应的风险因子;
计算模块,用于根据所述风险因子确定目标网络中各个待确定状态个体数据在目标时刻下的风险数据;
处理模块,用于对基于所述风险数据对所述目标网络中各个待确定状态个体数据进行风险状态标记,获取目标结果。
为实现上述目的,本发明还提供一种计算机***,其包括多个计算机设备,各计算机设备包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述多个计算机设备的处理器执行所述计算机程序时共同实现上述动态风险传播确定方法的步骤。
为实现上述目的,本发明还提供一种计算机可读存储介质,其包括多个存储介质,各存储介质上存储有计算机程序,所述多个存储介质存储的所述计算机程序被处理器执行时共同实现上述动态风险传播确定方法的步骤。
本发明提供的动态风险传播确定方法、装置、计算机***及可读存储介质,通过建立风险网络并处理获得目标网络后,基于传播关系随时间逐渐减弱的规律,基于时间变化与衰减系数获取目标网络上目标时刻对应的各个实时传播关系上的风险因子,从而实现实时动态风险传播的计算,解决了现有技术存在的静态网络不考虑时间及风险网络结构的结构变化,对风险未知的个体数据作出的风险评估结果准确性较低的问题。
附图说明
图1为本发明所述动态风险传播确定方法实施例一的流程图;
图2为本发明所述动态风险传播确定方法实施例一中对所述风险网络进行预处理,获得目标网络的具体流程图;
图3为本发明所述动态风险传播确定方法实施例一中基于所述各个个体数据的当前风险状态获取待确定状态个体数据集合的具体流程图;
图4为本发明所述动态风险传播确定方法实施例一中基于所述时间窗口对所述初始网络进行分割,获取目标网络的具体流程图;
图5为本发明所述动态风险传播确定方法实施例一中具体实施例用于展示对风险网络进行预处理获得目标网络过程的动态风险状态图;
图6为本发明所述动态风险传播确定方法实施例一中获得任一所述目标时刻下传播关系对应的的风险因子的具体流程图;
图7为本发明所述动态风险传播确定方法实施例一中获得任一所述待确定状态个体数据目标时刻对应的被传播的风险的具体流程图;
图8为本发明所述动态风险传播确定装置实施例二的程序模块示意图;
图9为本发明计算机***实施例三中计算机设备的硬件结构示意图。
附图标记:
61、预处理模块611、采集单元612、判断单元
613、执行单元614、分割单元62、获取模块
63、计算模块64、处理模块
7、计算机设备71、存储器72、处理器
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供的动态风险传播确定方法、装置、计算机***及可读存储介质,涉及信息安全技术领域,采用大数据的数据分析,为提供一种基于预处理模块、获取模块、计算模块、处理模块的动态风险传播确定方法。本发明通过预处理模块建立风险网络并处理获得目标网络,该风险网络中包括多个个体数据及各个个体数据对应的传播关系,所述传播关系为带有创建时间和初始风险因子的有向关系,再获取创建时刻及衰减系数,并结合前述目标网络计算目标网络各个个体数据上将要被传播的风险数据,最后使用处理模块对各个个体数据基于风险数据进行标记,获得最后的目标结果,基于时间变化与衰减系数实时计算目标网络上待确定状态的个体数据在目标时刻被传播的风险,通过上述方式实现对目标网络中的所有个体数据进行风险预测并标记,解决现有技术存在的现有的静态网络不考虑时间及风险网络结构的结构变化,对风险未知的个体作出的风险评估结果准确性较低的问题,实现动态风险预测,提高风险评估结果准确性。
实施例一
请参阅图1,本实施例的一种动态风险传播确定方法,包括以下步骤:
S100:建立风险网络并获取目标时刻,对所述风险网络进行预处理,获得目标网络;
其中,所述风险网络中包括多个个体数据及各个个体数据对应的传播关系,所述传播关系为带有创建时间和初始风险因子的有向关系;
在本申请提供的实施方式中,建立风险网络前可从云端获取各个个体关联的信息,基于各个个体的信息建立风险网络,即确定每个个体与其他个体之间的风险影响关系,本方案所述风险评估方法可用于企业风险、担保、贷款等各个实际风险评估场景下,所述个体数据还可以包括宏观经济数据等。
在上述实施方式中,对所述风险网络进行预处理,获得目标网络,参阅图2,包括以下步骤:
S110:基于所述风险网络,获取所述风险网络中的个体数据和各个个体数据对应的传播关系;
S120:基于所述各个个体数据的当前风险状态对各个个体数据进行标记,基于标记后的个体数据及各个个体数据对应的传播关系获得初始网络;
作为举例而非限定的,在本方案中,所述当前风险状态可以是风险值,风险网络中包括具有确定风险值及未确定风险值的个体,也可以是任意标识风险程度的具象数据。
具体的,基于所述各个个体数据的当前风险状态对各个个体数据进行标记,参阅图3,包括以下:
S121:逐个判断各个个个体数据风险状态是否处于预设周期内;
在上述实施方式中,上述预设周期可定义为表现期,表现期是预设的一段时间,本方案中对表现期时间长度的设置方式没有限制,示例性的,表现期可以是固定期限,例如:三个月、六个月、一年;也可以是按照某种规则得出的期限,例如,某借款在线网络业务规定每个月的1日还款,则表现期可以设置为观察期开始后到第三个月的1日结束;还可以是,根据用户之前的业务数据计算出的时间,即,不同用户的表现期不同。表现期可以从用户注册账号、用户第一次使用在线网络业务、用户每一次使用在线网络业务、用户被授予在线网络业务使用权限中的至少一个时间开始。
S122:若是,则基于当前风险状态对所述个体数据进行标记;
在本方案中,上述标记可以是风险值,也可以是任意标识风险程度的具象或抽象数据,与本方案中后述获得的目标结果过程中保持标记一致即可。
S123:若否,则标记该个体数据为待确定状态的个体数据。
需要说明的是,在实际风控过程中,随着时间的推移,有些个体的风险状态会慢慢表现出来,而那些没有达到表现期的个体就需要进行风险传播,以对其进行事先判别和预测,因此在建立风险网络的过程中,表现出风险状态的个体就以实际风险状态为当前风险状态,未表现出风险状态的个体则标记为待确定状态个体数据,通过表现出实际风险状态的个体对未表现出风险状态的个体风险传播来预测为表现出风险状态的个体的风险状态。
S130:获取目标时刻,并基于所述目标时刻设定时间窗口;
需要特别说明的是,设定时间窗口主要是为了筛选在时间窗口内表现出风险因子的风险传播关系,即符合风险传播计算的风险关系,超出时间窗口的风险传播由于时间较久因此产生的风险传播可以忽略不计。这里需要特别注意的是,时间窗口并非必须过程,但在实际应用中能极大地加快运算效率,因为在时间窗口外的风险因子并不为零,而是一个非常小的正数,但在实际计算中,往往可以忽略,而时间窗口就是为了忽略这种小数对整个风险传播的影响。
具体的,设定时间窗口的原则为:以目标时刻为时间窗口的边界点,具体例如目标时刻为13:00,设定时间窗口长度为1H,则设定时间窗口为12:00-13:00,时间窗口具体的时长可根据实际业务场景设置。
S140:基于所述时间窗口对所述初始网络进行分割,获取目标网络。
具体的,参阅图4,基于所述时间窗口对所述初始网络进行分割,获取目标网络,包括以下步骤:
S141:获取初始网络中各个传播关系及各个传播关系对应的时间数据;
S142:移除时间数据不在时间窗口内的传播关系,获得目标网络。
具体的,由于在移出不在时间窗口内的传播关系后,可能会出现部分个体数据周围的传播关系全被移出的情况,此时该个体数据成为一个孤立的个体数据点,即不会再有风险传播至该个体数据上,此时可以移除该孤立的个体数据。
因此在获得目标网络前还包括以下:
在移除时间数据不在时间窗口内的传播关系后,再次移除无传播关系关联的个体数据。
在上述实施方式中删除超过时间窗口的所有传播关系,并在删除传播关系后的删除孤立的个体数据,可以剔除当前时间下不考虑的传播关系个个体数据,进而可以减少数据量,降低计算复杂度。
作为举例而非限定的,以如图5所示的具体实施例展示上述时间窗口的设置及作用:
预设如图风险网络,其中该风险网络从12:35到13:00之间的变化趋势如图5所示,其中,图(a)为t=12:35的风险状态图;图(b)为t=12:45的风险状态图;图(c)为t=13:00的风险状态图;图(a)-图(b)-图(c)为随着时间变化风险传播情况的变化,部分风险传播关系由于时间变化而消失,A~H分别为该风险网络中的一个个体数据,深色顶点为已经表现出风险状态的个体数据,浅色顶点为未表现出风险状态的个体数据,任意相邻两个个体数据之间的直线代表对应两个个体数据之间的风险传播关系,其中t和w表示t时刻下风险因子为w,具体例如,个体数据A和B之间在t=11:50时的风险因子为0.3;该风险因子对应的时刻可用于后续筛选出符合时间窗口的风险传播关系,设时间窗口长度为1H,则:
12:35~12:45(图(a)-图(b)):顶点A和F,D和H之间的关系超出时间窗口(即在11:35~11:45内),因此在12:45的窗口中消失,顶点F孤立被移除,此时仅有顶点D表现出风险。
12:45~13:00(图(b)-图(c)):顶点A和B,G和H之间的关系超出时间窗口(即在11:45~12:00内),因此在12:45的窗口中消失,顶点H孤立被移除,此时顶点G表现出风险。
通过上述时间窗口的存在,在t=12:45时,剔除个体A和F,D和H之间的传播关系,同时剔除个体F;在在t=12:45时时,剔除个体A和B,G和H之间的传播关系,同时剔除个体H,最终获得的t=12:45、t=12:45相较于原始12:35的风险图个体数据较少,传播关系也较少,减少了数据量,降低了计算复杂度。
在本实时方式中,获取实时动态风险因子前对初始风险网络进行处理,采用设置时间窗口的方式,剔除超出时间窗口的传播关系和孤立个体,进一步减少了数据量,降低了计算复杂度,便于后续对传播风险的获取速度,提高工作效率。
S200:获取预设衰减系数,基于创建时刻和预设衰减系数计算目标时刻下目标网络中各个传播关系对应的风险因子。
具体的,参阅图6,在上述基于创建时刻和预设衰减系数计算目标时刻下目标网络中各个传播关系对应的风险因子过程中,对于任一所述传播关系,均包括以下步骤:
S210:获取所述传播关系上的初始风险因子和创建时刻;
S220:基于预设衰减系数获取风险因子在目标时刻至创建时刻下的衰减量;
S230:基于所述初始风险因子和所述衰减量获得目标时刻下所述传播关系对应的风险因子。
在上述实施方式中,结合下述公式进行更具象的说明,对于每一传播关系,其风险因子的计算方法如下:
其中,tj0为传播关系的创建时间,α为衰减系数,ωjt为传播关系j在时刻t的风险因子,ωj0为传播关系j的初始风险因子。
在上述实施方式中,考虑到进行传播关系上的风险因子会随着时间的推移,呈现不断衰减的趋势,例如个体A在某一时间对个体B产生一定的影响,但随着时间的推移,A对B的影响会越来越弱,即A对B的风险影响会随着时间的推移呈现衰减的趋势,因此基于衰减参数及初始风险因子,通过上述公式获得目标时刻下每条传播关系对应的风险因子。
通过上述方式可以计算目标时刻下的风险因子,以适应实际情况下风险因子动态变化的情况,进而便于后续准确预测目标时刻下的风险状态,提高后续预测结果的准确性。
S300:根据所述风险因子确定目标网络中各个待确定状态个体数据在目标时刻下的风险数据;
具体的,参阅图7,上述确定风险数据,对于任一所述待确定状态个体数据,包括以下步骤:
S310:基于所述目标网络获取与所述待确定状态个体数据关联的所有风险传播关系;
具体的,所有风险传播关系即为该待确定状态个体数据与所有关联的表现出风险的个体数据之间的风险传播关系。
S320:基于所述风险因子实时计算与所述待确定状态个体数据关联的每一条风险传播关系对应的风险数据;
在本方案中,每一个体数据均关联至少一个风险传播关系,计算每一条风险传播关系对应的风险数据有利于提高后续对风险传播结果就散的准确性。
S330:从所述风险数据中筛选获得最大值,即为所述待确定状态个体数据在目标时刻下的风险数据。
结合以下计算方式进行具体阐述:
对于每一待确定状态个体数据nc,其目标时刻对应的被传播的风险为:
其中,K为与待确定状态个体数据体nc关联的已有表现状态的个体个数;ωjt为待确定状态个体数据体和与其关联的已有表现状态的个体之间在时刻t的动态风险因子;rsct为个体nc在目标时刻t的风险状态;rskt为第K个与待确定状态个体数据体nc关联的已有表现状态的个体在目标时刻t的风险状态;
ωjt×rskt为S320所述的与所述待确定状态个体数据关联的第K条风险传播关系对应的被传播的风险。
以S100中的具体风险网络为例(参阅图5),假设计算t=13:00时(图(c))个体E被周围节点的风险传播结果,其中D的风险系数是10,G的风险系数是100,其他未变灰色的节点风险系数均为0,衰减系数为0.05,取对当前顶点传播风险值最大的为当前顶点的传播结果,那么:
在13:00,E从节点A,D,G上被传播的风险分别为:
risk_from_A=0.25×0×e^(-0.05(13:00-12:07))
risk_from_D=0.35×10×e^(-0.05(13:00-12:35))
risk_from_G=0.05×100×e^(-0.05(13:00-12:17))
最终节点E被传播的风险结果为:risk_from_D。
S400:基于所述风险数据对所述目标网络中各个待确定状态个体数据进行风险状态标记,获取目标结果。
在一个优选的实施方式中,在获得目标结果后还包括将所述目标结果上传至区块链,在上述实施过程中对应时刻的风险状态图也可以从区块链中获取,目标结果上传至区块链可保证其安全性和对用户的公正透明性,其他设备可以从区块链中下载得该目标结果,以便查证、是否被篡改,本示例所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式,区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块,区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
在上述方案中,基于步骤S3和S4,可计算出待确定状态个体数据目标时刻对应的被传播的风险(即从传播关系上获得风险数据),基于获得的风险数据对待确定状态个体数据进行标记,综合已被标记的个体数据及已表现出当前风险状态的个体数据记为目标结果,即所有个体数据的风险状态均被标记。
本方案基于传播关系随时间逐渐减弱的规律,基于时间变化与衰减系数实时获取目标网络上目标时刻对应的各个传播关系上的风险因子,再通过对应的风险因子获取待确定状态的个体数据上被传播的风险,通过上述方式实现对未表现状态的个体数据进行风险预测并标记,适用于实际场景下风险因子动态变化,提高对未表现状态的个体数据风险状态结果预测的准确性,以便于提高应用于实际场景,如企业、贷款等风险预测效果。
实施例二:
请参阅图6,本实施例的一种动态风险传播确定装置,包括:
预处理模块61,用于建立风险网络并获取目标时刻,对所述风险网络进行预处理,获得目标网络;
其中,所述风险网络中包括多个个体数据及各个个体数据对应的传播关系,所述传播关系为带有创建时间和初始风险因子的有向关系;
优选的,所述预处理模块61中还包括:
采集单元611,用于基于所述风险网络,获取所述风险网络中的个体数据和各个个体数据对应的传播关系;
判断单元612,用于基于所述各个个体数据的当前风险状态对各个个体数据进行标记,基于标记后的个体数据及各个个体数据对应的传播关系获得初始网络;
执行单元613,用于获取目标时刻,并基于所述目标时刻设定时间窗口;
分割单元614,用于基于所述时间窗口对所述初始网络进行分割,获取目标网络。
获取模块62,用于获取预设衰减系数,基于创建时刻和预设衰减系数计算目标时刻下目标网络中各个传播关系对应的的风险因子;
计算模块63,用于根据所述风险因子确定目标网络中各个待确定状态个体数据在目标时刻下的风险数据;
处理模块64,用于对基于所述风险数据对所述目标网络中各个待确定状态个体数据进行风险状态标记,获取目标结果。
本技术方案涉及信息安全技术领域,基于大数据的数据分析,采用预处理模块先建立风险网络,并通过采集风险网络中各个个体数据当前的风险进行初步标记及待确定状态个体数据的获取,采用分割单元进行处理获得目标网络,再通过获取模块获取衰减系数并确定目标时刻下风险因子,基于风险因子计算目标时刻对应的被传播的风险(即风险数据),最后通过处理模块对各个个体数据进行风险传播(即将风险数据从传播关系上转移至个体数据上),最终获得目标结果,本技术方案中通过时间变化及衰减系数计算实时变化的风险因子,进而获取目标时刻为表现状态的个体上被传播的风险来进行提高后续应用于实际场景下风险预测结果的准确性。
上述方案中还在利用分割单元对风险网络进行分割时,通过设置时间窗口的方式,剔除超出时间窗口的传播关系和孤立个体,进一步减少了数据量,降低了计算复杂度,提高工作效率。
实施例三:
为实现上述目的,本发明还提供一种计算机***,该计算机***包括多个计算机设备7,实施例二的动态风险传播确定装置的组成部分可分散于不同的计算机设备中,计算机设备可以是执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器,或者多个服务器所组成的服务器集群)等。本实施例的计算机设备至少包括但不限于:可通过***总线相互通信连接的存储71、处理器72,如图7所示。需要指出的是,图7仅示出了具有组件-的计算机设备,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
本实施例中,存储器71(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,存储器71可以是计算机设备的内部存储单元,例如该计算机设备的硬盘或内存。在另一些实施例中,存储器71也可以是计算机设备的外部存储设备,例如该计算机设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,存储器71还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中,存储器71通常用于存储安装于计算机设备的操作***和各类应用软件,例如实施例一的动态风险传播确定方法的程序代码等。此外,存储器51还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器72在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器72通常用于控制计算机设备的总体操作。本实施例中,处理器72用于运行存储器71中存储的程序代码或者处理数据,例如运行动态风险传播确定装置,以实现实施例一的动态风险传播确定方法。
实施例四
为实现上述目的,本发明还提供一种计算机可读存储***,其包括多个存储介质,如闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等,其上存储有计算机程序,程序被处理器62执行时实现相应功能。本实施例的计算机可读存储介质用于存储动态风险传播确定装置,被处理器62执行时实现实施例一的动态风险传播确定方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种动态风险传播确定方法,其特征在于,包括:
建立风险网络并获取目标时刻,对所述风险网络进行预处理,获得目标网络;
其中,所述风险网络中包括多个个体数据及各个个体数据对应的传播关系,所述传播关系为带有创建时间和初始风险因子的有向关系;
获取预设衰减系数,基于创建时刻和预设衰减系数计算目标时刻下目标网络中各个传播关系对应的风险因子;
根据所述风险因子确定目标网络中各个待确定状态个体数据在目标时刻下的风险数据;
基于所述风险数据对所述目标网络中各个待确定状态个体数据进行风险状态标记,获取目标结果。
2.根据权利要求1所述的动态风险传播确定方法,其特征在于,所述基于创建时刻和预设衰减系数计算目标时刻下目标网络中各个传播关系对应的风险因子,对于任一所述传播关系,包括以下:
获取所述传播关系上的初始风险因子和创建时刻;
基于预设衰减系数获取风险因子在目标时刻至创建时刻下的衰减量;
基于所述初始风险因子和所述衰减量获得目标时刻下所述传播关系对应的风险因子。
3.根据权利要求1所述的动态风险传播确定方法,其特征在于,所述根据所述风险因子确定目标网络中各个待确定状态个体数据在目标时刻下的风险数据,对于任一所述待确定状态个体数据,包括以下:
基于所述目标网络获取与所述待确定状态个体数据关联的所有风险传播关系;
基于所述风险因子实时计算与所述待确定状态个体数据关联的每一条风险传播关系对应的风险数据;
从所述风险数据中筛选获得最大值,即为所述个体数据在目标时刻下的风险数据;
还包括将所述目标结果上传至区块链。
4.根据权利要求1所述的动态风险传播确定方法,其特征在于,所述对所述风险网络进行预处理,获得目标网络,包括以下:
基于所述风险网络,获取所述风险网络中的个体数据和各个个体数据对应的传播关系;
基于所述各个个体数据的当前风险状态对各个个体数据进行标记,基于标记后的个体数据及各个个体数据对应的传播关系获得初始网络;
获取目标时刻,并基于所述目标时刻设定时间窗口;
基于所述时间窗口对所述初始网络进行分割,获取目标网络。
5.根据权利要求4所述的动态风险传播确定方法,其特征在于,所述基于所述各个个体数据的当前风险状态对各个个体数据进行标记,包括以下:
逐个判断各个个体数据是否处于预设周期内;
当判断结果为是,则基于当前风险状态对所述个体数据进行标记;
当判断结果为否,则标记该个体数据为待确定状态的个体数据。
6.根据权利要求4所述的动态风险传播确定方法,其特征在于,基于所述时间窗口对所述初始网络进行分割,获取目标网络,包括以下:
获取初始网络中各个传播关系及各个传播关系对应的时间数据;
移除时间数据不在时间窗口内的传播关系,获得目标网络。
7.根据权利要求6所述的动态风险传播确定方法,其特征在于,在获得目标网络前还包括以下:
在移除时间数据不在时间窗口内的传播关系后,再次移除无传播关系关联的个体数据。
8.一种动态风险传播确定装置,其特征在于,包括:
预处理模块,用于建立风险网络并获取目标时刻,对所述风险网络进行预处理,获得目标网络;
其中,所述风险网络中包括多个个体数据及各个个体数据对应的传播关系,所述传播关系为带有创建时间和初始风险因子的有向关系;
获取模块,用于获取预设衰减系数,基于创建时刻和预设衰减系数计算目标网络中各个传播关系对应的目标时刻对应的风险因子;
计算模块,用于根据所述风险因子确定目标网络中各个待确定状态个体数据在目标时刻下的风险数据;
处理模块,用于基于所述风险数据对所述目标网络中各个待确定状态个体数据进行风险状态标记,获取目标结果。
9.一种计算机***,其包括多个计算机设备,各计算机设备包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述多个计算机设备的处理器执行所述计算机程序时共同实现权利要求1至7任一项所述动态风险传播确定方法的步骤。
10.一种计算机可读存储介质,其包括多个存储介质,各存储介质上存储有计算机程序,其特征在于,所述多个存储介质存储的所述计算机程序被处理器执行时共同实现权利要求1至7任一项所述动态风险传播确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010611452.9A CN111724250A (zh) | 2020-06-29 | 2020-06-29 | 风险传播的确定方法、装置、计算机***及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010611452.9A CN111724250A (zh) | 2020-06-29 | 2020-06-29 | 风险传播的确定方法、装置、计算机***及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111724250A true CN111724250A (zh) | 2020-09-29 |
Family
ID=72571999
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010611452.9A Pending CN111724250A (zh) | 2020-06-29 | 2020-06-29 | 风险传播的确定方法、装置、计算机***及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111724250A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105556552A (zh) * | 2013-03-13 | 2016-05-04 | 加迪安分析有限公司 | 欺诈探测和分析 |
CN106411904A (zh) * | 2016-10-10 | 2017-02-15 | 华侨大学 | 一种基于微观状态预测的网络风险控制方法 |
CN107239882A (zh) * | 2017-05-10 | 2017-10-10 | 平安科技(深圳)有限公司 | 风险评估方法、装置、计算机设备及存储介质 |
CN109559192A (zh) * | 2018-10-25 | 2019-04-02 | 深圳壹账通智能科技有限公司 | 基于关联图谱的风险检测方法、装置、设备及存储介质 |
CN109583620A (zh) * | 2018-10-11 | 2019-04-05 | 平安科技(深圳)有限公司 | 企业潜在风险预警方法、装置、计算机设备和存储介质 |
US20190188616A1 (en) * | 2015-10-23 | 2019-06-20 | Kpmg Llp | Risk simulation and assessment tool |
CN110349289A (zh) * | 2019-06-21 | 2019-10-18 | 东软集团股份有限公司 | 故障预测方法、装置、存储介质和电子设备 |
CN110852584A (zh) * | 2019-10-30 | 2020-02-28 | 北京航空航天大学 | 一种基于复杂网络分析的风险识别方法 |
-
2020
- 2020-06-29 CN CN202010611452.9A patent/CN111724250A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105556552A (zh) * | 2013-03-13 | 2016-05-04 | 加迪安分析有限公司 | 欺诈探测和分析 |
US20190188616A1 (en) * | 2015-10-23 | 2019-06-20 | Kpmg Llp | Risk simulation and assessment tool |
CN106411904A (zh) * | 2016-10-10 | 2017-02-15 | 华侨大学 | 一种基于微观状态预测的网络风险控制方法 |
CN107239882A (zh) * | 2017-05-10 | 2017-10-10 | 平安科技(深圳)有限公司 | 风险评估方法、装置、计算机设备及存储介质 |
CN109583620A (zh) * | 2018-10-11 | 2019-04-05 | 平安科技(深圳)有限公司 | 企业潜在风险预警方法、装置、计算机设备和存储介质 |
CN109559192A (zh) * | 2018-10-25 | 2019-04-02 | 深圳壹账通智能科技有限公司 | 基于关联图谱的风险检测方法、装置、设备及存储介质 |
CN110349289A (zh) * | 2019-06-21 | 2019-10-18 | 东软集团股份有限公司 | 故障预测方法、装置、存储介质和电子设备 |
CN110852584A (zh) * | 2019-10-30 | 2020-02-28 | 北京航空航天大学 | 一种基于复杂网络分析的风险识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112150014B (zh) | 一种企业风险预警方法、装置、设备及可读存储介质 | |
US20170364825A1 (en) | Adaptive augmented decision engine | |
CN112184012B (zh) | 一种企业风险预警方法、装置、设备及可读存储介质 | |
CN107729560A (zh) | 基于大数据的用户画像构造方法、装置及计算设备 | |
CN111681091A (zh) | 基于时间域信息的金融风险预测方法、装置及存储介质 | |
CN111860865B (zh) | 模型构建和分析的方法、装置、电子设备和介质 | |
CN111401700A (zh) | 一种数据分析方法、装置、计算机***及可读存储介质 | |
CN109447791B (zh) | 一种基于区块链的资金交易方法及装置 | |
CN110889725B (zh) | 在线广告ctr预估方法、装置、设备及存储介质 | |
CN112785157A (zh) | 风险识别***的更新方法及装置、风险识别方法及装置 | |
CN112668575B (zh) | 关键信息提取方法、装置、电子设备及存储介质 | |
CN111738474A (zh) | 交通状态预测方法和装置 | |
CN113177851B (zh) | 线上保险交易的存证方法、装置、电子设备及存储介质 | |
CN116432040B (zh) | 基于联邦学习的模型训练方法、装置、介质以及电子设备 | |
WO2019095569A1 (zh) | 基于微博财经事件的金融分析方法、应用服务器及计算机可读存储介质 | |
CN111724250A (zh) | 风险传播的确定方法、装置、计算机***及可读存储介质 | |
CN109636627B (zh) | 基于区块链的保险产品管理方法、装置、介质及电子设备 | |
CN114565470A (zh) | 基于人工智能的金融产品推荐方法、及其相关设备 | |
CN113052509A (zh) | 模型评估方法、模型评估装置、电子设备和存储介质 | |
CN114298321A (zh) | 联合建模方法、装置、电子设备及存储介质 | |
CN113656586A (zh) | 情感分类方法、装置、电子设备及可读存储介质 | |
CN113537806A (zh) | 异常用户识别方法、装置、电子设备及可读存储介质 | |
CN112132693A (zh) | 交易验证方法、装置、计算机设备与计算机可读存储介质 | |
CN113742564A (zh) | 目标资源的推送方法和装置 | |
CN113657910B (zh) | 实名认证方法、装置、电子设备及可读存储介质 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200929 |