CN111951012A - 风险报文识别方法及*** - Google Patents
风险报文识别方法及*** Download PDFInfo
- Publication number
- CN111951012A CN111951012A CN202010760061.3A CN202010760061A CN111951012A CN 111951012 A CN111951012 A CN 111951012A CN 202010760061 A CN202010760061 A CN 202010760061A CN 111951012 A CN111951012 A CN 111951012A
- Authority
- CN
- China
- Prior art keywords
- risk
- message
- model
- initial
- message risk
- 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
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
- 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
-
- 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
- G06Q20/08—Payment architectures
- G06Q20/10—Payment architectures specially adapted for electronic funds transfer [EFT] systems; specially adapted for home banking systems
- G06Q20/102—Bill distribution or payments
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
- H04L69/22—Parsing or analysis of headers
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Engineering & Computer Science (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Computer Security & Cryptography (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种风险报文识别方法及***,属于信息安全技术领域。该风险报文识别方法包括:接收当前报文;将当前报文的特征值输入通过初始报文风险上线模型的评价结果和报文风险离线模型的评价结果确定的报文风险上线模型中,得到报文风险识别结果;根据报文风险识别结果提交预警报告。本发明可以有效识别风险汇款报文,提高银行的处理效率和客户体验。
Description
技术领域
本发明涉及信息安全技术领域,具体地,涉及一种风险报文识别方法及***。
背景技术
随着清算银行的清算业务水涨船高,为减少人工操作风险,提高银行处理效率,各家银行基本都实现了符合自动处理功能。自动化水平提,确实减轻了很多分行的负担,但是相应的,由于跳过了人工判断的环节,有些“不符合常规”的但是汇路却是直通的报文也会被自动放行,存在一定的业务风险。2016年,孟加拉国央行被曝出被盗窃8100万美元,从报道分析,报文从孟加拉国央行发起,到达美国纽约联邦储备银行,最终汇款行指向了菲律宾,在资金抵达之后由黑客最终实现了资金转移;由案例可以看出,只放任汇路的合理性,而不仔细核实汇款报文的“合理性”隐藏着很高的业务风险;即使采用降低自动处理率,提高人工核实操作的方式,其效果也依赖于操作人员的业务水平,一方面实际效果不佳,另一方面降低了银行的处理效率,客户体验大打折扣;由此,如何在保持银行处理效率的基础上,可以有效的识别汇款报文的风险,不仅是一个业务问题,更是一个技术问题。
发明内容
本发明实施例的主要目的在于提供一种风险报文识别方法及***,以有效识别风险汇款报文,提高银行的处理效率和客户体验。
为了实现上述目的,本发明实施例提供一种风险报文识别方法,包括:
接收当前报文;
将当前报文的特征值输入通过初始报文风险上线模型的评价结果和报文风险离线模型的评价结果确定的报文风险上线模型中,得到报文风险识别结果;
根据报文风险识别结果提交预警报告。
本发明实施例还提供一种风险报文识别***,包括:
接收单元,用于接收当前报文;
报文风险识别结果单元,用于将当前报文的特征值输入通过初始报文风险上线模型的评价结果和报文风险离线模型的评价结果确定的报文风险上线模型中,得到报文风险识别结果;
预警报告单元,用于根据报文风险识别结果提交预警报告。
本发明实施例还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在处理器上运行的计算机程序,处理器执行计算机程序时实现所述的风险报文识别方法的步骤。
本发明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,计算机程序被处理器执行时实现所述的风险报文识别方法的步骤。
本发明实施例的风险报文识别方法及***将当前报文的特征值输入通过初始报文风险上线模型的评价结果和报文风险离线模型的评价结果确定的报文风险上线模型中,得到报文风险识别结果,并根据报文风险识别结果提交预警报告,可以有效识别风险汇款报文,提高银行的处理效率和客户体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例中风险报文识别方法的流程图;
图2是本发明实施例中确定报文风险上线模型的示意图;
图3是本发明实施例中确定初始报文风险上线模型的评价结果的流程图;
图4是本发明实施例中确定报文风险离线模型的评价结果的流程图;
图5是本发明另一实施例中风险报文识别方法的流程图;
图6是本发明实施例中风险报文识别***的结构框图;
图7是本发明另一实施例中风险报文识别***的结构框图;
图8是本发明实施例中数据收集装置的结构框图;
图9是本发明实施例中模型学习装置的结构框图;
图10是本发明实施例中模型管理装置的结构框图;
图11是本发明实施例中计算机设备的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。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。
本领域技术人员知道,本发明的实施方式可以实现为一种***、装置、设备、方法或计算机程序产品。因此,本公开可以具体实现为以下形式,即:完全的硬件、完全的软件(包括固件、驻留软件、微代码等),或者硬件和软件结合的形式。
鉴于现有技术无法在保持银行处理效率的同时有效识别汇款报文的风险,本发明实施例提供一种风险报文识别方法,以有效识别风险汇款报文,提高银行的处理效率和客户体验。以下结合附图对本发明进行详细说明。
图1是本发明实施例中风险报文识别方法的流程图。图5是本发明另一实施例中风险报文识别方法的流程图。如图1和图5所示,风险报文识别方法包括:
S101:接收当前报文。
具体实施时,可以从清算***获取当前报文。
S102:将当前报文的特征值输入通过初始报文风险上线模型的评价结果和报文风险离线模型的评价结果确定的报文风险上线模型中,得到报文风险识别结果。
其中,可以对当前报文进行预处理提取出当前报文的特征值,用以隔绝报文格式变动对报文风险上线模型的影响。只有当当前报文的报文金额超过预设的大额金额阈值时,才对该当前报文进行风险评估,将其特征值输入报文风险上线模型中,得到报文风险识别结果。按照一般的业务规律,特定来报行的大额报文一般局限于某些国家,跟来报行的业务拓展范围有关系。
S103:根据报文风险识别结果提交预警报告。
其中,当报文风险识别结果为风险报文时,可以提交预警报告至清算***。当报文风险识别结果为非风险报文时,可以推送该报文的安全信息至清算***。
图1所示的风险报文识别方法的执行主体可以为计算机。由图1所示的流程可知,本发明实施例的风险报文识别方法将当前报文的特征值输入通过初始报文风险上线模型的评价结果和报文风险离线模型的评价结果确定的报文风险上线模型中,得到报文风险识别结果,并根据报文风险识别结果提交预警报告,可以有效识别风险汇款报文,提高银行的处理效率和客户体验。
一实施例中,报文风险模型是根据清算***推送过来的已闭环的历史清算报文训练得到的。初始报文风险上线模型为评价当前位于线上正在使用的报文风险模型,报文风险离线模型为在线下未使用的报文风险模型。
具体实施时,先根据预设的业务规则在历史清算报文上标注汇款风险报文和非汇款风险报文,然后对历史清算报文进行预处理,提取出历史清算报文的特征值,根据历史清算报文的特征值训练初始模型得到报文风险模型。未上线的报文风险模型为报文风险离线模型,上线的报文风险模型为初始报文风险上线模型。训练模型的频率为一般为一星期一次,但当初始报文风险上线模型的评价结果和报文风险离线模型的评价结果均小于预设评价结果阈值时,当天会重新根据新的历史清算报文的特征值训练初始模型,得到新的报文风险模型。历史清算报文为一年内的清算报文。例如,模型的训练时间为2020年5月1日,则用于训练该模型的历史清算报文为2019年5月1日至2020年4月30日的清算报文。表1是本发明实施例中的特征值表。如表1所示,特征值可以包括代理来报行、币种和汇入地等。
表1
字段描述 | 说明 |
代理来报行 | 存储报文的来报行信息 |
币种 | 存储报文的币种信息 |
汇入地 | 存储报文的最终汇入地 |
图2是本发明实施例中确定报文风险上线模型的示意图。如图2所示,通过初始报文风险上线模型的评价结果和报文风险离线模型的评价结果确定报文风险上线模型的步骤包括:
S201:将同一评价周期的初始报文风险上线模型的评价结果和报文风险离线模型的评价结果进行比对。
图3是本发明实施例中确定初始报文风险上线模型的评价结果的流程图。如图3所示,确定初始报文风险上线模型的评价结果的步骤包括:
S301:根据初始报文风险上线模型上线后的报文风险识别结果和报文风险实际结果确定初始报文风险上线模型的准确率和召回率。
表2
表2是报文风险实际结果与识别结果表,属于混淆矩阵。如表2所示,设初始报文风险上线模型上线后,报文风险实际结果和报文风险识别结果均为风险报文的数量为TP;报文风险实际结果为风险报文,报文风险识别结果为非风险报文的数量为PN;报文风险实际结果为非风险报文,报文风险识别结果为风险报文的数量为FP;报文风险实际结果和报文风险识别结果均为非风险报文的数量为TN。则初始报文风险上线模型的准确率初始报文风险上线模型的召回率
S302:根据初始报文风险上线模型的准确率和召回率确定初始报文风险上线模型的评价结果。
一实施例中,可以通过如下公式确定初始报文风险上线模型的评价结果:
其中,F1为初始报文风险上线模型的评价结果。
图4是本发明实施例中确定报文风险离线模型的评价结果的流程图。如图4所示,确定报文风险离线模型的评价结果的步骤包括:
S401:从历史报文的特征值中选择报文风险离线模型的测试集。
具体实施时,可以将最近一年的清算报文的特征值随机划分成十个大小相似的互斥子集,选择其中一个子集作为报文风险离线模型的测试集。
S402:根据测试集确定报文风险离线模型的初始准确率和初始召回率。
表3
表3是测试集实际结果与测试结果表,属于混淆矩阵。如表3所示,测试集测试结果为将特征值输入报文风险离线模型的输出结果。设测试集实际结果和测试集测试结果均为风险报文的数量为TP1;测试集实际结果为风险报文,测试集测试结果为非风险报文的数量为PN1;测试集实际结果为非风险报文,测试集测试结果为风险报文的数量为FP1;测试集实际结果和测试集测试结果均为非风险报文的数量为TN1。则报文风险离线模型的初始准确率报文风险离线模型的初始召回率
S403:根据初始准确率和预设数量的评价周期中的历史准确率确定报文风险离线模型的准确率。
一实施例中,报文风险离线模型的准确率P’为初始准确率P1和预设数量的评价周期中的历史准确率的平均值。例如,共有五个评价周期(一般一天为一个评价周期),在每个评价周期均会计算离线模型和当前位于线上正在使用的报文风险上线模型(初始报文风险上线模型)的准确率和召回率,报文风险离线模型在第一个评价周期的准确率为第一个评价周期的初始准确率,在第二个评价周期的准确率为第一个评价周期的准确率与第二个评价周期的初始准确率的平均值,在第三个评价周期的准确率为第一个评价周期的准确率、第二个评价周期的准确率与第三个评价周期的初始准确率的平均值,在第四个评价周期的准确率为第一个评价周期的准确率、第二个评价周期的准确率、第三个评价周期的准确率与第四个评价周期的初始准确率的平均值,在第五个评价周期的准确率为第一个评价周期的准确率、第二个评价周期的准确率、第三个评价周期的准确率、第四个评价周期的准确率与第五个评价周期的初始准确率的平均值。
S404:根据初始召回率和预设数量的评价周期中的历史召回率确定报文风险离线模型的召回率。
一实施例中,报文风险离线模型的召回率R’为初始召回率R1和预设数量的评价周期中的历史召回率的平均值。例如,共有五个评价周期,报文风险离线模型在第一个评价周期的召回率为第一个评价周期的初始召回率,在第二个评价周期的召回率为第一个评价周期的召回率与第二个评价周期的初始召回率的平均值,在第三个评价周期的召回率为第一个评价周期的召回率、第二个评价周期的召回率与第三个评价周期的初始召回率的平均值,在第四个评价周期的召回率为第一个评价周期的召回率、第二个评价周期的召回率、第三个评价周期的召回率与第四个评价周期的初始召回率的平均值,在第五个评价周期的召回率为第一个评价周期的召回率、第二个评价周期的召回率、第三个评价周期的召回率、第四个评价周期的召回率与第五个评价周期的初始召回率的平均值。
S405:根据报文风险离线模型的准确率和召回率确定报文风险离线模型的评价结果。
一实施例中,可以通过如下公式确定同一评价周期中报文风险离线模型的评价结果:
其中,F2为报文风险离线模型的评价结果,P’为同一评价周期中报文风险离线模型的准确率,R’为同一评价周期中报文风险离线模型的召回率。
S202:判断预设数量的评价周期中报文风险离线模型的评价结果优于初始报文风险上线模型的评价结果的次数是否大于预设次数。
S203:当预设数量的评价周期中报文风险离线模型的评价结果优于初始报文风险上线模型的评价结果的次数大于预设次数时,确定该报文风险离线模型为报文风险上线模型。
例如,共有五个评价周期,报文风险离线模型的评价结果F2大于初始报文风险上线模型的评价结果F1的次数大于三次,则令初始报文风险上线模型下线,令报文风险离线模型上线成为报文风险上线模型。报文风险离线模型的数量可以为多个,当有多个报文风险离线模型均符合上线要求(其评价结果大于初始报文风险上线模型的评价结果的次数大于三次)时,确定F2的最大值对应的报文风险离线模型作为报文风险上线模型。如果报文风险离线模型在三十个评价周期内都没有上线,则将该报文风险离线模型作废。
S204:当预设数量的评价周期中报文风险离线模型的评价结果优于初始报文风险上线模型的评价结果的次数小于或等于预设次数时,确定该初始报文风险上线模型为报文风险上线模型。
例如,共有五个评价周期,报文风险离线模型的评价结果F2大于初始报文风险上线模型的评价结果F1的次数小于或等于三次,则初始报文风险上线模型作为报文风险上线模型继续上线进行应用。
本发明实施例的具体流程如下:
1、根据预设的业务规则在历史清算报文上标注汇款风险报文和非汇款风险报文。
2、对历史清算报文进行预处理,提取出历史清算报文的特征值,根据历史清算报文的特征值训练初始模型得到报文风险模型。未上线的报文风险模型为报文风险离线模型,上线的报文风险模型为初始报文风险上线模型。
3、根据初始报文风险上线模型上线后的报文风险识别结果和报文风险实际结果确定初始报文风险上线模型的准确率和召回率。根据初始报文风险上线模型的准确率和召回率确定初始报文风险上线模型的评价结果。
4、从历史报文的特征值中选择报文风险离线模型的测试集,根据测试集确定报文风险离线模型的初始准确率和初始召回率。
5、根据初始准确率和预设数量的评价周期中的历史准确率确定报文风险离线模型的准确率,根据初始召回率和预设数量的评价周期中的历史召回率确定报文风险离线模型的召回率。
6、根据报文风险离线模型的准确率和召回率确定报文风险离线模型的评价结果
7、判断预设数量的评价周期中报文风险离线模型的评价结果优于初始报文风险上线模型的评价结果的次数是否大于预设次数。当预设数量的评价周期中报文风险离线模型的评价结果优于初始报文风险上线模型的评价结果的次数大于预设次数时,确定该报文风险离线模型为报文风险上线模型,否则确定该初始报文风险上线模型为报文风险上线模型。
8、将当前报文的特征值输入报文风险上线模型中,得到报文风险识别结果。
9、根据报文风险识别结果提交预警报告。
综上,为解决风险报文识别困难的问题,本发明实施例的风险报文识别方法将当前报文的特征值输入通过初始报文风险上线模型的评价结果和报文风险离线模型的评价结果确定的报文风险上线模型中,得到报文风险识别结果,并根据报文风险识别结果提交预警报告,可以有效识别风险汇款报文,降低汇款报文风险,提高清算代理服务水平、银行的处理效率和客户体验。
另外,本发明与清算***的报文处理是并行的,对清算***功能代码的入侵性小、实现了功能解耦,避免识别风险报文造成银行业务处理效率降低;同时提供容错机制,用报文风险离线模型替换评价结果达不到要求的报文风险上线模型。
基于同一发明构思,本发明实施例还提供了一种风险报文识别***,由于该***解决问题的原理与风险报文识别方法相似,因此该***的实施可以参见方法的实施,重复之处不再赘述。
图6是本发明实施例中风险报文识别***的结构框图。图7是本发明另一实施例中风险报文识别***的结构框图。如图6-图7所示,风险报文识别***包括:
接收单元,用于接收当前报文;
报文风险识别结果单元,用于将当前报文的特征值输入通过初始报文风险上线模型的评价结果和报文风险离线模型的评价结果确定的报文风险上线模型中,得到报文风险识别结果;
预警报告单元,用于根据报文风险识别结果提交预警报告。
在其中一种实施例中,还包括:
报文风险上线模型确定单元,用于:
将同一评价周期的初始报文风险上线模型的评价结果和报文风险离线模型的评价结果进行比对;
当预设数量的评价周期中报文风险离线模型的评价结果优于初始报文风险上线模型的评价结果的次数大于预设次数时,确定该报文风险离线模型为所述报文风险上线模型,将该初始报文风险上线模型改为报文风险离线模型,否则确定该初始报文风险上线模型为所述报文风险上线模型。
在其中一种实施例中,还包括:
初始上线模型评价单元,用于根据初始报文风险上线模型上线后的报文风险识别结果和报文风险实际结果确定初始报文风险上线模型的准确率和召回率;
初始上线模型评价结果单元,用于根据初始报文风险上线模型的准确率和召回率确定初始报文风险上线模型的评价结果。
在其中一种实施例中,还包括:
测试集选择单元,用于从历史报文的特征值中选择报文风险离线模型的测试集;
初始离线模型评价单元,用于根据测试集确定报文风险离线模型的初始准确率和初始召回率;
离线模型准确率单元,用于根据初始准确率和预设数量的评价周期中的历史准确率确定报文风险离线模型的准确率;
离线模型召回率单元,用于根据初始召回率和预设数量的评价周期中的历史召回率确定报文风险离线模型的召回率;
离线模型评价结果单元,用于根据报文风险离线模型的准确率和召回率确定报文风险离线模型的评价结果。
如图7所示,在实际应用中,风险报文识别***包括数据收集装置、模型学习装置、模型存储装置、模型管理装置、报文解析装置、智能风险识别装置和预警装置。图8是本发明实施例中数据收集装置的结构框图。图9是本发明实施例中模型学习装置的结构框图。图10是本发明实施例中模型管理装置的结构框图。
如图7-图10所示,数据收集装置包括历史报文数据收集单元、特征选择单元和数据整理单元。历史报文数据收集单元用于接收清算***推送过来的已闭环的历史清算报文,根据预设的业务规则在历史清算报文上标注汇款风险报文和非汇款风险报文。特征选择单元是维护特征选择规则的单元,用于设定特征值。数据整理单元用于根据设定的特征值对历史清算报文进行预处理,提取出历史清算报文的特征值。
模型学习装置包括标记数据获取单元和模型训练单元。标记数据获取单元用于接收来自数据收集装置的历史清算报文的特征值。模型训练单元用于根据历史清算报文的特征值训练初始模型得到报文风险模型。
模型存储装置用于存储训练得到的多个报文风险模型。
模型管理装置包括模型评价查询单元和模型生命周期调整单元。其中,模型评价查询单元包括报初始上线模型评价单元、初始上线模型评价结果单元、测试集选择单元、初始离线模型评价单元、离线模型准确率单元、离线模型召回率单元和离线模型评价结果单元。模型生命周期调整单元包括报文风险上线模型确定单元,
报文解析装置包括接收单元,用以订阅并获取清算***推送过来的实时报文并进行报文内容解析。报文解析装置和历史报文数据收集单元不同,历史报文数据收集单元获取的是清算***已经闭环的数据,用以训练模型,而报文解析装置获取的是实时数据,用以提供给后续的智能风险识别装置进行实时的报文风险评估。
智能风险识别装置包括报文风险识别结果单元,用于对当前报文进行预处理提取出当前报文的特征值,以隔绝报文格式变动对报文风险上线模型的影响。只有当当前报文的报文金额超过预设的大额金额阈值时,才对该当前报文进行风险评估,将其特征值输入报文风险上线模型中,得到报文风险识别结果。
预警装置包括预警报告单元。
综上,本发明实施例的风险报文识别方法将当前报文的特征值输入通过初始报文风险上线模型的评价结果和报文风险离线模型的评价结果确定的报文风险上线模型中,得到报文风险识别结果,并根据报文风险识别结果提交预警报告,可以有效识别风险汇款报文,降低汇款报文风险,提高清算代理服务水平、银行的处理效率和客户体验。
本发明实施例还提供能够实现上述实施例中的风险报文识别方法中全部步骤的一种计算机设备的具体实施方式。图11是本发明实施例中计算机设备的结构框图,参见图11,所述计算机设备具体包括如下内容:
处理器(processor)1101和存储器(memory)1102。
所述处理器1101用于调用所述存储器1102中的计算机程序,所述处理器执行所述计算机程序时实现上述实施例中的风险报文识别方法中的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
接收当前报文;
将当前报文的特征值输入通过初始报文风险上线模型的评价结果和报文风险离线模型的评价结果确定的报文风险上线模型中,得到报文风险识别结果;
根据报文风险识别结果提交预警报告。
综上,本发明实施例的计算机设备将当前报文的特征值输入通过初始报文风险上线模型的评价结果和报文风险离线模型的评价结果确定的报文风险上线模型中,得到报文风险识别结果,并根据报文风险识别结果提交预警报告,可以有效识别风险汇款报文,提高银行的处理效率和客户体验。
本发明实施例还提供能够实现上述实施例中的风险报文识别方法中全部步骤的一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中的风险报文识别方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
接收当前报文;
将当前报文的特征值输入通过初始报文风险上线模型的评价结果和报文风险离线模型的评价结果确定的报文风险上线模型中,得到报文风险识别结果;
根据报文风险识别结果提交预警报告。
综上,本发明实施例的计算机可读存储介质将当前报文的特征值输入通过初始报文风险上线模型的评价结果和报文风险离线模型的评价结果确定的报文风险上线模型中,得到报文风险识别结果,并根据报文风险识别结果提交预警报告,可以有效识别风险汇款报文,提高银行的处理效率和客户体验。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block),单元,和步骤可以通过电子硬件、电脑软件,或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability),上述的各种说明性部件(illustrative components),单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个***的设计要求。本领域技术人员可以对于每种特定的应用,可以使用各种方法实现所述的功能,但这种实现不应被理解为超出本发明实施例保护的范围。
本发明实施例中所描述的各种说明性的逻辑块,或单元,或装置都可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于用户终端中。可选地,处理器和存储媒介也可以设置于用户终端中的不同的部件中。
在一个或多个示例性的设计中,本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现,这些功能可以存储与电脑可读的媒介上,或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如,这样的电脑可读媒体可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁性存储装置,或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外,任何连接都可以被适当地定义为电脑可读媒介,例如,如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(DSL)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、DVD、软盘和蓝光光盘,磁盘通常以磁性复制数据,而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。
Claims (10)
1.一种风险报文识别方法,其特征在于,包括:
接收当前报文;
将所述当前报文的特征值输入通过初始报文风险上线模型的评价结果和报文风险离线模型的评价结果确定的报文风险上线模型中,得到报文风险识别结果;
根据所述报文风险识别结果提交预警报告。
2.根据权利要求1所述的风险报文识别方法,其特征在于,通过初始报文风险上线模型的评价结果和报文风险离线模型的评价结果确定报文风险上线模型的步骤包括:
将同一评价周期的初始报文风险上线模型的评价结果和报文风险离线模型的评价结果进行比对;
当预设数量的评价周期中报文风险离线模型的评价结果优于初始报文风险上线模型的评价结果的次数大于预设次数时,确定该报文风险离线模型为所述报文风险上线模型,将该初始报文风险上线模型改为报文风险离线模型,否则确定该初始报文风险上线模型为所述报文风险上线模型。
3.根据权利要求2所述的风险报文识别方法,其特征在于,还包括:
根据所述初始报文风险上线模型上线后的报文风险识别结果和报文风险实际结果确定初始报文风险上线模型的准确率和召回率;
根据所述初始报文风险上线模型的准确率和召回率确定所述初始报文风险上线模型的评价结果。
4.根据权利要求2所述的风险报文识别方法,其特征在于,还包括:
从历史报文的特征值中选择所述报文风险离线模型的测试集;
根据所述测试集确定报文风险离线模型的初始准确率和初始召回率;
根据所述初始准确率和预设数量的评价周期中的历史准确率确定报文风险离线模型的准确率;
根据所述初始召回率和预设数量的评价周期中的历史召回率确定报文风险离线模型的召回率;
根据所述报文风险离线模型的准确率和召回率确定所述报文风险离线模型的评价结果。
5.一种风险报文识别***,其特征在于,包括:
接收单元,用于接收当前报文;
报文风险识别结果单元,用于将所述当前报文的特征值输入通过初始报文风险上线模型的评价结果和报文风险离线模型的评价结果确定的报文风险上线模型中,得到报文风险识别结果;
预警报告单元,用于根据所述报文风险识别结果提交预警报告。
6.根据权利要求5所述的风险报文识别***,其特征在于,还包括:
报文风险上线模型确定单元,用于:
将同一评价周期的初始报文风险上线模型的评价结果和报文风险离线模型的评价结果进行比对;
当预设数量的评价周期中报文风险离线模型的评价结果优于初始报文风险上线模型的评价结果的次数大于预设次数时,确定该报文风险离线模型为所述报文风险上线模型,将该初始报文风险上线模型改为报文风险离线模型,否则确定该初始报文风险上线模型为所述报文风险上线模型。
7.根据权利要求6所述的风险报文识别***,其特征在于,还包括:
初始上线模型评价单元,用于根据所述初始报文风险上线模型上线后的报文风险识别结果和报文风险实际结果确定初始报文风险上线模型的准确率和召回率;
初始上线模型评价结果单元,用于根据所述初始报文风险上线模型的准确率和召回率确定所述初始报文风险上线模型的评价结果。
8.根据权利要求6所述的风险报文识别***,其特征在于,还包括:
测试集选择单元,用于从历史报文的特征值中选择所述报文风险离线模型的测试集;
初始离线模型评价单元,用于根据所述测试集确定报文风险离线模型的初始准确率和初始召回率;
离线模型准确率单元,用于根据所述初始准确率和预设数量的评价周期中的历史准确率确定报文风险离线模型的准确率;
离线模型召回率单元,用于根据所述初始召回率和预设数量的评价周期中的历史召回率确定报文风险离线模型的召回率;
离线模型评价结果单元,用于根据所述报文风险离线模型的准确率和召回率确定所述报文风险离线模型的评价结果。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至4任一项所述的风险报文识别方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4任一项所述的风险报文识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010760061.3A CN111951012A (zh) | 2020-07-31 | 2020-07-31 | 风险报文识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010760061.3A CN111951012A (zh) | 2020-07-31 | 2020-07-31 | 风险报文识别方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111951012A true CN111951012A (zh) | 2020-11-17 |
Family
ID=73338647
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010760061.3A Pending CN111951012A (zh) | 2020-07-31 | 2020-07-31 | 风险报文识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111951012A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156809A (zh) * | 2015-04-24 | 2016-11-23 | 阿里巴巴集团控股有限公司 | 用于更新分类模型的方法及装置 |
US20180240133A1 (en) * | 2017-02-20 | 2018-08-23 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method, Apparatus and Server for Identifying Risky User |
CN110083542A (zh) * | 2019-05-06 | 2019-08-02 | 百度在线网络技术(北京)有限公司 | 一种推荐***中模型测试方法、装置及电子设备 |
CN110378699A (zh) * | 2019-07-25 | 2019-10-25 | 中国工商银行股份有限公司 | 一种交易反欺诈方法、装置及*** |
CN110705598A (zh) * | 2019-09-06 | 2020-01-17 | 中国平安财产保险股份有限公司 | 智能模型管理方法、装置、计算机设备及存储介质 |
-
2020
- 2020-07-31 CN CN202010760061.3A patent/CN111951012A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156809A (zh) * | 2015-04-24 | 2016-11-23 | 阿里巴巴集团控股有限公司 | 用于更新分类模型的方法及装置 |
US20180240133A1 (en) * | 2017-02-20 | 2018-08-23 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method, Apparatus and Server for Identifying Risky User |
CN110083542A (zh) * | 2019-05-06 | 2019-08-02 | 百度在线网络技术(北京)有限公司 | 一种推荐***中模型测试方法、装置及电子设备 |
CN110378699A (zh) * | 2019-07-25 | 2019-10-25 | 中国工商银行股份有限公司 | 一种交易反欺诈方法、装置及*** |
CN110705598A (zh) * | 2019-09-06 | 2020-01-17 | 中国平安财产保险股份有限公司 | 智能模型管理方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110784355B (zh) | 一种故障识别方法及装置 | |
CN112926699A (zh) | 异常对象识别方法、装置、设备及存储介质 | |
CN104702492A (zh) | 垃圾消息模型训练方法、垃圾消息识别方法及其装置 | |
CN113177839A (zh) | 一种信用风险评估方法、装置、存储介质和设备 | |
CN115564449A (zh) | 交易账户的风险管控方法、装置及电子设备 | |
CN107527193A (zh) | 一种代维支付***、方法及装置 | |
CN111951012A (zh) | 风险报文识别方法及*** | |
CN116993351A (zh) | 基于银行账户风险等级的交易控制方法、装置及设备 | |
CN116757702A (zh) | 交易数据的确定方法和装置、处理器及电子设备 | |
CN115278563A (zh) | 一种基于影响因子的短信通道智能选择方法和*** | |
CN115860465A (zh) | 一种企业关联数据处理预警方法、***及装置 | |
CN113240259B (zh) | 规则策略组的生成方法、***及电子设备 | |
CN110570301B (zh) | 风险识别方法、装置、设备及介质 | |
CN113822679A (zh) | 一种自动决策的智能反欺诈贷中管理***及方法 | |
CN113159941A (zh) | 一种智能流式交易执行方法及装置 | |
CN111506615A (zh) | 一种无效用户的占有程度确定方法及装置 | |
CN110738570A (zh) | 基于多通道异质数据的信息型操纵自动识别方法 | |
CN110766544A (zh) | 信用风险的检测方法及装置、存储介质、电子装置 | |
CN116405587B (zh) | 一种手机售后性能情况智能监测方法、***和介质 | |
CN110111131A (zh) | 虚假客资信息的确定方法及装置 | |
CN108509560A (zh) | 用户相似度获得方法和装置、设备、存储介质 | |
CN103856944A (zh) | 一种结合数字特征和发送频次识别诈骗短信的方法 | |
US11915313B2 (en) | Using email history to estimate creditworthiness for applicants having insufficient credit history | |
CN116862524A (zh) | 基于交易信息的监测方法及其装置、电子设备及存储介质 | |
CN114066464A (zh) | 消费分期场景下行业人员监测管理方法、装置及电子设备 |
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 |