CN112613878A - 基于大数据和区块链支付的信息检测方法及大数据服务器 - Google Patents

Abstract

本发明的基于大数据和区块链支付的信息检测方法及大数据服务器，获取待检测支付终端中i个远程支付事项的i个支付事项统计信息，确定i个支付安全验证信息以及i个安全验证标签，通过支付信息检测模型获取i个支付信息检测结果，通过i个支付信息检测结果判断待检测支付终端是否存在支付安全风险。在判断待检测支付终端是否存在支付安全风险时考虑到了远程支付事项针对待检测支付终端在每一个支付网络环境中的安全验证记录，能够从远程支付事项层面、支付网络环境层面以及数据接口验证层面实现对待检测支付终端的支付安全风险检测，从而快速、准确地发现待检测支付终端可能存在的支付安全风险，避免待检测支付终端的重要信息和数据的丢失。

Description

基于大数据和区块链支付的信息检测方法及大数据服务器

技术领域

本申请涉及大数据和区块链支付技术领域，具体而言，涉及一种基于大数据和区块链支付的信息检测方法及大数据服务器。

背景技术

大数据的快速发展为区块链支付的应用垫定了坚实的数据信息基础，使得区块链支付能够逐渐在多个业务场景下进行使用，并有效改善了传统支付带来的信息不对等、交易不可追溯以及交易延迟等问题。

然而，即便区块链支付能够改善传统支付的一系列问题，随着现目前的网络开放程度的进一步扩大，在线支付终端的支付安全性问题成为人们普遍关注的一个问题。

因此，如何确保支付终端在区块链支付中的信息安全性是现目前不可忽视的一个技术问题。

发明内容

本申请的第一个方面公开了基于大数据和区块链支付的信息检测方法，包括：获取待检测支付终端中每个远程支付事项所对应的支付事项统计信息，得到i个支付事项统计信息，其中，所述待检测支付终端包括i个远程支付事项，且所述远程支付事项与所述支付事项统计信息具有一一对应的关系，所述i为大于或等于1的整数；根据所述i个支付事项统计信息确定i个支付安全验证信息，其中，所述支付安全验证信息表示所述远程支付事项针对所述待检测支付终端在每一个支付网络环境中的安全验证记录，所述支付安全验证信息与所述远程支付事项具有一一对应的关系；根据所述i个支付安全验证信息确定i个安全验证标签，其中，所述安全验证标签与所述远程支付事项具有一一对应的关系；基于所述i个安全验证标签，通过支付信息检测模型获取所述待检测支付终端所对应的i个支付信息检测结果，其中，所述支付信息检测结果与所述远程支付事项具有一一对应的关系；通过所述i个支付信息检测结果判断所述待检测支付终端是否存在支付安全风险。

本申请的第二个方面公开了一种大数据服务器，包括处理引擎、网络模块和存储器；所述处理引擎和所述存储器通过所述网络模块通信，所述处理引擎从所述存储器中读取计算机程序并运行，以执行第一个方面所述的方法。

本申请的第三个方面公开了一种计算机可读信号介质，其上存储有计算机程序，所述计算机程序在运行是实现第一个方面所述的方法。

相较于现有技术，本发明实施例提供的基于大数据和区块链支付的信息检测方法及大数据服务器具有以下技术效果：首先获取待检测支付终端中i个远程支付事项的i个支付事项统计信息，其次确定i个支付安全验证信息，进而确定i个安全验证标签，以便通过支付信息检测模型获取i个支付信息检测结果，这样可以通过i个支付信息检测结果判断待检测支付终端是否存在支付安全风险。如此设计，由于在判断待检测支付终端是否存在支付安全风险时考虑到了远程支付事项针对待检测支付终端在每一个支付网络环境中的安全验证记录，这样能够从远程支付事项层面、支付网络环境层面以及数据接口验证层面实现对待检测支付终端的支付安全风险检测，从而快速、准确地发现待检测支付终端可能存在的支付安全风险，避免待检测支付终端的重要信息和数据的丢失。

在后面的描述中，将部分地陈述其他的特征。在检查后面内容和附图时，本领域的技术人员将部分地发现这些特征，或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面，当前申请中的特征可以被实现和获得。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

附图中的方法、***和/或程序将根据示例性实施例进一步描述。这些示例性实施例将参照图纸进行详细描述。这些示例性实施例是非限制的示例性实施例，其中参考数字在附图的各个视图中代表相似的机构。

图1是根据本发明的一些实施例所示的一种示例性基于大数据和区块链支付的信息检测***的框图。

图2是根据本发明的一些实施例所示的一种示例性大数据服务器中硬件和软件组成的示意图。

图3是根据本发明的一些实施例所示的一种示例性基于大数据和区块链支付的信息检测方法和/或过程的流程图。

图4是根据本发明的一些实施例所示的一种示例性基于大数据和区块链支付的信息检测装置的框图。

具体实施方式

发明人针对常见的支付终端在区块链支付中的信息安全性检测技术进行长期研究和分析后发现，常见的信息安全性检测技术大多涉及支付密钥验证和共识机制层面，这样容易导致信息安全性检测技术被破解，并且可能影响信息安全检测的时效性，从而难以及时地发现支付终端可能存在的支付安全风险。为此，发明人创新性地提出了一种基于大数据和区块链支付的信息检测方法及大数据服务器，能够从远程支付事项层面、支付网络环境层面以及数据接口验证层面实现对待检测支付终端的支付安全风险检测，从而快速、准确地发现待检测支付终端可能存在的支付安全风险，避免待检测支付终端的重要信息和数据的丢失。

为了更好的理解上述技术方案，下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明，而不是对本发明技术方案的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互组合。

在下面的详细描述中，通过实例阐述了许多具体细节，以便提供对相关指导的全面了解。然而，对于本领域的技术人员来说，显然可以在没有这些细节的情况下实施本发明。在其他情况下，公知的方法、程序、***、组成和/或电路已经在一个相对较高水平上被描述，没有细节，以避免不必要的模糊本发明的方面。

这些和其他特性、当前申请披露的功能、执行的方法、结构中相关元素的功能和部件的组合和生产经济性,在参照附图进行以下描述的考虑中可能会变得更加明显,所有这些形成本申请的一部分。然而，需要理解清楚的是，附图仅仅是为了说明和描述的目的，并不旨在限制本申请的范围。应当了解的是，这些图纸不是按比例绘制的。然而，应当明确理解的是，附图仅用于说明和描述的目的，并不意图限制本发明的范围。应当知晓的是，这些附图并不依照比例。

本申请中使用流程图说明根据本申请的实施例的***所执行的执行过程。应当明确理解的是，流程图的执行过程可以不按顺序执行。相反，这些执行过程可以以相反的顺序或同时执行。另外，可以将至少一个其他执行过程添加到流程图。一个或多个执行过程可以从流程图中删除。

图1是根据本发明的一些实施例所示的一种示例性基于大数据和区块链支付的信息检测***300的框图，基于大数据和区块链支付的信息检测***300可以包括大数据服务器100和支付终端200。

在一些实施例中，如图2所示，大数据服务器100可以包括处理引擎110、网络模块120和存储器130，处理引擎110和存储器130通过网络模块120通信。

处理引擎110可以处理相关的信息和/或数据以执行本申请中描述的一个或多个功能。例如，在一些实施例中，处理引擎110可以包括至少一个处理引擎(例如，单核处理引擎或多核处理器)。仅作为示例，处理引擎110可以包括中央处理单元(Central ProcessingUnit，CPU)、专用集成电路(Application-Specific Integrated Circuit，ASIC)、专用指令集处理器(Application-Specific Instruction-set Processor，ASIP)、图形处理单元(Graphics Processing Unit，GPU)、物理处理单元(Physics Processing Unit，PPU)、数字信号处理器(Digital Signal Processor，DSP)、现场可编程门阵列(Field ProgrammableGate Array，FPGA)、可编程逻辑器件(Programmable Logic Device，PLD)、控制器、微控制器单元、精简指令集计算机(Reduced Instruction-Set Computer，RISC)、微处理器等或其任意组合。

网络模块120可以促进信息和/或数据的交换。在一些实施例中，网络模块120可以是任何类型的有线或无线网络或其组合。仅作为示例，网络模块120可以包括缆线网络、有线网络、光纤网络、电信网络、内部网络、互联网、局域网络(Local Area Network，LAN)、广域网(Wide Area Network，WAN)、无线局域网络(Wireless Local Area Network，WLAN)、城域网(Metropolitan Area Network，MAN)、公用电话交换网(Public Telephone SwitchedNetwork，PSTN)、蓝牙网络、无线个域网络、近场通讯(Near Field Communication，NFC)网络等或上述举例的任意组合。在一些实施例中，网络模块120可以包括至少一个网络接入点。例如，网络模块120可以包括有线或无线网路接入点，如基站和/或网路接入点。

存储器130可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-OnlyMemory，PROM），可擦除只读存储器（Erasable Programmable Read-Only Memory，EPROM），电可擦除只读存储器（Electric Erasable Programmable Read-Only Memory，EEPROM）等。其中，存储器130用于存储程序，所述处理引擎110在接收到执行指令后，执行所述程序。

可以理解，图2所示的结构仅为示意，大数据服务器100还可包括比图2中所示更多或者更少的组件，或者具有与图2所示不同的配置。图2中所示的各组件可以采用硬件、软件或其组合实现。

图3是根据本发明的一些实施例所示的一种示例性基于大数据和区块链支付的信息检测方法和/或过程的流程图，基于大数据和区块链支付的信息检测方法应用于图1中的大数据服务器100，具体可以包括以下步骤S110-步骤S150所描述的内容。

步骤S110，获取待检测支付终端中每个远程支付事项所对应的支付事项统计信息，得到i个支付事项统计信息，其中，所述待检测支付终端包括i个远程支付事项，且所述远程支付事项与所述支付事项统计信息具有一一对应的关系，所述i为大于或等于1的整数。

例如，待检测支付终端可以是智能手机、智能平板电脑、笔记本电脑等。远程支付事项可以不同的远程支付业务，如转账业务、待付业务、充值业务等，在此不作限定。支付事项统计信息用于对相应的远程支付事项的相关远程支付业务的信息进行记录和统计，比如远程支付业务的时间、地点、参与者、资金规模等，在此不作限定。

步骤S120，根据所述i个支付事项统计信息确定i个支付安全验证信息，其中，所述支付安全验证信息表示所述远程支付事项针对所述待检测支付终端在每一个支付网络环境中的安全验证记录，所述支付安全验证信息与所述远程支付事项具有一一对应的关系。

例如，远程支付事项在待检测支付终端处于不同的支付网络环境下的安全验证记录是不同的，如果同一远程支付事项在处理过程中，待检测支付终端先后处于不同的支付网络环境中，则支付安全验证信息记载的多个安全验证记录也是不同的。

步骤S130，根据所述i个支付安全验证信息确定i个安全验证标签，其中，所述安全验证标签与所述远程支付事项具有一一对应的关系。

例如，安全验证标签用于对支付安全验证信息进行区分，安全验证标签可以根据实际情况划分为很多类，在此不作限定。

步骤S140，基于所述i个安全验证标签，通过支付信息检测模型获取所述待检测支付终端所对应的i个支付信息检测结果，其中，所述支付信息检测结果与所述远程支付事项具有一一对应的关系。

例如，支付信息检测模型可以是神经网络模型，支付信息检测模型可以通过预先训练得到。支付信息检测结果用于表征待检测支付终端在不同支付网络环境下的信息安全检测结果，i个支付信息检测结果互不相同。

步骤S150，通过所述i个支付信息检测结果判断所述待检测支付终端是否存在支付安全风险。

例如，支付安全风险可以是待检测支付终端的数据信息被窃取或者被非法访问的风险。

可以理解，在应用上述步骤S110-步骤S150时，首先获取待检测支付终端中i个远程支付事项的i个支付事项统计信息，其次确定i个支付安全验证信息，进而确定i个安全验证标签，以便通过支付信息检测模型获取i个支付信息检测结果，这样可以通过i个支付信息检测结果判断待检测支付终端是否存在支付安全风险。如此设计，由于在判断待检测支付终端是否存在支付安全风险时考虑到了远程支付事项针对待检测支付终端在每一个支付网络环境中的安全验证记录，这样能够从远程支付事项层面、支付网络环境层面以及数据接口验证层面实现对待检测支付终端的支付安全风险检测，从而快速、准确地发现待检测支付终端可能存在的支付安全风险，避免待检测支付终端的重要信息和数据的丢失。

接下来将对一些可选实施例进行说明，这些实施例应当理解为示例，不应理解为实现本方案所必不可少的技术特征。

在一些可能的示例中，对于步骤S110的获取待检测支付终端中每个远程支付事项所对应的支付事项统计信息，得到i个支付事项统计信息而言，可以通过以下步骤S111-步骤S113实现。

步骤S111，针对于所述待检测支付终端中的第j个远程支付事项，获取所述第j个远程支付事项所对应的支付事项标签，其中，所述第j个远程支付事项为所述i个远程支付事项中的任意一个远程支付事项，所述j为大于0，且小于或等于所述i的整数。例如，支付事项标签用于区分不同的远程支付事项。

步骤S112，针对于所述待检测支付终端中的所述第j个远程支付事项，获取所述第j个远程支付事项所对应的支付事项统计时段。例如，支付事项统计时段可以根据不同的业务场景灵活设计时段步长，例如几个小时，或者几天等，在此不作限定。

步骤S113，针对于所述待检测支付终端中的所述第j个远程支付事项，根据所述第j个远程支付事项所对应的支付事项统计时段以及所述第j个远程支付事项所对应的支付事项标签，确定所述第j个远程支付事项所对应的支付事项统计信息。

如此，基于上述步骤S111-步骤S113所描述的内容，能够在确定支付事项统计信息时将支付事项标签和支付事项统计时段考虑在内，从而完整、实时且准确地实现对支付事项统计信息的获取。

进一步地，对于步骤S120而言，所述根据所述i个支付事项统计信息确定i个支付安全验证信息，可以包括以下步骤S121-步骤S123所描述的内容。

步骤S121，针对于所述待检测支付终端中的第j个远程支付事项，根据所述第j个远程支付事项的支付事项统计信息确定所述第j个远程支付事项所对应的支付事项对象信息，其中，所述第j个远程支付事项为所述i个远程支付事项中的任意一个远程支付事项，所述j为大于0，且小于或等于所述i的整数。例如，支付事项对象信息可以是对应的远程支付事项的参与方或者关联参与方，参与方或者关联参与方同样可以是支付终端。

步骤S122，针对于所述待检测支付终端中的所述第j个远程支付事项，获取所述第j个远程支付事项所对应的支付事项统计时段。

步骤S123，针对于所述待检测支付终端中的所述第j个远程支付事项，根据所述第j个远程支付事项所对应的支付事项统计时段以及所述第j个远程支付事项所对应的支付事项对象信息，确定所述第j个远程支付事项所对应的支付安全验证信息。

这样一来，在应用上述步骤S121-步骤S123所描述的内容时，能够在确定支付安全验证信息时考虑支付事项统计时段以及支付事项对象信息，并且进一步考虑支付事项对象信息中的关联参与方，从而利用风险传导思想提高支付安全验证信息的可信度。

在实际实施过程中，步骤S130所描述的所述根据所述i个支付安全验证信息确定i个安全验证标签，可以包括以下步骤S131和步骤S132。

步骤S131，针对于所述待检测支付终端中的第j个远程支付事项，获取所述第j个远程支付事项所对应的支付事项验证指标，其中，所述第j个远程支付事项为所述i个远程支付事项中的任意一个远程支付事项，所述j为大于0，且小于或等于所述i的整数。例如，支付事项验证指标包括多个层面的验证指标，例如针对支付时段的验证指标，针对支付对象的验证指标，针对支付方式的验证指标等等。

步骤S132，针对于所述待检测支付终端中的所述第j个远程支付事项，根据所述第j个远程支付事项所对应的支付事项验证指标以及所述第j个远程支付事项所对应的支付安全验证信息，确定所述第j个远程支付事项所对应的安全验证标签。

可以理解，在实施上述步骤S131和步骤S132所描述的内容时，通过支付事项验证指标能够对支付安全验证信息进行信息分类和解析，从而将支付安全验证信息的不同验证结果进行区分，这样可以实现对安全验证指标的准确筛分和确定，并进一步提高安全验证标签之间的区分度。

对于可能的实施例而言，步骤S140中，基于所述i个安全验证标签，通过支付信息检测模型获取所述待检测支付终端所对应的i个支付信息检测结果的步骤，可以包括以下步骤S141和步骤S142。

步骤S141，基于所述i个安全验证标签，通过所述支付信息检测模型所包括的至少一个校验记录确定单元获取i个远程支付校验记录。例如，校验记录确定单元可以是支付信息检测模型的其中一类网络层，远程支付校验记录用于表征与安全验证标签对应的校验记录。

步骤S142，基于所述i个远程支付校验记录，通过所述支付信息检测模型所包括的至少一个支付信息检测单元获取i个支付信息检测结果。例如，支付信息检测单元可以是支付信息检测模型的另一类网络层。

这样，通过上述步骤S141和步骤S142能够基于支付信息检测模型不同的模型单元先后获取远程支付校验记录以及支付信息检测结果，从而保证在获取支付信息检测结果的过程中不会因为模型参数之间的互相干扰而影响到支付信息检测结果的准确性。

发明人发现，支付信息检测模型作为获取支付信息检测结果的关键，其训练的质量的高低直接关系到支付信息检测结果的可信度，为此，在使用支付信息检测模型之前，需要对支付信息检测模型进行充分的训练以确保支付信息检测模型的运行稳定性。为实现这一目的，在步骤S140所描述的基于所述i个安全验证标签，通过支付信息检测模型获取所述待检测支付终端所对应的i个支付信息检测结果的步骤之前，所述方法还可以包括步骤S210-步骤S260所描述的内容。

步骤S210，获取历史支付检测记录中每个待训练支付事项所对应的待训练支付事项统计信息，得到i个待训练支付事项统计信息，其中，所述历史支付检测记录包括i个待训练支付事项，且所述待训练支付事项与所述待训练支付事项统计信息具有一一对应的关系。例如，历史支付检测记录可以从大数据服务器的数据库中获取，也可以从其他数据库中获取，在此不作限定。

步骤S220，根据所述i个待训练支付事项统计信息确定i个待训练支付安全验证信息，其中，所述待训练支付安全验证信息与所述待训练支付事项具有一一对应的关系。

步骤S230，根据所述i个待训练支付安全验证信息确定i个待训练安全验证标签，其中，所述待训练安全验证标签与所述待训练支付事项具有一一对应的关系。

步骤S240，基于所述i个待训练安全验证标签，通过待训练支付信息检测模型获取所述历史支付检测记录所对应的i个待训练支付信息检测结果，其中，所述待训练支付信息检测结果与所述待训练支付事项具有一一对应的关系。

步骤S250，获取正例检测模型所对应的i个正例支付信息检测结果。

步骤S260，根据所述i个正例支付信息检测结果以及所述i个待训练支付信息检测结果，对所述待训练支付信息检测模型进行训练，直至满足设定的模型训练条件，得到所述支付信息检测模型。

如此设计，基于上述步骤S210-步骤S260，能够对支付信息检测模型进行充分的训练以确保支付信息检测模型的运行稳定性，从而确保支付信息检测模型的训练质量，进而确保利用支付信息检测模型获取到的支付信息检测结果的可信度。

更进一步地，步骤S250所描述的获取正例检测模型所对应的i个正例支付信息检测结果，可以包括步骤S251-步骤S254。

步骤S251，获取正例检测模型中每个正例支付事项所对应的正例支付事项统计信息，得到i个正例支付事项统计信息，其中，所述正例检测模型包括i个正例支付事项，且所述正例支付事项与所述正例支付事项统计信息具有一一对应的关系。

步骤S252，根据所述i个正例支付事项统计信息确定i个正例支付安全验证信息，其中，所述正例支付安全验证信息与所述正例支付事项统计信息具有一一对应的关系。

步骤S253，根据所述i个正例支付安全验证信息确定i个正例安全验证标签，其中，所述正例安全验证标签与所述正例支付事项具有一一对应的关系。

步骤S254，基于所述i个正例安全验证标签，通过待训练支付信息检测模型获取所述正例检测模型所对应的i个正例支付信息检测结果，其中，所述正例支付信息检测结果与所述正例支付事项具有一一对应的关系。

更进一步地，步骤S260所描述的根据所述i个正例支付信息检测结果以及所述i个待训练支付信息检测结果，对所述待训练支付信息检测模型进行训练，直至满足设定的模型训练条件，得到所述支付信息检测模型，可以包括以下步骤S261-步骤S263所描述的内容。

步骤S261针对于所述历史支付检测记录中的每个待训练支付事项以及所述每个待训练支付事项所对应的正例支付事项，采用支付安全评价指标计算所述待训练支付信息检测结果与所述正例支付信息检测结果之间的检测结果差异值，得到i个检测结果差异值。例如，支付安全评价指标可以根据之前出现过的支付安全风险的风险行为信息得到，在此不作赘述。检测结果差异值用于表征不同检测结果之间的差别，检测结果差异值越大，不同检测结果之间的差别越大。

步骤S262根据所述i个检测结果差异值对所述待训练支付信息检测模型的模型参数进行更新。例如，模型参数包括神经网络模型的常规参数，在此不作赘述。

步骤S263若满足所述设定的模型训练条件，则根据更新后的模型参数获取所述支付信息检测模型。其中，所述设定的模型训练条件为每个检测结果差异值小于设定差异值。例如，设定差异值可以根据实际情况进行调整，在此不作限定。

如此设计，能够根据多个检测结果差异值对待训练支付信息检测模型进行迭代训练，从而确保支付信息检测模型的训练质量。

在另一个可能的实施例中，为了确保模型训练的全面性，还可以结合正例和负例进行协同训练，为实现这一目的，步骤S140所描述的基于所述i个安全验证标签，通过支付信息检测模型获取所述待检测支付终端所对应的i个支付信息检测结果之前，所述方法还可以包括以下步骤S310-步骤S360所描述的内容。

步骤S310，获取历史支付检测记录中每个待训练支付事项所对应的待训练支付事项统计信息，得到i个待训练支付事项统计信息，其中，所述历史支付检测记录包括i个待训练支付事项，且所述待训练支付事项与所述待训练支付事项统计信息具有一一对应的关系。

步骤S320，根据所述i个待训练支付事项统计信息确定i个待训练支付安全验证信息，其中，所述待训练支付安全验证信息与所述待训练支付事项具有一一对应的关系。

步骤S330，根据所述i个待训练支付安全验证信息确定i个待训练安全验证标签，其中，所述待训练安全验证标签与所述待训练支付事项具有一一对应的关系。

步骤S340，基于所述i个待训练安全验证标签，通过待训练支付信息检测模型获取所述历史支付检测记录所对应的i个待训练支付信息检测结果，其中，所述待训练支付信息检测结果与所述待训练支付事项具有一一对应的关系。

步骤S350，获取正例检测模型所对应的i个正例支付信息检测结果；获取负例检测模型所对应的i个负例支付信息检测结果。

步骤S360，根据所述i个正例支付信息检测结果、所述i个负例支付信息检测结果以及所述i个待训练支付信息检测结果，对所述待训练支付信息检测模型进行训练，直至满足设定的模型训练条件，得到所述支付信息检测模型。其中，所述正例检测模型用于对不存在支付安全风险的支付终端进行支付信息检测，所述负例检测模型用于对存在支付安全风险的支付终端进行支付信息检测；

如此设计，基于上述步骤S310-步骤S360，能够结合正例检测模型和负例检测模型实现对支付信息检测模型的训练，从而确保模型训练的全面性，避免后续在使用模型时存在检测遗漏的问题。

进一步地，步骤S350中，所述获取正例检测模型所对应的i个正例支付信息检测结果，包括：获取正例检测模型中每个正例支付事项所对应的正例支付事项统计信息，得到i个正例支付事项统计信息，其中，所述正例检测模型包括i个正例支付事项，且所述正例支付事项与所述正例支付事项统计信息具有一一对应的关系；根据所述i个正例支付事项统计信息确定i个正例支付安全验证信息，其中，所述正例支付安全验证信息与所述正例支付事项统计信息具有一一对应的关系；根据所述i个正例支付安全验证信息确定i个正例安全验证标签，其中，所述正例安全验证标签与所述正例支付事项具有一一对应的关系；基于所述i个正例安全验证标签，通过待训练支付信息检测模型获取所述正例检测模型所对应的i个正例支付信息检测结果，其中，所述正例支付信息检测结果与所述正例支付事项具有一一对应的关系。

进一步地，步骤S350中，所述获取负例检测模型所对应的i个负例支付信息检测结果，包括：获取负例检测模型中每个负例支付事项所对应的负例支付事项统计信息，得到i个负例支付事项统计信息，其中，所述负例检测模型包括i个负例支付事项，且所述负例支付事项与所述负例支付事项统计信息具有一一对应的关系；根据所述i个负例支付事项统计信息确定i个负例支付安全验证信息，其中，所述负例支付安全验证信息与所述负例支付事项统计信息具有一一对应的关系；根据所述i个负例支付安全验证信息确定i个负例安全验证标签，其中，所述负例安全验证标签与所述负例支付事项具有一一对应的关系；基于所述i个负例安全验证标签，通过待训练支付信息检测模型获取所述负例检测模型所对应的i个负例支付信息检测结果，其中，所述负例支付信息检测结果与所述负例支付事项具有一一对应的关系。

更进一步地，步骤S360所描述的根据所述i个正例支付信息检测结果、所述i个负例支付信息检测结果以及所述i个待训练支付信息检测结果，对所述待训练支付信息检测模型进行训练，直至满足设定的模型训练条件，得到所述支付信息检测模型，可以包括以下步骤S361-步骤S363。

步骤S361，针对于所述历史支付检测记录中的每个待训练支付事项以及所述每个待训练支付事项所对应的正例支付事项，采用第一支付安全评价指标计算所述待训练支付信息检测结果与所述正例支付信息检测结果之间的第一检测结果差异值，得到i个第一检测结果差异值。

步骤S362，针对于所述历史支付检测记录中的每个待训练支付事项以及负例支付事项，采用第二支付安全评价指标计算所述待训练支付信息检测结果与是负例支付信息检测结果之间的第二检测结果差异值，得到i个第二检测结果差异值。

步骤S363，根据所述i个第一检测结果差异值以及所述i个第二检测结果差异值，对所述待训练支付信息检测模型的模型参数进行更新；若满足所述设定的模型训练条件，则根据更新后的模型参数获取所述支付信息检测模型；其中，所述设定的模型训练条件为所述i个第一检测结果差异值以及所述i个第二检测结果差异值的均值小于设定差异值。

可以理解，在上述实施例中，仅采用正例进行训练的第一种训练方式以及采用正例负例进行训练的第二种训练方式可以则一使用，在此不作限定。

在实际实时过程中发明人发现，支付安全风险的检测与支付操作数据相关，因此，为了确保支付安全风险的检测准确性，需要考虑待检测支付终端的支付操作数据，为实现这一目的，步骤S150所描述的通过所述i个支付信息检测结果判断所述待检测支付终端是否存在支付安全风险，可以包括以下步骤S151-步骤S157。

步骤S151，获取所述i个支付信息检测结果对应的所述待检测支付终端的支付操作数据集，所述支付操作数据集包括至少一组支付操作数据及其对应的操作行为标记信息，所述操作行为标记信息包括所述支付操作数据对应的操作行为及其对应的描述所述操作行为的实时标记信息。例如，支付操作数据可以是用户的触控操作数据或者语音操作数据等，在此不作限定。

步骤S152，将所述支付操作数据集输入预设的数据特征提取线程，以使得所述预设的数据特征提取线程依据所述支付操作数据输出支付操作数据的特征提取结果，所述支付操作数据的特征提取结果包括所述预设的数据特征提取线程提取到的所述支付操作数据对应的操作行为及所述操作行为的操作行为特征信息。例如，数据特征提取线程可以根据实际需求进行配置，在此不进行赘述。操作行为特征信息可以用于区分不同的操作行为。

步骤S153，确定所述操作行为标记信息中所述实时标记信息与所述支付操作数据的特征提取结果中所述操作行为特征信息的第一重叠特征信息。例如，第一重叠特征信息可以是实时标记信息与操作行为特征信息之间存在交叉或者存在关联关系的信息。

步骤S154，基于当前所述预设的数据特征提取线程输出的所述支付操作数据的特征提取结果、所述操作行为标记信息、所述第一重叠特征信息构造第一线程训练信息。例如，第一线程训练信息用于对数据特征提取线程进行训练。

步骤S155，依据所述第一线程训练信息对所述预设的数据特征提取线程进行训练，当训练次数满足设定训练次数以获得训练完成的所述预设的数据特征提取线程。例如，设定训练次数根据实际的业务需求进行调整，在此不作限定。

步骤S156，将所述待检测支付终端对应的远程支付发起请求对应的请求数据输入所述训练完成的所述预设的数据特征提取线程，输出所述待检测支付终端对应的远程支付发起请求对应的请求数据的请求数据的特征提取结果。例如，远程支付发起请求可以是被动请求也可以是主动请求，在此不作限定。

步骤S157，通过所述支付操作数据的特征提取结果以及所述请求数据的特征提取结果，确定所述待检测支付终端在当前时段内是否处于数据接口免验证状态；若是，则判定待检测支付终端存在支付安全风险；若否，则判定待检测支付终端不存在支付安全风险。例如，当前时段可以根据待检测支付终端的支付频率进行调整，支付频率越高，当前时段越短，数据接口免验证状态用于表征待检测支付终端的数据接口处于开放状态，这样可能导致待检测支付终端的数据信息被非法访问。

如此一来，基于上述步骤S151-步骤S157所描述的内容，能够将待检测支付终端的支付操作数据考虑在内，从而基于数据接口层面实现对支付安全风险的检测，这样既减少了支付密钥验证所需的处理资源，又能够确保支付安全风险的检测准确性和时效性，避免因检测延时而导致的待检测支付终端的数据信息被非法访问。

在一种可替换的实施例中，在判定出待检测支付终端存在支付安全风险时，还可以包括：向所述待检测支付终端发送提示信息，以提示所述待检测支付终端调整对应的数据接口的免验证状态；其中，对应的数据接口为所述待检测支付终端的加密信息对应的数据接口。这样，能够避免待检测支付终端的数据信息被非法访问。

在一个可替换的实施例中，步骤S153所描述的确定所述操作行为标记信息中所述实时标记信息与所述支付操作数据的特征提取结果中所述操作行为特征信息的第一重叠特征信息，包括：获取所述实时标记信息和所述操作行为特征信息的融合信息集合，从所述融合信息集合中选取至少三组第一融合信息；依据所述第一融合信息获取第一融合权重；获取所述融合信息集合中与所述第一融合权重的权重差值最大的第二融合权重对应的第二融合信息；若所述第二融合信息在所述第一融合权重所匹配的融合信息子集内，则根据所述第一融合权重确定所述第一重叠特征信息；若所述第二融合信息不在所述第一融合权重所匹配的融合信息子集内，则在所述第一融合信息和所述第二融合信息中选取至少三组融合信息作为所述第一融合信息并重新获取第一融合权重。

在一个可替换的实施例中，步骤S154所描述的基于当前所述预设的数据特征提取线程输出的所述支付操作数据的特征提取结果、所述操作行为标记信息、所述第一重叠特征信息构造第一线程训练信息，包括：获取所述实时标记信息和所述操作行为特征信息的时序特征重合信息、时序特征差异信息，并获取所述第一重叠特征信息的重叠描述信息；依据所述时序特征重合信息、所述时序特征差异信息、所述第一重叠特征信息的重叠描述信息获取所述第一线程训练信息。

在一个可替换的实施例中，所述预设的数据特征提取线程对所述操作行为的特征提取基于卷积神经网络，包括至少一层卷积层。

在一个可替换的实施例中，步骤S154所描述的对所述预设的数据特征提取线程进行训练，包括：获取所述支付操作数据经过所述预设的数据特征提取线程数据清洗后的全局操作数据清洗结果、局部操作数据清洗结果；依据所述全局操作数据清洗结果获取特征识别度为第一识别度的第一已清洗数据集、特征识别度为第二识别度的第二已清洗数据集、特征识别度为第三识别度第三已清洗数据集；其中，所述第一识别度、所述第二识别度和所述第三识别度互不相同，所述第一已清洗数据集、所述第二已清洗数据集和所述第三已清洗数据集互不相同；依据所述局部操作数据清洗结果获取特征识别度为所述第一识别度的第四已清洗数据集、特征识别度为所述第二识别度的第五已清洗数据集、特征识别度为所述第三识别度的第六已清洗数据集；其中，所述第四已清洗数据集、所述第五已清洗数据集和所述第六已清洗数据集互不相同；将所述第一已清洗数据集与所述第四已清洗数据集进行拼接获取第一拼接数据集，将所述第二已清洗数据集与所述第五已清洗数据集进行拼接获取第二拼接数据集，将所述第三已清洗数据集与所述第六已清洗数据集进行拼接获取第三拼接数据集；其中，所述第一拼接数据集、所述第二拼接数据集和所述第三拼接数据集互不相同；依据所述第一拼接数据集、所述第二拼接数据集、所述第三拼接数据集获取所述支付操作数据的特征提取结果。

在一个可替换的实施例中，步骤S151所描述的所述获取所述i个支付信息检测结果对应的所述待检测支付终端的支付操作数据集，包括：获取每个支付信息检测结果对应的至少一个第一信息检测指标，对所述第一信息检测指标进行检测指标属性分析获得第一标记信息，所述第一标记信息包括所述第一信息检测指标对应的第一操作行为及其对应的第一实时标记信息；对所述第一操作行为进行操作行为识别后构造第二信息检测指标；依据所述操作行为识别获得所述第二信息检测指标的第二标记信息；依据所述第一信息检测指标及其所述第一标记信息、所述第二信息检测指标及其所述第二标记信息获取所述支付操作数据集。

图4是根据本发明的一些实施例所示的一种示例性基于大数据和区块链支付的信息检测装置140的框图，所述基于大数据和区块链支付的信息检测装置140可以包括以下功能模块。

信息获取模块141，用于获取待检测支付终端中每个远程支付事项所对应的支付事项统计信息，得到i个支付事项统计信息，其中，所述待检测支付终端包括i个远程支付事项，且所述远程支付事项与所述支付事项统计信息具有一一对应的关系，所述i为大于或等于1的整数。

信息确定模块142，用于根据所述i个支付事项统计信息确定i个支付安全验证信息，其中，所述支付安全验证信息表示所述远程支付事项针对所述待检测支付终端在每一个支付网络环境中的安全验证记录，所述支付安全验证信息与所述远程支付事项具有一一对应的关系。

标签确定模块143，用于根据所述i个支付安全验证信息确定i个安全验证标签，其中，所述安全验证标签与所述远程支付事项具有一一对应的关系。

结果获取模块144，用于基于所述i个安全验证标签，通过支付信息检测模型获取所述待检测支付终端所对应的i个支付信息检测结果，其中，所述支付信息检测结果与所述远程支付事项具有一一对应的关系。

支付检测模块145，用于通过所述i个支付信息检测结果判断所述待检测支付终端是否存在支付安全风险。

关于上述装置实施例的说明可以参阅上述对应的方法实施例的说明。

基于上述同样的发明构思，还提供了一种基于大数据和区块链支付的信息检测***，进一步描述如下。

A1.一种基于大数据和区块链支付的信息检测***，包括互相之间通信的大数据服务器和支付终端；其中，所述大数据服务器用于：

获取待检测支付终端中每个远程支付事项所对应的支付事项统计信息，得到i个支付事项统计信息，其中，所述待检测支付终端包括i个远程支付事项，且所述远程支付事项与所述支付事项统计信息具有一一对应的关系，所述i为大于或等于1的整数；

根据所述i个支付事项统计信息确定i个支付安全验证信息，其中，所述支付安全验证信息表示所述远程支付事项针对所述待检测支付终端在每一个支付网络环境中的安全验证记录，所述支付安全验证信息与所述远程支付事项具有一一对应的关系；

根据所述i个支付安全验证信息确定i个安全验证标签，其中，所述安全验证标签与所述远程支付事项具有一一对应的关系；

基于所述i个安全验证标签，通过支付信息检测模型获取所述待检测支付终端所对应的i个支付信息检测结果，其中，所述支付信息检测结果与所述远程支付事项具有一一对应的关系；

通过所述i个支付信息检测结果判断所述待检测支付终端是否存在支付安全风险。

关于上述***实施例的说明可以参阅上述对应的方法实施例的说明。

需要理解的是，针对上述内容没有进行名词解释的技术术语，本领域技术人员可以根据上述所公开的内容进行前后推导毫无疑义地确定其所指代的含义，例如针对一些值、系数、权重、指数、因子等术语，本领域技术人员可以根据前后的逻辑关系进行推导和确定，这些数值的取值范围可以根据实际情况进行选取，例如0~1，又例如1~10，再例如50~100，在此均不作限定。

本领域技术人员可以根据上述已公开的内容毫无疑义对一些预设的、基准的、预定的、设定的以及目标的技术特征/技术术语进行确定，例如阈值、阈值区间、阈值范围等。对于一些未作解释的技术特征术语，本领域技术人员完全能够基于前后文的逻辑关系进行合理地、毫无疑义地推导，从而清楚、完整地实施上述技术方案。未作解释的技术特征术语的前缀，例如“第一”、“第二”、“上一个”、“下一个”、“前一个”、“后一个”、“当前”、“历史”、“最新”、“最佳”、“目标”、“指定”和“实时”等，可以根据前后文进行毫无疑义地推导和确定。未作解释的技术特征术语的后缀，例如“列表”、“特征”、“序列”、“集合”、“矩阵”、“单元”、“元素”、“轨迹”和“清单”等，也可以根据前后文进行毫无疑义地推导和确定。

本发明实施例公开的上述内容对于本领域技术人员而言是清楚完整的。应当理解，本领域技术人员基于上述公开的内容对未作解释的技术术语进行推导和分析的过程是基于本申请所记载的内容进行的，因此上述内容并不是对整体方案的创造性的评判。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可以对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。

同时，本申请使用了特定术语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同部分两次或多次提到的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的至少一个实施例中的某些特征、结构或特点可以进行适当的组合。

另外，本领域普通技术人员可以理解的是，本申请的各个方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可以被称为“单元”、“组件”或“***”。此外，本申请的各方面可以表现为位于至少一个计算机可读介质中的计算机产品，所述产品包括计算机可读程序编码。

计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等等、或合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行***、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤缆线、RF、或类似介质、或任何上述介质的组合。

本申请各方面执行所需的计算机程序码可以用一种或多种程序语言的任意组合编写，包括面向对象程序设计，如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET，Python等，或类似的常规程序编程语言，如"C"编程语言，Visual Basic，Fortran2003，Perl，COBOL 2002，PHP，ABAP，动态编程语言如Python，Ruby和Groovy或其它编程语言。所述程式设计编码可以完全在用户计算机上执行、或作为独立的软体包在用户计算机上执行、或部分在用户计算机上执行部分在远程计算机执行、或完全在远程计算机或服务器上执行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网络(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。

此外，除非申请专利范围中明确说明，本申请所述处理元件和序列的顺序、数位字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的申请专利范围并不仅限于披露的实施例，相反，申请专利范围旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的***组件可以通过硬件装置实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或行动装置上安装所描述的***。

同样应当理解的是，为了简化本申请揭示的表述，从而帮助对至少一个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法幷不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

Claims (10)

1.一种基于大数据和区块链支付的信息检测方法，其特征在于，包括：

获取待检测支付终端中每个远程支付事项所对应的支付事项统计信息，得到i个支付事项统计信息，其中，所述待检测支付终端包括i个远程支付事项，且所述远程支付事项与所述支付事项统计信息具有一一对应的关系，所述i为大于或等于1的整数；

根据所述i个支付事项统计信息确定i个支付安全验证信息，其中，所述支付安全验证信息表示所述远程支付事项针对所述待检测支付终端在每一个支付网络环境中的安全验证记录，所述支付安全验证信息与所述远程支付事项具有一一对应的关系；

根据所述i个支付安全验证信息确定i个安全验证标签，其中，所述安全验证标签与所述远程支付事项具有一一对应的关系；

基于所述i个安全验证标签，通过支付信息检测模型获取所述待检测支付终端所对应的i个支付信息检测结果，其中，所述支付信息检测结果与所述远程支付事项具有一一对应的关系；

通过所述i个支付信息检测结果判断所述待检测支付终端是否存在支付安全风险。

2.根据权利要求1所述的方法，其特征在于，所述获取待检测支付终端中每个远程支付事项所对应的支付事项统计信息，得到i个支付事项统计信息，包括：

针对于所述待检测支付终端中的第j个远程支付事项，获取所述第j个远程支付事项所对应的支付事项标签，其中，所述第j个远程支付事项为所述i个远程支付事项中的任意一个远程支付事项，所述j为大于0，且小于或等于所述i的整数；

针对于所述待检测支付终端中的所述第j个远程支付事项，获取所述第j个远程支付事项所对应的支付事项统计时段；

针对于所述待检测支付终端中的所述第j个远程支付事项，根据所述第j个远程支付事项所对应的支付事项统计时段以及所述第j个远程支付事项所对应的支付事项标签，确定所述第j个远程支付事项所对应的支付事项统计信息。

3.根据权利要求1所述的方法，其特征在于，所述根据所述i个支付事项统计信息确定i个支付安全验证信息，包括：

针对于所述待检测支付终端中的第j个远程支付事项，根据所述第j个远程支付事项的支付事项统计信息确定所述第j个远程支付事项所对应的支付事项对象信息，其中，所述第j个远程支付事项为所述i个远程支付事项中的任意一个远程支付事项，所述j为大于0，且小于或等于所述i的整数；

针对于所述待检测支付终端中的所述第j个远程支付事项，获取所述第j个远程支付事项所对应的支付事项统计时段；

针对于所述待检测支付终端中的所述第j个远程支付事项，根据所述第j个远程支付事项所对应的支付事项统计时段以及所述第j个远程支付事项所对应的支付事项对象信息，确定所述第j个远程支付事项所对应的支付安全验证信息。

4.根据权利要求1所述的方法，其特征在于，所述根据所述i个支付安全验证信息确定i个安全验证标签，包括：

针对于所述待检测支付终端中的第j个远程支付事项，获取所述第j个远程支付事项所对应的支付事项验证指标，其中，所述第j个远程支付事项为所述i个远程支付事项中的任意一个远程支付事项，所述j为大于0，且小于或等于所述i的整数；

针对于所述待检测支付终端中的所述第j个远程支付事项，根据所述第j个远程支付事项所对应的支付事项验证指标以及所述第j个远程支付事项所对应的支付安全验证信息，确定所述第j个远程支付事项所对应的安全验证标签。

5.根据权利要求1所述的方法，其特征在于，所述基于所述i个安全验证标签，通过支付信息检测模型获取所述待检测支付终端所对应的i个支付信息检测结果，包括：

基于所述i个安全验证标签，通过所述支付信息检测模型所包括的至少一个校验记录确定单元获取i个远程支付校验记录；

基于所述i个远程支付校验记录，通过所述支付信息检测模型所包括的至少一个支付信息检测单元获取i个支付信息检测结果。

6.根据权利要求1至5中任一项所述的方法，其特征在于，所述基于所述i个安全验证标签，通过支付信息检测模型获取所述待检测支付终端所对应的i个支付信息检测结果之前，所述方法还包括：

获取历史支付检测记录中每个待训练支付事项所对应的待训练支付事项统计信息，得到i个待训练支付事项统计信息，其中，所述历史支付检测记录包括i个待训练支付事项，且所述待训练支付事项与所述待训练支付事项统计信息具有一一对应的关系；

根据所述i个待训练支付事项统计信息确定i个待训练支付安全验证信息，其中，所述待训练支付安全验证信息与所述待训练支付事项具有一一对应的关系；

根据所述i个待训练支付安全验证信息确定i个待训练安全验证标签，其中，所述待训练安全验证标签与所述待训练支付事项具有一一对应的关系；

基于所述i个待训练安全验证标签，通过待训练支付信息检测模型获取所述历史支付检测记录所对应的i个待训练支付信息检测结果，其中，所述待训练支付信息检测结果与所述待训练支付事项具有一一对应的关系；

获取正例检测模型所对应的i个正例支付信息检测结果；

根据所述i个正例支付信息检测结果以及所述i个待训练支付信息检测结果，对所述待训练支付信息检测模型进行训练，直至满足设定的模型训练条件，得到所述支付信息检测模型；

其中，所述获取正例检测模型所对应的i个正例支付信息检测结果，包括：

获取正例检测模型中每个正例支付事项所对应的正例支付事项统计信息，得到i个正例支付事项统计信息，其中，所述正例检测模型包括i个正例支付事项，且所述正例支付事项与所述正例支付事项统计信息具有一一对应的关系；

根据所述i个正例支付事项统计信息确定i个正例支付安全验证信息，其中，所述正例支付安全验证信息与所述正例支付事项统计信息具有一一对应的关系；

根据所述i个正例支付安全验证信息确定i个正例安全验证标签，其中，所述正例安全验证标签与所述正例支付事项具有一一对应的关系；

基于所述i个正例安全验证标签，通过待训练支付信息检测模型获取所述正例检测模型所对应的i个正例支付信息检测结果，其中，所述正例支付信息检测结果与所述正例支付事项具有一一对应的关系；

其中，所述根据所述i个正例支付信息检测结果以及所述i个待训练支付信息检测结果，对所述待训练支付信息检测模型进行训练，直至满足设定的模型训练条件，得到所述支付信息检测模型，包括：

针对于所述历史支付检测记录中的每个待训练支付事项以及所述每个待训练支付事项所对应的正例支付事项，采用支付安全评价指标计算所述待训练支付信息检测结果与所述正例支付信息检测结果之间的检测结果差异值，得到i个检测结果差异值；

根据所述i个检测结果差异值对所述待训练支付信息检测模型的模型参数进行更新；

若满足所述设定的模型训练条件，则根据更新后的模型参数获取所述支付信息检测模型；

其中，所述设定的模型训练条件为每个检测结果差异值小于设定差异值。

7.根据权利要求1至5中任一项所述的方法，其特征在于，所述基于所述i个安全验证标签，通过支付信息检测模型获取所述待检测支付终端所对应的i个支付信息检测结果之前，所述方法还包括：

获取历史支付检测记录中每个待训练支付事项所对应的待训练支付事项统计信息，得到i个待训练支付事项统计信息，其中，所述历史支付检测记录包括i个待训练支付事项，且所述待训练支付事项与所述待训练支付事项统计信息具有一一对应的关系；

根据所述i个待训练支付事项统计信息确定i个待训练支付安全验证信息，其中，所述待训练支付安全验证信息与所述待训练支付事项具有一一对应的关系；

根据所述i个待训练支付安全验证信息确定i个待训练安全验证标签，其中，所述待训练安全验证标签与所述待训练支付事项具有一一对应的关系；

基于所述i个待训练安全验证标签，通过待训练支付信息检测模型获取所述历史支付检测记录所对应的i个待训练支付信息检测结果，其中，所述待训练支付信息检测结果与所述待训练支付事项具有一一对应的关系；

获取正例检测模型所对应的i个正例支付信息检测结果；获取负例检测模型所对应的i个负例支付信息检测结果；

根据所述i个正例支付信息检测结果、所述i个负例支付信息检测结果以及所述i个待训练支付信息检测结果，对所述待训练支付信息检测模型进行训练，直至满足设定的模型训练条件，得到所述支付信息检测模型；

其中，所述正例检测模型用于对不存在支付安全风险的支付终端进行支付信息检测，所述负例检测模型用于对存在支付安全风险的支付终端进行支付信息检测；

其中，所述获取正例检测模型所对应的i个正例支付信息检测结果，包括：

获取正例检测模型中每个正例支付事项所对应的正例支付事项统计信息，得到i个正例支付事项统计信息，其中，所述正例检测模型包括i个正例支付事项，且所述正例支付事项与所述正例支付事项统计信息具有一一对应的关系；

根据所述i个正例支付事项统计信息确定i个正例支付安全验证信息，其中，所述正例支付安全验证信息与所述正例支付事项统计信息具有一一对应的关系；

根据所述i个正例支付安全验证信息确定i个正例安全验证标签，其中，所述正例安全验证标签与所述正例支付事项具有一一对应的关系；基于所述i个正例安全验证标签，通过待训练支付信息检测模型获取所述正例检测模型所对应的i个正例支付信息检测结果，其中，所述正例支付信息检测结果与所述正例支付事项具有一一对应的关系；

其中，所述获取负例检测模型所对应的i个负例支付信息检测结果，包括：

获取负例检测模型中每个负例支付事项所对应的负例支付事项统计信息，得到i个负例支付事项统计信息，其中，所述负例检测模型包括i个负例支付事项，且所述负例支付事项与所述负例支付事项统计信息具有一一对应的关系；

根据所述i个负例支付事项统计信息确定i个负例支付安全验证信息，其中，所述负例支付安全验证信息与所述负例支付事项统计信息具有一一对应的关系；

根据所述i个负例支付安全验证信息确定i个负例安全验证标签，其中，所述负例安全验证标签与所述负例支付事项具有一一对应的关系；基于所述i个负例安全验证标签，通过待训练支付信息检测模型获取所述负例检测模型所对应的i个负例支付信息检测结果，其中，所述负例支付信息检测结果与所述负例支付事项具有一一对应的关系；

其中，所述根据所述i个正例支付信息检测结果、所述i个负例支付信息检测结果以及所述i个待训练支付信息检测结果，对所述待训练支付信息检测模型进行训练，直至满足设定的模型训练条件，得到所述支付信息检测模型，包括：

针对于所述历史支付检测记录中的每个待训练支付事项以及所述每个待训练支付事项所对应的正例支付事项，采用第一支付安全评价指标计算所述待训练支付信息检测结果与所述正例支付信息检测结果之间的第一检测结果差异值，得到i个第一检测结果差异值；

针对于所述历史支付检测记录中的每个待训练支付事项以及负例支付事项，采用第二支付安全评价指标计算所述待训练支付信息检测结果与是负例支付信息检测结果之间的第二检测结果差异值，得到i个第二检测结果差异值；

根据所述i个第一检测结果差异值以及所述i个第二检测结果差异值，对所述待训练支付信息检测模型的模型参数进行更新；若满足所述设定的模型训练条件，则根据更新后的模型参数获取所述支付信息检测模型；

其中，所述设定的模型训练条件为所述i个第一检测结果差异值以及所述i个第二检测结果差异值的均值小于设定差异值。

8.根据权利要求1至7中任一项所述的方法，其特征在于，通过所述i个支付信息检测结果判断所述待检测支付终端是否存在支付安全风险，包括：

获取所述i个支付信息检测结果对应的所述待检测支付终端的支付操作数据集，所述支付操作数据集包括至少一组支付操作数据及其对应的操作行为标记信息，所述操作行为标记信息包括所述支付操作数据对应的操作行为及其对应的描述所述操作行为的实时标记信息；

将所述支付操作数据集输入预设的数据特征提取线程，以使得所述预设的数据特征提取线程依据所述支付操作数据输出支付操作数据的特征提取结果，所述支付操作数据的特征提取结果包括所述预设的数据特征提取线程提取到的所述支付操作数据对应的操作行为及所述操作行为的操作行为特征信息；

确定所述操作行为标记信息中所述实时标记信息与所述支付操作数据的特征提取结果中所述操作行为特征信息的第一重叠特征信息；

基于当前所述预设的数据特征提取线程输出的所述支付操作数据的特征提取结果、所述操作行为标记信息、所述第一重叠特征信息构造第一线程训练信息；

依据所述第一线程训练信息对所述预设的数据特征提取线程进行训练，当训练次数满足设定训练次数以获得训练完成的所述预设的数据特征提取线程；

将所述待检测支付终端对应的远程支付发起请求对应的请求数据输入所述训练完成的所述预设的数据特征提取线程，输出所述待检测支付终端对应的远程支付发起请求对应的请求数据的请求数据的特征提取结果；

通过所述支付操作数据的特征提取结果以及所述请求数据的特征提取结果，确定所述待检测支付终端在当前时段内是否处于数据接口免验证状态；若是，则判定待检测支付终端存在支付安全风险；若否，则判定待检测支付终端不存在支付安全风险。

9.一种大数据服务器，其特征在于，包括处理引擎、网络模块和存储器；所述处理引擎和所述存储器通过所述网络模块通信，所述处理引擎从所述存储器中读取计算机程序并运行，以执行权利要求1-8任一项所述的方法。

10.一种计算机可读信号介质，其特征在于，其上存储有计算机程序，所述计算机程序在运行是实现权利要求1-8任一项所述的方法。

Images