CN113435770A - 基于区块链的交易风险评估方法及装置 - Google Patents
基于区块链的交易风险评估方法及装置 Download PDFInfo
- Publication number
- CN113435770A CN113435770A CN202110768964.0A CN202110768964A CN113435770A CN 113435770 A CN113435770 A CN 113435770A CN 202110768964 A CN202110768964 A CN 202110768964A CN 113435770 A CN113435770 A CN 113435770A
- Authority
- CN
- China
- Prior art keywords
- risk
- early warning
- block chain
- transaction
- financial institution
- 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 67
- 238000012502 risk assessment Methods 0.000 title claims abstract description 64
- 238000011156 evaluation Methods 0.000 claims abstract description 30
- 238000012216 screening Methods 0.000 claims abstract description 8
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 238000010801 machine learning Methods 0.000 claims description 13
- 230000006399 behavior Effects 0.000 claims description 10
- 238000013500 data storage Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims 1
- 230000007246 mechanism Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 13
- 238000012546 transfer Methods 0.000 description 9
- 230000010354 integration Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 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
- 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
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种基于区块链的交易风险评估方法及装置,涉及区块链技术领域,该方法包括:根据目标客户的历史风险数据,提取目标客户的风险类型,并将提取的风险类型存储到区块链网络上;当接收到目标客户在任一个金融机构的业务交易请求时,从区块链网络上查询目标客户的风险类型,并从各个金融机构的风险预警模型子集合中筛选出各个风险类型对应的风险预警模型;将目标客户的实时交易数据,输入到筛选出的各个风险预警模型中,输出相应的风险评估结果;利用区块链网络上预先配置的智能合约,根据目标客户的风险类型和对应的风险评估结果,进而确定是否限制目标客户的交易操作。本发明能获得更准确的风险评估结果,有效防止风险业务交易的发生。
Description
技术领域
本发明涉及区块链技术领域,尤其涉及一种基于区块链的交易风险评估方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
现在的银行集团通常有几十个分行,每个分行独立开发和运用自己的风险模型,分行之间缺乏分享,这样使得集团整体的研发成本很高,所以好的风控模型在集团中的共享就显得尤为重要,不仅可以使得集团下的子分行可以节省自身的研发成本,还可以使用借鉴别的子分行开发的优秀模型,对于集团来说益处甚多。区块链的不可伪造,公开透明的优点可以使得风控模型的共享效率更高,也就是使得风险控制更加有效。
针对上述问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例中提供了一种基于区块链的交易风险评估方法,用以解决现有金融机构的业务***缺乏有效的机制控制客户交易风险的技术问题,该方法包括:根据目标客户的历史风险数据,提取目标客户的风险类型,得到目标客户的风险类型集合,并将风险类型集合存储到区块链网络上,其中,风险类型集合中包含:一个或多个风险类型;当接收到目标客户在任一个金融机构的业务交易请求时,从区块链网络上查询目标客户的风险类型集合,并从各个金融机构的风险预警模型子集合中筛选出风险类型集合中各个风险类型对应的风险预警模型,其中,每个金融机构的风险预警模型子集合包括:多个风险类型对应的风险预警模型;根据业务交易请求,获取目标客户的实时交易数据,并将目标客户的实时交易数据输入到筛选出的各个风险预警模型中,输出各个风险预警模型的风险评估结果;利用区块链网络上预先配置的智能合约,根据目标客户的风险类型集合和风险类型集合中各个风险类型对应风险预警模型的风险评估结果,获得目标客户的风险预警标识;根据目标客户的风险预警标识,确定是否限制目标客户的交易操作。
本发明实施例中还提供了一种基于区块链的交易风险评估装置,用以解决现有金融机构的业务***缺乏有效的机制控制客户交易风险的技术问题,该装置包括:区块链数据存储模块,用于根据目标客户的历史风险数据,提取目标客户的风险类型,得到目标客户的风险类型集合,并将风险类型集合存储到区块链网络上,其中,风险类型集合中包含:一个或多个风险类型;风险预警模型选择模块,用于当接收到目标客户在任一个金融机构的业务交易请求时,从区块链网络上查询目标客户的风险类型集合,并从各个金融机构的风险预警模型子集合中筛选出风险类型集合中各个风险类型对应的风险预警模型,其中,每个金融机构的风险预警模型子集合包括:多个风险类型对应的风险预警模型;风险评估模块,用于根据业务交易请求,获取目标客户的实时交易数据,并将目标客户的实时交易数据输入到筛选出的各个风险预警模型中,输出各个风险预警模型的风险评估结果;风险预警模块,用于利用区块链网络上预先配置的智能合约,根据目标客户的风险类型集合和风险类型集合中各个风险类型对应风险预警模型的风险评估结果,获得目标客户的风险预警标识;交易行为控制模块,用于根据目标客户的风险预警标识,确定是否限制目标客户的交易操作。
本发明实施例中还提供了一种计算机设备,用以解决现有金融机构的业务***缺乏有效的机制控制客户交易风险的技术问题,该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,处理器执行计算机程序时实现上述基于区块链的交易风险评估方法。
本发明实施例中还提供了一种计算机可读存储介质,用以解决现有金融机构的业务***缺乏有效的机制控制客户交易风险的技术问题,该计算机可读存储介质存储有执行上述基于区块链的交易风险评估方法的计算机程序。
本发明实施例中提供的基于区块链的交易风险评估方法、装置、计算机设备及计算机可读存储介质,利用目标客户的历史风险数据提取得到目标客户的风险类型后,将目标客户的风险类型存储到区块链网络上,进而基于区块链网络上存储的该目标客户的风险类型,从各个金融机构的风险预警模型子集合中筛选出能够预测相应风险类型的风险预警模型,利用筛选出的风险预警模型对目标客户进行风险预警,得到目标客户的风险评估结果,最后利用区块链网络上预先配置的智能合约,根据目标客户的风险评估结果,确定是否限制目标客户的交易操作。
通过本发明实施例,基于区块链网络上存储的目标客户风险类型集合,获取相应的风险预警模型,对目标客户进行风险预警,能够获得更加准确的风险评估结果,利用该风险评估结果控制目标客户的交易行为,能够有效防止风险业务交易的发生。
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。在附图中:
图1为本发明实施例中提供的一种基于区块链的交易风险评估方法流程图;
图2为本发明实施例中提供的一种基于区块链的交易风险评估***示意图;
图3为本发明实施例中提供的一种机器学习方法流程图;
图4为本发明实施例中提供的一种模型参数更新流程图;
图5为本发明实施例中提供的一种区块链网络构建流程图;
图6为本发明实施例中提供的一种基于区块链的交易风险评估装置示意图;
图7为本发明实施例中提供的一种可选的基于区块链的交易风险评估方法流程图;
图8为本发明实施例中提供的一种计算机设备示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
本发明实施例中提供了一种基于区块链的交易风险评估方法,图1为本发明实施例中提供的一种基于区块链的交易风险评估方法流程图,如图1所示,该方法包括:
S101,根据目标客户的历史风险数据,提取目标客户的风险类型,得到目标客户的风险类型集合,并将风险类型集合存储到区块链网络上,其中,风险类型集合中包含:一个或多个风险类型。
需要说明的是,本发明实施例中的区块链网络可以是由各个金融机构的业务***作为区块链存储节点构建的区块链网络;也可以是一个单独的区块链网络,各个金融机构的业务***通过区块链客户端接入该区块链网络。由于各个金融机构的业务***都可直接与区块链网络通信,因而,各个金融机构的业务***均可将各自金融机构内各个客户的交易数据数据和风险数据存储到区块链网络上,使得任意一个金融机构的业务***均可通过区块链网络查询到目标客户在所有金融机构的交易数据和风险数据。
可选地,为了保护各个金融机构的数据私密性,在将目标客户在各个金融机构的交易数据和风险数据存储到区块链网络上的时候,可对待上传的交易数据和风险数据进行加密处理,例如,生成交易数据和风险数据的摘要信息,仅将交易数据和风险数据对应的摘要信息存储到区块链网络上,也可以对交易数据和风险数据进行加密处理,将加密后的交易数据和风险数据存储到区块链网络上。
本发明实施例中提取的风险类型包括但不限于:账号被盗用风险、非法资金转移风险、客户流失风险、欺诈风险、违约风险等。不同的客户,存在的风险可能不同。每个客户存在的风险也可能不只一种。
在一个实施例中,本发明实施例中提供的基于区块链的交易风险评估方法,还可通过如下步骤来构建目标客户的风险类型集合:根据相似客户或关联客户的历史风险数据,提取相似客户或关联客户的的风险类型,其中,相似客户为与目标客户的相似度超过预设阈值的客户,关联客户为与目标客户具有关联关系的客户;将相似客户和关联客户的风险类型,添加到目标客户的风险类型集合中。
在具体实施式,对于相似客户的确定,可根据第一客户和第二客户多个维度的属性信息,计算第一客户和第二客户之间的欧式距离,以表征第一客户和第二客户的相似度,将相似度高于预设阈值的第一客户和第二客户确定为相似客户。对于关联客户的确定,可以是具有业务交易的两个客户,例如,某个客户和目标客户进行了转账交易,且转账金额超于预设金额,或者转账次数超过预设次数,则将该客户确定为目标客户的关联客户。
S102,当接收到目标客户在任一个金融机构的业务交易请求时,从区块链网络上查询目标客户的风险类型集合,并从各个金融机构的风险预警模型子集合中筛选出风险类型集合中各个风险类型对应的风险预警模型,其中,每个金融机构的风险预警模型子集合包括:多个风险类型对应的风险预警模型。
需要说明的是,每个金融机构都具有一个风险预警模型子集合,该风险预警模型子集合中包含多个风险预警模型,每个风险预警模型用于预测不同的风险类型,根据目标客户在区块链网络上存储的各个风险类型,选择出对应的风险预警模型后,可以利用选择出的这些风险预警模型对该目标客户进行风险评估,例如,使用支持向量机模型和贝叶斯模型预测违约风险,使用三个深度学习模型预测非法资金转移风险。
S103,根据业务交易请求,获取目标客户的实时交易数据,并将目标客户的实时交易数据输入到筛选出的各个风险预警模型中,输出各个风险预警模型的风险评估结果。
由于区块链网络上存储有目标客户在各个金融机构的交易数据和风险数据,因而,利用区块链网络上存储的目标客户的交易数据和风险数据,对该目标客户进行风险评估,能够获得更加准确的风险评估结果。
本发明实施例中输出的风险评估结果可以是目标客户是否发生非法资金转移风险、是否存在违约风险,以及发生风险的概率大小。
需要说明的是,本发明实施例中的风险预警模型可以是预先通过机器学习训练得到的能够根据目标客户在各个金融机构的交易数据和风险数据,预测出该目标客户的交易风险大小的一个模型。
可选地,每个金融机构的风险预警模型可以不只一个,各个金融机构的风险预警模型可以相同,也可以不同。当每个金融机构的风险预警模型为多个的情况下,可以通过预先配置的集成算法将多个风险预警模型进行集成,得到一个更加准确的风险预警模型。本发明实施例中采用的机器学习模型集成算法包括但不限于如下三类:Bagging算法、Boosting算法、Stacking算法。
在具体实施时,针对不同的业务交易场景,可通过机器学习训练得到不同的风险预警模型,以便能够更加准确地预测出客户的业务交易风险。
S104,利用区块链网络上预先配置的智能合约,根据目标客户的风险类型集合和风险类型集合中各个风险类型对应风险预警模型的风险评估结果,获得目标客户的风险预警标识。
需要说明的是,本发明实施例中,在区块链网络上预先配置的智能合约是一段程序代码,针对不同业务场景、不同也业务逻辑,需要限制客户不同的交易行为,因而可配置不同的智能合约。在利用区块链网络上存储的目标客户的交易数据和风险数据,对该目标客户进行风险评估,利用区块链网络上预先配置的智能合约,根据目标客户的风险评估结果,控制目标客户在各个金融机构执行的交易操作。
本发明实施例中,智能合约配置了机器学习的各种集成算法,可以对上述模型的结果进行综合,并最终得出一个最终的结论:也就是该客户的交易是否有对应的风险(例如,非法资金转移风险、违约风险等)。
上述集成算法中,用到的每个风险预警模型的精度,是基于区块链中所有金融机构节点共有的数据源评估出来的,比如可以是超级节点上传的数据源,而不是基于单一金融机构的各自数据源评估出来的。通过这种方式,能够精确地评估每个模型的性能,便于客观的评估各个模型之间的性能,避免单个金融机构夸大或者低估该模型的性能,以及评估规则不一致导致的评估性能失真的问题。例如,上述交易预警模型显示该客户的当前交易存在非法资金转移风险或者欺诈风险大,那么应该终止该客户的当前交易行为。
S105,根据目标客户的风险预警标识,确定是否限制目标客户的交易操作。
需要说明的是,本发明实施例中提供的基于区块链的交易风险评估方法,可以应用于实时监控客户的交易行为,也可以批量预测客户的流失风险,并将结果通知到各个金融机构(例如,某个银行集团下具体的支行)。
图2示出了本发明实施例中提供的一种基于区块链的交易风险评估***,如图2所示,该***包括:区块链网络和多个金融机构的业务***(图2中示出了四个金融机构的业务***,分别为金融机构1、金融机构2、金融机构3和金融机构4);每个金融机构的业务***与区块链网络通信,每个金融机构的业务***中包含多个风险预警模型(图2中示出了三个风险预警模型,分别为模型A、模型B和模型C),对于每个金融机构的业务***,多个风险预警模型可以单独对客户的业务交易风险进行预测,也可以将多个风险预警模型结合,对客户的业务交易风险进行预测。
需要注意的是,图2中各个金融机构的风险预警模型仅为示例,实际场景下,各个金融机构可能采用不同数量,不同类型的风险预警模型。
为了获得更加准确的风险评估结果,在一个实施例中,如图3所示,本发明实施例中提供的基于区块链的交易风险评估方法还可通过如下步骤来训练得到每个金融机构在不同交易场景下的风险预警模型:
S301,获取预先配置的多个交易场景;
S302,根据预先配置的多个交易场景,通过机器学习训练得到每个金融机构的风险预警模型子集合,其中,每个金融机构的风险预警模型子集合包括:每个金融机构在不同交易场景下的多个风险预警模型。
可选地,上述S302中,对于如下任意一种模型进行机器学习,训练得到每个金融机构的风险预警模型子集合:支持向量机模型、贝叶斯模型和神经网络模型。
该实施例中,当接收到目标客户在任一个金融机构的业务交易请求时,获取当前业务交易场景,根据当前业务交易场景和区块链网络上存储的目标客户的风险类型集合,从各个金融机构的风险预警模型子集合中筛选出当前业务交易场景下相应风险类型对应的风险预警模型。
进一步地,为了提高机器学习模型的泛化能力,在一个实施例中,如图4所示,本发明实施例中提供的基于区块链的交易风险评估方法还可通过如下步骤来实现模型参数的更新:
S401,将目标客户在各个金融机构的风险评估结果上传到区块链网络上;
S402,根据区块链网络上存储的目标客户的风险评估结果,对在各个金融机在不同交易场景下的风险预警模型进行参数更新。
在一个实施例中,如图5所示,本发明实施例中提供的基于区块链的交易风险评估方法可以通过如下步骤构建区块链网络:
S501,将各个金融机构的业务***作为区块链存储节点,构建区块链网络,其中,区块链网络中的各个区块链存储节点基于共识算法存储区块链数据。
在一个实施例中,如图5所示,在将各个金融机构的业务***作为区块链存储节点,构建区块链网络之后,本发明实施例中提供的基于区块链的交易风险评估方法还包括:
S502,获取各个金融机构的风险类型、风险预警模型方法类别、风险预警模型个数、各个风险预警模型对应的交易场景以及每个风险预警模型的模型准确率,其中,不同的方法类别对应不同的模型训练方法;
S503,根据各个金融机构的风险类型、风险预警模型方法类别、风险预警模型个数、各个风险预警模型对应的交易场景以及每个风险预警模型的模型准确率,确定或更新各个金融机构对应区块链存储节点在共识算法中的权重值。
在本发明实施例中,根据各个金融机构的风险类型、风险预警模型方法类别、风险预警模型个数、各个风险预警模型对应的交易场景以及每个风险预警模型的模型准确率,确定或更新各个金融机构对应区块链存储节点在共识算法中的权重值,能够使得区块链网络中的各个数据存储节点更快达到共识,从而提高区块链网络的数据存储效率。例如,设置为:对于每一个不同的场景和风险类型的组合,对每一个模型预警方法选择出一个预警精度最高的模型组成一个模型集合,也就是每一个不同的场景和风险类型的组合对应一个模型集合,然后计算每一个模型集合中精度大于阈值的风险预警模型的精度之和,然后将不同场景和风险类型组合对应的模型集合对应的和相加,得到一个总和s,将该机构的权重设置为w=f(s),其中f是一个单调增函数。
在一个实施例中,如图5所示,在将各个金融机构的业务***作为区块链存储节点,构建区块链网络之后,本发明实施例中提供的基于区块链的交易风险评估方法还包括:
S504,在区块链网络中配置一个超级节点,其中,超级节点对应的金融机构用于管理和控制区块链网络中各个区块链存储节点对应金融机构的风险预警模型,以及区块链网络上各个区块链存储节点共有的数据源。
在具体实施时,当各个金融机构为某个银行的各分支机构的情况下,超级节点可以是该银行总部对应的区块链存储节点。
将本发明实施例中提供的基于区块链的交易风险评估方法应用于银行客户的业务交易风险评估时,具体可包括:
1)区块链上存储有节点机构的若干风险预警模型,每个风险预警模型可用于识别和预测金融交易中的风险。
2)对区块链的风险预警模型依据风险类别和应用场景,预测结果类别做分类,分类为若干个风险预警模型子集合。比如风险类别有账号被盗用风险、非法资金转移风险、客户流失风险、欺诈风险、违约风险等,应用场景有:对公,对私,跨境交易等,预测结果类别可以是:风险概率,风险类别,风险时间等。
3)基于上传到区块链的数据(包括风险数据),对风险预警模型子集合中的风险预警模型进行性能评估,并将评估结果存储到区块链中。每个具体的风险预警模型使用特定的方法类别,输入参数,关键特征,方法类别可以是机器学习的方法,比如支持向量机,贝叶斯,神经网络等,输入参数和关键特征依赖于具体的交易数据,比如身份验证的次数等。
4)将每个风险预警模型子集合都对应一个集成算法,集成的单元就是子集合的每个风险预警模型,权重和每个风险预警模型的精度相关,也即是风险预警模型越精确,权重越大。这个集成算法可以提供给每个节点结构,供他们选择使用。
5)区块链中的节点机构,依据金融交易的场景和交易数据,选取对应的风险预警模型子集合。然后依据风险预警模型子集合的风险预警模型,对该节点机构的交易进行风险预测。一种选择是:使用子集合对应的集成算法。当然,该节点结构可以上传自己的风险预警模型,这样对区块链的风险预警模型子集合进行更新。
6)每一个节点机构的金融交易的风险预测结果和事后的风险评估结果都上传区块链,然后基于该数据,对风险预警模型的性能参数进行调整。之前的模型评估可能由于样本数据的不足,评估出的精度并不准确,新出现的样本数据正好可以弥补之前的不足。
7)区块链中的共识算法中的每个机构节点的权重,依赖于节点结构上传的风险预警模型的方法类别、风险预警模型个数、各个风险预警模型对应的交易场景以及每个风险预警模型的模型准确率。比如设置为:对于每一个不同的场景和风险类型的组合,对每一个模型预警方法选择出一个预警精度最高的模型组成一个模型集合,也就是每一个不同的场景和风险类型的组合对应一个模型集合,然后计算每一个模型集合中精度大于阈值的风险预警模型的精度之和,然后将不同场景和风险类型组合对应的模型集合对应的和相加,得到一个总和s,将该机构的权重设置为w=f(s),其中f是一个单调增函数。
8)在区块链中,有一个超级节点,这个可以是总行对应的风控机构,用于管理和控制区块链中的风控模型,比如7)中的阈值。
本发明实施例,利用区块链记录对公客户在各个机构的交易数据和风险数据。然后基于各个机构的风险数据对该客户的风险进行评估。依据风险评估结果和预先设置好的智能合约,限制该客户的交易行为,能够有效给客户提供服务,同时能有效减小各种业务交易风险。
基于同一发明构思,本发明实施例中还提供了一种基于区块链的交易风险评估装置,如下面的实施例所述。由于该装置解决问题的原理与基于区块链的交易风险评估方法相似,因此该装置的实施可以参见基于区块链的交易风险评估方法的实施,重复之处不再赘述。
图6为本发明实施例中提供的一种基于区块链的交易风险评估装置示意图,如图6所示,该装置包括:区块链数据存储模块601、风险预警模型选择模块602、风险评估模块603、风险预警模块604和交易行为控制模块605。
其中,区块链数据存储模块601,用于根据目标客户的历史风险数据,提取目标客户的风险类型,得到目标客户的风险类型集合,并将风险类型集合存储到区块链网络上,其中,风险类型集合中包含:一个或多个风险类型;风险预警模型选择模块602,用于当接收到目标客户在任一个金融机构的业务交易请求时,从区块链网络上查询目标客户的风险类型集合,并从各个金融机构的风险预警模型子集合中筛选出风险类型集合中各个风险类型对应的风险预警模型,其中,每个金融机构的风险预警模型子集合包括:多个风险类型对应的风险预警模型;风险评估模块603,用于将区块链网络上存储的目标客户的交易数据和风险数据,输入至各个金融机构的风险预警模型中,输出目标客户在各个金融机构的风险评估结果;风险预警模块604,用于根据业务交易请求,获取目标客户的实时交易数据,并将目标客户的实时交易数据输入到筛选出的各个风险预警模型中,输出各个风险预警模型的风险评估结果;交易行为控制模块605,用于利用区块链网络上预先配置的智能合约,根据目标客户的风险类型集合和风险类型集合中各个风险类型对应风险预警模型的风险评估结果,获得目标客户的风险预警标识。
在一个实施例中,如图7所示,本发明实施例中提供的基于区块链的交易风险评估装置还包括:客户风险类型集合构建模块606,用于根据相似客户或关联客户的历史风险数据,提取相似客户或关联客户的的风险类型,以及将相似客户和关联客户的风险类型,添加到目标客户的风险类型集合中,其中,相似客户为与目标客户的相似度超过预设阈值的客户,关联客户为与目标客户具有关联关系的客户。
在一个实施例中,如图7所示,本发明实施例中提供的基于区块链的交易风险评估装置还包括:交易场景配置模块607,用于获取预先配置的多个交易场景;风险预警模型训练模块608,用于根据预先配置的多个交易场景,通过机器学习训练得到每个金融机构的风险预警模型子集合,其中,每个金融机构的风险预警模型子集合包括:每个金融机构在不同交易场景下的多个风险预警模型。该实施例中,风险预警模型选择模块602,还用于当接收到目标客户在任一个金融机构的业务交易请求时,获取当前业务交易场景,根据当前业务交易场景和区块链网络上存储的目标客户的风险类型集合,从各个金融机构的风险预警模型子集合中筛选出当前业务交易场景下相应风险类型对应的风险预警模型。
可选地,上述风险预警模型训练模块608可对于如下任意一种模型进行机器学习,训练得到每个金融机构的风险预警模型子集合:支持向量机模型、贝叶斯模型和神经网络模型。
在一个实施例中,如图7所示,本发明实施例中提供的基于区块链的交易风险评估装置还包括:风险评估结果上链模块609,用于将目标客户在各个金融机构的风险评估结果上传到区块链网络上;风险预警模型更新模块610,用于根据区块链网络上存储的目标客户的风险评估结果,对在各个金融机在不同交易场景下的风险预警模型进行参数更新。
在一个实施例中,如图7所示,本发明实施例中提供的基于区块链的交易风险评估装置还包括:区块链网络构建模块611,用于将各个金融机构的业务***作为区块链存储节点,构建区块链网络,其中,区块链网络中的各个区块链存储节点基于共识算法存储区块链数据。
在一个实施例中,如图7所示,本发明实施例中提供的基于区块链的交易风险评估装置还包括:共识算法更新模块612,用于获取各个金融机构的风险类型、风险预警模型方法类别、风险预警模型个数、各个风险预警模型对应的交易场景以及每个风险预警模型的模型准确率;以及根据各个金融机构的风险类型、风险预警模型方法类别、风险预警模型个数、各个风险预警模型对应的交易场景以及每个风险预警模型的模型准确率,确定或更新各个金融机构对应区块链存储节点在共识算法中的权重值,其中,不同的方法类别对应不同的模型训练方法。
在一个实施例中,如图7所示,本发明实施例中提供的基于区块链的交易风险评估装置还包括:超级节点配置模块613,用于在区块链网络中配置一个超级节点,其中,超级节点对应的金融机构用于管理和控制区块链网络中各个区块链存储节点对应金融机构的风险预警模型,以及区块链网络上各个区块链存储节点共有的数据源。
基于同一发明构思,本发明实施例中还提供了一种计算机设备,用以解决现有金融机构的业务***缺乏有效的机制控制客户交易风险的技术问题,图8为本发明实施例中提供的一种计算机设备示意图,如图8所示,该计算机设备80包括存储器801、处理器802及存储在存储器801上并可在处理器802上运行的计算机程序,处理器执行计算机程序时实现上述基于区块链的交易风险评估方法。
基于同一发明构思,本发明实施例中还提供了一种计算机可读存储介质,用以解决现有金融机构的业务***缺乏有效的机制控制客户交易风险的技术问题,该计算机可读存储介质存储有执行上述基于区块链的交易风险评估方法的计算机程序。
综上所述,本发明实施例中提供的基于区块链的交易风险评估方法、装置、计算机设备及计算机可读存储介质,利用目标客户的历史风险数据提取得到目标客户的风险类型后,将目标客户的风险类型存储到区块链网络上,进而基于区块链网络上存储的该目标客户的风险类型,从各个金融机构的风险预警模型子集合中筛选出能够预测相应风险类型的风险预警模型,利用筛选出的风险预警模型对目标客户进行风险预警,得到目标客户的风险评估结果,最后利用区块链网络上预先配置的智能合约,根据目标客户的风险评估结果,确定是否限制目标客户的交易操作。
通过本发明实施例,基于区块链网络上存储的目标客户风险类型集合,获取相应的风险预警模型,对目标客户进行风险预警,能够获得更加准确的风险评估结果,利用该风险评估结果控制目标客户的交易行为,能够有效防止风险业务交易的发生。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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。
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。
Claims (16)
1.一种基于区块链的交易风险评估方法,其特征在于,包括:
根据目标客户的历史风险数据,提取所述目标客户的风险类型,得到所述目标客户的风险类型集合,并将所述风险类型集合存储到区块链网络上,其中,所述风险类型集合中包含:一个或多个风险类型;
当接收到所述目标客户在任一个金融机构的业务交易请求时,从区块链网络上查询所述目标客户的风险类型集合,并从各个金融机构的风险预警模型子集合中筛选出所述风险类型集合中各个风险类型对应的风险预警模型,其中,每个金融机构的风险预警模型子集合包括:多个风险类型对应的风险预警模型;
根据所述业务交易请求,获取所述目标客户的实时交易数据,并将所述目标客户的实时交易数据输入到筛选出的各个风险预警模型中,输出各个风险预警模型的风险评估结果;
利用所述区块链网络上预先配置的智能合约,根据所述目标客户的风险类型集合和所述风险类型集合中各个风险类型对应风险预警模型的风险评估结果,获得所述目标客户的风险预警标识;
根据所述目标客户的风险预警标识,确定是否限制所述目标客户的交易操作。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
根据相似客户或关联客户的历史风险数据,提取相似客户或关联客户的的风险类型,其中,所述相似客户为与所述目标客户的相似度超过预设阈值的客户,所述关联客户为与所述目标客户具有关联关系的客户;
将相似客户和关联客户的风险类型,添加到所述目标客户的风险类型集合中。
3.如权利要求1所述的方法,其特征在于,所述方法还包括:
获取预先配置的多个交易场景;
根据预先配置的多个交易场景,通过机器学习训练得到每个金融机构的风险预警模型子集合,其中,每个金融机构的风险预警模型子集合包括:每个金融机构在不同交易场景下的多个风险预警模型;
其中,当接收到所述目标客户在任一个金融机构的业务交易请求时,获取当前业务交易场景,根据当前业务交易场景和区块链网络上存储的所述目标客户的风险类型集合,从各个金融机构的风险预警模型子集合中筛选出当前业务交易场景下相应风险类型对应的风险预警模型。
4.如权利要求2所述的方法,其特征在于,在将所述区块链网络上存储的所述目标客户的交易数据和风险数据,输入至各个金融机构的风险预警模型中,输出所述目标客户在各个金融机构的风险评估结果之后,所述方法还包括:
将所述目标客户在各个金融机构的风险评估结果上传到所述区块链网络上;
根据区块链网络上存储的目标客户的风险评估结果,对在各个金融机在不同交易场景下的风险预警模型进行参数更新。
5.如权利要求1至4任一项所述的方法,其特征在于,在将目标客户在各个金融机构的交易数据和风险数据存储到区块链网络上之前,所述方法还包括:
将各个金融机构的业务***作为区块链存储节点,构建所述区块链网络,其中,所述区块链网络中的各个区块链存储节点基于共识算法存储区块链数据。
6.如权利要求5所述的方法,其特征在于,在将各个金融机构的业务***作为区块链存储节点,构建所述区块链网络之后,所述方法还包括:
获取各个金融机构的风险类型、风险预警模型方法类别、风险预警模型个数、各个风险预警模型对应的交易场景以及每个风险预警模型的模型准确率,其中,不同的方法类别对应不同的模型训练方法;
根据各个金融机构的风险类型、风险预警模型方法类别、风险预警模型个数、各个风险预警模型对应的交易场景以及每个风险预警模型的模型准确率,确定或更新各个金融机构对应区块链存储节点在共识算法中的权重值。
7.如权利要求6所述的方法,其特征在于,在将各个金融机构的业务***作为区块链存储节点,构建所述区块链网络之后,所述方法还包括:
在所述区块链网络中配置一个超级节点,其中,所述超级节点对应的金融机构用于管理和控制所述区块链网络中各个区块链存储节点对应金融机构的风险预警模型,以及所述区块链网络上各个区块链存储节点共有的数据源。
8.一种基于区块链的交易风险评估装置,其特征在于,包括:
区块链数据存储模块,用于根据目标客户的历史风险数据,提取所述目标客户的风险类型,得到所述目标客户的风险类型集合,并将所述风险类型集合存储到区块链网络上,其中,所述风险类型集合中包含:一个或多个风险类型;
风险预警模型选择模块,用于当接收到所述目标客户在任一个金融机构的业务交易请求时,从区块链网络上查询所述目标客户的风险类型集合,并从各个金融机构的风险预警模型子集合中筛选出所述风险类型集合中各个风险类型对应的风险预警模型,其中,每个金融机构的风险预警模型子集合包括:多个风险类型对应的风险预警模型;
风险评估模块,用于根据所述业务交易请求,获取所述目标客户的实时交易数据,并将所述目标客户的实时交易数据输入到筛选出的各个风险预警模型中,输出各个风险预警模型的风险评估结果;
风险预警模块,用于利用所述区块链网络上预先配置的智能合约,根据所述目标客户的风险类型集合和所述风险类型集合中各个风险类型对应风险预警模型的风险评估结果,获得所述目标客户的风险预警标识;
交易行为控制模块,用于根据所述目标客户的风险预警标识,确定是否限制所述目标客户的交易操作。
9.如权利要求8所述的装置,其特征在于,所述装置还包括:
客户风险类型集合构建模块,用于根据相似客户或关联客户的历史风险数据,提取相似客户或关联客户的的风险类型,以及将相似客户和关联客户的风险类型,添加到所述目标客户的风险类型集合中,其中,所述相似客户为与所述目标客户的相似度超过预设阈值的客户,所述关联客户为与所述目标客户具有关联关系的客户。
10.如权利要求8所述的装置,其特征在于,所述装置还包括:
交易场景配置模块,用于获取预先配置的多个交易场景;
风险预警模型训练模块,用于根据预先配置的多个交易场景,通过机器学习训练得到每个金融机构的风险预警模型子集合,其中,每个金融机构的风险预警模型子集合包括:每个金融机构在不同交易场景下的多个风险预警模型;
其中,所述风险预警模型选择模块还用于当接收到所述目标客户在任一个金融机构的业务交易请求时,获取当前业务交易场景,根据当前业务交易场景和区块链网络上存储的所述目标客户的风险类型集合,从各个金融机构的风险预警模型子集合中筛选出当前业务交易场景下相应风险类型对应的风险预警模型。
11.如权利要求8所述的装置,其特征在于,所述装置还包括:
风险评估结果上链模块,用于将所述目标客户在各个金融机构的风险评估结果上传到所述区块链网络上;
风险预警模型更新模块,用于根据区块链网络上存储的目标客户的风险评估结果,对在各个金融机在不同交易场景下的风险预警模型进行参数更新。
12.如权利要求8至11任一项所述的装置,其特征在于,所述装置还包括:
区块链网络构建模块,用于将各个金融机构的业务***作为区块链存储节点,构建所述区块链网络,其中,所述区块链网络中的各个区块链存储节点基于共识算法存储区块链数据。
13.如权利要求12所述的装置,其特征在于,所述装置还包括:
共识算法更新模块,用于获取各个金融机构的风险类型、风险预警模型方法类别、风险预警模型个数、各个风险预警模型对应的交易场景以及每个风险预警模型的模型准确率;以及根据各个金融机构的风险类型、风险预警模型方法类别、风险预警模型个数、各个风险预警模型对应的交易场景以及每个风险预警模型的模型准确率,确定或更新各个金融机构对应区块链存储节点在共识算法中的权重值,其中,不同的方法类别对应不同的模型训练方法。
14.如权利要求13所述的装置,其特征在于,所述装置还包括:
超级节点配置模块,用于在所述区块链网络中配置一个超级节点,其中,所述超级节点对应的金融机构用于管理和控制所述区块链网络中各个区块链存储节点对应金融机构的风险预警模型,以及所述区块链网络上各个区块链存储节点共有的数据源。
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7任一项所述基于区块链的交易风险评估方法。
16.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求1至7任一项所述基于区块链的交易风险评估方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110768964.0A CN113435770A (zh) | 2021-07-07 | 2021-07-07 | 基于区块链的交易风险评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110768964.0A CN113435770A (zh) | 2021-07-07 | 2021-07-07 | 基于区块链的交易风险评估方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113435770A true CN113435770A (zh) | 2021-09-24 |
Family
ID=77759581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110768964.0A Pending CN113435770A (zh) | 2021-07-07 | 2021-07-07 | 基于区块链的交易风险评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113435770A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114022207A (zh) * | 2021-11-08 | 2022-02-08 | 广东电网有限责任公司广州供电局 | 一种电网营销风险管控方法及装置 |
CN114066584A (zh) * | 2021-11-05 | 2022-02-18 | 支付宝(杭州)信息技术有限公司 | 用于区块链的风险防控的方法及装置 |
CN114240097A (zh) * | 2021-12-02 | 2022-03-25 | 支付宝(杭州)信息技术有限公司 | 一种风险评估的方法及装置 |
CN114255074A (zh) * | 2021-12-06 | 2022-03-29 | 蚂蚁区块链科技(上海)有限公司 | 基于区块链的评估产品价值的方法及*** |
CN114971017A (zh) * | 2022-05-26 | 2022-08-30 | 中国银行股份有限公司 | 银行交易数据的处理方法及装置 |
CN115345734A (zh) * | 2022-10-19 | 2022-11-15 | 山东新科凯邦通信器材有限公司 | 一种基于区块链的产业链金融风控模型构建方法 |
CN115409517A (zh) * | 2022-09-21 | 2022-11-29 | 上海夺畅网络技术有限公司 | 一种跨境电商金融风险控制方法及*** |
CN115760125A (zh) * | 2023-01-09 | 2023-03-07 | 中企云链(北京)金融信息服务有限公司 | 基于区块链的产融数据风险控制方法、***和存储介质 |
CN116630032A (zh) * | 2023-07-17 | 2023-08-22 | 九一金融信息服务(北京)有限公司 | 一种基于区块链的智能贷后管理*** |
CN117034361A (zh) * | 2023-07-31 | 2023-11-10 | 广州承启医学检验有限公司 | 一种基因检测检验实验室信息管理方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107798390A (zh) * | 2017-11-22 | 2018-03-13 | 阿里巴巴集团控股有限公司 | 一种机器学习模型的训练方法、装置以及电子设备 |
US20200043007A1 (en) * | 2018-07-31 | 2020-02-06 | Americorp Investments Llc | Techniques For Expediting Processing Of Blockchain Transactions |
CN111667267A (zh) * | 2020-05-29 | 2020-09-15 | 中国工商银行股份有限公司 | 一种区块链交易风险识别方法及装置 |
CN111815432A (zh) * | 2020-07-08 | 2020-10-23 | 中国工商银行股份有限公司 | 金融服务风险预测方法及装置 |
CN113034274A (zh) * | 2020-08-19 | 2021-06-25 | 深圳大学 | 一种基于区块链的供应链金融服务***、方法及终端设备 |
-
2021
- 2021-07-07 CN CN202110768964.0A patent/CN113435770A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107798390A (zh) * | 2017-11-22 | 2018-03-13 | 阿里巴巴集团控股有限公司 | 一种机器学习模型的训练方法、装置以及电子设备 |
US20200043007A1 (en) * | 2018-07-31 | 2020-02-06 | Americorp Investments Llc | Techniques For Expediting Processing Of Blockchain Transactions |
CN111667267A (zh) * | 2020-05-29 | 2020-09-15 | 中国工商银行股份有限公司 | 一种区块链交易风险识别方法及装置 |
CN111815432A (zh) * | 2020-07-08 | 2020-10-23 | 中国工商银行股份有限公司 | 金融服务风险预测方法及装置 |
CN113034274A (zh) * | 2020-08-19 | 2021-06-25 | 深圳大学 | 一种基于区块链的供应链金融服务***、方法及终端设备 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114066584A (zh) * | 2021-11-05 | 2022-02-18 | 支付宝(杭州)信息技术有限公司 | 用于区块链的风险防控的方法及装置 |
CN114022207A (zh) * | 2021-11-08 | 2022-02-08 | 广东电网有限责任公司广州供电局 | 一种电网营销风险管控方法及装置 |
CN114240097A (zh) * | 2021-12-02 | 2022-03-25 | 支付宝(杭州)信息技术有限公司 | 一种风险评估的方法及装置 |
CN114255074A (zh) * | 2021-12-06 | 2022-03-29 | 蚂蚁区块链科技(上海)有限公司 | 基于区块链的评估产品价值的方法及*** |
CN114971017A (zh) * | 2022-05-26 | 2022-08-30 | 中国银行股份有限公司 | 银行交易数据的处理方法及装置 |
CN115409517A (zh) * | 2022-09-21 | 2022-11-29 | 上海夺畅网络技术有限公司 | 一种跨境电商金融风险控制方法及*** |
CN115345734A (zh) * | 2022-10-19 | 2022-11-15 | 山东新科凯邦通信器材有限公司 | 一种基于区块链的产业链金融风控模型构建方法 |
CN115760125A (zh) * | 2023-01-09 | 2023-03-07 | 中企云链(北京)金融信息服务有限公司 | 基于区块链的产融数据风险控制方法、***和存储介质 |
CN116630032A (zh) * | 2023-07-17 | 2023-08-22 | 九一金融信息服务(北京)有限公司 | 一种基于区块链的智能贷后管理*** |
CN116630032B (zh) * | 2023-07-17 | 2023-10-31 | 九一金融信息服务(北京)有限公司 | 一种基于区块链的智能贷后管理*** |
CN117034361A (zh) * | 2023-07-31 | 2023-11-10 | 广州承启医学检验有限公司 | 一种基因检测检验实验室信息管理方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113435770A (zh) | 基于区块链的交易风险评估方法及装置 | |
CN110084377B (zh) | 用于构建决策树的方法和装置 | |
US20220067752A1 (en) | System and method for blockchain transaction risk management using machine learning | |
US11907955B2 (en) | System and method for blockchain automatic tracing of money flow using artificial intelligence | |
Madan et al. | Automated bitcoin trading via machine learning algorithms | |
US20180322406A1 (en) | Systems and methods for providing machine learning model explainability information | |
WO2019213311A1 (en) | Conducting optimized cross-blockchain currency transactions using machine learning | |
CN108734299A (zh) | 量子计算机器学习模块 | |
KR102330423B1 (ko) | 이미지 인식 딥러닝 알고리즘을 이용한 온라인 부도 예측 시스템 | |
CN112799708A (zh) | 联合更新业务模型的方法及*** | |
US11699183B2 (en) | Cryptocurrency mining selection system and method | |
KR102344383B1 (ko) | 인공지능 기반 매장 수요 예측 방법 및 시스템 | |
CN114693192A (zh) | 风控决策方法、装置、计算机设备和存储介质 | |
US20210239479A1 (en) | Predicted Destination by User Behavior Learning | |
CN113436006A (zh) | 基于区块链的贷款风险预测方法及装置 | |
US11854018B2 (en) | Labeling optimization through image clustering | |
CN113689270A (zh) | 黑产设备的确定方法、电子设备、存储介质及程序产品 | |
CN110414260B (zh) | 一种数据访问方法、装置、***及存储介质 | |
WO2023103688A1 (en) | Federated machine learning based on partially secured spatio-temporal data | |
US20210326332A1 (en) | Temporal directed cycle detection and pruning in transaction graphs | |
AU2021218217A1 (en) | Systems and methods for preventative monitoring using AI learning of outcomes and responses from previous experience. | |
CN117112369B (zh) | 一种基于区块链的设备管理SaaS*** | |
US20230377004A1 (en) | Systems and methods for request validation | |
US20240086923A1 (en) | Entity profile for access control | |
US20240177298A1 (en) | System and method for analyzing system health of individual electronic components using image mapping |
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 |