CN115409512A - 异常信息检测方法、装置、计算机设备、存储介质 - Google Patents
异常信息检测方法、装置、计算机设备、存储介质 Download PDFInfo
- Publication number
- CN115409512A CN115409512A CN202211025779.3A CN202211025779A CN115409512A CN 115409512 A CN115409512 A CN 115409512A CN 202211025779 A CN202211025779 A CN 202211025779A CN 115409512 A CN115409512 A CN 115409512A
- Authority
- CN
- China
- Prior art keywords
- internal
- external
- platform
- target
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24553—Query execution of query operations
- G06F16/24558—Binary matching operations
-
- 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
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Technology Law (AREA)
- Marketing (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种异常信息检测方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:通过内部平台获取目标业务数据,并识别目标业务数据对应的目标外部平台;从内部平台的模型库中获取与目标外部平台对应的目标联合模型;调用目标联合模型处理目标业务数据,得到目标业务数据的异常预测参数;将异常预测参数和预设条件进行对比,得到对比结果,根据对比结果确定目标业务数据的异常信息检测结果。采用本方法能够结合内部平台数据和目标外部平台数据对业务数据进行异常预测,提高了用于异常预测的标签数据维度,从而提高异常预测参数的准确度,采用较高准确度的异常预测参数,能够提高异常信息检测的精准度。
Description
技术领域
本申请涉及信息安全技术领域,特别是涉及一种异常信息检测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
互联网的快速发展以及智能终端的普及,使得人们在使用电子银行办理查询余额、转账、购物支付、理财等业务时获得了极大的便捷,但同时伴随的则是电子银行面临的安全隐患和遭到恶意侵害带来的风险。调查显示,网络犯罪日益复杂并向不同行业渗透,每年给全球带来高达4450亿美元的经济损失。并且欺诈行为已发展成为一个组织严密、专业分工明确的黑色产业链条,为银行发展网络金融业务带来了严峻挑战。
传统技术中,异常信息的监控主要依靠单平台的内部数据,数据来源单一,很少引入其他平台的外部数据,容易形成数据孤岛。这种情况下,单平台进行异常信息检测时不能获取到全面的异常标签,可拓展的数据维度十分有限,对当前平台的新用户或低频业务的异常信息检测的精准度相对较低。
目前的异常信息检测方式存在检测精准度较低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高异常信息检测精准度的异常信息检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种异常信息检测方法。所述方法包括:
通过内部平台获取目标业务数据,并识别目标业务数据对应的目标外部平台;
从内部平台的模型库中获取与目标外部平台对应的目标联合模型;
调用目标联合模型处理目标业务数据,得到目标业务数据的异常预测参数;
将异常预测参数和预设条件进行对比,得到对比结果,根据对比结果确定目标业务数据的异常信息检测结果。
在其中一个实施例中,方法还包括:
与至少一个外部平台分别进行联合建模,得到多个联合模型,每个联合模型分别对应一个外部平台;
在模型库中存储多个联合模型。
在其中一个实施例中,与至少一个外部平台分别进行联合建模,得到多个联合模型,包括:
将内部平台对应的第一数据库与目标外部平台对应的第二数据库进行数据匹配,得到内部平台与目标外部平台的数据交集;
采用数据交集与目标外部平台进行联合建模,得到目标联合模型。
在其中一个实施例中,将内部平台对应的第一数据库与目标外部平台对应的第二数据库进行数据匹配,得到内部平台与目标外部平台的数据交集,包括:
采用预设规则对第一数据库中的每一条待匹配内部数据进行加密处理,得到多个内部匹配向量;
接收目标外部平台传输的多个外部匹配向量;
对每一个内部匹配向量和每一个外部匹配向量进行匹配,得到匹配结果,若匹配结果满足预设匹配条件,确定待匹配内部数据为匹配数据;
获取第一数据库中所有的匹配数据,得到数据交集。
在其中一个实施例中,采用预设规则对第一数据库中的每一条待匹配内部数据进行加密处理,得到多个内部匹配向量,包括:
从第一数据库中获取待匹配内部数据,并对待匹配内部数据进行映射运算,得到第一预设维度的内部信息向量;
接收目标外部平台传输的第一外部随机矩阵和第二外部随机矩阵;第一外部随机矩阵和第二外部随机矩阵是目标外部平台基于第二预设维度生成的,第二预设维度基于第一预设维度确定得到;
根据内部信息向量,从第一外部随机矩阵中选取多个第一外部矩阵行,以及从第二外部随机矩阵中选取多个第二外部矩阵行,并根据多个第一外部矩阵行和多个第二外部矩阵行构建内部匹配矩阵;
对内部匹配矩阵和内部信息向量进行列维度的异或运算,得到第一预设维度的内部匹配向量。
在其中一个实施例中,从第一数据库中获取待匹配数据,并对待匹配数据进行映射运算,得到第一预设维度的内部信息向量之后,还包括:
基于第一预设维度确定第二预设维度,并生成第二预设维度的第一内部随机矩阵和第二预设维度的第二内部随机矩阵;
将第一内部随机矩阵和第二内部随机矩阵传输至目标外部平台。
在其中一个实施例中,外部匹配向量是由目标外部平台对外部匹配矩阵和外部信息向量进行列维度的异或运算得到的第一预设维度的信息向量;外部信息向量是由目标外部平台从第二数据库中获取待匹配外部数据,并对待匹配外部数据进行映射运算得到的第一预设维度的信息向量;外部匹配矩阵是由目标外部矩阵根据外部信息向量,从第一内部随机矩阵中选取多个第一内部矩阵行,以及从第二内部随机矩阵中选取多个第二内部矩阵行,并根据多个第一内部矩阵行和多个第二内部矩阵行构建得到。
在其中一个实施例中,采用数据交集与目标外部平台进行联合建模,得到目标联合模型,包括:
采用数据交集在内部平台进行内部模型的模型训练,并获取内部模型训练过程中的第一内部训练参数;
接收目标外部平台传输的第一外部训练参数;第一外部训练参数是目标外部平台采用数据交集进行外部模型的模型训练时获取;
根据第一外部训练参数,对第一内部训练参数进行更新,得到第二内部训练参数;
基于第二内部训练参数调整内部模型的模型参数,得到内部平台上的目标联合模型。
在其中一个实施例中,方法还包括:
将第一内部训练参数传输至目标外部平台;第一内部训练参数用于供目标外部平台对第一外部训练参数进行更新,得到第二外部训练参数,并基于第二外部训练参数调整外部模型的模型参数,得到目标外部平台上的目标联合模型。
第二方面,本申请还提供了一种异常信息检测装置。所述装置包括:
识别模块,用于通过内部平台获取目标业务数据,并识别目标业务数据对应的目标外部平台;
匹配模块,用于从内部平台的模型库中获取与目标外部平台对应的目标联合模型;
调用模块,用于调用目标联合模型处理目标业务数据,得到目标业务数据的异常预测参数;
检测模块,用于将异常预测参数和预设条件进行对比,得到对比结果,根据对比结果确定目标业务数据的异常信息检测结果。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
通过内部平台获取目标业务数据,并识别目标业务数据对应的目标外部平台;
从内部平台的模型库中获取与目标外部平台对应的目标联合模型;
调用目标联合模型处理目标业务数据,得到目标业务数据的异常预测参数;
将异常预测参数和预设条件进行对比,得到对比结果,根据对比结果确定目标业务数据的异常信息检测结果。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
通过内部平台获取目标业务数据,并识别目标业务数据对应的目标外部平台;
从内部平台的模型库中获取与目标外部平台对应的目标联合模型;
调用目标联合模型处理目标业务数据,得到目标业务数据的异常预测参数;
将异常预测参数和预设条件进行对比,得到对比结果,根据对比结果确定目标业务数据的异常信息检测结果。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
通过内部平台获取目标业务数据,并识别目标业务数据对应的目标外部平台;
从内部平台的模型库中获取与目标外部平台对应的目标联合模型;
调用目标联合模型处理目标业务数据,得到目标业务数据的异常预测参数;
将异常预测参数和预设条件进行对比,得到对比结果,根据对比结果确定目标业务数据的异常信息检测结果。
上述异常信息检测方法、装置、计算机设备、存储介质和计算机程序产品,通过内部平台获取目标业务数据,并识别目标业务数据对应的目标外部平台,能够确定和目标业务数据相关的目标外部平台;从内部平台的模型库中获取与目标外部平台对应的目标联合模型,目标联合模型是预先内部平台与目标外部平台联合建模得到的;调用目标联合模型处理目标业务数据,得到目标业务数据的异常预测参数,目标联合模型可以结合内部平台数据和目标外部平台数据对业务数据进行异常预测,提高了用于异常预测的标签数据维度,从而提高异常预测参数的准确度;将异常预测参数和预设条件进行对比,得到对比结果,根据对比结果确定目标业务数据的异常信息检测结果。采用较高准确度的异常预测参数进行异常信息检测,能够提高异常信息检测的精准度。
附图说明
图1为一个实施例中异常信息检测方法的流程示意图;
图2为一个实施例中联合建模以及异常信息检测方法的流程示意图;
图3为一个实施例中银行***架构示意图;
图4为一个实施例中银行内部网络的异常信息检测的流程示意图;
图5为一个实施例中异常信息检测装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种异常信息检测方法,本实施例以该方法应用于内部平台进行举例说明,可以理解的是,该内部平台具体可以是终端或服务器。其中,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备、便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能医用设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本实施例中,该方法包括以下步骤:
步骤102,通过内部平台获取目标业务数据,并识别目标业务数据对应的目标外部平台。
可选的,内部平台从本地数据或接收到的数据中选择一条数据作为待进行异常检测的目标业务数据,并识别出和目标业务数据相关的目标外部平台,识别标准包括但不限于基于目标业务数据的来源进行识别、基于目标业务数据的处理历史进行识别、基于目标业务数据的传输过程进行识别。通常情况下,内部平台和目标外部平台分别部署在两个相互独立的网络中。
需要注意的是,本实施例中的内部平台和外部平台是针对于执行主题进行的区分描述,当本实施例中的目标外部平台作为执行主体时,目标外部平台也可以看做内部平台。
步骤104,从内部平台的模型库中获取与目标外部平台对应的目标联合模型。
可选的,内部平台从对应的本地模型库中选出一个与目标外部平台对应的联合模型,并将其作为目标联合模型。内部平台的模型库中存储有多个经过联合训练的联合模型,且每个联合模型分别带有不同的平台标签,以对应不同的外部平台,每个联合模型的平台标签是基于各联合模型在联合建模过程中的训练数据来源确定的。
在一个可行的实施方式中,各外部平台中分别配置有各自的模型库,且各外部平台的模型库中分别存储有多个联合模型。例如,目标外部平台的模型库中可以存储有多个经过联合训练的联合模型,其中包含一个与内部平台对应的联合模型。
步骤106,调用目标联合模型处理目标业务数据,得到目标业务数据的异常预测参数。
可选的,内部平台调用目标联合模型,将目标业务数据输入目标联合模型,得到目标联合模型的输出结果,输出结果包括但不限于异常分类标签(分为异常标签和正常标签)、异常程度评分和异常概率,将输出结果作为目标业务数据的一个异常预测参数。
步骤108,将异常预测参数和预设条件进行对比,得到对比结果,根据对比结果确定目标业务数据的异常信息检测结果。
可选的,内部平台将异常预测参数和对应的预设条件进行对比,若对比结果是异常预测参数满足对应的预设条件,则确定目标业务数据是异常信息,或者确定目标业务数据中存在异常信息。
其中,预设条件可以但不限于是标注有异常标签、异常程度评分高于预设评分、异常概率高于预设概率中的任意一种。
上述异常信息检测方法中,通过内部平台获取目标业务数据,并识别目标业务数据对应的目标外部平台,能够确定和目标业务数据相关的目标外部平台;从内部平台的模型库中获取与目标外部平台对应的目标联合模型,目标联合模型是预先内部平台与目标外部平台联合建模得到的;调用目标联合模型处理目标业务数据,得到目标业务数据的异常预测参数,目标联合模型可以结合内部平台数据和目标外部平台数据对业务数据进行异常预测,提高了用于异常预测的标签数据维度,从而提高异常预测参数的准确度;将异常预测参数和预设条件进行对比,得到对比结果,根据对比结果确定目标业务数据的异常信息检测结果。采用较高准确度的异常预测参数进行异常信息检测,能够提高异常信息检测的精准度。
在一个实施例中,方法还包括:与至少一个外部平台分别进行联合建模,得到多个联合模型,每个联合模型分别对应一个外部平台;在模型库中存储多个联合模型。
可选的,内部平台可以采用内部平台的业务数据与目标外部平台的业务数据进行联合建模,得到的联合模型作为与目标外部平台对应的联合模型存储在内部平台中;基于相同方式,采用内部平台的业务数据与任意一个能够获取到业务数据的外部平台进行联合建模。
在一个可行的实施方式中,目标外部平台可以采用内部平台的业务数据与目标外部平台的业务数据进行联合建模,得到的联合模型作为与内部平台对应的联合模型存储在目标外部平台的模型库中。
本实施例中,与至少一个外部平台分别进行联合建模,得到多个联合模型,每个联合模型分别对应一个外部平台;在模型库中存储多个联合模型。采用多端数据建立联合模型,基于联合模型进行检测异常信息,能够提高异常信息检测的精准度。
在一个实施例中,与至少一个外部平台分别进行联合建模,得到多个联合模型,包括:将内部平台对应的第一数据库与目标外部平台对应的第二数据库进行数据匹配,得到内部平台与目标外部平台的数据交集;采用数据交集与目标外部平台进行联合建模,得到目标联合模型。
其中,第一数据库为内部平台的本地数据库,存储有内部平台的历史数据;第二数据库为目标外部平台的本地数据库,存储有目标外部平台的历史数据;历史数据包括但不限于历史接收数据、历史处理数据、历史发送数据和历史异常数据。
可选的,内部平台从第一数据库获取内部平台历史数据,目标外部平台从第二数据库中获取外部平台历史数据,两平台同时将内部平台历史数据和外部平台历史数据进行数据匹配,只保留两者中相关的数据,作为数据交集,将数据交集作为内部平台和目标外部平台进行联合建模的训练集;采用数据交集进行内部平台与目标外部平台的联合建模训练,得到目标联合模型。目标联合模型既与内部平台对应,可以存储在内部平台的模型库中,也与目标外部平台对应,可以存储在目标外部平台的模型库中。
本实施例中,将内部平台对应的第一数据库与目标外部平台对应的第二数据库进行数据匹配,得到内部平台与目标外部平台的数据交集;采用数据交集与目标外部平台进行联合建模,得到目标联合模型。同时采用内部平台数据和目标外部平台数据进行联合建模得到目标联合模型,基于目标联合模型对内部平台的数据进行检测异常信息,或者对目标外部平台的数据进行检测异常信息,能够提高异常信息检测的精准度。
在一个实施例中,将内部平台对应的第一数据库与目标外部平台对应的第二数据库进行数据匹配,得到内部平台与目标外部平台的数据交集,包括:采用预设规则对第一数据库中的每一条待匹配内部数据进行加密处理,得到多个内部匹配向量;接收目标外部平台传输的多个外部匹配向量;对每一个内部匹配向量和每一个外部匹配向量进行匹配,得到匹配结果,若匹配结果满足预设匹配条件,确定待匹配内部数据为匹配数据;获取第一数据库中所有的匹配数据,得到数据交集。
其中,各外部匹配向量是由目标外部平台采用预设规则对第二数据库中的每一条待匹配外部数据进行加密处理得到。
可选的,内部平台从第一数据库中获取待匹配内部数据(相当于内部平台历史数据),并采用预设规则将每一条待匹配内部数据加密、包装、转换为一个内部匹配向量,从而防止在联合建模过程中将第一数据库中的真实数据泄露给(内部平台以外的)其他平台。目标外部平台从第二数据库中获取待匹配外部数据(相当于外部平台历史数据),并采用预设规则将每一条待匹配外部数据加密、包装、转换为一个外部匹配向量,从而防止在联合建模过程中将第二数据库中的真实数据泄露给(目标外部平台以外的)其他平台。内部平台将各内部匹配向量传输至目标外部平台,目标外部平台将各外部匹配向量传输至内部平台,两个平台同时对每一个内部匹配向量和每一个外部匹配向量进行匹配,只保留匹配结果满足预设匹配条件的匹配向量,并对这些匹配向量进行解密、解包、反转换等操作得到匹配数据,作为数据交集,将数据交集作为内部平台和目标外部平台进行联合建模的训练集。
本实施例中,采用预设规则对第一数据库中的每一条待匹配内部数据进行加密处理,得到多个内部匹配向量;接收目标外部平台传输的多个外部匹配向量;对每一个内部匹配向量和每一个外部匹配向量进行匹配,得到匹配结果,若匹配结果满足预设匹配条件,确定待匹配内部数据为匹配数据;获取第一数据库中所有的匹配数据,得到数据交集。能够在双方平台数据出库前,进行数据的加密转换,得到数据的替代向量,先通过替代向量进行数据匹配,匹配成功之后再获取实际的双方平台数据,既打破数据孤岛的同时又能杜绝数据泄露的风险。
在一个实施例中,采用预设规则对第一数据库中的每一条待匹配内部数据进行加密处理,得到多个内部匹配向量,包括:从第一数据库中获取待匹配内部数据,并对待匹配内部数据进行映射运算,得到第一预设维度的内部信息向量;接收目标外部平台传输的第一外部随机矩阵和第二外部随机矩阵;第一外部随机矩阵和第二外部随机矩阵是目标外部平台基于第二预设维度生成的,第二预设维度基于第一预设维度确定得到;根据内部信息向量,从第一外部随机矩阵中选取多个第一外部矩阵行,以及从第二外部随机矩阵中选取多个第二外部矩阵行,并根据多个第一外部矩阵行和多个第二外部矩阵行构建内部匹配矩阵;对内部匹配矩阵和内部信息向量进行列维度的异或运算,得到第一预设维度的内部匹配向量。
其中,从第一数据库中获取待匹配数据,并对待匹配数据进行映射运算,得到第一预设维度的内部信息向量之后,还包括:基于第一预设维度确定第二预设维度,并生成第二预设维度的第一内部随机矩阵和第二预设维度的第二内部随机矩阵;将第一内部随机矩阵和第二内部随机矩阵传输至目标外部平台。
进一步的,外部匹配向量是由目标外部平台对外部匹配矩阵和外部信息向量进行列维度的异或运算得到的第一预设维度的信息向量;外部信息向量是由目标外部平台从第二数据库中获取待匹配外部数据,并对待匹配外部数据进行映射运算得到的第一预设维度的信息向量;外部匹配矩阵是由目标外部矩阵根据外部信息向量,从第一内部随机矩阵中选取多个第一内部矩阵行,以及从第二内部随机矩阵中选取多个第二内部矩阵行,并根据多个第一内部矩阵行和多个第二内部矩阵行构建得到。
可选的,内部平台对第一数据库中的一条待匹配数据进行映射运算,生成一个128维的内部信息向量。目标外部平台对第二数据库中的一条待匹配数据进行映射运算,生成一个128维的外部信息向量。内部平台生成两个维度为128×256的随机矩阵A和随机矩阵B。每次内部平台向目标外部平台传输两个随机矩阵的同一行,目标外部平台根据选择规则从两行数据中选择一行接收。选择规则为:如果当前的外部信息向量中第一个数字为0,则从随机矩阵A中取一行,当前的外部信息向量中第一个数字为1则从随机矩阵B中取一行,目标外部平台遍历当前的外部信息向量,生成一个128×256维的外部匹配矩阵,整个过程通过OT协议(Oblivious Transfer,不经意传输)保证。
同时,目标外部平台生成两个维度为128×256的随机矩阵C和随机矩阵D,每次目标外部平台向内部平台传输两个随机矩阵的同一行,内部平台根据选择规则从两行数据中选择一行接收。选择规则为:如果当前的内部信息向量中第一个数字为0,则从随机矩阵C中取一行,当前的内部信息向量中第一个数字为1则从随机矩阵B中取一行,内部平台遍历当前的内部信息向量,生成一个128×256维的内部匹配矩阵,整个过程通过OT协议(Oblivious Transfer,不经意传输)保证。
进一步的,内部平台对内部信息向量和内部匹配矩阵进行列维度的异或运算,生成一个1×128维的内部匹配向量。通过异或运算,保证无法还原原始的矩阵信息,但仍然具备特性:若异或后的矩阵不同,则原始128*256矩阵必定不同;若相同,则必定相同。目标外部平台对外部信息向量和外部匹配矩阵进行列维度的异或运算,生成一个1×128维的外部匹配向量,并将外部匹配向量发送给内部平台。内部平台比较内部匹配向量和外部匹配向量,如果完全匹配,则内部平台当前的待匹配数据和目标外部平台的待匹配数据匹配,反之则不匹配。目标外部平台也可以接受内部平台传输的内部匹配向量,采用相同方式在目标外部平台本地进行比较内部匹配向量和外部匹配向量。整个过程双方平台的原始数据不出库,而且加密利用的矩阵为一次性数据,无法反推出原始数据,在保证数据安全的前提下完成数据匹配。通过此方法双方平台的管理员可以在联合建模中实现匿名查询、隐私求交,双方平台获得数据交集后,可各自在本地进行数据分析、模型训练。
本实施例中,能够在双方平台数据出库前,进行数据的加密转换,得到数据的替代向量,先通过替代向量进行数据匹配,匹配成功之后再获取实际的双方平台数据,既打破数据孤岛的同时又能杜绝数据泄露的风险。
在一个实施例中,采用数据交集与目标外部平台进行联合建模,得到目标联合模型,包括:采用数据交集在内部平台进行内部模型的模型训练,并获取内部模型训练过程中的第一内部训练参数;接收目标外部平台传输的第一外部训练参数;第一外部训练参数是目标外部平台采用数据交集进行外部模型的模型训练时获取;根据第一外部训练参数,对第一内部训练参数进行更新,得到第二内部训练参数;基于第二内部训练参数调整内部模型的模型参数,得到内部平台上的目标联合模型。
同时,将第一内部训练参数传输至目标外部平台;第一内部训练参数用于供目标外部平台对第一外部训练参数进行更新,得到第二外部训练参数,并基于第二外部训练参数调整外部模型的模型参数,得到目标外部平台上的目标联合模型。
可选的,内部平台和目标外部平台分别在本地进行模型训练后,将各自加密后的权重及偏差值传输至对方,实现模型参数的交互,接收到对方的参数后进行解密,和本地的参数进行加权,从而实现双方参数的更新,以此来训练模型。
在一个可行的实施方式中,在模型训练中可采用姚氏混淆电路,能够在保证安全的同时实现加密数据的逻辑运算。
本实施例中,双方平台交互联合建模过程中的模型训练参数,并在训练本地模型的时候结合对方平台的模型训练参数,能够结合双方参数进行联合建模,得到的目标联合模型在对双方平台数据进行检测时,能够提高异常信息检测的准确度。
在一个实施例中,如图2所示,一种异常信息检测方法,以应用于内部平台为例,包括:
内部平台与至少一个外部平台分别进行联合建模,得到多个联合模型,每个联合模型分别对应一个外部平台。
在内部平台的模型库中存储多个联合模型。
内部平台获取目标业务数据,并识别目标业务数据对应的目标外部平台。
内部平台从内部平台的模型库中获取与目标外部平台对应的目标联合模型。
内部平台调用目标联合模型处理目标业务数据,得到目标业务数据的异常预测参数。
内部平台将异常预测参数和预设条件进行对比,得到对比结果,根据对比结果确定目标业务数据的异常信息检测结果。
在一个实施例中,一种联合建模方法,由配置于不同网络中的内部平台和外部平台共同实现,包括:
内部平台从第一数据库中获取待匹配内部数据,并对待匹配内部数据进行映射运算,得到第一预设维度的内部信息向量。
目标外部平台从第二数据库中获取待匹配外部数据,并对待匹配外部数据进行映射运算,得到的第一预设维度的外部信息向量。
内部平台基于第一预设维度确定第二预设维度,并生成第二预设维度的第一内部随机矩阵和第二预设维度的第二内部随机矩阵;将第一内部随机矩阵和第二内部随机矩阵传输至目标外部平台。
目标外部平台基于第一预设维度确定第二预设维度,并生成第二预设维度的第一外部随机矩阵和第二预设维度的第二外部随机矩阵;将第一外部随机矩阵和第二外部随机矩阵传输至内部平台。
内部平台接收目标外部平台传输的第一外部随机矩阵和第二外部随机矩阵。
目标外部平台接收内部平台传输的第一内部随机矩阵和第二内部随机矩阵。
内部平台根据内部信息向量,从第一外部随机矩阵中选取多个第一外部矩阵行,以及从第二外部随机矩阵中选取多个第二外部矩阵行,并根据多个第一外部矩阵行和多个第二外部矩阵行构建内部匹配矩阵;对内部匹配矩阵和内部信息向量进行列维度的异或运算,得到第一预设维度的内部匹配向量。
目标外部矩阵根据外部信息向量,从第一内部随机矩阵中选取多个第一内部矩阵行,以及从第二内部随机矩阵中选取多个第二内部矩阵行,并根据多个第一内部矩阵行和多个第二内部矩阵行构建外部匹配矩阵;对外部匹配矩阵和外部信息向量进行列维度的异或运算,得到的第一预设维度的外部匹配向量。
目标外部矩阵向内部平台传输各外部匹配向量。
内部平台向目标外部矩阵传输各内部匹配向量。
内部平台接收目标外部平台传输的多个外部匹配向量;对每一个内部匹配向量和每一个外部匹配向量进行匹配,得到匹配结果,若匹配结果满足预设匹配条件,确定待匹配内部数据为匹配数据;获取第一数据库中所有的匹配数据,得到数据交集。
目标外部平台接收内部平台传输的多个内部匹配向量;对每一个内部匹配向量和每一个外部匹配向量进行匹配,得到匹配结果,若匹配结果满足预设匹配条件,确定待匹配外部数据为匹配数据;获取第二数据库中所有的匹配数据,得到数据交集。
内部平台采用数据交集进行内部模型的模型训练,并获取内部模型训练过程中的第一内部训练参数,并将第一内部训练参数传输至目标外部平台。
目标外部平台采用数据交集进行外部模型的模型训练,并获取外部模型训练过程中的第一外部训练参数,并将第一外部训练参数传输至内部平台。
内部平台接收目标外部平台传输的第一外部训练参数。
目标外部平台接收内部平台传输的第一内部训练参数。
内部平台根据第一外部训练参数,对第一内部训练参数进行更新,得到第二内部训练参数;基于第二内部训练参数调整内部模型的模型参数,得到内部平台上的目标联合模型。
目标外部平台根据第一内部训练参数,对第一外部训练参数进行更新,得到第二外部训练参数;基于第二外部训练参数调整外部模型的模型参数,得到目标外部平台上的目标联合模型。
在一个实施例中,一种异常信息检测方法,以应用于一种银行内部网络和银行外部网络为例,包括:
如图3所示,在银行内部网络和银行外部网络中分别部署多方安全计算平台,银行内部网络中的多方安全计算平台相当于内部平台,银行外部网络中的多方安全计算平台相当于外部平台。多方安全计算平台主要包括控制模块、建模模块、数据库、应用模块。控制模块用于调度任务和下发指令;建模模块用于联合行外建立联合模型,能实现隐私求交、数据分析、数据处理等功能;数据库相当于第一数据库,实现数据的存储,联合建模前数据需上传至数据库中;应用模块用于存储模型以及行内人员的模型应用,相当于模型库。多方安全计算平台与业务网段环境中的大数据平台对接,用户即可在业务网段环境中从大数据平台中调用数据至数据库,也可以完成模型调用等其他操作。银行内部网络边界配置了DMZ前置服务器,通过打通防火墙的方式实现与银行外部网络的加密数据交换。
如图4所示,数据库通过银行内部网络中的大数据平台存储历史业务数据。***管理员在建模模块中建立初始模型,通过控制模块使行内建模模块与行外建模模块进行联合建模,建模数据来自与双方的数据库,建模完成后,将联合模型存储至应用模块。当用户需要进行异常信息检测时,从应用平台中调用联合模型,联合模型处理用户的相关数据,输出异常预测参数。应用平台将异常预测参数和预设条件进行对比,输出确定目标业务数据的异常信息检测结果,可以起到信息反欺诈的效果。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的异常信息检测方法的异常信息检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个异常信息检测装置实施例中的具体限定可以参见上文中对于异常信息检测方法的限定,在此不再赘述。
在一个实施例中,如图5所示,提供了一种异常信息检测装置500,包括:识别模块501、匹配模块502、调用模块503和检测模块504,其中:
识别模块501,用于通过内部平台获取目标业务数据,并识别目标业务数据对应的目标外部平台;
匹配模块502,用于从内部平台的模型库中获取与目标外部平台对应的目标联合模型;
调用模块503,用于调用目标联合模型处理目标业务数据,得到目标业务数据的异常预测参数;
检测模块504,用于将异常预测参数和预设条件进行对比,得到对比结果,根据对比结果确定目标业务数据的异常信息检测结果。
在一个实施例中,装置还包括:
建模模块,用于与至少一个外部平台分别进行联合建模,得到多个联合模型,每个联合模型分别对应一个外部平台;在模型库中存储多个联合模型。
在一个实施例中,建模模块还用于将内部平台对应的第一数据库与目标外部平台对应的第二数据库进行数据匹配,得到内部平台与目标外部平台的数据交集;采用数据交集与目标外部平台进行联合建模,得到目标联合模型。
在一个实施例中,建模模块还用于采用预设规则对第一数据库中的每一条待匹配内部数据进行加密处理,得到多个内部匹配向量;接收目标外部平台传输的多个外部匹配向量;对每一个内部匹配向量和每一个外部匹配向量进行匹配,得到匹配结果,若匹配结果满足预设匹配条件,确定待匹配内部数据为匹配数据;获取第一数据库中所有的匹配数据,得到数据交集。
在一个实施例中,建模模块还用于从第一数据库中获取待匹配内部数据,并对待匹配内部数据进行映射运算,得到第一预设维度的内部信息向量;接收目标外部平台传输的第一外部随机矩阵和第二外部随机矩阵;第一外部随机矩阵和第二外部随机矩阵是目标外部平台基于第二预设维度生成的,第二预设维度基于第一预设维度确定得到;根据内部信息向量,从第一外部随机矩阵中选取多个第一外部矩阵行,以及从第二外部随机矩阵中选取多个第二外部矩阵行,并根据多个第一外部矩阵行和多个第二外部矩阵行构建内部匹配矩阵;对内部匹配矩阵和内部信息向量进行列维度的异或运算,得到第一预设维度的内部匹配向量。
在一个实施例中,建模模块还用于基于第一预设维度确定第二预设维度,并生成第二预设维度的第一内部随机矩阵和第二预设维度的第二内部随机矩阵;将第一内部随机矩阵和第二内部随机矩阵传输至目标外部平台。
在一个实施例中,外部匹配向量是由目标外部平台对外部匹配矩阵和外部信息向量进行列维度的异或运算得到的第一预设维度的信息向量;外部信息向量是由目标外部平台从第二数据库中获取待匹配外部数据,并对待匹配外部数据进行映射运算得到的第一预设维度的信息向量;外部匹配矩阵是由目标外部矩阵根据外部信息向量,从第一内部随机矩阵中选取多个第一内部矩阵行,以及从第二内部随机矩阵中选取多个第二内部矩阵行,并根据多个第一内部矩阵行和多个第二内部矩阵行构建得到。
在一个实施例中,建模模块还用于采用数据交集在内部平台进行内部模型的模型训练,并获取内部模型训练过程中的第一内部训练参数;接收目标外部平台传输的第一外部训练参数;第一外部训练参数是目标外部平台采用数据交集进行外部模型的模型训练时获取;根据第一外部训练参数,对第一内部训练参数进行更新,得到第二内部训练参数;基于第二内部训练参数调整内部模型的模型参数,得到内部平台上的目标联合模型。
在一个实施例中,建模模块还用于将第一内部训练参数传输至目标外部平台;第一内部训练参数用于供目标外部平台对第一外部训练参数进行更新,得到第二外部训练参数,并基于第二外部训练参数调整外部模型的模型参数,得到目标外部平台上的目标联合模型。
上述异常信息检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过***总线连接,通信接口通过输入/输出接口连接到***总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储内部平台的业务数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种异常信息检测方法。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:通过内部平台获取目标业务数据,并识别目标业务数据对应的目标外部平台;从内部平台的模型库中获取与目标外部平台对应的目标联合模型;调用目标联合模型处理目标业务数据,得到目标业务数据的异常预测参数;将异常预测参数和预设条件进行对比,得到对比结果,根据对比结果确定目标业务数据的异常信息检测结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:与至少一个外部平台分别进行联合建模,得到多个联合模型,每个联合模型分别对应一个外部平台;在模型库中存储多个联合模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将内部平台对应的第一数据库与目标外部平台对应的第二数据库进行数据匹配,得到内部平台与目标外部平台的数据交集;采用数据交集与目标外部平台进行联合建模,得到目标联合模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:采用预设规则对第一数据库中的每一条待匹配内部数据进行加密处理,得到多个内部匹配向量;接收目标外部平台传输的多个外部匹配向量;对每一个内部匹配向量和每一个外部匹配向量进行匹配,得到匹配结果,若匹配结果满足预设匹配条件,确定待匹配内部数据为匹配数据;获取第一数据库中所有的匹配数据,得到数据交集。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:从第一数据库中获取待匹配内部数据,并对待匹配内部数据进行映射运算,得到第一预设维度的内部信息向量;接收目标外部平台传输的第一外部随机矩阵和第二外部随机矩阵;第一外部随机矩阵和第二外部随机矩阵是目标外部平台基于第二预设维度生成的,第二预设维度基于第一预设维度确定得到;根据内部信息向量,从第一外部随机矩阵中选取多个第一外部矩阵行,以及从第二外部随机矩阵中选取多个第二外部矩阵行,并根据多个第一外部矩阵行和多个第二外部矩阵行构建内部匹配矩阵;对内部匹配矩阵和内部信息向量进行列维度的异或运算,得到第一预设维度的内部匹配向量。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:基于第一预设维度确定第二预设维度,并生成第二预设维度的第一内部随机矩阵和第二预设维度的第二内部随机矩阵;将第一内部随机矩阵和第二内部随机矩阵传输至目标外部平台。
在一个实施例中,外部匹配向量是由目标外部平台对外部匹配矩阵和外部信息向量进行列维度的异或运算得到的第一预设维度的信息向量;外部信息向量是由目标外部平台从第二数据库中获取待匹配外部数据,并对待匹配外部数据进行映射运算得到的第一预设维度的信息向量;外部匹配矩阵是由目标外部矩阵根据外部信息向量,从第一内部随机矩阵中选取多个第一内部矩阵行,以及从第二内部随机矩阵中选取多个第二内部矩阵行,并根据多个第一内部矩阵行和多个第二内部矩阵行构建得到。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:采用数据交集在内部平台进行内部模型的模型训练,并获取内部模型训练过程中的第一内部训练参数;接收目标外部平台传输的第一外部训练参数;第一外部训练参数是目标外部平台采用数据交集进行外部模型的模型训练时获取;根据第一外部训练参数,对第一内部训练参数进行更新,得到第二内部训练参数;基于第二内部训练参数调整内部模型的模型参数,得到内部平台上的目标联合模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将第一内部训练参数传输至目标外部平台;第一内部训练参数用于供目标外部平台对第一外部训练参数进行更新,得到第二外部训练参数,并基于第二外部训练参数调整外部模型的模型参数,得到目标外部平台上的目标联合模型。
在一个实施例中,提供了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以下步骤:通过内部平台获取目标业务数据,并识别目标业务数据对应的目标外部平台;从内部平台的模型库中获取与目标外部平台对应的目标联合模型;调用目标联合模型处理目标业务数据,得到目标业务数据的异常预测参数;将异常预测参数和预设条件进行对比,得到对比结果,根据对比结果确定目标业务数据的异常信息检测结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:与至少一个外部平台分别进行联合建模,得到多个联合模型,每个联合模型分别对应一个外部平台;在模型库中存储多个联合模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将内部平台对应的第一数据库与目标外部平台对应的第二数据库进行数据匹配,得到内部平台与目标外部平台的数据交集;采用数据交集与目标外部平台进行联合建模,得到目标联合模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:采用预设规则对第一数据库中的每一条待匹配内部数据进行加密处理,得到多个内部匹配向量;接收目标外部平台传输的多个外部匹配向量;对每一个内部匹配向量和每一个外部匹配向量进行匹配,得到匹配结果,若匹配结果满足预设匹配条件,确定待匹配内部数据为匹配数据;获取第一数据库中所有的匹配数据,得到数据交集。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:从第一数据库中获取待匹配内部数据,并对待匹配内部数据进行映射运算,得到第一预设维度的内部信息向量;接收目标外部平台传输的第一外部随机矩阵和第二外部随机矩阵;第一外部随机矩阵和第二外部随机矩阵是目标外部平台基于第二预设维度生成的,第二预设维度基于第一预设维度确定得到;根据内部信息向量,从第一外部随机矩阵中选取多个第一外部矩阵行,以及从第二外部随机矩阵中选取多个第二外部矩阵行,并根据多个第一外部矩阵行和多个第二外部矩阵行构建内部匹配矩阵;对内部匹配矩阵和内部信息向量进行列维度的异或运算,得到第一预设维度的内部匹配向量。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:基于第一预设维度确定第二预设维度,并生成第二预设维度的第一内部随机矩阵和第二预设维度的第二内部随机矩阵;将第一内部随机矩阵和第二内部随机矩阵传输至目标外部平台。
在一个实施例中,外部匹配向量是由目标外部平台对外部匹配矩阵和外部信息向量进行列维度的异或运算得到的第一预设维度的信息向量;外部信息向量是由目标外部平台从第二数据库中获取待匹配外部数据,并对待匹配外部数据进行映射运算得到的第一预设维度的信息向量;外部匹配矩阵是由目标外部矩阵根据外部信息向量,从第一内部随机矩阵中选取多个第一内部矩阵行,以及从第二内部随机矩阵中选取多个第二内部矩阵行,并根据多个第一内部矩阵行和多个第二内部矩阵行构建得到。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:采用数据交集在内部平台进行内部模型的模型训练,并获取内部模型训练过程中的第一内部训练参数;接收目标外部平台传输的第一外部训练参数;第一外部训练参数是目标外部平台采用数据交集进行外部模型的模型训练时获取;根据第一外部训练参数,对第一内部训练参数进行更新,得到第二内部训练参数;基于第二内部训练参数调整内部模型的模型参数,得到内部平台上的目标联合模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将第一内部训练参数传输至目标外部平台;第一内部训练参数用于供目标外部平台对第一外部训练参数进行更新,得到第二外部训练参数,并基于第二外部训练参数调整外部模型的模型参数,得到目标外部平台上的目标联合模型。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:通过内部平台获取目标业务数据,并识别目标业务数据对应的目标外部平台;从内部平台的模型库中获取与目标外部平台对应的目标联合模型;调用目标联合模型处理目标业务数据,得到目标业务数据的异常预测参数;将异常预测参数和预设条件进行对比,得到对比结果,根据对比结果确定目标业务数据的异常信息检测结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:与至少一个外部平台分别进行联合建模,得到多个联合模型,每个联合模型分别对应一个外部平台;在模型库中存储多个联合模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将内部平台对应的第一数据库与目标外部平台对应的第二数据库进行数据匹配,得到内部平台与目标外部平台的数据交集;采用数据交集与目标外部平台进行联合建模,得到目标联合模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:采用预设规则对第一数据库中的每一条待匹配内部数据进行加密处理,得到多个内部匹配向量;接收目标外部平台传输的多个外部匹配向量;对每一个内部匹配向量和每一个外部匹配向量进行匹配,得到匹配结果,若匹配结果满足预设匹配条件,确定待匹配内部数据为匹配数据;获取第一数据库中所有的匹配数据,得到数据交集。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:从第一数据库中获取待匹配内部数据,并对待匹配内部数据进行映射运算,得到第一预设维度的内部信息向量;接收目标外部平台传输的第一外部随机矩阵和第二外部随机矩阵;第一外部随机矩阵和第二外部随机矩阵是目标外部平台基于第二预设维度生成的,第二预设维度基于第一预设维度确定得到;根据内部信息向量,从第一外部随机矩阵中选取多个第一外部矩阵行,以及从第二外部随机矩阵中选取多个第二外部矩阵行,并根据多个第一外部矩阵行和多个第二外部矩阵行构建内部匹配矩阵;对内部匹配矩阵和内部信息向量进行列维度的异或运算,得到第一预设维度的内部匹配向量。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:基于第一预设维度确定第二预设维度,并生成第二预设维度的第一内部随机矩阵和第二预设维度的第二内部随机矩阵;将第一内部随机矩阵和第二内部随机矩阵传输至目标外部平台。
在一个实施例中,外部匹配向量是由目标外部平台对外部匹配矩阵和外部信息向量进行列维度的异或运算得到的第一预设维度的信息向量;外部信息向量是由目标外部平台从第二数据库中获取待匹配外部数据,并对待匹配外部数据进行映射运算得到的第一预设维度的信息向量;外部匹配矩阵是由目标外部矩阵根据外部信息向量,从第一内部随机矩阵中选取多个第一内部矩阵行,以及从第二内部随机矩阵中选取多个第二内部矩阵行,并根据多个第一内部矩阵行和多个第二内部矩阵行构建得到。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:采用数据交集在内部平台进行内部模型的模型训练,并获取内部模型训练过程中的第一内部训练参数;接收目标外部平台传输的第一外部训练参数;第一外部训练参数是目标外部平台采用数据交集进行外部模型的模型训练时获取;根据第一外部训练参数,对第一内部训练参数进行更新,得到第二内部训练参数;基于第二内部训练参数调整内部模型的模型参数,得到内部平台上的目标联合模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将第一内部训练参数传输至目标外部平台;第一内部训练参数用于供目标外部平台对第一外部训练参数进行更新,得到第二外部训练参数,并基于第二外部训练参数调整外部模型的模型参数,得到目标外部平台上的目标联合模型。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种异常信息检测方法,其特征在于,所述方法包括:
通过内部平台获取目标业务数据,并识别所述目标业务数据对应的目标外部平台;
从所述内部平台的模型库中获取与所述目标外部平台对应的目标联合模型;
调用所述目标联合模型处理所述目标业务数据,得到所述目标业务数据的异常预测参数;
将所述异常预测参数和预设条件进行对比,得到对比结果,根据所述对比结果确定所述目标业务数据的异常信息检测结果。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
与所述至少一个外部平台分别进行联合建模,得到多个联合模型,每个联合模型分别对应一个外部平台;
在所述模型库中存储所述多个联合模型。
3.根据权利要求2所述的方法,其特征在于,所述与所述至少一个外部平台分别进行联合建模,得到多个联合模型,包括:
将所述内部平台对应的第一数据库与所述目标外部平台对应的第二数据库进行数据匹配,得到所述内部平台与所述目标外部平台的数据交集;
采用所述数据交集与所述目标外部平台进行联合建模,得到目标联合模型。
4.根据权利要求3所述的方法,其特征在于,所述将所述内部平台对应的第一数据库与所述目标外部平台对应的第二数据库进行数据匹配,得到所述内部平台与所述目标外部平台的数据交集,包括:
采用预设规则对所述第一数据库中的每一条待匹配内部数据进行加密处理,得到多个内部匹配向量;
接收所述目标外部平台传输的多个外部匹配向量;
对每一个所述内部匹配向量和每一个所述外部匹配向量进行匹配,得到匹配结果,若所述匹配结果满足预设匹配条件,确定所述待匹配内部数据为匹配数据;
获取所述第一数据库中所有的匹配数据,得到所述数据交集。
5.根据权利要求4所述的方法,其特征在于,所述采用预设规则对所述第一数据库中的每一条待匹配内部数据进行加密处理,得到多个内部匹配向量,包括:
从所述第一数据库中获取待匹配内部数据,并对所述待匹配内部数据进行映射运算,得到第一预设维度的内部信息向量;
接收所述目标外部平台传输的第一外部随机矩阵和第二外部随机矩阵;所述第一外部随机矩阵和所述第二外部随机矩阵是所述目标外部平台基于第二预设维度生成的,所述第二预设维度基于所述第一预设维度确定得到;
根据所述内部信息向量,从所述第一外部随机矩阵中选取多个第一外部矩阵行,以及从所述第二外部随机矩阵中选取多个第二外部矩阵行,并根据所述多个第一外部矩阵行和所述多个第二外部矩阵行构建内部匹配矩阵;
对所述内部匹配矩阵和所述内部信息向量进行列维度的异或运算,得到所述第一预设维度的内部匹配向量。
6.根据权利要求5所述的方法,其特征在于,所述从所述第一数据库中获取待匹配数据,并对所述待匹配数据进行映射运算,得到第一预设维度的内部信息向量之后,还包括:
基于所述第一预设维度确定所述第二预设维度,并生成所述第二预设维度的第一内部随机矩阵和所述第二预设维度的第二内部随机矩阵;
将所述第一内部随机矩阵和所述第二内部随机矩阵传输至所述目标外部平台。
7.根据权利要求6所述的方法,其特征在于,所述外部匹配向量是由所述目标外部平台对外部匹配矩阵和外部信息向量进行列维度的异或运算得到的所述第一预设维度的信息向量;所述外部信息向量是由所述目标外部平台从所述第二数据库中获取待匹配外部数据,并对所述待匹配外部数据进行映射运算得到的所述第一预设维度的信息向量;所述外部匹配矩阵是由所述目标外部矩阵根据所述外部信息向量,从所述第一内部随机矩阵中选取多个第一内部矩阵行,以及从所述第二内部随机矩阵中选取多个第二内部矩阵行,并根据所述多个第一内部矩阵行和所述多个第二内部矩阵行构建得到。
8.根据权利要求3所述的方法,其特征在于,所述采用所述数据交集与所述目标外部平台进行联合建模,得到目标联合模型,包括:
采用所述数据交集在所述内部平台进行内部模型的模型训练,并获取所述内部模型训练过程中的第一内部训练参数;
接收所述目标外部平台传输的第一外部训练参数;所述第一外部训练参数是所述目标外部平台采用所述数据交集进行外部模型的模型训练时获取;
根据所述第一外部训练参数,对所述第一内部训练参数进行更新,得到第二内部训练参数;
基于所述第二内部训练参数调整所述内部模型的模型参数,得到所述内部平台上的目标联合模型。
9.根据权利要求8所述的方法,其特征在于,所述方法还包括:
将所述第一内部训练参数传输至所述目标外部平台;所述第一内部训练参数用于供所述目标外部平台对所述第一外部训练参数进行更新,得到第二外部训练参数,并基于所述第二外部训练参数调整所述外部模型的模型参数,得到所述目标外部平台上的目标联合模型。
10.一种异常信息检测装置,其特征在于,所述装置包括:
识别模块,用于通过内部平台获取目标业务数据,并识别所述目标业务数据对应的目标外部平台;
匹配模块,用于从所述内部平台的模型库中获取与所述目标外部平台对应的目标联合模型;
调用模块,用于调用所述目标联合模型处理所述目标业务数据,得到所述目标业务数据的异常预测参数;
检测模块,用于将所述异常预测参数和预设条件进行对比,得到对比结果,根据所述对比结果确定所述目标业务数据的异常信息检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211025779.3A CN115409512A (zh) | 2022-08-25 | 2022-08-25 | 异常信息检测方法、装置、计算机设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211025779.3A CN115409512A (zh) | 2022-08-25 | 2022-08-25 | 异常信息检测方法、装置、计算机设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115409512A true CN115409512A (zh) | 2022-11-29 |
Family
ID=84162013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211025779.3A Pending CN115409512A (zh) | 2022-08-25 | 2022-08-25 | 异常信息检测方法、装置、计算机设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115409512A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116132337A (zh) * | 2023-04-04 | 2023-05-16 | 深圳行云创新科技有限公司 | 一种基于服务网格技术的接口流量异常检测方法 |
-
2022
- 2022-08-25 CN CN202211025779.3A patent/CN115409512A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116132337A (zh) * | 2023-04-04 | 2023-05-16 | 深圳行云创新科技有限公司 | 一种基于服务网格技术的接口流量异常检测方法 |
CN116132337B (zh) * | 2023-04-04 | 2023-06-13 | 深圳行云创新科技有限公司 | 一种基于服务网格技术的接口流量异常检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3627759B1 (en) | Method and apparatus for encrypting data, method and apparatus for training machine learning model, and electronic device | |
CN112132198B (zh) | 数据处理方法、装置、***和服务器 | |
AU2016220152B2 (en) | Cloud encryption key broker apparatuses, methods and systems | |
US20220368704A1 (en) | Detecting synthetic online entities facilitated by primary entities | |
CN111428887B (zh) | 一种基于多个计算节点的模型训练控制方法、装置及*** | |
CN113240524B (zh) | 联邦学习***中账户的异常检测方法、装置及电子设备 | |
CN107358121B (zh) | 一种脱敏数据集的数据融合方法及装置 | |
CN111800411B (zh) | 保护隐私的业务预测模型联合更新方法及装置 | |
CN112200382B (zh) | 一种风险预测模型的训练方法和装置 | |
US20230281334A1 (en) | System, Method, and Computer Program Product for Conducting Private Set Intersection (PSI) Techniques With Multiple Parties Using a Data Repository | |
CN112199709A (zh) | 基于多方的隐私数据联合训练模型的方法和装置 | |
CN114936650A (zh) | 基于隐私保护的联合训练业务模型的方法及装置 | |
US20230006819A1 (en) | Systems and methods for homomorphic encryption-based triggering | |
KR20220167146A (ko) | 블록체인 기반 스마트컨트랙트를 이용한 수출입 자동화 서비스 제공 시스템 | |
CN115630374A (zh) | 可信数控***的测试方法、装置、计算机设备和存储介质 | |
CN115409512A (zh) | 异常信息检测方法、装置、计算机设备、存储介质 | |
Chatterjee et al. | Digital twin for credit card fraud detection: Opportunities, challenges, and fraud detection advancements | |
US11436671B2 (en) | Secure multi-party computation for sensitive credit score computation | |
Rosário | Security in digital marketing: Challenges and opportunities | |
Sumathi et al. | Scale-based secured sensitive data storage for banking services in cloud | |
US11457042B1 (en) | Multi-tiered system for detecting and reducing unauthorized network access | |
Masoodi et al. | Internet of Things Vulnerabilities and Recovery Strategies | |
CN111797126B (zh) | 数据的处理方法、装置及设备 | |
US11777959B2 (en) | Digital security violation system | |
CN117240497A (zh) | 用户账户异常评估方法、装置、计算机设备、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 |