[發明專利]欺詐檢測和風險評估方法、系統、設備及存儲介質

有效

• 申請號: 201810245673.1
• 申請日: 2018-03-23
• 公開（公告）號: CN108596434B
• 公開（公告）日: 2019-08-02
• 發明（設計）人: 吳煥明;蘭超;李發源;何欽亞
• 申請（專利權）人: 衛盈聯信息技術（深圳）有限公司
• 主分類號: G06F16/20
• 分類號: G06F16/20;G06F16/00;A61B5/16
• 代理公司: 深圳市沃德知識產權代理事務所(普通合伙) 44347
• 代理人: 高杰;郭夢霞

本發明提供了一種欺詐檢測和風險評估方法、系統、設備及計算機可讀存儲介質。該方法包括以下步驟：采集客戶端用戶的原始數據；利用數據處理算法從所述原始數據中提取特征數據；將所述特征數據輸入預先訓練得到的與該特征數據匹配的機器學習模型，產生模型輸出結果，并將其上傳至服務器；利用風控決策引擎，結合所述模型輸出結果以及與所述客戶端用戶相關聯的歷史數據和第三方數據，輸出欺詐檢測和風險評估結果。利用本發明，可以充分利用客戶端設備的計算能力，降低服務器的計算壓力。因客戶端無須向服務器上傳原始數據，所以本發明還可以降低客戶端與服務器的數據傳輸壓力以及用戶的隱私數據和安全信息泄露的風險。

技術領域

本發明涉及信息處理技術領域，尤其涉及一種欺詐檢測和風險評估方法、系統、設備及存儲介質。

背景技術

傳統的大數據應用依賴于云計算(Cloud Computing)，即在客戶端采集數據，然后上傳到集中的云服務器，利用大數據技術，進行機器學習，得到模型或者形成智能推斷，由此進行欺詐檢測和風險評估，例如解決互聯網金融領域特殊的反欺詐和風險評估問題。然而，這樣的技術有幾個問題目前難以解決：

1.云服務器要處理客戶端產生的海量數據，會產生很高的傳輸成本和計算成本。

2.受網絡帶寬以及延時限制，不適用于用戶體驗要求較高的實時應用。

3.個人隱私和數據安全越來越受到重視，客戶端大數據多為重度個人隱私，無論用戶個人意識還是相關信息保護政策都會盡量避免第三方收集、傳輸、存儲這些隱私數據。

另一方面，隨著智能終端技術的發展，客戶端設備的計算能力得到飛速提升，甚至開始集成專用AI芯片，例如蘋果公司的A11芯片以及華為公司的麒麟970芯片，都在SoC(CPU/GPU/ISP/DSP)集成了專門用于AI的處理單元(加載了一塊嵌入式神經網絡處理器(Neural Network Processing Unit，NPU))，這為邊緣計算(Edge Computing)提供了很好的條件，為滿足用戶在實時業務以及安全與隱私保護等方面的需求提供了可能。

發明內容

鑒于以上原因，有必要提供一種欺詐檢測和風險評估方法、系統、設備及存儲介質，可以利用客戶端設備的計算能力，把傳統部署在服務器的一些與客戶端、客戶端用戶數據相關的算法和模型遷移到客戶端，計算得到初步評估結果后將其作為風險因子傳輸至服務器，然后利用服務器的風控決策引擎及掌握的其他相關數據得到最終的欺詐檢測和風險評估結果。

為實現上述目的，本發明提供一種欺詐檢測和風險評估方法，應用于客戶端，該方法包括：

數據采集步驟：采集客戶端用戶的原始數據，包括用戶資料、通訊數據和行為數據；

數據處理步驟：利用數據處理算法從所述原始數據中提取特征數據，包括用戶行為特征數據、興趣愛好特征數據和活動范圍特征數據；

模型應用步驟：將所述特征數據輸入預先訓練得到的與該特征數據匹配的機器學習模型，產生模型輸出結果，并將其上傳至服務器；及

接收步驟：接收所述服務器反饋的由風控決策引擎根據所述模型輸出結果以及與所述客戶端用戶相關聯的歷史數據和第三方數據輸出的欺詐檢測和風險評估結果。

本發明還提供另一種欺詐檢測和風險評估方法，應用于服務器，該方法包括：

設置步驟：設置與欺詐檢測和風險評估相關聯的數據處理算法和機器學習模型；

分發步驟：向相關聯的客戶端分發所述數據處理算法和機器學習模型；

接收步驟：接收客戶端利用客戶端用戶的原始數據以及所述數據處理算法和機器學習模型產生的模型輸出結果；