[發(fā)明專利]基于聯(lián)邦學習的風險檢測方法、客戶端、設備和存儲介質(zhì)在審
| 申請?zhí)枺?/td> | 202011506686.3 | 申請日: | 2020-12-18 |
| 公開(公告)號: | CN112613726A | 公開(公告)日: | 2021-04-06 |
| 發(fā)明(設計)人: | 萬晟;吳學陽;范力欣;楊強 | 申請(專利權(quán))人: | 深圳前海微眾銀行股份有限公司 |
| 主分類號: | G06Q10/06 | 分類號: | G06Q10/06;G06Q40/00;G06F16/9537;G06F21/60;G06N20/00 |
| 代理公司: | 深圳市世紀恒程知識產(chǎn)權(quán)代理事務所 44287 | 代理人: | 張志江 |
| 地址: | 518000 廣東省深圳市前海深港合作區(qū)前*** | 國省代碼: | 廣東;44 |
| 權(quán)利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關(guān)鍵詞: | 基于 聯(lián)邦 學習 風險 檢測 方法 客戶端 設備 存儲 介質(zhì) | ||
1.一種基于聯(lián)邦學習的風險檢測方法,其特征在于,所述基于聯(lián)邦學習的風險檢測方法包括:
客戶端從服務端獲取風險檢測的歷史風險結(jié)果;
確定所述歷史風險結(jié)果對應的歷史檢測時間段,并根據(jù)當前時間點以及所述歷史檢測時間段確定目標時間段;
獲取所述用戶在所述目標時間段的時空軌跡;
根據(jù)所述時空軌跡,檢測所述用戶是否途經(jīng)風險區(qū)域,得到當前風險結(jié)果。
2.如權(quán)利要求1所述的基于聯(lián)邦學習的風險檢測方法,其特征在于,所述客戶端從服務端獲取風險檢測的歷史風險結(jié)果的步驟包括:
客戶端向服務端發(fā)送風險檢測請求;
接收所述服務端反饋的所述歷史風險結(jié)果;
其中,所述服務端根據(jù)所述風險檢測請求對應的用戶秘鑰,從每個區(qū)塊鏈節(jié)點中獲取風險結(jié)果,并將存儲時間最晚的所述風險結(jié)果確定為所述歷史風險結(jié)果,或者,所述服務端根據(jù)所述風險檢測請求對應的用戶秘鑰從目標區(qū)域鏈節(jié)點中獲取多個風險結(jié)果,將存儲時間最晚的所述風險結(jié)果確定為所述歷史風險結(jié)果,所述目標區(qū)塊鏈節(jié)點為距離所述服務端最近的區(qū)塊鏈節(jié)點,所述目標區(qū)塊鏈節(jié)點根據(jù)所述目標區(qū)塊鏈節(jié)點的地址從其他區(qū)塊鏈節(jié)點中獲取所述用戶秘鑰對應的風險結(jié)果以得到多個風險結(jié)果。
3.如權(quán)利要求2所述的基于聯(lián)邦學習的風險檢測方法,其特征在于,所述根據(jù)所述時空軌跡,檢測所述用戶是否途徑風險區(qū)域,得到當前風險結(jié)果的步驟包括:
將所述時空軌跡輸入檢測模型,其中,所述服務端在向客戶端反饋歷史風險結(jié)果后,將所述檢測模型發(fā)送至所述客戶端,所述檢測模型包含地圖,所述地圖上包括一個或多個所述風險區(qū)域;
獲取所述檢測模型輸出的當前風險結(jié)果。
4.如權(quán)利要求3所述的基于聯(lián)邦學習的風險檢測方法,其特征在于,所述檢測模型為加密的檢測模型,所述獲取所述檢測模型輸出的當前風險結(jié)果的步驟之后,還包括:
將所述當前風險結(jié)果發(fā)送至所述服務端,其中,加密的檢測模型輸出的當前風險結(jié)果為加密的風險結(jié)果,所述服務端對所述當前風險結(jié)果進行解密得到解密的風險結(jié)果;
接收所述服務端反饋所述解密的風險結(jié)果,并輸出所述解密的風險結(jié)果。
5.如權(quán)利要求4所述的基于聯(lián)邦學習的風險檢測方法,其特征在于,所述將所述當前風險結(jié)果發(fā)送至所述服務端的步驟之后,還包括:
將所述目標時間段發(fā)送至服務端,其中,所述服務端根據(jù)所述用戶秘鑰將所述目標時間段以及所述當前風險結(jié)果發(fā)送至目標區(qū)塊鏈節(jié)點,并將所述當前風險結(jié)果反饋至所述客戶端,在所述當前風險結(jié)果被大于或等于預設數(shù)量的區(qū)塊鏈節(jié)點驗證成功后,所述目標區(qū)塊鏈節(jié)點將所述目標時間段與所述當前風險結(jié)果關(guān)聯(lián)存儲;
執(zhí)行所述接收所述服務端反饋所述解密的風險結(jié)果,并輸出所述解密的風險結(jié)果的步驟。
6.如權(quán)利要求1所述的基于聯(lián)邦學習的風險檢測方法,其特征在于,所述根據(jù)所述時空軌跡,檢測所述用戶是否途徑風險區(qū)域,得到當前風險結(jié)果的步驟包括:
輸出所述當前風險結(jié)果,并將所述目標時間段以及所述當前風險結(jié)果發(fā)送至目標區(qū)塊鏈節(jié)點,其中,在所述當前風險結(jié)果被大于或等于預設數(shù)量的區(qū)塊鏈節(jié)點驗證成功后,所述目標區(qū)塊鏈節(jié)點將所述目標時間段與所述當前風險結(jié)果關(guān)聯(lián)存儲。
7.如權(quán)利要求1-6任一項所述的基于聯(lián)邦學習的風險檢測方法,其特征在于,所述客戶端獲取風險檢測的歷史風險結(jié)果的步驟之后,還包括:
確定所述歷史風險結(jié)果是否為安全;
在所述歷史風險結(jié)果為不安全時,輸出不安全的提示信息,并將所述歷史風險結(jié)果保存為當前風險結(jié)果;
在所述歷史風險結(jié)果為安全時,確定所述歷史風險結(jié)果對應的歷史檢測時間段,并根據(jù)當前時間點以及所述歷史檢測時間段確定目標時間段;
獲取所述用戶在所述目標時間段的時空軌跡;
根據(jù)所述時空軌跡,檢測所述用戶是否途經(jīng)風險區(qū)域,得到當前風險結(jié)果。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息,商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于深圳前海微眾銀行股份有限公司,未經(jīng)深圳前海微眾銀行股份有限公司許可,擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作,請聯(lián)系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/202011506686.3/1.html,轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
- 同類專利
- 專利分類
G06Q 專門適用于行政、商業(yè)、金融、管理、監(jiān)督或預測目的的數(shù)據(jù)處理系統(tǒng)或方法;其他類目不包含的專門適用于行政、商業(yè)、金融、管理、監(jiān)督或預測目的的處理系統(tǒng)或方法
G06Q10-00 行政;管理
G06Q10-02 .預定,例如用于門票、服務或事件的
G06Q10-04 .預測或優(yōu)化,例如線性規(guī)劃、“旅行商問題”或“下料問題”
G06Q10-06 .資源、工作流、人員或項目管理,例如組織、規(guī)劃、調(diào)度或分配時間、人員或機器資源;企業(yè)規(guī)劃;組織模型
G06Q10-08 .物流,例如倉儲、裝貨、配送或運輸;存貨或庫存管理,例如訂貨、采購或平衡訂單
G06Q10-10 .辦公自動化,例如電子郵件或群件的計算機輔助管理
- 一種Agent聯(lián)邦快速設計流程建模方法
- 基于聯(lián)邦模式的動態(tài)產(chǎn)品協(xié)同開發(fā)平臺及方法
- 一種面向深空通信的數(shù)據(jù)傳輸速率控制方法
- 一種HLA聯(lián)邦成員的動態(tài)部署分配方法
- 聯(lián)邦學習方法、系統(tǒng)、終端設備及存儲介質(zhì)
- 一種混合聯(lián)邦學習方法及架構(gòu)
- 聯(lián)邦學習的沙盒機制
- 聯(lián)邦模型參數(shù)確定方法、裝置、設備及存儲介質(zhì)
- 一種應用于異構(gòu)計算設備的聯(lián)邦學習系統(tǒng)和方法
- 基于區(qū)塊鏈的聯(lián)邦建模方法及裝置





