一种设备风险控制方法、装置、设备及介质制造方法及图纸

本发明专利技术公开了一种设备风险控制方法、装置、设备及介质，所述方法包括为各个设备构建设备指纹，所述设备指纹用于表征所述设备的唯一身份；获取设备相关的设备基础数据，以构建设备指纹与设备基础数据的映射关系；构建设备画像，所述设备画像通过将所述设备基础数据输入设备画像构建模型而得到；获取所述设备的实施场景中的风险预测模型，根据所述风险预测模型结合所述设备画像以得到决策引擎，所述决策引擎用于根据所述风险预测模型对所述设备画像进行调整以得到决策画像，所述决策画像包括所述设备的设备评分和至少一种标签；根据所述决策画像进行风险控制。本发明专利技术通过通用与专用的结合得到实用性强的决策画像，也进而构建了完备的设备风控体系。

An equipment risk control method, device, equipment and medium

【技术实现步骤摘要】
一种设备风险控制方法、装置、设备及介质
本专利技术涉及风险控制领域，尤其涉及一种设备风险控制方法、装置、设备及介质。
技术介绍
现有技术中的风险控制主要以用户账号为控制主体，比如根据用户的信用历史及综合资料，利用一定的信用评分模型，得到不同等级的信用分数，基于信用分数预测用户账号的恶意程度，从而进行风险控制。基于信用评分进行用户账号的风险控制的方案已经广泛应用于信用借贷，信用风控等领域，但当前市场上针对设备的信用评分还没有实际可用的方案出现，而随着互联网及物联网的快速发展，联网设备数量已经超过80亿，设备数量已经超过用户的数量，因此，亟待构建以设备为风控主体的风险控制方案。
技术实现思路
为了解决现有技术中尚无切实可用的以设备为风控主体的风险控制方案的技术问题，本专利技术实施例提供一种设备风险控制方法、装置、设备及介质。一方面，本专利技术提供了一种设备风险控制方法，所述方法包括：为各个设备构建设备指纹，所述设备指纹用于表征所述设备的唯一身份；获取设备相关的设备基础数据，以构建设备指纹与设备基础数据的映射关系；本文档来自技高网...

【技术保护点】
1.一种设备风险控制方法，其特征在于，所述方法包括：/n为各个设备构建设备指纹，所述设备指纹用于表征所述设备的唯一身份；/n获取设备相关的设备基础数据，以构建设备指纹与设备基础数据的映射关系；/n构建设备画像，所述设备画像通过将所述设备基础数据输入设备画像构建模型而得到；/n获取所述设备的实施场景中的风险预测模型，根据所述风险预测模型结合所述设备画像以得到决策引擎，所述决策引擎用于根据所述风险预测模型对所述设备画像进行调整以得到决策画像，所述决策画像包括所述设备的设备评分和至少一种标签；/n根据所述决策画像进行风险控制。/n

【技术特征摘要】
1.一种设备风险控制方法，其特征在于，所述方法包括：
为各个设备构建设备指纹，所述设备指纹用于表征所述设备的唯一身份；
获取设备相关的设备基础数据，以构建设备指纹与设备基础数据的映射关系；
构建设备画像，所述设备画像通过将所述设备基础数据输入设备画像构建模型而得到；
获取所述设备的实施场景中的风险预测模型，根据所述风险预测模型结合所述设备画像以得到决策引擎，所述决策引擎用于根据所述风险预测模型对所述设备画像进行调整以得到决策画像，所述决策画像包括所述设备的设备评分和至少一种标签；
根据所述决策画像进行风险控制。


2.根据权利要求1所述的方法，其特征在于，所述设备画像构建模型用于基于社交、安全、价值、基础信息和设备图谱五个核心维度构建设备画像，所述构建设备画像，包括：
根据所述设备基础数据提取多维度特征数据；
获取社交子模型，根据所述社交子模型和所述多维度特征数据获取所述设备的社交维度的设备评分，所述社交子模型用于从多维度特征数据中提取社交特征集，根据所述社交特征集输出设备评分；
获取安全子模型，根据所述安全子模型和所述多维度特征数据获取设备的安全维度的设备评分，所述安全子模型用于从所述多维度特征数据中提取安全特征集，根据所述安全特征集输出所述设备的设备评分；
获取价值子模型，根据所述价值子模型和所述多维度特征数据获取设备的价值维度的设备评分，所述价值子模型用于从所述多维度特征数据中提取价值特征集，根据所述价值特征集输出所述设备的设备评分；
获取基础子模型，根据所述基础子模型和所述多维度特征数据获取设备的基础维度的设备评分，所述基础子模型用于从所述多维度特征数据中提取静态数据集，根据所述静态数据集输出所述设备的设备评分；
根据所述多维度特征数据获取设备图谱维度的设备评分；
根据得到的社交维度的设备评分、安全维度的设备评分、价值维度的设备评分、基础维度的设备评分和设备图谱维度的设备评分，综合得到所述设备的设备画像。


3.根据权利要求2所述的方法，其特征在于：
所述社交子模型、安全子模型、价值子模型和基础子模型基于监督学习算法训练得到，所述监督学习算法包括但不限于逻辑回归法，随机森林法，梯度提升树法，深度学习法中的一种或多种的组合。


4.根据权利要求2所述的方法，其特征在于，所述根据所述多维度特征数据获取设备图谱维度的设备评分，包括：
根据所述多维度特征数据构建设备图谱，所述设备图谱用于表征有效设备之间的关联关系，所述有效设备包括所述设备和与所述设备存在关联关系的其它设备，所述设备图谱的点表征有效设备，所述设备图谱的边表征有效设备之间的关联程度；
根据所述设备图谱得到惩罚网络和奖励网络，所述惩罚网络用于对第一设备产生的评分进行传播，所述奖励网络用于对第二设备产生的评分进行传播，所述第一设备为所述有效设备中被判定为黑产用户使用的设备，所述第二设备为所述有效设备中被判定为优质用户使用的设备；
根据所述惩罚网络和所述奖励网络进行评分传播，以得到所述设备的设备图谱维度的设备评分。


5.根据权利要求2所述的方法，其特征在于，所述根据得到的社交维度的设备评分、安全维度的设备评分、价值维度的设备评分、基础维度的设备评分和设备图谱维度的设备评分，综合得到所述设备的设备画像，包括：
获取均一化的社交维度的设备评分、安全维度的设备评分、价值维度的设备评分、基础维度的设备评分和设备图谱维度的设备评分；
根据...

【专利技术属性】
技术研发人员：范小龙，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44