一种面向信用大数据的风险控制方法及其系统技术方案

本发明专利技术公开了一种面向信用大数据的风险控制方法及其系统，由终端设备完成数据的采集，服务器完成数据融合、清洗以及属性标签与主体标签的标注等实现数据预处理；再针对可信终端采集的原生数据设计风险控制模块，通过对数据进行标签化处理与敏感性划分，将数据划分成不同敏感等级，实现一级风险控制；再针对数据存储平台的使用者的初始信用度问题，通过分析原生数据中主体标签，评估数据访问者的初始信任度与权限，达到二级风险控制的目的；最后，针对系统、存储平台需要实时监控数据访问者行为这一问题，根据访问者行为动态界定主体信任度，从而完成面向信用大数据的三级风险控制。

A risk control method and system for credit big data

【技术实现步骤摘要】
一种面向信用大数据的风险控制方法及其系统
本专利技术属于安全
，具体涉及一种面向信用大数据的风险控制方法及其系统。
技术介绍
随着互联网技术的不断发展，数据可信问题的重要性越逐渐凸显，信用大数据中包含的隐私信息也在与日剧增。由于信用大数据的类型繁多且多源异构，信用大数据风险控制方法所达到的效果往往是不理想的，为此，如何设计一个安全性、可靠性、系统性较高的风险评估方法尤为重要。一般而言，导致信用大数据风险控制效果低下的原因大致可以分为以下三个方面：首先，由于不同终端所采集的信用数据是多源异构数据，信息量大但是质量不佳，可能导致获取的信用数据有效性不高，不能很好的满足风险控制对数据的需求；其次，现有的风险控制系统普遍存在局部控制现象，不具有系统性，不能从整体角度对风险进行预测并控制；最后，由于采集所得的数据访问者的数据存在恶意作假现象，这些数据会导致信任度衡量不准确，致使访问权限的设定不规范，从而严重影响信用大数据风险控制效果。
技术实现思路
本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种面向信本文档来自技高网...

【技术保护点】
1.一种面向信用大数据的风险控制方法，其特征在于，对终端主体产生的系统初始数据进行标签化处理，将初始数据划分成不同敏感等级，实现一级风险控制；针对数据存储平台使用者的初始信用度问题，分析原生数据中主体及属性标签，评估数据访问者的初始信任度，实现二级风险控制；针对系统、存储平台实时监控数据访问者行为，基于区块链技术，根据访问者行为动态界定其信任度，实现面向信用大数据的三级风险控制。/n

【技术特征摘要】
1.一种面向信用大数据的风险控制方法，其特征在于，对终端主体产生的系统初始数据进行标签化处理，将初始数据划分成不同敏感等级，实现一级风险控制；针对数据存储平台使用者的初始信用度问题，分析原生数据中主体及属性标签，评估数据访问者的初始信任度，实现二级风险控制；针对系统、存储平台实时监控数据访问者行为，基于区块链技术，根据访问者行为动态界定其信任度，实现面向信用大数据的三级风险控制。


2.根据权利要求1所述的面向信用大数据的风险控制方法，其特征在于，包括以下步骤：
S1、终端设备采集信用大数据C，并对数据进行标签化，得到数据主体标签Laff与其相关联的数据属性标签Lpro；
S2、服务器根据属性标签Lpro，对原生信用大数据进行敏感等级划分，确定不敏感数据C1n、敏感数据C1sen和非常敏感数据C1vsen，并为不同的数据集合设置不同的访问权限Rk,i；
S3、服务器根据主体标签Laff，与其相对应的属性标签Lpro所标注的数据，评估访问主体t的初始信任度Trust,t,1，确定访问主体t的初始访问权限等级Rk,t′；
S4、计算访问主体t在第i次登陆时访问敏感数据的概率Psen和非常敏感数据的概率Pvsen，根据主体t在第i次登陆后的整体诚实因子ρt,i及信任度Trust,t,i动态调整访问主体的访问权限等级Rk,t″。


3.根据权利要求2所述的面向信用大数据的风险控制方法，其特征在于，步骤S1具体为：
S101、服务器采用机器学习算法对采集到的信用大数据C进行清洗，删除冗余数据，采用中间件融合方法对采集到的数据进行融合，将融合后的数据集根据是否结构化存入关系数据库或非关系数据库；采用面向属性的归纳算法对多源异构数据进行泛化，再对数据进行归一化处理，得到数据集合Cpre；
S102、对预处理后的数据集合Cpre进行实体及其属性的提取，利用深度学习网络及预测算法得到高精确度的主体预测及其关联属性，确定出离散、相互独立的实体信息Cen，学习不同标签之间的顺序信息T，输出信用大数据提取出的主体标签和相关联的属性标签，得到数据主体标签Laff与其相关联的数据属性标签Lpro。


4.根据权利要求2所述的面向信用大数据的风险控制方法，其特征在于，步骤S2中，不同等级访问权限Rk,i具体为：



其中，C1n,k为非敏感数据的任意一类非敏感数据；C1n，k∪C1n，j∪C1n，q为需要访问三类非敏感数据；C1n为整个非敏感数据集合；C1sen,t为敏感数据中一类数据属性值；C1vsen，n为非常敏感数据中一类数据属性值。


5.根据权利要求4所述的面向信用大数据的风险控制方法，其特征在于，不敏感数据C1n，敏感数据C1sen，非常敏感数据C1vsen的划分过程如下：



其中，Lnlab为信用大数据的不敏感属性集合，Lslab为信用大数据的敏感属性集合，Lvlab为信用大数据的非常敏感的属性集合。


6.根据权利要求2所述的面向信用大数据的风险控制方法，其特征在于，步骤S3中，访问主体t的初始访问权限等级Rk,t′为：

【专利技术属性】
技术研发人员：桂小林，杜天骄，滕晓宇，戴慧珺，周琦，徐盼，姜林，程锦东，桂若伟，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61