风控规则调整方法、装置、计算机设备以及存储介质与流程
本技术涉及信息处理,特别是涉及一种风控规则调整方法、装置、计算机设备以及存储介质。
背景技术:
1、现有风控系统通常通过规则引擎对交易、账户、设备、申请请求和行为事件进行实时判定。在一条新规则或规则参数变更上线后,风控系统一般通过监控命中率、通过率、人工审核量、损失率和投诉率等指标判断该规则是否产生异常影响。现有风控系统在规则上线出现指标异常时,主要采用四类处置方式:一是指标超限后直接对整条规则执行关停或版本、参数回滚;二是根据灰度策略管控流量、人群等维度,异常时缩小放量范围,仍以单条规则为最小管控单元;三是依据人工维护的规则依赖关系图处置关联规则,依赖人工分析且无法体现异常传播路径;四是借助因果评估、反事实等手段评估规则整体效果,仅能判断规则留存与否,不支持细粒度处置。现有的异常规则处置方式存在以下缺陷:一是回滚粒度过粗,以整条规则为管控单元,无法刻画异常局部作用域,易引发风险回流与不必要的业务损失;二是仅做结果指标监控,缺乏异常传播结构建模能力,无法识别异常传播路径、精准定位处置切入点;三是没有针对多类回退动作的反事实推演机制,无法在执行前对比不同处置方案的实际效果;四是处置动作类型单一,仅支持全量回滚等简单操作,未构建分级处置体系,无法实现最小影响控制;五是传统规则依赖图仅记录静态配置关系,无法体现多类要素的动态耦合与损失、压力传导强度,难以支撑最优处置节点的自动化求解。因此,如何精准刻画异常传播路径、划分局部异常作用域,提前推演不同处置动作效果,并自动筛选出代价最低且影响范围最小的分级处置方案,实现风控规则异常的精细化和自动化处置,是需要解决的问题。
技术实现思路
1、基于此,有必要针对上述技术问题,提供一种能够精准刻画异常传播路径、划分局部异常作用域,提前推演不同处置动作效果,并自动筛选出代价最低且影响范围最小的分级处置方案,实现风控规则异常的精细化和自动化处置的风控规则调整方法、装置、计算机设备以及存储介质。
2、第一方面,本技术提供了一种风控规则调整方法,所述方法包括:
3、获取风控规则上线后在线运行时产生的原始运行数据,并将原始运行数据进行标准化处理,确定时序观测数据;
4、基于所述时序观测数据确定异常事件,并根据所述异常事件和所述时序观测数据构建异常影响扩散图,且根据异常影响扩散图确定局部子图;
5、根据所述局部子图和预设的五级标准化动作模板,生成候选动作集;所述五级标准化动作模板包括参数收缩动作模板、局部停用动作模板、链路降级动作模板、子图回滚动作模板和全量回滚动作模板;
6、通过结构化结果预测模型,根据所述候选动作集、当前观察窗口样本集、所述局部子图的结构特征、历史执行样本和历史执行样本对应的历史观察窗口实测结果,进行未来观察窗口指标预测,确定观察窗口预测结果;
7、根据所述观察窗口预测结果、所述局部子图和所述候选动作集,基于风险上限约束、传播抑制下限约束和审核负载约束,确定代价最小的目标回滚子图和所述目标回滚子图对应的目标处置动作;
8、基于所述目标回滚子图和所述目标处置动作,对所述风控规则进行调整。
9、在其中一个实施例中,基于所述时序观测数据确定异常事件,包括:
10、根据时序观测数据,确定目标监控指标;所述目标监控指标包括目标误伤率、目标风险穿透率、目标审核负载、目标业务转化率和目标规则命中占比;
11、根据所述目标监控指标和基准指标进行基线对比,确定目标监控指标的标准化偏差;
12、对所述目标监控指标的标准化偏差进行加权计算,确定综合异常得分;
13、若所述综合异常得分大于异常分值阈值,则根据所述目标监控指标、异常规则信息、异常发生时间戳、异常关联维度标签和异常源标记,生成异常事件。
14、在其中一个实施例中,根据目标监控指标和基准指标进行基线对比,确定目标监控指标的标准化偏差,包括:
15、获取历史平稳基线周期统计的历史监控指标,确定历史监控指标的指标平均值和波动标准差;历史监控指标包括历史误伤率、历史风险穿透率、历史审核负载、历史业务转化率和历史规则命中占比;
16、根据所述目标监控指标、所述指标平均值、所述波动标准差和稳定项,确定目标监控指标的标准化偏差。
17、在其中一个实施例中,根据所述异常事件和所述时序观测数据构建异常影响扩散图,且根据异常影响扩散图确定局部子图,包括:
18、根据所述异常事件和所述时序观测数据,确定异构节点和异构节点之间的关联有向边;异构节点包括规则节点、参数节点、用户群节点、业务场景节点、渠道节点、审核链路节点和结果节点;关联有向边包括命中边、共现边、时序传播边、损失传导边和审核负载传导边;
19、根据所述异构节点和所述异构节点之间的关联有向边,构建异常影响扩散图;
20、根据相邻节点之间的命中共现强度、时序传播强度、损失传导强度、审核负载传导强度和预设的非负权重系数,确定相邻节点之间的传播边权;
21、以异常规则对应的规则节点为异常中心节点,基于异常影响扩散图和预设的扩展跳数扩展邻接节点,并基于所述传播边权对邻接节点之间的关联有向边进行筛选,确定强关联边;
22、基于所述异常中心节点、所述邻接节点和所述强关联边,确定局部子图。
23、在一个实施例中,根据所述局部子图和预设的五级标准化动作模板,生成候选动作集,包括:
24、从局部子图中的异常中心节点出发,遍历局部子图中的规则节点、参数节点和审核链路节点;
25、根据所述局部子图中的参数节点、参数节点的从属节点和参数收缩动作模板,生成参数收缩动作;
26、根据所述局部子图中的规则节点和局部停用动作模板,生成局部停用动作;
27、根据所述局部子图中的审核链路节点和链路降级动作模板,生成链路降级动作;
28、根据所述局部子图中的规则节点、局部子图中的审核链路节点和子图回滚动作模板,生成子图回滚动作;
29、根据所述局部子图中的异常中心节点和全量回滚动作模板,生成全量回滚动作;
30、将所述参数收缩动作、所述局部停用动作、所述链路降级动作、所述子图回滚动作和所述全量回滚动作整合为候选动作集。
31、在一个实施例中,根据所述观察窗口预测结果、所述局部子图和所述候选动作集,基于风险上限约束、传播抑制下限约束和审核负载约束,确定代价最小的目标回滚子图和所述目标回滚子图对应的目标处置动作,包括:
32、从所述局部子图中的异常中心节点出发,沿着所述局部子图的连通链路,划分多组连续连通的节点组合,确定候选子图;
33、基于候选动作集,为每个候选子图匹配兼容候选动作,根据所述候选子图和所述兼容候选动作,确定所述候选子图对应的观察窗口预测结果和传播截断强度;
34、根据所述候选子图、所述候选子图的兼容候选动作、所述候选子图对应的观察窗口预测结果,确定各候选子图对应的综合代价;
35、基于代价约束、风险上限约束、传播抑制下限约束和审核负载约束,根据所述综合代价和所述候选子图对应的传播截断强度,从所述候选子图中确定代价最小的目标回滚子图,并确定所述目标回滚子图对应的目标处置动作。
36、在一个实施例中,基于代价约束、风险上限约束、传播抑制下限约束和审核负载约束,根据所述综合代价,从所述候选子图中确定代价最小的目标回滚子图,并确定所述目标回滚子图对应的目标处置动作,包括:
37、基于传播截断强度、风险上限约束、传播抑制下限约束和审核负载约束,对所述候选子图和所述候选子图的兼容候选动作进行筛选,确定符合约束条件的候选子图和兼容候选动作组合作为有效子图动作组合;
38、基于代价约束和所述综合代价,从所述有效子图动作组合中确定目标子图动作组合;
39、将目标子图动作组合中的候选子图作为目标回滚子图;目标子图动作组合中的兼容候选动作作为目标处置动作。
40、第二方面,本技术还提供了一种风控规则调整装置,所述装置包括:
41、数据采集模块,用于获取风控规则上线后在线运行时产生的原始运行数据,并将原始运行数据进行标准化处理,确定时序观测数据;
42、扩散图构建模块,用于基于所述时序观测数据确定异常事件,并根据所述异常事件和所述时序观测数据构建异常影响扩散图,且根据异常影响扩散图确定局部子图;
43、候选动作生成模块,用于根据所述局部子图和预设的五级标准化动作模板,生成候选动作集;所述五级标准化动作模板包括参数收缩动作模板、局部停用动作模板、链路降级动作模板、子图回滚动作模板和全量回滚动作模板;
44、反事实推演模块,用于通过结构化结果预测模型,根据所述候选动作集、当前观察窗口样本集、所述局部子图的结构特征、历史执行样本和历史执行样本对应的历史观察窗口实测结果,进行未来观察窗口指标预测,确定观察窗口预测结果;
45、最小回滚子图求解模块,用于根据所述观察窗口预测结果、所述局部子图和所述候选动作集,基于风险上限约束、传播抑制下限约束和审核负载约束,确定代价最小的目标回滚子图和所述目标回滚子图对应的目标处置动作;
46、分级执行模块,用于基于所述目标回滚子图和所述目标处置动作,对所述风控规则进行调整。
47、第三方面,本技术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:
48、获取风控规则上线后在线运行时产生的原始运行数据,并将原始运行数据进行标准化处理,确定时序观测数据;
49、基于所述时序观测数据确定异常事件,并根据所述异常事件和所述时序观测数据构建异常影响扩散图,且根据异常影响扩散图确定局部子图;
50、根据所述局部子图和预设的五级标准化动作模板,生成候选动作集;所述五级标准化动作模板包括参数收缩动作模板、局部停用动作模板、链路降级动作模板、子图回滚动作模板和全量回滚动作模板;
51、通过结构化结果预测模型,根据所述候选动作集、当前观察窗口样本集、所述局部子图的结构特征、历史执行样本和历史执行样本对应的历史观察窗口实测结果,进行未来观察窗口指标预测,确定观察窗口预测结果;
52、根据所述观察窗口预测结果、所述局部子图和所述候选动作集,基于风险上限约束、传播抑制下限约束和审核负载约束,确定代价最小的目标回滚子图和所述目标回滚子图对应的目标处置动作;
53、基于所述目标回滚子图和所述目标处置动作,对所述风控规则进行调整。
54、第四方面,本技术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:
55、获取风控规则上线后在线运行时产生的原始运行数据,并将原始运行数据进行标准化处理,确定时序观测数据;
56、基于所述时序观测数据确定异常事件,并根据所述异常事件和所述时序观测数据构建异常影响扩散图,且根据异常影响扩散图确定局部子图;
57、根据所述局部子图和预设的五级标准化动作模板,生成候选动作集;所述五级标准化动作模板包括参数收缩动作模板、局部停用动作模板、链路降级动作模板、子图回滚动作模板和全量回滚动作模板;
58、通过结构化结果预测模型,根据所述候选动作集、当前观察窗口样本集、所述局部子图的结构特征、历史执行样本和历史执行样本对应的历史观察窗口实测结果,进行未来观察窗口指标预测,确定观察窗口预测结果;
59、根据所述观察窗口预测结果、所述局部子图和所述候选动作集,基于风险上限约束、传播抑制下限约束和审核负载约束,确定代价最小的目标回滚子图和所述目标回滚子图对应的目标处置动作;
60、基于所述目标回滚子图和所述目标处置动作,对所述风控规则进行调整。
61、上述风控规则调整方法、装置、计算机设备以及存储介质,获取风控规则上线后在线运行时产生的原始运行数据,并将原始运行数据进行标准化处理,确定时序观测数据;基于所述时序观测数据确定异常事件,并根据所述异常事件和所述时序观测数据构建异常影响扩散图,且根据异常影响扩散图确定局部子图;根据所述局部子图和预设的五级标准化动作模板,生成候选动作集;所述五级标准化动作模板包括参数收缩动作模板、局部停用动作模板、链路降级动作模板、子图回滚动作模板和全量回滚动作模板;通过结构化结果预测模型,根据所述候选动作集、当前观察窗口样本集、所述局部子图的结构特征、历史执行样本和历史执行样本对应的历史观察窗口实测结果,进行未来观察窗口指标预测,确定观察窗口预测结果;根据所述观察窗口预测结果、所述局部子图和所述候选动作集,基于风险上限约束、传播抑制下限约束和审核负载约束,确定代价最小的目标回滚子图和所述目标回滚子图对应的目标处置动作;基于所述目标回滚子图和所述目标处置动作,对所述风控规则进行调整。解决了现有异常规则处置存在回滚粒度粗放、缺少传播结构建模、无前置方案推演、处置类型单一和依赖静态关系图,难以精准、低影响地完成异常处置的问题。上述方案,先采集风控规则的原始运行数据并做标准化处理,得到时序观测数据,根据数据识别异常事件,搭建异常影响扩散图并划分出局部子图;结合参数收缩、局部停用等五类标准化动作模板生成候选动作集,再利用结构化结果预测模型,结合样本、图结构特征及历史数据完成指标预测;随后依据风险、传播、审核负载等约束条件,筛选出综合代价最低的目标回滚子图与对应处置动作,最终按照选定方案完成风控规则的调整优化。能够精准刻画异常传播路径、划分局部异常作用域,提前推演不同处置动作效果,并自动筛选出代价最低且影响范围最小的分级处置方案,实现风控规则异常的精细化和自动化处置。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com