一种风险防控决策方法及装置与流程

1.本公开涉及计算机安全技术领域，具体涉及一种风险防控决策方法及装置。另外，还涉及一种电子设备及处理器可读存储介质。


背景技术：

2.随着人工智能技术的快速发展，智能决策系统的研究越来越深入。目前，在金融、自动化决策领域，智能决策系统已经在一定程度上实现了风险感知、风险识别、智能进化等技术，并已在现实情况中得到了广泛的应用。其中必需要有优质的数据，如用户基本信息、用户行为信息、用户授权信息、外部接入信息等，汇总以上数据源通过人工智能模型计算实现完成对信用风险、欺诈风险、系统风险的决策，并提供给对应的专业业务人员，进行决策。然而，现有的人工智能模型的训练数据比较单一，通常为直接采集的历史数据，导致模型的决策准确度较差。因此，如何精确的风险防控决策成为亟待解决的难题。


技术实现要素：

3.为此，本公开提供一种风险防控决策方法及装置，以解决现有技术中存在的用于风险防控决策的人工智能模型局限性较高，导致风险防控决策准确度较差的缺陷。
4.本公开提供一种风险防控决策方法，包括：
5.确定待防控的风险事件数据；
6.将所述待防控的风险事件数据输入至预设的风险决策模型中，得到所述风险决策模型输出的目标风控策略；
7.其中，所述风险决策模型是基于样本风险事件数据和所述样本风险事件数据对应的实际风控策略进行模型训练得到的机器学习模型；
8.所述样本风险事件数据包含历史风险事件数据以及基于所述历史风险事件数据模拟得到的异常风险事件数据。
9.进一步的，所述的风险防控决策方法，还包括：预先确定样本风险事件数据；
10.所述预先确定样本风险事件数据，具体包括：
11.获取初始样本风险事件数据；
12.基于联网业务终端的用户使用状态、设备运行状态、设备性能参数以及设备负载信息，确定所述联网业务终端中的目标联网业务终端；并将所述初始样本风险事件数据发送到相应的至少一个目标联网业务终端中进行预处理；和/或，获取至少一个目标联网业务终端在本地采集数据并进行预处理后的样本数据，以得到预处理样本数据；
13.将所述预处理样本数据进行样本混合，并通过样本微调及筛选处理的方式选取满足预设条件的所述样本风险事件数据。
14.进一步的，所述基于所述历史风险事件数据模拟得到的异常风险事件数据，具体包括：
15.对所述历史风险事件数据中的特征进行标注；
16.基于所述历史风险事件数据中典型样本对应的事件特征，利用仿真模拟模型对已经做好标注的特征进行分析，以生成所述典型样本对应的仿真典型样本，将所述仿真典型样本作为异常风险事件数据。
17.进一步的，所述的风险防控决策方法，在将所述待防控的风险事件数据输入至预设的风险决策模型中之前，还包括：
18.将所述待防控的风险事件数据输入预设的调度模块，以确定所述待防控的风险事件数据对应的处理类型，并基于所述处理类型分配相应的算力资源；利用所述算力资源处理相应的风险决策模型计算任务，以实现对所述待防控的风险事件数据的处理；
19.其中，所述调度模块用于根据所述待防控的风险事件数据需要的处理类型匹配相应的算力资源；所述处理类型包括实时处理、异步处理以及离线处理中的至少一种。
20.进一步的，所述的风险防控决策方法，还包括：
21.确定所述待防控的风险事件数据对应的操作行为数据；
22.利用风险防控系统中的系统决策模型对所述操作行为数据进行分析，获得所述操作行为数据的行为评估结果；其中，所述系统决策模型是将历史操作行为数据和所述操作行为数据对应的处理结果作为训练样本，进行模型训练得到的机器学习模型。
23.进一步的，所述操作行为数据包括事前的操作行为预测数据、事中的操作行为数据以及事后操作行为数据中的至少一种。
24.本公开还提供一种风险防控决策装置，包括：
25.风险事件数据确定单元，用于确定待防控的风险事件数据；
26.风控策略确定单元，用于将所述待防控的风险事件数据输入至预设的风险决策模型中，得到所述风险决策模型输出的目标风控策略；
27.其中，所述风险决策模型是基于样本风险事件数据和所述样本风险事件数据对应的实际风控策略进行模型训练得到的机器学习模型；
28.所述样本风险事件数据包含历史风险事件数据以及基于所述历史风险事件数据模拟得到的异常风险事件数据。
29.进一步的，所述的风险防控决策装置，还包括：样本预处理单元；所述样本预处理单元，具体用于：获取初始样本风险事件数据；基于联网业务终端的用户使用状态、设备运行状态、设备性能参数以及设备负载信息，确定所述联网业务终端中的目标联网业务终端；并将所述初始样本风险事件数据发送到相应的至少一个目标联网业务终端中进行预处理；和/或，获取至少一个目标联网业务终端在本地采集数据并进行预处理后的样本数据，以得到预处理样本数据；将所述预处理样本数据进行样本混合，并通过样本微调及筛选处理的方式选取满足预设条件的所述样本风险事件数据。
30.进一步的，所述基于所述历史风险事件数据模拟得到的异常风险事件数据，具体包括：
31.对所述历史风险事件数据中的特征进行标注；
32.基于所述历史风险事件数据中典型样本对应的事件特征，利用仿真模拟模型对已经做好标注的特征进行分析，以生成所述典型样本对应的仿真典型样本，将所述仿真典型样本作为异常风险事件数据。
33.进一步的，所述的风险防控决策装置，还包括：调度处理单元，用于将所述待防控
的风险事件数据输入预设的调度模块，以确定所述待防控的风险事件数据对应的处理类型，并基于所述处理类型分配相应的算力资源；利用所述算力资源处理相应的风险决策模型计算任务，以实现对所述待防控的风险事件数据的处理；
34.其中，所述调度模块用于根据所述待防控的风险事件数据需要的处理类型匹配相应的算力资源；所述处理类型包括实时处理、异步处理以及离线处理中的至少一种。
35.进一步的，所述的风险防控决策装置，还包括：
36.操作行为数据确定单元，用于确定所述待防控的风险事件数据对应的操作行为数据；
37.操作行为评估单元，用于利用风险防控系统中的系统决策模型对所述操作行为数据进行分析，获得所述操作行为数据的行为评估结果；其中，所述系统决策模型是将历史操作行为数据和所述操作行为数据对应的处理结果作为训练样本，进行模型训练得到的机器学习模型。
38.进一步的，所述操作行为数据包括事前的操作行为预测数据、事中的操作行为数据以及事后操作行为数据中的至少一种。
39.本公开还提供一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行所述程序时实现如上述任意一项所述风险防控决策方法的步骤。
40.本公开还提供一种处理器可读存储介质，所述处理器可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现如上述任意一项所述风险防控决策方法的步骤。
41.本公开提供的风险防控决策方法，通过确定待防控的风险事件数据，并将所述待防控的风险事件数据输入至预设的风险决策模型中，实现对待防控的风险事件数据进行有效感知及识别，并生成相应的目标风控策略，从而提升了风控决策的准确度。
附图说明
42.为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获取其他的附图。
43.图1是本公开实施例提供的风险防控决策方法的流程示意图；
44.图2是本公开实施例提供的风险防控决策方法的完整流程示意图；
45.图3是本公开实施例提供的样本预处理过程的示意图；
46.图4是本公开实施例提供的数据样本处理过程的示意图；
47.图5是本公开实施例提供的风险决策模型训练过程的示意图；
48.图6是本公开实施例提供的风险防控决策过程的示意图；
49.图7是本公开实施例提供的针对目标风控策略分析过程的示意图；
50.图8是本公开实施例提供的系统决策处理过程的示意图；
51.图9是本公开实施例提供的风险防控决策装置的结构示意图；
52.图10是本公开实施例提供的电子设备的实体结构示意图。
具体实施方式
53.为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获取的所有其他实施例，都属于本公开保护的范围。
54.下面基于本公开所述的风险防控决策方法，对其实施例进行详细描述。如图1所示，其为本公开实施例提供的风险防控决策方法的流程示意图，具体实现过程包括以下步骤：
55.步骤101：确定待防控的风险事件数据。
56.在本公开实施例中，执行本步骤之前，需要预先确定样本风险事件数据，并进行模型训练，以得到所述风险决策模型。具体的，首先获取初始样本风险事件数据，并基于联网业务终端的用户使用状态、设备运行状态、设备性能参数以及设备负载信息来确定所述联网业务终端中的目标联网业务终端，并将所述初始样本风险事件数据发送到相应的至少一个目标联网业务终端中进行样本预处理；和/或，获取至少一个目标联网业务终端在本地采集数据并进行预处理后的样本数据，以得到预处理样本数据；进一步的，将所述预处理样本数据进行样本混合，并通过样本微调及筛选处理的方式选取满足预设条件的所述样本风险事件数据。其中，所述联网业务终端可以是指有驱动力终端，比如以电动汽车为主的联网设备终端以及车载移动工作站等物联网终端；也可以是指无驱动力终端，比如智能手机、可穿戴联网设备等物联网终端。
57.如图2所示，在进行模型训练之前，需要预先通过用户数据部分特征、模型数据以及相应的外部数据源，获取初始样本风险事件数据，并对初始样本风险事件数据进行样本预处理，从所述初始样本风险事件数据中提取出具有代表性、充分性、时效性、排除性等特点的最终样本(即满足预设条件的所述样本风险事件数据)，从而为风险决策模型的训练过程提供有效的训练样本数据支持。
58.在具体实施过程中，服务器端可以对业务资源进行部分释放，这部分业务资源通常不是复杂性计算，而是属于轻度计算场景，可将该部分业务资源放到联网业务终端(比如有驱动力终端)上实现；也可以是联网业务终端上应用程序自身的一些业务资源，将该部分应该在服务器端的业务资源移交给联网业务终端(比如有驱动力终端或无驱动力终端)进行。所述业务资源中包含初始样本风险事件数据，其来源于用户数据部分特征、模型数据以及相应的外部数据源。
59.针对基于联网业务终端的用户使用状态、设备运行状态、设备性能参数以及设备负载信息，确定所述联网业务终端中的目标联网业务终端的实现过程。如图3所示，在本公开实施例中，需要基于预先确定几个维度判断联网业务终端设备硬件是否可具备执行业务资源的条件，比如设备是否在可执行列表中、联网业务终端本地相应的芯片是否符合计算要求等，该判断过程主要针对联网业务终端设备硬件，而判断标准由服务器端实时提供；联网业务终端设备硬件层面判断结束后，还可对联网业务终端所在时区进行判断，是否为当前所在时区为夜间范围，当时区为夜间范围时，则进下一步判断联网业务终端设备当前运行状态，具体包括网络质量、联网业务终端设备负载状态等，来判断是否符合要求；除此之外，还包括判断网络属于移动网还是固定网，如果是固定网则进行链路质量的检测，如当前
网络质量符合要求，则开始对联网业务终端设备运行状态等进行检测，比如中央处理器(central processing unit，cpu)、内存使用率是否满足要求。其中设备负载状态包括，cpu占用率、随机存取存储器(random access memory，ram)占用率。若当前设备负载状态全部为服务器端提供的标准阈值之下，则进入电池状态判断；对于支持电池的联网业务终端设备，判断电池状态是否正常，如果没有问题则判断是否在充电状态，如设备为充电状态，则进行联网业务终端设备运动状态检测；运动状态也需要历史及实时的判断，历史采用低频率检测并且为本地存储，可通过对6轴加速器/陀螺仪等相关传感器进行判断设备是否为运动状态，如果不是运动状态判断是否接近水平或其它固定位置，其它固定位置需要与历史数据做比较，是否为常态固定位置。完成上述用户使用状态、设备运行状态、设备性能参数以及设备负载信息等一系列检测后，确实当前设备(联网业务终端)为静止、待机、处于充电、负载较小且运算性能符合预设条件等状态时，便可确定其具备执行计算业务资源能力，能够提供足够多的计算资源来进行样本预处理分析，并将具备执行计算业务资源能力的联网业务终端确定为目标联网业务终端。
60.在将所述初始样本风险事件数据发送到相应的至少一个目标联网业务终端中进行预处理以得到预处理样本数据的实现过程中，所述目标联网业务终端可以是有驱动力终端或无驱动力终端，比如电动汽车、可穿戴设备、智能手机等。通过合理利用物联网中目标联网业务终端的计算资源，可使样本预处理的计算负载降低，同时减少网络传输时间及数据量，差异化分析出有效的数据训练样本，从而极大提高了预处理样本的质量。
61.需要说明的是，随着大量的流媒体数据的引入，数据量级越来越大，模型处理样本数据量也越来越大，逻辑类、视觉类的计算在模型处理后期都会出现，典型样本变得越来越少，算法提升的空间越来越低，如果依旧靠大量的同质样本，仅仅学习传统类型样本能效极低，所以在收集样本数据的时候，筛选典型样本，并通过仿真模拟得到更多仿真典型样本，从而提高模型在各种场景下计算任务的处理准确度。如上所述，典型样本到后期会越来越少，实际收集的典型样本数据，占比非常低。因此，在本公开实施例中，所述基于所述历史风险事件数据模拟得到的异常风险事件数据，具体实现过程包括：对所述历史风险事件数据中的特征进行标注；基于所述历史风险事件数据中典型样本对应的事件特征，利用仿真模拟模型对已经做好标注的特征进行分析，以生成所述典型样本对应的仿真典型样本，将所述仿真典型样本作为异常风险事件数据。通过对样本风险事件数据内每个历史风险事件数据中的特征进行标注，并对收集的典型样本进行特征提取，根据这些典型样本的特征信息，依据典型样本特征维度上下预设区间，通过仿真模拟模型进行计算，对已经做好标注的特征进行分析，以现实世界为基准实时生成仿真典型样本，提供给所述机器学习模型(即风险决策模型)进行训练学习(如图5所示)，同时对机器学习模型建立一个评价体系，通过打分，产生相应的运算思考逻辑，动态的调整现实环境中的普遍样本、典型样本，仿真环境中的典型样本特征维度区间、量级划分，通过评价体系不断输出满足预设条件的风险决策模型。通过上述方法，根据部分典型样本可裂变出大量的仿真典型样本，减少对网络、服务器性能不必要的性能依赖，通过仿真模拟模型对现实样本数据中各个特征进行不同的组合，从而避免采集的历史风险事件数据存在的样本单一性问题，丰富了风险决策模型训练样本类型，从而提高了风险决策模型的预测准确率。
62.在通过样本预处理阶段以得到预处理样本数据之后，还包括将所述预处理样本数
据进行样本混合，并通过样本微调及筛选处理的方式选取满足预设条件的所述样本风险事件数据。在具体实施过程中，首先对预处理样本数据进行样本混合，再经过数据样本处理阶段，完成最终的样本处理，得到包含历史风险事件数据以及基于所述历史风险事件数据模拟得到的异常风险事件数据的样本风险事件数据。如图4所示，所述样本混合有几种情况：情况一，若目标联网业务终端的样本处理策略有变更，丢弃对应批次目标联网业务终端的预处理样本，由服务器端重新计算；情况二，来源处理通过，经过样本混合，目标联网业务终端预处理样本与服务器端处理样本符合要求则统一进入如图2所示的数据处理样本阶段；情况三，来源处理通过，经过样本混合，目标联网业务终端预处理或服务器端样本需要进行微调；通过代表性、充分性、时效性、排除性等方法选取合适的样本，并匹配出有效的全部信息作为基础特征，完成数据样本处理。
63.步骤102：将所述待防控的风险事件数据输入至预设的风险决策模型中，得到所述风险决策模型输出的目标风控策略；其中，所述风险决策模型是基于样本风险事件数据和所述样本风险事件数据对应的实际风控策略进行模型训练得到的机器学习模型；所述样本风险事件数据包含历史风险事件数据以及基于所述历史风险事件数据模拟得到的异常风险事件数据。
64.如图6所示，在本公开实施例中，将所述待防控的风险事件数据输入至预设的风险决策模型中之前，还包括：首先将所述待防控的风险事件数据输入预设的调度模块(即调度系统)，以确定所述待防控的风险事件数据对应的处理类型，并基于所述处理类型分配相应的算力资源，利用所述算力资源处理相应的风险决策模型计算任务，以实现对所述待防控的风险事件数据的处理。其中，所述调度模块用于根据所述待防控的风险事件数据需要的处理类型匹配相应的算力资源；所述处理类型包括实时处理、异步处理以及离线处理中的至少一种。
65.具体的，首先确定模型的处理类型属于实时处理，异步处理，还是离线处理，并判断对应的确定计算场景。所述计算场景为神经网络计算场景与非神经网络计算场景中的一种。当所述计算场景为神经网络计算场景时，通过深度学习模型进行计算处理。通过计算场景和处理类型对模型所需要的计算硬件环境进行匹配，以确定相应的算力资源。具体的，可根据业务实际情况对计算芯片进行智能选型。如图6所示，根据计算类型(处理类型)可分为针对标量计算的cpu、针对向量计算的图形处理器(graphics processing unit，gpu)、针对矩阵计算的专用集成电路(application specific integrated circuit，asic)、针对空间计算的fpga(field programmable gate arra)。在具体实施过程中，针对计算类型提前对业务资源进行一个预估，针对适合的业务资源类型通过智能ai确定采用何种加速类型，包括对加速模块、加速卡、加速服务器、加速计算集群，从而有效保证各运算集群整体上的负载平衡。根据业务类型及未来业务增长趋势，通过调度系统将不同芯片进行组合，确定最佳的平衡点，以便在各种情况下高效的完成越来越复杂的计算任务。
66.如图7所示，在风险决策模型生成的目标风控策略之后，还包括根据用户体验反馈的信息和风险目标配置，生成策略方案，并通过策略预执行生成对应的报告，以判断是否符合预期，若是，则输出有效的目标风控策略。
67.另外，需要说明的是在样本预处理、模型训练以及模型决策处理过程中，无论是人为、非人为实际上都有可能在一定几率上出现事故，因此本公开实施例中还包括通过决策
系统来确定所述待防控的风险事件数据对应的操作行为数据。具体的，利用风险防控系统中的系统决策模型对所述操作行为数据进行分析，获得所述操作行为数据的行为评估结果，从而通过机器学习模型在不需要花费过多计算资源的前提下，有效降低了同类型事故发生几率。其中，所述系统决策模型是将历史操作行为数据和所述操作行为数据对应的处理结果作为训练样本，进行模型训练得到的机器学习模型。所述操作行为数据可包括事前的操作行为预测数据、事中的操作行为数据以及事后操作行为数据中的至少一种。如图8所示，在本公开实施例中，系统决策部分主要核心逻辑智能ai来保障系统配置的风险降到最低。通过智能ai进行模型学习、预测，随着正负样本的操作数据逐渐增多，能够在事前的操作预测，事中的感知提示，事后提供有效的解决方案。事前的操作预测数据主要来源于日常用户的操作行为数据，评估出每一位用户的操作行为序列，这部分采用实时计算方案，提供有效的预测数据，及时提示用户操作风险；事中的操作数据来源操作与操作之间的系统运行区间数据，这部分数据包括多层次外部数据源，适合采用异步、离线计算方案，同时保证离线计算的数据在预设的时间阈值内，从而保证短时间内可能会产生的多次离线计算；事后操作数据来源于事前、事中时间线数据，历史事后处理方案数据，这部分基本不涉及到外部数据源，主要是系统内部数据，采用实时计算方案。
68.本公开实施例所述的风险防控决策方法，通过确定待防控的风险事件数据，并将所述待防控的风险事件数据输入至预设的风险决策模型中，实现对待防控的风险事件数据进行有效感知和识别，生成相应的目标风控策略，从而提升了风控决策的准确度。
69.与上述提供的一种风险防控决策方法相对应，本公开还提供一种风险防控决策装置。由于该装置的实施例相似于上述方法实施例，所以描述得比较简单，相关之处请参见上述方法实施例部分的说明即可，下面描述的风险防控决策装置的实施例仅是示意性的。请参考图9所示，其为本公开实施例提供的一种风险防控决策装置的结构示意图。
70.本公开所述的风险防控决策装置，具体包括如下部分：
71.风险事件数据确定单元901，用于确定待防控的风险事件数据；
72.风控策略确定单元902，用于将所述待防控的风险事件数据输入至预设的风险决策模型中，得到所述风险决策模型输出的目标风控策略；其中，所述风险决策模型是基于样本风险事件数据和所述样本风险事件数据对应的实际风控策略进行模型训练得到的机器学习模型；
73.所述样本风险事件数据包含历史风险事件数据以及基于所述历史风险事件数据模拟得到的异常风险事件数据。
74.进一步的，所述的风险防控决策装置，还包括：样本预处理单元；所述样本预处理单元，具体用于：获取初始样本风险事件数据；基于联网业务终端的用户使用状态、设备运行状态、设备性能参数以及设备负载信息，确定所述联网业务终端中的目标联网业务终端；并将所述初始样本风险事件数据发送到相应的至少一个目标联网业务终端中进行预处理；和/或，获取至少一个目标联网业务终端在本地采集数据并进行预处理后的样本数据，以得到预处理样本数据；将所述预处理样本数据进行样本混合，并通过样本微调及筛选处理的方式选取满足预设条件的所述样本风险事件数据。
75.进一步的，所述基于所述历史风险事件数据模拟得到的异常风险事件数据，具体包括：
76.对所述历史风险事件数据中的特征进行标注；
77.基于所述历史风险事件数据中典型样本对应的事件特征，利用仿真模拟模型对已经做好标注的特征进行分析，以生成所述典型样本对应的仿真典型样本，将所述仿真典型样本作为异常风险事件数据。
78.进一步的，所述的风险防控决策装置，还包括：调度处理单元，用于将所述待防控的风险事件数据输入预设的调度模块，以确定所述待防控的风险事件数据对应的处理类型，并基于所述处理类型分配相应的算力资源；利用所述算力资源处理相应的风险决策模型计算任务，以实现对所述待防控的风险事件数据的处理；
79.其中，所述调度模块用于根据所述待防控的风险事件数据需要的处理类型匹配相应的算力资源；所述处理类型包括实时处理、异步处理以及离线处理中的至少一种。
80.进一步的，所述的风险防控决策装置，还包括：
81.操作行为数据确定单元，用于确定所述待防控的风险事件数据对应的操作行为数据；
82.操作行为评估单元，用于利用风险防控系统中的系统决策模型对所述操作行为数据进行分析，获得所述操作行为数据的行为评估结果；其中，所述系统决策模型是将历史操作行为数据和所述操作行为数据对应的处理结果作为训练样本，进行模型训练得到的机器学习模型。
83.进一步的，所述操作行为数据包括事前的操作行为预测数据、事中的操作行为数据以及事后操作行为数据中的至少一种。
84.本公开实施例所述的风险防控决策装置，通过确定待防控的风险事件数据，并将所述待防控的风险事件数据输入至预设的风险决策模型中，实现对待防控的风险事件数据进行有效感知及识别，并生成相应的目标风控策略，从而提升了风控决策的准确度。
85.与上述提供的风险防控决策方法相对应，本公开还提供一种电子设备。由于该电子设备的实施例相似于上述方法实施例，所以描述得比较简单，相关之处请参见上述方法实施例部分的说明即可，下面描述的电子设备仅是示意性的。如图10所示，其为本公开实施例公开的一种电子设备的实体结构示意图。该电子设备可以包括：处理器(processor)1001、存储器(memory)1002和通信总线1003，其中，处理器1001，存储器1002通过通信总线1003完成相互间的通信，通过通信接口1004与外部进行通信。处理器1001可以调用存储器1002中的逻辑指令，以执行风险防控决策方法，该方法包括：确定待防控的风险事件数据；将所述待防控的风险事件数据输入至预设的风险决策模型中，得到所述风险决策模型输出的目标风控策略；其中，所述风险决策模型是基于样本风险事件数据和所述样本风险事件数据对应的实际风控策略进行模型训练得到的机器学习模型；所述样本风险事件数据包含历史风险事件数据以及基于所述历史风险事件数据模拟得到的异常风险事件数据。
86.此外，上述的存储器1002中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，计算机，或者网络设备等)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：存储芯片、u盘、移动硬盘、只读存
储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
87.另一方面，本公开实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在处理器可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的风险防控决策方法。该方法包括：确定待防控的风险事件数据；将所述待防控的风险事件数据输入至预设的风险决策模型中，得到所述风险决策模型输出的目标风控策略；其中，所述风险决策模型是基于样本风险事件数据和所述样本风险事件数据对应的实际风控策略进行模型训练得到的机器学习模型；所述样本风险事件数据包含历史风险事件数据以及基于所述历史风险事件数据模拟得到的异常风险事件数据。
88.又一方面，本公开实施例还提供一种处理器可读存储介质，所述处理器可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的风险防控决策方法。该方法包括：确定待防控的风险事件数据；将所述待防控的风险事件数据输入至预设的风险决策模型中，得到所述风险决策模型输出的目标风控策略；其中，所述风险决策模型是基于样本风险事件数据和所述样本风险事件数据对应的实际风控策略进行模型训练得到的机器学习模型；所述样本风险事件数据包含历史风险事件数据以及基于所述历史风险事件数据模拟得到的异常风险事件数据。
89.所述处理器可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(mo)等)、光学存储器(例如cd、dvd、bd、hvd等)、以及半导体存储器(例如rom、eprom、eeprom、非易失性存储器(nand flash)、固态硬盘(ssd))等。
90.以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
91.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，计算机，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
92.最后应说明的是：以上实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的精神和范围。