一种数据合规可视化监控方法及装置与流程

1.本技术涉及一种数据处理技术，尤其涉及一种数据合规可视化监控方法。本技术还涉及一种数据合规可视化监控装置。


背景技术：

2.数据合规是指，在一些商业或者社会活动中，如果用户的行为不够规范，则由所述获得产生的数据可以完整的体现出来，因此通过数据合规审查即可进行合规甄别。
3.在企业活动中，由于法律法规等因素的限制，其商业获得需要规避不合规的行为，因此进行数据合规的分析，寻找风险点以解决不合规的活动尤其重要。当前，数据合规审核是通过人工的方式进行消耗大量人力物力，或者将大量数据输入到第三方进行审查，容易导致数据泄露的风险存在。


技术实现要素：

4.为解决现有技术中数据合规可能导致的数据泄露的问题，本技术提供一种数据合规可视化监控方法。本技术还涉及一种数据合规可视化监控装置。
5.本技术提供一种数据合规可视化监控方法，包括：
6.获取样本数据，所述样本数据具有行业特征；
7.根据所述样本数据训练ai模型，获得预训练的推理模型，包括：确定所述样本数的行业类别，并对应的确定所述行业类别分别对应的合规标准；根据所述合规标准，制定合规规则；输入所述样本数据到ai模型，由所述ai模型关联所述样本数据的合规规则；
8.调取所述预训练模型，通过输入用户数据获取与所述行业特征对应的合规规则，并根据所述合规规则生成合规监管视图。
9.可选的，所述样本数据是通过问卷调查的方式获得的。
10.可选的，所述合规监管视图由多个数据处理节点组成，所述数据处理节点为预设的数据处理步骤组成，包括：
11.根据节点规则审核所述用户数据的合规性；
12.根据所述合规性调取风险点。
13.可选的，所述数据处理节点为可拖拽图形模块，并通过拖拽的方式进行添加或者删除。
14.可选的，还包括：
15.根据所述合规规则设置检查链，所述检查链用于定义每个数据计算节点的数据是否发布；
16.根据所述检查链进行数据计算结果的发布。
17.本技术还提供一种数据合规可视化监控装置，包括：
18.获取模块，用于获取样本数据，所述样本数据具有行业特征；
19.训练模块，用于根据所述样本数据训练ai模型，获得预训练的推理模型，包括：确
定所述样本数的行业类别，并对应的确定所述行业类别分别对应的合规标准；根据所述合规标准，制定合规规则；输入所述样本数据到ai模型，由所述ai模型关联所述样本数据的合规规则；
20.计算模块，用于调取所述预训练模型，通过输入用户数据获取与所述行业特征对应的合规规则，并根据所述合规规则生成合规监管视图。
21.可选的，所述样本数据是通过问卷调查的方式获得的。
22.可选的，所述合规监管视图由多个数据处理节点组成，所述数据处理节点为预设的数据处理步骤组成，包括：
23.根据节点规则审核所述用户数据的合规性；
24.根据所述合规性调取风险点。
25.可选的，所述数据处理节点为可拖拽图形模块，并通过拖拽的方式进行添加或者删除。
26.可选的，还包括：
27.设置模块，用于根据所述合规规则设置检查链，所述检查链用于定义每个数据计算节点的数据是否发布；
28.发布模块，用于根据所述检查链进行数据计算结果的发布。
29.本技术相对与现有技术的优点：
30.本技术提供一种数据合规可视化监控方法，包括：获取样本数据，所述样本数据具有行业特征；根据所述样本数据训练ai模型，获得预训练的推理模型，包括：确定所述样本数的行业类别，并对应的确定所述行业类别分别对应的合规标准；根据所述合规标准，制定合规规则；输入所述样本数据到ai模型，由所述ai模型关联所述样本数据的合规规则；调取所述预训练模型，通过输入用户数据获取与所述行业特征对应的合规规则，并根据所述合规规则生成合规监管视图。本技术通过预训练模型，当用户需要进行数据合规审查时，只需要调取该模型在本地进行数据合规审查，放置数据丢失。
附图说明
31.图1是本技术中数据合规可视化监控的流程图。
32.图2是本技术中数据处理节点中预设的数据处理流程图。
33.图3是本技术中数据合规可视化监控装置示意图。
具体实施方式
34.在下面的描述中阐述了很多具体细节以便于充分理解本技术。但是本技术能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本技术内涵的情况下做类似推广，因此本技术不受下面公开的具体实施的限制。
35.本技术提供一种数据合规可视化监控方法，包括：获取样本数据，所述样本数据具有行业特征；根据所述样本数据训练ai模型，获得预训练的推理模型，包括：确定所述样本数的行业类别，并对应的确定所述行业类别分别对应的合规标准；根据所述合规标准，制定合规规则；输入所述样本数据到ai模型，由所述ai模型关联所述样本数据的合规规则；调取所述预训练模型，通过输入用户据获取与所述行业特征对应的合规规则，并根据所述合规
规则生成合规监管视图。本技术通过预训练模型，当用户需要进行数据合规审查时，只需要调取该模型在本地进行数据合规审查，放置数据丢失。
36.图1是本技术中数据合规可视化监控的流程图。
37.请参照图1所示，s101获取样本数据，所述样本数据具有行业特征。
38.所述行业特征是指某一个行业特有的属性，例如金融行业具有的特有属性的数据包括有：征信、贷款额度等。所述样本数据是通过问卷调查的方式获取的，所述问卷调查的问卷，已经标记了每个数据的属性，根据所述属性即可确定所述行业特征。根据所述行业特征，可以确定所述样本数据的合规标准，然后根据所述合规标准制定合规规则，最终所述样本数据将关联到对应的合规规则。
39.所述样本数据是经过脱敏处理的，包括：在收集数据时不收集用户个人的敏感数据，或者在完全收集用户数据后，将所述用户的敏感数据进行删除，并保留具有行业特征的数据作为样本数据。
40.请参照图1所示，s102根据所述样本数据训练ai模型，获得预训练的推理模型，包括：确定所述样本数的行业类别，并对应的确定所述行业类别分别对应的合规标准；根据所述合规标准，制定合规规则；输入所述样本数据到ai模型，由所述ai模型关联所述样本数据的合规规则。
41.所述ai模型是系统端提供的，该系统端可以是提供合规分析审核的公司或者组织。所述系统端收集样本数据可以直接通过问卷的形式获取，也可以通过审核需求端数据生成，但是这些需求端数据是不包括个人敏感信息的数据。所述需求端是指需要进行合规分析审核的公司或者组织。
42.在训练所述ai模型之前，首先需要确定行业类别，并对应的确定所述行业类别分别对应的合规标准，所述合规标准可以是法律法规等。
43.根据所述行业类别和合规标准，制定合规规则，所述合规规则是指表征不符合所述法律法规的行为数据，以及违反所述法律法规的风险点和具体法条。
44.基于上述预设的合规标准和合规规则，输入所述样本数据到ai模型，并由所述ai模型关联所述样本数据的合规规则，根据所述关联情况调整所述ai模型的计算参数，然后由ai模型重复所述的进行样本数据和所述样本数据对应的合规规则的关联，直到能够准确的进行关联为止。优选的，所述关联情况为百分之百关联到所述合规规则。
45.此时，所述ai模型就是最终获得的预训练的推理模型。
46.所述ai模型可采用机器学习算法实现，所述机器学习算法包括：逻辑回归算法、决策树、遗传算法、支持向量机(svn)、k-means算法、随机森林和朴素贝叶斯算法；采用不同算法时其程序设计有所差异，但均为成熟技术手段，本领域的技术人员根据上述实施例的描述，完全可顺利实现该算法，在此不赘述。
47.请参照图1所示，s103调取所述预训练模型，通过输入用户数据获取与所述行业特征对应的合规规则，并根据所述合规规则生成合规监管视图。
48.所述推理模型在训练完成后，即可存放到所述系统端的平台，当所述需求端需要进行合规分析审核时，只需要调取所述推理模型，并输入所述用户数据，即可获取合规规则，以及根据所述合规规则生成合规监管视图。
49.具体的，在获取所述合规规则后，将所述数据与所述合规规则进行比对，即可获取
风险点，以及解决风险点的方案等。在比对之前，还需要对所述用户数据进行格式化、合并、删除等操作。例如：当所述合规规则中有几项数据相加时，将所述用户数据对应的相应数据进行相加合并。
50.所述数据与所述合规规则进行比对可采用包括正则匹配、数据范围比较、特征相似度比较中的一种或多种实现；其中，特征相似度比较为：将所述数据及所述合规规则进行矩阵化处理，并计算两矩阵的相似度；所述相似度的计算方法可采用欧式距离、cosine相似度等算法。
51.所述合规规则还对应有相应的合规监管视图，该合规监管视图将所述合规规则中的每一项合规分析审核步骤都图形化为可拖拽图形模块，以可视化，可拖拽的方式显示在显示器上。
52.所述合规监管视图用于展示包括数据提供者、数据采集、数据传输、数据存储、数据使用、数据提供、数据归档与销毁、数据访问者中至少一个方面的合规风险评估结果与风险报告。
53.其中，所述数据提供者方面给予用户与供应商两个视角的风险评估与警示；所述数据采集方面从包括用户知情权、用户数据权利、告知义务、数据审计、协议中的至少一个视角给予风险评估与警示；所述数据传输方面从数据加密视角提供风险评估与警示；所述数据存储方面从包括分类分级、数据脱敏、中心云服务器、分中心存储中的至少一个视角给予风险评估与警示；所述数据使用方面从包括权限管理、客服中心、市场营销、自动决策中的至少一个视角给予风险评估与警示；所述数据提供方面从包括报告、合作研究、委托处理中的至少一个视角给予风险评估与警示；所述数据归档与销毁方面从包括数据匿名化、归档服务器、数据销毁中的至少一个视角给予风险评估与警示；所述数据访问者方面给予包括员工、监管机构、研究者、服务商中的至少一个视角的风险评估与警示。
54.图2是本技术中数据处理节点中预设的数据处理流程图。
55.请参照图2所示，所述可拖拽图形模块是数据处理节点，所述数据处理节点为预设的数据处理步骤组成，包括：
56.s201根据所述合规规则在数据处理节点处的节点规则审核所述用户数据的合规性；
57.s202根据所述合规性调取风险点。
58.进一步的，所述系统端在所述需求端进行合规审核时，为所述合规规则的每一步设置检查链，该检查链中标记了每一步所述合规规则是否需要向系统端发布数据，根据所述合规规则中的重要节点设置发布数据，进行全程的合规分析审核标准，不需要审查和保存用户数据。
59.优选的，所述可拖拽图形模块可以依据需求端的实际分析目标进行添加和删除操作。
60.本技术还提供一种数据合规可视化监控装置，包括：获取模块301，训练模块302，计算模块303。
61.图3是本技术中数据合规可视化监控装置示意图。
62.请参照图3所示，获取模块301，用于获取样本数据，所述样本数据具有行业特征。
63.所述行业特征是指某一个行业特有的属性，例如金融行业具有的特有属性的数据
包括有：征信、贷款额度等。所述样本数据是通过问卷调查的方式获取的，所述问卷调查的问卷，已经标记了每个数据的属性，根据所述属性即可确定所述行业特征。根据所述行业特征，可以确定所述样本数据的合规标准，然后根据所述合规标准制定合规规则，最终所述样本数据将关联到对应的合规规则。
64.所述样本数据是经过脱敏处理的，包括：在收集数据时不收集用户个人的敏感数据，或者在完全收集用户数据后，将所述用户的敏感数据进行删除，并保留具有行业特征的数据作为样本数据。
65.请参照图3所示，训练模块302，用于根据所述样本数据训练ai模型，获得预训练的推理模型，包括：确定所述样本数的行业类别，并对应的确定所述行业类别分别对应的合规标准；根据所述合规标准，制定合规规则；输入所述样本数据到ai模型，由所述ai模型关联所述样本数据的合规规则。
66.所述ai模型是系统端提供的，该系统端可以是提供合规分析审核的公司或者组织。所述系统端收集样本数据可以直接通过问卷的形式获取，也可以通过审核需求端数据生成，但是这些需求端数据是不包括个人敏感信息的数据。所述需求端是指需要进行合规分析审核的公司或者组织。
67.在训练所述ai模型之前，首先需要确定行业类别，并对应的确定所述行业类别分别对应的合规标准，所述合规标准可以是法律法规等。
68.根据所述行业类别和合规标准，制定合规规则，所述合规规则是指表征不符合所述法律法规的行为数据，以及违反所述法律法规的风险点和具体法条。
69.基于上述预设的合规标准和合规规则，输入所述样本数据到ai模型，并由所述ai模型关联所述样本数据的合规规则，根据所述关联情况调整所述ai模型的计算参数，然后由ai模型重复所述的进行样本数据和所述样本数据对应的合规规则的关联，直到能够准确的进行关联为止。优选的，所述关联情况为百分之百关联到所述合规规则。
70.此时，所述ai模型就是最终获得的预训练的推理模型。
71.请参照图1所示，计算模块303，用于调取所述预训练模型，通过输入用户数据获取与所述行业特征对应的合规规则，并根据所述合规规则生成合规监管视图。
72.所述推理模型在训练完成后，即可存放到所述系统端的平台，当所述需求端需要进行合规分析审核时，只需要调取所述推理模型，并输入所述用户数据，即可获取合规规则，以及根据所述合规规则生成合规监管视图。
73.具体的，在获取所述合规规则后，将所述数据与所述合规规则进行比对，即可获取风险点，以及解决风险点的方案等。在比对之前，还需要对所述用户数据进行格式化、合并、删除等操作。例如：当所述合规规则中有几项数据相加时，将所述用户数据对应的相应数据进行相加合并。
74.所述合规规则还对应有相应的合规监管视图，该合规监管视图将所述合规规则中的每一项合规分析审核步骤都图形化为可拖拽图形模块，以可视化，可拖拽的方式显示在显示器上。
75.请参照图2所示，所述可拖拽图形模块是数据处理节点，所述数据处理节点为预设的数据处理步骤组成，包括：
76.s201根据所述合规规则在数据处理节点处的节点规则审核所述用户数据的合规
性；
77.s202根据所述合规性调取风险点。
78.进一步的，所述系统端在所述需求端进行合规审核时，为所述合规规则的每一步设置检查链，该检查链中标记了每一步所述合规规则是否需要向系统端发布数据，根据所述合规规则中的重要节点设置发布数据，进行全程的合规分析审核标准，不需要审查和保存用户数据。
79.优选的，所述可拖拽图形模块可以依据需求端的实际分析目标进行添加和删除操作。