数字资产交易平台中的风险预警方法、设备和存储介质与流程

1.本公开的实施例一般涉及计算机技术领域，并且更具体地，涉及数字资产交易平台中的风险预警方法、设备和存储介质。


背景技术：

2.数字资产已成为商家不可或缺的营销工具，为了吸引客户，增加客户活跃度，各类商家均发行了自有的虚拟数字资产交易平台。数字资产是指数字资产发行商利用计算机、互联网等各类技术，为了鼓励消费者前来消费，对于消费者已发生的消费行为而给予的一定额度的数字化凭证；或是数字资产发行商鼓励目标人群完成一个或多个特定的任务，给予目标人群获得相应奖励或权利的激励性数字化凭证。包括普通数字资产、优先购买权、打折券、优惠券、代金券、团购券、抽奖券等。
3.各个数字资产平台之间的数字资产互换也随之兴起，但是，数字资产互换涉及不同用户、不同数字资产平台，相互之间存在不确定性，用户账户存在被盗用的可能，数字资产平台的商誉也可能会存在问题，这就迫切需要提供一种风险预警/控制方法，以降低数字资产互换的风险。


技术实现要素：

4.根据本公开的实施例，提供了一种数字资产交易平台中数字资产交易的风险预警的方案。
5.在本公开的第一方面，提供了一种数字资产交易平台中的风险预警方法。该方法包括：
6.获取预设时间段内当前用户的数字资产交易信息，所述数字资产交易信息包括数字资产的状态信息、数字资产的类型信息、数字资产的流向信息，以及数字资产的变动时间信息；
7.利用数字资产预警模型对所述数字资产交易信息进行处理，输出所述数字资产交易信息的交易类型标签；
8.根据所述交易类型标签确定所述数字资产交易信息所属的类型，进而根据所述数字资产交易信息的类型确定对应的风险预警类型。
9.如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述数字资产预警模型通过以下方式训练得到：
10.以数字资产交易信息作为训练样本，标识出所述数字资产交易信息的交易类型标签；
11.将所述训练样本输入到预先建立的神经网络模型，对所述训练样本进行学习，输出训练样本中的交易类型标签，当输出结果与标识结果的匹配度大于预设阈值时，对神经网络的模型的参数进行修正；
12.重复上述过程，直到当输出结果与标识结果的匹配度小于所述预设阈值。
13.如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述当前用户包括个人用户和第三方数字资产平台用户。
14.如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，还包括：
15.判断所述当前用户的类型，响应于所述当前用户为个人用户，提取该个人用户的数字资产交易信息。
16.如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述利用数字资产预警模型对所述数字资产交易信息进行处理，输出所述数字资产交易信息的交易类型标签，具体包括：
17.利用数字资产预警模型对所述数字资产交易信息进行处理，判断所述数字资产的状态信息是否为临期数字资产，判断所述数字资产的类型信息是单一子平台数字资产还是多个子平台数字资产，判断所述数字资产的流向信息是一对一的子平台数字资产交易还是一对多的子平台数字资产交易还是多对多的子平台数字资产交易，判断所述数字资产的变动时间的间隔是否小于预设阈值，根据判断结果确定所述数字资产交易信息的交易类型标签。
18.如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，还包括：
19.响应于所述当前用户为第三方数字资产平台用户，提取该第三方数字资产平台用户的数字资产交易信息以及数字资产兑换比率信息。
20.如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述利用数字资产预警模型对所述数字资产交易信息进行处理，输出所述数字资产交易信息的交易类型标签，具体包括：
21.利用数字资产预警模型对所述数字资产交易信息进行处理，判断所述数字资产的状态信息是否为临期数字资产，判断所述数字资产的流向信息是一对一的子平台数字资产交易还是一对多的子平台数字资产交易，判断所述数字资产的变动时间的间隔是否小于预设阈值，以及，判断该第三方数字资产平台用户与其他数字资产平台用户的数字资产兑换比例是否高于预设阈值，根据判断结果确定所述数字资产交易信息的交易类型标签。
22.如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，还包括：
23.根据所述风险预警类型对所述当前用户的后续数字资产交易操作进行管理。
24.在本公开的第二方面，提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法。
25.在本公开的第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如根据本公开的第一方面的方法。
26.应当理解，发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
27.结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
28.图1示出了本公开实施例一的数字资产交易平台中的风险预警方法的流程图；
29.图2示出了本公开实施例二的数字资产交易平台中的风险预警方法的流程图；
30.图3示出了本公开实施例三的数字资产交易平台中的风险预警方法的流程图；
31.图4示出了能够实施本公开的实施例的示例性电子设备的方框图。
具体实施方式
32.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作出创造性劳动前提下所获得的全部其他实施例，都属于本公开保护的范围。
33.另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
34.本公开中，通过获取一段时间内的当前用户的数字资产交易信息，并利用预先训练好的神经网络模型对获取到的数字资产交易信息进行处理，输出所述数字资产交易信息的交易类型标签，根据所述交易类型标签确定所述数字资产交易信息所属的类型，进而根据所述数字资产交易信息的类型确定对应的风险预警类型，从而降低数字资产交易的风险。
35.本公开实施例中的所述数字资产包括积分、数字货币、电子代金券、电子折扣券、电子仓单或电子票据等一切具有一定价值或代表一定权益的电子化资产；数字资产平台是指发布数字资产的平台，例如电商、支付软件、视频播放软件等，本公开实施例中的数字资产交易平台是指可以实现多个数字资产平台间的数字资产相互兑换的平台，其他数字资产平台上的数字资产在数字资产交易平台可以实现互通。
36.具体地，如图1所示，为本公开实施例一的数字资产交易平台中的风险预警方法的流程图。从图1中可以看出，本实施例的风险预警方法，可以包括以下步骤：
37.s101：获取预设时间段内当前用户的数字资产交易信息，所述数字资产交易信息包括数字资产的状态信息、数字资产的类型信息、数字资产的流向信息，以及数字资产的变动时间信息。
38.本公开实施例的方法，用于对数字资产交易用户的数字资产交易信息进行判断和识别，以区分正常的数字资产交易和异常的数字资产交易，例如用户的账户被非法登录，用户的数字资产可能被盗取，或者数字资产平台的信誉存在问题，也可能存在骗取用户数字资产的现象，因此，需要对用户的数字资产交易进行识别，并当出现异常交易时，对该用户后续的交易进行预警。
39.在利用本实施例的方法对用户的数字资产交易进行预警时，以一个用户为例(即当前用户)，首先需要获取该用户预设时间段内的数字资产交易信息，所述数字资产交易信息包括数字资产的状态信息、数字资产的类型信息、数字资产的流向信息，以及数字资产的变动时间信息。本实施例中的当前用户可以是个人用户，也可以是第三方数字资产平台用户。所述的预设时间段可以是一周、一月、一季度、一年。
40.本实施例中的数字资产的状态信息可以是数字资产的期限信息，一般情况下，各第三方数字资产平台发布的数字资产都是有期限的，例如一天、一个月或者几个月。本实施
例中的数字资产的期限信息主要是指数字资产的临期时间。数字资产的类型信息主要是指数字资产是由哪个第三方数字资产平台发布的，例如由银行发布的数字资产和由商家发布的数字资产是不同类型的信息。数字资产的流向信息是指数字资产在第三方数字资产平台之间的流向，例如，用户甲用a平台的数字资产换取用户乙的b平台的数字资产，则数字资产的流向信息为由a平台流向b平台。数字资产的变动时间信息则是指发生数字资产交易时对应的时间信息，该变动时间信息用于表征数字资产交易的频繁度，并且一般情况下认为过于频繁的数字资产交易，说明用户的账户信息存在异常。
41.s102：利用数字资产预警模型对所述数字资产交易信息进行处理，输出所述数字资产交易信息的交易类型标签。
42.在获取当前用户的数字资产交易信息后，可以利用数字资产预警模型对获取的数字资产交易信息进行处理，输出该数字资产交易信息的交易类型标签。
43.具体地，所述数字资产预警模型通过以下方式训练得到：以数字资产交易信息作为训练样本，标识出所述数字资产交易信息的交易类型标签；然后将所述训练样本输入到预先建立的神经网络模型，对所述训练样本进行学习，输出训练样本中的交易类型标签，当输出结果与标识结果的匹配度大于预设阈值时，对神经网络的模型的参数进行修正；重复上述过程，直到当输出结果与标识结果的匹配度小于所述预设阈值。
44.所述数字资产交易类型用于显示历史数字资产交易数据样本的数字资产交易类型，且根据具体需求，所述数字资产交易类型标签可以设置为两类及两类以上，且后续的数字资产预警模型输出的预测结果即为各类所述数字资产交易类型标签中的某一种，也就是说，所述数字资产预警模型实际为一种用于预测数字资产交易数据对应的数字资产交易类型标签的分类模型，可以根据输入的数据，输出该数据所对应的数字资产交易类型标签。在一种举例中，所述数字资产交易类型标签有两种，分别为“正常”标签和“异常”标签，为进一步提供数据预测的准确性，所述数字资产交易类型标签除了前述两种，还可以包含有“存疑”标签等，以进一步提高数字资产交易风险控制的智能化程度。
45.通过神经网络模型，可以识别出与训练样本相似的数字资产交易信息，进而可以确定数字资产交易信息的交易类型标签。
46.s103：根据所述交易类型标签确定所述数字资产交易信息所属的类型，进而根据所述数字资产交易信息的类型确定对应的风险预警类型。
47.在确定当前用户的数字资产交易信息的交易类型标签后，可以根据该交易类型标签确定该用户的数字资产交易所属的类型，进而根据所述数字资产交易信息的类型确定对应的风险预警类型。例如，当前用户的数字资产交易类型为异常，则在该用户发生后续的数字资产交易时，提醒对方或者阻止该次数字资产交易。
48.本技术实施例的方法，能够根据用户的历史数字资产交易信息确定该用户的数字资产交易类型，进而可以确定对应的风险预警类型，降低数字资产交易的风险。
49.如图2所示，为本公开实施例二的数字资产交易平台中的风险预警方法的流程图。本实施例用于对个人用户的数字资产交易信息进行识别，进而输出数字资产交易类型标签。
50.本实施例的方法，可以包括以下步骤：
51.s201：获取预设时间段内当前用户的数字资产交易信息，所述数字资产交易信息
包括数字资产的状态信息、数字资产的类型信息、数字资产的流向信息，以及数字资产的变动时间信息。
52.该步骤的具体实现过程参见上述实施例，本实施例不再重复赘述。
53.s202：判断所述当前用户的类型。
54.由于本公开的实施例中，当前用户有两种类型，一种是个人用户，一种是三方数字资产平台用户。针对不同的用户，在判断数字资产交易类型标签时，有不同的标准，因此，需要首先判断当前用户的类型。
55.s203：响应于所述当前用户为个人用户，提取该个人用户的数字资产交易信息。
56.s204：利用数字资产预警模型对所述数字资产交易信息进行处理，判断所述数字资产的状态信息是否为临期数字资产，判断所述数字资产的类型信息是单一子平台数字资产还是多个子平台数字资产，判断所述数字资产的流向信息是一对一的子平台数字资产交易还是一对多的子平台数字资产交易还是多对多的子平台数字资产交易，判断所述数字资产的变动时间的间隔是否小于预设阈值，根据判断结果确定所述数字资产交易信息的交易类型标签。
57.当用户为个人用户时，通常情况下，需要判断所述数字资产的状态信息是否为临期数字资产，如果是临期数字资产，则用户为了避免数字资产过期，可能会将即将过期的数字资产兑换为其他平台的数字资产，则这样的数字资产交易一般情况是正常的数字资产交易。判断所述数字资产的类型信息是单一子平台数字资产还是多个子平台数字资产，在进行数字资产交易时，跟人用户可以选取一个数字资产平台的数字资产交易，也可以选取多个平台的数字资产进行交易。正常情况下，个人用户一般不会进行多平台的数字资产交易。判断所述数字资产的流向信息是一对一的子平台数字资产交易还是一对多的子平台数字资产交易还是多对多的子平台数字资产交易。判断用户是用一个子平台(即第三方平台)的数字资产进行数字资产交易，还是用多个平台的数字资产进行同时数字资产交易。并且，一般情况下认为进行多平台的数字资产交易是存在异常的。判断所述数字资产的变动时间的间隔是否小于预设阈值，根据判断结果确定所述数字资产交易信息的交易类型标签。在本公开的实施例中，认为过去频繁的数字资产变动也是存在异常的。
58.通过神经网络模型综合判断上述指标，可以确定该个人用户的数字资产交易信息的交易类型标签。
59.s205：根据所述交易类型标签确定所述数字资产交易信息所属的类型，进而根据所述数字资产交易信息的类型确定对应的风险预警类型。
60.根据当前用户的数字资产交易信息的类型确定对应的风险预警类型。例如该当前用户的数字资产交易信息为异常，则在该用户的后续数字资产交易过程中，可以提醒当前用户的数字资产交易对象或者阻止后续的数字资产交易。
61.本实施例的方法，能够根据用户的历史数字资产交易信息确定该用户的数字资产交易类型，进而可以确定对应的风险预警类型，降低数字资产交易的风险。
62.如图3所示，为本公开实施例三的数字资产交易平台中的风险预警方法的流程图。相对于实施例二，本实施例主要是针对第三方数字资产交易平台的数字资产交易信息进行识别，进而输出数字资产交易类型标签。
63.本实施例的方法，可以包括以下步骤：
64.s301：获取预设时间段内当前用户的数字资产交易信息，所述数字资产交易信息包括数字资产的状态信息、数字资产的类型信息、数字资产的流向信息，以及数字资产的变动时间信息。
65.s302：判断所述当前用户的类型。
66.s303：响应于所述当前用户为个人用户，提取该个人用户的数字资产交易信息。
67.s304：利用数字资产预警模型对所述数字资产交易信息进行处理，判断所述数字资产的状态信息是否为临期数字资产，判断所述数字资产的类型信息是单一子平台数字资产还是多个子平台数字资产，判断所述数字资产的流向信息是一对一的子平台数字资产交易还是一对多的子平台数字资产交易还是多对多的子平台数字资产交易，判断所述数字资产的变动时间的间隔是否小于预设阈值，根据判断结果确定所述数字资产交易信息的交易类型标签。
68.s305：响应于所述当前用户为第三方数字资产平台用户，提取该第三方数字资产平台用户的数字资产交易信息以及数字资产兑换比率信息。
69.s306：利用数字资产预警模型对所述数字资产交易信息进行处理，判断所述数字资产的状态信息是否为临期数字资产，判断所述数字资产的流向信息是一对一的子平台数字资产交易还是一对多的子平台数字资产交易，判断所述数字资产的变动时间的间隔是否小于预设阈值，以及，判断该第三方数字资产平台用户与其他数字资产平台用户的数字资产兑换比例是否高于预设阈值，根据判断结果确定所述数字资产交易信息的交易类型标签。
70.s307：根据所述交易类型标签确定所述数字资产交易信息所属的类型，进而根据所述数字资产交易信息的类型确定对应的风险预警类型。
71.本实施例的步骤s301到s304，以及步骤s307参见实施例二，这里不再重复赘述。在本实施例中，当当前用户为第三方数字资产平台用户，提取该第三方数字资产平台用户的数字资产交易信息以及数字资产兑换比率信息。
72.通常情况下，数字资产交易的兑换比率在一定程度上是对等的。但是当某第三方数字资产平台发布的数字资产在兑换其他平台发布的数字资产的兑换比率明显偏高时，例如该平台与其他平台的数字资产兑换比率为10:1或者更高时，则在一定程度上能够反馈该平台的信誉存在问题，可能属于恶意欺骗数字资产平台。因此，在当前用户为第三方数字资产平台用户时，还需要提取该第三方数字资产平台用户的数字资产交易信息以及数字资产兑换比率信息。
73.然后利用数字资产预警模型对所述数字资产交易信息进行处理，判断所述数字资产的状态信息是否为临期数字资产，判断所述数字资产的流向信息是一对一的子平台数字资产交易还是一对多的子平台数字资产交易，判断所述数字资产的变动时间的间隔是否小于预设阈值，以及，判断该第三方数字资产平台用户与其他数字资产平台用户的数字资产兑换比例是否高于预设阈值，根据判断结果确定所述数字资产交易信息的交易类型标签。
74.本实施例的方法，能够取得与上述方法实施例相类似的技术效果，这里不再重复说明。
75.此外本公开还提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法。以及，提供了
一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上所述的方法。
76.此外，作为本公开的一个可选实施例，还可以对所述训练样本进行预处理，对所述数据样本进行数据清洗处理，筛除噪音数据及重复数据。
77.对经数据清洗处理后的历史数字资产交易数据样本进行数据预分析处理，得到所述经数据清洗处理后的历史数字资产交易数据的数据结构特征。可以理解的是，通过数据清洗去除不可信的样本；去除无意义的数据项等；并通过数据预分析了解数据概况及数据分布情况。将预处理后的历史数字资产交易数据样本进行抽样，得到训练数据。
78.对所述经数据清洗处理后的历史数字资产交易数据样本进行抽样，得到作为机器学习的训练数据；其中，所述训练数据中包含有正例样本以及反例样本，且所述正例样本对应第一数字资产交易类型标签，所述反例样本对应第二数字资产交易类型标签。
79.在上述描述中，所述第一数字资产交易类型标签为“正常”标签，所述第二数字资产交易类型标签为“异常”标签。可以理解的是，所述数字资产交易类型标签还可以包含有第三数字资产交易类型标签，即“存疑”标签。
80.并且根据预设规则对所述训练数据进行预处理。其中，所述预设规则为特征编码、特征归一化、特征离散化和特征降维的方式中的一种方式、全部方式或任意组合。可以理解的是，所述根据预设规则对所述训练数据进行预处理为特征工程的处理过程，所述特征工程具体包含有：特征编码、特征归一化、特征离散化和特征降维等。
81.此外，还可以将预处理后的训练数据进行筛选，得到所述训练特征。具体地，利用信息增益判断方式和/或用于体现特征之间的线性关系的相关系数判断方式将预处理后的训练数据进行筛选。
82.基于输入特征序列对所述对预设分类模型进行模型训练，得到所述数字资产预警模型。其中，所述预设分类模型为决策树算法、随机森林算法或神经网络模型。
83.需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本公开所必须的。
84.图4示出了可以用来实施本公开的实施例的电子设备400的示意性框图。如图所示，设备400包括中央处理单元(cpu)401，其可以根据存储在只读存储器(rom)402中的计算机程序指令或者从存储单元408加载到随机访问存储器(ram)403中的计算机程序指令，来执行各种适当的动作和处理。在ram 403中，还可以存储设备400操作所需的各种程序和数据。cpu 401、rom 402以及ram 403通过总线404彼此相连。输入/输出(i/o)接口405也连接至总线404。
85.设备400中的多个部件连接至i/o接口405，包括：输入单元406，例如键盘、鼠标等；输出单元407，例如各种类型的显示器、扬声器等；存储单元408，例如磁盘、光盘等；以及通信单元409，例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交易信息/数据。
86.处理单元401执行上文所描述的各个方法和处理。例如，在一些实施例中，上述方
法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元408。在一些实施例中，计算机程序的部分或者全部可以经由rom 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到ram 403并由cpu 401执行时，可以执行上文描述的方法的一个或多个步骤。备选地，在其他实施例中，cpu 401可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行上述方法。
87.本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)等等。
88.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
89.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
90.此外，虽然采用特定次序描绘了各操作，但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行，或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地，在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
91.尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。