-
公开(公告)号：CN104636318B
公开(公告)日：2017-07-14
申请号：CN201510083970.7
申请日：2015-02-15
Applicant: 浙江邦盛科技有限公司
Abstract: 本发明公开了一种大数据方差标准差的分布式或增量计算方法，将大集合的方差计算拆分为计算子集的方差、和、计数以及平均值，并通过子集计算得出的上述变量合并计算出大集合的最终方差及标准差；本发明能够处理超大数据集合(无法存储与内存中)的方差及标准差；针对超大数据集合，可以通过该方法将大集合拆分为若干子集，并发布到不同的机器上计算子集的上述变量，最后由其中一个机器完成所有子集的合并计算功能，从而能够达到分布式计算的目的，缩短超大数据集合的方差标准差计算时间；本发明更适用于海量的数据系统，在海量数据系统中，很多传统的方法无法完成大数据的方差标准差计算。
-
公开(公告)号：CN113268545B
公开(公告)日：2022-05-17
申请号：CN202110619958.9
申请日：2021-06-03
Applicant: 浙江邦盛科技有限公司
Abstract: 本发明公开了一种增量合并与全量相结合的集群节点间键值数据异步复制方法，该处理方法主要分为五个部分：键值数据复制操作类型的定义、键值对修改请求的合并、增量数据的复制、全量复制的探测和全量复制。本发明键值数据异步复制方法使用异步复制机制保证了数据复制的高吞吐和低延迟，使用版本号进度追踪的机制探测是否需要执行全量复制，并使用请求合并和全量复制的机制降低数据复制带来的网络带宽开销，默认情况下为增量复制，即复制合并后的指标修改请求，但当备节点数据新旧程度远远落后于主节点，主节点会触发全量复制，将本地保存的数据复制到备节点上，从而降低了追赶时间。
-
公开(公告)号：CN112905638B
公开(公告)日：2022-05-17
申请号：CN202110144255.5
申请日：2021-02-02
Applicant: 浙江邦盛科技有限公司
IPC: G06F16/2453 , G06F16/2458 , G06Q20/38
Abstract: 本发明公开了一种基于喇叭状的时间切片处理方法，所述的时间切片方法可根据用户的定义，使得时间切片的长度类似于喇叭状，离当前时间越近的时间切片长度越短，离当前时间越久的时间切片长度越长。基于喇叭状的时间切片处理方法主要分为四个部分：喇叭状时间切片的定义、喇叭状时间切片的创建、喇叭状时间切片的管理和喇叭状时间切片的查询。本发明提出的喇叭状时间切片方法可保留更大时间跨度的数据，并且节省大量的存储空间，进而降低大时间跨度下的指标查询延迟，使其依旧能在毫秒级的延时内返回查询结果。
-
公开(公告)号：CN108681936B
公开(公告)日：2021-11-02
申请号：CN201810382121.5
申请日：2018-04-26
Applicant: 浙江邦盛科技有限公司
IPC: G06Q30/06 , G06F16/2458
Abstract: 本发明公开了一种基于模块度和平衡标签传播的欺诈团伙识别方法，包括：利用ID特征结合用户自身已知的欺诈标识，对所有用户计算两两相似度，建立相似度矩阵，通过相似度矩阵建立关联图；对建立的图运行Louvain算法得出每个节点所属的社区及层级信息；以每个节点所属的社区、层级信息及欺诈标识作为每个节点初始的社区信息，运行平衡标签传播过程得到每个节点最终所属社区，再根据是否归属共同社区划分网络，根据传播获得的欺诈标识划分欺诈团伙。本发明首次将基于模块度和平衡标签传播的欺诈团伙识别方法应用到申请反欺诈和交易反欺诈领域，利用交易关联等信息构建关联图谱，综合社团模块度信息，利用平衡标签传播算法检测欺诈社团，防范潜在欺诈交易。
-
公开(公告)号：CN112818039A
公开(公告)日：2021-05-18
申请号：CN202110158646.2
申请日：2021-02-04
Applicant: 浙江邦盛科技有限公司
IPC: G06F16/2458 , G06F16/2453 , G06F16/23
Abstract: 本发明公开了一种解决乱序事件和晚到数据的精准窗口处理方法。该方法采用精准窗口记录原始业务流水数据，可以通过时间窗口的长度和不同流水个数这两种方式，实现对乱序和晚到数据的更新以及业务流水数据的查询；本发明提供的解决乱序事件和晚到数据的精准窗口处理方法主要分为三个部分：精准窗口的创建、精准窗口的更新以及基于精准窗口对时序数据的查询。本发明提出的解决乱序事件和晚到数据的精准窗口处理方法可保留用户自定义的最近时间范围或者最近几笔的原始有序流水数据，并且实现数据的动态更新，同时也能达到毫秒级的查询延时。
-
Patent Agency Ranking
公开(公告)号：CN110264336B
公开(公告)日：2020-09-22
申请号：CN201910448366.8
申请日：2019-05-28
Applicant: 浙江邦盛科技有限公司
IPC: G06Q40/02 , G06Q10/06 , G06F16/2455
Abstract: 本发明公开了一种基于大数据的智能案防系统，该系统包括管理平台、spark大数据平台、分析引擎、数据预处理引擎、指标引擎、训练引擎和决策引擎。本发明将规则进行细粒度拆分，进行了指标化，进一步提升规则的准确度；指标引擎采用的流处理技术能对原始数据进行特征单点快速提取和计算，从海量原始数据中得到有代表性的特征，充分提取数据中的信息；模型训练使用多种优化过的机器学习模型和集成学习框架，能够克服单个模型过拟合、不稳定的缺陷；智能决策双核引擎订阅规则和模型，两者并行运行，互相补充，可实时判断业务数据和规则和模型的匹配度，提升风险识别能力；基于知识图谱，能够通过关联分析和模型分析快速定位可疑的风险数据。
-
公开(公告)号：CN111445323A
公开(公告)日：2020-07-24
申请号：CN202010218816.7
申请日：2020-03-25
Applicant: 浙江邦盛科技有限公司
Abstract: 本发明公开了一种基于流式和批式大数据融合计算的案件风险识别方法。首先基于银行操作风险场景，并提取相应数据(交易流水+操作流水+静态信息)导入到大数据平台；然后基于风险场景中的历史风险行为进行特征提炼，明确特征逻辑；最后通过流式大数据计算和批式大数据融合计算的方法，进行特征工程，并进行特征组合形成规则，最终通过Spark+Rete技术进行快速决策，识别可疑风险案件。本发明首次在海量数据场景下，基于流式大数据计算和批式大数据融合计算的方法进行案件风险分析，能够快速、灵活、准确进行风险识别。
-
公开(公告)号：CN109948007B
公开(公告)日：2020-07-14
申请号：CN201910219682.8
申请日：2019-03-21
Applicant: 浙江邦盛科技有限公司
IPC: G06F16/9035 , G06Q40/04
Abstract: 本发明公开了一种查询时序数据统计最大连续递增次数与递减次数的处理方法，本发明预先对数据序列分组，然后计算每个分组的最大连续递增与递减次数、首元素、尾元素、从首元素开始的连续递增与递减次数、以尾元素为止的连续递增与递减次数及每个分组的元素个数，把中间结果存储在相应时间戳上，查询时根据指定时间戳快速得到计算结果；由于只存储计算后的中间结果，内存耗费降低，存储效率提高，因为提前计算好了中间结果，所以在查询时响应速度极快；最为重要的是，这部分结果跟着系统时间移动而不断变化，能够达到时间窗口平滑移动的目的。本发明适用于时序数据处理技术等数据分析领域，能够显著提升计算时序数据最大连续递增与递减次数的速度。
-
公开(公告)号：CN111126828A
公开(公告)日：2020-05-08
申请号：CN201911321034.X
申请日：2019-12-19
Applicant: 浙江邦盛科技有限公司
Abstract: 本发明公开了一种基于知识图谱的多层资金异常流向监控方法。首先对一段时间内的交易流水数据进行预处理；然后提取交易流水中涉及的账户集合，对集合中的账户打上不同标签，并对交易流水数据进行聚合处理，展示主账户与交易对手账户在一段时间内的累计交易金额和累计交易次数，不仅大大提高知识图谱运行性能，还清晰展示了账户主体在一段时间内的资金流向；最后将处理好的数据导入知识图谱，通过图规则识别账户多层资金流转情况，从而找到可疑账户集合；同时通过知识图谱可视化功能展示可疑账户资金流向。本发明首次将知识图谱规则用于银行案防领域多层资金异常流向监控，能够有效识别多层资金异常流向的可疑账户并利用可视化技术协助验证与核查。
-
公开(公告)号：CN110659022A
公开(公告)日：2020-01-07
申请号：CN201910765411.2
申请日：2019-08-19
Applicant: 浙江邦盛科技有限公司
IPC: G06F8/30
Abstract: 本发明公开了一种基于Java自动调用Python脚本的方法，使用java自动启动、关闭python service端。java通过http访问来调用python文件，python文件可集成所有需要调用的python脚本。同时java自动封装好参数调用对应的python脚本并自动注入函数参数。本发明可自管理所有的python进程，负载均衡。本发明方法能够兼容各个python版本，能够通过配置调用所有的python脚本及里面的函数，不需要修改代码，上手简单，部署方便，不需要额外的web容器。
-
-
-
-
-
-
-
-
-
Search Results
47
records
(took 0.054 seconds)
