(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210537589.3 (22)申请日 2022.05.18 (71)申请人 南京快舟科技有限公司 地址 210028 江苏省南京市栖霞区燕子 矶 街道和燕路408号 (72)发明人 丁文　 (74)专利代理 机构 南京鼎辉知产专利代理事务 所(普通合伙) 32396 专利代理师 游富英 (51)Int.Cl. G06F 16/22(2019.01) G06F 16/2455(2019.01) G06F 16/2458(2019.01) G06F 16/29(2019.01) G06Q 10/06(2012.01) (54)发明名称 基于Redis的反欺诈聚集度指标实时计算方 法及系统 (57)摘要 本发明涉及互联网技术领域， 具体涉及一种 基于Redis的反欺诈聚集度指标 实时计算方法及 系统， 包括以下步骤： 根据MVEL表达式校验是否 满足统计条件， 如果表达式不 成立则忽略本次请 求； 表达式成立则进依据不同的指标统计类型进 行设定Redis的Key值； 同时设定Redis的Value 值； 调用Redis的boundZSetOps方法向KEY中添加 值和， 同时指定值的分数； 删除超时过期元素， 计 算时间戳Score值范围， 并调用Redis有序集合， 查询该Score范围内的元素集合。 本发明指标操 作配置方便、 计算速度快； 同一属性新指标无需 积累数据， 可快速上线； 为不同场景的反欺诈风 险识别提供一种新的高可用、 高效率的指标计算 方案。 权利要求书1页 说明书5页 附图1页 CN 114880327 A 2022.08.09 CN 114880327 A 1.一种基于Redis的反欺诈聚集度指标实时计算方法， 其特 征在于， 包括以下步骤： S1根据MVEL表达式校验是否满足统计条件， 如果表达式不成立则忽略本次请求； 表达 式成立则进入S2； S2依据不同的指标统计 类型进行设定Redis的K ey值； 同时设定Redis的Value值； S3调用Redis的boundZS etOps方法向KEY中添加Key值和Value值的和， 同时指定值的分 数； S4删除超时过期元素， 计算时间戳Score值范围， 并调用Redis有序集合， 查询该Score 范围内的元 素集合。 2.根据权利要求1所述的一种基于Redis的反欺诈聚集度指标实时计算方法， 其特征在 于， 所述方法中， Redis的Key值依据不同的指标统计类型包括普通KEY值和地理位置相关指 标的KEY。 3.根据权利要求2所述的一种基于Redis的反欺诈聚集度指标实时计算方法， 其特征在 于， 所述方法中， 普通KEY值的设计逻辑为， 规则编码+ “_”+规则版本号 +“_”统计维度字段变 量值； 如果有 多个， 则依次拼接在后面。 4.根据权利要求2所述的一种基于Redis的反欺诈聚集度指标实时计算方法， 其特征在 于， 所述方法中， 地理位置相关指标的KEY 设计逻辑为， 规则编码+ “_”+规则版本号 +“_”经纬 度值+ “_”  + 其他统计维度字段变量 值 + “_”  + GeoHash算法索引值。 5.根据权利要求4所述的一种基于Redis的反欺诈聚集度指标实时计算方法， 其特征在 于， 所述方法中， GeoHash算法索引值为地理空间索引算法计算出来的经纬度Base32编码 值。 6.根据权利要求1所述的一种基于Redis的反欺诈聚集度指标实时计算方法， 其特征在 于， 所述方法中， 设定Redis的Value值具体为， 普通Value值为统计字段+统计去重字段的变 量值组合。 7.根据权利要求1所述的一种基于Redis的反欺诈聚集度指标实时计算方法， 其特征在 于， 所述方法中， 在S4中计算出KEY值， 根据计算统计指标里的时间窗口， 计算时间戳Score 值范围， 然后调用Re dis有序集合里的rangeB yScoreWithScores方法， 查询该Score范围内 的元素集合。 8.根据权利要求7所述的一种基于Redis的反欺诈聚集度指标实时计算方法， 其特征在 于， 所述方法中， 查询该Score范围内的元素集合后， 返回包含Score和Value的Set< TypedTuple<V>>,并计算该Set集 合Size， 输出指标计算结果。 9.根据权利要求1所述的一种基于Redis的反欺诈聚集度指标实时计算方法， 其特征在 于， 所述方法中， 将反欺诈聚集度类指标计算设计成Redis的有序集合进行存储； 将统计维 度值变量值组合作为KEY， 将去重字段变量值组合成value， 将当前时间戳作为Score， 将设 定的时间范围作为有效期。 10.一种基于Re dis的反欺诈聚集度指标实时计算系统， 其特征在于， 包括处理器、 存储 器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序， 所述存储器与所 述处理器耦接， 且所述处理器执行所述计算机程序时， 实现如权利要求1至9任一项所述的 基于Redis的反欺诈聚集度指标实时计算方法中的步骤。权　利　要　求　书 1/1 页 2 CN 114880327 A 2基于Redis的反欺诈聚集度指标实时计算方 法及系统 技术领域 [0001]本发明涉及互联网技术领域， 具体涉及一种基于Redis的反欺诈聚集度指标实时 计算方法及系统。 背景技术 [0002]当前， 随着互联网技术的发展， 黑色产业链也突飞猛进， 薅羊毛、 盗刷、 撞库、 批量 注册等等。 在攻与防的过程中， 反欺诈的方法和技术也需要不断演进； 在反欺诈业务场景 中， 最为重要的就是实时指标计算， 不影响业务交互和业务响应时长的情况下， 要能快速的 识别风险； 常用的反欺诈指标类型 （也可以称聚集度指标） 有： 频度 ‑出现次数统计、 频度 ‑关 联个数统计、 频度 ‑关联求和求平均统计， 位置距离—出现次数 统计， 移动距离， 常用习惯 等 指标； （1） 频度相关指标——单位时间次数过多； 同一个IP在1小时内登录或注册的手机 号数量， 注册的不同数量； 同设备在1小时内尝试登录账户数， 尝试登录不同账户数； 这种次 数过多或者个数 过多的场景有： 暴力破解、 垃圾注 册、 短信轰炸、 群控设备等； （2） 位置距离相关指标——单位空间次数过多； 1天内1000米范围内注册用户数、 2 天内500米范围内下 单用户数； 常见场景： 虚拟设备、 虚假定位 等 （3） 常用习惯相关指标： 常用设备， 常 登录城市。 [0003]现有技术中通常的反欺诈决策引擎计算方法是： 根据指标计算逻辑， 写对应SQL脚本语句进行实时统计查询； 该方法比较简单直 接； 通过经纬度计算距离， 然后判断是否在同一个范围内； 也有将经纬度截取后 几位 判断是否相同， 可以根据后几位计算距离精度范围。 [0004]以上几种方法， 可以实现反欺诈聚集度指标计算， 但是方案中都存在有或多或少 的弊端具体如下： 使用SQL实时统计， 计算速度相对比较慢； 当有新的指标或者指标变更时候， 需要 修改SQL脚本重新发布； 维护成本高， 只能有专业的技术人员进行操作； 不方便风控反欺诈 业务人员使用； 针对位置距离的指标， 通过 经纬度计算 误差较大、 计算 开销较大， 耗时较长； 同一属性的新指标， 即使脚本可以兼容共用， 但也需要单独 计算， 增加额外开销； 当有多条件组合计算场景， 数据过 滤场景等 就比较麻烦。 发明内容 [0005]针对现有技术的不足， 本发明公开了一种基于Redis的反欺诈聚集度指标实时计 算方法及系统， 用于解决上述问题。 [0006]本发明通过以下技 术方案予以实现：说　明　书 1/5 页 3 CN 114880327 A 3