一种风险点确定方法、装置、设备、存储介质及程序产品

技术领域

本申请涉及大数据处理技术领域，尤其涉及一种风险点确定方法、装置、设备、存储介质及程序产品。

背景技术

风控人员针对不同类型的风险场景设计出相对应的风控规则，并部署于反作弊系统中，对平台的用户和商户行为进行监控，如出现命中规则的风险行为，则在系统中产生风险告警。

对于这些风控告警，通常需要风控业务人员进一步分析筛查，方可识别出主要的风险点。当风险告警数量激增的情况下，单纯依靠人工事后分析告警已不现实，工作量大、时效性低，难以及时发现平台当下的主要风险点。

发明内容

本申请提供一种风险点确定方法、装置、设备、存储介质及程序产品，用以自动从告警信息确定确定出风险点。

第一方面，本申请提供了一种风险点确定方法，包括：

获取当前周期内所生成的告警信息，其中，所述告警信息中包括属性信息和特征值；

根据所述属性信息将各所述告警信息进行分类获取多个告警信息集合，其中，每个告警信息集合分别匹配一个sketch处理器；

通过各所述sketch处理器分别计算所匹配的告警信息集合中各特征值的哈希值，并对所获取的哈希值进行统计获取处理器矩阵，其中，所述处理器矩阵中包括各哈希值的空间位置和统计次数；

将各所述处理器矩阵分别与对应的阈值矩阵进行对比获取异常目标空间位置，并根据所述异常目标空间位置确定风险点，其中，所述阈值矩阵中包括当前周期下各空间位置的统计阈值。

第二方面，本申请提供了一种风险点确定装置，包括：

告警信息获取模块，用于获取当前周期内所生成的告警信息，其中，所述告警信息中包括属性信息和特征值；

告警信息集合获取模块，用于根据所述属性信息将各所述告警信息进行分类获取多个告警信息集合，其中，每个告警信息集合分别匹配一个sketch处理器；

处理器矩阵获取模块，用于通过各所述sketch处理器分别计算所匹配的告警信息集合中各特征值的哈希值，并对所获取的哈希值进行统计获取处理器矩阵，其中，所述处理器矩阵中包括各哈希值的空间位置和统计次数；

风险点确定模块，用于将各所述处理器矩阵分别与对应的阈值矩阵进行对比获取异常目标空间位置，并根据所述异常目标空间位置确定风险点，其中，所述阈值矩阵中包括当前周期下各空间位置的统计阈值。

第三方面，本申请提供一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；

所述存储器存储计算机执行指令；

所述处理器执行所述存储器存储的计算机执行指令，以实现如本申请所述的方法。

第四方面，本申请提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现本申请所述的方法。

第五方面，本申请提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现本申请所述的方法。

本申请在获取到大量的告警信息之后，通过sketch处理器对告警信息特征集进行哈希计算，并对所获取的哈希值进行统计，从而在节省空间的情况下能够间接通过哈希值的统计，来对特征值的突增进行识别，从而筛选出告警突增的风险点，有效节省了人工筛查告警的时间，并且提高了告警分析的精准性。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

图1为本申请实施例提供的风险点确定方法的流程图；

图2为本申请实施例提供的风险点确定方法的流程图；

图3为本申请实施例提供的风险点确定装置的结构示意图；

图4为本申请实施例提供的电子设备的结构示意图。

通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定

图1为本申请实施例提供的风险点确定方法的流程。如图1所示，该方法，包括如下步骤：

步骤S101，获取当前周期内所生成的告警信息。

具体的说，本实施方式中在指定周期内会获取风险监控系统所生成的告警信息，指定周期具体可以是1分钟，本实施方式中并不对指定周期的具体数值进行限定。其中，风控人员对不同类型的风险场景会设计出对应的风控规则，并部署在风险监控系统中，从而对操作用户的行为进行监控，如果出现命中规则的风险行为，则在系统中产生告警信息。

其中，在告警信息中包括属性信息和特征值，而属性信息包括风险场景和特征变量，例如，告警信息1中所包含的风险场景为取款，特征变量为IP地址，而IP地址的特征值具体可以为00a。当然，本实施方式中仅是以一个告警信息中包含一个特征变量为例进行说明，而一个告警信息中可以同时包含多个特征变量，例如，在告警信息2中所包含的风险场景为存款，特征变量为经度、维度和IP地址的组合，因此本实施方式中并不对一个告警信息中所包含的特征变量的具体类型进行限定。并且在一个周期内所生成的告警信息的数量通常是大量的，本实施方式中仅是举例说明，而并不对各告警信息中所包含的属性信息和特征值的具体内容进行限定。

步骤S102，根据属性信息将各告警信息进行分类获取多个告警信息集合。

可选的，根据属性信息将各告警信息进行分类获取多个告警信息集合，包括：对各告警信息进行识别获取属性信息中所包含的风险场景和特征变量；将具有相同风险场景和特征变量的告警信息归属到同一个告警信息集合中，并将各告警信息集合分发到匹配的sketch处理器中，其中，每个sketch处理器分别对应一类特征变量。

具体的说，当获取到数量众多的告警信息之后，为了从中快速查找出当前所发生的突发风险，会对各告警信息进行识别获取属性信息中所包含的风险场景和特征变量，并将具有相同风险场景和特征变量的告警信息归属到同一个告警信息集合中。例如，告警信息1和告警信息2中都包含风险场景取款，以及特征变量IP地址，则将告警信息1和告警信息2归属到同一个告警信息集合中。同理，针对其它告警信息集合的获取方式与此大致相同，本实施方式中不再对其进行赘述，并且本实施方式中并不对告警信息集合的具体数量进行限定。

其中，本实施方式在获取到各告警信息集合后，会将各告警信息集合分发到所匹配的sketch处理器中，因此每个sketch处理器中分别对应一类特征变量集合，而各sketch处理器所对应的每类特征变量可以仅是一个特征变量，也可以是多个特征变量的组合。

步骤S103，通过各sketch处理器分别计算所匹配的告警信息集合中各特征值的哈希值，并对所获取的哈希值进行统计获取处理器矩阵。

可选的，通过各sketch处理器分别计算所匹配的告警信息集合中特征值的哈希值，并对所获取的哈希值进行计算获取处理器矩阵，包括：通过各sketch处理器采用指定数量的哈希函数对各特征值进行计算获取哈希值；确定指定数量的哈希函数所对应的映射空间，并将各哈希值的出现次数进行统计获取统计次数；确定各哈希值在映射空间中所位于的空间位置，并根据空间位置和统计次数确定处理器矩阵。

可选的，方法还包括：确定在各空间位置下与哈希值所对应的特征值；将各特征值以链表的形式与空间位置进行关联。

具体的说，本实施方式中当特征信息中所包含的特征变量为IP时，由于IP所对应的特征值是无法穷举的，如果要保存每个出现的特征值并统计每个特征值出现的次数，不仅消耗时间而且占用空间，因此可以通过各sketch处理器采用sketch概要数据结构来节省存储空间以及减少统计时长。具体是将sketch处理器所对应的告警信息集合中，每个告警信息中出现的特征值，使用哈希函数映射到一个有限的取值空间，例如取值空间为M，并对映射后的取值进行次数统计，这样便可使用有限的空间来统计各种特征值。但单一个哈希函数映射必然存在哈希冲突问题，因此可以设置N个独立的哈希函数，每个哈希函数映射的取值空间均为M。通过对同一个特征值做N次哈希映射计算，来有效降低哈希冲突的概率。因此，sketch处理器需使用一个N*M的处理器矩阵，用U表示，用于间接实现对特征值的存储及统计。

在一个具体实现中，IP特征变量所对应的sketch处理器来说，假设所对应的取值空间M＝4，即不论是对哪个特征值进行哈希计算，所得到的哈希值必定为4个值中的一个，为了避免哈希冲突问题可以采用三次哈希映射计算，即N＝3。例如，当IP特征值分别为IP1＝00a，IP2＝00b，IP3＝00c，IP4＝00d，IP5＝00c，sketch处理器对IP1＝00a做三次哈希计算，设hn为第n个哈希函数，mn＝hn(00a)为第n次哈希计算的映射值，映射值具体为所设定的4个哈希值中的任一个，则在矩阵中的U[n][mn]位置上的统计值累加1，即U[n][mn]+＝1。同时，在该位置使用链表形式，存储下特征值00a。在完成3次上述计算后，sketch处理器即可处理下一笔告警。因此在所获取的处理器矩阵U中包含各哈希值的空间位置和统计次数。当然，本实施方式中仅是以IP特征变量所对应的sketch处理器获取处理器矩阵的方式为例进行说明，对于其它特征变量所对应的sketch处理器确定处理器矩阵的方式与此大致相同，本实施方式中不再进行赘述。

需要说明的是，本实施方式中之所以采用多次哈希函数对特征值进行哈希计算，目的是为了避免出现哈希冲突，例如，如果仅采用一次哈希计算时，当通过计算获取U[1][1]空间位置处所对应的统计次数为3，但是根据链表进行查询确定在该空间位置所关联的特征值为IP3＝00c、IP4＝00d和IP5＝00c，当确定该空间位置下所对应的哈希值的统计次数超过预设阈值时，可以无法区分造成异常的特征值是00c还是00d。但是如果采用多次哈希计算时，在采用第二次哈希计算对00c和00d进行哈希计算，两个特征值会得到不同的哈希值，从而U矩阵中的下一行中可以对各哈希值出现的次数分别进行统计，从而实现将造成异常的特征值是00c还是00d区分出来。

步骤S104，将各处理器矩阵分别与对应的阈值矩阵进行对比获取异常目标空间位置，并根据异常目标空间位置确定风险点。

可选的，将各处理器矩阵分别与对应的阈值矩阵进行对比获取异常目标空间位置之前，还包括：获取相邻的上一周期内各处理器矩阵中统计次数的第一预测值、第一实际统计值和第一预测偏移量；根据第一预测值和第一实际统计值，获取当前周期内统计次数的第二预测值；根据第一预测值、第一实际统计值和第一预测偏移量，获取当前周期内的第二预测偏移量；根据第二预测值和第二预测偏移量，获取当前周期下各空间位置下统计次数对应的统计阈值；将各统计阈值按照空间位置进行组合，获取与各处理器矩阵对应的阈值矩阵，其中，阈值矩阵与对应的处理器矩阵的维度相同。

具体的说，本实施方式中在获取异常目标空间位置之前，会针对每个处理器生成一个阈值矩阵，在阈值矩阵中的每个位置存储处理器矩阵中对应位置的统计阈值，并且要求阈值矩阵与对应的处理器矩阵的维度相同，具体可以用W进行表示。为了快速又准确的识别出异常，具体可以使用指数加权移动平均模型，针对处理器矩阵中的第i个空间位置，可以采用如下公式(1)计算当前周期内处理器矩阵中统计次数的第二预设值：

Ai＝β ×ai-1 + (1-β)×Ai-1 (1)

其中，Ai代表当前周期第二预测值，Ai-1代表相邻的上一个周期的第一预测值，ai-1代表相邻的上一个周期的第一实际统计值，β为权重系数是常量。

在计算出当前周期的第二预测值之后，可以采用如下公式(2)计算当前周期内的第二预测偏移量：

Di＝θ×|Ai-1-ai-1|+(1-θ)×Di-1 (2)

其中，Di为当前周期的第二预测偏移量，Di-1为相邻的上一个周期的第一偏移量，θ为权重系数是常数。

在计算出当前周期的第二预设值和第二预测值之后，可以采用如下公式(3)计算当前周期下第i个空间位置下统计次数对应的统计阈值。在获取到各空间位置下所对应的统计阈值之后，可以将各统计阈值按照空间位置进行组合，获取与各处理器矩阵对应的阈值矩阵，并且阈值矩阵W的维度也是N*M。

可选的，将各处理器矩阵分别与对应的阈值矩阵进行对比获取异常目标空间位置，包括：将各处理器矩阵中的统计次数与对应的阈值矩阵空间位置下的统计阈值进行对比，获取对比结果；从对比结果中获取统计次数大于统计阈值的目标空间位置，其中，目标空间位置的数量至少为一个；将目标空间位置定位为异常目标空间位置。

可选的，根据异常目标空间位置确定风险点，包括：当处理器矩阵中的每行中均包含异常目标空间位置时，则确定当前发生突增风险；根据突增风险以处理器矩阵的行为采集单位，从异常目标空间位置关联的链表中分别采集特征值，获取多个特征值集集合，其中，每个特征值集合分别对应一行；将各特征值集合中都存在的相同特征值作为突增特征值；获取突增特征值所归属的目标告警信息，并根据目标告警信息确定出风险点。

具体的说，本实施方式中在获取到各处理器矩阵，以及与处理器矩阵所对应的阈值矩阵之后，会将各处理器矩阵中的统计次数与对应的阈值矩阵空间位置下的统计阈值进行对比，例如，IP特征变量所对应的sketch处理器来说，将处理器矩阵U[1][1]空间位置下的统计次数x1与阈值矩阵W[1][1]空间位置下的统计阈值X进行对比，当x1大于X时则将U[1][1]空间位置作为目标空间位置，并将目标空间位置U[1][1]定位为异常目标空间位置。

需要说明的是，经过对比获取到多个异常目标空间位置时，当处理器矩阵中的每一行均出现异常目标空间位置时，则认为出现突增风险。例如，当确定处理器矩阵为3*4即三行四列的矩阵，而所确定的异常目标空间位置分别为U[1][1]、U[2][1]和U[3][2]时，则确定当前发生突增风险。对于处理器矩阵中的每一行，取出所有异常目标空间位置下的特征值，如第一行从异常目标空间位置U[1][1]关联的链表中所采集的特征值集合为{00a00b00c}，第二行从异常目标空间位置U[2][1]关联的链表中所采集的特征值集合为{00a00b}，第三行从异常目标空间位置U[3][2]关联的链表中所采集的特征值集合为{00a}，由于在三个特征值集合中都包含相同的特征值00a，则将00a作为突增特征值，获取00a特征值所归属的为告警信息1，则将告警信息1作为目标告警信息，并根据告警信息1确定出风险点。当然，本实施方式中仅是以一行获取到一个异常目标空间位置为例进行说明，而在实际应用过程中可以在处理器矩阵中的每行中确定出多个异常目标空间位置，只要每行所确定的异常目标空间位置的数量少于处理器矩阵的列数，则都是在本申请的保护范围内，本实施方式中并不对其进行限定。

本实施例通过通过sketch处理器对告警信息特征集进行哈希计算，并对所获取的哈希值进行统计，从而在节省空间的情况下能够间接通过哈希值的统计，来对特征值的突增进行识别，从而筛选出告警突增的风险点，有效节省了人工筛查告警的时间，并且提高了告警分析的精准性。

图2为本申请实施例提供的风险点确定方法的流程，本实施方式以上述实施例为基础，具体是在湖区到风险点后，确定风险点的关联用户和通知方式，并将风险点采用所确定的通知方式发送给关联用户。如图2所示，包括如下步骤：

步骤S201，获取当前周期内所生成的告警信息。

步骤S202，根据属性信息将各告警信息进行分类获取多个告警信息集合。

可选的，根据属性信息将各告警信息进行分类获取多个告警信息集合，包括：对各告警信息进行识别获取属性信息中所包含的风险场景和特征变量；将具有相同风险场景和特征变量的告警信息归属到同一个告警信息集合中，并将各告警信息集合分发到匹配的sketch处理器中，其中，每个sketch处理器分别对应一类特征变量。

步骤S203，通过各sketch处理器分别计算所匹配的告警信息集合中各特征值的哈希值，并对所获取的哈希值进行统计获取处理器矩阵。

可选的，通过各sketch处理器分别计算所匹配的告警信息集合中特征值的哈希值，并对所获取的哈希值进行统计获取处理器矩阵，包括：通过各sketch处理器采用指定数量的哈希函数对各特征值进行计算获取哈希值；确定指定数量的哈希函数所对应的映射空间，并将各哈希值的出现次数进行统计获取统计次数；确定各哈希值在映射空间中所位于的空间位置，并根据空间位置和统计次数确定处理器矩阵。

可选的，方法还包括：确定在各空间位置下与哈希值所对应的特征值；将各特征值以链表的形式与空间位置进行关联。

步骤S204，将各处理器矩阵分别与对应的阈值矩阵进行对比获取异常目标空间位置，并根据异常目标空间位置确定风险点。

可选的，将各处理器矩阵分别与对应的阈值矩阵进行对比获取异常目标空间位置之前，还包括：获取相邻的上一周期内各处理器矩阵中统计次数的第一预测值、第一实际统计值和第一预测偏移量；根据第一预测值和第一实际统计值，获取当前周期内统计次数的第二预测值；根据第一预测值、第一实际统计值和第一预测偏移量，获取当前周期内的第二预测偏移量；根据第二预测值和第二预测偏移量，获取当前周期下各空间位置下统计次数对应的统计阈值；将各统计阈值按照空间位置进行组合，获取与各处理器矩阵对应的阈值矩阵，其中，阈值矩阵与对应的处理器矩阵的维度相同。

步骤S205，确定针对风险点的关联用户和通知方式，将风险点采用通知方式发送给关联用户。

具体的说，本实施方式中在获取到风险后，可以确定针对风险点的关联用户和通知方式，风险点具体包括当前出现预警的风险场景、特征变量、特征值以及用户操作。关联用户可以是预先指定的，例如针对风险场景下的特征变量IP，确定需要进行告警通知的为关联用户f，通知方式为短信。从而在确定出风险点后，将风险点采用短信方式发送给关联用户f。根据预警信息即可获知当前在哪个风险场景下出现突发风险，并且可根据特征值，快速、精准地进行风险追查分析，定位出风险用户，更及时地掌握和应对平台当前的主要风险。

本实施例通过通过sketch处理器对告警信息特征集进行哈希计算，并对所获取的哈希值进行统计，从而在节省空间的情况下能够间接通过哈希值的统计，来对特征值的突增进行识别，从而筛选出告警突增的风险点，有效节省了人工筛查告警的时间，并且提高了告警分析的精准性。通过将风险点采用通知方式发送给关联用户，使得关联用户能够及时获知当前在哪个风险场景下出现突发风险，从而及时地掌握和应对平台当前的主要风险。

实施例三

图3为本申请实施例提供的风险点确定装置的结构示意图。如图3所示，该风险点确定装置，包括：告警信息获取模块310、告警信息集合获取模块320、处理器矩阵获取模块330和风险点确定模块340。

告警信息获取模块310，用于获取当前周期内所生成的告警信息，其中，告警信息中包括属性信息和特征值；

告警信息集合获取模块320，用于根据属性信息将各告警信息进行分类获取多个告警信息集合，其中，每个告警信息集合分别匹配一个sketch处理器；

处理器矩阵获取模块330，用于通过各sketch处理器分别计算所匹配的告警信息集合中各特征值的哈希值，并对所获取的哈希值进行统计获取处理器矩阵，其中，处理器矩阵中包括各哈希值的空间位置和统计次数；

风险点确定模块340，用于将各处理器矩阵分别与对应的阈值矩阵进行对比获取异常目标空间位置，并根据异常目标空间位置确定风险点，其中，阈值矩阵中包括当前周期下各空间位置的统计阈值。

可选的，告警信息集合获取模块，用于对各告警信息进行识别获取属性信息中所包含的风险场景和特征变量；

将具有相同风险场景和特征变量的告警信息归属到同一个告警信息集合中，并将各告警信息集合分发到匹配的sketch处理器中，其中，每个sketch处理器分别对应一类特征变量。

可选的，处理器矩阵获取模块，用于通过各sketch处理器采用指定数量的哈希函数对各特征值进行计算获取哈希值；

确定指定数量的哈希函数所对应的映射空间，并将各哈希值的出现次数进行统计获取统计次数；

确定各哈希值在映射空间中所位于的空间位置，并根据空间位置和统计次数确定处理器矩阵。

可选的，装置还包括特征值关联模块，用于确定在各空间位置下与哈希值所对应的特征值；

将各特征值以链表的形式与空间位置进行关联。

可选的，装置还包括阈值矩阵获取模块，用于获取相邻的上一周期内各处理器矩阵中统计次数的第一预测值、第一实际统计值和第一预测偏移量；

根据第一预测值和第一实际统计值，获取当前周期内统计次数的第二预测值；

根据第一预测值、第一实际统计值和第一预测偏移量，获取当前周期内的第二预测偏移量；

根据第二预测值和第二预测偏移量，获取当前周期下各空间位置下统计次数对应的统计阈值；

将各统计阈值按照空间位置进行组合，获取与各处理器矩阵对应的阈值矩阵，其中，阈值矩阵与对应的处理器矩阵的维度相同。

可选的，风险点确定模块包括异常目标空间位置确定子模块，用于将各处理器矩阵中的统计次数与对应的阈值矩阵空间位置下的统计阈值进行对比，获取对比结果；

从对比结果中获取统计次数大于统计阈值的目标空间位置，其中，目标空间位置的数量至少为一个；

将目标空间位置定位为异常目标空间位置。

可选的，风险点确定模块包括风险点确定子模块，用于当所述处理器矩阵中的每行中均包含所述异常目标空间位置时，则确定当前发生突增风险；

根据所述突增风险以所述处理器矩阵的行为采集单位，从所述异常目标空间位置关联的所述链表中分别采集特征值，获取多个特征值集合，其中，每个特征值集合分别对应一行；

将各所述特征值集合中都存在的相同特征值作为突增特征值；

获取突增特征值所归属的目标告警信息，并根据目标告警信息确定出风险点。

可选的，装置还包括风限定发送模块，用于确定针对风险点的关联用户和通知方式；

将风险点采用通知方式发送给关联用户。

需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。

实施例四

图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如风险点确定方法。

在一些实施例中，风险点确定方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM13并由处理器11执行时，可以执行上文描述的风险点确定方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行风险点确定方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、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)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。

在本发明的上下文中，计算机可读存储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计算机程序。计算机可读存储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。备选地，计算机可读存储介质可以是机器可读信号介质。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。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

本发明实施例还提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现如本申请任一实施例所提供的风险点确定方法。

计算机程序产品在实现的过程中，可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。