业务风控系统_和服务端监控类似_相比更关注个体异常_机器学习_难度更大

安全最全思维脑图含人体健康营养(通过html源代码看大图)

类似滴滴的安全安全驾驶系统

    Maggie最终确立了“以司机安全为背景的风险分析与预测”的博士论文方向。在博士期间，Maggie得到了弗吉尼亚理工大学联合交通中心“大数据方法简化交通安全分析”项目的支持。她利用丰富的自然驾驶数据库，提出了一套基于高频运动数据的最优司机安全模型，其研究成果能帮助车队有效地进行司机风险管理，有助于给司机提供个性化的安全对策。 

  毛慧颖（Maggie）同学统计学理论非常扎实，对小概率事件预测和风险归因方法有深入的理解。在滴滴实习期间，主动了解业务，推动建立先进的驾驶风险评估模型。恰到好处地控制模型复杂度，即保证模型准确性和稳定性，又兼备良好的解释性，主要研究成果已投稿至Accident Analysis and Prevention。该技术已经应用在滴滴多个业务线，帮助业务准确定位大盘隐患，为业务精准教育司机提供了技术可能性。

 

基础:

基于业务事件推送和各种业务值. 风控系统自己进一步统计相关风控值. 然后通过规则系统进行配置.

实时业务风控系统 (已开源,基于drools规则,基于业务特征,用户业务统计值进行配置)(还需扩展维度信息运营商,没有涉及到机器学习,没有复合场景的规则条件,就是马尔可夫链 ,滴滴有一套机器学习特征特区平台.)

 

在线支付之风控系统架构选型(infoq)

更牛逼的:

人:  

    无海量数据: 统计学方法. 统计的高斯分布(容易被孤立的点影响,极值,平均值和标准差相差很大容易影响).  k近邻,孤立森林(Isolation Forest)算法简介. 基于分类: 规则,神经网络,支持向量机. 基于聚类. 基于密度的

   有海量数据: 机器学习,数据挖掘,人工智能,深度学习

业务行为 :

    孤立森林(Isolation Forest)算法简介   

业务背景(多个业务行为组成):

   上下文异常检测,群体异常检测: 关联分析,动态画像,分类.聚类. 时序: 马尔可夫链后概率分析,分布检测: 信息熵,模型分布.

UEBA架构设计之路1：UEBA框架(唯品会) 

it内网安全之横移

 

 

如何评估一个好的风控系统，如何判断一个公司风控做的好坏。作为一名安全工程师,总结一下之前做风控坑坑洼洼
github上关于业务风控的项目：
风控相关的github：
https://github.com/sunpeak/riskcontrol
https://github.com/aalansehaiyang/risk-talk
https://github.com/WalterInSH/risk-management-note
https://github.com/yangliang1415/awesome-risk-control
https://github.com/WalterInSH/risk-management-note
https://github.com/wfh45678/radar
https://github.com/threathunterX
https://github.com/momosecurity/aswan
可能还有很多吧
风控学习
我一直觉得做风控的应该多向搞销售的学习，他们是如何做到从茫茫人海的用户里面筛选出有需求的用户的,盲打吗？不可能的。公司也是一样的道理，几千万的用户量，如何找出僵尸用户找出活跃用户,道理大致相同。活跃用户优惠多，僵尸用户永远刷不到红包。

持续更新，没事总结总结

————————————————
版权声明：本文为CSDN博主「yib0y」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_25834767/article/details/103088133