反洗钱与数据治理
星环科技依托星环数据科学平台Sophon Base和图数据库StellarDB,构建新一代智能反洗钱平台。以人工智能平台为基础,根据海量历史案例库构建有监督和无监督的机器学习算法模型,智能计算洗钱风险概率评分,快速监测识别洗钱交易行为;结合图数据库和知识图谱分析构建复杂交易网络图谱,直观展现交易全景图,帮助用户快速发现风险点和可疑团伙,为识别洗钱交易风险创造先机。
反洗钱与数据治理 更多内容

行业资讯
反洗钱数据集市建设
。通过对数据质量、数据偏离度等异常监测能力与机制分析,进一步完善覆盖事前、事中、事后全流程的异常监测与处理的闭环管控机制,实现全链路监控预警。4.反洗钱治理运用实践共享数据中台产品明细聚合表:建立反洗钱反洗钱数据集市建设是金融机构为了有效应对反洗钱监管要求,提升反洗钱工作效率和准确性而进行的一项重要工作。以下是反洗钱数据集市建设的关键步骤和技术要求:1.数据治理战略数据治理战略:在反洗钱合规的全服务:基于数据中台的聚合层按照监管模型加工萃取,进一步打造通用、专业共享的监管报送数据服务,为反洗钱大额监测、可疑监测、风险评估等模型应用提供数据服务支撑。3.数据质量监测与管理数据质量监测分析:提供标准化的,追踪数据源头;针对交易对手信息缺失等问题,加强源头治理,明确清晰的整改策略,制定系统化的整改方案。完善反洗钱数据标准:将反洗钱报送基础数据标准、监管规则、上游交易与反洗钱数据要求进行对标,完善反洗钱数据流程中,尽可能地考虑到数据的作用。用数据度量洗钱风险,评估合规工作的有效性,通过数据分析开展反洗钱监测工作,加速提升反洗钱合规管理的战略转型。2.监管报送技术框架数据湖贴源层:实现对贴源层数据的整合纳管

行业资讯
反洗钱数据治理
反洗钱数据治理是一个涉及多维度数据采集、整合、智能分析、实时预警、跟踪、协作机制与信息共享的复杂过程。以下是一些关键点:多维度数据采集与整合:通过采集金融机构的交易记录、跨境支付、客户身份信息,并技术,在保障数据隐私的前提下,促进监管机构、执法部门与金融机构间的高效协作。建立线索发现、实时预警、跟踪反馈与信息共享的闭环机制,确保各方共同参与反洗钱工作。合规高效的数据调取与传输体系:新修订的数据的主权保护。数据治理能力提升:中国反洗钱监测分析中心探索建立反洗钱数据治理、集中、共享和监测分析工作新格局,继续提升反洗钱义务机构管理和反洗钱数据治理质效,充分挖掘反洗钱数据在识别洗钱风险、打击反洗钱法明确赋予反洗钱行政主管部门调取数据的权力,允许其根据执法需要向国家机关和金融机构获取相关信息。同时规定,境外机构未经授权不得擅自调取我国金融数据,从法律层面明确了反洗钱工作的对等原则,强化了对金融各类违法犯罪行为等方面的价值。数据开放和管理工作:中国反洗钱监测分析中心向人民银行36家分支机构全面有序开放反洗钱监测分析系统,逐步将移送线索、名单、案例等信息纳入国家反洗钱数据库集中统一管理,进一步

行业资讯
反洗钱数据治理
。在反洗钱领域,数据治理具体包括以下几个方面的内容:数据收集与整合:将来自不同渠道和系统的反洗钱相关数据进行收集,并进行整合。这些数据可能来自金融机的交易记录、客户信息、实体经济活动等,也可能来自其他反洗钱数据治理是指对反洗钱工作中产生的数据进行规范管理和分析利用,以支持反钱工作的快速、准确和有效展开。数据治理是指组织中关于数据的管理活动,包括数据质量管理、数据安全管理、数据生命周期管理等方面可靠性。同时,定数据访问和使用权限,以保护敏感数据的机密性。数据分析与挖掘:利用数据分析和挖技术,对反洗钱相关数据进行深入研究和分析,发现潜在的洗钱险和模式。这包括数据可视化、模式识别、关联分析等技术手段。数据监测与报告:建立时监测机制,对反洗钱相关数据进行持续监控,并及时生成报告。这有助于发现异常交易和钱行为。数据共享与合作:与其他机构和部门开展数据共享和合作,共同打击洗钱犯罪。这可以包括共享可疑交易报告、黑名单、风险评估等数据。通过有效的反洗钱数据治理,可以提高反洗钱工作的效率和准确性,减少洗钱风险,提高金融系统的安全性。同时,数据治理还可以帮助监管机构和执法部门进行监督和调查,加强对洗钱

各项要求,引入大数据技术,通过数据治理系统化闭环管理以及“AI+规则”提升可疑监测模块有效性,旨在为金融机构解决当前反洗钱数据标准不一、数据孤岛、利用率低等问题,整合多维度数据资源,充分挖掘数据价值,避免数据移动、减少业务切换,降低数据管理难度。既能面向业务实现高并发、精准化、高性能的数据查询服务,又能承载分析报表、批处理、数据挖掘等分析型数据集市业务。在反洗钱业务中,大数据平台与各业务系统反洗钱业务对数据存储与处理广度、深度、灵活性、扩展性、时效性的需求,综合性能全面超越传统数据库系统架构。基于高质量的大数据基础,反洗钱平台还提供工作台、客户身份识别、客户风险评估、可疑交易管理、机构开发进程,推动更多应用创新。反洗钱工作是维护国家安全和金融安全的重要保障。星环科技与恒生电子联合推出的反洗钱解决方案,将大数据技术应用于反洗钱系统建设中,深挖数据价值,提升金融机构反洗钱工作数智化水平,为防范化解金融风险、维护金融安全提供有力支撑。随着反洗钱行为更具隐蔽性、多样性和跨区域性,金融机构的反洗钱能力也相应面临新一轮升级。将大数据技术应用于反洗钱领域,可借助大数据平台高效整合、分析海量客户身份信息和交易数据,保障反洗钱系统有效开展

分析存储,支持亿级客户,百亿级交易的各项反洗钱业务使用场景。随着更多人工智能组件的引入,系统的感知能力、模型有效性和自动优化能力得到了显著提升。2.无缝切换与业务连续性在新老系统的替换及数据迁移。3.新一代反洗钱系统新一代反洗钱系统中业务架构主要包含:数据采集引擎、底层平台以及业务功能层。数据采集引擎通过与其它系统进行对接,从各业务系统、数据仓库获取反洗钱所需的数据,自动抓取客户相关数据第二次向社会征求意见。此次修订草案的修改条文数量多、规则变化重大,反映出我国反洗钱监管制度的重要发展方向,其中最核心的态度是“强监管是修法的核心”。在这样的背景下,华安基金推出了一款反洗钱大数据版本信创方案,成功完成了新老系统的升级替换,为行业树立了反洗钱技术应用的新标杆。技术创新,助力反洗钱工作数智化升级1、大数据平台的构建此次推出的反洗钱解决方案,基于强大的大数据平台,能够整合来自多个渠道和产品的数据,实现对客户、产品线及业务数据的全面覆盖。通过对数据价值的深度挖掘,该系统能够更有效地识别潜在洗钱风险,提升反洗钱工作的精准度和效率。方案中采用了微服务架构设计,具备高可用特性,选型采用了东方通

行业资讯
反洗钱解决方案
近日,星环科技与恒生电子联合发布反洗钱解决方案,系统覆盖金融机构全业务全客户全流程,满足客户尽调、大额可疑交易检测、名单筛查、自评估等各项要求,引入大数据技术,通过数据治理系统化闭环管理以及“AI+规则”提升可疑监测模块有效性,旨在为金融机构解决当前反洗钱数据标准不一、数据孤岛、利用率低等问题,整合多维度数据资源,充分挖掘数据价值。方案以星环科技大数据与数据库相关产品为支撑,依托星环科技大数据实现高并发、精准化、高性能的数据查询服务,又能承载分析报表、批处理、数据挖掘等分析型数据集市业务。在反洗钱业务中,大数据平台与各业务系统(TA、估值系统、销售系统等)对接,整合相关业务数据,并在数据系统,并提供实时接口供系统查询。大数据技术赋能下的反洗钱平台,在保证海量数据处理全覆盖的同时,提升数据计算效率,缩短数据处理时长,满足了反洗钱业务对数据存储与处理广度、深度、灵活性、扩展性、时效性的仓库中进行流程处理,形成反洗钱数据集市。通过反洗钱集市,金融机构的客户风险等级指标、可疑交易规则业务逻辑可进行离线计算,同时平台可以将可疑交易、风险等级指标、黑名单回溯结果、可疑客户业务数据推送给反洗钱业务

近期,星环科技与中软融鑫正式开启战略合作,双方围绕大数据、人工智能、云计算等创新领域,展开了多维度、多层级、多角度的深度合作。联合打造统一监管报送平台(NUPS)、一表通报送平台、反洗钱监测平台等监管报送领域创新解决方案,为金融机构的监管报送提供安全高效、稳定可靠、敏捷智能的技术服务。反洗钱监测平台-实现风险为本的反洗钱全流程管理中软融鑫反洗钱监测平台,整合洗钱数据资源、运用大数据等新兴技术精准挖掘、监测洗钱风险,构建了以“风险”为主导的反洗钱智能化监管全过程,助力金融机构反洗钱效率跨越式提升。该解决方案在中软融鑫多年沉淀的产品、技术、经验基础上,充分融合星环科技大数据基础平台TDH、智能分析工具Sophon、知识图谱软件(Sophon)等先进技术,实现反洗钱产品全流程的赋能。中软融鑫反洗钱监测平台借助星环科技大数据基础平台TDH,实现数据的集中存储、统一管理和智能分析,高效的整合、处理、分析海量客户身份信息、行为信息和交易信息数据,提高监测的准确性和效率,保障反洗钱系统客户尽职调查、洗钱风险等级评定、可疑交易筛查、黑名单监测等工作的高效开展。此外结合智能分析工具Sophon、知识

行业资讯
资管公司信创版反洗钱系统建设
客户风险评估模型,综合考虑客户的身份信息、交易行为、行业特点等因素,对客户进行风险评级。根据风险评级结果,制定相应的风险控制措施,实现对洗钱风险的有效管理。数据管理与统计分析:对反洗钱相关数据进行集中、数据库、中间件等基础架构,以及安全防护、数据分析等关键组件,实现技术体系的自主可控。高效性:具备强大的数据处理和分析能力,能够快速响应海量交易数据的实时监测和分析需求,及时发现潜在的洗钱风险,提高反洗钱工作效率。准确性:运用先进的算法和模型,对交易数据进行精准筛选和分析,降低误报率和漏报率,为反洗钱调查提供可靠的线索和依据。可扩展性:系统架构设计应具备良好的扩展性,能够适应公司业务规模的不断扩大和监管、交易数据以及反洗钱业务数据的高效存储和管理。通过数据冗余、备份恢复等技术手段,保障数据的完整性和可用性。数据处理层:利用国产大数据处理框架和工具,对采集到的各类数据进行清洗、转换、加载和分析处理。结合机器学习、人工智能等技术,构建高效的风险监测模型和预警机制。应用服务层:开发一系列功能完善的反洗钱应用服务模块,包括客户身份识别与尽职调查、交易监测与分析、可疑交易报告、风险评估与管理等,为公司

行业资讯
数据治理应用场景
风险等,为风险防控提供决策支持,保障金融机构的稳健运营。反洗钱监管:对客户身份信息、交易记录等数据进行严格治理,按照监管要求进行数据清洗、标准化和存储。通过数据分析和监控,及时发现可疑交易行为,防范洗钱风险,满足反洗钱监管要求。医疗健康领域电子病历管理:医院需要对患者的电子病历数据进行治理,确保病历数据的完整性、准确性和一致性。这有助于医生全面了解患者病情,提高诊断准确性,同时方便医疗数据的共享和数据治理在众多领域都有广泛的应用场景,以下是一些主要的方面:企业管理与决策支持财务分析与预算编制:通过数据治理确保财务数据的准确性和完整性,如收入、成本、资产负债等数据。对这些数据进行整合和清洗后科研利用。医疗数据分析与研究:整合医院内部不同科室、不同系统的医疗数据,如临床数据、检验检查数据、基因数据等,进行数据治理后开展数据分析和研究。可以挖掘疾病发生发展的规律,为临床决策提供支持,推动医疗与电子商务用户行为分析:互联网企业治理用户在网站或应用上的行为数据,如浏览记录、点击行为、购买行为等。通过分析这些数据,了解用户兴趣和偏好,优化产品设计和用户体验,提高用户留存率和活跃度。电商运营与
猜你喜欢
产品文档
5.6 数据操作语句
本章节的示例语句均可在示例图my_graph中执行,执行前请先创建示例图my_graph,建图语句如下:creategraphmy_graphwithschema(:Boy{namestring,salarydouble,ageint,singleboolean,birthdaylocaldatetime,reservelong,ratedecimal(38,10),hobbysarray<string>,geoPointgeo<double>})(:Girl{namestring,salarydouble,ageint,singleboolean,birthdaylocaldatetime,reservelong,ratedecimal(38,10),hobbysarray<string>,geoPointgeo<double>})[:Friend{sinceint}][:Likes{sinceint}]graphproperties:{`graph.shard.number`:3,`graph.replication.number`:...
产品文档
5.10 表达式
类型表达式类型例子十进制型整数10,-213十进制小数1.25,3.604E-14,-2.31十进制型长整数199345843592l,-12381543923L任意精度的有符号十进制数123bd,123.31BD八进制整数(0开头)084,-096字符串"星环",'信息科技'布尔类型true,false,TRUE,FALSE数组类型[1,2,3],["星环","信息科技"],[decimal(10.2,3,1),decimal(100.2,3,2)],[localdatetime("2021-01-18T09:50:12.627"),localdatetime("2021-11-18T03:50:12.113")]时间类型localdatetime("2021-01-18T09:50:12.627")Decimal类型decimal(10.2,3,1)地理空间类型point(20.5,30.5),point(-20.5,-30.5)时序类型{localdatetime("2023-01-01T15:16:17")::"nice"},{localdatetime("1997-01-01...
产品文档
6.1 图计算
StellarDB5.0.1版本对图算法场景进行了大规模改进和提升,内置算法性能得到较大提升。在语法方面,StellarDB5.0.1的内置图算法对于返回的节点,会直接以节点类型返回。因此可以直接使用uid(vertex)访问节点的uid,而不再需要node_rk_to_uid函数进行uid的转换。可以参考PageRank等函数。另外,对于图算法返回的节点,我们也可以灵活的访问其其他属性作为返回值。图计算简介StellarDB的图计算使用TEoC语句调用相应图算法。算法的输入数据为图的点、边数据。当前版本中图计算支持结果返回、结果导出和结果写回。在使用图算法时,使用configcrux.execution.modeanalysis;语句切换到分析模式下使用图算法语句。图数据视图StellarDB支持创建一个可被持久化的视图,用于加速图算法执行过程。创建视图创建视图的语法如下所示:createquerytemporarygraphviewGRAPH_VIEW_NAMEas(v)[e]withGRAPH_ALGO(@GRAPH_VIEW_NAME,VIEW_STORE_PATH,CONFI...
产品文档
4 快速入门
快速上手本章节将引导您快速熟悉StellarDB,并为您初步介绍如何通过KGExplorer和beeline客户端操作StellarDB。其中,"StellarDB初探"一节通过构建一张人物关系图,从零介绍如何在StellarDB进行基本操作;"StellarDB进阶"一节为您提供了内置于StellarDB的《哈利·波特》人物关系图,帮助您进一步探索StellarDB。StellarDB初探使用KGExplorer构建图从Manager页面进入KGExplorer页面。若KGExplorer开启了单点登录,会自动跳转Federation登录页面,按如图方式登录:KGExplorer用戶开启方法以及详细使用说明请查看章节《KGExplorer使用文档》。点击登录后进入KGExplorer主页面。我们首先需要构建图名为"hello_world"的图。在主页面右上角点击创建图按钮开始图谱schema的构建。按照引导填写图基本信息后点击确定进入构建页面。在画布中,我们为"hello_world"图创建Boy和Girl两种类型的点,两种类型的点均包含name、salary、age、single四...
产品文档
3 安装 StellarDB
3.1在TDH平台安装StellarDB3.2StellarDB安装校验3.3StellarDB低版本升级至StellarDB5.0.1
产品文档
5.17 索引(新)
索引是数据库中某些数据的冗余副本,目的是使查询性能更优。作为代价,数据库需要额外存储空间和较慢写入速度,因此决定哪些字段需要索引是一项重要且不易的任务。(新)StellarDB5.0.1版本不再对旧版本使用的manipulatecreate_index和manipulatedelete_index语法进行支持,在新版本中统一使用createindex和dropindex进行索引的创建和删除新增索引CREATEINDEX[IFNOTEXISTS]FOR(LabelName)ON[f1,f2,...];CREATEINDEX[IFNOTEXISTS]FOR[LabelName]ON[f1,f2,...];不支持对TIME_SERIES类型的属性创建索引默认情况下,对同一个Label的某个属性多次创建索引会报错;但如果带有IFNOTEXISTS,则不会抛出任何错误包裹点边LabelName的括号不同,注意区分示例1.在点labelperson的属性name和age上建立索引CREATEINDEXIFNOTEXISTSFOR(person)ON[name,age];示例2.在边labelask...
产品文档
5.12 变量声明
声明简介声明是指为特定数据类型的变量分配一定的存储空间,并命名该变量以便引用它;必须先声明变量,然后才能引用它;对声明的变量可以进行赋值操作来改变它的值;声明的变量其作用域是Session级别的。变量声明使用decl关键字声明一个变量必须为变量指定名称和类型,且名称不能与已有的变量名相同。声明但未赋值的变量的默认值为null。变量名声明对大小写敏感。变量声明的语句遵循如下格式:DECL[<variable_name>:<variable_type>];使用方法示例如下表所示:语句说明declx:int;声明一个类型为int的变量xdecls:string;声明一个类型为string的变量sdecll:long;声明一个类型为long的变量ldeclb:boolean;声明一个类型为boolean的变量bdecld:double;声明一个类型为double的变量ddecltime:localdatetime;声明一个类型为localdatetime的变量timedecld1:decimal;声明一个类型为decimal的变量d1decllist1:list[int...
产品文档
7.1 自定义函数
StellarDB支持用户添加自定义函数,添加后可在cypher语句中使用。自定义函数实现自定义函数通过java/scala语言开发,可继承实现两种基类,编译成jar包,通过指定命令加载到StellarDB。需要实现的基类为如下两种,可自行选择继承合适的基类:继承UDF基类继承GenericUDF基类。继承UDF基类该类实现简单,功能较为单一。支持Quark的基本类型、数组和Map。适合实现简单的逻辑。继承org.apache.hadoop.hive.ql.exec.UDF类继承UDF类必须实现evaluate方法且返回值类型不能为void,支持定义多个evaluate方法不同参数列表用于处理不同类型数据。@Description(name="my_plus",value="my_plus()-ifstring,doconcat;ifinteger,doplus",extended="Example:\n>selectmy_plus('a','b');\n>ab\n>selectmy_plus(3,5);\n>8")/***实现UDF函数,若字符串执行拼接,in...
产品文档
5.2 TEoC 前置参数
通过beeline或JDBC时,设置参数configquery.langcypher;将查询语言切换为TEoC模式。根据使用场景选择查询模式(默认为immediate模式)immediate模式通常用于并发及短查询场景,查询结果和中间结果通常不超过百万。通过configcrux.execution.modeimmediate;切换。analysis模式通常用于分析场景,创建图、插入数据以及图算法相关的语句必须在该模式下进行。通过configcrux.execution.modeanalysis;切换。
为什么引入动态图模型?在实际应用过程中很容易可以发现,图数据在很多图数据的应用场景中并不是静态不变的,而是动态演进的,这些场景中包括例如金融反欺诈场景中金融交易网络随着时间的推进而发生的交易变化、交易社群变化等;又比如社交网络中新增用户、用户关注或者取消关注、更改账户信息等。将图数据变化的历史记录下来,不仅可以用于历史数据规律的总结,还可以利用动态图数据进行动态图神经网络相关技术的研究,从而进一步挖掘数据中潜在的数据价值和更加灵活高效的业务场景,譬如预测某一个时刻某一事件是否会发生。动态图模型的动态变化图数据的动态变化主要分为两类,一类是节点或边的属性的值的变化;另一类变化是子图(结构)的变化,如新增/删除点边。这两种图数据的动态变化可以单独发生,也可以同时发生。从图数据的属性变化角度来看,StellarDB5.0.1动态图模型可以记录图中节点或者边属性的所有历史版本(而非新数据覆盖旧数据)。在实际数据开发使用中,还可以结合诸如柱状图、趋势图等对历史数据进行可视化,更加直观、更加适合业务使用。从图数据的子图(结构)的角度来看,StellarDB5.0.1动态图模型还可以返回不同时间子图...