京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据构建互联网神经网络 护航民生安全
“民生”一词最早出现在《左传·宣公十二年》,所谓“民生在勤,勤则不匮”。 勤,最通俗的解释在于“尽力多做,不断地做。”《辞海》中对于“民生”的解释是“人民的生计”,百姓的生活来源和衣食住行问题。今天,在大数据时代,我们认为“勤”代表了大数据的科技智慧,我们看到民生正在借助科技的力量,让百姓的生活更加便捷智慧。
改善民生已经成为服务型政府的第一责任,以民为本、民生为先、民生为重、民生为上。那么,在信息社会,发挥大数据的价值,真正实现取之于民、用之于民已经成为了新时代改善民生的关键。
从马斯洛理论看社会民生
美国心理学家亚伯拉罕·马斯洛在1943年在《人类激励理论》论文中提出,人类需求像阶梯一样从低到高按层次分为五种,分别是:生理需求、安全需求、社交需求、尊重需求和自我实现需求。
在现代社会中,谈到这个由芸芸众生而组成的社会“民生”,我们认为,也由原来的生产、生活资料,上升为生活形态、文化模式、市民精神等既有物质需求也有精神特征的五个层面的整体样态。(如下图)
社会民生需求的几个层次
以人为本,服务于民
大数据时代的民生与安全问题密不可分。纷繁变化的今天,民生对社会管理提出更高要求,即时性考验政府的危机应急能力,同时也要不间断性保障民生安全、国家安全和信息安全。
在2014年,政府就已经明确将社会安全纳入到国家安全体系中,并赋予社会安全“保障”国家整体安全的重要职能。随着大数据技术的发展,特别是移动通信技术的革命,社交网络、数字媒体开始崛起,使得各类海量数据(短信、微信等即时通讯工具、卫星数据、无人机影像)能够被更为自由便利地使用,这正在根本性地改变社会安全问题的应对方式。
目前,中国已经成为名符其实的网络大国。截至2016年6月,中国网民规模达7.10亿。但现实的网络环境十分堪忧,网络诈骗层出不穷、网络入侵比比皆是、个人隐私肆意泄露。根据中国互联网协会发布的《中国网民权益保护调查报告(2015)》,63.4%的网民通话记录、网上购物记录等信息遭泄露;78.2%的网民个人身份信息曾遭泄露,因个人信息泄露、垃圾信息、诈骗信息等导致的总体损失约805亿元。2016年11月7日,全国人大常委会表决通过了《中华人民共和国网络安全法》。该法意义重大,影响深远,必将助力网络空间治理,护航“互联网+”与民生安全。
“互联网神经网络”为民生安全提供保障
在大数据时代,民生安全问题依赖“互联网神经网络”的感知、评价与决策。互联网的连通为大数据拓展、积累了巨量的个体资源、空间资源、数据资源和智慧资源;而大数据的融合所带来的革命,从深度上延伸了互联网链条,实现了连通的量变向融合的质变的跨越。大数据技术让互联网越来越智能,实现数据感知、数据评价和数据决策的更高阶段发展,模拟人的神经中枢来思考、判断和决策,为决策提供支撑,推动社会进步和组织改革。
在第三届世界互联网大会上,明略数据认为,互联网+大数据的真正价值在于建立“互联网神经网络”。互联网神经网络的建立遵循着从数据到智慧转换的四个步骤,这也是明略为企业提供大数据技术商业化服务的四张王牌,即数据、信息、洞察、智慧。这其中囊括了物联感知层、数据传输层、数据分析层以及数据展示层,他们所组成的互联网神经网络实现了从神经元到神经中枢,直到迅速输出控制指令。
互联网神经网络
正如,2015年凯文·凯利的新书《必然》所表达的,科技本身就像是一个生物,他在独自生长。今天的地球将被披上一层电子皮肤,各类电子装置、信号发射等将对人、物、组织等行为进行监控并彼此建立联系,网络节点每分每秒地传感数据,现实世界以数据形式呈现在人们面前,使人们有机会可以全面总览这个用数据描绘的现实世界。
随着大数据技术的发展与成熟,所谓“民生在勤,勤则不匮”正通过科技的方式实现,7x24小时永不停歇的“互联网神经网络”正在为社会民生安全提供保障。我们可以通过数据感知社会民生,用数据评价社会民生,并用数据决策社会民生。
在“互联网神经网络”的行业实践中,明略数据通过大数据平台承载复杂的“数据”,将复杂的结构化和非结构化数据治理成“信息”,再经过数据关联关系挖掘找到业务规律形成“洞察”,最后使用数据智能挖掘将经验转化为“智慧”。
数据、信息、洞察、智慧构建成一个强大、安全的平台。其中囊括物联感知层、数据传输层、数据分析层和数据展示层,组成互联网神经网络,从神经元,到神经中枢,直到迅速输出控制指令。
“全、快、准、稳”,安天下!
明略数据将“全、快、准、稳”的四大技术特性应用到民生大数据中,打造公共安全领域里的“互联网神经网络”,协助政府服务民生。
在这个过程中,明略数据就如同一个智慧生物体一样,通过处理更“全”数据,快速感知外界刺激—各类行为数据,准确分析欺诈风险并输出决策结果,并持续稳定地给予可靠反馈。
“全”,就是指处理领域涵盖整个互联网,在数据处理方面,形成一个颠覆性的、成规模和体系的架构。以金融反欺诈作为例子,首先需要处理海量金融数据,例如某家银行1年里发出的约4300万张卡的数据信息,以及该银行超过15000亿的交易数据,和超过3500万官网用户数据, 还有约1500万条/天的日志数据等。除此之外, 还需要处理网上的行为数据、属性数据等。明略的数据技术通过处理手机银行数据、网上银行数据、线上行为数据等全量数据,像生物体一样感知外界对自身的所有刺激,通过互联网进行全面“刺激”反馈。
“快”,是指高速响应、处置及时的大数据实时分析的能力。在获得全量数据后,时效非常关键。实时分析,快速发现问题,即刻采取行动,才能避免损失。以支付场景为例,银联每秒需要处理两万笔交易,且为了不影响用户的体验,在用户支付的瞬间,系统需要在毫秒内完成欺诈分析。像生物体神经网络接收刺激可以立即通过中枢神经做出反馈动作一样,明略数据本着与欺诈者进行时间赛跑的理念,利用多年积累的大数据技术能力,快速、实时分析各类行为数据,对欺诈行为瞬间做出反馈。
“准”,从分析的颗粒度划分上,从精细到个体,如同在浩如烟海的海量数据中抓住一粒沙子并判断其性质,增强预警能力。在当下注重服务体验的时代,从每秒两万笔交易数据中,准确的捕捉到欺诈行为,是非常重要的。明略数据通过精通反欺诈业务的行业专家和精通算法模型的大数据科学家协同研发,设计出严谨的大数据反欺诈模型,并通过机器学习不断提高精准度,确保金融交易的顺畅和安全。
“稳”,面对全量数据流的处理,快速的反馈,精准的预判,都需要一个稳定、可靠的、7x24小时可用的大数据平台,来保证互联网神经系统的持续运转。明略数据提供了一套覆盖物理网络、操作系统及整个内部的服务进程和服务元数据的软硬件结合的平台高可用性方案。任何单点故障,都不会影响整个平台服务的正常运行,保证元数据多备份,企业服务的正常运转。
互联网神经网络与金融风险控制
同时, 明略数据通过核心产品SCOPA,不断尝试类似“互联网神经网络”的行业实践,深入业务场景,解决实际问题。
在公安领域,明略数据通过SCOPA的应用颠覆了传统的以检索为核心的情报分析模式,实现了基于人员、组织、案(事)件、地点以及物品五要素之间关联关系的实时分析的情报模式。大数据技术对于公安的意义是提升破案效率和精准预警,尤其是后者。SCOPA强大的关联关系技术和大数据情报挖掘能力,能够帮助民警在最早的时间发现犯罪预谋,并且根据系统的实时分析,通过动态交互的可视化研判功能,快速且准确地锁定犯罪嫌疑人。大数据时代的到来为犯罪手段多样化和复杂化提供了土壤,但同时,新兴的技术力量成长得更加茁长,全国多地公安系统已经用SCOPA来打造更加智能的大数据情报分析系统,辅助更多的民警成为“神探”,用大数据技术捍卫民生安全。
在金融领域,明略数据创新性地为银行落地线上渠道实时反欺诈应用,每小时平均处理200万条线上交易行为,识别和处理欺诈风险。通过对海量行为数据和金融数据进行实时处理,实现“在线实时决策+离线机器学习”结合的解决方案,更高效地应对官网、网银、APP等线上渠道产生的虚假账号、伪装账号、异常登录、频繁登录等新型风险和欺诈行为,做到风险从异常行为出现到预警反馈用时0.1秒,实现快速出击,保障金融安全。
通过明略数据的‘数据、信息、洞察、智慧’独特的挖掘复杂数据价值的理论,截至目前,明略数据已为世界最大的铁路交通网,提供50+节点集群、500T终端采集数据的设备大数据预测挖掘服务;落地中国第一个税务大数据解决方案,实践首个实时大数据信用卡安全应用,承载实时监控每小时200万条交易流水记录。
明略数据“四张牌”建设大数据技术支持的互联网伸进该网络
大数据的应用看似“高大上”,但最重要的是以人为本,服务于民。明略数据将“全、快、准、稳”的四大特性应用到民生大数据中,在公共安全方面协助政府服务民生。明略的目标是要在公安领域成为智慧警察,在金融领域成为智慧风险控制师、审贷员,在医疗领域成为智慧医生。利用大数据技术,遵循普适化、中枢化、自发化的逻辑,为百姓、企业、产业、社会的进步和发展贡献力量,用科技改善民生,用大数据服务和谐社会,造福人类。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
写在开头 老板在微信上甩来一句: "帮我看下为什么销量跌了。" ” 你回工位,打开 SQL,开始写。查订单表、拉近三个月、按 ...
2026-10-03CDA数据分析师 出品 作者:李诗怡 1. 事实表 vs 维度表 对比维度 事实表 维度表 核心问题 记录“业务发生了什么事” 描述 ...
2026-10-02做数据聚合时,PySpark的groupBy()确实能完成统计,这也是它的本职工作。但它有一个根本性局限:每一组数据,最终只能返回一行 ...
2026-10-01热力地图是数据可视化中极具辨识度与实用性的空间分析图表,结合地理空间维度与数据密度特征,通过颜色深浅、色阶渐变直观展示数 ...
2026-09-30 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-09-30同样是“银行数据岗”,在国有大行总行数据中心、在一家城商行的零售部、在银行系金融科技子公司、在保险公司,工作内容、成长节 ...
2026-09-29在数据分析与统计学研究中,数据往往不是独立存在的,不同变量之间普遍存在相互关联、相互影响的关系。相关性统计分析是挖掘变量 ...
2026-09-29 导读:大多数人只把 dataclasses 当成偷懒工具,用来少写 __init__、__repr__ 这类魔法方法。但它的能力远不止于此。本文带 ...
2026-09-29 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-09-29在MySQL数据库运维与业务开发中,行业普遍存在“数据达到千万级就必须分表”的说法。但在实际生产环境中,千万条数据并不是强制 ...
2026-09-28CDA数据分析师 出品 作者:李诗怡 1. 5W1H 分析法 定义:经典系统性思维框架,通过六个核心维度对问题进行全方位拆解与剖析,确 ...
2026-09-28 很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当 ...
2026-09-28CDA数据分析师 出品 作者:李诗怡 1. 用户标签体系 定义: 通过一系列高度精炼的特征标识,对用户属性、行为与偏好进行量化刻画 ...
2026-09-24Pandas是Python生态中用于表格数据处理的核心库,广泛应用于数据清洗、统计运算、报表输出、数据分析建模等场景。在处理极大数值 ...
2026-09-24随着数字经济快速发展,数据已成为核心生产要素,各行各业的业务沉淀、用户行为、设备运行、市场交易均产生海量数据。数据处理作 ...
2026-09-24 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-09-24在时序数据分析中,大部分业务数据并非持续平稳变化,而是会在某些时间节点出现突然抬升、断崖下跌、趋势反转、波动异变等现象, ...
2026-09-23在统计学与数据分析中,研究多组数据差异最常用的方法为单因素方差分析与事后多重比较。很多数据分析初学者容易混淆两者功能,认 ...
2026-09-23 很多数据分析师每天都在写 SQL,但当被问到“DQL 的本质是什么”“SELECT 子句的书写顺序与执行顺序为何不同”“INNER JOIN ...
2026-09-23 很多数据分析师写过无数个SELECT查询,但当被问到“如何新建一张表来固化中间数据”“创建视图和创建物理表有什么区别”“视 ...
2026-09-22