- 综合排序
- 最热优先
- 最新优先
- 来自专栏数据安全观察
数据安全风险监测方案
此前原点安全针对通知做了分析解读； 在此次“金融机构数据安全管理自查要点”中，提及对于数据安全监测方面的具体要求：数据安全监测机制。 是否明确数据安全风险监测、风险评估、应急响应及报告，事件处置的组织架构和管理流程；是否开展对数据安全威胁的有效监测，并实施监督检查和主动评估，防止数据篡改、破坏、泄露、非法利用等安全事件。 在通知中，风险监测、评估、应急处置被多次强调，反映出监管对数据安全“运行效果”的高度关注。 多层次、多维度洞察API资产，包括API资产明细、涉敏范围和规模、访问环境、业务属性，并能够从生命周期视角实时监测新增API资产和休眠API资产。 提供UEBA、精确阈值、自定义脚本三类告警策略，内置包括资产风险、权限风险、身份风险、行为风险、暴露面风险、配置风险等多种预置规则，并支持按需自定义风险监测和告警策略。
29510编辑于 2026-02-27 - 来自专栏量化投资与机器学习
如果管理和应对系统性风险？
针对系统性危机的行动计划可以基于对系统性压力点的研究、在危机早期排除风险、遵循市场趋势的规则，以及对流动性适应的风险管理措施。 系统性风险管理的重要性 金融中的系统性风险是指金融系统无法履行其基本功能的可能性，如提供信贷、做市或维护证券市场和存款。通常情况下，系统性风险会在多年中逐渐形成，但最终会突然爆发。 如果在资产管理中考虑系统性风险，能够降低了危机本身的风险和后果。 如果投资经理对特定系统性风险的关注，使得市场更有可能为这些脆弱性定价。大多数危机源于过度消费和经济失衡。 尽早脱手风险（管理头寸）：当系统性风险上升时，快速调整头寸有两个有效基础：信息优势和市场压力。 信息优势取决于对系统性危机、传播和自我实现动态的主要机制的理解和跟踪。 如果准备得当，投资经理甚至可以直接从系统性事件中获益，尤其是如果他们有足够的灵活性和风险限制，可以利用价格扭曲和支付的高风险溢价。 没有一个单一的投资者或机构拥有系统性风险的全部拼图。
1.4K30编辑于 2022-03-17 - 来自专栏燧机科技-视频AI智能分析
煤矿风险监测预警系统
煤矿风险监测预警系统基于YOLO网络模型视觉分析，煤矿风险监测预警系统7*24小时不间断自动识别现场人员作业行为、着装合规情况以及传送皮带撕裂跑偏等风险异常情况。
77830编辑于 2023-02-20 - 来自专栏数据猿
【案例】恒丰银行——运营风险监测系统
分析风险特征，动态制定和部署风险监测预警模型规则，从信用风险、交易风险、运营风险等业务条线进行风险监测、防范和控制。 3、按风险监测预警时效划分进行应用体系建设 风险监测预警时效分为T+1日业务监测和准实时业务监测，围绕监测预警时效性划分，进行系统集成架构的设计： 3.1运营风险监测数据集市建设 运营风险监测系统数据集市为 ： 5）路由配置 路由为引擎的核心部件；路由的引入，一方面可以定义数据在引擎中的决策流程/路径，另一方面也大大提高了引擎规则匹配的执行效率；路由可根据实际的业务情况进行制定/规划，例如针对每一个业务监测模型可以制定一个监测路由 在英国《银行家》杂志发布的“2016全球银行1000强”榜单中排名第143位；在中国香港中文大学发布的《亚洲银行竞争力研究报告》中位列亚洲银行业第5位；在中国银行业协会发布的“商业银行稳健发展能力‘陀螺 ”是做金融综合解决方案的提供商，“2”是金融云平台和大数据平台，“3”是数字银行、交易银行、银行的银行，“4”是龙头金融、平台金融、家庭金融、O2O金融等四大金融创新业务模式，“5”是投行、资管、平台、
4.3K50发布于 2018-04-24 - 来自专栏燧机科技-视频AI智能分析
非煤矿山风险监测预警算法
非煤矿山风险监测预警算法通过yolov8网络模型深度学习算法框架，非煤矿山风险监测预警算法在煤矿关键地点安装摄像机等设备利用智能化视频识别技术，能够实时分析人员出入井口的情况，人数变化并检测作业状态。 非煤矿山风险监测预警算法YOLOv8 训练框架模型的核心特性和改动可以归结为如下：非煤矿山风险监测预警算法提供了一个全新的 SOTA 模型，包括 P5 640 和 P6 1280 分辨率的目标检测网络和基于 Backbone:非煤矿山风险监测预警算法骨干网络和 Neck 部分可能参考了 YOLOv7 ELAN 设计思想，将 YOLOv5 的 C3 结构换成了梯度流更丰富的 C2f 结构，并对不同尺度模型调整了不同的通道数 下面将按照非煤矿山风险监测预警算法模型结构设计、Loss 计算、训练数据增强详细介绍非煤矿山风险监测预警算法中 YOLOv8 目标检测的各种改进，实例分割部分暂时不进行描述。模型结构。 如下图， 左侧为 YOLOv5-s，右侧为 YOLOv8-s。在暂时不考虑 Head 情况下，对比 YOLOv5 和 非煤矿山风险监测预警算法YOLOv8 的 yaml 配置文件可以发现改动较小。
54600编辑于 2023-09-20 - 来自专栏PHP技术大全
开源项目dolphin-ASM网络资产风险监测系统
项目简介 dolphin 是一个的资产风险分析系统,用户仅需将一个主域名添加到系统中,dolphin会自动抓取与该域名相关的信息进行分析; 例如同ICP域名,子域名,对应IP,端口,URL地址,站点截图
1K40编辑于 2023-03-09 - 来自专栏燧机科技-视频AI智能分析
山区公路边坡落石滑坡风险监测系统
在此背景下，山区公路边坡落石滑坡风险监测系统应运而生。 二、核心技术逻辑：多尺度目标检测与时序变化分析山区公路边坡落石滑坡风险监测系统的技术核心在于其对环境动态变化的敏锐感知能力。 五、部署实施的关键考量在推进山区公路边坡落石滑坡风险监测系统落地时，需关注以下工程化细节：点位科学规划：结合地质勘察报告，优先在历史灾害点、高陡边坡、临水临崖路段布设监控，确保视野覆盖关键风险区。 供电与通信保障：山区往往供电不稳、信号薄弱，需配置太阳能+蓄电池供电系统及4G/5G/北斗卫星双链路通信，确保极端断电断网下的基本生存能力。 六、结语山区公路边坡落石滑坡风险监测系统的应用，标志着公路防灾减灾从“人防为主”向“技防引领”的深刻转变。
47610编辑于 2026-03-08 - 来自专栏PHP技术大全
开源项目dolphin-ASM网络资产风险监测系统
项目简介 dolphin 是一个的资产风险分析系统,用户仅需将一个主域名添加到系统中,dolphin会自动抓取与该域名相关的信息进行分析; 例如同ICP域名,子域名,对应IP,端口,URL地址,站点截图
1.2K20编辑于 2023-03-11 - 来自专栏漫途科技
特种设备安全监测终端，降低安全隐患风险！
当监测到设备长时间空载达半小时以上进行自动断电，需人员重新刷卡启动，同时数字大屏能实时显示当前焊接使用人及累计时长。图片设备功能1. 电流监测：对特种设备的用电能耗进行监测管理。4. 数据记录：操作人员在完成特种设备使用后，系统会记录当前人员的使用信息，包括班长人员、操作人员、开始时间、结束时间等，以便后续审查和监管。 降低安全隐患：特种设备安全监测终端的自动断电功能和刷卡授权操作可以防止未经授权的人员滥用设备，从而减少安全风险。2. 通过使用特种设备安全监测终端，可以提升工厂内特种设备的运行规范，实现设备运行数据的信息化和智能化管理。 同时，通过责任到人的方式，减少员工的滥用和私自操作，提高设备的安全性和稳定性，降低事故发生的风险，提高生产效率。
2K20编辑于 2023-09-26 - 来自专栏运维之路
风险感知（二）场景设计5要素
分析前，先回顾一下场景设计的一些要点： 场景的基础是实际运维工作，要用“连接、数据、赋能”的数字化思维重塑场景 按“人、事、时间、协同、环境”5要素梳理场景 场景强调多角色“组织”高效协同，是对线下流程的在线化 ，平台赋能场景生产力 再看看风险感知场景的要点： 在线感知风险状况，即时健康质检 赋能专家主动构建、调优风险感知模型 “数据指标+算法策略”（点）=》编排组装主题（面、兼顾非知风险） 建立风险识别（感知 ）、决策、执行闭环 以下从“人、事、时间、协同、环境”5要素看看场景。 但同时也要认识到，上层不同主题的事很难通用化，极可能是需要定制化构建，比如： 周期性的（季度、月度）重要信息系统性能管理、容量评估。 周期性的（季度、月度）数据库系统性能管理、容量评估。 5.环境 环境包括显性环境与隐性环境。
1.5K20编辑于 2022-11-16 - 来自专栏燧机科技-视频AI智能分析
河道水位自动监测预警 yolov5
河道水位自动监测预警算法基于yolov5网络模型AI视频智能水尺读数技术，河道水位自动监测预警算法通过在河道周边布设监控摄像头，实时监测水位的变化，一旦水位超过预设阈值，将自动发出预警信号，并提示相关人员采取相应的措施 河道水位自动监测预警算法一般为了缩短网络的训练时间，并达到更好的精度，我们一般加载预训练权重进行网络的训练。 而yolov5的5.0版本给我们提供了几个预训练权重，我们可以对应我们不同的需求选择不同的版本的预训练权重。可以预料的到，预训练权重越大，训练出来的精度就会相对来说越高，但是其检测的速度就会越慢。 河道水位自动监测预警算法可以看成计算机视觉目标识别的一种。 对于定位误差，即边界框坐标预测误差，采用较大的权重λcoord=5λcoord=5。
51830编辑于 2023-09-10 - 来自专栏燧机科技-视频AI智能分析
脱岗监测预警算法模型 yolov5
脱岗监测预警系统可以通过python+yolov5网络模型深度学习算法，脱岗监测预警算法对现场人员岗位进行实时监测，自动识别是否存在脱岗行为，并及时发出警报。 YOLOv5中在训练模型阶段仍然使用了Mosaic数据增强方法，该算法是在CutMix数据增强方法的基础上改进而来的。 YOLOv5算法具有4个版本，具体包括：YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x四种，本文重点讲解YOLOv5s，其它的版本都在该版本的基础上对网络进行加深与加宽。 在网络训练阶段，YOLOv5使用Mosaic数据增强操作提升模型的训练速度和网络的精度；并提出了一种自适应锚框计算与自适应图片缩放方法。 虽然YOLOv5同样用到了SPP模块、FPN+PAN模块，但是实现的细节有些不同。Head输出端-Head用来完成目标检测结果的输出。
43900编辑于 2023-06-23 - 来自专栏TSINGSEE青犀视频
AI人工智能识别技术如何助力构建风险监测预警系统？
结合EasyCVR视频融合平台，可以将前端接入的信息资源进行整合与处理、分发等，助力企业构建风险监测预警平台，实现快速感知、实时监测、提前预警、联动处置的智能化监管模式。 安全帽检测/反光衣检测通过实时视频监测和预警在岗工人是否按照要求做好安全防范措施，如：是否正确佩戴安全帽、是否穿着反光衣、防护服等工作服。若检测到异常，则发出语音告警。
1.8K40编辑于 2023-01-05 - 来自专栏智慧气象
雷电预警监测系统：高风险领域提供防雷减灾决策支持
雷电预警监测系统：高风险领域提供防雷减灾决策支持【TH-LD1】雷电预警监测系统作为防雷减灾的核心技术手段，通过实时感知、精准预测和智能决策支持，为高风险领域构建了从预警到响应的全链条防护体系。 一、系统技术架构：多源数据融合与智能决策引擎多维度监测网络大气电场监测：部署分布式电场仪，实时捕捉地面电场强度变化，识别雷暴云形成初期特征。 智能算法模型机器学习预测：基于历史雷电数据训练模型，输入实时监测参数，输出未来0-2小时雷电发生概率及强度。风险热力图生成：结合GIS技术，将雷电风险等级可视化，标识高风险区域及移动路径。 二、高风险领域应用场景能源行业风电场：提前30分钟预警雷击风险，触发风机叶片收桨、偏航对风，避免叶片雷击损坏。光伏电站：根据雷电强度自动调整逆变器输出功率，减少电弧火灾风险。
40310编辑于 2025-08-20 - 来自专栏《C++与 AI：个人经验分享合集》
《人工智能时代：金融投资决策的潜在系统性风险及防范策略》
然而，随着其影响力的不断扩大，我们也必须警惕潜在的系统性风险。 人工智能在金融投资决策中的应用，凭借其强大的数据处理能力和复杂的算法模型，能够快速分析海量的金融数据，识别市场趋势和潜在的投资机会。 其次，模型的过度拟合也是一个不容忽视的风险。当 AI 模型过于适应历史数据，而对新的、未见过的数据表现不佳时，就可能在市场发生变化时做出错误的投资决策。 那么，我们应该如何防范这些潜在的系统性风险呢？ 一是加强数据质量管理。确保用于训练 AI 模型的数据准确、完整、及时且具有代表性。 使他们了解人工智能在投资决策中的优势和局限性，提高风险意识，避免过度依赖 AI 而忽视了基本的投资原则和风险管理。 总之，人工智能在金融领域的应用为投资决策带来了新的机遇，但我们必须谨慎对待潜在的系统性风险。
68510编辑于 2024-12-09 - 来自专栏公共互联网反网络钓鱼（APCN）
OECD 2026消费金融风险监测框架下的数字欺诈防御研究
OECD发布的《2026年消费金融风险监测报告》明确指出，随着金融服务的无缝嵌入日常生活场景，风险边界也随之模糊化、隐蔽化。 报告警示，传统的信用风险评估模型主要关注借款人的还款能力与意愿，而在数字化浪潮中，风险的定义已被重构：它包含了算法偏见导致的系统性排斥、自动化脚本发起的规模化欺诈、以及利用合成媒体进行的精准社会工程学攻击 2 OECD 2026报告核心风险维度的深度解构OECD《2026年消费金融风险监测报告》通过对全球主要经济体数据的采集与分析，构建了多维度的风险监测指标体系。 2.1 算法黑箱与系统性歧视的隐性蔓延报告首要关注的风险是算法决策在信贷审批、额度授予及定价策略中的广泛应用所引发的公平性问题。 5 结语OECD《2026年消费金融风险监测报告》为我们敲响了警钟：在数字化转型的深水区，金融风险的形式与内涵已发生根本性变革。
77810编辑于 2026-03-06 - 来自专栏FreeBuf
持续风险监测体系实践：基于ATT&CK的APT高频技术分析
持续风险监测体系实践——基于ATT&CK的APT攻击策略分析》，本文进一步探讨了高频技术，梳理形成了APT组织常用技术清单。 一、高频技术检测与优化 在《持续风险监测体系实践——基于ATT&CK的APT攻击策略分析》我们根据每个策略下APT的技术覆盖率以及其真实高频数与预期高频数之间的关系，划分了四个象限。 显然在网络攻击形势日趋严峻的今天，对于APT的防御与检测已经无法依靠传统的设备堆叠方案来满足需求了，这时需要构建全方位的监测体系，基于此我们提出了基于协同的持续性风险监测体系，该体系从主机层、流量层、应用层三个维度出发 基于上述技术的挑战性与代表性，我们结合了自身持续性风险监测业务开展过程中遇到的真实案例对上述三个技术进行展开讨论，以便于更好的应对此类攻击。 我们在监测过程中也发现“水坑式攻击”有增长的趋势，在对某地方人民政府的持续性风险监测活动中，某日我们发现一台PC终端从当地地方晚报下载了恶意文件，行为可疑，之前因业务需要该PC终端经常访问当地地方晚报官网
1.5K20发布于 2021-03-09 - 来自专栏智慧物联产品＆方案
基于5G网关的桥梁监测方案
通过在桥梁关键部位部署传感器组成感知网络，经由5G无线智能网关进行数据汇总、边缘计算和远程传输上云，最后云平台上实时展现状态数据，辅助判断决策。 产品选型：环境传感设备：风速风向仪、温湿度计、集中采集器等桥梁监测设备：倾角计、振动计、加速度计、静力水准计、表面裂缝计、表面振弦式应变计等数据采集＆传输设备：BMG5000无线5G网关、BMG5100 工业智能5G网关图片产品优势1、千兆智能无线网关采用工业级无线通信模块，支持3G/4G/5G无线通信，无需额外部署通讯线路，部署便捷，成本可控。 同时还具边缘计算能力，实现数据智能采集和分析，优化数据传输效率，提高监测水平。2、网关内置有完备的设备通信协议库，支持智能协议兼容，传感、监测、PLC设备对接方便快捷。 还可根据项目需求定制通信协议、传输策略等，助力项目客户快速搭建智能监测网络。
70720编辑于 2022-10-21 - 来自专栏智慧物联产品＆方案
通过5G网关实现智能铁轨监测
传统的铁轨人工巡检手段存在监测实时性差、隐患识别不全面、人力成本高、误检漏检率高等缺陷。 得益于物联网、人工智能、边缘计算等技术的发展，当前我们可以采用物联网传感器+5G通信方式，搭建起一套具有无源、无线、实时等优势特性的铁路智能监测系统，实现对轨道状态、轨道位移、轨道稳固，以及轨道沿线气象 、水量、滑坡等多项因素指标的实时监测。 数据汇总至5G智能网关后进行边缘计算处理与分析，经由4G/5G/NB-IoT/LoRa/北斗卫星远程传输至后方轨道管理运营中心，达到实时、全面的智能监测预警和群测群防的目标需求。 产品选型：BMG5000小体积5G智能网关，采用高集成化设计，体积精巧，功能全面，搭载高速5G通信模块，集智能采集、协议兼容、5G/4G无线通信、边缘计算、GPS定位、设备集中控制、智能协同控制等功能于一体
57920编辑于 2022-10-21 应对系统性金融风险：基于时序集成模型的传感器反欺诈实践
更严峻的业务瓶颈在于，大型银行业务下沉导致中小金融机构盈利基础遭受重大挑战，我国处于红区的高风险机构达337家（占比8.44%），涉及高风险资产规模高达6.63万亿元。 高斯分布式的风险评分：XGBoost模型输出的预测值对风险区间进行了高确定性隔离。 针对实际标签为欺诈的用户，模型稳定输出0.803至0.889的高风险评分；针对正常用户，则输出0.246的低风险评分，有效平衡了拦截率与打扰率。 运转自动化风控平台与人机协同审核闭环 在实际业务系统的落地中，该反欺诈架构被集成至统一的后台监控管理平台，实现了从API调用、场景监测到用户征信与图像识别的全栈联动。 在实时监测大屏中，系统基于模型给出的风险区间矩阵，直接驱动业务审批流： 高风险自动熔断：针对识别结果为“高风险”的请求（如用户ID：CD06465，CD27010），系统无需人工干预，直接执行“已拒绝”
9610编辑于 2026-05-30
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号