基于微服务架构的大学生网络借贷预警研究

常凤 胡忠旭 徐小华

(昭通学院网络与信息中心 云南昭通 657000)

目前，随着互联网的日益普及和髙校信息化基础设施的不断完善，大学生已成为互联网的最大使用群体，互联网已然成为大学生学习、生活不可或缺的一部分。互联网金融的快速发展给生活带来便捷的同时也带来了许多弊端。近几年，“校园贷”在人们的视野中越来越频繁地出现，因其用户门槛低、无需担保抵押、放款迅速等特点得到迅速扩张，受到高校大学生的青睐。一些网络借贷平台通过虚假宣传，引诱学生借款，学生群体由于缺乏对网络借贷的危害性和警惕性认识，非常容易被“洗脑”，陷入“高利贷”陷阱。部分学生因无力偿还累积的大量欠款，身心遭受严重的侵扰而导致自杀事件频频发生，因此，校园网贷行为是高校急需规范和管理的问题。

“校园贷”属于敏感问题，其隐蔽性较强，很难通过日常规章制度来发现和解决，这给高校对学生的监督管理工作带来一定挑战。不良网络借贷一旦发生，将会对学生的健康成长造成极大影响。而大学生登录校园网络时将产生能真实反映其行为倾向、爱好和动机的海量上网数据。该文对学生上网行为日志进行分析，利用“互联网+”的优势，通过大数据分析学生上网行为日志，掌握学生网络借贷动态，对学生的网络借贷风险行为进行发现和预警，为学生管理工作人员的提前干预提供可参考的依据。

传统的数据分析平台大多采用单体式架构或SOA架构，单体式架构将所有模块化组件混合后运行在同一个服务进程中，当某个模块化组件发生变化时，需要所有模块化进行编译、打包和上线，模块之间的依赖性强、耦合性高，单体式架构无法对某个模块组件进行水平扩展，具有扩展局限性。SOA 架构所有组件是独立自主的，服务通常是粗粒度的，SOA架构强调不同的异构服务之间的协作和契约，系统替换某个组件发生故障时将会对系统造成较大影响[1-2]。

微服务是将单体应用（Monolithic）先拆分成一组微小的服务组件，每个服务运行在一个单独的进程中，每个服务职责功能单一，可以运行多个实例，每个服务可根据实际的需求独立进行水平伸缩。微服务架构中服务之间相互隔离，一个服务出错，并不会影响到其他微服务的运行；每个服务都可根据性能需求独立地进行水平伸缩，扩展便捷，成本相对较低[1-2]。微服务显著改善了系统架构的弹性，应用系统的更新不再牵一发而动全身，同时通过容器技术可以降低系统持续集成与持续部署的复杂度[3]。

该文基于微服务架构的数据分析平台，在降低平台耦合性、平台按需扩展、敏捷开发和快速部署方面，具有明显的技术优势。

1 校园贷的主要原因

“校园贷”是一种基于互联网的网络行为，其产生的原因很多。基于对高校中不良校园网络借贷现象的了解，校园网贷的主要原因有生活费水平、消费心理、自控能力、金融知识匮乏、校园贷平台自身原因等几个方面。

在时代环境的影响下，部分大学生更加注重个人需求，追求高品质、高品牌、高消费的生活，超前的消费观和非理性消费行为对其信贷消费行为具有深刻影响；其次，由于大学生对贷款、借贷类别的金融知识了解不足，导致对信贷风险及逾期后果认知不足，对其失信行为所带来的信用风险“毫不知情”[4]；此外，大学生的心理发展尚不成熟，思想和经济是不独立的，仍然需要家长的引导与支持，若家长对学生生活和思想动态关注不够、家庭监管不力，也极易诱发网络借贷行为。另外，行业环境宽松与网络借贷平台虚假宣传、隐瞒资费、降低门槛，也是发生校园网贷的重要因素之一。

校园贷款消费并非是全盘否定的，但是大部分学生的自控能力和理财能力较差，超前消费与消费攀比现象较明显，一旦进入了分期还款模式，就会卷入网贷的漩涡，大部分学生无力偿还贷款就会求助于各种不良的校园贷，慢慢形成恶性循环，很容易走上歧途[5]。

如何有效避免不良网络借贷的发生，需要高校、家庭、社会这3 个方面共同构建风险防范和教育引导机制，帮助大学生树立正确的消费观，正确引导大学生认识“校园贷”，以促进大学生身心健康发展[6]。

2 校园贷的治理策略

国家相关部门加强对“校园贷”的监管。针对降低“校园贷”风险，国家对此已经出台了一系列政策。2009 年，国家银监会就公布了《关于进一步规范信用卡业务通知》一文，针对18 周岁以上，但是无经济来源、稳定工作的居民，必须确定第二还款人，并且在办理时签订书面协议，确定其还款责任，否则不予办理”[7]。2017年，教育部于颁文明确禁止网贷平台向大学生放贷。2021 年，国家银保监会等五部委下发的《关于进一步规范大学生互联网消费贷款监督管理工作的通知》，明确了小额贷款公司不得向大学生发放互联网消费贷款[8]。

学校加强大学生“校园贷”防范工作。很多高校通过定期开设法律知识讲座、金融知识相关课程，培养大学生的融资信贷常识和安全常识，加强学生对网络借贷的法律常识、拖欠贷款风险知识的进一步了解；高校也会利用主题班会及网络平台通过真实案例，提醒学生网络贷款存在的问题，帮助学生远离网络借贷，树立起网络借贷的安全防范意识；此外，理性的消费观是抵御不良校园贷的前提，部分高校也通过营造节约型校园文化环境，主动引导学生的网络消费行为，积极引导大学生树立正确、健康的社交观念和消费观。

在家庭方面，帮助学生养成合理、科学的消费习惯。大学生没有经济来源，在消费上还得依靠父母。父母以身作则，积极倡导勤俭节约的家风家规，关心关注学生的消费心理、经济情况，并多与孩子沟通，有利于帮助学生养成合理、科学的消费习惯。

国家对非法校园贷的明令禁止，高校对学生教育管理的加强和引导，家庭教育的重视，一定程度上可以控制大学生盲目贷款的行为，降低校园贷造成的负面结果，虽然这些治理策略虽然得了一定成效，但由于网络信息监管体制和技术不到位，依然给许多不良网贷平台可趁之机，“校园贷”现象仍屡禁不止。一种精准、高效的智能检测预警方法，能有效补齐高校治理校园借贷的短板，是高校做好人文关怀和学生关爱工作，提高管理效率的有效途径。

3 微服务架构分析平台

该系统基于微服务的网络借贷预警研究采用Spring Cloud搭建微服务架构，其框架的基础功能主要由服务注册与发现、负载均衡、服务网关和集群服务容错等[9-10]。其框架如图1所示。

图1 微服务架构图

该研究从高校上网行为感知系统获取学生上网数据，对学生网络借贷风险进行建模研究。系统采用Hadoop 进行存储，从分布式文件系统HDFS 获取待处理的信息，利用MapReduce 分布式的计算方式从多个维度进行高效的海量数据分析。平台架构如图2所示。

图2 平台架构图

基于分布式微服务的架构模式，可将数据分析应用进行粒度拆分，实现针对不同用户行为特征的数据分析应用，诸如教师工作效率应用分析、离职倾向分析、行为风险分析、学生沉迷网络分析、学业预警分析、贫困判定分析等微服务模块，模块之间相互独立，通过可视化Web 界面实现数据的传输和共享，进而实现多样化服务需求下的网络挖掘数据可视化功能的开发和扩展。

4 网贷行为的分类

针对校园网贷用户的特点，可选取“搜索贷款网站”“访问网贷URL”“发生网银行为”“产生消费行为”“发生账单数据”作为发生网络借贷行为的研究属性，并建立相应信息库。信息库可修改、完善，以提升研判网络用户的准确率，最终通过Web可视化工具，展示分析结果。网贷行为大致分析过程如图3所示。

图3 网贷行为属性分类

5 网贷行为特征挖掘

网贷相关的网络行为数据，包括信贷网站访问、信贷关键字搜索记录和网银行为等。网络借贷行为数据模型的建立包括原始数据中的自变量、模型中的自变量，并通过二者的比对来确定模型中的自变量，检测模型选取的特征都是针对一个上网用户去统计的，L（Loan）表示信贷网站；B（Bank）表示网银/支付网站。检测模型选取的特征值定义如下。

（1）发生“搜索信贷关键字”行为的频次。

（2）访问信贷网URL地址的深度超过2级的频次。通过用户访问的URL，深度分析上网用户访问网贷网站的沉浸指数，判断是否真正地深入浏览信贷网站，并且可以排除广告网页的因素，减少误判。

（3）通过关联分析技术，关联访问了网贷并且在短时间内访问了网银。这个特征很大程度说明了发生借贷行为，而不仅仅只是关注网贷。

（4）每天访问不同L的最大种类数。

（5）平均每天访问信贷网站的频率。

（6）发生“访问L 且一小时内访问B”行为的次数，访问网银/支付网站的频率，关联分析访问网贷和访问网银的行为。

6 数据分析模型

数据分析平台通过采集大量的网贷相关数据，从而找出满足网贷特征的上网用户。通过训练模型得到最终判定网贷行为的计算公式。将模型应用于新产生的网贷相关数据，检测有无网贷行为的上网用户。并采用多维分析和关联分析等技术减少网贷检测的误判。

检测模型选取LR作为判别模型，其能够给出一个样本是否为正/负样本的概率，直接对条件概率P(y|x)建模，而这个概率可以作为网贷风险值输出，从而对风险用户进行排行。

各特征值作为输入的特征向量X，公式如下。

通过模型训练，最终得出模型预测的多项式公式如下。

其中，X的值为所提取的特征值；W为其权重向量；a为向量W的第七个元素。

在真实数据中，通过抽取上述特征，并应用上述模型公式计算，系统可以识别出准确率超过90%的网贷行为。

7 应用效果

通过特征提取和关键字技术分析大量的网络行为数据，最终输出不同风险等级的用户信息，具体见图4。

图4 网贷风险用户

自定义设置：通过自定义网贷URL，网贷敏感词、网贷标题敏感词实现信息库更新。

最终输出信息用户字段主要有内容、学号、班级、号码、网站、标签、流量、耗时、关键字匹配等信息，为学生管理工作人员提前干预提供可参考的依据。

图5 自定义设置

8 结语

该文基于高校在大学生网络借贷风险管理方面面临的挑战，研究微服务架构下的学生网络借贷行为风险，对学生上网行为数据进行多维度建模，通过模型最终输出具有高、中、低风险等级的网络借贷行为上网用户，以便及时向学校相关管理部门提前预警，防止恶性事件发生。该方法在一定程度上避免不良校园网络借贷事故的发生，规避风险，对学校加强学生关爱和学生管理工作具有指导意义。