随着信息技术迅猛的发展,当今社会越来越多的业务可以通过互联网来完成,互联网的使用度和其所产生的业务数据都在不断提高。现有的风险预测系统大多依靠中心服务器来完成,但这可能会因为业务人员所处位置、网络状况、负载情况等的不同,而造成处理效率降低或结果出现偏差等状况。现有的风险预测系统大多依靠中心服务器来完成数据处理和风险预测工作,并未对移动边缘环境和数据过载两个方面进行考虑。一方面,若仅仅依靠中心服务器来提供预测功能,预测质量则会因用户距离中心服务器的远近以及网络状况的不同而受到影响。另一方面,若大量的用户通过移动设备将数据传输到中心服务器的时候,会由于数据量过于庞大,使得网络带宽的负载量增加,也会导致网络延时增加,从而对预测工作造成影响。针对以上两个方面的问题,本文提出了一种移动边缘环境下的业务风险预测方法。其中主要的工作内容为:首先,根据风险数据的特征,采用ETL和大数据的并行计算技术进行数据处理,使用机器学习的算法建立业务风险预测模型,并利用处理后的数据来训练模型。然后,由于边缘设备更靠近用户,并具有一定的计算和资源存储能力的特点,本文在移动边缘环境下利用边缘设备协助中心服务器进行风险预测工作。同时,由于计算卸载主要是将繁重的计算任务迁移到边缘服务器来提高移动服务的性能,并不能解决中心服务器数据过载的问题,所以,本文提出数据卸载的概念,并设计相应的数据卸载平台框架,利用边缘设备协助中心服务器来缓解数据过载问题,以保证预测工作的效率。接着,根据数据卸载的平台框架设计相应的数据卸载策略及算法,具体方法如下:1)在边缘处建立边缘设备集群,利用集群来处理边缘的数据。2)在数据处理阶段,通过利用边缘设备集群来承担数据处理阶段的工作,来协助中心服务器分担计算和数据压力。3)在风险预测阶段,根据分配系数与中心服务器的负载情况来控制数据分担情况,其中该系数可由用户自行设置;并在边缘设备集群设置数据分配策略,保证中心服务器和边缘设备集群的处理效率。最后,本文以海关的历史报关单数据为例,该数据经过对敏感数据的脱敏、变形等处理,满足各级海关相关数据安全规定。设计并实现风险预测系统,并对本文中提出的数据卸载策略进行了实验,实验结果表明,该策略能够达到卸载效果,减轻了中心服务器的数据压力。