CN105225116A - 交易操作的识别方法及服务器 - Google Patents

Abstract

本发明实施例涉及一种交易操作的识别方法及服务器，包括：获取第一对象的交易操作参数，该步骤具体包括：提取第一对象的指标参数和其他对象的指标参数；对其他对象中任一对象，根据第一对象的指标参数、任一对象的指标参数和预设的第一模型，确定第一对象与任一对象的关联数据，关联数据用于表示第一对象与任一对象关系的分值；当第一对象与任一对象的关联数据大于预设的第一阈值时，将任一对象的指标参数添加到第一对象的指标参数中，得到第一对象的交易操作参数；根据第一对象的交易操作参数和预设的第二模型，从第一对象的交易操作中，识别安全度值大于预设的第二阈值的交易操作。由此，可以准确识别高安全交易操作，并且可以提升用户的体验。

Description

交易操作的识别方法及服务器

技术领域

本申请涉及计算机技术领域，尤其涉及一种交易操作的识别方法及服务器。

背景技术

随着电子商务的飞速发展，在线交易操作(例如，支付操作)成为了越来越普遍的行为。然而在交易操作进行的过程中，交易操作的安全性成为用户最关心的问题。

现有技术中，根据之前用户进行交易操作时的环境变量、用户的历史行为习惯、商品信息等等变量进行交易操作风险模型建模，最终根据建立的交易操作风险模型，判断之后用户进行的交易操作存在风险的可能性概率，并对之后用户进行的交易操作进行分类，分为：低安全交易操作、安全中段交易操作、高安全交易操作，每类操作配以不同的安全策略，如低安全交易操作直接中断、安全中段交易操作则需要与用户互动(如通过用户输入短信校验码)，高安全交易操作则直接放行且事后监控等。由此可知，当识别的高安全交易操作比较多时，可以大大提高用户的体验。

然而，上述方法只是根据单个用户的历史行为习惯、商品信息等变量进行交易操作风险模型建模，并没有根据该用户与其他用户的关系，对上述建立模型的变量进行扩展，因此根据该变量建立的模型准确性还有提升空间，如高安全交易操作识别的准确性不高，会给用户带来较差的体验，又浪费了计算机资源。

发明内容

本申请实施例提供了一种交易操作的识别方法及服务器，可以解决由于建立的模型不准确，导致的识别的高安全交易操作准确性不高，从而给用户带来较差的体验，并浪费计算机资源的问题。

第一方面，提供了一种交易操作的识别方法，该方法包括：

获取第一对象的交易操作参数，其中，获取所述第一对象的交易操作参数的步骤包括：

提取第一对象的指标参数和其他对象的指标参数；

对所述其他对象中任一对象，根据所述第一对象的指标参数、所述任一对象的指标参数和预设的第一模型，确定所述第一对象与所述任一对象的关联数据，所述关联数据用于表示所述第一对象与所述任一对象关系的分值；

当所述第一对象与所述任一对象的关联数据大于预设的第一阈值时，将所述任一对象的指标参数添加到所述第一对象的指标参数中，得到所述第一对象的交易操作参数；

根据所述第一对象的交易操作参数和预设的第二模型，从所述第一对象的交易操作中，识别安全度值大于预设的第二阈值的交易操作。

第二方面，提供了一种服务器，该服务器包括：获取单元和识别单元；

所述获取单元，用于获取第一对象的交易操作参数，其中，所述获取单元包括：提取单元、确定单元和添加单元；

所述提取单元，用于提取第一对象的指标参数和其他对象的指标参数；

所述确定单元，用于对所述其他对象中任一对象，根据所述提取单元提取的所述第一对象的指标参数、所述任一对象的指标参数和预设的第一模型，确定所述第一对象与所述任一对象的关联数据，所述关联数据用于表示所述第一对象与所述任一对象关系的分值；

所述添加单元，用于当所述确定单元确定的所述第一对象与所述任一对象的关联数据大于预设的第一阈值时，将所述任一对象的指标参数添加到所述第一对象的指标参数中，得到所述第一对象的交易操作参数；

所述识别单元，用于根据所述获取单元获取的所述第一对象的交易操作参数和预设的第二模型，从所述第一对象的交易操作中，识别安全度值大于预设的第二阈值的交易操作。

本申请提供的交易操作的识别方法及服务器，将第一对象的指标参数进行拓展，得到第一对象的交易操作参数，根据所述第一对象的交易操作参数和预设的第二模型，从所述第一对象的交易操作中，识别安全度值大于预设的第二阈值的交易操作，由此，可以准确识别高安全交易操作，并且可以提升用户的体验。

附图说明

图1为本申请实施例一提供的交易操作的识别方法流程图；

图2为对象关系示意图；

图3为本申请实施例二提供的服务器示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为便于对本发明实施例的理解，下面将结合附图以具体实施例做进一步的解释说明，实施例并不构成对本发明实施例的限定。

本申请实施例提供的交易操作的识别方法及服务器，适用于用户进行交易操作的场景，尤其适用于用户通过支付系统完成支付的场景，其中，支付系统包括服务器和客户端，客户端用于与用户进行交易，包括获取用户输入的信息和向用户显示结果信息；服务器用于对用户输入的信息进行处理，并得到结果信息。服务器包括数据库，该数据库中存储了已完成支付操作的用户的指标参数。

用户的指标参数包括：1)用户的信息，包括：用户的注册地，用户的年龄以及用户的网龄等；2)用户的行为习惯，包括：用户的搜索次数(如，用户A可能在淘宝最终下单前会经历N至N+n次搜索，与M至M+m个淘宝卖家旺旺沟通)，用户的购买时间段(如，用户A在20：00-22：00之间付款)，用户的购买金额(如，用户购买的衣服类的金额在80-200元之间)；3)用户的资金周转关系(如，用户A向用户B转出1000元，或者用户C向用户A转入100元)；4)用户的交易操作场景(如，还信用卡、缴水费、缴电费、缴煤气费、医院预约、在线打车等)；5)用户的设备信息(如，设备的MAC地址，或者其他能唯一标识设备的信息)。

图1为本申请实施例一提供的交易操作的识别方法流程图。所述方法的执行主体可以为具有处理能力的设备：服务器或者系统或者装置，如图1所示，所述方法具体包括：

步骤110，获取第一对象的交易操作参数。

在此说明，第一对象用于表示跟自然人相关的单独个体，可以为用来表示单独个体的用户、账户和账号等。在此说明书中，以第一对象为第一用户进行说明。所述第一对象的交易操作参数包括：所述第一对象的指标参数或者所述第一对象的指标参数与所述其他对象的指标参数的组合。其中，所述指标参数包括：对象的信息、对象的行为习惯、对象的资金周转关系、对象的交易操作场景和对象的设备信息。

其中，所述获取所述第一对象的交易操作参数具体包括：

步骤1101，提取第一对象的指标参数和其他对象的指标参数。

即服务器预先从数据库中提取第一对象的指标参数和其他对象的指标参数。

需要说明的是，其他对象的定义与第一对象的定义是相同的。且其他对象与第一对象之间具有关联关系。该关联关系的获取可以有如下两种方式：第一种方式，服务器预先分析存储在数据库中的用户的资金周转关系，得到上述关联关系。例如，当数据库中记录如下用户的资金周转关系：用户A向用户B转出1000元，那么当用户A为第一对象时，则可以将用户B作为其他对象；或者，当用户B作为第一对象时，则可以将用户A作为其他对象。第二种方式，将支付系统与微博等社交软件进行绑定，通过记录微博上用户与用户之间的互动，得到上述关联关系。例如，用户A与用户D在微博上有互动，则当用户A为第一对象时，则可以将用户D作为其他对象；或者，当用户D作为第一对象时，则可以将用户A作为其他对象。

需要说明的是，上述关联关系的获取方式还有很多种，在此，不作一一列举。

步骤1102，对所述其他对象中任一对象，根据所述第一对象的指标参数、所述任一对象的指标参数和预设的第一模型，确定所述第一对象与所述任一对象的关联数据，所述关联数据用于表示所述第一对象与所述任一对象关系的分值。

优选地，该预设的第一模型可以为朴素贝叶斯分类模型，则步骤1102还可以包括：

步骤A：根据所述第一对象的指标参数、所述任一对象的指标参数和朴素贝叶斯分类模型，确定所述第一对象与所述任一对象所属的关系类型。

举例来说，假设第一对象为用户A，且假设其他对象为用户B或者用户C。那么上述任一对象为用户B或用户C。

根据如下公式，确定所述第一对象与所述任一对象所属的关系类型：

$\begin{array}{c}P\left(C\right|F_1,...F_{N-1},F_N,...,F_{M-1},F_M,...F_{X-1},F_X,...F_{Y-1},F_Y,...F_n)\\ =\frac{p\left(C\right)p(F_1,...F_{N-1},F_N,...,F_{M-1},F_M,...F_{X-1},F_X,...F_{Y-1},F_Y,...F_n|C)}{P(F_1,...F_{N-1},F_N,...,F_{M-1},F_M,...F_{X-1},F_X,...F_{Y-1},F_Y,...F_n)}\end{array}$

$=\frac{P\left(C\right)P\left(F_1\right|C)...P\left(F_{N-1}\right|C)P\left(F_N\right|C)...P\left(F_{M-1}\right|C)P\left(F_M\right|C)...P\left(F_{X-1}\right|C)P\left(F_X\right|C)...P\left(F_{Y-1}\right|C)P\left(F_Y\right|C)...P\left(F_n\right|C)}{P(F_1,...F_{N-1},F_N,...,F_{M-1},F_M,...F_{X-1},F_X,...F_{Y-1},F_Y,...F_n)}$

其中，C为所述第一对象与所述任一对象所属的关系类型，包括：家人关系、朋友关系、同学关系、同事关系和密友关系。F₁～F_n为所述第一对象的指标参数和所述任一对象的指标参数，其中，F₁～F_N-1为所述第一对象和任一对象的信息，F_N～F_M-1为所述第一对象和任一对象的行为习惯，F_M～F_X-1为所述第一对象和任一对象的资金链周转关系，F_X～F_Y-1为第一对象和任一对象的交易操作场景，F_Y～F_N为所述第一对象和任一对象的设备信息。

可以理解的是，本申请通过上述公式确定第一对象与任一对象的关系类型，那么对于F_i(i＝1，…，n)，假设i＝1，F₁同时包括第一对象的信息和上述任一对象的信息。举例来说，上述任一对象为第二对象，第一对象、第二对象的信息只包括注册地，且假设第一对象的注册地为北京，第二对象的注册地为西安，在通过上述公式确定第一对象与第二对象的所属的关系类型是否为家人时，则P(F₁|C)＝P(F₁：北京、西安|家人)。

对于上述公式，假设C只包括两个类别：家人关系和朋友关系，分别用C＝0和C＝1表示，且只保留特征属性F_X和F_Y，即在确定第一对象与任一对象的关系类型时，只考虑第一对象和任一对象的交易操作场景以及第一对象和任一对象的设备信息，则上述公式可以简化为：

$P\left(C\right|F_X,F_Y)=\frac{p\left(C\right)p(F_X,F_Y|C)}{P(F_X,F_Y)}=\frac{P\left(C\right)P\left(F_X\right|C)P\left(F_Y\right|C)}{P(F_X,F_Y)}$

得到上述简化公式之后，从数据库中统计任意有关联关系的两个对象向同一信用卡还款次数，且将还款次数进行分段，假设分段后的区间为：不大于10，大于10且不大于50，大于50，则F_X的分段范围可以表示为：{F_X≤10，10<F_X≤50,F_X>50}，同样从数据库中统计任意有关联关系的两个对象使用同一手机的次数，且将使用同一手机的次数也进行分段，假设分段后的区间为：不大于100，大于100且不大于1000，大于1000，则F_Y的分段范围可以表示为：{F_Y≤100，100<F_Y≤1000,F_Y>1000}。

在获取到上述F_X和F_Y的分段范围之后，再从数据库中获取20对用户作为训练样本，其中，15对用户为家人关系，其余5对用户为朋友关系。则：

P(C＝0)＝15/20＝0.75；

P(C＝1)＝5/20＝0.25。

并根据上述训练样本，计算每个类别条件下各个特征属性划分的概率为：

P(F_X≤10|C＝0)＝0.3；

P(10<F_X≤50|C＝0)＝0.5；

P(F_X>50|C＝0)＝0.2；

P(F_X≤10|C＝1)＝0.8；

P(10<F_X≤50|C＝1)＝0.1；

P(F_X>50|C＝1)＝0.1；

P(F_Y≤100|C＝0)＝0.1；

P(100<F_Y≤1000|C＝0)＝0.7；

P(F_Y>1000|C＝0)＝0.2；

P(F_Y≤100|C＝1)＝0.7；

P(100<F_Y≤1000|C＝1)＝0.2；

P(F_Y>1000|C＝1)＝0.1；

在计算得到上述概率值之后，对从数据库中获取的任一对有关联关系的第一对象和第二对象，假设第一对象和第二对象向信用卡X还款12次，且第一对象和第二对象使用同一手机的次数为20次，则确定第一对象和第二对象的关系类型的方法如下：

P(C＝0)P(10<F_X≤50|C＝0)P(F_Y≤100|C＝0)＝0.75*0.5*0.1＝0.375

P(C＝1)P(10<F_X≤50|C＝1)P(F_Y≤100|C＝1)＝0.25*0.1*0.7＝0.175

由于，0.375>0.175，则可以确定第一对象与第二对象所属的关系类型为家人关系。

步骤B：将所述第一对象与所述第二对象所属的关系类型对应的概率值，确定为所述第一对象与所述第二对象的关联数据。

如前述例子，则所述第一对象与所述第二对象的关联数据为0.375。

此外，在对从数据库中获取的所有相关联的两个对象，当确定上述两个对象的关系类型和关联数据时，可以通过图2所示的对象关系示意图，来表示相关联的两个对象关系的分值。图2中，对象A与G(家人)的关系分值大于对象B与G(同事)的关系分值，而对象B与G的关系分值又大于F与G(朋友)的关系分值。

步骤1103，当所述第一对象与所述任一对象的关联数据大于预设的第一阈值时，将所述任一对象的指标参数添加到所述第一对象的指标参数中，得到所述第一对象的交易操作参数。

举例来说，假设其他对象为第二对象或者第三对象，且假设根据上述方法计算的第一对象与第二对象的关联数据为0.375，第一对象与第三对象的关联数据为0.3，而预设的第一阈值为0.35，则将第二对象的指标参数添加到第一对象的指标参数中。

即假设第一对象的指标参数为：第一对象的注册地：北京，第一对象的行为习惯：购买金额在80-200元之间，第一对象的资金周转关系：向第三对象转账20次，第一对象的交易操作场景：向信用卡Y还款10次，第一对象的设备信息：使用设备A20次。且假设第二对象的指标参数为：第二对象的注册地：西安，第二对象的行为习惯：在20：00-22：00之间付款，第二对象的资金周转关系：向第四对象转账100次，第二对象的交易操作场景：向信用卡Z还款10次，第二对象的设备信息：使用设备B10次。

则，第一对象的交易操作参数为：第一对象的注册地：北京、西安；第一对象的行为习惯：购买金额在80-200元之间、在20：00-22：00之间付款；第一对象的资金周转关系：向第三对象转账20次、向第四对象转账100次；第一对象的交易操作场景：向信用卡Y还款10次、向信用卡Z还款10次；第一对象的设备信息：使用设备A20次、使用设备B10次。

步骤120，根据所述第一对象的交易操作参数和预设的第二模型，从所述第一对象的交易操作中，识别安全度值大于预设的第二阈值的交易操作。

可选地，该预设的第二模型为决策树，将第一对象的交易操作参数作为决策树的各个变量，然后通过该决策树计算所述第一对象的交易操作的安全度值，并将上述计算得到的安全度值与预设的第二阈值进行比较，从中选取安全度值大于预设的第二阈值的交易操作。

需要说明的是，上述预设的第二模型还可以为支持向量机等，支持向量机或者决策树等模型为现有成熟的模型，其识别方法业务现有成熟技术。因此，本步骤不再详细阐述。

需要说明的是，本申请只是以第一对象为例，说明了获取第一对象的交易操作参数的方法，本领域的技术人员还可以通过本申请提供的方法获取其他对象的交易操作参数，并根据其他对象的交易操作参数，从其他对象的交易操作中，识别安全度值大于预设的第二阈值的交易操作。

本申请实施例提供的交易操作的识别方法，可以准确识别高安全交易操作。如前述例子中，假设仅根据第一对象的指标参数，识别安全度值大于预设的第二阈值的交易操作为：第一对象向第三对象转账；根据第一对象的交易操作参数，识别安全度值大于预设的第二阈值的交易操作为：第一对象向第三对象转账，第一对象向第四对象转账。事实上，由于第一对象与第二对象所述的关系类型为家人关系，而第二对象已经向第四对象转账100次，因此，第一对象向第四对象转账应该也是安全的。所以，本申请可以准确识别高安全交易操作。

与上述交易操作的识别方法对应地，本申请实施例还提供的一种服务器，如图3所示，该服务器包括：获取单元301和识别单元302。

获取单元301，用于获取第一对象的交易操作参数，其中，获取单元301包括：提取单元3011、确定单元3012和添加单元3013。

提取单元3011，用于提取第一对象的指标参数和其他对象的指标参数。

确定单元3012，用于对所述其他对象中任一对象，根据提取单元3011提取的所述第一对象的指标参数、所述任一对象的指标参数和预设的第一模型，确定所述第一对象与所述任一对象的关联数据，所述关联数据用于表示所述第一对象与所述任一对象关系的分值。

添加单元3013，用于当确定单元3012确定的所述第一对象与所述任一对象的关联数据大于预设的第一阈值时，将所述任一对象的指标参数添加到所述第一对象的指标参数中，得到所述第一对象的交易操作参数。

识别单元302，用于根据获取单元301获取的所述第一对象的交易操作参数和预设的第二模型，从所述第一对象的交易操作中，识别安全度值大于预设的第二阈值的交易操作。

可选地，所述第一对象的交易操作参数包括：所述第一对象的指标参数或者所述第一对象的指标参数与所述其他对象的指标参数的组合。

可选地，所述指标参数包括：对象的信息、对象的行为习惯、对象的资金周转关系、对象的交易操作场景和对象的设备信息。

可选地，确定单元3012具体用于：

根据所述第一对象的指标参数、所述任一对象的指标参数和朴素贝叶斯分类模型，确定所述第一对象与所述任一对象所属的关系类型；

将所述第一对象与所述任一对象所属的关系类型对应的概率值，确定为所述第一对象与所述任一对象的关联数据。

可选地，确定单元3012具体用于：

根据如下公式，确定所述第一对象与所述任一对象所属的关系类型：

$\begin{array}{c}P\left(C\right|F_1,...F_{N-1},F_N,...,F_{M-1},F_M,...F_{X-1},F_X,...F_{Y-1},F_Y,...F_n)\\ =\frac{p\left(C\right)p(F_1,...F_{N-1},F_N,...,F_{M-1},F_M,...F_{X-1},F_X,...F_{Y-1},F_Y,...F_n|C)}{P(F_1,...F_{N-1},F_N,...,F_{M-1},F_M,...F_{X-1},F_X,...F_{Y-1},F_Y,...F_n)}\\ =\frac{P\left(C\right)P\left(F_1\right|C)...P\left(F_{N-1}\right|C)P\left(F_N\right|C)...P\left(F_{M-1}\right|C)P\left(F_M\right|C)...P\left(F_{X-1}\right|C)P\left(F_X\right|C)...P\left(F_{Y-1}\right|C)P\left(F_Y\right|C)...P\left(F_n\right|C)}{P(F_1,...F_{N-1},F_N,...,F_{M-1},F_M,...F_{X-1},F_X,...F_{Y-1}\stackrel{}{,F_Y,...F_n})}\end{array}$

其中，C为所述第一对象与所述任一对象所属的关系类型，F₁～F_n为所述第一对象的指标参数和所述任一对象的指标参数，其中，F₁～F_N-1为所述第一对象和所述任一对象的信息，F_N～F_M-1为所述第一对象和所述任一对象的行为习惯，F_M～F_X-1为所述第一对象和所述任一对象的资金链周转关系，F_X～F_Y-1为第一对象和所述任一对象的交易操作场景，F_Y～F_N为所述第一对象和所述任一对象的设备信息。

本发明实施例二提供的服务器植入了本发明实施例一提供的方法，因此，本发明提供的服务器的具体工作过程，在此不复赘述。

第二方面，提供了一种服务器，该服务器包括：

本申请提供的服务器，将第一对象的指标参数进行拓展，得到第一对象的交易操作参数，根据所述第一对象的交易操作参数和预设的第二模型，从所述第一对象的交易操作中，识别安全度值大于预设的第二阈值的交易操作，由此，可以准确识别高安全交易操作，并且可以提升用户的体验。

专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的对象及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上所述的具体实施方式，对本申请的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本申请的具体实施方式而已，并不用于限定本申请的保护范围，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种交易操作的识别方法，其特征在于，该方法包括：

获取第一对象的交易操作参数，其中，获取所述第一对象的交易操作参数的步骤包括：

提取第一对象的指标参数和其他对象的指标参数；

对所述其他对象中任一对象，根据所述第一对象的指标参数、所述任一对象的指标参数和预设的第一模型，确定所述第一对象与所述任一对象的关联数据，所述关联数据用于表示所述第一对象与所述任一对象关系的分值；

当所述第一对象与所述任一对象的关联数据大于预设的第一阈值时，将所述任一对象的指标参数添加到所述第一对象的指标参数中，得到所述第一对象的交易操作参数；

根据所述第一对象的交易操作参数和预设的第二模型，从所述第一对象的交易操作中，识别安全度值大于预设的第二阈值的交易操作。

2.根据权利要求1所述的方法，其特征在于，所述第一对象的交易操作参数包括：所述第一对象的指标参数或者所述第一对象的指标参数与所述其他对象的指标参数的组合。

3.根据权利要求1或2所述的方法，其特征在于，所述指标参数包括：对象的信息、对象的行为习惯、对象的资金周转关系、对象的交易操作场景和对象的设备信息。

4.根据权利要求3所述的方法，其特征在于，所述根据所述第一对象的指标参数、所述任一对象的指标参数和预设的第一模型，获取所述第一对象与所述任一对象的关联数据包括：

根据所述第一对象的指标参数、所述任一对象的指标参数和朴素贝叶斯分类模型，确定所述第一对象与所述任一对象所属的关系类型；

将所述第一对象与所述任一对象所属的关系类型对应的概率值，确定为所述第一对象与所述任一对象的关联数据。

5.根据权利要求4所述的方法，其特征在于，所述根据所述第一对象的指标参数、所述任一对象的指标参数和朴素贝叶斯分类模型，确定所述第一对象与所述任一对象所属的关系类型包括：

根据如下公式，确定所述第一对象与所述任一对象所属的关系类型：

$\begin{array}{c}P\left(C\right|F_1,...F_{N-1},F_N,...,F_{M-1},F_M,...F_{X-1},F_X,...F_{Y-1},F_Y,...F_n)\\ =\frac{p\left(C\right)p(F_1,...F_{N-1},F_N,...,F_{M-1},F_M,...F_{X-1},F_X,...F_{Y-1},F_Y,...F_n|C)}{P(F_1,...F_{N-1},F_N,...,F_{M-1},F_M,...F_{X-1},F_X,...F_{Y-1},F_Y,...F_n)}\\ =\frac{P\left(C\right)P\left(F_1\right|C)...P\left(F_{N-1}\right|C)P\left(F_N\right|C)...P\left(F_{M-1}\right|C)P\left(F_M\right|C)...P\left(F_{X-1}\right|C)P\left(F_X\right|C)...P\left(F_{Y-1}\right|C)P\left(F_Y\right|C)...P\left(F_n\right|C)}{P(F_1,...F_{N-1},F_N,...,F_{M-1},F_M,...F_{X-1},F_X,...F_{Y-1}\stackrel{}{,F_Y,...F_n})}\end{array}$

其中，C为所述第一对象与所述任一对象所属的关系类型，F₁～F_n为所述第一对象的指标参数和所述任一对象的指标参数，其中，F₁～F_N-1为所述第一对象和所述任一对象的信息，F_N～F_M-1为所述第一对象和所述任一对象的行为习惯，F_M～F_X-1为所述第一对象和所述任一对象的资金链周转关系，F_X～F_Y-1为第一对象和所述任一对象的交易操作场景，F_Y～F_N为所述第一对象和所述任一对象的设备信息。

6.一种服务器，其特征在于，该服务器包括：获取单元和识别单元；

所述获取单元，用于获取第一对象的交易操作参数，其中，所述获取单元包括：提取单元、确定单元和添加单元；

所述提取单元，用于提取第一对象的指标参数和其他对象的指标参数；

所述确定单元，用于对所述其他对象中任一对象，根据所述提取单元提取的所述第一对象的指标参数、所述任一对象的指标参数和预设的第一模型，确定所述第一对象与所述任一对象的关联数据，所述关联数据用于表示所述第一对象与所述任一对象关系的分值；

所述添加单元，用于当所述确定单元确定的所述第一对象与所述任一对象的关联数据大于预设的第一阈值时，将所述任一对象的指标参数添加到所述第一对象的指标参数中，得到所述第一对象的交易操作参数；

所述识别单元，用于根据所述获取单元获取的所述第一对象的交易操作参数和预设的第二模型，从所述第一对象的交易操作中，识别安全度值大于预设的第二阈值的交易操作。

7.根据权利要求6所述的服务器，其特征在于，所述第一对象的交易操作参数包括：所述第一对象的指标参数或者所述第一对象的指标参数与所述其他对象的指标参数的组合。

8.根据权利要求6或7所述的服务器，其特征在于，所述指标参数包括：对象的信息、对象的行为习惯、对象的资金周转关系、对象的交易操作场景和对象的设备信息。

9.根据权利要求8所述的服务器，其特征在于，所述确定单元具体用于：

根据所述第一对象的指标参数、所述任一对象的指标参数和朴素贝叶斯分类模型，确定所述第一对象与所述任一对象所属的关系类型；

将所述第一对象与所述任一对象所属的关系类型对应的概率值，确定为所述第一对象与所述任一对象的关联数据。

10.根据权利要求9所述的服务器，其特征在于，所述确定单元具体用于：

根据如下公式，确定所述第一对象与所述任一对象所属的关系类型：

$\begin{array}{c}P\left(C\right|F_1,...F_{N-1},F_N,...,F_{M-1},F_M,...F_{X-1},F_X,...F_{Y-1},F_Y,...F_n)\\ =\frac{p\left(C\right)p(F_1,...F_{N-1},F_N,...,F_{M-1},F_M,...F_{X-1},F_X,...F_{Y-1},F_Y,...F_n|C)}{P(F_1,...F_{N-1},F_N,...,F_{M-1},F_M,...F_{X-1},F_X,...F_{Y-1},F_Y,...F_n)}\\ =\frac{P\left(C\right)P\left(F_1\right|C)...P\left(F_{N-1}\right|C)P\left(F_N\right|C)...P\left(F_{M-1}\right|C)P\left(F_M\right|C)...P\left(F_{X-1}\right|C)P\left(F_X\right|C)...P\left(F_{Y-1}\right|C)P\left(F_Y\right|C)...P\left(F_n\right|C)}{P(F_1,...F_{N-1},F_N,...,F_{M-1},F_M,...F_{X-1},F_X,...F_{Y-1}\stackrel{}{,F_Y,...F_n})}\end{array}$

其中，C为所述第一对象与所述任一对象所属的关系类型，F₁～F_n为所述第一对象的指标参数和所述任一对象的指标参数，其中，F₁～F_N-1为所述第一对象和所述任一对象的信息，F_N～F_M-1为所述第一对象和所述任一对象的行为习惯，F_M～F_X-1为所述第一对象和所述任一对象的资金链周转关系，F_X～F_Y-1为第一对象和所述任一对象的交易操作场景，F_Y～F_N为所述第一对象和所述任一对象的设备信息。