CN105654277A - 交易操作的识别方法及服务器 - Google Patents

Abstract

本申请实施例涉及一种交易操作的识别方法及服务器，该方法包括：获取交易操作的属性特征集合；分析所述属性特征集合中各个属性特征之间的依赖关系；根据所述依赖关系，从所述属性特征集合中读取有依赖关系的属性特征对，所述属性特征对包括第一属性特征和第二属性特征，且所述第二属性特征依赖于所述第一属性特征；对读取的每对有依赖关系的属性特征对，根据预设的训练样本，计算所述第二属性特征依赖于所述第一属性特征的条件概率值；根据所述条件概率值和预设的第一模型，识别所述交易操作的类型。由此，可以准确对交易操作的类型进行识别，从而可以对交易操作的对象进行有效保护。

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，越来越多的用户使用第三方支付平台进行互联网交易操作，尤其是进行支付交易操作。然而，在进行上述支付交易操作时，往往会存在盗卡和盗账户的风险。为了保证用户的交易操作的安全性，就有了对用户的交易操作的安全性进行分析的需求。在对交易操作的安全性进行分析时，由于盗卡交易操作可获取的信息量较少，难以提取有效特征，且非法用户通过正常账户进行盗卡交易操作，由此增加了盗卡交易操作识别的难度。

现有技术中，主要是通过三种方法对盗卡交易操作进行识别：1)基于专家经验进行人工风险评分；2)基于黑环境、异常操作行为分析等策略0-1二值识别；3)基于朴素贝叶斯的线性识别方法。然而，第一种识别方法大多是基于定性和经验，往往主观意识较强，准确率难以得到保障，而且盗卡交易操作存在突发性,所以难以进行有效的安全性分析；第二种识别方法是基于离散化的判定准则，大多是0-1二值识别，难以进行深入有效的安全性分析；第三种识别方法也存在明显的缺陷，特别是对变量的相对独立过于苛刻，往往与实际不符。

朴素贝叶斯识别方法可描述为：设a＝[a₁,a₂…,a_m]为一个有m个属性的支付交易操作样本，则其安全性分析的模型可表示为：

maxP(a₁,a₂…,a_m|c_j)P(c_j)(1)

其中j∈(1,|C|)表示类别。因为朴素贝叶斯分类器基于一个简单的假定：在给定目标值时属性值之间相互独立，所以可得

$P(a_1,a_2,...,a_m|c_j)=\underset{i=1}{\overset{m}{\mathrm{\Π}}}P\left(a_i\right|c_j)---\left(2\right)$

$C_{\mathrm{NB}}=\underset{c_j\∈C}{\arg \max P}\left(c_j\right)\underset{i=1}{\overset{m}{\mathrm{\Π}}}P\left(a_i\right|c_j)---\left(3\right)$

C_NB表示朴素贝叶斯分类器输出的目标值。

然而，构建模型的这些属性中往往存在依赖关系。例如，账户绑定手机归属地与银行卡bin所属地以及快捷签约手机归属地，交易标签中金额和频率往往也存在依赖关系。因此，基于朴素贝叶斯方法构建的模型对交易操作的安全性进行分析是不准确的，从而不能对进行交易操作的对象进行有效保护，进而浪费了计算机资源。

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，可以解决现有技术中基于朴素贝叶斯方法对交易操作的安全性进行分析时，由于忽略了交易操作的属性特征之间的依赖性，而不能对交易操作的类型进行准确识别，进而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：

获取交易操作的属性特征集合；

分析所述属性特征集合中各个属性特征之间的依赖关系；

根据所述依赖关系，从所述属性特征集合中读取有依赖关系的属性特征对，所述属性特征对包括第一属性特征和第二属性特征，且所述第二属性特征依赖于所述第一属性特征；

对读取的每对有依赖关系的属性特征对，根据预设的训练样本，计算所述第二属性特征依赖于所述第一属性特征的条件概率值；

根据所述条件概率值和预设的第一模型，识别所述交易操作的类型。

第二方面，提供了一种服务器，该服务器包括：获取单元、分析单元、读取单元、计算单元和识别单元；

所述获取单元，用于获取交易操作的属性特征集合；

所述分析单元，用于分析所述获取单元获取的所述属性特征集合中各个属性特征之间的依赖关系；

所述读取单元，用于根据所述分析单元分析的所述依赖关系，从所述属性特征集合中读取有依赖关系的属性特征对，所述属性特征对包括第一属性特征和第二属性特征，且所述第二属性特征依赖于所述第一属性特征；

所述计算单元，用于对所述读取单元读取的每对有依赖关系的属性特征对，根据预设的训练样本，计算所述第二属性特征依赖于所述第一属性特征的条件概率值；

所述识别单元，用于根据所述计算单元计算的所述条件概率值和预设的第一模型，识别所述交易操作的类型。

本申请提供的交易操作的识别方法及服务器，获取交易操作的属性特征集合；分析所述属性特征集合中各个属性特征之间的依赖关系；根据所述依赖关系，从所述属性特征集合中读取有依赖关系的属性特征对，所述属性特征对包括第一属性特征和第二属性特征，且所述第二属性特征依赖于所述第一属性特征；对读取的每对有依赖关系的属性特征对，根据预设的训练样本，计算所述第二属性特征依赖于所述第一属性特征的条件概率值；根据所述条件概率值和预设的第一模型，识别所述交易操作的类型。由此，可以准确对交易操作的类型进行识别，从而可以对交易操作的对象进行有效保护。

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为本申请提供的有向无环图；

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

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

为便于对本申请实施例的理解，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申请实施例的限定。

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的交易操作的属性特征。

交易操作的属性特征包括四类：1)交易操作的静态属性，包括：现用账户注册情况(如，已注册或者未注册)，快捷签约手机(即用户获取验证码的手机)归属地，账户绑定手机归属地以及卡(银行卡或者信用卡)bin所属地等；2)交易操作的关联信息，包括：卡与现用账户是否为可信关联，该账户使用该卡次数以及该账户使用该卡金额等；3)交易操作的环境变量，包括：当前交易操作的环境是否为黑环境，当前交易操作的环境是否常用以及近期账户的登录信息等；4)交易操作的资金异常行为信息，包括：卡当天内交易笔数以及卡当天内交易金额等。

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，获取交易操作的属性特征集合。

在此说明，交易操作可以包括但不限定于支付交易操作和转账操作。交易操作的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、账户和卡等。在此说明书中，以上述对象为卡进行说明。所述属性特征集合中属性特征包括：交易操作的静态属性、交易操作的关联信息、交易操作的环境变量和交易操作的资金异常行为信息。

步骤120，分析所述属性特征集合中各个属性特征之间的依赖关系。

可以基于预设的训练样本，对属性特征集合中各属性特征之间的依赖关系进行分析。其中，预设的训练样本可以是人工预先从服务器中获取，并经过加工处理后得到的语料。

举例来说，预设的训练样本中包括3个交易操作的属性特征，且该3个交易操作的静态属性的内容如表1所示：

表1

由表1可以看出，任一交易操作的账户绑定手机归属地、卡bin所属地以及快捷签约手机归属地之间具有相关性，也即任一交易操作的账户绑定手机归属地、卡bin所属地以及快捷签约手机归属地之间具有依赖关系。

步骤130，根据所述依赖关系，从所述属性特征集合中读取有依赖关系的属性特征对，所述属性特征对包括第一属性特征和第二属性特征，且所述第二属性特征依赖于所述第一属性特征。

属性特征对是指有依赖关系的两个属性特征(即第一属性特征和第二属性特征)，该两个属性特征可以属于同一大类，如，可以是同属于交易操作的静态属性的账户绑定手机归属地和卡bin所属地。

其中，根据所述依赖关系，从所述属性特征集合中读取有依赖关系的属性特征对可以具体包括：

步骤1301，根据所述依赖关系，创建呈树状结构的有向无环图，所述有向无环图包括父节点和子节点，其中，每个节点对应所述属性特征集合中一个属性特征，所述子节点对应的属性特征依赖于所述父节点对应的属性特征。

举例来说，属性特征集合S＝{特征1，特征2，特征3，特征4，特征5，特征6}，假设对属性特征集合S中各个属性特征之间的依赖关系的分析结果为：特征2和特征4均依赖于特征1，特征3依赖于特征2，特征5依赖于特征4，特征6依赖于特征4；则根据上述特征之间的依赖关系，可以创建呈树状结构的有向无环图。具体可参见如图2所示的本申请提供的有向无环图，图2中，包括六个节点，且第一节点至第六节点分别对应属性特征集合S中特征1至特征6。图2中，第一节点为第二节点和第四节点的父节点，第二节点和第四节点分别为第一节点的子节点，第二节点为第三节点的父节点，第三节点为第二节点的子节点，第四节点为第五节点和第六节点的父节点，第五节点和第六节点分别为第四节点的子节点，即该有向无环图包括父节点和子节点。此外，因为特征2和特征4均依赖于特征1，而与特征1对应的节点为第一节点，与特征2对应的节点为第二节点，与特征4对应的节点为第四节点，也即子节点对应的属性特征依赖于父节点对应的属性特征。

步骤1302，从所述有向无环图中读取父节点和子节点，将读取的父节点对应的属性特征和子节点对应的属性特征作为有依赖关系的属性特征对。

如前述例子，从有向无环图中读取的父节点和子节点包括：第一节点和第二节点，第二节点和第三节点，第一节点和第四节点，第四节点和第五节点，第四节点和第六节点；而因为第一节点至第六节点分别对应特征1至特征6，所以有依赖关系的属性特征对包括：特征1和特征2，特征2和特征3，特征1和特征4，特征4和特征5，特征4和特征6。

步骤140，对读取的每对有依赖关系的属性特征对，根据预设的训练样本，计算所述第二属性特征依赖于所述第一属性特征的条件概率值。

如前述例子中的属性特征对：特征1和特征2，因为特征2依赖于特征1，因此，特征2为第二属性特征，特征1为第一属性特征，也即前述例子中，需要计算特征2依赖于特征1的条件概率值；同理，需要计算特征3依赖于特征2的条件概率值，特征4依赖于特征1的条件概率值，特征5依赖于特征4的条件概率值以及特征6依赖于特征4的条件概率值。

具体地，如表1所示的内容，假设第一属性特征为账户绑定手机归属地，第二属性特征为卡bin所属地，则第二属性特征依赖于第一属性特征的条件概率值为：2/3＝67％。

再一个例子中，预设的训练样本中包括100个交易操作，其中，89个交易操作为不安全的交易操作，11个交易操作为安全的交易操作，且假设第二属性特征为交易操作的环境变量中当前交易操作的环境是否为黑环境，则依据上述条件概率值的计算方法得到的结果信息可以如表2所示：

表2

	环境为黑环境	环境为非黑
			不安全的交易操作	90	10
安全的交易操作	25	75

需要说明的是，根据如上条件概率值的计算方法，可以计算出读取到的每对属性特征对中第二属性特征依赖于第一属性特征的条件概率值，其中，对于没有父节点的节点对应的属性特征，如第一节点对应的特征1，其概率值可以根据经验值给出。

步骤150，根据所述条件概率值和预设的第一模型，识别所述交易操作的类型。

其中，步骤150可以具体包括：

根据所述条件概率值和预设的第一模型，计算所述交易操作的安全度值；

当所述安全度值大于预设阈值时，则识别所述交易操作为不安全的交易操作。

预设的第一模型可以如公式1所示：

$1-P(x_1,x_2,...,x_m)=1-\underset{i=1}{\overset{m}{\mathrm{\Π}}}P\left(x_i\right|\mathrm{Parents}\left(x_i\right))$ (公式1)

公式1中，1-P(x₁,x₂,...,x_m)为所述交易操作的安全度值，m为所述属性特征集合中属性特征的个数，x_i为所述第二属性特征，Parents(x_i)为所述第一属性特征，P(x_i|Parents(x_i))为所述第二属性特征依赖于所述第一属性特征的条件概率值。

如前述例子中，m的值为6，也即需要计算6个属性特征的条件概率值，其中，特征1对应的节点由于没有父节点，则直接给出经验值，可以为值1，且将前述计算出的特征2依赖于特征1的条件概率值表示为值2，将特征3依赖于特征2的条件概率值表示为值3，特征4依赖于特征1的条件概率值表示为值4，特征5依赖于特征4的条件概率值表示为值5以及特征6依赖于特征4的条件概率值表示为值6。则交易操作的安全度值＝1-值1×值2×值3×值4×值5×值6。

如前述例子，假设计算得到的安全度值为0.33，而预设阈值为0.5，因为计算得到的安全度值小于预设阈值，所以可以直接识别所述交易操作为安全的交易操作；而如果计算得到的安全度值为0.6，即安全度值大于预设阈值，则识别所述交易操作为不安全的交易操作，例如，识别所述交易操作为盗卡交易操作。

需要说明的是，上述预设阈值是预先设定的，可以根据实际情况设定大小，保存在服务器中。

可选地，所述方法还包括：

当所述属性特征集合中属性特征的个数不是预先设定的个数时，对所述预设的第一模型进行优化，得到第二模型；

所述根据所述条件概率值和预设的第一模型，识别所述交易操作的类型包括：

根据所述条件概率值和所述第二模型，识别所述交易操作的类型。

如前述例子中，属性特征集合S＝{特征1，特征2，特征3，特征4，特征5，特征6}，而假设预设的个数为7，即特征7是不可见的，或者是隐藏的。此时，属性特征集合S中属性特征的个数不是预先设定的个数，需要对预设的第一模型进行优化，例如，可以通过梯度下降算法来对预设的第一模型进行优化，得到第二模型；根据第二模型，识别所述交易操作的类型。

在此说明，通过梯度下降算法来对预设的第一模型进行优化属于现有成熟技术，因此在本申请中不作赘述。

本申请实施例提供的交易操作的识别方法，可以解决现有技术中基于朴素贝叶斯方法对交易操作的安全性进行分析时，由于忽略了交易操作的属性特征之间的依赖性，而不能对交易操作的安全性进行准确分析，进而浪费计算机资源的问题。

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、分析单元302、读取单元303、计算单元304和识别单元305。

获取单元301，用于获取交易操作的属性特征集合。

在此说明，交易操作可以包括但不限定于支付交易操作和转账操作。所述属性特征集合中属性特征包括：交易操作的静态属性、交易操作的关联信息、交易操作的环境变量和交易操作的资金异常行为信息。

分析单元302，用于分析获取单元301获取的所述属性特征集合中各个属性特征之间的依赖关系。

可以基于预设的训练样本，对属性特征集合中各属性特征之间的依赖关系进行分析。

读取单元303，用于根据分析单元302分析的所述依赖关系，从所述属性特征集合中读取有依赖关系的属性特征对，所述属性特征对包括第一属性特征和第二属性特征，且所述第二属性特征依赖于所述第一属性特征。

属性特征对是指有依赖关系的两个属性特征(即第一属性特征和第二属性特征)，该两个属性特征可以属于同一大类，如，可以是同属于交易操作的静态属性的账户绑定手机归属地和卡bin所属地。

读取单元303具体用于：

根据所述依赖关系，创建呈树状结构的有向无环图，所述有向无环图包括父节点和子节点，其中，每个节点对应所述属性特征集合中一个属性特征，所述子节点对应的属性特征依赖于所述父节点对应的属性特征；

从所述有向无环图中读取父节点和子节点，将读取的父节点对应的属性特征和子节点对应的属性特征作为有依赖关系的属性特征对。

计算单元304，用于对读取单元303读取的每对有依赖关系的属性特征对，根据预设的训练样本，计算所述第二属性特征依赖于所述第一属性特征的条件概率值。

根据步骤140中条件概率值的计算方法，可以计算出读取到的每对属性特征对中第二属性特征依赖于第一属性特征的条件概率值，其中，对于没有父节点的节点对应的属性特征，如第一节点对应的特征1，其概率值可以根据经验值给出。

识别单元305，用于根据计算单元304计算的所述条件概率值和预设的第一模型，识别所述交易操作的类型。

识别单元具体305具体用于：根据所述条件概率值和预设的第一模型，计算所述交易操作的安全度值；当所述安全度值大于预设阈值时，则识别所述交易操作为不安全的交易操作。

识别单元具体305还具体用于：

根据如下公式计算所述交易操作的安全度值：

$1-P(x_1,x_2,...,x_m)=1-\underset{i=1}{\overset{m}{\mathrm{\Π}}}P\left(x_i\right|\mathrm{Parents}\left(x_i\right))$

其中，1-P(x₁,x₂,...,x_m)为所述交易操作的安全度值，m为所述属性特征集合中属性特征的个数，x_i为所述第二属性特征，Parents(x_i)为所述第一属性特征，P(x_i|Parents(x_i))为所述第二属性特征依赖于所述第一属性特征的条件概率值。

可选地，所述服务器还包括：优化单元306；

优化单元306，用于当所述属性特征集合中属性特征的个数不是预先设定的个数时，对所述预设的第一模型进行优化，得到第二模型；

识别单元305还用于：根据所述条件概率值和所述第二模型，识别所述交易操作的类型。

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

本申请提供的服务器，可以解决现有技术中基于朴素贝叶斯方法对交易操作的安全性进行分析时，由于忽略了交易操作的属性特征之间的依赖性，而不能对交易操作的安全性进行准确分析，进而浪费计算机资源的问题。

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 (12)

1.一种交易操作的识别方法，其特征在于，该方法包括：

获取交易操作的属性特征集合；

分析所述属性特征集合中各个属性特征之间的依赖关系；

根据所述依赖关系，从所述属性特征集合中读取有依赖关系的属性特征对，所述属性特征对包括第一属性特征和第二属性特征，且所述第二属性特征依赖于所述第一属性特征；

对读取的每对有依赖关系的属性特征对，根据预设的训练样本，计算所述第二属性特征依赖于所述第一属性特征的条件概率值；

根据所述条件概率值和预设的第一模型，识别所述交易操作的类型。

2.根据权利要求1所述的方法，其特征在于，所述属性特征包括：交易操作的静态属性、交易操作的关联信息、交易操作的环境变量和交易操作的资金异常行为信息。

3.根据权利要求1或2所述的方法，其特征在于，所述根据所述依赖关系，从所述属性特征集合中读取有依赖关系的属性特征对，包括：

根据所述依赖关系，创建呈树状结构的有向无环图，所述有向无环图包括父节点和子节点，其中，每个节点对应所述属性特征集合中一个属性特征，所述子节点对应的属性特征依赖于所述父节点对应的属性特征；

从所述有向无环图中读取父节点和子节点，将读取的父节点对应的属性特征和子节点对应的属性特征作为有依赖关系的属性特征对。

4.根据权利要求1所述的方法，其特征在于，所述根据所述条件概率值和预设的第一模型，识别所述交易操作的类型包括：

根据所述条件概率值和预设的第一模型，计算所述交易操作的安全度值；

当所述安全度值大于预设阈值时，则识别所述交易操作为不安全的交易操作。

5.根据权利要求4所述的方法，其特征在于，所述根据所述条件概率值和预设的第一模型，计算所述交易操作的安全度值包括：

根据如下公式计算所述交易操作的安全度值：

$1-P(x_1,x_2,...,x_m)=1-\underset{i=1}{\overset{m}{\mathrm{\Π}}}P\left(x_i\right|\mathrm{Parents}\left(x_i\right))$

其中，1-P(x₁,x₂,...,x_m)为所述交易操作的安全度值，m为所述属性特征集合中属性特征的个数，x_i为所述第二属性特征，Parents(x_i)为所述第一属性特征，P(x_i|Parents(x_i))为所述第二属性特征依赖于所述第一属性特征的条件概率值。

6.根据权利要求1-5任一项所述的方法，其特征在于，所述方法还包括：

当所述属性特征集合中属性特征的个数不是预先设定的个数时，对所述预设的第一模型进行优化，得到第二模型；

所述根据所述条件概率值和预设的第一模型，识别所述交易操作的类型包括：

根据所述条件概率值和所述第二模型，识别所述交易操作的类型。

7.一种服务器，其特征在于，所述服务器包括：获取单元、分析单元、读取单元、计算单元和识别单元；

所述获取单元，用于获取交易操作的属性特征集合；

所述分析单元，用于分析所述获取单元获取的所述属性特征集合中各个属性特征之间的依赖关系；

所述读取单元，用于根据所述分析单元分析的所述依赖关系，从所述属性特征集合中读取有依赖关系的属性特征对，所述属性特征对包括第一属性特征和第二属性特征，且所述第二属性特征依赖于所述第一属性特征；

所述计算单元，用于对所述读取单元读取的每对有依赖关系的属性特征对，根据预设的训练样本，计算所述第二属性特征依赖于所述第一属性特征的条件概率值；

所述识别单元，用于根据所述计算单元计算的所述条件概率值和预设的第一模型，识别所述交易操作的类型。

8.根据权利要求7所述的服务器，其特征在于，所述属性特征包括：交易操作的静态属性、交易操作的关联信息、交易操作的环境变量和交易操作的资金异常行为信息。

9.根据权利要求7或8所述的服务器，其特征在于，所述读取单元具体用于：

根据所述依赖关系，创建呈树状结构的有向无环图，所述有向无环图包括父节点和子节点，其中，每个节点对应所述属性特征集合中一个属性特征，所述子节点对应的属性特征依赖于所述父节点对应的属性特征；

从所述有向无环图中读取父节点和子节点，将读取的父节点对应的属性特征和子节点对应的属性特征作为有依赖关系的属性特征对。

10.根据权利要求7所述的服务器，其特征在于，所述识别单元具体用于：

根据所述条件概率值和预设的第一模型，计算所述交易操作的安全度值；

当所述安全度值大于预设阈值时，则识别所述交易操作为不安全的交易操作。

11.根据权利要求10所述的服务器，其特征在于，所述识别单元还具体用于：

根据如下公式计算所述交易操作的安全度值：

$1-P(x_1,x_2,...,x_m)=1-\underset{i=1}{\overset{m}{\mathrm{\Π}}}P\left(x_i\right|\mathrm{Parents}\left(x_i\right))$

其中，1-P(x₁,x₂,...,x_m)为所述交易操作的安全度值，m为所述属性特征集合中属性特征的个数，x_i为所述第二属性特征，Parents(x_i)为所述第一属性特征，P(x_i|Parents(x_i))为所述第二属性特征依赖于所述第一属性特征的条件概率值。

12.根据权利要求7-11任一项所述的服务器，其特征在于，所述服务器还包括：优化单元；

所述优化单元，用于当所述属性特征集合中属性特征的个数不是预先设定的个数时，对所述预设的第一模型进行优化，得到第二模型；

所述识别单元还用于：根据所述条件概率值和所述第二模型，识别所述交易操作的类型。