CN105933223A - 一种可疑洗钱路径侦测方法及装置 - Google Patents
一种可疑洗钱路径侦测方法及装置 Download PDFInfo
- Publication number
- CN105933223A CN105933223A CN201510947458.2A CN201510947458A CN105933223A CN 105933223 A CN105933223 A CN 105933223A CN 201510947458 A CN201510947458 A CN 201510947458A CN 105933223 A CN105933223 A CN 105933223A
- Authority
- CN
- China
- Prior art keywords
- node
- comentropy
- nodes
- probability
- proceed
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/02—Topology update or discovery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/382—Payment protocols; Details thereof insuring higher security of transaction
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/12—Shortest path evaluation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/24—Multipath
Abstract
本发明涉及金融安全技术领域,尤其涉及一种可疑洗钱路径侦测方法及装置,用以确定金融网站中的可疑洗钱路径,包括:首先确定待侦测的金融网络中的所有节点,然后从所有节点中确定出起始节点集合和终点节点集合,以及确定节点之间的边权值,然后确定出多个最短路径,并将信息熵总和最大的最短路径确定为可疑洗钱路径,因而本发明解决了基于图熵的可疑洗钱路径侦测中只考虑节点的拓扑结构而不考虑节点的交易金额、交易次数的问题,提高了计算节点洗钱概率的精度;其次,本发明综合考虑了节点之间的交易频率、交易额度,从而提高了网络拓扑结构的准确度。
Description
技术领域
本发明涉及金融安全技术领域,尤其涉及一种可疑洗钱路径侦测方法及装置。
背景技术
在洗钱网络中存在着关键的洗钱路径,它们在整个洗钱活动中发挥重要作用,如果关键洗钱路径被去除,那么整个洗钱网络就难以继续进行。关键洗钱路径上的账户,就是关键的洗钱节点,它们可能是重要的洗钱犯罪人员,例如洗钱主谋,也有可能是至关重要的中间转移者。通过技术手段从错综复杂的洗钱网络中找到关键洗钱路径,对打击洗钱行为有重要意义。
现有技术中主要通过构建金融交易网络拓扑图,该图中包含了原始金融交易流水中所有的交易关系和资金流向,然后人工在图上进行资金流向分析,追踪一笔或多笔资金的具体流向,从而挖掘出嫌疑团伙的资金流转关系,得到高额高嫌疑资金路径。
该方法主要依据人工发现的方式,追踪资金流向,找出可以洗钱路径,因而导致该方法效率低下,精确度较低,并且很难发现一些隐藏较深的可疑洗钱路径。
综上所述,现有技术通过人工方式侦测可疑洗钱路径,效率低下,精确度较低,并且很难发现一些隐藏较深的可疑洗钱路径。
发明内容
本发明提供一种可疑洗钱路径侦测方法及装置,用以解决现有技术中存在的通过人工方式侦测可疑洗钱路径时,效率低下,精确度较低,并且很难发现一些隐藏较深的可疑洗钱路径的技术问题。
一方面,本发明实施例提供的一种可疑洗钱路径侦测方法,包括:
确定待侦测的金融网络中的所有节点,其中,一个节点为一个银行账号;
针对一个节点,根据设定时长内所述节点的节点转账信息,确定所述节点的转出信息熵和转入信息熵,以及根据设定时长内节点交易信息,确定所述节点与其他节点之间的边权值;
根据所有节点的转出信息熵,确定起始节点集合,以及根据所有节点的转入信息熵,确定终点节点集合;
针对起始节点集合中的一个节点和终点节点集合中的一个节点,确定两个节点之间的最短路径,其中所述最短路径表示从所述起始节点到所述终点节点的所有路径中,边权值之和最小的路径;
针对一条最短路径,根据该最短路径中所有节点的转出信息熵和转入信息熵,确定该最短路径的信息熵总和;
确定信息熵总和最大的最短路径为可疑洗钱路径。
可选地,所述针对一个节点,根据设定时长内该节点的节点转账信息,确定该节点的转出信息熵和转入信息熵,包括:
根据所述节点设定时长内的节点转账信息,确定所述节点的平均转出概率和所述节点的平均转入概率;
根据所述节点的平均转出概率确定所述节点的转出信息熵,以及根据所述节点的平均转入概率确定所述节点的转入信息熵。
可选地,根据下列公式确定节点i的平均转出概率:
其中,为所述设定时长内节点i的平均转出概率,Pi-为在所述设定时长内的一个单位时长内的转出概率,L为所述设定时长,Qi-为在所述单位时长内节点i的节点转账信息中的总转出金额,Di-为在所述单位时长内节点i的节点转账信息中的总转出次数,Ki-为在所述单位时长内节点i的节点转账信息中的节点出度,Q为待侦测金融网络在所述单位时长内的总交易金额,D为待侦测金融网络在所述单位时长内的总交易次数,K为待侦测金融网络在所述单位时长内的总节点度,节点i为所有节点中的任一节点;
根据下列公式确定节点i的平均转入概率:
其中,为所述设定时长内节点i的平均转入概率,Pi+为在所述单位时长内节点i的转入概率,Qi+为在所述单位时长内节点i的节点转账信息中的总转入金额,Di+为在所述单位时长内节点i的节点转账信息中的总转入次数,Ki+为在所述单位时长内节点i的节点转账信息中的节点的入度。
可选地,根据下列公式确定节点i的转出信息熵:
其中,Hi-为节点i的转出信息熵,n为设定的系数;
根据下列公式确定所述节点i的转入信息熵:
其中,Hi+为所述节点i的转入信息熵。
可选地,根据下列公式确定节点i到节点j的边权值:
其中,ωij为所述设定时长内节点i到节点j的边权值,Tij为所述设定时长内所述节点交易信息中的节点i到节点j的交易次数,Ti为所述设定时长内所述节点交易信息中的节点i的交易次数,Tj为所述设定时长内所述节点交易信息中的节点j的交易次数,Fij为所述设定时长内所述节点交易信息中的节点i到节点j的交易金额,Fi为所述设定时长内所述节点交易信息中的节点i的交易金额,Fj为所述设定时长内所述节点交易信息中的节点j的交易金额,t1,t2,t3,t4,s,m分别为设定的系数,节点i为所有节点中任一节点,节点j为除节点i之外的任一节点。
可选地,所述根据所有节点的转出信息熵,确定起始节点集合,以及根据所有节点的转入信息熵,确定终点节点集合,包括:
根据所有节点的转出信息熵,确定转出信息熵最大的k个节点,并将所述转出信息熵最大的k个节点确定为起始节点集合;其中,k为正整数;
根据所述节点的转入信息熵,确定转入信息熵最大的k’个节点,并将所述转入信息熵最大的k’个节点确定为终点节点集合,其中,k’为正整数。
另一方面,本发明实施例提供的一种可疑洗钱路径侦测装置,包括:
节点确定单元,用于确定待侦测的金融网络中的所有节点,其中,一个节点为一个银行账号;
节点信息确定单元,用于针对一个节点,根据设定时长内所述节点的节点转账信息,确定所述节点的转出信息熵和转入信息熵,以及根据设定时长内节点交易信息,确定所述节点与其他节点之间的边权值;
集合确定单元,用于根据所有节点的转出信息熵,确定起始节点集合,以及根据所有节点的转入信息熵,确定终点节点集合;
最短路径确定单元,用于针对起始节点集合中的一个节点和终点节点集合中的一个节点,确定两个节点之间的最短路径,其中所述最短路径表示从所述起始节点到所述终点节点的所有路径中,边权值之和最小的路径;
信息熵确定单元,用于针对一条最短路径,根据该最短路径中所有节点的转出信息熵和转入信息熵,确定该最短路径的信息熵总和;
可疑洗钱路径确定单元,用于确定信息熵总和最大的最短路径为可疑洗钱路径。
可选地,所述节点信息确定单元,具体用于:
根据所述节点设定时长内的节点转账信息,确定所述节点的平均转出概率和所述节点的平均转入概率;
根据所述节点的平均转出概率确定所述节点的转出信息熵,以及根据所述节点的平均转入概率确定所述节点的转入信息熵。
所述节点信息确定单元,具体用于:
根据所述节点设定时长内的节点转账信息,确定所述节点的平均转出概率和所述节点的平均转入概率;
根据所述节点的平均转出概率确定所述节点的转出信息熵,以及根据所述节点的平均转入概率确定所述节点的转入信息熵。
可选地,所述节点信息确定单元,具体用于:
根据下列公式确定节点i的平均转出概率:
其中,为所述设定时长内节点i的平均转出概率,Pi-为在所述设定时长内的一个单位时长内的转出概率,L为所述设定时长,Qi-为在所述单位时长内节点i的节点转账信息中的总转出金额,Di-为在所述单位时长内节点i的节点转账信息中的总转出次数,Ki-为在所述单位时长内节点i的节点转账信息中的节点出度,Q为待侦测金融网络在所述单位时长内的总交易金额,D为待侦测金融网络在所述单位时长内的总交易次数,K为待侦测金融网络在所述单位时长内的总节点度,节点i为所有节点中的任一节点;
根据下列公式确定节点i的平均转入概率:
其中,为所述设定时长内节点i的平均转入概率,Pi+为在所述单位时长内节点i的转入概率,Qi+为在所述单位时长内节点i的节点转账信息中的总转入金额,Di+为在所述单位时长内节点i的节点转账信息中的总转入次数,Ki+为在所述单位时长内节点i的节点转账信息中的节点的入度。
可选地,所述节点信息确定单元,具体用于:
根据下列公式确定节点i的转出信息熵:
其中,Hi-为节点i的转出信息熵,n为设定的系数;
根据下列公式确定所述节点i的转入信息熵:
其中,Hi+为所述节点i的转入信息熵。
可选地,所述节点信息确定单元,具体用于:
根据下列公式确定节点i到节点j的边权值:
其中,ωij为所述设定时长内节点i到节点j的边权值,Tij为所述设定时长内所述节点交易信息中的节点i到节点j的交易次数,Ti为所述设定时长内所述节点交易信息中的节点i的交易次数,Tj为所述设定时长内所述节点交易信息中的节点j的交易次数,Fij为所述设定时长内所述节点交易信息中的节点i到节点j的交易金额,Fi为所述设定时长内所述节点交易信息中的节点i的交易金额,Fj为所述设定时长内所述节点交易信息中的节点j的交易金额,t1,t2,t3,t4,s,m分别为设定的系数,节点i为所有节点中任一节点,节点j为除节点i之外的任一节点。
可选地,所述集合确定单元,具体用于:
根据所有节点的转出信息熵,确定转出信息熵最大的k个节点,并将所述转出信息熵最大的k个节点确定为起始节点集合;其中,k为正整数;
根据所述节点的转入信息熵,确定转入信息熵最大的k’个节点,并将所述转入信息熵最大的k’个节点确定为终点节点集合,其中,k’为正整数。
本发明实施例提供的方法,首先确定待侦测的金融网络中的所有节点,然后从所有节点中确定出起始节点集合和终点节点集合,以及确定节点之间的边权值,然后确定出多个最短路径,并将信息熵总和最大的最短路径确定为可疑洗钱路径,因而本发明解决了基于图熵的可疑洗钱路径侦测中只考虑节点的拓扑结构而不考虑节点的交易金额、交易次数的问题,提高了计算节点洗钱概率的精度;其次,本发明综合考虑了节点之间的交易频率、交易额度,从而提高了网络拓扑结构的准确度;再次,本发明中采用转出信息熵、转入信息熵的方法快速锁定了洗钱交易的起始点和终点;最后,本发明可找到连接洗钱起始点和终点的最关键路径。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的可疑洗钱路径侦测方法流程图;
图2为本发明实施例提供的节点拓扑结构示意图;
图3为本发明实施例提供的可疑洗钱路径侦测方法详细流程图;
图4为本发明实施例提供的可疑洗钱路径侦测装置示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部份实施例,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它实施例,都属于本发明保护的范围。
下面结合说明书附图对本发明实施例作进一步详细描述。
如图1所示,本发明实施例提供的可疑洗钱路径侦测方法,包括:
步骤101、确定待侦测的金融网络中的所有节点;
步骤102、针对一个节点,根据设定时长内所述节点的节点转账信息,确定所述节点的转出信息熵和转入信息熵,以及根据设定时长内节点交易信息,确定所述节点与其他节点之间的边权值;
步骤103、根据所有节点的转出信息熵,确定起始节点集合,以及根据所有节点的转入信息熵,确定终点节点集合;
步骤104、针对起始节点集合中的一个节点和终点节点集合中的一个节点,确定两个节点之间的最短路径,其中所述最短路径表示从所述起始节点到所述终点节点的所有路径中,边权值之和最小的路径;
步骤105、针对一条最短路径,根据该最短路径中所有节点的转出信息熵和转入信息熵,确定该最短路径的信息熵总和;
步骤106、确定信息熵总和最大的最短路径为可疑洗钱路径。
本发明实施例中的节点指的是可用于资金转入和资金转出的银行账户。如图2所示,为本发明实施例提供的节点拓扑结构示意图,其中以总节点数为9进行举例说明,实际应用中,总节点数不限。节点与节点之间有连接边,并且连接边是有方向的,节点之间有连接是表示节点之间有交易来往,节点之间连接边的方向表示交易的流向,比如,节点1和节点2,节点1到节点2的边权值为20,节点2到节点1的边权值为18,两个节点之间的边权值是根据两个节点在一定时长内的交易次数、交易金额等综合因素来确定的,反映了两个节点间的交易是否非常频繁,边权值越小,说明节点间交易越频繁。
上述步骤101中,确定待侦测的金融网络中的所有节点,即确定待侦测的金融网络中有多个节点需要被纳入侦测的范围内。
上述步骤102中,针对每一个节点,都需要计算出节点的转出信息熵和转入信息熵,以及一个节点与其他节点之间的边权值。信息熵指的是某种特定信息的出现概率,本发明实施例中,转出信息熵用于表示一个节点的资金从所述节点转出的概率大小,转入信息熵用于表示资金转入所述节点的概率大小,节点之间的边权值反映了两个节点间的交易频繁程度。
其中,一个节点的转出信息熵和转入信息熵是根据设定时长内该节点的节点转账信息确定的,其中设定时长可以是设定的天数,比如10天,20天等,也可以是设定的小时数,比如4小时,8小时等,具体设定时长视实际需要而定,节点转账信息包含节点在设定时长的每个节点的总转出金额,总转入金额,总转出次数,总转入次数,节点的出度,节点的入度,以及待侦测金融网络在设定时长的总交易金额,总交易次数,总节点度。其中,一个节点的度分为节点入度和节点出度,节点入度是指有多少个节点指向自身,参考图2,节点2的入度为2,因为节点3指向它,节点1也指向它,节点的出度是指该节点指向多个少个节点,参考图2,节点1的出度为3,因为节点3指向节点2,节点6,以及节点7。
待侦测金融网络在设定时长的总交易金额为设定时长内所有节点的总转出金额和总转入金额之和,在设定时长的总交易次数为设定时长内所有节点的总转出次数和总转入次数之和,在设定时长的总节点度为设定时长内所有节点的节点入度和节点出度之和。例如设定时长为2天,则可进一步在设定时长内划分单位时长,比如单位时长为1天,待侦测金融网络中包含3个节点A,B,C。
第一天:节点A向节点B转账1000万元,节点B向节点C转账500万元;
第二天:节点B向节点A转账300万元,节点A向节点C转账400万元;
则在设定时长内(即2天内),待侦测金融网络的总交易金额为2000万元,总交易次数为4次,总节点度为8。
一个节点与其他节点之间的边权值是根据设定时长内节点交易信息确定的,其中节点交易信息包括设定时长内节点的交易次数,节点间的交易次数,节点的交易金额,以及节点间的交易金额,并且节点间的边权值是有方向的,参考图2,节点2到节点3的边权值为12,是根据下列信息来确定的:节点2在设定时长内的总交易金额,节点3在设定时长内的总交易金额,节点2在设定时长内向节点3转账的总交易金额,节点2在设定时长内的总交易次数,节点3在设定时长内的总交易次数,节点2在设定时长内向节点3转账的总交易次数;同样地,节点3到节点2的边权值为8,是根据下列信息来确定的:节点3在设定时长内的总交易金额,节点3在设定时长内的总交易金额,节点3在设定时长内向节点2转账的总交易金额,节点3在设定时长内的总交易次数,节点2在设定时长内的总交易次数,节点3在设定时长内向节点2转账的总交易次数。
上述步骤103中,根据所有节点的转出信息熵,确定起始节点集合,以及根据所有节点的转入信息熵,确定终点节点集合。例如可以是将节点的转出信息熵符合某种条件的节点生成起始节点集合;将节点的转入信息熵符合另外某种条件的节点生成终点节点集合,比如,将节点的转出信息熵最大的k’个节点作为终点节点集合。
上述步骤104中,针对起始节点集合中的一个节点和终点节点集合中的一个节点,确定两个节点之间的最短路径,其中所述最短路径表示从所述起始节点到所述终点节点的所有路径中,边权值之和最小的路径;例如,参考图2,起始节点集合为{1,2},终点节点集合为{7,9},则需要四条最短路径,分别是节点1到节点7的最短路径,节点1到节点9的最短路径,节点2到节点7的最短路径,节点2到节点9的最短路径。
以求节点1到节点9的最短路径为例,从节点1到节点9的路径有两条,分别为:
路径1:1->2->3->4->9;
路径2:1->6->5->8->9;
其中,路径1的边权值之和为20+12+13++17=62,路径2的边权值之和为7+15+22+11=55,因此路径2为节点1到9的最短路径,即节点1到9的最短路径为1->6->5->8->9。
此外,节点1到节点7的最短路径为:1->7,节点2到节点7的最短路径为:2->1->7,节点2到节点9的最短路径为:2->3->4->9。
上述步骤105中,针对一条最短路径,根据该最短路径中所有节点的转出信息熵和转入信息熵,确定该最短路径的信息熵总和。
上述步骤106中,确定信息熵总和最大的最短路径为可疑洗钱路径。还是以上面的例子进行说明,四条最短路径分别为:节点1到9的最短路径1->6->5->8->9,节点1到节点7的最短路径:1->7,节点2到节点7的最短路径:2->1->7,节点2到节点9的最短路径:2->3->4->9,假设节点1到节点7的最短路径的信息熵总和是最大的,则将节点1到节点7的最短路径确定为可疑洗钱路径。
本发明实施例提供的方法,首先确定待侦测的金融网络中的所有节点,然后从所有节点中确定出起始节点集合和终点节点集合,以及确定节点之间的边权值,然后确定出多个最短路径,并将信息熵总和最大的最短路径确定为可疑洗钱路径,因而本发明解决了基于图熵的可疑洗钱路径侦测中只考虑节点的拓扑结构而不考虑节点的交易金额、交易次数的问题,提高了计算节点洗钱概率的精度;其次,本发明综合考虑了节点之间的交易频率、交易额度,从而提高了网络拓扑结构的准确度;再次,本发明中采用转出信息熵、转入信息熵的方法快速锁定了洗钱交易的起始点和终点;最后,本发明可找到连接洗钱起始点和终点的最关键路径。
具体地,上述步骤102中,根据设定时长内该节点的节点转账信息,确定该节点的转出信息熵和转入信息熵的方式有多种,比如可以将一个节点设定时长内的转出概率作为该节点的转出信息熵,将该节点设定时长内的转入概率作为该节点的转入信息熵;或者是将一个节点所有单位时长内的转出概率中最大的一个转出概率作为该节点的转出信息熵,将一个节点所有单位时长内的转入概率中最大的一个转入概率作为该节点的转入信息熵。下面给出一种本发明实施例对于确定节点转出信息熵和转入信息熵的方式。
可选地,所述针对一个节点,根据设定时长内该节点的节点转账信息,确定该节点的转出信息熵和转入信息熵,包括:
根据所述节点设定时长内的节点转账信息,确定所述节点的平均转出概率和所述节点的平均转入概率;
根据所述节点的平均转出概率确定所述节点的转出信息熵,以及根据所述节点的平均转入概率确定所述节点的转入信息熵。
上述方法,其中,节点转账信息包含节点在设定时长的每个节点的总转出金额,总转入金额,总转出次数,总转入次数,节点的出度,节点的入度,以及待侦测金融网络在设定时长的总交易金额,总交易次数,总节点度。
该方法,首先确定一个节点在设定时长内的平均转出概率,并根据该节点的平均转出概率确定该节点的转出信息熵,以及确定一个节点在设定时长内的平均转入概率,并根据该节点的平均转入概率确定该节点的转入信息熵,设定时长可以是按天数或者是按小时,该方法以节点的平均转出概率和平均转入概率为依据,来确定一个节点的转出信息熵和转入信息熵,可以更加准确地反映节点拓扑网络中,每个节点的转入转出概率,从而可以有助于更加精确地侦测出可疑洗钱路径。
对于如何确定一个节点的平均转出概率和平均转入概率,以及如何根据平均转出概率确定转出信息熵,根据平均转入概率确定转入信息熵,视需要而定。
可选地,根据下列公式确定节点i的平均转出概率:
其中,为所述设定时长内节点i的平均转出概率,Pi-为在所述设定时长内的一个单位时长内的转出概率,L为所述设定时长,Qi-为在所述单位时长内节点i的节点转账信息中的总转出金额,Di-为在所述单位时长内节点i的节点转账信息中的总转出次数,Ki-为在所述单位时长内节点i的节点转账信息中的节点出度,Q为待侦测金融网络在所述单位时长内的总交易金额,D为待侦测金融网络在所述单位时长内的总交易次数,K为待侦测金融网络在所述单位时长内的总节点度,节点i为所有节点中的任一节点;
根据下列公式确定节点i的平均转入概率:
其中,为所述设定时长内节点i的平均转入概率,Pi+为在所述单位时长内节点i的转入概率,Qi+为在所述单位时长内节点i的节点转账信息中的总转入金额,Di+为在所述单位时长内节点i的节点转账信息中的总转入次数,Ki+为在所述单位时长内节点i的节点转账信息中的节点的入度。
上述方法中,给出了计算节点i的平均转出概率和平均转入概率的具体公式,其中,设定时长可以是天数,比如10天,单位时长可以是1天,首先根据公式计算出节点i每天的转出概率和转入概率,然后计算出节点i在这10天的平均转出概率和平均转入概率,该方法在计算一个节点的单位时长的转出概率和转入概率时,充分考虑到了该节点在单位时长内的总转出金额,总转入金额,总转出次数,总转入次数,节点出度,节点入度以及待侦测金融网络在单位时长内的总交易金额,总交易次数,总节点度,从而可以更加全面准确地反映当前金融网络中各个节点交易的情况,有助于更加精确地侦测出可疑洗钱路径。
上述方法中只是给出了计算节点单位时长转出概率和转入概率的一种方式,实际应用中还可以有其它方式来计算,具体视实际需要而定。
可选地,根据下列公式确定节点i的转出信息熵:
其中,Hi-为节点i的转出信息熵,n为设定的系数;
根据下列公式确定所述节点i的转入信息熵:
其中,Hi+为所述节点i的转入信息熵。
上述方法,给出了一种计算节点i的转出信息熵和转入信息熵的方法,其中设定的系数n的优选取值为2,即优选地, 一个节点的转出信息熵和转入信息熵体现了节点向其它节点转账的概率大小和其它节点向该节点转账的概率大小,从而可以反映当前节点转账的频繁程度。
可选地,根据下列公式确定节点i到节点j的边权值:
其中,ωij为所述设定时长内节点i到节点j的边权值,Tij为所述设定时长内所述节点交易信息中的节点i到节点j的交易次数,Ti为所述设定时长内所述节点交易信息中的节点i的交易次数,Tj为所述设定时长内所述节点交易信息中的节点j的交易次数,Fij为所述设定时长内所述节点交易信息中的节点i到节点j的交易金额,Fi为所述设定时长内所述节点交易信息中的节点i的交易金额,Fj为所述设定时长内所述节点交易信息中的节点j的交易金额,t1,t2,t3,t4,s,m分别为设定的系数,节点i为所有节点中任一节点,节点j为除节点i之外的任一节点。
上述方法给出了一种计算两个节点之间的边权值的方法,其中边权值是有方向的,即节点i和节点j之间包含两个边权值,一个是节点i到节点j的边权值,一个节点j到节点i的边权值,该方法在计算两个节点之间的边权值时,是根据节点的交易金额,节点的交易次数,以及两个节点间的交易金额和两个节点间的交易次数,因而充分考虑到了节点间的交互信息来确定节点间的边权值,可以更好地反映节点之间的交易频繁程度,有助于侦测可疑洗钱路径。此外,公式中的参数t1,t2,t3,t4,s,m分别为设定的系数可以根据实际需要而定,优选地,t1=2,t2=2,t3=2,t4=2,s=2,m=1,即
可选地,所述根据所有节点的转出信息熵,确定起始节点集合,以及根据所有节点的转入信息熵,确定终点节点集合,包括:
根据所有节点的转出信息熵,确定转出信息熵最大的k个节点,并将所述转出信息熵最大的k个节点确定为起始节点集合;其中,k为正整数;
根据所述节点的转入信息熵,确定转入信息熵最大的k’个节点,并将所述转入信息熵最大的k’个节点确定为终点节点集合,其中,k’为正整数。
上述方法,在确定出每个节点的转出信息熵和转入信息熵之后,将转出信息熵最大的k个节点确定为起始节点集合,将转入信息熵最大的k’个节点确定为终点节点集合,该方法给出了一种确定路径的起始节点和终点节点的方法,由于最终确定的可疑洗钱路径的特征就是路径的信息熵总和最大,因此该方法在确定路径的起始节点和终点节点时,将转出信息熵最大的k个节点确定为起始节点集合,将转入信息熵最大的k’个节点确定为终点节点集合,有助于更加精确地确定出可疑洗钱路径。
上述步骤105中,假设起始节点集合中的节点数量为k,终点节点集合中的节点数量为k’,则最终至多可以确定出k*k’个最短路径,其中,有的最短路径是走不通的,即无法从一个节点走到另外一个节点,例如如图2所示,比如节点5到节点1没有路径可走,从而也没有最短路径,此时节点5到节点1的路径可以设置为正无穷大。
在确定出所有的最短路径之后,计算出每个最短路径的信息熵总和,其中一个最短路径的信息熵总和为该路径中每个节点的转出信息熵和转入信息熵的总和。
对于给出了一个具体的网络节点拓扑图,比如类似图2所示的网络节点拓扑图,可以用现有技术中的很多方法来确定出最短路径,比如使用Dijkstra(迪杰斯特拉)算法,Floyd(弗洛伊德)算法,动态规划算法等等,因此,对于具体如何求最短路径,可参考现有技术,在此不赘述。
上述步骤106中,将所有的最短路径中,信息熵总和最大的最短路径确定为可疑洗钱路径。
本发明实施例提供的方法,首先确定待侦测的金融网络中的所有节点,然后从所有节点中确定出起始节点集合和终点节点集合,以及确定节点之间的边权值,然后确定出多个最短路径,并将信息熵总和最大的最短路径确定为可疑洗钱路径,因而本发明解决了基于图熵的可疑洗钱路径侦测中只考虑节点的拓扑结构而不考虑节点的交易金额、交易次数的问题,提高了计算节点洗钱概率的精度;其次,本发明综合考虑了节点之间的交易频率、交易额度,从而提高了网络拓扑结构的准确度;再次,本发明中采用转出信息熵、转入信息熵的方法快速锁定了洗钱交易的起始点和终点;最后,本发明可找到连接洗钱起始点和终点的最关键路径。
下面对本发明实施例提供的可疑洗钱路径侦测方法做详细描述。参考图3,为本发明实施例提供的可疑洗钱路径侦测方法详细示意图。
设定时长为L天,单位时长为1天,节点总数量为n。
步骤301、计算出一天内第i(i=1,2,...,n)个节点的总转出金额Qi-、总转入金额Qi+、总转出次数Di-、总转入次数Di+、节点的出度Ki-、节点的入度Ki+,以及这天内整个网络总的交易金额Q、交易次数D、总节点度K,总连接边数KL。
步骤302、计算出一天内第i(i=1,2,...,n)个节点的转出概率 转入概率
步骤303、计算出L天内第i(i=1,2,...,n)个节点的转出概率的均值 转入概率的均值
步骤304、计算出L天内第i(i=1,2,...,n)个节点的转出信息熵 转入信息熵
步骤305、定义节点i和节点j之间的边权值,也就是两个节点之间的距离,
其中Tij为所述设定时长内所述节点交易信息中的节点i到节点j的交易次数,Ti为所述设定时长内所述节点交易信息中的节点i的交易次数,Tj为所述设定时长内所述节点交易信息中的节点j的交易次数,Fij为所述设定时长内所述节点交易信息中的节点i到节点j的交易金额,Fi为所述设定时长内所述节点交易信息中的节点i的交易金额,Fj为所述设定时长内所述节点交易信息中的节点j的交易金额,节点i为所有节点中任一节点,节点j为除节点i之外的任一节点
步骤306、选取起始节点集合S:对所有的节点按照转出信息熵Hi-的值由高到低排序,选择排在前k的点组成起始节点集合。
步骤307、选取终点节点集合E:对所有的节点按照转入信息熵Hi+的值由高到低排序,选择排在前k’的点组成终点节点集合。
步骤308、采用Floyd算法求出连接起始节点和终点节点的路径。
步骤309、求出每条最短路径上所有节点的转出信息熵之和以及转入信息熵之和,通过比较不同最短路径上信息熵总和的大小,将信息熵总和最大的最短短路确定为可疑洗钱路径。
基于相同的技术构思,本发明实施例还提供一种可疑洗钱路径侦测装置。本发明实施例提供的可疑洗钱路径侦测装置如图4所示。
节点确定单元401,用于确定待侦测的金融网络中的所有节点,其中,一个节点为一个银行账号;
节点信息确定单元402,用于针对一个节点,根据设定时长内所述节点的节点转账信息,确定所述节点的转出信息熵和转入信息熵,以及根据设定时长内节点交易信息,确定所述节点与其他节点之间的边权值;
集合确定单元403,用于根据所有节点的转出信息熵,确定起始节点集合,以及根据所有节点的转入信息熵,确定终点节点集合;
最短路径确定单元404,用于针对起始节点集合中的一个节点和终点节点集合中的一个节点,确定两个节点之间的最短路径,其中所述最短路径表示从所述起始节点到所述终点节点的所有路径中,边权值之和最小的路径;
信息熵确定单元405,用于针对一条最短路径,根据该最短路径中所有节点的转出信息熵和转入信息熵,确定该最短路径的信息熵总和;
可疑洗钱路径确定单元406,用于确定信息熵总和最大的最短路径为可疑洗钱路径。
可选地,所述节点信息确定单元402,具体用于:
根据所述节点设定时长内的节点转账信息,确定所述节点的平均转出概率和所述节点的平均转入概率;
根据所述节点的平均转出概率确定所述节点的转出信息熵,以及根据所述节点的平均转入概率确定所述节点的转入信息熵。
可选地,所述节点信息确定单元402,具体用于:
根据下列公式确定节点i的平均转出概率:
其中,为所述设定时长内节点i的平均转出概率,Pi-为在所述设定时长内的一个单位时长内的转出概率,L为所述设定时长,Qi-为在所述单位时长内节点i的节点转账信息中的总转出金额,Di-为在所述单位时长内节点i的节点转账信息中的总转出次数,Ki-为在所述单位时长内节点i的节点转账信息中的节点出度,Q为待侦测金融网络在所述单位时长内的总交易金额,D为待侦测金融网络在所述单位时长内的总交易次数,K为待侦测金融网络在所述单位时长内的总节点度,节点i为所有节点中的任一节点;
根据下列公式确定节点i的平均转入概率:
其中,为所述设定时长内节点i的平均转入概率,Pi+为在所述单位时长内节点i的转入概率,Qi+为在所述单位时长内节点i的节点转账信息中的总转入金额,Di+为在所述单位时长内节点i的节点转账信息中的总转入次数,Ki+为在所述单位时长内节点i的节点转账信息中的节点的入度。
可选地,所述节点信息确定单元402,具体用于:
根据下列公式确定节点i的转出信息熵:
其中,Hi-为节点i的转出信息熵,n为设定的系数;
根据下列公式确定所述节点i的转入信息熵:
其中,Hi+为所述节点i的转入信息熵。
可选地,所述节点信息确定单元402,具体用于:
根据下列公式确定节点i到节点j的边权值:
其中,ωij为所述设定时长内节点i到节点j的边权值,Tij为所述设定时长内所述节点交易信息中的节点i到节点j的交易次数,Ti为所述设定时长内所述节点交易信息中的节点i的交易次数,Tj为所述设定时长内所述节点交易信息中的节点j的交易次数,Fij为所述设定时长内所述节点交易信息中的节点i到节点j的交易金额,Fi为所述设定时长内所述节点交易信息中的节点i的交易金额,Fj为所述设定时长内所述节点交易信息中的节点j的交易金额,t1,t2,t3,t4,s,m分别为设定的系数,节点i为所有节点中任一节点,节点j为除节点i之外的任一节点。
可选地,所述集合确定单元403,具体用于:
根据所有节点的转出信息熵,确定转出信息熵最大的k个节点,并将所述转出信息熵最大的k个节点确定为起始节点集合;其中,k为正整数;
根据所述节点的转入信息熵,确定转入信息熵最大的k’个节点,并将所述转入信息熵最大的k’个节点确定为终点节点集合,其中,k’为正整数。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (12)
1.一种可疑洗钱路径侦测方法,其特征在于,包括:
确定待侦测的金融网络中的所有节点,其中,一个节点为一个银行账号;
针对一个节点,根据设定时长内所述节点的节点转账信息,确定所述节点的转出信息熵和转入信息熵,以及根据设定时长内节点交易信息,确定所述节点与其他节点之间的边权值;
根据所有节点的转出信息熵,确定起始节点集合,以及根据所有节点的转入信息熵,确定终点节点集合;
针对起始节点集合中的一个节点和终点节点集合中的一个节点,确定两个节点之间的最短路径,其中所述最短路径表示从所述起始节点到所述终点节点的所有路径中,边权值之和最小的路径;
针对一条最短路径,根据该最短路径中所有节点的转出信息熵和转入信息熵,确定该最短路径的信息熵总和;
确定信息熵总和最大的最短路径为可疑洗钱路径。
2.如权利要求1所述的方法,其特征在于,所述针对一个节点,根据设定时长内该节点的节点转账信息,确定该节点的转出信息熵和转入信息熵,包括:
根据所述节点设定时长内的节点转账信息,确定所述节点的平均转出概率和所述节点的平均转入概率;
根据所述节点的平均转出概率确定所述节点的转出信息熵,以及根据所述节点的平均转入概率确定所述节点的转入信息熵。
3.如权利要求2所述的方法,其特征在于,根据下列公式确定节点i的平均转出概率:
其中,为所述设定时长内节点i的平均转出概率,Pi-为在所述设定时长内的一个单位时长内的转出概率,L为所述设定时长,Qi-为在所述单位时长内节点i的节点转账信息中的总转出金额,Di-为在所述单位时长内节点i的节点转账信息中的总转出次数,Ki-为在所述单位时长内节点i的节点转账信息中的节点出度,Q为待侦测金融网络在所述单位时长内的总交易金额,D为待侦测金融网络在所述单位时长内的总交易次数,K为待侦测金融网络在所述单位时长内的总节点度,节点i为所有节点中的任一节点;
根据下列公式确定节点i的平均转入概率:
其中,为所述设定时长内节点i的平均转入概率,Pi+为在所述单位时长内节点i的转入概率,Qi+为在所述单位时长内节点i的节点转账信息中的总转入金额,Di+为在所述单位时长内节点i的节点转账信息中的总转入次数,Ki+为在所述单位时长内节点i的节点转账信息中的节点的入度。
4.如权利要求3所述的方法,其特征在于,根据下列公式确定节点i的转出信息熵:
其中,Hi-为节点i的转出信息熵,n为设定的系数;
根据下列公式确定所述节点i的转入信息熵:
其中,Hi+为所述节点i的转入信息熵。
5.如权利要求1所述的方法,其特征在于,根据下列公式确定节点i到节点j的边权值:
其中,ωij为所述设定时长内节点i到节点j的边权值,Tij为所述设定时长内所述节点交易信息中的节点i到节点j的交易次数,Ti为所述设定时长内所述节点交易信息中的节点i的交易次数,Tj为所述设定时长内所述节点交易信息中的节点j的交易次数,Fij为所述设定时长内所述节点交易信息中的节点i到节点j的交易金额,Fi为所述设定时长内所述节点交易信息中的节点i的交易金额,Fj为所述设定时长内所述节点交易信息中的节点j的交易金额,t1,t2,t3,t4,s,m分别为设定的系数,节点i为所有节点中任一节点,节点j为除节点i之外的任一节点。
6.如权利要求1所述的方法,其特征在于,所述根据所有节点的转出信息熵,确定起始节点集合,以及根据所有节点的转入信息熵,确定终点节点集合,包括:
根据所有节点的转出信息熵,确定转出信息熵最大的k个节点,并将所述转出信息熵最大的k个节点确定为起始节点集合;其中,k为正整数;
根据所述节点的转入信息熵,确定转入信息熵最大的k’个节点,并将所述转入信息熵最大的k’个节点确定为终点节点集合,其中,k’为正整数。
7.一种可疑洗钱路径侦测装置,其特征在于,包括:
节点确定单元,用于确定待侦测的金融网络中的所有节点,其中,一个节点为一个银行账号;
节点信息确定单元,用于针对一个节点,根据设定时长内所述节点的节点转账信息,确定所述节点的转出信息熵和转入信息熵,以及根据设定时长内节点交易信息,确定所述节点与其他节点之间的边权值;
集合确定单元,用于根据所有节点的转出信息熵,确定起始节点集合,以及根据所有节点的转入信息熵,确定终点节点集合;
最短路径确定单元,用于针对起始节点集合中的一个节点和终点节点集合中的一个节点,确定两个节点之间的最短路径,其中所述最短路径表示从所述起始节点到所述终点节点的所有路径中,边权值之和最小的路径;
信息熵确定单元,用于针对一条最短路径,根据该最短路径中所有节点的转出信息熵和转入信息熵,确定该最短路径的信息熵总和;
可疑洗钱路径确定单元,用于确定信息熵总和最大的最短路径为可疑洗钱路径。
8.如权利要求7所述的装置,其特征在于,所述节点信息确定单元,具体用于:
根据所述节点设定时长内的节点转账信息,确定所述节点的平均转出概率和所述节点的平均转入概率;
根据所述节点的平均转出概率确定所述节点的转出信息熵,以及根据所述节点的平均转入概率确定所述节点的转入信息熵。
9.如权利要求8所述的装置,其特征在于,所述节点信息确定单元,具体用于:
根据下列公式确定节点i的平均转出概率:
其中,为所述设定时长内节点i的平均转出概率,Pi-为在所述设定时长内的一个单位时长内的转出概率,L为所述设定时长,Qi-为在所述单位时长内节点i的节点转账信息中的总转出金额,Di-为在所述单位时长内节点i的节点转账信息中的总转出次数,Ki-为在所述单位时长内节点i的节点转账信息中的节点出度,Q为待侦测金融网络在所述单位时长内的总交易金额,D为待侦测金融网络在所述单位时长内的总交易次数,K为待侦测金融网络在所述单位时长内的总节点度,节点i为所有节点中的任一节点;
根据下列公式确定节点i的平均转入概率:
其中,为所述设定时长内节点i的平均转入概率,Pi+为在所述单位时长内节点i的转入概率,Qi+为在所述单位时长内节点i的节点转账信息中的总转入金额,Di+为在所述单位时长内节点i的节点转账信息中的总转入次数,Ki+为在所述单位时长内节点i的节点转账信息中的节点的入度。
10.如权利要求9所述的装置,其特征在于,所述节点信息确定单元,具体用于:
根据下列公式确定节点i的转出信息熵:
其中,Hi-为节点i的转出信息熵,n为设定的系数;
根据下列公式确定所述节点i的转入信息熵:
其中,Hi+为所述节点i的转入信息熵。
11.如权利要求7所述的装置,其特征在于,所述节点信息确定单元,具体用于:
根据下列公式确定节点i到节点j的边权值:
其中,ωij为所述设定时长内节点i到节点j的边权值,Tij为所述设定时长内所述节点交易信息中的节点i到节点j的交易次数,Ti为所述设定时长内所述节点交易信息中的节点i的交易次数,Tj为所述设定时长内所述节点交易信息中的节点j的交易次数,Fij为所述设定时长内所述节点交易信息中的节点i到节点j的交易金额,Fi为所述设定时长内所述节点交易信息中的节点i的交易金额,Fj为所述设定时长内所述节点交易信息中的节点j的交易金额,t1,t2,t3,t4,s,m分别为设定的系数,节点i为所有节点中任一节点,节点j为除节点i之外的任一节点。
12.如权利要求7所述的装置,其特征在于,所述集合确定单元,具体用于:
根据所有节点的转出信息熵,确定转出信息熵最大的k个节点,并将所述转出信息熵最大的k个节点确定为起始节点集合;其中,k为正整数;
根据所述节点的转入信息熵,确定转入信息熵最大的k’个节点,并将所述转入信息熵最大的k’个节点确定为终点节点集合,其中,k’为正整数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510947458.2A CN105933223B (zh) | 2015-12-16 | 2015-12-16 | 一种可疑洗钱路径侦测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510947458.2A CN105933223B (zh) | 2015-12-16 | 2015-12-16 | 一种可疑洗钱路径侦测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105933223A true CN105933223A (zh) | 2016-09-07 |
CN105933223B CN105933223B (zh) | 2018-12-28 |
Family
ID=56840294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510947458.2A Active CN105933223B (zh) | 2015-12-16 | 2015-12-16 | 一种可疑洗钱路径侦测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105933223B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106533759A (zh) * | 2016-11-11 | 2017-03-22 | 南京理工大学 | 一种多层网络中的基于路径熵的链路预测方法 |
CN106548376A (zh) * | 2016-10-27 | 2017-03-29 | 北京锐安科技有限公司 | 一种数据分析方法和装置 |
CN107767258A (zh) * | 2017-09-29 | 2018-03-06 | 新华三大数据技术有限公司 | 风险传播确定方法及装置 |
CN109067654A (zh) * | 2018-09-27 | 2018-12-21 | 深圳友讯达科技股份有限公司 | 网络通信最佳路径选择方法和装置 |
CN110019567A (zh) * | 2019-04-10 | 2019-07-16 | 武汉斗鱼鱼乐网络科技有限公司 | 发现未知风险模式的方法、装置、电子设备及存储介质 |
CN111242763A (zh) * | 2020-01-07 | 2020-06-05 | 北京明略软件系统有限公司 | 一种目标用户群的确定方法及装置 |
CN111754342A (zh) * | 2019-03-26 | 2020-10-09 | 众安信息技术服务有限公司 | 一种获得区块链加密货币流通速度的方法、系统及装置 |
WO2021218827A1 (zh) * | 2020-04-29 | 2021-11-04 | 支付宝实验室(新加坡)有限公司 | 跨境汇款 |
US11240118B2 (en) | 2019-10-10 | 2022-02-01 | International Business Machines Corporation | Network mixing patterns |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104199832A (zh) * | 2014-08-01 | 2014-12-10 | 西安理工大学 | 基于信息熵的金融网络异常交易社区发现方法 |
-
2015
- 2015-12-16 CN CN201510947458.2A patent/CN105933223B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104199832A (zh) * | 2014-08-01 | 2014-12-10 | 西安理工大学 | 基于信息熵的金融网络异常交易社区发现方法 |
Non-Patent Citations (3)
Title |
---|
ZHIYUAN CHEN 等: "Exploration of the effectiveness of expectation maximization algorithm for suspicious transaction detection in anti-money laundering", 《OPEN SYSTEMS (ICOS), 2014》 * |
李婉荣: "基于信息熵的洗钱社区发现研究", 《西安理工大学硕士学位论文》 * |
李玉华 等: "基于图熵的链接发现算法在反洗钱领域的应用", 《计算机工程与科学》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106548376A (zh) * | 2016-10-27 | 2017-03-29 | 北京锐安科技有限公司 | 一种数据分析方法和装置 |
CN106533759A (zh) * | 2016-11-11 | 2017-03-22 | 南京理工大学 | 一种多层网络中的基于路径熵的链路预测方法 |
CN106533759B (zh) * | 2016-11-11 | 2019-10-18 | 南京理工大学 | 一种多层网络中的基于路径熵的链路预测方法 |
CN107767258A (zh) * | 2017-09-29 | 2018-03-06 | 新华三大数据技术有限公司 | 风险传播确定方法及装置 |
CN107767258B (zh) * | 2017-09-29 | 2021-07-02 | 新华三大数据技术有限公司 | 风险传播确定方法及装置 |
CN109067654A (zh) * | 2018-09-27 | 2018-12-21 | 深圳友讯达科技股份有限公司 | 网络通信最佳路径选择方法和装置 |
CN109067654B (zh) * | 2018-09-27 | 2021-10-08 | 深圳友讯达科技股份有限公司 | 网络通信最佳路径选择方法和装置 |
CN111754342A (zh) * | 2019-03-26 | 2020-10-09 | 众安信息技术服务有限公司 | 一种获得区块链加密货币流通速度的方法、系统及装置 |
CN110019567A (zh) * | 2019-04-10 | 2019-07-16 | 武汉斗鱼鱼乐网络科技有限公司 | 发现未知风险模式的方法、装置、电子设备及存储介质 |
US11240118B2 (en) | 2019-10-10 | 2022-02-01 | International Business Machines Corporation | Network mixing patterns |
CN111242763A (zh) * | 2020-01-07 | 2020-06-05 | 北京明略软件系统有限公司 | 一种目标用户群的确定方法及装置 |
WO2021218827A1 (zh) * | 2020-04-29 | 2021-11-04 | 支付宝实验室(新加坡)有限公司 | 跨境汇款 |
Also Published As
Publication number | Publication date |
---|---|
CN105933223B (zh) | 2018-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105933223A (zh) | 一种可疑洗钱路径侦测方法及装置 | |
CN107730262A (zh) | 一种欺诈识别方法和装置 | |
Paal et al. | Automated damage index estimation of reinforced concrete columns for post-earthquake evaluations | |
CN110135092A (zh) | 基于半局部中心性的复杂加权交通网关键节点识别方法 | |
CN106327340A (zh) | 一种金融网络的异常节点集合侦测方法及装置 | |
Yang et al. | Prediction of mining subsidence under thin bedrocks and thick unconsolidated layers based on field measurement and artificial neural networks | |
Mohaghegh et al. | Modeling, history matching, forecasting and analysis of shale reservoirs performance using artificial intelligence | |
US10262280B2 (en) | Ensemble based decision making | |
US10338245B2 (en) | Methods and systems of detecting a microseismic event using an iterative non-linear inversion algorithm | |
CN108183956A (zh) | 一种传播网络的关键路径提取方法 | |
CN106682906A (zh) | 一种风险识别、业务处理方法和设备 | |
Suh et al. | Subsidence hazard assessment at the Samcheok coalfield, South Korea: a case study using GIS | |
CN109559230B (zh) | 基于重叠社区发现算法的银行交易群体发现方法和系统 | |
Trainor-Guitton et al. | Value of information methodology for assessing the ability of electrical resistivity to detect CO2/brine leakage into a shallow aquifer | |
Steineder et al. | Maximizing the Value of Information of a Horizontal Polymer Pilot Under Uncertainty Incorporating the Risk Attitude of the Decision Maker | |
CN106121622A (zh) | 一种基于示功图的有杆泵抽油井的多故障诊断方法 | |
WO2015171799A1 (en) | Physically-based, geographical, oil, gas, water, and other fluids analysis systems, apparatus, and methods | |
Rajarathnam et al. | Assessment of seismic building vulnerability based on rapid visual screening technique aided by aerial photographs on a GIS platform | |
Chen et al. | Model-Free Assessment of Inter-Well Connectivity in CO2 WAG Projects Using Statistical Recurrent Unit Models | |
Jiang et al. | Inverse analysis for geomaterial parameter identification using Pareto multiobjective optimization | |
CN115049124A (zh) | 一种基于贝叶斯网络的深长隧道突涌水预测方法 | |
Xiao et al. | Evaluation of equivalent hydraulic aperture (EHA) for rough rock fractures | |
Lima et al. | Assisted history-matching for the characterization and recovery optimization of fractured reservoirs using connectivity analysis | |
Castiñeira et al. | Automated identification of optimal deviated and horizontal well targets | |
Dou et al. | Landslide susceptibility mapping of mountain roads based on machine learning combined model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |