CN106600073A - 互联网支付风控系统的优化方法及装置 - Google Patents

Abstract

本发明公开了一种互联网支付风控系统的优化方法及装置，其中互联网支付风控系统包括风控规则池，控规则池中有若干规则；优化方法包括通过机器学习得到优化模型，优化模型用于结合至少两条规则组成一最优规则组合，最优规则组合的平衡状态优于最优规则组合中单一的任意一条规则的平衡状态，且优于最优规则组合中单一的任意一条规则与所述风控规则池中的其余规则组成的规则组合的平衡状态；其中，规则/规则组合的平衡状态通过规则/规则组合识别欺诈订单的准确率和覆盖欺诈订单的覆盖率的调和平均值来衡量。本发明能够提升互联网支付风控系统现有规则和模型运行效率，从而使风控规则和模型整体识别欺诈更准确，覆盖更多的欺诈订单。

Description

互联网支付风控系统的优化方法及装置

技术领域

本发明属于互联网领域，尤其涉及一种互联网支付风控系统的优化方法及装置。

背景技术

随着互联网在我国越来越普及，众多互联网公司的用户量呈现指数上升的趋势，越来越多的客户会选择用网上支付的方式(银行卡，第三方支付，礼品卡等)来购买相应的产品，而很多不法分子盯准了这一“商机”，疯狂的进行欺诈、盗用、刷单等行为。如何能保证客户和公司的安全，愈发成为互联网风险控制部门工作的重中之重，而一个强大而高效的风控规则模型系统则是保障互联网公司正常运行的基础。

风控规则、模型系统目前存在的问题：

1.风控系统搭建初期，暴力生成的基础规则造成规则冗余；

2.针对批量案件的规则，在一定时间范围内，准确率较高，但是随着时间的推移准确率急速降低，覆盖率低；

3.风控规则策略人员流动性大，员工离职后造成部分规则没有下线或是所属权模糊，规则维护效率低。

针对以上问题，本发明旨在提出一套优化现有规则和模型运行效率的方案，将规则和规则进行组合，模型和规则进行组合，使得组合后的规则-规则组合和规则-模型组合比之前单一规则和单一模型在性能方面大幅提升。

发明内容

本发明要解决的技术问题是为了克服现有技术中现有的单一规则/单一模型的准确率和覆盖率低的缺陷，提供一种能够在不增加新的规则/模型下，利用现有的规则/模型提升识别欺诈订单的准确率和覆盖率的互联网支付风控系统的优化方法及装置。

本发明是通过以下技术方案解决上述技术问题的：

一种互联网支付风控系统的优化方法，其特点是，所述互联网支付风控系统包括风控规则池，所述风控规则池中有若干规则；

所述优化方法包括：

通过机器学习得到优化模型，所述优化模型用于结合所述风控规则池中至少两条规则组成一最优规则组合，所述最优规则组合的平衡状态优于所述最优规则组合中单一的任意一条规则的平衡状态，且优于所述最优规则组合中单一的任意一条规则与所述风控规则池中的其余规则组成的规则组合的平衡状态；

其中，规则/规则组合的平衡状态通过规则/规则组合识别欺诈订单的准确率和覆盖欺诈订单的覆盖率的调和平均值来衡量。

较佳地，通过机器学习得到优化模型，包括：

S1、收集黑白样本标签；

S2、构建模型；

S3、调整参数；

S4、训练模型。

较佳地，所述优化模型包括三个参数，分别为：I_L，I_H，δ，其中(I_L，I_H)是(0，1)的一个子集；S2包括：

S21、计算每一规则识别欺诈订单的准确率和覆盖欺诈订单的覆盖率的调和平均值，所述调和平均值记为F值；

S22、筛选F值在(I_L，I_H)区间内的规则，构成一规则集合；

S23、从所述规则集合中抽取一条规则，记为r_s，计算r_s的F值f_s；

S24、将所述规则集合中其余一条或多条规则分别与r_s组成规则组合，从中找到F值相对于f_s有最大提升且满足‖f_P-f_s‖＞δ的规则组合，其中f_P为被找到的规则组合的F值。

较佳地，S24包括：

S241、在所述规则集合的其余规则中，找到一条规则r_k，使得r_k与r_s组成的规则组合的F值f_P1相对于f_s有最大提升且满足‖f_P1-f_s‖＞δ；

S242、在所述规则集合除去前一步骤组成的规则组合的其余规则中，找到一条规则r_t，使得r_t与前一步骤组成的规则组合组成的新的规则组合的F值f_P2相对于f_P1有最大提升且满足‖f_P2-f_P1‖＞δ；

S243、重复S242，直至在所述规则集合除去前一步骤组成的规则组合的其余规则中不能找到一条规则r_τ，使得r_τ与前一步骤组成的规则组合组成新的规则组合的F值f_Pτ相对于前一步骤组成的规则组合的F值f_Pτ-1有最大提升且满足‖f_Pτ-f_Pτ-1‖＞δ。

较佳地，S2还包括在S24之后返回S23从所述规则集合中抽取一条新的规则，并计算新的规则的F值，然后执行S24，直至所述规则集合中所有的规则都被抽取过。

较佳地，S4包括：将黑白样本标签通过时间切分训练集和测试集，在训练集上获得规则组合和参数，在测试集上面验证模型的稳定性，输出最终模型。

较佳地，所述互联网支付风控系统还包括风控模型池，所述风控模型池中有若干模型；

所述优化模型还用于结合所述风控规则池中的规则和所述风控模型池中的模型组成一最优规则-模型组合，所述最优规则-模型组合的平衡状态优于所述最优规则-模型组合中单一的任意一条规则/模型的平衡状态，且优于所述最优规则组合中单一的任意一条规则与所述风控模型池中的其余模型组成的规则/模型组合的平衡状态。

一种互联网支付风控系统的优化装置，其特点是，所述互联网支付风控系统包括风控规则池，所述风控规则池中有若干规则；

所述优化装置，用于通过机器学习得到优化模型，所述优化模型用于结合所述风控规则池中至少两条规则组成一最优规则组合，所述最优规则组合的平衡状态优于所述最优规则组合中单一的任意一条规则的平衡状态，且优于所述最优规则组合中单一的任意一条规则与所述风控规则池中的其余规则组成的规则组合的平衡状态；

其中，规则/规则组合的平衡状态通过规则/规则组合识别欺诈订单的准确率和覆盖欺诈订单的覆盖率的调和平均值来衡量。

较佳地，所述优化装置包括：

样本模块，用于收集黑白样本标签；

构建模块，用于构建模型；

调整模块，用于调整参数；

训练模块，用于训练模型。

较佳地，所述优化模型包括三个参数，分别为：I_L，I_H，δ，其中(I_L，I_H)是(0，1)的一个子集；所述构建模块包括：

计算单元，用于计算每一规则识别欺诈订单的准确率和覆盖欺诈订单的覆盖率的调和平均值，所述调和平均值记为F值；

筛选单元，用于筛选F值在(I_L，I_H)区间内的规则，构成一规则集合；

抽取单元，用于从所述规则集合中抽取一条规则，记为r_s，计算r_s的F值f_s；

组合单元，用于将所述规则集合中其余一条或多条规则分别与r_s组成规则组合，从中找到F值相对于f_s有最大提升且满足‖f_P-f_s‖＞δ的规则组合，其中f_P为被找到的规则组合的F值。

较佳地，所述组合单元包括：

第一查找子单元，用于在所述规则集合的其余规则中，找到一条规则r_k，使得r_k与r_s组成的规则组合的F值f_P1相对于f_s有最大提升且满足‖f_P1-f_s‖＞δ；

第二查找子单元，用于在所述规则集合除去前一次组成的规则组合的其余规则中，找到一条规则r_t，使得r_t与前一次组成的规则组合组成的新的规则组合的F值f_P2相对于f_P1有最大提升且满足‖f_P2-f_P1‖＞δ；

调用子单元，用于重复调用所述第二查找子单元，直至在所述规则集合除去前一次组成的规则组合的其余规则中不能找到一条规则r_τ，使得r_τ与前一次组成的规则组合组成新的规则组合的F值f_Pτ相对于前一次组成的规则组合的F值f_Pτ-1有最大提升且满足‖f_Pτ-f_Pτ-1‖＞δ。

较佳地，所述构建模块还包括：

循环单元，用于调用所述抽取单元从所述规则集合中抽取一条新的规则，并计算新的规则的F值，然后调用所述组合单元，直至所述规则集合中所有的规则都被抽取过。

较佳地，所述训练模块，用于将黑白样本标签通过时间切分训练集和测试集，在训练集上获得规则组合和参数，在测试集上面验证模型的稳定性，输出最终模型。

较佳地，所述互联网支付风控系统还包括风控模型池，所述风控模型池中有若干模型；

所述优化模型还用于结合所述风控规则池中的规则和所述风控模型池中的模型组成一最优规则-模型组合，所述最优规则-模型组合的平衡状态优于所述最优规则-模型组合中单一的任意一条规则/模型的平衡状态，且优于所述最优规则组合中单一的任意一条规则与所述风控模型池中的其余模型组成的规则/模型组合的平衡状态。

在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本发明各较佳实例。

本发明的积极进步效果在于：本发明能够提升互联网支付风控系统现有规则和模型运行效率，从而使风控规则和模型整体识别欺诈更准确(即提升准确率)，覆盖更多的欺诈订单(即提升覆盖率)，并且使得二者达到最优的平衡状态，降低资金损失，保护用户财产安全，提升用户支付安全感。

附图说明

图1为本发明较佳实施例的互联网支付风控系统的优化方法的流程图。

图2为本发明较佳实施例的互联网支付风控系统的优化装置的示意图。

具体实施方式

下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。

实施例

本实施例给出了一种互联网支付风控系统的优化方法，其中，所述互联网支付风控系统包括风控规则池，所述风控规则池中有若干规则。

所述优化方法包括：

通过机器学习得到优化模型，所述优化模型用于结合所述风控规则池中至少两条规则组成一最优规则组合，所述最优规则组合的平衡状态优于所述最优规则组合中单一的任意一条规则的平衡状态，且优于所述最优规则组合中单一的任意一条规则与所述风控规则池中的其余规则组成的规则组合的平衡状态；

其中，规则/规则组合的平衡状态通过规则/规则组合识别欺诈订单的准确率和覆盖欺诈订单的覆盖率的调和平均值来衡量。

所述准确率和覆盖率通常记录于所述互联网支付风控系统中，所述优化方法直接从所述互联网支付风控系统中获取即可，若所述互联网支付风控系统中不存在所述准确率和覆盖率，那么，所述优化方法可以自行计算获得该些值。其中，规则识别欺诈订单的准确率的计算公式为：

准确率＝满足规则并且被人工定性为欺诈订单的订单量/满足规则的订单的订单量；

规则覆盖欺诈订单的覆盖率的计算公式为：

覆盖率＝满足规则并且被人工定性为欺诈订单的订单量/所有欺诈订单的订单量。

同理，规则组合识别欺诈订单的准确率的计算公式为：

准确率＝满足规则组合并且被人工定性为欺诈订单的订单量/满足规则组合的订单的订单量；

规则组合覆盖欺诈订单的覆盖率的计算公式为：

覆盖率＝满足规则组合并且被人工定性为欺诈订单的订单量/所有欺诈订单的订单量。

具体地，通过机器学习得到优化模型，如图1所示，包括：

步骤101、收集黑白样本标签。其中，黑样本为订单数据库中人工定性的坏订单，作为标签“1”；白样本为订单数据库中排除黑样本及不能确定是否为坏订单的灰样本及异常数据后剩余的好订单。

步骤102、构建模型。下面对本步骤做更详细地说明：

所述优化模型(以下简称模型)包括三个参数，分别为：I_L，I_H，δ。

假设所述风控规则池中由M个规则{r₁,r₂,…,r_M}，对应的准确率为{p₁,p₂,…p_M}，覆盖率为{o₁,o₂,…,o_M}，那么，规则的准确率和覆盖率的调和平均值(记为F值)f_i＝2/(1/p_i+1/o_i)，i＝1,2,…,M。

构建的模型是f_i∈(I_L，I_H)这个范围内的，由于f_i∈(0，1)，所以(I_L，I_H)是(0，1)的一个子集。也就是说对于F值较低或是F值较高的规则都不在考虑是否能够组合的范围内，原因在于，F值较低的规则可能本身效率较低，并不存在优化的空间；而F值较高的规则属于比较高效的规则，可以独立的发挥其作用，所以也不做优化。

步骤102具体包括：

步骤1021、计算每一规则的F值。计算公式如上，在此不再赘述。

步骤1022、筛选F值在(I_L，I_H)区间内的规则，构成一规则集合。假设有N个规则的F值是在区间中，即f_j∈(I_L，I_H)，j＝1,2,…,N；则筛选出的规则构成的规则集合为

步骤1023、从所述规则集合中随机抽取或按照指定顺序(如规则的编号顺序)抽取一条规则，记为r_s，计算r_s的F值f_s。

步骤1024、将所述规则集合中其余一条或多条规则分别与r_s组成规则组合，遍历所有的规则组合的F值，从中找到F值相对于f_s有最大提升且满足‖f_P-f_s‖＞δ的规则组合，其中f_P为被找到的规则组合的F值。具体的组合及查找过程可以为：

步骤10241、在所述规则集合的其余规则(即集合{r_j}_j≠s)中，找到一条规则r_k，使得r_k与r_s组成的规则组合(r_s,r_k)的F值f_P1相对于r_s的F值f_s有最大提升且满足‖f_P1-f_s‖＞δ；

步骤10242、在所述规则集合除去前一步骤组成的规则组合的其余规则(即集合{r_j}_j≠s,k)中，找到一条规则r_t，使得r_t与前一步骤组成的规则组合组成的新的规则组合(r_s,r_k,r_t)的F值f_P2相对于(r_s,r_k)的F值f_P1有最大提升且满足‖f_P2-f_P1‖＞δ；

步骤10243、重复步骤10242，直至在所述规则集合除去前一步骤组成的规则组合的其余规则中不能找到一条规则r_τ，使得r_τ与前一步骤组成的规则组合组成新的规则组合的F值f_Pτ相对于前一步骤组成的规则组合的F值f_Pτ-1有最大提升且满足‖f_Pτ-f_Pτ-1‖＞δ。即直至没有一条规则可依并入之前的规则组合中。

步骤1025、返回步骤1023从所述规则集合中抽取的一条新的规则，并计算新的规则的F值，然后执行步骤1024，直至所述规则集合中所有的规则都被抽取过。即在剩余的规则集合中随机抽取或按照指定顺序抽取一条规则，重复执行步骤1024，直至剩余规则的集合为空，或是没有任何满足上述条件的规则可以并入，退出循环，结束步骤102。

步骤103、调整参数。在此步骤中，I_L、I_H和δ通过以下几种不同的方法获得最优：

通过步骤102获得了一系列在参数{I_L,I_H,δ}下的规则组合r_P＝{r_P1,r_P2,…,r_Pτ}，并由此算出目标函数(损失函数)L(r_P)。可以考虑以下两种目标函数，具体优化的目标函数可以针对不同场景进行选择：

I、L(r_P)＝f_P，其中f_P是基于规则组合集r_P的F值；

II、其中是对应样本的估计值，y_i是实际的标签。

针对目标函数的参数优化方式，可以尝试采取以下三种方式：

I、Grid Search遍历整个参数空间，获得全局最优解；

II、Genetic Algorithm基因算法，对(I_L，I_H)组合进行优化，加上对δ的遍历，获得相对最优解，相对全局遍历较快，但是容易陷在局部最优解。

III、Simulated Annealing模拟退火算法，对{I_L,I_H,δ}进行优化，速度较快，可以渐进收敛到最优解。

步骤104、训练模型。具体包括：将黑白样本标签通过时间切分训练集和测试集，在训练集上获得规则组合和参数，在测试集上面验证模型的稳定性，输出最终模型。

本实施例中，所述互联网支付风控系统还包括风控模型池，所述风控模型池中有若干模型；所述优化模型还用于结合所述风控规则池中的规则和所述风控模型池中的模型组成一最优规则-模型组合，所述最优规则-模型组合的平衡状态优于所述最优规则-模型组合中单一的任意一条规则/模型的平衡状态，且优于所述最优规则组合中单一的任意一条规则与所述风控模型池中的其余模型组成的规则/模型组合的平衡状态。其中，获得所述优化模型的方法与步骤101-104原理相同，只需要将规则与规则的组合替换为规则与模型的组合即可，在此不再赘述。

本实施例还给出了一种互联网支付风控系统的优化装置，其中，所述互联网支付风控系统包括风控规则池，所述风控规则池中有若干规则；

所述优化装置，用于通过机器学习得到优化模型，所述优化模型用于结合所述风控规则池中至少两条规则组成一最优规则组合，所述最优规则组合的平衡状态优于所述最优规则组合中单一的任意一条规则的平衡状态，且优于所述最优规则组合中单一的任意一条规则与所述风控规则池中的其余规则组成的规则组合的平衡状态；

其中，规则/规则组合的平衡状态通过规则/规则组合识别欺诈订单的准确率和覆盖欺诈订单的覆盖率的调和平均值来衡量。

具体地，所述优化装置包括：样本模块201、构建模块202、调整模块203和训练模块204。

样本模块201，用于收集黑白样本标签。其中，黑样本为订单数据库中人工定性的坏订单，作为标签“1”；白样本为订单数据库中排除黑样本及不能确定是否为坏订单的灰样本及异常数据后剩余的好订单。

构建模块202，用于构建模型。下面对所述构建模块做更详细地说明：

所述优化模型包括三个参数，分别为：I_L，I_H，δ，其中(I_L，I_H)是(0，1)的一个子集；所述构建模块202包括：

计算单元2021，用于计算每一规则识别欺诈订单的准确率和覆盖欺诈订单的覆盖率的调和平均值，所述调和平均值记为F值；

筛选单元2022，用于筛选F值在(I_L，I_H)区间内的规则，构成一规则集合；

抽取单元2023，用于从所述规则集合中抽取一条规则，记为r_s，计算r_s的F值f_s；

组合单元2024，用于将所述规则集合中其余一条或多条规则分别与r_s组成规则组合，从中找到F值相对于f_s有最大提升且满足‖f_P-f_s‖＞δ的规则组合，其中f_P为被找到的规则组合的F值。具体包括：

第一查找子单元，用于在所述规则集合的其余规则中，找到一条规则r_k，使得r_k与r_s组成的规则组合的F值f_P1相对于f_s有最大提升且满足‖f_P1-f_s‖＞δ；

第二查找子单元，用于在所述规则集合除去前一次组成的规则组合的其余规则中，找到一条规则r_t，使得r_t与前一次组成的规则组合组成的新的规则组合的F值f_P2相对于f_P1有最大提升且满足‖f_P2-f_P1‖＞δ；

调用子单元，用于重复调用所述第二查找子单元，直至在所述规则集合除去前一次组成的规则组合的其余规则中不能找到一条规则r_τ，使得r_τ与前一次组成的规则组合组成新的规则组合的F值f_Pτ相对于前一次组成的规则组合的F值f_Pτ-1有最大提升且满足‖f_Pτ-f_Pτ-1‖＞δ。

循环单元2025，用于调用所述抽取单元从所述规则集合中抽取一条新的规则，并计算新的规则的F值，然后调用所述组合单元，直至所述规则集合中所有的规则都被抽取过。

调整模块203，用于调整参数。在此模块中，I_L、I_H和δ通过以下几种不同的方法获得最优：

通过构建模块获得了一系列在参数{I_L,I_H,δ}下的规则组合r_P＝{r_P1,r_P2,…,r_Pτ}，并由此算出目标函数(损失函数)L(r_P)。可以考虑以下两种目标函数，具体优化的目标函数可以针对不同场景进行选择：

I、L(r_P)＝f_P，其中f_P是基于规则组合集r_P的F值；

II、其中是对应样本的估计值，y_i是实际的标签。

针对目标函数的参数优化方式，可以尝试采取以下三种方式：

I、Grid Search遍历整个参数空间，获得全局最优解；

II、Genetic Algorithm基因算法，对(I_L，I_H)组合进行优化，加上对δ的遍历，获得相对最优解，相对全局遍历较快，但是容易陷在局部最优解。

III、Simulated Annealing模拟退火算法，对{I_L,I_H,δ}进行优化，速度较快，可以渐进收敛到最优解。

训练模块204，用于训练模型。具体用于将黑白样本标签通过时间切分训练集和测试集，在训练集上获得规则组合和参数，在测试集上面验证模型的稳定性，输出最终模型。

本实施例中，所述互联网支付风控系统还包括风控模型池，所述风控模型池中有若干模型；

所述优化模型还用于结合所述风控规则池中的规则和所述风控模型池中的模型组成一最优规则-模型组合，所述最优规则-模型组合的平衡状态优于所述最优规则-模型组合中单一的任意一条规则/模型的平衡状态，且优于所述最优规则组合中单一的任意一条规则与所述风控模型池中的其余模型组成的规则/模型组合的平衡状态。

本发明能够在不添加任何新规则的情况下，提升整个风控系统的性能，在一定程度上提高准确率，增加覆盖率，降低风控系统整体拒绝率，提高用户体验；成本低，迭代快，可以实现自动化优化过程。当风控系统需要增加新模型时，为了保证系统的稳定性，往往有不增加拒绝率的要求，此方法可以在不下线规则的前提下为模型提供拒绝订单的空间(因为在进行规则组合后会降低拒绝率)。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (14)

1.一种互联网支付风控系统的优化方法，其特征在于，所述互联网支付风控系统包括风控规则池，所述风控规则池中有若干规则；

所述优化方法包括：

通过机器学习得到优化模型，所述优化模型用于结合所述风控规则池中至少两条规则组成一最优规则组合，所述最优规则组合的平衡状态优于所述最优规则组合中单一的任意一条规则的平衡状态，且优于所述最优规则组合中单一的任意一条规则与所述风控规则池中的其余规则组成的规则组合的平衡状态；

其中，规则/规则组合的平衡状态通过规则/规则组合识别欺诈订单的准确率和覆盖欺诈订单的覆盖率的调和平均值来衡量。

2.如权利要求1所述的优化方法，其特征在于，通过机器学习得到优化模型，包括：

S1、收集黑白样本标签；

S2、构建模型；

S3、调整参数；

S4、训练模型。

3.如权利要求2所述的优化方法，其特征在于，所述优化模型包括三个参数，分别为：I_L，I_H，δ，其中(I_L，I_H)是(0，1)的一个子集；S2包括：

S21、计算每一规则识别欺诈订单的准确率和覆盖欺诈订单的覆盖率的调和平均值，所述调和平均值记为F值；

S22、筛选F值在(I_L，I_H)区间内的规则，构成一规则集合；

S23、从所述规则集合中抽取一条规则，记为r_s，计算r_s的F值f_s；

S24、将所述规则集合中其余一条或多条规则分别与r_s组成规则组合，从中找到F值相对于f_s有最大提升且满足‖f_P-f_s‖＞δ的规则组合，其中f_P为被找到的规则组合的F值。

4.如权利要求3所述的优化方法，其特征在于，S24包括：

S241、在所述规则集合的其余规则中，找到一条规则r_k，使得r_k与r_s组成的规则组合的F值f_P1相对于f_s有最大提升且满足‖f_P1-f_s‖＞δ；

S242、在所述规则集合除去前一步骤组成的规则组合的其余规则中，找到一条规则r_t，使得r_t与前一步骤组成的规则组合组成的新的规则组合的F值f_P2相对于f_P1有最大提升且满足‖f_P2-f_P1‖＞δ；

S243、重复S242，直至在所述规则集合除去前一步骤组成的规则组合的其余规则中不能找到一条规则r_τ，使得r_τ与前一步骤组成的规则组合组成新的规则组合的F值f_Pτ相对于前一步骤组成的规则组合的F值f_Pτ-1有最大提升且满足‖f_Pτ-f_Pτ-1‖＞δ。

5.如权利要求3所述的优化方法，其特征在于，S2还包括在S24之后返回S23从所述规则集合中抽取一条新的规则，并计算新的规则的F值，然后执行S24，直至所述规则集合中所有的规则都被抽取过。

6.如权利要求2所述的优化方法，其特征在于，S4包括：将黑白样本标签通过时间切分训练集和测试集，在训练集上获得规则组合和参数，在测试集上面验证模型的稳定性，输出最终模型。

7.如权利要求1所述的优化方法，其特征在于，所述互联网支付风控系统还包括风控模型池，所述风控模型池中有若干模型；

所述优化模型还用于结合所述风控规则池中的规则和所述风控模型池中的模型组成一最优规则-模型组合，所述最优规则-模型组合的平衡状态优于所述最优规则-模型组合中单一的任意一条规则/模型的平衡状态，且优于所述最优规则组合中单一的任意一条规则与所述风控模型池中的其余模型组成的规则/模型组合的平衡状态。

8.一种互联网支付风控系统的优化装置，其特征在于，所述互联网支付风控系统包括风控规则池，所述风控规则池中有若干规则；

所述优化装置，用于通过机器学习得到优化模型，所述优化模型用于结合所述风控规则池中至少两条规则组成一最优规则组合，所述最优规则组合的平衡状态优于所述最优规则组合中单一的任意一条规则的平衡状态，且优于所述最优规则组合中单一的任意一条规则与所述风控规则池中的其余规则组成的规则组合的平衡状态；

其中，规则/规则组合的平衡状态通过规则/规则组合识别欺诈订单的准确率和覆盖欺诈订单的覆盖率的调和平均值来衡量。

9.如权利要求8所述的优化装置，其特征在于，所述优化装置包括：

样本模块，用于收集黑白样本标签；

构建模块，用于构建模型；

调整模块，用于调整参数；

训练模块，用于训练模型。

10.如权利要求9所述的优化装置，其特征在于，所述优化模型包括三个参数，分别为：I_L，I_H，δ，其中(I_L，I_H)是(0，1)的一个子集；所述构建模块包括：

计算单元，用于计算每一规则识别欺诈订单的准确率和覆盖欺诈订单的覆盖率的调和平均值，所述调和平均值记为F值；

筛选单元，用于筛选F值在(I_L，I_H)区间内的规则，构成一规则集合；

抽取单元，用于从所述规则集合中抽取一条规则，记为r_s，计算r_s的F值f_s；

组合单元，用于将所述规则集合中其余一条或多条规则分别与r_s组成规则组合，从中找到F值相对于f_s有最大提升且满足‖f_P-f_s‖＞δ的规则组合，其中f_P为被找到的规则组合的F值。

11.如权利要求10所述的优化装置，其特征在于，所述组合单元包括：

第一查找子单元，用于在所述规则集合的其余规则中，找到一条规则r_k，使得r_k与r_s组成的规则组合的F值f_P1相对于f_s有最大提升且满足‖f_P1-f_s‖＞δ；

第二查找子单元，用于在所述规则集合除去前一次组成的规则组合的其余规则中，找到一条规则r_t，使得r_t与前一次组成的规则组合组成的新的规则组合的F值f_P2相对于f_P1有最大提升且满足‖f_P2-f_P1‖＞δ；

调用子单元，用于重复调用所述第二查找子单元，直至在所述规则集合除去前一次组成的规则组合的其余规则中不能找到一条规则r_τ，使得r_τ与前一次组成的规则组合组成新的规则组合的F值f_Pτ相对于前一次组成的规则组合的F值f_Pτ-1有最大提升且满足‖f_Pτ-f_Pτ-1‖＞δ。

12.如权利要求11所述的优化装置，其特征在于，所述构建模块还包括：

循环单元，用于调用所述抽取单元从所述规则集合中抽取一条新的规则，并计算新的规则的F值，然后调用所述组合单元，直至所述规则集合中所有的规则都被抽取过。

13.如权利要求9所述的优化装置，其特征在于，所述训练模块，用于将黑白样本标签通过时间切分训练集和测试集，在训练集上获得规则组合和参数，在测试集上面验证模型的稳定性，输出最终模型。

14.如权利要求8所述的优化装置，其特征在于，所述互联网支付风控系统还包括风控模型池，所述风控模型池中有若干模型；

所述优化模型还用于结合所述风控规则池中的规则和所述风控模型池中的模型组成一最优规则-模型组合，所述最优规则-模型组合的平衡状态优于所述最优规则-模型组合中单一的任意一条规则/模型的平衡状态，且优于所述最优规则组合中单一的任意一条规则与所述风控模型池中的其余模型组成的规则/模型组合的平衡状态。