CN108228706A - 用于识别异常交易社团的方法和装置 - Google Patents

Abstract

本发明涉及数据处理技术，特别涉及用于识别异常交易社团方法、实施该方法的装置以及包含实施该方法的计算机程序的计算机可读存储介质。按照本发明一个方面的用于识别异常交易社团的方法包含下列步骤：构建与多个账户相互间的交易事件相关的网络图，其中，所述网络图的每个节点代表所述多个账户的其中一个，并且以连接两个节点的边来指示在与这两个节点相关联的账户之间发生了交易，其中边的方向代表交易的方向；从所述网络图确定为一个或多个社团；以及根据社团的交易信息确定其相应的风险度量，该风险度量用于确定该社团是否属于异常交易社团。

Description

用于识别异常交易社团的方法和装置

技术领域

本发明涉及数据处理技术，特别涉及用于识别异常交易社团方法、实施该方法的装置以及包含实施该方法的计算机程序的计算机可读存储介质。

背景技术

诸如洗钱之类的非法资金转移由于其对国家金融体系安全和经济秩序稳定带来的危害，一直是政府监管的重点。随着电子支付的兴起，更加便捷的支付方式在提高交易效率和降低交易成本的同时，也给非法资金转移提供了可乘之机。

目前主流的反洗钱(AML)系统大多是基于规则的。这类系统的缺点是监管效率较低，并且由于规则很容易被学习掌握，导致监管被规避。此外，规则系统包含较多的主观因素，难免出现错误或者疏漏。再者，由于洗钱之类的资金非法转移活动往往涉及团伙犯罪，当前的监管系统缺乏全局性的监测能力，从而难以发现大范围内的洗钱活动。

有鉴于此，迫切需要一种能够准确、快速地识别异常交易社团的方法和装置。

发明内容

本发明的一个目的是提供一种用于识别异常交易社团的方法，其具有处理效率高、识别准确度高等优点。

按照本发明一个方面的用于识别异常交易社团的方法包含下列步骤：

构建与多个账户相互间的交易事件相关的网络图，其中，所述网络图的每个节点代表所述多个账户的其中一个，并且以连接两个节点的边来指示在与这两个节点相关联的账户之间发生了交易，其中边的方向代表交易的方向；

从所述网络图确定为一个或多个社团；以及

根据社团的交易信息确定其相应的风险度量，该风险度量用于确定该社团是否属于异常交易社团。

优选地，在上述方法中，确定社团的步骤包括：

从所述网络图确定一个或多个连通子图，其中，每个连通子图内的任意两个节点之间是连通的，并且两个连通子图之间无相连接的边；以及

对连通子图执行社团划分操作。

优选地，在上述方法中，在执行社团划分的步骤中，对于任一连通子图，按照下列方式执行划分操作：

基于节点权重和交易时序，对该连通子图中的边的权重进行修正；以及

以迭代方式对该连通子图进行社团划分直到划分后该连通子图的模块度不再变化为止，由此完成该连通子图的社团划分。

优选地，在上述方法中，节点权重依赖于边两端的每个节点的交易金额、交易次数和出入度总数。

优选地，在上述方法中，交易时序依赖于边两端的每个节点的资金平均转入时间和资金平均转出时间。

优选地，在上述方法中，对于两个节点之间的边，其对模块度的贡献值与边的方向相关。

优选地，在上述方法中，所述交易信息包括每个社团内的每笔交易的时间、该社团的总交易数量和总交易金额。

优选地，在上述方法中，每个社团的风险度量包括该社团的交易时间熵和整体风险因子。

本发明的还有一个目的是提供一种用于识别异常交易社团的装置，其具有处理效率高、识别准确度高等优点。

按照本发明另一个方面的用于识别异常交易社团的装置包含：

第一模块，用于构建与多个账户相互间的交易事件相关的网络图，其中，所述网络图的每个节点代表所述多个账户的其中一个，并且以连接两个节点的边来指示在与这两个节点相关联的账户之间发生了交易，其中边的方向代表交易的方向；

第二模块，用于从所述网络图确定为一个或多个社团；以及

第三模块，用于根据社团的交易信息确定其相应的风险度量，该风险度量用于确定该社团是否属于异常交易社团。

按照本发明另一个方面的用于识别异常交易社团的装置包含存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序以执行如上所述的方法。

本发明的还有一个目的是提供一种计算机可读存储介质，其上存储计算机程序，该程序被处理器执行时实现如上所述的方法。

附图说明

本发明的上述和/或其它方面和优点将通过以下结合附图的各个方面的描述变得更加清晰和更容易理解，附图中相同或相似的单元采用相同的标号表示。附图包括：

图1为按照本发明一个实施例的用于识别异常交易社团的方法的流程图。

图2为可应用于图1所示实施例的确定社团方法的流程图。

图3为可应用于图2所示实施例的社团划分算法的流程图。

图4为可应用于图3所示实施例的迭代算法的流程图。

图5为可应用于图1所示实施例的确定社团的风险量度的方法的流程图。

图6为按照本发明另一个实施例的用于识别异常交易社团的装置的框图。

图7为按照本发明另一个实施例的用于识别异常交易社团的装置的框图。

具体实施方式

下面参照其中图示了本发明示意性实施例的附图更为全面地说明本发明。但本发明可以按不同形式来实现，而不应解读为仅限于本文给出的各实施例。给出的上述各实施例旨在使本文的披露全面完整，以将本发明的保护范围更为全面地传达给本领域技术人员。

在本说明书中，诸如“包含”和“包括”之类的用语表示除了具有在说明书和权利要求书中有直接和明确表述的单元和步骤以外，本发明的技术方案也不排除具有未被直接或明确表述的其它单元和步骤的情形。

图1为按照本发明一个实施例的用于识别异常交易社团的方法的流程图。优选地但非必须地，图1所示的方法可在云端服务器或后台交易处理系统处执行。

图1所示的方法的流程开始于步骤110。在该步骤中，选取一个时间段T_m内的多个账户之间的交易记录，并构建刻画多个账户相互间的交易事件的网络图。该网络图例如可以按照下列方式构建：网络图的每个节点代表多个账户的其中一个，并且以连接两个节点的边来指示在与这两个节点相关联的账户之间发生了交易。在本实施例中，边为有向边，其方向表示交易的方向(例如在一笔交易中，该方向可以定义为从资金的转出节点指向资金的转入节点，但是将其定义为从资金的转入节点指向资金的转出节点是等价的)。此外，在本实施例中，边具有权重。示例性地，可以将网络图中的第i条边的初始权重W_Bi设定为：

这里和分别代表边(也即边两端节点之间)的总交易金额的标准化值和总交易次数的标准化值，ω_m和ω_c分别为总交易金额和总交易次数所对应的系数，这两个系数之和为1。

随后进入步骤120，从步骤110生成的网络图确定为一个或多个社团。有关社团确定的具体方式将在下面作详细的描述。

接着进入步骤130，对于每个社团，根据其交易信息确定相应的风险度量，该风险度量用于确定该社团是否发生异常交易社团。有关确定风险量度的具体方式将在下面作详细的描述。

图2为可应用于图1所示实施例的确定社团方法的流程图。优选地但非必须地，图2所示的方法可在云端服务器或后台交易处理系统处执行。

如图2所示，在步骤210，从步骤110生成的网络图确定一个或多个连通子图。示例性地，连通子图的确定过程为，首先滤除网络图中的孤立节点(也即与其它节点无交易的节点)，然后将整个网络图划分为一个或多个连通子图(例如利用连通分量算法)，使得在划分后的每个连通子图内，任意两个节点之间是连通的，并且两个连通子图之间无相连接的边。

随后进入步骤220，从步骤210所确定的连通子图中选择一个子集。例如可以按照下列方式挑选该子集中的元素：首先选择总节点数在中等规模的连通子图。随后在这些中等规模的连通子图内统计转出金额和/或转出交易次数(以下又称为“出度”)或者转入金额和/或转入交易次数(以下又称为“入度”)较大的节点的数量，这些节点统称为可疑中心节点。最后将这些中等规模的连通子图内可疑中心节点数量较多的连通子图选入子集内。

在步骤220中，可以将出度(入度)大于阈值的节点视为可疑中心节点，该阈值的设定方式例如可以是：生成一个连通子图内的所有节点的出度(入度)的统计分布图，并且将统计分布图中的曲线转折点设定为出度(入度)的阈值。在步骤220中，还可以将可疑中心节点数量大于阈值的连通子图纳入子集。

随后进入步骤230，对子集内尚未进行社团划分操作的连通子图执行社团划分操作。有关社团划分操作的详细描述将在下面给出。

接着进入步骤240，确定是否对于子集内的每个连通子图都实施了社团划分操作，如果是，则可以进入图1的步骤130，否则返回步骤230。

需要指出的是，在图2所示的方法中，步骤210和220是优选的步骤。也就是说，在一个实施方式中，可以直接对网络图执行如下所述的社团划分操作，或者对步骤210所确定的连通子图的每一个执行社团划分操作。

每一个连通子图都可以视为一个具有关联性质的交易群体。然而在这些众多的群体中，通常仅有一小部分涉及异常交易活动(例如洗钱)。而且一些非法交易活动的执行者还会刻意地将核心异常交易结构隐藏在大量的正常交易中，这进一步增加了异常交易的发现难度。本发明的发明人经过深入研究发现，如果对一个连通子图直接进行分析或社团划分操作，很可能出现的结果是虽然用于衡量该连通子图的异常交易的风险度量较低，然而实际上却隐藏着大量的异常交易。

针对上述情况，本发明的发明人创造性地引入下列方式来挖掘隐藏的异常交易：基于节点权重和交易时序对连通子图中的边的权重进行修正，然后利用为有向图专门定义的模块度，以迭代方式对边的权重修正后的连通子图进行社团划分，直到划分后该连通子图的模块度不再变化为止，由此完成该连通子图的社团划分。通过上述方式可以在连通子图内发现异常交易风险极大的社团或者多个异常交易风险较高的社团，从而大幅度提高异常交易的辨识度，并且还能够清楚地勾勒出核心的异常交易风险结构。

图3为可应用于图2所示实施例的社团划分算法的流程图，该算法基于上述方式。图3所示算法的操作对象为一个连通子图，但是这仅仅是示例性的，将整个网络图作为操作对象也是成立的。

图3所示的流程开始于步骤310。在该步骤中，利用节点权重对一个连通子图的每条边的权重进行修正或优化。优选地，可以利用一个节点的交易金额、交易次数、出入度总数等交易信息来计算用于修正边的权重的节点权重。具体计算方式例如如下式(2)所示：

这里，ω_vj为节点j的节点权重，分别表示该节点j的总交易金额的标准化值、交易次数的标准化值以及出入度总数的标准化值，ω_Mv、ω_Cv、ω_Dv为节点j的总交易金额、交易次数以及出入度总数的权重因子(例如每个权重因子可以都取值为1/3)。

对于第i条边而言，假设它的起始节点或金额转出节点为v_{i_in}，目的节点或金额转入节点为v_{i_out}，则利用第i条边的经节点权重修正后的权重W_Ei变为：

这里，ω_{Vi_in}为初始节点的节点权重，ω_{Vi_out}为目的节点的节点权重，W_Bi为由式(1)确定的第i条边的初始权重。

对于一个连通子图内的每条边，都可以利用上式(2)和(3)来修正其权重，从而得到边的权重被利用节点权重修正过的连通子图。

随后进入步骤320。在该步骤中，对利用节点权重修正后的连通子图的边的权重进一步进行交易时序修正或优化。优选地，可以采用下列方式来作进一步的修正。

首先计算每个节点的平均转入和转出时间。例如对于连通子图内的任一节点A，假设有条边连入该节点，这条边中的第j条边连入该节点的时间为这条边中的第j条边连出该节点的时间为则节点A的平均连入时间为：

节点A的平均连出时间为：

随后确定与交易时序相关的权重修正系数。对于“先分散转入后集中转出”的情况(也即首先是多个节点向一个节点转账，接着由后者将汇集的金额集中转出的交易过程)，从交易时序上考察，集中转出的那条边应该在多次分散转入的边之后形成。对于“先集中转入后分散转出”的情况(也即首先是一个节点接收一笔款项，然后由该节点将该笔款项向多个节点转账，最后多个节点将各自接收的款项转出的交易过程)，从交易时序上考察，集中转入的那条边应该在多次分散转出的边之前形成。

在本实施例中，对于第i条边的两端的节点，根据交易的方向(即节点为交易的转出节点还是转入节点)定义不同的权重修正系数以用于基于交易时序的修正。具体而言，对于第i条边的初始节点src，其对应的权重修正系数θ₁按照下式确定：

这里，为初始节点src的入度，为初始节点src的出度，为初始节点src的平均连入时间，其可由式(4)确定，T_src为初始节点src连出第j条边的时间，T_R为规范化因子。

由上式(6)-(9)可见，对于满足条件且的边，其修正系数θ₁>1，其他情况下θ₁<1。

类似地，对于第i条边的目的节点dst，其对应的权重修正系数θ₂按照下式确定：

这里，为目的节点dst的出度，为目的节点dst的入度，为目的节点dst的平均连入时间，其可由式(5)确定，T_dst为目的节点dst连入第j条边的时间，T_R为规范化因子。

由上式(10)-(13)可见，对于满足条件且的边，其修正系数θ₂>1，其他情况下θ₂<1。

由此，对于第i条边，其权重可以按照下式进行基于交易时序的修正：

这里，W_Ei为步骤310中确定的第i条边的利用节点权重进行修正后的权重。

接着进入步骤330，在该步骤中，对经过步骤310和320的权重修正处理后的连通子图进行社团划分，从而将每个节点都划归到相应的社团内。

如上所述，在本实施例的网络图中，每条边为有向边。对于任意一条有向边i→j，令其中表示指向节点i的所有边的权重和，表示由节点i连出的所有边的权重和，k_i表示节点j的所有边的权重和，k_j表示节点j的所有边的权重和。

优选地，在本实施例中可以将模块度Q_D定义为：

这里，如果节点i和节点j属于同一个社团，则δ(c_i,c_j)＝1，否则δ(c_i,c_j)＝0，A_ij为有向网络的邻接权重矩阵中相应的值，如果存在边j→i，则A_ij等于边的权重，否则为0，∑W_ec表示社团C内的边的权重之和(包括社团内的点和社团外的点相连的边)，m表示所有边的权重之和，∑_c代表对全部社团的求和，∑M_c表示仅对社团C内部矩阵M_c的所有元素进行求和，M_c具体表示如下：

在本步骤中，优选地，可以采用与Louvain算法类似的迭代算法，利用上面定义的模块度来完成社团划分。

图4为可应用于图3所示实施例的迭代算法的流程图。

参见图4，在步骤410中，首先执行初始化处理，将一个连通子图中的每个节点划归到不同的社团中。

接着进入步骤420。在该步骤中，采用上式(15)定义的模块度，对于连通子图中的每个节点执行迭代操作。以该连通子图中的第i个节点为例，首先将节点i分配给它的每个邻居节点所属的社团，然后计算分配前与分配后的模块度变化值，从而得到与节点i相关联的一个或多个模块度变化值。在本实施例中，模块度变化值可以按照下式确定：

其中表示节点i与社团c内部节点的连边的权重之和。

在依照上式(18)和(19)得到到与节点i相关联的一个或多个模块度变化值之后，如果判断这些模块度变化值中的最大值maxΔQ_D>0，则将节点i分配给与maxΔQ_D对应的那个邻居节点所属的社团，否则使节点i保持在原社团不变。

接着进入步骤430。在该步骤中，确定所有节点归属社团的状态在本次执行步骤420前后是否发生变化，如果发生变化，则返回步骤420，否则进入步骤440。

在步骤440，按照下列方式对连通子图进行压缩：将属于同一社团的节点压缩为一个新节点，社团内节点之间的边的权重转化为新节点的环的权重，社团间的边权重转化为新节点间的边权重。

随后进入步骤450。在该步骤中，依照上式(15)-(17)确定步骤440中生成的压缩的连通子图的模块度，并且随后进入步骤460。

在步骤460，判断步骤450中确定的模块度与本次执行步骤440之前的连通子图的模块度之差是否小于预设的阈值，如果是，则进入步骤470，输出当前处理的连通子图的社团划分结果，否则返回步骤420。

图5为可应用于图1所示实施例的确定社团的风险量度的方法的流程图。为阐述方便起见，这里的描述以确定一个社团k的风险量度的过程为例。

图5所示的流程开始于步骤510。在该步骤中，确定时间段T_m期间待确定风险量度的社团的平均交易时间优选地，对于该社团在该段时间内的每笔交易，可以以最起始的一笔交易作为时间基准点来确定交易时间。

随后进入步骤520。对于该社团在该段时间内的每笔交易，确定其交易时间与平均交易时间之差的绝对值ΔT_h，这里h为交易的索引号。

接着进入步骤530，根据ΔT_h的取值将每笔交易归类到多个区间的相应区间中，并统计每个区间内的交易次数与该社团在时间段T_m期间的总交易次数的比率。

随后进入步骤540，依照下式确定用于反映交易时间与异常交易之间相关性的交易时间熵H_C：

这里n为区间的总数，P_i表示第i个区间内的交易笔数与该社团在时间段T_m期间的总交易笔数的比率。

由式(20)可见，在一个时间段内，如果一个社团内的交易时间熵越小，则表示交易活动的时间越集中，因此交易异常的可能性越大。

接着进入步骤550，确定该社团的整体风险因子。优选地，整体风险因子ψ_k可以利用下式确定：

这里为社团k内节点的数量的标准化值，为社团k在时间段T_m期间的总交易次数的的标准化值，为社团k在时间段T_m期间的总交易金额的的标准化值，为社团k内节点的平均度数的的标准化值，为社团k在时间段T_m期间的交易时间熵的标准化值，为权重值，可根据实际应用设定。

由式(21)计算得到的ψ_k越大，则表明交易异常的风险度较大。

可选地但并非必须的，对于一个网络图或一个连通子图内的多个社团，可以按照图5所示方法确定的整体风险因子对它们进行从高到低的排序，其中前5％的社团被评级为I级可疑社团，介于5％～10％的社团被评级为II级可疑社团等。

在上面借助图1-5所述的实施例中，描述了用于识别一个时间段T_m内的异常交易社团的方法。上述实施例也可以推广到多个时间段内异常交易社团的识别中。当需要对较长跨度的时间段内的交易活动进行监测时，考虑到社团可能的变化而将长跨度时间段分割为多个时间段来监测是有利的。

例如可以将一个较长跨度的时间段(例如一个星期、一个月或者半年等)分为n个时间段，然后在每个时间段内，分别采用上面借助图1-5所述的实施例来识别异常交易社团。考虑到数据量较大，优选地，可以采用下述增量式方法进行社团的划分。具体而言，在第一个时间段T_i内完成社团划分后保留每个节点所对应的社团标签；随后，在对下一时间段T_i+1进行社团划分时，取该时间段内的所有节点与上一时间段内的所有节点的交集，并且将交集部分的节点所对应的社团标签作为当前时间段的相关节点的初始标签，而将那些无社团标签的节点初始化为自身所属的社团，然后在此基础上执行社团划分操作。这种方式可以大大加快社团划分操作的收敛速度。

图6为按照本发明另一个实施例的用于识别异常交易社团的装置的框图。

图6所示的装置60包含存储器610、处理器620以及存储在存储器610上并可在处理器620上运行的计算机程序630，其中，计算机程序630通过在处理器620上运行以可执行如上借助图1-3所述实施例的方法。

图7为按照本发明另一个实施例的用于识别异常交易社团的装置的框图。

图7所示的装置70包含第一模块710、第二模块720和第三模块730，其中，第一模块710用于构建与多个账户相互间的交易事件相关的网络图，其中，所述网络图的每个节点代表所述多个账户的其中一个，并且以连接两个节点的边来指示在与这两个节点相关联的账户之间发生了交易，其中边的方向代表交易的方向；第二模块720用于从所述网络图确定为一个或多个社团；以及第三模块730用于根据社团的交易信息确定其相应的风险度量，该风险度量用于确定该社团是否属于异常交易社团。

按照本发明的一个方面，提供一种计算机可读存储介质，其上存储计算机程序，该程序被处理器执行时实现借助图1-3所述实施例的方法。

与现有技术相比，本发明的上述实施例具有下列优点：

1、不依赖已有案件信息，仅从海量交易中即能主动发现高风险的非法交易团伙。

2、通过创造性地将社团发现算法与动态洗钱模式相结合，形成了对于反洗钱具有特别针对性的时序有向社团发现算法，使得能够准确地进行洗钱意义上的社团划分。

3、能够对社团进行准确的异常交易风险量化评分，依照评分等级划分形成社团洗钱风险评级，业务人员能够根据该评级进行更加有目的性的反洗钱工作的开展。

4、通过动态分析多个时间跨度内的交易社团结构随时间的演化，能够确定高风险洗钱社团并分析其内在演化规律。

提供本文中提出的实施例和示例，以便最好地说明按照本技术及其特定应用的实施例，并且由此使本领域的技术人员能够实施和使用本发明。但是，本领域的技术人员将会知道，仅为了便于说明和举例而提供以上描述和示例。所提出的描述不是意在涵盖本发明的各个方面或者将本发明局限于所公开的精确形式。

鉴于以上所述，本公开的范围通过以下权利要求书来确定。

Claims (11)

1.一种用于识别异常交易社团的方法，其特征在于，包含下列步骤：

构建与多个账户相互间的交易事件相关的网络图，其中，所述网络图的每个节点代表所述多个账户的其中一个，并且以连接两个节点的边来指示在与这两个节点相关联的账户之间发生了交易，其中边的方向代表交易的方向；

从所述网络图确定为一个或多个社团；以及

根据社团的交易信息确定其相应的风险度量，该风险度量用于确定该社团是否属于异常交易社团。

2.如权利要求1所述的方法，其中，确定社团的步骤包括：

从所述网络图确定一个或多个连通子图，其中，每个连通子图内的任意两个节点之间是连通的，并且两个连通子图之间无相连接的边；以及

对连通子图执行社团划分操作。

3.如权利要求2所述的方法，其中，在执行社团划分的步骤中，对于任一连通子图，按照下列方式执行划分操作：

基于节点权重和交易时序，对该连通子图中的边的权重进行修正；以及

以迭代方式对该连通子图进行社团划分直到划分后该连通子图的模块度不再变化为止，由此完成该连通子图的社团划分。

4.如权利要求3所述的方法，其中，节点权重依赖于边两端的每个节点的交易金额、交易次数和出入度总数。

5.如权利要求3所述的方法，其中，所述交易时序依赖于边两端的每个节点的资金平均转入时间和资金平均转出时间。

6.如权利要求3所述的方法，其中，对于两个节点之间的边，其对模块度的贡献值与边的方向相关。

7.如权利要求1所述的方法，其中，所述交易信息包括每个社团内的每笔交易的时间、该社团的总交易数量和总交易金额。

8.如权利要求7所述的方法，其中，每个社团的风险度量包括该社团的交易时间熵和整体风险因子。

9.一种用于识别异常交易社团的装置，包含：

第一模块，用于构建与多个账户相互间的交易事件相关的网络图，其中，所述网络图的每个节点代表所述多个账户的其中一个，并且以连接两个节点的边来指示在与这两个节点相关联的账户之间发生了交易，其中边的方向代表交易的方向；

第二模块，用于从所述网络图确定为一个或多个社团；以及

第三模块，用于根据社团的交易信息确定其相应的风险度量，该风险度量用于确定该社团是否属于异常交易社团。

10.一种用于识别异常交易社团的装置，包含存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，执行如权利要求1-8中任意一项所述的方法。

11.一种计算机可读存储介质，其上存储计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任意一项所述的方法。