CN109063977A

CN109063977A - 一种无感式交易风险监测方法及装置

Info

Publication number: CN109063977A
Application number: CN201810764846.0A
Authority: CN
Inventors: 李旭瑞; 柴洪峰; 郑建宾; 赵金涛; 刘红宝
Original assignee: China Unionpay Co Ltd
Current assignee: China Unionpay Co Ltd
Priority date: 2018-07-12
Filing date: 2018-07-12
Publication date: 2018-12-21
Anticipated expiration: 2038-07-12
Also published as: CN109063977B

Abstract

本发明实施例提供一种无感式交易风险监测方法及装置，尤其是利用终端的传感器获取的行为数据确定交易行为风险。具体的，所述行为数据可以根据交易节点划分，交易节点为根据业务场景确定的，所述交易节点用于触发所述交易进入下一交易节点；将所述交易节点中获取的传感器的行为数据作为多通道的模型输入，然后利用模型自动学习交易中的行为数据的动态演化规律，从而确定所述交易节点的交易风险；综合所述交易的各交易节点的交易风险，确定所述交易的风险。

Description

一种无感式交易风险监测方法及装置

技术领域

本发明涉及互联网技术领域，尤其涉及一种无感式交易风险监测方法及装置。

背景技术

当前公司在网上开展营销活动的时候，一般会有各种优惠活动，用于吸引客户，扩大公司产品的影响力。然而，这些优惠活动经常会被一些网络黑产组织以非正常的手段通过控制大量的终端设备等方式，在第一时间快速抢走，导致正常客户很难享受优惠活动，严重影响营销效果。这些专门选择互联网渠道的优惠促销活动，以低成本甚至零成本批量换取物质上的实惠的黑产组织一般被称为“羊毛党”。

目前，遏制羊毛党的方式通常为增加验证环节，但是增加验证环节导致正常的用户增加了很多操作，导致用户体验较差。为了有效打击羊毛党，保护正常用户的利益，亟需一种无感式交易风险监测方法，用于有效的识别非正常用户。

发明内容

本发明实施例提供一种无感式交易风险监测方法及装置，用以解决现有技术中存在缺少一种可以直接检测用户是否为羊毛党的问题。

本发明实施例提供一种无感式交易风险监测方法，包括：

服务器获取用户在交易中的行为数据；所述行为数据为用户在终端的用户界面进行操作时所述终端获取的终端状态数据；所述交易包括至少一个交易节点；

所述服务器针对所述交易的每个交易节点，获取所述交易节点的行为数据；根据所述交易节点的行为数据确定所述交易节点的交易风险；所述交易节点用于触发所述交易进入下一交易节点；

所述服务器根据所述交易的各交易节点的交易风险，确定所述交易的交易风险；

所述服务器根据所述交易的交易风险，向所述终端返回交易响应。

一种可能的实现方式，所述方法还包括：

所述服务器获取非交易节点的行为数据，所述非交易节点的行为数据为所述行为数据中除各交易节点的行为数据之外的行为数据；

所述服务器根据所述非交易节点的行为数据，确定所述非交易节点的交易风险；

所述服务器根据所述交易的各交易节点的交易风险，确定所述交易的交易风险，包括：

所述服务器将各交易节点的行为数据分别输入至所述交易节点对应的第一风险检测模型，确定各交易环节的交易风险；

所述服务器将非交易节点的行为数据输入至第二风险检测模型，确定非交易节点的交易风险；

所述服务器根据所述各交易节点确定的交易风险及所述非交易节点确定的交易风险，确定所述交易的交易风险。

一种可能的实现方式，所述将各交易节点的行为数据分别输入至所述交易节点对应的第一风险检测模型，确定各交易环节的交易风险，包括：

所述服务器将所述交易节点的行为数据中每个采集源采集的行为数据作为第一风险检测模型的一个输入通道的数据；所述第一风险检测模型为卷积神经网络模型；

所述服务器根据所述第一风险检测模型，确定所述交易节点的交易风险。

一种可能的实现方式，所述根据所述交易节点的行为数据确定所述交易节点的交易风险，包括：

所述服务器根据所述交易节点的交易特征，提取所述交易节点的行为数据在每个采集源采集的行为数据中的特征数据；

所述服务器将所述特征数据输入至所述交易节点对应的风险检测模型中，确定所述交易节点的交易风险；所述风险检测模型为根据所述交易节点的交易特征及所述交易节点的历史行为数据确定的。

本发明实施例提供一种无感式交易风险监测方法，包括：

终端获取用户在交易中的行为数据；所述行为数据为用户在终端的用户界面进行操作时的终端的采集源采集的终端状态数据；所述交易包括至少一个交易节点；

所述终端根据所述交易的每个交易节点，从所述行为数据中获取所述交易节点的中每个采集源采集到的行为数据，并上报至服务器；

所述终端接收所述服务器返回的交易响应，确定所述交易是否成功。

一种可能的实现方式，所述方法还包括：

所述终端从所述行为数据中获取所述交易中的非交易节点中的行为数据；所述非交易节点的行为数据为所述行为数据中除各交易节点的行为数据之外的行为数据；所述终端采集所述非交易节点的行为数据的采集频率小于所述交易节点的行为数据的采集频率；

所述终端将所述非交易节点的行为数据上报至服务器。

本发明实施例提供一种无感式交易风险监测装置，包括：

获取单元，用于获取用户在交易中的行为数据；所述行为数据为用户在终端的用户界面进行操作时所述终端获取的终端状态数据；所述交易包括至少一个交易节点；

处理单元，用于针对所述交易的每个交易节点，获取所述交易节点的行为数据；根据所述交易节点的行为数据确定所述交易节点的交易风险；所述交易节点用于触发所述交易进入下一交易节点；根据所述交易的各交易节点的交易风险，确定所述交易的交易风险；根据所述交易的交易风险，向所述终端返回交易响应。

一种可能的实现方式，所述处理单元，还用于：

获取非交易节点的行为数据，所述非交易节点的行为数据为所述行为数据中除各交易节点的行为数据之外的行为数据；根据所述非交易节点的行为数据，确定所述非交易节点的交易风险；将各交易节点的行为数据分别输入至所述交易节点对应的第一风险检测模型，确定各交易环节的交易风险；将非交易节点的行为数据输入至第二风险检测模型，确定非交易节点的交易风险；根据所述各交易节点确定的交易风险及所述非交易节点确定的交易风险，确定所述交易的交易风险。

一种可能的实现方式，所述处理单元，具体用于：

将所述交易节点的行为数据中每个采集源采集的行为数据作为第一风险检测模型的一个输入通道的数据；所述第一风险检测模型为卷积神经网络模型；根据所述第一风险检测模型，确定所述交易节点的交易风险。

一种可能的实现方式，所述处理单元，具体用于：

根据所述交易节点的交易特征，提取所述交易节点的行为数据在每个采集源采集的行为数据中的特征数据；将所述特征数据输入至所述交易节点对应的风险检测模型中，确定所述交易节点的交易风险；所述风险检测模型为根据所述交易节点的交易特征及所述交易节点的历史行为数据确定的。

本发明实施例提供一种无感式交易风险监测装置，包括：

获取单元，用于获取用户在交易中的行为数据；所述行为数据为用户在终端的用户界面进行操作时的终端的采集源采集的终端状态数据；所述交易包括至少一个交易节点；

处理单元，用于根据所述交易的每个交易节点，从所述行为数据中获取所述交易节点的中每个采集源采集到的行为数据，并上报至服务器；接收所述服务器返回的交易响应，确定所述交易是否成功。

一种可能的实现方式，所述处理单元，还用于：

从所述行为数据中获取所述交易中的非交易节点中的行为数据；所述非交易节点的行为数据为所述行为数据中除各交易节点的行为数据之外的行为数据；所述终端采集所述非交易节点的行为数据的采集频率小于所述交易节点的行为数据的采集频率；将所述非交易节点的行为数据上报至服务器。

本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使所述计算机执行如本发明实施例中任一项所述的方法。

本发明实施例提供一种无感式交易风险监测的计算设备，包括：

存储器，用于存储程序指令；

处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行本发明实施例中任一项所述的方法。

综上所述，本发明实施例提供一种无感式交易风险监测方法及装置，在上述检测过程中，所用到的风险检测模型是由历史交易行为数据确定的，因此，风险检测模型中包含了用户交易行为的规律，将当前交易行为输入风险检测模型，便能获得模型计算的当前交易行为为非法交易的概率；由于根据交易的特征划分多个时段，进而用户的交易行为特征得到了进一步的细化，有效的提高了计算结果的精度，因此，本发明实施例针对用户交易行为特征来分辨用户的交易行为是否合法，有效的提高了检测的精度，实现了对非法用户的有效检测。

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一种无感式交易风险监测方法的流程示意图；

图2为本发明实施例提供一种无感式交易风险监测方法中登录界面的示意图；

图3为本发明实施例提供的一种无感式交易风险监测方法中浏览界面的示意图；

图4为本发明实施例提供的一种无感式交易风险监测方法中支付界面的示意图；

图5为本发明实施例提供的一种无感式交易风险监测方法中传感器的示意图；

图6为本发明实施例提供的一种无感式交易风险监测方法中传感器数据的示意图；

图7为本发明实施例提供的一种无感式交易风险监测方法中传感器数据的示意图；

图8为本发明实施例提供的一种无感式交易风险监测方法中传感器数据的示意图；

图9为本发明实施例提供的一种无感式交易风险监测方法中传感器数据的示意图；

图10为本发明实施例提供的一种无感式交易风险监测方法中传感器数据的示意图；

图11为本发明实施例提供的一种无感式交易风险监测方法中传感器数据的示意图；

图12为本发明实施例提供的一种无感式交易风险监测方法中模型的示意图；

图13为本发明实施例提供的一种无感式交易风险监测方法中模型的示意图；

图14为本发明实施例提供的一种无感式交易风险监测方法中传感器数据的示意图；

图15为本发明实施例提供的一种无感式交易风险监测方法中传感器数据的示意图；

图16为本发明实施例提供的一种无感式交易风险监测方法中模型的示意图；

图17为本发明实施例提供的一种无感式交易风险监测方法中模型的示意图；

图18为本发明实施例提供的一种无感式交易风险监测装置结构示意图；

图19为本发明实施例提供的一种无感式交易风险监测装置结构示意图。

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。

羊毛党以多种形式存在于网络里。伪造IP地址虚拟多台电脑设备方式，用软件同时控制多台智能终端做为肉机，在社区软件里组成关联群、招聘兼职人员、自动化脚本批量操作等等，专业的羊毛党可以用极低的成本获取极高的收入，致使许多平台损失惨重。

针对这些羊毛党，在业务层面，可以通过提高领取门槛的方式限制羊毛党，例如，只有具有消费记录的用户才能参与优惠活动，例如领取红包、邀请好友注册返现金红包等。或者，通过审核机制加强对羊毛党的限制，例如，审核时需要用户完善用户信息，邀请用户填写仔细的个人资料等等，但是，这种方法由于存在用户信息泄露的隐患，会导致一些不愿提供更多个人信息的用户流失，不能达到商户营销的目的。总之，这些在业务层面指定规则来限制羊毛党的方法限制了营销场景的丰富性。

从技术层面考虑，针对羊毛党问题，可以通过身份识别的手段，限制羊毛党。例如，通过各种验证方式，对用户的身份信息进行验证。举例来说，例如银行四要素：姓名、电话、银行卡、身份证四要素的验证。但是，羊毛党组织经常拥有很多互联网黑产资源，用户的姓名、电话、银行卡、身份证等基本信息验证难以对羊毛党构成威胁。短信验证码、语言验证码、图形验证、生物验证等。其中，短信验证码是一种最方便的身份识别手段，接入短信验证码是为了实现注册用户的手机号码正确性校验，确保用户填写的手机号码的真实性。但是，打码平台和黑卡卡商使得该项技术的安全性下降。和短信验证码相似，用语音验证码来确保手机用户的真实性；图形验证是为了区分人和机器。但是，基于人工智能、深度学习的语音、图像等识别技术的迅猛发展，语音验证码也遭到破解，图形验证也有了很多破解的手段。人脸识别、虹膜识别、活体检测等生物识别技术进行身份认证，其交互过程繁琐，降低了用户体验。

综上所述，以上提到的短信验证码、语音验证码、图形验证码、设备指纹技术以及生物特征识别等身份验证方式为显式的身份认证方案，一方面是交互成本太高；另一方面，这些验证技术的目标明确，导致黑产组织会进行针对性的攻破。

针对以上问题，本发明实施例中，在正常用户不被打扰的情况下完成对羊毛党身份的监控，使得正常用户无需进行显式验证操作，可直接登录、注册、参加活动等营销活动；但监控为非正常用户(即，疑似羊毛党的用户)可以通过增加验证的方式，证明自己不是羊毛党，因此，在提高营销效果的同时，提高用户体验。

如图1所示，本发明实施例提供一种无感式交易风险监测方法，包括：

步骤101：终端获取用户在交易中的行为数据；

其中，所述行为数据为用户在终端的用户界面进行操作时的终端的采集源采集的终端状态数据；所述交易包括至少一个交易节点；

步骤102：所述终端根据所述交易的每个交易节点，从所述行为数据中获取所述交易节点的中每个采集源采集到的行为数据，并上报至服务器；

步骤103：所述服务器获取用户在交易中的行为数据；

步骤104：所述服务器针对所述交易的每个交易节点，获取所述交易节点的行为数据；根据所述交易节点的行为数据确定所述交易节点的交易风险；所述交易节点用于触发所述交易进入下一交易节点；

步骤105：所述服务器根据所述交易的各交易节点的交易风险，确定所述交易的交易风险；所述服务器根据所述交易的交易风险，向所述终端返回交易响应。

步骤106：所述终端接收所述服务器返回的交易响应，确定所述交易是否成功。

一种可能的实现方式，针对羊毛党的监控方法，终端获取用户在交易中的行为数据可以为采集到的设备指纹、IP地址、地理位置以及APP安装信息等多种行为数据，然后基于一定的规则综合分析后，确定所述交易的交易风险，近期而判断当前账户的可疑程度。

例如，若确定多个设备在同一IP多次获取优惠，则认为这一批设备上的账户为羊毛党的风险较高。再比如通过设备指纹技术给用户的设备安装唯一的标识，如果同一个设备上绑定了多个账户，那么这一批账户都比较可疑等等。

通过上述方法，可实现隐式风险评估。在具体实施过程中，需要制定多种规则确定所述交易的交易风险，这些规则通常为根据经验获取的，难以预见性的对羊毛党进行监控。并且，针对羊毛党的通性设定的规则中，所用到的信息大多是静态的属性，比如地点、设备指纹、IP等对于当前使用账户来说都是恒定的。因此羊毛党采用技术手段去伪造或者篡改这些静态信息是可能的。羊毛党可以根据这些静态信息以及监控规则，尝试进行规避。比如针对“同一个设备或IP存在多个账户被认为可疑”这条规则，他们会使用代理IP等技术，或者采用“猫池”、“肉鸡”等等可以低廉成本控制多台智能设备。因此，上述方法由于为根据一定的风控规则以及静态信息确定的交易风险，有一定的局限性。

为进一步提高羊毛党的准确识别，避免羊毛党可以轻易规避，本发明实施例中，终端获取用户在交易中的行为数据可以为当用户启动某APP之后，该APP的移动系统(如Android)开始采集的传感器数据。传感器数据可以包括但不限于以下传感器信息：光线传感器，用于调节屏幕自动背光的亮度等；距离传感器，用于自动熄灭屏幕或自动实现解锁与锁屏动作等；重力传感器，用于横竖屏智能切换重力感应类游戏等；加速度传感器，用于计步、手机摆放位置朝向角度等；磁场传感器，用于指南针、地图导航方向、金属探测器APP等；陀螺仪，用于体感、摇一摇、游戏中控制视角、VR虚拟现实、在GPS没有信号时惯性导航等；GPS，用于地图、导航、测速、测距；指纹传感器，用于加密、解锁、支付等安全验证；霍尔感应器，用于翻盖自动解锁、合盖自动锁屏等；气压传感器，用于修正海拔误差辅助GPS定位立交桥或楼层位置等；心率传感器，血氧传感器用于运动、健康等信息的测量。

例如，行为数据可以为终端通过传感器等采集源采集的加速度、重力、陀螺仪、压力、轨迹等数据。

对于不同用户的操作习惯，终端采集到的传感器数据都会有不同，这些数据间的差异有的很明显，有的则是不易察觉但是很有区分性。羊毛党想要全方位地伪造这类数据是很困难的，由于很难复制出上述传感器数据，提高了在监控过程中动态信息的捕捉能力，可以有效的限制羊毛党，因此具有良好的风险防控作用。

在具体实施过程中，所述行为数据为用户在终端的用户界面进行操作时的终端的采集源采集的终端状态数据；所述交易包括至少一个交易节点；

其中，交易节点用于触发所述交易进入下一交易节点，例如，一个带有账户体系的支付过程中，可以包括以下交易节点：登录→选择商品→购买→支付；其中，登录这一交易节点还可以包括：滑动解锁、九宫格解锁、输入密码登录、人脸或者指纹等生物特征识别等交易节点。选择商品和购买等交易节点可以包括滑动屏幕和点击控件等操作。支付的交易节点可能涉及输入密码、输入验证码等操作。

从另一个角度理解交易节点，可以认为用户的操作，用于触发一个具体的目的，即触发下一交易节点，例如，短时间有目的性地滑动屏幕，如，滑动登录、九宫格解锁等，用于触发登录；短时间内有目的性地点击输入，如输入密码、验证码等，用于触发支付；而非交易节点中，用户的操作无法触发一个具体的目的，例如长时间内无目的性地随机滑动、点击，用于浏览页面，查找商品等过程。

如图2所示，点击云闪付APP图标，交易节点可以为启动APP。启动APP的过程中，可以包括登录界面，此时手机开始持续采集各种传感器数据。

如图2所示，交易节点为滑动九宫格解锁。具体的，针对交易节点的时段划分，以登录解锁为例，可以在开始解锁屏幕或者输入开始作为交易节点的起始时刻，手指离开或者最后输入结束作为交易节点的结束时刻。采集数据可能包括加速度、重力、陀螺仪、压力、轨迹等。

在滑动过程中手指的按压力度，滑动速度、速度变化节奏等等都是在不断改变的。而且手持手机阶段，陀螺仪等传感器数据存在较多的变化。

如图3所示，登录的交易节点结束后，到达下一交易节点的时段为非交易节点；此处，以下一交易节点为点击充值链接为例。因此，此处，在APP主页面上下左右滑动，找到手机充值链接的过程为非交易节点；

针对非交易节点中行为数据的获取，可以为所述终端从所述行为数据中获取所述交易中的非交易节点中的行为数据；所述非交易节点的行为数据为所述行为数据中除各交易节点的行为数据之外的行为数据；所述终端将所述非交易节点的行为数据上报至服务器。

以图3为例的非交易节点中，终端可以采集到的用户的行为数据。左右两图为2种手机的操作方式，左图方式是右手单手持手机，大拇指滑动操作。右图是将手机平放在桌上，左右食指滑动操作。对方向传感器来说，第2种操作方式中，放在桌上方向是水平的，方向传感器接收到的数据基本恒定不变。第一种操作方式中，即用户手持手机时，方向不是水平的，并且由于人体握手机的时候难免会抖动，所以重力等传感器的振动方差也会比放在桌上的时候大。此外，大拇指的按压面积会比食指的大。压力传感器数值一般也大。手机处在不同环境中一些光敏传感器可能也会变化。比如在第一种操作方式中，握手机转动的过程中不同角度对日光灯的反光都不一样。

由于非交易节点在整个交易过程中占据的时间较长，为减少处理的数据量，提高判断的效率，针对无目的性地随机滑动、点击等非交易节点的操作行为一种可能的实现方式，所述方法还包括：

所述终端采集所述非交易节点的行为数据的采集频率小于所述交易节点的行为数据的采集频率。

具体的，可以每隔一段预设时间，周期性地采集数据，直到出现有目的性的操作的交易节点，确认非交易节点结束。

如图4所示，交易节点为点击付款，输入密码等。其中，点击付款中可以包括多个交易节点，例如，密码输入可以作为一个交易节点，输入错误后重新输入可以作为另一个交易节点。

每个人的点击速度、按压力度等也都不一样。此外，如果用户是边走路边操作手机的话，加速度传感器等其他一些数值也会与前面的方式有明显的不同。

在步骤104中，由于不同传感器、不同的交易节点中，针对正常用户和羊毛党用户的特征都存在很大差异。因此，需要针对每个交易节点和非交易节点，建立不同的模型，以通过行为数据对正常用户和羊毛党用户进行有效识别。

在步骤104中，可以包括以下步骤：

步骤一、所述服务器将各交易节点的行为数据分别输入至所述交易节点对应的第一风险检测模型，确定各交易环节的交易风险；

步骤二、所述服务器将非交易节点的行为数据输入至第二风险检测模型，确定非交易节点的交易风险；

步骤三、所述服务器根据所述各交易节点确定的交易风险及所述非交易节点确定的交易风险，确定所述交易的交易风险。

采集尽可能多的传感器数据能够更加全面地度量风险。在具体实施过程中，可以针对每一个传感器的数据，提取其具有代表性的特征，然后进行有监督分类器作为第一风险检测模型，进行训练。

具体的，针对交易节点中的行为数据，可以在用户操作起始阶段到用户操作结束阶段的终端的传感器采集的数据训练模型。针对这多种传感器数据，其分析的手段可以不同。

如图5所示，比如，对于加速度传感器来说，具有x,y,z这3个方向的数据，陀螺仪传感器也有3个方向的数据。

如图6所示，在一段时间内采集的某一个方向的数据可能如下图所示，横坐标是时间，纵坐标是传感器数值，此处，可以针对这一段时间内的数据提取其{最大值,最小值,平均值,方差,……}等多个特征数据。

而对于压力传感器来说，横坐标也是时间，纵坐标是传感器数据。其特征数据可以为这段时间内数据的最大值,最小值,平均值,方差等统计值；还可以根据需要提取一些针对性的特征的特征数据，甚至针对不同的场景，特征数据都不同。

以上面输入密码的过程为例。在采集输入密码键盘过程中，手指会不断的离开屏幕，所以压力传感器的波形可能如图7所示。此时，每个“波峰之间的纯0间隔时间长短”也是一个重要的特征。

如图8所示，而对于滑动九宫格解锁的过程中，因为是一口气连续按压，所以不会存在纯0的波峰间隔，此时可以不提取该特征。而可能需要结合屏幕轨迹，统计在每个拐点处的压力变化情况作为特征，或者统计拖尾时间长度作为特征等。

具体到第一风险检测模型构建的过程来说，可以针对多个场景根据每一个传感器数据进行特征提取，针对多个传感器数据，分别提取不同类型特征构建分类器后，最后将多个弱分类器进行加权平均融合，确定交易节点的第一风险检测模型。根据交易节点中需要获取的各传感器数据的特征数据，输入第一风险检测模型，确定交易节点的交易风险。

针对非交易节点的操作行为，可以每隔一段时间，间歇性地采集非交易节点的行为数据；然后根据非交易节点的特征，进而建立第二风险检测模型，通过非交易节点的特征数据，输入至第二风险检测模型进行风险评估，确定非交易节点的交易风险。当然，也可以通过均值策略计算非交易节点的交易风险。

进一步的，由于不同传感器、不同场景下，所需要计算的特征手段都不一样。有的特征可能还比较复杂，甚至一些关键性的特征暂时很难被人们想到，导致建模存在偏差等等。为提高模型的准确度，针对多个传感器数据，针对多个场景分别提取不同类型特征构建分类器进行融合。因此，本发明实施例通过卷积神经网络模型实现对不同传感器特征的提取。由于可能采集多种传感器的信息，一种思路是针对每个传感器分别采用一个CNN模型来进行训练，之后再进行策略融合。每个传感器的数据拼接好之后，一种思路是针对每个传感器分别采用一个CNN模型来进行训练，之后再进行策略融合。

为进一步减少训练成本，减少模型的训练，提高集成度。本发明实施例提出一种信息拼接策略，可以有效融合多传感器的行为数据，进行统一建模。

步骤一、所述服务器将所述交易节点的行为数据中每个采集源采集的行为数据作为第一风险检测模型的一个输入通道的数据；所述第一风险检测模型为卷积神经网络模型；

步骤二、所述服务器根据所述第一风险检测模型，确定所述交易节点的交易风险。

在建模之前，首先，可以对行为数据进行预处理，统一行为数据的信息宽度。对于所有的d个传感器，假设采样频率最大的传感器的采样频率是f_max，那时间T内最大采样数据量为f_max*T。这样，可以将所有传感器的数据都扩展到宽度为w＝f_max*T维，然后进行拼接。

如果同一传感器多条行为数据(最多n_max条)，那将这多条行为数据归一化之后，在同一通道内进行拼接。不足n_max条行为数据的传感器将缺少的维度取0补齐。这样，每个传感器的行为数据的信息高度就统一为h＝n_max。

对于一个交易节点，所采集到的传感器的行为数据都可以表示为一个数组。比如对于传感器a，在T时间段内采集了n个数据[a₁,a₂…a_n]。而对于传感器b，由于不同的传感器的采集频率是不一样的，所以在时间段T内可能采集了m个数据[b₁,b₂…b_m]。

因此，需要将这两个传感器数据的维度进行统一。假设m>n。为避免信息损失，不能对m个数据[b₁,b₂…b_m]进行降采样。可以对原来较短的行为数据进行数据补充。在具体实施过程中，可以采用线性差值算法或者卷积插值等方法进行数据的补充。例如，可以把[a₁,a₂…a_n]直接可以看做1*n维图像的底层信息。通过opencv等图像库里面的resize函数进行图像缩放到1*m维图像。

这样，对于所有的K个传感器，假设采样频率最大的传感器的采样频率是f_max，那时间T内最大采样数据量为f_max*T。这样，可以将所有传感器的数据都扩展到f_max*T维，然后进行拼接。

如图9所示，对于加速度传感、重力传感器等本身具有x、y、z等3个方向的数据，可以将这3个方向的数据分别拼成单通道的1幅图像。如果直接堆叠起来如图10左图所示，这样可能难以学到有用的特征。因此，可以先将x、y、z这3个方向的数据先进行归一化，图10右图所示，为加速度传感器归一化后的结果。

图11所示，对于滑动轨迹这样只有x、y两个方向，压力传感器只有一条数据的传感器来说，可以采用0值补全策略，对于y或者z方向没有数据的记录统一用0表示。

在第一风险交易模型和第二风险交易模型的训练为CNN模型时，在CNN网络中，通过局部感知野，降低了计算的数据量。图像的空间联系也是局部的像素联系较为紧密，而距离较远的像素相关性则较弱。比如下图12，四个神经元分别能学到头发、领带、肩膀以及背景等4个局部的小特征。这都是通过卷积算法对底层数字如右图操作所示得到的。学到这些局部小特征之后，再经过后面多层网络进行深入融合学习，直到学到整个图像的特征。

下面这幅图对应的底层数据如图13。在做卷积算法的时候，可能会把当前数据点(y方向某时刻的数据点)的周围的信息点的所有相关信息进行深入的非线性学习。比如横向来说可能学习到单一y方向加速度的变化规律，而纵向又结合了x和z方向当前点的信息，可以学习到整体空间方向的深层次信息。

进一步的，由于传感器间的行为数据有相互耦合的情况，根据局部感知野的理论，越靠在一起的像素越能产生出有效的信息。比如图14和图15中将加速度和方向的数据进行了拼接。一个3*3的卷积核可能学习到加速度y、z与方向x之间的互信息。但是加速度y、z可能和方向z之间却存在着更为紧密的互信息，可这个信息却没有学到。即使使用的是6*3的卷积核，每个卷积都学习加速度x、y、z与方向x、y、z之间的互信息。但是，这个模型一定会更加关注直接相邻的加速度z与方向x之间的关系。更广义的，应该是把加速度和方向传感器的数据直接相连，还是把加速度和重力传感器的数据直接相连，这都是比较难定义的。也就是说，这个模型的权重注意点存在偏差，堆叠的顺序对最终学习的特征是由较大的影响。通过上述方法，进行堆叠的顺序的优化是难以确定的。

本申请实施例中，可以将每个传感器对应的图像作为多通道图像中的一层，进行深度方向的拼接，可以将每个传感器对应的图像作为多通道图像中的一层，进行深度方向的拼接，一共d个传感器，所以深度为d。这样，所有传感器的信息就被拼接为w*h*d维度的模型的输入。例如，如图16，第一通道r、第二通道g、第三通道b分别代表三种传感器的数据图像。这样一来，如果一个卷积核在进行卷积操作时，第一通道r、第二通道g、第三通道b3个通道和下一层神经网络之间会存在3组独立的权重关系，权重系数矩阵可以分别如下所示：

在模型训练过程中可以自动地学习权重大小，而无需人为地干预到底哪种堆叠方式最优。这样，将多个传感器的数据拼接以后的效果可如图17所示。

根据以上方案，以正常用户的行为数据为正样本，已知羊毛党用户的行为数据为负样本，分别针对每个短时有目的性的交易节点，构建第一风险检测模型，一共得到{S₁,S₂,…,S_n}这n个第一风险检测模型。对长时间内无目的性的非交易节点，也分别对正常用户和羊毛党用户的行为数据中随机截取固定时间段ΔT的信息作为正负样本，训练一个统一的第二风险检测模型，第二风险检测模型可以为CNN模型L₁。

在整个交易过程中，非交易节点的阶段，压力和轨迹信息可以不参与CNN模型的训练。可以额外计算该段时间内的平均点击时间或者平均点击压力作为额外的风险评分加权项。

通过上述方法，可以不需要确定每个传感器代表什么，在什么场景下使用，减少了特征提取的过程，即可将数据输入第一风险监测模型中进行训练，极大的减少了特征选取的难度和模型建立的难度。并且，可以将所有的传感器的数据都加入至第一风险检测模型中进行训练，有效的利用了更多的信息，将每个传感器一段时间T内采集到的信息视作一幅图像的底层信息。然后采深度学习中的卷积神经网络(CNN)算法构建模型，使得第一风险检测模型能够自动学习不同场景下的复杂特征，避免了羊毛党能根据具体的规则进行规避，提高了羊毛党的检出率。

在交易的识别的过程中，用户每触发一个交易节点，采集数据直到该交易节点结束，选取适当的短时目的性模型S_i进行风险判别，该模型会输出一个概率，表示当前操作是羊毛党的概率是ρ_si，对应的是正常操作的概率是1-ρ_si。

在交易节点结束时，如果没有触发下一个短时有目的性的阶段，则进入长时间内无目的性的非交易节点阶段。每隔一段固定时间段Δτ时间，采集ΔT时间段的信息，然后使用L₁模型判别ρ_li。这样直到最后付款成功前，系统一共经历了n个S_i模型判别以及m个L₁模型判断。

对概率进行加权平均，得到整体操作是羊毛党的概率为：

若最终大于设定的风险阈值，则判定该操作流程具有较高的羊毛党风险，需要进行额外的验证等操作。

以支付交易为例，在九宫格解锁阶段利用对应第一风险检测模型判别出羊毛党概率为0.8。接着在后面整个浏览过程中，一共使用了3次第二风险检测模型，判别出羊毛党概率分别为0.3、0.4、0.8。最后在输入密码的时候采用第一风险检测模型判别出羊毛党概率为0.7。则整体操作被判别为羊毛党的概率为：

若风险概率阈值设为0.5，那么根据判定该交易可能是羊毛党，后台会判定当前交易有问题，需要进一步验证或者直接拒绝交易。

通过以上方法，通过CNN模型自动提取数据间的深层次关联特征，而无需针对不同的场景分别构建不同的专家特征，因此具有普遍的适用性。

为提高识别的准确度，可以针对重要的交易场景中的交易节点，例如滑屏或者点击密码等不同场景下的交易节点，分开训练第一风险检测模型，当然，为减少模型的计算，可以针对非重要的交易场景中的交易节点，将多个交易节点的行为数据作为一个第一风险检测模型的输入进行训练。

本发明实施例中，采用终端的传感器获取用户的行为数据，构建风险模型，减少对专家经验制定规则的依赖，犯罪分子难以掌握风控模型的规律，不易被规避，难以伪造信息。通过风险模型识别羊毛党属于无感身份认证，在不增加正常用户的安全交互认证手段的情况下，可以有效的识别羊毛党，进一步保证了安全性。明确制定了交易节点和非交易节点两大类操作行为，构建不同交易节点的风险模型训练与使用策略，提高系统性能与效率。通过对不同传感器的行为数据的整合，将多个传感器的行为数据拼接为多通道的模型输入，使得所有传感器的行为数据被融合在一起进行风险检测模型的训练，增加了模型的效率与普适性。另外，通过深度学习中的卷积神经网络模型自动学习传感器的行为数据动态演化规律，避免了多种复杂场景下的人工特征提取的不准确性和复杂度，提高了识别的效率。

基于相同的发明构思，如图18所示，本发明实施例提供一种无感式交易风险监测装置，包括：

获取单元1801，用于获取用户在交易中的行为数据；所述行为数据为用户在终端的用户界面进行操作时所述终端获取的终端状态数据；所述交易包括至少一个交易节点；

处理单元1802，用于针对所述交易的每个交易节点，获取所述交易节点的行为数据；根据所述交易节点的行为数据确定所述交易节点的交易风险；所述交易节点用于触发所述交易进入下一交易节点；根据所述交易的各交易节点的交易风险，确定所述交易的交易风险；根据所述交易的交易风险，向所述终端返回交易响应。

一种可能的实现方式，处理单元1802，还用于：

一种可能的实现方式，处理单元1802，具体用于：

如图19所示，本发明实施例提供一种无感式交易风险监测装置，包括：

获取单元1901，用于获取用户在交易中的行为数据；所述行为数据为用户在终端的用户界面进行操作时的终端的采集源采集的终端状态数据；所述交易包括至少一个交易节点；

处理单元1902，用于根据所述交易的每个交易节点，从所述行为数据中获取所述交易节点的中每个采集源采集到的行为数据，并上报至服务器；接收所述服务器返回的交易响应，确定所述交易是否成功。

一种可能的实现方式，处理单元1902，还用于：

存储器，用于存储程序指令；

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

1.一种无感式交易风险监测方法，其特征在于，包括：

2.如权利要求1所述的方法，其特征在于，所述方法还包括：

3.如权利要求2所述的方法，其特征在于，所述将各交易节点的行为数据分别输入至所述交易节点对应的第一风险检测模型，确定各交易环节的交易风险，包括：

4.如权利要求1所述的方法，其特征在于，所述根据所述交易节点的行为数据确定所述交易节点的交易风险，包括：

5.一种无感式交易风险监测方法，其特征在于，包括：

6.如权利要求5所述的方法，其特征在于，所述方法还包括：

所述终端将所述非交易节点的行为数据上报至服务器。

7.一种无感式交易风险监测装置，其特征在于，包括：

8.如权利要求7所述的装置，其特征在于，所述处理单元，还用于：

9.如权利要求8所述的装置，其特征在于，所述处理单元，具体用于：

10.如权利要求7所述的装置，其特征在于，所述处理单元，具体用于：

11.一种无感式交易风险监测装置，其特征在于，包括：

12.如权利要求11所述的装置，其特征在于，所述处理单元，还用于：

13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使所述计算机执行如权利要求1至4中任一项所述的方法，或者，如权利要求5至6中任一项所述的方法。

14.一种无感式交易风险监测的计算设备，其特征在于，包括：

存储器，用于存储程序指令；

处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行如权利要求1至4中任一项所述的方法，或者，如权利要求5至6中任一项所述的方法。