CN109191107A - 交易异常识别方法、装置以及设备 - Google Patents

Abstract

本说明书实施例公开了交易异常识别方法、装置以及设备。方案包括：获取根据用户交易数据生成的交易网络，所述交易网络中的节点表示买家和卖家，边表示其连接的买家与卖家之间的信用卡交易；迭代地在所述交易网络中剔除节点及其连接的边，得到初筛选网络，所述初筛选网络中表示买家的各节点分别连接的边数不小于整数M，表示卖家的各节点分别连接的边数不小于整数N，M＜N；在所述初筛选网络中，判定参与通过拆分买家的单笔信用卡交易至多个卖家而套现的节点集合。

Description

交易异常识别方法、装置以及设备

技术领域

本说明书涉及计算机软件技术领域，尤其涉及交易异常识别方法、装置以及设备。

背景技术

智能手机的使用普及给人们的生活带来了便利，通过使用智能手机上的各种应用，能够相应地进行各种业务。其中，电商业务是用户使用最为普遍和频繁的一类业务，用户通过电商业务能够便利进行各类交易，实现商品线上买卖。

同时，在电商业务中，也存在很多交易异常现象，比如，信用卡套现、刷单等，通过这些异常，所参与的用户和商户能够非正常获利，却可能给其他方比如电商平台、银行、其他正常用户和正常商户的利益带来损失，因此，需要有效识别交易异常，以便防控。

以信用卡套现为例，套现团伙往往以如下方式活动：控制多个商户(往往为虚假商户)账号，当某个用户需要套现时，团伙会使用分账技术，先拆分该用户刷的一笔信用卡交易为多笔小额信用卡交易，然后随机派发至其控制的多个商户账号中，最后根据后台记账系统，把该用户交易的至少部分金额通过中间人，回款给用户，会收取一定的手续费。

在现有技术中，往往根据相同交易金额识别交易异常，若同一个用户在多个商家分别单笔消费了较小的相同金额，则可能会判定为交易异常。

基于此，需要更为有效的交易异常识别方案。

发明内容

本说明书实施例提供交易异常识别方法、装置以及设备，用以解决如下技术问题：需要更为有效的交易异常识别方案。

为解决上述技术问题，本说明书实施例是这样实现的：

本说明书实施例提供的一种交易异常识别方法，包括：

获取根据用户交易数据生成的交易网络，所述交易网络中的节点表示买家和卖家，边表示其连接的买家与卖家之间的信用卡交易；

迭代地在所述交易网络中剔除节点及其连接的边，得到初筛选网络，所述初筛选网络中表示买家的各节点分别连接的边数不小于整数M，表示卖家的各节点分别连接的边数不小于整数N，M＜N；

在所述初筛选网络中，判定参与通过拆分买家的单笔信用卡交易至多个卖家而套现的节点集合。

本说明书实施例提供的另一种交易异常识别方法，包括：

获取根据用户交易数据生成的交易网络，所述交易网络中的节点表示买家和卖家，边表示其连接的买家与卖家之间的交易；

迭代地在所述交易网络中剔除节点及其连接的边，得到初筛选网络，所述初筛选网络中表示买家的各节点分别连接的边数不小于整数M，表示卖家的各节点分别连接的边数不小于整数N，M＜N；

在所述初筛选网络中，判定参与通过拆分买家的单笔交易至多个卖家而非正常获利的节点集合。

本说明书实施例提供的一种交易异常识别装置，包括：

获取模块，获取根据用户交易数据生成的交易网络，所述交易网络中的节点表示买家和卖家，边表示其连接的买家与卖家之间的信用卡交易；

剔除模块，迭代地在所述交易网络中剔除节点及其连接的边，得到初筛选网络，所述初筛选网络中表示买家的各节点分别连接的边数不小于整数M，表示卖家的各节点分别连接的边数不小于整数N，M＜N；

判定模块，在所述初筛选网络中，判定参与通过拆分买家的单笔信用卡交易至多个卖家而套现的节点集合。

本说明书实施例提供的另一种交易异常识别装置，包括：

获取模块，获取根据用户交易数据生成的交易网络，所述交易网络中的节点表示买家和卖家，边表示其连接的买家与卖家之间的交易；

剔除模块，迭代地在所述交易网络中剔除节点及其连接的边，得到初筛选网络，所述初筛选网络中表示买家的各节点分别连接的边数不小于整数M，表示卖家的各节点分别连接的边数不小于整数N，M＜N；

判定模块，在所述初筛选网络中，判定参与通过拆分买家的单笔交易至多个卖家而非正常获利的节点集合。

本说明书实施例提供的一种交易异常识别设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

获取根据用户交易数据生成的交易网络，所述交易网络中的节点表示买家和卖家，边表示其连接的买家与卖家之间的信用卡交易；

迭代地在所述交易网络中剔除节点及其连接的边，得到初筛选网络，所述初筛选网络中表示买家的各节点分别连接的边数不小于整数M，表示卖家的各节点分别连接的边数不小于整数N，M＜N；

在所述初筛选网络中，判定参与通过拆分买家的单笔信用卡交易至多个卖家而套现的节点集合。

本说明书实施例提供的另一种交易异常识别设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

获取根据用户交易数据生成的交易网络，所述交易网络中的节点表示买家和卖家，边表示其连接的买家与卖家之间的交易；

迭代地在所述交易网络中剔除节点及其连接的边，得到初筛选网络，所述初筛选网络中表示买家的各节点分别连接的边数不小于整数M，表示卖家的各节点分别连接的边数不小于整数N，M＜N；

在所述初筛选网络中，判定参与通过拆分买家的单笔交易至多个卖家而非正常获利的节点集合。

本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：克服了现有技术中孤立地识别交易异常，且过于依赖相同交易金额的缺陷，针对诸如信用卡套现等交易异常的操作特点，通过构建交易网络，并针对该操作特点，迭代地在交易网络中剔除节点及其连接的边，留下网络结构较为可疑的部分网络，以进行交易异常判定，从而有利于更为有效地识别交易异常。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，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为本说明书实施例提供的一种交易异常识别方法的流程示意图；

图2为本说明书实施例提供的一个示例性的交易网络示意图；

图3为本说明书实施例提供的另一个示例性的交易网络示意图；

图4为本说明书实施例提供的上述交易异常识别方法的一种实际应用场景示意图；

图5为本说明书实施例提供的在图4的场景下，上述交易异常识别方法的一种具体实施方案的流程示意图；

图6为本说明书实施例提供的另一种交易异常识别方法的流程示意图；

图7为本说明书实施例提供的对应于图1的一种交易异常识别装置的结构示意图；

图8为本说明书实施例提供的对应于图6的一种交易异常识别装置的结构示意图。

具体实施方式

本说明书实施例提供交易异常识别方法、装置以及设备。

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

本说明书的方案能够用于识别一些交易异常，至少包括如下这类交易异常：通过拆分买家的单笔交易至多个卖家而非正常获利。具体场景比如信用卡套现、电商交易刷单等。

图1为本说明书实施例提供的一种交易异常识别方法的流程示意图，该流程可以由一个设备执行或者多个设备配置执行，某些步骤也可以允许人工干预。

图1中的流程可以包括以下步骤：

S102：获取根据用户交易数据生成的交易网络，所述交易网络中的节点表示买家和卖家，边表示其连接的买家与卖家之间的信用卡交易。

在本说明书实施例中，交易网络可以由当前的执行主体生成；或者，也可以由其他方生成，执行主体再获取来使用。

交易网络中包含表示买家和卖家的多个节点，其中，每个节点或者表示一个买家，或者表示一个卖家。交易网络比如可以是一个二分图，表示买家的各节点、表示卖家的各节点即构成该二分图中两个互不相交的节点子集。交易网络中的每条边可以表示一笔或者多笔信用卡交易，可以根据实际需求具体定义。

S104：迭代地在所述交易网络中剔除节点及其连接的边，得到初筛选网络，所述初筛选网络中表示买家的各节点分别连接的边数不小于整数M，表示卖家的各节点分别连接的边数不小于整数N，M＜N。

在本说明书实施例中，若交易网络中存在背景技术中的信用卡套现活动，则会构成具有相应特征的网络。比如，从表面上看，对于套现团伙的各商户(属于卖家)，每个套现的用户(属于买家，而且数量通常不会小)都会分别这些商户进行信用卡交易，那么这些商户分别对应的用户集合的相似度将会较高，甚至可能基本一致，相应地，在交易网络中，表示这些商户的节点所连接的节点集合的相似度也会较高。

在本说明书实施例中，交易网络中也会存在一些正常的信用卡交易，但是，相比于套现团伙的非正常商户，单个正常商户的信用卡交易(是正常的交易，非信用卡套现)数量以及针对的用户可能相应少。为了排除这类正常的信用卡交易对交易异常识别的影响，可以进行节点剔除，以尽量凸显并保留相对更为可疑的网络结构，有利于实现更为准确的交易异常识别。

进一步地，对于套现团伙，各用户分别连接的商户数量，相比于各商户分别连接的用户数量往往要少。因此，在进行节点剔除时可以区别对待，由此对于剔除后得到的初筛选网络，M＜N。在实际应用中，N可能远大于M。

在本说明书实施例中，迭代地剔除节点的具体操作方式可以是多样的。比如，可以先剔除连接节点数少于一定阈值的节点及其连接的边，然后，在之后的每次迭代过程中，一定程度地提高上一次的阈值，并根据提高后的阈值再进行剔除；再比如，也可以将交易网络划分区域，每次迭代过程，只针对部分区域。

可以分别单独针对表示买家的节点和表示卖家的节点迭代操作，也可以统一对表示买家的节点和表示卖家的节点迭代操作。对于后一种情况，若某次迭代操作后，表示买家的各节点分别连接的边数已不小于整数M，则后面的迭代操作只针对表示卖家的节点即可，直至表示卖家的各节点分别连接的边数不小于整数N。

在本说明书实施例中，迭代地在交易网络中剔除节点比如可以利用k-cores算法，或者基于k-cores算法改进得到的算法等实现。

S106：在所述初筛选网络中，判定参与通过拆分买家的单笔信用卡交易至多个卖家而套现的节点集合(属于套现团伙)。

在本说明书实施例中，可以初步将初筛选网络中的节点直接判定为套现团伙，再通过人工干预，对初步的判定结果进行核验，以获得更准确地结果；或者，也可以基于初筛选网络，根据其中各卖家分别对应的买家集合之间的相似度，判定套现团伙；或者，也可以结合其他机器手段，智能地在初筛选网络中判定套现团伙；等等。机器手段比如包括神经网络等有监督算法，也可以包括孤立森林(isolation-forest)、自编码器加聚类、单分类支持向量机(one-class SVM)等无监督算法等。

若判定出套现团伙，则也可以进一步地判定出用于套现的各笔信用卡交易。针对套现团伙及其后续再参与的信用卡交易，即可以有效识别和控制。

通过图1的方法，克服了现有技术中孤立地识别交易异常，且过于依赖相同交易金额的缺陷，针对诸如信用卡套现等交易异常的操作特点，通过构建交易网络，并针对该操作特点，迭代地在交易网络中剔除节点及其连接的边，留下网络结构较为可疑的部分网络，以进行交易异常判定，从而有利于更为有效地识别交易异常。

基于图1的方法，本说明书实施例还提供了该方法的一些具体实施方案，以及扩展方案，下面进行说明。

在本说明书实施例中，非正常的信用卡交易还可能具有其他一些特征，则生成交易网络前，可以根据这些特征先有针对性地筛选用户交易数据，用以生成交易网络。

例如，对于步骤S102，根据用户交易数据，生成交易网络，具体可以包括：筛选符合指定条件(即具有上述的其他一些特征)的用户交易数据，所述指定条件比如包括以下至少一种：对应的交易发生在指定的短时间内(一般地，套现团伙针对拆分至多个商户的各交易往往会相隔很近的时间)、对应的卖家的指定属性(比如，平均交易量、签约类型等)相似或者相同；根据所筛选的用户交易数据，生成交易网络。

当然，也可以先不筛选用户交易数据，在生成交易网络后，再根据上述的其他一些特征，从交易网络中删除一部分边，等等。

在本说明书实施例中，对于步骤S104，所述迭代地在所述交易网络中剔除节点及其连接的边，得到初筛选网络，具体可以包括：在所述交易网络中，针对表示买家的各节点迭代执行M-1轮剔除操作，以及针对表示卖家的各节点迭代执行N-1轮剔除操作，得到初筛选网络；其中，第i轮剔除操作包括：在该轮所针对的各节点中，剔除连接的边数小于i+1的节点及其连接的边，i从1开始计数，对于表示买家的各节点而言，i最大可以为M-1，对于表示卖家的各节点而言，i最大可以为N-1。比如，在第一次迭代过程中，先剔除交易网络中连接的边数小于2的节点及其连接的各边，在下一次迭代过程中，在剩余的网络结构中，再剔除连接的边数小于3的节点及其连接的各边，以此类推，能够得到初筛选网络。

需要说明的是，在实际应用中，M与N之间的大小关系可以不局限于M＜N，不过在这种情况下，方案效果可能受到影响。比如，也可以使M＝N，参见图2，图2为本说明书实施例提供的一个示例性的交易网络示意图。

在图2中，假定u、s、p、q、r为一个套现团伙。u与p、q、r这三个团伙成员之间有边连接，s、p、r也分别与其他三个成员之间互有边连接，则这几个团伙成员连接的边数均不小于3。在图2的情况下，若使M＝N＝3，能够比较准确地识别该套现团伙。

再参见图3，图3为本说明书实施例提供的另一个示例性的交易网络示意图，该交易网络是一个二分图，圆形的各节点构成一个节点子集，方形和三角形的各节点构成另一个节点子集，假定方形和圆形的各节点为套现团伙。圆形的节点数量大于方形的节点数量，则方形的节点连接的边数量比圆形的节点连接的边数量多。在图3的情况下，若使M＝N＝3，则该套现团伙不能被识别出来，而若使M＝N＝2，则三角形的节点则可能被错误地识别为该套现团伙中的成员。

在本说明书实施例中，对于步骤S104，所述在所述初筛选网络中，判定参与通过拆分买家的单笔信用卡交易至多个卖家而套现的节点集合，具体可以包括：在所述初筛选网络中，确定表示卖家的各节点分别连接的节点集合；计算所确定的各节点集合之间的相似度；确定相似性大于设定阈值的各节点集合中均包含的节点，和/或确定相似性大于设定阈值的各节点集合所对应的表示卖家的节点；将至少部分所确定的节点构成的节点集合判定为：参与通过拆分买家的单笔信用卡交易至多个卖家而套现的节点集合。当然，前面也有提到，这并非唯一的方案，比如，也可以采用下一段的方案。

本说明书实施例中，所述在所述初筛选网络中，判定参与通过拆分买家的单笔信用卡交易至多个卖家而套现的节点集合，具体可以包括：利用无监督算法，对所述初筛选网络进行处理，得到各子网络；在所述各子网络中，筛选异常子网络；将至少部分所筛选的异常子网络包含的节点构成的节点集合判定为：参与通过拆分买家的单笔信用卡交易至多个卖家而套现的节点集合。比如，若采用的无监督算法是某种聚类算法，则异常子网络往往会被单独聚为一类或者多类，通过横向比较所聚出的各类，能够找到其中的异常子网络。

根据上面的说明，本说明书实施例还提供了上述交易异常识别方法的一种实际应用场景示意图，如图4所示。

在图4中，交易网络为一个二分图，示出二分图中的部分节点，表示属于套现团伙的若干买家以及若干虚假商户(卖家)。买家与卖家之间进行信用卡交易，通过幕后的套现平台操作，将买家的单笔信用卡交易进行拆分，然后派发到多个虚假商户，买家与虚假商户可以是直接连接的，也可以是间接连接的，之后套现平台会扣除一定的手续费，然后将剩余的套现的金额返给对应的而买家，从而实现信用卡套现。

进一步地，本说明书实施例还提供了在图4的场景下，上述交易异常识别方法的一种具体实施方案的流程示意图，如图5所示。

图5中的流程主要包括以下步骤：

定义交易网络的节点：交易的付款方定义为买家，交易的收款方定义为卖家。从数量上来说，买家的数量会超过卖家，卖家连接的买家数量可能远大于卖家数量。表示买家和卖家节点分别采用不同的标识进行区别。

定义交易网络的边:从买家出发的信用卡交易。为了避免误稽核，比如同一个小区的用户，早上回去同一家早餐店，晚上会去小区附近的菜市场等类似的现象，对交易的选取会做一定的限制。比如，交易发生在一定的短时间内，套现平台派发的交易，会相隔很近的时间；商户属性相似，如平均交易量，签约类型等。

定义节点需要的度：包括针对买家节点的M和针对买家节点的N，M＜N；进而根据这个目标迭代地进行节点剔除。

结合无监督算法识别交易异常。

本说明书的方案不仅能够用于识别信用卡套现这种交易异常，还可以用于识别操作原理类似的其他交易异常。基于此，本说明书实施例还提供了另一种交易异常识别方法的流程示意图，如图6所示。

图6中的流程可以包括以下步骤：

S602：获取根据用户交易数据生成的交易网络，所述交易网络中的节点表示买家和卖家，边表示其连接的买家与卖家之间的交易。

S604：迭代地在所述交易网络中剔除节点及其连接的边，得到初筛选网络，所述初筛选网络中表示买家的各节点分别连接的边数不小于整数M，表示卖家的各节点分别连接的边数不小于整数N，M＜N。

S606：在所述初筛选网络中，判定参与通过拆分买家的单笔交易至多个卖家而非正常获利的节点集合。

基于同样的思路，本说明书实施例还提供了上述方法对应的装置，如图7、图8所示。

图7为本说明书实施例提供的对应于图1的一种交易异常识别装置的结构示意图，所述装置包括：

获取模块701，获取根据用户交易数据生成的交易网络，所述交易网络中的节点表示买家和卖家，边表示其连接的买家与卖家之间的信用卡交易；

剔除模块702，迭代地在所述交易网络中剔除节点及其连接的边，得到初筛选网络，所述初筛选网络中表示买家的各节点分别连接的边数不小于整数M，表示卖家的各节点分别连接的边数不小于整数N，M＜N；

判定模块703，在所述初筛选网络中，判定参与通过拆分买家的单笔信用卡交易至多个卖家而套现的节点集合。

可选地，根据用户交易数据，生成交易网络，具体包括：

所述获取模块701筛选符合指定条件的用户交易数据，所述指定条件包括以下至少一种：对应的交易发生在指定的短时间内、对应的卖家的指定属性相似或者相同；

根据所筛选的用户交易数据，生成交易网络。

可选地，所述剔除模块702迭代地在所述交易网络中剔除节点及其连接的边，得到初筛选网络，具体包括：

所述剔除模块702在所述交易网络中，针对表示买家的各节点迭代执行M-1轮剔除操作，以及针对表示卖家的各节点迭代执行N-1轮剔除操作，得到初筛选网络；

其中，第i轮剔除操作包括：在该轮所针对的各节点中，剔除连接的边数小于i+1的节点及其连接的边，i从1开始计数。

可选地，所述判定模块703在所述初筛选网络中，判定参与通过拆分买家的单笔信用卡交易至多个卖家而套现的节点集合，具体包括：

所述判定模块703在所述初筛选网络中，确定表示卖家的各节点分别连接的节点集合；

计算所确定的各节点集合之间的相似度；

确定相似性大于设定阈值的各节点集合中均包含的节点，和/或确定相似性大于设定阈值的各节点集合所对应的表示卖家的节点；

将至少部分所确定的节点构成的节点集合判定为：参与通过拆分买家的单笔信用卡交易至多个卖家而套现的节点集合。

可选地，所述判定模块703在所述初筛选网络中，判定参与通过拆分买家的单笔信用卡交易至多个卖家而套现的节点集合，具体包括：

所述判定模块703利用无监督算法，对所述初筛选网络进行处理，得到各子网络；

在所述各子网络中，筛选异常子网络；

将至少部分所筛选的异常子网络包含的节点构成的节点集合判定为：参与通过拆分买家的单笔信用卡交易至多个卖家而套现的节点集合。

图8为本说明书实施例提供的对应于图6的一种交易异常识别装置的结构示意图，所述装置包括：

获取模块801，获取根据用户交易数据生成的交易网络，所述交易网络中的节点表示买家和卖家，边表示其连接的买家与卖家之间的交易；

剔除模块802，迭代地在所述交易网络中剔除节点及其连接的边，得到初筛选网络，所述初筛选网络中表示买家的各节点分别连接的边数不小于整数M，表示卖家的各节点分别连接的边数不小于整数N，M＜N；

判定模块803，在所述初筛选网络中，判定参与通过拆分买家的单笔交易至多个卖家而非正常获利的节点集合。

基于同样的思路，本说明书实施例还提供了对应于图1的一种交易异常识别设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

获取根据用户交易数据生成的交易网络，所述交易网络中的节点表示买家和卖家，边表示其连接的买家与卖家之间的信用卡交易；

迭代地在所述交易网络中剔除节点及其连接的边，得到初筛选网络，所述初筛选网络中表示买家的各节点分别连接的边数不小于整数M，表示卖家的各节点分别连接的边数不小于整数N，M＜N；

在所述初筛选网络中，判定参与通过拆分买家的单笔信用卡交易至多个卖家而套现的节点集合。

基于同样的思路，本说明书实施例还提供了对应于图6的一种交易异常识别设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

获取根据用户交易数据生成的交易网络，所述交易网络中的节点表示买家和卖家，边表示其连接的买家与卖家之间的交易；

迭代地在所述交易网络中剔除节点及其连接的边，得到初筛选网络，所述初筛选网络中表示买家的各节点分别连接的边数不小于整数M，表示卖家的各节点分别连接的边数不小于整数N，M＜N；

在所述初筛选网络中，判定参与通过拆分买家的单笔交易至多个卖家而非正常获利的节点集合。

基于同样的思路，本说明书实施例还提供了对应于图1的一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：

获取根据用户交易数据生成的交易网络，所述交易网络中的节点表示买家和卖家，边表示其连接的买家与卖家之间的信用卡交易；

迭代地在所述交易网络中剔除节点及其连接的边，得到初筛选网络，所述初筛选网络中表示买家的各节点分别连接的边数不小于整数M，表示卖家的各节点分别连接的边数不小于整数N，M＜N；

在所述初筛选网络中，判定参与通过拆分买家的单笔信用卡交易至多个卖家而套现的节点集合。

基于同样的思路，本说明书实施例还提供了对应于图6的一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：

获取根据用户交易数据生成的交易网络，所述交易网络中的节点表示买家和卖家，边表示其连接的买家与卖家之间的交易；

迭代地在所述交易网络中剔除节点及其连接的边，得到初筛选网络，所述初筛选网络中表示买家的各节点分别连接的边数不小于整数M，表示卖家的各节点分别连接的边数不小于整数N，M＜N；

在所述初筛选网络中，判定参与通过拆分买家的单笔交易至多个卖家而非正常获利的节点集合。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书实施例提供的装置、设备、非易失性计算机存储介质与方法是对应的，因此，装置、设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、设备、非易失性计算机存储介质的有益技术效果。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书实施例可提供为方法、系统、或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书是参照根据本说明书实施例的方法、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。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (14)

1.一种交易异常识别方法，包括：

获取根据用户交易数据生成的交易网络，所述交易网络中的节点表示买家和卖家，边表示其连接的买家与卖家之间的信用卡交易；

迭代地在所述交易网络中剔除节点及其连接的边，得到初筛选网络，所述初筛选网络中表示买家的各节点分别连接的边数不小于整数M，表示卖家的各节点分别连接的边数不小于整数N，M＜N；

在所述初筛选网络中，判定参与通过拆分买家的单笔信用卡交易至多个卖家而套现的节点集合。

2.如权利要求1所述的方法，根据用户交易数据，生成交易网络，具体包括：

筛选符合指定条件的用户交易数据，所述指定条件包括以下至少一种：对应的交易发生在指定的短时间内、对应的卖家的指定属性相似或者相同；

根据所筛选的用户交易数据，生成交易网络。

3.如权利要求1所述的方法，所述迭代地在所述交易网络中剔除节点及其连接的边，得到初筛选网络，具体包括：

在所述交易网络中，针对表示买家的各节点迭代执行M-1轮剔除操作，以及针对表示卖家的各节点迭代执行N-1轮剔除操作，得到初筛选网络；

其中，第i轮剔除操作包括：在该轮所针对的各节点中，剔除连接的边数小于i+1的节点及其连接的边，i从1开始计数。

4.如权利要求1所述的方法，所述在所述初筛选网络中，判定参与通过拆分买家的单笔信用卡交易至多个卖家而套现的节点集合，具体包括：

在所述初筛选网络中，确定表示卖家的各节点分别连接的节点集合；

计算所确定的各节点集合之间的相似度；

确定相似性大于设定阈值的各节点集合中均包含的节点，和/或确定相似性大于设定阈值的各节点集合所对应的表示卖家的节点；

将至少部分所确定的节点构成的节点集合判定为：参与通过拆分买家的单笔信用卡交易至多个卖家而套现的节点集合。

5.如权利要求1所述的方法，所述在所述初筛选网络中，判定参与通过拆分买家的单笔信用卡交易至多个卖家而套现的节点集合，具体包括：

利用无监督算法，对所述初筛选网络进行处理，得到各子网络；

在所述各子网络中，筛选异常子网络；

将至少部分所筛选的异常子网络包含的节点构成的节点集合判定为：参与通过拆分买家的单笔信用卡交易至多个卖家而套现的节点集合。

6.一种交易异常识别方法，包括：

获取根据用户交易数据生成的交易网络，所述交易网络中的节点表示买家和卖家，边表示其连接的买家与卖家之间的交易；

迭代地在所述交易网络中剔除节点及其连接的边，得到初筛选网络，所述初筛选网络中表示买家的各节点分别连接的边数不小于整数M，表示卖家的各节点分别连接的边数不小于整数N，M＜N；

在所述初筛选网络中，判定参与通过拆分买家的单笔交易至多个卖家而非正常获利的节点集合。

7.一种交易异常识别装置，包括：

获取模块，获取根据用户交易数据生成的交易网络，所述交易网络中的节点表示买家和卖家，边表示其连接的买家与卖家之间的信用卡交易；

剔除模块，迭代地在所述交易网络中剔除节点及其连接的边，得到初筛选网络，所述初筛选网络中表示买家的各节点分别连接的边数不小于整数M，表示卖家的各节点分别连接的边数不小于整数N，M＜N；

判定模块，在所述初筛选网络中，判定参与通过拆分买家的单笔信用卡交易至多个卖家而套现的节点集合。

8.如权利要求7所述的装置，根据用户交易数据，生成交易网络，具体包括：

所述获取模块筛选符合指定条件的用户交易数据，所述指定条件包括以下至少一种：对应的交易发生在指定的短时间内、对应的卖家的指定属性相似或者相同；

根据所筛选的用户交易数据，生成交易网络。

9.如权利要求7所述的装置，所述剔除模块迭代地在所述交易网络中剔除节点及其连接的边，得到初筛选网络，具体包括：

所述剔除模块在所述交易网络中，针对表示买家的各节点迭代执行M-1轮剔除操作，以及针对表示卖家的各节点迭代执行N-1轮剔除操作，得到初筛选网络；

其中，第i轮剔除操作包括：在该轮所针对的各节点中，剔除连接的边数小于i+1的节点及其连接的边，i从1开始计数。

10.如权利要求7所述的装置，所述判定模块在所述初筛选网络中，判定参与通过拆分买家的单笔信用卡交易至多个卖家而套现的节点集合，具体包括：

所述判定模块在所述初筛选网络中，确定表示卖家的各节点分别连接的节点集合；

计算所确定的各节点集合之间的相似度；

确定相似性大于设定阈值的各节点集合中均包含的节点，和/或确定相似性大于设定阈值的各节点集合所对应的表示卖家的节点；

将至少部分所确定的节点构成的节点集合判定为：参与通过拆分买家的单笔信用卡交易至多个卖家而套现的节点集合。

11.如权利要求7所述的装置，所述判定模块在所述初筛选网络中，判定参与通过拆分买家的单笔信用卡交易至多个卖家而套现的节点集合，具体包括：

所述判定模块利用无监督算法，对所述初筛选网络进行处理，得到各子网络；

在所述各子网络中，筛选异常子网络；

将至少部分所筛选的异常子网络包含的节点构成的节点集合判定为：参与通过拆分买家的单笔信用卡交易至多个卖家而套现的节点集合。

12.一种交易异常识别装置，包括：

获取模块，获取根据用户交易数据生成的交易网络，所述交易网络中的节点表示买家和卖家，边表示其连接的买家与卖家之间的交易；

剔除模块，迭代地在所述交易网络中剔除节点及其连接的边，得到初筛选网络，所述初筛选网络中表示买家的各节点分别连接的边数不小于整数M，表示卖家的各节点分别连接的边数不小于整数N，M＜N；

判定模块，在所述初筛选网络中，判定参与通过拆分买家的单笔交易至多个卖家而非正常获利的节点集合。

13.一种交易异常识别设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

获取根据用户交易数据生成的交易网络，所述交易网络中的节点表示买家和卖家，边表示其连接的买家与卖家之间的信用卡交易；

迭代地在所述交易网络中剔除节点及其连接的边，得到初筛选网络，所述初筛选网络中表示买家的各节点分别连接的边数不小于整数M，表示卖家的各节点分别连接的边数不小于整数N，M＜N；

在所述初筛选网络中，判定参与通过拆分买家的单笔信用卡交易至多个卖家而套现的节点集合。

14.一种交易异常识别设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

获取根据用户交易数据生成的交易网络，所述交易网络中的节点表示买家和卖家，边表示其连接的买家与卖家之间的交易；

迭代地在所述交易网络中剔除节点及其连接的边，得到初筛选网络，所述初筛选网络中表示买家的各节点分别连接的边数不小于整数M，表示卖家的各节点分别连接的边数不小于整数N，M＜N；

在所述初筛选网络中，判定参与通过拆分买家的单笔交易至多个卖家而非正常获利的节点集合。