CN109191136A - 一种电子银行反欺诈方法及装置 - Google Patents

Abstract

本申请提供了一种电子银行反欺诈方法，其中，包括：获取操作行为请求，操作行为请求包括用户当前请求的当前操作行为数据；以及，获取距离当前在预设时间段之内的历史操作行为数据；根据当前操作行为数据和历史操作行为数据，确定操作行为请求中请求的当前操作行为的风险概率值；将风险概率值与操作行为请求对应的预设风险阈值进行对比；当风险概率值大于预设风险阈值时，拦截操作行为请求中请求的当前操作行为。本申请将当前操作行为数据和历史操作行为数据相结合来判断用户操作行为请求中请求的当前操作行为是否正常，以提高判别用户操作行为是否正常的准确率，确保用户的账户安全。

Description

一种电子银行反欺诈方法及装置

技术领域

本申请涉及计算机信息技术领域，具体而言，涉及一种电子银行反欺诈方法及装置。

背景技术

目前，互联网的快速发展以及智能终端的普及，使得用户在使用电子银行办理查询余额、转账、购物支付、理财等业务时获得了极大的便捷，在为用户提供便捷的同时，出现了账户信息遭到暴力破解、账户信息窃取、账户信息盗用、盗转资金等非正常操作行为，使得用户的利益受到损害。

当前，现有技术中利用包含有历史操作行为的训练集来训练得到机器学习模型，之后根据用户当前的操作行为以及训练出来的机器学习模型，可以识别出用户当前的操作行为是否正常，以此来更好的监测用户的操作行为，保证账户安全。

由于不同用户之间的操作行为存在较大的差异性，同一用户在不同时间段内的操作行为也会存在区别，因此仅基于用户当前的操作行为以及现有的机器学习模型检测用户操作行为的安全性，准确率较低。

发明内容

有鉴于此，本申请实施例的目的在于提供一种电子银行反欺诈方法及装置，提高了判别用户操作行为是否正常的准确率。

第一方面，本申请实施例提供了一种电子银行反欺诈方法，其中，包括：

获取操作行为请求，所述操作行为请求包括用户当前请求的当前操作行为数据；以及，获取距离当前在预设时间段之内的历史操作行为数据；

根据所述当前操作行为数据和所述历史操作行为数据，确定所述操作行为请求中请求的当前操作行为的风险概率值；

将所述风险概率值与所述操作行为请求对应的预设风险阈值进行对比；

当所述风险概率值大于所述预设风险阈值时，拦截所述操作行为请求中请求的当前操作行为。

结合第一方面，本申请实施例提供了第一方面的第一种可能的实施方式，其中，所述根据所述当前操作行为数据和所述历史操作行为数据，确定所述操作行为请求中请求的当前操作行为的风险概率值，包括：

提取所述当前操作行为数据的第一特征向量和所述历史操作行为数据的第二特征向量；

将所述第一特征向量和所述第二特征向量进行拼接，得到第三特征向量；

将所述第三特征向量输入至预先训练得到的操作行为检测模型中，计算得到所述当前操作行为的风险概率值。

结合第一方面的第一种可能的实施方式，本申请实施例提供了第一方面的第二种可能的实施方式，其中，所述提取所述历史操作行为数据的第二特征向量，包括：

提取每一个历史操作行为数据的历史操作行为特征向量；

利用不同的计算算法，将提取得到的历史操作行为特征向量进行计算，得到每一种计算算法计算得到的特征向量；

将不同计算算法计算得到的特征向量进行拼接得到所述第二特征向量。

结合第一方面的第二种可能的实施方式，本申请实施例提供了第一方面的第三种可能的实施方式，其中，所述利用不同的计算算法，将提取得到的历史操作行为特征向量进行计算，得到每一种计算算法计算得到的特征向量，包括：

将提取得到的历史操作行为特征向量进行求平均计算，得到平均特征向量；

将提取得到的历史操作行为特征向量进行取最大计算，得到最大特征向量；

将提取得到的历史操作行为特征向量进行取最小计算，得到最小特征向量；

将提取得到的历史操作行为特征向量进行加权计算，得到加权特征向量。

结合第一方面的第一种可能的实施方式，本申请实施例提供了第一方面的第四种可能的实施方式，其中，通过以下方式进行训练得到所述操作行为检测模型：

获取训练样本集，所述训练样本集包括正样本对和负样本对，其中，每一个正样本对中包括第i个时刻的正常历史操作行为数据、以及在第i个时刻之前的预设时间段之内的历史操作行为数据，每一个负样本对中包括第j个时刻的异常历史操作行为数据、以及在第j个时刻之前的预设时间段之内的历史操作行为数据；

从所述训练样本集中选取第一预设数量的正样本对以及第二预设数量的负样本对；

针对每一个正样本对，提取每一个正样本对中两类样本分别对应的特征向量，并将提取出的两类样本分别对应特征向量进行拼接，得到第一拼接特征向量样本；以及，针对每一个负样本对，提取每一个负样本对中两类样本分别对应的特征向量，并将提取出的两类样本分别对应特征向量进行拼接，得到第二拼接特征向量样本；

将不同正样本对分别对应的第一拼接特征向量样本、以及不同负样本对分别对应的第二拼接特征向量样本分别输入至待训练的操作行为检测模型中，得到针对每一个正样本对的第一检测结果、以及每一个负样本对的第二检测结果；

基于每一个正样本对的第一检测结果以及预设的第一理论结果、每一个负样本对的第二检测结果以及预设的第二理论结果，计算本轮训练的误差值；

当计算出的误差值大于设定值，对所述待检测的操作行为检测模型的模型参数进行调整，并利用调整后的所述待训练的操作行为检测模型进行下一轮训练过程，直至计算出的误差值不大于所述设定值时，确定训练完成。

结合第一方面，本申请实施例提供了第一方面的第五种可能的实施方式，其中，在拦截所述操作行为请求中请求的当前操作行为之后，还包括：

将拦截的所述当前请求的当前操作行为数据对应的特征向量标记异常标签，并存储至历史操作行为数据库中。

结合第一方面，本申请实施例提供了第一方面的第六种可能的实施方式，其中，在将所述风险概率值与所述操作行为请求对应的预设风险阈值进行对比之后，还包括：

当所述风险概率值不大于所述预设风险阈时，则允许执行所述操作行为请求中请求的当前操作行为；

将允许执行的所述当前请求的当前操作行为数据对应的特征向量标记正常标签，并存储至历史操作行为数据库中。

第二方面，本申请实施例还提供一种电子银行反欺诈装置，其中，包括：

获取模块，用于获取操作行为请求，所述操作行为请求包括用户当前请求的当前操作行为数据；以及，获取距离当前在预设时间段之内的历史操作行为数据；

确定模块，用于根据所述当前操作行为数据和所述历史操作行为数据，确定所述操作行为请求中请求的当前操作行为的风险概率值；

对比模块，用于将所述风险概率值与所述操作行为请求对应的预设风险阈值进行对比；

拦截模块，用于当所述风险概率值大于所述预设风险阈值时，拦截所述操作行为请求中请求的当前操作行为。

结合第二方面，本申请实施例提供了第二方面的第一种可能的实施方式，其中，所述确定模块包括：

提取子模块，用于提取所述当前操作行为数据的第一特征向量和所述历史操作行为数据的第二特征向量；

拼接子模块，用于将所述第一特征向量和所述第二特征向量进行拼接，得到第三特征向量；

计算子模块，用于将所述第三特征向量输入至预先训练得到的操作行为检测模型中，计算得到所述当前操作行为的风险概率值。

结合第二方面，本申请实施例提供了第二方面的第二种可能的实施方式，其中，所述装置还包括：

存储模块，用于将拦截的所述当前请求的当前操作行为数据对应的特征向量标记异常标签，并存储至历史操作行为数据库中，以及，当所述风险概率值不大于所述预设风险阈时，则允许执行所述操作行为请求中请求的当前操作行为，并将允许执行的所述当前请求的当前操作行为数据对应的特征向量标记正常标签，并存储至历史操作行为数据库中。

本申请实施例提供的一种电子银行反欺诈方法及装置，首先获取用户的操作行为请求包括的当前请求的当前操作行为数据，以及距离当前在预设时间段之内的历史操作行为数据，并根据当前操作行为数据和历史操作行为数据，确定操作行为请求中请求的当前操作行为的风险概率值；然后将上述风险概率值与所述操作行为请求对应的预设风险阈值进行对比；最后根据对比结果进行后续操作，即当风险概率值大于预设风险阈值时，则拦截操作行为请求中请求的当前操作行为。与现有技术中，仅通过当前操作行为数据来判断用户操作行为请求中请求的当前操作行为是否正常的方法相比，本申请实施例将当前操作行为数据和历史操作行为数据相结合来判断用户操作行为请求中请求的当前操作行为是否正常，以提高判别用户操作行为是否正常的准确率。当判断出用户操作行为请求中请求的当前操作行为是异常行为时，则将该用户操作行为请求中请求的当前操作行为进行拦截，以确保用户的账户安全。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1示出了本申请实施例所提供的一种电子银行反欺诈方法的流程图；

图2示出了本申请实施例所提供的一种电子银行反欺诈方法的示意图；

图3示出了本申请实施例所提供的另一种电子银行反欺诈方法的流程图；

图4示出了本申请实施例所提供的另一种电子银行反欺诈方法的示意图；

图5示出了本申请实施例所提供的一种电子银行反欺诈方法中提取历史操作行为特征向量的流程图；

图6示出了本申请实施例所提供的另一种电子银行反欺诈方法中提取历史操作行为特征向量的示意图；

图7示出了本申请实施例所提供的另一种电子银行反欺诈方法中提取历史操作行为特征向量加权计算的示意图；

图8示出了本申请实施例所提供的一种电子银行反欺诈方法中训练操作行为检测模型的流程图；

图9示出了本申请实施例所提供的一种电子银行反欺诈方法中训练操作行为检测模型的示意图；

图10示出了本申请实施例所提供的一种电子银行反欺诈装置的结构示意图；

图11示出了本申请实施例所提供的一种电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请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。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

目前，现有技术中通常利用包含有历史操作行为的训练集来训练得到机器学习模型，之后根据用户当前的操作行为以及训练出来的机器学习模型来识别用户当前的操作行为是否正常，但是由于不同用户之间的操作行为存在较大的差异性，同一用户在不同时间段内的操作行为也会存在区别，仅通过现有技术提供的方法来检测用户操作行为是否正常，准确率较低。针对上述问题，本申请提供的一种电子银行反欺诈方法及装置，可以提高判别用户操作行为是否正常的准确率，以确保用户的账户安全。

为便于对本实施例进行理解，首先对本申请实施例所公开的一种电子银行反欺诈方法进行详细介绍。

首先，用户在利用电子银行系统进行一些业务操作时，通常是电子银行客户端在检测到用户在对电子银行进行操作后，电子银行系统获取该操作行为请求，并对该操作行为请求作出响应，以达到用户操作的目的。本申请实施例通过电子银行反欺诈系统来确保用户的账户安全，具体可见图1，用户在发出操作行为请求后，电子银行客户端可以将检测到的用户的操作行为请求传输给电子银行反欺诈系统，电子银行反欺诈系统对操作行为请求中请求的操作行为进行风险评估，并根据风险评估的结果对该操作行为请求进行允许执行或拦截。其中，训练数据库中包含有训练样本集，基于训练数据库中的训练样本集对待训练操作行为检测模型进行训练，电子银行反欺诈系统还会将带有风险评估结果的操作行为数据存储至历史行为数据库中，并且该历史行为数据库中的数据可以用来定期更新操作行为检测模型，以确保风险评估的准确率。详细步骤如下实施例。

实施例一：

如图2所示，为本申请实施例所提供的一种电子银行反欺诈方法的流程图，具体步骤如下：

S101、获取操作行为请求，操作行为请求包括用户当前请求的当前操作行为数据；以及，获取距离当前在预设时间段之内的历史操作行为数据。

具体实施中，电子银行客户端在检测到用户在对电子银行进行操作时，电子银行客户端可以将检测到的用户的操作行为请求传输给电子银行反欺诈系统。进而电子银行反欺诈系统可以获取到用户的操作行为请求，操作行为请求包括用户当前请求的当前操作行为数据。其中，该操作行为请求的类型可以分为基础操作行为和业务操作行为，具体的，基础操作行为可以包括注册电子银行、登录电子银行等操作；业务操作行为可以包括转账、缴费等操作。

在获取当前请求的当前操作行为数据的同时，还获取距离当前在预设时间段之内的历史操作行为数据，也就是在用户当前请求对应的时刻之前的预设时间段之内的历史操作行为数据，例如，用户在2018年8月20号20时0分0秒对电子银行系统进行操作，发出转账请求，则2018年8月20号20时0分0秒之前的操作行为请求包括的操作行为数据则为历史操作行为数据。

S102、根据当前操作行为数据和历史操作行为数据，确定操作行为请求中请求的当前操作行为的风险概率值。

具体实施中，在确定上述当前操作行为的风险概率值时，可以从当前操作行为数据中提取第一特征向量，并且从历史操作行为数据中提取第二特征向量，并将第一特征向量和第二特征向量进行拼接得到第三特征向量，然后将第三特征向量输入至预先训练好的操作行为检测模型中，该操作行为检测模型中将输出操作行为请求中请求的当前操作行为的风险概率值。

S103、将风险概率值与操作行为请求对应的预设风险阈值进行对比。

这里，操作行为请求对应的预设风险阈值为业务专家根据行业经验制定的，一旦操作行为请求中请求的当前操作行为的风险概率值超过该预设风险阈值，则说明该行为的风险系数较高，为异常行为(即欺诈行为)。

将操作行为检测模型计算得到的风险概率值与预设风险阈值进行对比，确定模型计算得到的风险概率值是否大于预设风险阈值，进而确定该用户操作行为请求中请求的当前操作行为是否正常。

具体的分为以下两种情况：

第一种情况包括如下步骤：

S104、当风险概率值大于预设风险阈值时，拦截操作行为请求中请求的当前操作行为。

S105、将拦截的当前请求的当前操作行为数据对应的特征向量标记异常标签，并存储至历史操作行为数据库中。

这里，将风险概率值与预设风险阈值进行对比之后，若当风险概率值大于预设风险阈值，也就是该操作行为请求中请求的当前操作行为异常时，则电子银行反欺诈系统将操作行为请求中请求的当前操作行为进行拦截，以确保用户的账户安全。

在将异常的操作行为请求中请求的当前操作行为拦截之后，将拦截的当前请求的当前操作行为数据对应的特征向量标记异常标签，将带有异常标签的当前操作行为数据存储至历史操作行为数据库中。

第二种情况包括如下步骤：

S106、当风险概率值不大于预设风险阈时，则允许执行操作行为请求中请求的当前操作行为。

S107、将允许执行的当前请求的当前操作行为数据对应的特征向量标记正常标签，并存储至历史操作行为数据库中。

这里，将风险概率值与预设风险阈值进行对比之后，若当风险概率值不大于预设风险阈值，也就是该操作行为请求中请求的当前操作行为正常时，则电子银行反欺诈系统将允许执行操作行为请求中请求的当前操作行为，使用户完成操作行为请求中请求的当前操作行为。

在用户完成操作行为请求中请求的当前操作行为之后，将执行的当前请求的当前操作行为数据对应的特征向量标记正常标签，将带有正常标签的当前操作行为数据存储至历史操作行为数据库中。

其中，历史操作行为数据库包括所有历史操作行为请求的历史操作行为数据，并且所有的历史操作行为数据均有对应的标签，该标签用来表征历史操作行为数据对应的历史操作行为请求为正常还是异常。

通过将当前操作行为数据与历史操作行为数据相结合，并利用操作行为检测模型计算操作行为请求中请求的当前操作行为的风险概率值，将风险概率值与预设风险阈值对比来判断用户操作行为请求中请求的当前操作行为是否正常，可以提高判别用户操作行为是否正常的准确率，确保用户的账户安全。

具体的，针对步骤102，根据当前操作行为数据和历史操作行为数据，确定操作行为请求中请求的当前操作行为的风险概率值，具体步骤如图3所示：

S201、提取当前操作行为数据的第一特征向量和历史操作行为数据的第二特征向量。

具体的，可以对当前操作行为数据进行预处理，得到第一特征向量，对历史操作行为数据进行预处理之后，再进行如图3示出的方法进行拼接处理，得到第二特征向量。

其中，预处理的过程与操作行为检测模型中的预处理过程相同，将在操作行为检测模型训练的过程中详细阐述，因此在此不做赘述。

S202、将第一特征向量和第二特征向量进行拼接，得到第三特征向量。

这里，拼接得到的第三特征向量作为最终判断用户操作行为是否正常的依据，第三特征向量不仅能够反映第一特征向量的信息、第二特征向量的信息，还能够反映第一特征向量和第二特征向量之间的关联信息，因此根据第三特征向量进行判断，准确率较高。

S203、将第三特征向量输入至预先训练得到的操作行为检测模型中，计算得到当前操作行为的风险概率值。

这里，根据操作行为请求的类型示出了如图4的示意图，结合图3可以更加清楚体现出本申请实施例是通过将当前操作行为数据与历史操作行为数据相结合，来提高判别用户操作行为是否正常的准确率，确保用户的账户安全。

具体的，针对步骤201，提取历史操作行为数据的第二特征向量，具体步骤如图5所示，如下：

S301、提取每一个历史操作行为数据的历史操作行为特征向量；

这里，基于当前操作行为数据，以及该预设时间段之内的所有历史操作行为数据，对操作行为请求中请求的当前操作行为进行判断之前，提取预设时间段之内每一个历史操作行为数据的历史操作行为特征向量。

S302、利用不同的计算算法，将提取得到的历史操作行为特征向量进行计算，得到每一种计算算法计算得到的特征向量；

这里，在将提取得到的历史操作行为特征向量进行计算时，可以通过多种算法，以提高最终判断的准确率。

如图6所示，为提取得到的历史操作行为特征向量的示意图，进一步的，对图中本申请实施例一提供的计算算法进行详细阐述，如下：

1)、将提取得到的历史操作行为特征向量进行求平均计算，得到平均特征向量；其中，用output_mean-pooling表示平均特征向量，具体如公式1：

2)、将提取得到的历史操作行为特征向量进行取最大计算，得到最大特征向量；其中，用output_max-pooling表示最大特征向量，具体如公式2：

3)、将提取得到的历史操作行为特征向量进行取最小计算，得到最小特征向量；其中，用output_min-pooling表示最小特征向量，具体如公式3：

4)、将提取得到的历史操作行为特征向量进行加权计算，得到加权特征向量；其中，用output_{weight_sum}表示加权特征向量，具体如公式4：

其中，上述公式中各符号的含义如下：t表示当前操作行为请求对应的时刻，n表示预设时间段之内历史操作行为的数量，V_t-k表示t-n时刻的操作行为特征向量。α_n表示每一个历史时刻的操作行为特征向量的权重系数，并且α_n＝e^-n/γ，γ表示放缩系数，属于模型的超参数，一般取值在[5,10]之间。对此，本申请实施例不做限定。

具体的，考虑到时间衰减的特性，利用权重系数可以调整每一个历史时刻的操作行为特征向量的重要程度，以更好预测操作行为请求中请求的当前操作行为的正常与否，具体第四计算算法的示意图可以参照图7。

当然，为了提高最终判断的准确率还可以改变计算算法的种类以及数量，本申请实施例一不限于此。

S303、将不同计算算法计算得到的特征向量进行拼接得到第二特征向量。

这里，将不同计算算法得到的特征向量进行拼接，针对本申请实施例一步骤S302提供的具体为，将平均特征向量、最大特征向量、最小特征向量、加权特征向量进行拼接，得到第二特征向量。

其中，平均特征向量、最大特征向量、最小特征向量、加权特征向量均为同一场景下的历史操作行为数据提取的历史操作行为特征向量计算得到的。

通过上述方法对历史操作行为数据提取特征向量并计算得到第二特征向量，该第二特征向量能有效的表征预设时间段之内的历史操作行为数据的特征信息。利用当前操作行为数据与历史操作行为数据相结合，来判断用户操作行为请求中请求的当前操作行为是否正常，可以提高判别用户操作行为是否正常的准确率，确保用户的账户安全。

实施例二：

如图8所示，为本申请实施例所提供的一种电子银行反欺诈方法中对操作行为检测模型进行训练的流程图，具体步骤如下：

S401、获取训练样本集，训练样本集包括正样本对和负样本对，其中，每一个正样本对中包括第i个时刻的正常历史操作行为数据、以及在第i个时刻之前的预设时间段之内的历史操作行为数据，每一个负样本对中包括第j个时刻的异常历史操作行为数据、以及在第j个时刻之前的预设时间段之内的历史操作行为数据。

在对待训练的操作行为检测模型进行训练之前，获取训练样本集，该训练样本集包括大量正样本对和负样本对，将获取的训练样本集输入至待训练的操作行为检测模型，来对待训练的操作行为检测模型进行训练，以使得后续在通过训练好的操作行为检测模型进行预测时，预测结果有较高的准确率。

其中，正样本对中的正常历史操作行为数据带有正常标签，负样本对中的异常历史操作行为数据带有异常标签，并且正常标签和异常标签均为预先标记好的。另外，i和j均可以表示任意时刻。

上述历史操作行为数据可以包括：登陆电子银行、通过电子银行转账、转账金额、通过电子银行缴费以及缴费金额等。

另外，选取的预设时间段的具体时长可以根据前期训练操作行为检测模型的过程中，经过调试得到的，并且利用当前操作行为数据以及该预设时间段之内的历史操作行为数据相结合来判断用户操作行为是否正常，准确率较高。

S402、从训练样本集中选取第一预设数量的正样本对以及第二预设数量的负样本对。

这里，本申请实施例二中提供的操作行为检测模型为二分类模型，因此需要基于正样本对和负样本对分别对对待训练的操作行为检测模型进行训练。

具体的，选取第一预设数量的正样本对对待训练的操作行为检测模型进行训练，选取第二预设数量的负样本对对待训练的操作行为检测模型进行训练，其中，第一预设数量和第二预设数量可以相同，也可以不同。

S403、针对每一个正样本对，提取每一个正样本对中两类样本分别对应的特征向量，并将提取出的两类样本分别对应特征向量进行拼接，得到第一拼接特征向量样本；以及，针对每一个负样本对，提取每一个负样本对中两类样本分别对应的特征向量，并将提取出的两类样本分别对应特征向量进行拼接，得到第二拼接特征向量样本。

这里，可以采用预处理方式提取正样本对中两类样本分别对应的特征向量，以及负样本对中两类样本分别对应的特征向量。

具体的，对训练样本集中的数据进行预处理具体为：1、将操作行为数据向量化处理，将不规范的操作行为数据转化为统一的、便于计算机处理的格式，例如：将不是数值表示的操作行为数据对应成0和1组成的向量，将数值表示的操作行为数据直接使用其对应的数值表示。2、将向量化处理后的操作行为数据进行清洗处理，具体为，将在采集和传输的过程中出现错误与丢失的操作行为数据，进行清除错误数据和填充丢失数据的处理。3、将清洗处理后的操作行为数据进行数据增强处理，例如：本申请实施例中正常操作行为的数据(正样本对)将远大于异常操作行为的数据(负样本对)，此时基于未经清洗处理的数据对待训练的操作行为检测模型进行训练，将导致模型参数不准确，因此，需要经过清洗处理，增加异常操作行为数据量，以生成正常操作行为数据与异常操作行为数据的比例在预设范围内，确保训练得到的操作行为检测模型的模型参数准确。4、将数据增强处理后的操作行为数据进行筛选与标准化处理，将数据增强处理后的操作行为数据进行降维处理，把重要程度较低的操作行为数据去掉，并且将操作行为数据映射到相同的数值范围消除不同特征之间的量纲影响，以便模型训练速度的提升和模型识别准确率的提高。

当针对正样本对训练时，将提取的第i个时刻的正常历史操作行为数据对应的特征向量，与提取的在第i个时刻之前的预设时间段之内的历史操作行为数据的特征向量进行拼接，得到第一拼接特征向量样本，基于第一拼接特征向量样本对第i个时刻的历史操作行为进行预测。

当针对负样本对训练时，将提取的第j个时刻的正常历史操作行为数据对应的特征向量，与提取的在第j个时刻之前的预设时间段之内的历史操作行为数据的特征向量进行拼接，得到第二拼接特征向量样本，基于第二拼接特征向量样本对第j个时刻的历史操作行为进行预测。

S404、将不同正样本对分别对应的第一拼接特征向量样本、以及不同负样本对分别对应的第二拼接特征向量样本分别输入至待训练的操作行为检测模型中，得到针对每一个正样本对的第一检测结果、以及每一个负样本对的第二检测结果。

在针对正样本对训练的过程中，将第一拼接特征向量样本输入至待训练的操作行为检测模型中，得到第一拼接特征向量样本对应的操作行为的风险概率值，将该风险概率值与预设风险阈值进行对比，若该风险概率值大于预设风险阈值，则输出每一个正样本对的第一检测结果为0，若该风险概率值不大于预设风险阈值，则输出每一个正样本对的第一检测结果为1。

在针对负样本对训练的过程中，将第二拼接特征向量样本输入至待训练的操作行为检测模型中，得到第二拼接特征向量样本对应的操作行为的风险概率值，将该风险概率值与预设风险阈值进行对比，若该风险概率值大于预设风险阈值，则输出每一个正样本对的第一检测结果为0，若该风险概率值不大于预设风险阈值，则输出每一个正样本对的第一检测结果为1。

S405、基于每一个正样本对的第一检测结果以及预设的第一理论结果、每一个负样本对的第二检测结果以及预设的第二理论结果，计算本轮训练的误差值。

已知，每一个正样本对都带有正常标签，每一个负样本对都带有异常标签，故例如可以将每一个正样本对的预设的第一理论结果设置为1，将每一个负样本对的预设的第二理论结果设置为0。

在针对正样本对训练的过程中，将每一个正样本对的第一检测结果与预设的第一理论结果进行对比，并且在针对负样本对训练的过程中，将每一个负样本对的第二检测结果与预设的第二理论结果进行对比，综合第一检测结果与预设的第一理论结果的对比结果，以及第二检测结果与预设的第二理论结果的对比结果可以得到误差值。

S406、当计算出的误差值大于设定值，对待检测的操作行为检测模型的模型参数进行调整，并利用调整后的待训练的操作行为检测模型进行下一轮训练过程，直至计算出的误差值不大于设定值时，确定训练完成。

具体的，在得到误差值之后，将误差值与设定值进行对比，判断误差值是否大于设定值：

若是，则对待检测的操作行为检测模型的模型参数进行调整，并利用调整后的待训练的操作行为检测模型进行下一轮训练过程；其中，训练过程与上述过程相同。

若否，则确定训练完成。

进一步的，如图9所示，本申请实施例中的电子银行反欺诈系统可以设置有定时器，定时器预先设置定时周期，定时周期可以设置为一天，七天等。例如，定时周期为一天时，设置定时器在00时00分进行触发动作，使得操作行为检测模型根据更新的训练样本集进行操作行为检测模型的更新训练，将更新后的操作行为检测模型推送至电子银行反欺诈系统，以确保电子银行反欺诈系统判别用户操作行为是否正常的准确率。

基于同一发明构思，本申请实施例中还提供了与电子银行反欺诈方法对应的电子银行反欺诈装置，由于本申请实施例中的装置解决问题的原理与本申请实施例上述电子银行反欺诈方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。

如图10所示，为本申请实施例提供的电子银行反欺诈装置的结构示意图，包括：

获取模块11，用于获取操作行为请求，操作行为请求包括用户当前请求的当前操作行为数据；以及，获取距离当前在预设时间段之内的历史操作行为数据；

确定模块12，用于根据当前操作行为数据和历史操作行为数据，确定操作行为请求中请求的当前操作行为的风险概率值；

对比模块13，用于将风险概率值与操作行为请求对应的预设风险阈值进行对比；

拦截模块14，用于当风险概率值大于预设风险阈值时，拦截操作行为请求中请求的当前操作行为。

存储模块15，用于将拦截的当前请求的当前操作行为数据对应的特征向量标记异常标签，并存储至历史操作行为数据库中，以及，当风险概率值不大于预设风险阈时，则允许执行操作行为请求中请求的当前操作行为，并将允许执行的当前请求的当前操作行为数据对应的特征向量标记正常标签，并存储至历史操作行为数据库中。

其中，确定模块12包括：

提取子模块21，用于提取当前操作行为数据的第一特征向量和历史操作行为数据的第二特征向量；

拼接子模块22，用于将第一特征向量和第二特征向量进行拼接，得到第三特征向量；

计算子模块23，用于将第三特征向量输入至预先训练得到的操作行为检测模型中，计算得到当前操作行为的风险概率值。

如图11所示，为本申请实施例提供的一种电子设备的结构示意图，该装置包括处理器71、存储器72和总线73，存储器72存储有处理器71可执行的机器可读指令，当电子设备运行时，处理器71与存储器72之间通过总线73通信，机器可读指令被处理器71执行时执行如下处理：

获取操作行为请求，操作行为请求包括用户当前请求的当前操作行为数据；以及，获取距离当前在预设时间段之内的历史操作行为数据；

根据当前操作行为数据和历史操作行为数据，确定操作行为请求中请求的当前操作行为的风险概率值；

将风险概率值与操作行为请求对应的预设风险阈值进行对比；

当风险概率值大于预设风险阈值时，拦截操作行为请求中请求的当前操作行为。

进一步的，上述处理器71执行的处理中，在拦截操作行为请求中请求的当前操作行为之后，还包括：

将拦截的当前请求的当前操作行为数据对应的特征向量标记异常标签，并存储至历史操作行为数据库中。

当风险概率值不大于预设风险阈时，则允许执行操作行为请求中请求的当前操作行为；

将允许执行的当前请求的当前操作行为数据对应的特征向量标记正常标签，并存储至历史操作行为数据库中。

在本申请实施例的一种实施方式中，上述处理器71执行的处理中，根据当前操作行为数据和历史操作行为数据，确定操作行为请求中请求的当前操作行为的风险概率值，包括：

提取当前操作行为数据的第一特征向量和历史操作行为数据的第二特征向量；

将第一特征向量和第二特征向量进行拼接，得到第三特征向量；

将第三特征向量输入至预先训练得到的操作行为检测模型中，计算得到当前操作行为的风险概率值。

在本申请实施例的另一种实施方式中，上述处理器71执行的处理中，提取历史操作行为数据的第二特征向量，包括：

提取每一个历史操作行为数据的历史操作行为特征向量；

利用不同的计算算法，将提取得到的历史操作行为特征向量进行计算，得到每一种计算算法计算得到的特征向量；

将不同计算算法计算得到的特征向量进行拼接得到第二特征向量。

在本申请实施例的一种实施方式中，上述处理器71执行的处理中，利用不同的计算算法，将提取得到的历史操作行为特征向量进行计算，得到每一种计算算法计算得到的特征向量，包括：

将提取得到的历史操作行为特征向量进行求平均计算，得到平均特征向量；

将提取得到的历史操作行为特征向量进行取最大计算，得到最大特征向量；

将提取得到的历史操作行为特征向量进行取最小计算，得到最小特征向量；

将提取得到的历史操作行为特征向量进行加权计算，得到加权特征向量。

在本申请实施例的再一种实施方式中，上述处理器71执行的处理中，通过以下方式进行训练得到操作行为检测模型：

获取训练样本集，训练样本集包括正样本对和负样本对，其中，每一个正样本对中包括第i个时刻的正常历史操作行为数据、以及在第i个时刻之前的预设时间段之内的历史操作行为数据，每一个负样本对中包括第j个时刻的异常历史操作行为数据、以及在第j个时刻之前的预设时间段之内的历史操作行为数据；

从训练样本集中选取第一预设数量的正样本对以及第二预设数量的负样本对；

针对每一个正样本对，提取每一个正样本对中两类样本分别对应的特征向量，并将提取出的两类样本分别对应特征向量进行拼接，得到第一拼接特征向量样本；以及，针对每一个负样本对，提取每一个负样本对中两类样本分别对应的特征向量，并将提取出的两类样本分别对应特征向量进行拼接，得到第二拼接特征向量样本；

将不同正样本对分别对应的第一拼接特征向量样本、以及不同负样本对分别对应的第二拼接特征向量样本分别输入至待训练的操作行为检测模型中，得到针对每一个正样本对的第一检测结果、以及每一个负样本对的第二检测结果；

基于每一个正样本对的第一检测结果以及预设的第一理论结果、每一个负样本对的第二检测结果以及预设的第二理论结果，计算本轮训练的误差值；

当计算出的误差值大于设定值，对待检测的操作行为检测模型的模型参数进行调整，并利用调整后的待训练的操作行为检测模型进行下一轮训练过程，直至计算出的误差值不大于设定值时，确定训练完成。

本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器71运行时执行上述电子银行反欺诈方法的步骤。

具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述溢油判断方法，从而解决目前通过当前操作行为数据判断用户操作行为是否为正常的准确率较低的问题，进而达到提高用户操作行为是否正常的准确率的效果。

功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种电子银行反欺诈方法，其特征在于，包括：

获取操作行为请求，所述操作行为请求包括用户当前请求的当前操作行为数据；以及，获取距离当前在预设时间段之内的历史操作行为数据；

根据所述当前操作行为数据和所述历史操作行为数据，确定所述操作行为请求中请求的当前操作行为的风险概率值；

将所述风险概率值与所述操作行为请求对应的预设风险阈值进行对比；

当所述风险概率值大于所述预设风险阈值时，拦截所述操作行为请求中请求的当前操作行为。

2.根据权利要求1所述的方法，其特征在于，所述根据所述当前操作行为数据和所述历史操作行为数据，确定所述操作行为请求中请求的当前操作行为的风险概率值，包括：

提取所述当前操作行为数据的第一特征向量和所述历史操作行为数据的第二特征向量；

将所述第一特征向量和所述第二特征向量进行拼接，得到第三特征向量；

将所述第三特征向量输入至预先训练得到的操作行为检测模型中，计算得到所述当前操作行为的风险概率值。

3.根据权利要求2所述的方法，其特征在于，所述提取所述历史操作行为数据的第二特征向量，包括：

提取每一个历史操作行为数据的历史操作行为特征向量；

利用不同的计算算法，将提取得到的历史操作行为特征向量进行计算，得到每一种计算算法计算得到的特征向量；

将不同计算算法计算得到的特征向量进行拼接得到所述第二特征向量。

4.根据权利要求3所述的方法，其特征在于，所述利用不同的计算算法，将提取得到的历史操作行为特征向量进行计算，得到每一种计算算法计算得到的特征向量，包括：

将提取得到的历史操作行为特征向量进行求平均计算，得到平均特征向量；

将提取得到的历史操作行为特征向量进行取最大计算，得到最大特征向量；

将提取得到的历史操作行为特征向量进行取最小计算，得到最小特征向量；

将提取得到的历史操作行为特征向量进行加权计算，得到加权特征向量。

5.根据权利要求2所述的方法，其特征在于，通过以下方式进行训练得到所述操作行为检测模型：

获取训练样本集，所述训练样本集包括正样本对和负样本对，其中，每一个正样本对中包括第i个时刻的正常历史操作行为数据、以及在第i个时刻之前的预设时间段之内的历史操作行为数据，每一个负样本对中包括第j个时刻的异常历史操作行为数据、以及在第j个时刻之前的预设时间段之内的历史操作行为数据；

从所述训练样本集中选取第一预设数量的正样本对以及第二预设数量的负样本对；

针对每一个正样本对，提取每一个正样本对中两类样本分别对应的特征向量，并将提取出的两类样本分别对应特征向量进行拼接，得到第一拼接特征向量样本；以及，针对每一个负样本对，提取每一个负样本对中两类样本分别对应的特征向量，并将提取出的两类样本分别对应特征向量进行拼接，得到第二拼接特征向量样本；

将不同正样本对分别对应的第一拼接特征向量样本、以及不同负样本对分别对应的第二拼接特征向量样本分别输入至待训练的操作行为检测模型中，得到针对每一个正样本对的第一检测结果、以及每一个负样本对的第二检测结果；

基于每一个正样本对的第一检测结果以及预设的第一理论结果、每一个负样本对的第二检测结果以及预设的第二理论结果，计算本轮训练的误差值；

当计算出的误差值大于设定值，对所述待检测的操作行为检测模型的模型参数进行调整，并利用调整后的所述待训练的操作行为检测模型进行下一轮训练过程，直至计算出的误差值不大于所述设定值时，确定训练完成。

6.根据权利要求1所述的方法，其特征在于，在拦截所述操作行为请求中请求的当前操作行为之后，还包括：

将拦截的所述当前请求的当前操作行为数据对应的特征向量标记异常标签，并存储至历史操作行为数据库中。

7.根据权利要求1所述的方法，其特征在于，在将所述风险概率值与所述操作行为请求对应的预设风险阈值进行对比之后，还包括：

当所述风险概率值不大于所述预设风险阈时，则允许执行所述操作行为请求中请求的当前操作行为；

将允许执行的所述当前请求的当前操作行为数据对应的特征向量标记正常标签，并存储至历史操作行为数据库中。

8.一种电子银行反欺诈装置，其特征在于，包括：

获取模块，用于获取操作行为请求，所述操作行为请求包括用户当前请求的当前操作行为数据；以及，获取距离当前在预设时间段之内的历史操作行为数据；

确定模块，用于根据所述当前操作行为数据和所述历史操作行为数据，确定所述操作行为请求中请求的当前操作行为的风险概率值；

对比模块，用于将所述风险概率值与所述操作行为请求对应的预设风险阈值进行对比；

拦截模块，用于当所述风险概率值大于所述预设风险阈值时，拦截所述操作行为请求中请求的当前操作行为。

9.根据权利要求8所述的装置，其特征在于，所述确定模块包括：

提取子模块，用于提取所述当前操作行为数据的第一特征向量和所述历史操作行为数据的第二特征向量；

拼接子模块，用于将所述第一特征向量和所述第二特征向量进行拼接，得到第三特征向量；

计算子模块，用于将所述第三特征向量输入至预先训练得到的操作行为检测模型中，计算得到所述当前操作行为的风险概率值。

10.根据权利要求7所述的装置，其特征在于，所述装置还包括：

存储模块，用于将拦截的所述当前请求的当前操作行为数据对应的特征向量标记异常标签，并存储至历史操作行为数据库中，以及，当所述风险概率值不大于所述预设风险阈时，则允许执行所述操作行为请求中请求的当前操作行为，并将允许执行的所述当前请求的当前操作行为数据对应的特征向量标记正常标签，并存储至历史操作行为数据库中。