CN109299954B - 一种违规商户识别方法和装置 - Google Patents

Abstract

本申请实施例提供了一种违规商户识别方法和装置，涉及信息安全技术领域，该方法包括：获取预设时段内在待识别商户发生交易的用户的交易信息，首先判断每一个用户的交易信息是否偏离用户的交易习惯模型，然后进一步根据待识别商户中偏离交易习惯模型的用户的数量判断待识别商户是否为违规商户。由于当待识别商户中多个用户的交易与对应的交易行为习惯不匹配时，说明用户发生交易的待识别商户可能存在违规操作，才会导致多个用户与他们原本的消费习惯背离，故通过判断待识别商户中与交易习惯模型不匹配的用户数量能有效确定出待识别商户是否为违规商户，从而便于相关机构对违规商户进行处理，维护了受理市场秩序，保障了用户的消费安全。

Description

一种违规商户识别方法和装置

技术领域

本发明涉及信息安全技术领域，尤其涉及一种违规商户识别方法和装置。

背景技术

在受理市场中，有的商户发生切机、移机等违规行为，从而导致交易实际发生地与交易报文上送的地址不一致的情况，这种行为扰乱了受理市场的秩序，对交易各方均造成不良的影响。

发明内容

由于现有技术中商户的交易实际发生地与交易报文上送地址不一致，扰乱市场秩序，对交易各方带来不良影响的问题，本申请实施例提供了一种违规商户识别方法和装置。

第一方面，本申请实施例提供了一种违规商户识别方法，该方法包括：

获取预设时段内在待识别商户发生交易的用户的交易信息；

针对任意一个用户，将所述用户的交易信息与所述用户的交易习惯模型匹配，所述交易习惯模型是根据所述用户的历史交易信息确定的；

在确定所述用户的交易信息与所述交易习惯模型不匹配时，将所述用户确定为异常用户；

根据在所述待识别商户中发生交易的异常用户的数量确定所述待识别商户是否为违规商户。

可选地，所述交易习惯模型是根据所述用户的历史交易信息确定的，包括：

获取所述用户的历史交易信息；

从所述用户的历史交易信息中确定出M个历史交易信息组，所述历史交易信息组为相邻且交易区域不同的两条历史交易信息，M为大于0的整数；

确定每一个历史交易信息组的N个属性特征，N为大于0的整数；

根据所述M个历史交易信息组以及每一个历史交易信息组的N个属性特征构建所述交易习惯模型。

可选地，所述用户的交易信息包括L个交易信息组，所述交易信息组为相邻且交易区域不同的两条交易信息，L为大于0的整数；

所述将所述用户的交易信息与所述交易习惯模型匹配，包括：

针对所述用户的交易信息中任意一个交易信息组，确定所述交易信息组与所述交易习惯模型的中心点之间的第一距离；

判断所述第一距离是否大于所述交易习惯模型的第二距离，所述第二距离为所述历史交易信息组与所述交易习惯模型的中心点之间的最大距离；

若是，则确定所述交易信息组与所述交易习惯模型不匹配，否则确定所述交易信息组与所述交易习惯模型匹配。

可选地，所述在确定所述用户的交易信息与所述交易习惯模型不匹配时，将所述用户确定为异常用户，包括：

在确定所述用户的交易信息组与所述交易习惯模型不匹配时，将所述用户确定为异常用户。

可选地，所述根据在所述待识别商户中发生交易的异常用户的数量确定所述待识别商户是否为违规商户，包括：

判断在所述待识别商户中发生交易的异常用户的数量是否大于第二阈值；

若是，则将所述待识别商户确定为违规商户；

否则将所述待识别商户确定为正常商户。

第二方面，本申请实施例提供了一种违规商户识别装置，包括：

获取模块，用于获取预设时段内在待识别商户发生交易的用户的交易信息；

匹配模块，用于针对任意一个用户，将所述用户的交易信息与所述用户的交易习惯模型匹配，所述交易习惯模型是根据所述用户的历史交易信息确定的；

处理模块，用于在确定所述用户的交易信息与所述交易习惯模型不匹配时，将所述用户确定为异常用户；

识别模块，用于根据在所述待识别商户中发生交易的异常用户的数量确定所述待识别商户是否为违规商户。

可选地，所述匹配模块具体用于：

获取所述用户的历史交易信息；

从所述用户的历史交易信息中确定出M个历史交易信息组，所述历史交易信息组为相邻且交易区域不同的两条历史交易信息，M为大于0的整数；

确定每一个历史交易信息组的N个属性特征，N为大于0的整数；

根据所述M个历史交易信息组以及每一个历史交易信息组的N个属性特征构建所述交易习惯模型。

可选地，所述用户的交易信息包括L个交易信息组，所述交易信息组为相邻且交易区域不同的两条交易信息，L为大于0的整数；

所述匹配模块具体用于：

针对所述用户的交易信息中任意一个交易信息组，确定所述交易信息组与所述交易习惯模型的中心点之间的第一距离；

判断所述第一距离是否大于所述交易习惯模型的第二距离，所述第二距离为所述历史交易信息组与所述交易习惯模型的中心点之间的最大距离；

若是，则确定所述交易信息组与所述交易习惯模型不匹配，否则确定所述交易信息组与所述交易习惯模型匹配。

可选地，所述处理模块具体用于：

在确定所述用户的交易信息组与所述交易习惯模型不匹配时，将所述用户确定为异常用户。

可选地，所述识别模块具体用于：

判断在所述待识别商户中发生交易的异常用户的数量是否大于第二阈值；

若是，则将所述待识别商户确定为违规商户；

否则将所述待识别商户确定为正常商户。

第三方面，本申请实施例提供了一种违规商户识别设备，包括至少一个处理单元、以及至少一个存储单元，其中，所述存储单元存储有计算机程序，当所述程序被所述处理单元执行时，使得所述处理单元执行第一方面所述方法的步骤。

第四方面，本申请实施例提供了一种计算机可读存储介质，其存储有可由违规商户识别设备执行的计算机程序，当所述程序在违规商户识别设备上运行时，使得所述违规商户识别设备执行第一方面所述方法的步骤。

本申请实施例中，获取预设时段内在待识别商户发生交易的用户的交易信息，首先判断每一个用户的交易信息是否偏离用户的交易习惯模型，然后进一步根据待识别商户中偏离交易习惯模型的用户的数量判断待识别商户是否为违规商户。由于当待识别商户中多个用户的交易与对应的交易行为习惯不匹配时，说明用户发生交易的待识别商户可能存在违规操作，才会导致多个用户与他们原本的消费习惯背离，故通过判断待识别商户中与交易习惯模型不匹配的用户数量能有效确定出待识别商户是否为违规商户，从而便于相关机构对违规商户进行处理，维护了受理市场秩序，保障了用户的消费安全。

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为本申请实施例提供的一种违规商户识别方法的流程示意图；

图2为本申请实施例提供的一种建立交易习惯模型的方法的示意图；

图3为本申请实施例提供的一种交易信息匹配方法的示意图；

图4为本申请实施例提供的一种违规商户识别装置的结构示意图；

图5为本申请实施例提供的一种违规商户识别设备的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

图1示例性示出了本申请实施例提供了一种违规商户识别方法的流程，该方法的流程可以由违规商户识别装置执行，如图1所示，包括以下步骤：

步骤S101，获取预设时段内在待识别商户发生交易的用户的交易信息。

可选地，待识别商户中预先申请了POS机，在申请POS机时，设置了交易报文上报地址。比如商户A在上海申请了POS机，则商户A中发生交易时，交易报文上报地址为上海。但是当商户A对POS机进行违规操作后，比如切机和移机等行为，虽然商户A的实际地址仍旧是上海，但是用户在商户A中消费后，交易报文上报的地址可能并不是上海，而是苏州、杭州或其他地区，这对于消费者来说存在安全隐患，同时对银行也会带来不良的影响。为了避免这种情况发生，定期或随机将一些商户列为待识别商户，然后对待识别商户进行违规操作识别。在待识别商户发生交易的用户的交易信息包括但不限于交易时间、交易地点、交易订单号、用户账号、商户账号。

步骤S102，针对任意一个用户，将用户的交易信息与用户的交易习惯模型匹配，交易习惯模型是根据用户的历史交易信息确定的。

用户的交易习惯模型体现了用户在生活中的消费习惯，比如习惯的消费地点、习惯的消费时间、习惯消费的物品等等。

步骤S103，在确定用户的交易信息与交易习惯模型不匹配时，将用户确定为异常用户。

当用户的交易信息与用户的交易习惯模型不匹配时，说明用户的交易已经偏离了该用户的交易习惯，可能出现了异常。

步骤S104，根据在待识别商户中发生交易的异常用户的数量确定待识别商户是否为违规商户。

可选地，当待识别商户中出现多个异常用户时，说明用户偏离交易习惯模型的原因并不是用户本身，而有可能是用户发生交易的待识别商户，因此可以通过判断在待识别商户中发生交易的异常用户的数量是否大于第二阈值，若是，则将待识别商户确定为违规商户，否则将待识别商户确定为正常商户。

本申请实施例中，获取预设时段内在待识别商户发生交易的用户的交易信息，首先判断每一个用户的交易信息是否偏离用户的交易习惯模型，然后进一步根据待识别商户中偏离交易习惯模型的用户的数量判断待识别商户是否为违规商户。由于当待识别商户中多个用户的交易与对应的交易行为习惯不匹配时，说明用户发生交易的待识别商户可能存在违规操作，才会导致多个用户与他们原本的消费习惯背离，故通过判断待识别商户中与交易习惯模型不匹配的用户数量能有效确定出待识别商户是否为违规商户，从而便于相关机构对违规商户进行处理，维护了受理市场秩序，保障了用户的消费安全。

可选地，在上述步骤S102中，根据用户的历史交易信息确定交易习惯模型，具体包括以下步骤，如图2所示：

步骤S201，获取用户的历史交易信息。

用户的历史交易信息为用户在过去设定时段内的交易信息，其中，交易信息并不限于用户在一个商户的交易信息，可以是用户在一个或多个商户中的交易信息。

获取用户的历史交易信息后，对历史交易信息进行预处理，去除明显异常的交易信息。

步骤S202，从用户的历史交易信息中确定出M个历史交易信息组。

历史交易信息组为相邻且交易区域不同的两条历史交易信息，M为大于0的整数，其中区域可以是省、市、县、区等等。

示例性地，设定区域为省，历史交易信息组为跨省交易信息组，用户A的历史交易信息如表1所示：

表1

交易编号	交易时间	交易地点
			001	2018年8月1日上午9点	上海
002	2018年8月1日上午10点	江苏
			003	2018年8月2日上午10点	上海
004	2018年8月2日下午5点	上海

由表1可知，用户A的历史交易信息中包括两个跨省交易信息组，分别为由交易编号为001和交易编号为002的历史交易信息组成的跨省交易信息组1，以及由交易编号为002和交易编号为003的历史交易信息组成的跨省交易信息组2。

步骤S203，确定每一个历史交易信息组的N个属性特征，N为大于0的整数。

针对任意一个交易信息组，属性特征包括交易信息组中两条交易信息之间的时间间隔、交易信息组中两条交易信息之间的区域距离、交易信息组中两条交易信息中跨区域交易的日期是否为节假日、交易信息组中两条交易信息中跨区域交易的日期是否为工作日、区域有向图等。

示例性地，跨省交易信息组1包括以下属性特征：交易编号为001的交易信息和交易编号为002的交易信息之间的时间间隔为1个小时，交易编号为001的交易信息和交易编号为002的交易信息之间的区域距离为304公里，交易编号为002的交易信息对应的交易日期为非节假日，交易编号为002的交易信息对应的交易日期为工作日，交易编号为001的交易信息和交易编号为002的交易信息的有向图为上海指向江苏。

示例性地，跨省交易信息组2包括以下属性特征：交易编号为002的交易信息和交易编号为003的交易信息之间的时间间隔为24个小时，交易编号为002的交易信息和交易编号为003的交易信息之间的区域距离为304公里，交易编号为003的交易信息对应的交易日期为非节假日，交易编号为003的交易信息对应的交易日期为工作日，交易编号为002的交易信息和交易编号为003的交易信息的有向图为江苏指向上海。

具体实施中，可以采用One-Hot编码对属性特征进行处理，具体是使用E位状态寄存器来对E个状态进行编码，每个状态都有独立的寄存器位，并且在任意时候，其中只有一位有效，该方法可以解决属性数据的处理问题，另外一方面也在一定程度上起到了扩充属性特征的作用。

步骤S204，根据M个历史交易信息组以及每一个历史交易信息组的N个属性特征构建交易习惯模型。

具体地，采用M个历史交易信息组以及每一个历史交易信息组的N个属性特征构建M*N的特征向量矩阵U。特征向量矩阵的每一行代表每个历史交易信息组的属性特征值，特征向量矩阵的每一列代表每个属性特征在不同的历史交易信息组的具体取值。

进一步地，对特征向量矩阵U进行中心化和标准化处理，得到均值为0，标准差为1的服从标准正态分布的数据。具体为：

首先计算特征向量矩阵U每一列的均值和方差，得到{μ₁，μ₂…μ_N}和{σ₁，σ₂…σ_N}。然后对特征向量矩阵U中每一个元素x_ij进行中心化和标准化处理，具体满足以下公式(1)：

其中，x_ij′为特征向量矩阵U中进行中心化和标准化处理后的第i行第j列的元素，x_ij为特征向量矩阵U中第i行第j列的元素，1≤i≤M，1≤j≤N。

针对特征向量矩阵U中每一个元素，按照公式(1)进行处理后，得到标准化矩阵U′，将标准化矩阵U′确定为用户的交易习惯模型。

计算用户的交易习惯模型的中心点，具体符合以下公式(2)：

在确定出用户的交易习惯模型后，将用户的交易信息与交易习惯模型匹配，具体包括以下步骤，如图3所示：

步骤S301，针对用户的交易信息中任意一个交易信息组，确定交易信息组与交易习惯模型的中心点之间的第一距离。

设定用户的交易信息包括L个交易信息组，交易信息组为相邻且交易区域不同的两条交易信息，L为大于0的整数。

针对用户的交易信息中任意一个交易信息组，然后利用欧式距离确定交易信息组与交易习惯模型的中心点之间的第一距离，具体符合以下公式(3)：

其中，d_s为交易信息组与交易习惯模型的中心点之间的第一距离，1≤s≤L。

步骤S302，判断第一距离是否大于交易习惯模型的第二距离，若是，则执行步骤S303，否则，执行步骤S304。

步骤S303，确定交易信息组与交易习惯模型不匹配。

步骤S304，确定交易信息组与交易习惯模型匹配。

第二距离为历史交易信息组与交易习惯模型的中心点之间的最大距离，具体符合以下公式(4)：

将d_s与d_max进行比较，当d_s大于d_max，说明用户的交易信息组已经偏离了用户的交易习惯，当d_s不大于d_max，说明用户的交易信息组符合用户的交易习惯。由于根据用户的历史交易信息提取用户的交易特征，进一步建立用户的交易习惯模型，故在用户在待识别商户发生交易时，可以根据该用户的交易习惯模型有效判断用户的交易是否发生异常，从而判断待识别商户是否出现违规行为，提高了识别效率。

可选地，在步骤S103中，在确定用户的交易信息组中与交易习惯模型时，将用户确定为异常用户。

具体地，当用户的交易信息组中出现与交易习惯模型不匹配的交易信息组时，将该用户确定为异常用户。

为了更好的解释本发明实施例，下面结合具体的实施场景描述本发明实施例提供的一种违规商户识别方法。设定T_f时间内在A商户消费的持卡人包括P_a、P_b、P_c。针对持卡人P_a，计算该时间段内P_a的所有跨省交易信息组，提取所有跨省交易信息组的属性特征向量。设定在T_f时间段内持卡人P_a有L个跨省交易信息组，每一个跨省交易信息组对应的属性特征向量为F(F₁,F₂…F_N)。如果在T_f时间段内没有跨省消费，则计算T_f时间段起点之前的前一笔跨省消费，构成跨省交易信息组及属性特征向量。

采用公式(1)对持卡人P_a的各个跨省交易信息组的属性特征向量进行中心化和标准化处理，然后获取预先根据持卡人P_a的历史交易信息确定的持卡人P_a的交易习惯模型，其中P_a的交易习惯模型的第二距离为d_max。采用公式(3)确定持卡人P_a的每一个跨省交易信息组的属性特征向量与交易习惯模型的中心点之间的第一距离，得到{d₁、d₂、…、d_L}。将{d₁、d₂、…、d_L}与分别d_max进行比较，设定d₁大于d_max，则持卡人P_a出现异常。基于同样的方法可以确定出持卡人P_b、P_c是否出现异常。预先设定在T_f时间内在商户消费的持卡人中异常比例大于0.5时，将商户标记为受理地违规。若持卡人P_b也出现异常，则在T_f时间内在A商户消费的持卡人中异常比例为2/3，大于预先设定的异常比例，因此将A商户标记为受理地违规商户。

由于当待识别商户中多个用户的交易与对应的交易行为习惯不匹配时，说明用户发生交易的待识别商户可能存在违规操作，才会导致多个用户与他们原本的消费习惯背离，故通过判断待识别商户中与交易习惯模型不匹配的用户数量能有效确定出待识别商户是否为违规商户，从而便于相关机构对违规商户进行处理，维护了受理市场秩序，保障了用户的消费安全。

基于相同构思，本申请实施例提供了一种违规商户识别装置，如图4所示，该装置400包括：

获取模块401，用于获取预设时段内在待识别商户发生交易的用户的交易信息；

匹配模块402，用于针对任意一个用户，将所述用户的交易信息与所述用户的交易习惯模型匹配，所述交易习惯模型是根据所述用户的历史交易信息确定的；

处理模块403，用于在确定所述用户的交易信息与所述交易习惯模型不匹配时，将所述用户确定为异常用户；

识别模块404，用于根据在所述待识别商户中发生交易的异常用户的数量确定所述待识别商户是否为违规商户。

可选地，所述匹配模块402具体用于：

获取所述用户的历史交易信息；

从所述用户的历史交易信息中确定出M个历史交易信息组，所述历史交易信息组为相邻且交易区域不同的两条历史交易信息，M为大于0的整数；

确定每一个历史交易信息组的N个属性特征，N为大于0的整数；

根据所述M个历史交易信息组以及每一个历史交易信息组的N个属性特征构建所述交易习惯模型。

可选地，所述用户的交易信息包括L个交易信息组，所述交易信息组为相邻且交易区域不同的两条交易信息，L为大于0的整数；

所述匹配模块402具体用于：

针对所述用户的交易信息中任意一个交易信息组，确定所述交易信息组与所述交易习惯模型的中心点之间的第一距离；

判断所述第一距离是否大于所述交易习惯模型的第二距离，所述第二距离为所述历史交易信息组与所述交易习惯模型的中心点之间的最大距离；

若是，则确定所述交易信息组与所述交易习惯模型不匹配，否则确定所述交易信息组与所述交易习惯模型匹配。

可选地，所述处理模块403具体用于：

在确定所述用户的交易信息组与所述交易习惯模型不匹配时，将所述用户确定为异常用户。

可选地，所述识别模块404具体用于：

判断在所述待识别商户中发生交易的异常用户的数量是否大于第二阈值；

若是，则将所述待识别商户确定为违规商户；

否则将所述待识别商户确定为正常商户。

基于相同的技术构思，本申请实施例提供了一种违规商户识别设备，如图5所示，包括至少一个处理器501，以及与至少一个处理器连接的存储器502，本申请实施例中不限定处理器501与存储器502之间的具体连接介质，图5中处理器501和存储器502之间通过总线连接为例。总线可以分为地址总线、数据总线、控制总线等。

在本申请实施例中，存储器502存储有可被至少一个处理器501执行的指令，至少一个处理器501通过执行存储器502存储的指令，可以执行前述的违规商户识别方法中所包括的步骤。

其中，处理器501是违规商户识别设备的控制中心，可以利用各种接口和线路连接访问控制设备的各个部分，通过运行或执行存储在存储器502内的指令以及调用存储在存储器502内的数据，实现违规商户识别。可选的，处理器501可包括一个或多个处理单元，处理器501可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器501中。在一些实施例中，处理器501和存储器502可以在同一芯片上实现，在一些实施例中，它们也可以在独立的芯片上分别实现。

处理器501可以是通用处理器，例如中央处理器(CPU)、数字信号处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

存储器502作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器502可以包括至少一种类型的存储介质，例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory，RAM)、静态随机访问存储器(Static Random Access Memory，SRAM)、可编程只读存储器(Programmable Read Only Memory，PROM)、只读存储器(Read Only Memory，ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性存储器、磁盘、光盘等等。存储器502是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本申请实施例中的存储器502还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。

基于同一发明构思，本申请实施例提供了一种计算机可读存储介质，其存储有可由违规商户识别设备执行的计算机程序，当所述程序在违规商户识别设备上运行时，使得所述访问控制设备违规商户识别方法的步骤。

本领域内的技术人员应明白，本发明的实施例可提供为方法、或计算机程序产品。因此，本发明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，本发明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 (8)

1.一种违规商户识别方法，其特征在于，包括：

获取预设时段内在待识别商户发生交易的用户的交易信息；所述用户的交易信息包括L个交易信息组，所述交易信息组为相邻且交易区域不同的两条交易信息，L为大于0的整数；

针对任意一个用户，针对所述用户的交易信息中任意一个交易信息组，确定所述交易信息组与交易习惯模型的中心点之间的第一距离；判断所述第一距离是否大于所述交易习惯模型的第二距离，所述第二距离为历史交易信息组与所述交易习惯模型的中心点之间的最大距离，所述历史交易信息组为相邻且交易区域不同的两条历史交易信息；若是，则确定所述交易信息组与所述交易习惯模型不匹配，否则确定所述交易信息组与所述交易习惯模型匹配；所述交易习惯模型是根据所述用户的历史交易信息确定的标准化矩阵；所述交易习惯模型的中心点为对所述交易习惯模型中的每一列元素求平均值获得的矩阵；

在确定所述用户的交易信息组与所述交易习惯模型不匹配时，将所述用户确定为异常用户；

根据在所述待识别商户中发生交易的异常用户的数量确定所述待识别商户是否为违规商户。

2.如权利要求1所述的方法，其特征在于，所述交易习惯模型是根据所述用户的历史交易信息确定的，包括：

获取所述用户的历史交易信息；

从所述用户的历史交易信息中确定出M个历史交易信息组，M为大于0的整数；

确定每一个历史交易信息组的N个属性特征，N为大于0的整数；

根据所述M个历史交易信息组以及每一个历史交易信息组的N个属性特征构建所述交易习惯模型。

3.如权利要求1至2任一所述的方法，其特征在于，所述根据在所述待识别商户中发生交易的异常用户的数量确定所述待识别商户是否为违规商户，包括：

判断在所述待识别商户中发生交易的异常用户的数量是否大于第二阈值；

若是，则将所述待识别商户确定为违规商户；

否则将所述待识别商户确定为正常商户。

4.一种违规商户识别装置，其特征在于，包括：

获取模块，用于获取预设时段内在待识别商户发生交易的用户的交易信息；所述用户的交易信息包括L个交易信息组，所述交易信息组为相邻且交易区域不同的两条交易信息，L为大于0的整数；

匹配模块，用于针对任意一个用户，针对所述用户的交易信息中任意一个交易信息组，确定所述交易信息组与交易习惯模型的中心点之间的第一距离；判断所述第一距离是否大于所述交易习惯模型的第二距离，所述第二距离为历史交易信息组与所述交易习惯模型的中心点之间的最大距离，所述历史交易信息组为相邻且交易区域不同的两条历史交易信息；若是，则确定所述交易信息组与所述交易习惯模型不匹配，否则确定所述交易信息组与所述交易习惯模型匹配；所述交易习惯模型是根据所述用户的历史交易信息确定的标准化矩阵；所述交易习惯模型的中心点为对所述交易习惯模型中的每一列元素求平均值获得的矩阵；

处理模块，用于在确定所述用户的交易信息组与所述交易习惯模型不匹配时，将所述用户确定为异常用户；

识别模块，用于根据在所述待识别商户中发生交易的异常用户的数量确定所述待识别商户是否为违规商户。

5.如权利要求4所述的装置，其特征在于，所述匹配模块具体用于：

获取所述用户的历史交易信息；

从所述用户的历史交易信息中确定出M个历史交易信息组，M为大于0的整数；

确定每一个历史交易信息组的N个属性特征，N为大于0的整数；

根据所述M个历史交易信息组以及每一个历史交易信息组的N个属性特征构建所述交易习惯模型。

6.如权利要求4至5任一所述的装置，其特征在于，所述识别模块具体用于：

判断在所述待识别商户中发生交易的异常用户的数量是否大于第二阈值；

若是，则将所述待识别商户确定为违规商户；

否则将所述待识别商户确定为正常商户。

7.一种违规商户识别设备，其特征在于，包括至少一个处理单元、以及至少一个存储单元，其中，所述存储单元存储有计算机程序，当所述程序被所述处理单元执行时，使得所述处理单元执行权利要求1~3任一权利要求所述方法的步骤。

8.一种计算机可读存储介质，其特征在于，其存储有可由违规商户识别设备执行的计算机程序，当所述程序在违规商户识别设备上运行时，使得所述违规商户识别设备执行权利要求1~3任一所述方法的步骤。

Images