CN109325814A - 一种用于发现可疑交易网络的方法 - Google Patents

一种用于发现可疑交易网络的方法 Download PDF

Info

Publication number
CN109325814A
CN109325814A CN201710637159.8A CN201710637159A CN109325814A CN 109325814 A CN109325814 A CN 109325814A CN 201710637159 A CN201710637159 A CN 201710637159A CN 109325814 A CN109325814 A CN 109325814A
Authority
CN
China
Prior art keywords
network
community
transaction
central node
extraction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710637159.8A
Other languages
English (en)
Inventor
王子剑
曹磊
严武
庞子龙
陈龙
李震川
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Connaught Intelligent Technology Co Ltd
Original Assignee
Shanghai Connaught Intelligent Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Connaught Intelligent Technology Co Ltd filed Critical Shanghai Connaught Intelligent Technology Co Ltd
Priority to CN201710637159.8A priority Critical patent/CN109325814A/zh
Publication of CN109325814A publication Critical patent/CN109325814A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L2463/00—Additional details relating to network architectures or network communication protocols for network security covered by H04L63/00
    • H04L2463/102—Additional details relating to network architectures or network communication protocols for network security covered by H04L63/00 applying security measure for e-commerce

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Algebra (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Technology Law (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种用于发现可疑交易网络的方法，包括以下步骤：获取多个交易人员的交易数据；由所述交易数据提取所述交易人员的多个交易特征；根据所述提取的多个交易特征分别生成相应的特征网络；根据所述生成的特征网络实施社区发现；将所述发现的社区实施社区筛选；对所述筛选的社区网络提取中心节点；根据所述提取的中心节点对所述筛选的社区网络进行重叠提取；根据特定条件对所述社区网络进行排序，从而获得所述可疑交易网络。

Description

一种用于发现可疑交易网络的方法
技术领域
本发明涉及一种用于发现可疑交易网络的方法。
背景技术
在Ayasdi公司提出的专利文献US20170169174中公开了结合洗钱黑名单寻找交易网络中与洗钱黑名单用户有关联的用户作为可疑排查对象。BAE公司的NetReveal反洗钱系统与Ayasdi公司系统相似，均以已有可疑人员为起点，结合现有网络社交行为，寻找可疑的洗钱行为。此类方法能够从黑名单关联中找到可疑洗钱交易，但若产生与过去案例毫无关联的洗钱行为则无从排查。
联合服务汽车协会(United Services Automobile Association,USAA)提出的专利文献US7805362B1中公开了一种结合地理位置信息、客户个人信息、产品信息的洗钱检测方法，其中系统分别对用户地理位置信息、个人信息和购买产品信息进行单独评分，最后通过三方面评分加权计算总体洗钱风险得分，筛查可疑洗钱人员。此类方法主要通过规则定义的方法筛查洗钱行为，然而基于规则定义的方法过于死板，并且其中涉及大量经验相关参数调整直接影响系统排查效果，同时此类方法所需的信息大多获取困难，并不实用。
目前在国内，如在中国建行提出的专利文献CN201510857280.2中公开如下，即洗钱人员筛查方法仅为简单的黑名单命中；中国银联提出的专利文献CN201610522577.8中则公开了通过聚类划分及偏离确定，将离群的异常账户作为可疑洗钱账户输出；而中国银联的另一专利文献CN201610647003.3对前述专利进行了改进，对账户特征也进行了权重设置，最后根据预设的洗钱标准确定某一聚类类别为洗钱类别，将洗钱类别内所有账户认定为可疑账户输出。
此外，专利文献CN101246620A中提出一种监视装置，其中通过多次检测使用者的特定举动，在多次检测到特定举动时，判断为存在“可以举动”，那么终端向使用者提问交易的状况。根据提问的回答结果判断是否存在诈骗等可能性。
发明内容
本发明提出一种用于发现可疑交易网络的方法，包括以下步骤：获取多个交易人员的交易数据；由所述交易数据提取所述交易人员的多个交易特征；根据所述提取的多个交易特征分别生成相应的特征网络；根据所述生成的特征网络实施社区发现；将所述发现的社区实施社区筛选；对所述筛选的社区网络提取中心节点；根据所述提取的中心节点对所述筛选的社区网络进行重叠提取；根据特定条件对所述社区网络进行排序，从而获得所述可疑交易网络。
本发明的构思在于，结合智能网络聚类与发现算法提出一种可疑交易网络发现方法，通过自动对可疑交易网络、网络关键人员进行自动化排查，从而实现所发现的可能的洗钱网络并不仅仅局限于黑名单相关人员列表，更是能发现一些新出现的洗钱网络及涉案人员。
有利地，所述生成的相应的特征网络以交易人员为节点并且以相应特征为权重。
有利地，所述交易特征包括特定时间内所述交易人员交易的金额和频次。
有利地，借助于Louvain算法实施社区发现。由此通过使用基于层次聚类的louvan算法，将可疑网络视为一个社区，直接寻找一个完整的或局部的可疑交易网络。
Louvain算法是一种基于多层次优化Modularity的图算法模型(Modularity函数最初被用于衡量社区发现算法结果的质量，它能够刻画发现的社区的紧密程度)，与普通的基于模块度和模块度增益不同的是，该算法速度很快，而且对一些点多边少的图，进行聚类效果特别明显。
Modularity的定义如下：
其中，m表示网络中边的数量，A为邻接矩阵，如果ci、cj相同则，δ(ci，cj)＝1否则为0。
Louvain算法包括两个阶段，在阶段一，不断地遍历网络中的结点，尝试将单个结点加入能够使modularity提升最大的社区中，直到所有结点都不再变化；在阶段二，处理第一阶段的结果，将一个个小的社区归并为一个超结点来重新构造网络，这时边的权重为两个结点内所有原始结点的边权重之和。迭代这两个步骤直至算法稳定。
有利地，在所述社区筛选步骤中，将在所述社区网络中的节点数和/或相应特征与相应阈值进行比较。
有利地，在所述中心节点提取步骤中，提取所述相应特征社区网络中前X个中心节点，其中0<X<10。在该步骤中，可以采用中心节点算法，该算法主要使用的核心概念为度，度为图论中的概念，代表与某一节点相连的边的数量，度分为出度与入度，出度只某一节点指向其他节点边的数量，入度只其他节点指向某一节点边的数量。中心节点算法即为寻找图中度最大的N个节点，入度中心节点算法为寻找入度最大的N个节点，出度中心节点算法为寻找出度最大的N个节点。算法步骤为：
·计算所有节点的度(入度、出度)
·对节点排序
·选择其中排名前N个为中心节点。
有利地，在所述重叠提取步骤中，比较所有筛选的特征网络，如果其中心节点有重复，则将其中节点数较少的网络提取为可疑交易网络，如果节点数相同则同时提取。
有利地，在所述网络排序步骤中，将交易网络根据重叠中心节点数量、金额总量、频次总量等进行排序，获得排序后的可疑交易网络。
在按照本发明提出的方法中，可疑交易可以包括洗钱、诈骗、地下钱庄、赌博、涉黄、涉恐、贩毒、非法集资、飞单理财等。
本发明的优点在于：首先，通过先寻找可疑网络，后寻找可疑人员，不同于以往基于黑名单的可疑交易查找方法，能够发现更多初次作案的金融犯罪团伙；其次通过将一定时间段内大量单笔交易进行统计后转换为交易网络，运行速度极快，且结果符合一定的统计特征；再者按照本发明的方法能够直接寻找一个可疑交易网络，相较于基于规则或者黑名单的方法不仅能够查找出某一可疑人员，更可疑查找出大量关联可疑人员以及通过网络中交易统计特征提供直接证据供有关部门查证。
附图说明
为了更清楚地说明本发明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描述本发明的一部分实施例。这些附图对于本发明来说并不是限制性的，而是起示例性的作用。其中：
图1示出按照本发明的方法的示意流程图；
图2示出根据本发明的方法的一个实施例的交易人员的交易金额网络；
图3示出根据本发明的方法的一个实施例的交易人员的交易频次网络；
图4a、4b示出根据本发明的方法的一个实施例的交易金额网络使用louvain算法获取的两个金额网络社区；
图5a、5b示出根据本发明的方法的一个实施例的交易金额网络使用louvain算法获取的两个频次网络社区；
具体实施方式
图1示出按照本发明的方法的示意流程图。该方法总体上来说包括以下步骤：获取多个交易人员的交易数据；由所述交易数据提取所述交易人员的多个交易特征(在图1中示例地示出两个而本发明的方法不限于两个)；根据所述提取的多个交易特征分别生成相应的特征网络；根据所述生成的特征网络实施社区发现；将所述发现的社区实施社区筛选；对所述筛选的社区网络提取中心节点；根据所述提取的中心节点对所述筛选的社区网络进行重叠提取；根据特定条件对所述社区网络进行排序，从而获得所述可疑交易网络。
具体而言，在获取交易人员的交易数据之后从其中提取每一个人在一段时间内多类特征，比如客户在一段时间内所交易的金额、频次，其中比如金额特征为：
其中Mij为周期内i客户与j客户交易总金额，moneyijk为客户i与j第k次交易金额；
频次特征为：
Fij＝Count(Tradeij)
其中Fij为周期内i客户与j客户交易总次数，Tradeij为客户i与j总体交易。
然后，将每一个特征分别以交易人员为节点，特征为权重构建对应于该特征的特征网络。
然后，分别对特征网络使用诸如louvain算法实施社区发现。
紧接着，进行社区筛选步骤，其中在社区筛选中，由于客户数量较多，发现的社区也会极多，我们会根据条件筛选部分社区，包括节点数大于N，金额总量大于M_sum，频次总量大于F_sum等,其中N、M_sum、F_sum均为正整数；
然后是中心节点提取步骤，具体地，在中心节点提取模块中，例如可以提取每个特征社区网络中前X个中心节点，0<X<10。
然后是重叠提取步骤，其中比较所有特征网络，在比较中如果中心节点有重复，那么则将多类网络中节点数较少的网络保留作为可疑交易网络，然而如果节点数一样则同时提取为可疑交易网络。
以下根据一个具体实施例对按照本发明提出的方法进行描述。
在该实施例中，目前获得如下交易表1，其中的交易周期为一周，其中每一列内容为交易人员向对方交易人员的转账X金额：
表1
由表其中的交易数据信息可以通过多特征提取获得金额特征与频次特征，如下表2和3：
客户ID 对手ID 金额特征
1 2 12
2 3 16
4 2 40
5 2 44
6 7 1
7 8 2
6 9 18
6 3 1
表2
客户ID 对手ID 频次特征
1 2 4
2 3 4
4 2 4
5 2 4
6 7 1
7 8 1
6 9 1
6 3 1
表3
其中，将金额特征表和频次特征表中的数据分别转换为金额网络与频次网络。如图2示出根据表2的交易金额特征数据做出的交易金额网络，其中节点编号为交易人员编号与对应交易人员编号，权重为金额特征；如图3示出根据表2的交易频次特征数据做出的交易频次网络，其中节点编号为交易人员编号与对应交易人员编号，权重为频次特征。
接着，分别对金额与频次网络使用louvain算法获取相应网络社区，金额网络提取出的两个社区由图4a、4b所示；频次网络提取出的两个社区由图5a、5b所示。
根据该实施例，接着在社区筛选步骤中，节点数阈值N定义为4，金额总量阈值M_sum定义为50，频次总量阈值F_sum定义为8，则分别筛选出如图4a所示的金额社区1和如图5a所示的频次社区1。
随后，通过中心节点提取实现提取每一个社区中排名第一的中心节点，其中如图4a所示的金额社区1获得的中心节点为2号交易人员(该节点的度为112)，如图5a所示的频次社区1获得的中心节点为2号交易人员(该节点的度为16)。
最后，本实施例在重叠提取步骤中，通过比较可以得到如图4a所示的金额社区1与如图5a所示的频次社区1具有同一个中心节点(2号交易人员)。在该实施例中，由于两个网络中节点数一样，都为5个节点，因此最终将金额社区1与频次社区1都提取为可疑交易网络。
对所提出的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。应当理解，以上实施例中所公开的特征，除了有特别说明的情形外，都可以单独地或者相结合地使用。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本文所公开的本发明并不局限于所公开的具体实施例，而是意在涵盖如所附权利要求书所限定的本发明的精神和范围之内的修改。

Claims (9)

1.一种用于发现可疑交易网络的方法，包括以下步骤：
获取多个交易人员的交易数据；
由所述交易数据提取所述交易人员的多个交易特征；
根据所述提取的多个交易特征分别生成相应的特征网络；
根据所述生成的特征网络实施社区发现；
将所述发现的社区实施社区筛选；
对所述筛选的社区网络提取中心节点；
根据所述提取的中心节点对所述筛选的社区网络进行重叠提取；
根据特定条件对所述社区网络进行排序，从而获得所述可疑交易网络。
2.根据权利要求1所述的方法，其特征在于，所述生成的相应的特征网络以交易人员为节点并且以相应特征为权重。
3.根据权利要求1所述的方法，其特征在于，所述交易特征包括特定时间内所述交易人员交易的金额和频次。
4.根据权利要求1或2所述的方法，其特征在于，借助于Louvain算法实施社区发现。
5.根据权利要求1或2所述的方法，其特征在于，在所述社区筛选步骤中，将在所述社区网络中的节点数和/或相应特征与相应阈值进行比较。
6.根据权利要求1或2所述的方法，其特征在于，在所述中心节点提取步骤中，提取所述相应特征社区网络中前X个中心节点，其中0<X<10。
7.根据权利要求1或2所述的方法，其特征在于，在所述重叠提取步骤中，比较所有筛选的特征网络，如果其中心节点有重复，则将其中节点数较少的网络提取为可疑交易网络，如果节点数相同则同时提取。
8.根据权利要求1或2所述的方法，其特征在于，在所述网络排序步骤中，将交易网络根据重叠中心节点数量、金额总量、频次总量等进行排序，获得排序后的可疑交易网络。
9.根据权利要求1至8之一所述的方法，其特征在于，所述可疑交易包括洗钱、诈骗、地下钱庄、赌博、涉黄、涉恐、贩毒、非法集资、飞单理财。
CN201710637159.8A 2017-07-31 2017-07-31 一种用于发现可疑交易网络的方法 Pending CN109325814A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710637159.8A CN109325814A (zh) 2017-07-31 2017-07-31 一种用于发现可疑交易网络的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710637159.8A CN109325814A (zh) 2017-07-31 2017-07-31 一种用于发现可疑交易网络的方法

Publications (1)

Publication Number Publication Date
CN109325814A true CN109325814A (zh) 2019-02-12

Family

ID=65244745

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710637159.8A Pending CN109325814A (zh) 2017-07-31 2017-07-31 一种用于发现可疑交易网络的方法

Country Status (1)

Country Link
CN (1) CN109325814A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110647590A (zh) * 2019-09-23 2020-01-03 税友软件集团股份有限公司 一种目标社群数据的识别方法及相关装置
CN111242763A (zh) * 2020-01-07 2020-06-05 北京明略软件系统有限公司 一种目标用户群的确定方法及装置
CN111951021A (zh) * 2019-05-15 2020-11-17 财付通支付科技有限公司 一种可疑社团的发现方法和装置、存储介质及计算机设备
CN113763167A (zh) * 2021-08-11 2021-12-07 杭州盈火网络科技有限公司 一种基于复杂网络的黑名单挖掘方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101464877A (zh) * 2008-10-27 2009-06-24 浙江大学 挖掘相关联犯罪嫌疑人的系统及方法
CN101887573A (zh) * 2010-06-11 2010-11-17 北京邮电大学 基于核心点的社会网络聚类关联分析方法及系统
CN102929942A (zh) * 2012-09-27 2013-02-13 福建师范大学 一种基于集成学习的社会网络重叠社区发现方法
US8533825B1 (en) * 2010-02-04 2013-09-10 Adometry, Inc. System, method and computer program product for collusion detection
US8769676B1 (en) * 2011-12-22 2014-07-01 Symantec Corporation Techniques for identifying suspicious applications using requested permissions
CN104715034A (zh) * 2015-03-16 2015-06-17 北京航空航天大学 基于中心人物的有权图重叠社区发现方法
CN104951447A (zh) * 2014-03-25 2015-09-30 上海市玻森数据科技有限公司 全网舆情监控系统
CN105931046A (zh) * 2015-12-16 2016-09-07 中国银联股份有限公司 一种可疑交易节点集合侦测方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101464877A (zh) * 2008-10-27 2009-06-24 浙江大学 挖掘相关联犯罪嫌疑人的系统及方法
US8533825B1 (en) * 2010-02-04 2013-09-10 Adometry, Inc. System, method and computer program product for collusion detection
CN101887573A (zh) * 2010-06-11 2010-11-17 北京邮电大学 基于核心点的社会网络聚类关联分析方法及系统
US8769676B1 (en) * 2011-12-22 2014-07-01 Symantec Corporation Techniques for identifying suspicious applications using requested permissions
CN102929942A (zh) * 2012-09-27 2013-02-13 福建师范大学 一种基于集成学习的社会网络重叠社区发现方法
CN104951447A (zh) * 2014-03-25 2015-09-30 上海市玻森数据科技有限公司 全网舆情监控系统
CN104715034A (zh) * 2015-03-16 2015-06-17 北京航空航天大学 基于中心人物的有权图重叠社区发现方法
CN105931046A (zh) * 2015-12-16 2016-09-07 中国银联股份有限公司 一种可疑交易节点集合侦测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
朱恺骋;程华;: "基于重叠节点的社会网络最短路径算法", no. 04 *
金礼仁: ""基于结构与内容的社交网络水军团体识别"", 《信息科技辑》, pages 58 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111951021A (zh) * 2019-05-15 2020-11-17 财付通支付科技有限公司 一种可疑社团的发现方法和装置、存储介质及计算机设备
CN110647590A (zh) * 2019-09-23 2020-01-03 税友软件集团股份有限公司 一种目标社群数据的识别方法及相关装置
CN111242763A (zh) * 2020-01-07 2020-06-05 北京明略软件系统有限公司 一种目标用户群的确定方法及装置
CN113763167A (zh) * 2021-08-11 2021-12-07 杭州盈火网络科技有限公司 一种基于复杂网络的黑名单挖掘方法
CN113763167B (zh) * 2021-08-11 2023-11-17 杭州盈火网络科技有限公司 一种基于复杂网络的黑名单挖掘方法

Similar Documents

Publication Publication Date Title
Pacheco et al. Uncovering coordinated networks on social media
Delvenne et al. Centrality measures and thermodynamic formalism for complex networks
Bhati et al. An intrusion detection scheme based on the ensemble of discriminant classifiers
CN109325814A (zh) 一种用于发现可疑交易网络的方法
CN103793484B (zh) 分类信息网站中的基于机器学习的欺诈行为识别系统
Khor et al. A cascaded classifier approach for improving detection rates on rare attack categories in network intrusion detection
CN108768946B (zh) 一种基于随机森林算法的网络入侵检测方法
He et al. An effective cost-sensitive XGBoost method for malicious URLs detection in imbalanced dataset
Soltani et al. A new algorithm for money laundering detection based on structural similarity
Marteau et al. Hybrid isolation forest-application to intrusion detection
CN102170447A (zh) 一种基于最近邻及相似度测量检测钓鱼网页的方法
CN104899508A (zh) 一种多阶段钓鱼网站检测方法与系统
CN108764943B (zh) 基于资金交易网络的可疑用户监测分析方法
CN107967311A (zh) 一种对网络数据流进行分类的方法和装置
Forouzandeh et al. New centrality measure for nodes based on user social status and behavior on Facebook
Masarat et al. A novel framework, based on fuzzy ensemble of classifiers for intrusion detection systems
CN109889436A (zh) 一种社交网络中垃圾邮件发送者的发现方法
CN107483451A (zh) 基于串并行结构网络安全数据处理方法及系统、社交网络
Han et al. Recognizing roles of online illegal gambling participants: An ensemble learning approach
CN112685272B (zh) 一种具备可解释性的用户行为异常检测方法
CN109472694A (zh) 一种可疑交易行为发现系统
CN108197795A (zh) 恶意团体账户识别方法、装置、终端及存储介质
CN112560105B (zh) 保护多方数据隐私的联合建模方法及装置
CN113254580A (zh) 一种特殊群体搜索方法及系统
CN109426965A (zh) 一种基于机器学习的可疑交易网络识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination