CN109345376A - 一种电子银行反欺诈方法及系统 - Google Patents

Abstract

本申请提供了一种电子银行反欺诈方法及系统，其中，该方法包括如下步骤：获取模块获取操作请求和操作请求对应的特征数据；第一计算模型基于所述特征数据，确定所述操作请求属于欺诈请求的第一概率；第一决策模块基于预定概率范围，判断所述第一概率是否可信；第二计算模型在第一概率不可信的情况下，基于所述特征数据确定所述操作请求属于欺诈请求的第二概率；第二决策模块根据所述第一概率和所述第二概率确定第三概率，并在第三概率大于预定值时，判定所述操作请求为欺诈请求。本申请的一种电子银行反欺诈方法及系统，能够有效提升反欺诈算法模型对欺诈操作请求的判断的准确率，从而提高反欺诈方法对欺诈操作请求识别的准确性。

Description

一种电子银行反欺诈方法及系统

技术领域

本申请涉及计算机信息技术领域，尤其是涉及一种电子银行反欺诈方法及系统。

背景技术

互联网的快速发展以及智能终端的普及，使得人们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，便捷的同时，在利益的驱使下，也滋生了大量的黑产军团。调查显示，网络犯罪每年给全球带来高达4450亿美元的经济损失。

目前业内的电子银行反欺诈系统一般具有两种实现方案：一是基于专家规则的方法，简称专家法；二是采用机器学习算法模型对特征数据进行机器学习，通过定期调整参数，不断提升反欺诈防控策略的有效性。

现有的基于机器学习的方法是把机器学习算法模型不加改造的直接应用到业务场景中来，这些反欺诈算法模型一般直接使用目标业务场景中的全部特征数据进行训练，在线上应用时通常会得到欺诈概率值，并对欺诈概率值的大小进行判断：如果欺诈概率值大于预先设定的专家阈值，就认为该用户属于欺诈用户；如果概率小于预先设定的专家阈值，就认为该用户属于正常用户，专家阈值一般设定为50％。现有技术中的反欺诈算法模型对欺诈操作请求的判断会存在一定的误差，现有的反欺诈方法的准确性较低。

发明内容

本申请提出了一种电子银行反欺诈方法及系统，能够有效提升反欺诈算法模型对欺诈操作请求的判断的准确率，从而提高反欺诈方法对欺诈操作请求识别的准确性。

第一方面，本申请实施例提供了一种电子银行反欺诈方法，包括如下步骤：

获取模块获取操作请求和操作请求对应的特征数据；

第一计算模型基于所述特征数据，确定所述操作请求属于欺诈请求的第一概率；

第一决策模块基于预定概率范围，判断所述第一概率是否可信；

第二计算模型在第一概率不可信的情况下，基于所述特征数据确定所述操作请求属于欺诈请求的第二概率；

第二决策模块根据所述第一概率和所述第二概率确定第三概率，并在第三概率大于预定值时，判定所述操作请求为欺诈请求。

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，还包括如下步骤：在所述第一概率可信的情况下，所述第一决策模块基于所述第一概率判定所述操作请求是否为欺诈请求。

结合第一方面，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，所述第三计算模块具体执行如下步骤：

对所述第一概率和所述第二概率进行加权求和，得到所述第三概率。

结合第一方面，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，还包括如下步骤：

数据获取模块获取所述操作请求所属的用户的所有历史操作请求以及所述历史操作请求对应的第一历史特征数据；

第一模型训练模块根据获取的数据进行模型训练，得到所述第一计算模型。

结合第一方面的第三种可能的实施方式，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，还包括如下步骤：

第一计算模型根据每个所述第一历史特征数据得到对应的历史概率值；

第二模型训练模块获取满足预定概率范围的历史概率值对应的第一历史特征数据，得到第二历史特征数据，根据所述第二历史特征数据和所述第二历史特征数据对应的历史概率值，进行模型训练，得到第二计算模型。

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，数据预处理模块对所述获取模块获取的所述特征数据进行预处理，所述预处理过程包括如下步骤：

对所述特征数据进行向量化处理；

对向量化的所述特征数据进行清除异常数据和填充缺失数据的操作；

利用算法增加欺诈操作请求对应的特征数据的数量；

去掉冗余的所述特征数据；

将所述特征数据映射到相同的数值范围。

第二方面，本申请实施例还提供一种电子银行反欺诈系统，包括获取模块、第一计算模型、第一决策模块、第二计算模型和第二决策模块：

所述获取模块，用于获取操作请求和操作请求对应的特征数据；

所述第一计算模型，用于基于所述特征数据，确定所述操作请求属于欺诈请求的第一概率；

所述第一决策模块，用于基于预定概率范围，判断所述第一概率是否可信；

所述第二计算模型，用于在第一概率不可信的情况下，基于所述特征数据确定所述操作请求属于欺诈请求的第二概率；

所述第二决策模块，用于根据所述第一概率和所述第二概率确定第三概率，并在第三概率大于预定值时，判定所述操作请求为欺诈请求。

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，所述第一决策模块，还用于在所述第一概率可信的情况下，基于所述第一概率判定所述操作请求是否为欺诈请求。

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，还包括数据获取模块和第一模型训练模块：

所述数据获取模块，用于获取所述操作请求所属的用户的所有历史操作请求以及所述历史操作请求对应的第一历史特征数据；

所述第一模型训练模块，用于根据获取的数据进行模型训练，得到所述第一计算模型。

结合第二方面的第二种可能的实施方式，本申请实施例提供了第二方面的第三种可能的实施方式，其中，还包括第二模型训练模块：

所述第一计算模型，还用于根据每个所述第一历史特征数据得到对应的历史概率值；

所述第二模型训练模块，用于获取满足预定概率范围的历史概率值对应的第一历史特征数据，得到第二历史特征数据，根据所述第二历史特征数据和所述第二历史特征数据对应的历史概率值，进行模型训练，得到第二计算模型。

本申请实施例提供的一种电子银行反欺诈方法及系统，在所述第一概率不可信的情况下，对对应的特征数据进行进一步处理和计算，与现有技术相比，能够有效提高反欺诈方法对欺诈操作请求识别的准确性。

进一步，本申请实施例提供的电子银行反欺诈方法，还可以利用所述第一概率不可信的部分历史特征数据，有针对性的进行算法模型训练，使反欺诈方法对欺诈操作请求识别的准确性得到大幅提升。

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另一种电子银行反欺诈方法的流程图；

图3示出了本申请实施例提供的一种电子银行反欺诈方法的算法结构图

图4示出了本申请实施例所提供的一种电子银行反欺诈系统的结构示意图；

图5示出了本申请实施例所提供的另一种电子银行反欺诈系统的结构示意图。

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。

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。

实施例一

本申请实施例一提供了一种电子银行反欺诈方法，本申请实施例提供的方法可以应用于各种电子银行中，例如用于手机银行、网上银行、直销银行和/或微信银行中。如图1所示，本申请实施例所提供的一种电子银行反欺诈方法包括如下步骤：

S101获取模块获取操作请求和操作请求对应的特征数据。

所述操作请求包括电子银行业务中可能涉及的任一操作请求，包括但不限于：注册、登录、转账、缴费和消费。

这里，在获取上述特征数据之后，数据预处理模块对特征数据进行预处理，预处理过程包括如下步骤：

对特征数据进行向量化处理；

对向量化的特征数据进行清除异常数据和填充缺失数据的操作；

利用算法增加欺诈操作请求对应的特征数据的数量；

去掉冗余的特征数据；

将特征数据映射到相同的数值范围。

S102第一计算模型基于所述特征数据，确定所述操作请求属于欺诈请求的第一概率。

这里，第一计算模型可以使用机器学习算法中任一种常用的算法，具体的，例如，Randomforest随机森林算法。

S103第一决策模块基于预定概率范围，判断所述第一概率是否可信。

这里，上述预定概率范围为大于等于第一阈值，且小于等于第二阈值。

这里，上述第一阈值可以取小于等于50％的任一数值，并且上述第二阈值可以取大于等于50％的任一数值。具体的，例如第一阈值可以为40％，第二阈值可以为70％；或者，第一阈值可以为40％，第二阈值可以为80％。

这里，在所述第一概率可信的情况下，所述第一决策模块基于所述第一概率判定所述操作请求是否为欺诈请求。

S104第二计算模型在第一概率不可信的情况下，基于特征数据确定操作请求属于欺诈请求的第二概率。

这里，第二计算模型可以使用机器学习算法中任一种常用的算法，具体的，例如，Randomforest随机森林算法。

S105第二决策模块根据第一概率和第二概率确定第三概率，并在第三概率大于预定值时，判定操作请求为欺诈请求。

这里，第三计算模块具体执行如下步骤：对所述第一概率和所述第二概率进行加权求和，得到所述第三概率。

实施例二

本申请实施例一提供了一种电子银行反欺诈方法，如图2所示，主要包括第一计算模型和第二计算模型的训练方法，具体包括如下步骤：

S201数据获取模块获取所述操作请求所属的用户的所有历史操作请求以及所述历史操作请求对应的第一历史特征数据。

这里，数据模块将经过反欺诈方法判断属于欺诈操作请求的拦截信息、操作请求所属的用户的所有历史操作请求和历史操作请求对应的历史特征数据写入数据库中。经过一段时间的积累，定时启动算法模型训练过程。

这里，数据预处理模块对第一历史特征数据进行预处理，进行预处理的步骤与实施例一种对特征数据进行预处理的步骤相同。

S202第一模型训练模块根据获取的数据进行模型训练，得到所述第一计算模型。

这里，第一模型训练模块可以使用机器学习算法中任一种常用的算法，具体的，例如，Randomforest随机森林算法。

S203第一计算模型根据每个所述第一历史特征数据得到对应的历史概率值。

这里，第一计算模型将每个所述第一历史特征数据带入经过步骤S202得到的第一计算模型中，得到多个历史概率值。

S204第二模型训练模块获取满足预定概率范围的历史概率值对应的第一历史特征数据，得到第二历史特征数据，根据所述第二历史特征数据和所述第二历史特征数据对应的历史概率值，进行模型训练，得到第二计算模型。

这里，上述预定概率范围为大于等于第一阈值，且小于等于第二阈值。

这里，第二模型训练模块可以使用机器学习算法中任一种常用的算法，具体的，例如，Randomforest随机森林算法。

实施例三

如图3所示，是本申请实施例三提供的一种电子银行反欺诈方法的算法结构图，给出了基于Randomforest随机森林算法构建电子银行反欺诈方法的算法结构图。

S301电子银行反欺诈方法的输入部分为操作请求对应的特征数据。

S302所述特征数据首先通过第一计算模型(即Randomforest随机森林1)进行计算，得到对应特征数据的第一概率，第一概率表征了特征数据对应的操作请求属于欺诈操作请求的概率大小。这里，第一计算模型Randomforest随机森林1使用每个特征数据进行算法模型训练，得到第一计算模型Randomforest随机森林1的算法模型中的参数值，定时进行算法模型训练，并用新得到的参数值更新第一计算模型，即Randomforest随机森林1。

接下来基于预定概率范围，判断所述第一概率是否可信，具体的，标记第一概率为Result_Randomforest1，观测其是否满足预设条件，具体阈值范围根据场景特性和业务特性进行设定，这里，具体地以40％≤Result_Randomforest1≤70％为例进行说明。

如果不满足这个预设条件，说明第一计算模型Randomforest随机森林1的计算结果对于当前操作行为是否是欺诈操作行为的判断有较高的置信度，计算得到的第一概率拥有比较高的可信度，因此可以直接输出。

S303如果满足了这个阈值条件，说明第一计算模型Randomforest随机森林1对于当前操作行为是否是欺诈操作行为的判断并不确定，因此会把步骤S302用到的特征数据和Randomforest随机森林1得到的第一概率一起输入给第二计算模型Randomforest随机森林2进行进一步训练，得到第二计算模型Randomforest随机森林2的参数值，这个步骤体现了主动学习Active learning的思想。

使用训练后的Randomforest随机森林2的算法模型对特征数据进行计算，得到第二概率，将所述第二概率标记为Result_Randomforest2。

S304当计算得到第二概率后，使用加权求和公式对所述第一概率和第二概率进行计算，得到综合考虑第一计算模型Randomforest随机森林1和第二计算模型Randomforest随机森林2两个算法模型的第三概率，上述加权求和公式如下：

β*Result_Randomforest1+(1-β)Result_Randomforest2

此时，计算得到的第三概率，对40％≤Result_Randomforest1≤70％情况下，操作请求是否是欺诈操作请求的判断拥有比较高的可信度，因此使用第三概率表征所述操作请求属于欺诈操作请求的概率。

基于相同的技术构思，本申请实施例还提供一种电子银行反欺诈系统，具体可参见以下实施例。

实施例四

如图4所示，是本申请实施例四提供的一种电子银行反欺诈系统400，包括401获取模块、402第一计算模型、403第一决策模块、404第二计算模型和405第二决策模块：

401获取模块，用于获取操作请求和操作请求对应的特征数据；

402第一计算模型，用于基于所述特征数据，确定所述操作请求属于欺诈请求的第一概率；

403第一决策模块，用于基于预定概率范围，判断所述第一概率是否可信；

404第二计算模型，用于在第一概率不可信的情况下，基于所述特征数据确定所述操作请求属于欺诈请求的第二概率；

405第二决策模块，用于根据所述第一概率和所述第二概率确定第三概率，并在第三概率大于预定值时，判定所述操作请求为欺诈请求。

实施例五

如图5所示，是本申请实施例五提供的一种电子银行反欺诈系统500，还包括501获取模块、502第一计算模型、503第一决策模块、504第二计算模型、505第二决策模块、506数据获取模块、507第一模型训练模块和508第二模型训练模块：

501获取模块，用于获取操作请求和操作请求对应的特征数据；

502第一计算模型，用于基于所述特征数据，确定所述操作请求属于欺诈请求的第一概率；502第一计算模型，还用于根据每个所述第一历史特征数据得到对应的历史概率值；

503第一决策模块，用于基于预定概率范围，判断所述第一概率是否可信；

504第二计算模型，用于在第一概率不可信的情况下，基于所述特征数据确定所述操作请求属于欺诈请求的第二概率；

505第二决策模块，用于根据所述第一概率和所述第二概率确定第三概率，并在第三概率大于预定值时，判定所述操作请求为欺诈请求。

506数据获取模块，用于获取所述操作请求所属的用户的所有历史操作请求以及所述历史操作请求对应的第一历史特征数据；

507第一模型训练模块，用于根据获取的数据进行模型训练，得到所述第一计算模型。

508第二模型训练模块，用于获取满足预定概率范围的历史概率值对应的第一历史特征数据，得到第二历史特征数据，根据所述第二历史特征数据和所述第二历史特征数据对应的历史概率值，进行模型训练，得到第二计算模型。

本申请实施例所提供的进行一种电子银行反欺诈方法及系统的计算机程序产品，包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。所述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所述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：以上所述实施例，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所述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，包括如下步骤：

获取模块获取操作请求和操作请求对应的特征数据；

第一计算模型基于所述特征数据，确定所述操作请求属于欺诈请求的第一概率；

第一决策模块基于预定概率范围，判断所述第一概率是否可信；

第二计算模型在第一概率不可信的情况下，基于所述特征数据确定所述操作请求属于欺诈请求的第二概率；

第二决策模块根据所述第一概率和所述第二概率确定第三概率，并在第三概率大于预定值时，判定所述操作请求为欺诈请求。

2.根据权利要求1所述的方法，其特征在于，还包括如下步骤：在所述第一概率可信的情况下，所述第一决策模块基于所述第一概率判定所述操作请求是否为欺诈请求。

3.根据权利要求1所述的方法，其特征在于，所述第三计算模块具体执行如下步骤：

对所述第一概率和所述第二概率进行加权求和，得到所述第三概率。

4.根据权利要求1所述的方法，其特征在于，还包括如下步骤：

数据获取模块获取所述操作请求所属的用户的所有历史操作请求以及所述历史操作请求对应的第一历史特征数据；

第一模型训练模块根据获取的数据进行模型训练，得到所述第一计算模型。

5.根据权利要求4所述的方法，其特征在于，还包括如下步骤：

第一计算模型根据每个所述第一历史特征数据得到对应的历史概率值；

第二模型训练模块获取满足预定概率范围的历史概率值对应的第一历史特征数据，得到第二历史特征数据，根据所述第二历史特征数据和所述第二历史特征数据对应的历史概率值，进行模型训练，得到第二计算模型。

6.根据权利要求1所述的方法，其特征在于，数据预处理模块对所述获取模块获取的所述特征数据进行预处理，所述预处理过程包括如下步骤：

对所述特征数据进行向量化处理；

对向量化的所述特征数据进行清除异常数据和填充缺失数据的操作；

利用算法增加欺诈操作请求对应的特征数据的数量；

去掉冗余的所述特征数据；

将所述特征数据映射到相同的数值范围。

7.一种电子银行反欺诈系统，其特征在于，包括获取模块、第一计算模型、第一决策模块、第二计算模型和第二决策模块：

所述获取模块，用于获取操作请求和操作请求对应的特征数据；

所述第一计算模型，用于基于所述特征数据，确定所述操作请求属于欺诈请求的第一概率；

所述第一决策模块，用于基于预定概率范围，判断所述第一概率是否可信；

所述第二计算模型，用于在第一概率不可信的情况下，基于所述特征数据确定所述操作请求属于欺诈请求的第二概率；

所述第二决策模块，用于根据所述第一概率和所述第二概率确定第三概率，并在第三概率大于预定值时，判定所述操作请求为欺诈请求。

8.根据权利要求7所述的系统，其特征在于，

所述第一决策模块，还用于在所述第一概率可信的情况下，基于所述第一概率判定所述操作请求是否为欺诈请求。

9.根据权利要求7所述的系统，其特征在于，还包括数据获取模块和第一模型训练模块：

所述数据获取模块，用于获取所述操作请求所属的用户的所有历史操作请求以及所述历史操作请求对应的第一历史特征数据；

所述第一模型训练模块，用于根据获取的数据进行模型训练，得到所述第一计算模型。

10.根据权利要求9所述的系统，其特征在于，还包括第二模型训练模块：

所述第一计算模型，还用于根据每个所述第一历史特征数据得到对应的历史概率值；

所述第二模型训练模块，用于获取满足预定概率范围的历史概率值对应的第一历史特征数据，得到第二历史特征数据，根据所述第二历史特征数据和所述第二历史特征数据对应的历史概率值，进行模型训练，得到第二计算模型。