CN110163618A - 异常交易的检测方法、装置、设备及计算机可读存储介质 - Google Patents
异常交易的检测方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110163618A CN110163618A CN201910479478.XA CN201910479478A CN110163618A CN 110163618 A CN110163618 A CN 110163618A CN 201910479478 A CN201910479478 A CN 201910479478A CN 110163618 A CN110163618 A CN 110163618A
- Authority
- CN
- China
- Prior art keywords
- transaction
- user
- target
- traded
- current
- 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
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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/405—Establishing or using transaction specific rules
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Computer Security & Cryptography (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种异常交易的检测方法，涉及金融科技领域，该方法通过在检测到当前交易的交易指令时，获取所述当前交易的交易类型，并根据所述交易类型确定所述当前交易对应的校验规则；获取所述当前交易的交易参数，并根据所述校验规则以及所述交易参数对所述当前交易进行交易参数验证；在所述当前交易通过所述交易参数验证时，获取所述当前交易所属的目标账户信息，并根据所述目标账户信息中的目标用户标签，判断所述当前交易是否符合目标用户的用户画像；若所述当前交易不符合所述目标用户的用户画像，则对所述目标交易进行异常处理。本发明为各个用户设置对应的验证标准，提升交易异常的识别准确度，解决了异常交易识别效率低下的技术问题。
Description
技术领域
本发明涉及金融科技(Fintech)技术领域，尤其涉及异常交易的检测方法、装置、设备及计算机可读存储介质。
背景技术
随着计算机技术的发展，越来越多的技术(大数据、分布式、区块链Blockchain、人工智能等)应用在金融领域，传统金融业正在逐步向金融科技(Fintech)转变。以大型商业银行为例，银行的现有账户都是通过电子渠道，非面对面的方式远程开的银行II、III类账户。由于II、III类账户业务涉及角色较多(如合作方、通道、发卡行、清算组织等)，因此开立渠道较为多样化且开户手续较为简单。由此这类银行账户容易因系统漏洞、不法分子欺诈、羊毛党多样等原因,导致开户和交易过程中存在一些问题，例如有非真实信息开户、假冒他人开户、绑定账户非I类户、账户被盗刷等。传统异常交易识别的主要方法是针对用户开户、交易、绑卡等环节的异常情况进行识别和控制，传统异常交易的识别规则主要基于专家规则实现，一般是通过经验积累和已有监管规则而制定，不仅规则固定，而且异常识别标准单一，从而导致异常交易的识别效率低下。
发明内容
本发明的主要目的在于提出一种异常交易的检测方法、装置、设备及计算机可读存储介质，旨在解决传统交易识别规则固定且异常识别标准单一而导致的异常交易识别效率低下的技术问题。
为实现上述目的，本发明提供一种异常交易的检测方法，所述异常交易的检测方法包括如下步骤：
在检测到当前交易的交易指令时，获取所述当前交易的交易类型，并根据所述交易类型确定所述当前交易对应的校验规则；
获取所述当前交易的交易参数，并根据所述校验规则以及所述交易参数对所述当前交易进行交易参数验证；
在所述当前交易通过所述交易参数验证时，获取所述当前交易所属的目标账户信息，并根据所述目标账户信息中的目标用户标签，判断所述当前交易是否符合目标用户的用户画像；
若所述当前交易不符合所述目标用户的用户画像，则对所述目标交易进行异常处理。
可选地，所述在所述当前交易通过所述交易参数验证时，获取所述当前交易所属的目标账户信息，并根据所述目标账户信息中的目标用户标签，判断所述当前交易是否符合目标用户的用户画像的步骤具体包括：
在所述当前交易通过所述交易参数验证时，获取所述当前交易所属的目标账户信息，并根据所述目标账户信息中的目标用户标签，确定所述目标用户对应的目标消费信息，其中，所述目标消费信息包括目标消费类型和/或目标消费金额；
将所述当前交易的当前交易信息与所述目标消费信息进行比对，以判断所述当前交易是否符合所述目标用户的用户画像，其中，所述当前交易信息包括当前交易类型和/或当前交易金额。
可选地，所述若所述当前交易不符合所述目标用户的用户画像，则对所述目标交易进行异常处理的步骤具体包括：
若所述当前交易不符合所述目标用户的用户画像，则通过预设决策引擎调用预设用户验证规则，对进行所述当前交易的当前用户进行用户身份验证，以判断所述当前用户是否为所述目标用户；
若判定所述当前用户不是所述目标用户，则拒绝所述当前交易，生成并显示非用户本人的提醒消息，以对所述目标交易进行异常处理。
可选地，所述在检测到当前交易的交易指令时，获取所述当前交易的交易类型，并根据所述交易类型确定所述当前交易对应的校验规则的步骤之前，还包括：
若接收到大批量的交易指令时，根据预设时间间隔，将所述大批量的交易指令进行分批，并根据接收时间的先后将分批后的分批交易指令依次添加至处理队列；
通过计算引擎依次将所述处理队列中的各个分批交易指令封装为各个分布式交易数据集，并分别对所述分布式交易数据集进行异常交易的检测处理。
可选地，所述获取所述当前交易的交易参数，并根据所述校验规则以及所述交易参数对所述当前交易进行交易参数验证的步骤之后，还包括：
在所述当前交易未通过所述交易参数验证时，拒绝所述当前交易，生成并显示当前交易信息异常的提醒消息，以对异常的当前交易及时进行异常处理。
可选地，所述在所述当前交易通过所述交易参数验证时，获取所述当前交易所属的目标账户信息，并根据所述目标账户信息中的目标用户标签，判断所述当前交易是否符合目标用户的用户画像的步骤之前，还包括：
通过预设聚类算法将用户信息进行聚类，并采集聚类后的各个用户的用户信息与历史交易信息；
根据所述用户信息、所述历史交易信息以及预设标签设置规则，将所述各个用户设置对应的用户标签，生成所述各个用户对应的用户画像，并将所述各个用户对应的用户画像进行离线保存，以便进行离线调用。
可选地，所述获取所述当前交易的交易参数，并根据所述校验规则以及所述交易参数对所述当前交易进行交易参数验证的步骤具体包括：
获取所述当前交易的交易参数，并判断缓存区中是否存在所述校验规则；
若所述缓存区不存在所述校验规则，则在数据库中获取所述校验规则，并根据所述校验规则以及所述交易参数对所述当前交易进行交易参数验证。
可选地，所述异常交易的检测方法还包括：
在接收到用户操作触发的规则设置指令时，获取所述规则设置指令中的规则配置信息，进行新增校验规则的添加和/或历史校验规则的修改。
此外，为实现上述目的，本发明还提供一种异常交易的检测装置，所述异常交易的检测装置包括：
校验规则确定模块，用于在检测到当前交易的交易指令时，获取所述当前交易的交易类型，并根据所述交易类型确定所述当前交易对应的校验规则；
交易参数校验模块，用于获取所述当前交易的交易参数，并根据所述校验规则以及所述交易参数对所述当前交易进行交易参数验证；
用户画像校验模块，用于在所述当前交易通过所述交易参数验证时，获取所述当前交易所属的目标账户信息，并根据所述目标账户信息中的目标用户标签，判断所述当前交易是否符合目标用户的用户画像；
异常交易处理模块，用于若所述当前交易不符合所述目标用户的用户画像，则对所述目标交易进行异常处理。
可选地，所述用户画像校验模块还用于：
在所述当前交易通过所述交易参数验证时，获取所述当前交易所属的目标账户信息，并根据所述目标账户信息中的目标用户标签，确定所述目标用户对应的目标消费信息，其中，所述目标消费信息包括目标消费类型和/或目标消费金额；
将所述当前交易的当前交易信息与所述目标消费信息进行比对，以判断所述当前交易是否符合所述目标用户的用户画像，其中，所述当前交易信息包括当前交易类型和/或当前交易金额。
可选地，所述异常交易处理模块还用于：
若所述当前交易不符合所述目标用户的用户画像，则通过预设决策引擎调用预设用户验证规则，对进行所述当前交易的当前用户进行用户身份验证，以判断所述当前用户是否为所述目标用户；
若判定所述当前用户不是所述目标用户，则拒绝所述当前交易，生成并显示非用户本人的提醒消息，以对所述目标交易进行异常处理。
可选地，所述异常交易的检测装置还包括：
交易指令分批模块，用于若接收到大批量的交易指令时，根据预设时间间隔，将所述大批量的交易指令进行分批，并根据接收时间的先后将分批后的分批交易指令依次添加至处理队列；
交易数据集封装模块，用于通过计算引擎依次将所述处理队列中的各个分批交易指令封装为各个分布式交易数据集，并分别对所述分布式交易数据集进行异常交易的检测处理。
此外，为实现上述目的，本发明还提供一种异常交易的检测设备，所述异常交易的检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的异常交易的检测程序，所述异常交易的检测程序被所述处理器执行时实现如上所述的异常交易的检测方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有异常交易的检测程序，所述异常交易的检测程序被处理器执行时实现如上所述的异常交易的检测方法的步骤。
本发明在检测到当前交易的交易指令时，获取所述当前交易的交易类型，并根据所述交易类型确定所述当前交易对应的校验规则；获取所述当前交易的交易参数，并根据所述校验规则以及所述交易参数对所述当前交易进行交易参数验证；在所述当前交易通过所述交易参数验证时，获取所述当前交易所属的目标账户信息，并根据所述目标账户信息中的目标用户标签，判断所述当前交易是否符合目标用户的用户画像；若所述当前交易不符合所述目标用户的用户画像，则对所述目标交易进行异常处理。通过上述方式，本发明为不同交易类型设置不同校验规则，并可根据交易类型自动匹配对应校验规则，以对当前交易参数进行参数校验。然后在当前参数校验通过时，进一步对当前交易进行用户画像校验，为各个用户设置对应的验证标准，提升交易异常的识别准确度，解决了传统交易识别规则固定且异常识别标准单一而导致的异常交易识别效率低下的技术问题。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图；
图2为本发明异常交易的检测方法第一实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
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。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图。
本发明实施例异常交易的检测设备可以是PC机或服务器设备，其上运行有Java虚拟机。
如图1所示，该异常交易的检测设备可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的设备结构并不构成对设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及异常交易的检测程序。
在图1所示的设备中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的异常交易的检测程序，并执行下述异常交易的检测方法中的操作。
基于上述硬件结构，提出本发明异常交易的检测方法实施例。
参照图2，图2为本发明异常交易的检测方法第一实施例的流程示意图，所述方法包括：
步骤S10，在检测到当前交易的交易指令时，获取所述当前交易的交易类型，并根据所述交易类型确定所述当前交易对应的校验规则；
目前，现有账户都是通过电子渠道，非面对面的方式远程开的银行Ⅱ、Ⅲ类账户。由于Ⅱ、Ⅲ类户具有业务涉及角色较多(合作方、通道、发卡行、清算组织等)、开立渠道多样化、开户手续简单等特征，因此，这类银行账户容易存在系统漏洞、不法分子欺诈、羊毛党多样等问题，从而导致用户在开卡和交易过程都存在一定的风险。目前交易中主要存在的问题有非真实信息开户、假冒他人开户、绑定账户非I类户、账户被盗刷等。因此在交易过程中需要进行异常交易识别，目前异常交易识别的主要方法是通过预先配置的规则,针对用户开户、交易、绑卡等环节的异常情况进行识别和控制。但是，现有异常交易识别规则主要基于专家规则实现，一般是通过经验积累和已有监管规则而制定,其优点是解释性强，针对性强，缺点是无法对实时和未知的风险进行识别，而且规则较为固定，并且颗粒度粗，即几乎所有人都遵循相同一套规则，不能根据用户画像做到针对性的异常识别。本实施例中，为了解决上述问题，提供一种异常交易的检测方法，根据当前交易的交易类型，确定对应的校验规则，然后根据该对应的校验规则对当前交易的交易参数进行验证，在当前交易的交易参数无异常之后，进一步将所述当前交易的交易信息与目标账户对应的用户标签进行用户画像校验，从而实现针对性地异常交易识别。
具体地，在检测到交易指令时，获取待校验的当前交易的交易类型，并根据所述交易类型在规则缓存区或者规则数据库中确定对应的校验规则，以对所述当前交易进行异常校验。其中，校验规则可以在规则配置控制台预先设置好，具体可以按照交易场景设定校验规则，如开户交易、消费交易或者绑卡交易等具体交易场景对应的不同交易类型并对应不同交易参数，设置对应的校验规则。
步骤S20，获取所述当前交易的交易参数，并根据所述校验规则以及所述交易参数对所述当前交易进行交易参数验证；
本实施例中，根据当前交易的交易类型，获取所述当前交易对应的交易参数，然后根据对应的交易参数验证规则，对所述当前交易的交易参数进行交易参数验证。其中，所述交易参数验证包括交易参数是否符合参数条件或者通过计算交易的相关指标对交易进行异常识别。
步骤S30，在所述当前交易通过所述交易参数验证时，获取所述当前交易所属的目标账户信息，并根据所述目标账户信息中的目标用户标签，判断所述当前交易是否符合目标用户的用户画像；
本实施例中，在所述当前交易的交易参数通过交易参数验证时，进一步对所述当前交易进行用户画像校验。获取所述当前交易所述的目标账户信息，即当前交易支付的账户信息。并获取所述目标账户信息中预先设置的目标用户标签，根据目标用户标签对进行所述当前交易的当前用户进行用户画像校验。具体可以根据所述目标用户标签确定目标账户信息对应的目标账户对应的消费类型或消费金额，如用户标签为“宅男”的目标用户，一般消费类型为电子产品或外卖食物等，且消费金额以及消费次数均无异常，则判断所述当前交易不符合目标用户的用户画像。若当前交易类型为户外产品，且消费金额超过目标用户历史消费平均值或者消费次数超过平均值，则判断所述当前交易不符合目标用户的用户画像。
进一步地，所述步骤S20具体包括：
获取所述当前交易的交易参数，并判断缓存区中是否存在所述校验规则；
若所述缓存区不存在所述校验规则，则在数据库中获取所述校验规则，并根据所述校验规则以及所述交易参数对所述当前交易进行交易参数验证。
本实施例中，为了提升异常交易的检测效率，在检测到有用户登陆交易系统时，预先把所述目标用户对应的用户画像和交易类型对应的校验规则加载到Redis(缓存区)中，当需要调用时，首先在Redis中读取，如果Redis中不存在，则访问数据库。其中，Redis是一个开源的使用ANSI C语言编写、支持网络、可基于内存亦可持久化的日志型、Key-Value的缓存数据库，还可以进一步提供多种语言访问的API。在本实施例中，通过将用户画像和校验规则加载到缓存区中，以在需要调用时从缓存区中提取校验，避免了所有数据都在数据库中缓存导致访问速度较慢，从而提高了异常交易的效率。
进一步地，所述步骤S20之后，还包括：
在所述当前交易未通过所述交易参数验证时，拒绝所述当前交易，生成并显示当前交易信息异常的提醒消息，以对异常的当前交易及时进行异常处理。
目前异常交易检测规则时效性不强，无法应对实时数据分析需和对消息事件的实时响应，从而导致一旦出现问题，只能事后检测出异常交易，为了解决上述问题，本实施例中，在检测到当前交易未通过所述交易参数验证时，直接拒绝当前交易，并生成以及显示当前交易信息异常的提醒消息。具体可以根据具体异常的交易参数进行对应提醒，从而对异常的当前交易及时进行异常处理，并同时提醒用户当前交易被拒绝的原因。
其中，步骤S30具体包括：
在所述当前交易通过所述交易参数验证时，获取所述当前交易所属的目标账户信息，并根据所述目标账户信息中的目标用户标签，确定所述目标用户对应的目标消费信息，其中，所述目标消费信息包括目标消费类型和/或目标消费金额；
将所述当前交易的当前交易信息与所述目标消费信息进行比对，以判断所述当前交易是否符合所述目标用户的用户画像，其中，所述当前交易信息包括当前交易类型和/或当前交易金额。
本实施例中，在所述当前交易通过所述交易参数验证时，获取所述当前交易所属的目标账户信息，然后根据所述目标账户信息中关联的目标用户标签，如“宅男”“节省达人”，确定所述目标用户对应的目标消费信息，包括目标消费类型，即一般购买的商品类型，与目标消费金额，该目标消费金额可以根据日消费平均值、周消费平均值、月消费平均值或消费最高额进行确定。获取当前交易信息中的当前交易类型以及当前交易金额，并将所述目标消费类型与所述当前交易类型进行比对，将目标消费金额与所述当前交易金额进行比对，根据目标用户对应的目标消费信息，验证所述当前交易类型与当前交易金额是否符合所述目标用户的用户消费行为。
步骤S40，若所述当前交易不符合所述目标用户的用户画像，则对所述目标交易进行异常处理。
本实施例中，若检测到所述当前交易不符合所述目标用户的用户画像，则表示当前用户可能不是目标用户，即可能发生盗号情况，通过对应的验证规则，如手机号短信验证、指纹识别或者人脸识别等，对所述目标交易进行用户验证，从而对所述目标交易进行异常处理，避免用户的财产损失。
本实施例在检测到当前交易的交易指令时，获取所述当前交易的交易类型，并根据所述交易类型确定所述当前交易对应的校验规则；获取所述当前交易的交易参数，并根据所述校验规则以及所述交易参数对所述当前交易进行交易参数验证；在所述当前交易通过所述交易参数验证时，获取所述当前交易所属的目标账户信息，并根据所述目标账户信息中的目标用户标签，判断所述当前交易是否符合目标用户的用户画像；若所述当前交易不符合所述目标用户的用户画像，则对所述目标交易进行异常处理。通过上述方式，本发明为不同交易类型设置不同校验规则，并可根据交易类型自动匹配对应校验规则，以对当前交易参数进行参数校验。然后在当前参数校验通过时，进一步对当前交易进行用户画像校验，为各个用户设置对应的验证标准，提升交易异常的识别准确度，解决了传统交易识别规则固定且异常识别标准单一而导致的异常交易识别效率低下的技术问题。
进一步地，基于本发明异常交易的检测方法第一实施例，提出本发明异常交易的检测方法第二实施例。
在本实施例中，所述异常交易的检测方法还包括：
在接收到用户操作触发的规则设置指令时，获取所述规则设置指令中的规则配置信息，进行新增校验规则的添加和/或历史校验规则的修改。
为了解决目前校验规则调整都是基于事后的数据分析或者是用户、客服、合作方反馈而来，并需要通过发版的方式来修改现有的校验规则的问题，本实施里中，提供一规则配置控制台，以提供校验规则配置页面，以便用户通过控制台新增校验场景或者校验规则。其中，规则设置方式可以是，对不同的交易类型，如开户/消费/绑卡/提现等现有账户类交易的各项交易要素进行参数验证，规则后续还可以进行横向扩展，具体如下，包括不限于：
A、开户交易，可按开户者的年龄、身份、设备号IP、身份证OCR返回码、四要素鉴权结果、反欺诈结果、联网核查结果等要素是否符合条件进行设置；
B、消费交易，可按商户类型、交易时间、额度等要素是否符合条件进行设置；
C、绑卡交易，可按绑卡前的认证行为(手机验证短信OTP(One-time Password，也称动态口令)或验证密码)、四要素鉴权结果、绑定卡的类型等要素是否符合条件进行设置等。
还可以进一步地通过计算引擎快速计算交易的相关指标对交易进行异常识别，从而进行交易控制与异常预警。其中，相关指标可以包括交易总量、交易通过率、交易平均值或者用户跨记录等参数；为了实现实时快速计算，本实施例中采用一种专为大规模数据处理而设计的快速通用的计算引擎Spark，拥有分布式运算程序的框架Hadoop MapReduce所具有的优点，均可进行海量数据处理。但不同于MapReduce的是——作业(Job)中间输出结果可以保存在内存中，从而不再需要从分布式文件系统HDFS读写结果数据，可用来构建大型的、低延迟的数据分析应用程序；其中，计算交易的相关指标的校验规则设置可以参考以下要素：
A、交易总量，通过不同时间统计窗口(即时间间隔)，设定不同的值，来指定不同的异常返回码，如下表所示：
| 交易总量 | 小时(上日同期) | 日（上日) | 周(上周) |
| 升幅0-50％ | 返回码：0 | 返回码：1 | 返回码：2 |
| 升幅50-100％ | 返回码：3 | 返回码：4 | 返回码：5 |
| 升幅100％以上 | 返回码：6 | 返回码：7 | 返回码：8 |
| 降幅0-50％ | 返回码：9 | 返回码：10 | 返回码：11 |
| 降幅50-100％ | 返回码：12 | 返回码：13 | 返回码：14 |
B、交易成功率，通过不同时间统计窗口，设定不同的值，来指定不同的异常返回码，如下表所示：
| 交易成功率 | 小时(上日同期) | 日(上日) | 周(上周) |
| 升幅0-50％ | 返回码：15 | 返回码：16 | 返回码：17 |
| 升幅50-100％ | 返回码：18 | 返回码：19 | 返回码：20 |
| 升幅100％以上 | 返回码：21 | 返回码：22 | 返回码：23 |
| 降幅0-50％ | 返回码：24 | 返回码：25 | 返回码：26 |
| 降幅50-100％ | 返回码：27 | 返回码：28 | 返回码：29 |
C、用户跨记录分析，来指定不同的异常返回码，如下表所示：
也就是说，可以通过监测交易平台的全局交易信息，根据不同的交易类型，按不同交易参数，如年龄、金额、交易地点、频度，设置对应的校验规则，例如：
A、在一段时间内监测到：通过某个合作平台过来的开户用户，用户平均年龄超过了60岁，并且身份证上的地址全部相同，上述情况可能是羊毛党通过收集农村老人身份证来进行统一开户，薅平台羊毛；
B、某平台过来一笔交易的金额远超该平台平均交易额度，上述情况可能是该笔交易存在盗刷的可能；
C、针对该行动者本身的跨多条记录分析，比如该用户前100次交易地点为深圳，而本次交易地点为北京，且距上次交易时间间隔只有10分钟，上述情况可能是该交易账号被盗号；
D、某人连续多次尝试多次交易，但都验密失败，上述情况可能是当前用户非本人用户。
还可以进一步设置异常交易的异常处理规则，如下表所示：
在本实例中，通过校验规则的新增和修改，防止事后才能修改的缺陷，此外，结合计算引擎Spark实现交易检测，提高了异常交易整理的准确性和效率，更加符合银行等金融机构的需求，从而保证了银行等金融机构的各项业务(贷款业务、存款业务等)的正常运行。
进一步地，基于本发明异常交易的检测方法第一实施例，所述步骤S40具体包括：
若所述当前交易不符合所述目标用户的用户画像，则通过预设决策引擎调用预设用户验证规则，对进行所述当前交易的当前用户进行用户身份验证，以判断所述当前用户是否为所述目标用户；
若判定所述当前用户不是所述目标用户，则拒绝所述当前交易，生成并显示非用户本人的提醒消息，以对所述目标交易进行异常处理。
本实施例中，若判定所述当前交易不符合所述目标用户的用户画像，则当前交易对应的交易行为不符合目标用户对应的用户消费行为。通过预设决策引擎调用缓存区或者数据库中的用户验证规则，通过所述用户验证规则对所述当前用户进行身份验证，从而提高身份验证的准确性。
进一步地，基于本发明异常交易的检测方法第一实施例，提出本发明异常交易的检测方法第三实施例。
在本实施例中，上述步骤S10之前所述异常交易的检测方法还包括：
若接收到大批量的交易指令时，根据预设时间间隔，将所述大批量的交易指令进行分批，并根据接收时间的先后将分批后的分批交易指令依次添加至处理队列；
通过计算引擎依次将所述处理队列中的各个分批交易指令封装为各个分布式交易数据集，并分别对所述分布式交易数据集进行异常交易的检测处理。
为了对大量的交易指令数据进行实时处理，本实施例中，采用了开源流处理平台Kafka集群作为处理架构。其中，Kafka集群最初由Linkedin公司开发，是一个分布式、支持分区的、多副本的高吞吐量的分布式发布订阅消息系统，基于分布式应用程序协调服务zookeeper协调的分布式消息系统，它的最大的特性就是可以实时的处理大量数据以满足各种需求场景。应用在普通服务器上，每秒也能处理几十万条消息，可用于低时延的收集和发送大量的事件和日志数据。Kafka集群包含若干生产者、处理服务器、消费者以及一个ZooKeeper集群。生产者就是向Kafka集群发消息的客户端，消费者则是从Kafka集群取消息的客户端，处理服务器负责消息的处理分发，ZooKeeper管理处理服务器与消费者的动态加入与离开，各组件都可以水平扩展。用户交易作为Kafka集群的生产者，将消息事件传送到Kafka集群中，并按照消息类别进行缓存。Kafka集群根据预先配置的订阅规则转发到SparkStreaming和大数据平台中去，以进行实时计算和离线计算进行处理。其中，Sparkstreaming为构建在Spark上处理Stream数据的框架，基本的原理是将Stream数据分成小的时间片断(几秒)，以类似batch批量处理的方式来处理这小部分数据。也就是说，SparkStreaming其实就是一种Spark提供的，对于大数据，进行实时计算的一种框架。从数据源获取数据之后，可以使用诸如map、reduce、join和window等高级函数进行复杂算法的处理。最后还可以将处理结果存储到文件系统或数据库。Spark Streaming在内部的处理机制是：接收实时流的数据(如大量交易指令)，并根据一定的时间间隔将所述大量交易指令拆分成一批批的数据，然后通过Spark Engine处理这些分批后的交易指令，得到处理后的一批批交易结果数据。其中，对应的批数据，在Spark内核对应一个弹性分布式数据集RDD实例，因此，对应流数据的DStream可以看成是一组RDDs，即DStream是一组连续的RDD序列。也就是说，在大量交易指令流数据分成一批一批后，通过一个先进先出的队列，然后Spark Engine从该队列中依次取出一个个批数据，把批数据封装成一个RDD，然后对各个RDD进行异常交易的检测流程。
应理解，在银行等金融机构对海量大数据的交易检测过程中，通过上述的Kafka集群、Spark Streaming和大数据平台等组成分布式架构，由分布式架构实现了海量大数据交易的高效、准确检测过程。
进一步地，所述步骤S30之前，还包括：
通过预设聚类算法将用户信息进行聚类，并采集聚类后的各个用户的用户信息与历史交易信息；
根据所述用户信息、所述历史交易信息以及预设标签设置规则，将所述各个用户设置对应的用户标签，生成所述各个用户对应的用户画像，并将所述各个用户对应的用户画像进行离线保存，以便进行离线调用。
为了提高用户画像的精确性，本实施例中，首先通过聚类算法把用户按照用户信息类型进行聚类，聚类算法根据实际需要设置，此处不做限定，然后提取聚类后的各个用户对应的用户信息以及历史交易信息，包括历史交易类型与历史交易金额，根据各个用户的消费行，为各个用户设置对应的标签，以对各个用户进行打标，为各个用户生成对应的用户画像。其中，打标可以是根据预设标签设置规则，如交易类型的占比设置用户类型，或者消费金额的高低，设置用户的消费能力等。还可以是将用户的历史交易信息以及对应的设置标签输入至模型进行模型的训练，然后将用户信息以及用户对应的交易信息输入至训练后的模型，以对各个用户进行标签的设置，从而生成各个用户对应的用户画像。为了满足实时查询的需求，通过Hbase离线保存各个用户的用户画像，其中，Hbase是一个高可靠性、高性能、面向列、可伸缩的分布式存储系统，仅需使用普通的硬件配置，就能够处理由成千上万的行和列所组成的大型数据。
本发明还提供一种异常交易的检测装置。所述异常交易的检测装置包括：
校验规则确定模块，用于在检测到当前交易的交易指令时，获取所述当前交易的交易类型，并根据所述交易类型确定所述当前交易对应的校验规则；
交易参数校验模块，用于获取所述当前交易的交易参数，并根据所述校验规则以及所述交易参数对所述当前交易进行交易参数验证；
用户画像校验模块，用于在所述当前交易通过所述交易参数验证时，获取所述当前交易所属的目标账户信息，并根据所述目标账户信息中的目标用户标签，判断所述当前交易是否符合目标用户的用户画像；
异常交易处理模块，用于若所述当前交易不符合所述目标用户的用户画像，则对所述目标交易进行异常处理。
进一步地，所述用户画像校验模块还用于：
在所述当前交易通过所述交易参数验证时，获取所述当前交易所属的目标账户信息，并根据所述目标账户信息中的目标用户标签，确定所述目标用户对应的目标消费信息，其中，所述目标消费信息包括目标消费类型和/或目标消费金额；
将所述当前交易的当前交易信息与所述目标消费信息进行比对，以判断所述当前交易是否符合所述目标用户的用户画像，其中，所述当前交易信息包括当前交易类型和/或当前交易金额。
进一步地，所述异常交易处理模块还用于：
若所述当前交易不符合所述目标用户的用户画像，则通过预设决策引擎调用预设用户验证规则，对进行所述当前交易的当前用户进行用户身份验证，以判断所述当前用户是否为所述目标用户；
若判定所述当前用户不是所述目标用户，则拒绝所述当前交易，生成并显示非用户本人的提醒消息，以对所述目标交易进行异常处理。
进一步地，所述异常交易的检测装置还包括：
交易指令分批模块，用于若接收到大批量的交易指令时，根据预设时间间隔，将所述大批量的交易指令进行分批，并根据接收时间的先后将分批后的分批交易指令依次添加至处理队列；
交易数据集封装模块，用于通过计算引擎依次将所述处理队列中的各个分批交易指令封装为各个分布式交易数据集，并分别对所述分布式交易数据集进行异常交易的检测处理。
进一步地，所述异常交易的检测装置还包括：
参数异常提醒模块，用于在所述当前交易未通过所述交易参数验证时，拒绝所述当前交易，生成并显示当前交易信息异常的提醒消息，以对异常的当前交易及时进行异常处理。
进一步地，所述异常交易的检测装置还包括：
用户信息聚类模块，用于通过预设聚类算法将用户信息进行聚类，并采集聚类后的各个用户的用户信息与历史交易信息；
用户画像生成模块，用于根据所述用户信息、所述历史交易信息以及预设标签设置规则，将所述各个用户设置对应的用户标签，生成所述各个用户对应的用户画像，并将所述各个用户对应的用户画像进行离线保存，以便进行离线调用。
进一步地，所述交易参数校验模块具体包括：
获取所述当前交易的交易参数，并判断缓存区中是否存在所述校验规则；
若所述缓存区不存在所述校验规则，则在数据库中获取所述校验规则，并根据所述校验规则以及所述交易参数对所述当前交易进行交易参数验证。
进一步地，所述异常交易的检测装置还包括：
校验规则配置模块，用于在接收到用户操作触发的规则设置指令时，获取所述规则设置指令中的规则配置信息，进行新增校验规则的添加和/或历史校验规则的修改。
上述各程序模块所执行的方法可参照本发明异常交易的检测方法各个实施例，此处不再赘述。
本发明还提供一种计算机可读存储介质。
本发明计算机可读存储介质上存储有异常交易的检测程序，所述异常交易的检测程序被处理器执行时实现如上所述的异常交易的检测方法的步骤。
其中，在所述处理器上运行的异常交易的检测程序被执行时所实现的方法可参照本发明异常交易的检测方法各个实施例，此处不再赘述。
需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (14)
1.一种异常交易的检测方法，其特征在于，所述异常交易的检测方法包括如下步骤：
在检测到当前交易的交易指令时，获取所述当前交易的交易类型，并根据所述交易类型确定所述当前交易对应的校验规则；
获取所述当前交易的交易参数，并根据所述校验规则以及所述交易参数对所述当前交易进行交易参数验证；
在所述当前交易通过所述交易参数验证时，获取所述当前交易所属的目标账户信息，并根据所述目标账户信息中的目标用户标签，判断所述当前交易是否符合目标用户的用户画像；
若所述当前交易不符合所述目标用户的用户画像，则对所述目标交易进行异常处理。
2.如权利要求1所述的异常交易的检测方法，其特征在于，所述在所述当前交易通过所述交易参数验证时，获取所述当前交易所属的目标账户信息，并根据所述目标账户信息中的目标用户标签，判断所述当前交易是否符合目标用户的用户画像的步骤具体包括：
在所述当前交易通过所述交易参数验证时，获取所述当前交易所属的目标账户信息，并根据所述目标账户信息中的目标用户标签，确定所述目标用户对应的目标消费信息，其中，所述目标消费信息包括目标消费类型和/或目标消费金额；
将所述当前交易的当前交易信息与所述目标消费信息进行比对，以判断所述当前交易是否符合所述目标用户的用户画像，其中，所述当前交易信息包括当前交易类型和/或当前交易金额。
3.如权利要求2所述的异常交易的检测方法，其特征在于，所述若所述当前交易不符合所述目标用户的用户画像，则对所述目标交易进行异常处理的步骤具体包括：
若所述当前交易不符合所述目标用户的用户画像，则通过预设决策引擎调用预设用户验证规则，对进行所述当前交易的当前用户进行用户身份验证，以判断所述当前用户是否为所述目标用户；
若判定所述当前用户不是所述目标用户，则拒绝所述当前交易，生成并显示非用户本人的提醒消息，以对所述目标交易进行异常处理。
4.如权利要求1所述的异常交易的检测方法，其特征在于，所述在检测到当前交易的交易指令时，获取所述当前交易的交易类型，并根据所述交易类型确定所述当前交易对应的校验规则的步骤之前，还包括：
若接收到大批量的交易指令时，根据预设时间间隔，将所述大批量的交易指令进行分批，并根据接收时间的先后将分批后的分批交易指令依次添加至处理队列；
通过计算引擎依次将所述处理队列中的各个分批交易指令封装为各个分布式交易数据集，并分别对所述分布式交易数据集进行异常交易的检测处理。
5.如权利要求1所述的异常交易的检测方法，其特征在于，所述获取所述当前交易的交易参数，并根据所述校验规则以及所述交易参数对所述当前交易进行交易参数验证的步骤之后，还包括：
在所述当前交易未通过所述交易参数验证时，拒绝所述当前交易，生成并显示当前交易信息异常的提醒消息，以对异常的当前交易及时进行异常处理。
6.如权利要求1所述的异常交易的检测方法，其特征在于，所述在所述当前交易通过所述交易参数验证时，获取所述当前交易所属的目标账户信息，并根据所述目标账户信息中的目标用户标签，判断所述当前交易是否符合目标用户的用户画像的步骤之前，还包括：
通过预设聚类算法将用户信息进行聚类，并采集聚类后的各个用户的用户信息与历史交易信息；
根据所述用户信息、所述历史交易信息以及预设标签设置规则，将所述各个用户设置对应的用户标签，生成所述各个用户对应的用户画像，并将所述各个用户对应的用户画像进行离线保存，以便进行离线调用。
7.如权利要求6所述的异常交易的检测方法，其特征在于，所述获取所述当前交易的交易参数，并根据所述校验规则以及所述交易参数对所述当前交易进行交易参数验证的步骤具体包括：
获取所述当前交易的交易参数，并判断缓存区中是否存在所述校验规则；
若所述缓存区不存在所述校验规则，则在数据库中获取所述校验规则，并根据所述校验规则以及所述交易参数对所述当前交易进行交易参数验证。
8.如权利要求1-7中任一项所述的异常交易的检测方法，其特征在于，所述异常交易的检测方法还包括：
在接收到用户操作触发的规则设置指令时，获取所述规则设置指令中的规则配置信息，进行新增校验规则的添加和/或历史校验规则的修改。
9.一种异常交易的检测装置，其特征在于，所述异常交易的检测装置包括：
校验规则确定模块，用于在检测到当前交易的交易指令时，获取所述当前交易的交易类型，并根据所述交易类型确定所述当前交易对应的校验规则；
交易参数校验模块，用于获取所述当前交易的交易参数，并根据所述校验规则以及所述交易参数对所述当前交易进行交易参数验证；
用户画像校验模块，用于在所述当前交易通过所述交易参数验证时，获取所述当前交易所属的目标账户信息，并根据所述目标账户信息中的目标用户标签，判断所述当前交易是否符合目标用户的用户画像；
异常交易处理模块，用于若所述当前交易不符合所述目标用户的用户画像，则对所述目标交易进行异常处理。
10.如权利要求9所述的异常交易的检测装置，其特征在于，所述用户画像校验模块还用于：
在所述当前交易通过所述交易参数验证时，获取所述当前交易所属的目标账户信息，并根据所述目标账户信息中的目标用户标签，确定所述目标用户对应的目标消费信息，其中，所述目标消费信息包括目标消费类型和/或目标消费金额；
将所述当前交易的当前交易信息与所述目标消费信息进行比对，以判断所述当前交易是否符合所述目标用户的用户画像，其中，所述当前交易信息包括当前交易类型和/或当前交易金额。
11.如权利要求10所述的异常交易的检测装置，其特征在于，所述异常交易处理模块还用于：
若所述当前交易不符合所述目标用户的用户画像，则通过预设决策引擎调用预设用户验证规则，对进行所述当前交易的当前用户进行用户身份验证，以判断所述当前用户是否为所述目标用户；
若判定所述当前用户不是所述目标用户，则拒绝所述当前交易，生成并显示非用户本人的提醒消息，以对所述目标交易进行异常处理。
12.如权利要求9所述的异常交易的检测装置，其特征在于，所述异常交易的检测装置还包括：
交易指令分批模块，用于若接收到大批量的交易指令时，根据预设时间间隔，将所述大批量的交易指令进行分批，并根据接收时间的先后将分批后的分批交易指令依次添加至处理队列；
交易数据集封装模块，用于通过计算引擎依次将所述处理队列中的各个分批交易指令封装为各个分布式交易数据集，并分别对所述分布式交易数据集进行异常交易的检测处理。
13.一种异常交易的检测设备，其特征在于，所述异常交易的检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的异常交易的检测程序，所述异常交易的检测程序被所述处理器执行时实现如权利要求1至8中任一项所述的异常交易的检测方法的步骤。
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有异常交易的检测程序，所述异常交易的检测程序被处理器执行时实现如权利要求1至8中任一项所述的异常交易的检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910479478.XA CN110163618A (zh) | 2019-05-31 | 2019-05-31 | 异常交易的检测方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910479478.XA CN110163618A (zh) | 2019-05-31 | 2019-05-31 | 异常交易的检测方法、装置、设备及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110163618A true CN110163618A (zh) | 2019-08-23 |
Family
ID=67627078
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910479478.XA Pending CN110163618A (zh) | 2019-05-31 | 2019-05-31 | 异常交易的检测方法、装置、设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110163618A (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110602248A (zh) * | 2019-09-27 | 2019-12-20 | 腾讯科技（深圳）有限公司 | 异常行为信息的识别方法、系统、装置、设备及介质 |
| CN110705995A (zh) * | 2019-10-10 | 2020-01-17 | 支付宝(杭州)信息技术有限公司 | 数据标签化方法和装置 |
| CN110717828A (zh) * | 2019-09-09 | 2020-01-21 | 中国科学院计算技术研究所 | 一种基于频繁交易模式的异常账户检测方法及系统 |
| CN110932892A (zh) * | 2019-11-21 | 2020-03-27 | 腾讯科技（深圳）有限公司 | 基于区块链的信息预警方法、装置、相关节点及存储介质 |
| CN111127030A (zh) * | 2019-12-31 | 2020-05-08 | 中国银行股份有限公司 | 交易预警方法、装置和设备 |
| CN111736742A (zh) * | 2020-06-04 | 2020-10-02 | 深圳追一科技有限公司 | 固定规则的配置方法、装置、计算机设备和存储介质 |
| CN111737080A (zh) * | 2020-06-11 | 2020-10-02 | 北京向上一心科技有限公司 | 异常交易嫌疑的监测方法、装置、计算机设备和存储介质 |
| CN112016922A (zh) * | 2020-08-22 | 2020-12-01 | 王红建 | 应用于区块链金融和在线支付的信息安全防护方法及设备 |
| CN112036754A (zh) * | 2020-06-30 | 2020-12-04 | 南昌木本医疗科技有限公司 | 基于区块链的金融大数据风控平台 |
| CN112200549A (zh) * | 2020-09-23 | 2021-01-08 | 周海婷 | 应用于区块链支付的区块链节点验证方法及支付验证平台 |
| CN112700252A (zh) * | 2021-03-25 | 2021-04-23 | 腾讯科技（深圳）有限公司 | 一种信息安全性检测方法、装置、电子设备和存储介质 |
| CN112966732A (zh) * | 2021-03-02 | 2021-06-15 | 东华大学 | 具有周期属性的多因素交互行为异常检测方法 |
| CN113393236A (zh) * | 2021-05-26 | 2021-09-14 | 福州四九八网络科技有限公司 | 线下收单业务交易行为异常检测方法 |
| CN114049205A (zh) * | 2021-11-04 | 2022-02-15 | 中国工商银行股份有限公司 | 异常交易识别方法、装置、计算机设备和存储介质 |
| CN118379127A (zh) * | 2024-06-21 | 2024-07-23 | 青岛场外市场清算中心有限公司 | 一种基于大数据的跨行资金清算处理方法及系统 |
-
2019
- 2019-05-31 CN CN201910479478.XA patent/CN110163618A/zh active Pending
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110717828A (zh) * | 2019-09-09 | 2020-01-21 | 中国科学院计算技术研究所 | 一种基于频繁交易模式的异常账户检测方法及系统 |
| CN110717828B (zh) * | 2019-09-09 | 2022-09-30 | 中国科学院计算技术研究所 | 一种基于频繁交易模式的异常账户检测方法及系统 |
| CN110602248B (zh) * | 2019-09-27 | 2020-08-11 | 腾讯科技（深圳）有限公司 | 异常行为信息的识别方法、系统、装置、设备及介质 |
| CN110602248A (zh) * | 2019-09-27 | 2019-12-20 | 腾讯科技（深圳）有限公司 | 异常行为信息的识别方法、系统、装置、设备及介质 |
| CN110705995A (zh) * | 2019-10-10 | 2020-01-17 | 支付宝(杭州)信息技术有限公司 | 数据标签化方法和装置 |
| CN110705995B (zh) * | 2019-10-10 | 2022-08-30 | 支付宝(杭州)信息技术有限公司 | 数据标签化方法和装置 |
| CN110932892B (zh) * | 2019-11-21 | 2022-05-31 | 腾讯科技（深圳）有限公司 | 基于区块链的信息预警方法、装置、相关节点及存储介质 |
| CN110932892A (zh) * | 2019-11-21 | 2020-03-27 | 腾讯科技（深圳）有限公司 | 基于区块链的信息预警方法、装置、相关节点及存储介质 |
| CN111127030A (zh) * | 2019-12-31 | 2020-05-08 | 中国银行股份有限公司 | 交易预警方法、装置和设备 |
| CN111736742A (zh) * | 2020-06-04 | 2020-10-02 | 深圳追一科技有限公司 | 固定规则的配置方法、装置、计算机设备和存储介质 |
| CN111736742B (zh) * | 2020-06-04 | 2022-02-11 | 深圳追一科技有限公司 | 固定规则的配置方法、装置、计算机设备和存储介质 |
| CN111737080A (zh) * | 2020-06-11 | 2020-10-02 | 北京向上一心科技有限公司 | 异常交易嫌疑的监测方法、装置、计算机设备和存储介质 |
| CN112036754B (zh) * | 2020-06-30 | 2022-09-16 | 上海即科智能技术集团有限公司 | 基于区块链的金融大数据风控系统 |
| CN112036754A (zh) * | 2020-06-30 | 2020-12-04 | 南昌木本医疗科技有限公司 | 基于区块链的金融大数据风控平台 |
| CN112016922A (zh) * | 2020-08-22 | 2020-12-01 | 王红建 | 应用于区块链金融和在线支付的信息安全防护方法及设备 |
| CN112200549A (zh) * | 2020-09-23 | 2021-01-08 | 周海婷 | 应用于区块链支付的区块链节点验证方法及支付验证平台 |
| CN112966732B (zh) * | 2021-03-02 | 2022-11-18 | 东华大学 | 具有周期属性的多因素交互行为异常检测方法 |
| CN112966732A (zh) * | 2021-03-02 | 2021-06-15 | 东华大学 | 具有周期属性的多因素交互行为异常检测方法 |
| CN112700252B (zh) * | 2021-03-25 | 2021-07-27 | 腾讯科技（深圳）有限公司 | 一种信息安全性检测方法、装置、电子设备和存储介质 |
| CN112700252A (zh) * | 2021-03-25 | 2021-04-23 | 腾讯科技（深圳）有限公司 | 一种信息安全性检测方法、装置、电子设备和存储介质 |
| CN113393236A (zh) * | 2021-05-26 | 2021-09-14 | 福州四九八网络科技有限公司 | 线下收单业务交易行为异常检测方法 |
| CN114049205A (zh) * | 2021-11-04 | 2022-02-15 | 中国工商银行股份有限公司 | 异常交易识别方法、装置、计算机设备和存储介质 |
| CN118379127A (zh) * | 2024-06-21 | 2024-07-23 | 青岛场外市场清算中心有限公司 | 一种基于大数据的跨行资金清算处理方法及系统 |
| CN118379127B (zh) * | 2024-06-21 | 2024-08-27 | 青岛场外市场清算中心有限公司 | 一种基于大数据的跨行资金清算处理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110163618A (zh) | 异常交易的检测方法、装置、设备及计算机可读存储介质 | |
| US20220230103A1 (en) | Machine learning artificial intelligence system for predicting hours of operation | |
| CN109460944B (zh) | 基于大数据的核保方法、装置、设备及可读存储介质 | |
| CN108876133A (zh) | 基于业务信息的风险评估处理方法、装置、服务器和介质 | |
| CN110442712B (zh) | 风险的确定方法、装置、服务器和文本审理系统 | |
| CN110297912A (zh) | 欺诈识别方法、装置、设备及计算机可读存储介质 | |
| CN111782943A (zh) | 基于历史数据记录的信息推荐方法、装置、设备及介质 | |
| US20140012724A1 (en) | Automated fraud detection method and system | |
| US20190236607A1 (en) | Transaction Aggregation and Multiattribute Scoring System | |
| CN106506454A (zh) | 欺诈业务识别方法及装置 | |
| CN103123712A (zh) | 一种网络行为数据的监控方法和系统 | |
| CN110335144B (zh) | 个人电子银行账户安全检测方法及装置 | |
| CN110109905A (zh) | 风险名单数据生成方法、装置、设备及计算机存储介质 | |
| CN112330355B (zh) | 消费券交易数据处理方法、装置、设备及存储介质 | |
| US20220051270A1 (en) | Event analysis based on transaction data associated with a user | |
| CN110033120A (zh) | 用于为商户提供风险预测赋能服务的方法及装置 | |
| CN107220867A (zh) | 对象控制方法及装置 | |
| CN110288488A (zh) | 医疗险欺诈预测方法、装置、设备和可读存储介质 | |
| CN111275391A (zh) | 在线式资产智能分发系统和方法 | |
| CN108304447A (zh) | 异常信息的处理方法、装置、存储介质和处理器 | |
| US20240311839A1 (en) | Fraud detection and prevention system | |
| CN110197426A (zh) | 一种信用评分模型的建立方法、装置及可读存储介质 | |
| CN110336791A (zh) | 一种断点数据传输方法、装置、设备及计算机存储介质 | |
| CN109146667B (zh) | 一种基于量化统计的外部接口综合应用模型的构建方法 | |
| US10430793B2 (en) | Fraud management system and method |
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 |