CN110276620A - 一种确定异常交易的方法及装置 - Google Patents
一种确定异常交易的方法及装置 Download PDFInfo
- Publication number
- CN110276620A CN110276620A CN201910579378.4A CN201910579378A CN110276620A CN 110276620 A CN110276620 A CN 110276620A CN 201910579378 A CN201910579378 A CN 201910579378A CN 110276620 A CN110276620 A CN 110276620A
- Authority
- CN
- China
- Prior art keywords
- transaction
- identified
- sequence
- transferred
- abnormal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000002159 abnormal effect Effects 0.000 claims abstract description 48
- 238000003062 neural network model Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 9
- 238000011161 development Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000004900 laundering Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Computer Security & Cryptography (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明涉及金融科技领域,并公开了一种确定异常交易的方法及装置,方法包括:在获取待识别交易后,根据所述待识别交易确定所述待识别交易对应的转出交易或者所述待识别交易对应的转入交易;根据所述待识别交易对应的转出交易或者所述待识别交易对应的转入交易确定关联交易序列;根据所述关联交易序列以及所述待识别交易确定所述待识别交易是否为异常交易。由于异常交易的特征往往是多笔交易转入一笔交易转出,或者是大笔交易入账然后通过多笔交易转出,通过该交易与交易序列中的交易之间的交易关系能够全面的确定是否存在异常交易,与现有技术相比,能够全面准确的确定是否存在异常交易。
Description
技术领域
本发明涉及金融科技(Fintech)技术领域,尤其涉及一种确定异常交易的方法及装置。
背景技术
随着计算机技术的发展,越来越多的技术应用在金融领域,传统金融业正在逐步向金融科技(Fintech)转变,确定异常交易的处理技术也不例外,但由于金融行业的安全性、实时性要求,也对技术提出的更高的要求。
近年来,随着金融产业的迅猛发展,尤其是移动互联网技术的助力,金融服务的交易量增长迅速,金融服务是现代经济发展重要支柱之一,金融服务的交易场景也更加丰富。金融交易机构如银行每日处理的交易流水可达几百万甚至上千万的量级,这为隐匿在金融网络中的经济犯罪活动提供了很大便利。异常金融交易包括如洗钱、传销、信用卡诈骗、非法集资等违法犯罪活动所涉及到的金融交易,这些金融交易行为扰乱了经济和社会秩序,给社会治安造成危害。
在现有技术中,在确定一笔交易是否为异常交易时,通常是通过调查人员根据异常交易的经验值来确定异常交易的特征,然后利用规则模型来确定是否为异常交易。但是现有技术中需要手动收集多种信息,人工收集的工作量较大,且通过人工判别特征的方法容易造成特征的漏选,导致最后判定是否为异常交易时的准确度低,难以满足现有技术中需要从海量交易数据中快速确定异常交易的需求。
因此,如何能够准确且全面地识别出异常交易,成为了本领域技术人员亟待解决的技术问题和始终研究的重点。
发明内容
有鉴于此,本发明实施例提供一种确定异常交易的方法及装置,至少解决了现有技术中不能全面准确确定异常交易的问题。
一方面,本发明实施例提供一种确定异常交易的方法,包括:
在获取待识别交易后,根据所述待识别交易确定所述待识别交易对应的转出交易或者所述待识别交易对应的转入交易;
根据所述待识别交易对应的转出交易或者所述待识别交易对应的转入交易确定关联交易序列;
根据所述关联交易序列以及所述待识别交易确定所述待识别交易是否为异常交易。
本发明实施例中,在针对一笔交易来进行异常交易判断时,将这笔交易的相关交易组成交易序列,即该交易的转入交易或者该交易的转出交易组成交易序列,由于异常交易的特征往往是多笔交易转入一笔交易转出,或者是大笔交易入账然后通过多笔交易转出,通过该交易与交易序列中的交易之间的交易关系能够全面的确定是否存在异常交易,与现有技术相比,能够全面准确的确定是否存在异常交易。
可选的,所述根据所述待识别交易确定所述待识别交易对应的转出交易或者所述待识别交易对应的转入交易,包括:
若确定所述待识别交易为转入交易,则根据所述待识别交易的转入金额的金额转出交易确定所述待识别交易对应的转出交易;
若确定所述待识别交易为转出交易,则根据所述待识别交易的转出金额的金额来源交易确定所述待识别交易对应的转入交易。
在本发明实施例中,针对单笔交易而言,该交易不是入账交易就是出账交易,所以针对入账交易,需要知道这笔入账最后的转出交易是哪些;对于出账交易,需要知道哪些交易汇聚成了该笔出账交易。
可选的,所述根据所述待识别交易对应的转出交易或者所述待识别交易对应的转入交易确定关联交易序列,包括:
将所述待识别交易对应的转出交易或者所述待识别交易对应的转入交易按照时间序列排序,形成所述关联交易序列。
本发明实施例中,由于金融交易具有时间特性,所以需要按照时间交各个交易进行排序然后再形成序列。
可选的,所述根据所述关联交易序列以及所述待识别交易确定所述待识别交易是否为异常交易,包括:
按照所述关联交易序列中的各交易的排列顺序进行遍历交易;
根据遍历的所述交易以及所述待识别交易确定交易特征向量;
根据所述交易特征向量以及神经网络模型确定所述待识别交易是否为异常交易,其中所述神经网络模型是根据历史异常交易确定的。
本发明实施例中,将关联交易序列中的任一个交易与待识别的交易一起确定了特征向量,可以通过所有的特征向量以及神经网络模型来确定是否为异常交易,神经网络模型的训练时通过历史异常交易来确定的,训练的准确度高,所以得到的判断结果也具有高精度。
可选的,所述根据遍历的所述交易以及所述待识别交易确定交易特征向量,包括:
确定所述待识别交易对应的账户属性信息以及所述待识别交易对应的客户属性信息;
根据遍历的所述交易、所述待识别交易、所述待识别交易对应的账户属性信息以及所述待识别交易对应的客户属性信息确定交易特征向量。
在本发明实施例中,除了关注交易本身的特征外,还将交易所属的账户竖向和交易对应的客户属性一起考虑,增加了判断结果的准确性。
一方面,本发明实施例提供一种确定异常交易的装置,包括:
获取单元,用于在获取待识别交易后,根据所述待识别交易确定所述待识别交易对应的转出交易或者所述待识别交易对应的转入交易;
关联交易序列确定单元,用于根据所述待识别交易对应的转出交易或者所述待识别交易对应的转入交易确定关联交易序列;
异常交易确定单元,用于根据所述关联交易序列以及所述待识别交易确定所述待识别交易是否为异常交易。
可选的,所述获取单元具体用于:
若确定所述待识别交易为转入交易,则根据所述待识别交易的转入金额的金额转出交易确定所述待识别交易对应的转出交易;
若确定所述待识别交易为转出交易,则根据所述待识别交易的转出金额的金额来源交易确定所述待识别交易对应的转入交易。
可选的,所述关联交易序列确定单元具体用于:
将所述待识别交易对应的转出交易或者所述待识别交易对应的转入交易按照时间序列排序,形成所述关联交易序列。
可选的,所述异常交易确定单元具体用于:
按照所述关联交易序列中的各交易的排列顺序进行遍历交易;
根据遍历的所述交易以及所述待识别交易确定交易特征向量;
根据所述交易特征向量以及神经网络模型确定所述待识别交易是否为异常交易,其中所述神经网络模型是根据历史异常交易确定的。
可选的,所述异常交易确定单元具体用于:
确定所述待识别交易对应的账户属性信息以及所述待识别交易对应的客户属性信息;
根据遍历的所述交易、所述待识别交易、所述待识别交易对应的账户属性信息以及所述待识别交易对应的客户属性信息确定交易特征向量。
一方面,本发明实施例提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序实现的确定异常交易的方法的步骤。
一方面,本发明实施例提供了一种计算机可读存储介质,其存储有可由计算机设备执行的计算机程序,当所述程序在计算机设备上运行时,使得所述计算机设备执行确定异常交易的方法的步骤。
附图说明
图1为本发明实施例提供的一种确定异常交易的方法的流程示意图;
图2为本发明实施例提供的一种账户池的结构示意图;
图3为本发明实施例提供的一种确定后向序列的流程示意图;
图4为本发明实施例提供的一种确定前向序列的流程示意图;
图5为本发明实施例提供的一种基于注意力神经网络的确定异常交易的方法的流程示意图;
图6为本发明实施例提供的一种确定异常交易的方法的流程示意图;
图7为本发明实施例提供的一种确定异常交易的装置的结构示意图;
图8本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
为了使本申请的目的、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,对本申请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申请,并不用于限定本申请。
基于现有技术中存在的问题,本发明实施例提供一种确定异常交易的方法,具体如图1所示,包括以下步骤:
步骤S101,在获取待识别交易后,根据所述待识别交易确定所述待识别交易对应的转出交易或者所述待识别交易对应的转入交易。
具体的,在本发明实施例中,针对一个交易机构时,例如银行或者其它交易机构,例如移动支付平台等,若只关注该交易的前序交易或者后序交易,则可以认为在交易机构中存在一个大的账户池,只关注流入账户池和流出账户池的交易,例如如图2所示,各个转入账户注入账户池,账户池中的资金流出到各个转出账户。也就是说,只关注待识别交易对应的转出交易或者待识别交易对应的转入交易。
可选的,在本发明实施例中,若确定待识别交易为转入交易,则根据待识别交易的转入金额的金额转出交易确定待识别交易对应的转出交易;若确定待识别交易为转出交易,则根据待识别交易的转出金额的金额来源交易确定待识别交易对应的转入交易。
例如,待识别交易为入账交易,即存款100元,将100元流入账户池,然后分为两笔交易将100元转出,则这两笔交易就是待识别交易的转出交易;待识别交易为出账交易,即取出100元,将100元流出账户池,然后针对这一笔转出交易,是通过两笔交易将100元转入账户池,则这两笔交易就是待识别交易的转入交易。
步骤S102,根据所述待识别交易对应的转出交易或者所述待识别交易对应的转入交易确定关联交易序列。
在发明实施例中,为了能够根据待识别交易以及待识别交易对应的转出交易之间的特征关系或者根据待识别交易以及待识别交易对应的转入交易之间的特征关系,将待识别交易对应的转出交易或者待识别交易对应的转入交易形成关联交易序列。
可选的,在本发明实施例中,由于交易具有时间特性,所以按照将待识别交易对应的转出交易或者待识别交易对应的转入交易按照时间序列排序,形成关联交易序列。
在账户池中若存在少数交易时,确定每个交易的关联交易序列是较为容易的事情,可以通过人工方式确定关联交易序列,但是现有金融交易中,存在大量的交易数据,就不能使用人工方式这样效率低下的方式来确定关联交易序列,本发明实施例中,可以通过下列实施例来确定关联交易序列。
实施例一
在本发明实施例中,通过待识别交易对应的转出交易确定关联交易序列可以定义为后向序列,后向序列关注的是,转入交易的资金,用在了哪些后续的转出交易上。后向序列中的转出交易,交易时间必须在该笔转入交易之后。
具体的,通过以下步骤确定账户池中交易的后向序列,如图3所示:
步骤S301,初始化后向序列seq;
步骤S302,按时间先后顺序排列转入交易,记为转入交易集合L_IN;
步骤S303,按时间先后顺序排列转出交易,记为转出交易集合L_OUT,在一个账户池中,可以认为转入交易集合L_IN转入账户池中的资金总额与转入交易集合L_OUT从账户池中转出的资金总额是相同的;
步骤S304,遍历L_IN,记当前转入交易为t_in;记剩余金额amt_remain=t_in的交易金额,t_in_id=t_in的交易序列号;
步骤S305,遍历集合L_OUT,记当前转出交易为t_out;
步骤S306,计算amt_remain=amt_remain–t_out的金额;
步骤S307,若amt_remain>0,将t_out从L_OUT中删除并放入列表seq中,继续步骤S305;
步骤S308,若确定amt_remain=0,将t_out从L_OUT中删除并放入列表seq中,返回步骤S304;
步骤S309,若确定amt_remain<0,则复制记录t_out’=t_out,设t_out’的金额=amt_remain的绝对值,将t_out’加入队列seq中,设t_out金额=t_out金额–amt_remain结果的绝对值,返回步骤S304。
具体的,以账户池中的转入交易1,转入交易金额为100;转出交易1,转出交易金额为50,转出交易2,转出交易金额为20,转出交易3,转出交易金额为30为例进行说明。
转入交易的集合为转入交易1,转出交易的集合为转出交易1、转出交易2以及转出交易3;针对转入交易1,记剩余金额amt_remain=100,获取集合L_OUT中的转出交易1,计算amt_remain=amt_remain–t_out=50,amt_remain>0,将t_out从L_OUT中删除并放入针对转入交易1的列表seq中,然后再获取集合L_OUT中的转出交易2,计算amt_remain=amt_remain–t_out=50-20=30,amt_remain>0,将t_out从L_OUT中删除并放入针对转入交易1的列表seq中,此时seq中已经有转出交易1以及转出交易2;然后再获取集合L_OUT中的转出交易3,计算amt_remain=amt_remain–t_out=30-30=0,amt_remain=0,将t_out从L_OUT中删除并放入列表seq中。所以针对转入交易1的后向序列中按顺序排列了转出交易1、转出交易2以及转出交易3。
上述实施例是以账户池中只有一笔转入交易进行说明的,当账户池中是有两笔转入交易,两笔转出交易时,例如以账户池中的转入交易1,转入交易金额为100,转入交易2,转入交易金额为50;转出交易1,转出交易金额为50,转出交易2,转出交易金额为20,转出交易3,转出交易金额为80为例进行说明。
转入交易的集合为转入交易1以及转入交易2,转出交易的集合为转出交易1、转出交易2以及转出交易3;针对转入交易1,记剩余金额amt_remain=100,获取集合L_OUT中的转出交易1,计算amt_remain=amt_remain–t_out=50,amt_remain>0,将t_out从L_OUT中删除并放入针对转入交易1的列表seq中,然后再获取集合L_OUT中的转出交易2,计算amt_remain=amt_remain–t_out=50-20=30,amt_remain>0,将t_out从L_OUT中删除并放入针对转入交易1的列表seq中,此时seq中已经有转出交易1以及转出交易2;然后再获取集合L_OUT中的转出交易3,计算amt_remain=amt_remain–t_out=30-80=-50,确定amt_remain<0,则复制记录t_out’=t_out,设t_out’的金额=amt_remain的绝对值=50,将t_out’加入队列seq中,设t_out金额=t_out金额–amt_remain结果的绝对值,即t_out金额=50;然后确定针对转入交易1的后向序列中按顺序排列了转出交易1、转出交易2以及转出交易3。
针对转入交易2,再获取集合L_OUT中的t_out,计算amt_remain=amt_remain–t_out=50-50=0,amt_remain=0,将t_out从L_OUT中删除并放入针对转入交易2的列表seq中。针对转入交易2的后向序列中按顺序排列了转出交易3。
实施例二
在本发明实施例中,通过待识别交易对应的转入交易确定关联交易序列可以定义为前向序列,向序列关注的是,转出交易的资金来源于哪些转入交易。前向序列中的转入交易时间必须早于转出交易。
具体的,通过以下步骤确定账户池中交易的前向序列,如图4所示:
步骤S401,初始化前向序列;
步骤S402,按时间先后顺序排列转出交易,记为转出交易集合L_OUT;
步骤S403,按时间先后顺序排列转入交易,记为转入交易集合L_IN;
步骤S404,遍历L_OUT,记当前转出交易为t_out;记剩余金额amt_remain=t_out的交易金额,t_out_id=t_out的交易序列号;
步骤S405,遍历集合L_IN,记当前转入交易为t_in;
步骤S406,计算amt_remain=amt_remain–t_in的金额;
步骤S407,若确定amt_remain>0,将t_in从L_IN中删除并放入列表seq中,返回步骤S405;
步骤S408,若确定amt_remain<0,复制记录t_in’=t_in,设t_in’的金额=amt_remain,将t_in’加入队列seq中,设t_in金额=t_in金额–amt_remain,返回步骤S404;
步骤S409,若确定amt_remain=0,将t_in从L_IN中删除并放入列表seq中,返回步骤S404。
步骤S103,根据所述关联交易序列以及所述待识别交易确定所述待识别交易是否为异常交易。
具体的,在本发明实施例中,在确定了前向交易序列或者后向交易序列后,根据序列中的交易与待识别交易之间的特征关联来确定是否为异常交易。
可选的,按照关联交易序列中的各交易的排列顺序进行遍历交易;根据遍历的交易以及待识别交易确定交易特征向量;根据交易特征向量以及神经网络模型确定待识别交易是否为异常交易,其中神经网络模型是根据历史异常交易确定的。
也就是说,首先通过序列中的交易以及待识别交易之间的关联关系确定两个交易对应的交易特征向量,然后通过神经网络模型来确定该交易特征向量的输出值是否为异常交易。在本发明实施例中,可以通过历史异常交易来训练神经网络模型。
在本发明实施例中,可以通过循环神经网络模型或者注意力神经网络模型确定交易特征向,并输出是否为异常交易的结果。
具体的,以注意力神经网络模型进行示例说明,如图5所示,在图5中,针对任一个待识别交易Xt,该待识别交易的前向序列或者后向序列中的交易Xs1、Xs2、Xs3、..Xsn依次计算,并通过公式1计算得到各个交易特征O1、O2、O3、..On,然后根据注意力神经网络模型的输出结果来确定是否为异常交易,也就是说,在通过历史异常交易特征确定了注意力神经网络模型后,根据注意力神经网络模型的输出结果异常交易或者非异常交易能够确定待识别交易是否为异常交易。
具体的,公式1为:
s为前向序列或者后向序列的长度;σ为sigmoid函数。Xsi为序列中的任一交易,wit为xt的权重,wis为xsi的权重,bti以及bsi为参数,在通过历史异常交易特征确定了注意力神经网络模型后,wit、wis、bti、bsi的值就能够确定下来。
再计算得到ot后,将ot输入到一个或多个隐含层,得到最终的隐含层的输出rt,该步骤的输出用于确定待识别交易与关联交易之间形成的特征是否为异常交易的概率,计算公式2如下:
rt=σ(W2σ(W1Ot+b1)+b2) 公式2
其中,W1为第一隐含层的权重,b1为第一隐含层的参数,W2为第二隐含层的权重,b2为第一隐含层的参数。
上述公式2以计算2个隐含层的结果为例进行说明的,更多层的网络可以依次类推。
为了更好的确定是否为异常交易的概率,将rt归一化到[0,1]的区间,根据归一化的值rt来确定是否为异常交易。
可选的,在本发明实施例中,针对多个待识别交易,可以在获取到每个待识别交易的关联序列后,并行的进行交易特征的计算,同理,在进行模型训练时,也可以并行的进行交易特征的计算,有利于提高模型计算以及模型训练的效率。
例如,在本发明实施例中,转入交易1的后向序列包括转出交易1,转出交易2;则在针对转入交易1进行计算交易特征的同时,还以计算针对转出交易1、转出交易2的交易特征计算。
可选的,在本发明实施例中,由于是否为异常交易还与该交易属于的账户,该账户属于的客户等信息有关,例如,虽然有一笔交易存在多笔交易转入,然后汇成一大笔交易转出,符合一般的交易异常的规则,但是由于该交易属于的账户为教育账户,在开学时,学校会汇总学费并支出,所以该笔交易并不是异常交易。
所以在本发明实施例中,确定待识别交易对应的账户属性信息以及待识别交易对应的客户属性信息;根据遍历的交易、待识别交易、待识别交易对应的账户属性信息以及待识别交易对应的客户属性信息确定交易特征向量。也就是说,在公式1中,Xt和Xsi是客户属性、账户属性、和交易属性的集合。
综上所述,本发明提供一种确定异常交易的方法,如图6所示,原始的输入数据包括客户数据,账户数据,交易数据,分别用P/A/T表示。经过预处理之后,得到前向和后向序列,分别对应转出和转入交易。将整理好的序列数据与客户数据,账户数据输入结合,一起输入到注意力神经网络模型预测,得到预测结果。
基于相同的技术构思,本申请实施例提供了一种确定异常交易的装置,如图7所示,该装置700包括:
获取单元701,用于在获取待识别交易后,根据所述待识别交易确定所述待识别交易对应的转出交易或者所述待识别交易对应的转入交易;
关联交易序列确定单元702,用于根据所述待识别交易对应的转出交易或者所述待识别交易对应的转入交易确定关联交易序列;
异常交易确定单元703,用于根据所述关联交易序列以及所述待识别交易确定所述待识别交易是否为异常交易。
进一步地,所述获取单元701具体用于:
若确定所述待识别交易为转入交易,则根据所述待识别交易的转入金额的金额转出交易确定所述待识别交易对应的转出交易;
若确定所述待识别交易为转出交易,则根据所述待识别交易的转出金额的金额来源交易确定所述待识别交易对应的转入交易。
进一步地,所述关联交易序列确定单元702具体用于:
将所述待识别交易对应的转出交易或者所述待识别交易对应的转入交易按照时间序列排序,形成所述关联交易序列。
进一步地,所述异常交易确定单元703具体用于:
按照所述关联交易序列中的各交易的排列顺序进行遍历交易;
根据遍历的所述交易以及所述待识别交易确定交易特征向量;
根据所述交易特征向量以及神经网络模型确定所述待识别交易是否为异常交易,其中所述神经网络模型是根据历史异常交易确定的。
进一步地,所述异常交易确定单元703具体用于:
确定所述待识别交易对应的账户属性信息以及所述待识别交易对应的客户属性信息;
根据遍历的所述交易、所述待识别交易、所述待识别交易对应的账户属性信息以及所述待识别交易对应的客户属性信息确定交易特征向量。
基于相同的技术构思,本申请实施例提供了一种计算机设备,如图8所示,包括至少一个处理器801,以及与至少一个处理器连接的存储器802,本申请实施例中不限定处理器801与存储器802之间的具体连接介质,图8中处理器801和存储器802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802存储有可被至少一个处理器801执行的指令,至少一个处理器801通过执行存储器802存储的指令,可以执行前述的确定异常交易方法中所包括的步骤。
其中,处理器801是计算机设备的控制中心,可以利用各种接口和线路连接终端设备的各个部分,通过运行或执行存储在存储器802内的指令以及调用存储在存储器802内的数据,从而获得客户端地址。可选的,处理器801可包括一个或多个处理单元,处理器801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801中。在一些实施例中,处理器801和存储器802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801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802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802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802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802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。
基于相同的技术构思,本申请实施例提供了一种计算机可读存储介质,其存储有可由计算机设备执行的计算机程序,当所述程序在计算机设备上运行时,使得所述计算机设备执行确定异常交易方法的步骤。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实施例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。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,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,可轻易想到变化或替换,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所述权利要求的保护范围为准。
Claims (12)
1.一种确定异常交易的方法,其特征在于,所述方法包括:
在获取待识别交易后,根据所述待识别交易确定所述待识别交易对应的转出交易或者所述待识别交易对应的转入交易;
根据所述待识别交易对应的转出交易或者所述待识别交易对应的转入交易确定关联交易序列;
根据所述关联交易序列以及所述待识别交易确定所述待识别交易是否为异常交易。
2.根据权利要求1所述的方法,其特征在于,所述根据所述待识别交易确定所述待识别交易对应的转出交易或者所述待识别交易对应的转入交易,包括:
若确定所述待识别交易为转入交易,则根据所述待识别交易的转入金额的金额转出交易确定所述待识别交易对应的转出交易;
若确定所述待识别交易为转出交易,则根据所述待识别交易的转出金额的金额来源交易确定所述待识别交易对应的转入交易。
3.根据权利要求1所述的方法,其特征在于,所述根据所述待识别交易对应的转出交易或者所述待识别交易对应的转入交易确定关联交易序列,包括:
将所述待识别交易对应的转出交易或者所述待识别交易对应的转入交易按照时间序列排序,形成所述关联交易序列。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述根据所述关联交易序列以及所述待识别交易确定所述待识别交易是否为异常交易,包括:
按照所述关联交易序列中的各交易的排列顺序进行遍历交易;
根据遍历的所述交易以及所述待识别交易确定交易特征向量;
根据所述交易特征向量以及神经网络模型确定所述待识别交易是否为异常交易,其中所述神经网络模型是根据历史异常交易确定的。
5.根据权利要求4所述的方法,其特征在于,所述根据遍历的所述交易以及所述待识别交易确定交易特征向量,包括:
确定所述待识别交易对应的账户属性信息以及所述待识别交易对应的客户属性信息;
根据遍历的所述交易、所述待识别交易、所述待识别交易对应的账户属性信息以及所述待识别交易对应的客户属性信息确定交易特征向量。
6.一种确定异常交易的装置,其特征在于,所述装置包括:
获取单元,用于在获取待识别交易后,根据所述待识别交易确定所述待识别交易对应的转出交易或者所述待识别交易对应的转入交易;
关联交易序列确定单元,用于根据所述待识别交易对应的转出交易或者所述待识别交易对应的转入交易确定关联交易序列;
异常交易确定单元,用于根据所述关联交易序列以及所述待识别交易确定所述待识别交易是否为异常交易。
7.根据权利要求6所述的装置,其特征在于,所述获取单元具体用于:
若确定所述待识别交易为转入交易,则根据所述待识别交易的转入金额的金额转出交易确定所述待识别交易对应的转出交易;
若确定所述待识别交易为转出交易,则根据所述待识别交易的转出金额的金额来源交易确定所述待识别交易对应的转入交易。
8.根据权利要求6所述的装置,其特征在于,所述关联交易序列确定单元具体用于:
将所述待识别交易对应的转出交易或者所述待识别交易对应的转入交易按照时间序列排序,形成所述关联交易序列。
9.根据权利要求6-8任一项所述的装置,其特征在于,所述异常交易确定单元具体用于:
按照所述关联交易序列中的各交易的排列顺序进行遍历交易;
根据遍历的所述交易以及所述待识别交易确定交易特征向量;
根据所述交易特征向量以及神经网络模型确定所述待识别交易是否为异常交易,其中所述神经网络模型是根据历史异常交易确定的。
10.根据权利要求9所述的装置,其特征在于,所述异常交易确定单元具体用于:
确定所述待识别交易对应的账户属性信息以及所述待识别交易对应的客户属性信息;
根据遍历的所述交易、所述待识别交易、所述待识别交易对应的账户属性信息以及所述待识别交易对应的客户属性信息确定交易特征向量。
11.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5任一项所述方法的步骤。
12.一种计算机可读存储介质,其特征在于,其存储有可由计算机设备执行的计算机程序,当所述程序在计算机设备上运行时,使得计算机执行如权利要求1至5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910579378.4A CN110276620A (zh) | 2019-06-28 | 2019-06-28 | 一种确定异常交易的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910579378.4A CN110276620A (zh) | 2019-06-28 | 2019-06-28 | 一种确定异常交易的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110276620A true CN110276620A (zh) | 2019-09-24 |
Family
ID=67963672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910579378.4A Pending CN110276620A (zh) | 2019-06-28 | 2019-06-28 | 一种确定异常交易的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110276620A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110717758A (zh) * | 2019-10-10 | 2020-01-21 | 支付宝(杭州)信息技术有限公司 | 异常交易识别方法和装置 |
CN111340622A (zh) * | 2020-02-21 | 2020-06-26 | 中国银联股份有限公司 | 一种异常交易集群的检测方法及装置 |
CN112101919A (zh) * | 2020-09-16 | 2020-12-18 | 财付通支付科技有限公司 | 一种数据处理方法、装置、电子设备及存储介质 |
CN112487053A (zh) * | 2020-11-27 | 2021-03-12 | 重庆医药高等专科学校 | 海量财务数据异常控制提取工作方法 |
US20210366053A1 (en) * | 2018-06-04 | 2021-11-25 | Machine Cover, Inc. | Parametric instruments and methods relating to geographical area business interruption |
CN114742655A (zh) * | 2022-06-13 | 2022-07-12 | 杭银消费金融股份有限公司 | 基于机器学习的反洗钱行为识别系统 |
US11823274B2 (en) | 2018-06-04 | 2023-11-21 | Machine Cover, Inc. | Parametric instruments and methods relating to business interruption |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108428132A (zh) * | 2018-03-15 | 2018-08-21 | 阿里巴巴集团控股有限公司 | 欺诈交易识别方法、装置、服务器及存储介质 |
CN108960833A (zh) * | 2018-08-10 | 2018-12-07 | 哈尔滨工业大学(威海) | 一种基于异构金融特征的异常交易识别方法,设备及存储介质 |
CN109165950A (zh) * | 2018-08-10 | 2019-01-08 | 哈尔滨工业大学(威海) | 一种基于金融时间序列特征的异常交易识别方法,设备及可读存储介质 |
WO2019015499A1 (zh) * | 2017-07-18 | 2019-01-24 | 中国银联股份有限公司 | 用于交易风险实时侦测的方法和装置 |
CN109461078A (zh) * | 2018-10-22 | 2019-03-12 | 中信网络科技股份有限公司 | 一种基于资金交易网络的异常交易识别方法及系统 |
-
2019
- 2019-06-28 CN CN201910579378.4A patent/CN110276620A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019015499A1 (zh) * | 2017-07-18 | 2019-01-24 | 中国银联股份有限公司 | 用于交易风险实时侦测的方法和装置 |
CN108428132A (zh) * | 2018-03-15 | 2018-08-21 | 阿里巴巴集团控股有限公司 | 欺诈交易识别方法、装置、服务器及存储介质 |
CN108960833A (zh) * | 2018-08-10 | 2018-12-07 | 哈尔滨工业大学(威海) | 一种基于异构金融特征的异常交易识别方法,设备及存储介质 |
CN109165950A (zh) * | 2018-08-10 | 2019-01-08 | 哈尔滨工业大学(威海) | 一种基于金融时间序列特征的异常交易识别方法,设备及可读存储介质 |
CN109461078A (zh) * | 2018-10-22 | 2019-03-12 | 中信网络科技股份有限公司 | 一种基于资金交易网络的异常交易识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
汤俊等: "概率神经网络在可疑交易监测中的应用及效率比较", 武汉大学学报(工学版), vol. 46, no. 02, 31 December 2013 (2013-12-31), pages 242 - 245 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11842407B2 (en) * | 2018-06-04 | 2023-12-12 | Machine Cover, Inc. | Parametric instruments and methods relating to geographical area business interruption |
US20210366053A1 (en) * | 2018-06-04 | 2021-11-25 | Machine Cover, Inc. | Parametric instruments and methods relating to geographical area business interruption |
US11823274B2 (en) | 2018-06-04 | 2023-11-21 | Machine Cover, Inc. | Parametric instruments and methods relating to business interruption |
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 |
CN110717758A (zh) * | 2019-10-10 | 2020-01-21 | 支付宝(杭州)信息技术有限公司 | 异常交易识别方法和装置 |
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 |
CN110717758B (zh) * | 2019-10-10 | 2021-04-13 | 支付宝(杭州)信息技术有限公司 | 异常交易识别方法和装置 |
CN111340622A (zh) * | 2020-02-21 | 2020-06-26 | 中国银联股份有限公司 | 一种异常交易集群的检测方法及装置 |
CN112101919A (zh) * | 2020-09-16 | 2020-12-18 | 财付通支付科技有限公司 | 一种数据处理方法、装置、电子设备及存储介质 |
CN112101919B (zh) * | 2020-09-16 | 2024-04-12 | 财付通支付科技有限公司 | 一种数据处理方法、装置、电子设备及存储介质 |
CN112487053A (zh) * | 2020-11-27 | 2021-03-12 | 重庆医药高等专科学校 | 海量财务数据异常控制提取工作方法 |
CN114742655B (zh) * | 2022-06-13 | 2022-09-02 | 杭银消费金融股份有限公司 | 基于机器学习的反洗钱行为识别系统 |
CN114742655A (zh) * | 2022-06-13 | 2022-07-12 | 杭银消费金融股份有限公司 | 基于机器学习的反洗钱行为识别系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110276620A (zh) | 一种确定异常交易的方法及装置 | |
CN110415119A (zh) | 模型训练、票据交易预测方法、装置、存储介质及设备 | |
TWI777991B (zh) | 資金交易平台 | |
CN110414914A (zh) | 业务数据监控方法和装置 | |
Cencini et al. | Economic and financial crises: A new macroeconomic analysis | |
Qin | The impact of money supply and electronic money: Empirical evidence from central bank in China | |
Abdelhamid et al. | Automatic bank fraud detection using support vector machines | |
Huang et al. | Housing boom, real estate diversification, and capital structure: Evidence from China | |
Lemma et al. | Rethinking the antecedents of capital structure of Johannesburg Securities Exchange listed firms | |
Chen et al. | Credit ratings of Chinese online loan platforms based on factor scores and K-means clustering algorithm | |
Xu et al. | Research on credit risk assessment of listed companies in technology sector based on support vector machine integration | |
Peng et al. | Trust building and credit reporting with big data in the digital age | |
Kaminskyi et al. | Information technology model for customer relationship management of nonbank lenders: coupling profitability and risk | |
Kirillova et al. | The main features of the use of digital technologies in the financial and banking sector | |
Klimowicz et al. | Concept of peer-to-peer lending and application of machine learning in credit scoring | |
Bhati | Innovations in Service Accessibility: A Role of Information Technology with Special Reference to Banking Industry in India | |
Zand | Towards intelligent risk-based customer segmentation in banking | |
Wei | Does Financial Openness Affect Economic Growth in Asian Economies? A Case Study in Selected Asian Economies, 1980-2010 | |
CN110264342A (zh) | 一种基于机器学习的业务审核方法及装置 | |
Biekpe et al. | Financial integration and the stability of the financial system in Southern African Customs Union | |
Wang et al. | Bank Customer Default Risk Based on Multimedia in the Background of Internet Digital Finance | |
Lee et al. | Risk sharing and export performance with firm heterogeneity | |
주청이 | The Impact of the Third-Party Payment on the Profitability of Commercial Banks in China | |
Arnarsson | Connectedness of DeFi tokens, Bitcoin and Ethereum | |
Al Matrafi | Efficiency and Resource-based Productivity of Islamic and conventional banks in the GCC states |
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 |