CN110399409A - 交易异常监测方法及装置 - Google Patents
交易异常监测方法及装置 Download PDFInfo
- Publication number
- CN110399409A CN110399409A CN201910688819.4A CN201910688819A CN110399409A CN 110399409 A CN110399409 A CN 110399409A CN 201910688819 A CN201910688819 A CN 201910688819A CN 110399409 A CN110399409 A CN 110399409A
- Authority
- CN
- China
- Prior art keywords
- user
- transaction
- amount
- transaction amount
- target user
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- 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
- G06Q20/382—Payment protocols; Details thereof insuring higher security of transaction
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Debugging And Monitoring (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请实施例提供一种交易异常监测方法及装置,其中的方法包括:接收针对目标用户的交易请求,该交易请求中包含有对应的待交易金额;获取预存储的目标用户对应的正态概率分布数据,正态概率分布数据基于目标用户在第一预设时段内的交易金额均值和该目标用户对应的标准差确定得到;其中,标准差是预先基于预设规则对各个用户各自对应的键值分别进行细分处理、局部汇总处理和全局汇总处理之后确定得到的,各个用户中包含有目标用户;根据待交易金额和目标用户对应的正态概率分布数据,对当前针对目标用户的交易请求进行异常情况监控。本申请能够有效提高交易异常监测的针对性,进而能够有效提高用户交易及账户资金的安全性。
Description
技术领域
本申请涉及数据处理技术领域,具体涉及交易异常监测方法及装置。
背景技术
为了尽可能的保护用户的账户资金安全,金融行业的企业需要对用户的交易过程进行异常风险监测,并根据异常风险监测的结果,降低用户资金被盗取或欺诈的可能性。
目前,常规对公客户交易风险监控的方式是一种相对固化的“一刀切”类规则监控方式。例如,以500万为阈值监控大额异常交易,超过该阈值则报警。
然而,现有的交易异常监测的方式的缺点是对所有用户一视同仁,导致部分经常做大额交易的正常客户频繁报警,而一些存在异常的客户反而没有被报出。需要一种能根据每个用户的交易行为习惯给出各自“阈值”的自适应方法,并且要让这种方法能够简单有效,又能切实可行、线上可实施是一个极具挑战的难题。
发明内容
针对现有技术中的问题,本申请提供一种交易异常监测方法及装置,能够有效提高交易异常监测的针对性,进而能够有效提高用户交易及账户资金的安全性。
为解决上述技术问题,本申请提供以下技术方案:
第一方面,本申请提供一种交易异常监测方法,包括:
接收针对目标用户的交易请求,该交易请求中包含有对应的待交易金额;
获取预存储的所述目标用户对应的正态概率分布数据,其中,所述正态概率分布数据基于所述目标用户在第一预设时段内的交易金额均值和该目标用户对应的标准差确定得到;
其中,所述标准差是预先基于预设规则对各个用户各自对应的键值分别进行细分处理、局部汇总处理和全局汇总处理之后确定得到的,各个所述用户中包含有所述目标用户;
根据所述待交易金额和所述目标用户对应的正态概率分布数据,对当前针对所述目标用户的交易请求进行异常情况监控。
进一步地,所述根据所述待交易金额和所述目标用户对应的正态概率分布数据,对当前针对所述目标用户的交易请求进行异常情况监控,包括:
判断所述待交易金额所属的预设数额范围在对应的所述正态概率分布数据中出现的次数是否小于异常阈值,若是,则确定当前针对所述目标用户的交易请求存在异常情况。
进一步地,在所述接收针对目标用户的交易请求之前,还包括:
分别获取各个所述用户各自在第一预设时段内发送的全部交易以及各笔交易对应的交易金额;
根据对应的日期将各个所述用户各自对应的原键值进行细分处理,分别确定各个所述用户在每个所述日期内的交易总额和交易金额的平方和,其中,各个所述日期共同组成所述第一预设时段;
基于各个所述用户在每个所述日期内的交易总额和交易金额的平方和,对各个用户各自对应的键值分别进行局部汇总处理,分别确定各个所述用户客户在所述在第一预设时段内的交易总额和交易金额的平方和;
应用各个所述用户客户在所述在第一预设时段内的交易总额和交易金额的平方和,对各个用户各自对应的键值进行全局汇总处理,得到所述标准差;
根据所述标准差分别获取各个所述用户各自对应的正态概率分布数据。
进一步地,所述根据对应的日期将各个所述用户各自对应的原键值进行细分处理,分别确定各个所述用户在每个所述日期内的交易总额和交易金额的平方和,其中,各个所述日期共同组成所述第一预设时段,包括:
将各个所述用户各自对应的原键值细分为各个所述用户各自对应的用户标识以及对应在所述第一预设时段内的各个日期,得到各个所述用户各自对应的细分键值,其中,所述原键值为各个所述用户各自对应的用户标识;
应用各个所述用户各自对应的细分键值、各自在第一预设时段内发送的全部交易以及各笔交易对应的交易金额,分别确定各个所述用户在每个所述日期内的交易总额和交易金额的平方和。
进一步地,所述基于各个所述用户在每个所述日期内的交易总额和交易金额的平方和,对各个用户各自对应的键值分别进行局部汇总处理,分别确定各个所述用户客户在所述在第一预设时段内的交易总额和交易金额的平方和,包括:
应用各个所述用户各自对应的原键值,以及,各个所述用户在每个所述日期内的交易总额和交易金额的平方和,分别确定各个所述用户客户在所述在第一预设时段内的交易总额和交易金额的平方和。
进一步地,所述应用各个所述用户客户在所述在第一预设时段内的交易总额和交易金额的平方和,对各个用户各自对应的键值进行全局汇总处理,得到所述标准差,包括:
根据用户的总量、各个所述用户客户在所述在第一预设时段内的交易总额和交易金额的平方和,基于预设的标准差计算模型确定所述平方差,其中,所述标准差计算模型用于表示所述标准差、各个所述用户客户在所述在第一预设时段内的交易总额、交易金额的平方和所述用户的总量之间的对应关系。
进一步地,还包括:
向所述目标用户发送对应的包含有所述当前针对所述目标用户的交易请求存在异常情况的报警信息。
第二方面,本申请提供一种交易异常监测装置,包括:
请求接收模块,用于接收针对目标用户的交易请求,该交易请求中包含有对应的待交易金额;
正态概率分布读取模块,用于获取预存储的所述目标用户对应的正态概率分布数据,其中,所述正态概率分布数据基于所述目标用户在第一预设时段内的交易金额均值和该目标用户对应的标准差确定得到;
其中,所述标准差是预先基于预设规则对各个用户各自对应的键值分别进行细分处理、局部汇总处理和全局汇总处理之后确定得到的,各个所述用户中包含有所述目标用户;
交易异常监控模块,用于根据所述待交易金额和所述目标用户对应的正态概率分布数据,对当前针对所述目标用户的交易请求进行异常情况监控。
进一步地,所述交易异常监控模块包括:
异常判断单元,用于判断所述待交易金额所属的预设数额范围在对应的所述正态概率分布数据中出现的次数是否小于异常阈值,若是,则确定当前针对所述目标用户的交易请求存在异常情况。
进一步地,还包括:
历史数据获取模块,用于分别获取各个所述用户各自在第一预设时段内发送的全部交易以及各笔交易对应的交易金额;
细分模块,用于根据对应的日期将各个所述用户各自对应的原键值进行细分处理,分别确定各个所述用户在每个所述日期内的交易总额和交易金额的平方和,其中,各个所述日期共同组成所述第一预设时段;
局部汇总模块,用于基于各个所述用户在每个所述日期内的交易总额和交易金额的平方和,对各个用户各自对应的键值分别进行局部汇总处理,分别确定各个所述用户客户在所述在第一预设时段内的交易总额和交易金额的平方和;
全局汇总模块,用于应用各个所述用户客户在所述在第一预设时段内的交易总额和交易金额的平方和,对各个用户各自对应的键值进行全局汇总处理,得到所述标准差;
正态概率分布确定模块,用于根据所述标准差分别获取各个所述用户各自对应的正态概率分布数据。
进一步地,所述细分模块包括:
键值细分单元,用于将各个所述用户各自对应的原键值细分为各个所述用户各自对应的用户标识以及对应在所述第一预设时段内的各个日期,得到各个所述用户各自对应的细分键值,其中,所述原键值为各个所述用户各自对应的用户标识;
细分参数获取单元,用于应用各个所述用户各自对应的细分键值、各自在第一预设时段内发送的全部交易以及各笔交易对应的交易金额,分别确定各个所述用户在每个所述日期内的交易总额和交易金额的平方和。
进一步地,所述局部汇总模块包括:
局部汇总参数获取单元,用于应用各个所述用户各自对应的原键值,以及,各个所述用户在每个所述日期内的交易总额和交易金额的平方和,分别确定各个所述用户客户在所述在第一预设时段内的交易总额和交易金额的平方和。
进一步地,所述全局汇总模块包括:
全局汇总参数获取单元,用于根据用户的总量、各个所述用户客户在所述在第一预设时段内的交易总额和交易金额的平方和,基于预设的标准差计算模型确定所述平方差,其中,所述标准差计算模型用于表示所述标准差、各个所述用户客户在所述在第一预设时段内的交易总额、交易金额的平方和所述用户的总量之间的对应关系。
进一步地,还包括:
异常报警模块,用于向所述目标用户发送对应的包含有所述当前针对所述目标用户的交易请求存在异常情况的报警信息。
第三方面,本申请提供一种电子设备,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程序时实现所述的交易异常监测方法的步骤。
第四方面,本申请提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述的交易异常监测方法的步骤。
由上述技术方案可知,本申请提供的交易异常监测方法及装置,其中的方法包括:接收针对目标用户的交易请求,该交易请求中包含有对应的待交易金额;获取预存储的目标用户对应的正态概率分布数据,正态概率分布数据基于目标用户在第一预设时段内的交易金额均值和该目标用户对应的标准差确定得到;其中,标准差是预先基于预设规则对各个用户各自对应的键值分别进行细分处理、局部汇总处理和全局汇总处理之后确定得到的,各个用户中包含有目标用户;根据待交易金额和目标用户对应的正态概率分布数据,对当前针对目标用户的交易请求进行异常情况监控,能够有效提高交易异常监测的针对性,实现针对不同的用户进行不同的交易异常监测过程,有效提高交易异常监测的智能化程度和准确性,且交易异常监测的过程的效率高且可靠性高,交易异常监测结果的准确性高,进而能够有效提高用户交易及账户资金的安全性。
附图说明
为了更清楚地说明本申请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,下面描述中的附图是本申请的一些实施例,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的附图。
图1为本申请的交易异常监测装置的架构示意图。
图2为本申请实施例中的交易异常监测方法的流程示意图。
图3为本申请实施例中的交易异常监测方法中步骤010至步骤050的流程示意图。
图4为本申请实施例中的交易异常监测方法中的步骤200的流程示意图。
图5为本申请实施例中的包含有步骤400的交易异常监测方法的流程示意图。
图6为本申请应用实例中的分布式系统通过键值进行分区的逻辑示意图。
图7为本申请应用实例中的应用交易异常监测方法对进行标准差求解与为现有技术中的数据倾斜之间的计算时间比较示意图。
图8为本申请实施例中的交易异常监测装置的结构示意图。
图9为本申请实施例中的电子设备的结构示意图。
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的附图,对本申请实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动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。
考虑到现有的交易异常监测的方式的缺点是对所有用户一视同仁,导致部分经常做大额交易的正常客户频繁报警,而一些存在异常的客户反而没有被报出。需要一种能根据每个用户的交易行为习惯给出各自“阈值”的自适应方法,并且要让这种方法能够简单有效,又能切实可行、线上可实施是一个极具挑战的难题。本申请提供一种交易异常监测方法、交易异常监测装置、电子设备和计算机可读存储介质,通过接收针对目标用户的交易请求,该交易请求中包含有对应的待交易金额;获取预存储的所述目标用户对应的正态概率分布数据,其中,所述正态概率分布数据基于所述目标用户在第一预设时段内的交易金额均值和该目标用户对应的标准差确定得到;其中,所述标准差是预先基于预设规则对各个用户各自对应的键值分别进行细分处理、局部汇总处理和全局汇总处理之后确定得到的,各个所述用户中包含有所述目标用户;根据所述待交易金额和所述目标用户对应的正态概率分布数据,对当前针对所述目标用户的交易请求进行异常情况监控,能够有效提高交易异常监测的针对性,实现针对不同的用户进行不同的交易异常监测过程,有效提高交易异常监测的智能化程度和准确性,且交易异常监测的过程的效率高且可靠性高,交易异常监测结果的准确性高,进而能够有效提高用户交易及账户资金的安全性。
在本申请的一个或多个实施例中,所述正态概率分布数据用于表示所述目标用户在第一预设时段内的发生的交易和交易金额之间的对应关系。
针对上述内容,本申请实施例提供一种用于实现交易异常监测方法的交易异常监测装置,所述交易异常监测装置可以为一种服务器01,参见图1,所述服务器01可以至少一个用于提供相关数据的数据库02之间通信连接,还可以与至少一个客户端设备03之间通信连接。
基于上述内容,所述服务器01可以在线从客户端设备03接收包含有对应的待交易金额的针对目标用户的交易请求,而后所述服务器01可以在线从数据库02获取预存储的所述目标用户对应的正态概率分布数据,其中,所述正态概率分布数据基于所述目标用户在第一预设时段内的交易金额均值和该目标用户对应的标准差确定得到;其中,所述标准差是预先基于预设规则对各个用户各自对应的键值分别进行细分处理、局部汇总处理和全局汇总处理之后确定得到的,各个所述用户中包含有所述目标用户;根据所述待交易金额和所述目标用户对应的正态概率分布数据,对当前针对所述目标用户的交易请求进行异常情况监控,判断所述待交易金额所属的预设数额范围在对应的所述正态概率分布数据中出现的次数是否小于异常阈值,若是,则确定当前针对所述目标用户的交易请求存在异常情况,而后服务器01向所述目标用户持有的客户端设备发送对应的包含有所述当前针对所述目标用户的交易请求存在异常情况的报警信息。
可以理解的是,所述客户端设备可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中,所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。
在实际应用中,交易异常监测的部分可以在如上述内容所述的服务器侧执行,也可以所有的操作都在所述客户端设备中完成。具体可以根据所述客户端设备的处理能力,以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成,所述客户端设备还可以包括处理器。
上述的客户端设备可以具有通信模块(即通信单元),可以与远程的服务器进行通信连接,实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器,其他的实施场景中也可以包括中间平台的服务器,例如与任务调度中心服务器有通信链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备,也可以包括多个服务器组成的服务器集群,或者分布式装置的服务器结构。
所述服务器与所述客户端设备之间可以使用任何合适的网络协议进行通信,包括在本申请提交日尚未开发出的网络协议。所述网络协议例如可以包括TCP/IP协议、UDP/IP协议、HTTP协议、HTTPS协议等。当然,所述网络协议例如还可以包括在上述协议之上使用的RPC协议(Remote Procedure Call Protocol,远程过程调用协议)、REST协议(Representational State Transfer,表述性状态转移协议)等。
为了能够有效提高交易异常监测的针对性,进而能够有效提高用户交易及账户资金的安全性,本申请提供一种执行主体可以为前述的服务器或者客户端的交易异常监测方法的实施例,参见图2,所述交易异常监测方法具体包含有如下内容:
步骤100:接收针对目标用户的交易请求,该交易请求中包含有对应的待交易金额。
步骤200:获取预存储的所述目标用户对应的正态概率分布数据,其中,所述正态概率分布数据基于所述目标用户在第一预设时段内的交易金额均值和该目标用户对应的标准差确定得到。
可以理解的是,所述标准差是预先基于预设规则对各个用户各自对应的键值分别进行细分处理、局部汇总处理和全局汇总处理之后确定得到的,各个所述用户中包含有所述目标用户。
步骤300:根据所述待交易金额和所述目标用户对应的正态概率分布数据,对当前针对所述目标用户的交易请求进行异常情况监控。
为了提高异常情况监控的准确性和可靠性,以进一步提高交易异常监测的针对性,进而能够有效提高用户交易及账户资金的安全性,在本申请的交易异常监测方法的一个实施例中,步骤300具体包含有如下内容:
判断所述待交易金额所属的预设数额范围在对应的所述正态概率分布数据中出现的次数是否小于异常阈值,若是,则确定当前针对所述目标用户的交易请求存在异常情况。
为了提高正态概率分布数据的应用可靠性,以进一步提高交易异常监测的针对性,进而能够有效提高用户交易及账户资金的安全性,参见图3,在本申请的交易异常监测方法的一个实施例中,在步骤100之前还具体包含有如下内容:
步骤010:分别获取各个所述用户各自在第一预设时段内发送的全部交易以及各笔交易对应的交易金额。
步骤020:根据对应的日期将各个所述用户各自对应的原键值进行细分处理,分别确定各个所述用户在每个所述日期内的交易总额和交易金额的平方和,其中,各个所述日期共同组成所述第一预设时段。
步骤030:基于各个所述用户在每个所述日期内的交易总额和交易金额的平方和,对各个用户各自对应的键值分别进行局部汇总处理,分别确定各个所述用户客户在所述在第一预设时段内的交易总额和交易金额的平方和。
步骤040:应用各个所述用户客户在所述在第一预设时段内的交易总额和交易金额的平方和,对各个用户各自对应的键值进行全局汇总处理,得到所述标准差。
步骤050:根据所述标准差分别获取各个所述用户各自对应的正态概率分布数据。
在一种举例中,参见图4,前述的步骤020具体包含有如下内容:
步骤021:将各个所述用户各自对应的原键值细分为各个所述用户各自对应的用户标识以及对应在所述第一预设时段内的各个日期,得到各个所述用户各自对应的细分键值,其中,所述原键值为各个所述用户各自对应的用户标识;
步骤022:应用各个所述用户各自对应的细分键值、各自在第一预设时段内发送的全部交易以及各笔交易对应的交易金额,分别确定各个所述用户在每个所述日期内的交易总额和交易金额的平方和。
在一种举例中,前述的步骤030具体包含有如下内容:
应用各个所述用户各自对应的原键值,以及,各个所述用户在每个所述日期内的交易总额和交易金额的平方和,分别确定各个所述用户客户在所述在第一预设时段内的交易总额和交易金额的平方和。
在一种举例中,前述的步骤040具体包含有如下内容:
根据用户的总量、各个所述用户客户在所述在第一预设时段内的交易总额和交易金额的平方和,基于预设的标准差计算模型确定所述平方差,其中,所述标准差计算模型用于表示所述标准差、各个所述用户客户在所述在第一预设时段内的交易总额、交易金额的平方和所述用户的总量之间的对应关系。
为了进一步有效提高用户交易及账户资金的安全性,参见图5,在本申请的交易异常监测方法的一个实施例中,在步骤300之后还具体包含有如下内容:
步骤400:向所述目标用户发送对应的包含有所述当前针对所述目标用户的交易请求存在异常情况的报警信息。
为进一步说明本方案,本申请还提供一种交易异常监测方法的具体应用实例,具体包含有如下内容:
数据倾斜问题介绍:
高斯(正态)分布模型是一个非常重要的概率分布,在统计学很多方面有着重大影响力。它也可以用来做异常值监测。根据每个账号历史一段时期的交易观测数据,拟合它在这段时期内某种交易行为的经验概率布。然后判断当前交易是否在这个分布中属于极少发生的情况,如果是就认为是异常。正态分布模型概率计算方法可简化为:
主要需计算的指标为每一个账户历史一段时间交易的均值μ和标准差σ。这种方法可以有效解决“一刀切”问题,得到业务广泛认可。
现在的风控模型大多部署在分布式计算系统上,它的特点是计算特别快。但是一旦出现数据倾斜问题那么计算速度就会大打折扣,导致线上不可行。数据倾斜不能通过增加计算资源(如CPU个数)的方式解决,这跟分布式计算底层的设计有关。本文通过一种公式变换的方法使之得以解决,计算速率提升数百倍。
数据倾斜主要是数据分布情况造成,即数据量分配不均,大量的计算任务集中在某几个分区上,导致整个计算过程因为要等待这些分区完成而变得过慢。如图6所示,分布式系统通过键值(图6中的“hello”、“world”、“you”)进行分区,“world”和“you”由于数据量较少早早就计算完毕,“hello”因为数据量太大而计算缓慢,拖慢了整个计算时间。采用先强行对键进行细化分区,最后再汇总的方式可以有效解决数据倾斜。但是标准差的计算公式中因为均值的参与本身是无法拆分的(因为均值本身就需要对全量的x求和得到):
本发明解决标准差计算数据倾斜的步骤:
步骤一:对下述公式进行转换得到标准差的新计算方法:
具体变换步骤如下:
经过一系列公式变换,标准差最终被转换成了两个可拆分的求和汇总项和∑xi。
步骤二:
强行对键进行细分,然后对分区内数据先进行局部汇总,最后再全局汇总。在实际应用中,我们的键本来是客户,目的是按客户进行分区计算每个客户半年内的交易金额的标准差。第一步将键改为客户和日期(相当于强行对原来的键进行细分),先计算每个客户每天的交易总额∑xi(xi指单笔交易金额)与交易金额的平方和第二步再将键设为客户,计算每个客户近半年的交易总额与交易金额的平方和,这步只需对上一步计算的两项结果进行求和即可。最后再对最终的两个结果进行简单组合就求出了原本不能通过拆分计算得到的标准差。这样数据倾斜难题也就通过先局部再归总的方式得到了解决。
参见图7,从公式角度,通过微妙转换最终解决了求标准差的数据倾斜难以解决的问题,大大缩减了计算时间。在用两台物理机Spark集群测试1000多万条包含5万多客户的交易明细数据中(客户交易量很不均匀),用正态分布模型逐笔计算交易金额是否异常时,所耗费的时间由17个小时下降到2分钟以内。
从上述描述可知,本申请应用实例提供的交易异常监测方法,能够有效提高交易异常监测的针对性,实现针对不同的用户进行不同的交易异常监测过程,有效提高交易异常监测的智能化程度和准确性,且交易异常监测的过程的效率高且可靠性高,交易异常监测结果的准确性高,进而能够有效提高用户交易及账户资金的安全性。其中的算法的优势具体包含有:
1.极大缩短建模和数据分析人员,在线下做验证时的程序运行等待时间,提高工作效率。
2.使原本不可行的理论方法,在面临大数据量时,线上实施也变得可行,使得正态分布方法能得以推广使用。
从软件层面来说,为了能够有效提高交易异常监测的针对性,进而能够有效提高用户交易及账户资金的安全性,本申请提供一种用于实现所述交易异常监测方法的交易异常监测装置的实施例,参见图8,所述交易异常监测装置具体包含有如下内容:
请求接收模块10,用于接收针对目标用户的交易请求,该交易请求中包含有对应的待交易金额。
正态概率分布读取模块20,用于获取预存储的所述目标用户对应的正态概率分布数据,其中,所述正态概率分布数据基于所述目标用户在第一预设时段内的交易金额均值和该目标用户对应的标准差确定得到。
可以理解的是,所述标准差是预先基于预设规则对各个用户各自对应的键值分别进行细分处理、局部汇总处理和全局汇总处理之后确定得到的,各个所述用户中包含有所述目标用户。
交易异常监控模块30,用于根据所述待交易金额和所述目标用户对应的正态概率分布数据,对当前针对所述目标用户的交易请求进行异常情况监控。
本申请实施例提供的交易异常监测装置的实施例具体可以用于执行上述实施例中的交易异常监测方法的实施例的处理流程,其功能在此不再赘述,可以参照上述交易异常监测方法实施例的详细描述。
从上述描述可知,本申请实施例提供的交易异常监测装置,能够有效提高交易异常监测的针对性,实现针对不同的用户进行不同的交易异常监测过程,有效提高交易异常监测的智能化程度和准确性,且交易异常监测的过程的效率高且可靠性高,交易异常监测结果的准确性高,进而能够有效提高用户交易及账户资金的安全性。
为了提高异常情况监控的准确性和可靠性,以进一步提高交易异常监测的针对性,进而能够有效提高用户交易及账户资金的安全性,在本申请的交易异常监测装置的一个实施例中,交易异常监控模块30具体包含有如下内容:
异常判断单元,用于判断所述待交易金额所属的预设数额范围在对应的所述正态概率分布数据中出现的次数是否小于异常阈值,若是,则确定当前针对所述目标用户的交易请求存在异常情况。
为了提高正态概率分布数据的应用可靠性,以进一步提高交易异常监测的针对性,进而能够有效提高用户交易及账户资金的安全性,在本申请的交易异常监测装置的一个实施例中,还具体包含有如下内容:
历史数据获取模块,用于分别获取各个所述用户各自在第一预设时段内发送的全部交易以及各笔交易对应的交易金额。
细分模块,用于根据对应的日期将各个所述用户各自对应的原键值进行细分处理,分别确定各个所述用户在每个所述日期内的交易总额和交易金额的平方和,其中,各个所述日期共同组成所述第一预设时段。
局部汇总模块,用于基于各个所述用户在每个所述日期内的交易总额和交易金额的平方和,对各个用户各自对应的键值分别进行局部汇总处理,分别确定各个所述用户客户在所述在第一预设时段内的交易总额和交易金额的平方和。
全局汇总模块,用于应用各个所述用户客户在所述在第一预设时段内的交易总额和交易金额的平方和,对各个用户各自对应的键值进行全局汇总处理,得到所述标准差。
正态概率分布确定模块,用于根据所述标准差分别获取各个所述用户各自对应的正态概率分布数据。
在一种举例中,前述的细分模块具体包含有如下内容:
键值细分单元,用于将各个所述用户各自对应的原键值细分为各个所述用户各自对应的用户标识以及对应在所述第一预设时段内的各个日期,得到各个所述用户各自对应的细分键值,其中,所述原键值为各个所述用户各自对应的用户标识;
细分参数获取单元,用于应用各个所述用户各自对应的细分键值、各自在第一预设时段内发送的全部交易以及各笔交易对应的交易金额,分别确定各个所述用户在每个所述日期内的交易总额和交易金额的平方和。
在一种举例中,前述的局部汇总模块具体包含有如下内容:
局部汇总参数获取单元,用于应用各个所述用户各自对应的原键值,以及,各个所述用户在每个所述日期内的交易总额和交易金额的平方和,分别确定各个所述用户客户在所述在第一预设时段内的交易总额和交易金额的平方和。
在一种举例中,前述的全局汇总模块具体包含有如下内容:
全局汇总参数获取单元,用于根据用户的总量、各个所述用户客户在所述在第一预设时段内的交易总额和交易金额的平方和,基于预设的标准差计算模型确定所述平方差,其中,所述标准差计算模型用于表示所述标准差、各个所述用户客户在所述在第一预设时段内的交易总额、交易金额的平方和所述用户的总量之间的对应关系。
为了进一步有效提高用户交易及账户资金的安全性,在本申请的交易异常监测装置的一个实施例中,还具体包含有如下内容:
异常报警模块,用于向所述目标用户发送对应的包含有所述当前针对所述目标用户的交易请求存在异常情况的报警信息。
从硬件层面来说,为了能够有效提高交易异常监测的针对性,进而能够有效提高用户交易及账户资金的安全性,本申请提供一种用于实现所述交易异常监测装置中的全部或部分内容的电子设备的实施例,所述电子设备具体包含有如下内容:
处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线;其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述通信接口用于实现交易异常监测装置、各类数据库以及用户终端等相关设备之间的信息传输;该电子设备可以是台式计算机、平板电脑及移动终端等,本实施例不限于此。在本实施例中,该电子设备可以参照实施例中的交易异常监测装置的实施例,以及,交易异常监测装置的实施例进行实施,其内容被合并于此,重复之处不再赘述。
图9为本申请实施例的电子设备9600的系统构成的示意框图。如图9所示,该电子设备9600可以包括中央处理器9100和存储器9140;存储器9140耦合到中央处理器9100。值得注意的是,该图9是示例性的;还可以使用其他类型的结构,来补充或代替该结构,以实现电信功能或其他功能。
一实施例中,交易异常监测功能可以被集成到中央处理器9100中。其中,中央处理器9100可以被配置为进行如下控制:
步骤100:接收针对目标用户的交易请求,该交易请求中包含有对应的待交易金额。
步骤200:获取预存储的所述目标用户对应的正态概率分布数据,其中,所述正态概率分布数据基于所述目标用户在第一预设时段内的交易金额均值和该目标用户对应的标准差确定得到。
可以理解的是,所述标准差是预先基于预设规则对各个用户各自对应的键值分别进行细分处理、局部汇总处理和全局汇总处理之后确定得到的,各个所述用户中包含有所述目标用户。
步骤300:根据所述待交易金额和所述目标用户对应的正态概率分布数据,对当前针对所述目标用户的交易请求进行异常情况监控。
从上述描述可知,本申请实施例提供的电子设备,能够有效提高交易异常监测的针对性,实现针对不同的用户进行不同的交易异常监测过程,有效提高交易异常监测的智能化程度和准确性,且交易异常监测的过程的效率高且可靠性高,交易异常监测结果的准确性高,进而能够有效提高用户交易及账户资金的安全性。
在另一个实施方式中,交易异常监测装置可以与中央处理器9100分开配置,例如可以将交易异常监测配置为与中央处理器9100连接的芯片,通过中央处理器的控制来实现交易异常监测功能。
如图9所示,该电子设备9600还可以包括:通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是,电子设备9600也并不是必须要包括图9中所示的所有部件;此外,电子设备9600还可以包括图9中没有示出的部件,可以参考现有技术。
如图9所示,中央处理器9100有时也称为控制器或操作控件,可以包括微处理器或其他处理器装置和/或逻辑装置,该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
其中,存储器9140,例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息,此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序,以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器,但并不限于此。
该存储器9140可以是固态存储器,例如,只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器,其即使在断电时也保存信息,可被选择性地擦除且设有更多数据,该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142,该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143,该数据存储部9143用于存储数据,例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100,以提供输入信号和接收输出信号,这可以和常规移动通信终端的情况相同。
基于不同的通信技术,在同一电子设备中,可以设置有多个通信模块9110,如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132,以经由扬声器9131提供音频输出,并接收来自麦克风9132的音频输入,从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外,音频处理器9130还耦合到中央处理器9100,从而使得可以通过麦克风9132能够在本机上录音,且使得可以通过扬声器9131来播放本机上存储的声音。
本申请的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的交易异常监测装置中全部步骤的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计算机程序,该计算机程序被处理器执行时实现上述实施例中的执行主体为服务器或客户端的交易异常监测装置的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
步骤100:接收针对目标用户的交易请求,该交易请求中包含有对应的待交易金额。
步骤200:获取预存储的所述目标用户对应的正态概率分布数据,其中,所述正态概率分布数据基于所述目标用户在第一预设时段内的交易金额均值和该目标用户对应的标准差确定得到。
可以理解的是,所述标准差是预先基于预设规则对各个用户各自对应的键值分别进行细分处理、局部汇总处理和全局汇总处理之后确定得到的,各个所述用户中包含有所述目标用户。
步骤300:根据所述待交易金额和所述目标用户对应的正态概率分布数据,对当前针对所述目标用户的交易请求进行异常情况监控。
从上述描述可知,本申请实施例提供的计算机可读存储介质,能够有效提高交易异常监测的针对性,实现针对不同的用户进行不同的交易异常监测过程,有效提高交易异常监测的智能化程度和准确性,且交易异常监测的过程的效率高且可靠性高,交易异常监测结果的准确性高,进而能够有效提高用户交易及账户资金的安全性。
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、装置、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(装置)、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。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (16)
1.一种交易异常监测方法,其特征在于,包括:
接收针对目标用户的交易请求,该交易请求中包含有对应的待交易金额;
获取预存储的所述目标用户对应的正态概率分布数据,其中,所述正态概率分布数据基于所述目标用户在第一预设时段内的交易金额均值和该目标用户对应的标准差确定得到;
其中,所述标准差是预先基于预设规则对各个用户各自对应的键值分别进行细分处理、局部汇总处理和全局汇总处理之后确定得到的,各个所述用户中包含有所述目标用户;
根据所述待交易金额和所述目标用户对应的正态概率分布数据,对当前针对所述目标用户的交易请求进行异常情况监控。
2.根据权利要求1所述的交易异常监测方法,其特征在于,所述根据所述待交易金额和所述目标用户对应的正态概率分布数据,对当前针对所述目标用户的交易请求进行异常情况监控,包括:
判断所述待交易金额所属的预设数额范围在对应的所述正态概率分布数据中出现的次数是否小于异常阈值,若是,则确定当前针对所述目标用户的交易请求存在异常情况。
3.根据权利要求1所述的交易异常监测方法,其特征在于,在所述接收针对目标用户的交易请求之前,还包括:
分别获取各个所述用户各自在第一预设时段内发送的全部交易以及各笔交易对应的交易金额;
根据对应的日期将各个所述用户各自对应的原键值进行细分处理,分别确定各个所述用户在每个所述日期内的交易总额和交易金额的平方和,其中,各个所述日期共同组成所述第一预设时段;
基于各个所述用户在每个所述日期内的交易总额和交易金额的平方和,对各个用户各自对应的键值分别进行局部汇总处理,分别确定各个所述用户客户在所述在第一预设时段内的交易总额和交易金额的平方和;
应用各个所述用户客户在所述在第一预设时段内的交易总额和交易金额的平方和,对各个用户各自对应的键值进行全局汇总处理,得到所述标准差;
根据所述标准差分别获取各个所述用户各自对应的正态概率分布数据。
4.根据权利要求3所述的交易异常监测方法,其特征在于,所述根据对应的日期将各个所述用户各自对应的原键值进行细分处理,分别确定各个所述用户在每个所述日期内的交易总额和交易金额的平方和,其中,各个所述日期共同组成所述第一预设时段,包括:
将各个所述用户各自对应的原键值细分为各个所述用户各自对应的用户标识以及对应在所述第一预设时段内的各个日期,得到各个所述用户各自对应的细分键值,其中,所述原键值为各个所述用户各自对应的用户标识;
应用各个所述用户各自对应的细分键值、各自在第一预设时段内发送的全部交易以及各笔交易对应的交易金额,分别确定各个所述用户在每个所述日期内的交易总额和交易金额的平方和。
5.根据权利要求4所述的交易异常监测方法,其特征在于,所述基于各个所述用户在每个所述日期内的交易总额和交易金额的平方和,对各个用户各自对应的键值分别进行局部汇总处理,分别确定各个所述用户客户在所述在第一预设时段内的交易总额和交易金额的平方和,包括:
应用各个所述用户各自对应的原键值,以及,各个所述用户在每个所述日期内的交易总额和交易金额的平方和,分别确定各个所述用户客户在所述在第一预设时段内的交易总额和交易金额的平方和。
6.根据权利要求3所述的交易异常监测方法,其特征在于,所述应用各个所述用户客户在所述在第一预设时段内的交易总额和交易金额的平方和,对各个用户各自对应的键值进行全局汇总处理,得到所述标准差,包括:
根据用户的总量、各个所述用户客户在所述在第一预设时段内的交易总额和交易金额的平方和,基于预设的标准差计算模型确定所述平方差,其中,所述标准差计算模型用于表示所述标准差、各个所述用户客户在所述在第一预设时段内的交易总额、交易金额的平方和所述用户的总量之间的对应关系。
7.根据权利要求1至6任一项所述的交易异常监测方法,其特征在于,还包括:
向所述目标用户发送对应的包含有所述当前针对所述目标用户的交易请求存在异常情况的报警信息。
8.一种交易异常监测装置,其特征在于,包括:
请求接收模块,用于接收针对目标用户的交易请求,该交易请求中包含有对应的待交易金额;
正态概率分布读取模块,用于获取预存储的所述目标用户对应的正态概率分布数据,其中,所述正态概率分布数据基于所述目标用户在第一预设时段内的交易金额均值和该目标用户对应的标准差确定得到;
其中,所述标准差是预先基于预设规则对各个用户各自对应的键值分别进行细分处理、局部汇总处理和全局汇总处理之后确定得到的,各个所述用户中包含有所述目标用户;
交易异常监控模块,用于根据所述待交易金额和所述目标用户对应的正态概率分布数据,对当前针对所述目标用户的交易请求进行异常情况监控。
9.根据权利要求8所述的交易异常监测装置,其特征在于,所述交易异常监控模块包括:
异常判断单元,用于判断所述待交易金额所属的预设数额范围在对应的所述正态概率分布数据中出现的次数是否小于异常阈值,若是,则确定当前针对所述目标用户的交易请求存在异常情况。
10.根据权利要求8所述的交易异常监测装置,其特征在于,还包括:
历史数据获取模块,用于分别获取各个所述用户各自在第一预设时段内发送的全部交易以及各笔交易对应的交易金额;
细分模块,用于根据对应的日期将各个所述用户各自对应的原键值进行细分处理,分别确定各个所述用户在每个所述日期内的交易总额和交易金额的平方和,其中,各个所述日期共同组成所述第一预设时段;
局部汇总模块,用于基于各个所述用户在每个所述日期内的交易总额和交易金额的平方和,对各个用户各自对应的键值分别进行局部汇总处理,分别确定各个所述用户客户在所述在第一预设时段内的交易总额和交易金额的平方和;
全局汇总模块,用于应用各个所述用户客户在所述在第一预设时段内的交易总额和交易金额的平方和,对各个用户各自对应的键值进行全局汇总处理,得到所述标准差;
正态概率分布确定模块,用于根据所述标准差分别获取各个所述用户各自对应的正态概率分布数据。
11.根据权利要求10所述的交易异常监测装置,其特征在于,所述细分模块包括:
键值细分单元,用于将各个所述用户各自对应的原键值细分为各个所述用户各自对应的用户标识以及对应在所述第一预设时段内的各个日期,得到各个所述用户各自对应的细分键值,其中,所述原键值为各个所述用户各自对应的用户标识;
细分参数获取单元,用于应用各个所述用户各自对应的细分键值、各自在第一预设时段内发送的全部交易以及各笔交易对应的交易金额,分别确定各个所述用户在每个所述日期内的交易总额和交易金额的平方和。
12.根据权利要求11所述的交易异常监测装置,其特征在于,所述局部汇总模块包括:
局部汇总参数获取单元,用于应用各个所述用户各自对应的原键值,以及,各个所述用户在每个所述日期内的交易总额和交易金额的平方和,分别确定各个所述用户客户在所述在第一预设时段内的交易总额和交易金额的平方和。
13.根据权利要求10所述的交易异常监测装置,其特征在于,所述全局汇总模块包括:
全局汇总参数获取单元,用于根据用户的总量、各个所述用户客户在所述在第一预设时段内的交易总额和交易金额的平方和,基于预设的标准差计算模型确定所述平方差,其中,所述标准差计算模型用于表示所述标准差、各个所述用户客户在所述在第一预设时段内的交易总额、交易金额的平方和所述用户的总量之间的对应关系。
14.根据权利要求8至13任一项所述的交易异常监测装置,其特征在于,还包括:
异常报警模块,用于向所述目标用户发送对应的包含有所述当前针对所述目标用户的交易请求存在异常情况的报警信息。
15.一种电子设备,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程序时实现权利要求1至7任一项所述的交易异常监测方法的步骤。
16.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至7任一项所述的交易异常监测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910688819.4A CN110399409B (zh) | 2019-07-29 | 2019-07-29 | 交易异常监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910688819.4A CN110399409B (zh) | 2019-07-29 | 2019-07-29 | 交易异常监测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110399409A true CN110399409A (zh) | 2019-11-01 |
CN110399409B CN110399409B (zh) | 2022-02-08 |
Family
ID=68326421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910688819.4A Active CN110399409B (zh) | 2019-07-29 | 2019-07-29 | 交易异常监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110399409B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111352924A (zh) * | 2020-02-28 | 2020-06-30 | 中国工商银行股份有限公司 | 解决数据倾斜问题的方法及装置 |
CN113377618A (zh) * | 2021-06-11 | 2021-09-10 | 中国工商银行股份有限公司 | 数据监控方法、装置、电子设备及可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110191200A1 (en) * | 2010-02-04 | 2011-08-04 | Lex Bayer | Method and system for authenticating online transactions |
US20180053188A1 (en) * | 2016-08-17 | 2018-02-22 | Fair Isaac Corporation | Customer transaction behavioral archetype analytics for cnp merchant transaction fraud detection |
CN107918905A (zh) * | 2017-11-22 | 2018-04-17 | 阿里巴巴集团控股有限公司 | 异常交易识别方法、装置及服务器 |
CN108491875A (zh) * | 2018-03-19 | 2018-09-04 | 深圳乐信软件技术有限公司 | 一种数据异常检测方法、装置、设备及介质 |
CN108830584A (zh) * | 2018-06-14 | 2018-11-16 | 腾讯科技(深圳)有限公司 | 消息提示方法、装置、服务器及存储介质 |
CN110033278A (zh) * | 2019-03-27 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 风险识别方法和装置 |
-
2019
- 2019-07-29 CN CN201910688819.4A patent/CN110399409B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110191200A1 (en) * | 2010-02-04 | 2011-08-04 | Lex Bayer | Method and system for authenticating online transactions |
US20180053188A1 (en) * | 2016-08-17 | 2018-02-22 | Fair Isaac Corporation | Customer transaction behavioral archetype analytics for cnp merchant transaction fraud detection |
CN107918905A (zh) * | 2017-11-22 | 2018-04-17 | 阿里巴巴集团控股有限公司 | 异常交易识别方法、装置及服务器 |
CN108491875A (zh) * | 2018-03-19 | 2018-09-04 | 深圳乐信软件技术有限公司 | 一种数据异常检测方法、装置、设备及介质 |
CN108830584A (zh) * | 2018-06-14 | 2018-11-16 | 腾讯科技(深圳)有限公司 | 消息提示方法、装置、服务器及存储介质 |
CN110033278A (zh) * | 2019-03-27 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 风险识别方法和装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111352924A (zh) * | 2020-02-28 | 2020-06-30 | 中国工商银行股份有限公司 | 解决数据倾斜问题的方法及装置 |
CN111352924B (zh) * | 2020-02-28 | 2024-02-27 | 中国工商银行股份有限公司 | 解决数据倾斜问题的方法及装置 |
CN113377618A (zh) * | 2021-06-11 | 2021-09-10 | 中国工商银行股份有限公司 | 数据监控方法、装置、电子设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110399409B (zh) | 2022-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107659549A (zh) | 一种基于事件的流程处理方法及装置和服务器 | |
CN111080275A (zh) | 跨区域资源转移方法、装置、设备及存储介质 | |
CN110428325A (zh) | 交易跟踪方法及装置 | |
CN110599178A (zh) | 一种基于智能合约的数据处理方法、装置以及存储介质 | |
CN108492177A (zh) | 境内资产跨境交易方法、服务器及存储介质 | |
CN106651463A (zh) | 金融机构服务接入系统及其接入方法 | |
CN107038645B (zh) | 业务处理方法、装置及系统和服务器 | |
CN110225104A (zh) | 数据获取方法、装置及终端设备 | |
CN109669835A (zh) | MySQL数据库监控方法、装置、设备及可读存储介质 | |
CN109685336A (zh) | 催收任务分配方法、装置、计算机设备及存储介质 | |
CN110474812A (zh) | 采样率自适应调整方法及装置 | |
CN110399409A (zh) | 交易异常监测方法及装置 | |
CN112950357A (zh) | 交易异常团伙识别方法及装置 | |
CN106302368B (zh) | 事务处理方法及装置 | |
CN114219342A (zh) | 一种基于非同质化通证的碳资产管理方法及装置 | |
CN110390209A (zh) | 生产数据访问方法及装置 | |
CN110389885A (zh) | 高频交易监控方法及装置 | |
CN110519151A (zh) | 可控好友添加方法、装置、终端设备及存储介质 | |
CN105872080A (zh) | 一种云海os负载均衡的控制方法及装置 | |
CN109828801A (zh) | 业务信息处理方法、装置和服务器 | |
CN112381295A (zh) | 一种基于用电行为偏好的居民用电提醒方法及系统 | |
CN104240048A (zh) | 一种订单综合处理平台 | |
CN104240049A (zh) | 一种订单综合处理系统 | |
CN114971689B (zh) | 任务处理方法、装置、设备和存储介质 | |
CN103200557B (zh) | 一种基于智能移动终端的信息交互方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |