CN110717828B - 一种基于频繁交易模式的异常账户检测方法及系统 - Google Patents
一种基于频繁交易模式的异常账户检测方法及系统 Download PDFInfo
- Publication number
- CN110717828B CN110717828B CN201910846523.0A CN201910846523A CN110717828B CN 110717828 B CN110717828 B CN 110717828B CN 201910846523 A CN201910846523 A CN 201910846523A CN 110717828 B CN110717828 B CN 110717828B
- Authority
- CN
- China
- Prior art keywords
- transaction
- nodes
- node
- community
- graph
- 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.)
- Active
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 36
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 41
- 239000011159 matrix material Substances 0.000 claims abstract description 22
- 238000005065 mining Methods 0.000 claims abstract description 11
- 230000003068 static effect Effects 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 abstract 1
- 230000001105 regulatory effect Effects 0.000 description 7
- 230000006399 behavior Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 244000035744 Hura crepitans Species 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004900 laundering Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008844 regulatory mechanism Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Images
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种基于频繁交易模式的异常账户检测方法及系统,包括:获取区块链中数字货币交易的时间图,其中时间图中节点为交易账户,时间图中节点间的边代表交易账户间的货币交易方向和交易时间,剔除时间图中每条边的交易时间,得到交易图;挖掘时间图中各交易模式出现的次数,确定时间图的频繁模式,统计节点对在频繁模式中出现的次数作为两个账户之间的高阶相似度,集合所有高阶相似度得到高阶相似度矩阵;基于高阶相似度矩阵对交易图中的节点进行聚类处理,得到由属于同一簇的节点构成的交易子图,并通过分类网络对交易子图进行分类,输出分类结果。以实现给定一段时间的交易记录和感兴趣的交易模式,给出与给定交易模式相关的账户簇。
Description
技术领域
本发明涉及区块链监管领域,并特别涉及一种基于频繁交易模式的异常账户检测方法及系统。
背景技术
区块链的去中心化特性给监管带来了很大的难度。区块链系统是“点对点”,每个节点地位平等,没有中心化的控制者。但是监管是相对中心化的,需要有一个中心控制节点来获取整个系统运行的信息。目前全球区块链监管框架包括中国监管框架、美国监管框架和英国监管框架。中国区块链监管框架的形成过程中有3个监管文件的发布。一个是2017年9月4日中国人民银行等7部委联合发表《防范货币发行融资风险的公告》,明确指出货币发行融资本质上是一种未经批准非法公开融资的行为,要求自公告发布之日起,各类货币发行融资活动立即停止,已完成货币发行融资的组织和个人做出清退等安排。2018年8月24日,银保监会、中央网信办、公安部、人民银行和市场监管总局联合发布《关于防范以“虚拟货币”“区块链”名义进行风险集资的风险提示》,规范了假借区块链之名进行炒币融资的行为。2019年1月10日,国家互联网信息办公室(网信办)发布了《区块链信息服务管理规定》,明确要求“区块链信息服务提供者应当在提供服务之日起十个工作日内通过国家互联网信息办公室区块链信息服务备案管理系统进行备案,备案信息主要包括服务提供者、服务类别、服务形式、应用领域、服务器地址等信息”,中国对区块链的监管架构基本完成。美国将对区块链的监管纳入原有的金融监管体系下。2018年7月26日,美国证券交易委员会(SEC)正式宣布,数字货币的发售(ICO)“受联邦证券法的管制”。英国首创监管沙盒(regulatorysandbox),提供了一个安全场所,在其中,企业可以测试创新型产品、服务、商业模式和传送机制,并且不会将不良影响直接带给处于正常监管机制下的企业。
基于政策的监管框架虽然可以实现对货币发行的监管以及对区块链信息服务的备案,但是其监管粒度较粗,难以发现区块链交易中的具体洗钱、套现等行为,难以发现与异常行为相关的异常账户。大量的人工监管虽然在短期内行之有效,但是会消耗大量的人力物力,并且效率较低,难以同时对多个货币进行监管。
发明内容
现有的监管框架大都是政策导向,用一定的规则对所有的发行货币实施监管,没有利用到具体的交易记录等信息,也没有使用任何智能方法。异常账户往往存在大量频繁发生的行为,这些账户可以通过基于高阶相似度的聚类方法来发现。
本发明目的是解决基于政策的区块链监管中的粒度粗、效率低的问题,提出了一种基于频繁交易模式的异常账户检测方法,其中包括:
步骤1、获取区块链中数字货币交易的时间图,其中该时间图中节点为交易账户,该时间图中节点间的边代表交易账户间的货币交易方向和交易时间,并通过剔除该时间图中每条边的交易时间,得到数字货币交易的交易图;
步骤2、通过挖掘该时间图中各交易模式出现的次数,以确定该时间图的频繁模式,统计两两节点在频繁模式中出现的次数作为两个账户之间的高阶相似度,集合所有该高阶相似度得到高阶相似度矩阵;
步骤3、基于该高阶相似度矩阵对该交易图中的节点进行聚类处理,得到由属于同一簇的节点构成的交易子图,并通过图卷积神经网络对该交易子图进行分类,并将分类结果作为异常账户检测结果。
所述的基于频繁交易模式的异常账户检测方法,其中步骤3中的聚类处理包括:
步骤31、将每个原始节点作为一个独立的社区,社区内的连边权重为0;
步骤32、扫描该交易图中所有节点,遍历每个节点的邻居节点,通过下式统计把该节点并入其邻居节点所在社区后的模块度Q的增加量,将节点并入ΔQ最大的邻居节点所在社区;
步骤33、重复该步骤32,直至每一个节点的社区归属不再变化。
其中,
式中m代表交易图中所有边的权重之和,Ai,j代表节点i和节点j之间边的权重,ki代表所有与节点i相连的边的权重之和,ki,in代表社区内所有节点与节点i相连的边的权重之和,ci代表节点i所属的社区;∑tot代表所有与社区c内节点相连的边的权重之和;
步骤34、将该步骤32中属于同一社区的节点合并为一个超点,作为该交易图中一个新的节点,此时两个超点之间边的权重是两个超点内所有原始节点之间连边的权重之和;
步骤35、重复该步骤32到该步骤34直到节点的社区划分不再变化,输出当前社区划分C1,C2,…,Ck,其中Ci是第i个交易子图,1≤i≤k。
所述的基于频繁交易模式的异常账户检测方法,其中该步骤2中确定频繁模式的过程包括:
步骤21、在该时间图中不考虑边的交易时间,匹配出交易模式的所有静态实例;
步骤22、对于每一个静态实例,将其中所有边按照时间顺序排成序列;
步骤23、在预设时间窗口内统计该序列中交易模式出现的次数,并将出现次数最多的K个模式作为该频繁模式。
所述的基于频繁交易模式的异常账户检测方法,其中该交易模式包括:汇聚模式、分散模式和链式模式。
所述的基于频繁交易模式的异常账户检测方法,其中步骤3中该聚类处理包括:幂迭代聚类方法,k-均值聚类方法或者Louvain社区检测方法。
本发明还提出了一种基于频繁交易模式的异常账户检测系统,其中包括:
模块1、获取区块链中数字货币交易的时间图,其中该时间图中节点为交易账户,该时间图中节点间的边代表交易账户间的货币交易方向和交易时间,并通过剔除该时间图中每条边的交易时间,得到数字货币交易的交易图;
模块2、通过挖掘该时间图中各交易模式出现的次数,以确定该时间图的频繁模式,统计两两节点在频繁模式中出现的次数作为两个账户之间的高阶相似度,集合所有该高阶相似度得到高阶相似度矩阵;
模块3、基于该高阶相似度矩阵对该交易图中的节点进行聚类处理,得到由属于同一簇的节点构成的交易子图,并通过图卷积神经网络对该交易子图进行分类,并将分类结果作为异常账户检测结果。
所述的基于频繁交易模式的异常账户检测系统,其中模块3中聚类处理包括:
模块31、将每个原始节点作为一个独立的社区,社区内的连边权重为0;
模块32、扫描该交易图中所有节点,遍历每个节点的邻居节点,通过下式统计把该节点并入其邻居节点所在社区后的模块度Q的增加量,将节点并入ΔQ最大的邻居节点所在社区;
模块33、重复该模块32,直至每一个节点的社区归属不再变化。
其中,
式中m代表交易图中所有边的权重之和,Ai,j代表节点i和节点j之间边的权重,ki代表所有与节点i相连的边的权重之和,ki,in代表社区内所有节点与节点i相连的边的权重之和,ci代表节点i所属的社区;∑tot代表所有与社区c内节点相连的边的权重之和;
模块34、将该模块32中属于同一社区的节点合并为一个超点,作为该交易图中一个新的节点,此时两个超点之间边的权重是两个超点内所有原始节点之间连边的权重之和;
模块35、重复该模块32到该模块34直到节点的社区划分不再变化,输出当前社区划分C1,C2,…,Ck,其中Ci是第i个交易子图,1≤i≤k。
所述的基于频繁交易模式的异常账户检测系统,其中该模块2中确定频繁模式的过程包括:
模块21、在该时间图中不考虑边的交易时间,匹配出交易模式的所有静态实例;
模块22、对于每一个静态实例,将其中所有边按照时间顺序排成序列;
模块23、在预设时间窗口内统计该序列中交易模式出现的次数,并将出现次数最多的K个模式作为该频繁模式。
所述的基于频繁交易模式的异常账户检测系统,其中该交易模式包括:汇聚模式、分散模式和链式模式。
所述的基于频繁交易模式的异常账户检测系统,其中模块3中聚类处理包括:幂迭代聚类或k-均值聚类或Louvain社区检测。
本申请总的技术效果包括:
给定一段时间的交易记录和感兴趣的交易模式,给出与给定交易模式相关的账户簇。
附图说明
图1为本发明的步骤框图;
图2为四种3-账户2-交易模式示意图(数字表示时序关系);
图3为3-账户3-交易的汇聚和分散模式示意图(数字表示时序关系);
图4为3-账户3-交易的链式模式示意图(数字表示时序关系);
图5为本发明实施例的时间图;
图6为链式模式C23的所有实例图;
图7为基于交易模式C23的高阶相似度矩阵图。
具体实施方式
本发明关键点包括:1、交易模式挖掘,针对特定的交易模式,在时间图中挖掘其是否频繁出现,并且得到时间图中每条边在模式中的出现次数,进而得到账户之间的高阶相似度矩阵;2、基于交易模式的高阶聚类,考虑频繁交易模式的信息,有相似行为或者紧密联系的账户被分到一个簇中。
为让本发明的上述特征和效果能阐述的更明确易懂,下文特举实施例,并配合说明书附图作详细说明如下。
该发明主要分为4个步骤:交易模式定义,交易模式挖掘、基于频繁模式的高阶聚类和异常账户发现。
交易模式定义指的是预先定义出可能出现的交易模式,用时间图中的子图来表示。基于3个不同账户之间的交易关系,可以确定3种基本的交易模式:汇聚模式、分散模式和链式模式。同时,要求一个模式中的所有交易记录发生在特定时间窗口内。根据模式中的账户数量和交易数量,又可以进一步分为3-账户2-交易模式(图2)和3-账户3-交易模式(图3和图4),其中,每个模式中的交易都发生在特定时间窗口内,数字表示交易发生的时间次序。
交易模式挖掘指的是在给定的时间图中,挖掘各个交易模式出现的次数,将出现次数最多的K个模式视为频繁交易模式。具体可以分为3步:
a)不考虑边的时间信息,匹配出交易模式的所有静态实例,静态实例指的是不考虑边上的时间信息;
b)对于每一个静态实例,将其中所有边按照时间顺序排成一个序列;
c)在一定时间窗口内计算该交易模式出现的次数;
该方法的最耗时的部分在于第c)步,基于动态规划策略,有如下方法:
输入:按照时间顺序排好序的边序列
(e1=(u1,v1),t1),…,(eL=(uL,vL),tL),其中ei表示时间图中的一条边,ui和vi是边ei的两个节点,ti表示ei对应的时间戳,1≤i≤L,L表示边的个数
时间窗口δ
输出:h-edge交易模式出现的次数counts
过程:
基于频繁模式的高阶聚类包含两个步骤,一是建立基于频繁模式出现次数的高阶相似度矩阵,二是基于高阶相似度矩阵做节点聚类。
建立基于频繁交易模式的高阶相似度矩阵,将两个账户在频繁模式中出现的次数作为两个账户之间的高阶相似度。例如,考虑如图5所示的时间图,以图4中的链式模式C23为例,那么C23的所有实例如图6所示,定义时间窗口δ=10,那么11,14,23不符合时间约束条件,只有3个匹配到的实例。a与b,a与c共同在频繁模式中出现两次,所以它们之间的高阶相似度为2;b与c同时出现在3个实例中,所以它们之间的高阶相似度为3,c与d共同出现在1个实例中,所以相似度为1,其他位置均为0,得到的高阶相似度矩阵如图7所示。
基于高阶相似度矩阵进行交易图上的节点聚类,可以考虑单一交易模式,也可以考虑多个交易模式。多个交易模式的高阶相似度矩阵可以通过单一交易模式的高阶相似度矩阵求和得到。基于高阶相似度矩阵,对交易图中的节点进行聚类,常用的聚类方法有k-均值聚类方法(方法2),幂迭代聚类PIC方法(方法3)。本发明考虑到交易图的特点及应用环境,采用了一种基于社区的聚类方法作为优选方法4,其可不用预设期望聚类数k,进而达到减少人为干预的技术效果。选用其中一种方法即可,具体方法如下:
异常账户发现是根据高阶聚类结果,判断属于同一簇的账户群组是否可能存在异常。本发明中的异常与频繁交易模式相关,如果一组账户在短时间内频繁发生多次相同模式的交易,那么这组账户存在异常行为。异常账户发现的目标是判断这些账户是否符合上述异常判断标准,因此可以建模为一个分类问题。分类模型基于图卷积神经网络,输入是高阶聚类后属于同一簇的节点构成的交易子图,输出是异常或者不是异常。模型训练使用的有标记样本是人为构造的。构造包含大量如图3和图4所示的频繁交易模式的交易子图作为异常样本,随机生成交易子图作为非异常样本,用这些样本训练一个子图分类模型,对高阶聚类后产生的所有簇做分类,被判定为异常的账户簇即为发现的异常账户群组。
以下为与上述方法实施例对应的系统实施例,本实施方式可与上述实施方式互相配合实施。上述实施方式中提到的相关技术细节在本实施方式中依然有效,为了减少重复,这里不再赘述。相应地,本实施方式中提到的相关技术细节也可应用在上述实施方式中。
本发明还提出了一种基于频繁交易模式的异常账户检测系统,其中包括:
模块1、获取区块链中数字货币交易的时间图,其中该时间图中节点为交易账户,该时间图中节点间的边代表交易账户间的货币交易方向和交易时间,并通过剔除该时间图中每条边的交易时间,得到数字货币交易的交易图;
模块2、通过挖掘该时间图中各交易模式出现的次数,以确定该时间图的频繁模式,统计两两节点在频繁模式中出现的次数作为两个账户之间的高阶相似度,集合所有该高阶相似度得到高阶相似度矩阵;
模块3、基于该高阶相似度矩阵对该交易图中的节点进行聚类处理,得到由属于同一簇的节点构成的交易子图,并通过图卷积神经网络对该交易子图进行分类,并将分类结果作为异常账户检测结果。
所述的基于频繁交易模式的异常账户检测系统,其中模块3中聚类处理包括:
模块31、将每个原始节点作为一个独立的社区,社区内的连边权重为0;
模块32、扫描该交易图中所有节点,遍历每个节点的邻居节点,通过下式统计把该节点并入其邻居节点所在社区后的模块度Q的增加量,将节点并入ΔQ最大的邻居节点所在社区;
模块33、重复该模块32,直至每一个节点的社区归属不再变化。
其中
式中m代表交易图中所有边的权重之和,Ai,j代表节点i和节点j之间边的权重,ki代表所有与节点i相连的边的权重之和,ki,in代表社区内所有节点与节点i相连的边的权重之和,ci代表节点i所属的社区;∑tot代表所有与社区c内节点相连的边的权重之和;
模块34、将该模块32中属于同一社区的节点合并为一个超点,作为该交易图中一个新的节点,此时两个超点之间边的权重是两个超点内所有原始节点之间连边的权重之和;
模块35、重复该模块32到该模块34直到节点的社区划分不再变化,输出当前社区划分C1,C2,…,Ck,其中Ci是第i个交易子图,1≤i≤k。
所述的基于频繁交易模式的异常账户检测系统,其中该模块2中确定频繁模式的过程包括:
模块21、在该时间图中不考虑边的交易时间,匹配出交易模式的所有静态实例;
模块22、对于每一个静态实例,将其中所有边按照时间顺序排成序列;
模块23、在预设时间窗口内统计该序列中交易模式出现的次数,并将出现次数最多的K个模式作为该频繁模式。
所述的基于频繁交易模式的异常账户检测系统,其中该交易模式包括:汇聚模式、分散模式和链式模式。
所述的基于频繁交易模式的异常账户检测系统,其中模块3中该聚类处理包括:幂迭代聚类或k-均值聚类或Louvain社区检测。
Claims (6)
1.一种基于频繁交易模式的异常账户检测方法,其特征在于,包括:
步骤1、获取区块链中数字货币交易的时间图,其中该时间图中节点为交易账户,该时间图中节点间的边代表交易账户间的货币交易方向和交易时间,并通过剔除该时间图中每条边的交易时间,得到数字货币交易的交易图;
步骤2、通过挖掘该时间图中各交易模式出现的次数,以确定该时间图的频繁模式,统计两两节点在频繁模式中出现的次数作为两个账户之间的高阶相似度,集合所有该高阶相似度得到高阶相似度矩阵;
步骤3、基于该高阶相似度矩阵对该交易图中的节点进行聚类处理,得到由属于同一簇的节点构成的交易子图,并通过图卷积神经网络对该交易子图进行分类,并将分类结果作为异常账户检测结果;
步骤3中该聚类处理包括:
步骤31、将每个原始节点作为一个独立的社区,社区内的连边权重为0;
步骤32、扫描该交易图中所有节点,遍历每个节点的邻居节点,通过下式统计把该节点并入其邻居节点所在社区后的模块度Q的增加量,将节点并入ΔQ最大的邻居节点所在社区;
步骤33、重复该步骤32,直至每一个节点的社区归属不再变化;
其中,
式中m代表交易图中所有边的权重之和,Ai,j代表节点i和节点j之间边的权重,ki代表所有与节点i相连的边的权重之和,ki,in代表社区内所有节点与节点i相连的边的权重之和,ci代表节点i所属的社区;∑tot代表所有与社区c内节点相连的边的权重之和;
步骤34、将该步骤32中属于同一社区的节点合并为一个超点,作为该交易图中一个新的节点,此时两个超点之间边的权重是两个超点内所有原始节点之间连边的权重之和;
步骤35、重复该步骤32到该步骤34直到节点的社区划分不再变化,输出当前社区划分C1,C2,…,Ck,其中Ci是第i个交易子图,1≤i≤k;
该步骤2中确定频繁模式的过程包括:
步骤21、在该时间图中不考虑边的交易时间,匹配出交易模式的所有静态实例;
步骤22、对于每一个静态实例,将其中所有边按照时间顺序排成序列;
步骤23、在预设时间窗口内统计该序列中交易模式出现的次数,并将出现次数最多的K个模式作为该频繁模式。
2.如权利要求1所述的基于频繁交易模式的异常账户检测方法,其特征在于,该交易模式包括:汇聚模式、分散模式和链式模式。
3.如权利要求1所述的基于频繁交易模式的异常账户检测方法,其特征在于,步骤3中该聚类处理包括:幂迭代聚类方法或k-均值聚类方法或Louvain社区检测方法。
4.一种基于频繁交易模式的异常账户检测系统,其特征在于,包括:
模块1、获取区块链中数字货币交易的时间图,其中该时间图中节点为交易账户,该时间图中节点间的边代表交易账户间的货币交易方向和交易时间,并通过剔除该时间图中每条边的交易时间,得到数字货币交易的交易图;
模块2、通过挖掘该时间图中各交易模式出现的次数,以确定该时间图的频繁模式,统计两两节点在频繁模式中出现的次数作为两个账户之间的高阶相似度,集合所有该高阶相似度得到高阶相似度矩阵;
模块3、基于该高阶相似度矩阵对该交易图中的节点进行聚类处理,得到由属于同一簇的节点构成的交易子图,并通过图卷积神经网络对该交易子图进行分类,并将分类结果作为异常账户检测结果;
模块3中该聚类处理包括:
模块31、将每个原始节点作为一个独立的社区,社区内的连边权重为0;
模块32、扫描该交易图中所有节点,遍历每个节点的邻居节点,通过下式统计把该节点并入其邻居节点所在社区后的模块度Q的增加量,将节点并入ΔQ最大的邻居节点所在社区;
模块33、重复该模块32,直至每一个节点的社区归属不再变化;
其中,
式中m代表交易图中所有边的权重之和,Ai,j代表节点i和节点j之间边的权重,ki代表所有与节点i相连的边的权重之和,ki,in代表社区内所有节点与节点i相连的边的权重之和,ci代表节点i所属的社区;∑tot代表所有与社区c内节点相连的边的权重之和;
模块34、将该模块32中属于同一社区的节点合并为一个超点,作为该交易图中一个新的节点,此时两个超点之间边的权重是两个超点内所有原始节点之间连边的权重之和;
模块35、重复该模块32到该模块34直到节点的社区划分不再变化,输出当前社区划分C1,C2,…,Ck,其中Ci是第i个交易子图,1≤i≤k;
该模块2中确定频繁模式的过程包括:
模块21、在该时间图中不考虑边的交易时间,匹配出交易模式的所有静态实例;
模块22、对于每一个静态实例,将其中所有边按照时间顺序排成序列;
模块23、在预设时间窗口内统计该序列中交易模式出现的次数,并将出现次数最多的K个模式作为该频繁模式。
5.如权利要求4所述的基于频繁交易模式的异常账户检测系统,其特征在于,该交易模式包括:汇聚模式、分散模式和链式模式。
6.如权利要求4所述的基于频繁交易模式的异常账户检测系统,其特征在于,模块3中该聚类处理包括:幂迭代聚类或k-均值聚类或Louvain社区检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910846523.0A CN110717828B (zh) | 2019-09-09 | 2019-09-09 | 一种基于频繁交易模式的异常账户检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910846523.0A CN110717828B (zh) | 2019-09-09 | 2019-09-09 | 一种基于频繁交易模式的异常账户检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110717828A CN110717828A (zh) | 2020-01-21 |
CN110717828B true CN110717828B (zh) | 2022-09-30 |
Family
ID=69209816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910846523.0A Active CN110717828B (zh) | 2019-09-09 | 2019-09-09 | 一种基于频繁交易模式的异常账户检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110717828B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111311416B (zh) * | 2020-02-28 | 2024-01-23 | 杭州云象网络技术有限公司 | 一种基于多通道图和图神经网络的区块链洗钱节点检测方法 |
CN111415168B (zh) * | 2020-03-06 | 2023-08-22 | 中国建设银行股份有限公司 | 一种交易告警的方法和装置 |
CN111626842A (zh) * | 2020-04-22 | 2020-09-04 | 北京芯盾时代科技有限公司 | 一种消费行为数据的分析方法和装置 |
CN111740977B (zh) * | 2020-06-16 | 2022-06-21 | 北京奇艺世纪科技有限公司 | 投票检测方法及装置、电子设备、计算机可读存储介质 |
CN112527784A (zh) * | 2020-12-08 | 2021-03-19 | 天津大学 | 基于复杂网络的异常模式挖掘和增量式异常检测方法 |
CN112884478B (zh) * | 2021-01-26 | 2023-05-23 | 支付宝(中国)网络技术有限公司 | 一种数据处理方法、装置及设备 |
CN113521750B (zh) * | 2021-07-15 | 2023-10-24 | 珠海金山数字网络科技有限公司 | 异常账号检测模型训练方法和异常账号检测方法 |
CN113837879B (zh) * | 2021-09-14 | 2023-12-19 | 上证所信息网络有限公司 | 一种指数行情的异常检测方法 |
CN114240659A (zh) * | 2021-12-17 | 2022-03-25 | 电子科技大学 | 一种基于动态图卷积神经网络的区块链异常节点识别方法 |
CN114841685B (zh) * | 2022-04-12 | 2024-01-05 | 兰州大学 | 一种比特币交易的溯源方法及装置 |
CN114819972A (zh) * | 2022-04-25 | 2022-07-29 | 中国建设银行股份有限公司 | 一种异常交易确定方法、装置、设备及介质 |
CN115018280A (zh) * | 2022-05-24 | 2022-09-06 | 支付宝(杭州)信息技术有限公司 | 风险图模式的挖掘方法、风险识别方法及对应装置 |
CN116738201B (zh) * | 2023-02-17 | 2024-01-16 | 云南大学 | 基于图对比学习的非法账户识别方法 |
CN117172796A (zh) * | 2023-08-07 | 2023-12-05 | 北京智慧大王科技有限公司 | 一种大数据电子商务管理系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101465729A (zh) * | 2007-12-21 | 2009-06-24 | 北京中电华大电子设计有限责任公司 | 一种实现无线局域网多种加密算法共存的方法 |
CN103109496A (zh) * | 2010-09-10 | 2013-05-15 | Lg电子株式会社 | 无线局域网络系统中针对利用服务质量机制的管理帧的密码通信的方法及设备 |
CN107563761A (zh) * | 2017-08-26 | 2018-01-09 | 复旦大学 | 基于区块链的游戏账户管理方法 |
CN108537668A (zh) * | 2018-04-11 | 2018-09-14 | 北京奇虎科技有限公司 | 基于智能合约的数字货币交易方法及装置、计算设备 |
CN108564469A (zh) * | 2018-04-11 | 2018-09-21 | 北京奇虎科技有限公司 | 区块链节点的画像数据获取方法、装置及计算设备 |
CN108615144A (zh) * | 2018-04-11 | 2018-10-02 | 北京奇虎科技有限公司 | 区块链节点的身份信息处理方法、装置及计算设备 |
CN108681936A (zh) * | 2018-04-26 | 2018-10-19 | 浙江邦盛科技有限公司 | 一种基于模块度和平衡标签传播的欺诈团伙识别方法 |
CN108694755A (zh) * | 2017-03-29 | 2018-10-23 | 株式会社东芝 | 模型构建系统以及模型构建方法 |
CN109886683A (zh) * | 2019-02-25 | 2019-06-14 | 北京神荼科技有限公司 | 监控区块链数据的方法、装置以及存储介质 |
CN110163618A (zh) * | 2019-05-31 | 2019-08-23 | 深圳前海微众银行股份有限公司 | 异常交易的检测方法、装置、设备及计算机可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108563715B (zh) * | 2018-03-29 | 2020-12-04 | 中国科学院计算技术研究所 | 一种分布式的趋同行为挖掘方法与系统 |
-
2019
- 2019-09-09 CN CN201910846523.0A patent/CN110717828B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101465729A (zh) * | 2007-12-21 | 2009-06-24 | 北京中电华大电子设计有限责任公司 | 一种实现无线局域网多种加密算法共存的方法 |
CN103109496A (zh) * | 2010-09-10 | 2013-05-15 | Lg电子株式会社 | 无线局域网络系统中针对利用服务质量机制的管理帧的密码通信的方法及设备 |
CN108694755A (zh) * | 2017-03-29 | 2018-10-23 | 株式会社东芝 | 模型构建系统以及模型构建方法 |
CN107563761A (zh) * | 2017-08-26 | 2018-01-09 | 复旦大学 | 基于区块链的游戏账户管理方法 |
CN108537668A (zh) * | 2018-04-11 | 2018-09-14 | 北京奇虎科技有限公司 | 基于智能合约的数字货币交易方法及装置、计算设备 |
CN108564469A (zh) * | 2018-04-11 | 2018-09-21 | 北京奇虎科技有限公司 | 区块链节点的画像数据获取方法、装置及计算设备 |
CN108615144A (zh) * | 2018-04-11 | 2018-10-02 | 北京奇虎科技有限公司 | 区块链节点的身份信息处理方法、装置及计算设备 |
CN108681936A (zh) * | 2018-04-26 | 2018-10-19 | 浙江邦盛科技有限公司 | 一种基于模块度和平衡标签传播的欺诈团伙识别方法 |
CN109886683A (zh) * | 2019-02-25 | 2019-06-14 | 北京神荼科技有限公司 | 监控区块链数据的方法、装置以及存储介质 |
CN110163618A (zh) * | 2019-05-31 | 2019-08-23 | 深圳前海微众银行股份有限公司 | 异常交易的检测方法、装置、设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110717828A (zh) | 2020-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110717828B (zh) | 一种基于频繁交易模式的异常账户检测方法及系统 | |
Ahmad et al. | Review of various modeling techniques for the detection of electricity theft in smart grid environment | |
Ogwueleka | Data mining application in credit card fraud detection system | |
Yue et al. | A review of data mining-based financial fraud detection research | |
CN107145587A (zh) | 一种基于大数据挖掘的医保反欺诈系统 | |
CN101714273A (zh) | 一种基于规则引擎的银行异常业务监控方法和系统 | |
CN111476660B (zh) | 一种基于数据分析的智能风控系统及方法 | |
Schreyer et al. | Detection of accounting anomalies in the latent space using adversarial autoencoder neural networks | |
KR20180060044A (ko) | 클라우드 환경에서 개인정보 보호를 지원하는 p2p 중개 보안 시스템 | |
CN110111202A (zh) | 一种贷后风险监控的方法和系统 | |
CN106528850B (zh) | 基于机器学习聚类算法的门禁数据异常检测方法 | |
Vanini et al. | Online payment fraud: from anomaly detection to risk management | |
CN111612606A (zh) | 一种商户欺诈风险监控系统及数据挖掘方法 | |
CN111986027A (zh) | 基于人工智能的异常交易处理方法、装置 | |
CN109829721A (zh) | 基于异质网络表征学习的线上交易多主体行为建模方法 | |
CN110689437A (zh) | 一种基于随机森林的通信施工项目财务风险预测方法 | |
Yang et al. | DBSCAN clustering algorithm applied to identify suspicious financial transactions | |
Cheong et al. | Interpretable stock anomaly detection based on spatio-temporal relation networks with genetic algorithm | |
Akyildirim et al. | Applications of signature methods to market anomaly detection | |
CN108776857A (zh) | Nps短信调研方法、系统、计算机设备和存储介质 | |
Zhang | Financial data anomaly detection method based on decision tree and random forest algorithm | |
CN113434575B (zh) | 基于数据仓库的数据归因处理方法、装置及存储介质 | |
CN112465397A (zh) | 一种审计数据的分析方法和装置 | |
CN117094764A (zh) | 银行积分处理方法及装置 | |
CN117408806A (zh) | 一种识别加密货币市场中操纵价格行为的方法 |
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 |