CN111383096A - 欺诈检测及其模型训练方法、装置、电子设备及存储介质 - Google Patents

欺诈检测及其模型训练方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111383096A
CN111383096A CN202010208132.9A CN202010208132A CN111383096A CN 111383096 A CN111383096 A CN 111383096A CN 202010208132 A CN202010208132 A CN 202010208132A CN 111383096 A CN111383096 A CN 111383096A
Authority
CN
China
Prior art keywords
model
fraud detection
data
gradient
data terminal
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
Application number
CN202010208132.9A
Other languages
English (en)
Inventor
李靖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Construction Bank Corp
Original Assignee
China Construction Bank Corp
CCB Finetech Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Construction Bank Corp, CCB Finetech Co Ltd filed Critical China Construction Bank Corp
Priority to CN202010208132.9A priority Critical patent/CN111383096A/zh
Publication of CN111383096A publication Critical patent/CN111383096A/zh
Pending legal-status Critical Current

Links

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
    • G06Q40/03—Credit; Loans; Processing thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Technology Law (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Alarm Systems (AREA)

Abstract

本发明实施例公开了一种欺诈检测及其模型训练方法、装置、电子设备及存储介质，该模型训练方法包括：基于预先建立的通信连接，将模型架构和模型参数发送给至少一个数据终端；接收各数据终端反馈的局部梯度，局部梯度由各数据终端基于本地数据和模型架构对模型参数进行迭代训练得到的；根据各局部梯度确定全局梯度，并根据全局梯度更新模型参数；将更新后的模型参数发送给至少一个数据终端，以再次确定全局梯度来更新模型参数，直至欺诈检测模型收敛为止，得到训练完毕的欺诈检测模型。数据终端无需将数据进行外传，只通过将本地训练得到的梯度信息发送至模型训练设备，就可实现在数据安全的情况下，训练出检测效果佳的欺诈检测模型。

Description

欺诈检测及其模型训练方法、装置、电子设备及存储介质
技术领域
本发明实施例涉及机器学习技术，尤其涉及一种欺诈检测及其模型训练方法、装置、电子设备及存储介质。
背景技术
目前，欺诈检测模型已广泛应用于金融领域，例如应用于恶意交易链接识别、信用卡防盗刷和借贷反欺诈等场景中。现阶段，在金融领域的欺诈检测模型的训练过程中，通常需采集大量用户的金融数据作为训练样本，在一定范围内样本数据量越大、涵盖类型越丰富，其训练得到的欺诈检测模型的检测效果越佳。该种模型训练方法的不足之处至少包括：需要以牺牲用户数据的私密性为代价进行模型训练。随着用户对数据私密性的关注，金融机构数据保密性会越来越高，因此亟须一种训练方法解决上述问题。
发明内容
有鉴于此，本发明实施例提供了一种欺诈检测及其模型训练方法、装置、电子设备及存储介质，实现了在保证数据安全的情况下，训练出检测效果佳的欺诈检测模型。
第一方面，本发明实施例提供了一种欺诈检测模型训练方法，包括：
基于预先建立的通信连接，将模型架构和模型参数发送给至少一个数据终端；
接收各所述数据终端反馈的局部梯度，所述局部梯度由各所述数据终端基于本地数据和所述模型架构对所述模型参数进行迭代训练得到的；
根据各所述数据终端反馈的局部梯度确定全局梯度，并根据所述全局梯度更新所述模型参数；
将更新后的模型参数发送给至少一个数据终端，以再次确定全局梯度来更新模型参数，直至所述欺诈检测模型收敛为止，得到训练完毕的欺诈检测模型。
第二方面，本发明实施例还提供了一种欺诈检测方法，包括：
获取被检测方数据；
将所述被检测方数据输入基于本发明任意实施例提供的欺诈检测模型训练方法训练得到的欺诈检测模型，通过所述欺诈检测模型检测所述被检测方数据是否为欺诈数据。
第三方面，本发明实施例还提供了一种欺诈检测模型训练装置，包括：
模型发送模块，用于基于预先建立的通信连接，将模型架构和模型参数发送给至少一个数据终端；
局部梯度接收模块，用于接收各所述数据终端反馈的局部梯度，所述局部梯度由各所述数据终端基于本地数据和所述模型架构对所述模型参数进行迭代训练得到的；
模型参数更新模块，用于根据各所述数据终端反馈的局部梯度确定全局梯度，并根据所述全局梯度更新所述模型参数；
所述模型发送模块，还用于将更新后的模型参数发送给至少一个数据终端，以再次确定全局梯度来更新模型参数，直至所述欺诈检测模型收敛为止，得到训练完毕的欺诈检测模型。
第四方面，本发明实施例还提供了一种欺诈检测装置，包括：
数据获取模块，用于获取被检测方数据；
检测模块，用于将所述被检测方数据输入基于本发明任意实施例提供的欺诈检测模型训练方法训练得到的欺诈检测模型，通过所述欺诈检测模型检测所述被检测方数据是否为欺诈数据。
第五方面，本发明实施例还提供了一种电子设备，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如本申请任意实施例提供的欺诈检测模型训练方法或欺诈检测方法。
第六方面，本发明实施例还提供了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，该程序被处理器执行时实现如本申请任意实施例提供的欺诈检测模型训练方法或欺诈检测方法。
本发明实施例提供的一种欺诈检测及其模型训练方法、装置、电子设备及存储介质，该模型训练方法包括：欺诈检测模型训练装置(可简称为训练装置)基于预先建立的通信连接，将模型架构和模型参数发送给至少一个数据终端；接收各数据终端反馈的局部梯度，局部梯度由各数据终端基于本地数据和模型架构对模型参数进行迭代训练得到的；根据各数据终端反馈的局部梯度确定全局梯度，并根据全局梯度更新模型参数；将更新后的模型参数发送给至少一个数据终端，以再次确定全局梯度来更新模型参数，直至欺诈检测模型收敛为止，得到训练完毕的欺诈检测模型。数据终端无需将数据进行外传，只通过将本地训练得到的梯度信息发送至训练设备，就可实现在保证数据安全的情况下，训练出检测效果佳的欺诈检测模型。
附图说明
图1是本发明实施例一提供的一种欺诈检测模型训练方法的流程示意图；
图2是本发明实施例二提供的一种欺诈检测方法的流程示意图；
图3是本发明实施例三提供的一种欺诈检测模型训练装置的结构示意图；
图4是本发明实施例四提供的一种欺诈检测装置的结构示意图；
图5是本发明实施例五提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，以下将参照本发明实施例中的附图，通过实施方式清楚、完整地描述本发明的技术方案，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。下述各实施例中，每个实施例中同时提供了可选特征和示例，实施例中记载的各个特征可进行组合，形成多个可选方案，不应将每个编号的实施例仅视为一个技术方案。
实施例一
图1为本发明实施例一提供的一种欺诈检测模型训练方法的流程示意图，本实施例可适用于训练欺诈检测模型的情况。该方法可以由本发明实施例提供的欺诈检测模型训练装置来执行，该训练装置采用软件和/或硬件的方式实现，优选是配置于电子设备中，例如欺诈检测平台的服务器或云服务器中。
参见图1，欺诈检测模型训练方法，具体包括如下步骤：
S110、基于预先建立的通信连接，将模型架构和模型参数发送给至少一个数据终端。
本发明实施例中，训练装置可预先与至少一个数据终端建立通信连接，例如建立有线通信连接或者无线通信连接。其中，数据终端可以采用软件和硬件的方式实现，例如将训练模型所需的软件部署到可以支持该软件运行的硬件中所构成的。此外，数据终端中还具备存储空间，以用于存储进行欺诈检测模型训练的本地数据，且该些数据出于安全和保密性考虑，需避免外传。
具体的，训练装置将模型架构和模型参数发送至一个或多个数据终端，可以是训练装置主动或依据数据终端请求被动将模型架构和模型参数发送至一个或多个数据终端的，以使数据终端根据本地数据中进行欺诈检测模型的训练。
S120、接收各数据终端反馈的局部梯度，局部梯度由各数据终端基于本地数据和模型架构对模型参数进行迭代训练得到的。
本发明实施例中，接收到模型架构和模型参数的一个或多个数据终端，可分别基于本地数据和模型架构对模型参数进行梯度迭代，且可根据本地训练完毕的欺诈检测模型确定最终的模型参数的梯度迭代信息，并将该梯度迭代信息作为局部梯度回传至训练装置。可以认为训练装置可以接收到一个或多个数据终端回传的局部梯度，该些局部梯度可用于对原模型参数进行更新调整。
S130、根据各数据终端反馈的局部梯度确定全局梯度，并根据全局梯度更新模型参数。
本发明实施例中，训练装置根据各数据终端反馈的局部梯度确定全局梯度，可以是将至少一个局部梯度的中间值或均值作为全局梯度；也可以是预先为至少一个数据终端设置权重系数，通过求取至少一个局部梯度与对应的权重系数乘积之和，来得到全局梯度。训练装置在确定全局梯度后，可根据全局梯度来更新模型参数，并可将更新后的模型参数替换原模型参数进行存储。
S140、将更新后的模型参数发送给至少一个数据终端，以再次确定全局梯度来更新模型参数，直至欺诈检测模型收敛为止，得到训练完毕的欺诈检测模型。
本发明实施例中，欺诈检测模型的训练过程为循序渐进的过程，当训练装置根据至少一个数据终端第n轮的训练过程反馈的局部梯度确定全局梯度，并根据全局梯度更新第n-1轮的模型参数，得到第n轮的模型参数之后，还可将第n轮的模型参数再次发送给至少一个数据终端，以使各数据终端基于本地数据进行第n+1轮的模型训练，并反馈第n+1轮的局部梯度。训练装置可持续该循环训练过程直至欺诈检测模型收敛为止，得到训练完毕的欺诈检测模型。
可选的，将模型架构和模型参数发送给至少一个数据终端，包括：响应于各数据终端的模型训练请求，从预设存储空间中读取与模型训练请求相匹配的模型架构和模型参数，将相匹配的模型架构和模型参数发送至相应的数据终端；
相应的，根据各数据终端反馈的局部梯度确定全局梯度，并根据全局梯度更新模型参数，包括：根据模型架构一致的各终端反馈的局部梯度确定全局梯度，并根据全局梯度更新对应的模型参数。
本发明实施例中，训练装置通过预设存储空间来存储模型架构和模型参数，该预设存储空间例如可以是持久存储介质。此外，训练装置可以存储有至少一种类型的欺诈检测模型的模型架构和模型参数，且欺诈检测模型的类型可以与模型具体应用的业务领域相关，例如可以是防骗保检测模型、防盗刷检测模型或防贷款欺诈检测模型等。
具体的，训练装置可以通过与至少一个数据终端建立的通信连接，接收至少一个数据终端发送的欺诈检测模型的模型训练请求，该请求种可以携带模型类型。且当训练装置将各数据终端所请求的欺诈检测模型训练完毕时，可将训练完毕的检测模型提供至数据终端，以使数据中孤单可根据该欺诈检测模型进行欺诈检测，以实现互助双赢。
其中，训练装置在接收到各数据终端发送的模型训练请求时，可从预设存储空间查找请求携带的模型类型相对应的模型架构和模型参数，并将其发送至相应的数据终端。相应的，不同数据终端反馈的局部梯度可能为针对不同类型的欺诈检测模型训练得到的，因此根据模型架构一致的各终端反馈的局部梯度确定全局梯度，并根据全局梯度更新对应的模型参数可以理解为，训练装置可将接收到的各局部梯度按照模型类型进行分组，并将属于同一类型的欺诈检测模型的局部梯度进行汇总确定全局梯度，且可根据全局梯度更新该类型的模型参数，从而有利于实现同步训练多种类型的欺诈检测模型，提高了模型训练效率。
可选的，接收各数据终端反馈的局部梯度，包括：接收预设时限内各数据终端反馈的局部梯度。
本发明实施例中，训练装置可预先设置模型参数更新的时限，并可以接收预设时限内各数据终端反馈的局部梯度，以根据预设时限内的接收的局部梯度数据来更新全局梯度，从而避免了由于局部梯度的长时间等待导致的模型参数更新时间过长或无法更新的问题。
可选的，欺诈检测模型包括张量子模型和/或卷积神经网络子模型。
本发明实施例中，欺诈检测模型可以包括用于检测异常密集行为的张量子模型，和/或包括用于检测欺诈链接(如欺诈URL)的卷积神经网络模型。其中，张量模型可基于密集块监督的异常发现原理，对异常密集行为进行检测，例如可以对信用卡盗刷行为的异常密集行为进行检测，或者对异常的网络链接进行检测。其中，卷积神经网络子模型可对欺诈链接中依据字符和/或词语进行数据划分，并将划分结果转化向量，根据该向量可直接使用CNN神经网络进行建模，以实现对URL这个字符串特征对其黑白灰属性进行研判。
可选的，数据终端为金融机构终端。本实施例中，数据终端为金融机构终端，则数据终端的本地数据为金融领域的相关数据。根据该数据对欺诈检测模型进行训练，则可对金融领域的欺诈行为进行检测。该种模型训练方法可适应金融领域数据具有私密性的情况，在无需获取金融机构的本地数据基础上，还可训练得到检测效果佳的欺诈检测模型。
本发明实施例提供的一种欺诈检测模型训练方法，训练装置基于预先建立的通信连接，将模型架构和模型参数发送给至少一个数据终端；接收各数据终端反馈的局部梯度，局部梯度由各数据终端基于本地数据和模型架构对模型参数进行迭代训练得到的；根据各数据终端反馈的局部梯度确定全局梯度，并根据全局梯度更新模型参数；将更新后的模型参数发送给至少一个数据终端，以再次确定全局梯度来更新模型参数，直至欺诈检测模型收敛为止，得到训练完毕的欺诈检测模型。数据终端无需将数据进行外传，只通过将本地训练得到的梯度信息发送至训练设备，就可实现在保证数据安全的情况下，训练出检测效果佳的欺诈检测模型。
实施例二
图2是本发明实施例二提供的一种欺诈检测方法的流程示意图，本实施例可适用于欺诈检测的情况。该方法可以由本发明实施例提供的欺诈检测装置来执行，该训练装置采用软件和/或硬件的方式实现，优选是配置于电子设备中，例如欺诈检测平台的服务器中。本发明实施例与上述实施例具备相同的发明构思，未在本实施例阐述的技术细节可详见上述实施例。
参见图2，欺诈检测方法，具体包括如下步骤：
S210、获取被检测方数据。
本发明实施例中，被检测方数据可以是被检测方的自身产生的数据，例如是被检测方的行为数据，也可以使被检测方接收的数据，例如是被检测方接收的链接或请求等数据。针对被检测方自身产生的数据进行检测，可识别被检测方是否为欺诈方，针对被检测方接收的数据进行检测，可以防止被检测方被其他第三方欺诈。具体的，检测装置获取被检测方数据，可以是被检测方在产生数据时，检测装置主动获取该产生的数据；也可以是被检测方在接收到数据时，将接收的数据转发至检测装置，以使检测装置对该接收数据进行检测。
S220、将被检测方数据输入基于本发明任意实施例提供的欺诈检测模型训练方法训练得到的欺诈检测模型，通过欺诈检测模型检测被检测方数据是否为欺诈数据。
本发明实施例中，检测装置将被检测方数据输入欺诈检测模型，以使欺诈检测模型输入该被检方数据是否为欺诈数据，从而实现了被检方数据的欺诈性检测。且本发明实施例中应用的欺诈检测模型为基于本发明任意实施例提供的欺诈检测模型训练方法训练得到的，其训练过程无需获取数据终端的本地数据，只需获取数据终端反馈的通过本地训练得到的梯度信息，即可完成欺诈检测模型训练。既保证了数据终端中数据的安全性和私密性，有使训练得到的欺诈检测模型具备良好的检测效果。
本发明实施例提供的一种欺诈检测方法，检测装置利用本发明任意实施例提供的欺诈检测模型训练方法训练得到的欺诈检测模型，实现了对被检测方数据的欺诈检测。且所使用的欺诈检测模型在训练过程中，数据终端无需将数据进行外传，只通过将本地训练得到的梯度信息发送至训练设备，就可实现在保证数据安全的情况下，训练出检测效果佳的欺诈检测模型。
实施例三
图3是本发明实施例三提供的一种欺诈检测模型训练装置的结构示意图。应用该训练装置可以实现本发明任一实施例所提供的欺诈检测模型训练方法。
参见图3，欺诈检测模型训练装置包括：
模型发送模块310，用于基于预先建立的通信连接，将模型架构和模型参数发送给至少一个数据终端；
局部梯度接收模块320，用于接收各数据终端反馈的局部梯度，局部梯度由各数据终端基于本地数据和模型架构对模型参数进行迭代训练得到的；
模型参数更新模块330，用于根据各数据终端反馈的局部梯度确定全局梯度，并根据全局梯度更新模型参数；
其中，模型发送模块310，还用于将更新后的模型参数发送给至少一个数据终端，以再次确定全局梯度来更新模型参数，直至欺诈检测模型收敛为止，得到训练完毕的欺诈检测模型。
可选的，模型发送模块，具体用于：响应于各数据终端的模型训练请求，从预设存储空间中读取与模型训练请求相匹配的模型架构和模型参数，将相匹配的模型架构和模型参数发送至相应的数据终端；
相应的，模型参数更新模块，具体用于：根据模型架构一致的各终端反馈的局部梯度确定全局梯度，并根据全局梯度更新对应的模型参数。
可选的，局部梯度接收模块，具体用于：接收预设时限内各数据终端反馈的局部梯度。
可选的，欺诈检测模型包括张量子模型和/或卷积神经网络子模型。
可选的，数据终端为金融机构终端。
本发明实施例所提供的欺诈检测模型训练装置可执行本发明任一实施例所提供的欺诈检测模型训练方法，具备执行方法相应的功能模块和有益效果。未详尽描述的技术细节，可参见本发明任一实施例所提供的欺诈检测模型训练方法。
实施例四
图4是本发明实施例四提供的一种欺诈检测装置的结构示意图。应用该检测装置可以实现本发明任一实施例所提供的欺诈检测方法。
参见图4，欺诈检测装置包括：
数据获取模块410，用于获取被检测方数据；
检测模块420，用于将被检测方数据输入基于本发明任意实施例提供的欺诈检测模型训练方法训练得到的欺诈检测模型，通过欺诈检测模型检测被检测方数据是否为欺诈数据。
本发明实施例所提供的欺诈检测装置可执行本发明任一实施例所提供的欺诈检测方法，具备执行方法相应的功能模块和有益效果。未详尽描述的技术细节，可参见本发明任一实施例所提供的欺诈检测方法。
实施例五
图5是本发明实施例五提供的一种电子设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图5显示的电子设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。设备12典型的是承担欺诈检测模型训练或者欺诈检测功能的电子设备。
如图5所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，存储器28，连接不同组件(包括存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture，ISA)总线，微通道体系结构(Micro Channel Architecture，MCA)总线，增强型ISA总线、视频电子标准协会(Video Electronics Standards Association，VESA)局域总线以及外围组件互连(Peripheral Component Interconnect，PCI)总线。
电子设备12典型地包括多种计算机可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机装置可读介质，例如随机存取存储器(Random Access Memory，RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如只读光盘(Compact Disc-Read Only Memory，CD-ROM)、数字视盘(Digital Video Disc-Read Only Memory，DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品40，该程序产品40具有一组程序模块42，这些程序模块被配置以执行本发明各实施例的功能。程序产品40，可以存储在例如存储器28中，这样的程序模块42包括但不限于一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、鼠标、摄像头等和显示器)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network，LAN)，广域网WideArea Network，WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of Independent Disks，RAID)装置、磁带驱动器以及数据备份存储装置等。
处理器16通过运行存储在存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明上述实施例所提供的欺诈检测模型训练方法，该方法包括：
基于预先建立的通信连接，将模型架构和模型参数发送给至少一个数据终端；接收各数据终端反馈的局部梯度，局部梯度由各数据终端基于本地数据和模型架构对模型参数进行迭代训练得到的；根据各数据终端反馈的局部梯度确定全局梯度，并根据全局梯度更新模型参数；将更新后的模型参数发送给至少一个数据终端，以再次确定全局梯度来更新模型参数，直至欺诈检测模型收敛为止，得到训练完毕的欺诈检测模型；
或者，实现本发明上述实施例所提供的欺诈检测方法，该方法包括：
获取被检测方数据；将被检测方数据输入基于本发明任意实施例提供的欺诈检测模型训练方法训练得到的欺诈检测模型，通过欺诈检测模型检测被检测方数据是否为欺诈数据。
当然，本领域技术人员可以理解，处理器还可以实现本发明任一实施例所提供的欺诈检测模型训练方法或者欺诈检测方法的技术方案。
实施例六
本发明实施例六还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所提供的欺诈检测模型训练方法，该方法包括：
基于预先建立的通信连接，将模型架构和模型参数发送给至少一个数据终端；接收各数据终端反馈的局部梯度，局部梯度由各数据终端基于本地数据和模型架构对模型参数进行迭代训练得到的；根据各数据终端反馈的局部梯度确定全局梯度，并根据全局梯度更新模型参数；将更新后的模型参数发送给至少一个数据终端，以再次确定全局梯度来更新模型参数，直至欺诈检测模型收敛为止，得到训练完毕的欺诈检测模型；
或者，实现本发明上述实施例所提供的欺诈检测方法，该方法包括：
获取被检测方数据；将被检测方数据输入基于本发明任意实施例提供的欺诈检测模型训练方法训练得到的欺诈检测模型，通过欺诈检测模型检测被检测方数据是否为欺诈数据。
当然，本发明实施例所提供的一种计算机可读存储介质，其上存储的计算机程序不限于如上的方法操作，还可以执行本发明任一实施例所提供的欺诈检测模型训练方法或者欺诈检测方法。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的装置、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行装置、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种欺诈检测模型训练方法，其特征在于，包括：
基于预先建立的通信连接，将模型架构和模型参数发送给至少一个数据终端；
接收各所述数据终端反馈的局部梯度，所述局部梯度由各所述数据终端基于本地数据和所述模型架构对所述模型参数进行迭代训练得到的；
根据各所述数据终端反馈的局部梯度确定全局梯度，并根据所述全局梯度更新所述模型参数；
将更新后的模型参数发送给至少一个数据终端，以再次确定全局梯度来更新模型参数，直至所述欺诈检测模型收敛为止，得到训练完毕的欺诈检测模型。
2.根据权利要求1所述的方法，其特征在于，所述将模型架构和模型参数发送给至少一个数据终端，包括：
响应于各所述数据终端的模型训练请求，从预设存储空间中读取与所述模型训练请求相匹配的模型架构和模型参数，将所述相匹配的模型架构和模型参数发送至相应的数据终端；
相应的，所述根据各所述数据终端反馈的局部梯度确定全局梯度，并根据所述全局梯度更新所述模型参数，包括：
根据模型架构一致的各所述终端反馈的局部梯度确定全局梯度，并根据所述全局梯度更新对应的模型参数。
3.根据权利要求1所述的方法，其特征在于，所述接收各所述数据终端反馈的局部梯度，包括：接收预设时限内各所述数据终端反馈的局部梯度。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述欺诈检测模型包括张量子模型和/或卷积神经网络子模型。
5.根据权利要求1-3任一项所述的方法，其特征在于，所述数据终端为金融机构终端。
6.一种欺诈检测方法，其特征在于，包括：
获取被检测方数据；
将所述被检测方数据输入基于权利要求1-5任一项欺诈检测模型训练方法训练得到的欺诈检测模型，通过所述欺诈检测模型检测所述被检测方数据是否为欺诈数据。
7.一种欺诈检测模型训练装置，其特征在于，包括：
模型发送模块，用于基于预先建立的通信连接，将模型架构和模型参数发送给至少一个数据终端；
局部梯度接收模块，用于接收各所述数据终端反馈的局部梯度，所述局部梯度由各所述数据终端基于本地数据和所述模型架构对所述模型参数进行迭代训练得到的；
模型参数更新模块，用于根据各所述数据终端反馈的局部梯度确定全局梯度，并根据所述全局梯度更新所述模型参数；
所述模型发送模块，还用于将更新后的模型参数发送给至少一个数据终端，以再次确定全局梯度来更新模型参数，直至所述欺诈检测模型收敛为止，得到训练完毕的欺诈检测模型。
8.一种欺诈检测模块，其特征在于，包括：
数据获取模块，用于获取被检测方数据；
检测模块，用于将所述被检测方数据输入基于权利要求1-5任一项欺诈检测模型训练方法训练得到的欺诈检测模型，通过所述欺诈检测模型检测所述被检测方数据是否为欺诈数据。
9.一种电子设备，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如权利要求1-5中任一所述的欺诈检测模型训练方法，或实现如权利要求6中所述的欺诈检测方法。
10.一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，该程序被处理器执行时实现如权利要求1-5中任一所述的欺诈检测模型训练方法，或实现如权利要求6中所述的欺诈检测方法。
CN202010208132.9A 2020-03-23 2020-03-23 欺诈检测及其模型训练方法、装置、电子设备及存储介质 Pending CN111383096A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010208132.9A CN111383096A (zh) 2020-03-23 2020-03-23 欺诈检测及其模型训练方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010208132.9A CN111383096A (zh) 2020-03-23 2020-03-23 欺诈检测及其模型训练方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN111383096A true CN111383096A (zh) 2020-07-07

Family

ID=71222738

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010208132.9A Pending CN111383096A (zh) 2020-03-23 2020-03-23 欺诈检测及其模型训练方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111383096A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113554401A (zh) * 2021-08-05 2021-10-26 杭州拼便宜网络科技有限公司 库存数据管理方法、装置、设备和存储介质
CN113837766A (zh) * 2021-10-08 2021-12-24 支付宝(杭州)信息技术有限公司 风险识别方法、装置和电子设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109165515A (zh) * 2018-08-10 2019-01-08 深圳前海微众银行股份有限公司 基于联邦学习的模型参数获取方法、系统及可读存储介质
CN109189825A (zh) * 2018-08-10 2019-01-11 深圳前海微众银行股份有限公司 横向数据切分联邦学习建模方法、服务器及介质
CN109409502A (zh) * 2018-09-26 2019-03-01 深圳壹账通智能科技有限公司 反欺诈模型的生成方法、装置、设备及存储介质
CN109598385A (zh) * 2018-12-07 2019-04-09 深圳前海微众银行股份有限公司 反洗钱联合学习方法、装置、设备、系统及存储介质
CN110084603A (zh) * 2018-01-26 2019-08-02 阿里巴巴集团控股有限公司 训练欺诈交易检测模型的方法、检测方法以及对应装置
CN110189134A (zh) * 2019-05-17 2019-08-30 同济大学 基于疑似欺诈交易参照序位的网络支付反欺诈系统架构设计方法
CN110442457A (zh) * 2019-08-12 2019-11-12 北京大学深圳研究生院 基于联邦学习的模型训练方法、装置及服务器

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110084603A (zh) * 2018-01-26 2019-08-02 阿里巴巴集团控股有限公司 训练欺诈交易检测模型的方法、检测方法以及对应装置
CN109165515A (zh) * 2018-08-10 2019-01-08 深圳前海微众银行股份有限公司 基于联邦学习的模型参数获取方法、系统及可读存储介质
CN109189825A (zh) * 2018-08-10 2019-01-11 深圳前海微众银行股份有限公司 横向数据切分联邦学习建模方法、服务器及介质
CN109409502A (zh) * 2018-09-26 2019-03-01 深圳壹账通智能科技有限公司 反欺诈模型的生成方法、装置、设备及存储介质
CN109598385A (zh) * 2018-12-07 2019-04-09 深圳前海微众银行股份有限公司 反洗钱联合学习方法、装置、设备、系统及存储介质
CN110189134A (zh) * 2019-05-17 2019-08-30 同济大学 基于疑似欺诈交易参照序位的网络支付反欺诈系统架构设计方法
CN110442457A (zh) * 2019-08-12 2019-11-12 北京大学深圳研究生院 基于联邦学习的模型训练方法、装置及服务器

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
WENSI YANG ET AL: "FFD: A Federated Learning Based Method for Credit Card Fraud Detection" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113554401A (zh) * 2021-08-05 2021-10-26 杭州拼便宜网络科技有限公司 库存数据管理方法、装置、设备和存储介质
CN113837766A (zh) * 2021-10-08 2021-12-24 支付宝(杭州)信息技术有限公司 风险识别方法、装置和电子设备

Similar Documents

Publication Publication Date Title
CN111401558B (zh) 数据处理模型训练方法、数据处理方法、装置、电子设备
WO2020000879A1 (zh) 图像识别方法和装置
CN109993150B (zh) 用于识别年龄的方法和装置
CN110413908A (zh) 基于网站内容对统一资源定位符进行分类的方法和装置
CN110070076B (zh) 用于选取训练用样本的方法和装置
CN107634947A (zh) 限制恶意登录或注册的方法和装置
CN113657269A (zh) 人脸识别模型的训练方法、装置及计算机程序产品
CN110414989A (zh) 异常检测方法及装置、电子设备和计算机可读存储介质
CN111383096A (zh) 欺诈检测及其模型训练方法、装置、电子设备及存储介质
CN110826036A (zh) 用户操作行为安全性的识别方法、装置和电子设备
CN110008926B (zh) 用于识别年龄的方法和装置
CN114358147A (zh) 异常账户识别模型的训练方法、识别方法、装置及设备
CN113507419B (zh) 流量分发模型的训练方法、流量分发方法及装置
US10742642B2 (en) User authentication based on predictive applications
CN109614780B (zh) 生物信息认证方法及装置、存储介质、电子设备
CN113128773B (zh) 地址预测模型的训练方法、地址预测方法及装置
CN113362173A (zh) 防重机制验证方法、验证系统、电子设备及存储介质
CN112541765A (zh) 用于检测可疑交易的方法和装置
CN116434218A (zh) 适用于移动端的支票识别方法、装置、设备和介质
CN116228391A (zh) 一种风险识别方法、装置、存储介质及电子设备
WO2022152018A1 (zh) 用于识别一人多账号的方法及装置
CN115760013A (zh) 运维模型的构建方法、装置、电子设备及存储介质
CN113360672B (zh) 用于生成知识图谱的方法、装置、设备、介质和产品
CN109740094A (zh) 页面监测方法、设备和计算机存储介质
CN113822313A (zh) 图节点异常检测方法及装置

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
TA01 Transfer of patent application right

Effective date of registration: 20220920

Address after: 25 Financial Street, Xicheng District, Beijing 100033

Applicant after: CHINA CONSTRUCTION BANK Corp.

Address before: 25 Financial Street, Xicheng District, Beijing 100033

Applicant before: CHINA CONSTRUCTION BANK Corp.

Applicant before: Jianxin Financial Science and Technology Co.,Ltd.

TA01 Transfer of patent application right