CN111860647B - 一种异常消费模式判定方法 - Google Patents
一种异常消费模式判定方法 Download PDFInfo
- Publication number
- CN111860647B CN111860647B CN202010703167.XA CN202010703167A CN111860647B CN 111860647 B CN111860647 B CN 111860647B CN 202010703167 A CN202010703167 A CN 202010703167A CN 111860647 B CN111860647 B CN 111860647B
- Authority
- CN
- China
- Prior art keywords
- consumption
- behavior
- mode
- parameters
- 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.)
- Active
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000006399 behavior Effects 0.000 claims description 59
- 230000005856 abnormality Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 3
- 241000282461 Canis lupus Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种异常消费模式判定方法。该方法首先获取客户的消费行为习惯模式Ai，以及当前使用者的消费行为整体模式Bi，i对应消费模式中的序号；然后判断当前使用者的消费模式与客户的消费行为习惯模式中不符合常规值的参数个数；根据判断结果，若不符合常规值的参数个数小于3个，则当前使用者可以继续消费，若不符合常规值的参数个数大于或等于3个，则关闭消费账号。通过本发明可以实现在无需向用户进行确认的情况下及时判断当前实际使用者是否异常，并及时制止可能的异常消费行为，保护用户的财产安全的效果。
Description
技术领域
本发明涉及消费安全管理的技术领域，尤其涉及一种异常消费模式判定方法。
背景技术
随着无现金支付方式的普及，如何判别消费者并非用户本人而是非法使用者，是非常困难的事。
目前针对消费安全的措施主要是通过限制高额消费或者向用户本人发送短信验证等方式来防止盗用，这些传统方式给用户本人正常的消费造成困扰，经常是“狼”来了，但“狼”又没有来，久而久之用户本人丧失了警惕性。更为重要的是技术层次低，容易被歹徒采用预先策划的方式进行躲避。因此，有必要提供一种能够更直接判断消费者是否为用户本人的方法，来真正实现和保证消费安全。
发明内容
发明目的：为了克服现有方式中存在的不足，本发明提供一种异常消费模式判定方法，该发明通过对消费者的消费行为模式进行分析，从而判断当前使用者是否为客户本人，并在出现较大概率当前使用者并非客户本人时，对正在消费的账户进行冻结，避免可能的损失。
技术方案：为了实现上述发明目的，本发明提供了一种异常消费模式判定方法，包括以下步骤：步骤1：获取客户的消费行为习惯模式Ai，以及当前使用者的消费行为整体模式B，i对应消费模式序号；步骤2：判断当前使用者的消费模式与客户的消费行为习惯模式中不符合常规值的参数个数；步骤3：若不符合常规值的参数个数小于3个，则当前使用者可以继续消费，若不符合常规值的参数个数大于或等于3个，则关闭消费账号。
进一步的，在本发明中：参数包括，密码输入、用户名输入、购买商品种类、消费地址、支出额度、12小时内支出次数和支付方式。
进一步的，在本发明中所述判断当前使用者的消费模式与客户的消费行为习惯模式中不符合常规值的参数还包括以下步骤：
步骤21：通过机器学习算法对当前使用者的消费行为模式进行分类并得到单个行为模式的异常概率；
步骤22：依次计算并判断参数是否异常，并统计异常参数的个数。
进一步的，在本发明中：所述对消费行为模式进行分类还包括以下步骤：
步骤211：获取当前使用者的消费行为数据；
步骤212：通过K-means算法对当前使用者的消费行为模式进行归类；
步骤213：根据分类后的行为模式，对应每个类的行为模式的样本数以及行为模式异常数计算出每个行为模式异常的概率P(Ai)。
进一步的，在本发明中：所述异常参数的计算和判断还包括以下步骤：
步骤221：消费者使用的各种消费模式总和，构成消费者的整体消费行为，这个整体消费行为用B表示，P(Ai)表示客户的消费行为习惯模式Ai发生异常的概率，在客户的消费行为习惯模式Ai发生异常的条件下，当前使用者的消费异常的概率值为P(B|Ai)，P(Ai)P(B|Ai)定义为当前使用者的消费异常和Ai消费模式均出现的概率，定义为当前使用者的消费异常的全概率，P(Ai|B)表示在当前使用者异常的情况下，消费行为习惯模式Ai显示异常的概率，P(Ai|B)的计算公式为：
步骤222：对于每一种模式Ai，当P(Ai|B)大于常规值时，判定此消费账号受到威胁，如果发现一个消费模式对应值不符合常规值，则继续提供下一个消费模式对应值。
有益效果：本发明与现有技术相比，其有益效果是：
(1)本发明通过对当前实际使用者的消费模式进行分析，能够在无需向用户进行确认的情况下及时判断当前实际使用者是否异常，并及时制止可能的异常消费行为，保护用户的财产安全。
(2)本发明通过对消费模式中的多个参数进行统计，并根据不同参数的异常概率综合判断当前使用者的消费模式是否异常，增加了判断的准确性。
附图说明
图1为本发明异常消费模式判定方法的整体流程示意图；
图2为本发明中基于机器学习算法对消费行为模式进行判断的流程示意图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明：
本发明可以用许多不同的形式实现，而不应当认为限于这里所述的实施例。相反，提供这些实施例以便使本公开透彻且完整，并且将向本领域技术人员充分表达本发明的范围。
如图1所示的一种异常消费模式判定方法的整体流程示意图，该方法包括以下步骤：
步骤1：获取客户的消费行为习惯模式Ai，以及当前使用者的消费行为整体模式B，i对应消费模式中的序号；
步骤2：判断当前使用者的消费模式与客户的消费行为习惯模式中不符合常规值的参数个数；
步骤3：若不符合常规值的参数个数小于3个，则当前使用者可以继续消费，若不符合常规值的参数个数大于或等于3个，则关闭消费账号，此时可以判定当前的消费者属于不法分子，应当采取报警等措施。
具体的，在步骤1中，客户代表被消费的账户的实际持有者，即能够合法消费的客户，当前使用者为当前实际使用账户进行消费的人，对于当前使用者不确定其是否为能够合法消费的客户，因此需要进行判断。
进一步的，i表示消费行为模式对应的参数序号，且i＝7，参数包括密码输入、用户名输入、购买商品种类、消费地址、支出额度、12小时内支出次数和支付方式。
而具体的模数数据格式与模式种类相关，例如，消费地址可以是一个包括门牌号的准确定位地址，购买商品种类可以为实际的商品名称，例如：手表、手机等。
对于步骤2中判断当前使用者的消费模式与客户的消费行为习惯模式中不符合常规值的参数还包括以下步骤：
步骤21：通过机器学习算法对当前使用者的消费行为模式进行分类并得到单个行为模式的异常概率；
步骤22：依次计算并判断参数是否异常，并统计异常参数的个数。
进一步的，对于消费行为模式进行分类可以参照图2的示意，示意为机器学习算法的工作流程图，具体还包括以下步骤:
步骤211：获取当前使用者的消费行为数据；
步骤212：通过K-means算法对当前使用者的消费行为模式进行归类；K-means算法的核心思想是将含有多个元素的数据集划分为簇，让每个簇的聚类中心与其内部所有元素的距离和最小，达到类内紧凑、类间独立的目的。在本实施例中的类对应为一种消费行为模式。
进一步的，在归类时首先需要选择初始聚类中心，并计算各样本数据到每个聚类中心的距离，并依据距离大小重新分配所属的簇。然后依据以下公式计算新簇的样本均值Ci，以更新聚类中心，公式如下：
公式中，k表示划分的簇的个数，ni为第i类中对象的总数，xk表示第k个样本值。
若迭代次数达到设定的阈值或者准则函数E收敛，则表示K-means聚类完成，此时在同一类别中样本对象之间相似性最大，不同类别的样本对象差异最明显，否则需要不断重复上述过程，直至满足条件而结束。准则函数E的表达式如下：
其中，x表示第k个类Ci的值，表示第k类Ci的平均值，E为所有数据样本平方误差的总和。
步骤213：根据分类后的行为模式，对应每个类的行为模式的样本数以及行为模式异常数计算出每个行为模式异常的概率P(Ai)。
对行为模式分类进行后，对应每个类的行为模式的样本数以及行为模式异常数都为已知数。每个行为模式异常的概率P(Ai)可以通过统计概率的方法计算出来，例如，当前使用者输入密码错误次数(异常数)除以输入密码总次数(特定模式样本数)，可以得到输入密码错误的概率。
进一步的，对于异常参数的计算和判断还包括以下步骤：
步骤221：用B表示当前使用者的消费行为整体，P(Ai)表示客户的消费行为习惯模式Ai发生异常的概率，在客户的消费行为习惯模式Ai发生异常的条件下，当前使用者的消费异常的概率值，即条件概率，为P(B|Ai)。P(Ai)P(B|Ai)定义为当前使用者的消费异常和Ai消费模式都出现的概率。定义为当前使用者的消费异常的全概率。P(Ai|B)表示在当前使用者为非账户所有者的情况下，消费行为习惯模式Ai出现异常的概率。P(Ai|B)的计算公式为：
步骤222：对于每一种模式Ai，当P(Ai|B)大于常规值时，判定此消费账号受到威胁，如果发现一个消费模式对应值不符合常规值，则继续提供下一个消费模式对应值。
可以理解的是，常规值是消费数据，是经过机器学习算法而形成的一个值，这个值在本发明计算中自动产生，如：合法消费者采购商品的种类是固定不变的，即常规值。但是不法分子在消费时，采购商品种类与合法消费者的种类完全不同，是另外一个值，这个值与常规值比较就会发现问题，账户的合法消费者，即用户的P(Ai|B)值是常规值。非法消费者的P(Ai|B)值就发生变化了。
应说明的是，以上所述实施例仅表达了本发明的部分实施方式，其描述并不能理解为对本发明专利范围的限制。应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干改进，这些均应落入本发明的保护范围。
Claims (2)
1.一种异常消费模式判定方法，其特征在于：包括以下步骤：
步骤1：获取客户的消费行为习惯模式Ai，以及当前使用者的消费行为整体模式B，i对应消费模式中的序号；
步骤2：判断当前使用者的消费模式与客户的消费行为习惯模式中不符合常规值的参数个数；
所述判断当前使用者的消费模式与客户的消费行为习惯模式中不符合常规值的参数还包括以下步骤：
步骤21：通过机器学习算法对当前使用者的消费行为模式进行分类并得到单个行为模式的异常概率；
所述对消费行为模式进行分类还包括以下步骤：
步骤211：获取当前使用者的消费行为数据；
步骤212：通过K-means算法对当前使用者的消费行为模式进行归类；
步骤213：根据分类后的行为模式，对应每个类的行为模式的样本数以及行为模式异常数计算出每个行为模式异常的概率P(Ai)；
步骤22：依次计算并判断参数是否异常，并统计异常参数的个数；
所述异常参数的计算和判断还包括以下步骤：
步骤221：消费者使用的各种消费模式总和，构成消费者的整体消费行为，这个整体消费行为用B表示，P(Ai)表示客户的消费行为习惯模式Ai发生异常的概率，在客户的消费行为习惯模式Ai发生异常的条件下，当前使用者的消费异常的概率值为P(BAi)，P(Ai)P(BAi)定义为当前使用者的消费异常和Ai消费模式均出现的概率，定义为当前使用者的消费异常的全概率，P(AiB)表示在当前使用者异常的情况下，消费行为习惯模式Ai显示异常的概率，P(Ai|B)的计算公式为：
步骤222：对于每一种模式Ai，当P(Ai|B)大于常规值时，判定此消费账号受到威胁，如果发现一个消费模式对应值不符合常规值，则继续提供下一个消费模式对应值；
步骤3：若不符合常规值的参数个数小于3个，则当前使用者可以继续消费，若不符合常规值的参数个数大于或等于3个，则关闭消费账号。
2.如权利要求1所述的异常消费模式判定方法，其特征在于：参数包括密码输入、用户名输入、购买商品种类、消费地址、支出额度、12小时内支出次数和支付方式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010703167.XA CN111860647B (zh) | 2020-07-21 | 2020-07-21 | 一种异常消费模式判定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010703167.XA CN111860647B (zh) | 2020-07-21 | 2020-07-21 | 一种异常消费模式判定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111860647A CN111860647A (zh) | 2020-10-30 |
| CN111860647B true CN111860647B (zh) | 2023-11-10 |
Family
ID=73001234
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010703167.XA Active CN111860647B (zh) | 2020-07-21 | 2020-07-21 | 一种异常消费模式判定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111860647B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015018314A1 (en) * | 2013-08-05 | 2015-02-12 | Tencent Technology (Shenzhen) Company Limited | Method, device and system for detecting whether account is stolen |
| CN104799518A (zh) * | 2015-04-28 | 2015-07-29 | 百度在线网络技术（北京）有限公司 | 智能钱包及其控制方法和装置 |
| CN104980403A (zh) * | 2014-04-10 | 2015-10-14 | 腾讯科技（深圳）有限公司 | 业务请求的处理方法及装置 |
| CN105184574A (zh) * | 2015-06-30 | 2015-12-23 | 电子科技大学 | 一种套用商户类别码欺诈行为的检测方法 |
| CN106803168A (zh) * | 2016-12-30 | 2017-06-06 | 中国银联股份有限公司 | 一种异常转账侦测方法和装置 |
| CN108460674A (zh) * | 2018-02-01 | 2018-08-28 | 平安科技（深圳）有限公司 | 信息处理方法、装置、计算机设备和存储介质 |
| CN108711085A (zh) * | 2018-05-09 | 2018-10-26 | 平安普惠企业管理有限公司 | 一种交易请求的响应方法及其设备 |
| CN109993538A (zh) * | 2019-02-28 | 2019-07-09 | 同济大学 | 基于概率图模型的身份盗用检测方法 |
| US10445738B1 (en) * | 2018-11-13 | 2019-10-15 | Capital One Services, Llc | Detecting a transaction volume anomaly |
-
2020
- 2020-07-21 CN CN202010703167.XA patent/CN111860647B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015018314A1 (en) * | 2013-08-05 | 2015-02-12 | Tencent Technology (Shenzhen) Company Limited | Method, device and system for detecting whether account is stolen |
| CN104980403A (zh) * | 2014-04-10 | 2015-10-14 | 腾讯科技（深圳）有限公司 | 业务请求的处理方法及装置 |
| CN104799518A (zh) * | 2015-04-28 | 2015-07-29 | 百度在线网络技术（北京）有限公司 | 智能钱包及其控制方法和装置 |
| CN105184574A (zh) * | 2015-06-30 | 2015-12-23 | 电子科技大学 | 一种套用商户类别码欺诈行为的检测方法 |
| CN106803168A (zh) * | 2016-12-30 | 2017-06-06 | 中国银联股份有限公司 | 一种异常转账侦测方法和装置 |
| CN108460674A (zh) * | 2018-02-01 | 2018-08-28 | 平安科技（深圳）有限公司 | 信息处理方法、装置、计算机设备和存储介质 |
| CN108711085A (zh) * | 2018-05-09 | 2018-10-26 | 平安普惠企业管理有限公司 | 一种交易请求的响应方法及其设备 |
| US10445738B1 (en) * | 2018-11-13 | 2019-10-15 | Capital One Services, Llc | Detecting a transaction volume anomaly |
| CN109993538A (zh) * | 2019-02-28 | 2019-07-09 | 同济大学 | 基于概率图模型的身份盗用检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| Using Isolation Forest in anomaly detection: the case of credit card transactions;Soumaya Ounacer 等;《Periodicals of Engineering and Natural Sciences》;第6卷(第2期);394-400 * |
| 基于数据挖掘的异常交易检测方法;柴洪峰 等;《计算机应用与软件》;第30卷(第1期);165-170页第3节 * |
| 移动云安全支付系统设计与实现;曹鹏飞 等;《计算机应用与软件》;第36卷(第4期);295-322 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111860647A (zh) | 2020-10-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3680639B1 (en) | Abnormality model learning device, method, and program | |
| CN111915437B (zh) | 基于rnn的反洗钱模型的训练方法、装置、设备及介质 | |
| JP6871877B2 (ja) | 情報処理装置、情報処理方法及びコンピュータプログラム | |
| JP2020523715A (ja) | 不正取引の改善された検出 | |
| CN112989332B (zh) | 一种异常用户行为检测方法和装置 | |
| CN109257383B (zh) | 一种bgp异常检测方法及系统 | |
| CN113011888A (zh) | 一种针对数字货币的异常交易行为检测方法、装置、设备及介质 | |
| CN117993919A (zh) | 一种基于多特征融合的银行反电诈数据模型构建方法 | |
| CN114298176A (zh) | 一种欺诈用户检测方法、装置、介质及电子设备 | |
| CN111538311A (zh) | 一种基于数据挖掘的机械设备柔性多状态自适应预警方法及装置 | |
| CN111796957A (zh) | 基于应用日志的交易异常根因分析方法及系统 | |
| CN113516313A (zh) | 一种基于用户画像的燃气异常检测方法 | |
| WO2023207557A1 (zh) | 评估业务预测模型鲁棒性的方法、装置及计算设备 | |
| CN116823496A (zh) | 基于人工智能的智能保险风险评估和定价系统 | |
| CN114662602A (zh) | 一种离群点检测方法、装置、电子设备及存储介质 | |
| CN117857202B (zh) | 一种信息系统的多维度安全评估方法 | |
| CN114997342A (zh) | 一种scr故障诊断方法、装置、设备及存储介质 | |
| CN111860647B (zh) | 一种异常消费模式判定方法 | |
| CN112884480B (zh) | 异常交易识别模型的构造方法、装置、计算机设备和介质 | |
| AU2006239438A1 (en) | Test mining systems and methods for early detection and warning | |
| CN114565002A (zh) | 基于行为与注意力机制的异常行为检测方法及系统 | |
| CN116956197A (zh) | 基于深度学习的能源设施故障预测方法、装置及电子设备 | |
| CN115204322B (zh) | 行为链路异常识别方法和装置 | |
| CN115907954A (zh) | 账户的识别方法、装置、计算机设备和存储介质 | |
| CN111816404A (zh) | 一种消磁方法及系统 |
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 |