CN113034153B - 一种基于共享学习的被欺诈风险识别方法、装置及设备 - Google Patents
一种基于共享学习的被欺诈风险识别方法、装置及设备 Download PDFInfo
- Publication number
- CN113034153B CN113034153B CN202110326042.4A CN202110326042A CN113034153B CN 113034153 B CN113034153 B CN 113034153B CN 202110326042 A CN202110326042 A CN 202110326042A CN 113034153 B CN113034153 B CN 113034153B
- Authority
- CN
- China
- Prior art keywords
- platform
- user
- merchant
- payment
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000012545 processing Methods 0.000 claims abstract description 54
- 230000006399 behavior Effects 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 48
- 230000009471 action Effects 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 15
- 238000003860 storage Methods 0.000 description 13
- 238000012546 transfer Methods 0.000 description 12
- 230000006872 improvement Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000002265 prevention Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 241001622623 Coeliadinae Species 0.000 description 1
- 241000283074 Equus asinus Species 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000002747 voluntary effect 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Computer Security & Cryptography (AREA)
- Bioethics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本说明书实施例公开了基于共享学习的被欺诈风险识别方法、装置及设备。包括：将支付平台的业务数据发送给第三方权威平台，使其在预定的商户平台中，匹配得到商户平台与支付平台的共有用户和非共有用户，对非共有用户进行隐私保护处理，并获取共有用户在支付平台以及一个或多个商户平台分别的业务数据，至少部分业务数据指示了欺诈行为；确定识别辅助模型，识别辅助模型由第三方权威平台根据这些业务数据通过共享学习训练得到；采集指定的商户平台上用户的相关数据，指定的商户平台通过支付平台向用户提供支付渠道；根据用户的相关数据和识别辅助模型，判定用户在指定的商户平台上的操作是否存在被欺诈风险，并根据判定结果进行相应处理。
Description
技术领域
本说明书涉及机器学习领域，尤其涉及一种基于共享学习的被欺诈风险识别方法、装置及设备。
背景技术
随着计算机技术和互联网的迅速发展，人们的生活变得更加便捷。支付平台可以帮助用户完成日常的支付。商户平台每天有上亿的用户使用，用户可以在商户平台通过支付平台进行交易。
在实际应用中，有不法分子可能通过商户平台和电信手段对正常用户进行欺诈。目前，一些支付平台当用户进入支付页面准备支付时，会根据用户在该支付平台上的历史支付信息，提示用户是否有被欺诈风险。
基于此，需要更有效的被欺诈风险识别方案。
发明内容
本说明书一个或多个实施例提供了一种基于共享学习的被欺诈风险识别方法、装置及设备，用于解决如下技术问题：需要更有效的被欺诈风险识别方案。
本说明书一个或多个实施例采用下述技术方案：
本说明书一个或多个实施例提供一种基于共享学习的被欺诈风险识别方法，包括：
将支付平台的业务数据发送给第三方权威平台，以使所述第三方权威平台在预定的商户平台中，匹配得到所述商户平台与所述支付平台的共有用户和非共有用户，针对所述支付平台和所述商户平台对所述非共有用户进行隐私保护处理，并获取所述共有用户在所述支付平台以及一个或多个商户平台分别的业务数据，至少部分所述业务数据指示了欺诈行为；
确定识别辅助模型，所述识别辅助模型由所述第三方权威平台，根据所述共有用户在所述支付平台以及一个或多个商户平台分别的业务数据，通过共享学习训练得到；
采集指定的商户平台上用户的相关数据，所述指定的商户平台通过所述支付平台向所述用户提供支付渠道；
根据所述用户的相关数据和所述识别辅助模型，判定所述用户在所述指定的商户平台上的操作是否存在被欺诈风险，并根据判定结果进行相应处理。
本说明书一个或多个实施例提供一种基于共享学习的被欺诈风险识别装置，包括：
平台配合单元，将支付平台的业务数据发送给第三方权威平台，以使所述第三方权威平台在预定的商户平台中，匹配得到所述商户平台与所述支付平台的共有用户和非共有用户，针对所述支付平台和所述商户平台对所述非共有用户进行隐私保护处理，并获取所述共有用户在所述支付平台以及一个或多个商户平台分别的业务数据，至少部分所述业务数据指示了欺诈行为；
模型确定单元，确定识别辅助模型，所述识别辅助模型由所述第三方权威平台，根据所述共有用户在所述支付平台以及一个或多个商户平台分别的业务数据，通过共享学习训练得到；
数据采集单元，采集指定的商户平台上用户的相关数据，所述指定的商户平台通过所述支付平台向所述用户提供支付渠道；
判定处理单元，根据所述用户的相关数据和所述识别辅助模型，判定所述用户在所述指定的商户平台上的操作是否存在被欺诈风险，并根据判定结果进行相应处理。
本说明书一个或多个实施例提供一种基于共享学习的被欺诈风险识别设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
将支付平台的业务数据发送给第三方权威平台，以使所述第三方权威平台在预定的商户平台中，匹配得到所述商户平台与所述支付平台的共有用户和非共有用户，针对所述支付平台和所述商户平台对所述非共有用户进行隐私保护处理，并获取所述共有用户在所述支付平台以及一个或多个商户平台分别的业务数据，至少部分所述业务数据指示了欺诈行为；
确定识别辅助模型，所述识别辅助模型由所述第三方权威平台，根据所述共有用户在所述支付平台以及一个或多个商户平台分别的业务数据，通过共享学习训练得到；
采集指定的商户平台上用户的相关数据，所述指定的商户平台通过所述支付平台向所述用户提供支付渠道；
根据所述用户的相关数据和所述识别辅助模型，判定所述用户在所述指定的商户平台上的操作是否存在被欺诈风险，并根据判定结果进行相应处理。
本说明书一个或多个实施例提供的一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：
将支付平台的业务数据发送给第三方权威平台，以使所述第三方权威平台在预定的商户平台中，匹配得到所述商户平台与所述支付平台的共有用户和非共有用户，针对所述支付平台和所述商户平台对所述非共有用户进行隐私保护处理，并获取所述共有用户在所述支付平台以及一个或多个商户平台分别的业务数据，至少部分所述业务数据指示了欺诈行为；
确定识别辅助模型，所述识别辅助模型由所述第三方权威平台，根据所述共有用户在所述支付平台以及一个或多个商户平台分别的业务数据，通过共享学习训练得到；
采集指定的商户平台上用户的相关数据，所述指定的商户平台通过所述支付平台向所述用户提供支付渠道；
根据所述用户的相关数据和所述识别辅助模型，判定所述用户在所述指定的商户平台上的操作是否存在被欺诈风险，并根据判定结果进行相应处理。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：通过第三方权威平台区分不同平台的共有用户和非共有用户并进行区别化处理，使得这两类用户得到相应强度的隐私保护；通过基于支付平台和商户平台的共享学习过程，扩充了训练数据，使得训练得到的识别辅助模型对用户特征的提取能力进一步加强，当用户在商户平台上进行操作时，能够更为及时准确地为用户识别被欺诈风险，而未必要滞后到支付阶段再进行识别，因此更为有效。
附图说明
为了更清楚地说明本说明书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，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为本说明书一个或多个实施例提供的一种基于共享学习的被欺诈风险识别方法的流程示意图；
图2为本说明书一个或多个实施例提供的一种应用场景下，图1中方法的一种详细流程示意图；
图3为本说明书一个或多个实施例提供的识别辅助模型的训练示意图；
图4为本说明书一个或多个实施例提供的安全情况下用户在支付平台付款的示意图；
图5为本说明书一个或多个实施例提供的存在被欺诈风险情况下用户在支付平台付款的示意图；
图6为本说明书一个或多个实施例提供的一种基于共享学习的被欺诈风险识别装置的结构示意图；
图7为本说明书一个或多个实施例提供的一种基于共享学习的被欺诈风险识别设备的结构示意图。
具体实施方式
本说明书实施例提供基于共享学习的被欺诈风险识别方法、装置、设备以及存储介质。
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书实施例，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，都应当属于本说明书保护的范围。
欺诈是通过某些手段让受害者误以为真，而自愿将资金转移给欺诈者，从而蒙受损失。比如，欺诈者和用户说：“你家人需要你买xx东西”等等，进而欺骗用户去外部的商户平台购买某商品。目前的欺诈普遍通过电信手段进行。
对于支付平台来说，被欺诈风险识别的难度较高。虽然欺诈环节有欺诈者的循循诱导，但这些过程通常发生在支付平台外部，支付平台仅根据自身的数据去识别，存在一定的局限性，支付平台通常做的是在受害者发起付款那一步，识别是否是欺诈交易，进而对用户进行提醒。同时，很多欺诈交易是用户自愿发起的，比如，游戏充值，交易行为异常性不明显，支付平台不易察觉。此外，由于识别不准确或者骗子骗术太高，用户反而认为支付平台的提醒是打扰，不仅不予理会甚至还可能投诉支付平台。因此，如何提升被欺诈风险识别准确率是一件很重要的事情。不仅支付平台需要进行被欺诈风险识别，保护用户财产安全；外部的商户平台也需要进行被欺诈风险识别，防止产生投诉、退货等一些不必要的纠纷。
在本说明书一个或多个实施例中，结合支付平台和商户平台的业务数据实现对被欺诈风险更有效的识别，下面详细说明本说明书提供的技术方案。
图1为本说明书一个或多个实施例提供的一种基于共享学习的被欺诈风险识别方法的流程示意图，该流程可以由商户业务领域或支付业务领域的计算设备(比如，支付业务对应的服务器或者智能移动终端，以及商户业务对应的服务器或智能终端)或者被欺诈风险识别系统的执行单元执行，流程中的某些输入参数或者中间结果允许人工干预调节，以帮助提高准确性。
图1中的流程可以包括以下步骤：
S102：将支付平台的业务数据发送给第三方权威平台，以使所述第三方权威平台在预定的商户平台中，匹配得到所述商户平台与所述支付平台的共有用户和非共有用户，针对所述支付平台和所述商户平台对所述非共有用户进行隐私保护处理，并获取所述共有用户在所述支付平台以及一个或多个商户平台分别的业务数据，至少部分所述业务数据指示了欺诈行为。
在本说明书一个或多个实施例中，第三方权威平台比如是由政府或者行业背书的可信平台。若支付平台或者商户平台所属的公司自身能够提供可信足够的平台，则也可以作为第三方权威平台，如此，有助于减少数据交互成本，而且有助于更准确更灵活匹配调整支付平台或者商户平台的风控需求。
该流程中的至少部分步骤可以由第三方权威平台执行，再将相应的执行结果发送给支付平台或者商户平台，在这种情况下，为了提高隐私安全性，比如将后续需要使用的模型部署于第三方权威平台。
在本说明书一个或多个实施例中，商户平台与支付平台具有共有用户，这些用户在这两种平台上都有账号，在两种平台上的业务行为具有共性，而且有较大可能存在交集(比如，在商户平台上使用支付平台提供的服务，将支付平台的部分个人信息同步到商户平台，等等)，则相应的业务数据适用于共享学习，相比于使用两种平台分别的独立样本，有助于取得更好的训练效果。而对于非共有用户，其业务数据是商户平台或者支付平台自己的私密数据，为了保护平台的数据安全，以及非共有用户自身的隐私安全，第三方权威平台进行隐私保护处理，所进行的处理至少包括不向其中的平台公开对方平台的非公有用户的业务数据，还可以包括将多个非公有用户的身份进行混淆处理，将非公有用户的业务数据(平台上的对应源数据保持不变，以免影响业务，仅针对流出平台的信息进行选择性处理)进行修改处理，比如，生成虚假订单信息、修改用户信息(如虚假电话和虚假收货地址等)、修改已有订单的商品品牌信息、去掉反映用户性别的订单，等等，这些修改后的业务数据可以反馈给平台，可以用于进行钓鱼执法以捕获诸如欺诈等作恶行为。需要说明的是，为了进一步地提高安全性，第三方权威平台拿到的业务数据可以是经过加密保护过的。
在本说明书一个或多个实施例中，第三方权威平台还预先获取上述两种平台对应的间隙外部操作数据，用于后续的共享学习。间隙外部操作数据可以包括，用户在其中任一平台进行业务操作后，短暂地离开该平台在这两类平台外部进行操作所产生的数据，比如，打电话留下的电话记录、电话自动录音、对电话录音的内容和口音分析数据、接收到短信验证码的提示数据、摄像头捕捉到用户操作自动取款机机的图像数据，等等，然后在预定时间内(一般也是较短的时间内)又返回其中任一平台继续操作，而若外部操作间隙数据能够导致平台内数据即时变化，则尤其值得利用于共享学习中。因为，对于目前的欺诈行为，用户往往是在欺诈者的引导下在多个环境中切换执行异常动作的，这类行为特征值得关注。间隙外部操作数据的采集可以由平台预先提供支持，比如将采集功能预置于平台的手机应用中，在获取到合法权限的前提下使用。
在本说明书一个或多个实施例中，在步骤S102中，出于隐私性和安全性的考虑，支付平台发送给第三方权威平台的业务数据是足够简约的，尽量不包含具体的业务内容细节，能够用于确定共有用户和非公有用户即可。而后续共享学习所基于的业务数据可以不出各自的平台，因此可以包含更多的业务内容细节。
S104：确定识别辅助模型，所述识别辅助模型由所述第三方权威平台，根据所述共有用户在所述支付平台以及一个或多个商户平台分别的业务数据，通过共享学习训练得到。
在本说明书一个或多个实施例中，商户平台可以是商家出售商品或服务的平台，比如，商户独自开发的应用程序、某个应用程序中内置的扩展程序等。支付平台可以是买卖双方交易过程中的第三方担保平台，是在银行监管下保障交易双方利益的独立机构，比如，第三方金融支付平台、具有即时通信的支付平台及各银行推出的支付平台等。
商户平台可以为用户提供商品或服务，支付平台为商户平台提供服务，用户在商户平台进行充值及购买商品或服务时，需要通过支付平台进行付款。
在本说明书一个或多个实施例中，一个或多个商户平台的业务数据包括业务行为数据以及用户是否被欺诈过；业务行为数据包括充值行为、商品购买行为、浏览行为、赠送物品行为。用户是否经历过被欺诈包括用户是否在当前商户平台经历过被欺诈与用户是否在其他商户平台经历过被欺诈。
在本说明书一个或多个实施例中，支付平台的业务数据包括用户信息、商户平台信息及用户在商户平台的交易信息等；其中，用户信息包括身份数据、在商户平台的支付数据、在其他平台的支付数据及用户被欺诈的信息等；商户平台信息包括直连支付平台付款的信息、通过中间商连接支付平台付款的信息及历史欺诈浓度等；交易信息包括交易时间、交易金额及交易场景等。
这些数据能够反映用户的支付习惯，以及更广泛的购物习惯，而购物习惯则可能进一步地间接反映用户更多的信息，比如，亲友关系、对物品和他人的好恶、与人沟通的模式、空闲时间的分布、业余爱好、人性弱点、曾经的吃亏事件等，而这些更多的信息若局限于支付平台可能难以全面挖掘，基于此，通过结合商品平台进行改善。
身份数据可以包括用户的性别、年龄、所居住的城市等；支付数据可以包括消费的次数与支付成功率等；用户被欺诈的信息可以包括用户在该商户平台是否经历过被欺诈与用户在其他商户平台是否经历过被欺诈等。历史欺诈浓度可以为该商户平台的用户经历被欺诈的比例。
交易场景可以包括限定时间内付款、违法品的交易及违法服务的交易等，比如，某个不知名的商户平台推出一种价格便宜的商品，但限定在3分钟内完成付款，用户看到该商品时，关注的焦点可能只是价格便宜，便匆匆付款，而没有看清楚商品的渠道是否正规，在这种场景下用户很容易购买到虚假的商品，或者卖家根本就不会发货，致使用户遭受到欺诈。
在本说明书一个或多个实施例中，共享学习是在多个平台(支付平台与一个或多个商户平台)数据集的用户重叠较多而用户特征重叠较少的情况下，把数据集按照纵向(即特征维度)进行切分，并取出支付平台与商户平台中用户相同而用户特征不完全相同的那部分数据进行训练。同时，在运用共享学习时，可以对多个平台的数据进行加密样本对齐，以便在一个或多个商户平台与支付平台不公开各自数据的前提下确认双方的共有用户，并且不暴露不互相重叠的用户，联合这些用户的特征进行建模，有助于保护各方数据的隐私性。本说明书实施例通过共享学习训练一个或多个商户平台的业务数据与支付平台的业务数据，最终可以得到识别辅助模型。
需要说明的是，由于识别辅助模型是根据一个或多个商户平台和支付平台分别的业务数据训练得到模型，使得被欺诈风险识别系统掌握的不仅仅是支付平台的业务数据，还可以掌握一个或多个商户平台的业务数据，所以，S102可以发生在用户在指定的商户平台发起一笔支付行为之后，也可以发生在用户在该商户平台发起一笔支付行为之前。
S106：采集指定的商户平台上用户的相关数据，所述指定的商户平台通过所述支付平台向所述用户提供支付渠道。
在本说明书一个或多个实施例中，指定的商户平台上用户的相关数据可以包括当前的用户在该商户平台上的业务行为数据，以及该用户是否经历过被欺诈等。支付渠道包括支付平台为指定的商户平台提供的支付接口，以实现指定的商户平台通过支付平台完成交易，商户平台可以具有多个不同的支付平台分别提供的支付渠道以供用户选择，用户对支付渠道的选择并不影响其中的某个支付平台对该用户被欺诈风险的识别。
需要说明的是，指定的商户平台可以不包含在S102中提到的商户平台中。通过利用一部分商户平台贡献的数据进行训练，所得到的识别辅助模型可能适用于更多的商户平台，甚至可能适用于其他领域的平台，比如，公益服务平台、政府公务平台等。
S108：根据所述用户的相关数据和所述识别辅助模型，判定所述用户在指定的商户平台上的操作是否存在被欺诈风险，并根据判定结果进行相应处理。
在本说明书一个或多个实施例中，识别辅助模型是根据一个或多个商户平台和支付平台分别的业务数据进行训练，但在应用该识别辅助模型时，可以根据指定的商户平台上用户的相关数据，即根据指定的商户平台的业务数据判定用户在指定的商户平台上的操作是否存在被欺诈风险，也可以根据指定的商户平台上用户的相关数据与支付平台上用户的相关数据，即根据指定的商户平台的业务数据与支付平台的业务数据共同判定用户在指定的商户平台上的操作是否存在被欺诈风险。
在本说明书一个或多个实施例中，通过识别辅助模型得到的可以是辅助判定的中间结果，而未必是最终的结果，被欺诈风险识别系统可以结合该中间结果去判定用户在指定的商户平台上的操作是否存在被欺诈风险。比如，识别辅助模型识别出用户在指定的商户平台上的操作与一贯不符，但可能需要更多的信息才判定出是否存在被欺诈风险，假定还需要了解该操作是否是用户的默认授权用户(比如，该用户的配偶、或者直属上级等)执行的，若是，则可能判定为不存在被欺诈风险。
在本说明书一个或多个实施例中，若是判定出用户在指定的商户平台上的操作存在被欺诈风险，可以向用户发送防止被欺诈的信息或直接终止交易。
在本说明书一个或多个实施例中，识别辅助模型不仅用于用于判定用户在指定的商户平台上的操作是否存在被欺诈风险，还用于判定用户的易说服等级，以便更合理地善后。这是考虑到，在实际生活中，很多人在被欺骗的过程中，深信不疑甚至钻牛角尖，目前即使有银行人员、民警同志耐心说服，也经常执迷不悟，不仅浪费宝贵人力，而且效果不好反而容易引起不必要的冲突(即容易被好心当作驴肝肺)，为了解决这个问题，可以更充分地利用识别辅助模型的能力，使其不仅识别业务场景的特征(是否存在欺诈风险)，还识别业务场景的人的特征(性格如何、处事风格如何，是否容易沟通风格，可以用易说服等级来概括)，而这两类特征都可以通过支付平台和商户平台提供的业务数据反映，因此，可以复用业务数据和模型，相应进行这两类预测，不仅效率高而且更充分发挥了业务数据的价值。
基于此，可以根据用户的相关数据和识别辅助模型，判定用户的易说服等级(该步骤也可以在确定被欺诈风险存在后再执行)；若判定用户在所述指定的商户平台上的操作存在被欺诈风险，根据所述易说服等级，执行对应的用户安抚动作，用户安抚动作包括生成模拟风险交易用于反馈用户(具体比如给用户反馈假的交易成功结果，可以对难说服的用户使用，这种方式是对用户一种善意的谎言，既及时有效安抚了用户，又促使用户自然地对欺诈分子产生怀疑，由于交易没有实际执行，而用户又认为已经执行了，则欺诈分子会与用户进一步沟通，从而用户可能产生警觉或者对欺诈分子不满)、直接拦截所述用户的业务操作(比如对容易说服的用户使用)、延迟业务的落地生效时间等。
与图1的实施例相对应的是，图2为本说明书一个或多个实施例提供的一种应用场景下，图1中方法的一种详细流程示意图。
图2中的流程可以包括以下步骤：
S202：确定识别辅助模型，识别辅助模型根据支付平台以及一个或多个商户平台分别的业务数据，通过共享学习训练得到。
在本说明书一个或多个实施例中，在执行该步骤之前，本说明书实施例还需要训练识别辅助模型，具体步骤可以包括：
(1)构建训练数据集合并建立初始的识别辅助模型，其中，训练数据集合包括一个或多个商户平台和支付平台分别的业务数据及预先标记的标签数据，一个或多个商户平台和支付平台分别的业务数据为样本数据。
需要说明的是，标签数据可以包括存在被欺诈风险与不存在被欺诈风险。标签数据在标记时，可以根据实际情况进行标记。
(2)对训练数据集合进行基于加密的样本对齐处理。
由于支付平台与一个或多个商户平台的用户群体并非完全重合，可以利用基于加密的用户样本对齐技术，在支付平台和一个或多个商户平台不公开各自数据的前提下确认双方的共有用户，并且不暴露不互相重叠的用户，最后联合这些用户的特征进行建模。样本对齐技术可选用RSA(RSA algorithm)算法，由协作者产生公钥分发给支付平台和一个或多个商户平台，对用户进行加密，再由协作者通过私钥将加密的用户进行解密，取出支付平台和一个或多个商户平台的共用用户。
RSA算法中公钥和私钥由协作者产生，具体步骤如下：
a、随机找两个大质数P和Q，计算n＝P*Q；
b、计算n的欧拉函数m＝$(n)；
c、随机选择一个正整数e，使得1<e<m，且e与m互质d；
d、根据扩展欧几里得算法，求得d，使得e*d/m的余数为1；
e、公钥为(n,e)，私钥为(n,d)；
f、公钥用来加密，密文为明文的e次方除以n的余数；私钥用来解密，解密出的明文为密文的d次方除以n的余数。
需要说明的是，本说明书实施例为了保证数据的隐私性，选择协作者来管控公钥密钥的分发，其中，协作者可选择已有的框架，以降低方案实施成本。
(3)根据处理后的训练数据集合求得一个或多个商户平台与支付平台对应的梯度和损失，并确定出识别辅助模型的参数，据此得到符合条件的识别辅助模型。
进一步的，在本说明书实施例的S202中，根据处理后的训练数据集合求得支付平台与一个或多个商户平台对应的梯度和损失，并确定出识别辅助模型的参数，据此得到符合条件的识别辅助模型，可以具体包括：
协作者把公钥分发给支付平台与一个或多个商户平台，用以对训练过程中需要交换的数据进行加密；
支付平台与一个或多个商户平台分别计算支付平台的业务数据与一个或多个商户平台的业务数据对应的中间结果，并加密交互，用以求得对应的梯度和损失，其中，设A为支付平台，B为一个或多个商户平台，目标函数为：
设
加密后的目标函数为：
设
那么梯度为：
其中，λ为正则系数。
支付平台与一个或多个商户平台分别基于加密的梯度值进行计算，同时一个或多个商户平台根据标签数据计算损失，并将计算结果汇总给协作者，以便协作者通过汇总的计算结果计算总梯度并进行解密；协作者将解密后的总梯度分别回传给支付平台与一个或多个商户平台；支付平台与一个或多个商户平台根据总梯度更新各自模型的参数；通过迭代的方式直至损失函数收敛，完成识别辅助模型的训练，得出符合条件的识别辅助模型。
需要说明的是，识别辅助模型的训练可以参见图3，图3中包括如下步骤：
步骤1：支付平台与一个或多个商户平台完成数据准备，并各自清洗出训练所需的特征数据。
步骤2：通过认证模块完成加密样本对齐的任务。
步骤3：协作者先进行解密，并将解密后的数据进行融合学习。
步骤4：训练完成后得到模型平台。
需要说明的是，本说明书实施例的识别辅助模型可以同时利用了支付平台和一个或多个商户平台的数据，支付平台有丰富的用户信息和支付数据，而支付平台有用户在商户内的行为，解决了数据孤岛问题，对用户的刻画更加完善，预测结果更加准确。并且，识别辅助模型不再由支付平台或一个或多个商户平台一方训练的，而是利用更多的数据，可以达到更好的效果。同时，本说明书实施例可以通过联邦学习的加密技术，保证支付平台和一个或多个商户平台的数据不会存在隐私泄露的风险。
S204:采集指定的商户平台上用户的相关数据，所述指定的商户平台通过所述支付平台向所述用户提供支付渠道。
在本说明书一个或多个实施例中，本步骤同上一实施例的S104，不再赘述。
S206：检测所述用户在所述指定的商户平台是否通过所述支付渠道发起交易，若是，则执行S208；若否，则继续执行S206。
在本说明书一个或多个实施例中，通过支付渠道发起的交易为可以是用户在指定的商户平台通过支付平台进行支付行为，也可以是用户在指定商户平台跳转到支付平台的付款页面。
S208：根据指定的商户平台上用户的相关数据和所述识别辅助模型，判定所述用户在所述商户平台上的操作是否存在被欺诈风险，并根据判定结果进行相应处理。
在本说明书一个或多个实施例中，识别辅助模型是根据一个或多个商户平台和支付平台分别的业务数据进行训练，但在应用该识别辅助模型时，可以根据指定的商户平台上用户的相关数据，即根据指定的商户平台的业务数据判定所述用户在指定的商户平台上的操作是否存在被欺诈风险，也可以根据指定的商户平台上用户的相关数据与支付平台上用户的相关数据，即根据指定的商户平台的业务数据与支付平台的业务数据共同判定所述用户在指定的商户平台上的操作是否存在被欺诈风险。
进一步的，针对S208，可以参见图4与图5，分别示出了安全情况下用户在支付平台付款的示意图与存在被欺诈风险情况下用户在支付平台付款的示意图，通过S206，检测出用户在指定的商户平台发起支付行为，转到对应的支付平台进行付款，若是判定出所述用户在指定的商户平台上的操作不存在被欺诈风险，用户可以直接点击图4的确认付款；若是判定出所述用户在指定的商户平台上的操作存在被欺诈风险，在支付页面弹出图5的提示页面，此时该用户可以选择取消转账、延时24小时到账或立即转账。
在本说明书一个或多个实施例中，判定用户在指定的商户平台上的操作是否存在被欺诈风险时，具体可以包括：在显示支付平台的支付页面之前，判定所述用户在指定的商户平台上的操作是否存在被欺诈风险。
需要说明的是，由于识别辅助模型是根据一个或多个商户平台和支付平台分别的业务数据训练得到模型，使得被欺诈风险识别系统掌握的不仅仅是支付平台的业务数据，还可以掌握指定的商户平台的业务数据，以便在用户发起一笔交易之前，即在显示支付平台的支付页面之前，判定所述用户在指定的商户平台上的操作是否存在被欺诈风险，给用户留出更多的思考空间，可以更好避免用户被欺诈。这样的提前识别方式相比于现有技术中滞后的识别方式及时性更好，而且不会受到用户对支付渠道选择的影响，甚至于无需用户进入支付环节。
进一步的，在本说明书一个或多个实施例中，S208具体可以包括：通过所述识别辅助模型，接收反映用户特定操作的相关数据，所述特定操作包括预定时间内(比如，短时内)，用户在所述商户平台及其外部的多个业务环节(比如，先在商户平台操作与人对话，然后比较突兀地切换到外部诸如转账、理财等涉及用户财产变更的平台进行操作，该操作很可能是被该人引导的)的操作；通过在所述识别辅助模型的隐藏层对所述相关数据进行处理，提取反映了风险操作链路的高维特征；根据所述高维特征，判定所述用户在所述指定的商户平台上的操作是否存在被欺诈风险。在这种情况下，识别被欺诈风险实质上包括了识别风险操作链路。这种方案的思路在于，在对用户进行欺诈时，想要在一个平台内完成全过程是比较难的，通常要引导用户进行一系列的操作，而这一系列的操作会涉及多个平台，比如，现在商户平台告知用户需要在某通讯平台具体沟通，之后在该通讯平台诱导用户去某支付平台进行转账操作，最终用户又回到商户平台等待期望的结果，然而用户在外部的这些操作事实上直接导致了财产损失。
风险操作链路包括预设时间内用户在商户平台的多个业务环节的操作、外部的多个业务环节的操作，或者商户平台与外部的多个业务环节的操作。并且，商户平台的业务环节操作可以指当前的商户平台的业务环节操作，其他的商户平台、支付平台及其他功能平台的业务环节操作皆可以看作外部的业务环节的操作。
在识别风险操作链路的情况下，高维特征可以表示商户平台内的多个业务环节操作是否存在被欺诈风险，比如，欺诈者盗用某个用户的账号和密码，并在商户平台进行转账，由于该用户设置了单笔转账限额为1000元，并且欺诈者由于权限限制无法更改单笔转账额度，所以欺诈者需要进行多次转账操作，由此可以将本次的操作判定为风险操作链路，即高维特征可以表示出存在被欺诈风险，并采取对应的措施。
在风险操作链路包括外部的多个业务环节的操作时，高维特征可以表示商户平台外部的多个业务环节操作是否存在被欺诈风险，比如，欺诈者可以向用户发布消息：用户在A商户平台的借贷可以在外部的B平台还款，同时在B平台还款时会降低利率，用户根据欺诈者的指示，在B平台进行多个业务环节的操作，由此可以将本次的操作判定为风险操作链路，即高维特征可以表示出存在被欺诈风险，并采取对应的措施。
在风险操作链路包括商户平台与外部有关联相对连续的多个业务环节的操作时，高维特征可以表示商户平台与外部的多个业务环节的操作是否存在被欺诈风险，比如，欺诈者可以向用户发布消息：C商户平台中的理财产品和D商户平台的理财产品将会增值，在用户购买了C商户平台中的理财产品和D商户平台的理财产品后，欺诈者会告知E平台可以很方便的查看C商户平台与D商户平台的理财产品，期间用户按照欺诈者的指示返回C商户平台与D商户平台，以便将C商户平台与D商户平台绑定E平台，之后欺诈者会修改E平台的数据，使得用户看到C商户平台与D商户平台的理财产品被冻结或者被转移，欺诈者告知用户需要进行身份验证，由于此时用户的现金还在C商户平台与D商户平台中，但用户将身份验证信息告欺诈者后，用户的现金将被转移。，由此可以将本次的操作判定为风险操作链路，即高维特征可以表示出存在被欺诈风险，并采取对应的措施。
进一步的，在本说明书一个或多个实施例中，通过所述识别辅助模型，接收反映了用户特定操作的相关数据，所述特定操作包括用户在指定的商户平台的消费行为与用户在商户平台的聊天行为；通过在所述识别辅助模型的隐藏层对所述相关数据进行处理，提取反映了风险操作的高维特征；根据所述高维特征，判定所述用户在所述指定的商户平台上的操作是否存在被欺诈风险。
需要说明的是，根据识别辅助模型隐藏层中用户在指定的商户平台的消费信息，判定所述用户在指定的商户平台上的操作是否存在被欺诈风险，比如，欺诈者可以冒充客户退款，前期拿到用户在网上泄漏的消费信息，接着引导受害者进入圈套，最后利用用户对码支付不熟悉，让用户扫码付款，识别辅助模型可以判定出用户在该商户平台上的操作存在被欺诈风险。
根据识别辅助模型隐藏层中用户在一个或多个商户平台的聊天信息，判定所述用户在指定的商户平台上的操作是否存在被欺诈风险，比如，欺诈者可以提示用户货源紧张，需要先付押金，若是聊天记录中存在预付押金相关的信息，识别辅助模型可以判定出用户在该商户平台上的操作存在被欺诈风险。
在本说明书一个或多个实施例中，根据判定结果进行相应处理，具体可以包括：
在判定出所述用户在指定的商户平台上的操作存在被欺诈风险时，确定出指定的商户平台和支付平台分别的业务数据；
根据商户平台和支付平台分别的业务数据及识别辅助模型，确定出向所述用户进行具体的防止被欺诈的提示或直接终止交易。
进一步的，根据商户平台和支付平台分别的业务数据及识别辅助模型，确定出向所述用户进行具体的防止被欺诈的提示或直接终止交易，具体可以包括：通过商户平台和支付平台分别的业务数据确定出被欺诈风险的类型，并在识别辅助模型中进行匹配，确定出具体的防止被欺诈的提示信息，其中，具体的防止被欺诈的提示信息可以根据识别辅助模型中历史被欺诈记录所生成的提示。该提示可以列举出类似的案例、指定的商户平台的具体信息及相关联的警示语。通过上述方案可以更多的引起用户的注意，使得用户提高防欺诈的意识，避免发生被欺诈。
例如，识别出针对当前用户的风险操作链路，然后通过识别辅助模型，在之前的训练样本中匹配类似的风险操作链路，在匹配成功的训练样本中进一步地确定特征(比如，用户周围环境、用户本人的习惯、用户的家庭构成)相似的用户，获取这些用户受诈骗的相关信息(比如，受骗过程中的一步步操作、直接损失、受骗后的境遇等)，并据此生成相应的警示信息，向当前用户警示，由于这种用户间的相似性，有助于引起当前用户的共鸣和关注，当前用户可能会觉得这些前受骗用户当时的受骗情况与自己现在面临的情况是何其相似，从而有助于更有效地阻止当前用户受骗。
现有技术一大痛点在于，受害者通过到支付平台付款的时候大概率已经被骗了，现有技术无法获取支付之前的信息。通过共享学习，可以通过一个或多个商户平台上用户的相关数据，来辅助判断当笔交易是否是欺诈交易，提升识别的准确率。同时，被欺诈风险识别最难的地方在于操作的用户是本人，支付行为和平时差距不大，因此识别难度较高。本说明书一个或多个实施例可以通过识别辅助模型判定出用户在指定的商户平台上的操作存在被欺诈风险。
本说明书一个或多个实施例在支付平台和商户平台共同做被欺诈风险识别，不再需要分别识别，减少资源的浪费。通过共享学习，可以在支付平台的基础上，扩展商户平台的数据，提升识别准确率。
图6为本说明书一个或多个实施例提供的一种基于共享学习的被欺诈风险识别装置的结构示意图，装置包括：平台配合单元302、模型确定单元304、数据采集单元306与判定处理单元308。
平台配合单元302，将支付平台的业务数据发送给第三方权威平台，以使所述第三方权威平台在预定的商户平台中，匹配得到所述商户平台与所述支付平台的共有用户和非共有用户，针对所述支付平台和所述商户平台对所述非共有用户进行隐私保护处理，并获取所述共有用户在所述支付平台以及一个或多个商户平台分别的业务数据，至少部分所述业务数据指示了欺诈行为；
模型确定单元304确定识别辅助模型，识别辅助模型由所述第三方权威平台，根据所述共有用户在所述支付平台以及一个或多个商户平台分别的业务数据，通过共享学习训练得到。
数据采集单元306采集指定的商户平台上用户的相关数据，所述指定的商户平台通过所述支付平台向所述用户提供支付渠道；
判定处理单元308根据所述用户的相关数据和所述识别辅助模型，判定所述用户在指定的商户平台上的操作是否存在被欺诈风险，并根据判定结果进行相应处理。
进一步的，装置还包括：行为检测单元310。
行为检测单元310检测到所述用户在所述指定的商户平台通过所述支付渠道发起交易行为。
进一步的，支付平台的业务数据包括用户信息、商户平台信息及用户在商户平台的交易信息；其中，
所述用户信息包括身份数据、在商户平台的支付数据、在其他平台的支付数据及用户被欺诈的信息中的一项或多项；
所述商户平台信息包括直连所述支付平台付款的信息、通过中间商连接所述支付平台付款的信息及历史欺诈浓度中的一项或多项；
所述交易信息包括交易时间、交易金额及交易场景中的一项或多项；和/或，
所述一个或多个商户平台的业务数据包括业务行为数据以及用户是否被欺诈过；
所述业务行为数据包括充值行为、商品购买行为、浏览行为、赠送物品行为中的一项或多项。
进一步的，所述判定处理单元308，根据所述用户的相关数据和所述识别辅助模型，判定所述用户的易说服等级；
若判定所述用户在所述指定的商户平台上的操作存在被欺诈风险，根据所述易说服等级，执行对应的用户安抚动作，所述用户安抚动作包括生成模拟风险交易用于反馈用户、直接拦截所述用户的业务操作。
进一步的，装置还包括：模型构建单元312、加密对齐单元314与模型训练单元316。
模型构建单元312构建训练数据集合并建立初始的识别辅助模型，其中，所述训练数据集合包括一个或多个商户平台和支付平台分别的业务数据及预先标记的标签数据；
加密对齐单元314对所述训练数据集合进行基于加密的样本对齐处理；
模型训练单元316根据处理后的训练数据集合求得一个或多个商户平台与所述支付平台对应的梯度和损失，并确定出识别辅助模型的参数，据此得到符合条件的识别辅助模型。
进一步的，判定处理单元308具体用于：
在显示所述支付平台的支付页面之前，判定所述用户在指定的商户平台上的操作是否存在被欺诈风险。
进一步的，判定处理单元308具体用于：
通过所述识别辅助模型，接收反映了用户特定操作的相关数据，所述特定操作包括预定时间内，用户在所述商户平台及其外部的多个业务环节的操作；
通过在所述识别辅助模型的隐藏层对所述相关数据进行处理，提取反映了风险操作链路的高维特征；
根据所述高维特征，判定所述用户在所述指定的商户平台上的操作是否存在被欺诈风险。
图7为本说明书一个或多个实施例提供的一种基于共享学习的被欺诈风险识别设备的结构示意图，所述设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
将支付平台的业务数据发送给第三方权威平台，以使所述第三方权威平台在预定的商户平台中，匹配得到所述商户平台与所述支付平台的共有用户和非共有用户，针对所述支付平台和所述商户平台对所述非共有用户进行隐私保护处理，并获取所述共有用户在所述支付平台以及一个或多个商户平台分别的业务数据，至少部分所述业务数据指示了欺诈行为；
确定识别辅助模型，所述识别辅助模型由所述第三方权威平台，根据所述共有用户在所述支付平台以及一个或多个商户平台分别的业务数据，通过共享学习训练得到；
采集指定的商户平台上用户的相关数据，所述指定的商户平台通过所述支付平台向所述用户提供支付渠道；
根据所述用户的相关数据和所述识别辅助模型，判定所述用户在指定的商户平台上的操作是否存在被欺诈风险，并根据判定结果进行相应处理。
本说明书一个或多个实施例提供的一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：
将支付平台的业务数据发送给第三方权威平台，以使所述第三方权威平台在预定的商户平台中，匹配得到所述商户平台与所述支付平台的共有用户和非共有用户，针对所述支付平台和所述商户平台对所述非共有用户进行隐私保护处理，并获取所述共有用户在所述支付平台以及一个或多个商户平台分别的业务数据，至少部分所述业务数据指示了欺诈行为；
确定识别辅助模型，所述识别辅助模型由所述第三方权威平台，根据所述共有用户在所述支付平台以及一个或多个商户平台分别的业务数据，通过共享学习训练得到；
采集指定的商户平台上用户的相关数据，所述指定的商户平台通过所述支付平台向所述用户提供支付渠道；
根据所述用户的相关数据和所述识别辅助模型，判定所述用户在指定的商户平台上的操作是否存在被欺诈风险，并根据判定结果进行相应处理。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书实施例可提供为方法、系统、或计算机程序产品。因此，本说明书实施例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，本说明书实施例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。
本说明书是参照根据本说明书实施例的方法、设备(系统)、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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本说明书的一个或多个实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。
Claims (15)
1.一种基于共享学习的被欺诈风险识别方法，包括：
将支付平台的业务数据发送给第三方权威平台，以使所述第三方权威平台在预定的商户平台中，匹配得到所述商户平台与所述支付平台的共有用户和非共有用户，针对所述支付平台和所述商户平台对所述非共有用户进行隐私保护处理，并获取所述共有用户在所述支付平台以及一个或多个商户平台分别的业务数据，至少部分所述业务数据指示了欺诈行为；
确定识别辅助模型，所述识别辅助模型由所述第三方权威平台，根据所述共有用户在所述支付平台以及一个或多个商户平台分别的业务数据，通过共享学习训练得到；
采集指定的商户平台上用户的相关数据，所述指定的商户平台通过所述支付平台向所述用户提供支付渠道；
根据所述用户的相关数据和所述识别辅助模型，判定所述用户在所述指定的商户平台上的操作是否存在被欺诈风险，并根据判定结果进行相应处理；
所述方法包括：根据所述用户的相关数据和所述识别辅助模型，判定所述用户的易说服等级。
2.如权利要求1所述的方法，所述根据所述用户的相关数据和所述识别辅助模型，判定所述用户在所述指定的商户平台上的操作是否存在被欺诈风险之前，所述方法还包括：
检测到所述用户在所述指定的商户平台通过所述支付渠道发起交易行为。
3.如权利要求1所述的方法，所述支付平台的业务数据包括用户信息、商户平台信息及用户在商户平台的交易信息；其中，
所述用户信息包括身份数据、在商户平台的支付数据、在其他平台的支付数据及用户被欺诈的信息中的一项或多项；
所述商户平台信息包括直连所述支付平台付款的信息、通过中间商连接所述支付平台付款的信息及历史欺诈浓度中的一项或多项；
所述交易信息包括交易时间、交易金额及交易场景中的一项或多项；和/或，
所述一个或多个商户平台的业务数据包括业务行为数据以及用户是否被欺诈过；
所述业务行为数据包括充值行为、商品购买行为、浏览行为、赠送物品行为中的一项或多项。
4.如权利要求1所述的方法，所述根据判定结果进行相应处理，具体包括：
若判定所述用户在所述指定的商户平台上的操作存在被欺诈风险，根据所述易说服等级，执行对应的用户安抚动作，所述用户安抚动作包括生成模拟风险交易用于反馈用户、直接拦截所述用户的业务操作。
5.如权利要求1所述的方法，所述确定识别辅助模型之前，所述方法还包括：
构建训练数据集合并建立初始的识别辅助模型，其中，所述训练数据集合包括一个或多个商户平台和支付平台分别的业务数据及预先标记的标签数据；
对所述训练数据集合进行基于加密的样本对齐处理；
根据处理后的训练数据集合求得所述一个或多个商户平台与所述支付平台分别对应的梯度和损失，并确定出识别辅助模型的参数，据此得到符合条件的识别辅助模型。
6.如权利要求1所述的方法，所述判定所述用户在指定的商户平台上的操作是否存在被欺诈风险，具体包括：
在显示所述支付平台的支付页面之前，判定所述用户在指定的商户平台上的操作是否存在被欺诈风险。
7.如权利要求1所述的方法，所述根据所述用户的相关数据和所述识别辅助模型，判定所述用户在所述指定的商户平台上的操作是否存在被欺诈风险，具体包括：
通过所述识别辅助模型，接收反映了用户特定操作的相关数据，所述特定操作包括预定时间内，用户在所述商户平台及其外部的多个业务环节的操作；
通过在所述识别辅助模型的隐藏层对所述相关数据进行处理，提取反映了风险操作链路的高维特征；
根据所述高维特征，判定所述用户在所述指定的商户平台上的操作是否存在被欺诈风险。
8.一种基于共享学习的被欺诈风险识别装置，包括：
平台配合单元，将支付平台的业务数据发送给第三方权威平台，以使所述第三方权威平台在预定的商户平台中，匹配得到所述商户平台与所述支付平台的共有用户和非共有用户，针对所述支付平台和所述商户平台对所述非共有用户进行隐私保护处理，并获取所述共有用户在所述支付平台以及一个或多个商户平台分别的业务数据，至少部分所述业务数据指示了欺诈行为；
模型确定单元，确定识别辅助模型，所述识别辅助模型由所述第三方权威平台，根据所述共有用户在所述支付平台以及一个或多个商户平台分别的业务数据，通过共享学习训练得到；
数据采集单元，采集指定的商户平台上用户的相关数据，所述指定的商户平台通过所述支付平台向所述用户提供支付渠道；
判定处理单元，根据所述用户的相关数据和所述识别辅助模型，判定所述用户在所述指定的商户平台上的操作是否存在被欺诈风险，并根据判定结果进行相应处理；
所述装置执行：
根据所述用户的相关数据和所述识别辅助模型，判定所述用户的易说服等级。
9.如权利要求8所述的装置，所述装置还包括：
行为检测单元，在所述判定处理单元根据所述用户的相关数据和所述识别辅助模型，判定所述用户在所述指定的商户平台上的操作是否存在被欺诈风险之前，检测到所述用户在所述指定的商户平台通过所述支付渠道发起交易行为。
10.如权利要求8所述的装置，所述支付平台的业务数据包括用户信息、商户平台信息及用户在商户平台的交易信息；其中，
所述用户信息包括身份数据、在商户平台的支付数据、在其他平台的支付数据及用户被欺诈的信息中的一项或多项；
所述商户平台信息包括直连所述支付平台付款的信息、通过中间商连接所述支付平台付款的信息及历史欺诈浓度中的一项或多项；
所述交易信息包括交易时间、交易金额及交易场景中的一项或多项；和/或，
所述一个或多个商户平台的业务数据包括业务行为数据以及用户是否被欺诈过；
所述业务行为数据包括充值行为、商品购买行为、浏览行为、赠送物品行为中的一项或多项。
11.如权利要求8所述的装置，判定处理单元，若判定所述用户在所述指定的商户平台上的操作存在被欺诈风险，根据所述易说服等级，执行对应的用户安抚动作，所述用户安抚动作包括生成模拟风险交易用于反馈用户、直接拦截所述用户的业务操作。
12.如权利要求8所述的装置，所述装置还包括：
模型构建单元，构建训练数据集合并建立初始的识别辅助模型，其中，所述训练数据集合包括一个或多个商户平台和支付平台分别的业务数据及预先标记的标签数据；
加密对齐单元，对所述训练数据集合进行基于加密的样本对齐处理；
模型训练单元，根据处理后的训练数据集合求得所述一个或多个商户平台与所述支付平台分别对应的梯度和损失，并确定出识别辅助模型的参数，据此得到符合条件的识别辅助模型。
13.如权利要求8所述的装置，所述判定处理单元，在显示所述支付平台的支付页面之前，判定所述用户在指定的商户平台上的操作是否存在被欺诈风险。
14.如权利要求8所述的装置，所述判定处理单元，通过所述识别辅助模型，接收反映了用户特定操作的相关数据，所述特定操作包括预定时间内，用户在所述商户平台及其外部的多个业务环节的操作；
通过在所述识别辅助模型的隐藏层对所述相关数据进行处理，提取反映了风险操作链路的高维特征；
根据所述高维特征，判定所述用户在所述指定的商户平台上的操作是否存在被欺诈风险。
15.一种基于共享学习的被欺诈风险识别设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
将支付平台的业务数据发送给第三方权威平台，以使所述第三方权威平台在预定的商户平台中，匹配得到所述商户平台与所述支付平台的共有用户和非共有用户，针对所述支付平台和所述商户平台对所述非共有用户进行隐私保护处理，并获取所述共有用户在所述支付平台以及一个或多个商户平台分别的业务数据，至少部分所述业务数据指示了欺诈行为；
确定识别辅助模型，所述识别辅助模型由所述第三方权威平台，根据所述共有用户在所述支付平台以及一个或多个商户平台分别的业务数据，通过共享学习训练得到；
采集指定的商户平台上用户的相关数据，所述指定的商户平台通过所述支付平台向所述用户提供支付渠道；
根据所述用户的相关数据和所述识别辅助模型，判定所述用户在所述指定的商户平台上的操作是否存在被欺诈风险，并根据判定结果进行相应处理；
所述处理器执行：根据所述用户的相关数据和所述识别辅助模型，判定所述用户的易说服等级。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110326042.4A CN113034153B (zh) | 2021-03-26 | 2021-03-26 | 一种基于共享学习的被欺诈风险识别方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110326042.4A CN113034153B (zh) | 2021-03-26 | 2021-03-26 | 一种基于共享学习的被欺诈风险识别方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113034153A CN113034153A (zh) | 2021-06-25 |
| CN113034153B true CN113034153B (zh) | 2022-08-02 |
Family
ID=76474329
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110326042.4A Active CN113034153B (zh) | 2021-03-26 | 2021-03-26 | 一种基于共享学习的被欺诈风险识别方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113034153B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113570205A (zh) * | 2021-07-07 | 2021-10-29 | 北京淇瑀信息科技有限公司 | 基于单分类的api风险设备识别方法、装置及电子设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109978538A (zh) * | 2017-12-28 | 2019-07-05 | 阿里巴巴集团控股有限公司 | 确定欺诈用户、训练模型、识别欺诈风险的方法及装置 |
| CN110705988A (zh) * | 2019-09-12 | 2020-01-17 | 阿里巴巴集团控股有限公司 | 受侵害行为的交互式阻断方法和系统 |
| CN111027981A (zh) * | 2019-12-13 | 2020-04-17 | 支付宝(杭州)信息技术有限公司 | 多方联合训练针对IoT机具的风险评估模型的方法及装置 |
| CN111062770A (zh) * | 2019-10-31 | 2020-04-24 | 支付宝(杭州)信息技术有限公司 | 商户识别方法、设备及计算机可读介质 |
| CN111144718A (zh) * | 2019-12-12 | 2020-05-12 | 支付宝(杭州)信息技术有限公司 | 基于私有数据保护的风险决策方法、装置、系统及设备 |
| CN111401916A (zh) * | 2020-06-05 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 一种交易风险的识别方法和装置 |
| CN112150221A (zh) * | 2020-11-25 | 2020-12-29 | 支付宝(杭州)信息技术有限公司 | 一种基于联邦学习的直播间业务处理方法、装置及设备 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106709792A (zh) * | 2017-01-22 | 2017-05-24 | 博元森禾信息科技（北京）有限公司 | 药品在线交易信任度的评价方法及装置 |
| CN110189134B (zh) * | 2019-05-17 | 2023-01-31 | 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 |
| CN112308462A (zh) * | 2020-11-23 | 2021-02-02 | 国网北京市电力公司 | 电力用户分类方法及装置 |
-
2021
- 2021-03-26 CN CN202110326042.4A patent/CN113034153B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109978538A (zh) * | 2017-12-28 | 2019-07-05 | 阿里巴巴集团控股有限公司 | 确定欺诈用户、训练模型、识别欺诈风险的方法及装置 |
| CN110705988A (zh) * | 2019-09-12 | 2020-01-17 | 阿里巴巴集团控股有限公司 | 受侵害行为的交互式阻断方法和系统 |
| CN111062770A (zh) * | 2019-10-31 | 2020-04-24 | 支付宝(杭州)信息技术有限公司 | 商户识别方法、设备及计算机可读介质 |
| CN111144718A (zh) * | 2019-12-12 | 2020-05-12 | 支付宝(杭州)信息技术有限公司 | 基于私有数据保护的风险决策方法、装置、系统及设备 |
| CN111027981A (zh) * | 2019-12-13 | 2020-04-17 | 支付宝(杭州)信息技术有限公司 | 多方联合训练针对IoT机具的风险评估模型的方法及装置 |
| CN111401916A (zh) * | 2020-06-05 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 一种交易风险的识别方法和装置 |
| CN112150221A (zh) * | 2020-11-25 | 2020-12-29 | 支付宝(杭州)信息技术有限公司 | 一种基于联邦学习的直播间业务处理方法、装置及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113034153A (zh) | 2021-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113168637B (zh) | 用于交易验证期间的次级欺诈检测的方法和系统 | |
| US11995632B1 (en) | Point of sale terminal of a mobile device | |
| US20230035321A1 (en) | Systems and methods for hyperledger-based payment transactions, alerts, and dispute settlement, using smart contracts | |
| US9183480B1 (en) | Using temporary data with a magnetic stripe card | |
| Chu et al. | Review of offline payment function of CBDC considering security requirements | |
| US20230098747A1 (en) | Systems and methods for payment transactions, alerts, dispute settlement, and settlement payments, using multiple blockchains | |
| CN109155030A (zh) | 用于便利网络交易的系统和方法 | |
| Peters et al. | Opening discussion on banking sector risk exposures and vulnerabilities from virtual currencies: An operational risk perspective | |
| US20230019639A1 (en) | Systems and methods for blockchain-based payment transactions, alerts, and dispute settlement, using a blockchain interface server | |
| CN113723967B (zh) | 一种业务风险分析方法、装置及设备 | |
| US20140214654A1 (en) | Payment information technologies | |
| US20190147182A1 (en) | Data Access System | |
| CN114787845A (zh) | 利用密码的计划交互 | |
| CN109598425A (zh) | 一种对风险对象进行管控的方法、装置及设备 | |
| RU2693597C1 (ru) | Управление уникальностью клиентов в системах, использующих токены | |
| CN113034153B (zh) | 一种基于共享学习的被欺诈风险识别方法、装置及设备 | |
| US20230013949A1 (en) | Interactive user interface systems and methods for analyzing transaction attributes and dispute information using blockchain | |
| US20200034844A1 (en) | Implementing fraud controls on a hybrid network | |
| US20230214846A1 (en) | Transaction compliance scoring system | |
| CN115204875A (zh) | 储值卡资金安全控制方法及装置 | |
| ILMA et al. | BLOCKCHAIN-BASED DIGITAL CURRENCY: SECURING WITH AI AND IOT | |
| US11948150B1 (en) | Computer-based systems and/or computing devices programmed for instant issuance of a replacement physical access instrument; and methods of use thereof | |
| US20240346508A1 (en) | Chaining transactions for fraud prevention | |
| Bohm et al. | Banking and bookkeeping | |
| Murray | Breaking Benjamin: Security Threats in Mobile Payment Applications |
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 |