CN114943619A - 交易异常账户识别方法、系统、服务器及存储介质 - Google Patents
交易异常账户识别方法、系统、服务器及存储介质 Download PDFInfo
- Publication number
- CN114943619A CN114943619A CN202210705249.7A CN202210705249A CN114943619A CN 114943619 A CN114943619 A CN 114943619A CN 202210705249 A CN202210705249 A CN 202210705249A CN 114943619 A CN114943619 A CN 114943619A
- Authority
- CN
- China
- Prior art keywords
- transaction
- sample
- time
- account
- target
- 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
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
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- 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
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Probability & Statistics with Applications (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Fuzzy Systems (AREA)
- Algebra (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供一种交易异常账户识别方法、系统、服务器及存储介质,该方法应用于数据处理技术领域,该方法包括:获取待检测账号的交易流水信息并确定待检测账号对应的至少一个交易周期,根据每个交易周期的觉醒时间节点的账户余额以及爆发时间节点的账户余额差值确定交易周期对应的交易金额,将最大的交易金额作为目标交易金额,并根据目标交易金额对应的目标交易周期中包含的觉醒时间节点以及获取待检测账号的交易流水信息的时间确定目标交易休眠时间,若目标交易休眠时间大于或者等于目标休眠时间阈值,则判定待检测账号为异常账号。本发明提出一种根据交易金额以及休眠时间识别异常账号的方法,提高了识别异常账号的准确性。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种交易异常账户识别方法、系统、服务器及存储介质。
背景技术
金融欺诈和电信诈骗越来越猖獗,犯罪分子为躲避追查,通常通过“租卡”或“买卡”的形式,租赁或者购买他人的银行卡进行金融欺诈交易。
现有技术中,为了提前检测出异常交易账号,一般通过追踪银行卡对应账户的交易流水,若检测到某个账号的交易流水中出现了异常金额大小的资金交易,则会对该银行卡账户的资金交易账号进行监控,及时对可能出现的金融欺诈交易进行资金冻结。
然后,由于现有技术中通过追踪异常金额的资金交易来检测异常账号的方法,可能会将正常交易的账户误判为异常账户,影响检测异常账号结果的准确率。
发明内容
本发明提供一种交易异常账户识别方法、系统、服务器及存储介质,通过提出一种根据交易金额以及休眠时间识别异常账号的方法,提高了识别异常账号结果的准确性。
第一方面,本发明提供一种交易异常账户识别方法,包括:
获取待检测账号的交易流水信息,根据所述交易流水信息确定所述待检测账号对应的交易时间序列,其中所述交易时间序列包含至少一个交易序列,其中每个交易序列包含交易时间节点以及账户余额;
根据所有的交易序列获得至少一个交易周期,并根据每个交易周期包含的所有交易序列的交易时间节点确定每个交易周期对应的觉醒时间节点和爆发时间节点;
根据每个交易周期对应的觉醒时间节点对应的账户余额以及爆发时间节点对应的账户余额的差值确定所述交易周期对应的交易金额,将最大的交易金额作为目标交易金额,并将所述目标交易金额对应的交易周期确定为目标交易周期,并根据所述目标交易周期中包含的觉醒时间节点以及获取待检测账号的交易流水信息的时间获得目标交易休眠时间;
根据预存的交易金额与休眠时间阈值的对照表确定所述目标交易金额对应的目标休眠时间阈值,若所述目标交易休眠时间大于或者等于所述目标休眠时间阈值,则判定所述待检测账号为异常账号。
在一种可能的设计中,在所述根据预存的交易金额与休眠时间阈值的对照表确定所述目标交易金额对应的目标休眠时间阈值之前,还包括:
获取至少一个样本账号对应的样本交易流水信息,并根据每个样本账号对应的样本交易流水信息确定所述样本账号对应的样本交易时间序列,其中每个样本交易时间序列包含至少一个样本交易序列,其中每个样本交易序列包含样本交易时间以及样本交易余额;
根据所有的样本交易序列获得至少一个样本交易周期,并根据每个样本交易周期包含的所有样本交易序列的样本交易时间确定每个样本交易周期对应的样本觉醒时间节点和样本爆发时间节点;
根据每个样本交易周期的样本觉醒时间节点对应的样本交易余额以及样本爆发时间节点对应的样本交易余额的差值确定所述样本交易周期对应的样本交易金额,将每个样本账号对应的样本交易金额最大的样本交易周期确定为所述样本账号的目标样本交易周期,将每个样本账号对应的目标样本交易周期对应的样本交易金额确定为所述样本账号对应的目标样本交易金额,并根据每个目标交易周期包含的样本爆发时间节点以及获取所述样本账号对应的样本交易流水信息时间获得目标样本休眠时间;
根据预设的至少一个交易参考金额区间将所有的样本账号分为至少一个样本集合,其中每个交易金额参考区间对应一个交易金额最小值以及一个交易金额最大值,所述交易参考金额区间对应的样本集合中包含所有样本账号的目标样本交易金额大于或者等于所述交易金额最小值、且小于或者等于所述交易金额最大值;
根据每个样本集合包含的所有样本账号的目标样本交易金额的均值确定为所述样本集合对应的参考交易金额,并根据每个样本集合包含的所有样本账号的目标样本休眠时间获得所述样本集合对应的参考休眠时间;
根据所有的样本集合对应的参考交易金额以及参考休眠时间获得交易金额与休眠时间阈值的对照表。
在一种可能的设计中,所述根据每个样本集合包含的所有样本账号的目标样本休眠时间获得所述样本集合对应的参考休眠时间,包括:
根据每个样本集合包含的所有样本账号的目标样本休眠时间获得所述样本集合对应的休眠时间概率分布函数,其中所述样本集合对应的休眠时间概率分布函数与所述样本集合对应的参考交易金额相对应,每个休眠时间概率分布函数中的横坐标为休眠时间,纵坐标为所述休眠时间对应的概率;
根据每个休眠时间概率分布函数中预设概率阈值对应的休眠时间获得所述样本集合对应的参考休眠时间。
在一种可能的设计中,在所述根据预设的至少一个交易参考金额区间将所有的样本账号分为至少一个样本集合之后,还包括:
若所述样本集合中包含的样本账号的数量小于预设数量,则重复执行所述获取至少一个样本账号对应的样本交易流水信息,并根据每个样本账号对应的样本交易流水信息确定所述样本账号对应的样本交易时间序列,根据所有的样本交易时间序列确定至少一个样本交易周期,并根据每个样本交易周期的样本觉醒时间节点对应的样本交易余额以及样本爆发时间节点对应的样本交易余额的差值确定所述样本交易周期对应的样本交易金额;确定每个样本账号对应的样本交易金额最大的样本交易周期作为所述样本账号的目标样本交易周期,将每个样本账号对应的目标样本交易周期对应的样本交易金额确定为所述样本账号对应的目标样本交易金额,并根据每个目标交易周期包含的样本爆发时间节点以及获取所述样本账号对应的样本交易流水信息时间获得目标样本休眠时间的步骤,直至每个样本集合中包含的样本账号的数量大于或者等于预设数量。
在一种可能的设计中,在所述获取至少一个样本账号对应的样本交易流水信息之前,还包括:
获取至少一个交易账号对应的交易流水信息,并根据预设采样时间间隔获取每个交易账号对应的交易流水信息的累计转入金额以及累计转出金额;
若所述交易账号对应的累计转入金额或累计转出金额大于或者等于预设交易金额阈值,则将所述交易账号确定为样本账号。
在一种可能的设计中,所述根据所述交易流水信息确定所述待检测账号对应的交易时间序列,包括:
根据预设时间间隔获取所述交易流水信息对应的至少一条交易序列,其中所述交易序列中包含交易起始时间、交易结束时间、入账交易金额或出账交易金额、交易起始余额以及交易结束余额;
将每个交易序列包含交易起始时间或交易结束时间确定为所述交易序列对应的交易时间节点,将每个交易序列的交易起始时间的账户余额或者交易结束时间的账户余额确定为所述交易序列对应的账户余额,并按照时间顺序对所有的交易序列进行排序获得所述待检测账号对应的交易时间序列;
相应地,所述根据所有的交易序列获得至少一个交易周期,并根据每个交易周期包含的所有交易序列的交易时间节点确定每个交易周期对应的觉醒时间节点和爆发时间节点,包括:
对所述交易时间序列中每条交易序列对应的账户余额进行数值化编码,采用均值偏移算法对编码后的交易时间序列进行聚类分组,获得至少一个交易周期;
根据每个交易周期中包含的第一条交易序列对应的交易起始时间确定所述交易周期的觉醒时间节点,并根据每个交易周期中包含的最后一条交易序列对应的交易起始时间确定所述交易周期的爆发时间节点。
在一种可能的设计中,所述根据所述目标交易周期中包含的觉醒时间节点以及获取待检测账号的交易流水信息的时间获得目标交易休眠时间,包括:
根据所述交易时间序列中所有交易序列对应的交易时间节点确定第一条交易序列,并将所述第一条交易序列对应的交易时间节点确定为所述待检测账号对应的交易启动时间;
若所述获取待检测账号的交易流水信息的时间小于或者等于交易启动时间,则将所述交易启动时间与所述目标交易周期中包含的觉醒时间节点之间的时间差确定为目标交易休眠时间;
若所述交易启动时间小于或者等于所述获取待检测账号的交易流水信息的时间,则将所述获取待检测账号的交易流水信息的时间与所述目标交易周期中包含的觉醒时间节点之间的时间差确定为目标交易休眠时间。
第二方面,本发明提供一种交易异常账户识别装置,包括:
获取模块,用于获取待检测账号的交易流水信息,根据所述交易流水信息确定所述待检测账号对应的交易时间序列,其中所述交易时间序列包含至少一个交易序列,其中每个交易序列包含交易时间节点以及账户余额;
确定模块,用于根据所有的交易序列获得至少一个交易周期,并根据每个交易周期包含的所有交易序列的交易时间节点确定每个交易周期对应的觉醒时间节点和爆发时间节点;
获得模块,用于根据每个交易周期对应的觉醒时间节点对应的账户余额以及爆发时间节点对应的账户余额的差值确定所述交易周期对应的交易金额,将最大的交易金额作为目标交易金额,并将所述目标交易金额对应的交易周期确定为目标交易周期,并根据所述目标交易周期中包含的觉醒时间节点以及获取待检测账号的交易流水信息的时间获得目标交易休眠时间;
判定模块,用于根据预存的交易金额与休眠时间阈值的对照表确定所述目标交易金额对应的目标休眠时间阈值,若所述目标交易休眠时间大于或者等于所述目标休眠时间阈值,则判定所述待检测账号为异常账号。
第三方面,本发明提供一种服务器,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如上第一方面以及第一方面各种可能的设计所述的交易异常账户识别方法。
第四方面,本发明提供一种计算机存储介质,所述计算机存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上第一方面以及第一方面各种可能的设计所述的交易异常账户识别方法。
第五方面,本发明提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上第一方面以及第一方面各种可能的设计所述的交易异常账户识别方法。
本发明提供的交易异常账户识别方法、系统、服务器及存储介质,通过获取待检测账号的交易流水信息,根据交易流水信息确定待检测账号对应的交易时间序列,根据所有的交易时间序列确定至少一个交易周期,并根据每个交易周期的觉醒时间节点对应的账户余额以及爆发时间节点对应的账户余额的差值确定交易周期对应的交易金额,将最大的交易金额作为目标交易金额,将目标交易金额对应的交易时间序列确定为目标交易序列,并根据目标交易周期中包含的觉醒时间节点以及获取待检测账号的交易流水信息的时间获得目标交易休眠时间,根据预存的交易金额与休眠时间阈值的对照表确定目标交易金额对应的目标休眠时间阈值,若目标交易休眠时间大于或者等于目标休眠时间阈值,则判定待检测账号为异常账号。本发明提出一种根据交易金额以及休眠时间识别异常账号的方法,提高了识别异常账号的准确性。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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。
图1是本发明实施例提供的交易异常账户识别方法应用场景示意图;
图2为本发明实施例提供的交易异常账户识别方法流程示意图一;
图3为本发明实施例提供的交易异常账户识别方法流程示意图二;
图4为本发明实施例提供的休眠时间概率分布函数示意图;
图5为本发明实施例提供的交易异常账户识别装置的结构示意图;
图6为本发明实施例提供的服务器的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明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,都属于本发明保护的范围。
本申请的技术方案中,所涉及的金融数据或用户数据等信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
现有技术中,犯罪分子为躲避追查,通常通过“租卡”或“买卡”的形式,租赁或者购买他人的银行进行金融欺诈交易。银行机构可以通过提前检测出异常账号来保护客户的财产。一般通过追踪银行卡对应账户的交易流水,若检测到某个账号的交易流水中出现了异常金额大小的资金交易,则会对该银行卡账户的资金交易账号进行监控,及时对可能出现的金融欺诈交易进行资金冻结。然后,由于现有技术中通过追踪异常金额的资金交易来检测异常账号的方法,可能会将正常交易的账户误判为异常账户,影响检测异常账号结果的准确率。
为了解决上述技术问题,本发明实施例提出以下技术方案:通过根据待检测账号的交易流水信息确定目标交易金额以及目标交易休眠时间,根据预存的交易金额与休眠时间阈值的对照表确定目标交易金额对应的目标休眠时间阈值,若目标交易休眠时间大于或者等于目标休眠时间阈值,则判定待检测账号为异常账号。本发明通过提出一种根据交易金额以及休眠时间识别异常账号的方法,提高了识别异常账号结果的准确性。下面采用详细的实施例进行详细说明。
图1是本发明实施例提供的交易异常账户识别方法应用场景示意图。如图1所示,银行机构的终端会采集和存储所有银行账户的交易流水信息,终端将采集的交易流水信息发送至后台的服务器进行数据处理,后台的服务器根据获取的待检测账号的交易流水信息进行分析,根据服务器中预存的交易金额与休眠时间阈值的对照表判定待检测账号是否为异常账号,提高了识别异常账号的准确性。
图2为本发明实施例提供的交易异常账户识别方法流程示意图一,本实施例的执行主体可以为图1所示实施例中的服务器,本实施例此处不做特别限制。如图2所示,该方法包括:
S201:获取待检测账号的交易流水信息,根据交易流水信息确定待检测账号对应的交易时间序列,其中交易时间序列包含至少一个交易序列,其中每个交易序列包含交易时间节点以及账户余额。
在本发明实施例中,接收到终端发送的待检测账号的交易流水信息中包含该账户的所有交易信息。示例性的,交易流水信息中包含交易起始时间和交易结束时间,包含交易方向例如支出和收入,还包含交易商户的注册信息、交易账单编号以及交易结束后的余额。示例性的,在获取到待检测账号的所有的交易流水信息之后,根据所有的交易流水信息获得该账号对应的交易时间序列。示例性的,可根据预设时间间隔获取交易流水信息对应的至少一条交易序列,其中交易序列中包含交易起始时间、交易结束时间、入账交易金额或出账交易金额、交易起始余额以及交易结束余额。示例性的,预设时间间隔可以为1分钟,若在任意时间间隔内未发生任何交易,则该时间间隔不存在对应的交易序列。若在任意时间间隔内出现了多笔金融交易,则交易金额为所有入账交易金额或出账交易金额的交易金额的总值,即将多笔金融交易中包含的入账交易金额的总和记为正数值,将出账交易金额的总和记为负数值,计算正数值和负数值的总值,若总值大于零,记作该时间间隔对应的交易序列的入账交易金额,若总值小于零,记作该时间间隔对应的交易序列的出账交易金额。
示例性的,将每个交易序列包含交易起始时间或交易结束时间确定为交易序列对应的交易时间节点,将每个交易序列的交易起始时间的账户余额或者交易结束时间的账户余额确定为交易序列对应的账户余额,并按照时间顺序对所有的交易序列进行排序获得待检测账号对应的交易时间序列。具体的,每个交易序列对应的交易起始时间为开始进行交易的时间,即在该时间间隔内可能包含了多笔金融交易,将第一笔交易开始时间确定为该交易序列对应的交易起始时间。交易结束时间为最后一笔交易结束后对应的时间。
S202:根据所有的交易序列获得至少一个交易周期,并根据每个交易周期包含的所有交易序列的交易时间节点确定每个交易周期对应的觉醒时间节点和爆发时间节点。
在本发明实施例中,对交易时间序列中每条交易序列对应的账户余额进行数值化编码,采用均值偏移算法对编码后的交易时间序列进行聚类分组,获得至少一个交易周期。其中,均值偏移聚类算法是一种基于滑动窗口的算法,它视图找到密集的数据点具体的,按照预设单位交易金额对每条交易序列的账户余额进行数值化编码,获得每个交易序列对应的交易参数。根据预设时间间隔和每个交易序列对应的交易参数生成交易参数变化曲线。将编码后的交易参数小于预设交易参数的交易序列的账户金额设置为零。根据账户金额设置为零的交易序列将所有的交易序列进行分割,分割为多个分段交易序列,每个交易序列包含多个交易参数不为零的交易序列。在每个分段交易序列选取任意交易序列对应的时间点为中心点,并根据预设时长的时间窗口从中心点开始在交易参数变化曲线的时间轴上按照预设时间间隔的大小进行滑动,并计算每次滑动后的时间窗口内包含的所有交易序列的交易参数的平均值,并根据每次滑动后的时间窗口的交易参数的平均值调整滑动方向,通过移向时间窗口的交易参数的平均值,使得时间窗口将逐渐向交易参数平均值更高的方向移动。在每个分段交易序列中,将多个交易序列作为中心点进行滑动时间窗口,会获得每个分段交易序列对应的交易参数平均值较高的时间窗口,根据滑动结束后交易参数平均值最高时间窗口包含的交易金额最高的交易序列确定交易周期,其中该分段交易序列包含的第一个不为零的交易序列的交易起始时间确定为该交易周期的觉醒时间节点,将平均值最高时间窗口包含的交易金额最高的交易序列对应的交易起始时间确定为该交易周期的爆发时间节点。
S203:根据每个交易周期对应的觉醒时间节点对应的账户余额以及爆发时间节点对应的账户余额的差值确定交易周期对应的交易金额,将最大的交易金额作为目标交易金额,并将目标交易金额对应的交易周期确定为目标交易周期,并根据目标交易周期中包含的觉醒时间节点以及获取待检测账号的交易流水信息的时间获得目标交易休眠时间。
在本发明实施例中,在获得了待检测账号的交易时间序列之后,对交易时间序列中包含的所有交易序列进行分析,由于异常账号的异常突变特征为休眠期长、交易金额较大,即休眠期与爆发特征之间的对应关系,因此可以分析账号对应的交易时间序列确定该账号的交易爆发点以及该爆发点对应的休眠时间,以提高识别异常账号的准确性。示例性的,根据每个交易周期对应的觉醒时间节点对应的账户余额以及爆发时间节点对应的账户余额的差值确定交易周期对应的交易金额,将最大的交易金额作为目标交易金额,并将目标交易金额对应的交易周期确定为目标交易周期,并根据目标交易周期中包含的觉醒时间节点以及获取待检测账号的交易流水信息的时间获得目标交易休眠时间。示例性的,根据交易时间序列中所有交易序列对应的交易时间确定第一条交易序列,并将第一条交易序列对应的交易时间节点确定为待检测账号对应的交易启动时间;若获取待检测账号的交易流水信息的时间小于或者等于交易启动时间,则将交易启动时间与目标交易周期中包含的觉醒时间节点之间的时间差确定为目标交易休眠时间;若交易启动时间小于或者等于获取待检测账号的交易流水信息的时间,则将获取待检测账号的交易流水信息的时间与目标交易周期中包含的觉醒时间节点之间的时间差确定为目标交易休眠时间。
S204:根据预存的交易金额与休眠时间阈值的对照表确定目标交易金额对应的目标休眠时间阈值,若目标交易休眠时间大于或者等于目标休眠时间阈值,则判定待检测账号为异常账号。
在本发明实施例中,预存了交易金额与休眠时间阈值的对照表,即不同的交易金额对应的休眠时间阈值不同。可根据该对照表确定目标交易金额对应的目标休眠时间阈值。当目标交易休眠时间大于或者等于目标休眠时间阈值时,说明该账号可能存在异常交易,则判定该待检测账号为异常账号。
本发明实施例提供的交易异常账户识别方法,通过获得待检测账号的交易流水信息并确定目标交易金额以及目标交易休眠时间,根据预存的交易金额与休眠时间阈值的对照表确定目标交易金额对应的目标休眠时间阈值,若目标交易休眠时间大于或者等于目标休眠时间阈值,则判定待检测账号为异常账号,提出了一种根据交易金额以及休眠时间识别异常账号的方法,提高了识别异常账号结果的准确性。
图3为本发明实施例提供的交易异常账户识别方法流程示意图二。如图3所示,在图2提供的实施例提供的根据预存的交易金额与休眠时间阈值的对照表确定目标交易金额对应的目标休眠时间阈值之前,本发明实施例提供了确定休眠时间阈值的对照表的方法,该方法包括以下步骤:
S301:获取至少一个样本账号对应的样本交易流水信息,并根据每个样本账号对应的样本交易流水信息确定样本账号对应的样本交易时间序列,其中每个样本交易时间序列包含至少一个样本交易序列,其中每个样本交易序列包含样本交易时间以及样本交易金额。
示例性的,终端会将采集和存储的多个账户对应的交易流水信息发送至服务器中。在本发明实施例中,可对多个终端发送的样本账号对应的样本交易流水信息进行分析,识别出异常账号的休眠期和爆发金额之间的关系,获得交易金额与休眠时间阈值的对照表。示例性的,为了提高获得的对照表结果的准确性,可提取相对活跃的站账户作为样本账户。示例性的,在获取至少一个样本账号对应的样本交易流水信息之前,获取至少一个交易账号对应的交易流水信息,并根据预设采样时间间隔获取每个交易账号对应的交易流水信息对应的累计转入金额以及累计转出金额;若交易账号对应的累计转入金额或累计转出金额大于或者等于预设交易金额阈值,则将交易账号确定为样本账号。示例性的,预设采样时间间隔为15个月,即获得每个交易账号15个月内对应的历史交易序列。若交易账号对应的累计转入金额或累计转出金额大于或者等于预设交易金额阈值,则判定该账户为交易活跃账户,则将该交易账号确定为样本账号。在本发明实施例中,获取至少一个样本账号对应的样本交易流水信息,并根据每个样本账号对应的样本交易流水信息确定样本账号对应的样本交易时间序列的方法与图2实施例中S201的方法一致,在此不再赘述。
S302:根据所有的样本交易序列获得至少一个样本交易周期,并根据每个样本交易周期包含的所有样本交易序列的样本交易时间确定每个样本交易周期对应的样本觉醒时间节点和样本爆发时间节点。
S303:根据每个样本交易周期的样本觉醒时间节点对应的样本交易余额以及样本爆发时间节点对应的样本交易余额的差值确定样本交易周期对应的样本交易金额,将每个样本账号对应的样本交易金额最大的样本交易周期确定为样本账号的目标样本交易周期,将每个样本账号对应的目标样本交易周期对应的样本交易金额确定为样本账号对应的目标样本交易金额,并根据每个目标交易周期包含的样本爆发时间节点以及获取样本账号对应的样本交易流水信息时间获得目标样本休眠时间。
S302至S303实现的方法与效果与图2实施例中S202至S203的方法一致,在此不再赘述。
S304:根据预设的至少一个交易参考金额区间将所有的样本账号分为至少一个样本集合,其中每个交易金额参考区间对应一个交易金额最小值以及一个交易金额最大值,交易参考金额区间对应的样本集合中包含所有样本账号的目标样本交易金额大于或者等于交易金额最小值、且小于或者等于交易金额最大值。
在本发明实施例中,为了获得异常账号对应的休眠期与爆发金额之间的关联关系,可以针对具备相似爆发金额的账户对应的休眠期进行分析。示例性的,根据预设的至少一个交易参考金额区间将所有的样本账号分为至少一个样本集合。具体的,交易参考金额区间的范围对应了一个交易金额最小值以及一个交易金额最大值,将所有落在该范围内的样本账号分为一个样本集合,即同一个样本集合内包含的所有样本账号对应的目标样本交易金额的之间的差值小于该交易参考金额区间的差值范围。
示例性的,为了保证每个样本集合中包含的样本账户数量,若样本集合中包含的样本账号的数量小于预设数量,则重复执行S301和S303的步骤,当样本集合中包含的样本账户数量大于或者等于预设数量时,可根据样本账户准确地分析出异常账号对应的休眠期与爆发金额之间的关联关系。
S305:根据每个样本集合包含的所有样本账号的目标样本交易金额的均值确定为样本集合对应的参考交易金额,并根据每个样本集合包含的所有样本账号的目标样本休眠时间获得样本集合对应的参考休眠时间。
示例性的,根据每个样本集合包含的所有样本账号的目标样本休眠时间获得样本集合对应的休眠时间概率分布函数,其中样本集合对应的休眠时间概率分布函数与样本集合对应的参考交易金额相对应,每个休眠时间概率分布函数中的横坐标为休眠时间,纵坐标为休眠时间对应的概率;根据每个休眠时间概率分布函数中预设概率阈值对应的休眠时间获得样本集合对应的参考休眠时间。
在本发明实施例中,可根据帕累托函数拟合算法,利用每个样本集合包含的所有样本账号的目标样本休眠时间获得样本集合对应的休眠时间概率分布函数。其中,每个休眠时间概率分布函数中的横坐标为休眠时间,纵坐标为休眠时间对应的概率。如图4所示,图4为本发明实施例提供的休眠时间概率分布函数示意图。示例性的,一个样本集合中包含了50个样本账户,其中10个样本账户对应的目标样本休眠时间为10个月,10个样本账户对应的目标样本休眠时间为20个月,10个样本账户对应的目标样本休眠时间为30个月,10个样本账户对应的目标样本休眠时间为50个月,10个样本账户对应的目标样本休眠时间为70个月。则可根据样本集合中包含了50个样本账户以及每个样本账户对应的目标样本休眠时间进行帕累托函数拟合算法进行分析,获得该样本集合对应的休眠时间概率分布函数。
在本发明实施例中,获得该样本集合对应的休眠时间概率分布函数之后,可根据该休眠时间概率分布函数中预设概率阈值对应的休眠时间获得样本集合对应的参考休眠时间。在获得了样本集合对应的休眠时间概率分布函数之后,若该样本集合中任意个样本账号对应的目标样本休眠时间大于参考休眠时间,则可认为该账号的金融交易对应的休眠时间异常,即该样本账号为异常账号。示例性的,预设概率阈值可根据需求进行调整。
S306:根据所有的样本集合对应的参考交易金额以及参考休眠时间获得交易金额与休眠时间阈值的对照表。
在本发明实施例中,在获得了根据每个样本集合对应的参考休眠时间之后,将每个样本集合对应的参考交易金额与该样本集合对应的休眠时间阈值进行关联,并获得所有的样本集合对应交易金额与休眠时间阈值的对照表。
本实施例提供的交易异常账户识别方法,通过利用对各样本账号的样本交易流水信息,并根据预设的至少一个交易参考金额区间将所有的样本账号分为至少一个样本集合,通过获得交易金额与休眠时间阈值的对照表,识别出每个样本集合对应的参考交易金额与该样本集合对应的休眠时间阈值之间的关联关系,提高了识别异常账号结果的准确性。
图5为本发明实施例提供的交易异常账户识别装置的结构示意图。如图5所示,该交易异常账户识别装置包括:获取模块501、确定模块502、获得模块503以及判定模块504。
获取模块501,用于获取待检测账号的交易流水信息,根据所述交易流水信息确定所述待检测账号对应的交易时间序列,其中所述交易时间序列包含至少一个交易序列,其中每个交易序列包含交易时间节点以及账户余额。
确定模块502,用于根据所有的交易序列获得至少一个交易周期,并根据每个交易周期包含的所有交易序列的交易时间节点确定每个交易周期对应的觉醒时间节点和爆发时间节点。
获得模块503,用于根据每个交易周期对应的觉醒时间节点对应的账户余额以及爆发时间节点对应的账户余额的差值确定所述交易周期对应的交易金额,将最大的交易金额作为目标交易金额,并将所述目标交易金额对应的交易周期确定为目标交易周期,并根据所述目标交易周期中包含的觉醒时间节点以及获取待检测账号的交易流水信息的时间获得目标交易休眠时间。
判定模块504,用于根据预存的交易金额与休眠时间阈值的对照表确定所述目标交易金额对应的目标休眠时间阈值,若所述目标交易休眠时间大于或者等于所述目标休眠时间阈值,则判定所述待检测账号为异常账号。
在一种可能的实现方式中,交易异常账户识别装置还包括获得模块,具体用于获取至少一个样本账号对应的样本交易流水信息,并根据每个样本账号对应的样本交易流水信息确定所述样本账号对应的样本交易时间序列,其中每个样本交易时间序列包含至少一个样本交易序列,其中每个样本交易序列包含样本交易时间以及样本交易余额;根据所有的样本交易序列获得至少一个样本交易周期,并根据每个样本交易周期包含的所有样本交易序列的样本交易时间确定每个样本交易周期对应的样本觉醒时间节点和样本爆发时间节点;根据每个样本交易周期的样本觉醒时间节点对应的样本交易余额以及样本爆发时间节点对应的样本交易余额的差值确定所述样本交易周期对应的样本交易金额,将每个样本账号对应的样本交易金额最大的样本交易周期确定为所述样本账号的目标样本交易周期,将每个样本账号对应的目标样本交易周期对应的样本交易金额确定为所述样本账号对应的目标样本交易金额,并根据每个目标交易周期包含的样本爆发时间节点以及获取所述样本账号对应的样本交易流水信息时间获得目标样本休眠时间;根据预设的至少一个交易参考金额区间将所有的样本账号分为至少一个样本集合,其中每个交易金额参考区间对应一个交易金额最小值以及一个交易金额最大值,所述交易参考金额区间对应的样本集合中包含所有样本账号的目标样本交易金额大于或者等于所述交易金额最小值、且小于或者等于所述交易金额最大值;根据每个样本集合包含的所有样本账号的目标样本交易金额的均值确定为所述样本集合对应的参考交易金额,并根据每个样本集合包含的所有样本账号的目标样本休眠时间获得所述样本集合对应的参考休眠时间;根据所有的样本集合对应的参考交易金额以及参考休眠时间获得交易金额与休眠时间阈值的对照表。
在一种可能的实现方式中,获得模块还用于根据每个样本集合包含的所有样本账号的目标样本休眠时间获得所述样本集合对应的休眠时间概率分布函数,其中所述样本集合对应的休眠时间概率分布函数与所述样本集合对应的参考交易金额相对应,每个休眠时间概率分布函数中的横坐标为休眠时间,纵坐标为所述休眠时间对应的概率;根据每个休眠时间概率分布函数中预设概率阈值对应的休眠时间获得所述样本集合对应的参考休眠时间。
在一种可能的实现方式中,获得模块还用于若所述样本集合中包含的样本账号的数量小于预设数量,则重复执行所述获取至少一个样本账号对应的样本交易流水信息,并根据每个样本账号对应的样本交易流水信息确定所述样本账号对应的样本交易时间序列,根据所有的样本交易时间序列确定至少一个样本交易周期,并根据每个样本交易周期的样本觉醒时间节点对应的样本交易余额以及样本爆发时间节点对应的样本交易余额的差值确定所述样本交易周期对应的样本交易金额;确定每个样本账号对应的样本交易金额最大的样本交易周期作为所述样本账号的目标样本交易周期,将每个样本账号对应的目标样本交易周期对应的样本交易金额确定为所述样本账号对应的目标样本交易金额,并根据每个目标交易周期包含的样本爆发时间节点以及获取所述样本账号对应的样本交易流水信息时间获得目标样本休眠时间的步骤,直至每个样本集合中包含的样本账号的数量大于或者等于预设数量。
在一种可能的实现方式中,获得模块501还用于获取至少一个交易账号对应的交易流水信息,并根据预设采样时间间隔获取每个交易账号对应的交易流水信息的累计转入金额以及累计转出金额;若所述交易账号对应的累计转入金额或累计转出金额大于或者等于预设交易金额阈值,则将所述交易账号确定为样本账号。
在一种可能的实现方式中,获取模块501具体用于根据预设时间间隔获取所述交易流水信息对应的至少一条交易序列,其中所述交易序列中包含交易起始时间、交易结束时间、入账交易金额或出账交易金额、交易起始余额以及交易结束余额;将每个交易序列包含交易起始时间或交易结束时间确定为所述交易序列对应的交易时间节点,将每个交易序列的交易起始时间的账户余额或者交易结束时间的账户余额确定为所述交易序列对应的账户余额,并按照时间顺序对所有的交易序列进行排序获得所述待检测账号对应的交易时间序列。相应地,确定模块502具体用于对所述交易时间序列中每条交易序列对应的账户余额进行数值化编码,采用均值偏移算法对编码后的交易时间序列进行聚类分组,获得至少一个交易周期;根据每个交易周期中包含的第一条交易序列对应的交易起始时间确定所述交易周期的觉醒时间节点,并根据每个交易周期中包含的最后一条交易序列对应的交易起始时间确定所述交易周期的爆发时间节点。
在一种可能的实现方式中,确定模块502具体用于根据所述交易时间序列中所有交易序列对应的交易时间节点确定第一条交易序列,并将所述第一条交易序列对应的交易时间节点确定为所述待检测账号对应的交易启动时间;若所述获取待检测账号的交易流水信息的时间小于或者等于交易启动时间,则将所述交易启动时间与所述目标交易周期中包含的觉醒时间节点之间的时间差确定为目标交易休眠时间;若所述交易启动时间小于或者等于所述获取待检测账号的交易流水信息的时间,则将所述获取待检测账号的交易流水信息的时间与所述目标交易周期中包含的觉醒时间节点之间的时间差确定为目标交易休眠时间。
本实施例提供的装置,可用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,本实施例此处不再赘述。
图6为本发明实施例提供的服务器的硬件结构示意图。如图6所示,本实施例的服务器包括:处理器601以及存储器602;其中,
存储器602,用于存储计算机执行指令;
处理器601,用于执行存储器存储的计算机执行指令,以实现上述实施例中服务器所执行的各个步骤。具体可以参见前述方法实施例中的相关描述。
可选地,存储器602既可以是独立的,也可以跟处理器601集成在一起。
当存储器602独立设置时,该服务器还包括总线603,用于连接所述存储器602和处理器601。
本发明实施例还提供一种计算机存储介质,所述计算机存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上所述的交易异常账户识别方法。
本发明实施例还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时,实现如上所述的交易异常账户识别方法。本发明实施例还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时,实现如上所述的交易异常账户识别方法。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个单元中。上述模块成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能模块的形式实现的集成的模块,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器执行本申请各个实施例所述方法的部分步骤。
应理解,上述处理器可以是中央处理单元(Central Processing Unit,简称CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器,还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
总线可以是工业标准体系结构(Industry Standard Architecture,简称ISA)总线、外部设备互连(Peripheral Component Interconnect,简称PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,简称EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits,简称ASIC)中。当然,处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (11)
1.一种交易异常账户识别方法,其特征在于,包括:
获取待检测账号的交易流水信息,根据所述交易流水信息确定所述待检测账号对应的交易时间序列,其中所述交易时间序列包含至少一个交易序列,其中每个交易序列包含交易时间节点以及账户余额;
根据所有的交易序列获得至少一个交易周期,并根据每个交易周期包含的所有交易序列的交易时间节点确定每个交易周期对应的觉醒时间节点和爆发时间节点;
根据每个交易周期对应的觉醒时间节点对应的账户余额以及爆发时间节点对应的账户余额的差值确定所述交易周期对应的交易金额,将最大的交易金额作为目标交易金额,并将所述目标交易金额对应的交易周期确定为目标交易周期,并根据所述目标交易周期中包含的觉醒时间节点以及获取待检测账号的交易流水信息的时间获得目标交易休眠时间;
根据预存的交易金额与休眠时间阈值的对照表确定所述目标交易金额对应的目标休眠时间阈值,若所述目标交易休眠时间大于或者等于所述目标休眠时间阈值,则判定所述待检测账号为异常账号。
2.根据权利要求1所述的方法,其特征在于,在所述根据预存的交易金额与休眠时间阈值的对照表确定所述目标交易金额对应的目标休眠时间阈值之前,还包括:
获取至少一个样本账号对应的样本交易流水信息,并根据每个样本账号对应的样本交易流水信息确定所述样本账号对应的样本交易时间序列,其中每个样本交易时间序列包含至少一个样本交易序列,其中每个样本交易序列包含样本交易时间以及样本交易余额;
根据所有的样本交易序列获得至少一个样本交易周期,并根据每个样本交易周期包含的所有样本交易序列的样本交易时间确定每个样本交易周期对应的样本觉醒时间节点和样本爆发时间节点;
根据每个样本交易周期的样本觉醒时间节点对应的样本交易余额以及样本爆发时间节点对应的样本交易余额的差值确定所述样本交易周期对应的样本交易金额,将每个样本账号对应的样本交易金额最大的样本交易周期确定为所述样本账号的目标样本交易周期,将每个样本账号对应的目标样本交易周期对应的样本交易金额确定为所述样本账号对应的目标样本交易金额,并根据每个目标交易周期包含的样本觉醒时间节点以及获取所述样本账号对应的样本交易流水信息时间获得目标样本休眠时间;
根据预设的至少一个交易参考金额区间将所有的样本账号分为至少一个样本集合,其中每个交易金额参考区间对应一个交易金额最小值以及一个交易金额最大值,所述交易参考金额区间对应的样本集合中包含所有样本账号的目标样本交易金额大于或者等于所述交易金额最小值、且小于或者等于所述交易金额最大值;
根据每个样本集合包含的所有样本账号的目标样本交易金额的均值确定为所述样本集合对应的参考交易金额,并根据每个样本集合包含的所有样本账号的目标样本休眠时间获得所述样本集合对应的参考休眠时间;
根据所有的样本集合对应的参考交易金额以及参考休眠时间获得交易金额与休眠时间阈值的对照表。
3.根据权利要求2所述的方法,其特征在于,所述根据每个样本集合包含的所有样本账号的目标样本休眠时间获得所述样本集合对应的参考休眠时间,包括:
根据每个样本集合包含的所有样本账号的目标样本休眠时间获得所述样本集合对应的休眠时间概率分布函数,其中所述样本集合对应的休眠时间概率分布函数与所述样本集合对应的参考交易金额相对应,每个休眠时间概率分布函数中的横坐标为休眠时间,纵坐标为所述休眠时间对应的概率;
根据每个休眠时间概率分布函数中预设概率阈值对应的休眠时间获得所述样本集合对应的参考休眠时间。
4.根据权利要求2所述的方法,其特征在于,在所述根据预设的至少一个交易参考金额区间将所有的样本账号分为至少一个样本集合之后,还包括:
若所述样本集合中包含的样本账号的数量小于预设数量,则重复执行所述获取至少一个样本账号对应的样本交易流水信息,并根据每个样本账号对应的样本交易流水信息确定所述样本账号对应的样本交易时间序列,根据所有的样本交易时间序列确定至少一个样本交易周期,并根据每个样本交易周期的样本觉醒时间节点对应的样本交易余额以及样本爆发时间节点对应的样本交易余额的差值确定所述样本交易周期对应的样本交易金额;确定每个样本账号对应的样本交易金额最大的样本交易周期作为所述样本账号的目标样本交易周期,将每个样本账号对应的目标样本交易周期对应的样本交易金额确定为所述样本账号对应的目标样本交易金额,并根据每个目标交易周期包含的样本觉醒时间节点以及获取所述样本账号对应的样本交易流水信息时间获得目标样本休眠时间的步骤,直至每个样本集合中包含的样本账号的数量大于或者等于预设数量。
5.根据权利要求2所述的方法,其特征在于,在所述获取至少一个样本账号对应的样本交易流水信息之前,还包括:
获取至少一个交易账号对应的交易流水信息,并根据预设采样时间间隔获取每个交易账号对应的交易流水信息的累计转入金额以及累计转出金额;
若所述交易账号对应的累计转入金额或累计转出金额大于或者等于预设交易金额阈值,则将所述交易账号确定为样本账号。
6.根据权利要求1所述的方法,其特征在于,所述根据所述交易流水信息确定所述待检测账号对应的交易时间序列,包括:
根据预设时间间隔获取所述交易流水信息对应的至少一条交易序列,其中所述交易序列中包含交易起始时间、交易结束时间、入账交易金额或出账交易金额、交易起始余额以及交易结束余额;
将每个交易序列包含交易起始时间或交易结束时间确定为所述交易序列对应的交易时间节点,将每个交易序列的交易起始时间的账户余额或者交易结束时间的账户余额确定为所述交易序列对应的账户余额,并按照时间顺序对所有的交易序列进行排序获得所述待检测账号对应的交易时间序列;
相应地,所述根据所有的交易序列获得至少一个交易周期,并根据每个交易周期包含的所有交易序列的交易时间节点确定每个交易周期对应的觉醒时间节点和爆发时间节点,包括:
对所述交易时间序列中每条交易序列对应的账户余额进行数值化编码,采用均值偏移算法对编码后的交易时间序列进行聚类分组,获得至少一个交易周期;
根据每个交易周期中包含的第一条交易序列对应的交易起始时间确定所述交易周期的觉醒时间节点,并根据每个交易周期中包含的最后一条交易序列对应的交易起始时间确定所述交易周期的爆发时间节点。
7.根据权利要求1至6任一项所述的方法,其特征在于,所述根据所述目标交易周期中包含的觉醒时间节点以及获取待检测账号的交易流水信息的时间获得目标交易休眠时间,包括:
根据所述交易时间序列中所有交易序列对应的交易时间节点确定第一条交易序列,并将所述第一条交易序列对应的交易时间节点确定为所述待检测账号对应的交易启动时间;
若所述获取待检测账号的交易流水信息的时间小于或者等于交易启动时间,则将所述交易启动时间与所述目标交易周期中包含的觉醒时间节点之间的时间差确定为目标交易休眠时间;
若所述交易启动时间小于或者等于所述获取待检测账号的交易流水信息的时间,则将所述获取待检测账号的交易流水信息的时间与所述目标交易周期中包含的觉醒时间节点之间的时间差确定为目标交易休眠时间。
8.一种交易异常账户识别装置,其特征在于,包括:
获取模块,用于获取待检测账号的交易流水信息,根据所述交易流水信息确定所述待检测账号对应的交易时间序列,其中所述交易时间序列包含至少一个交易序列,其中每个交易序列包含交易时间节点以及账户余额;
确定模块,用于根据所有的交易序列获得至少一个交易周期,并根据每个交易周期包含的所有交易序列的交易时间节点确定每个交易周期对应的觉醒时间节点和爆发时间节点;
获得模块,用于根据每个交易周期对应的觉醒时间节点对应的账户余额以及爆发时间节点对应的账户余额的差值确定所述交易周期对应的交易金额,将最大的交易金额作为目标交易金额,并将所述目标交易金额对应的交易周期确定为目标交易周期,并根据所述目标交易周期中包含的觉醒时间节点以及获取待检测账号的交易流水信息的时间获得目标交易休眠时间;
判定模块,用于根据预存的交易金额与休眠时间阈值的对照表确定所述目标交易金额对应的目标休眠时间阈值,若所述目标交易休眠时间大于或者等于所述目标休眠时间阈值,则判定所述待检测账号为异常账号。
9.一种服务器,其特征在于,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如权利要求1至7任一项所述的交易异常账户识别方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如权利要求1至7任一项所述的交易异常账户识别方法。
11.一种计算机程序产品,包括计算机程序,其特征在于,所述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账户识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210705249.7A CN114943619A (zh) | 2022-06-21 | 2022-06-21 | 交易异常账户识别方法、系统、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210705249.7A CN114943619A (zh) | 2022-06-21 | 2022-06-21 | 交易异常账户识别方法、系统、服务器及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114943619A true CN114943619A (zh) | 2022-08-26 |
Family
ID=82910804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210705249.7A Pending CN114943619A (zh) | 2022-06-21 | 2022-06-21 | 交易异常账户识别方法、系统、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114943619A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455497A (zh) * | 2023-11-12 | 2024-01-26 | 北京营加品牌管理有限公司 | 一种交易风险检测方法及装置 |
-
2022
- 2022-06-21 CN CN202210705249.7A patent/CN114943619A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455497A (zh) * | 2023-11-12 | 2024-01-26 | 北京营加品牌管理有限公司 | 一种交易风险检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111967779A (zh) | 一种风险评估方法、装置及设备 | |
CN112184239A (zh) | 一种安全支付方法、装置、设备和可读介质 | |
CN109034583A (zh) | 异常交易识别方法、装置及电子设备 | |
CN108876105B (zh) | 一种交易风险控制方法及装置 | |
CN111179089B (zh) | 洗钱交易识别方法、装置和设备 | |
CN114943619A (zh) | 交易异常账户识别方法、系统、服务器及存储介质 | |
CN110991650A (zh) | 训练养卡识别模型、识别养卡行为的方法及装置 | |
CN111369345A (zh) | 云计算区块链的大数据信贷用户信用评估方法及系统 | |
CN107871213B (zh) | 一种交易行为评价方法、装置、服务器以及存储介质 | |
CN113888278A (zh) | 基于企业信用额度分析模型的数据分析方法及装置 | |
CN112819476A (zh) | 风险识别方法、装置、非易失性存储介质和处理器 | |
CN116433352A (zh) | 潜在贷款对象的确定方法、装置及电子设备 | |
CN114707420A (zh) | 一种信贷欺诈行为识别方法、装置、设备及存储介质 | |
CN114881783A (zh) | 一种异常卡识别方法、装置、电子设备及存储介质 | |
Ellickson et al. | Estimating a local heston model | |
CN111753598A (zh) | 人脸检测方法及设备 | |
CN117217196B (zh) | 数据处理系统、方法及计算机装置 | |
CN111369351B (zh) | 欺诈行为检测方法及装置 | |
CN113220749B (zh) | 业务数据的处理方法、装置和电子设备 | |
CN112017029B (zh) | 信息提示方法及装置 | |
CN115392905A (zh) | 一种信用卡防盗刷的方法和相关装置 | |
CN116862502A (zh) | 异常交易监测参数的优化方法、装置及设备 | |
CN117236498A (zh) | 银行网点的交易信息的预测方法、装置、设备及介质 | |
CN111461866A (zh) | 一种数据分析方法及装置 | |
CN112085507A (zh) | 交易检测方法及系统 |
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 |