CN115409510B - 一种在线交易安全系统及方法 - Google Patents

一种在线交易安全系统及方法 Download PDF

Info

Publication number
CN115409510B
CN115409510B CN202211165351.9A CN202211165351A CN115409510B CN 115409510 B CN115409510 B CN 115409510B CN 202211165351 A CN202211165351 A CN 202211165351A CN 115409510 B CN115409510 B CN 115409510B
Authority
CN
China
Prior art keywords
target
hidden information
transaction data
online transaction
transaction
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
Application number
CN202211165351.9A
Other languages
English (en)
Other versions
CN115409510A (zh
Inventor
陈三董
邹百仓
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.)
Hangzhou Bizarre Adventure Network Technology Co ltd
Original Assignee
Hangzhou Bizarre Adventure Network Technology 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 Hangzhou Bizarre Adventure Network Technology Co ltd filed Critical Hangzhou Bizarre Adventure Network Technology Co ltd
Priority to CN202211165351.9A priority Critical patent/CN115409510B/zh
Publication of CN115409510A publication Critical patent/CN115409510A/zh
Application granted granted Critical
Publication of CN115409510B publication Critical patent/CN115409510B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/382—Payment protocols; Details thereof insuring higher security of transaction
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Computer Security & Cryptography (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本申请涉及数据处理及在线交易安全技术领域，涉及一种在线交易安全系统及方法。本申请提供的一种在线交易安全系统及方法，将目标交易特征、参考交易特征及参考隐藏信息加载至在线交易数据聚类线程中确定目标交易特征、参考交易特征之间的共享性特征向量，并将共享性特征向量确定为整合向量与对应的参考隐藏信息进行确定，得到目标在线交易数据对应的目标隐藏信息。本申请通过确定目标在线交易数据与参考在线交易数据的所有特征之间的共享性特征向量，并将共享性特征向量确定为参考隐藏信息的整合向量，从而得到目标在线交易数据对应的目标隐藏信息，从而得到准确的在线交易数据聚类结果，从而能够可靠地确定出在线交易行为的安全性。

Description

一种在线交易安全系统及方法
技术领域
本申请涉及数据处理及在线交易安全技术领域，具体而言，涉及一种在线交易安全系统及方法。
背景技术
随着互联网的不断发展，在网上购物或者在网上进行交易变得越来越普及，这样一来，需要保障网上交易的安全。但是，现目前恶意软件不断的增多，因此在线交易的安全难以得以保障。因此，亟需一种技术方案以改善上述技术问题。
发明内容
为改善相关技术中存在的技术问题，本申请提供了一种在线交易安全系统及方法。
第一方面，提供一种在线交易安全方法，该方法包括：获得目标在线交易数据对应的目标交易特征、不少于一个参考在线交易数据对应的参考交易特征及所述参考在线交易数据对应的参考隐藏信息，所述参考在线交易数据是与所述目标在线交易数据属于相同种类且已经进行在线交易数据聚类的在线交易数据，所述参考隐藏信息用于表征对所述参考在线交易数据进行在线交易数据聚类后的不同种类标签，根据所述目标隐藏信息，确定出在线交易行为的安全性；将所述目标交易特征、所述参考交易特征及所述参考隐藏信息加载至在线交易数据聚类线程中确定所述目标交易特征和所述参考交易特征之间的共享性特征向量；在所述在线交易数据聚类线程中，将所述共享性特征向量确定为整合向量与所述参考隐藏信息进行确定，得到所述目标在线交易数据对应的目标隐藏信息，所述目标隐藏信息用于表征对所述目标在线交易数据进行在线交易数据聚类后的不同种类标签，根据所述目标隐藏信息，确定出在线交易行为的安全性。
在一种独立实施的实施例中，所述在线交易数据聚类线程包括若干个显著性隐藏信息整合单元；所述将所述目标交易特征、所述参考交易特征及所述参考隐藏信息加载至在线交易数据聚类线程中确定所述目标交易特征和所述参考交易特征之间的共享性特征向量，包括：将所述目标交易特征、所述参考交易特征及所述参考隐藏信息加载至所述若干个显著性隐藏信息整合单元中进行确定，得到所述目标交易特征与所述参考交易特征之间的所述共享性特征向量；所述在所述在线交易数据聚类线程中，将所述共享性特征向量确定为整合向量与所述参考隐藏信息进行确定，得到所述目标在线交易数据对应的目标隐藏信息，包括：在所述若干个显著性隐藏信息整合单元中，将所述共享性特征向量确定为所述参考隐藏信息的整合向量，确定得到所述目标在线交易数据对应的所述目标隐藏信息；其中，所述目标交易特征和所述参考交易特征都为安全等级的特征表示，所述参考交易特征包括所述参考在线交易数据中历史安全和当前安全的特征表示。
在一种独立实施的实施例中，所述在所述若干个显著性隐藏信息整合单元中，将所述共享性特征向量确定为所述参考隐藏信息的整合向量，确定得到所述目标在线交易数据对应的所述目标隐藏信息，包括：在所述若干个显著性隐藏信息整合单元中，将所述共享性特征向量与所述参考隐藏信息的隐藏信息值进行加权处理，确定得到所述目标在线交易数据对应的所述目标隐藏信息。
在一种独立实施的实施例中，所述目标交易特征为多维度目标交易特征、所述参考交易特征为多维度参考交易特征；所述将所述目标交易特征、所述参考交易特征及所述参考隐藏信息加载至所述若干个显著性隐藏信息整合单元中进行确定，得到所述目标交易特征与所述参考交易特征之间的所述共享性特征向量，包括：将第x维度的目标交易特征、第x维度的参考交易特征以及与所述第x维度的参考交易特征匹配的所述参考隐藏信息加载至所述若干个显著性隐藏信息整合单元进行确定，得到所述第x维度的目标交易特征与所述第x维度的参考交易特征之间的第x共享性特征向量；所述在所述若干个显著性隐藏信息整合单元中，将的所述共享性特征向量确定为所述参考隐藏信息的整合向量，确定得到所述目标在线交易数据对应的所述目标隐藏信息，包括：在所述若干个显著性隐藏信息整合单元中，将所述第x共享性特征向量与所述第x维度的参考交易特征匹配的所述参考隐藏信息的隐藏信息值进行加权处理，得到所述目标在线交易数据的所述第x维度的目标交易特征对应的第x目标隐藏信息，x为大于等于2的整数；将不同维度对应的所述目标隐藏信息进行拼接，得到过渡目标隐藏信息；将所述过渡目标隐藏信息与所述目标交易特征进行整合，得到所述目标在线交易数据对应的所述目标隐藏信息。
在一种独立实施的实施例中，所述在线交易数据聚类线程包括特征提取单元；所述将不同维度对应的所述目标隐藏信息进行拼接，得到过渡目标隐藏信息，包括：通过所述特征提取单元对不同维度对应的所述目标隐藏信息进行特征提取；将不同维度对应的所述目标隐藏信息的特征提取结果进行融合，得到所述过渡目标隐藏信息。
在一种独立实施的实施例中，所述在线交易数据聚类线程包括组合单元；所述将所述过渡目标隐藏信息与所述目标交易特征进行整合，得到所述目标在线交易数据对应的所述目标隐藏信息，包括：将所述过渡目标隐藏信息与不少于一个维度对应的所述目标交易特征进行异常识别，并将所述过渡目标隐藏信息与所述目标交易特征的异常识别结果加载至所述组合单元进行整合，得到所述目标在线交易数据对应的所述目标隐藏信息。
在一种独立实施的实施例中，所述组合单元包括两组特征提取架构和两组触发架构；所述将所述过渡目标隐藏信息与不少于一个维度对应的所述目标交易特征进行异常识别，并将所述过渡目标隐藏信息与所述目标交易特征的异常识别结果加载至所述组合单元进行整合，得到所述目标在线交易数据对应的所述预测目标隐藏信息，包括：将所述过渡目标隐藏信息与不少于一个维度对应的所述目标交易特征进行异常识别，将所述异常识别结果逐一加载至所述特征提取架构和所述触发架构中进行整合，得到所述目标在线交易数据对应的所述目标隐藏信息。
在一种独立实施的实施例中，所述在线交易数据聚类线程包括重要内容筛选单元；所述获得目标在线交易数据对应的目标交易特征、不少于一个参考在线交易数据对应的参考交易特征，包括：获得目标在线交易数据及参考在线交易数据；通过所述重要内容筛选单元对所述目标在线交易数据进行重要内容筛选得到所述目标交易特征；以及通过所述重要内容筛选单元对所述参考在线交易数据进行重要内容筛选得到所述参考交易特征。
第二方面，提供一种在线交易安全系统，包括互相之间通信的处理器和存储器，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述的方法。
本申请实施例所提供的一种在线交易安全系统及方法，通过获得目标在线交易数据对应的目标交易特征、不少于一个参考在线交易数据对应的参考交易特征及参考在线交易数据对应的参考隐藏信息；将目标交易特征、参考交易特征及参考隐藏信息加载至在线交易数据聚类线程中确定目标交易特征、参考交易特征之间的共享性特征向量，并将共享性特征向量确定为整合向量与对应的参考隐藏信息进行确定，得到目标在线交易数据对应的目标隐藏信息。本申请通过确定目标在线交易数据与参考在线交易数据的所有特征之间的共享性特征向量，并将共享性特征向量确定为参考隐藏信息的整合向量，从而得到目标在线交易数据对应的目标隐藏信息，基于上述方法，可以得到较为准确的在线交易数据聚类结果，从而能够可靠地确定出在线交易行为的安全性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例所提供的一种在线交易安全方法的流程图。
具体实施方式
为了更好的理解上述技术方案，下面通过附图以及具体实施例对本申请技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。
请参阅图1，示出了一种在线交易安全方法，该方法可以包括以下步骤302-步骤306所描述的技术方案。
步骤302：获得目标在线交易数据对应的目标交易特征、不少于一个参考在线交易数据对应的参考交易特征及参考在线交易数据对应的参考隐藏信息。
举例而言，目标在线交易数据是指待进行在线交易数据聚类的在线交易数据，目标在线交易数据又称为查询在线交易数据。目标交易特征是指通过对目标在线交易数据进行重要内容筛选得到的特征表示。
参考在线交易数据是与目标在线交易数据属于相同种类且已经进行在线交易数据聚类的在线交易数据，参考在线交易数据又称为支持在线交易数据。参考在线交易数据是与待进行在线交易数据聚类的目标在线交易数据属于同于相同种类的在线交易数据。
参考隐藏信息用于表征对参考在线交易数据进行在线交易数据聚类后的不同种类标签，根据所述目标隐藏信息，确定出在线交易行为的安全性。
步骤304：将目标交易特征、参考交易特征及参考隐藏信息加载至在线交易数据聚类线程中确定目标交易特征和参考交易特征之间的共享性特征向量，并将共享性特征向量确定为整合向量与参考隐藏信息进行确定，得到目标在线交易数据对应的目标隐藏信息。
目标隐藏信息用于表征对目标在线交易数据进行在线交易数据聚类后的不同种类标签，根据所述目标隐藏信息，确定出在线交易行为的安全性。
在线交易数据聚类线程根据目标在线交易数据的目标交易特征、参考在线交易数据的参考交易特征及参考隐藏信息，通过确定目标交易特征与所有参考交易特征之间的共享性特征向量，并将该共享性特征向量与参考隐藏信息进行确定，最终得到目标在线交易数据中待进行在线交易数据聚类区域对应的目标隐藏信息。
步骤306：在所述在线交易数据聚类线程中，将所述共享性特征向量确定为整合向量与所述参考隐藏信息进行确定，得到所述目标在线交易数据对应的目标隐藏信息，所述目标隐藏信息用于表征对所述目标在线交易数据进行在线交易数据聚类后的不同种类标签，根据所述目标隐藏信息，确定出在线交易行为的安全性。
举例而言，输出目标在线交易数据对应的目标隐藏信息。
综上所述，本实施例提供的方法，获得目标在线交易数据对应的目标交易特征、参考在线交易数据对应的参考交易特征及参考隐藏信息；将目标交易特征、参考交易特征及参考隐藏信息加载至在线交易数据聚类线程中确定目标交易特征和参考交易特征之间的共享性特征向量，并将共享性特征向量确定为整合向量与参考隐藏信息进行确定，得到目标在线交易数据对应的目标隐藏信息。本申请通过利用在线交易数据聚类线程对目标交易特征、参考交易特征及参考隐藏信息进行确定，从而得到目标在线交易数据对应的目标隐藏信息，基于上述方法，可以得到较为准确的在线交易数据聚类结果，从而能够可靠地确定出在线交易行为的安全性。
本申请实施例提供了一个在线交易数据聚类线程，该在线交易数据聚类线程包括：重要内容筛选单元、若干个显著性隐藏信息整合单元。
获得目标在线交易数据及一个参考在线交易数据，并通过重要内容筛选单元对目标在线交易数据进行重要内容筛选得到目标交易特征，以及通过重要内容筛选单元对参考在线交易数据进行重要内容筛选得到参考交易特征。
将获得的目标交易特征、参考交易特征及参考交易特征对应的参考隐藏信息加载至若干个显著性隐藏信息整合单元进行确定，得到目标在线交易数据对应的目标隐藏信息。
本申请一个示例性实施例提供的在线交易安全方法。该方法可以包括如下步骤。
步骤402：获得目标在线交易数据对应的目标交易特征、一个参考在线交易数据对应的参考交易特征及参考在线交易数据对应的参考隐藏信息。
举例而言，目标在线交易数据是指待进行在线交易数据聚类的在线交易数据。目标交易特征是指通过对目标在线交易数据进行重要内容筛选得到的特征表示。
参考在线交易数据是指已经进行在线交易数据聚类的在线交易数据。参考隐藏信息用于表征对参考在线交易数据进行在线交易数据聚类后的不同种类标签，根据所述目标隐藏信息，确定出在线交易行为的安全性。
参考交易特征是指通过对参考在线交易数据进行重要内容筛选得到的特征表示。
在一种可能实施的实施例中，在线交易数据聚类线程包括重要内容筛选单元；获得目标在线交易数据及参考在线交易数据；通过重要内容筛选单元对目标在线交易数据进行重要内容筛选得到目标交易特征；以及通过重要内容筛选单元对参考在线交易数据进行重要内容筛选得到参考交易特征。
步骤404：将目标交易特征、参考交易特征及参考隐藏信息加载至若干个显著性隐藏信息整合单元中进行确定，得到目标交易特征与参考交易特征之间的共享性特征向量。
举例而言，将目标交易特征、参考交易特征及参考隐藏信息加载至若干个显著性隐藏信息整合单元中进行缩放点积注意力确定，得到目标交易特征与参考交易特征之间的共享性特征向量。
其中，目标交易特征和参考交易特征都为安全等级的特征表示，参考交易特征包括参考在线交易数据中历史安全和当前安全的特征表示。
步骤406：在若干个显著性隐藏信息整合单元中，将共享性特征向量确定为参考隐藏信息的整合向量，确定得到目标在线交易数据对应的目标隐藏信息。
目标隐藏信息用于表征对目标在线交易数据进行在线交易数据聚类后的不同种类标签，根据所述目标隐藏信息，确定出在线交易行为的安全性。
在若干个显著性隐藏信息整合单元中，将共享性特征向量与参考隐藏信息的隐藏信息值进行加权处理，确定得到目标在线交易数据对应的目标隐藏信息。
步骤408：输出目标在线交易数据对应的目标隐藏信息。
举例而言，输出目标在线交易数据对应的目标隐藏信息。
综上所述，本实施例提供的方法，获得目标在线交易数据对应的一个维度的目标交易特征、参考在线交易数据对应的一个维度的参考交易特征及参考隐藏信息；将同一维度对应的目标交易特征、参考交易特征及参考隐藏信息加载至在线交易数据聚类线程进行确定，得到目标在线交易数据对应的目标隐藏信息。本申请通过确定目标在线交易数据与参考在线交易数据的所有特征之间的共享性特征向量，并将共享性特征向量确定为参考隐藏信息的整合向量，从而得到目标在线交易数据对应的目标隐藏信息，基于上述方法，可以得到较为准确的在线交易数据聚类结果，从而能够可靠地确定出在线交易行为的安全性。
本申请实施例提供了一个在线交易数据聚类线程，该在线交易数据聚类线程包括：重要内容筛选单元、若干个显著性隐藏信息整合单元、特征提取单元。
获得目标在线交易数据及不少于一个参考在线交易数据，并通过重要内容筛选单元对目标在线交易数据进行重要内容筛选得到目标交易特征，以及通过重要内容筛选单元对参考在线交易数据进行重要内容筛选得到参考交易特征。
将获得的目标交易特征、参考交易特征及参考交易特征对应的参考隐藏信息加载至若干个显著性隐藏信息整合单元进行确定，得到目标在线交易数据对应的目标隐藏信息。在参考交易特征为多维度参考交易特征的情况下，将获得的目标交易特征、参考交易特征及参考交易特征对应的参考隐藏信息加载至若干个显著性隐藏信息整合单元进行确定，得到目标在线交易数据的第x维度的目标交易特征对应的第x目标隐藏信息，x为大于等于2的整数。
本申请一个示例性实施例提供的在线交易安全方法。该方法可以包括如下步骤。
步骤602：获得目标在线交易数据对应的目标交易特征、不少于一个参考在线交易数据对应的参考交易特征及参考在线交易数据对应的参考隐藏信息。
举例而言，目标在线交易数据是指待进行在线交易数据聚类的在线交易数据。目标交易特征是指通过对目标在线交易数据进行重要内容筛选得到的特征表示。
参考隐藏信息用于表征对参考在线交易数据进行在线交易数据聚类后的不同种类标签，根据所述目标隐藏信息，确定出在线交易行为的安全性。
参考交易特征是指通过对参考在线交易数据进行重要内容筛选得到的特征表示。不少于一个参考在线交易数据对应的参考交易特征是指通过对每一个参考在线交易数据进行单独重要内容筛选得到的特征表示。
步骤604：将第x维度的目标交易特征、第x维度的参考交易特征以及与第x维度的参考交易特征匹配的参考隐藏信息加载至若干个显著性隐藏信息整合单元进行确定，得到第x维度的目标交易特征与第x维度的参考交易特征之间的第x共享性特征向量。
举例而言，目标交易特征为多维度目标交易特征、参考交易特征为多维度参考交易特征。
将第x维度的目标交易特征、第x维度的参考交易特征以及与第x维度的参考交易特征匹配的参考隐藏信息加载至若干个显著性隐藏信息整合单元进行确定，得到第x维度的目标交易特征与第x维度的参考交易特征之间的第x共享性特征向量。
步骤606：将第x共享性特征向量与第x维度的参考交易特征匹配的参考隐藏信息的隐藏信息值进行加权处理，得到目标在线交易数据的第x维度的目标交易特征对应的第x目标隐藏信息。
在若干个显著性隐藏信息整合单元中，将第x共享性特征向量与第x维度的参考交易特征匹配的参考隐藏信息的隐藏信息值进行加权处理，得到目标在线交易数据的第x维度的目标交易特征对应的第x目标隐藏信息，x为大于等于2的整数。
步骤608：将不同维度对应的目标隐藏信息进行拼接，得到目标在线交易数据对应的目标隐藏信息。
举例而言，在线交易数据聚类线程包括特征提取单元；通过特征提取单元对不同维度对应的目标隐藏信息进行特征提取，并将不同维度对应的目标隐藏信息进行融合，得到过渡目标隐藏信息。
步骤610：输出目标在线交易数据对应的目标隐藏信息。
综上所述，本实施例提供的方法，获得目标在线交易数据对应的多维度的目标交易特征、参考在线交易数据对应的参考交易特征及参考隐藏信息；将不同维度对应的目标交易特征、参考交易特征及参考隐藏信息加载至在线交易数据聚类线程进行确定，得到不同维度对应的目标隐藏信息；将不同维度对应的目标隐藏信息进行拼接，得到目标在线交易数据对应的目标隐藏信息。本申请通过确定目标在线交易数据与参考在线交易数据的所有特征之间的共享性特征向量，并将共享性特征向量确定为参考隐藏信息的整合向量，从而得到目标在线交易数据对应的目标隐藏信息，基于上述方法，可以得到较为准确的在线交易数据聚类结果，从而能够可靠地确定出在线交易行为的安全性。
本申请实施例提供了一个在线交易数据聚类线程，该在线交易数据聚类线程包括：重要内容筛选单元、若干个显著性隐藏信息整合单元、特征提取单元、组合单元。
获得目标在线交易数据及不少于一个参考在线交易数据，并通过重要内容筛选单元对目标在线交易数据进行重要内容筛选得到目标交易特征，以及通过重要内容筛选单元对参考在线交易数据进行重要内容筛选得到参考交易特征。
将获得的目标交易特征、参考交易特征及参考交易特征对应的参考隐藏信息加载至若干个显著性隐藏信息整合单元进行确定，得到目标在线交易数据对应的目标隐藏信息。在参考交易特征为多维度参考交易特征的情况下，将获得的目标交易特征、参考交易特征及参考交易特征对应的参考隐藏信息加载至若干个显著性隐藏信息整合单元进行确定，得到目标在线交易数据的第x维度的目标交易特征对应的第x目标隐藏信息，x为大于等于2的整数。
将不同维度对应的目标隐藏信息加载至特征提取单元进行特征提取，并将不同维度对应的目标隐藏信息的特征提取结果进行融合，得到过渡目标隐藏信息。
将获得的过渡目标隐藏信息与不少于一个维度对应的目标交易特征进行异常识别，并将过渡目标隐藏信息与目标交易特征的异常识别结果加载至组合单元进行整合，最终得到目标在线交易数据对应的目标隐藏信息。
本申请一个示例性实施例提供的在线交易安全方法。该方法可以包括如下步骤。
步骤802：获得目标在线交易数据对应的目标交易特征、不少于一个参考在线交易数据对应的参考交易特征及参考在线交易数据对应的参考隐藏信息。
举例而言，目标在线交易数据是指待进行在线交易数据聚类的在线交易数据。目标交易特征是指通过对目标在线交易数据进行重要内容筛选得到的特征表示。
参考在线交易数据是指已经进行在线交易数据聚类的在线交易数据。参考隐藏信息用于表征对参考在线交易数据进行在线交易数据聚类后的不同种类标签，根据所述目标隐藏信息，确定出在线交易行为的安全性。
参考交易特征是指通过对参考在线交易数据进行重要内容筛选得到的特征表示。不少于一个参考在线交易数据对应的参考交易特征是指通过对每一个参考在线交易数据进行单独重要内容筛选得到的特征表示。
在一种可能实施的实施例中，在线交易数据聚类线程包括重要内容筛选单元；获得目标在线交易数据及参考在线交易数据；通过重要内容筛选单元对目标在线交易数据进行重要内容筛选得到目标交易特征；以及通过重要内容筛选单元对参考在线交易数据进行重要内容筛选得到参考交易特征。
步骤804：将第x维度的目标交易特征、第x维度的参考交易特征以及与第x维度的参考交易特征匹配的参考隐藏信息加载至在线交易数据聚类线程进行确定，得到第x维度的目标交易特征与第x维度的参考交易特征之间的第x共享性特征向量。
举例而言，目标交易特征为多维度目标交易特征、参考交易特征为多维度参考交易特征。
将第x维度的目标交易特征、第x维度的参考交易特征以及与第x维度的参考交易特征匹配的参考隐藏信息加载至在线交易数据聚类线程进行确定，得到第x维度的目标交易特征与第x维度的参考交易特征之间的第x共享性特征向量。
步骤806：将第x共享性特征向量与第x维度的参考交易特征匹配的参考隐藏信息的隐藏信息值进行加权处理，得到目标在线交易数据的第x维度的目标交易特征对应的第x目标隐藏信息。
在若干个显著性隐藏信息整合单元中，将第x共享性特征向量与第x维度的参考交易特征匹配的参考隐藏信息的隐藏信息值进行加权处理，得到目标在线交易数据的第x维度的目标交易特征对应的第x目标隐藏信息，x为大于等于2的整数。
步骤808：将不同维度对应的目标隐藏信息进行拼接，得到过渡目标隐藏信息。
举例而言，在线交易数据聚类线程包括特征提取单元；通过特征提取单元对不同维度对应的目标隐藏信息进行特征提取，并将不同维度对应的目标隐藏信息进行融合，得到过渡目标隐藏信息。
步骤810：将过渡目标隐藏信息与目标交易特征进行整合，得到目标在线交易数据对应的目标隐藏信息。
举例而言，在线交易数据聚类线程包括组合单元；将过渡目标隐藏信息与不少于一个维度对应的目标交易特征进行异常识别，并将过渡目标隐藏信息与目标交易特征的异常识别结果加载至组合单元进行整合，得到目标在线交易数据对应的目标隐藏信息。
可选地，在线交易数据聚类线程包括三个组合单元，每个组合单元中包括两组特征提取架构和两组触发架构；将过渡目标隐藏信息与不少于一个维度对应的目标交易特征进行异常识别，将异常识别结果逐一加载至特征提取架构和触发架构中进行整合，得到目标在线交易数据对应的目标隐藏信息。
步骤812：输出目标在线交易数据对应的目标隐藏信息。
举例而言，输出目标在线交易数据对应的目标隐藏信息。
综上所述，本实施例提供的方法，获得目标在线交易数据对应的多维度的目标交易特征、参考在线交易数据对应的参考交易特征及参考隐藏信息；将不同维度对应的目标交易特征、参考交易特征及参考隐藏信息加载至在线交易数据聚类线程进行确定，得到不同维度对应的目标隐藏信息；将不同维度对应的目标隐藏信息进行拼接，得到过渡目标隐藏信息；将过渡目标隐藏信息与目标交易特征进行整合，得到目标在线交易数据对应的目标隐藏信息。本申请通过确定目标在线交易数据与参考在线交易数据的所有特征之间的共享性特征向量，并将共享性特征向量确定为参考隐藏信息的整合向量，从而得到目标在线交易数据对应的目标隐藏信息，基于上述方法，可以得到较为准确的在线交易数据聚类结果，从而能够可靠地确定出在线交易行为的安全性。
本申请一个示例性实施例提供的在线交易数据聚类线程的训练方法。该方法可以包括如下帮助。
步骤1402：获得范例目标在线交易数据对应的目标交易特征、不少于一个参考在线交易数据对应的参考交易特征、参考在线交易数据对应的参考隐藏信息及实际目标隐藏信息。
举例而言，范例目标在线交易数据是指待进行在线交易数据聚类的范例在线交易数据。目标交易特征是指通过对范例目标在线交易数据进行重要内容筛选得到的特征表示。
参考在线交易数据是指已经进行在线交易数据聚类的在线交易数据。
参考交易特征是指通过对参考在线交易数据进行重要内容筛选得到的特征表示。不少于一个参考在线交易数据对应的参考交易特征是指通过对每一个参考在线交易数据进行单独重要内容筛选得到的特征表示。
实际目标隐藏信息用于表征对范例目标在线交易数据进行在线交易数据聚类后的不同种类标签，根据所述目标隐藏信息，确定出在线交易行为的安全性。
步骤1404：将目标交易特征、参考交易特征及参考隐藏信息加载至在线交易数据聚类线程中确定目标交易特征和参考交易特征之间的共享性特征向量，并将共享性特征向量确定为整合向量与参考隐藏信息进行确定，得到范例目标在线交易数据对应的预测目标隐藏信息。
预测目标隐藏信息用于表征对范例目标在线交易数据进行在线交易数据聚类后的不同种类标签，根据所述目标隐藏信息，确定出在线交易行为的安全性。
步骤1406：基于预测目标隐藏信息及实际目标隐藏信息，确定量化评估向量。
举例而言，基于预测目标隐藏信息及实际目标隐藏信息，确定量化评估向量。
步骤1408：基于量化评估向量对在线交易数据聚类线程的线程系数进行优化。
举例而言，根据量化评估向量对在线交易数据聚类线程的线程系数进行优化。
综上所述，本实施例提供的方法，获得范例目标在线交易数据对应的目标交易特征、参考在线交易数据对应的参考交易特征及参考隐藏信息；将目标交易特征、参考交易特征及参考隐藏信息加载至在线交易数据聚类线程进行确定，得到范例目标在线交易数据对应的预测目标隐藏信息，并基于预测目标隐藏信息及实际目标隐藏信息，确定量化评估向量；根据量化评估向量对在线交易数据聚类线程的线程系数进行优化，使得训练好的在线交易数据聚类线程能够具备更高的在线交易数据聚类精度，从而生成更加准确的在线交易数据聚类结果。
本申请一个示例性实施例提供的在线交易数据聚类线程的训练方法。该方法可以包括如下步骤。
步骤1502：获得范例目标在线交易数据对应的目标交易特征、一个参考在线交易数据对应的参考交易特征、参考在线交易数据对应的参考隐藏信息及实际目标隐藏信息。
举例而言，范例目标在线交易数据是指待进行在线交易数据聚类的范例在线交易数据。目标交易特征是指通过对范例目标在线交易数据进行重要内容筛选得到的特征表示。
参考在线交易数据是指已经进行在线交易数据聚类的在线交易数据。
参考隐藏信息用于表征对参考在线交易数据进行在线交易数据聚类后的不同种类标签，根据所述目标隐藏信息，确定出在线交易行为的安全性。
参考交易特征是指通过对参考在线交易数据进行重要内容筛选得到的特征表示。
实际目标隐藏信息用于表征对范例目标在线交易数据进行在线交易数据聚类后的不同种类标签，根据所述目标隐藏信息，确定出在线交易行为的安全性。
在一种可能实施的实施例中，在线交易数据聚类线程包括重要内容筛选单元；获得范例目标在线交易数据及参考在线交易数据；通过重要内容筛选单元对范例目标在线交易数据进行重要内容筛选得到目标交易特征；以及通过重要内容筛选单元对参考在线交易数据进行重要内容筛选得到参考交易特征。
步骤1504：将目标交易特征、参考交易特征及参考隐藏信息加载至若干个显著性隐藏信息整合单元中进行确定，得到目标交易特征与参考交易特征之间的共享性特征向量。
举例而言，将目标交易特征、参考交易特征及参考隐藏信息加载至若干个显著性隐藏信息整合单元中进行缩放点积注意力确定，得到目标交易特征与参考交易特征之间的共享性特征向量。
步骤1506：在若干个显著性隐藏信息整合单元中，将共享性特征向量与参考隐藏信息的隐藏信息值进行加权处理，确定得到范例目标在线交易数据对应的预测目标隐藏信息。
预测目标隐藏信息用于表征对范例目标在线交易数据进行在线交易数据聚类后的不同种类标签，根据所述目标隐藏信息，确定出在线交易行为的安全性。
在若干个显著性隐藏信息整合单元中，将共享性特征向量与参考隐藏信息的隐藏信息值进行加权处理，确定得到目标在线交易数据对应的预测目标隐藏信息。
步骤1508：基于预测目标隐藏信息及实际目标隐藏信息，确定量化评估向量。
举例而言，基于预测目标隐藏信息及实际目标隐藏信息，确定量化评估向量。
步骤1510：基于量化评估向量对在线交易数据聚类线程的线程系数进行优化。
举例而言，根据量化评估向量对在线交易数据聚类线程的线程系数进行优化。
综上所述，本实施例提供的方法，获得范例目标在线交易数据对应的目标交易特征、一个参考在线交易数据对应的参考交易特征、参考在线交易数据对应的参考隐藏信息及实际目标隐藏信息；将目标交易特征、参考交易特征及参考隐藏信息加载至在线交易数据聚类线程进行确定，得到目标交易特征与参考交易特征之间的共享性特征向量，将共享性特征向量与参考隐藏信息的隐藏信息值进行加权处理，确定得到范例目标在线交易数据对应的预测目标隐藏信息并基于预测目标隐藏信息及实际目标隐藏信息，确定量化评估向量；根据量化评估向量对在线交易数据聚类线程的线程系数进行优化，使得训练好的在线交易数据聚类线程能够具备更高的在线交易数据聚类精度，从而生成更加准确的在线交易数据聚类结果。
是本申请一个示例性实施例提供的在线交易数据聚类线程的训。该方法可以包括如下步骤。
步骤1602：获得范例目标在线交易数据对应的目标交易特征、不少于一个参考在线交易数据对应的参考交易特征、参考在线交易数据对应的参考隐藏信息及实际目标隐藏信息。
举例而言，范例目标在线交易数据是指待进行在线交易数据聚类的范例在线交易数据。目标交易特征是指通过对范例目标在线交易数据进行重要内容筛选得到的特征表示。
参考在线交易数据是指已经进行在线交易数据聚类的在线交易数据。
参考隐藏信息用于表征对参考在线交易数据进行在线交易数据聚类后的不同种类标签，根据所述目标隐藏信息，确定出在线交易行为的安全性。
实际目标隐藏信息用于表征对范例目标在线交易数据进行在线交易数据聚类后的不同种类标签，根据所述目标隐藏信息，确定出在线交易行为的安全性。
步骤1604：将第x维度的目标交易特征、第x维度的参考交易特征以及与第x维度的参考交易特征匹配的参考隐藏信息加载至若干个显著性隐藏信息整合单元进行确定，得到第x维度的目标交易特征与第x维度的参考交易特征之间的第x共享性特征向量。
举例而言，目标交易特征为多维度目标交易特征、参考交易特征为多维度参考交易特征。
将第x维度的目标交易特征、第x维度的参考交易特征以及与第x维度的参考交易特征匹配的参考隐藏信息加载至在线交易数据聚类线程进行确定，得到第x维度的目标交易特征与第x维度的参考交易特征之间的第x共享性特征向量。
步骤1606：将第x共享性特征向量与第x维度的参考交易特征匹配的参考隐藏信息的隐藏信息值进行加权处理，得到范例目标在线交易数据的第x维度的目标交易特征对应的第x预测目标隐藏信息。
在若干个显著性隐藏信息整合单元中，将第x共享性特征向量与第x维度的参考交易特征匹配的参考隐藏信息的隐藏信息值进行加权处理，得到范例目标在线交易数据的第x维度的目标交易特征对应的第x预测目标隐藏信息，x为大于等于2的整数。
步骤1608：将不同维度对应的预测目标隐藏信息进行拼接，得到范例目标在线交易数据对应的预测目标隐藏信息。
步骤1610：基于预测目标隐藏信息及实际目标隐藏信息，确定量化评估向量。
举例而言，基于预测目标隐藏信息及实际目标隐藏信息，确定量化评估向量。
步骤1612：基于量化评估向量对在线交易数据聚类线程的线程系数进行优化。
举例而言，根据量化评估向量对在线交易数据聚类线程的线程系数进行优化。
综上所述，本实施例提供的方法，获得范例目标在线交易数据对应的多维度的目标交易特征、参考在线交易数据对应的参考交易特征、参考在线交易数据对应的参考隐藏信息及实际目标隐藏信息；将不同维度对应的目标交易特征、参考交易特征及参考隐藏信息加载至在线交易数据聚类线程进行确定，得到不同维度对应的目标隐藏信息；将不同维度对应的目标隐藏信息进行拼接，得到与范例目标在线交易数据对应的预测目标隐藏信息，并基于预测目标隐藏信息及实际目标隐藏信息，确定量化评估向量；根据量化评估向量对在线交易数据聚类线程的线程系数进行优化，使得训练好的在线交易数据聚类线程能够具备更高的在线交易数据聚类精度，从而生成更加准确的在线交易数据聚类结果。
本申请一个示例性实施例提供的在线交易数据聚类线程的训练方法。该方法可以包括如下步骤。
步骤1702：获得范例目标在线交易数据对应的目标交易特征、不少于一个参考在线交易数据对应的参考交易特征、参考在线交易数据对应的参考隐藏信息及实际目标隐藏信息。
举例而言，范例目标在线交易数据是指待进行在线交易数据聚类的范例在线交易数据。目标交易特征是指通过对范例目标在线交易数据进行重要内容筛选得到的特征表示。
参考在线交易数据是指已经进行在线交易数据聚类的在线交易数据。
参考隐藏信息用于表征对参考在线交易数据进行在线交易数据聚类后的不同种类标签，根据所述目标隐藏信息，确定出在线交易行为的安全性。
实际目标隐藏信息用于表征对范例目标在线交易数据进行在线交易数据聚类后的不同种类标签，根据所述目标隐藏信息，确定出在线交易行为的安全性。
步骤1704：将第x维度的目标交易特征、第x维度的参考交易特征以及与第x维度的参考交易特征匹配的参考隐藏信息加载至在线交易数据聚类线程进行确定，得到第x维度的目标交易特征与第x维度的参考交易特征之间的第x共享性特征向量。
举例而言，目标交易特征为多维度目标交易特征、参考交易特征为多维度参考交易特征。
将第x维度的目标交易特征、第x维度的参考交易特征以及与第x维度的参考交易特征匹配的参考隐藏信息加载至在线交易数据聚类线程进行确定，得到第x维度的目标交易特征与第x维度的参考交易特征之间的第x共享性特征向量。
步骤1706：将第x共享性特征向量与第x维度的参考交易特征匹配的参考隐藏信息的隐藏信息值进行加权处理，得到范例目标在线交易数据的第x维度的目标交易特征对应的第x预测目标隐藏信息。
在若干个显著性隐藏信息整合单元中，将第x共享性特征向量与第x维度的参考交易特征匹配的参考隐藏信息的隐藏信息值进行加权处理，得到范例目标在线交易数据的第x维度的目标交易特征对应的第x预测目标隐藏信息，x为大于等于2的整数。
步骤1708：将不同维度对应的预测目标隐藏信息进行拼接，得到过渡预测目标隐藏信息。
举例而言，在线交易数据聚类线程包括特征提取单元；通过特征提取单元对不同维度对应的预测目标隐藏信息进行特征提取，并将不同维度对应的预测目标隐藏信息进行融合，得到过渡预测目标隐藏信息。
步骤1710：将过渡预测目标隐藏信息与目标交易特征进行整合，得到范例目标在线交易数据对应的预测目标隐藏信息。
举例而言，在线交易数据聚类线程包括组合单元；将过渡预测目标隐藏信息与不少于一个维度对应的目标交易特征进行异常识别，并将过渡预测目标隐藏信息与目标交易特征的异常识别结果加载至组合单元进行整合，得到范例目标在线交易数据对应的预测目标隐藏信息。
可选地，在线交易数据聚类线程包括三个组合单元，每个组合单元中包括两组特征提取架构和两组触发架构；将过渡预测目标隐藏信息与不少于一个维度对应的目标交易特征进行异常识别，将异常识别结果逐一加载至特征提取架构和触发架构中进行整合，得到范例目标在线交易数据对应的预测目标隐藏信息。
步骤1712：基于预测目标隐藏信息及实际目标隐藏信息，确定量化评估向量。
举例而言，基于预测目标隐藏信息及实际目标隐藏信息，确定量化评估向量。
步骤1714：基于量化评估向量对在线交易数据聚类线程的线程系数进行优化。
举例而言，根据量化评估向量对在线交易数据聚类线程的线程系数进行优化。
在线交易数据聚类线程的线程系数包括在线交易数据聚类线程中若干个显著性隐藏信息整合单元的网络系数、特征提取单元的网络系数、组合单元的网络系数中的至少一种。
在获得量化评估向量的情况下，基于量化评估向量对在线交易数据聚类线程中的若干个显著性隐藏信息整合单元、特征提取单元、组合单元的网络系数进行优化，得到优化后的若干个显著性隐藏信息整合单元、特征提取单元、组合单元，从而得到训练完成的在线交易数据聚类线程。
综上所述，本实施例提供的方法，获得范例目标在线交易数据对应的多维度的目标交易特征、参考在线交易数据对应的参考交易特征、参考在线交易数据对应的参考隐藏信息及实际目标隐藏信息；将不同维度对应的目标交易特征、参考交易特征及参考隐藏信息加载至在线交易数据聚类线程进行确定，得到不同维度对应的目标隐藏信息；将不同维度对应的目标隐藏信息进行拼接，得到过渡预测目标隐藏信息；将过渡预测目标隐藏信息与目标交易特征进行整合，得到与范例目标在线交易数据对应的预测目标隐藏信息，并基于预测目标隐藏信息及实际目标隐藏信息，确定量化评估向量；根据量化评估向量对在线交易数据聚类线程的线程系数进行优化，使得训练好的在线交易数据聚类线程能够具备更高的在线交易数据聚类精度，从而生成更加准确的在线交易数据聚类结果。
在上述基础上，提供了一种在线交易安全装置，应用于在线交易安全系统，所述装置包括：
信息获得模块，用于获得目标在线交易数据对应的目标交易特征、不少于一个参考在线交易数据对应的参考交易特征及所述参考在线交易数据对应的参考隐藏信息，所述参考在线交易数据是与所述目标在线交易数据属于相同种类且已经进行在线交易数据聚类的在线交易数据，所述参考隐藏信息用于表征对所述参考在线交易数据进行在线交易数据聚类后的不同种类标签；
向量确定模块，用于将所述目标交易特征、所述参考交易特征及所述参考隐藏信息加载至在线交易数据聚类线程中确定所述目标交易特征和所述参考交易特征之间的共享性特征向量；
安全确定模块，用于在所述在线交易数据聚类线程中，将所述共享性特征向量确定为整合向量与所述参考隐藏信息进行确定，得到所述目标在线交易数据对应的目标隐藏信息，所述目标隐藏信息用于表征对所述目标在线交易数据进行在线交易数据聚类后的不同种类标签，根据所述目标隐藏信息，确定出在线交易行为的安全性。
在上述基础上，示出了一种在线交易安全系统，包括互相之间通信的处理器和存储器，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述的方法。
在上述基础上，还提供了一种计算机可读存储介质，其上存储的计算机程序在运行时实现上述的方法。
综上，基于上述方案，通过获得目标在线交易数据对应的目标交易特征、不少于一个参考在线交易数据对应的参考交易特征及参考在线交易数据对应的参考隐藏信息；将目标交易特征、参考交易特征及参考隐藏信息加载至在线交易数据聚类线程中确定目标交易特征、参考交易特征之间的共享性特征向量，并将共享性特征向量确定为整合向量与对应的参考隐藏信息进行确定，得到目标在线交易数据对应的目标隐藏信息。本申请通过确定目标在线交易数据与参考在线交易数据的所有特征之间的共享性特征向量，并将共享性特征向量确定为参考隐藏信息的整合向量，从而得到目标在线交易数据对应的目标隐藏信息，基于上述方法，可以得到较为准确的在线交易数据聚类结果，从而能够可靠地确定出在线交易行为的安全性。
应当理解，上述所示的系统及其模块可以利用各种方式来实现。例如，在一些实施例中，系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合(例如，固件)来实现。
需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例里，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网（LAN）或广域网（WAN），或连接至外部计算机（例如通过因特网），或在云计算环境中，或作为服务使用如软件即服务（SaaS）。
此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有适应性的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。
最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。相应地，本申请的实施例不仅限于本申请明确介绍和描述的实施例。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (2)

1.一种在线交易安全方法，其特征在于，该方法包括：
获得目标在线交易数据对应的目标交易特征、不少于一个参考在线交易数据对应的参考交易特征及所述参考在线交易数据对应的参考隐藏信息，所述参考在线交易数据是与所述目标在线交易数据属于相同种类且已经进行在线交易数据聚类的在线交易数据，所述参考隐藏信息用于表征对所述参考在线交易数据进行在线交易数据聚类后的不同种类标签；
将所述目标交易特征、所述参考交易特征及所述参考隐藏信息加载至在线交易数据聚类线程中确定所述目标交易特征和所述参考交易特征之间的共享性特征向量；
在所述在线交易数据聚类线程中，将所述共享性特征向量确定为整合向量与所述参考隐藏信息进行确定，得到所述目标在线交易数据对应的目标隐藏信息，所述目标隐藏信息用于表征对所述目标在线交易数据进行在线交易数据聚类后的不同种类标签，根据所述目标隐藏信息，确定出在线交易行为的安全性；
其中，所述在线交易数据聚类线程包括若干个显著性隐藏信息整合单元；所述将所述目标交易特征、所述参考交易特征及所述参考隐藏信息加载至在线交易数据聚类线程中确定所述目标交易特征和所述参考交易特征之间的共享性特征向量，包括：将所述目标交易特征、所述参考交易特征及所述参考隐藏信息加载至所述若干个显著性隐藏信息整合单元中进行确定，得到所述目标交易特征与所述参考交易特征之间的所述共享性特征向量；
所述在所述在线交易数据聚类线程中，将所述共享性特征向量确定为整合向量与所述参考隐藏信息进行确定，得到所述目标在线交易数据对应的目标隐藏信息，包括：在所述若干个显著性隐藏信息整合单元中，将所述共享性特征向量确定为所述参考隐藏信息的整合向量，确定得到所述目标在线交易数据对应的所述目标隐藏信息；其中，所述目标交易特征和所述参考交易特征都为安全等级的特征表示，所述参考交易特征包括所述参考在线交易数据中历史安全和当前安全的特征表示；
其中，所述在所述若干个显著性隐藏信息整合单元中，将所述共享性特征向量确定为所述参考隐藏信息的整合向量，确定得到所述目标在线交易数据对应的所述目标隐藏信息，包括：在所述若干个显著性隐藏信息整合单元中，将所述共享性特征向量与所述参考隐藏信息的隐藏信息值进行加权处理，确定得到所述目标在线交易数据对应的所述目标隐藏信息；
其中，所述目标交易特征为多维度目标交易特征、所述参考交易特征为多维度参考交易特征；所述将所述目标交易特征、所述参考交易特征及所述参考隐藏信息加载至所述若干个显著性隐藏信息整合单元中进行确定，得到所述目标交易特征与所述参考交易特征之间的所述共享性特征向量，包括：将第x维度的目标交易特征、第x维度的参考交易特征以及与所述第x维度的参考交易特征匹配的所述参考隐藏信息加载至所述若干个显著性隐藏信息整合单元进行确定，得到所述第x维度的目标交易特征与所述第x维度的参考交易特征之间的第x共享性特征向量；
所述在所述若干个显著性隐藏信息整合单元中，将的所述共享性特征向量确定为所述参考隐藏信息的整合向量，确定得到所述目标在线交易数据对应的所述目标隐藏信息，包括：
在所述若干个显著性隐藏信息整合单元中，将所述第x共享性特征向量与所述第x维度的参考交易特征匹配的所述参考隐藏信息的隐藏信息值进行加权处理，得到所述目标在线交易数据的所述第x维度的目标交易特征对应的第x目标隐藏信息，x为大于等于2的整数；
将不同维度对应的所述目标隐藏信息进行拼接，得到过渡目标隐藏信息；
将所述过渡目标隐藏信息与所述目标交易特征进行整合，得到所述目标在线交易数据对应的所述目标隐藏信息；
其中，所述在线交易数据聚类线程包括特征提取单元；所述将不同维度对应的所述目标隐藏信息进行拼接，得到过渡目标隐藏信息，包括：
通过所述特征提取单元对不同维度对应的所述目标隐藏信息进行特征提取；
将不同维度对应的所述目标隐藏信息的特征提取结果进行融合，得到所述过渡目标隐藏信息；
其中，所述在线交易数据聚类线程包括组合单元；所述将所述过渡目标隐藏信息与所述目标交易特征进行整合，得到所述目标在线交易数据对应的所述目标隐藏信息，包括：
将所述过渡目标隐藏信息与不少于一个维度对应的所述目标交易特征进行异常识别，并将所述过渡目标隐藏信息与所述目标交易特征的异常识别结果加载至所述组合单元进行整合，得到所述目标在线交易数据对应的所述目标隐藏信息；
其中，所述组合单元包括两组特征提取架构和两组触发架构；所述将所述过渡目标隐藏信息与不少于一个维度对应的所述目标交易特征进行异常识别，并将所述过渡目标隐藏信息与所述目标交易特征的异常识别结果加载至所述组合单元进行整合，得到所述目标在线交易数据对应的预测目标隐藏信息，包括：将所述过渡目标隐藏信息与不少于一个维度对应的所述目标交易特征进行异常识别，将所述异常识别结果逐一加载至所述特征提取架构和所述触发架构中进行整合，得到所述目标在线交易数据对应的所述目标隐藏信息；
其中，所述在线交易数据聚类线程包括重要内容筛选单元；所述获得目标在线交易数据对应的目标交易特征、不少于一个参考在线交易数据对应的参考交易特征，包括：获得目标在线交易数据及参考在线交易数据；通过所述重要内容筛选单元对所述目标在线交易数据进行重要内容筛选得到所述目标交易特征；以及通过所述重要内容筛选单元对所述参考在线交易数据进行重要内容筛选得到所述参考交易特征；
其中，所述在线交易数据聚类线程的训练方法包括：
获得范例目标在线交易数据对应的目标交易特征、不少于一个参考在线交易数据对应的参考交易特征、参考在线交易数据对应的参考隐藏信息及实际目标隐藏信息；
将目标交易特征、参考交易特征及参考隐藏信息加载至在线交易数据聚类线程中确定目标交易特征和参考交易特征之间的共享性特征向量，并将共享性特征向量确定为整合向量与参考隐藏信息进行确定，得到范例目标在线交易数据对应的预测目标隐藏信息；
基于预测目标隐藏信息及实际目标隐藏信息，确定量化评估向量；
基于量化评估向量对在线交易数据聚类线程的线程系数进行优化。
2.一种在线交易安全系统，其特征在于，包括互相之间通信的处理器和存储器，所述处理器用于从所述存储器中读取计算机程序并执行，以实现权利要求1所述的方法。
CN202211165351.9A 2022-09-23 2022-09-23 一种在线交易安全系统及方法 Active CN115409510B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211165351.9A CN115409510B (zh) 2022-09-23 2022-09-23 一种在线交易安全系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211165351.9A CN115409510B (zh) 2022-09-23 2022-09-23 一种在线交易安全系统及方法

Publications (2)

Publication Number Publication Date
CN115409510A CN115409510A (zh) 2022-11-29
CN115409510B true CN115409510B (zh) 2023-05-30

Family

ID=84165492

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211165351.9A Active CN115409510B (zh) 2022-09-23 2022-09-23 一种在线交易安全系统及方法

Country Status (1)

Country Link
CN (1) CN115409510B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110020938A (zh) * 2019-01-23 2019-07-16 阿里巴巴集团控股有限公司 交易信息处理方法、装置、设备及存储介质
CN111798244A (zh) * 2020-06-30 2020-10-20 中国工商银行股份有限公司 交易欺诈行为监测方法及装置
CN112288439A (zh) * 2020-11-23 2021-01-29 中信银行股份有限公司 一种风险评估方法、装置、电子设备及可读存储介质
CN112700252A (zh) * 2021-03-25 2021-04-23 腾讯科技（深圳）有限公司 一种信息安全性检测方法、装置、电子设备和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110020938A (zh) * 2019-01-23 2019-07-16 阿里巴巴集团控股有限公司 交易信息处理方法、装置、设备及存储介质
CN111798244A (zh) * 2020-06-30 2020-10-20 中国工商银行股份有限公司 交易欺诈行为监测方法及装置
CN112288439A (zh) * 2020-11-23 2021-01-29 中信银行股份有限公司 一种风险评估方法、装置、电子设备及可读存储介质
CN112700252A (zh) * 2021-03-25 2021-04-23 腾讯科技（深圳）有限公司 一种信息安全性检测方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN115409510A (zh) 2022-11-29

Similar Documents

Publication Publication Date Title
CN113378554B (zh) 一种医疗信息智能交互的方法及系统
CN116112746B (zh) 在线教育直播视频压缩方法及系统
CN115641176B (zh) 一种数据分析方法及ai系统
CN113239229A (zh) 一种智能筛选数据处理方法、系统及云平台
CN115373688B (zh) 一种软件开发线程的优化方法、系统及云平台
CN115409510B (zh) 一种在线交易安全系统及方法
CN110941824B (zh) 一种基于对抗样本增强模型抗攻击能力的方法和系统
CN115481197B (zh) 一种分布式数据处理方法、系统及云平台
US11768265B2 (en) Harmonizing diffusion tensor images using machine learning
CN113610373B (zh) 基于智能制造的信息决策处理方法及系统
CN117037982A (zh) 一种医疗大数据信息智能采集方法及系统
CN115457340A (zh) 基于人工智能的图像识别处理方法及系统
CN114779923A (zh) 一种基于超声波的vr仿真场景定位方法及系统
CN113590952B (zh) 一种数据中心构建的方法及系统
CN113609362B (zh) 基于5g的数据管理方法及系统
CN113613252B (zh) 基于5g的网络安全的分析方法及系统
CN110955755A (zh) 一种确定目标标准信息的方法和系统
CN115756576B (zh) 软件开发包的翻译方法及软件开发系统
CN113627490B (zh) 基于多核异构处理器的运维多模态决策方法及系统
CN113626559B (zh) 基于语义的网络文档智能检索的方法及系统
CN114691830B (zh) 一种基于大数据的网络安全分析方法及系统
CN115079882B (zh) 基于虚拟现实的人机交互处理方法及系统
CN113918963B (zh) 一种基于业务需求的权限授权处理方法及系统
CN113645063B (zh) 基于边缘计算的智能集成数据的方法及系统
CN114611478B (zh) 一种基于人工智能的信息处理方法、系统及云平台

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
TA01 Transfer of patent application right

Effective date of registration: 20230508

Address after: Building 4, Building 3, No. 2618 Yuhangtang Road, Cangqian Street, Yuhang District, Hangzhou City, Zhejiang Province, 310000

Applicant after: Hangzhou Bizarre Adventure Network Technology Co.,Ltd.

Address before: No. 236, 2nd Ring South Road, Zhaoyang District, Zhaotong City, Yunnan Province, 657,000

Applicant before: Chen Sandong

GR01 Patent grant
GR01 Patent grant