CN115660849B - 一种基于反洗钱策略的虚拟资产交易识别方法及系统 - Google Patents

Abstract

本发明涉及一种基于反洗钱策略的虚拟资产交易识别方法及系统，包括：对交易数据进行数据预处理并进行并行计算；其中一路输入至多维特征规则引擎模块，多维特征规则引擎调用反洗钱策略，按照多维特征规则引擎配置的反洗钱策略规则进行虚拟资产交易识别；另外一路按照训练好的虚拟资产交易模型进行虚拟资产交易识别，然后进行识别评价；对两路识别过来的交易数据进行联合计算，识别出交易数据中的虚拟资产交易。本申请通过多维特征规则引擎模块和交易模型识别模块的并行识别处理，解决了现有技术无法高效识别虚拟资产交易和无法处理虚拟交易特征的问题；而且还实现了对虚拟资产交易识别的高效计算和分析，确保了虚拟资产交易识别的高效性和时效性。

Description

一种基于反洗钱策略的虚拟资产交易识别方法及系统

技术领域

本发明涉及虚拟资产交易识别技术领域，尤其涉及一种基于反洗钱策略的虚拟资产交易识别方法及系统。

背景技术

近年来，随着全球金融科技的迅猛发展，使得依托于虚拟网络空间的虚拟财产交易成为可能，虚拟资产交易可以实现在全球范围内的金融资产转移，同时它具有匿名性、快捷性、全球性等特点，因此虚拟资产蕴含着巨大的洗钱风险，这给传统的反洗钱工作带来了巨大挑战。

目前对虚拟资产交易的识别主要是按照传统的交易流水资金分析模型来进行识别的，传统的交易流水资金分析模型是对一段时间内客户的交易流水数据和交易行为进行关联分析的过程。主要的传统的交易流水资金分析模型有流-组分析算法和多维数据分析法两种。

第一种、多维数据分析法，也即通过分析金融机构交易流水中的往来款、借还款、异常交易、关联交易等多维角度来分析流水中存在的异常交易的行为，多维数据分析法将资金流入、资金流出、交易时间、交易对手、交易金额、交易频率、交易分类等十几个维度纳入分析指标，根据事先定义好的分析规则，从海量的资金交易流水中筛选出异常的交易，通过多维度分析数据相关性、交易对手特征、交易时间范围、交易金额特征等，分析出其中高风险的异常交易，最后从高风险的异常交易流水中分析出异常的交易流水。

第二种、流-组分析算法，其核心是从交易流水数据分析，捕捉其中交易的关联性，从而构建复杂网络，从复杂网络种推断出异常交易。

目前虚拟资产交易具有以下特征：

一、虚拟资产的虚拟性，这使得虚拟资产的交易不像传统交易，具有一定的锚定物或者价值对照物，虚拟财产交易具有虚拟性，虚拟资产价值的认定更多的是基于交易双方的共识基础上，因此缺乏锚定物或者价值对照物。

二、虚拟资产交易的去中心化，整个交易是基于区块链基础，在链上进行交易，这和传统的基于账户体系的交易模式完全不同，整个交易是在共识的基础上，全部是基于钱包地址进行的交易，没有任何的账户体系和流水信息，完全匿名和去中心化。

三、虚拟资产交易的全球性，虚拟资产交易具有全球性的新特征，这和传统的商品物物交易完全不同，在具有全球性交易特征的同时，又具有快速性，整个交易无论大小在全球范围内瞬间完成。

四、虚拟资产交易的无账户性，虚拟资产交易仅仅需要钱包哈希地址即可完成交易，无需银行账户或者其它账户体系，因此具有无账户性。

由于虚拟资产交易具有以上这些特征，因此传统的基于账户体系的资金交易分析模型在对虚拟资产交易资金分析或者交易流水明细分析时，具有以下技术缺陷：

1、传统的交易流水资金分析模型无法适应虚拟资产交易的全新交易模式。由于虚拟资产交易的虚拟性、匿名性和无账户性，虚拟资产大多存在于网络区块链之中，加密资产的账户为匿名账户，账户信息以加密的数字代码进行标识，虚拟资产在不同地址间转移时，整个交易过程没有任何的账户体系。因此除了交易的钱包地址信息外，很难将一个钱包地址与其他相关信息相联系，更无法将一个钱包地址与该钱包地址的拥有者有机关联起来，而传统的交易流水资金分析模型需要钱包、账户等有关联的分析因子，整个模型也是基于这些有关联的分析因子建立的。因此传统的交易流水资金分析模型无法适用在虚拟资产的交易识别应用上，无法从虚拟资产的交易流水明细上分析任何的异常交易行为，无法满足对虚拟资产交易的识别需要。

2、由于虚拟资产交易具有去中心化等特征，交易双方具有高度匿名性，且这些特征是在虚拟资产开发初始就设计好、并固定成具体的密钥地址，也正是这种技术使得虚拟资产具有稀缺性，被人为恶意炒作。但是传统的交易流水资金分析模型是基于传统的账户体系和交易双方实名的前提条件下进行的，因此也无法适用这种具有去中心化的虚拟资产的交易进行分析，无法对密钥地址的交易实现异常交易识别。

3、传统交易流水资金分析模型无法适应海量离散数据的资金分析，在面对海量虚拟资产交易流水数据时，由于无法有效追踪资金全链路流程，同时也由于存在数据孤岛的问题，因此对虚拟资产交易行为不能进行有效关联，因此大大降低了对虚拟资产交易的识别准确度，因此传统交易流水资金分析模型无法适用虚拟资产交易识别的应用需要。

4、虚拟资产具有快速流动性，虚拟资产可以在网络世界或虚拟交易平台的不同账户间任意进行交易，也可以随时随地用于支付或购买服务，这种转移和支付通常在极短的时间内便可完成，而传统的交易流水资金分析模型也无法满足这种跨境交易和流动性的要求。

5、虚拟资产交易通常会借助外部交易平台实现交易。而许多外部的交易平台并没有严格的准入机制，虚拟资产账户的注册、登记及审核程序十分简单，因此很容易被虚假身份混入。此外，交易记录保存、大额交易报告制度也未能严格执行，这无疑使得虚拟资产交易许多信息是缺失的或者不真实的，因此传统的交易流水资金分析模型也无法适用这种基本信息不全或者缺失的交易场景。

综上所述，由于虚拟资产交易的特殊性、匿名性和无账户性等新特征，传统的交易流水资金分析模型无法适用虚拟资产交易识别这种全新的交易场景、全新的交易模型、全新的交易技术，无法通过交易流水明细实现对虚拟资产交易的识别，因此急需一种新的交易识别方法来高效识别交易明细数据中的虚拟资产交易。

发明内容

本申请为了解决上述技术问题提供一种基于反洗钱策略的虚拟资产交易识别方法及系统，其利用大数据和人工智能技术，基于反洗钱策略，通过对日常交易流水明细数据的全方位分析，包括基于反洗钱策略的多维特征规则识别和基于人工智能算法的交易识别模型的识别，来有效识别出包含在正常交易流水中的虚拟资产交易，从而增强对虚拟资产交易的识别。

本申请通过下述技术方案实现：

本申请提供的基于反洗钱策略的虚拟资产交易识别方法，包括以下步骤：输入交易流水明细数据，然后对交易流水明细数据进行数据预处理，使其符合机器学习模型和多维特征规则引擎识别的数据要求，然后对数据进行并行计算的处理，其中一路数据输入至多维特征规则引擎模块，多维特征规则引擎调用反洗钱策略，按照多维特征规则引擎配置的反洗钱策略规则进行虚拟资产交易识别，另外一路数据输入至虚拟资产交易模型模块，虚拟资产交易模型模块在进行前期的模型训练时也同时调用反洗钱策略，交易流水明细数据按照预先训练好的虚拟资产交易模型进行虚拟资产交易识别，然后进行识别评价，如果评价指标小于预设阈值，则将此路交易流水明细数据重新输入至交易模型识别模块，并且同时对虚拟资产交易模型进行重新训练，按照新训练好的新的交易模型再次对交易流水明细数据进行虚拟资产交易识别，直至对虚拟资产的交易识别评价达到预设阈值的要求。针对两路识别过来的交易流水明细数据进行联合计算，识别出交易流水明细数据中的虚拟资产交易，最后输出虚拟资产交易识别结果。

本申请提供的基于反洗钱策略的虚拟资产交易识别系统，可用于实现上述虚拟资产交易识别方法，该系统主要包括：

数据预处理模块，用于按照虚拟资产交易模型和多维特征规则引擎识别的要求，对数据进行数据预处理；

并行计算预处理模块，用于对数据进行并行计算前的分配处理；

并行计算处理模块，用于对金融情报进行并行计算；并行计算处理模块包括多维特征规则引擎模块、虚拟资产交易模型模块、识别评价模块和反洗钱策略库；

反洗钱策略库，用于提供反洗钱策略；

多维特征规则引擎模块，按照多维特征规则引擎配置的反洗钱策略规则，对分配的交易数据进行虚拟资产交易识别，并将识别结果输入至联合计算模块；

虚拟资产交易模型模块，按照预先训练好的虚拟资产交易模型，对分配的交易数据进行虚拟资产交易识别；

识别评价模块，用于拟资产交易模型识别进行定量评价，如果识别效果评价值小于识别效果预设值，则更新交易模型特征，返回虚拟资产交易模型重新进行识别流程，重新定义一个交易模型识别的参数对各个识别特征进行重新评分；如果识别效果评价值等于或大于识别效果预设值，则将虚拟资产交易模型的识别结果输入至联合计算模块；

联合计算模块，用于对多维特征规则引擎模块和识别评价模块送来的两路数据进行联合计算，识别出交易数据中的虚拟资产交易；

识别结果模块，用于输出虚拟资产交易的识别结果。

与现有技术相比，本申请具有以下有益效果：

本申请通过多维特征规则引擎模块和交易模型识别模块的并行识别处理，解决了现有技术无法高效识别虚拟资产交易和无法处理虚拟交易特征的问题；而且还实现了对虚拟资产交易识别的高效计算和分析，确保了虚拟资产交易识别的高效性和时效性。

附图说明

此处所说明的附图用来提供对本申请实施方式的进一步理解，构成本申请的一部分，并不构成对本发明实施方式的限定。

图1为本发明实施例中的基于反洗钱策略的虚拟资产交易识别方法；

图2为本发明实施例中的数据预处理流程图；

图3为本发明实施例中并行计算预处理流程图；

图4为本发明实施例中多维特征规则引擎流程图；

图5为本发明实施例中反洗钱策略流程图；

图6为本发明实施例中虚拟资产交易模型识别流程图；

图7为本发明实施例中识别评价流程图；

图8为本发明实施例中联合计算流程图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述。显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。通常在此处附图中描述和示出的本发明实施方式的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本发明中的实施方式及实施方式中的特征可以相互组合。需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，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。

如图1所示，本实施例公开的一种基于反洗钱策略的虚拟资产交易识别方法，包括以下步骤：

步骤S101，输入交易流水明细数据，然后对交易流水明细数据进行数据预处理，使其符合机器学习模型和多维特征规则引擎识别的数据要求；

步骤S102，对预处理的数据进行并行计算预处理，主要是对数据进行并行计算前的分配处理，分配处理的目的是将其中适合交易模型过滤的一些交易流水明细数据输入虚拟资产交易模型进行过滤；而其余的交易流水明细数据则分配给多维特征规则引擎模块进行规则识别。

步骤S103，对数据进行并行计算，其中一路数据输入至多维特征规则引擎模块，多维特征规则引擎调用反洗钱策略，按照多维特征规则引擎配置的反洗钱策略规则进行虚拟资产交易识别；

另外一路数据输入至虚拟资产交易模型模块，交易流水明细数据按照预先训练好的虚拟资产交易模型进行虚拟资产交易识别，然后进行识别评价，如果评价指标小于预设阈值，则将此路交易流水明细数据重新输入至虚拟资产交易模型模块，并且同时对虚拟资产交易模型进行重新训练，按照新训练好的新的交易模型再次对交易流水明细数据进行虚拟资产交易识别，直至对虚拟资产的交易识别评价达到预设阈值的要求。

值得说明的是，虚拟资产交易模型在进行前期的模型训练时也同时调用反洗钱策略。

步骤S104，针对两路识别过来的交易流水明细数据进行联合计算，识别出交易流水明细数据中的虚拟资产交易；

步骤S105，输出虚拟资产交易的识别结果，然后对识别结果进行统计分析，从而完成了对虚拟资产交易的识别。

在一些实施例中，如图2所示，步骤S101中的数据预处理主要包括三个步骤：

步骤S10101，输入的交易流水明细数据在进入数据预处理模块后，先进行数据清洗，实现对交易流水明细数据的数据噪声和数据不一致性的预处理；

步骤S10102，清洗的数据经输入至数据解析器，数据解析器对交易流水明细数据进行数据解析；

步骤S10103，解析的数据输入至数据转换器，数据转换器进行数据的格式转换，使其符合机器学习模型和多维特征规则引擎的数据格式要求。

在一些实施例中，如图3所示，步骤S102主要包括：

步骤S10201，将预处理过的交易流水明细数据进行并行计算任务分解，把计算任务分解成小任务，开拓并发性，在计算时，假设计算任务的长度为n，则系统自动将长度为n的待处理序列均匀划分给p个小任务，每个计算机线程需要处理n/p个小任务。

步骤S10202，加载并行计算通讯地址，进行并行计算前的准备工作。主要是针对分解的n/p个小任务进行并行计算前的分配处理；分配处理的目的是将其中适合交易模型过滤的一些交易流水明细数据输入虚拟资产交易模型进行过滤；而其余的交易流水明细数据则分配给多维特征规则引擎模块进行规则识别。

本申请的并行计算是指多个并行计算的小任务在不同的计算内核上并行执行，在某个特定的时间点，所有活动的线程或许只有一个在真正执行，但在某段时间间隔内对外表现为多个线程在并行执行。

如图4所示，步骤S103中多维特征规则引擎模块进行虚拟资产交易识别的方法主要包括：

首先，交易流水明细数据输入多维特征规则引擎模块，先调用反洗钱策略；

然后，多维特征规则引擎根据反洗钱策略配置过滤规则；

随后，调用预先配置好的过滤规则，按照过滤规则的要求对特征匹配出来的结果进行筛选过滤，在筛选过滤时预先设定的阈值进行筛选过滤，从而过滤出交易流水中的虚拟资产交易，实现规则过滤；对于规则过滤出来的虚拟资产交易，对其打上标签。

值得说明的是，如图5所示，反洗钱策略由两个并行模块组成，一个模块是提供反洗钱策略的反洗钱策略库，反洗钱策略库包含了各种类型的针对虚拟资产交易的反洗钱策略，它供多维特征规则引擎和虚拟资产交易模型所调用；另外一个模块是反洗钱策略优化模块，它提供了反洗钱策略的优化和更新功能。

在调用反洗钱策略时，系统会根据传输过来的标志位参数来确定调用哪个模块，如果标志位参数为1，则调用反洗钱策略库，如果标志位参数为2，则调用反洗钱策略优化模块。

其中反洗钱策略库包含了各种类型的针对虚拟资产交易的反洗钱策略，比如基于时间序列的虚拟资产交易策略、基于IP地址的虚拟资产交易策略、基于黑名单的虚拟资产交易策略、基于交易频率的虚拟资产交易策略等。

多维特征规则引擎在调用这些反洗钱策略时，只能调用反洗钱策略库，通过调用回来的反洗钱策略，多维特征规则引擎可以直接在规则引擎中配置这些反洗钱策略，从而生成新的过滤规则，根据新生成的规则进行虚拟资产反洗钱策略的过滤，从而实现对虚拟资产交易的识别。

而虚拟资产交易模型模块在调用反洗钱策略时，如果标志位参数为1，则调用反洗钱策略库，根据调用的反洗钱策略的参数，对虚拟资产交易模型的初始变量进行重新计算，得出新的虚拟资产交易模型的初始值；如果标志位参数为2，则调用反洗钱策略优化模块，将参数传递给反洗钱策略优化模块，实现对反洗钱策略模块的优化更新功能。

如图6所示，步骤S103中虚拟资产交易模型模块进行虚拟资产交易识别的方法主要包括：

首先，交易流水明细数据进入虚拟资产交易模型模块，先调用反洗钱策略；

然后，结合反洗钱策略进行虚拟资产交易模型预处理；

随后，进行模型识别，识别出交易流水中的虚拟资产交易，并对识别出的虚拟资产交易流水打上标签。

值得说明的是，虚拟资产交易模型是基于反洗钱策略和优化的GBDT算法形成的全新的优化算法，该算法预测虚拟资产交易的方式是把所有子树的虚拟资产交易结果加起来。该算法通过逐一生成决策子树的方式生成整个虚拟资产交易森林，生成新子树的过程是利用样本标签值与当前虚拟资产交易树林预测值之间的残差，构建新的子树。同时在传统的GBDT算法上，将初始模型常数更改为由策略函数调用反洗钱策略而生成的初始损失值。策略函数是一个简单的策略函数，策略函数调用不同的反洗钱策略，自动计算出不同的虚拟资产交易模型的初始损失值，该数值将作为GBDT算法的初始值。比如策略函数调用了反洗钱策略“日均交易笔数超过20笔，累计金额超过200万”，策略函数/>根据反洗钱策略匹配结果，自动生成预先定义好的数值，比如2等，而调用了反洗钱策略“交易IP地址击中IP黑名单地址库”，策略函数/>根据反洗钱策略匹配结果，自动计算出数值1等。

该新算法融合了反洗钱策略的要求和GBDT的优点相结合而成，分别从交易行为、交易时间、交易双方等多个方面选取能够反映虚拟资产交易特征的多项异常交易因子构建机器学习的指标体系，以选取的典型异常交易因子为基础结合二分类随机变量，利用具有优秀分类与回归性能的GBDT模型构建虚拟资产交易识别模型，预测变量所属类别与概率分布。

其中，结合反洗钱策略的优化的GBDT算法计算公式如下；

设初始模型常数，/>将替换/>，/>是一个策略函数，代表虚拟资产交易模型的初始损失值；

对于；/>是训练的轮数；

对于；/>是数据的个数；

计算伪残差，

使用数据(),/>,计算拟合残差的基函数/>,该基函数的二叉回归树表示为：

上式计算的类型是分类，其中，是损失函数，/>，其中/>为指示函数，条件成立时返回1，否则为0；

对拟合一个回归树，得到第棵树的叶节点区域/>，其中/>，/>是回归树的复杂度，表现为叶节点的个数;

更新当前模型为

其中为步长；

将步长和/>合并为/>，即：

其中为该叶节点的预测目标值；

最后，得到最终的虚拟资产交易模型为：

上式中， 是一个策略函数，代表虚拟资产交易模型的初始损失值，它替换了传统的GBDT算法上的初始模型常数，策略函数/>调用不同的反洗钱策略，自动计算不同的数值，由策略函数/>计算出的初始数值将作为虚拟资产交易模型的初始损失值；

代表m轮训练轮次的和j个数据个数的最佳拟合值，在每一个叶子节点里，模型求出使损失函数最佳拟合值/>；

，其中/>为指示函数(条件成立时返回1，否则为0)；

其中,对;/>是训练的轮数；

对;/>是数据的个数。

如图1所示，虚拟资产交易模型识别出来的数据进入识别评价模块进行识别评价。具体的，如图7所示，数据先进行识别效果评价，效果评价是根据虚拟资产交易模型识别的结果以及识别效果，对虚拟资产交易模型进行定量评价。如果识别效果评价值小于识别效果预设值，则更新模型特征，返回虚拟资产交易模型重新进行识别流程，重新定义一个交易模型识别的参数，使用发散性或相关性指标对各个识别特征进行重新评分。比如：选择分数大于阈值的特征或者选择前K个分数最大的特征，具体的：重新计算每个特征的发散性，移除发散性小于阈值的特征/选择前k个分数最大的特征；或者，重新计算每个特征与标签的相关性，移除相关性小于阈值的特征/选择前k个分数最大的特征。如果识别效果评价值等于或大于识别效果预设值，则直接结束本模块流程，进入下一步骤。

如图8所示，对两路经过不同计算处理的交易流水明细数据进行的联合计算，主要包括以下步骤：

步骤S10401，对多维特征规则识别和虚拟资产交易模型识别的异常交易数据进行数据汇总；

步骤S10402，将汇聚的数据抽取特征，与汇总计算特征指标进行一一匹配；

步骤S10403，最后进行汇总计算，识别出交易流水明细数据中的虚拟资产交易。汇总计算可采用基于多维度关联分析技术，将虚拟资产交易对象之间的相关性以图形化的方式进行描述和展现，同时从宏观和微观层面对虚拟资产交易进行识别和判断。在一些实施例中，多维度关联分析指对空间位置关系、社区距离关系、统计分析管理、时序关系、时域关系的联合汇总计算。

本实施例公开一种基于反洗钱策略的虚拟资产交易识别系统，该系统可实现上述虚拟资产交易识别方法，其主要包括：

数据预处理模块，用于按照虚拟资产交易模型和多维特征规则引擎识别的要求，对数据进行数据预处理；

并行计算预处理模块，用于对数据进行并行计算前的分配处理；

并行计算处理模块，用于对金融情报进行并行计算；并行计算处理模块包括多维特征规则引擎模块、虚拟资产交易模型模块、识别评价模块和反洗钱策略库；

反洗钱策略库，用于提供反洗钱策略；

多维特征规则引擎模块，按照多维特征规则引擎配置的反洗钱策略规则，对分配的交易数据进行虚拟资产交易识别，并将识别结果输入至联合计算模块；

虚拟资产交易模型模块，按照预先训练好的虚拟资产交易模型，对分配的交易数据进行虚拟资产交易识别；

识别评价模块，用于拟资产交易模型识别进行定量评价，如果识别效果评价值小于识别效果预设值，则更新交易模型特征，返回虚拟资产交易模型重新进行识别流程，重新定义一个交易模型识别的参数对各个识别特征进行重新评分；如果识别效果评价值等于或大于识别效果预设值，则将虚拟资产交易模型的识别结果输入至联合计算模块；

联合计算模块，用于对多维特征规则引擎模块和识别评价模块送来的两路数据进行联合计算，识别出交易数据中的虚拟资产交易；

识别结果模块，用于输出虚拟资产交易的识别结果。

值得说明的是，反洗钱策略库主要包括两部分，一部分是提供反洗钱策略的反洗钱策略库，反洗钱策略库包含了各种类型的针对虚拟资产交易的反洗钱策略，它供多维特征规则引擎和虚拟资产交易模型所调用；另外一部分是反洗钱策略优化模块，它提供了反洗钱策略的优化和更新功能。

本申请可实现对金融机构的日常海量交易流水中的虚拟资产交易的高效识别，克服了传统的交易流水资金分析模型无法实现对这些在海量交易流水中的虚拟资产交易的识别的难题。本申请通过多维特征规则引擎模块和交易模型识别模块的并行识别处理，解决了现有技术无法高效识别虚拟资产交易和无法处理虚拟交易特征的问题；而且还实现了对虚拟资产交易识别的高效计算和分析，确保了虚拟资产交易识别的高效性和时效性。

本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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、物品或者设备中还存在另外的相同要素。

以上的具体实施方式，对本申请的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于反洗钱策略的虚拟资产交易识别方法，其特征在于：包括以下步骤：

按照虚拟资产交易模型和多维特征规则引擎识别的要求，对输入的交易数据进行数据预处理；

对交易数据进行并行计算前的分配处理，将其中适合虚拟资产交易模型过滤的交易流水明细数据输入虚拟资产交易模型进行过滤，而其余的交易流水明细数据则分配给多维特征规则引擎模块进行规则识别；

进行并行计算，并行计算的其中一路交易数据输入至多维特征规则引擎模块，多维特征规则引擎调用反洗钱策略，按照多维特征规则引擎配置的反洗钱策略规则进行虚拟资产交易识别；

并行计算的另外一路交易数据按照预先训练好的虚拟资产交易模型进行虚拟资产交易识别，然后进行识别评价，如果评价指标小于预设阈值，则将此路交易数据重新输入至虚拟资产交易模型，并且同时对虚拟资产交易模型进行重新训练，按照新训练好的新的虚拟资产交易模型再次对交易数据进行虚拟资产交易识别，直至对虚拟资产的交易识别评价达到预设阈值的要求；虚拟资产交易模型在模型训练时调用了反洗钱策略；

对两路识别过来的交易数据进行联合计算，识别出交易数据中的虚拟资产交易；

输出虚拟资产交易的识别结果；

所述虚拟资产交易模型为：

上式中， 是一个策略函数，代表虚拟资产交易模型的初始损失值，它替换了传统的GBDT算法上的初始模型常数，策略函数/>调用不同的反洗钱策略，自动计算不同的数值，由策略函数/>计算出的初始数值将作为虚拟资产交易模型的初始损失值；

代表m轮训练轮次的和j个数据个数的最佳拟合值，在每一个叶子节点里，模型求出使损失函数最佳拟合值/>；

，其中/>为指示函数；

对于;/>是训练的轮数；对于/>;/>是数据的个数。

2.根据权利要求1所述的一种基于反洗钱策略的虚拟资产交易识别方法，其特征在于：所述交易数据是交易流水明细数据。

3.根据权利要求1或2所述的一种基于反洗钱策略的虚拟资产交易识别方法，其特征在于：所述分配处理包括：

将预处理过的交易数据进行并行计算任务分解，把计算任务分解成小任务；

加载并行计算通讯地址，针对分解的小任务进行并行计算前的分配处理，将其中适合交易模型过滤的交易数据输入虚拟资产交易模型进行过滤；而其余的交易数据则分配给多维特征规则引擎进行规则识别。

4.根据权利要求1或2所述的一种基于反洗钱策略的虚拟资产交易识别方法，其特征在于：所述多维特征规则引擎模块进行虚拟资产交易识别的方法包括：

首先，调用反洗钱策略；

然后，多维特征规则引擎根据反洗钱策略配置过滤规则；

随后，调用预先配置好的过滤规则，按照过滤规则的要求对特征匹配出来的结果进行筛选过滤，过滤出交易数据中的虚拟资产交易，对规则过滤出来的虚拟资产交易打上标签。

5.根据权利要求1或2所述的一种基于反洗钱策略的虚拟资产交易识别方法，其特征在于：所述虚拟资产交易模型模块进行虚拟资产交易识别的方法包括：

首先，调用反洗钱策略；

然后，结合反洗钱策略进行虚拟资产交易模型预处理；

随后，进行模型识别，识别出交易数据中的虚拟资产交易，对识别出的虚拟资产交易打上标签。

6.根据权利要求1所述的一种基于反洗钱策略的虚拟资产交易识别方法，其特征在于：所述虚拟资产交易模型是基于反洗钱策略和优化的GBDT算法形成的算法，其通过逐一生成决策子树的方式生成整个森林，生成新子树的过程是利用样本标签值与当前树林预测值之间的残差，构建新的子树；将初始模型常数更改为由策略函数调用反洗钱策略而生成的初始值。

7.根据权利要求1所述的一种基于反洗钱策略的虚拟资产交易识别方法，其特征在于：反洗钱策略包括两部分，一部分是提供反洗钱策略的模块，该模块包含了各种类型的针对虚拟资产交易的反洗钱策略，供多维特征规则引擎和虚拟资产交易模型所调用；另外一部分是反洗钱策略优化，提供了反洗钱策略的优化和更新功能。

8.根据权利要求1所述的一种基于反洗钱策略的虚拟资产交易识别方法，其特征在于：所述联合计算采用基于多维度关联分析技术将虚拟资产交易对象之间的相关性以图形化的方式进行描述和展现，同时从宏观和微观层面对虚拟资产交易进行识别和判断。

9.一种基于反洗钱策略的虚拟资产交易识别系统，其特征在于：

可实现如权利要求1-8中任一项所述的虚拟资产交易识别方法，所述虚拟资产交易识别系统包括：

数据预处理模块，用于按照虚拟资产交易模型和多维特征规则引擎识别的要求，对数据进行数据预处理；

并行计算预处理模块，用于对数据进行并行计算前的分配处理；

并行计算处理模块，用于对金融情报进行并行计算；并行计算处理模块包括多维特征规则引擎模块、虚拟资产交易模型模块、识别评价模块和反洗钱策略库；

反洗钱策略库，用于提供反洗钱策略；

多维特征规则引擎模块，按照多维特征规则引擎配置的反洗钱策略规则，对分配的交易数据进行虚拟资产交易识别，并将识别结果输入至联合计算模块；

虚拟资产交易模型模块，按照预先训练好的虚拟资产交易模型，对分配的交易数据进行虚拟资产交易识别；

识别评价模块，用于拟资产交易模型识别进行定量评价，如果识别效果评价值小于识别效果预设值，则更新交易模型特征，返回虚拟资产交易模型重新进行识别流程，重新定义一个交易模型识别的参数对各个识别特征进行重新评分；如果识别效果评价值等于或大于识别效果预设值，则将虚拟资产交易模型的识别结果输入至联合计算模块；

联合计算模块，用于对多维特征规则引擎模块和识别评价模块送来的两路数据进行联合计算，识别出交易数据中的虚拟资产交易；

识别结果模块，用于输出虚拟资产交易的识别结果。