CN116452329A - 异常行为监测方法、装置、电子设备及存储介质 - Google Patents
异常行为监测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116452329A CN116452329A CN202310207787.8A CN202310207787A CN116452329A CN 116452329 A CN116452329 A CN 116452329A CN 202310207787 A CN202310207787 A CN 202310207787A CN 116452329 A CN116452329 A CN 116452329A
- Authority
- CN
- China
- Prior art keywords
- transaction
- abnormal
- feature
- characteristic
- target 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 115
- 206010000117 Abnormal behaviour Diseases 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000002159 abnormal effect Effects 0.000 claims abstract description 156
- 230000006399 behavior Effects 0.000 claims abstract description 75
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000013136 deep learning model Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012806 monitoring device Methods 0.000 abstract description 14
- 230000008569 process Effects 0.000 abstract description 7
- 238000004900 laundering Methods 0.000 description 10
- 238000013499 data model Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000011010 flushing procedure Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明涉及行为监测技术领域,提供一种异常行为监测方法、装置、电子设备及存储介质,该方法首先获取第一用户在预设时间段内的目标交易数据,并将目标交易数据存入数据库;然后调用数据库中基于数据库编码构建得到的监测模型,对目标交易数据进行解析,得到目标交易特征,并将目标交易特征与异常交易特征进行匹配,基于匹配所得结果,判断第一用户在预设时间段内是否存在异常交易行为。该方法可使得整个判断流程更为简便,节省了人力物力,且不需要对监测模型进行训练,避免了因训练所需的样本数据导致的监测模型准确率低、适用范围小、效率低的问题出现,可以提高判断结果的准确性和可信度,适用范围广,判断效率高。
Description
技术领域
本发明涉及行为监测技术领域,尤其涉及一种异常行为监测方法、装置、电子设备及存储介质。
背景技术
在当前互联网时代背景下,层出不穷的新技术一方面带来了传统业务模式的变革和创新,同时也为金融领域的洗钱活动提供了新的场景和技术手段,使其网络化、专业化和隐蔽性日趋增强,这将给反洗钱行为的甄别增加了难度和复杂度。
目前,随着大数据、AI技术的发展,机器学习被广泛的应用于反洗钱系统中。服务器可以使用包括洗钱行为和正常交易行为在内的样本数据,训练得到数据模型。该数据模型用于根据客户的交易行为,判断该交易行为是否属于洗钱行为。该数据模型的使用相较于传统的逻辑判断,极大的提高了洗钱行为的判断准确率。
然而,该数据模型的准确度与样本数据直接相关。想要训练得到一个准确度高、适用范围广的数据模型,通常需要对样本数据的量级和质量提出严格的要求。显然,在样本数据的量级和质量较为普通的情况下,训练得到的数据模型容易存在识别准确率低、适用范围小、反洗钱效率低等问题。
发明内容
本发明提供一种异常行为监测方法、装置、电子设备及存储介质,用以解决现有技术中存在的缺陷。
本发明提供一种异常行为监测方法,包括:
获取第一用户在预设时间段内的目标交易数据,并将所述目标交易数据存入数据库;
调用所述数据库中的监测模型,对所述目标交易数据进行解析,得到目标交易特征,并将所述目标交易特征与异常交易特征进行匹配,基于匹配所得结果,判断所述第一用户在所述预设时间段内是否存在异常交易行为;
其中,所述监测模型基于数据库编码构建得到,所述异常交易特征为异常交易行为的交易特征。
根据本发明提供的一种异常行为监测方法,所述目标交易特征与所述异常交易特征均包括阈值类特征,且所述异常交易特征中的阈值类特征均对应有特征阈值;
相应地,所述将所述目标交易特征与异常交易特征进行匹配,基于匹配所得结果,判断所述第一用户在所述预设时间段内是否存在异常交易行为,包括:
将所述目标交易特征中的阈值类特征与所述异常交易特征中同一维度的阈值类特征的特征阈值进行比较,若所述目标交易特征中的阈值类特征满足所述异常交易特征中同一维度的阈值类特征的特征阈值对应的限度条件,则确定所述第一用户在所述预设时间段内存在异常交易行为。
根据本发明提供的一种异常行为监测方法,所述特征阈值基于如下步骤确定:
确定具有阈值类特征样本的异常交易数据样本,并确定特征阈值范围;
基于所述异常交易数据样本,对所述特征阈值范围内的每一备选特征阈值对应的深度学习模型进行训练,得到各训练后的深度学习模型,并从各训练后的深度学习模型中选取准确度最高的目标模型;
确定所述目标模型对应的备选特征阈值为所述特征阈值。
根据本发明提供的一种异常行为监测方法,所述特征阈值还基于如下步骤确定:
接收第二用户输入的阈值编辑请求,并基于所述阈值编辑请求,向所述第二用户展示阈值编辑界面;
接收所述第二用户在所述阈值编辑界面输入的所述特征阈值。
根据本发明提供的一种异常行为监测方法,所述目标交易特征与所述异常交易特征均还包括二分类特征,且所述异常交易特征中的二分类特征均对应有二分类条件;
相应地,所述将所述目标交易特征与异常交易特征进行匹配,基于匹配所得结果,判断所述第一用户在所述预设时间段内是否存在异常交易行为,包括:
判断所述目标交易特征中的二分类特征是否满足所述二分类条件,若所述目标交易特征中的二分类特征满足所述二分类条件,则确定所述第一用户在所述预设时间段内存在异常交易行为。
根据本发明提供的一种异常行为监测方法,所述数据库中存储有特征指标,所述特征指标用于指示特征计算方法;
相应地,所述调用所述数据库中的监测模型,对所述目标交易数据进行解析,得到目标交易特征,包括:
调用所述监测模型,按所述特征指标,对所述目标交易数据进行解析,得到所述目标交易特征。
根据本发明提供的一种异常行为监测方法,所述调用所述监测模型,按所述特征指标,对所述目标交易数据进行解析,得到目标交易特征,之前包括:
接收第二用户输入的指标选取请求,并基于所述指标选取请求,确定处于启用状态的目标特征指标;
相应地,所述调用所述监测模型,按所述特征指标,对所述目标交易数据进行解析,得到目标交易特征,包括:
调用所述监测模型,按所述目标特征指标,对所述目标交易数据进行解析,得到所述目标交易特征。
本发明还提供一种异常行为监测装置,包括:
数据获取模块,用于获取第一用户在预设时间段内的目标交易数据,并将所述目标交易数据存入数据库;
行为监测模块,用于调用所述数据库中的监测模型,对所述目标交易数据进行解析,得到目标交易特征,并将所述目标交易特征与异常交易特征进行匹配,基于匹配所得结果,判断所述第一用户在所述预设时间段内是否存在异常交易行为;
其中,所述监测模型基于数据库编码构建得到,所述异常交易特征为异常交易行为的交易特征。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述的异常行为监测方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述的异常行为监测方法。
本发明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述任一种所述的异常行为监测方法。
本发明提供的异常行为监测方法、装置、电子设备及存储介质,该方法首先获取第一用户在预设时间段内的目标交易数据,并将目标交易数据存入数据库;然后调用数据库中基于数据库编码构建得到的监测模型,对目标交易数据进行解析,得到目标交易特征,并将目标交易特征与异常交易特征进行匹配,基于匹配所得结果,判断第一用户在预设时间段内是否存在异常交易行为。该方法利用数据库中基于数据库编码构建得到的监测模型,判断第一用户是否存在异常交易行为,可使得整个判断流程更为简便,节省了人力物力,且不需要对监测模型进行训练,避免了因训练所需的样本数据导致的监测模型准确率低、适用范围小、效率低的问题出现,可以提高判断结果的准确性和可信度,适用范围广,判断效率高。
附图说明
为了更清楚地说明本发明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,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的附图。
图1是本发明提供的异常行为监测方法的流程示意图之一;
图2是本发明提供的异常行为监测方法的流程示意图之二;
图3是本发明提供的异常行为监测装置的结构示意图;
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明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做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。
由于现有技术中在判断交易行为是否属于洗钱行为等异常行为时,采用的数据模型的准确度与样本数据直接相关。而想要训练得到一个准确度高、适用范围广的数据模型,通常需要对样本数据的量级和质量提出严格的要求。显然,在样本数据的量级和质量较为普通的情况下,训练得到的数据模型容易存在识别准确率低、适用范围小、反洗钱效率低等问题。
为此,本发明实施例中提供了一种异常行为监测方法,不仅可以用于对洗钱行为的判断,还可以用于其他异常行为的判断。
图1为本发明实施例中提供的一种异常行为监测方法的流程示意图,如图1所示,该方法包括:
S1,获取第一用户在预设时间段内的目标交易数据,并将所述目标交易数据存入数据库;
S2,调用所述数据库中的监测模型,对所述目标交易数据进行解析,得到目标交易特征,并将所述目标交易特征与异常交易特征进行匹配,基于匹配所得结果,判断所述第一用户在所述预设时间段内是否存在异常交易行为;
其中,所述监测模型基于数据库编码构建得到,所述异常交易特征为异常交易行为的交易特征。
具体地,本发明实施例中提供的异常行为监测方法,其执行主体为异常行为监测装置,该装置可以配置于计算机内,该计算机可以为本地计算机或云计算机,本地计算机可以是电脑、平板等,此处不作具体限定。
首先执行步骤S1,获取第一用户在预设时间段内的目标交易数据,并将目标交易数据存入数据库。其中,第一用户是指需要监控其交易行为是否异常行为的用户,即监测对象,可以包括一个或多个。当第一用户为一个时,则为个体异常行为监测,当第一用户为多个时,则为团伙异常行为监测。异常行为既可以是交易行为中的洗钱行为,也可以是交易行为中的其他异常行为,此处不作具体限定。
预设时间段可以是预先设定的,其长度可以根据需要进行选取,此处不作具体限定。
目标交易数据来源于交易信息表和客户信息表,可以包括客户主体信息、交易行为信息和交易对象信息。客户主体信息是指第一用户的相关信息,可以包括第一用户的账户信息,第一用户的账户信息可以包括第一用户在各金融机构下的开户账号、开户网点以及开户预留信息等,开户预留信息可以包括预留电话、预留地址以及预留单位等。
交易行为信息可以包括每次交易的交易类型、交易金额、交易时间、交易媒介以及交易路径等。交易媒介包括柜台交易、ATM交易以及POS交易等,交易路径包括储蓄卡、信用卡以及借记卡等。
交易对象信息是指在预设时间段内与第一用户存在交易行为的交易对象的相关信息,可以包括交易对象的账户信息,交易对象的账户信息可以包括交易对象与第一用户发生交易行为的账号、交易网点以及在与第一用户发生交易时的风险等级等。风险等级可以包括低风险、中风险以及高风险等。
得到目标交易数据之后,将目标交易数据存入数据库。该数据库的类型可以是Oracle数据库,也可以是MySQL数据库,还可以是其他类型,此处不作具体限定。
然后执行步骤S2,在数据库中可以包含有经过数据库编码构建得到的监测模型,通过调用该监测模型,对目标交易数据进行解析,得到目标交易特征。对目标交易数据进行解析的过程,可以理解为是对目标交易数据重新按不同维度进行整合计算的过程,得到的目标交易特征则为目标交易数据在不同维度的整合计算结果,用以表征目标交易数据在不同维度的交易特征。
此后,监测模型利用目标交易特征,判断目标交易数据对应的交易行为是否属于异常行为,先将目标交易特征与异常交易特征进行匹配,得到匹配结果。异常交易特征可以是异常行为的交易特征,可以通过对大数据处理得到的异常交易数据进行解析得到。
匹配结果可以包括匹配成功和匹配失败,此处任一维度的目标交易特征与相同维度的异常交易特征匹配成功,即任一维度的目标交易特征命中了相同维度的异常交易特征,则认为目标交易特征与异常交易特征匹配成功,此时可以认为第一用户在预设时间段内存在异常交易行为。若不存在某一维度的目标交易特征与相同维度的异常交易特征匹配成功,即所有维度的目标交易特征与相同维度的异常交易特征均匹配失败,所有维度的目标交易特征均未命中相同维度的异常交易特征,则认为目标交易特征与异常交易特征匹配失败,第一用户在预设时间段内不存在异常交易行为。
异常行为监测装置可以配置有显示界面,在将目标交易特征与异常交易特征进行匹配之后,可以将匹配成功的目标交易特征及其命中的异常交易特征传递至前端进行展示,并可以显示该目标交易特征对应的交易行为详情描述。
本发明实施例中提供的异常行为监测方法,首先获取第一用户在预设时间段内的目标交易数据,并将目标交易数据存入数据库;然后调用数据库中基于数据库编码构建得到的监测模型,对目标交易数据进行解析,得到目标交易特征,并将目标交易特征与异常交易特征进行匹配,基于匹配所得结果,判断第一用户在预设时间段内是否存在异常交易行为。该方法利用数据库中基于数据库编码构建得到的监测模型,判断第一用户是否存在异常交易行为,可使得整个判断流程更为简便,节省了人力物力,且不需要对监测模型进行训练,避免了因训练所需的样本数据导致的监测模型准确率低、适用范围小、效率低的问题出现,可以提高判断结果的准确性和可信度,适用范围广,判断效率高。
在上述实施例的基础上,本发明实施例中提供的异常行为监测方法,所述数据库中存储有特征指标,所述特征指标用于指示特征计算方法;相应地,
所述调用所述数据库中的监测模型,对所述目标交易数据进行解析,得到目标交易特征,包括:
调用所述监测模型,按所述特征指标,对所述目标交易数据进行解析,得到所述目标交易特征。
具体地,在数据库中存储有特征指标,特征指标用于指示特征计算方法。特征指标可以包括多个,多个特征指标构成特征指标体系。异常交易特征的维度与特征指标体系内的特征指标一一对应。
在调用监测模型后,监测模型可以按不同的特征指标对目标交易数据进行整合计算,得到不同维度的目标交易特征。
特征指标可以通过对客户交易信息表、交易日志表、主客户表、团伙信息表等信息表中的交易数据进行解析得到。
可以理解的是,特征指标按特征计算所需的信息类别分为信息类和交易类,按第一用户的个数不同分为针对于个体的特征指标与针对于团伙的特征指标。表1为特征指标体系表。表1中第一列为特征指标的序号,第二列为特征指标的类别,第三列为具体的特征指标。表1中无特殊说明,均为针对于个人的特征指标,第二列中标有团伙时,第三列中的特征指标为针对于团伙的特征指标。
表1特征指标体系表
表1中的对手即为第一用户的交易对象。
在数据库中,特征指标体系可以通过特征指标详细信息表进行构建,特征指标详细信息表如表2所示,特征指标详细信息表中各字段描述如表3所示。表2、表3中的规则(rule)即异常交易特征。
表2特征指标详细信息表(一)
表3特征指标详细信息表中各字段描述表(一)
本发明实施例中,引入特征指标,用于支撑监测模型对目标交易数据的解析,可以提高解析效率,快速得到目标交易特征。
在上述实施例的基础上,本发明实施例中提供的异常行为监测方法,所述调用所述监测模型,按所述特征指标,对所述目标交易数据进行解析,得到目标交易特征,之前包括:
接收第二用户输入的指标选取请求,并基于所述指标选取请求,确定处于启用状态的目标特征指标;
相应地,所述调用所述监测模型,按所述特征指标,对所述目标交易数据进行解析,得到目标交易特征,包括:
调用所述监测模型,按所述目标特征指标,对所述目标交易数据进行解析,得到所述目标交易特征。
具体地,虽然数据库中部署了各个特征指标,但是可以选择性的应用某些特征指标进行目标交易特征的计算。此时,可以先接收第二用户输入的指标选取请求,该第二用户是指对第一用户具有异常行为监测需求的用户,即监测主体。
异常行为监测装置的显示界面可以显示有指标选取请求输入接口,该指标选取请求输入接口可以是每个特征指标对应的滑动按钮,该滑动按钮的一侧为启用,表示该特征指标处于启用状态,该滑动按钮的另一侧为禁用,表示该特征指标处于禁用状态。第二用户可以通过将每个特征指标对应的滑动按钮滑动至不同位置实现对每个特征指标的状态进行控制,进而达到特征指标选取的目的。
此后,在对目标交易数据进行解析时,可以按目标特征指标,对目标交易数据进行解析,得到目标交易特征。此时,目标交易特征的维度个数与目标特征指标的个数相同,不同目标特征指标表示不同维度的目标交易特征。
本发明实施例中,引入第二用户输入的指标选取请求,可以使第二用户个性化选取所需的特征指标进行后续对目标交易数据的解析,进而得到所需维度的目标交易特征,如此可以大大提高目标交易特征的确定效率,进而可以在满足第二用户需求的基础上,提高对第一用户的监测效率。
在上述实施例的基础上,本发明实施例中提供的异常行为监测方法,所述目标交易特征与所述异常交易特征均包括阈值类特征,且所述异常交易特征中的阈值类特征均对应有特征阈值;相应地,
所述将所述目标交易特征与异常交易特征进行匹配,基于匹配所得结果,判断所述第一用户在所述预设时间段内是否存在异常交易行为,包括:
将所述目标交易特征中的阈值类特征与所述异常交易特征中同一维度的阈值类特征的特征阈值进行比较,若所述目标交易特征中的阈值类特征满足所述异常交易特征中同一维度的阈值类特征的特征阈值对应的限度条件,则确定所述第一用户在所述预设时间段内存在异常交易行为。
具体地,目标交易特征与异常交易特征均包括阈值类特征,此时目标交易特征中的阈值类特征是按阈值类指标对目标交易数据进行解析得到,阈值类指标是指存在特征阈值的特征指标,如表1中在第四列对应有特征阈值的特征指标。
可以理解的是,阈值类指标的特征阈值也是异常交易特征中的阈值类特征的特征阈值。
目标交易特征中的阈值类特征以及异常交易特征中的阈值类特征均可以包括多个维度,进而可以将目标交易特征中的阈值类特征与异常交易特征中同一维度的阈值类特征的特征阈值进行比较,若目标交易特征中的阈值类特征满足异常交易特征中同一维度的阈值类特征的特征阈值对应的限度条件,则认为目标交易特征中的该维度的阈值类特征命中了异常交易特征中同一维度的阈值类特征,目标交易特征与异常交易特征匹配成功,进而确定第一用户在预设时间段内存在异常交易行为。
此处,特征阈值对应的限度条件可以是小于特征阈值,如表1中序号为3、5的阈值类特征,也可以是大于特征阈值,如表1中除序号为3、5的阈值类特征之外的其他维度的阈值类特征。
在数据库中,若目标交易特征中的某一维度的阈值类特征命中了异常交易特征中同一维度的阈值类特征,则命中的特征指标详细信息表可以通过表4表示,命中的特征指标详细信息表中各字段描述表可以通过表5表示。
表4特征指标详细信息表(二)
表5特征指标详细信息表中各字段描述表(二)
否则,若目标交易特征中的阈值类特征均不满足异常交易特征中同一维度的阈值类特征的特征阈值对应的限度条件,则认为目标交易特征中各维度的阈值类特征均未命中异常交易特征中同一维度的阈值类特征。但是此时并不能直接确定第一用户在预设时间段内不存在异常交易行为,还需要进一步结合目标交易特征中的其他类特征是否命中异常交易特征中同一维度的同类特征综合进行判断。
本发明实施例中,对于目标交易特征中的阈值类特征,可以直接通过将目标交易特征中的阈值类特征与异常交易特征中同一维度的阈值类特征的特征阈值进行比较的方式,将目标交易特征与异常交易特征进行匹配,可以降低匹配难度,提高匹配效率。
在上述实施例的基础上,本发明实施例中提供的异常行为监测方法,所述特征阈值基于如下步骤确定:
确定具有阈值类特征样本的异常交易数据样本,并确定特征阈值范围;
基于所述异常交易数据样本,对所述特征阈值范围内的每一备选特征阈值对应的深度学习模型进行训练,得到各训练后的深度学习模型,并从各训练后的深度学习模型中选取准确度最高的目标模型;
确定所述目标模型对应的备选特征阈值为所述特征阈值。
具体地,异常交易特征中的阈值类特征的特征阈值,即阈值类指标的特征阈值,可以通过机器学习的方法确定。本发明实施例中给出通过机器学习的方法确定特征阈值的详细过程。
首先,可以确定具有阈值类特征样本的异常交易数据样本,并确定特征阈值范围,异常交易数据样本以及特征阈值范围均可以是人为选定并输入至异常行为监测装置。
然后,利用特征阈值范围内的每一备选特征阈值,均可以建立一深度学习模型,以异常交易数据样本作为输入,异常行为作为标签,对特征阈值范围内的每一备选特征阈值对应的深度学习模型进行训练,可以得到各训练后的深度学习模型,各训练后的深度学习模型均可以用于对任一交易数据进行解析,并通过将解析所得结果与其对应的备选特征阈值进行比较的方式判断是否存在异常交易行为。
此后,可以利用新的异常交易数据样本对各训练后的深度学习模型进行测试,得到各训练后的深度学习模型的准确度,并从各训练后的深度学习模型中选取准确度最高的目标模型,将该目标模型对应的备选特征阈值作为最终的特征阈值即可。
需要说明的是,上述确定的特征阈值范围可以包括各维度的特征阈值对应的范围,因此可以利用深度学习模型的训练以及测试过程,可以同步确定各维度的特征阈值。
本发明实施例中,采用深度学习模型确定特征阈值,避免人为设定的局限,可以进一步提高监测结果的准确性。
在上述实施例的基础上,本发明实施例中提供的异常行为监测方法,异常交易特征中的阈值类特征的特征阈值,即阈值类指标的特征阈值,还可以人为在编码层面设定,即可以在数据库下通过更改表2中的字段“PARAMETER_VALUE”的具体取值实现对每一特征指标的特征阈值的设定。
在上述实施例的基础上,本发明实施例中提供的异常行为监测方法,所述特征阈值还基于如下步骤确定:
接收第二用户输入的阈值编辑请求,并基于所述阈值编辑请求,向所述第二用户展示阈值编辑界面;
接收所述第二用户在所述阈值编辑界面输入的所述特征阈值。
具体地,异常交易特征中的阈值类特征的特征阈值,即阈值类指标的特征阈值,还可以人为在前端的显示界面设定,即在异常行为监测装置的显示界面上海可以显示有阈值编辑请求输入接口,该阈值编辑请求输入接口可以是每个特征指标对应的跳转按钮,该跳转按钮可以链接有阈值编辑界面。第二用户可以通过点击每个特征指标对应的跳转按钮使异常行为监测装置的显示界面跳转至阈值编辑界面,进而第二用户可以在阈值编辑界面上的对应位置写入对应的特征指标的特征阈值,进而达到特征阈值个性化设置的目的。
本发明实施例中,引入第二用户输入的阈值编辑请求,使第二用户个性化设置所需的特征指标的特征阈值,如此代码泛化程度较高,且操作简明快捷,既可以使特征阈值的设置更加符合实际情况,也可以提高对第一用户的监测结果的准确性,还可以及时对各特征指标的特征阈值进行维护,从而实现各特征指标的限度的动态调控,提高了特征阈值的灵活性和延展性,应用面更广。
在上述实施例的基础上,本发明实施例中提供的异常行为监测方法,所述目标交易特征与所述异常交易特征均还包括二分类特征,且所述异常交易特征中的二分类特征均对应有二分类条件;
相应地,所述将所述目标交易特征与异常交易特征进行匹配,基于匹配所得结果,判断所述第一用户在所述预设时间段内是否存在异常交易行为,包括:
判断所述目标交易特征中的二分类特征是否满足所述二分类条件,若所述目标交易特征中的二分类特征满足所述二分类条件,则确定所述第一用户在所述预设时间段内存在异常交易行为。
具体地,目标交易特征与异常交易特征均还包括二分类特征,且所述异常交易特征中的二分类特征均对应有二分类条件。此时目标交易特征中的二分类特征是按二分类指标对目标交易数据进行解析得到,二分类指标是指存在二分类条件的特征指标,其不存在特征阈值,如表1中在第四列未对应有特征阈值的特征指标,在第五列给出了其二分类条件,可以包括存在异常交易关键字,例如预留电话A前三位为167、170、171等。
可以理解的是,二分类指标的二分类条件也是异常交易特征中的二分类特征的二分类条件。
目标交易特征中的二分类特征以及异常交易特征中的二分类特征均可以包括多个维度,进而可以将目标交易特征中的二分类特征与异常交易特征中同一维度的二分类特征的二分类条件进行比较,若目标交易特征中的二分类特征满足异常交易特征中同一维度的二分类特征的二分类条件,则认为目标交易特征中的该维度的二分类特征命中了异常交易特征中同一维度的二分类特征,目标交易特征与异常交易特征匹配成功,进而第一用户在预设时间段内存在异常交易行为。
否则,若目标交易特征中的二分类特征均不满足异常交易特征中同一维度的二分类特征的二分类条件,则认为目标交易特征中各维度的二分类特征均未命中异常交易特征中同一维度的二分类特征。但是此时也不能直接确定第一用户在预设时间段内不存在异常交易行为,还需要进一步结合目标交易特征中的其他类特征是否命中异常交易特征中同一维度的同类特征综合进行判断。
若目标交易特征中仅包括阈值类特征和二分类特征,且其中的阈值类特征以及二分类特征均未命中异常交易特征中的对应特征,则可以确定第一用户在预设时间段内不存在异常交易行为。
本发明实施例中,对于目标交易特征中的二分类特征,可以直接通过判断目标交易特征中的二分类特征是否满足异常交易特征中同一维度的二分类特征的二分类条件的方式,将目标交易特征与异常交易特征进行匹配,可以降低匹配难度,提高匹配效率。
如图2所示,为本发明实施例中提供的异常行为监测方法的完整流程示意图,该方法包括:
获取客户交易信息表、交易日志表、主客户表、团伙信息表等信息表,并通过对上述信息表中的交易数据进行解析得到特征指标,进而构建特征指标体系,并整合出特征详细信息表。
监测模型以特征指标体系作为支撑,通过特征指标体系中的各特征指标,对第一用户在预设时间段内的目标交易数据进行解析,得到目标交易特征,并将目标交易特征与异常交易特征进行匹配。在匹配过程中,借助于阈值类指标的特征阈值,判断目标交易特征中的阈值类特征是否命中异常交易特征。该特征阈值可以通过第二用户进行个性化设置,以实现对其调控。
在判断目标交易特征是否命中异常交易特征之后,可以展示命中结果以及交易行为详情描述。其中,命中结果可以包括匹配成功的目标交易特征及其命中的异常交易特征,交易行为详情描述为匹配成功的目标交易特征对应的交易行为详情描述。
如图3所示,在上述实施例的基础上,本发明实施例中提供了一种异常行为监测装置,包括:
数据获取模块31,用于获取第一用户在预设时间段内的目标交易数据,并将所述目标交易数据存入数据库;
行为监测模块32,用于调用所述数据库中的监测模型,对所述目标交易数据进行解析,得到目标交易特征,并将所述目标交易特征与异常交易特征进行匹配,基于匹配所得结果,判断所述第一用户在所述预设时间段内是否存在异常交易行为;
其中,所述监测模型基于数据库编码构建得到,所述异常交易特征为异常交易行为的交易特征。
在上述实施例的基础上,本发明实施例中提供的异常行为监测装置,所述目标交易特征与所述异常交易特征均包括阈值类特征,且所述异常交易特征中的阈值类特征均对应有特征阈值;
相应地,所述行为监测模块,具体用于:
将所述目标交易特征中的阈值类特征与所述异常交易特征中同一维度的阈值类特征的特征阈值进行比较,若所述目标交易特征中的阈值类特征满足所述异常交易特征中同一维度的阈值类特征的特征阈值对应的限度条件,则确定所述第一用户在所述预设时间段内存在异常交易行为。
在上述实施例的基础上,本发明实施例中提供的异常行为监测装置,还包括第一阈值确定模块,用于:
确定具有阈值类特征样本的异常交易数据样本,并确定特征阈值范围;
基于所述异常交易数据样本,对所述特征阈值范围内的每一备选特征阈值对应的深度学习模型进行训练,得到各训练后的深度学习模型,并从各训练后的深度学习模型中选取准确度最高的目标模型;
确定所述目标模型对应的备选特征阈值为所述特征阈值。
在上述实施例的基础上,本发明实施例中提供的异常行为监测装置,还包括第二阈值确定模块,用于:
接收第二用户输入的阈值编辑请求,并基于所述阈值编辑请求,向所述第二用户展示阈值编辑界面;
接收所述第二用户在所述阈值编辑界面输入的所述特征阈值。
在上述实施例的基础上,本发明实施例中提供的异常行为监测装置,所述目标交易特征与所述异常交易特征均还包括二分类特征,且所述异常交易特征中的二分类特征均对应有二分类条件;
相应地,所述行为监测模块,具体用于:
判断所述目标交易特征中的二分类特征是否满足所述二分类条件,若所述目标交易特征中的二分类特征满足所述二分类条件,则确定所述第一用户在所述预设时间段内存在异常交易行为。
在上述实施例的基础上,本发明实施例中提供的异常行为监测装置,所述数据库中存储有特征指标,所述特征指标用于指示特征计算方法;
相应地,所述行为监测模块,具体用于:
调用所述监测模型,按所述特征指标,对所述目标交易数据进行解析,得到所述目标交易特征。
在上述实施例的基础上,本发明实施例中提供的异常行为监测装置,还包括指标选取模块,用于:
接收第二用户输入的指标选取请求,并基于所述指标选取请求,确定处于启用状态的目标特征指标;
相应地,所述行为监测模块,具体用于:
调用所述监测模型,按所述目标特征指标,对所述目标交易数据进行解析,得到所述目标交易特征。
具体地,本发明实施例中提供的异常行为监测装置中各模块的作用与上述方法类实施例中各步骤的操作流程是一一对应的,实现的效果也是一致的,具体参见上述实施例,本发明实施例中对此不再赘述。
图4示例了一种电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(Processor)410、通信接口(Communications Interface)420、存储器(Memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行上述各实施例中提供的异常行为监测方法,该方法包括:获取第一用户在预设时间段内的目标交易数据,并将所述目标交易数据存入数据库;调用所述数据库中的监测模型,对所述目标交易数据进行解析,得到目标交易特征,并将所述目标交易特征与异常交易特征进行匹配,基于匹配所得结果,判断所述第一用户在所述预设时间段内是否存在异常交易行为;其中,所述监测模型基于数据库编码构建得到,所述异常交易特征为异常交易行为的交易特征。
此外,上述的存储器430中的逻辑指令可以通过软件功能单元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,本发明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)执行本发明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(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各实施例中提供的异常行为监测方法,该方法包括:获取第一用户在预设时间段内的目标交易数据,并将所述目标交易数据存入数据库;调用所述数据库中的监测模型,对所述目标交易数据进行解析,得到目标交易特征,并将所述目标交易特征与异常交易特征进行匹配,基于匹配所得结果,判断所述第一用户在所述预设时间段内是否存在异常交易行为;其中,所述监测模型基于数据库编码构建得到,所述异常交易特征为异常交易行为的交易特征。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例中提供的异常行为监测方法,该方法包括:获取第一用户在预设时间段内的目标交易数据,并将所述目标交易数据存入数据库;调用所述数据库中的监测模型,对所述目标交易数据进行解析,得到目标交易特征,并将所述目标交易特征与异常交易特征进行匹配,基于匹配所得结果,判断所述第一用户在所述预设时间段内是否存在异常交易行为;其中,所述监测模型基于数据库编码构建得到,所述异常交易特征为异常交易行为的交易特征。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上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精神和范围。
Claims (10)
1.一种异常行为监测方法,其特征在于,包括:
获取第一用户在预设时间段内的目标交易数据,并将所述目标交易数据存入数据库;
调用所述数据库中的监测模型,对所述目标交易数据进行解析,得到目标交易特征,并将所述目标交易特征与异常交易特征进行匹配,基于匹配所得结果,判断所述第一用户在所述预设时间段内是否存在异常交易行为;
其中,所述监测模型基于数据库编码构建得到,所述异常交易特征为异常交易行为的交易特征。
2.根据权利要求1所述的异常行为监测方法,其特征在于,所述目标交易特征与所述异常交易特征均包括阈值类特征,且所述异常交易特征中的阈值类特征均对应有特征阈值;
相应地,所述将所述目标交易特征与异常交易特征进行匹配,基于匹配所得结果,判断所述第一用户在所述预设时间段内是否存在异常交易行为,包括:
将所述目标交易特征中的阈值类特征与所述异常交易特征中同一维度的阈值类特征的特征阈值进行比较,若所述目标交易特征中的阈值类特征满足所述异常交易特征中同一维度的阈值类特征的特征阈值对应的限度条件,则确定所述第一用户在所述预设时间段内存在异常交易行为。
3.根据权利要求2所述的异常行为监测方法,其特征在于,所述特征阈值基于如下步骤确定:
确定具有阈值类特征样本的异常交易数据样本,并确定特征阈值范围;
基于所述异常交易数据样本,对所述特征阈值范围内的每一备选特征阈值对应的深度学习模型进行训练,得到各训练后的深度学习模型,并从各训练后的深度学习模型中选取准确度最高的目标模型;
确定所述目标模型对应的备选特征阈值为所述特征阈值。
4.根据权利要求2所述的异常行为监测方法,其特征在于,所述特征阈值还基于如下步骤确定:
接收第二用户输入的阈值编辑请求,并基于所述阈值编辑请求,向所述第二用户展示阈值编辑界面;
接收所述第二用户在所述阈值编辑界面输入的所述特征阈值。
5.根据权利要求1所述的异常行为监测方法,其特征在于,所述目标交易特征与所述异常交易特征均还包括二分类特征,且所述异常交易特征中的二分类特征均对应有二分类条件;
相应地,所述将所述目标交易特征与异常交易特征进行匹配,基于匹配所得结果,判断所述第一用户在所述预设时间段内是否存在异常交易行为,包括:
判断所述目标交易特征中的二分类特征是否满足所述二分类条件,若所述目标交易特征中的二分类特征满足所述二分类条件,则确定所述第一用户在所述预设时间段内存在异常交易行为。
6.根据权利要求1-5中任一项所述的异常行为监测方法,其特征在于,所述数据库中存储有特征指标,所述特征指标用于指示特征计算方法;
相应地,所述调用所述数据库中的监测模型,对所述目标交易数据进行解析,得到目标交易特征,包括:
调用所述监测模型,按所述特征指标,对所述目标交易数据进行解析,得到所述目标交易特征。
7.根据权利要求6所述的异常行为监测方法,其特征在于,所述调用所述监测模型,按所述特征指标,对所述目标交易数据进行解析,得到目标交易特征,之前包括:
接收第二用户输入的指标选取请求,并基于所述指标选取请求,确定处于启用状态的目标特征指标;
相应地,所述调用所述监测模型,按所述特征指标,对所述目标交易数据进行解析,得到目标交易特征,包括:
调用所述监测模型,按所述目标特征指标,对所述目标交易数据进行解析,得到所述目标交易特征。
8.一种异常行为监测装置,其特征在于,包括:
数据获取模块,用于获取第一用户在预设时间段内的目标交易数据,并将所述目标交易数据存入数据库;
行为监测模块,用于调用所述数据库中的监测模型,对所述目标交易数据进行解析,得到目标交易特征,并将所述目标交易特征与异常交易特征进行匹配,基于匹配所得结果,判断所述第一用户在所述预设时间段内是否存在异常交易行为;
其中,所述监测模型基于数据库编码构建得到,所述异常交易特征为异常交易行为的交易特征。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一项所述的异常行为监测方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的异常行为监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310207787.8A CN116452329A (zh) | 2023-03-06 | 2023-03-06 | 异常行为监测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310207787.8A CN116452329A (zh) | 2023-03-06 | 2023-03-06 | 异常行为监测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116452329A true CN116452329A (zh) | 2023-07-18 |
Family
ID=87124561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310207787.8A Pending CN116452329A (zh) | 2023-03-06 | 2023-03-06 | 异常行为监测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116452329A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116804963A (zh) * | 2023-08-24 | 2023-09-26 | 北京遥感设备研究所 | 一种使数据库行为监测系统多样化的方法及系统 |
CN117576834A (zh) * | 2024-01-17 | 2024-02-20 | 深圳市吉方工控有限公司 | Pos机的显示异常检测方法、装置、设备及存储介质 |
-
2023
- 2023-03-06 CN CN202310207787.8A patent/CN116452329A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116804963A (zh) * | 2023-08-24 | 2023-09-26 | 北京遥感设备研究所 | 一种使数据库行为监测系统多样化的方法及系统 |
CN116804963B (zh) * | 2023-08-24 | 2023-11-14 | 北京遥感设备研究所 | 一种使数据库行为监测系统多样化的方法及系统 |
CN117576834A (zh) * | 2024-01-17 | 2024-02-20 | 深圳市吉方工控有限公司 | Pos机的显示异常检测方法、装置、设备及存储介质 |
CN117576834B (zh) * | 2024-01-17 | 2024-03-29 | 深圳市吉方工控有限公司 | Pos机的显示异常检测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106875078B (zh) | 交易风险检测方法、装置及设备 | |
CN116452329A (zh) | 异常行为监测方法、装置、电子设备及存储介质 | |
EP3413221A1 (en) | Risk assessment method and system | |
CN109784381A (zh) | 标注信息处理方法、装置及电子设备 | |
CN112927061B (zh) | 用户操作检测方法及程序产品 | |
Ray | Fraud detection in e-Commerce using machine learning | |
CN113095408A (zh) | 风险的确定方法、装置和服务器 | |
CN110766275A (zh) | 数据验证方法、装置、计算机设备及存储介质 | |
CN111209538A (zh) | 一种表数据质量探查方法及装置 | |
CN112116245A (zh) | 信贷风险评估方法、装置、计算机设备及存储介质 | |
CN109670665A (zh) | 识别终端批量注册账号行为的方法、评估设备及存储介质 | |
CN110717509A (zh) | 基于树分裂算法的数据样本分析方法及装置 | |
CN112766824B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN107729424B (zh) | 一种数据可视化方法及设备 | |
CN113705792A (zh) | 基于深度学习模型的个性化推荐方法、装置、设备及介质 | |
CN109670929A (zh) | 贷款预警的控制方法、装置、设备及计算机可读存储介质 | |
CN111582722B (zh) | 风险识别方法、装置、电子设备及可读存储介质 | |
CN110555007B (zh) | 盗号行为判别方法、装置、计算设备及存储介质 | |
CN116402596A (zh) | 数据分析方法、装置、计算机设备及可读存储介质 | |
CN115204322B (zh) | 行为链路异常识别方法和装置 | |
CN116362895A (zh) | 理财产品推荐方法、装置及存储介质 | |
CN110097258A (zh) | 一种用户关系网络建立方法、装置及计算机可读存储介质 | |
CN112699168B (zh) | 基于互联网金融和大数据的业务推荐方法及系统 | |
CN114170000A (zh) | 信用卡用户风险类别识别方法、装置、计算机设备和介质 | |
CN113344581A (zh) | 业务数据处理方法及装置 |
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 |