CN116664307A - 交易数据检测方法、装置、设备、介质和程序产品 - Google Patents
交易数据检测方法、装置、设备、介质和程序产品 Download PDFInfo
- Publication number
- CN116664307A CN116664307A CN202310664355.XA CN202310664355A CN116664307A CN 116664307 A CN116664307 A CN 116664307A CN 202310664355 A CN202310664355 A CN 202310664355A CN 116664307 A CN116664307 A CN 116664307A
- Authority
- CN
- China
- Prior art keywords
- transaction
- abnormal
- model
- data
- determining
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 120
- 230000002159 abnormal effect Effects 0.000 claims abstract description 131
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000004590 computer program Methods 0.000 claims description 19
- 238000007418 data mining Methods 0.000 claims description 12
- 238000003066 decision tree Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 26
- 238000010586 diagram Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 13
- 230000015654 memory Effects 0.000 description 10
- 230000000875 corresponding effect Effects 0.000 description 9
- 230000006854 communication Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 230000001960 triggered effect Effects 0.000 description 6
- 238000013500 data storage Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000011001 backwashing Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 238000004900 laundering Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012549 training 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
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/12—Use of codes for handling textual entities
- G06F40/151—Transformation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/445—Program loading or initiating
- G06F9/44521—Dynamic linking or loading; Link editing at or after load time, e.g. Java class loading
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Technology Law (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本公开提供了一种交易数据检测方法,可以应用于信息安全领域及金融技术领域。该方法包括:在第一时段及在得到用户授权的情况下,获取用户的交易数据和交易录像;采用预先训练的模型分别对交易数据和交易录像进行检测,确定异常交易;向异常交易所在终端发送告警信息;根据异常交易,确定第一异常数据包;以及将第一异常交易数据包上传数据中心。本公开还提供了一种交易数据检测装置、设备、存储介质和程序产品。
Description
技术领域
本公开涉及信息安全领域及金融领域,具体地涉及一种交易数据检测方法、装置、设备、介质和程序产品。
背景技术
当前银行的反洗钱和反诈骗等异常交易检查都是数据中心通过大数据和机器学习模型进行筛查,在筛查出异常结果以后才对账户进行相应的管控。这种模式存在一个时效性较差的问题,即当检测出交易异常并对相关账号进行管控时,不法人员可能已经完成了非法交易,且这种检测只能获取到非法用户的线上信息,无法获取到异常交易人员的真实身份信息。
因而,需要一种可以实时监测用户交易行为的方法,来降低异常交易发生的概率。
发明内容
鉴于上述问题,本公开提供了提高交易安全性的交易数据检测方法、装置、设备、介质和程序产品,用于至少部分解决以上技术问题。
根据本公开的第一个方面,提供了一种交易数据检测方法,包括:在第一时段及在得到用户授权的情况下,获取用户的交易数据和交易录像;采用预先训练的模型分别对交易数据和交易录像进行检测,确定异常交易;向异常交易所在终端发送告警信息;根据异常交易,确定第一异常数据包;以及将第一异常交易数据包上传数据中心。
根据本公开的实施例,交易数据检测方法还包括:在第二时段,获取交易类型标签;根据交易类型标签,判断是否触发模型检测;在确定触发模型检测的情况下,采用预先训练的模型分别对交易数据和交易录像进行检测;其中,第二时段和第一时段在时序上依次发生。
根据本公开的实施例,预先训练的模型由数据中心训练得到,交易数据检测方法还包括:将预先训练的模型统一转换成预测模型标记语言格式;通过模型加载工具对转换格式的预先训练的模型进行加载。
根据本公开的实施例,将预先训练的模型统一转换成预测模型标记语言格式包括:确定预先训练的模型的字段信息;确定预先训练的模型的数据挖掘模式;以及将多个预先训练的模型进行组合,得到模型集群;其中,字段信息包括预先训练的模型的输入字段的特征名字和实际特征值,数据挖掘模式包括预先训练的模型的变量名和变量用途。
根据本公开的实施例,采用预先训练的模型分别对交易数据和交易录像进行检测,确定异常交易包括:采用opencv算法模型对交易录像进行特征提取,得到客户行为特征;以及采用决策树模型对交易数据和客户行为特征进行检测,确定异常交易。
根据本公开的实施例,在对客户行为特征进行检测之前,方法还包括:将客户行为特征与预先设置的客户行为特征库中的特征进行匹配,得到异常客户行为特征;以及采用决策树模型对异常客户行为特征进行检测。
根据本公开的实施例,交易数据检测方法还包括:在第二时段,获取客户信息标签;排除异常交易,确定正常数据包;根据模型检测结果确定客户信息标签为正常客户信息标签或第一异常客户信息标签;将正常客户信息标签与正常数据包进行关联存储;以及将第一异常客户信息标签与第一异常数据包进行关联存储。
根据本公开的实施例,交易数据检测方法还包括:响应于数据中心的请求,确定正常客户信息标签为第二异常客户信息标签;确定正常数据包为第二异常数据包;以及上传第二异常客户信息标签和第二异常数据包到数据中心。
根据本公开的实施例,交易数据检测方法还包括:根据第一异常数据包和第二异常数据包,对预先训练的模型进行再训练。
本公开的第二方面提供了一种交易数据检测装置,包括:获取模块,用于在第一时段及在得到用户授权的情况下,获取用户的交易数据和交易录像;第一确定模块,用于采用预先训练的模型分别对交易数据和交易录像进行检测,确定异常交易;告警模块,用于向异常交易所在终端发送告警信息;第二确定模块,用于根据异常交易,确定第一异常数据包;以及上传模块,用于将第一异常交易数据包上传数据中心。
本公开的第三方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器执行上述任一实施例的方法。
本公开的第四方面还提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行上述任一实施例的方法。
本公开的第五方面还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述任一实施例的方法。
与现有技术相比,本公开提供的交易数据检测方法、装置、电子设备、存储介质和程序产品,至少具有以下有益效果:
(1)本公开的交易数据检测方法,通过采用机器学习模型分别对交易过程中的交易数据和客户的交易录像进行实时检测,提高了交易检测的时效性,可以在第一时间发现并终止异常交易,减少了异常交易发生的概率。并且,本公开的方法是在数据中心检测前对交易的轻量化检测,将初筛后的异常数据包上传数据中心进行进一步检测,保证检测准确性的同时,也减轻了数据中心的数据检测压力。
(2)本公开的方法,在对交易进行模型检测之前,根据交易的类型,判定是否需要触发模型检测,优先检测具有较高风险的交易,进一步提高了异常交易检测的效率。
(3)本公开的方法,通过预测模型标记语言格式来统一预先训练的模型的运行模式,可以实现数据挖掘任务的标准化,便于对预先训练的模型的统一管理。不同的营业网点采用标准化的模型加载工具来加载模型,也有利于实现不同网点对模型的多样化和个性化部署需求。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述内容以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的交易数据检测方法、装置、设备、介质和程序产品的应用场景图;
图2示意性示出了根据本公开实施例的交易数据检测方法的流程图;
图3示意性示出了根据本公开实施例的交易数据检测系统的架构图;
图4示意性示出了根据本公开另一实施例的交易数据检测方法的流程图;
图5示意性示出了根据本公开实施例的预先训练的模型的获取方法流程图;
图6示意性示出了根据本公开实施例的统一预先训练的模型格式的方法流程图;
图7示意性示出了根据本公开实施例的采用预先训练的模型检测交易数据和交易录像的方法流程图;
图8示意性示出了根据本公开另一实施例的采用预先训练的模型检测交易数据和交易录像的方法流程图;
图9示意性示出了根据本公开又一实施例的交易数据检测方法的流程图;
图10示意性示出了根据本公开又一实施例的交易数据检测方法的流程图;
图11示意性示出了根据本公开又一实施例的交易数据检测方法的流程图;
图12示意性示出了根据本公开实施例的交易数据检测装置的结构框图;以及
图13示意性示出了根据本公开实施例的适于实现交易数据检测方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
本公开实施例提供一种交易数据检测方法、装置、设备、介质和程序产品,可用于金融领域或其他领域。需要说明的是本公开的交易数据检测方法、装置、设备、介质和程序产品可用于金融领域,也可用于除金融领域之外的任意领域,本公开的交易数据检测方法、装置、设备、介质和程序产品的应用领域不做限定。
在本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
在本公开的技术方案中,在获取或采集用户个人信息之前,均获取了用户的授权或同意。
图1示意性示出了根据本公开实施例的交易数据检测方法、装置、设备、介质和程序产品的应用场景图。
如图1所示,根据该实施例的应用场景100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如金融类应用、购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。终端设备101、102、103可以为设置在银行等柜台的终端设备,可以为提供自助金融服务的终端设备,也可以为用户自己的移动或固定位置的终端设备。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例),或者对用户利用终端设备101、102、103所发起的金融交易进行监测的后台管理服务器。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的交易数据检测方法一般可以由服务器105执行。相应地,本公开实施例所提供的交易数据检测装置一般可以设置于服务器105中。本公开实施例所提供的交易数据检测方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的交易数据检测装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
以下将基于图1描述的场景,通过图2~图11对公开实施例的交易数据检测方法进行详细描述。
图2示意性示出了根据本公开实施例的交易数据检测方法的流程图。
如图2所示,本公开的实施例提供了一种交易数据检测方法,例如包括:
S210,在第一时段及在得到用户授权的情况下,获取用户的交易数据和交易录像。
图3示意性示出了根据本公开实施例的交易数据检测系统的架构图。
例如,如图3所示,本公开提供了一种交易数据检测系统,包括:数据收集模块、数据处理模块和数据存储模块。其中,数据收集模块包括交易终端和摄像头等用于收集交易数据、交易录像的设备。数据处理模块包括反洗钱模型、反诈骗模型等预先训练的模型,用于对收据收集模块收集到的交易数据和交易录像进行检测。当数据处理模块检测到异常交易后,可以对交易终端进行告警,并将与该异常交易相关联的异常数据包推送到数据中心。
例如,第一时段为客户办理业务过程所在的时段。在第一时段内,通过交易终端可以收集客户的交易数据,通过摄像头可以收集客户的交易录像。
可以理解的是,摄像头与交易终端可以是两个独立的设备,如银行柜台的数据输入键盘和摄像头,也可以是集成在同一个终端的设备,如自助交易机或客户自己的手机。即本公开的交易数据检测系统例如是介于客户与数据中心之间的对客户的交易数据进行预检测的系统。
S220,采用预先训练的模型分别对交易数据和交易录像进行检测,确定异常交易。
例如,在涉及跨境交易时,可以采用预先训练的反洗钱模型对该跨境交易的交易数据进行检测。或者,在涉及大额转账交易时,可以采用反诈骗模型对该大额转账交易进行检测。同时,还可以通过视频特征提取模型对交易录像进行检测,以判断用户的行为是否有异常。结合交易数据的判断以及用户行为的判断,提高了对异常交易的判断维度,提高了对异常交易判断的准确性。
S230,向异常交易所在终端发送告警信息。
例如,当通过预先训练的模型检测出当前交易为异常交易时,可以向受理此异常交易的终端进行告警。例如向受理此异常交易的柜台工作人员发送提醒信息,或者向受理此异常交易的自助服务机器的后台管理人员发送提醒信息,或者向受理此异常交易的移动终端上的手机银行APP的后台管理人员发送提醒信息。
S240,根据异常交易,确定第一异常数据包。
例如,第一异常数据包包括与该异常交易相关的异常交易数据和异常交易录像。为了确保数据的完整性,该异常交易数据例如为交易终止或完成后,通过交易终端收集的完整交易数据,以及该异常交易录像为通过摄像头收集的完整交易录像。
S250,将第一异常交易数据包上传数据中心。
例如,由于本公开的交易数据检测系统采用的是相对小型的预先训练的模型来实时检测交易数据,相当于在数据中心检测前对交易进行的轻量化检测,提高了交易数据的检测效率。而数据中心往往采用的是更加复杂的异常检测模型,为了提高准确性,可以将初筛后的异常数据包上传到数据中心进行进一步检测。因此,本公开将交易数据检测系统的预检测和数据中心的再检测进行结合,保证了异常交易检测的及时性,也使得数据中心可以优先检测具有异常交易特征的交易,提高了异常交易检测的效率和准确性。
图4示意性示出了根据本公开另一实施例的交易数据检测方法的流程图。
根据本公开的实施例,如图4所示,交易数据检测方法例如还包括:
S410,在第二时段,获取交易类型标签。其中,第二时段和第一时段在时序上依次发生。
例如,第二时段为客户刚开始办理业务时,可以确定客户所要办理的业务的类型,如办理取款业务、购买理财产品、进行跨境转账等,为相应的业务类型,设置交易类型标签。
S420,根据交易类型标签,判断是否触发模型检测。
例如,当数据处理模块收到数据收集模块发送的交易类型标签后,根据配置的规则(如交易金额是否超过阈值,业务类型是否属于高风险业务)对交易数据进行判断是否触发模型检测。当判断为触发模型检测,则将交易数据输入相应的预先训练的模型中进行检测。
S430,在确定触发模型检测的情况下,采用预先训练的模型分别对交易数据和交易录像进行检测。
例如,在触发模型检测的情况下,对相关交易数据和交易录像进行检测,而在未触发模型检测的情况下,则不需要对这次交易的数据和交易录像进行检测。因而,可以省去大部分低风险的交易检测,节约系统资源。以及优先检测具有较高风险的交易,进一步提高了异常交易检测的效率。
图5示意性示出了根据本公开实施例的预先训练的模型的获取方法流程图。
根据本公开的实施例,如图5所示,预先训练的模型例如由数据中心训练得到,交易数据检测方法例如还包括:
S510,将预先训练的模型统一转换成预测模型标记语言格式。
例如,预测模型标记语言格式(Predictive Model Markup Language,PMML)是一个开放的标准,它以XML为载体将数据挖掘任务标准化。通过预测模型标记语言格式来统一预先训练的模型的运行模式,可以实现数据挖掘任务的标准化,便于对预先训练的模型的统一管理。数据处理模块中的异常检测模型可由数据中心进行远程动态部署。
S520,通过模型加载工具对转换格式的预先训练的模型进行加载。
例如,通过开源的PMML模型加载运行工具jpmml-evaluater可以实现模型的加载和预测,因而交易数据检测系统的数据处理模块不需要创建相应的运行环境和对模型进行翻译。通过这种模式,交易数据检测系统可以实现异常交易检测算法模型的多样化和个性化部署以及动态加载。根据每个网点的实际营业情况不同,数据中心可以对不同网点的数据处理模块进行模型的部署,例如对于外汇业务交易频繁的网点,可特别部署针对外汇交易异常检测的算法模型来对特定交易对手以及巨大的交易金额进行检测。
图6示意性示出了根据本公开实施例的统一预先训练的模型格式的方法流程图。
根据本公开的实施例,如图6所示,例如通过步骤S610~S630将预先训练的模型统一转换成预测模型标记语言格式。
步骤S610,确定预先训练的模型的字段信息,其中,字段信息包括预先训练的模型的输入字段的特征名字和实际特征值。
例如,转换后的XML文件的主要信息包括数据字典。数据字典用于描述字段信息,包括模型的输入字段和输出字段。每一个字段用DataField元素描述,DataFiled包含三个属性:name-特征名字,optype-操作类型以及datatype-数据类型。交易数据检测系统的数据处理模块根据模型需求获取到所有的交易数据及交易录像的特征值后会将其封装成键值对的形式输入模型,其中key的值就是输入字段的name属性的值,value就是对于特征的实际值,输入后数据字典会根据字段的定义将输入的特征值的类型和实际值一一对应起来。
步骤S620,确定预先训练的模型的数据挖掘模式,其中,数据挖掘模式包括预先训练的模型的变量名和变量用途。以及
例如,转换后的XML文件的主要信息还包括数据挖掘模式定义。数据挖掘模式的主要目的是定义PMML文件中的模型需要的变量,每一个MiningField元素代表一个变量,其中name属性对应数据字典中字段的name属性,“usageType”属性决定变量用途,该属性未指定或者值为“active”时,代表预测变量,“target”代表输出变量,importance值代表该预测变量对预测的重要性。
步骤S630,将多个预先训练的模型进行组合,得到模型集群。
例如,转换后的XML文件的主要信息还包括模型结构定义。PMML中的多个模型用Segmentation来组织,每一个模型都包括在子元素Segment中。Segmentation只有一个属性multipleModelMethod用来表明多个模型的组合方式。例如组合方式为modelChain模型链,代表模型的输出字段可以作为后续模型的输入,通过基础模型的不同组合方式来实现最终算法模型的结构定义。通过确定模型的字段信息、统一数据挖掘模式,以及组合得到特定的模型集群结构,可以实现模型的标准化管理,进而对不同网点进行的多样化和个性化模型部署。
图7示意性示出了根据本公开实施例的采用预先训练的模型检测交易数据和交易录像的方法流程图。
根据本公开的实施例,如图7所示,例如通过步骤S721~S722来采用预先训练的模型分别对交易数据和交易录像进行检测,确定异常交易。
步骤S721,采用opencv算法模型对交易录像进行特征提取,得到客户行为特征。以及
例如,数据处理模块会实时地对摄像头获取的图像使用opencv等算法进行客户行为特征的提取。客户的行为特征可以包括办理业务时咨询他人、办理业务时进行手机通话、办理业务时左顾右盼等。这些提取的客户行为特征可作为模型输入结合客户交易时的业务数据通过数据处理模块中部署的异常检测模型进行检测。
步骤S722,采用决策树模型对交易数据和客户行为特征进行检测,确定异常交易。
例如,交易数据检测系统部署了一个典型的基于决策树的反诈骗模型,通过交易录像提取的客户行为特征可以作为第一层决策树模型的分支,第二层分支是各种业务类型,第三层是各个交易账号归属地区,第四层分支是多个交易金额区间。最终层输出交易为异常交易的判定结果。通过这样一个典型的决策树模型就可以在客户办理业务过程中实时地对客户的交易进行反诈骗检测。轻量化的模型,便于对交易数据和交易录像进行实时检测,提升检测效率。
图8示意性示出了根据本公开另一实施例的采用预先训练的模型检测交易数据和交易录像的方法流程图。
根据本公开的实施例,如图8所示,例如通过步骤S821~S822来采用预先训练的模型分别对交易数据和交易录像进行检测,确定异常交易。
步骤S821,将客户行为特征与预先设置的客户行为特征库中的特征进行匹配,得到异常客户行为特征。以及
例如,在对客户行为特征进行检测之前,可以将从交易录像中提取到的客户行为特征先进行初筛,如与预先设置的客户行为特征库中的特征进行对比判断,来确定异常的客户行为特征。客户行为特征库中的特征例如可以是历史异常交易中的用户在交易时做出的异常行为特征。
步骤S822,采用决策树模型对异常客户行为特征进行检测。
例如,将异常客户行为特征作为第一层决策树模型的分支对客户的交易进行检测,减小了决策树模型的输入数据量,也进一步提升了对客户异常交易进行检测的效率。
图9示意性示出了根据本公开又一实施例的交易数据检测方法的流程图。
根据本公开的实施例,如图9所示,交易数据检测方法例如还包括:
S910,在第二时段,获取客户信息标签。
S920,排除异常交易,确定正常数据包。
S930,根据模型检测结果确定客户信息标签为正常客户信息标签或第一异常客户信息标签。
S940,将正常客户信息标签与正常数据包进行关联存储。以及
S950,将第一异常客户信息标签与第一异常数据包进行关联存储。
例如,在客户刚开始办理业务时,还可以获取客户信息标签。客户信息标签包括客户的身份、交易日期等基本信息。在客户结束交易后,若交易数据检测系统在先判定该交易为异常交易,则将该客户的信息标签设置为异常客户信息标签,并将其与该异常交易的交易数据和交易录像相关联,然后存储到交易数据检测系统的数据存储模块中。若交易数据检测系统在先判定该交易为正常交易,或者在未触发模型检测的情况下,则将该客户的信息标签设置为正常客户信息标签,并将其与该正常交易的交易数据和交易录像相关联,然后存储到交易数据检测系统的数据存储模块中。通过将每笔交易的交易数据和交易录像进行分类标记与存储,便于后续对相关交易记录进行查询、复核等操作,以及通过异常交易录像对相关人员进行追溯。
图10示意性示出了根据本公开又一实施例的交易数据检测方法的流程图。
根据本公开的实施例,如图10所示,交易数据检测方法例如还包括:
S1010,响应于数据中心的请求,确定正常客户信息标签为第二异常客户信息标签。
S1020,确定正常数据包为第二异常数据包。以及
S1030,上传第二异常客户信息标签和第二异常数据包到数据中心。
例如,数据中心用于汇总各个银行网点的交易数据,并定期对相关交易数据进行检测。由于通过交易数据检测系统已经对各网点的交易数据进行了异常交易数据初筛,并将判定为异常的交易数据及交易录像上传到了数据中心,因而,数据中心在定期检测时,无需再对已经检测过的异常交易数据进行再检测。但由于交易数据检测系统中的预先训练的模型的规模相对小等原因,当通过交易数据检测系统对各网点交易数据的检测出现漏检时,相关漏检交易在网点会被判断为正常交易。因而,数据中心在定期检测时,通过更复杂更大型的模型,结合大数据技术,会将网点误判的正常交易重新判定为异常交易,并向对应网点的交易数据检测系统发出异常交易信息的复核请求,如图3所示。进而,对应网点的交易数据检测系统根据该异常交易信息的复核请求,调用数据存储模块中的对应交易记录,将相应的正常客户信息标签更改为异常客户信息标签,以及将相应的正常数据包更改为异常数据包,并上传到数据中心。通过数据中心对异常交易信息的漏检等特殊情况进行复核,提高了交易数据检测的有效性,同时,数据中心只对网点判定为正常的交易数据进行检测,减小了定期检测的压力。
图11示意性示出了根据本公开又一实施例的交易数据检测方法的流程图。
根据本公开的实施例,如图11所示,交易数据检测方法例如还包括:
S1110,根据第一异常数据包和第二异常数据包,对预先训练的模型进行再训练。
例如,数据中心在日常可以接收到各网点上传的异常数据包,以及通过定期对交易数据进行检查,发现更隐蔽的异常交易,进而可以从各网点主动获取异常数据包。根据这些异常数据包中的交易数据及交易录像,可以对数据中心维护的相关交易检测模型进行训练更新,以进一步提高模型预测结果的正确率。
基于上述交易数据检测方法,本公开还提供了一种交易数据检测装置。以下将结合图12对该装置进行详细描述。
图1 2示意性示出了根据本公开实施例的交易数据检测装置的结构框图。
如图12所示,该实施例的装置1200例如包括:获取模块1210、第一确定模块1220、告警模块1230、第二确定模块1240和上传模块1250。
获取模块1210用于在第一时段及在得到用户授权的情况下,获取用户的交易数据和交易录像。在一实施例中,获取模块1210可以用于执行前文描述的操作S210,在此不再赘述。
第一确定模块1220用于采用预先训练的模型分别对交易数据和交易录像进行检测,确定异常交易。在一实施例中,第一确定模块1220可以用于执行前文描述的操作S220,在此不再赘述。
告警模块1230用于向异常交易所在终端发送告警信息。在一实施例中,告警模块1230可以用于执行前文描述的操作S230,在此不再赘述。
第二确定模块1240用于根据异常交易,确定第一异常数据包。在一实施例中,第二确定模块1240可以用于执行前文描述的操作S220,在此不再赘述。
上传模块1250用于将第一异常交易数据包上传数据中心。在一实施例中,上传模块1250可以用于执行前文描述的操作S230,在此不再赘述。
根据本公开的实施例,获取模块1210、第一确定模块1220、告警模块1230、第二确定模块1240和上传模块1250中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,获取模块1210、第一确定模块1220、告警模块1230、第二确定模块1240和上传模块1250中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,获取模块1210、第一确定模块1220、告警模块1230、第二确定模块1240和上传模块1250中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图13示意性示出了根据本公开实施例的适于实现交易数据检测方法的电子设备的方框图。
如图13所示,根据本公开实施例的电子设备1300包括处理器1301,其可以根据存储在只读存储器(ROM)1302中的程序或者从存储部分1308加载到随机访问存储器(RAM)1303中的程序而执行各种适当的动作和处理。处理器1301例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器1301还可以包括用于缓存用途的板载存储器。处理器1301可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 1303中,存储有电子设备900操作所需的各种程序和数据。处理器1301、ROM1302以及RAM 1303通过总线1304彼此相连。处理器1301通过执行ROM 1302和/或RAM1303中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 1302和RAM 1303以外的一个或多个存储器中。处理器1301也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备900还可以包括输入/输出(I/O)接口1305,输入/输出(I/O)接口1305也连接至总线1304。电子设备900还可以包括连接至I/O接口1305的以下部件中的一项或多项:包括键盘、鼠标等的输入部分1306;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1307;包括硬盘等的存储部分1308;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1309。通信部分1309经由诸如因特网的网络执行通信处理。驱动器1310也根据需要连接至I/O接口1305。可拆卸介质1311,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1310上,以便于从其上读出的计算机程序根据需要被安装入存储部分1308。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 1302和/或RAM 1303和/或ROM1302和RAM1303以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时,该程序代码用于使计算机系统实现本公开实施例所提供的物品推荐方法。
在该计算机程序被处理器1301执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分1309被下载和安装,和/或从可拆卸介质1311被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
在这样的实施例中,该计算机程序可以通过通信部分1309从网络上被下载和安装,和/或从可拆卸介质1311被安装。在该计算机程序被处理器1301执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、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,上述模块、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,两个接连地表示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,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操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。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (13)
1.一种交易数据检测方法,其特征在于,包括:
在第一时段及在得到用户授权的情况下,获取用户的交易数据和交易录像;
采用预先训练的模型分别对所述交易数据和所述交易录像进行检测,确定异常交易;
向所述异常交易所在终端发送告警信息;
根据所述异常交易,确定第一异常数据包;以及
将所述第一异常交易数据包上传数据中心。
2.根据权利要求1所述的方法,其特征在于,还包括:
在第二时段,获取交易类型标签;
根据所述交易类型标签,判断是否触发模型检测;
在确定触发模型检测的情况下,采用所述预先训练的模型分别对所述交易数据和所述交易录像进行检测;
其中,所述第二时段和所述第一时段在时序上依次发生。
3.根据权利要求1所述的方法,其特征在于,所述预先训练的模型由所述数据中心训练得到,所述方法还包括:
将所述预先训练的模型统一转换成预测模型标记语言格式;
通过模型加载工具对转换格式的所述预先训练的模型进行加载。
4.根据权利要求3所述的方法,其特征在于,所述将所述预先训练的模型统一转换成预测模型标记语言格式包括:
确定所述预先训练的模型的字段信息;
确定所述预先训练的模型的数据挖掘模式;以及
将多个所述预先训练的模型进行组合,得到模型集群;
其中,所述字段信息包括所述预先训练的模型的输入字段的特征名字和实际特征值,所述数据挖掘模式包括所述预先训练的模型的变量名和变量用途。
5.根据权利要求4所述的方法,其特征在于,所述采用预先训练的模型分别对所述交易数据和所述交易录像进行检测,确定异常交易包括:
采用opencv算法模型对所述交易录像进行特征提取,得到客户行为特征;以及
采用决策树模型对所述交易数据和所述客户行为特征进行检测,确定所述异常交易。
6.根据权利要求5所述的方法,其特征在于,在对所述客户行为特征进行检测之前,所述方法还包括:
将所述客户行为特征与预先设置的客户行为特征库中的特征进行匹配,得到异常客户行为特征;以及
采用所述决策树模型对所述异常客户行为特征进行检测。
7.根据权利要求2所述的方法,其特征在于,还包括:
在所述第二时段,获取客户信息标签;
排除所述异常交易,确定正常数据包;
根据模型检测结果确定所述客户信息标签为正常客户信息标签或第一异常客户信息标签;
将所述正常客户信息标签与所述正常数据包进行关联存储;以及
将所述第一异常客户信息标签与所述第一异常数据包进行关联存储。
8.根据权利要求7所述的方法,其特征在于,还包括:
响应于所述数据中心的请求,确定所述正常客户信息标签为第二异常客户信息标签;
确定所述正常数据包为第二异常数据包;以及
上传所述第二异常客户信息标签和所述第二异常数据包到所述数据中心。
9.根据权利要求8所述的方法,其特征在于,还包括:
根据所述第一异常数据包和所述第二异常数据包,对所述预先训练的模型进行再训练。
10.一种交易数据检测装置,其特征在于,包括:
获取模块,用于在第一时段及在得到用户授权的情况下,获取用户的交易数据和交易录像;
第一确定模块,用于采用预先训练的模型分别对所述交易数据和所述交易录像进行检测,确定异常交易;
告警模块,用于向所述异常交易所在终端发送告警信息;
第二确定模块,用于根据所述异常交易,确定第一异常数据包;以及
上传模块,用于将所述第一异常交易数据包上传数据中心。
11.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行根据权利要求1~9中任一项所述的方法。
12.一种计算机可读存储介质,其特征在于,其上存储有可执行指令,该指令被处理器执行时使处理器执行根据权利要求1~9中任一项所述的方法。
13.一种计算机程序产品,其特征在于,包括计算机程序,所述计算机程序被处理器执行时实现根据权利要求1~9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310664355.XA CN116664307A (zh) | 2023-06-06 | 2023-06-06 | 交易数据检测方法、装置、设备、介质和程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310664355.XA CN116664307A (zh) | 2023-06-06 | 2023-06-06 | 交易数据检测方法、装置、设备、介质和程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116664307A true CN116664307A (zh) | 2023-08-29 |
Family
ID=87723942
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310664355.XA Pending CN116664307A (zh) | 2023-06-06 | 2023-06-06 | 交易数据检测方法、装置、设备、介质和程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116664307A (zh) |
-
2023
- 2023-06-06 CN CN202310664355.XA patent/CN116664307A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cao et al. | Titant: Online real-time transaction fraud detection in ant financial | |
US9479518B1 (en) | Low false positive behavioral fraud detection | |
JP2020517004A (ja) | パイプ漏れを予測する新規な自律的人工知能システム | |
CN114205216B (zh) | 微服务故障的根因定位方法、装置、电子设备和介质 | |
CN115174353B (zh) | 故障根因确定方法、装置、设备及介质 | |
CN110825589B (zh) | 用于微服务系统的异常检测方法及其装置和电子设备 | |
CN114358147A (zh) | 异常账户识别模型的训练方法、识别方法、装置及设备 | |
CN113595886A (zh) | 即时通讯消息的处理方法、装置、电子设备及存储介质 | |
CN108768742B (zh) | 网络构建方法及装置、电子设备、存储介质 | |
CN115795345A (zh) | 信息处理方法、装置、设备及存储介质 | |
CN115760013A (zh) | 运维模型的构建方法、装置、电子设备及存储介质 | |
US11842351B2 (en) | Systems and methods for fraud monitoring | |
CN116664307A (zh) | 交易数据检测方法、装置、设备、介质和程序产品 | |
CN114723548A (zh) | 数据处理方法、装置、设备、介质和程序产品 | |
CN111429257B (zh) | 一种交易监控方法和装置 | |
CN113419887A (zh) | 主机联机事务异常的处理方法及装置 | |
CN115499292B (zh) | 一种告警方法、装置、设备及存储介质 | |
US20230169051A1 (en) | Systems and methods for monitoring data quality issues in non-native data over disparate computer networks | |
CN116760638B (zh) | 信息处理方法、系统、电子设备及存储介质 | |
CN115190008B (zh) | 故障处理方法、故障处理装置、电子设备及存储介质 | |
CN116561635A (zh) | 微服务架构下故障检测模型的训练方法、装置及设备 | |
CN116579776A (zh) | 风险交易识别方法、装置、设备、存储介质和程序产品 | |
CN117911159A (zh) | 实时数据处理方法、装置、设备、存储介质及程序产品 | |
CN116797024A (zh) | 业务处理方法、装置、电子设备和存储介质 | |
CN115687284A (zh) | 信息处理方法、装置、设备及存储介质 |
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 |