CN117077061A - 异常检测方法、装置、电子设备及计算机存储介质 - Google Patents
异常检测方法、装置、电子设备及计算机存储介质 Download PDFInfo
- Publication number
- CN117077061A CN117077061A CN202311114243.3A CN202311114243A CN117077061A CN 117077061 A CN117077061 A CN 117077061A CN 202311114243 A CN202311114243 A CN 202311114243A CN 117077061 A CN117077061 A CN 117077061A
- Authority
- CN
- China
- Prior art keywords
- index data
- data
- comparison result
- standard
- 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
- 230000005856 abnormality Effects 0.000 title claims abstract description 75
- 238000001514 detection method Methods 0.000 title claims abstract description 52
- 230000002159 abnormal effect Effects 0.000 claims abstract description 125
- 238000012545 processing Methods 0.000 claims abstract description 44
- 230000004044 response Effects 0.000 claims abstract description 19
- 230000003068 static effect Effects 0.000 claims description 54
- 238000000034 method Methods 0.000 claims description 49
- 230000007423 decrease Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000004590 computer program Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 12
- 230000015654 memory Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000012546 transfer Methods 0.000 description 6
- 230000033228 biological regulation Effects 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
- G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Debugging And Monitoring (AREA)
Abstract
本公开提供了一种异常检测方法、装置、电子设备及计算机存储介质,可以应用于大数据和金融科技技术领域。该异常检测方法包括:响应于接收到交易数据,将交易数据划分为M个类型的备选指标数据,M≥2;根据场景标识,获取N个标准指标数据和与场景标识相匹配的场景模型,其中,场景标识用于表征当前时刻交易系统所处的交易场景,M≥N≥2;以及利用场景模型处理M个备选指标数据和N个标准指标数据,确定异常结果。
Description
技术领域
本公开涉及大数据及金融科技技术领域,更具体地涉及一种异常检测方法、装置、电子设备及计算机存储介质。
背景技术
随着大数据技术的不断发展,企业可以通过交易平台向用户和商家提供预付式消费。在预付式场景中,用户的预付费存储于交易平台,交易平台在核对用户产生的交易之后向商家转入对应的消费金额。
在现有技术中,由于预付费场景中交易平台的审批流程复杂、审批时间长,且审批操作主要有业务人员承担,导致无法及时、准确地确定预付费场景中的异常操作。此外,预付费场景还存在异常种类繁多,人工排查异常业务数据难度大、效率低的技术问题。
发明内容
鉴于上述问题,本公开提供了一种异常检测方法、装置、电子设备及计算机存储介质。
根据本公开的第一个方面,提供了一种异常检测方法,包括:响应于接收到交易数据,将上述交易数据划分为M个类型的备选指标数据,M≥2;根据场景标识,获取N个标准指标数据和与上述场景标识相匹配的场景模型,其中,上述场景标识用于表征当前时刻交易系统所处的交易场景,M≥N≥2;以及利用上述场景模型处理M个上述备选指标数据和N个标准指标数据,确定异常结果。
根据本公开的实施例,上述利用上述场景模型处理M个上述备选指标数据和N个标准指标数据,确定异常结果,包括:响应于确定上述场景标识为第一标识,根据交易平台的检测指令,确定N个标准指标数据,其中,上述检测指令包括用户在交易平台上通过自定义交互操作生成的指令,上述第一标识用于表征自定义交易场景;基于上述标准指标数据,从M个上述备选指标数据中获取N个待测指标数据;以及根据N个上述待测指标数据和N个上述标准指标数据,确定异常结果。
根据本公开的实施例,上述待测指标数据包括第一待测指标数据、第二待测指标数据和第三待测指标数据,第一待测指标数据包括在预设时间段内用户单次申请交易的资源量,第二待测指标数据包括在预设时间段内用户多次申请交易的总资源量,上述第三待测指标数据包括在预设时间段内用户申请交易的次数;上述标准指标数据包括第一标准指标数据、第二标准指标数据和第三标准指标数据,分别与上述第一待测指标数据、上述第二待测指标数据和上述第三待测指标数据对应。
根据本公开的实施例,上述根据N个上述待测指标数据和N个上述标准指标数据,确定异常结果,包括:响应于确定用户已发起申请交易操作,将上述第一待测指标数据与上述第一标准指标数据比较,得到第一比较结果;比较上述第二待测指标数据与上述第二标准指标数据,得到第二比较结果;比较上述第三待测指标数据与上述第三标准指标数据,得到第三比较结果;根据上述第一比较结果、上述第二比较结果和上述第三比较结果,确定上述异常结果。
根据本公开的实施例,上述待测指标数据还包括第四待测指标数据和第五待测指标数据,上述第四待测指标数据包括在预设时间段内用户已发生交易的单次资源量,上述第五待测指标数据包括在预设时间段内用户已发生交易的交易次数;上述标准指标数据还包括第四标准指标数据和第五标准指标数据,分别与上述第四待测指标数据和上述第五待测指标数据对应。
根据本公开的实施例,上述根据N个上述待测指标数据和N个上述标准指标数据,确定异常结果,包括:比较上述第四待测指标数据与上述第四标准指标数据,得到第四比较结果;比较上述第五待测指标数据与上述第五标准指标数据,得到第五比较结果;根据上述第四比较结果和上述第五比较结果,确定上述异常结果。
根据本公开的实施例,上述待测指标数据还包括第六待测指标数据和第七待测指标数据,上述第六待测指标数据包括在预设时间段内上述交易平台向用户分发的单次资源量,上述第七待测指标数据包括在预设时间段上述交易平台向用户分发的总资源量;上述标准指标数据还包括第六标准指标数据和第七标准指标数据,分别与上述第六待测指标数据和上述第七待测指标数据对应。
根据本公开的实施例,上述方法还包括:比较上述第六待测指标数据与上述第六标准指标数据,得到第六比较结果;比较上述第七待测指标数据与上述第七标准指标数据,得到第七比较结果;根据上述第六比较结果和上述第七比较结果,确定上述异常结果。
根据本公开的实施例,上述备选指标数据包括静态指标数据和动态指标数据;上述标准指标数据包括静态标准数据和动态标准指标数据。
根据本公开的实施例,上述利用上述场景模型处理M个上述备选指标数据和N个标准指标数据,确定异常结果,包括:响应于确定上述场景标识为第二标识,比较上述静态指标数据与上述静态标准指标数据,得到静态指标比较结果;比较上述动态指标数据与上述动态标准指标数据,得到动态指标比较结果;根据上述静态指标比较结果和上述动态指标比较结果,确定异常结果。
根据本公开的实施例,上述静态指标数据包括以下至少其中之一:第一待测指标数据、第四待测指标数据和第六待测指标数据,上述静态标准指标数据包括以下至少其中之一:第一标准指标数据、第四标准指标数据和第六标准指标数据;上述动态指标数据包括以下至少其中之一:第二待测指标数据、第三待测指标数据、第五待测指标数据和第七待测指标数据,上述动态标准指标数据包括以下至少其中之一:第二标准指标数据、第三标准指标数据、第五标准指标数据和第七标准指标数据。
根据本公开的实施例,上述根据上述静态指标比较结果和上述动态指标比较结果,确定异常结果包括:在上述动态指标比较结果表征异常、且上述静态指标比较结果表征异常的情况下,确定异常结果为一级异常;在上述动态指标比较结果表征异常、且上述静态指标比较结果表征正常的情况下,确定异常结果为三级异常;在上述动态指标比较结果表征正常、且上述静态指标比较结果表征异常的情况下,确定异常结果为二级异常;其中,上述一级异常、上述二级异常和上述三级异常的异常程度依次降低。
本公开的第二方面提供了一种异常检测装置,包括:确定模块,用于响应于接收到交易数据,将上述交易数据划分为M个类型的备选指标数据,M≥2;获取模块,用于根据场景标识,获取N个标准指标数据和与上述场景标识相匹配的场景模型,其中,上述场景标识用于表征当前时刻交易系统所处的交易场景,M≥N≥2;处理模块,用于利用上述场景模型处理M个上述备选指标数据和N个标准指标数据,确定异常结果。
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,当上述一个或多个程序被上述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异常检测方法。
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异常检测方法。
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异常检测方法。
根据本公开的实施例,在对预付式消费交易数据异常进行检测时,交易平台响应于接收到交易数据,将交易数据划分为M个类型的备选指标数据;根据场景标识,获取N个标准指标数据和与所述场景标识相匹配的场景模型;以及利用所述场景模型处理M个备选指标数据和N个标准指标数据,确定异常结果。通过上述技术手段可以实现对预付式消费交易数据异常的有效检测,至少部分地克服了现有技术中存在的风险产生种类繁多,人工排查异常业务数据难度大、效率低,无法对风险进行全程监控的技术问题,通过将交易数据划分为不同种类的指标数据,全面监测可能存在的风险,根据不同的场景标识使用不同的场景模型代替人工对指标进行分析,降低了排查的难度、提高了排查的效率,监控从消费者进行预付费到预付费资金划拨给商家的全过程,能够及时关注商家的资金运营情况以及察觉可能存在的异常行为。
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异常检测方法的应用场景;
图2示意性示出了根据本公开实施例的异常检测方法的流程图;
图3示意性示出了根据本公开实施例的异常结果确定方法的流程图;
图4示意性示出了根据本公开实施例的申请异常确定方法的流程图;
图5示意性示出了根据本公开实施例的全要素异常确定方法的流程图;
图6示意性示出了根据本公开另一实施例的异常结果确定方法的流程图;
图7示意性示出了根据本公开实施例的异常检测装置的结构框图;以及
图8示意性示出了根据本公开实施例的适于异常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)。
在本发明的技术方案中,所涉及的用户信息(包括但不限于用户个人信息、用户图像信息、用户设备信息,例如位置信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,并且相关数据的收集、存储、使用、加工、传输、提供、公开和应用等处理,均遵守相关国家和地区的相关法律法规和标准,采取了必要保密措施,不违背公序良俗,并提供有相应的操作入口,供用户选择授权或者拒绝。
在预付费场景中,异常行为包括:虚假交易、商家售卖商品与交易商品不同、商品上报价格与实际售卖价格不同等。由于预付费场景涉及的商品种类众多、每个商品种类也涉及多个品牌、多个商家,业务人员很难准确地核对每笔消费,导致预付费场景下异常确定的准确性较低。
此外,由于开发人员对每个商品的了解程度不同,在核对每笔消费过程中,通常需要调取多个业务数据以判断该笔交易是否为异常交易。因此,预付费场景还存在异常种类繁多,人工排查异常业务数据难度大、效率低的技术问题。
本公开的实施例提供了一种异常检测方法、一种检测装置、一种电子设备、一种可读存储介质和一种计算机程序产品。该方法包括响应于接收到交易数据,将交易数据划分为M个类型的备选指标数据,M≥2;根据场景标识,获取N个标准指标数据和与场景标识相匹配的场景模型,其中,场景标识用于表征当前时刻交易系统所处的交易场景,M≥N≥2;以及利用场景模型处理M个备选指标数据和N个标准指标数据,确定异常结果。
图1示意性示出了根据本公开实施例的可以实现异常检测方法的应用场景。
如图1所示,根据该实施例的应用场景100可以包括网络104用以在第一终端设备101、第二终端设备102、第三终端设备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。
用户可以使用第一终端设备101、第二终端设备102、第三终端设备103中的至少一个通过网络104与服务器105交互,以接收或发送消息等。第一终端设备101、第二终端设备102、第三终端设备103上可以安装有各种通讯客户端应用,例如购物类应用、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)。
第一终端设备101、第二终端设备102、第三终端设备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。
其中,用户包括监管部门工作人员和商家。在用户为监管部门工作人员时,用户可以通过第一终端设备101、第二终端设备102、第三终端设备103访问交易平台并进行自定义交互操作。在用户为商家时,用户可以通过第一终端设备101、第二终端设备102、第三终端设备103访问交易平台并进行申请操作。
服务器105可以是提供各种服务的服务器,例如对用户利用第一终端设备101、第二终端设备102、第三终端设备103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以通过应用程序编程接口(Application Programming Interface,API)接收商家的具体信息,并将交易数据发送至区块链,利用大数据分析链上信息,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异常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异常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异常检测方法也可以由不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备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异常检测装置也可以设置于不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备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6对公开实施例的异常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异常检测方法的流程图。
如图2所示,该方法200包括操作S210~S230。
在操作S210,响应于接收到交易数据,将交易数据划分为M个类型的备选指标数据。
根据本公开的实施例,交易数据包括第一用户向交易平台提供的多种商品数据,例如订单收费信息、专用账户生成的资金划拨信息、交易平台获取的第一用户申请信息。第一用户为需要为预付式消费提供服务的商家。专用账户可以理解为交易平台中仅向第一用户提供服务的账户。
根据本公开的实施例,所涉及的数据(如包括但不仅限于用户个人信息)的收集、存储、使用、加工、传输、提供、公开和应用等处理,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。
例如,第一用户在交易平台进行注册时,向第一用户发送请求获取交易数据的请求;在经过第一用户的允许的情况下,获取第一用户的交易数据。
例如,在一个完整预付费交易的过程中,交易数据包括第一用户的预付费商品出售成功后产生的订单信息A,第一用户在完成订单信息A的服务后向交易平台发起的申请信息B,专用账户中针对该交易订单信息A和申请信息B产生的资金划拨信息C。
根据本公开的实施例,备选指标数据为交易数据划分出来的用于异常检测的备选数据。例如,将交易数据划分为单次申请资源量、申请总资源量、申请次数、单次交易资源量、交易次数、单次分发资源量、分发总资源量等,作为备选指标数据。
根据本公开的实施例,备选指标数据至少包含上述单次申请资源量、申请总资源量、申请次数、单次交易资源量、交易次数、单次分发资源量、分发总资源量等中的两种。
根据本公开的实施例,交易平台中还可以包括第一用户所提供商品的商品信息。例如,第一用户或第二用户可以通过交易平台录入商品信息;或者,通过应用程序编程接口(Application Programming Interface,API)对接到交易平台。其中,商品信息包括商品详情页、价格等。第二用户可以理解为交易平台的业务人员。
根据本公开的实施例,在收到交易数据后,交易平台可以将交易数据上传至区块链,之后利用大数据分析区块链上的交易数据。例如,根据订单信息可以获得单次交易资源量、交易次数等备选指标数据;根据申请信息可以获得单次申请资源量、申请总资源量、申请次数等备选指标数据;根据资金划拨信息可以获得单次分发资源量和分发总资源量等备选指标数据。
在操作S220,根据场景标识,获取N个标准指标数据和与场景标识相匹配的场景模型。
根据本公开的实施例,场景标识用于表征当前时刻交易系统所处的交易场景。
交易平台的业务人员,也即第二用户可以预先根据交易场景自定义场景标识。例如,场景标识可以为日常场景、特定场景、评级场景。
根据本公开的实施例,标准指标数据为各种指标数据的预警阀值,由第二用户根据历史经验或者实际需求手动输入到交易平台。
根据本公开的实施例,标准指标数据至少包含单次申请资源量预警阀值、申请总资源量预警阀值、申请次数预警阀值、单次交易资源量预警阀值、交易次数预警阀值、单次分发资源量预警阀值、分发总资源量预警阀值等中的两种。
根据本公开的实施例,场景模型与场景标识相匹配,每种模型至少要对两种指标数据进行检测。例如,如果场景标识为日常场景,则相匹配的场景模型为日常模型,需要对所有的指标数据通过模型进行检测;如果场景标识为特定场景,则相匹配的场景模型为特定模型,由用户自定义所需要的指标,再通过模型进行检测;如果场景标识为评级场景,则根据评级模型的逻辑对所有指标数据进行检测,以确定异常等级。
在操作S230,利用场景模型处理M个备选指标数据和N个标准指标数据,确定异常结果。
根据本公开的实施例,按照场景模型所确定的业务逻辑处理备选指标数据和标准指标数据,得到异常检测结果。
例如,第二用户自定义的场景标识为日常标识,交易平台使用日常模型对所有指标数据进行检测。交易平台将备选指标数据和对应的标准指标数据进行对比,如果备选指标数据超过对应的标准指标数据,为异常状态;如果备选指标数据没有超过对应的标准指标数据,为正常状态。
根据本公开的实施例,在对预付式消费交易数据异常进行检测时,交易平台响应于接收到交易数据,将交易数据划分为M个类型的备选指标数据;根据场景标识,获取N个标准指标数据和与所述场景标识相匹配的场景模型;以及利用所述场景模型处理M个备选指标数据和N个标准指标数据,确定异常结果。本公开的实施例通过上述技术手段可以实现对预付式消费交易数据异常的有效检测,至少部分地克服了现有技术中存在的风险产生种类繁多,人工排查异常业务数据难度大、效率低,无法对风险进行全程监控的技术问题。
由于将交易数据划分为不同类型的指标数据,从多个方面检测可能存在的异常,根据不同的场景标识使用不同的场景模型代替人工对指标进行分析,降低了异常检测的难度、提高了异常检测的效率和准确性。
下面参考图3~图5,结合具体实施例对图2所示的方法作进一步说明。
图3示意性示出了根据本公开实施例的确定异常结果方法的流程图。
如图3所示,该实施例的确定异常结果方法300包括操作S310~操作S330以作为操作S230的一个具体实施例。
根据本公开的实施例,操作S230是利用场景模型处理M个备选指标数据和N个标准指标数据,确定异常结果。
在操作S310,响应于确定场景标识为第一标识,根据交易平台的检测指令,确定N个标准指标数据。
根据本公开的实施例,第一标识用于表征特定场景,对应的场景模型是特定模型。
根据本公开的实施例,检测指令包括第二用户在交易平台上通过交互操作生成的指令。
根据本公开的实施例,在特定场景下,第二用户可以预先通过交互操作自定义需要检测的指标数据,交易平台根据第二用户自定义需要检测的指标数据生成检测指令,并确定所需要的标准指标数据。
例如,自定义场景为特定场景,且仅对第一用户的申请操作进行检测时,标准指标数据包括单次申请资源量预警阀值、申请总资源量预警阀值、申请次数预警阀值。
在操作S320,基于标准指标数据,从M个备选指标数据中获取N个待测指标数据。
根据本公开实施例,待测指标数据可以从备选指标数据中选取,且与标准指标数据一一对应。
例如,交易平台根据检测指令确定的标准指标数据为单次申请资源量预警阀值、申请总资源量预警阀值、申请次数预警阀值,相应地,从备选数据中选取单次申请资源量、申请总资源量、申请次数等作为待测指标数据。
在操作S330,根据N个待测指标数据和N个标准指标数据,确定异常结果。
根据本公开的实施例,将待测指标数据和标准指标数据进行比较,如果待测指标数据超过标准指标数据,为异常状态;如果待测指标数据没有超过标准指标数据,为正常状态。
例如,检测到单次申请资源量超过单次申请资源量预警阀值,为异常状态。
根据本公开的实施例,第二用户可以自定义筛选需要检测的指标数据,能够灵活地对单个或多个指标进行判别,提高模型的适用性。
根据本公开的实施例,根据N个待测指标数据和N个标准指标数据,确定异常结果包括如下操作:响应于确定第一用户已发起申请交易操作,将第一待测指标数据与第一标准指标数据比较,得到第一比较结果;比较第二待测指标数据与第二标准指标数据,得到第二比较结果;比较第三待测指标数据与第三标准指标数据,得到第三比较结果;根据第一比较结果、第二比较结果和第三比较结果,确定异常结果。
根据本公开的实施例,第一用户为商家,第一用户在交易平台上发起资金申请交易操作后,交易平台接收申请指令并进行处理。
根据本公开的实施例,第一待测指标数据包括在预设时间内第一用户单次申请交易的资源量。第一标准指标数据包括预设时间内第一用户单次申请交易的资源量预警阀值,与第一待测指标数据对应。
根据本公开的实施例,比较第一待测指标数据和第一标准指标数据,得到第一比较结果包括:若第一待测指标数据超过第一标准指标数据,则第一比较结果为异常;若未超过,则第一比较结果为正常。
根据本公开的实施例,第二待测指标数据包括在预设时间段内第二用户多次申请交易的总资源量。第二标准指标数据包括在预设时间段内第二用户多次申请交易的总资源量预警阀值,由第二用户手动设定,与第二待测指标数据对应,是第二待测指标数据的正常范围。
根据本公开的实施例,比较第二待测指标数据和第二标准指标数据,得到第二比较结果,包括:若第二待测指标数据超过第二标准指标数据,则第二比较结果为异常;若未超过,则第二比较结果为正常。
根据本公开的实施例,第三待测指标数据包括在预设时间段内第二用户申请交易的次数。第三标准指标数据包括在预设时间段内第二用户申请交易的次数预警阀值,由第二用户手动设定,与第三待测指标数据对应,是第三待测指标数据的正常范围。
根据本公开的实施例,比较第三待测指标数据和第三标准指标数据,得到第三比较结果,包括:若第三待测指标数据超过第三标准指标数据,则第三比较结果为异常;若未超过,则第三比较结果为正常。
根据本公开的实施例,若第一比较结果、第二比较结果和第三比较结果中任一结果存在异常,则生成对应的预警信息,并且驳回当此的资金申请请求,要求第一用户重新提交申请;若第一比较结果、第二比较结果和第三比较结果中均不存在异常,则不产生预警信息。
根据本公开的实施例,通过第一待测指标数据、第二待测指标数据和第三待测指标数据,实现针对申请交易的异常检测。
图4示意性示出了根据本公开实施例的申请异常确定方法的流程图。
需要说明的是,本公开实施例中的流程图所示的操作除非明确说明不同操作之间存在执行的先后顺序,或者不同操作在技术实现上存在执行的先后顺序,否则,多个操作之间的执行顺序可以不分先后,多个操作也可以同时执行。
如图4所示,该方法400包括操作S401~操作S408。在操作S401,消费者付款;在操作S402,接收交易数据;在操作S403,发起申请预拨付资金操作;在操作S404,响应申请操作,生成标准指标数据;在操作S405,确定第一比较结果、第二比较结果、第三比较结果是否异常;在操作S406,不告警;在操作S407,告警;在操作S408,退回申请。在操作S405,如果第一比较结果、第二比较结果和第三比较结果均没有异常,进入操作S406,不告警;如果第一比较结果、第二比较结果和第三比较结果其中之一异常,进入操作S407,告警。
根据本公开的实施例,消费者可以在第二终端设备进行交易、付款等操作;第二终端设备将消费者产生的交易数据发送至交易平台。交易平台接收到由消费者付款产生的交易数据之后,可以将交易数据存储在区块链中。商家可以在第一终端设备中发起申请预拨付资金操作,并将与申请预拨付资金操作对应的请求发送至交易平台;交易平台响应于商家发起的申请预拨付资金操作,执行后续审批过程。例如,如果第一比较结果、第二比较结果和第三比较结果其中之一异常,告警,并退回商家的申请。
根据本公开的实施例,根据N个待测指标数据和N个标准指标数据,确定异常结果还包括如下操作:比较第四待测指标数据和第四标准指标数据,得到第四比较结果;比较第五待测指标数据和第五标准指标数据,得到第五比较结果;根据第四比较结果和第五比较结果,确定异常结果。
根据本公开的实施例,第四待测指标数据包括在预设时间段内第二用户已发生交易的单次资源量。第四标准指标数据包括在预设时间段内第二用户已发生交易的单次资源量预警阀值,由第一用户手动设定,与第四待测指标数据对应,是第四待测指标数据的正常范围。
据本公开的实施例,比较第四待测指标数据和第四标准指标数据,若第四待测指标数据超过第四标准指标数据,则第四比较结果为异常;若未超过,则第四比较结果为正常。
根据本公开的实施例,第五待测指标数据包括在预设时间段内第二用户已发生交易的交易次数。第五标准指标数据包括在预设时间段内第二用户已发生交易的交易次数预警阀值,由第一用户手动设定,与第五待测指标数据对应,是第五待测指标数据的正常范围。
根据本公开的实施例,若第四比较结果第五比较结果中任一结果存在异常,则生成对应的预警信息;若第四比较结果和第五比较结果中均不存在异常,则不产生预警信息。
根据本公开的实施例,通过第四待测指标数据和第五待测指标数据实现针对交易本身的异常检测。
根据本公开的实施例,根据N个待测指标数据和N个标准指标数据,确定异常结果还可以包括如下操作:比较第六待测指标数据与第六标准指标数据,得到第六比较结果;比较第七待测指标数据与第七标准指标数据,得到第七比较结果;根据第六比较结果和第七比较结果,确定异常结果。
根据本公开的实施例,第六待测指标数据包括在预设时间段内交易平台向第二用户分发的单次资源量。第六标准指标数据是通过API接口上传的对应资源量,与第六待测指标数据对应。
据本公开的实施例,比较第六待测指标数据和第六标准指标数据,若第六待测指标数据与第六标准指标数据不一致,则第六比较结果为异常;若一致,则第六比较结果为正常。
根据本公开的实施例,第七待测指标数据包括在预设时间段交易平台向第二用户分发的总资源量。第七标准指标数据是通过API接口上传的对应资源量与预设时间段内分发总次数的乘积,与第七待测指标数据对应。
据本公开的实施例,比较第七待测指标数据和第七标准指标数据,若第七待测指标数据与第七标准指标数据不一致,则第七比较结果为异常;若一致,则第七比较结果为正常。
根据本公开的实施例,若第六比较结果第七比较结果中任一结果存在异常,则生成对应的预警信息;若第六比较结果和第七比较结果中均不存在异常,则不产生预警信息。
根据本公开的实施例,通过第六待测指标数据和第七待测指标数据实现针对已交易后的资源划拨的异常检测。
根据本公开的实施例,利用场景模型处理M个所述备选指标数据和N个标准指标数据,确定异常结果还包括如下操作:响应于确定所述场景标识为第三标识,使用所有标准指标数据;确定所有备选指标数据为待测指标数据;根据所有待测指标数据和所有标准指标数据,确定异常结果。
根据本公开的实施例,第三标识用于表征日常场景,对应的场景模型是日常模型。
根据本公开的实施例,日常模型检测包括第一待测指标数据、第二待测指标数据、第三待测指标数据、第四待测指标数据、第五待测指标数据、第六待测指标数据和第七待测指标数据的所有待测指标数据。
根据本公开的实施例,根据所有待测指标数据和所有标准指标数据,确定异常结果还包括如下操作:响应于确定第一用户已发起申请交易操作,将第一待测指标数据与第一标准指标数据比较,得到第一比较结果;比较第二待测指标数据与第二标准指标数据,得到第二比较结果;比较第三待测指标数据与第三标准指标数据,得到第三比较结果;根据第一比较结果、第二比较结果和第三比较结果,确定异常结果;比较第四待测指标数据和第四标准指标数据,得到第四比较结果;比较第五待测指标数据和第五标准指标数据,得到第五比较结果;比较第六待测指标数据与第六标准指标数据,得到第六比较结果;比较第七待测指标数据与第七标准指标数据,得到第七比较结果;根据第四比较结果、第五比较结果、第六比较结果和第七比较结果,确定异常结果。
图5示意性示出了根据本公开实施例的全要素确定方法的流程图。
需要说明的是,本公开实施例中的流程图所示的操作除非明确说明不同操作之间存在执行的先后顺序,或者不同操作在技术实现上存在执行的先后顺序,否则,多个操作之间的执行顺序可以不分先后,多个操作也可以同时执行。
如图5所示,该方法500包括操作S501~操作S510。在操作S501,接消费者付款;在操作S502,接收交易数据;在操作S503,发起预拨付资金操作;在操作S504,响应申请预操作,生成标准指标数据。在操作S505,确定第一比较结果、第二比较结果、第三比较结果等是否异常;在操作506,告警;在操作S507,退回申请;在操作S508,确定第四比较结果、第五比较结果、第六比较结果和第七比较结果是否异常;在操作S509,不告警;在操作S510,告警。在操作S505,如果第一比较结果、第二比较结果和第三比较结果均没有异常,进入操作S508;如果第一比较结果、第二比较结果和第三比较结果其中之一异常,进入操作S506。在操作S508,如果第四比较结果、第五比较结果、第六比较结果和第七比较结果均没有异常,进入操作S509;如果四比较结果、第五比较结果、第六比较结果和第七比较结果其中之一异常,进入操作S510。例如,如果第一比较结果、第二比较结果和第三比较结果其中之一异常,告警,并退回商家的申请;如果第四比较结果、第五比较结果、第六比较结果和第七比较结果其中之一异常,告警。
根据本公开的实施例,消费者可以在第二终端设备进行交易、付款等操作;第二终端设备将消费者产生的交易数据发送至交易平台、交易平台接收到由消费者付款产生的交易数据之后,可以将交易数据存储在区块链中。商家可以在第一终端设备中发起申请预拨付资金操作,并将与申请预拨付资金操作对应的请求发送至交易平台;交易平台响应于商家发起的申请预拨付资金操作,执行后续审批流程。
根据本公开的实施例,通过对所有指标数据进行检测,实现全要素异常检测。
在本公开的其他实施例的确定异常结果方法中,还可以通过评级模型,对异常结果进行检测。
根据本公开的实施例,利用场景模型处理M个备选指标数据和N个标准指标数据,确定异常结果还包括如下操作:响应于确定场景标识为第二标识,比较静态指标数据与静态标准指标数据,得到静态指标比较结果;比较动态指标数据与动态标准指标数据,得到动态指标比较结果;根据静态指标比较结果和动态指标比较结果,确定异常结果。
根据本公开的实施例,第二标识匹配的场景模型为评级模型。评级模型是指设定预警评级的规则,根据触发预警指标的交集、并集评定高、中、低风险。由于不同类型的企业异常情况存在差异,这时评级模型则更加适合这种情况,分层级对不同企业进行检测。
根据本公开的实施例,静态指标数据包括以下至少其中之一:第一待测指标数据、第四待测指标数据和第六待测指标数据。
根据本公开的实施例,静态标准指标数据包括以下至少其中之一:第一标准指标数据、第四标准指标数据和第六标准指标数据。
根据本公开的实施例,将对应的静态待测指标数据和静态标准指标数据进行比较,判断静态指标是否超过预设的阈值。
根据本公开的实施例,动态指标数据包括以下至少其中之一:第二待测指标数据、第三待测指标数据、第五待测指标数据和第七待测指标数据。
根据本公开的实施例,动态标准指标数据包括以下至少其中之一:第二标准指标数据、第三标准指标数据、第五标准指标数据和第七标准指标数据。
根据本公开的实施例,将对应的动态待测指标数据和动态标准指标数据进行比较,判断动态指标是否超过预设的阀值。
例如,大型企业可能存在某段时间举办促销活动而造成的等动态指标异常激增的情况。如果使用日常预警模型就会造成不必要的频繁报警,若使用特定模型又无法判断风险程度,此时就可以使用评级模型。
根据本公开的实施例,根据静态指标比较结果和动态指标比较结果的异常情况,确定异常风险等级,更贴合实际情况。
根据本公开的实施例,根据所述静态指标比较结果和所述动态指标比较结果,确定异常结果包括如下操作:在所述动态指标比较结果表征异常、且所述静态指标比较结果表征异常的情况下,确定异常结果为一级异常;在所述动态指标比较结果表征异常、且所述静态指标比较结果表征正常的情况下,确定异常结果为三级异常;在所述动态指标比较结果表征正常、且所述静态指标比较结果表征异常的情况下,确定异常结果为二级异常。
根据本公开的实施例,一级异常、所述二级异常和所述三级异常的异常程度依次降低。
根据本公开的实施例,动态指标比较结果和静态指标比较结果同时异常的情况下,判定为高风险,并生成相应的高风险预警信息。
根据本公开的实施例,在只有静态指标异常的情况下,判定为中风险,并生成相应的中风险预警信息。
根据本公开的实施例,在只有动态指标异常的情况下,判定为低风险,并生成相应的低风险预警信息。
图6示意性示出了根据本公开另一实施例的实施例确定异常结果方法的流程图。
需要说明的是,本公开实施例中的流程图所示的操作除非明确说明不同操作之间存在执行的先后顺序,或者不同操作在技术实现上存在执行的先后顺序,否则,多个操作之间的执行顺序可以不分先后,多个操作也可以同时执行。
如图6所示,该方法600包括操作S601~操作S611。在操作S601,消费者付款;在操作S602,接收交易数据;在操作S603,发起申请预拨付资金操作;在操作S604,响应申请操作,生成标准指标数据;在操作S605,确定动态比较结果是否异常;在操作S606,在确定动态比较结果异常的情况下,确定静态比较结果是否异常;在操作S607,确定异常结果为一级异常;在操作S608,确定异常结果为三级异常;在操作S609,在确定动态比较结果正常的情况下,确定异常比较结果是否正常;在操作S610,确定异常结果为二级异常;在操作S611,不告警。在操作S606,如果静态比较结果异常,进入操作S607,确定异常结果为一级异常;如果静态比较结果正常,进入操作S608,确定异常结果为三级异常。在操作S609,如果静态比较结果异常,进入操作S610,确定异常结果为二级异常;如果静态比较结果也正常,进入操作S611,不告警。
根据本公开的实施例,消费者可以在第二终端设备进行交易、付款等操作;第二终端设备将消费者产生的交易数据发送至交易平台。交易平台接收到由消费者付款产生的交易数据之后,可以将交易数据存储在区块链中。商家可以在第一终端设备中发起申请预拨付资金操作,并将与申请预拨付资金操作对应的请求发送至交易平台;交易平台响应于商家发起的申请预拨付资金操作,执行后续审批过程。
交易平台将商家的具体产品信息(产品详情页、价格等)通过应用程序编程接口(Application Programming Interface,API)对接到交易平台。由于同时区块链具有不可篡改、去中心化、可追溯的特性,将交易数据上传到区块链,能够保证数据的真实有效性,避免虚假交易的产生。
利用大数据分析区块链上的数据,根据异常的产生、传导机制:商家可能为提前预付费资金,平台上产品报价设置与所售商品实际价格不符,并大幅度高于实际价格,会导致单笔收费异常和单笔划拨异常;恶意刷单、刷好评等行为会导致收费频繁异常;提前申请超过正常范围内的预付费资金会导致单笔申请异常、申请频率异常。根据异常的影响模式,单笔异常会影响到累积数值:造成累计划拨异常、累计申请异常。因此将交易数据划分为多种指标,有效解决风险种类繁多的问题。
又由于不同交易系统下的交易场景不同,对各种指标的关注度也存在差异。如果需要对所有指标进行检测,则需要使用日常模型,即全要素模型;如果只需要对特定指标进行检测,则需要使用特定模型,由用户根据当前业务可能存在的异常,自行选取想要进行检测的相关指标;由于不同类型的企业异常情况存在差异,这时评级模型则更加适合这种情况,分层级对不同企业进行检测。通过在不同的情况下使用不同的模型,提高检测效率,更贴合实际业务场景。
如图7所示,该实施例的异常结果确定装置700包括确定模块710、获取模块720和处理模块730。
确定模块710,用于响应于接收到交易数据,将交易数据划分为M个类型的备选指标数据。在一实施例中,确定模块710,可以用于执行前文描述的操作S210,在此不再赘述。
获取模块720,用于根据场景标识,获取N个标准指标数据和与场景标识相匹配的场景模型。在一实施例中,获取模块720可以用于执行前文描述的操作S220,在此不再赘述。
处理模块730,用于利用场景模型处理M个备选指标数据和N个标准指标数据,确定异常结果。在一实施例中,处理模块730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,处理模块730包括标准确定子模块、待测获取子模块和第一确定子模块。
标准确定子模块用于响应于确定场景标识为第一标识,根据交易平台的检测指令,确定N个标准指标数据。在一实施例中,标准确定子模块可以用于执行前文描述的操作S310,此不再赘述。
待测获取子模块用于基于标准指标数据,从M个备选指标数据中获取N个待测指标数据。在一实施例中,待测获取子模块可以用于执行前文描述的操作S320,此不再赘述。
结果确定子模块用于根据N个待测指标数据和N个标准指标数据,确定异常结果。在一实施例中,结果确定子模块可以用于执行前文描述的操作S330,此不再赘述。
根据本公开的实施例,第一确定子模块包括第一处理单元,第二处理单元,第三处理单元和第一确定单元。
第一处理单元用于将第一待测指标数据与第一标准指标数据比较,得到第一比较结果。
第二处理单元用于比较第二待测指标数据与第二标准指标数据,得到第二比较结果。
第三处理单元用于比较第三待测指标数据与第三标准指标数据,得到第三比较结果。
第一确定单元用于根据第一比较结果、第二比较结果和第三比较结果,确定异常结果。
根据本公开的实施例,第一确定子模块包括第四处理单元、第五处理单元和第二确定单元。
第四处理单元用于比较第四待测指标数据与第四标准指标数据,得到第四比较结果。
第五处理单元用于比较第五待测指标数据与第五标准指标数据,得到第五比较结果。
第二确定单元用于根据第四比较结果和第五比较结果,确定异常结果。
根据本公开的实施例,第一确定子模块还包括第六处理单元、第七处理单元和第三确定单元。
第六处理单元用于比较第六待测指标数据与第六标准指标数据,得到第六比较结果。
第七处理单元用于比较第七待测指标数据与第七标准指标数据,得到第七比较结果。
第三确定单元用于根据第六比较结果和第七比较结果,确定异常结果。
根据本公开的实施例,处理模块730还包括静态比较子模块、动态比较子模块和第二确定子模块。
静态比较子模块用于比较静态指标数据与静态标准指标数据,得到静态指标比较结果。
动态比较子模块用于比较动态指标数据与动态标准指标数据,得到动态指标比较结果。
第二确定子模块用于在根据静态指标比较结果和动态指标比较结果,确定异常结果。
根据本公开的实施例,第二确定子模块包括第四确定单元、第五确定单元和第六确定单元。
第四确定单元用于在动态指标比较结果表征异常、且静态指标比较结果表征异常的情况下,确定异常结果为一级异常。
第五确定单元用于在动态指标比较结果表征异常、且静态指标比较结果表征正常的情况下,确定异常结果为三级异常。
第六确定单元用于在动态指标比较结果表征正常、且静态指标比较结果表征异常的情况下,确定异常结果为二级异常。
根据本公开的实施例,确定模块710、获取模块720和处理模块730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,确定模块710、获取模块720和处理模块730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,确定模块710、获取模块720和确定模块730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8示意性示出了根据本公开实施例的适于异常检测方法的电子设备的方框图。
如图8所示,根据本公开实施例的电子设备800包括处理器801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。处理器801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801还可以包括用于缓存用途的板载存储器。处理器801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 803中,存储有电子设备800操作所需的各种程序和数据。处理器801、ROM802以及RAM 803通过总线804彼此相连。处理器801通过执行ROM 802和/或RAM 803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 802和RAM 803以外的一个或多个存储器中。处理器801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800还可以包括输入/输出(I/O)接口805,输入/输出(I/O)接口805也连接至总线804。电子设备800还可以包括连接至输入/输出I/O接口805的以下部件中的一项或多项:包括键盘、鼠标等的输入部分806;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807;包括硬盘等的存储部分808;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809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811,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810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808。
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 802和/或RAM 803和/或ROM 802和RAM 803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上述方法。
在该计算机程序被处理器801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809被下载和安装,和/或从可拆卸介质811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809从网络上被下载和安装,和/或从可拆卸介质811被安装。在该计算机程序被处理器801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。
以上所述的具体实施例,对本公开的目的、技术方案和有益效果进行了进一步详细说明,应理解的是,以上所述仅为本公开的具体实施例而已,并不用于限制本公开,凡在本公开的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (11)
1.一种异常检测方法,包括:
响应于接收到交易数据,将所述交易数据划分为M个类型的备选指标数据,M≥2;
根据场景标识,获取N个标准指标数据和与所述场景标识相匹配的场景模型,其中,所述场景标识用于表征当前时刻交易系统所处的交易场景,M≥N≥2;以及
利用所述场景模型处理M个所述备选指标数据和N个标准指标数据,确定异常结果。
2.根据权利要求1所述的方法,其中,所述利用所述场景模型处理M个所述备选指标数据和N个标准指标数据,确定异常结果,包括:
响应于确定所述场景标识为第一标识,根据交易平台的检测指令,确定N个标准指标数据,其中,所述检测指令包括用户在交易平台上通过自定义交互操作生成的指令,所述第一标识用于表征自定义交易场景;
基于所述标准指标数据,从M个所述备选指标数据中获取N个待测指标数据;以及
根据N个所述待测指标数据和N个所述标准指标数据,确定异常结果。
3.根据权利要求2所述的方法,其中,所述待测指标数据包括第一待测指标数据、第二待测指标数据和第三待测指标数据,第一待测指标数据包括在预设时间段内用户单次申请交易的资源量,第二待测指标数据包括在预设时间段内用户多次申请交易的总资源量,所述第三待测指标数据包括在预设时间段内用户申请交易的次数;所述标准指标数据包括第一标准指标数据、第二标准指标数据和第三标准指标数据,分别与所述第一待测指标数据、所述第二待测指标数据和所述第三待测指标数据对应;
所述根据N个所述待测指标数据和N个所述标准指标数据,确定异常结果,包括:
响应于确定用户已发起申请交易操作,将所述第一待测指标数据与所述第一标准指标数据比较,得到第一比较结果;
比较所述第二待测指标数据与所述第二标准指标数据,得到第二比较结果;
比较所述第三待测指标数据与所述第三标准指标数据,得到第三比较结果;
根据所述第一比较结果、所述第二比较结果和所述第三比较结果,确定所述异常结果。
4.根据权利要求2所述的方法,其中,所述待测指标数据还包括第四待测指标数据和第五待测指标数据,所述第四待测指标数据包括在预设时间段内用户已发生交易的单次资源量,所述第五待测指标数据包括在预设时间段内用户已发生交易的交易次数;所述标准指标数据还包括第四标准指标数据和第五标准指标数据,分别与所述第四待测指标数据和所述第五待测指标数据对应;所述根据N个所述待测指标数据和N个所述标准指标数据,确定异常结果,包括:
比较所述第四待测指标数据与所述第四标准指标数据,得到第四比较结果;
比较所述第五待测指标数据与所述第五标准指标数据,得到第五比较结果;
根据所述第四比较结果和所述第五比较结果,确定所述异常结果。
5.根据权利要求2所述的方法,其中,所述待测指标数据还包括第六待测指标数据和第七待测指标数据,所述第六待测指标数据包括在预设时间段内所述交易平台向用户分发的单次资源量,所述第七待测指标数据包括在预设时间段所述交易平台向用户分发的总资源量;所述标准指标数据还包括第六标准指标数据和第七标准指标数据,分别与所述第六待测指标数据和所述第七待测指标数据对应;
还包括:
比较所述第六待测指标数据与所述第六标准指标数据,得到第六比较结果;
比较所述第七待测指标数据与所述第七标准指标数据,得到第七比较结果;
根据所述第六比较结果和所述第七比较结果,确定所述异常结果。
6.根据权利要求1~5任一所述的方法,其中,所述备选指标数据包括静态指标数据和动态指标数据;所述标准指标数据包括静态标准数据和动态标准指标数据;
所述利用所述场景模型处理M个所述备选指标数据和N个标准指标数据,确定异常结果,包括:
响应于确定所述场景标识为第二标识,比较所述静态指标数据与所述静态标准指标数据,得到静态指标比较结果;
比较所述动态指标数据与所述动态标准指标数据,得到动态指标比较结果;
根据所述静态指标比较结果和所述动态指标比较结果,确定异常结果。
7.根据权利要求6所述的方法,其中,所述静态指标数据包括以下至少其中之一:第一待测指标数据、第四待测指标数据和第六待测指标数据,所述静态标准指标数据包括以下至少其中之一:第一标准指标数据、第四标准指标数据和第六标准指标数据;所述动态指标数据包括以下至少其中之一:第二待测指标数据、第三待测指标数据、第五待测指标数据和第七待测指标数据,所述动态标准指标数据包括以下至少其中之一:第二标准指标数据、第三标准指标数据、第五标准指标数据和第七标准指标数据。
8.根据权利要求6所述的方法,其中,所述根据所述静态指标比较结果和所述动态指标比较结果,确定异常结果包括:
在所述动态指标比较结果表征异常、且所述静态指标比较结果表征异常的情况下,确定异常结果为一级异常;
在所述动态指标比较结果表征异常、且所述静态指标比较结果表征正常的情况下,确定异常结果为三级异常;
在所述动态指标比较结果表征正常、且所述静态指标比较结果表征异常的情况下,确定异常结果为二级异常;
其中,所述一级异常、所述二级异常和所述三级异常的异常程度依次降低。
9.一种异常检测装置,包括:
确定模块,用于响应于接收到交易数据,将所述交易数据划分为M个类型的备选指标数据,M≥2;
获取模块,用于根据场景标识,获取N个标准指标数据和与所述场景标识相匹配的场景模型,其中,所述场景标识用于表征当前时刻交易系统所处的交易场景,M≥N≥2;以及
处理模块,用于利用所述场景模型处理M个所述备选指标数据和N个标准指标数据,确定异常结果。
10.一种电子设备,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1~8中任一项所述的方法。
11.一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根据权利要求1~8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311114243.3A CN117077061A (zh) | 2023-08-31 | 2023-08-31 | 异常检测方法、装置、电子设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311114243.3A CN117077061A (zh) | 2023-08-31 | 2023-08-31 | 异常检测方法、装置、电子设备及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117077061A true CN117077061A (zh) | 2023-11-17 |
Family
ID=88711494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311114243.3A Pending CN117077061A (zh) | 2023-08-31 | 2023-08-31 | 异常检测方法、装置、电子设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117077061A (zh) |
-
2023
- 2023-08-31 CN CN202311114243.3A patent/CN117077061A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110223054A (zh) | 一种用于物流行业的统一支付方法及系统 | |
CN116843452A (zh) | 风险监管方法、装置、设备、介质和程序产品 | |
RU2745340C2 (ru) | Виртуальный рынок для распределяемых инструментальных средств в среде предприятия | |
US20210018335A1 (en) | Utility monitoring and analytics security management system and method | |
CN116091249A (zh) | 交易风险的评估方法、装置、电子设备和介质 | |
CN112785287A (zh) | 用于计费结算的方法、装置、计算机系统及介质 | |
CN115689571A (zh) | 异常用户行为监测方法、装置、设备和介质 | |
CN117077061A (zh) | 异常检测方法、装置、电子设备及计算机存储介质 | |
US20190066115A1 (en) | Calculation of benchmark dispute overage and rejection data with redress options | |
US11436608B1 (en) | Commercial credit card system | |
CN114357523A (zh) | 风险对象的识别方法、装置、设备、存储介质和程序产品 | |
CN114996119B (zh) | 故障诊断方法、装置、电子设备及存储介质 | |
CN115499292B (zh) | 一种告警方法、装置、设备及存储介质 | |
CN117196307A (zh) | 风控模型的运行状态检测方法、装置、设备及存储介质 | |
CN110942290A (zh) | 支付异常检测方法、系统、电子设备和计算机可读介质 | |
KR20170115013A (ko) | 계약 테스트 방법, 이를 수행하는 계약 테스트 서버 및 이를 저장하는 기록매체 | |
US11748721B1 (en) | Procuring and presenting deposit transaction details | |
CN116883176A (zh) | 针对趋势预测模型的回溯测试方法、装置及电子设备 | |
CN116737539A (zh) | 程序测试方法及装置、电子设备和计算机可读存储介质 | |
CN116341945A (zh) | 对象评估方法及装置、电子设备和计算机可读存储介质 | |
CN114756450A (zh) | 软件测试方法、装置、电子设备、存储介质和程序产品 | |
CN115018635A (zh) | 结构性存款的定价方法、装置、设备、介质和程序产品 | |
CN117132381A (zh) | 风险评估方法、风险评估装置、电子设备及可读存储介质 | |
CN115630960A (zh) | 信息展示方法、装置、电子设备和介质 | |
KR101118550B1 (ko) | 상품 인기도에 따른 순환 판매 시스템 및 방법 |
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 |