CN117195130A - 一种智能一卡通管理系统及方法 - Google Patents
一种智能一卡通管理系统及方法 Download PDFInfo
- Publication number
- CN117195130A CN117195130A CN202311214423.9A CN202311214423A CN117195130A CN 117195130 A CN117195130 A CN 117195130A CN 202311214423 A CN202311214423 A CN 202311214423A CN 117195130 A CN117195130 A CN 117195130A
- Authority
- CN
- China
- Prior art keywords
- transaction
- card
- data
- abnormal
- magnetic
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000002159 abnormal effect Effects 0.000 claims abstract description 263
- 238000001514 detection method Methods 0.000 claims abstract description 104
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000007726 management method Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000007246 mechanism Effects 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 238000007635 classification algorithm Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 4
- 238000013075 data extraction Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 abstract description 3
- 238000007418 data mining Methods 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 13
- 230000008859 change Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 230000006399 behavior Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000001680 brushing effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000008260 defense mechanism Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明涉及智能一卡通管理技术领域,尤其涉及一种智能一卡通管理系统及方法。该方法包括以下步骤:获取历史一卡通系统数据并进行异常分析,获得一卡通异常交易数据;根据历史一卡通系统数据构建一卡通交易区块链;根据一卡通异常交易数据构建异常交易检测模型;根据历史一卡通系统数据构建一卡通磁性编码数据库;获取实时一卡通交易数据,对实时一卡通交易数据进行第一异常交易检测,获得磁残留合规数据;对磁残留合规数据进行第二异常交易检测,获得实时一卡通异常交易检测数据;对实时一卡通异常交易检测数据进行第三异常交易检测,获得可正常交易数据,并发送至交易终端执行正常交易任务。本发明基于数据挖掘对一卡通进行智能管理。
Description
技术领域
本发明涉及智能一卡通管理技术领域,尤其涉及一种智能一卡通管理系统及方法。
背景技术
传统的一卡通管理系统在处理一卡通交易时存在一些限制和不足。首先,传统系统通常采用磁条卡或IC卡作为媒介进行交易,而这些卡片容易受到磁场干扰、损坏或遗失。此外,传统系统的用户身份验证方式通常基于密码,存在密码泄露和伪造的风险。
发明内容
基于此,本发明有必要提供一种智能一卡通管理方法,以解决至少一个上述技术问题。
为实现上述目的,一种智能一卡通管理方法,包括以下步骤:
步骤S1:获取历史一卡通系统数据,对历史一卡通系统数据进行异常交易分析,从而获得一卡通异常交易数据;
步骤S2:根据历史一卡通系统数据构建一卡通交易区块链;
步骤S3:对一卡通异常交易数据进行降维并根据降维后的一卡通异常交易数据构建异常交易检测模型;
步骤S4:根据历史一卡通系统数据构建一卡通磁性编码数据库;
步骤S5:通过预设的传感器获取实时一卡通交易数据,利用一卡通磁性编码数据库对实时一卡通交易数据进行第一异常交易检测,从而获得磁残留合规数据;
步骤S6:通过异常交易检测模型对磁残留合规数据进行第二异常交易检测,从而获得实时一卡通异常交易检测数据;
步骤S7:基于一卡通交易区块链对实时一卡通异常交易检测数据进行第三异常交易检测,从而获得可正常交易数据,并发送至交易终端执行正常交易任务。
本发明通过对历史一卡通系统数据进行异常交易分析,可以识别和提取出一卡通的异常交易数据。这有助于了解异常交易的特征和模式,并为后续的异常交易检测提供基础。通过构建一卡通交易区块链,可以实现对一卡通交易数据的去中心化、透明和安全管理。区块链的特性可以确保交易记录的不可篡改性和可追溯性,从而提高交易的可信度和安全性。对一卡通异常交易数据进行降维并构建异常交易检测模型,有助于捕捉异常交易的关键特征和模式。通过降低数据的维度,可以减少计算和存储的成本,并提高异常交易检测的效率和准确性。构建一卡通磁性编码数据库可以有效存储和管理一卡通系统的数据。磁性编码可以综合考虑一卡通交易的位置、强度、频率、模式和变化率等因素,从而提供更完整和准确的编码质量度量。通过预设的传感器获取实时一卡通交易数据,并利用一卡通磁性编码数据库进行第一异常交易检测。这个步骤可以快速识别和过滤掉一些可能的异常交易,减少后续处理的工作量。通过异常交易检测模型对磁残留合规数据进行第二异常交易检测,可以进一步筛选出异常交易,提高异常检测的准确性和精度。这个步骤可以结合机器学习或统计模型来识别潜在的异常模式和趋势。基于一卡通交易区块链对实时一卡通异常交易检测数据进行第三异常交易检测,有助于确保交易的合法性和完整性。通过区块链的验证和共识机制,可以对异常交易进行最终的确认,并将可信的正常交易数据发送到交易终端进行下一步处理。
可选地,本说明书还提供一种智能一卡通管理系统,该智能一卡通管理系统包括:
历史异常交易分析模块,用于获取历史一卡通系统数据,对历史一卡通系统数据进行异常交易分析,从而获得一卡通异常交易数据;
区块链构建模块,用于根据历史一卡通系统数据构建一卡通交易区块链;
模型构建模块,用于对一卡通异常交易数据进行降维并根据降维后的一卡通异常交易数据构建异常交易检测模型;
一卡通磁性编码数据库构建模块,用于根据历史一卡通系统数据构建一卡通磁性编码数据库;
第一异常交易检测模块,用于通过预设的传感器获取实时一卡通交易数据,利用一卡通磁性编码数据库对实时一卡通交易数据进行第一异常交易检测,从而获得磁残留合规数据;
第二异常交易检测模块,用于通过异常交易检测模型对磁残留合规数据进行第二异常交易检测,从而获得实时一卡通异常交易检测数据;
第三异常交易检测模块,基于一卡通交易区块链对实时一卡通异常交易检测数据进行第三异常交易检测,从而获得可正常交易数据,并发送至交易终端执行正常交易任务。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明智能一卡通管理方法的步骤流程示意图;
图2为本发明中步骤S1的详细步骤流程示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的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。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图2,本发明提供了一种智能一卡通管理方法,所述方法包括以下步骤:
步骤S1:获取历史一卡通系统数据,对历史一卡通系统数据进行异常交易分析,从而获得一卡通异常交易数据;
本实施例中收集历史一卡通系统的交易数据,包括交易金额、时间、地点等信息。使用数据分析工具,如Python的数据分析库(例如Pandas、NumPy)和可视化工具(例如Matplotlib、Seaborn)等,对历史交易数据进行统计和可视化分析。进行异常交易的识别和筛选,可以采用统计方法(如离群点检测),机器学习算法(如聚类、分类器)或时序分析等方法来发现异常模式和规律。根据异常交易的特征和模式,提取出一卡通异常交易数据集,该数据集将用于后续的建模和检测。
步骤S2:根据历史一卡通系统数据构建一卡通交易区块链;
本实施例中设计一卡通交易区块链的数据结构和交易记录格式。使用区块链平台,如Ethereum或Hyperledger Fabric等,搭建一卡通交易区块链网络。将历史一卡通交易数据逐步添加到区块链中,形成不可篡改的交易记录。配置相应的共识机制和安全措施,确保交易的可信度和防止篡改。
步骤S3:对一卡通异常交易数据进行降维并根据降维后的一卡通异常交易数据构建异常交易检测模型;
本实施例中对一卡通异常交易数据进行特征工程,例如归一化、缺失值处理、特征选择等,以准备数据用于降维和建模。使用降维算法,如主成分分析(PCA)或线性判别分析(LDA)等,将高维的异常交易数据降低到较低的维度,同时保留尽可能多的信息。根据降维后的数据,建立异常交易检测模型,例如使用监督学习算法(如支持向量机、随机森林)进行分类或回归建模。
步骤S4:根据历史一卡通系统数据构建一卡通磁性编码数据库;
本实施例中提取历史一卡通系统数据中的磁性编码信息,包括位置、强度、频率、模式和变化率等。设计一卡通磁性编码数据库的结构,选择适当的数据库管理系统(如MySQL、MongoDB)进行建设。将提取得到的磁性编码数据导入数据库,并建立索引以支持快速查询和检索。
步骤S5:通过预设的传感器获取实时一卡通交易数据,利用一卡通磁性编码数据库对实时一卡通交易数据进行第一异常交易检测,从而获得磁残留合规数据;
本实施例中部署预设的传感器系统,例如安装在交易终端或与一卡通系统集成的设备,用于实时采集一卡通交易数据,包括磁性编码信息。通过磁性编码数据库,对实时一卡通交易数据进行第一阶段的异常交易检测。可以使用数据库查询语言(如SQL)和合适的查询条件筛选出异常的交易,并得到磁通过的数据。
步骤S6:通过异常交易检测模型对磁残留合规数据进行第二异常交易检测,从而获得实时一卡通异常交易检测数据;
本实施例中使用已构建的异常交易检测模型,对磁通过的数据进行进一步的异常交易检测。将磁残留合规数据输入模型进行预测或分类,判断其是否属于异常交易。根据模型的输出结果,将实时一卡通异常交易检测数据标记为正常或异常。
步骤S7:基于一卡通交易区块链对实时一卡通异常交易检测数据进行第三异常交易检测,从而获得可正常交易数据,并发送至交易终端执行正常交易任务。
本实施例中利用一卡通交易区块链的验证和共识机制,对实时一卡通异常交易检测数据进行第三阶段的异常交易检测。基于区块链的智能合约编写相关代码,对交易数据进行验证和审核,以确保其合法性和完整性。将经过三阶段检测后被确认为正常的交易数据发送至交易终端,执行相应的正常交易任务。
本发明通过对历史一卡通系统数据进行异常交易分析,可以识别和提取出一卡通的异常交易数据。这有助于了解异常交易的特征和模式,并为后续的异常交易检测提供基础。通过构建一卡通交易区块链,可以实现对一卡通交易数据的去中心化、透明和安全管理。区块链的特性可以确保交易记录的不可篡改性和可追溯性,从而提高交易的可信度和安全性。对一卡通异常交易数据进行降维并构建异常交易检测模型,有助于捕捉异常交易的关键特征和模式。通过降低数据的维度,可以减少计算和存储的成本,并提高异常交易检测的效率和准确性。构建一卡通磁性编码数据库可以有效存储和管理一卡通系统的数据。磁性编码可以综合考虑一卡通交易的位置、强度、频率、模式和变化率等因素,从而提供更完整和准确的编码质量度量。通过预设的传感器获取实时一卡通交易数据,并利用一卡通磁性编码数据库进行第一异常交易检测。这个步骤可以快速识别和过滤掉一些可能的异常交易,减少后续处理的工作量。通过异常交易检测模型对磁残留合规数据进行第二异常交易检测,可以进一步筛选出异常交易,提高异常检测的准确性和精度。这个步骤可以结合机器学习或统计模型来识别潜在的异常模式和趋势。基于一卡通交易区块链对实时一卡通异常交易检测数据进行第三异常交易检测,有助于确保交易的合法性和完整性。通过区块链的验证和共识机制,可以对异常交易进行最终的确认,并将可信的正常交易数据发送到交易终端进行下一步处理。
可选地,步骤S1具体为:
步骤S11:获取历史一卡通系统数据;
本实施例中访问一卡通系统的数据库或者其他存储介质,以提取存储在其中的历史交易数据。
步骤S12:对历史一卡通系统数据进行交易数据提取,从而获得历史一卡通交易数据;
本实施例中根据历史一卡通系统数据的存储格式,解析数据以获取其中的交易信息。例如,如果数据以CSV格式存储,可以使用相应的解析方法读取数据。根据需要,筛选出特定时间范围内的交易数据,例如某个月份或某一年的数据。对交易数据进行必要的转换和清洗,例如将金额字段转换为适当的数值类型,移除数据中的冗余信息或无效记录,统一数据格式等。根据分析和处理的目标,从交易数据中提取所需的字段,例如交易时间、交易金额、交易类型等。将提取的交易数据存储到适当的位置,以备后续使用。这可以是数据库表格、新的文件等。
步骤S13:对历史一卡通交易数据进行异常交易频率统计分析,从而获得高频一卡通异常交易数据以及低频一卡通异常交易数据;
本实施例中根据规定或需求,确定异常交易的定义。这可能涉及交易金额的阈值、特定交易类型等。对每个一卡通账户的交易数据进行分析,计算交易的频率。可以根据天、周、月等时间段进行统计。根据设置的异常交易定义,识别出高频和低频的异常交易情况。可以使用统计方法或算法来进行判断。从历史一卡通交易数据中提取符合高频和低频异常交易定义的数据,形成高频一卡通异常交易数据和低频一卡通异常交易数据。
步骤S14:通过潜在异常交易分类算法对历史一卡通交易数据进行分类计算,从而获得潜在一卡通异常交易数据;
本实施例中利用潜在异常交易分类算法(如聚类算法、分类算法等)对历史一卡通交易数据进行分类计算。这样可以在历史数据中识别出潜在的异常交易模式或者特征,进一步获得潜在的一卡通异常交易数据。
步骤S15:对潜在一卡通异常交易数据、高频一卡通异常交易数据以及低频一卡通异常交易数据进行时序合并,从而获得一卡通异常交易数据。
本实施例中将潜在一卡通异常交易数据、高频一卡通异常交易数据和低频一卡通异常交易数据进行时序合并。通过将不同类别的异常交易数据进行合并,可以得到一段时间内的完整一卡通异常交易数据,方便后续的分析和处理。
本发明通过获取历史一卡通系统数据,可以建立一卡通交易的全面数据集,包括各类交易记录、用户信息等。这有助于了解过去的交易模式、用户行为和系统运作情况,为进一步的分析和改进提供基础。通过对历史一卡通系统数据进行交易数据提取,可以提取出关键的交易信息,包括时间、地点、金额等。这有助于建立一卡通交易的数据清单,为后续的异常交易分析和检测提供基础。通过对历史一卡通交易数据进行异常交易频率统计分析,可以确定交易中常见的异常模式和频率。这有助于识别出高频一卡通异常交易,即出现频率较高的异常情况,帮助系统及早发现和处理潜在的问题。通过使用潜在异常交易分类算法对历史一卡通交易数据进行分类计算,可以发现潜在的异常交易模式。这有助于系统捕捉到不常见但有潜在风险的一卡通异常交易,提高异常交易检测的敏感度和准确性。通过对潜在一卡通异常交易数据、高频一卡通异常交易数据以及低频一卡通异常交易数据进行时序合并,可以综合各类异常交易信息。这有助于形成全面的一卡通异常交易数据集,包括不同变量之间的关系和交易模式的时序情况,为异常交易检测和响应提供更全面的视角。
可选地,步骤S14中的潜在异常交易分类算法的函数公式具体为:
式中,P为潜在异常交易概率,e为自然对数的底数,X1为交易金额,X2为交易地点系数,X3为交易频率,X4为交易时间,X5为交易类型,X6为交易优惠参数,α为偏移项系数,β1为交易金额权重系数,β2为交易地点权重系数,t为观察时间,γ1为交易频率权重系数,γ2为交易时间权重系数,δ1为交易类型权重系数,δ2为交易优惠权重系数。
本发明构造了一个潜在异常交易分类算法的函数公式,用于对历史一卡通交易数据进行分类计算。该公式充分考虑了影响潜在异常交易概率P的自然对数的底数e,交易金额X1,交易地点系数X2,交易频率X3,交易时间X4,交易类型X5,交易优惠参数X6,偏移项系数α,交易金额权重系数β1,交易地点权重系数β2,观察时间t,交易频率权重系数γ1,交易时间权重系数γ2,交易类型权重系数δ1,交易优惠权重系数δ2,形成了函数公式:
其中,α这是偏移项系数,用于调整整体概率。它是模型中的常数项。β1、β2、γ1、γ2、δ1、δ2是权重系数,用于控制每个特征对最终概率的影响。通过调整这些权重系数,可以确定每个特征对概率的相对重要性。ln(X3)这是交易频率的自然对数。在某些情况下,交易频率与概率之间可能存在非线性关系,使用自然对数可以更好地捕捉这种关系。这是交易时间的平方根。类似于交易频率,交易时间与潜在异常交易的关系可能是非线性的。平方根的使用有助于处理这种非线性关系。/>这表示交易类型和交易优惠参数相对于时间的导数,即它们随时间的变化率。交易类型和交易优惠可能随时间改变,通过考虑它们的变化率,可以更准确地判断交易的异常性。该公式考虑了多个交易相关的特征,如金额、地点、频率、时间、类型和优惠参数。通过综合考虑这些特征,可以提高异常交易检测的准确性和可信度。该公式中引入了时间因素(观察时间、交易类型的变化率、交易优惠的变化率),使算法能够对交易数据的实时变化进行响应和调整,保持算法的准确性和适应性。不同特征的权重系数可以根据实际情况进行调整。这使得模型能够根据各个特征对异常交易的重要程度进行灵活的权衡,提高异常交易检测的效果。该公式输出的是潜在异常交易的概率,而不仅仅是二分类的结果。这使得决策者能够根据概率进行更灵活的决策和控制安排。
可选地,步骤S2具体为:
根据历史一卡通交易数据进行区块结构设计,从而获得一卡通区块结构;
本实施例中根据一卡通交易数据的特点和需求,设计包含版本号、时间戳、前一个区块的哈希值等元数据信息的区块头(Block Header),包含多个交易数据的列表,每个交易记录包括交易时间、交易金额、交易类型等信息的交易数据列表等。
基于一卡通区块结构创建初始区块;
本实施例中创建初始区块,也称为创世块(Genesis Block)。初始区块是区块链中的第一个区块,没有前一个区块的引用。它的创建可以是手动设定的,或者由特定的规则定义生成。
对历史一卡通交易数据进行交易区块转换,从而获得交易区块集;
本实施例中将历史一卡通交易数据按照一定的规则进行分组,每个分组形成一个交易区块。交易区块中包含一定数量的交易数据。这样可以将历史交易数据按照时间顺序分块存储,并准备用于后续的区块链构建。
使用加密算法对交易区块集进行哈希计算,从而获得哈希值;
本实施例中对每个交易区块进行加密哈希计算,将交易区块的数据作为输入,通过加密算法生成该区块的哈希值。常用的加密算法包括SHA-256(Secure Hash Algorithm256位)。
利用哈希值对交易区块集进行区块连接,从而获得区块链;
本实施例中将每个交易区块的哈希值与前一个交易区块的哈希值相连接,形成一条链式结构。通过将前一个区块的哈希值存储在当前区块中,可以确保区块链的完整性和顺序。
根据历史一卡通交易数据进行智能合约定义,从而获得一卡通智能合约;
本实施例中基于历史一卡通交易数据的特定需求,可以进行智能合约的定义。智能合约是一段自动执行的代码,可以在交易发生时执行特定的逻辑和规则。它可以帮助实现一卡通系统中的自动化功能和业务规则。
基于一卡通智能合约对区块链进行共识机制引入,从而获得一卡通交易区块链。
本实施例中通过在一卡通区块链中引入共识机制,例如Proof of Work(工作量证明)或Proof of Stake(权益证明),确保交易的可信和一致性。共识机制的确定可以基于一卡通系统的具体需求和参与方的规则。
本发明根据历史一卡通交易数据进行区块结构设计:根据一卡通交易数据的特点和需求,设计出一卡通区块的结构,包括区块头和交易数据等字段。基于一卡通区块结构创建初始区块:创建一个初始区块作为区块链的起点。该初始区块不包含交易数据,只包含一个初始的区块头。对历史一卡通交易数据进行交易区块转换:将历史一卡通交易数据按照一定的规则进行分组,形成不同的交易区块。每个交易区块包含多个交易记录。使用加密算法对交易区块集进行哈希计算:对每个交易区块进行哈希计算,生成唯一的区块哈希值。哈希函数将交易区块的数据映射成固定长度的哈希值。利用哈希值对交易区块集进行区块连接:将交易区块按照哈希值链接起来,形成区块链。每个区块保存了前一个区块的哈希值,确保区块之间的顺序和完整性。根据历史一卡通交易数据进行智能合约定义:根据一卡通交易的需求,设计智能合约,定义交易规则和条件。智能合约可以实现自动化的交易验证和执行。基于一卡通智能合约对区块链进行共识机制引入:选择合适的共识机制来确保区块链的安全性和一致性。常见的共识机制包括工作量证明(Proof-of-Work)、权益证明(Proof-of-Stake)等。最终获得一卡通交易区块链:通过上述步骤,完成一卡通交易区块链的构建,包括初始区块、交易区块和智能合约。该区块链可以用于记录和验证一卡通交易的信息,并提供高度可信的数据存储和交易执行机制。
可选地,步骤S4具体为:
对历史一卡通系统数据进行用户注册磁卡数据提取,从而获得用户注册磁卡数据集;
本实施例中从历史一卡通系统数据中,筛选出包含用户注册信息的磁卡数据,如用户姓名、身份证号、注册日期等。通过数据清洗和处理,提取出完整的用户注册磁卡数据集。
将用户注册磁卡数据集进行磁场极性编码提取,从而获得用户磁卡磁性编码集;
本实施例中对用户注册磁卡数据集进行磁场极性编码提取的实施例可以是,使用特定算法对磁卡数据中的磁场极性进行编码。例如,可以将正极性表示为1,负极性表示为0。对每个用户的磁卡数据进行转换和编码,得到用户磁卡磁性编码集。
根据用户磁卡磁性编码集构建一卡通磁性编码数据库。
本实施例中根据用户磁卡磁性编码集构建一卡通磁性编码数据库的实施例可以是,创建一个数据表或集合用于存储用户磁性编码信息。每个记录可以包含用户标识符和对应的磁卡磁性编码。使用数据库管理系统,定义合适的数据结构和索引,以支持高效的数据存储和查询操作。
本发明通过提取用户注册磁卡数据,可以识别和确认每个用户的磁卡信息。这有助于建立用户身份和账户的准确关联,确保只有合法用户可以进行一卡通交易。这对于安全管理和防止非法使用或欺诈行为非常重要。磁场极性编码提取可以将原始的磁卡数据转化为更紧凑的特征表示形式。这有助于降低数据的维度,减少存储空间要求和计算复杂度。同时,特征的提取和编码过程也能够突出数据中的关键信息,提高异常检测和模式识别的效果。磁场极性编码提取可以突出磁卡数据中的异常模式和特征,从而更容易识别和检测异常交易。通过对提取后的磁性编码集进行异常检测,可以有效地过滤出可能存在欺诈、盗刷或其他异常行为的交易,提高交易安全性和系统的可靠性。一卡通磁性编码数据库的建立可以帮助集中管理用户注册磁卡的磁场极性编码信息。这样可以更方便地进行数据的存储、索引和查询。数据库的设计和优化可以提高数据访问的效率,快速地检索出特定用户或磁卡的编码信息。通过使用一卡通磁性编码数据库,可以将实时的一卡通交易数据与用户磁卡磁性编码集进行匹配和比对。这可以用于实时的交易检测,即在交易发生时,通过比对数据库中的磁性编码信息,迅速判断该交易是否属于正常或异常交易,从而采取相应的措施。
可选地,步骤S5具体为:
步骤S51:通过预设的传感器获取实时一卡通交易数据;
本实施例中使用近场通信(NFC)传感器或者磁卡读取器获取用户的一卡通交易记录,获取包括交易时间、地点、金额等详细信息。
步骤S52:对实时一卡通交易数据进行一卡通磁性编码提取,从而获得实时一卡通磁性编码;
本实施例中通过解析交易数据,提取出一卡通磁性编码部分,包括卡号、校验位等信息,形成一个单独的磁性编码数据。
步骤S53:利用一卡通磁性编码数据库对实时一卡通磁性编码进行磁性编码匹配度计算,从而获得匹配度数据;
本实施例中将实时一卡通磁性编码与数据库中的已注册编码进行比对,计算匹配度,例如通过比较编码数据的相似度或相对差异程度来评估匹配程度。
步骤S54:利用匹配度数据对实时一卡通磁性编码以及一卡通磁性编码数据库进行最大匹配度磁性编码提取,从而获得最大匹配度磁性编码;
本实施例中从匹配度数据中找出与实时一卡通磁性编码最相似的数据库中已注册磁性编码,即找到最大匹配度的磁性编码进行后续处理。
步骤S55:根据最大匹配度磁性编码对实时一卡通磁性编码进行磁性编码损失因子计算,从而获得磁性编码损失因子;
本实施例中通过比较最大匹配度磁性编码与实时一卡通磁性编码之间的差异度,计算磁性编码损失因子,例如通过统计差异位数或磁性编码字符串的编辑距离来衡量损失。
步骤S56:根据预设的磁性编码损失因子阈值对磁性编码损失因子进行分类计算,若磁性编码损失因子大于或等于磁性编码损失因子阈值,则获得磁残留合规数据;若磁性编码损失因子小于磁性编码损失因子阈值,则获得磁残留异常数据,并发送至交易终端执行停止交易任务。
本实施例中根据预设的磁性编码损失因子阈值,将计算得到的磁性编码损失因子与阈值进行比较。如果损失因子大于等于阈值,则判定为通过数据,继续进行交易流程;如果损失因子小于阈值,则判定为异常数据,触发停止交易任务以确保交易安全。
本发明实时获取一卡通交易数据可以实现对用户的即时监控和数据收集,为后续步骤提供数据源。通过提取磁性编码,可以将一卡通交易数据从原始形式转换为更具有语义和结构化的表示形式,为后续步骤的处理和分析提供基础。通过计算匹配度,可以评估当前实时一卡通磁性编码与数据库中已注册的磁性编码的相似度,从而进行进一步的判断和处理。通过提取最大匹配度磁性编码,可以确定当前实时一卡通交易数据与数据库中已注册的磁性编码最相似的编码,用于后续的分析和判断。通过计算磁性编码损失因子,可以衡量当前实时一卡通磁性编码与最大匹配度磁性编码之间的差异,从而评估可能存在的异常情况。通过设定磁性编码损失因子阈值,可以根据计算得到的损失因子将实时一卡通交易数据进行分类,从而判断其是否符合正常的磁性编码特征。
可选地,步骤S53具体为:
利用最大匹配度磁性编码对实时一卡通磁性编码进行多层次编码处理,从而获得重叠磁性编码;
本实施例中通过最大匹配度磁性编码对实时一卡通磁性编码进行多层次编码处理的一种实施例是使用FEC(Forward Error Correction)技术。在编码过程中,对磁性编码进行纠错编码,通过添加冗余信息以纠正可能出现的错误。在解码过程中,使用纠错码进行错误检测和纠正,从而减少解码错误,提高数据的可靠性。
通过磁性编码损失因子计算公式对重叠磁性编码进行计算,从而获得磁性编码损失因子;
本实施例中对于重叠磁性编码,计算磁性编码损失因子可以采用以下实施例。首先,定义预期编码模型,即理想情况下的编码方案。然后,与预期编码模型进行对比,比较两者之间的差异。可以使用统计方法,如均方根误差(Root Mean Square Error)或相关系数来计算损失因子。通过量化重叠磁性编码与预期编码之间的差异,可以评估数据的质量,并采取相应措施进行纠正或改进。
其中,磁性编码损失因子计算公式具体为:
式中,L为磁性编码损失因子,N为磁性编码数据点的总数,i为磁性编码数据点的索引,xi为第i个数据点的编码偏移量,yi为第i个数据点的磁场值,zi为第i个数据点的编码频率,T为磁性编码存在时间段。
本发明构造了一个磁性编码损失因子计算公式,用于对重叠磁性编码进行计算。该公式充分考虑了影响磁性编码损失因子L的编码偏移量、磁场值、编码频率以及磁性编码存在时间段,形成了函数关系:
其中L表示磁性编码的损失因子,用于评估实际编码数据与预期编码模型之间的差异。N表示磁性编码数据点的总数,即用于计算损失因子的数据点数量。表示对数据点的三个参数的平方和进行开立方根运算,这是为了将数据点的幅值进行标准化或归一化处理。/>表示一个对数运算,其中包含数据点的编码偏移量和磁场值。这部分是为了将数据点的编码偏移量与磁场值的比例关系纳入考虑,以便更精确地评估损失。/>表示磁场值和编码频率的正弦函数运算,这是为了考虑数据点之间的相对关系,以及与频率变化的相关性。/>表示对编码偏移量关于时间的导数。这部分是为了考虑编码的动态性质,即编码偏移量随时间的变化率。公式中的不同项涉及了磁性编码的多个参数,如编码偏移量、磁场值和编码频率等。通过综合考虑这些参数,可以更全面地评估磁性编码的质量。公式中的T表示磁性编码存在的时间段。考虑时间段可以更准确地评估由于时间漂移或其他时间相关因素引起的编码损失。
本发明通过使用最大匹配度磁性编码对实时一卡通磁性编码进行多层次编码处理,可以增强数据的可靠性和精确性。多层次编码处理可以包括对磁性编码的解码、解析或者修正,以确保正确地提取和识别一卡通交易数据。这样可以降低识别错误和数据损失的可能性。重叠磁性编码是指使用多层次编码处理后得到的磁性编码。它可能是通过对实时一卡通磁性编码进行修正或组合生成的,以提高数据的质量和可靠性。重叠磁性编码可以包含更完整的信息,减少磁性编码的缺失和错误,从而提高数据的准确性和可用性。通过使用磁性编码损失因子计算公式对重叠磁性编码进行计算,可以评估磁性编码的质量和准确性。磁性编码损失因子是一个衡量重叠磁性编码与预期编码之间差异的指标。通过计算损失因子,可以判断出重叠磁性编码与预期编码之间的偏差程度,用于评估磁性编码的可信度和完整性。
可选地,步骤S6具体为:
获取新型交易系统攻击手段信息;
本实施例中进行相关研究和监测,了解当前流行的新型交易系统攻击手段。分析已知攻击案例、网络安全威胁情报等信息源,以获取最新的攻击手段信息。参考安全专家、研究论文、技术报告等来源,对新型攻击手段进行深入研究。
将新型交易系统攻击手段信息进行异常参数提取,从而获得新型交易手段异常参数;
本实施例中根据已获得的攻击手段信息,分析攻击过程中可能出现的异常行为和特征。通过数据分析和模型训练,提取与新型攻击手段相关的异常参数。这些异常参数可以包括交易数据中的异常金额、异常频率、异常接入点等信息。
基于新型交易手段异常参数通过异常交易检测模型对磁残留合规数据进行分类计算,若磁残留合规数据被分类标记为异常交易数据,则获得实时异常交易数据,并发送至交易终端执行停止交易任务;若磁残留合规数据被分类标记为正常交易数据,则获得实时一卡通异常交易检测数据。
本实施例中对每个磁残留合规数据,提取其中所包含的新型交易手段异常参数。例如,计算交易金额与历史平均金额的差异,检测异常接入点的出现频率等。将提取出的新型交易手段异常参数输入到已构建的异常交易检测模型中,进行分类计算。模型会根据异常参数的特征,将磁残留合规数据标记为异常交易数据或正常交易数据。如果磁残留合规数据被分类标记为异常交易数据,系统将提取相应的实时异常交易数据。这些数据可以包括异常交易的详细信息,如交易金额、交易时间、交易地点等。将实时异常交易数据发送至交易终端,触发终端上的停止交易任务。交易终端会根据接收到的异常交易数据,判断是否需要中断当前的交易操作,以防止进一步的风险发生。如果磁残留合规数据被分类标记为正常交易数据,将提取相关的实时一卡通异常交易检测数据。
本发明通过获取新型交易系统攻击手段信息,可以了解到新兴的攻击手段和威胁,包括但不限于恶意软件、网络钓鱼、社交工程等。这样的信息让系统管理员和安全团队能够及时了解攻击者的策略和技巧,进一步加强对交易系统的防御机制。异常参数提取可以从攻击手段信息中提取出关键的异常特征参数,用于识别和检测异常交易行为。这些参数可以是行为数据、交易模式、网络数据等等。提取异常参数是对攻击手段进行转化和抽象的过程,为后续的异常交易检测提供基础数据。异常交易检测模型可以基于已提取的异常参数对磁残留合规数据进行分类和计算,判断其是否为异常交易。这样可以在实时交易过程中快速检测和识别出异常交易行为,提高交易系统的安全性和可靠性。若磁残留合规数据被分类标记为异常交易数据,系统可以立即采取相应的措施,例如发送消息至交易终端执行停止交易任务,以防止异常交易的继续进行。通过将正常交易数据从异常交易数据中区分出来,可以获得实时一卡通异常交易检测数据。这些数据能够为系统管理员和安全团队提供有关正常交易模式和行为的信息,用于进一步优化和改进交易系统的安全防护机制,以及提供参考和支持进行异常检测模型的训练和调整。
可选地,步骤S7具体为:
对实时一卡通异常交易检测数据进行金额信息提取,从而获得实时一卡通交易用户金额信息;
本实施例中从实时一卡通异常交易检测数据中提取包含金额信息的字段。这可以是交易金额、账户余额、消费额等相关字段。从区块链中提取与实时一卡通交易用户相关的金额信息。这可能涉及到查询用户的交易记录、账户余额、交易详情等信息。
根据实时一卡通交易用户信息对一卡通交易区块链进行用户检索,从而获得交易用户区块链金额信息;
本实施例中使用实时一卡通交易用户信息(例如用户ID)作为关键词,在一卡通交易区块链系统中进行用户检索。通过检索区块链中的交易记录,可以获取与该用户相关的交易信息。
根据交易用户区块链金额信息对实时一卡通交易用户金额信息进行比较分析,若交易用户区块链金额信息不等于实时一卡通交易用户金额信息,则获得金额信息异常交易数据,并发送至交易终端执行停止交易任务;若交易用户区块链金额信息等于实时一卡通交易用户金额信息,则获得可正常交易数据,并发送至交易终端执行正常交易任务。
本实施例中将获得的交易用户区块链金额信息与实时一卡通交易用户金额信息进行比较分析。如果两者不匹配,即金额存在异常情况或变化,可能表示出现了异常交易行为。如果交易用户区块链金额信息与实时一卡通交易用户金额信息不相符,系统将识别为金额信息异常交易数据。这些数据可能包含异常交易的具体细节,如交易金额差异、异常交易时间等。这些数据将被发送至交易终端,触发终端上的停止交易任务,以防止进一步的风险。如果交易用户区块链金额信息与实时一卡通交易用户金额信息相符,系统将将其识别为可正常交易数据。这些数据将被发送至交易终端,执行正常的交易任务。
本发明对实时一卡通异常交易检测数据进行金额信息提取;提取金额信息可以从实时一卡通异常交易检测数据中获取用户的交易金额。这样可以获得实时一卡通交易用户的金额信息,也就是用户在该次交易中涉及的金额数值。根据实时一卡通交易用户信息对一卡通交易区块链进行用户检索;通过使用实时一卡通交易用户信息,可以在一卡通交易区块链中进行用户检索。这样可以获取与该用户有关的交易记录、金额信息以及其他相关信息。获得交易用户区块链金额信息;通过对一卡通交易区块链进行用户检索,可以获得交易用户在区块链上的金额信息。这些信息指示了用户过去的交易行为,提供了用户历史交易数据和余额等关键信息。根据交易用户区块链金额信息对实时一卡通交易用户金额信息进行比较分析;通过将交易用户区块链金额信息与实时一卡通交易用户金额信息进行比较分析,可以判断是否存在金额信息异常。如果两者不相等,说明用户在实时交易中操作的金额与其在区块链中记录的金额不一致,可能出现异常情况。获得金额信息异常交易数据并发送至交易终端执行停止交易任务;如果交易用户区块链金额信息与实时一卡通交易用户金额信息不相等,即存在金额信息异常,可以将该交易数据标记为异常交易,并发送至交易终端执行停止交易任务。这有助于防止用户在异常情况下继续进行交易,保护用户资金安全。获得可正常交易数据并发送至交易终端执行正常交易任务;如果交易用户区块链金额信息等于实时一卡通交易用户金额信息,说明用户的交易金额正常,可以将该交易数据标记为可正常交易,并发送至交易终端执行正常交易任务。这有助于顺利完成交易操作,提供良好的用户体验。
可选地,本说明书还提供一种智能一卡通管理系统,该智能一卡通管理系统包括:
历史异常交易分析模块,用于获取历史一卡通系统数据,对历史一卡通系统数据进行异常交易分析,从而获得一卡通异常交易数据;
区块链构建模块,用于根据历史一卡通系统数据构建一卡通交易区块链;
模型构建模块,用于对一卡通异常交易数据进行降维并根据降维后的一卡通异常交易数据构建异常交易检测模型;
一卡通磁性编码数据库构建模块,用于根据历史一卡通系统数据构建一卡通磁性编码数据库;
第一异常交易检测模块,用于通过预设的传感器获取实时一卡通交易数据,利用一卡通磁性编码数据库对实时一卡通交易数据进行第一异常交易检测,从而获得磁残留合规数据;
第二异常交易检测模块,用于通过异常交易检测模型对磁残留合规数据进行第二异常交易检测,从而获得实时一卡通异常交易检测数据;
第三异常交易检测模块,基于一卡通交易区块链对实时一卡通异常交易检测数据进行第三异常交易检测,从而获得可正常交易数据,并发送至交易终端执行正常交易任务。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种智能一卡通管理方法,其特征在于,包括以下步骤:
步骤S1:获取历史一卡通系统数据,对历史一卡通系统数据进行异常交易分析,从而获得一卡通异常交易数据;
步骤S2:根据历史一卡通系统数据构建一卡通交易区块链;
步骤S3:对一卡通异常交易数据进行降维并根据降维后的一卡通异常交易数据构建异常交易检测模型;
步骤S4:根据历史一卡通系统数据构建一卡通磁性编码数据库;
步骤S5:通过预设的传感器获取实时一卡通交易数据,利用一卡通磁性编码数据库对实时一卡通交易数据进行第一异常交易检测,从而获得磁残留合规数据;
步骤S6:通过异常交易检测模型对磁残留合规数据进行第二异常交易检测,从而获得实时一卡通异常交易检测数据;
步骤S7:基于一卡通交易区块链对实时一卡通异常交易检测数据进行第三异常交易检测,从而获得可正常交易数据,并发送至交易终端执行正常交易任务。
2.根据权利要求1所述的方法,其特征在于,步骤S1具体为:
步骤S11:获取历史一卡通系统数据;
步骤S12:对历史一卡通系统数据进行交易数据提取,从而获得历史一卡通交易数据;
步骤S13:对历史一卡通交易数据进行异常交易频率统计分析,从而获得高频一卡通异常交易数据以及低频一卡通异常交易数据;
步骤S14:通过潜在异常交易分类算法对历史一卡通交易数据进行分类计算,从而获得潜在一卡通异常交易数据;
步骤S15:对潜在一卡通异常交易数据、高频一卡通异常交易数据以及低频一卡通异常交易数据进行时序合并,从而获得一卡通异常交易数据。
3.根据权利要求2所述的方法,其特征在于,步骤S14中的潜在异常交易分类算法的函数公式具体为:
式中,P为潜在异常交易概率,e为自然对数的底数,X1为交易金额,X2为交易地点系数,X3为交易频率,X4为交易时间,X5为交易类型,X6为交易优惠参数,α为偏移项系数,β1为交易金额权重系数,β2为交易地点权重系数,t为观察时间,γ1为交易频率权重系数,γ2为交易时间权重系数,δ1为交易类型权重系数,δ2为交易优惠权重系数。
4.根据权利要求3所述的方法,其特征在于,步骤S2具体为:
根据历史一卡通交易数据进行区块结构设计,从而获得一卡通区块结构;
基于一卡通区块结构创建初始区块;
对历史一卡通交易数据进行交易区块转换,从而获得交易区块集;
使用加密算法对交易区块集进行哈希计算,从而获得哈希值;
利用哈希值对交易区块集进行区块连接,从而获得区块链;
根据历史一卡通交易数据进行智能合约定义,从而获得一卡通智能合约;
基于一卡通智能合约对区块链进行共识机制引入,从而获得一卡通交易区块链。
5.根据权利要求4所述的方法,其特征在于,步骤S4具体为:
对历史一卡通系统数据进行用户注册磁卡数据提取,从而获得用户注册磁卡数据集;
将用户注册磁卡数据集进行磁场极性编码提取,从而获得用户磁卡磁性编码集;
根据用户磁卡磁性编码集构建一卡通磁性编码数据库。
6.根据权利要求5所述的方法,其特征在于,步骤S5具体为:
步骤S51:通过预设的传感器获取实时一卡通交易数据;
步骤S52:对实时一卡通交易数据进行一卡通磁性编码提取,从而获得实时一卡通磁性编码;
步骤S53:利用一卡通磁性编码数据库对实时一卡通磁性编码进行磁性编码匹配度计算,从而获得匹配度数据;
步骤S54:利用匹配度数据对实时一卡通磁性编码以及一卡通磁性编码数据库进行最大匹配度磁性编码提取,从而获得最大匹配度磁性编码;
步骤S55:根据最大匹配度磁性编码对实时一卡通磁性编码进行磁性编码损失因子计算,从而获得磁性编码损失因子;
步骤S56:根据预设的磁性编码损失因子阈值对磁性编码损失因子进行分类计算,若磁性编码损失因子大于或等于磁性编码损失因子阈值,则获得磁残留合规数据;若磁性编码损失因子小于磁性编码损失因子阈值,则获得磁残留异常数据,并发送至交易终端执行停止交易任务。
7.根据权利要求6所述的方法,其特征在于,步骤S53具体为:
利用最大匹配度磁性编码对实时一卡通磁性编码进行多层次编码处理,从而获得重叠磁性编码;
通过磁性编码损失因子计算公式对重叠磁性编码进行计算,从而获得磁性编码损失因子;
其中,磁性编码损失因子计算公式具体为:
式中,L为磁性编码损失因子,N为磁性编码数据点的总数,i为磁性编码数据点的索引,xi为第i个数据点的编码偏移量,yi为第i个数据点的磁场值,zi为第i个数据点的编码频率,T为磁性编码存在时间段。
8.根据权利要求7所述的方法,其特征在于,步骤S6具体为:
获取新型交易系统攻击手段信息;
将新型交易系统攻击手段信息进行异常参数提取,从而获得新型交易手段异常参数;
基于新型交易手段异常参数通过异常交易检测模型对磁残留合规数据进行分类计算,若磁残留合规数据被分类标记为异常交易数据,则获得实时异常交易数据,并发送至交易终端执行停止交易任务;若磁残留合规数据被分类标记为正常交易数据,则获得实时一卡通异常交易检测数据。
9.根据权利要求8所述的方法,其特征在于,步骤S7具体为:
对实时一卡通异常交易检测数据进行金额信息提取,从而获得实时一卡通交易用户金额信息;
根据实时一卡通交易用户信息对一卡通交易区块链进行用户检索,从而获得交易用户区块链金额信息;
根据交易用户区块链金额信息对实时一卡通交易用户金额信息进行比较分析,若交易用户区块链金额信息不等于实时一卡通交易用户金额信息,则获得金额信息异常交易数据,并发送至交易终端执行停止交易任务;若交易用户区块链金额信息等于实时一卡通交易用户金额信息,则获得可正常交易数据,并发送至交易终端执行正常交易任务。
10.一种智能一卡通管理系统,其特征在于,用于执行如权利要求1所述的一种智能一卡通管理方法,该智能一卡通管理系统包括:
历史异常交易分析模块,用于获取历史一卡通系统数据,对历史一卡通系统数据进行异常交易分析,从而获得一卡通异常交易数据;
区块链构建模块,用于根据历史一卡通系统数据构建一卡通交易区块链;
模型构建模块,用于对一卡通异常交易数据进行降维并根据降维后的一卡通异常交易数据构建异常交易检测模型;
一卡通磁性编码数据库构建模块,用于根据历史一卡通系统数据构建一卡通磁性编码数据库;
第一异常交易检测模块,用于通过预设的传感器获取实时一卡通交易数据,利用一卡通磁性编码数据库对实时一卡通交易数据进行第一异常交易检测,从而获得磁残留合规数据;
第二异常交易检测模块,用于通过异常交易检测模型对磁残留合规数据进行第二异常交易检测,从而获得实时一卡通异常交易检测数据;
第三异常交易检测模块,基于一卡通交易区块链对实时一卡通异常交易检测数据进行第三异常交易检测,从而获得可正常交易数据,并发送至交易终端执行正常交易任务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311214423.9A CN117195130B (zh) | 2023-09-19 | 2023-09-19 | 一种智能一卡通管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311214423.9A CN117195130B (zh) | 2023-09-19 | 2023-09-19 | 一种智能一卡通管理系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117195130A true CN117195130A (zh) | 2023-12-08 |
CN117195130B CN117195130B (zh) | 2024-05-10 |
Family
ID=89004963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311214423.9A Active CN117195130B (zh) | 2023-09-19 | 2023-09-19 | 一种智能一卡通管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117195130B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11328504A (ja) * | 1998-05-18 | 1999-11-30 | Ntt Data Corp | プリペイドカードシステム及び読書装置 |
US20150012436A1 (en) * | 2013-07-03 | 2015-01-08 | Capital One Financial Corporation | System and method for fraud control |
US20170227496A1 (en) * | 2014-08-28 | 2017-08-10 | David Judd | Magnetic flux sensor quality indicator apparatus and method |
WO2018032372A1 (zh) * | 2016-08-13 | 2018-02-22 | 深圳市樊溪电子有限公司 | 基于区块链技术的可信电力网络交易平台 |
WO2018121113A1 (zh) * | 2016-12-30 | 2018-07-05 | 中国银联股份有限公司 | 一种异常转账侦测方法和装置 |
US20180350006A1 (en) * | 2017-06-02 | 2018-12-06 | Visa International Service Association | System, Method, and Apparatus for Self-Adaptive Scoring to Detect Misuse or Abuse of Commercial Cards |
JP2019139328A (ja) * | 2018-02-06 | 2019-08-22 | 沖電気工業株式会社 | 自動取引装置 |
US10482464B1 (en) * | 2015-12-30 | 2019-11-19 | Wells Fargo Bank, N.A. | Identification of anomalous transaction attributes in real-time with adaptive threshold tuning |
CN110490582A (zh) * | 2019-07-18 | 2019-11-22 | 同济大学 | 一种信用卡交易异常检测方法及装置 |
CN113077251A (zh) * | 2021-04-29 | 2021-07-06 | 中国工商银行股份有限公司 | 一种预付费交易场景下的异常行为监测方法及装置 |
JP2021131615A (ja) * | 2020-02-18 | 2021-09-09 | 富士通フロンテック株式会社 | 自動取引装置、予防書換え方法、プログラム |
TW202205181A (zh) * | 2020-07-23 | 2022-02-01 | 洽吧智能股份有限公司 | 信用卡詐欺偵防方法與系統 |
CN114881783A (zh) * | 2022-05-16 | 2022-08-09 | 中国银联股份有限公司 | 一种异常卡识别方法、装置、电子设备及存储介质 |
CN115049472A (zh) * | 2022-05-12 | 2022-09-13 | 之江实验室 | 一种基于多维特征张量的无监督信用卡异常检测方法 |
CN115187266A (zh) * | 2022-06-29 | 2022-10-14 | 山东大学 | 基于记忆力变分自编码模型的信用卡欺诈检测方法及系统 |
CN115471309A (zh) * | 2022-08-12 | 2022-12-13 | 北京神州新桥科技有限公司 | 交易异常检测方法、装置、电子设备及可读存储介质 |
DE202022107234U1 (de) * | 2022-12-23 | 2023-02-13 | Jalawi Sulaiman Alshudukhi | System zur Erkennung von Betrug bei Online-Bankgeschäften mittels Blockchain und künstlicher Intelligenz durch Backlogging |
-
2023
- 2023-09-19 CN CN202311214423.9A patent/CN117195130B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11328504A (ja) * | 1998-05-18 | 1999-11-30 | Ntt Data Corp | プリペイドカードシステム及び読書装置 |
US20150012436A1 (en) * | 2013-07-03 | 2015-01-08 | Capital One Financial Corporation | System and method for fraud control |
US20170227496A1 (en) * | 2014-08-28 | 2017-08-10 | David Judd | Magnetic flux sensor quality indicator apparatus and method |
US10482464B1 (en) * | 2015-12-30 | 2019-11-19 | Wells Fargo Bank, N.A. | Identification of anomalous transaction attributes in real-time with adaptive threshold tuning |
WO2018032372A1 (zh) * | 2016-08-13 | 2018-02-22 | 深圳市樊溪电子有限公司 | 基于区块链技术的可信电力网络交易平台 |
WO2018121113A1 (zh) * | 2016-12-30 | 2018-07-05 | 中国银联股份有限公司 | 一种异常转账侦测方法和装置 |
US20180350006A1 (en) * | 2017-06-02 | 2018-12-06 | Visa International Service Association | System, Method, and Apparatus for Self-Adaptive Scoring to Detect Misuse or Abuse of Commercial Cards |
JP2019139328A (ja) * | 2018-02-06 | 2019-08-22 | 沖電気工業株式会社 | 自動取引装置 |
CN110490582A (zh) * | 2019-07-18 | 2019-11-22 | 同济大学 | 一种信用卡交易异常检测方法及装置 |
JP2021131615A (ja) * | 2020-02-18 | 2021-09-09 | 富士通フロンテック株式会社 | 自動取引装置、予防書換え方法、プログラム |
TW202205181A (zh) * | 2020-07-23 | 2022-02-01 | 洽吧智能股份有限公司 | 信用卡詐欺偵防方法與系統 |
CN113077251A (zh) * | 2021-04-29 | 2021-07-06 | 中国工商银行股份有限公司 | 一种预付费交易场景下的异常行为监测方法及装置 |
CN115049472A (zh) * | 2022-05-12 | 2022-09-13 | 之江实验室 | 一种基于多维特征张量的无监督信用卡异常检测方法 |
CN114881783A (zh) * | 2022-05-16 | 2022-08-09 | 中国银联股份有限公司 | 一种异常卡识别方法、装置、电子设备及存储介质 |
CN115187266A (zh) * | 2022-06-29 | 2022-10-14 | 山东大学 | 基于记忆力变分自编码模型的信用卡欺诈检测方法及系统 |
CN115471309A (zh) * | 2022-08-12 | 2022-12-13 | 北京神州新桥科技有限公司 | 交易异常检测方法、装置、电子设备及可读存储介质 |
DE202022107234U1 (de) * | 2022-12-23 | 2023-02-13 | Jalawi Sulaiman Alshudukhi | System zur Erkennung von Betrug bei Online-Bankgeschäften mittels Blockchain und künstlicher Intelligenz durch Backlogging |
Non-Patent Citations (2)
Title |
---|
ADEREMI O. ADEWUMI ET.AL: "A survey of machine-learning and nature-inspired based credit card fraud detection techniques", 《INTERNATIONAL JOURNAL OF SYSTEM ASSURANCE ENGINEERING AND MANAGEMENT》, vol. 8, 19 December 2016 (2016-12-19), pages 937, XP036364248, DOI: 10.1007/s13198-016-0551-y * |
宋阳: "基于特征选择的信用卡欺诈行为检测", 《 贵州科学》, vol. 35, no. 6, 26 January 2018 (2018-01-26), pages 83 - 87 * |
Also Published As
Publication number | Publication date |
---|---|
CN117195130B (zh) | 2024-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ostapowicz et al. | Detecting fraudulent accounts on blockchain: A supervised approach | |
Sahin et al. | Detecting credit card fraud by decision trees and support vector machines | |
US11562372B2 (en) | Probabilistic feature engineering technique for anomaly detection | |
CN105809448B (zh) | 账户交易的聚类方法及其系统 | |
CN111275416B (zh) | 数字货币异常交易检测方法、装置、电子设备及介质 | |
Saxena et al. | Machine learning and big data analytics for fraud detection systems in the united states fintech industry | |
CN113468520A (zh) | 应用于区块链业务的数据入侵检测方法及大数据服务器 | |
CN115859345A (zh) | 一种基于区块链的数据访问管理方法和系统 | |
CN113139876A (zh) | 风险模型训练方法、装置、计算机设备及可读存储介质 | |
Shi et al. | An improved agglomerative hierarchical clustering anomaly detection method for scientific data | |
Singh et al. | Database intrusion detection using role and user behavior based risk assessment | |
CN117195130B (zh) | 一种智能一卡通管理系统及方法 | |
CN117370548A (zh) | 用户行为风险识别方法、装置、电子设备及介质 | |
CN115664868A (zh) | 安全等级确定方法、装置、电子设备和存储介质 | |
Shaik et al. | Utilizing Blockchain and Deep Learning for Decentralized Discovery of Deceptive Practices in Healthcare Insurance | |
Cusack et al. | Improving forensic software tool performance in detecting fraud for financial statements | |
Siegenthaler | Blockchain Clustering with Machine Learning | |
CN117057941B (zh) | 基于多维度数据分析的异常消费检测方法 | |
CN117592092B (zh) | 一种数据库内容的保密检查方法及系统 | |
CN117436073B (zh) | 一种基于智能标签的安全日志告警方法、介质和设备 | |
CN117670264B (zh) | 一种会计数据自动流程化处理系统及方法 | |
CN116611057B (zh) | 数据安全检测方法及其系统 | |
Lakkshmanan et al. | Original Research Article A deep learning based credit card fraud detection using feature engineering: An analytical approach | |
CN118132650A (zh) | 一种基于食品的检验数据共享方法及系统 | |
CN117993723A (zh) | 基于数据一体化的业务流程信息系统及运行方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |