CN117408705B - 一种基于人工智能的异常检测方法及系统 - Google Patents
一种基于人工智能的异常检测方法及系统 Download PDFInfo
- Publication number
- CN117408705B CN117408705B CN202311726705.7A CN202311726705A CN117408705B CN 117408705 B CN117408705 B CN 117408705B CN 202311726705 A CN202311726705 A CN 202311726705A CN 117408705 B CN117408705 B CN 117408705B
- Authority
- CN
- China
- Prior art keywords
- cross
- service platform
- data
- border
- border service
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 58
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 32
- 230000005856 abnormality Effects 0.000 title claims description 19
- 230000002159 abnormal effect Effects 0.000 claims abstract description 94
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000012423 maintenance Methods 0.000 claims abstract description 18
- 238000012546 transfer Methods 0.000 claims description 45
- 230000007246 mechanism Effects 0.000 claims description 22
- 238000012544 monitoring process Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000000903 blocking effect Effects 0.000 claims description 6
- 238000012217 deletion Methods 0.000 claims description 6
- 230000037430 deletion Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 description 11
- 230000001360 synchronised effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
- G06F21/57—Certifying or maintaining trusted computer platforms, e.g. secure boots or power-downs, version controls, system software checks, secure updates or assessing vulnerabilities
- G06F21/577—Assessing vulnerabilities and evaluating computer system security
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/02—Payment architectures, schemes or protocols involving a neutral party, e.g. certification authority, notary or trusted third party [TTP]
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/382—Payment protocols; Details thereof insuring higher security of transaction
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4014—Identity check for transactions
Abstract
本申请提供一种基于人工智能的异常检测方法及系统,该方法包括如下步骤:获取请求接入跨境业务平台的用户信息;对用户信息进行身份认证;响应于商家发出的跨境交易汇款请求,使用预先训练的神经网络异常识别模型,对当前汇款请求交易数据进行检测,获取检测结果;根据跨境业务平台的汇总状态异常指标数据和网络交易异常指标数据,计算跨境业务平台的网络交易安全态势感知值;比较跨境业务平台的网络交易安全态势感知值和预设风险阈值的大小,若跨境业务平台的网络交易安全态势感知值大于预设风险阈值,则对跨境业务平台进行网络交易安全维护。本申请自动化检测跨境业务的异常现象,确保跨境业务的正常运行和安全性。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种基于人工智能的异常检测方法及系统。
背景技术
跨境业务是指跨越国家边界的商业活动,包括货物贸易、服务贸易、投资等。由于涉及多个国家和地区,跨境业务存在一定的风险和挑战,因此需要进行异常检测来识别和防范潜在的风险。
随着全球电子商务的兴起,国际零售贸易得到飞速发展,大量的国内中小型电商卖家将零售业务扩展至国外市场,通过境外的电商平台将国内众多物美价廉的商品销往国外市场。随着互联网新兴跨境电子平台的快速发展,我国跨境市场增长迅速增长,海外代购交易规模不断增长。在跨境支付方式中,第三方支付以快捷、方便和费用低的优势成为主要支付方式。然而,第三方支付机构跨境业务发展的不完善,存在较多不安全因素,支付存在一定的风险。例如,客户的身份信息容易被第三方支付机构盗取,造成个人信息的泄露。另外,有恶意非法人员通过设置虚假的境外IP地址,利用跨境业务的安全漏洞来骗取钱财,第三方无法对商家端的真实身份进行安全性认证,造成支付的钱财被骗。
因此,目前亟需解决的技术问题是:如何提供一种基于人工智能的异常检测方法及系统,以实现自动化检测跨境业务的异常现象,确保跨境业务的正常运行和安全性。
发明内容
本申请的目的在于提供一种基于人工智能的异常检测方法及系统,自动化检测跨境业务的异常现象,确保跨境业务的正常运行和安全性。
为达到上述目的,本申请提供一种基于人工智能的异常检测方法,该方法包括如下步骤:响应于接入跨境业务平台的请求,获取请求接入跨境业务平台的用户信息;对用户信息进行身份认证,若认证通过,则允许用户接入跨境业务平台,否则,禁止用户接入跨境业务平台;响应于商家发出的跨境交易汇款请求,获取当前汇款请求交易数据;使用预先训练的神经网络异常识别模型,对当前汇款请求交易数据进行检测,获取检测结果,若检测结果为正常,则向第三方支付机构发出正常跨境交易汇款的请求,否则,向第三方支付机构发出异常跨境交易汇款的警告;采集跨境业务平台的汇总状态异常指标数据和网络交易异常指标数据;根据跨境业务平台的汇总状态异常指标数据和网络交易异常指标数据,计算跨境业务平台的网络交易安全态势感知值;比较跨境业务平台的网络交易安全态势感知值和预设风险阈值的大小,若跨境业务平台的网络交易安全态势感知值大于预设风险阈值,则对跨境业务平台进行网络交易安全维护,否则,无需对跨境业务平台进行网络交易安全维护。
如上所述的基于人工智能的异常检测方法,其中,该方法还包括如下步骤:对跨境业务平台生成的订单信息进行异常监控。
如上所述的基于人工智能的异常检测方法,其中,对跨境业务平台生成的订单信息进行异常监控的方法包括如下步骤:响应于客户端的下单操作,在跨境业务平台生成订单信息;基于预先构建的订单信息异常识别模型,对订单信息进行识别,获得订单信息的识别结果;将识别结果为异常的订单信息进行撤销,将识别结果为正常的订单信息进入正常操作。
如上所述的基于人工智能的异常检测方法,其中,对跨境业务平台生成的订单信息进行异常监控的方法还包括如下步骤:将跨境业务平台生成的订单信息进行分类存储,并将识别结果标记在每个订单信息上。
如上所述的基于人工智能的异常检测方法,其中,预先训练神经网络异常识别模型的方法包括如下步骤:获取商家的历史交易记录数据;根据商家的历史交易记录数据,对神经网络基础学习模型进行训练学习,获取神经网络交易异常识别模型。
如上所述的基于人工智能的异常检测方法,其中,跨境业务平台的汇总状态异常指标数据包括:跨境业务平台的运行异常数据和跨境业务平台的恶意入侵数据;跨境业务平台的运行异常数据包括出现画面卡顿的时长、画面卡顿次数、画面缺失的时长、画面缺失次数、弹窗无法弹出的时长、弹窗无法弹出次数、漏洞类型及对应漏洞出现的次数;跨境业务平台的恶意入侵数据的种类包括:恶意关键词、恶意代码和恶意指令。
如上所述的基于人工智能的异常检测方法,其中,跨境业务平台的网络交易异常指标数据包括:网络交易关闭次数、网络交易重试次数和网络交易超时次数。
如上所述的基于人工智能的异常检测方法,其中,跨境业务平台的网络交易安全态势感知值的计算公式如下:
;
其中,表示跨境业务平台的网络交易安全态势感知值;/>表示采样时长;/>表示跨境业务平台的运行异常数据的影响权重;/>表示运行异常数据的种类数量;/>表示第/>种运行异常数据的出现次数;/>表示第/>种运行异常数据的危害因子;/>表示第/>种运行异常数据第/>次出现的时长;/>表示跨境业务平台的恶意入侵数据的影响权重;/>表示恶意入侵数据的总种类数;/>表示第/>种恶意入侵数据的出现次数;/>表示第/>种恶意入侵数据的危害因子;/>表示第/>种恶意入侵数据第/>次出现的时长;/>表示第/>种恶意入侵数据的成功入侵容易值;/>表示跨境业务平台的网络交易异常指标数据的影响权重;/>表示网络交易异常指标数据的种类数量;/>表示第/>种网络交易异常指标数据的权重因子;/>表示第/>种网络交易异常指标数据的发生次数。
本申请还提供一种基于人工智能的异常检测系统,该系统包括:
第一获取模块,用于响应于接入跨境业务平台的请求,获取请求接入跨境业务平台的用户信息;
认证模块,用于对用户信息进行身份认证,若认证通过,则允许用户接入跨境业务平台,否则,禁止用户接入跨境业务平台;
第二获取模块,用于响应于商家发出的跨境交易汇款请求,获取当前汇款请求交易数据;
汇款异常检测模块,用于使用预先训练的神经网络异常识别模型,对当前汇款请求交易数据进行检测,获取检测结果,若检测结果为正常,则向第三方支付机构发出正常跨境交易汇款的请求,否则,向第三方支付机构发出异常跨境交易汇款的警告;
采集模块,用于采集跨境业务平台的汇总状态异常指标数据和网络交易异常指标数据;
数据处理器,用于根据跨境业务平台的汇总状态异常指标数据和网络交易异常指标数据,计算跨境业务平台的网络交易安全态势感知值;
比较器,用于比较跨境业务平台的网络交易安全态势感知值和预设风险阈值的大小,若跨境业务平台的网络交易安全态势感知值大于预设风险阈值,则对跨境业务平台进行网络交易安全维护,否则,无需对跨境业务平台进行网络交易安全维护。
如上所述的基于人工智能的异常检测系统,其中,该系统还包括:
订单信息监控模块,用于对跨境业务平台生成的订单信息进行异常监控。本申请实现的有益效果如下:
(1)、本申请对用户信息进行身份认证,若认证通过,则允许用户接入跨境业务平台,否则,禁止用户接入跨境业务平台,提高了接入跨境业务平台用户的安全性,进而提高跨境业务平台整体业务交易的安全性。
(2)、本申请使用预先训练的神经网络异常识别模型,对当前汇款请求交易数据进行检测,获取检测结果,若检测结果为正常,则向第三方支付机构发出正常跨境交易汇款的请求,否则,向第三方支付机构发出异常跨境交易汇款的警告,从而提高汇款请求交易的安全性。
(3)、根据跨境业务平台的汇总状态异常指标数据和网络交易异常指标数据,计算跨境业务平台的网络交易安全态势感知值,比较跨境业务平台的网络交易安全态势感知值和预设风险阈值的大小,若跨境业务平台的网络交易安全态势感知值大于预设风险阈值,则对跨境业务平台进行网络交易安全维护,否则,无需对跨境业务平台进行网络交易安全维护,从而提高了跨境业务平台整体的安全性。
附图说明
为了更清楚地说明本申请实施例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,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本申请实施例的一种基于人工智能的异常检测方法的流程图。
图2为本申请实施例的对跨境业务平台生成的订单信息进行异常监控的方法流程图。
图3为本申请实施例的一种基于人工智能的异常检测系统的结构示意图。
附图标记:10-第一获取模块;20-认证模块;30-第二获取模块;40-汇款异常检测模块;50-采集模块;60-数据处理器;70-比较器;80-订单信息监控模块;100-基于人工智能的异常检测系统。
具体实施方式
下面结合本申请实施例中的附图,对本申请实施例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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域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,都属于本申请保护的范围。
实施例一
如图1所示,本申请提供一种基于人工智能的异常检测方法,该方法包括如下步骤:
步骤S1,响应于接入跨境业务平台的请求,获取请求接入跨境业务平台的用户信息。
具体的,跨境业务平台即进行跨境业务操作的平台,例如亚马逊等电商平台。用户信息包括境外的商家信息或境内的客户信息。
步骤S2,对用户信息进行身份认证,若认证通过,则允许用户接入跨境业务平台,否则,禁止用户接入跨境业务平台。
具体的,对用户信息进行身份认证的方法包括:跨境业务平台通过将获取的商家信息与预先存储的商家端信息数据库中的公民或企业身份真实信息进行比较核对,对商家信息进行身份认证,若商家信息与预先存储的商家端信息数据库中的公民或企业身份真实信息比对一致,则认证通过,否则,认证不通过,禁止商家接入跨境业务平台。跨境业务平台对获取的客户信息与预先存储的已经授权的客户信息进行比较核对,若核对一致,则允许客户接入跨境业务平台,否则,禁止该客户接入跨境业务平台。保证商家端的商家身份真实可靠和客户信息真实可靠,提高跨境业务交易的安全性和可靠性。
具体的,对用户信息进行身份认证的方法为:首先,获取商家端或客户端的名称、验证信息(口令、密钥或数字证书)和IP地址等。然后,对获取的商家端或客户端的名称、验证信息(口令、密钥或数字证书)和IP地址等进行验证,判断商家端或客户端的名称、验证信息(口令、密钥或数字证书)和IP地址等是否为授权的信息,若商家端或客户端的名称、验证信息(口令、密钥或数字证书)和IP地址等均为授权的信息,则对商家端或客户端的身份认证通过,否则,对商家端或客户端的身份认证不通过。
可以理解的是,本发明对用户信息进行身份认证,若认证通过,则允许用户接入跨境业务平台,否则,禁止用户接入跨境业务平台,提高了接入跨境业务平台用户的安全性,进而提高跨境业务平台整体业务交易的安全性。
步骤S3,响应于商家发出的跨境交易汇款请求,获取当前汇款请求交易数据。
具体的,跨境业务平台响应于商家发出的跨境交易汇款请求,获取当前汇款请求交易数据。
步骤S4,使用预先训练的神经网络异常识别模型,对当前汇款请求交易数据进行检测,获取检测结果,若检测结果为正常,则向第三方支付机构发出正常跨境交易汇款的请求,否则,向第三方支付机构发出异常跨境交易汇款的警告。
本发明使用预先训练的神经网络异常识别模型,对当前汇款请求交易数据进行检测,获取检测结果,若检测结果为正常,则向第三方支付机构发出正常跨境交易汇款的请求,否则,向第三方支付机构发出异常跨境交易汇款的警告,从而提高汇款请求交易的安全性。
具体的,预先训练神经网络异常识别模型的方法包括如下步骤:
步骤S410,获取商家的历史交易记录数据。
步骤S420,根据商家的历史交易记录数据,对神经网络基础学习模型进行训练学习,获取神经网络交易异常识别模型。
其中,将商家的历史交易记录数据输入到神经网络基础学习模型中,自动提取商家的历史交易特征数据。基于提取商家的历史交易特征数据,对当前汇款请求交易数据进行异常检测。
其中,历史交易特征数据包括:商家的平均每日的总交易量、交易成功业务量、交易失败业务量、交易漏洞、验签数据、商家跨境交易完成的平均耗时、商家跨境交易的最大金额等。
其中,当前汇款请求交易数据包括:验签数据、当前汇款请求交易的交易量和交易金额。其中,验签数据用于对当前汇款请求交易进行安全验证,验签数据例如为:商家的IP地址、名称、授权标签等。
可以理解的是,神经网络交易异常识别模型,用于对当汇款前请求交易数据进行识别,神经网络交易异常识别模型根据其训练获得的验签数据对当前汇款请求交易数据中的验签数据进行识别,识别验签数据是否存在异常,若存在异常,则向第三方支付机构发出异常跨境交易汇款的警告。神经网络交易异常识别模型还根据其提取的交易成功业务量与当前汇款请求交易的交易量进行比较,以及将当前请求的交易金额与商家跨境交易的最大金额进行比较,判断当前汇款请求交易的交易量是否超过交易成功业务量或者超过一定比例,若是,则向第三方支付机构发出异常跨境交易汇款的警告,以及当前请求的交易金额是否超过商家跨境交易的最大金额或者超过一定比例,若是,则向第三方支付机构发出异常跨境交易汇款的警告。
步骤S5,采集跨境业务平台的汇总状态异常指标数据和网络交易异常指标数据。
具体的,在采样时间段内(例如:10天、20天等),采集跨境业务平台的汇总状态异常指标数据和网络交易异常指标数据。
其中,跨境业务平台的汇总状态异常指标数据包括:跨境业务平台的运行异常数据和跨境业务平台的恶意入侵数据。跨境业务平台的运行异常数据包括出现画面卡顿的时长、画面卡顿次数、画面缺失的时长、画面缺失次数、弹窗无法弹出的时长、弹窗无法弹出次数、漏洞类型及对应漏洞出现的次数等。跨境业务平台的恶意入侵数据的种类包括:恶意关键词、恶意代码和恶意指令等。
其中,跨境业务平台的网络交易异常指标数据包括:网络交易关闭次数、网络交易重试次数、网络交易超时次数等。跨境业务平台的网络交易异常指标数据的种类包括:网络交易关闭、网络交易重试和网络交易超时等。
步骤S6,根据跨境业务平台的汇总状态异常指标数据和网络交易异常指标数据,计算跨境业务平台的网络交易安全态势感知值。
具体的,跨境业务平台的网络交易安全态势感知值的计算公式如下:
;
其中,表示跨境业务平台的网络交易安全态势感知值;/>表示采样时长;/>表示跨境业务平台的运行异常数据的影响权重;/>表示运行异常数据的种类数量;/>表示第/>种运行异常数据的出现次数;/>表示第/>种运行异常数据的危害因子;/>表示第/>种运行异常数据第/>次出现的时长;/>表示跨境业务平台的恶意入侵数据的影响权重;/>表示恶意入侵数据的总种类数;/>表示第/>种恶意入侵数据的出现次数;/>表示第/>种恶意入侵数据的危害因子;/>表示第/>种恶意入侵数据第/>次出现的时长;/>表示第/>种恶意入侵数据的成功入侵容易值;/>表示跨境业务平台的网络交易异常指标数据的影响权重;/>表示网络交易异常指标数据的种类数量;/>表示第/>种网络交易异常指标数据的权重因子;/>表示第/>种网络交易异常指标数据的发生次数。
其中,第种恶意入侵数据的成功入侵容易值的计算公式如下:
;
其中,表示第/>种恶意入侵数据入侵成功的次数;/>表示第/>种恶意入侵数据出现次数;/>表示入侵成功所需时长的权重因子;/>表示第/>种恶意入侵数据第/>次入侵成功所需的时长;/>表示第/>种恶意入侵数据的次数;/>表示第/>种恶意入侵数据第/>次入侵成功所需要尝试的入侵次数;/>表示入侵成功所需要尝试的入侵次数的权重因子;/>。
步骤S7,比较跨境业务平台的网络交易安全态势感知值和预设风险阈值的大小,若跨境业务平台的网络交易安全态势感知值大于预设风险阈值,则对跨境业务平台进行网络交易安全维护,否则,无需对跨境业务平台进行网络交易安全维护。
作为本发明的一个具体实施例,对跨境业务平台进行网络交易安全维护的方法包括:对跨境业务平台所存在的漏洞进行维修和增加入侵防御措施,提高入侵防御能力,提高跨境业务平台交易的安全性。
作为本发明的具体实施例,使用机器学习和规则引擎来监测和分析跨境业务数据,以检测潜在的异常和风险。
步骤S8,对跨境业务平台生成的订单信息进行异常监控。
如图2所示,步骤S8包括如下步骤:
步骤S810,响应于客户端的下单操作,在跨境业务平台生成订单信息。
具体的,订单信息中包括订单商品数量、商家名称、商品名称、商家联系电话、订单金额、订单人收货地址、订单人联系电话和商品图片等。
步骤S820,基于预先构建的订单信息异常识别模型,对订单信息进行识别,获得订单信息的识别结果。
具体的,预先构建的订单信息异常识别模型的方法包括:
步骤S821,获取正常订单信息的训练数据集。
步骤S822,将正常订单信息的训练数据集输入到神经网络基础学习模型中进行训练,获得订单信息异常识别模型。
需要解释的是,基于订单信息异常识别模型,可以识别出订单信息存在缺失某一项关键信息的订单信息,例如,订单信息中缺少商家名称和订单人联系电话等,从而可以自动识别出异常的订单信息。
步骤S830,将识别结果为异常的订单信息进行撤销,将识别结果为正常的订单信息进入正常操作。
具体的,进入正常操作为进行下一步流程,下一步流程例如为客户确认订单信息、客户进行汇款操作等。
步骤S840,将跨境业务平台生成的订单信息进行分类存储,并将识别结果标记在每个订单信息上。
具体的,将每个商家的订单信息进行分类存储,按照订单信息的生成时间先后顺序对订单信息进行存储,并将订单信息展示在该商家对应的订单列表中。
如图3所示,本申请提供一种基于人工智能的异常检测系统100,该系统包括:
第一获取模块10,用于响应于接入跨境业务平台的请求,获取请求接入跨境业务平台的用户信息;
认证模块20,用于对用户信息进行身份认证,若认证通过,则允许用户接入跨境业务平台,否则,禁止用户接入跨境业务平台;
第二获取模块30,用于响应于商家发出的跨境交易汇款请求,获取当前汇款请求交易数据;
汇款异常检测模块40,用于使用预先训练的神经网络异常识别模型,对当前汇款请求交易数据进行检测,获取检测结果,若检测结果为正常,则向第三方支付机构发出正常跨境交易汇款的请求,否则,向第三方支付机构发出异常跨境交易汇款的警告;
采集模块50,用于采集跨境业务平台的汇总状态异常指标数据和网络交易异常指标数据;
数据处理器60,用于根据跨境业务平台的汇总状态异常指标数据和网络交易异常指标数据,计算跨境业务平台的网络交易安全态势感知值;
比较器70,用于比较跨境业务平台的网络交易安全态势感知值和预设风险阈值的大小,若跨境业务平台的网络交易安全态势感知值大于预设风险阈值,则对跨境业务平台进行网络交易安全维护,否则,无需对跨境业务平台进行网络交易安全维护。
基于人工智能的异常检测系统100还包括:
订单信息监控模块80,用于对跨境业务平台生成的订单信息进行异常监控。
具体的,跨境业务平台的网络交易安全态势感知值的计算公式如下:
;
其中,表示跨境业务平台的网络交易安全态势感知值;/>表示采样时长;/>表示跨境业务平台的运行异常数据的影响权重;/>表示运行异常数据的种类数量;/>表示第/>种运行异常数据的出现次数;/>表示第/>种运行异常数据的危害因子;/>表示第/>种运行异常数据第/>次出现的时长;/>表示跨境业务平台的恶意入侵数据的影响权重;/>表示恶意入侵数据的总种类数;/>表示第/>种恶意入侵数据的出现次数;/>表示第/>种恶意入侵数据的危害因子;/>表示第/>种恶意入侵数据第/>次出现的时长;/>表示第/>种恶意入侵数据的成功入侵容易值;/>表示跨境业务平台的网络交易异常指标数据的影响权重;/>表示网络交易异常指标数据的种类数量;/>表示第/>种网络交易异常指标数据的权重因子;/>表示第/>种网络交易异常指标数据的发生次数。
其中,第种恶意入侵数据的成功入侵容易值的计算公式如下:
;
其中,表示第/>种恶意入侵数据入侵成功的次数;/>表示第/>种恶意入侵数据出现次数;/>表示入侵成功所需时长的权重因子;/>表示第/>种恶意入侵数据第/>次入侵成功所需的时长;/>表示第/>种恶意入侵数据的次数;/>表示第/>种恶意入侵数据第/>次入侵成功所需要尝试的入侵次数;/>表示入侵成功所需要尝试的入侵次数的权重因子;/>。
本发明实施例提供一种处理器,用于处理上述的一种基于人工智能的异常检测方法。
在本发明实施例中,处理器可以是一种集成电路芯片,具有信号的处理能力。处理器可以是通用处理器、数字信号处理器(Digital Signal Processor,简称 DSP)、专用集成电路(Application Specific Integrated Circuit,简称 ASIC)、现场可编程门阵列(Field Programmable Gate Array,简称 FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。处理器读取存储介质中的信息,结合其硬件完成上述方法的步骤。
存储介质可以是存储器,例如可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。
其中,非易失性存储器可以是只读存储器(Read-Only Memory,简称 ROM)、可编程只读存储器(Programmable ROM,简称 PROM)、可擦除可编程只读存储器(Erasable PROM,简称Z230078F8XM2016.EPROM)、电可擦除可编程只读存储器(Electrically EPROM,简称EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,简称RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的 RAM 可用,例如静态随机存取存储器(Static RAM,简称 SRAM)、动态随机存取存储器(Dynamic RAM,简称DRAM)、同步动态随机存取存储器(Synchronous DRAM,简称 SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Rate SDRAM,简 称 DDRSDRAM) 、 增 强 型 同 步 动态 随 机 存 取 存 储 器(Enhanced SDRAM,简称 ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM,简称SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM,简称 DRRAM)。
本申请实现的有益效果如下:
(1)、本申请对用户信息进行身份认证,若认证通过,则允许用户接入跨境业务平台,否则,禁止用户接入跨境业务平台,提高了接入跨境业务平台用户的安全性,进而提高跨境业务平台整体业务交易的安全性。
(2)、本申请使用预先训练的神经网络异常识别模型,对当前汇款请求交易数据进行检测,获取检测结果,若检测结果为正常,则向第三方支付机构发出正常跨境交易汇款的请求,否则,向第三方支付机构发出异常跨境交易汇款的警告,从而提高汇款请求交易的安全性。
(3)、根据跨境业务平台的汇总状态异常指标数据和网络交易异常指标数据,计算跨境业务平台的网络交易安全态势感知值,比较跨境业务平台的网络交易安全态势感知值和预设风险阈值的大小,若跨境业务平台的网络交易安全态势感知值大于预设风险阈值,则对跨境业务平台进行网络交易安全维护,否则,无需对跨境业务平台进行网络交易安全维护,从而提高了跨境业务平台整体的安全性。
在本申请的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本申请的描述中,“例如”一词用来表示“用作例子、例证或说明”。本申请中被描述为“例如”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明,给出了以下描述。在以下描述中,为了解释的目的而列出了细节。应当明白的是,本领域普通技术人员可以认识到,在不使用这些特定细节的情况下也可以实现本发明。在其它实例中,不会对公知的结构和过程进行详细阐述,以避免不必要的细节使本发明的描述变得晦涩。因此,本发明并非旨在限于所示的实施例,而是与符合本申请所公开的原理和特征的最广范围相一致。
以上所述仅为本发明的实施方式而已,并不用于限制本发明。对于本领域技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原理内所做的任何修改、等同替换、改进等,均应包括在本发明的权利要求范围之内。
Claims (9)
1.一种基于人工智能的异常检测方法,其特征在于,该方法包括如下步骤:
响应于接入跨境业务平台的请求,获取请求接入跨境业务平台的用户信息;
对用户信息进行身份认证,若认证通过,则允许用户接入跨境业务平台,否则,禁止用户接入跨境业务平台;
响应于商家发出的跨境交易汇款请求,获取当前汇款请求交易数据;
使用预先训练的神经网络异常识别模型,对当前汇款请求交易数据进行检测,获取检测结果,若检测结果为正常,则向第三方支付机构发出正常跨境交易汇款的请求,否则,向第三方支付机构发出异常跨境交易汇款的警告;
采集跨境业务平台的汇总状态异常指标数据和网络交易异常指标数据;
根据跨境业务平台的汇总状态异常指标数据和网络交易异常指标数据,计算跨境业务平台的网络交易安全态势感知值;
比较跨境业务平台的网络交易安全态势感知值和预设风险阈值的大小,若跨境业务平台的网络交易安全态势感知值大于预设风险阈值,则对跨境业务平台进行网络交易安全维护,否则,无需对跨境业务平台进行网络交易安全维护;
其中,跨境业务平台的网络交易安全态势感知值的计算公式如下:
;
其中,表示跨境业务平台的网络交易安全态势感知值;/>表示采样时长;/>表示跨境业务平台的运行异常数据的影响权重;/>表示运行异常数据的种类数量;/>表示第/>种运行异常数据的出现次数;/>表示第/>种运行异常数据的危害因子;/>表示第/>种运行异常数据第/>次出现的时长;/>表示跨境业务平台的恶意入侵数据的影响权重;/>表示恶意入侵数据的总种类数;/>表示第/>种恶意入侵数据的出现次数;/>表示第/>种恶意入侵数据的危害因子;/>表示第/>种恶意入侵数据第/>次出现的时长;/>表示第/>种恶意入侵数据的成功入侵容易值;/>表示跨境业务平台的网络交易异常指标数据的影响权重;/>表示网络交易异常指标数据的种类数量;/>表示第/>种网络交易异常指标数据的权重因子;/>表示第/>种网络交易异常指标数据的发生次数。
2.根据权利要求1所述的基于人工智能的异常检测方法,其特征在于,该方法还包括如下步骤:
对跨境业务平台生成的订单信息进行异常监控。
3.根据权利要求2所述的基于人工智能的异常检测方法,其特征在于,
对跨境业务平台生成的订单信息进行异常监控的方法包括如下步骤:
响应于客户端的下单操作,在跨境业务平台生成订单信息;
基于预先构建的订单信息异常识别模型,对订单信息进行识别,获得订单信息的识别结果;
将识别结果为异常的订单信息进行撤销,将识别结果为正常的订单信息进入正常操作。
4.根据权利要求3所述的基于人工智能的异常检测方法,其特征在于,对跨境业务平台生成的订单信息进行异常监控的方法还包括如下步骤:
将跨境业务平台生成的订单信息进行分类存储,并将识别结果标记在每个订单信息上。
5.根据权利要求1所述的基于人工智能的异常检测方法,其特征在于,
预先训练神经网络异常识别模型的方法包括如下步骤:
获取商家的历史交易记录数据;
根据商家的历史交易记录数据,对神经网络基础学习模型进行训练学习,获取神经网络交易异常识别模型。
6.根据权利要求1所述的基于人工智能的异常检测方法,其特征在于,
跨境业务平台的汇总状态异常指标数据包括:跨境业务平台的运行异常数据和跨境业务平台的恶意入侵数据;
跨境业务平台的运行异常数据包括出现画面卡顿的时长、画面卡顿次数、画面缺失的时长、画面缺失次数、弹窗无法弹出的时长、弹窗无法弹出次数、漏洞类型及对应漏洞出现的次数;
跨境业务平台的恶意入侵数据的种类包括:恶意关键词、恶意代码和恶意指令。
7.根据权利要求1所述的基于人工智能的异常检测方法,其特征在于,
跨境业务平台的网络交易异常指标数据包括:网络交易关闭次数、网络交易重试次数和网络交易超时次数。
8.一种基于人工智能的异常检测系统,其特征在于,执行权利要求1-7之一所述的方法,该系统包括:
第一获取模块,用于响应于接入跨境业务平台的请求,获取请求接入跨境业务平台的用户信息;
认证模块,用于对用户信息进行身份认证,若认证通过,则允许用户接入跨境业务平台,否则,禁止用户接入跨境业务平台;
第二获取模块,用于响应于商家发出的跨境交易汇款请求,获取当前汇款请求交易数据;
汇款异常检测模块,用于使用预先训练的神经网络异常识别模型,对当前汇款请求交易数据进行检测,获取检测结果,若检测结果为正常,则向第三方支付机构发出正常跨境交易汇款的请求,否则,向第三方支付机构发出异常跨境交易汇款的警告;
采集模块,用于采集跨境业务平台的汇总状态异常指标数据和网络交易异常指标数据;
数据处理器,用于根据跨境业务平台的汇总状态异常指标数据和网络交易异常指标数据,计算跨境业务平台的网络交易安全态势感知值;
比较器,用于比较跨境业务平台的网络交易安全态势感知值和预设风险阈值的大小,若跨境业务平台的网络交易安全态势感知值大于预设风险阈值,则对跨境业务平台进行网络交易安全维护,否则,无需对跨境业务平台进行网络交易安全维护;
其中,跨境业务平台的网络交易安全态势感知值的计算公式如下:
;
其中,表示跨境业务平台的网络交易安全态势感知值;/>表示采样时长;/>表示跨境业务平台的运行异常数据的影响权重;/>表示运行异常数据的种类数量;/>表示第/>种运行异常数据的出现次数;/>表示第/>种运行异常数据的危害因子;/>表示第/>种运行异常数据第/>次出现的时长;/>表示跨境业务平台的恶意入侵数据的影响权重;/>表示恶意入侵数据的总种类数;/>表示第/>种恶意入侵数据的出现次数;/>表示第/>种恶意入侵数据的危害因子;/>表示第/>种恶意入侵数据第/>次出现的时长;/>表示第/>种恶意入侵数据的成功入侵容易值;/>表示跨境业务平台的网络交易异常指标数据的影响权重;/>表示网络交易异常指标数据的种类数量;/>表示第/>种网络交易异常指标数据的权重因子;/>表示第/>种网络交易异常指标数据的发生次数。
9.根据权利要求8所述的基于人工智能的异常检测系统,其特征在于,该系统还包括:
订单信息监控模块,用于对跨境业务平台生成的订单信息进行异常监控。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311726705.7A CN117408705B (zh) | 2023-12-15 | 2023-12-15 | 一种基于人工智能的异常检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311726705.7A CN117408705B (zh) | 2023-12-15 | 2023-12-15 | 一种基于人工智能的异常检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117408705A CN117408705A (zh) | 2024-01-16 |
CN117408705B true CN117408705B (zh) | 2024-04-30 |
Family
ID=89500423
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311726705.7A Active CN117408705B (zh) | 2023-12-15 | 2023-12-15 | 一种基于人工智能的异常检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117408705B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175850A (zh) * | 2019-05-13 | 2019-08-27 | 中国银联股份有限公司 | 一种交易信息的处理方法及装置 |
CN110458695A (zh) * | 2019-08-15 | 2019-11-15 | 中国银行股份有限公司 | 跨境汇款业务的风险控制方法及装置 |
CN116664292A (zh) * | 2023-04-13 | 2023-08-29 | 连连银通电子支付有限公司 | 一种交易异常预测模型的训练方法和交易异常预测方法 |
CN117014230A (zh) * | 2023-10-07 | 2023-11-07 | 天云融创数据科技(北京)有限公司 | 基于大数据的网络安全态势感知方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2005223867A1 (en) * | 2004-03-19 | 2005-09-29 | Stayton D. Addison | Methods and systems for transaction compliance monitoring |
-
2023
- 2023-12-15 CN CN202311726705.7A patent/CN117408705B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175850A (zh) * | 2019-05-13 | 2019-08-27 | 中国银联股份有限公司 | 一种交易信息的处理方法及装置 |
CN110458695A (zh) * | 2019-08-15 | 2019-11-15 | 中国银行股份有限公司 | 跨境汇款业务的风险控制方法及装置 |
CN116664292A (zh) * | 2023-04-13 | 2023-08-29 | 连连银通电子支付有限公司 | 一种交易异常预测模型的训练方法和交易异常预测方法 |
CN117014230A (zh) * | 2023-10-07 | 2023-11-07 | 天云融创数据科技(北京)有限公司 | 基于大数据的网络安全态势感知方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117408705A (zh) | 2024-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10580009B2 (en) | Mobile communications message verification of financial transactions | |
US10074089B1 (en) | Smart authentication and identification via voiceprints | |
US9143506B2 (en) | Systems and methods for identifying biometric information as trusted and authenticating persons using trusted biometric information | |
US8914645B2 (en) | Systems and methods for identifying biometric information as trusted and authenticating persons using trusted biometric information | |
US8588748B2 (en) | System and method for mobile identity protection of a user of multiple computer applications, networks or devices | |
US20210089635A1 (en) | Biometric identity verification and protection software solution | |
US20130282523A1 (en) | Network service provider assisted payment fraud detection and mitigation methods and apparatus | |
US20200143377A1 (en) | Systems and methods for user identity authentication | |
US20210176242A1 (en) | Adaptive user authentication | |
CN116596536A (zh) | 一种互联网金融安全支付方法及系统 | |
CN117408705B (zh) | 一种基于人工智能的异常检测方法及系统 | |
CN111242627A (zh) | 可靠型电子支付验证系统 | |
CN111754237B (zh) | 一种转账交易的验证方法及装置 | |
Pandey et al. | Case study on online fraud detection using machine learning | |
US11811778B2 (en) | System and method for security management of a plurality of invalid interactions | |
WO2012155818A1 (zh) | 一种基于可信资源保护银行用户信息的方法和装置 | |
CN113556318B (zh) | 基于云安全的电子商务验证方法 | |
US20230130036A1 (en) | System and Method of Providing Secure Access to Personal Information | |
Prisha et al. | Identity risk analysis in mobile commerce: A novel approach | |
KR20150060374A (ko) | 전자 상거래 카드 부정사용 방지 방법 및 서버 | |
KR102492174B1 (ko) | 이상거래 탐지 및 블랙리스트 관리가 가능한 실계좌 기반의 가상자산 거래소 입출금 관리장치 및 그 방법 | |
US11943259B2 (en) | System and method for security management of application information | |
WO2022085265A1 (ja) | 本人確認、本人認証の不正申請検知装置、不正申請検知方法、および不正申請検知プログラム | |
CN115423456A (zh) | 一种基于零信任数字人民币支付系统及安全防护方法 | |
CN116385002A (zh) | 一种金融业务的安全处理系统及方法 |
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 |