CN117670364A - 一种异常交易识别方法、装置、设备及存储介质 - Google Patents

一种异常交易识别方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN117670364A
CN117670364A CN202311667728.5A CN202311667728A CN117670364A CN 117670364 A CN117670364 A CN 117670364A CN 202311667728 A CN202311667728 A CN 202311667728A CN 117670364 A CN117670364 A CN 117670364A
Authority
CN
China
Prior art keywords
model
parameters
client
server
abnormal 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
Application number
CN202311667728.5A
Other languages
English (en)
Inventor
郑依
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Agricultural Bank of China
Original Assignee
Agricultural Bank of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Agricultural Bank of China filed Critical Agricultural Bank of China
Priority to CN202311667728.5A priority Critical patent/CN117670364A/zh
Publication of CN117670364A publication Critical patent/CN117670364A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06Q40/03—Credit; Loans; Processing thereof
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Molecular Biology (AREA)
  • Technology Law (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明公开了一种异常交易识别方法、装置、设备及存储介质。该方法包括：接收服务器发送的第一模型；根据第一样本集对所述第一模型进行训练，得到训练后的第一模型的参数；将所述训练后的第一模型的参数发送至服务器，以使服务器根据所述训练后的第一模型的参数确定全局模型参数；根据所述服务器发送的全局模型参数生成分类器；将待识别金融服务介质数据输入分类器，得到异常交易识别结果，通过本发明的技术方案，能够提升针对金融服务介质的异常交易的识别效率和准确度。

Description

一种异常交易识别方法、装置、设备及存储介质
技术领域
本发明实施例涉及计算机技术领域，尤其涉及一种异常交易识别方法、装置、设备及存储介质。
背景技术
随着互联网的发展和普及，金融服务介质成为当下备受欢迎的一种支付方式。然而，金融服务介质的使用存在一系列风险问题。金融服务介质业务涉及到金融服务介质持有人、金融服务介质发卡机构以及签约商户等多方人员，针对金融服务介质的异常交易将带来十分严重的后果。对客户而言，针对金融服务介质的异常交易不仅会带来经济损失，还会降低个人信用评级。此外，还会导致客户将不再信任金融服务介质这种预先支付的模式，影响金融服务介质行业的发展。
发明内容
本发明实施例提供一种异常交易识别方法、装置、设备及存储介质，能够提升针对金融服务介质的异常交易的识别效率和准确度。
根据本发明的一方面，提供了一种异常交易识别方法，包括：
接收服务器发送的第一模型；
根据第一样本集对所述第一模型进行训练，得到训练后的第一模型的参数；
将所述训练后的第一模型的参数发送至服务器，以使服务器根据所述训练后的第一模型的参数确定全局模型参数；
根据所述服务器发送的全局模型参数生成分类器；
将待识别金融服务介质数据输入分类器，得到异常交易识别结果。
根据本发明的另一方面，提供了一种异常交易识别方法，包括：
将第一模型发送至各客户端，以使各客户端分别对所述第一模型进行训练，得到训练后的第一模型的参数；
接收各客户端发送的训练后的第一模型的参数；
根据所有客户端发送的训练后的第一模型的参数确定全局模型参数，并将所述全局模型参数发送至各客户端，以使各客户端根据所述全局模型参数生成分类器，并将待识别金融服务介质数据输入分类器，得到异常交易识别结果。
根据本发明的另一方面，提供了一种异常交易识别装置，所述异常交易识别装置配置在客户端中，该异常交易识别装置包括：
第一模型接收模块，用于接收服务器发送的第一模型；
训练模块，用于根据第一样本集对所述第一模型进行训练，得到训练后的第一模型的参数；
训练后的第一模型的参数发送模块，用于将所述训练后的第一模型的参数发送至服务器，以使服务器根据所述训练后的第一模型的参数确定全局模型参数；
分类器生成模块，用于根据所述服务器发送的全局模型参数生成分类器；
异常交易识别结果确定模块，用于将待识别金融服务介质数据输入分类器，得到异常交易识别结果。
根据本发明的另一方面，提供了一种异常交易识别装置，所述异常交易识别装置配置在服务器中，该异常交易识别装置包括：
第一模型发送模块，用于将第一模型发送至各客户端，以使各客户端分别对所述第一模型进行训练，得到训练后的第一模型的参数；
训练后的第一模型的参数接收模块，用于接收各客户端发送的训练后的第一模型的参数；
全局模型参数确定模块，用于根据所有客户端发送的训练后的第一模型的参数确定全局模型参数，并将所述全局模型参数发送至各客户端，以使各客户端根据所述全局模型参数生成分类器，并将待识别金融服务介质数据输入分类器，得到异常交易识别结果。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的异常交易识别方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的异常交易识别方法。
本发明实施例通过接收服务器发送的第一模型；根据第一样本集对所述第一模型进行训练，得到训练后的第一模型的参数；将所述训练后的第一模型的参数发送至服务器，以使服务器根据所述训练后的第一模型的参数确定全局模型参数；根据所述服务器发送的全局模型参数生成分类器；将待识别金融服务介质数据输入分类器，得到异常交易识别结果，能够提升针对金融服务介质的异常交易的识别效率和准确度。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是本发明实施例中的一种异常交易识别方法的流程图；
图2是本发明实施例中的目标系统的结构示意图；
图3是本发明实施例中的另一种异常交易识别方法的流程图；
图4是本发明实施例中的模型训练过程示意图；
图5是本发明实施例中的一种异常交易识别装置的结构示意图；
图6是本发明实施例中的另一种异常交易识别装置的结构示意图；
图7是本发明实施例中的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
实施例一
图1为本发明实施例提供的一种异常交易识别方法的流程图，本实施例可适用于异常交易识别的情况，该方法可以由本发明实施例中的异常交易识别装置来执行，该装置可采用软件和/或硬件的方式实现，如图1所示，该方法具体包括如下步骤：
S110，接收服务器发送的第一模型。
需要说明的是，本发明实施例提供的异常交易识别方法应用于目标系统，所述目标系统包括：至少两个客户端以及服务器，所述客户端包括：金融机构客户端和/或金融相关机构客户端，本发明实施例提供的异常交易识别方法由客户端执行。
在一个具体的例子中，如图2所示，所述目标系统包括：N个客户端，N个客户端包括第一数量的金融机构客户端和第二数量的金融相关机构客户端。金融机构联合金融相关机构等多方数据提供机构，通过提取相同维度用户样本，以保证模型训练的精准度。
各客户端的本地数据集 是特征向量，/>代表对应的标签，h是参与训练的客户端数量。服务器首先初始化第一模型参数，在每一轮的通信过程中，各个参与进联邦学习的客户端从服务器下载当前的全局模型参数。各个客户端以固定的学习率η，在当前模型参数Wt下计算自己的私有数据集上的平均损失的梯度fc。各客户端同步更新本地模型，并将本地模型的参数更新Wt发送到服务器，服务器聚合更新后的模型参数Wt+1，服务器将更新后的模型参数发送至各客户端，各客户端根据更新后的模型参数更新本地模型，若更新后的本地模型收敛，则将更新后的本地模型确定为分类器。
具体的，每个客户端接收服务器发送的第一模型，也就是初始模型。
S120，根据第一样本集对所述第一模型进行训练，得到训练后的第一模型的参数。
其中，所述第一样本集为客户端的本地数据，需要说明的是，不论是金融机构客户端还是金融相关机构客户端的第一样本集的维度均相同。例如可以是，所述第一样本集包括：金融服务介质对应的交易参数样本和金融服务介质对应的交易参数对应的交易类型，所述交易参数样本可以包括：交易时间、交易金融、逾期次数、消费金额、还款金额等数据。
具体的，根据第一样本集对所述第一模型进行训练，得到训练后的第一模型的参数的方式可以为：将所述第一样本集中的金融服务介质对应的交易参数样本输入第一模型，得到预测交易类型，根据预测交易类型和金融服务介质对应的交易参数样本对应的交易类型生成的第一函数训练所述第一模型的参数，直至得到训练后的第一模型的参数。
具体的，获取第一样本集的方式可以为：获取初始数据，采用borderline-SMOTE算法对初始数据进行数据平衡，得到第一样本集。
需要说明的是，以金融机构客户端的本地金融服务介质数据集为例，正负类样本分布极度不均衡，异常交易样本的数量远远少于正常交易样本的数量。在对这种数据进行分类时，通常要消除正负类间的不均衡。金融服务介质数据集的特征字段具有现实意义，通过分析金融服务介质数据特征，消除类间不均衡，使分类算法更精准的从不均衡数据集中分离样本。
本发明实施例采用borderline-SMOTE算法进行数据平衡。该算法首先判断少数类的边界样本，根据少数类的边界样本人工合成新样本，添加到原有数据集中。合成策略是采用最近邻算法，对每个少数类样本从其K个近邻中随机选取一个样本，再生成一个0-1之间的随机数，从而构造一个新的样本。采用borderline-SMOTE算法进行数据预处理，缓解了数据不平衡带来的影响，降低模型过拟合风险。
S130，将所述训练后的第一模型的参数发送至服务器，以使服务器根据所述训练后的第一模型的参数确定全局模型参数。
其中，所述第一模型可以为CNN模型。CNN模型的显著特性如局部连接和权值共享，使得模型对微小的局部特征十分敏感，更有利于提取出数据的完备特征信息。另一方面卷积神经网络的结构能很好的契合联邦学习框架。例如可以是，所述第一模型从输入到输出方向依次包括：输入层、卷积层、池化层、全连接层以及分类层。卷积层是CNN实现特征提取的一个关键步骤，为了减少训练的计算量，引入了两大特性，分别是局部连接和权值共享。神经元可以通过一组相应的权值连接到上一层的局部区域，将其局部加权并输入到非线性函数当中。卷积层的参数是一组内核，在前向传递的过程中，每个内核都在卷积层的输入向量上卷积，从而形成特征向量。池化层是在卷积层之后由多个特征面构成，可理解为对卷积层的进一步特征提取。它的神经元对局部接受域进行池化操作，在减少计算量的同时也可以防止过拟合。CNN结构中全连接层中神经元和前一层的所有神经元进行全连接。最后一层的输出通常被传递给Softmax逻辑回归层进行分类，从而判断交易为正常交易还是欺诈交易，最后以准确率、精确率、召回率、F1值和AUC等的这些指标综合来衡量联合欺诈识别模型的性能。
具体的，将所述训练后的第一模型的参数发送至服务器，以使服务器根据所述训练后的第一模型的参数确定全局模型参数的方式可以为：客户端将所述训练后的第一模型的参数进行加密，将加密后的训练后的第一模型的参数发送至服务器，服务器接收加密后的训练后的第一模型的参数，服务器对加密后的训练后的第一模型的参数进行解密，得到训练后的第一模型的参数，服务器根据多个客户端发送的训练后的第一模型的参数确定全局模型参数。
S140，根据所述服务器发送的全局模型参数生成分类器。
具体的，根据所述服务器发送的全局模型参数生成分类器的方式可以为：客户端接收服务器发送的全局模型参数，根据所述全局模型参数更新本地模型，若更新后的本地模型收敛或者达到最大联邦轮数，则将更新后的本地模型确定为分类器，若更新后的本地模型未收敛，且未达到最大联邦轮数，则客户端将更新后的本地模型参数发送至服务器，以使服务器根据各客户端发送的更新后的本地模型参数更新全局模型参数，服务器将更新后的全局模型参数发送至各客户端，进入下一轮迭代，直至模型收敛或达到最大联邦轮数，得到分类器。
S150，将待识别金融服务介质数据输入分类器，得到异常交易识别结果。
其中，所述待识别金融服务介质数据包括：待识别金融服务介质对应的交易参数，所述交易参数包括：交易时间、交易金融、逾期次数、消费金额、还款金额等数据。其中，所述异常交易识别结果可以为：正常交易，或者异常交易，若为异常交易，还可以包括异常交易类型。
本发明实施例首先运用borderline-SMOTE算法进行数据集平衡，然后利用分布在各机构的本地数据库中的数据来训练本地模型，最后通过聚合各客户端本地模型的参数，构建分类器，从而判断交易为正常交易还是异常交易。
可选的，所述金融机构客户端对应的第一样本集中的金融服务介质数据样本的维度与所述金融相关机构客户端对应的第一样本集中的金融服务介质数据样本的维度相同。
需要说明的是，金融机构客户端和金融相关机构客户端预先约定第一样本集中的金融服务介质数据样本的维度，金融机构客户端和金融相关机构客户端根据预先约定的第一样本集中的金融服务介质数据样本的维度对本地数据进行筛选，得到各客户端对应的第一样本集。
可选的，所述待识别金融服务介质数据包括：待识别金融服务介质对应的交易参数；
将所述训练后的第一模型的参数发送至服务器，以使服务器根据所述训练后的第一模型的参数确定全局模型参数，包括：
根据所述训练后的第一模型的参数生成明文；
通过对称加密算法对所述明文进行加密，得到对称密文，将所述对称密文发送至服务器，以使服务器在接收到所有客户端发送的对称密文后，通过全同态加密算法将各客户端对应的对称密文进行转换，得到各客户端对应的同态密文，对所有客户端对应的同态密文进行聚合，得到全局模型参数，将全局模型参数发送至各客户端；
接收服务器发送的全局模型参数，对所述全局模型参数进行同态解密，根据同态解密结果更新第一模型；
直至模型收敛或达到最大联邦轮数，得到分类器。
具体的，根据所述训练后的第一模型的参数生成明文的方式可以为：根据所述训练后的第一模型的参数和验证码生成明文。其中，所述验证码可以为客户端创建的验证码。
其中，所述训练后的第一模型的参数包括梯度，本发明实施例可以采用采用对称加密方法进行梯度加密，也可以采用局部差分隐私方法进行梯度加密，采用局部差分隐私方法进行梯度加密是在模型参数上添加满足差分隐私的高斯噪声数据，以保证梯度的安全性，从而保护用户数据隐私。
需要说明的是，在每一轮模型更新中，各客户端通过本地数据训练第一模型，并计算出本轮迭代对应的训练后的第一模型的参数，根据训练后的第一模型的参数生成明文，通过对称加密算法对所述明文进行加密，得到对称密文，将所述对称密文发送至服务器，服务器在接收到所有客户端发送的对称密文后，通过全同态加密算法将所有客户端发送的对称密文进行转换，得到各客户端对饮的同态密文，对所有客户端对应的同态密文进行聚合，将聚合结果发送至各客户端。各客户端在接收到来自服务器的聚合结果之后，进行同态解密，得到聚合结果，使用聚合结果更新本地模型，然后，进入下一轮迭代，直至模型收敛或达到最大联邦轮数，得到分类器。
需要说明的是，对称密文为对梯度进行加密，得到的加密梯度。服务器将所有客户端上传到服务器的加密梯度聚合起来，以获取包含全局梯度信息的聚合梯度，用来进行梯度更新。本发明实施例结合数据样本量和模型的准确率来作为每个客户端本地模型参数向量的权重，服务器对各客户端本地模型参数加权平均得到全局模型，服务器将更新后的全局模型参数再传回给下一轮所有参与进联邦学习的客户端。
本发明实施例借助联邦学习数据隔离特性，有效地防止隐私数据的泄露，再借助联邦学习的多方建模优势，将金融机构数据与金融相关机构数据联合建模，有效地提升了风险管理水平。
本实施例的技术方案，通过接收服务器发送的第一模型；根据第一样本集对所述第一模型进行训练，得到训练后的第一模型的参数；将所述训练后的第一模型的参数发送至服务器，以使服务器根据所述训练后的第一模型的参数确定全局模型参数；根据所述服务器发送的全局模型参数生成分类器；将待识别金融服务介质数据输入分类器，得到异常交易识别结果，能够提升针对金融服务介质的异常交易的识别效率和准确度。
实施例二
图3为本发明实施例提供的一种异常交易识别方法的流程图，本实施例可适用于异常交易识别的情况，该方法可以由本发明实施例中的异常交易识别装置来执行，该装置可采用软件和/或硬件的方式实现，如图3所示，该方法具体包括如下步骤：
S310，将第一模型发送至各客户端，以使各客户端分别对所述第一模型进行训练，得到训练后的第一模型的参数。
具体的，服务器将第一模型发送至目标系统中的每个客户端，各客户端在接收到第一模型后，分别根据本地数据对第一模型进行训练，得到训练后的第一模型的参数。
S320，接收各客户端发送的训练后的第一模型的参数。
其中，所述各客户端发送的训练后的第一模型的参数可以为密文，所述密文为对训练后的第一模型的参数进行加密后得到的。
需要说明的是，由于金融服务介质数据的安全性较为重要，因此，通过对训练后的第一模型的参数进行加密后，得到密文，将密文发送至服务器，而不是直接将训练后的第一模型的参数发送至服务器，能够提升金融服务介质数据的安全性，防止金融服务介质数据泄露。
本发明实施例提供的异常交易识别方法，将金融机构和金融相关机构的训练数据保留在客户端本地，只上传模型参数，保护了数据安全，防止客户隐私数据泄露。
S330，根据所有客户端发送的训练后的第一模型的参数确定全局模型参数，并将所述全局模型参数发送至各客户端，以使各客户端根据所述全局模型参数生成分类器，并将待识别金融服务介质数据输入分类器，得到异常交易识别结果。
具体的，服务器在接收到所有客户端发送的训练后的第一模型的参数后，根据各客户端发送的训练后的第一模型的参数确定全局模型参数，并将所述全局模型参数发送至各客户端，以使各客户端分别根据述全局模型参数生成分类器，客户端将待识别金融服务介质数据输入分类器，得到异常交易识别结果。
对于参与联邦学习的每个客户端，以金融机构客户端为例，金融服务介质数据包括：交易时间、交易金额、月收入水平、逾期次数、消费金额、还款金额等数据特征。各客户端的本地数据需要先经过预处理，进行数据处理和指标清洗，通过提取有效的特征变量，保证模型训练效率，再接收服务器的模型参数利用卷积神经网络进行本地模型训练。对于服务器，先初始化模型参数并下发给所有模型参与方，本地模型训练完毕后再进行聚合直至模型收敛。
在一个具体的例子中，如图4所示，模型训练过程包括：各客户端在接收到服务器传输的第一模型后，根据本地预处理后的训练数据生成第一样本集，根据第一样本集训练所述第一模型，将训练后的第一模型的参数发送至服务器，服务器在接收到所有客户端发送的训练后的第一模型的参数后，根据各客户端发送的训练后的第一模型的参数更新全局模型参数，并将更新后的全局模型参数发送至各客户端，各客户端在接收到更新后的全局模型参数后，根据全局模型参数更新本地模型，若更新后的本地模型收敛，则将更新后的本地模型确定为分类器，若更新后的本地模型未收敛，则将更新后的本地模型的参数发送至服务器，服务器在接收到所有客户端发送的更新后的本地模型的参数后，根据各客户端发送的更新后的本地模型的参数更新全局模型参数，返回执行将更新后的全局模型参数发送至各客户端，各客户端在接收到更新后的全局模型参数后，根据全局模型参数更新本地模型的操作，直至更新后的本地模型收敛，或者达到最大联邦轮数，得到分类器。
本发明实施例借助联邦学习的优势，金融机构联合金融相关机构数据进行建模，多角度获取金融服务介质相关数据，提升了模型的可靠性。
可选的，所述金融机构客户端对应的第一样本集中的金融服务介质数据样本的维度与所述金融相关机构客户端对应的第一样本集中的金融服务介质数据样本的维度相同。
此处与上述实施例采取的手段相似，在此不进行赘述。
可选的，根据所有客户端发送的训练后的第一模型的参数确定全局模型参数，并将所述全局模型参数发送至各客户端，以使各客户端根据所述全局模型参数生成分类器，并将待识别金融服务介质数据输入分类器，得到异常交易识别结果，包括：
通过全同态加密算法将所有客户端发送的对称密文进行转换，得到各客户端对应的同态密文，对所有客户端对应的同态密文进行聚合，得到全局模型参数，将全局模型参数发送至各客户端，以使各客户端对所述全局模型参数进行同态解密，根据同态解密结果更新第一模型，直至得到分类器，其中，所述对称密文为客户端对根据所述训练后的第一模型的参数生成的明文进行加密后，得到的密文。
其中，所述训练后的第一模型的参数包括：本轮训练的损失函数和梯度。
具体的，对根据所述训练后的第一模型的参数生成的明文进行加密，得到对称密文的方式可以为通过Pasta算法对训练后的第一模型的参数生成的明文进行加密，得到对称密文。
具体的，服务器在接收到各客户端发送的对称密文后，将各客户端发送的对称密文转换为同态密文，对个客户端对应的同态密文进行稽核，得到全局模型参数，将全局模型参数发送至各客户端，各客户端对所述全局模型参数进行同态解密，根据同态解密结果更新本地模型，若更新后的本地模型未收敛，则迭代执行上述操作，直至模型收敛或达到最大联邦轮数，得到分类器。
本实施例的技术方案，通过服务器将第一模型发送至各客户端，以使各客户端分别对所述第一模型进行训练，得到训练后的第一模型的参数；接收各客户端发送的训练后的第一模型的参数；根据所有客户端发送的训练后的第一模型的参数确定全局模型参数，并将所述全局模型参数发送至各客户端，以使各客户端根据所述全局模型参数生成分类器，并将待识别金融服务介质数据输入分类器，得到异常交易识别结果，能够提升针对金融服务介质的异常交易的识别效率和准确度。
实施例三
图5为本发明实施例提供的一种异常交易识别装置的结构示意图。本实施例可适用于异常交易识别情况，该装置可采用软件和/或硬件的方式实现，该装置可集成在任何提供异常交易识别功能的设备中，如图5所示，所述异常交易识别装置具体包括：第一模型接收模块510、训练模块520、训练后的第一模型的参数发送模块530、分类器生成模块540和异常交易识别结果确定模块550。
其中，第一模型接收模块，用于接收服务器发送的第一模型；
训练模块，用于根据第一样本集对所述第一模型进行训练，得到训练后的第一模型的参数；
训练后的第一模型的参数发送模块，用于将所述训练后的第一模型的参数发送至服务器，以使服务器根据所述训练后的第一模型的参数确定全局模型参数；
分类器生成模块，用于根据所述服务器发送的全局模型参数生成分类器；
异常交易识别结果确定模块，用于将待识别金融服务介质数据输入分类器，得到异常交易识别结果。
上述产品可执行本发明任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。
实施例四
图6为本发明实施例提供的一种异常交易识别装置的结构示意图。本实施例可适用于异常交易识别情况，该装置可采用软件和/或硬件的方式实现，该装置可集成在任何提供异常交易识别功能的设备中，如图6所示，所述异常交易识别装置具体包括：第一模型发送模块610、训练后的第一模型的参数接收模块620和全局模型参数确定模块630。
其中，第一模型发送模块，用于将第一模型发送至各客户端，以使各客户端分别对所述第一模型进行训练，得到训练后的第一模型的参数；
训练后的第一模型的参数接收模块，用于接收各客户端发送的训练后的第一模型的参数；
全局模型参数确定模块，用于根据所有客户端发送的训练后的第一模型的参数确定全局模型参数，并将所述全局模型参数发送至各客户端，以使各客户端根据所述全局模型参数生成分类器，并将待识别金融服务介质数据输入分类器，得到异常交易识别结果。
上述产品可执行本发明任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。
实施例五
图7示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图7所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如异常交易识别方法。
在一些实施例中，异常交易识别方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的异常交易识别方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行异常交易识别方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种异常交易识别方法，其特征在于，应用于目标系统，所述目标系统包括：至少两个客户端以及服务器，所述客户端包括：金融机构客户端和/或金融相关机构客户端，所述异常交易识别方法由客户端执行，所述异常交易识别方法包括：
接收服务器发送的第一模型；
根据第一样本集对所述第一模型进行训练，得到训练后的第一模型的参数；
将所述训练后的第一模型的参数发送至服务器，以使服务器根据所述训练后的第一模型的参数确定全局模型参数；
根据所述服务器发送的全局模型参数生成分类器；
将待识别金融服务介质数据输入分类器，得到异常交易识别结果。
2.根据权利要求1所述的方法，其特征在于，所述金融机构客户端对应的第一样本集中的金融服务介质数据样本的维度与所述金融相关机构客户端对应的第一样本集中的金融服务介质数据样本的维度相同。
3.根据权利要求1所述的方法，其特征在于，所述待识别金融服务介质数据包括：待识别金融服务介质对应的交易参数；
将所述训练后的第一模型的参数发送至服务器，以使服务器根据所述训练后的第一模型的参数确定全局模型参数，包括：
根据所述训练后的第一模型的参数生成明文；
通过对称加密算法对所述明文进行加密，得到对称密文，将所述对称密文发送至服务器，以使服务器在接收到所有客户端发送的对称密文后，通过全同态加密算法将各客户端对应的对称密文进行转换，得到各客户端对应的同态密文，对所有客户端对应的同态密文进行聚合，得到全局模型参数，将全局模型参数发送至各客户端；
接收服务器发送的全局模型参数，对所述全局模型参数进行同态解密，根据同态解密结果更新第一模型；
直至模型收敛或达到最大联邦轮数，得到分类器。
4.一种异常交易识别方法，其特征在于，应用于目标系统，所述目标系统包括：至少两个客户端以及服务器，所述客户端包括：金融机构客户端和/或金融相关机构客户端，所述异常交易识别方法由服务器执行，所述异常交易识别方法包括：
将第一模型发送至各客户端，以使各客户端分别对所述第一模型进行训练，得到训练后的第一模型的参数；
接收各客户端发送的训练后的第一模型的参数；
根据所有客户端发送的训练后的第一模型的参数确定全局模型参数，并将所述全局模型参数发送至各客户端，以使各客户端根据所述全局模型参数生成分类器，并将待识别金融服务介质数据输入分类器，得到异常交易识别结果。
5.根据权利要求4所述的方法，其特征在于，所述金融机构客户端对应的第一样本集中的金融服务介质数据样本的维度与所述金融相关机构客户端对应的第一样本集中的金融服务介质数据样本的维度相同。
6.根据权利要求4所述的方法，其特征在于，根据所有客户端发送的训练后的第一模型的参数确定全局模型参数，并将所述全局模型参数发送至各客户端，以使各客户端根据所述全局模型参数生成分类器，并将待识别金融服务介质数据输入分类器，得到异常交易识别结果，包括：
通过全同态加密算法将所有客户端发送的对称密文进行转换，得到各客户端对应的同态密文，对所有客户端对应的同态密文进行聚合，得到全局模型参数，将全局模型参数发送至各客户端，以使各客户端对所述全局模型参数进行同态解密，根据同态解密结果更新第一模型，直至得到分类器，其中，所述对称密文为客户端对根据所述训练后的第一模型的参数生成的明文进行加密后，得到的密文。
7.一种异常交易识别装置，其特征在于，所述异常交易识别装置配置在客户端中，所述异常交易识别装置包括：
第一模型接收模块，用于接收服务器发送的第一模型；
训练模块，用于根据第一样本集对所述第一模型进行训练，得到训练后的第一模型的参数；
训练后的第一模型的参数发送模块，用于将所述训练后的第一模型的参数发送至服务器，以使服务器根据所述训练后的第一模型的参数确定全局模型参数；
分类器生成模块，用于根据所述服务器发送的全局模型参数生成分类器；
异常交易识别结果确定模块，用于将待识别金融服务介质数据输入分类器，得到异常交易识别结果。
8.一种异常交易识别装置，其特征在于，所述异常交易识别装置配置在服务器中，所述异常交易识别装置包括：
第一模型发送模块，用于将第一模型发送至各客户端，以使各客户端分别对所述第一模型进行训练，得到训练后的第一模型的参数；
训练后的第一模型的参数接收模块，用于接收各客户端发送的训练后的第一模型的参数；
全局模型参数确定模块，用于根据所有客户端发送的训练后的第一模型的参数确定全局模型参数，并将所述全局模型参数发送至各客户端，以使各客户端根据所述全局模型参数生成分类器，并将待识别金融服务介质数据输入分类器，得到异常交易识别结果。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的异常交易识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-6中任一项所述的异常交易识别方法。
CN202311667728.5A 2023-12-06 2023-12-06 一种异常交易识别方法、装置、设备及存储介质 Pending CN117670364A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311667728.5A CN117670364A (zh) 2023-12-06 2023-12-06 一种异常交易识别方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311667728.5A CN117670364A (zh) 2023-12-06 2023-12-06 一种异常交易识别方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN117670364A true CN117670364A (zh) 2024-03-08

Family

ID=90080390

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311667728.5A Pending CN117670364A (zh) 2023-12-06 2023-12-06 一种异常交易识别方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN117670364A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118245827A (zh) * 2024-05-29 2024-06-25 深圳市北辰德科技股份有限公司 一种基于物联网的金融交易异常数据控制方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118245827A (zh) * 2024-05-29 2024-06-25 深圳市北辰德科技股份有限公司 一种基于物联网的金融交易异常数据控制方法及系统

Similar Documents

Publication Publication Date Title
US10977654B2 (en) Machine learning engine for fraud detection during cross-location online transaction processing
US11321717B2 (en) System and method for analyzing transaction nodes using visual analytics
US10510078B2 (en) Anomaly detection in groups of transactions
US11423365B2 (en) Transaction card system having overdraft capability
US12079351B2 (en) Application of trained artificial intelligence processes to encrypted data within a distributed computing environment
US20240303468A1 (en) Interleaved sequence recurrent neural networks for fraud detection
JP2020522832A (ja) 信用力があると判定された消費者にローンを発行するシステムおよび方法
CN112862298B (zh) 一种针对用户画像的信用评估方法
US11682018B2 (en) Machine learning model and narrative generator for prohibited transaction detection and compliance
US20230196367A1 (en) Using Machine Learning to Mitigate Electronic Attacks
US20220366412A1 (en) Message delay estimation system and method
US11983720B2 (en) Mixed quantum-classical method for fraud detection with quantum feature selection
CN117670364A (zh) 一种异常交易识别方法、装置、设备及存储介质
CN112039702A (zh) 基于联邦学习和相互学习的模型参数训练方法及装置
US20220318573A1 (en) Predicting targeted, agency-specific recovery events using trained artificial intelligence processes
US10496992B2 (en) Exclusion of nodes from link analysis
WO2019023406A1 (en) SYSTEM AND METHOD FOR DETECTING TRANSACTION MODELS AND RESPONSE TO THESE
CN116432040B (zh) 基于联邦学习的模型训练方法、装置、介质以及电子设备
US11455517B2 (en) Population anomaly detection through deep gaussianization
CN114787846A (zh) 用于评估商家声誉的方法和系统
US20230252478A1 (en) Clustering data vectors based on deep neural network embeddings
CN109919767B (zh) 交易风险管理方法、装置及设备
CN114820164A (zh) 信用卡额度评估方法、装置、设备及介质
CN117635299A (zh) 基于联邦学习的风险评估方法、装置、电子设备及存储介质
CN117094722A (zh) 一种线上支付的安全监理方法及系统

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