KR20170100535A - 거래 위험 검출 방법 및 장치 - Google Patents

거래 위험 검출 방법 및 장치 Download PDF

Info

Publication number
KR20170100535A
KR20170100535A KR1020177017853A KR20177017853A KR20170100535A KR 20170100535 A KR20170100535 A KR 20170100535A KR 1020177017853 A KR1020177017853 A KR 1020177017853A KR 20177017853 A KR20177017853 A KR 20177017853A KR 20170100535 A KR20170100535 A KR 20170100535A
Authority
KR
South Korea
Prior art keywords
transaction
account
feature
current transaction
row
Prior art date
Application number
KR1020177017853A
Other languages
English (en)
Other versions
KR102205096B1 (ko
Inventor
루지아 첸
리앙 구오
Original Assignee
알리바바 그룹 홀딩 리미티드
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 알리바바 그룹 홀딩 리미티드 filed Critical 알리바바 그룹 홀딩 리미티드
Publication of KR20170100535A publication Critical patent/KR20170100535A/ko
Application granted granted Critical
Publication of KR102205096B1 publication Critical patent/KR102205096B1/ko

Links

Images

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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0609—Buyer or seller confidence or verification
    • 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
    • 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
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G06F21/316—User authentication by observing the pattern of computer usage, e.g. typical user behaviour
    • 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
    • G06F21/55—Detecting local intrusion or implementing counter-measures
    • G06F21/552—Detecting local intrusion or implementing counter-measures involving long-term monitoring or reporting
    • 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
    • G06Q20/30—Payment architectures, schemes or protocols characterised by the use of specific devices or networks
    • G06Q20/32—Payment architectures, schemes or protocols characterised by the use of specific devices or networks using wireless devices
    • G06Q20/322—Aspects of commerce using mobile devices [M-devices]
    • G06Q20/3224—Transactions dependent on location of M-devices
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2221/00—Indexing scheme relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F2221/21—Indexing scheme relating to G06F21/00 and subgroups addressing additional information or applications relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F2221/2111—Location-sensitive, e.g. geographical location, GPS

Abstract

거래 위험 검출 방법 및 디바이스, 거래 위험 검출 방법은, 현재 거래 계정을 판정하고, 현재 거래 계정의 이력상 거래 기록을 취득하는 단계(이력상 거래 기록은 현재 거래 계정의 LBS 데이터에 따라 판정됨)(S101)와, 현재 거래 계정의 이력상 거래 기록에 따라 현재 거래 계정의 특징 정보를 취득하는 단계(S102)와, 특징 정보에 따라 위험 관리 및 제어를 수행하는 단계(S103)를 포함한다. 방법은 거래 위험 검출의 정확성을 개선할 수 있다.

Description

거래 위험 검출 방법 및 장치{TRANSACTION RISK DETECTION METHOD AND APPARATUS}
본 발명은 정보 보안 기술 분야에 관한 것으로, 특히, 거래 위험 검출(transaction risk detection) 방법 및 장치에 관한 것이다.
네트워크 지불(payment)의 대중화에 따라, 네트워크 계정을 위한 지불 위험 방지 및 제어가 점점 더 중요하게 되었다. 현재는, 계정의 지불 위험이 주로 계정 도용 위험 및 카드 도용 위험을 포함한다. 계정 도용 위험의 일반적인 특성은, 불법적인 방식으로 계정의 로그인 패스워드(login password) 및 지불 패스워드를 취득한 후, 도용자가 계정 내의 잔고 및 카드에서의 예치금(deposit)을 다른 계정으로 또는 다른 카드로 처분을 위해 이체하는 것이다.
현 단계에서는, 이러한 종류의 위험에 대해, 방지 및 제어 단부(prevention and control end)는 거래 이벤트 정보(양, 시간, 카테고리) 및 환경 정보(도시, 디바이스)를 주로 사용하여 (비정상적인 많은 양, 또는 새로운 도시와 같은) 비정상적인 포인트(point)를 찾아, 잠재적인 위험을 가지는 거래에 대해 필요한 방지 및 제어 조치를 취한다. 그러나, 이 방지 및 제어 방법은 어떤 오판을 야기할 수 있다. 예컨대, 이체가 이례적인 장소(site)에서 수행되거나, 서로에게 돈을 한 번도 이체하지 않은 기혼 커플 간에 대량의 자금 이체가 처음으로 수행되는 경우, 이것은 위험 방지 및 제어 단부에 의해 고위험 거래로 간주될 수 있고, 이체 요청은 바로 거절되어, 위험 오판을 야기한다.
본 발명은 관련 기술에서의 기술적 문제 중 하나를 적어도 어느 정도 해결하는 것을 목표로 한다.
따라서, 본 발명의 목적은 거래 위험 검출 방법을 제공하는 것이고, 그 방법은 거래 위험 검출의 정확성을 개선한다.
본 발명의 다른 목적은 거래 위험 검출 장치를 제공하는 것이다.
위의 목적을 달성하기 위해, 본 발명의 실시예에 의해 제공되는 거래 위험 검출 방법은, 현재 거래 계정(current transaction account)을 판정하고, 현재 거래 계정의 이력상 거래 행적(historical transaction track)을 취득하는 것(이력상 거래 행적은 현재 거래 계정의 LBS 데이터에 따라 판정됨)과, 현재 거래 계정의 이력상 거래 행적에 따라, 현재 거래 계정의 특징 정보(feature information)를 취득하는 것과, 특징 정보에 따라 위험 관리 및 제어(risk management and control)를 수행하는 것을 포함한다.
본 발명의 실시예에서 제안되는 거래 위험 검출 방법은 특징 정보에 따라 위험 점수(risk score)를 판정하고, 특정 정보는 이력상 거래 행적에 따라 판정되며, 이력상 거래 행적은 LBS 데이터에 따라 판정되는바, 따라서 위험 관리 및 제어에의 위치 정보의 적용을 구현하고, 거래 위험 검출의 정확성을 개선한다.
위의 목적을 달성하기 위해, 본 발명의 실시예에 의해 제공되는 거래 위험 검출 장치는, 현재 거래 계정을 판정하고, 현재 거래 계정의 이력상 거래 행적을 취득하도록 구성된 거래 모듈(transaction module)(이력상 거래 행적은 현재 거래 계정의 LBS 데이터에 따라 판정됨)과, 현재 거래 계정의 이력상 거래 행적에 따라, 현재 거래 계정의 특징 정보를 취득하도록 구성된 취득 모듈(acquisition module)과, 특징 정보에 따라 위험 관리 및 제어를 수행하도록 구성된 관리 및 제어 모듈(management and control module)을 포함한다.
본 발명의 실시예에서 제안되는 거래 위험 검출 장치는 특징 정보에 따라 위험 점수를 판정하고, 특징 정보는 이력상 거래 행적에 따라 판정되며, 이력상 거래 행적은 LBS 데이터에 따라 판정되는바, 따라서 위험 관리 및 제어에의 위치 정보의 적용을 구현하고, 거래 위험 검출의 정확성을 개선한다.
본 발명의 추가적인 양상 및 이점 중 몇몇은 이하의 설명에서 제공될 것인데, 몇몇은 이하의 설명으로부터 명백하게 될 것이거나, 본 발명의 실시를 통해 지득될 것이다.
본 발명의 위의 및/또는 추가적인 양상 및 이점은 첨부된 도면을 참조하여 실시예에 대한 이하의 설명으로부터 분명하고 이해하기 쉽게 될 것인데, 여기서
도 1은 본 발명의 실시예에 따른 거래 위험 검출 방법의 개략적인 흐름도이고,
도 2는 본 발명의 실시예에 따라 위치 정보에 따라 획득된 이력상 거래 행적(historical transaction track)의 개략도이며,
도 3은 본 발명의 실시예에 따라 행적 재구성(track reconstruction)에서 행적 각도(track angle)를 계산하는 것의 개략도이고,
도 4는 본 발명의 실시예에 따라 거래 위험 검출 방법에 대응하는 시스템 구조의 개략도이며,
도 5는 본 발명의 다른 실시예에 따른 거래 위험 검출 방법의 개략적인 흐름도이고,
도 6은 본 발명의 다른 실시예에 따라 행적 단편(track segment)의 공간적 거리(spatial distance)를 계산하는 것의 개략도이며,
도 7은 본 발명의 다른 실시예에 따라 특징 행적(feature track)을 추출하는 것의 개략도이고,
도 8은 본 발명의 다른 실시예에 따른 거래 위험 검출 방법의 개략적인 흐름도이며,
도 9는 본 발명의 다른 실시예에 따른 거래 위험 검출 장치의 개략적인 구조도이고,
도 10은 본 발명의 다른 실시예에 따른 거래 위험 검출 장치의 개략적인 구조도이며,
도 11은 본 발명의 다른 실시예에 따른 거리 위험 검출 장치의 개략적인 구조도이다.
본 발명의 실시예가 이하에서 상세히 기술될 것이다. 또한, 실시예의 예가 첨부된 도면에 도시되는데, 본문 도처에서 동일하거나 유사한 참조 번호는 동일하거나 유사한 요소 또는 동일하거나 유사한 기능을 가지는 요소를 나타낸다. 첨부된 도면을 참조하여 이하에 기술된 실시예는 예시적이고 단지 본 발명을 설명하는 데에 사용되며, 본 발명을 한정하는 것으로 해석되어서는 안 된다. 반대로, 본 발명의 실시예는 부기된 청구항의 사상 및 내포 범주 내에 속하는 모든 변화, 수정 및 균등물을 포함한다.
본 발명의 실시예에 따른 거래 위험 검출 방법 및 장치가 첨부된 도면을 참조하여 이하에 기술된다.
도 1은 본 발명의 실시예에 따른 거래 위험 검출 방법의 개략적인 흐름도인데, 방법은 다음을 포함한다:
S101, 현재 거래 계정을 판정하고, 현재 거래 계정의 이력상 거래 행적을 취득하되, 이력상 거래 행적은 현재 거래 계정의 LBS 데이터에 따라 판정됨.
구체적으로, 현재 거래 계정을 획득하기 위해 현재의 거래의 계정이 검출될 수 있다.
현재 거래 계정은 단일 계정일 수 있거나, 현재 거래 계정은 적어도 두 개의 계정일 수 있는데, 예컨대, 하나의 계정으로부터 다른 계정으로의 이체이다.
더욱 구체적으로, 계정의 LBS(위치 기반 서비스(Location Based Service) 데이터가 미리 수집될 수 있는데, LBS 데이터는 위치 정보를 포함한다. 여기서, LBS 데이터는 IP(인터넷 프로토콜(Internet Protocol)) 주소, 와이파이맥(WifiMac)(로컬 영역 네트워크 물리적, 로컬 영역 네트워크 내의 단말을 인식하기 위한 식별자) 주소, GPS(전역 측위 시스템(Global Positioning System)) 정보, 기지국(base station) 정보 및 유사한 것을 포함할 수 있다.
이후, 계정의 이력상 거래 행적은 위치 정보에 따라 획득될 수 있다. 예컨대, 상이한 시점에 획득된 위치 정보가 이력상 거래 행적을 형성하는 데에 사용된다.
특징 포인트가 이력상 거래 행적으로부터 추출되고, 계정의 재구성된 행적이 특징 포인트에 따라 획득된다. 예컨대, 이력상 거래 행적은 응용 시나리오 및 요구사항에 따라 재구성되고 구분되며(divided), 행적은 다양한 데이터 채집(data mining) 방법을 사용함으로써 채집되고 분석된다.
여기서, 특징 포인트는, 이력상 거래 행적의 종단 포인트 중에서, 사전설정된 조건을 만족하는 포인트를 가리킨다.
사전설정된 조건을 만족하는 포인트는, 예컨대, 다음을 포함한다: 주재 포인트(stay point), 그리고 이력상 거래 행적의 특성 변화(characteristic change)를 표현하는(embodying) 포인트.
주재 포인트는 이력상 거래 행적 내에서 동일한 위치에 적어도 두 번 연속적으로 나타나는 포인트를 가리킨다. 예컨대, 이력상 정보(historical information)에 대한 통계 후, 시각(moment) T1에 대응하는 위치 포인트가 P1이고, T1에 인접한 시각 T2에 대응하는 위치 포인트가 또한 P1이고, 곧 P1에 대응하는 포인트는 주재 포인트로 지칭된다.
이력상 거래 행적의 특성 변화를 표현하는 포인트는, 예컨대, 이력상 거래 행적의 위치 방향 변화를 표현하는 포인트이고, 구체적으로, 그 포인트는 이력상 거래 행적 내에 포함된 행적 단편 간의 각도에 의해 표현될 수 있다. 예컨대, 이력상 거래 행적은 P1-P2에 의해 형성된 행적 단편과, P2-P3에 의해 형성된 행적 단편을 포함한다. 만일 P1-P2에 의해 형성된 행적 단편 및 P2-P3에 의해 형성된 행적 단편 간의 각도가 사전설정된 각도보다 더 큰 경우, P2는 이력상 거래 행적의 특성 변화를 표현하는 포인트로 판정될 수 있다. 구체적으로, 도 2에 도시된 바와 같이, 이력상 거래 행적은 행적 포인트 P1, P2, P3 및 P4에 의해 형성된 라인(line) 단편임이 위치 정보에 따라 획득될 수 있다. 여기서, 도 2 내의 좌표계 내의 x축 및 y축은 각각의 행적 포인트의 위치 좌표를 각각 가리키며, 구체적으로, 각각 경도 또는 차원을 가리킬 수 있거나, 2차원 공간적 거리(spatial distance)를 나타낼 수 있는데, 여기서 공간적 거리는 두 포인트 간의 경도 차이 및 차원 차이에 따라 획득될 수 있다.
멤버(member) A는 시간적 선후 순서(chronological order)로 각각 포인트 P1, P2, P3 및 P4에서 나타난다. 예컨대, P1 및 P2와 같은 포인트는 멤버 A의 집에 대응하는 포인트, 사무실에 대응하는 포인트, 수퍼마켓에 대응하는 포인트 및 유사한 것이고, 이의 행적 단편이 행적 P1-P2, P2-P3 및 P3-P4에 의해 형성된다. 지나치게 높은 LBS 데이터 수집 빈도로 인해, 데이터는 과다한 잉여 정보, 예컨대, 도 2 내의 행적 P2-P3 및 P3-P4를 포함할 수 있다. 따라서, 특징 포인트가 이력상 거래 행적으로부터 추출될 수 있고, 계정의 거래 행적은 특징 포인트에 따라 재구성될 수 있다. 예컨대, 행적 P2-P3 및 P3-P4는 새로운 행적 단편 P2-P4를 획득하기 위해 재구성되는바, 따라서 행적 정확성의 약간의 손실로써 차후의 행적 데이터 채집의 운영 효율을 개선한다.
선택적으로, 이력상 거래 행적으로부터 특징 포인트를 추출하는 것은 다음을 포함한다:
이력상 거래 행적의 특성 변화를 표현하는 포인트와, 주재 포인트를 취득하는 것; 및
이력상 거래 행적의 특성 변화를 표현하는 포인트와 주재 포인트를 특징 포인트로 판정하는 것(여기서, 주재 포인트는 동일한 위치에서 적어도 두 번 연속적으로 나타나는 포인트임).
여기서, 이력상 거래 행적의 특성 변화를 표현하는 포인트는 이력상 거래 행적 내에 포함된 행적 단편 간의 각도에 의해 판정될 수 있다.
예컨대, 도 3을 참조하면, 행적 재구성의 관건은 행적의 특성 변화를 표현하는 포인트, 즉 특징 포인트를, 이력상 거래 행적으로부터 찾는 것이다. 특징 포인트의 선택 규칙이 분석기(analyzer)에 의해 설정될 수 있다. 이 실시예에서, 행적 단편 간의 각도는 이력상 거래 행적의 특성 변화를 나타내는 데에 사용된다. 또한, 행적 단편 간의 각도가 판정된 경우, 예컨대, 제2 행적 단편 및 제1 행적 단편 간의 각도가 판정된 경우, 누적 각도(accumulated angle)가 이용될 수 있다. 누적 각도는 제1 행적 단편 및 제2 행적 단편 사이의 인접한 행적 단편 간의 각도가 누적된 것을 가리키고, 누적 각도가 임계(threshold)보다 더 큰 포인트가 특징 포인트이다. 25°가 임계로서 사용된다고 가정하는데; 도 3에서, 계정 A는 시간적 선후 순서로 각각 P1, P2, P3, P4 및 P5에서 나타나고, 이의 행적 단편은 P1-P2, P2-P3, P3-P4 및 P4-P5를 포함한다. 행적 단편 P1-P2 및 P2-P3 간의 각도는 45°와 같은데, 이는 설정된 임계보다 더 크고, 따라서, P2는 특징 포인트이다. P3에 대하여, P2-P3 및 P3-P4 간의 각도가 15°임에 따라, 이는 임계보다 더 작고, 따라서 P3는 특징 포인트가 아니다. P4에 대하여, P3가 특징 포인트가 아님에 따라, P3-P4 및 P4-P5 간의 각도가 아니라 P4-P5 및 P2-P3 간의 누적 각도가 각도 측정 동안에 계산된다. 누적 각도는 15°+3°=18°인데, 이는 설정된 임계에 도달하지 않고, 따라서, P4도 특징 포인트가 아니다. 행적 재구성 동안에, 특징 포인트 P2를 사용함으로써, 행적은 두 개의 새로운 행적 단편 P1-P2, P2-P5로 구분된다.
행적 재구성의 과정에서, 특징 포인트는 주재 포인트를 포함할 수 있고, 연산량을 줄이기 위해, 주재 포인트는 행적 각도의 계산에서 수반되지 않을 수 있음에 유의하여야 한다. 주재 포인트는 동일한 위치에서 적어도 두 번 연속적으로 나타나는 포인트이다. 예컨대, 도 3에서, 포인트 P4가 주재 포인트라고 가정되고, 그러면, P4에 대응하는 누적 각도는 위에서 기술된 바와 같이 계산되지 않을 것인데; 대신에, P4는 특징 포인트로 직접 판정된다. P2가 또한 위의 각도 계산을 통해 특징 포인트로 판정됨에 따라, 재구성 후 행적은 P1-P2, P2-P4, P4-P4(주재 행적(stay track)) 및 P4-P5가 된다. 주재 포인트는, 특수한 특징 포인트로서, 행적 내에 반영된 정보에 핵심적이다. 예컨대, 도면 내에 예시된 방법에 따르면 표 1 내의 두 개의 계정의 행적은 상반되는 행적 방향을 가지는데; 하지만, 그 둘은 공통적인 주재 포인트 (X, Y)를 가지고, 따라서, 주재 포인트로부터 지득되는 바와 같이, 멤버 A 및 멤버 B는 관련된다.
Figure pct00001
S102, 현재 거래 계정의 이력상 거래 행적에 따라 현재 거래 계정의 특징 정보를 취득함.
선택적으로, 각각의 계정에 대응하는 재구성된 행적이 획득된 후, 방법은 다음을 더 포함할 수 있다:
재구성된 행적 내에 포함된 행적 단편을 판정하고, 적어도 하나의 군집화된(clustered) 카테고리를 획득하기 위해 행적 단편을 군집화하는 것;
적어도 하나의 특징 행적을 포함하는 특징 행적 세트(feature track set)를 획득하기 위해, 적어도 하나의 카테고리 중의 각각의 카테고리로부터 특징 행적을 추출하는 것; 및
각각의 계정 및 특징 행적 세트 간의 대응 관계를 보존하는 것(saving).
만일 현재 거래 계정이 단일 계정인 경우, 각각의 계정 및 특징 행적 세트 간의 대응 관계가 획득된 후, 현재 거래 계정에 대응하는 특징 행적 세트가 대응 관계에 따라 판정될 수 있고, 특징 행적 세트는 현재 거래 계정의 특징 정보로 판정된다; 또는,
선택적으로, 만일 현재 거래 계정이 적어도 두 개의 계정을 포함하는 경우, 재구성된 행적이 획득된 후, 방법은 다음을 더 포함할 수 있다: 이력상 거래 행적으로부터, 적어도 두 개의 계정에 각각 대응하는 재구성된 행적을 취득하는 것; 적어도 두 개의 계정에 각각 대응하는 재구성된 행적 간의 시간적-공간적 거리(temporal-spatial distance)를 계산하는 것; 및
시간적-공간적 거리를 특징 정보로 판정하거나, 시간적-공간적 거리에 따라 적어도 두 개의 계정 간의 유사도 값(similarity degree value)을 판정하고, 유사도 값을 특징 정보로 판정하는 것. 여기서, 계정 간의 유사도 값은 시간적-공간적 거리의 역(inverse)에 의해 표현될 수 있다.
S103: 특징 정보에 따라 위험 관리 및 제어를 수행함.
예컨대, 현재 거래 계정의 위험 점수가 특징 정보에 따라 판정된다.
구체적으로, 만일 현재 거래 계정이 단일 계정인 경우, 특징 정보는 현재 거래 계정에 대응하는 특징 행적 세트일 수 있고, 방법은 또한 현재 거래 행적(current transaction track)을 취득하고, 현재 거래 행적을 특징 정보로서 제공되는 특징 행적 세트와 비교함으로써 현재 거래 계정의 위험 점수를 판정할 수 있다.
만일 현재 거래 계정이 적어도 두 개의 계정을 포함하는 경우, 즉, 알리페이(Alipay™)의 계정으로의 이체의 거래, 또는 알리페이(Alipay™)의 모바일 전화 재충전 서비스(모바일 전화는 결속된 알리페이(Alipay™) 계정을 가짐)와 같이, 거래가 적어도 두 당사자를 수반하는 경우, 이 시점에서, 특징 정보는 적어도 두 개의 계정에 각각 대응하는 재구성된 행적 간의 시간적-공간적 거리, 또는, 적어도 두 개의 계정 간의 유사도 값이고, 그러면, 현재 거래 계정의 위험 점수가 시간적-공간적 거리 또는 유사도 값에 따라 판정된다. 여기서, 알리페이(Alipay™)의 모바일 전화 재충전 서비스의 거래에서의 두 당사자는 각각 재충전하는 당사자의 알리페이(Alipay™) 계정과, 재충전 받는 당사자의 알리페이(Alipay™) 계정을 각각 가리킨다. 선택적으로, 위험 점수가 취득된 후, 현재 거래 계정의 위험 점수가 출력될 수 있다.
예컨대, 도 4를 참조하면, 방법에 대응하는 시스템 구조가 다음을 포함할 수 있다: 데이터 계층(data layer)(41), 로직 계층(logic layer)(42) 및 응용 계층(application layer)(43).
도 4에 도시된 바와 같이, 출력은 구체적으로 시각적 출력을 가리킬 수 있다. 예컨대, 위험 점수가 제1 임계보다 더 큰 경우, 위험 점수는 적색으로 표시되고; 위험 점수가 제1 임계 및 제2 임계 사이에 있는 경우, 위험 점수는 황색으로 표시되며; 위험 점수가 제2 임계보다 더 낮은 경우, 위험 점수는 녹색으로 표시된다. 출력 방식은 단지 일례이고, 구분된 간격의 개수는 위의 세 개의 간격으로 한정되지 않으며, 구분 방식은 또한 위의 방식에 한정되지 않을 수 있음이 이해되어야 한다.
추가로, 위험 점수가 획득된 후, 위험 관리 및 제어가 위험 점수에 따라 수행될 수 있다. 예컨대, 사전설정된 임계보다 더 높은 위험 점수를 가지는 거래가 고위험 거래로 판정되고, 그러면, 고위험 거래는 거절될 수 있다.
이 실시예는 특징 정보에 따라 위험 점수를 판정하는데, 특징 정보는 이력상 거래 행적에 따라 판정되고, 이력상 거래 행적은 LBS 데이터에 따라 판정되는바, 따라서 위험 관리 및 제어에의 위치 정보의 적용을 구현하고, 거래 위험 검출의 정확성을 개선한다.
도 5는 본 발명의 다른 실시예에 따른 거래 위험 검출 방법의 개략적인 흐름도이다. 이 실시예에서, 단일 계정인 현재 거래 계정은 예시를 위해 일례로서 사용되고, 방법은 오프라인 훈련 스테이지(offline training stage) 및 온라인 적용 스테이지(online application stage)로 구분된다. 오프라인 운영 스테이지는, 최근에 거래를 가진 멤버에 대해, 멤버의 전형적인 적용 행적을 나타낼 수 있는 행적 세트를 찾아내기 위해, 멤버의 이력상 행적을 사용함으로써 특징 행적 세트를 훈련하는 것을 목표로 한다. 온라인 적용 스테이지에서, 거래가 위험을 갖는지의 실시간 판단 동안에, 계정의 훈련된 특징 행적 세트가 인출되고, 현재의 거래의 행적 및 특징 행적 세트 간의 최소의 거리가 계산된다. 더 작은 거리는 현재의 거래의 더 낮은 위험을 나타내고, 반대도 마찬가지다.
도 5에 도시된 바와 같이, 방법은 다음을 포함한다:
S201, 계정 세트를 취득함.
각각의 계정에 대해, 계정의 LBS 데이터가 수집된다. LBS 데이터는 위치 정보를 포함한다.
여기서, LBS 데이터는 IP(인터넷 프로토콜(Internet Protocol)) 주소, WifiMac(로컬 영역 네트워크 물리적, 로컬 영역 네트워크 내의 단말을 인식하기 위한 식별자) 주소, GPS(전역 측위 시스템(Global Positioning System)) 정보, 기지국 정보 및 유사한 것을 포함할 수 있다.
이후, 계정 세트를 형성하기 위해, 위치 정보에 따라 계정의 이력상 거래 행적이 획득된다.
구체적으로, 대응하는 계정의 이력상 거래 행적을 획득하기 위해, 취득된 위치 정보가 시간적 선후 순서로 연관될 수 있다. 취득된 위치 정보는 또한 우선 정렬될 수 있으니, 예컨대, 인식불가능한 데이터, 분명한 에러 데이터 및 유사한 것을 제거하기 위해 상이한 포맷의 LBS 데이터가 통일화되고 정리되며, 계정의 이력상 거래 행적은 정리된 위치 정보에 따라 획득된다.
S202, 행적을 재구성함.
특징 포인트가 이력상 거래 행적으로부터 추출되고, 계정의 재구성된 행적이 특징 포인트에 따라 획득된다.
행적 재구성의 구체적인 과정을 위해, 위의 실시예에 대해 참조가 행해질 수 있는데, 이는 본 문서에서 반복되지 않는다.
S203, 행적 단편을 군집화함.
구체적으로, 재구성된 행적 내에 포함된 행적 단편이 판정될 수 있고, 행적 단편은 적어도 하나의 군집화된 카테고리를 획득하기 위해 군집화된다.
구체적으로, 우선, 매 2개의 행적 단편 간의 수직 거리(vertical distance), 평행 거리(parallel distance) 및 각도 거리(angular distance)가 계산될 수 있고, 최종 거리(final distance)가 수직 거리, 평행 거리 및 각도 거리에 따라 획득된다. 일반적으로, 계정 A의 행적이 재구성 후 N개의 특징 포인트를 가진다고 가정하면, 계정 A는 N-1개의 행적 단편을 가진다. N-1개의 행적 단편을 군집화하여 특징 행적 단편 세트를 찾아내기 위해, 매 2개의 행적 단편 간의 수직 거리, 평행 거리 및 각도 거리를 포함하는 거리들이 계산될 수 있다.
도 6에 도시된 바와 같이, Ps 및 Pe는 라인 단편 Li 상의 라인 단편 Lj의 투영(projection) 포인트이다. 라인 단편 간의 최종 거리는 수직 거리, 평행 거리 및 각도 거리를 가중화함(weighting)으로써 획득될 수 있고, 가중치는 분석기에 의해 설정될 수 있고, 또한 1로서 사전설정될 수 있다. 더욱이, 주재 행적 단편(stay track segment)이 특수한 라인 단편으로서 사용되고, 이의 거리는 공간 내의 포인트 대 라인 거리(point-to-line distance)인데, 이는 기하학적으로 획득될 수 있다.
행적 단편 간의 최종 거리가 획득된 후, N-1개의 행적 단편은 최종 거리에 따라 군집화될 수 있다. 군집화는 흔히 사용되는 군집화 알고리즘에 의해 구현될 수 있다.
S204, 특징 행적 세트를 추출함.
구체적으로, 적어도 하나의 특징 행적을 포함하는 특징 행적 세트를 획득하기 위해, 적어도 하나의 카테고리 중의 각각의 카테고리로부터 특징 행적이 추출된다. 예를 들면, 행적 군집화 후, 계정 A의 N-1개의 행적 단편이 M개의 카테고리로 군집화된다고 가정하면, 특징 행적이 각각의 카테고리로부터 추출될 수 있고, 따라서, 통틀어 M개의 특징 행적은 계정 A의 M개의 전형적인 이력상 적용 행적을 나타내는 특징 행적 세트를 형성한다. 특징 행적을 추출하는 것의 의의는 온라인 적용의 적시성인데: 먼저, 각각의 계정에 대해, 단지 이의 특징 행적이 저장될 필요가 있는 반면, 모든 산재한(scattered) 행적은 무시되는데, 이는 저장 공간을 대단히 절감하고; 다음으로, 유한한 특징 행적이 각각의 계정에 대해 저장되는바, 따라서 온라인 실시간 호출 및 계산의 성능을 크게 개선한다.
본 발명의 실시예에서, 각각의 카테고리 내에 포함된 행적 단편을 라인 스위핑함(line-sweeping)으로써, 대응하는 카테고리로부터 특징 행적이 추출될 수 있다. 여기서, 특징 행적은 가상의 포인트 시퀀스(virtual point sequence) p1p2...pn이고, 이들 포인트는 라인 스위핑에 의해 판정될 수 있다. 구체적으로, 라인 단편 군집(line segment cluster)의 주축 방향(main axis direction)을 따라 수직으로 라인이 스위핑하는 경우, 스위핑하는 라인과 접하는 라인 단편의 수가 카운트되고(counted), 데이터는 스위핑하는 라인이 라인 단편의 시작 또는 종단 포인트를 거쳐 가는 경우에 바뀔 뿐이다. 만일 그 수가 사전설정된 임계(임계는, 예컨대, 3임) 이상인 경우, 주축에 관련된 라인 단편의 평균 좌표가 계산되고, 평균 값은 특징 행적 내에서 보간되어(interpolated) 특징 행적 내의 포인트가 된다. 그렇지 않으면, 현재의 포인트가 생략되는데(skipped), 예컨대, 도 7 내의 포인트 1 및 포인트 6이 생략된다. 추가로, 특징 행적을 평활화하기(smoothen) 위해, 만일 두 개의 포인트가 서로 너무 가까운 경우, 두 개의 포인트는 또한 직접 생략될 수 있으니, 예컨대, 도 7 내의 포인트 4가 생략된다. 도 7 내의 적색 부분(71)이 추출된 특징 행적이다.
특징 행적 세트가 획득된 후, 각각의 계정 및 특징 행적 세트 간의 대응 관계가 보존될 수 있다.
구체적으로, 데이터베이스가 수립될 수 있고, 각각의 계정의 특징 행적 세트가 실시간으로 갱신되고 각각의 계정에 대응하여 보존된다.
행적 채집 과정은 오프라인으로 완수될 수 있다.
S205, 거래가 검출되는 경우, 현재 거래 계정의 현재 거래 행적을 취득함.
예컨대, 계정 A가 거래를 개시하는 경우, 현재 거래 계정은 계정 A임이 판정될 수 있다.
현재 거래 행적을 취득하는 것은 구체적으로 다음을 포함할 수 있다:
현재 거래 계정의 이전의 거래의 LBS 데이터 및 현재의 거래의 LBS 데이터를 취득하고, LBS 데이터에 따라, 현재의 거래의 위치 정보 및 이전의 거래의 위치 정보를 취득하는 것; 및
현재의 거래의 위치 정보 및 이전의 거래의 위치 정보에 따라, 현재 거래 계정의 현재 거래 행적을 판정하는 것.
S206, 계정에 대응하는 특징 행적 세트 및 현재 거래 행적 간의 거리를 계산함.
계정 A의 M개의 특징 행적을 포함하는 사전훈련된 특징 행적 세트가 계정 및 특징 행적 세트 간의 사전보존된(pre-saved) 대응 관계에 따라 취득될 수 있다.
현재 거래 행적 및 특징 행적 세트가 획득된 후, 현재 거래 행적 및 특징 행적 세트 내의 각각의 특징 행적 간의 공간적 거리가 계산되고, 최소의 공간적 거리가 현재 거래 행적 및 특징 행적 세트 간의 거리 값으로 판정된다.
S207, 위험 점수를 판정함.
예컨대, 현재 거래 계정의 위험 점수가 거리 값에 따라 판정된다.
구체적으로, 거리 값은 현재 거래 계정의 위험 점수로서 판정될 수 있다. 예컨대, 위험 점수는 계산된 최소의 거리, 또는 최소의 거리의 역(이의 값은 0 내지 1임)일 수 있다.
또는, 거리 값이 속하는 임계 범위가 판정되고, 거리 값이 속하는 임계 범위에 대응하는 위험 점수가 임계 범위 및 위험 점수 간의 사전설정된 대응 관계에 따라 판정되며, 위험 점수는 현재 거래 계정의 위험 점수로 판정된다. 예컨대, 대응 관계는 이하의 공식으로서 보여질 수 있다:
Figure pct00002
위험 점수는 위험 측정의 직접적인 표준으로서 사용될 수 있고, 또한 임의의 위험 모델의 부가가치 변수로서 사용될 수 있어, 보통의 위험 모델의 예측 정확성을 개선함이 이해되어야 한다.
이 실시예는, 거래 계정의 LBS 데이터를 수집함으로써, 계정의 이력상 거래 행적 및 현재 거래 행적을 취득하고, 계정에 대응하는 특징 행적 세트를 획득하기 위해 이력상 거래 행적을 재구성하고 군집화하며, 이후 현재의 거래의 위험 점수를 현재 거래 행적 및 각각의 특징 행적 간의 공간적 거리를 계산함으로써 판정하는바, 따라서 위험 관리 및 제어에의 위치 정보의 적용을 구현하고, 거래 위험 검출의 정확성을 개선한다. 추가로, 이력상 거래 행적은 재구성되고 군집화되며, 잉여 정보는 제거되는바, 따라서 저장 공간을 절감하고, 데이터 처리 효율을 효과적으로 개선한다.
도 8은 본 발명의 다른 실시예에 따른 거래 위험 검출 방법의 개략적인 흐름도이다. 이 실시예는 예시를 위해 일례로서 적어도 두 개의 계정을 포함하는 현재 거래 계정을 사용한다. 방법은 단지 적어도 두 개의 계정을 수반하는 거래, 예컨대, 알리페이(Alipay™)의 계정으로의 이체의 거래, 또는 알리페이(Alipay™)의 모바일 전화 재충전 서비스(모바일 전화는 알리페이(Alipay™) 계정에 결속됨)에 적용가능하다. 방법은 오프라인 훈련 스테이지 및 온라인 적용 스테이지로 구분된다. 오프라인 훈련 스테이지에서, 하나의 계정의 이력상 행적 및 다른 계정의 이력상 행적 간의 시간적-공간적 거리를 계산함으로써 계정 간의 행적 관계 점수(track relationship score)가 획득된다. 두 계정의 이력상 행적 간의 유사도가 더 높을수록, 관계 점수가 더 높다. 온라인 적용 스테이지에서, 두 당사자 또는 다수 당사자를 수반하는 거래가 위험을 가지는지의 실시간 판단 동안에, 거래에 수반된 계정의 관계 점수가 인출되고, 분석 시에, 더 높은 점수는 현재의 거래의 더 낮은 위험을 나타내고, 반대도 마찬가지다.
도 8에 도시된 바와 같이, 거래 위험 검출 방법은 다음을 포함한다:
S301, 계정 세트를 취득함.
S302, 행적을 재구성함.
S301 내지 S302의 구체적인 과정을 위해, S201 내지 S202에 대해 참조가 행해질 수 있고, 상세사항은 여기에서 반복되지 않는다.
S303, 행적 간의 시간적-공간적 거리를 계산함. 예컨대, 재구성된 행적 내에서, 매 2개의 행적 간의 시간적-공간적 거리가 계산된다.
여기서, 재구성 후의 행적은 적어도 두 개의 계정에 각각 대응하는 재구성된 행적을 포함한다. 구체적으로, 알리페이(Alipay™)의 계정으로의 이체의 거래, 또는 알리페이(Alipay™)의 모바일 전화 재충전 서비스(모바일 전화는 알리페이(Alipay™) 계정에 결속됨)와 같이, 적어도 두 개의 계정을 수반하는 거래를 위해, 적어도 두 개의 계정에 각각 대응하는 재구성된 행적이 취득될 수 있고, 거래에 수반된 적어도 두 개의 계정에 각각 대응하는 재구성된 행적 간의 시간적-공간적 거리가 계산된다.
시간적-공간적 거리는 일반적으로 이하의 세 개의 방법을 사용하여 계산된다:
제1 방법은 시간적 거리 및 공간적 거리를 각각 계산하고, 어떤 가중치로 시간적 거리 및 공간적 거리를 곱하며, 이후 그것들을 더하여 시간적-공간적 거리를 획득하는 것이다.
제2 방법은 시간 유사성을 사용함으로써 행적을 필터링하고, 이후 행적 간의 공간적 거리를 계산하는 것이다.
제3 방법은 공간 유사성을 사용함으로써 행적을 필터링하고, 이후 행적 간의 시간적 거리를 계산하는 것이다.
시간적-공간적 거리의 구체적인 계산 방법은 흔히 사용되는 시간적-공간적 거리 계산 알고리즘을 사용함으로써 구현될 수 있다.
이 실시예는 일례로서 재구성된 행적 내의 매 2개의 행적 간의 시간적-공간적 거리를 계산하는 것을 사용하고, 선택적으로, 현재의 거래의 두 개의 계정이 정해진 후, 두 개의 계정에 대응하는 재구성된 행적이 취득되며, 이후 두 개의 계정에 대응하는 재구성된 행적 간의 시간적-공간적 거리가 계산된다고 이해가능하다.
S304, 계정 간의 행적 유사도를 계산함.
본 출원의 실시예에서, 적어도 두 개의 계정 간의 유사도 값은 적어도 두 개의 계정에 각각 대응하는 재구성된 행적 간의 시간적-공간적 거리의 역일 수 있고, 그 값은 (0-1)의 범위 내에 있다.
S305, 거래가 검출된 후, 현재 거래 계정의 두 거래 당사자를 판정함.
이 실시예에서, 두 개의 계정 간의 거래가 일례로서 사용된다.
예컨대, 계정 A로부터 계정 B로의 이체가 수행된다.
S306, 위험 점수를 판정함.
예컨대, 계정 A 및 계정 B 간의 유사도 값이 취득되고, 유사도 값에 따라 위험 점수가 계산된다.
이 실시예는 일례로서 유사도 값을 계산하는 것을 사용하고, 선택적으로, 단지 시간적-공간적 거리가 계산되는 반면 유사도 값은 계산되지 않는 것이 또한 가능하며, 위험 점수는 시간적-공간적 거리에 따라 직접적으로 판정된다고 이해가능하다.
구체적으로, 시간적-공간적 거리 또는 유사도 값은 현재 거래 계정의 위험 점수로 판정될 수 있거나;
시간적-공간적 거리 또는 유사도 값이 속하는 임계 범위가 판정되고, 시간적-공간적 거리 또는 유사도 값이 속하는 임계 범위에 대응하는 위험 점수가 임계 범위 및 위험 점수 간의 사전설정된 대응 관계에 따라 판정되며, 위험 점수는 현재 거래 계정의 위험 점수로 판정된다. 예컨대, 대응 관계는 이하의 공식으로서 보여질 수 있다:
Figure pct00003
위험 점수는 위험 측정의 직접적인 표준으로서 사용될 수 있고, 또한 임의의 위험 모델의 부가가치 변수로서 사용될 수 있어, 보통의 위험 모델의 예측 정확성을 개선함이 이해되어야 한다.
이 실시예는 계정의 LBS 데이터를 수집함으로써 계정의 이력상 거래 행적을 취득하고, 이력상 거래 행적을 재구성하며, 거래 동안에, 거래 내의 적어도 두 개의 계정에 각각 대응하는 재구성된 행적 간의 시간적-공간적 거리를 계산하고, 이후 적어도 두 개의 계정 간의 시간적-공간적 거리 또는 유사도 값에 따라 현재의 거래의 위험 점수를 판정하는바, 따라서 위험 관리 및 제어에의 위치 정보의 적용을 구현하고, 거래 위험 검출의 정확성을 개선한다. 그 사이에, 거래 계정 간의 잠재적인 관계가 거래 내의 두 당사자의 계정의 특징 정보에 따라 채집되어서, 위험 오판의 확률이 감소된다.
위의 실시예를 구현하기 위해, 본 발명은 또한 거래 위험 검출 장치를 제공한다.
도 9는 본 발명의 다른 실시예에 따른 거래 위험 검출 장치의 개략적인 구조도이다.
도 9에 도시된 바와 같이, 거래 위험 검출 장치는 다음을 포함한다: 제1 판정 모듈(100)과, 취득 모듈(200)과, 관리 및 제어 모듈(300).
구체적으로, 제1 판정 모듈(100)은 현재 거래 계정을 판정하고, 현재 거래 계정의 이력상 거래 행적을 취득하도록 구성되는데, 이력상 거래 행적은 현재 거래 계정의 LBS 데이터에 따라 판정된다. 더욱 구체적으로, 제1 판정 모듈(100)은 현재 거래 계정을 획득하기 위해 현재의 거래의 계정을 검출할 수 있다.
현재 거래 계정은 단일 계정일 수 있거나, 현재 거래 계정은 적어도 두 개의 계정일 수 있는데, 예컨대, 하나의 계정으로부터 다른 계정으로의 이체이다.
더욱 구체적으로, 계정의 LBS(위치 기반 서비스(Location Based Service)) 데이터가 미리 수집될 수 있는데, LBS 데이터는 위치 정보를 포함한다. 여기서, LBS 데이터는 IP(인터넷 프로토콜(Internet Protocol)) 주소, WifiMac(로컬 영역 네트워크 물리적, 로컬 영역 네트워크 내의 단말을 인식하기 위한 식별자) 주소, GPS(전역 측위 시스템(Global Positioning System)) 정보, 기지국 정보 및 유사한 것을 포함할 수 있다. 이후, 계정의 이력상 거래 행적은 위치 정보에 따라 획득될 수 있다. 예컨대, 상이한 시점에 획득된 위치 정보가 이력상 거래 행적을 형성하는 데에 사용된다.
취득 모듈(200)은 현재 거래 계정의 이력상 거래 행적에 따라 현재 거래 계정의 특징 정보를 취득하도록 구성된다. 선택적으로, 재구성된 행적이 각각의 계정에 대응하여 획득된 후, 재구성된 행적 내에 포함된 행적 단편이 판정될 수 있고, 적어도 하나의 군집화된 카테고리를 획득하기 위해 행적 단편이 군집화된다. 적어도 하나의 특징 행적에 의해 형성된 특징 행적 세트를 획득하기 위해, 적어도 하나의 카테고리 중의 각각의 카테고리로부터 특징 행적이 추출된다. 각각의 계정 및 특징 행적 세트 간의 대응 관계가 보존된다.
만일 현재 거래 계정이 단일 계정인 경우, 각각의 계정 및 특징 행적 세트 간의 대응 관계가 획득된 후, 현재 거래 계정에 대응하는 특징 행적 세트가 대응 관계에 따라 판정되고, 특징 행적 세트는 현재 거래 계정의 특징 정보로 판정된다; 또는,
선택적으로, 만일 현재 거래 계정이 적어도 두 개의 계정을 포함하는 경우, 재구성된 행적이 획득된 후, 적어도 두 개의 계정에 각각 대응하는 재구성된 행적이 또한 이력상 거래 행적으로부터 취득될 수 있고; 적어도 두 개의 계정에 각각 대응하는 재구성된 행적 간의 시간적-공간적 거리가 계산되고; 이후, 시간적-공간적 거리가 특징 정보로 판정되거나, 적어도 두 개의 계정 간의 유사도 값이 시간적-공간적 거리에 따라 판정되고, 유사도 값이 특징 정보로 판정된다. 여기서, 계정 간의 유사도 값은 시간적-공간적 거리의 역에 의해 표현될 수 있다.
관리 및 제어 모듈(300)은 특징 정보에 따라 위험 관리 및 제어를 수행하도록 구성된다. 예컨대, 현재 거래 계정의 위험 점수가 특징 정보에 따라 판정된다. 더욱 구체적으로, 만일 현재 거래 계정이 단일 계정인 경우, 특징 정보는 현재 거래 계정에 대응하는 특징 행적 세트일 수 있고, 제2 판정 모듈(300)은 현재 거래 행적을 취득하고, 현재 거래 행적을 특징 정보로서 제공되는 특징 행적 세트와 비교함으로써 현재 거래 계정의 위험 점수를 판정할 수 있다.
만일 현재 거래 계정이 적어도 두 개의 계정을 포함하는 경우, 즉, 알리페이(Alipay™)의 계정으로의 이체의 거래, 또는 알리페이(Alipay™)의 모바일 전화 재충전 서비스(모바일 전화는 결속된 알리페이(Alipay™) 계정을 가짐)와 같이, 거래가 적어도 두 당사자를 수반하는 경우, 이 시점에서, 특징 정보는 적어도 두 개의 계정에 각각 대응하는 재구성된 행적 간의 시간적-공간적 거리, 또는, 적어도 두 개의 계정 간의 유사도 값이고, 그러면, 현재 거래 계정의 위험 점수가 시간적-공간적 거리 또는 유사도 값에 따라 판정된다.
선택적으로, 위험 점수가 취득된 후, 현재 거래 계정의 위험 점수가 출력될 수 있다. 예컨대, 도 4를 참조하면, 대응하는 시스템 구조가 다음을 포함할 수 있다: 데이터 계층(41), 로직 계층(42) 및 응용 계층(43). 도 4에 도시된 바와 같이, 출력은 구체적으로 시각적 출력을 가리킬 수 있다. 예컨대, 위험 점수가 제1 임계보다 더 큰 경우, 위험 점수는 적색으로 표시되고; 위험 점수가 제1 임계 및 제2 임계 사이에 있는 경우, 위험 점수는 황색으로 표시되며; 위험 점수가 제2 임계보다 더 낮은 경우, 위험 점수는 녹색으로 표시된다. 출력 방식은 단지 일례이고, 구분된 간격의 개수는 위의 세 개의 간격으로 한정되지 않으며, 구분 방식은 또한 위의 방식에 한정되지 않을 수 있음이 이해되어야 한다.
추가로, 위험 점수가 획득된 후, 위험 관리 및 제어가 위험 점수에 따라 수행될 수 있다. 예컨대, 사전설정된 임계보다 더 높은 위험 점수를 가지는 거래가 고위험 거래로 판정되고, 그러면, 고위험 거래는 거절될 수 있다.
이 실시예는 특징 정보에 따라 위험 점수를 판정하는데, 특징 정보는 이력상 거래 행적에 따라 판정되고, 이력상 거래 행적은 LBS 데이터에 따라 판정되는바, 따라서 위험 관리 및 제어에의 위치 정보의 적용을 구현하고, 거래 위험 검출의 정확성을 개선한다.
도 10은 본 발명의 다른 실시예에 따른 거래 위험 검출 장치의 개략적인 구조도이다. 이 실시예에서, 단일 계정인 현재 거래 계정은 예시를 위해 일례로서 사용되고, 장치는 오프라인 훈련 부분 및 온라인 적용 부분으로 구분된다. 오프라인 운영 부분은, 최근에 거래를 가진 멤버에 대해, 멤버의 전형적인 적용 행적을 나타낼 수 있는 행적 세트를 찾아내기 위해, 멤버의 이력상 행적을 사용함으로써 특징 행적 세트를 훈련하는 것을 목표로 한다. 온라인 적용 부분에서, 거래가 위험을 갖는지의 실시간 판단 동안에, 계정의 훈련된 특징 행적 세트가 인출되고, 현재의 거래의 행적 및 특징 행적 세트 간의 최소의 거리가 계산된다. 더 작은 거리는 현재의 거래의 더 낮은 위험을 나타내고, 반대도 마찬가지다.
도 10에 도시된 바와 같이, 거래 위험 검출 장치는 다음을 포함한다: 제1 판정 모듈(100), 취득 모듈(200), 수집 서브모듈(210), 제1 취득 서브모듈(220), 재구성 서브모듈(230), 취득 유닛(231), 판정 유닛(232), 관리 및 제어 모듈(300), 제2 계산 서브모듈(310), 제1 판정 서브모듈(320), 군집화 모듈(400), 제1 계산 서브모듈(410), 군집화 서브모듈(420), 추출 모듈(500), 보존 모듈(600), 측위 모듈(700) 및 제2 판정 모듈(800). 여기서: 취득 모듈(200)은: 수집 서브모듈(210), 제1 취득 서브모듈(220) 및 재구성 서브모듈(230)을 포함하고; 재구성 서브모듈(230)은: 취득 유닛(231) 및 판정 유닛(232)을 포함하며; 관리 및 제어 모듈(300)은: 제2 계산 서브모듈(310) 및 제1 판정 서브모듈(320)을 포함하고; 군집화 모듈(400)은: 제1 계산 서브모듈(410) 및 군집화 서브모듈(420)을 포함한다.
구체적으로, 각각의 계정에 대해, 수집 서브모듈(210)은 계정의 LBS 데이터를 수집한다. LBS 데이터는 위치 정보를 포함할 수 있다. 여기서, LBS 데이터는 IP(인터넷 프로토콜(Internet Protocol)) 주소, WifiMac(로컬 영역 네트워크 물리적, 로컬 영역 네트워크 내의 단말을 인식하기 위한 식별자) 주소, GPS(전역 측위 시스템(Global Positioning System)) 정보, 기지국 정보 및 유사한 것을 포함할 수 있다.
이후, 계정 세트를 형성하기 위해, 제1 취득 서브모듈(220)은 위치 정보에 따라 계정의 이력상 거래 행적을 획득할 수 있다. 더욱 구체적으로, 제1 취득 서브모듈(220)은 취득된 위치 정보를 시간적 선후 순서로 연관시켜, 대응하는 계정의 이력상 거래 행적을 획득하거나; 취득된 위치 정보를 우선 정렬하니, 예컨대, 상이한 포맷의 LBS 데이터를 통일화하고 정리하여 인식불가능한 데이터, 분명한 에러 데이터 및 유사한 것을 제거하며, 계정의 이력상 거래 행적을 정리된 위치 정보에 따라 획득할 수 있다.
재구성 서브모듈(230)은 특징 포인트를 이력상 거래 행적으로부터 추출하고, 계정의 재구성된 행적을 특징 포인트에 따라 획득하도록 구성된다. 여기서, 특징 포인트는, 이력상 거래 행적의 종단 포인트 중에서, 사전설정된 조건을 만족하는 포인트를 가리킨다.
사전설정된 조건을 만족하는 포인트는, 예컨대, 다음을 포함한다: 주재 포인트, 그리고 이력상 거래 행적의 특성 변화를 표현하는 포인트.
주재 포인트는 이력상 거래 행적 내에서 동일한 위치에 적어도 두 번 연속적으로 나타나는 포인트를 가리킨다. 예컨대, 이력상 정보에 대한 통계 후, 시각 T1에 대응하는 위치 포인트가 P1이고, T1에 인접한 시각 T2에 대응하는 위치 포인트가 또한 P1이고, 곧 P1에 대응하는 포인트는 주재 포인트로 지칭된다.
이력상 거래 행적의 특성 변화를 표현하는 포인트는, 예컨대, 이력상 거래 행적의 위치 방향 변화를 표현하는 포인트이고, 구체적으로, 그 포인트는 이력상 거래 행적 내에 포함된 행적 단편 간의 각도에 의해 표현될 수 있다. 예컨대, 이력상 거래 행적은 P1-P2에 의해 형성된 행적 단편과, P2-P3에 의해 형성된 행적 단편을 포함한다. 만일 P1-P2에 의해 형성된 행적 단편 및 P2-P3에 의해 형성된 행적 단편 간의 각도가 사전설정된 각도보다 더 큰 경우, P2는 이력상 거래 행적의 특성 변화를 표현하는 포인트로 판정될 수 있다. 구체적으로, 도 2에 도시된 바와 같이, 이력상 거래 행적은 행적 포인트 P1, P2, P3 및 P4에 의해 형성된 라인 단편임이 위치 정보에 따라 획득될 수 있다. 여기서, 도 2 내의 좌표계 내의 x축 및 y축은 각각의 행적 포인트의 위치 좌표를 각각 가리키며, 구체적으로, 각각 경도 또는 차원을 가리킬 수 있거나, 2차원 공간적 거리를 나타낼 수 있는데, 여기서 공간적 거리는 두 포인트 간의 경도 차이 및 차원 차이에 따라 획득될 수 있다. 멤버 A는 시간적 선후 순서로 각각 포인트 P1, P2, P3 및 P4에서 나타난다. 예컨대, P1 및 P2와 같은 포인트는 멤버 A의 집에 대응하는 포인트, 사무실에 대응하는 포인트, 수퍼마켓에 대응하는 포인트 및 유사한 것이고, 이의 행적 단편이 행적 P1-P2, P2-P3 및 P3-P4에 의해 형성된다. 지나치게 높은 LBS 데이터 수집 빈도로 인해, 데이터는 과다한 잉여 정보, 예컨대, 도 2 내의 행적 P2-P3 및 P3-P4를 포함할 수 있다. 따라서, 특징 포인트가 이력상 거래 행적으로부터 추출될 수 있고, 계정의 거래 행적은 특징 포인트에 따라 재구성될 수 있다. 예컨대, 행적 P2-P3 및 P3-P4는 새로운 행적 단편 P2-P4를 획득하기 위해 재구성되는바, 따라서 행적 정확성의 약간의 손실로써 차후의 행적 데이터 채집의 운영 효율을 개선한다.
선택적으로, 재구성 서브모듈(230)은 이력상 거래 행적으로부터 특징 포인트를 추출하고, 다음을 포함한다:
이력상 거래 행적의 특성 변화를 표현하는 포인트와, 주재 포인트를 취득하도록 구성된 취득 유닛(231); 및
이력상 거래 행적의 특성 변화를 표현하는 포인트와 주재 포인트를 특징 포인트로 판정하도록 구성된 판정 유닛(232)(여기서, 주재 포인트는 동일한 위치에서 적어도 두 번 연속적으로 나타나는 포인트임).
여기서, 이력상 거래 행적의 특성 변화를 표현하는 포인트는 이력상 거래 행적 내에 포함된 행적 단편 간의 각도에 의해 판정될 수 있다.
예컨대, 도 3을 참조하면, 행적 재구성의 관건은 행적의 특성 변화를 표현하는 포인트, 즉 특징 포인트를, 이력상 거래 행적으로부터 찾는 것이다. 특징 포인트의 선택 규칙이 분석기에 의해 설정될 수 있다. 이 실시예에서, 행적 단편 간의 각도는 이력상 거래 행적의 특성 변화를 나타내는 데에 사용된다. 또한, 행적 단편 간의 각도가 판정된 경우, 예컨대, 제2 행적 단편 및 제1 행적 단편 간의 각도가 판정된 경우, 누적 각도가 이용될 수 있다. 누적 각도는 제1 행적 단편 및 제2 행적 단편 사이의 인접한 행적 단편 간의 각도가 누적된 것을 가리키고, 누적 각도가 임계보다 더 큰 포인트가 특징 포인트이다. 25°가 임계로서 사용된다고 가정하는데; 도 3에서, 계정 A는 시간적 선후 순서로 각각 P1, P2, P3, P4 및 P5에서 나타나고, 이의 행적 단편은 P1-P2, P2-P3, P3-P4 및 P4-P5를 포함한다. 행적 단편 P1-P2 및 P2-P3 간의 각도는 45°와 같은데, 이는 설정된 임계보다 더 크고, 따라서, P2는 특징 포인트이다. P3에 대하여, P2-P3 및 P3-P4 간의 각도가 15°임에 따라, 이는 임계보다 더 작고, 따라서 P3는 특징 포인트가 아니다. P4에 대하여, P3가 특징 포인트가 아님에 따라, P3-P4 및 P4-P5 간의 각도가 아니라 P4-P5 및 P2-P3 간의 누적 각도가 각도 측정 동안에 계산된다. 누적 각도는 15°+3°=18°인데, 이는 설정된 임계에 도달하지 않고, 따라서, P4도 특징 포인트가 아니다. 행적 재구성 동안에, 특징 포인트 P2를 사용함으로써, 행적은 두 개의 새로운 행적 단편 P1-P2, P2-P5로 구분된다.
행적 재구성의 과정에서, 특징 포인트는 주재 포인트를 포함할 수 있고, 연산량을 줄이기 위해, 주재 포인트는 행적 각도의 계산에서 수반되지 않을 수 있음에 유의하여야 한다. 주재 포인트는 동일한 위치에서 적어도 두 번 연속적으로 나타나는 포인트이다. 예컨대, 도 3에서, 포인트 P4가 주재 포인트라고 가정되고, 그러면, P4에 대응하는 누적 각도는 위에서 기술된 바와 같이 계산되지 않을 것인데; 대신에, P4는 특징 포인트로 직접 판정된다. P2가 또한 위의 각도 계산을 통해 특징 포인트로 판정됨에 따라, 재구성 후 행적은 P1-P2, P2-P4, P4-P4(주재 행적) 및 P4-P5가 된다. 주재 포인트는, 특수한 특징 포인트로서, 행적 내에 반영된 정보에 핵심적이다. 예컨대, 도면 내에 예시된 방법에 따르면 표 1 내의 두 개의 계정의 행적은 상반되는 행적 방향을 가지는데; 하지만, 그 둘은 공통적인 주재 포인트 (X, Y)를 가지고, 따라서, 주재 포인트로부터 지득되는 바와 같이, 멤버 A 및 멤버 B는 관련된다.
군집화 모듈(400)은 재구성된 행적 내에 포함된 행적 단편을 판정하고, 적어도 하나의 군집화된 카테고리를 획득하기 위해 행적 단편을 군집화하도록 구성된다.
더욱 구체적으로, 우선, 제1 계산 서브모듈(410)은 매 2개의 행적 단편 간의 수직 거리, 평행 거리 및 각도 거리를 계산하고, 최종 거리를 수직 거리, 평행 거리 및 각도 거리에 따라 획득하도록 구성된다. 일반적으로, 계정 A의 행적이 재구성 후 N개의 특징 포인트를 가진다고 가정하면, 계정 A는 N-1개의 행적 단편을 가진다. N-1개의 행적 단편을 군집화하여 특징 행적 단편 세트를 찾아내기 위해, 매 2개의 행적 단편 간의 수직 거리, 평행 거리 및 각도 거리를 포함하는 거리들이 계산될 수 있다.
도 6에 도시된 바와 같이, Ps 및 Pe는 라인 단편 Li 상의 라인 단편 Lj의 투영 포인트이다. 라인 단편 간의 최종 거리는 수직 거리, 평행 거리 및 각도 거리를 가중화함(weighting)으로써 획득될 수 있고:
Figure pct00004
가중치는 분석기에 의해 설정될 수 있고, 또한 1로서 사전설정될 수 있다. 더욱이, 주재 행적 단편이 특수한 라인 단편으로서 사용되고, 이의 거리는 공간 내의 포인트 대 라인 거리인데, 이는 기하학적으로 획득될 수 있다.
행적 단편 간의 최종 거리가 획득된 후, 군집화 서브모듈(420)은 최종 거리에 따라 행적 단편을 군집화하도록 구성된다. 군집화 서브모듈(420)은 N-1개의 행적 단편을 최종 거리에 따라 군집화할 수 있다. 군집화는 흔히 사용되는 군집화 알고리즘에 의해 구현될 수 있다.
추출 모듈(500)은 적어도 하나의 특징 행적을 포함하는 특징 행적 세트를 획득하기 위해, 적어도 하나의 카테고리 중의 각각의 카테고리로부터 특징 행적을 추출하도록 구성된다. 예를 들면, 행적 군집화 후, 계정 A의 N-1개의 행적 단편이 M개의 카테고리로 군집화된다고 가정하면, 특징 행적이 각각의 카테고리로부터 추출될 수 있고, 따라서, 통틀어 M개의 특징 행적은 계정 A의 M개의 전형적인 이력상 적용 행적을 나타내는 특징 행적 세트를 형성한다. 특징 행적을 추출하는 것의 의의는 온라인 적용의 적시성인데: 먼저, 각각의 계정에 대해, 단지 이의 특징 행적이 저장될 필요가 있는 반면, 모든 산재한 행적은 무시되는데, 이는 저장 공간을 대단히 절감하고; 다음으로, 유한한 특징 행적이 각각의 계정에 대해 저장되는바, 따라서 온라인 실시간 호출 및 계산의 성능을 크게 개선한다.
본 발명의 실시예에서, 추출 모듈(500)은 또한, 각각의 카테고리 내에 포함된 행적 단편을 라인 스위핑함으로써, 대응하는 카테고리로부터 특징 행적을 추출할 수 있다. 여기서, 특징 행적은 가상의 포인트 시퀀스 p1p2...pn이고, 이들 포인트는 라인 스위핑에 의해 판정될 수 있다. 구체적으로, 라인 단편 군집의 주축 방향을 따라 수직으로 라인이 스위핑하는 경우, 스위핑하는 라인과 접하는 라인 단편의 수가 카운트되고, 데이터는 스위핑하는 라인이 라인 단편의 시작 또는 종단 포인트를 거쳐 가는 경우에 바뀔 뿐이다. 만일 그 수가 사전설정된 임계(임계는, 예컨대, 3임) 이상인 경우, 주축에 관련된 라인 단편의 평균 좌표가 계산되고, 평균 값은 특징 행적 내에서 보간되어 특징 행적 내의 포인트가 된다. 그렇지 않으면, 현재의 포인트가 생략되는데, 예컨대, 도 7 내의 포인트 1 및 포인트 6이 생략된다. 추가로, 특징 행적을 평활화하기 위해, 만일 두 개의 포인트가 서로 너무 가까운 경우, 두 개의 포인트는 또한 직접 생략될 수 있으니, 예컨대, 도 7 내의 포인트 4가 생략된다. 도 7 내의 적색 부분(71)이 추출된 특징 행적이다.
특징 행적 세트가 획득된 후, 보존 모듈(600)은 각각의 계정 및 특징 행적 세트 간의 대응 관계를 보존할 수 있다. 더욱 구체적으로, 보존 모듈(600)은 데이터베이스를 수립하고, 각각의 계정의 특징 행적 세트를 실시간으로 갱신하며, 각각의 계정에 대응하여 특징 행적 세트를 보존할 수 있다.
행적 채집 과정은 오프라인으로 완수될 수 있다.
거래가 검출되는 경우, 제1 판정 모듈(100)은 현재 거래 계정의 현재 거래 행적을 취득할 수 있다. 예컨대, 계정 A가 거래를 개시하는 경우, 현재 거래 계정은 계정 A임이 판정될 수 있다.
측위 모듈(700)은 현재 거래 계정의 이전의 거래의 LBS 데이터 및 현재의 거래의 LBS 데이터를 취득하고, LBS 데이터에 따라, 현재의 거래의 위치 정보 및 이전의 거래의 위치 정보를 취득하도록 구성된다.
제2 판정 모듈(800)은 현재의 거래의 위치 정보 및 이전의 거래의 위치 정보에 따라, 현재 거래 계정의 현재 거래 행적을 판정하도록 구성된다.
제2 계산 서브모듈(310)은 특징 행적 세트 내의 각각의 특징 행적 및 현재 거래 행적 간의 공간적 거리를 계산하고, 최소의 공간적 거리를 현재 거래 행적 및 특징 행적 세트 간의 거리 값으로 판정하도록 구성된다. 더욱 구체적으로, 제2 계산 서브모듈(310)은, 계정 및 특징 행적 세트 간의 사전보존된 대응 관계에 따라, 계정 A의 M개의 특징 행적을 포함하는 사전훈련된 특징 행적 세트를 취득할 수 있다. 현재 거래 행적 및 특징 행적 세트가 획득된 후, 현재 거래 행적 및 특징 행적 세트 내의 각각의 특징 행적 간의 공간적 거리가 계산되고, 최소의 공간적 거리가 현재 거래 행적 및 특징 행적 세트 간의 거리 값으로 판정된다.
제1 판정 서브모듈(320)은 거리 값에 따라 현재 거래 계정의 위험 점수를 판정하도록 구성된다. 더욱 구체적으로, 제1 판정 서브모듈(320)은 거리 값을 현재 거래 계정의 위험 점수로서 판정할 수 있다. 예컨대, 위험 점수는 계산된 최소 거리, 또는 최소 거리의 역(이의 값은 0 내지 1임)일 수 있다.
또는, 거리 값이 속하는 임계 범위가 판정되고, 거리 값이 속하는 임계 범위에 대응하는 위험 점수가 임계 범위 및 위험 점수 간의 사전설정된 대응 관계에 따라 판정되며, 위험 점수는 현재 거래 계정의 위험 점수로 판정된다. 예컨대, 대응 관계는 이하의 공식으로서 보여질 수 있다:
Figure pct00005
위험 점수는 위험 측정의 직접적인 표준으로서 사용될 수 있고, 또한 임의의 위험 모델의 부가가치 변수로서 사용될 수 있어, 보통의 위험 모델의 예측 정확성을 개선함이 이해되어야 한다.
이 실시예는, 거래 계정의 LBS 데이터를 수집함으로써, 계정의 이력상 거래 행적 및 현재 거래 행적을 취득하고, 계정에 대응하는 특징 행적 세트를 획득하기 위해 이력상 거래 행적을 재구성하고 군집화하며, 이후 현재의 거래의 위험 점수를 현재 거래 행적 및 각각의 특징 행적 간의 공간적 거리를 계산함으로써 판정하는바, 따라서 위험 관리 및 제어에의 위치 정보의 적용을 구현하고, 거래 위험 검출의 정확성을 개선한다. 추가로, 이력상 거래 행적은 재구성되고 군집화되며, 잉여 정보는 제거되는바, 따라서 저장 공간을 절감하고, 데이터 처리 효율을 효과적으로 개선한다.
도 11은 본 발명의 다른 실시예에 따른 거래 위험 검출 장치의 개략적인 구조도이다. 이 실시예는 예시를 위해 일례로서 적어도 두 개의 계정을 포함하는 현재 거래 계정을 사용한다. 이 장치는 적어도 두 개의 계정을 수반하는 거래, 예컨대, 알리페이(Alipay™)의 계정으로의 이체의 거래, 또는 알리페이(Alipay™)의 모바일 전화 재충전 서비스(모바일 전화는 알리페이(Alipay™) 계정에 결속됨)에 적용가능하다. 장치는 오프라인 훈련 부분 및 온라인 적용 부분으로 구분된다. 오프라인 훈련 부분에서, 하나의 계정의 이력상 행적 및 다른 계정의 이력상 행적 간의 시간적-공간적 거리를 계산함으로써 계정 간의 행적 관계 점수가 획득된다. 두 계정의 이력상 행적 간의 더 높은 유사도는 더 높은 관계 점수를 나타낸다. 온라인 적용 부분에서, 두 당사자 또는 다수 당사자를 수반하는 거래가 위험을 가지는지의 실시간 판단 동안에, 거래에 수반된 계정의 관계 점수가 인출되고, 분석 시에, 더 높은 점수는 현재의 거래의 더 낮은 위험을 나타내고, 반대도 마찬가지다.
도 11에 도시된 바와 같이, 거래 위험 검출 장치는 다음을 포함한다: 제1 판정 모듈(100), 취득 모듈(200), 수집 서브모듈(210), 제1 취득 서브모듈(220), 재구성 서브모듈(230), 취득 유닛(231), 판정 유닛(232), 제2 취득 서브모듈(240), 제3 계산 서브모듈(250), 제2 판정 서브모듈(260) 및 관리 및 제어 모듈(300). 여기서: 취득 모듈(200)은: 수집 서브모듈(210), 제1 취득 서브모듈(220), 재구성 서브모듈(230), 제2 취득 서브모듈(240), 제3 계산 서브모듈(250) 및 제2 판정 서브모듈(260)을 포함하고; 재구성 서브모듈(230)은: 취득 유닛(231) 및 판정 유닛(232)을 포함한다.
구체적으로, 제2 취득 서브모듈(240)은, 이력상 거래 행적으로부터, 적어도 두 개의 계정에 각각 대응하는 재구성된 행적을 취득하도록 구성된다. 더욱 구체적으로, 재구성 후의 행적은 적어도 두 개의 계정에 각각 대응하는 재구성된 행적을 포함한다. 구체적으로, 알리페이(Alipay™)의 계정으로의 이체의 거래, 또는 알리페이(Alipay™)의 모바일 전화 재충전 서비스(모바일 전화는 알리페이(Alipay™) 계정에 결속됨)와 같이, 적어도 두 개의 계정을 수반하는 거래를 위해, 제2 취득 서브모듈(240)은 적어도 두 개의 계정에 각각 대응하는 재구성된 행적을 취득할 수 있고, 제3 계산 서브모듈(250)은 거래에 수반된 적어도 두 개의 계정에 각각 대응하는 재구성된 행적 간의 시간적-공간적 거리를 계산한다. 시간적-공간적 거리는 일반적으로 이하의 세 개의 방법을 사용하여 계산된다:
제1 방법은 시간적 거리 및 공간적 거리를 각각 계산하고, 어떤 가중치로 시간적 거리 및 공간적 거리를 곱하며, 이후 그것들을 더하여 시간적-공간적 거리를 획득하는 것이다.
제2 방법은 시간 유사성을 사용함으로써 행적을 필터링하고, 이후 행적 간의 공간적 거리를 계산하는 것이다.
제3 방법은 공간 유사성을 사용함으로써 행적을 필터링하고, 이후 행적 간의 시간적 거리를 계산하는 것이다.
시간적-공간적 거리의 구체적인 계산 방법은 흔히 사용되는 시간적-공간적 거리 계산 알고리즘을 사용함으로써 구현될 수 있다.
이 실시예는 일례로서 재구성된 행적 내의 매 2개의 행적 간의 시간적-공간적 거리를 계산하는 것을 사용하고, 선택적으로, 현재의 거래의 두 개의 계정이 정해진 후, 두 개의 계정에 대응하는 재구성된 행적이 취득되며, 이후 두 개의 계정에 대응하는 재구성된 행적 간의 시간적-공간적 거리가 계산된다고 이해가능하다.
제2 판정 서브모듈(260)은 시간적-공간적 거리를 특징 정보로 판정하거나, 시간적-공간적 거리에 따라 적어도 두 개의 계정 간의 유사도 값을 판정하고, 유사도 값을 특징 정보로 판정하도록 구성된다. 본 출원의 실시예에서, 적어도 두 개의 계정 간의 유사도 값은 적어도 두 개의 계정에 각각 대응하는 재구성된 행적 간의 시간적-공간적 거리의 역일 수 있고, 그 값은 (0-1)의 범위 내에 있다.
거래가 검출된 후, 제1 판정 모듈(100)은 현재 거래 계정의 두 거래 당사자를 판정한다.
이 실시예에서, 두 개의 계정 간의 거래가 일례로서 사용된다.
예컨대, 계정 A로부터 계정 B로의 이체가 수행된다.
이후, 위험 점수가 판정된다.
예컨대, 계정 A 및 계정 B 간의 유사도 값이 취득되고, 유사도 값에 따라 위험 점수가 계산된다.
이 실시예는 일례로서 유사도 값을 계산하는 것을 사용하고, 선택적으로, 단지 시간적-공간적 거리가 계산되는 반면 유사도 값은 계산되지 않는 것이 또한 가능하며, 위험 점수는 시간적-공간적 거리에 따라 직접적으로 판정된다고 이해가능하다.
구체적으로, 제2 판정 모듈(300)은 시간적-공간적 거리 또는 유사도 값을 현재 거래 계정의 위험 점수로 판정하거나;
시간적-공간적 거리 또는 유사도 값이 속하는 임계 범위를 판정하고, 임계 범위 및 위험 점수 간의 사전설정된 대응 관계에 따라, 시간적-공간적 거리 또는 유사도 값이 속하는 임계 범위에 대응하는 위험 점수를 판정하며, 위험 점수를 현재 거래 계정의 위험 점수로 판정할 수 있다. 예컨대, 대응 관계는 이하의 공식으로서 보여질 수 있다:
Figure pct00006
위험 점수는 위험 측정의 직접적인 표준으로서 사용될 수 있고, 또한 임의의 위험 모델의 부가가치 변수로서 사용될 수 있어, 보통의 위험 모델의 예측 정확성을 개선함이 이해되어야 한다.
이 실시예는 계정의 LBS 데이터를 수집함으로써 계정의 이력상 거래 행적을 취득하고, 이력상 거래 행적을 재구성하며, 거래 동안에, 거래 내의 적어도 두 개의 계정에 각각 대응하는 재구성된 행적 간의 시간적-공간적 거리를 계산하고, 이후 적어도 두 개의 계정 간의 시간적-공간적 거리 또는 유사도 값에 따라 현재의 거래의 위험 점수를 판정하는바, 따라서 위험 관리 및 제어에의 위치 정보의 적용을 구현하고, 거래 위험 검출의 정확성을 개선한다. 그 사이에, 거래 계정 간의 잠재적인 관계가 거래 내의 두 당사자의 계정의 특징 정보에 따라 채집되어서, 위험 오판의 확률이 감소된다.
본 발명의 설명에서, 용어 "제1" 및 "제2"는 설명의 목적으로 사용될 뿐이며, 상대적인 중요성을 나타내거나 암시하는 것으로 해석될 수 없음에 유의하여야 한다. 더욱이, 본 발명의 설명에서, "다수"는, 달리 명시되지 않는 한, 둘 이상을 의미한다.
흐름도 내 또는 본 문서에서 임의의 다른 방식으로 기술된 임의의 과정 또는 방법은 특정한 로직 기능 또는 과정 단계를 구현하기 위한 실행가능 명령어 코드의 하나 이상의 모듈, 세그먼트 또는 부분을 포함하는 것으로 해석될 수 있다. 더욱이, 본 발명의 바람직한 실시예의 범주는 다른 구현을 포함하는데, 여기서 기능은, 관련된 기능에 기반하여 상반된 순서 또는 실질적으로 동시적인 방식으로 기능을 실행하는 것을 비롯하여, 묘사되거나 논의된 것과 상이한 순서로 수행될 수 있다. 이것은 본 발명의 실시예가 속하는 업계에서 숙련된 자에 의해 마땅히 이해될 것이다.
본 발명의 각각의 부분은 하드웨어, 소프트웨어, 펌웨어 또는 이들의 조합에 의해 실현될 수 있음이 응당 이해될 것이다. 위의 실시예에서, 메모리 내에 저장되고 적절한 명령어 실행 시스템에 의해 실행되는 소프트웨어 또는 펌웨어에 의해 복수의 단계 또는 방법이 구현될 수 있다. 예컨대, 만일 그것이 다른 실시예에서와 같이 하드웨어에 의해 구현되는 경우, 단계 또는 방법은 업계에 알려진 이하의 기술 중 임의의 하나 또는 이의 조합에 의해 구현될 수 있다: 데이터 신호의 로직 기능을 실현하기 위한 로직 게이트 회로(logic gate circuit)를 가지는 이산 로직 회로(discrete logic circuit), 적절한 조합 로직 게이트 회로(combination logic gate circuit)를 가지는 애플리케이션 특정 집적 회로(application-specific integrated circuit), 프로그램가능 게이트 어레이(Programmable Gate Array: PGA), 필드 프로그램가능 게이트 어레이(Field Programmable Gate Array: FPGA) 등등.
업계에서 숙련된 자는 위의 실시예의 방법 내의 단계 중 전부 또는 일부가 프로그램 명령 관련 하드웨어에 의해 달성될 수 있음을 이해할 터이다. 프로그램은 컴퓨터 판독가능 저장 매체 내에 저장될 수 있고, 프로그램은, 실행되는 경우, 방법 실시예 내의 단계 중 하나 또는 이의 조합을 포함한다.
추가로, 본 발명의 실시예 내의 기능 유닛은 처리 모듈 내에 집적될 수 있거나, 이들 유닛은 물리적으로 별도로 존재할 수 있거나, 둘 이상의 유닛이 하나의 모듈 내에 집적될 수 있다. 집적된 모듈은 하드웨어의 형태로 또는 소프트웨어 기능 모듈의 형태로 구현될 수 있다. 집적된 모듈이 소프트웨어 기능 모듈의 형태로 구현되고 독립형 제품으로서 판매되거나 사용되는 경우, 집적된 모듈은 또한 컴퓨터 판독가능 저장 매체 내에 저장될 수 있다.
위에서 언급된 저장 매체는 판독 전용 메모리(read-only memory), 자기 디스크(magnetic disk), CD 등등일 수 있다.
"실시예", "몇몇 실시예", "일례", "구체적인 예" 또는 "몇몇 예"와 같은 용어에 대한 이 명세서 도처에서의 참조는 그러한 실시예 또는 예와 관련하여 기술된 구체적인 특징, 구조, 재료, 또는 특성이 본 발명의 적어도 하나의 실시예 또는 예에 포함됨을 의미한다. 이 명세서 도처에서의 이들 용어의 설명적 표현은 반드시 동일한 실시예 또는 예를 가리키지는 않는다. 나아가, 기술된 구체적 특징, 구조, 재료 또는 특성은 임의의 하나 이상의 실시예 또는 예에서 적합한 방식으로 조합될 수 있다.
본 발명의 실시예가 위에서 예시되고 기술되었으나, 위의 실시예는 예시적이며 본 발명을 한정하는 것으로 해석될 수 없고, 업계에서 숙련된 자는 본 발명의 범주 내에서 위의 실시예에 대해 변경, 수정, 대체 및 개조를 행할 수 있음이 인식될 것이다.

Claims (12)

  1. 거래 위험 검출 방법으로서,
    현재 거래 계정을 판정하고, 상기 현재 거래 계정의 이력상 거래 행적(historical transaction track)을 취득하는 단계 - 상기 이력상 거래 행적은 상기 현재 거래 계정의 LBS 데이터에 따라 판정됨 - 와,
    상기 현재 거래 계정의 상기 이력상 거래 행적에 따라 상기 현재 거래 계정의 특징 정보를 취득하는 단계와,
    상기 특징 정보에 따라 위험 관리 및 제어를 수행하는 단계를 포함하는
    방법.
  2. 제1항에 있어서,
    상기 현재 거래 계정의 상기 이력상 거래 행적을 취득하는 단계는,
    각각의 계정에 대해, 상기 계정의 LBS 데이터를 수집하는 단계 - 상기 LBS 데이터는 위치 정보를 포함함 - 와,
    상기 위치 정보에 따라 상기 계정의 이력상 거래 행적을 획득하는 단계와,
    상기 이력상 거래 행적으로부터 특징 포인트를 추출하고, 상기 특징 포인트에 따라 상기 계정의 재구성된 행적을 획득하는 단계를 포함하는,
    방법.
  3. 제2항에 있어서,
    상기 이력상 거래 행적으로부터 특징 포인트를 추출하는 단계는,
    상기 이력상 거래 행적의 특성 변화를 표현하는 포인트와, 주재 포인트(stay point)를 취득하는 단계와,
    상기 이력상 거래 행적의 특성 변화를 표현하는 상기 포인트와 상기 주재 포인트를 상기 특징 포인트로 판정하는 단계를 포함하되, 상기 주재 포인트는 동일한 위치에서 적어도 두 번 연속적으로 나타나는 포인트인,
    방법.
  4. 제2항 또는 제3항에 있어서,
    상기 현재 거래 계정은 단일 계정이고,
    상기 재구성된 행적은 각각의 계정에 대응하며,
    상기 재구성된 행적이 획득된 후, 상기 방법은,
    상기 재구성된 행적 내에 포함된 행적 단편을 판정하고, 적어도 하나의 군집화된(clustered) 카테고리를 획득하기 위해 상기 행적 단편을 군집화하는 단계와,
    적어도 하나의 특징 행적을 포함하는 특징 행적 세트를 획득하기 위해, 상기 적어도 하나의 카테고리 중의 각각의 카테고리로부터 특징 행적을 추출하는 단계와,
    각각의 계정 및 상기 특징 행적 세트 간의 대응 관계를 보존하는 단계를 더 포함하는,
    방법.
  5. 제4항에 있어서,
    상기 행적 단편을 군집화하는 단계는,
    매 2개의 행적 단편 간의 수직 거리, 평행 거리 및 각도 거리를 계산하고, 상기 수직 거리, 상기 평행 거리 및 상기 각도 거리에 따라 최종 거리를 획득하는 단계와,
    상기 최종 거리에 따라 상기 행적 단편을 군집화하는 단계를 포함하는,
    방법.
  6. 제4항에 있어서,
    각각의 카테고리로부터 상기 특징 행적을 추출하는 단계는,
    각각의 카테고리 내에 포함된 행적 단편을 라인 스위핑함(line-sweeping)으로써, 특징 행적을 대응하는 카테로리로부터 추출하는 단계를 포함하는,
    방법.
  7. 제4항에 있어서,
    상기 특징 정보에 따라 위험 관리 및 제어를 수행하는 단계 전에, 상기 방법은,
    상기 현재 거래 계정의 이전의 거래의 LBS 데이터 및 현재의 거래의 LBS 데이터를 취득하고, 상기 LBS 데이터에 따라, 상기 현재의 거래의 위치 정보 및 상기 이전의 거래의 위치 정보를 취득하는 단계와,
    상기 현재의 거래의 상기 위치 정보 및 상기 이전의 거래의 상기 위치 정보에 따라, 상기 현재 거래 계정의 현재 거래 행적을 판정하는 단계를 더 포함하는,
    방법.
  8. 제7항에 있어서,
    상기 특징 정보는 상기 현재 거래 계정에 대응하는 특징 행적 세트이고,
    상기 특징 정보에 따라 위험 관리 및 제어를 수행하는 단계는,
    상기 특징 행적 세트 내의 각각의 특징 행적 및 상기 현재 거래 행적 간의 공간적 거리를 계산하고, 최소 공간적 거리를 상기 현재 거래 행적 및 상기 특징 행적 세트 간의 거리 값으로 판정하는 단계와,
    상기 거리 값에 따라 상기 현재 거래 계정의 위험 점수를 판정하는 단계를 포함하는,
    방법.
  9. 제8항에 있어서,
    상기 거리 값에 따라 상기 현재 거래 계정의 위험 점수를 판정하는 단계는,
    상기 거리 값을 상기 현재 거래 계정의 위험 점수로 판정하는 단계, 또는
    상기 거리 값이 속하는 임계 범위(threshold range)를 판정하고, 임계 범위 및 위험 점수 간의 사전설정된 대응 관계에 따라, 상기 거리 값이 속하는 상기 임계 범위에 대응하는 위험 점수를 판정하며, 상기 위험 점수를 상기 현재 거래 계정의 상기 위험 점수로 판정하는 단계를 포함하는,
    방법.
  10. 제2항 또는 제3항에 있어서,
    상기 현재 거래 계정은 적어도 두 개의 계정을 포함하되, 상기 재구성된 행적은 상기 적어도 두 개의 계정에 각각 대응하는 재구성된 행적을 포함하고, 상기 재구성된 행적이 획득된 후 상기 현재 거래 계정의 상기 이력상 거래 행적에 따라 상기 현재 거래 계정의 특징 정보를 취득하는 단계는,
    상기 이력상 거래 행적으로부터, 상기 적어도 두 개의 계정에 각각 대응하는 상기 재구성된 행적을 취득하는 단계와,
    상기 적어도 두 개의 계정에 각각 대응하는 상기 재구성된 행적 간의 시간적-공간적 거리를 계산하는 단계와,
    상기 시간적-공간적 거리를 상기 특징 정보로 판정하거나, 상기 시간적-공간적 거리에 따라 상기 적어도 두 개의 계정 간의 유사도 값을 판정하고, 상기 유사도 값을 상기 특징 정보로 판정하는 단계를 포함하는,
    방법.
  11. 제10항에 있어서,
    상기 특징 정보에 따라 위험 관리 및 제어를 수행하는 단계는,
    상기 시간적-공간적 거리 또는 상기 유사도 값을 상기 현재 거래 계정의 위험 점수로 판정하는 단계, 또는
    상기 시간적-공간적 거리 또는 상기 유사도 값이 속하는 임계 범위를 판정하고, 임계 범위 및 위험 점수 간의 사전설정된 대응 관계에 따라, 상기 시간적-공간적 거리 또는 상기 유사도 값이 속하는 상기 임계 범위에 대응하는 위험 점수를 판정하며, 상기 위험 점수를 상기 현재 거래 계정의 상기 위험 점수로 판정하는 단계를 포함하는,
    방법.

  12. 거래 위험 검출 장치로서,
    현재 거래 계정을 판정하고, 상기 현재 거래 계정의 이력상 거래 행적을 취득하도록 구성된 제1 판정 모듈 - 상기 이력상 거래 행적은 상기 현재 거래 계정의 LBS 데이터에 따라 판정됨 - 과,
    상기 현재 거래 계정의 상기 이력상 거래 행적에 따라 상기 현재 거래 계정의 특징 정보를 취득하도록 구성된 취득 모듈과,
    상기 특징 정보에 따라 위험 관리 및 제어를 수행하도록 구성된 관리 및 제어 모듈을 포함하는
    장치.
KR1020177017853A 2014-12-30 2015-12-22 거래 위험 검출 방법 및 장치 KR102205096B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201410843822.6 2014-12-30
CN201410843822.6A CN105809502A (zh) 2014-12-30 2014-12-30 交易风险检测方法和装置
PCT/CN2015/098256 WO2016107463A1 (zh) 2014-12-30 2015-12-22 交易风险检测方法和装置

Publications (2)

Publication Number Publication Date
KR20170100535A true KR20170100535A (ko) 2017-09-04
KR102205096B1 KR102205096B1 (ko) 2021-01-21

Family

ID=56284241

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020177017853A KR102205096B1 (ko) 2014-12-30 2015-12-22 거래 위험 검출 방법 및 장치

Country Status (9)

Country Link
US (1) US20170300919A1 (ko)
EP (1) EP3242236B8 (ko)
JP (1) JP6742320B2 (ko)
KR (1) KR102205096B1 (ko)
CN (1) CN105809502A (ko)
ES (1) ES2848278T3 (ko)
PL (1) PL3242236T3 (ko)
SG (1) SG11201705039QA (ko)
WO (1) WO2016107463A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102042442B1 (ko) * 2019-03-21 2019-11-08 주식회사 닉컴퍼니 디지털 컴플라이언스 및 위험 관리를 위한 레그테크 플랫폼 장치, 금융거래 위험 관리 방법 및 이를 위한 컴퓨터 프로그램

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11398915B2 (en) * 2016-08-26 2022-07-26 Samsung Electronics Co., Ltd. Apparatus and method for two-way authentication
CN108229963B (zh) * 2016-12-12 2021-07-30 创新先进技术有限公司 用户操作行为的风险识别方法及装置
CN108235228B (zh) * 2016-12-13 2020-09-01 阿里巴巴集团控股有限公司 一种安全校验方法和装置
CN107395562A (zh) * 2017-06-14 2017-11-24 广东网金控股股份有限公司 一种基于聚类算法的金融终端安全保护方法及系统
CN107967530A (zh) * 2017-06-22 2018-04-27 深圳市盈华讯方通信技术有限公司 基于数据分析的支付渠道推选方法及其系统
CN109272312B (zh) * 2017-07-18 2021-07-13 中国银联股份有限公司 用于交易风险实时侦测的方法和装置
CN107578238A (zh) * 2017-08-08 2018-01-12 阿里巴巴集团控股有限公司 一种风险控制方法及设备
CN107818506A (zh) * 2017-09-30 2018-03-20 上海壹账通金融科技有限公司 电子装置、信贷风险控制方法及存储介质
CN108021612B (zh) * 2017-11-02 2020-11-27 招商银行股份有限公司 交易地点度量方法、设备及计算机可读存储介质
CN109101989B (zh) * 2018-06-29 2021-06-29 创新先进技术有限公司 一种商户分类模型构建和商户分类方法、装置及设备
CN111292085B (zh) * 2018-12-10 2023-06-30 北京嘀嘀无限科技发展有限公司 交易风险评估的方法、装置、设备及计算机可读存储介质
CN110046783B (zh) * 2018-12-13 2023-04-28 创新先进技术有限公司 冒用账户识别方法、装置、电子设备及存储介质
CN110033278B (zh) * 2019-03-27 2023-06-23 创新先进技术有限公司 风险识别方法和装置
CN110135856B (zh) * 2019-05-16 2023-10-24 中国银联股份有限公司 一种重复交易风险监测方法、装置及计算机可读存储介质
CN110363515B (zh) * 2019-06-05 2023-07-18 创新先进技术有限公司 权益卡账户信息查询方法、系统、服务器及可读存储介质
CN110647675B (zh) 2019-08-07 2022-05-27 北京百度网讯科技有限公司 停留点识别及预测模型训练方法、装置及存储介质
CN110677815A (zh) * 2019-08-07 2020-01-10 北京百度网讯科技有限公司 停留点识别方法、装置、计算机设备及存储介质
CN110689218A (zh) * 2019-08-13 2020-01-14 平安科技（深圳）有限公司 风险用户识别方法、装置、计算机设备及存储介质
CN110533531B (zh) * 2019-09-05 2022-03-29 中国工商银行股份有限公司 识别异常账户的方法和装置、介质和电子设备
CN113935738B (zh) * 2020-06-29 2024-04-19 腾讯科技（深圳）有限公司 交易数据处理方法、装置、存储介质及设备
CN112907257B (zh) * 2021-04-26 2024-03-26 中国工商银行股份有限公司 风险阈值确定方法、装置和电子设备
CN113521750B (zh) * 2021-07-15 2023-10-24 珠海金山数字网络科技有限公司 异常账号检测模型训练方法和异常账号检测方法
CN113888182A (zh) * 2021-10-25 2022-01-04 支付宝(杭州)信息技术有限公司 风险检测策略体系的构建方法、装置及设备
CN114627504B (zh) * 2022-03-17 2023-01-10 盐城笃诚建设有限公司 一种建筑工程劳务人员管理系统及管理方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070013969A (ko) * 2005-07-27 2007-01-31 서울신용평가정보 주식회사 고객 행동 분석 정보를 이용한 식별주체 검증 시스템 및방법
US20130110715A1 (en) * 2011-10-27 2013-05-02 Bank Of America Corporation Use of Velocity in Fraud Detection or Prevention
US20130218765A1 (en) * 2011-03-29 2013-08-22 Ayman Hammad Graduated security seasoning apparatuses, methods and systems
US8700526B1 (en) * 2012-12-05 2014-04-15 Google Inc. Methods for discovering and paying debts owed by a group
US20140180974A1 (en) * 2012-12-21 2014-06-26 Fair Isaac Corporation Transaction Risk Detection
WO2014160296A1 (en) * 2013-03-13 2014-10-02 Guardian Analytics, Inc. Fraud detection and analysis

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7403922B1 (en) * 1997-07-28 2008-07-22 Cybersource Corporation Method and apparatus for evaluating fraud risk in an electronic commerce transaction
JP4082028B2 (ja) * 2001-12-28 2008-04-30 ソニー株式会社 情報処理装置および情報処理方法、並びに、プログラム
US9471920B2 (en) * 2009-05-15 2016-10-18 Idm Global, Inc. Transaction assessment and/or authentication
US20120109821A1 (en) * 2010-10-29 2012-05-03 Jesse Barbour System, method and computer program product for real-time online transaction risk and fraud analytics and management
US8666829B1 (en) * 2010-12-13 2014-03-04 Eventbrite, Inc. Detecting fraudulent event listings
CN102194177A (zh) * 2011-05-13 2011-09-21 南京柯富锐软件科技有限公司 一种用于在线支付风险控制的系统
CN102509223A (zh) * 2011-11-21 2012-06-20 快钱支付清算信息有限公司 一种针对移动终端刷卡收款的安全管理方法和系统
US9619852B2 (en) * 2012-04-17 2017-04-11 Zighra Inc. Context-dependent authentication system, method and device
US9911110B2 (en) * 2013-03-05 2018-03-06 Square, Inc. Predicting approval of transactions
US20140278879A1 (en) * 2013-03-12 2014-09-18 Mastercard International Incorporated Method and system for prevention of violations in offer redemption
US10270748B2 (en) * 2013-03-22 2019-04-23 Nok Nok Labs, Inc. Advanced authentication techniques and applications
GB2512340A (en) * 2013-03-27 2014-10-01 Riskpointer Oy Electronic arrangement and related method for automated fraud prevention in connection with digital transactions
CN103530772A (zh) * 2013-09-30 2014-01-22 深圳钱盒信息技术有限公司 一种移动互联支付风险控制方法及系统
CN103745397A (zh) * 2014-01-27 2014-04-23 上海坤士合生信息科技有限公司 基于位置场景识别实现电子交易风险控制的系统及方法
CN103745345A (zh) * 2014-01-27 2014-04-23 上海坤士合生信息科技有限公司 应用于交易平台实现金融信息分级安全处理的系统及方法
US11257074B2 (en) * 2014-09-29 2022-02-22 Visa International Service Association Transaction risk based token
WO2016060640A1 (en) * 2014-10-13 2016-04-21 Empire Technology Development Llc Verification location determination for entity presence confirmation of online purchases

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070013969A (ko) * 2005-07-27 2007-01-31 서울신용평가정보 주식회사 고객 행동 분석 정보를 이용한 식별주체 검증 시스템 및방법
US20130218765A1 (en) * 2011-03-29 2013-08-22 Ayman Hammad Graduated security seasoning apparatuses, methods and systems
US20130110715A1 (en) * 2011-10-27 2013-05-02 Bank Of America Corporation Use of Velocity in Fraud Detection or Prevention
US8700526B1 (en) * 2012-12-05 2014-04-15 Google Inc. Methods for discovering and paying debts owed by a group
US20140180974A1 (en) * 2012-12-21 2014-06-26 Fair Isaac Corporation Transaction Risk Detection
WO2014160296A1 (en) * 2013-03-13 2014-10-02 Guardian Analytics, Inc. Fraud detection and analysis

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102042442B1 (ko) * 2019-03-21 2019-11-08 주식회사 닉컴퍼니 디지털 컴플라이언스 및 위험 관리를 위한 레그테크 플랫폼 장치, 금융거래 위험 관리 방법 및 이를 위한 컴퓨터 프로그램

Also Published As

Publication number Publication date
SG11201705039QA (en) 2017-07-28
JP2018507464A (ja) 2018-03-15
WO2016107463A1 (zh) 2016-07-07
EP3242236B1 (en) 2020-10-14
EP3242236A1 (en) 2017-11-08
PL3242236T3 (pl) 2021-05-31
KR102205096B1 (ko) 2021-01-21
ES2848278T3 (es) 2021-08-06
US20170300919A1 (en) 2017-10-19
EP3242236B8 (en) 2020-12-02
CN105809502A (zh) 2016-07-27
JP6742320B2 (ja) 2020-08-19
EP3242236A4 (en) 2018-08-01

Similar Documents

Publication Publication Date Title
KR20170100535A (ko) 거래 위험 검출 방법 및 장치
US9639844B2 (en) Method and apparatus of identifying a website user
CN105701123B (zh) 人车关系的识别方法及装置
CN103795613B (zh) 一种在线社交网络中朋友关系预测的方法
CN106548343B (zh) 一种非法交易检测方法及装置
CN113205037B (zh) 事件检测的方法、装置、电子设备以及可读存储介质
KR101848193B1 (ko) 디스크 용량의 예측방법, 장치, 설비 및 비휘발성 컴퓨터기억매체
CN103678299A (zh) 一种监控视频摘要的方法及装置
CN108764943B (zh) 基于资金交易网络的可疑用户监测分析方法
CN103607391B (zh) 一种基于K‑means的SQL注入攻击检测方法
WO2022267455A1 (zh) 欺诈用户集中区域的预测方法、装置、设备及存储介质
Wei et al. Delle: Detecting latest local events from geotagged tweets
CN115033732B (zh) 一种时空轨迹关联方法、装置、电子设备及存储介质
CN112052337A (zh) 基于时空关联的目标关系探测方法、系统及存储介质
CN116302640A (zh) 异常分析方法、装置、计算机设备及计算机可读存储介质
CN115330841A (zh) 基于雷达图的抛洒物检测方法、装置、设备和介质
CN111078440B (zh) 一种磁盘错误检测方法、装置及存储介质
TWI626550B (zh) 用於預測系統障礙熱區之處理系統與方法
CN105930462A (zh) 基于云计算平台的海量数据处理方法
CN108960862A (zh) 虚假制造云服务识别方法
CN116186549B (zh) 模型的训练方法、装置、设备和介质
CN108074301A (zh) 一种交通卡的实名制方法及装置
Wang et al. SocialAnalysis: A real-time query and mining system from social media data streams
Kurpanik et al. EYE: Big data system supporting preventive and predictive maintenance of robotic production lines
CN116108220A (zh) 一种选址方法、装置、终端及计算机可读存储介质

Legal Events

Date Code Title Description
AMND Amendment
E902 Notification of reason for refusal
AMND Amendment
E90F Notification of reason for final refusal
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant