CN105931046A - 一种可疑交易节点集合侦测方法及装置 - Google Patents
一种可疑交易节点集合侦测方法及装置 Download PDFInfo
- Publication number
- CN105931046A CN105931046A CN201510947459.7A CN201510947459A CN105931046A CN 105931046 A CN105931046 A CN 105931046A CN 201510947459 A CN201510947459 A CN 201510947459A CN 105931046 A CN105931046 A CN 105931046A
- Authority
- CN
- China
- Prior art keywords
- node
- division
- node set
- transaction
- nodes
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
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
- G06Q20/382—Payment protocols; Details thereof insuring higher security of transaction
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Computer Security & Cryptography (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明涉及金融安全技术领域,尤其涉及一种可疑交易节点集合侦测方法及装置,用以解决现有技术在侦测金融网络中的可疑洗钱社区时,存在精确和效率较低,难以发现隐蔽性较好的异常交易社团的技术问题,包括:针对金融网络中的n个节点,将n个节点分别进行p次划分,得到p个划分集合,并根据这p个划分集合得到一个划分集合模块度最大的划分集合,并将该划分集合中节点集合信息熵最大的节点集合作为可疑交易节点集合。该方法充分考虑了节点节点之间的关联性,节点之间的网络拓扑结构中各个节点之间的关系,从而可以准确可靠地确定出金融网络中的可疑交易节点集合,该可疑交易节点集合即为可以交易社区。
Description
技术领域
本发明涉及金融安全技术领域,尤其涉及一种可疑交易节点集合侦测方法及装置。
背景技术
金融网络社区发现是指对金融网络中那些内在联系紧密,外在联系稀疏的团体或子网络进行侦测,形成多个子社区,对这些社区进行挖掘,能够发现网络中隐藏的联系和规律。金融网络社区侦测技术对侦测那些隐藏于正常金融交易网络中的洗钱团伙有重要作用。
现有技术中,主要是通过基于信息熵的方法来对金融网络中异常交易社区进行侦测,该方法做法如下:首先对金融网络中的交易行为和资金流等特征进行分析,结合交易过程和模式特点,参考我国大额交易报告的详细规定,对异常交易和大额交易频次分析和识别;然后在金融网络社区结构分析的基础上,对异常交易进行特征提取、量化等步骤,根据金融网络中节点的相似性或联系紧密度作为划分依据,对网络中的节点进行划分,从而形成一些内在节点高度相似或联系紧密,外在节点彼此相异或联系松散的子团或子网络,这些子团或子网络称为社区,整个网络就是由这些社区组成的。
该方法主要存在的缺点是效率和精度较低,难以发现隐蔽性较好的异常交易社团。
综上所述,现有技术在侦测金融网络中的可疑洗钱社区时,存在精确和效率较低,难以发现隐蔽性较好的异常交易社团的技术问题。
发明内容
本发明提供一种可疑交易节点集合侦测方法及装置,用以解决现有技术在侦测金融网络中的可疑洗钱社区时,存在精确和效率较低,难以发现隐蔽性较好的异常交易社团的技术问题。
一方面,本发明实施例提供的一种可疑交易节点集合侦测方法,包括:
确定待侦测金融网络中的n个节点,其中,一个节点为一个银行账户,n为大于1的整数;
针对一个节点,根据设定时长内所述节点的节点转账信息,确定所述节点的节点信息熵;
将所述n个节点分别进行p次划分,得到p个划分集合,其中,所述p个划分集合中的任一划分集合包含m个节点集合,一个划分集合中的m个节点集合之间无交集,一个划分集合中的m个节点集合的并集为所述n个节点,所述m个节点集合中的任一节点与该节点所属的节点集合中至少一个节点相连接,其中,两个节点相连接是指两个节点之间有转账交易,其中,1≤m≤n,p为大于1的整数;
根据所述p个划分集合,确定一个划分集合模块度最大的划分集合,并将确定的划分集合中节点集合信息熵最大的节点集合确定为可疑交易节点集合;其中,每个划分集合的划分集合模块度,是根据所述n个节点的节点信息熵及节点之间的连接边数确定的;两个节点相连接是指两个节点之间有转账交易。
可选地,根据下列方式确定一个划分集合的划分集合模块度,包括:
根据所述划分集合中每个节点集合中节点的节点信息熵,确定所述划分集合中每个节点集合的节点集合信息熵;
根据节点之间的连接边数,确定所述划分集合中任意两个节点集合之间的连接边数;
根据所述划分集合中任意两个节点集合之间的连接边数,确定每个节点集合的节点集合网信息熵;
根据所述划分集合中所有节点集合的节点集合信息熵,所述划分集合中所有节点集合的节点集合网信息熵以及所述n个节点之间的总连接边数,确定所述划分集合的划分集合模块度。
可选地,根据下列公式确定划分集合j的划分集合模块度:
其中,Tj为所述划分集合j的划分集合模块度,Rk为所述划分集合j的第k个节点集合的节点集合信息熵,Ek为所述划分集合j中的第k个节点集合的节点集合网信息熵,n4为预先设定的系数,KL为所述n个节点之间的总连接边数,1≤j≤p,m为所述划分集合中的节点集合数量。
可选地,根据下列公式确定所述划分集合中的节点集合k的节点集合信息熵:
其中,Rk为节点集合k的节点集合信息熵,Hi为所述节点集合k中的第i个节点的节点信息熵,mk为所述节点集合k的节点数量,1≤k≤m,1≤mk≤n;
根据下列公式确定所述节点集合k的节点集合网信息熵:
其中,Ek为所述节点集合k的节点集合网信息熵,lkk'为节点集合k与节点集合k’之间的连接边数,节点集合k’为所述m个节点集合中除所述节点集合k之外的任一节点集合,n1,n2,n3为预先设定的系数。
可选地,所述针对一个节点,根据设定时长内所述节点的节点转账信息,确定所述节点的节点信息熵,包括:
根据所述节点在设定时长内的节点转账信息,确定所述节点的平均洗钱概率;
根据所述节点的平均洗钱概率,确定所述节点的节点信息熵。
可选地,根据下列公式确定节点i的平均洗钱概率:
其中,为所述设定时长内节点i的平均洗钱概率,L为所述设定时长,Pi为所述设定时长内的一个单位时长内的洗钱概率,并且其中,Qi为所述单位时长内节点i的节点转账信息中的总交易金额,Di为所述单位时长内节点i的节点转账信息中的总交易次数,Ki为所述单位时长内节点i的节点转账信息中的总节点度,Q为待侦测金融网络在所述单位时长内的总交易金额,D为待侦测金融网络在所述单位时长内的总交易次数,K为待侦测金融网络在所述单位时长内的总节点度,节点i为所述n个节点中的任一节点。
可选地,根据下列公式确定节点i的节点信息熵:
其中,Hi为节点i在所述设定时长的节点信息熵,为所述设定时长内节点i的平均洗钱概率,n为预先设定的系数。
可选地,根据下列方式确定一个划分集合:
从所述n个节点中随机选择m个节点分别作为m个节点集合的中心节点;
针对其它的n-m个节点中的一个,若该节点只与所述m个中心节点中的一个中心节点相连接,则将该节点划分到所述中心节点所在的节点集合;若该节点与所述m个中心节点中的多个中心节点相连接,则将该节点划分到与该节点相连且边权值最大的中心节点所在的节点集合;若该节点与所述m个中心节点都不相连,则将该节点划分到与该节点之间的边权值最大的节点所在的集合。
可选地,根据下列公式确定节点i和节点j之间的边权值:
其中,ωij为设定时长内节点i和节点j之间的边权值,Tij为所述设定时长内所述节点交易信息中节点i和节点j之间的交易次数,Ti为所述设定时长内所述节点交易信息中节点i的交易次数,Tj为所述设定时长内所述节点交易信息中节点j的交易次数,Fij为所述设定时长内所述节点交易信息中节点i和节点j之间的交易金额,Fi为所述设定时长内所述节点交易信息中节点i的交易金额,Fj为所述设定时长内所述节点交易信息中节点j的交易金额,t1,t2,t3,t4,s分别为设定的系数,节点i为所述n个节点中的任一节点,节点j为所述n个节点中除节点i之外的任一节点。
可选地,所述根据所述p个划分集合,确定一个划分集合模块度最大的划分集合,并将确定的划分集合中节点集合信息熵最大的节点集合确定为可疑交易节点集合,包括:
将所述p个划分集合作为p个初始个体;
将每个划分集合的划分集合模块度作为该划分集合对应的个体的适应度函数;
初始化交叉概率Pc,变异概率Pm,选择概率Pi,迭代次数iter;
根据遗传算法及所述p个初始个体,确定一个适应度函数值最大的个体;
将确定的所述适应度函数值最大的个体对应的划分集合确定为划分集合模块度最大的划分集合,并将确定的划分集合中节点集合信息熵最大的节点集合确定为可疑交易节点集合。
另一方面,本发明实施例提供的一种可疑交易节点集合侦测装置,包括:
节点确定单元,用于确定待侦测金融网络中的n个节点,其中,一个节点为一个银行账户,n为大于1的整数;
节点信息熵确定单元,用于针对一个节点,根据设定时长内所述节点的节点转账信息,确定所述节点的节点信息熵;
划分单元,用于将所述n个节点分别进行p次划分,得到p个划分集合,其中,所述p个划分集合中的任一划分集合包含m个节点集合,一个划分集合中的m个节点集合之间无交集,一个划分集合中的m个节点集合的并集为所述n个节点,所述m个节点集合中的任一节点与该节点所属的节点集合中至少一个节点相连接,其中,两个节点相连接是指两个节点之间有转账交易,其中,1≤m≤n,p为大于1的整数;
可疑交易节点集合确定单元,用于根据所述p个划分集合,确定一个划分集合模块度最大的划分集合,并将确定的划分集合中节点集合信息熵最大的节点集合确定为可疑交易节点集合;其中,每个划分集合的划分集合模块度,是根据所述n个节点的节点信息熵及节点之间的连接边数确定的;两个节点相连接是指两个节点之间有转账交易。
可选地,所述可疑交易节点集合确定单元,具体用于:
根据所述划分集合中每个节点集合中节点的节点信息熵,确定所述划分集合中每个节点集合的节点集合信息熵;
根据节点之间的连接边数,确定所述划分集合中任意两个节点集合之间的连接边数;
根据所述划分集合中任意两个节点集合之间的连接边数,确定每个节点集合的节点集合网信息熵;
根据所述划分集合中所有节点集合的节点集合信息熵,所述划分集合中所有节点集合的节点集合网信息熵以及所述n个节点之间的总连接边数,确定所述划分集合的划分集合模块度。
可选地,所述可疑交易节点集合确定单元,具体用于:
根据下列公式确定划分集合j的划分集合模块度:
其中,Tj为所述划分集合j的划分集合模块度,Rk为所述划分集合j的第k个节点集合的节点集合信息熵,Ek为所述划分集合j中的第k个节点集合的节点集合网信息熵,n4为预先设定的系数,KL为所述n个节点之间的总连接边数,1≤j≤p,m为所述划分集合中的节点集合数量。
可选地,所述可疑交易节点集合确定单元,具体用于:
根据下列公式确定所述划分集合中的节点集合k的节点集合信息熵:
其中,Rk为节点集合k的节点集合信息熵,Hi为所述节点集合k中的第i个节点的节点信息熵,mk为所述节点集合k的节点数量,1≤k≤m,1≤mk≤n;
根据下列公式确定所述节点集合k的节点集合网信息熵:
其中,Ek为所述节点集合k的节点集合网信息熵,lkk'为节点集合k与节点集合k’之间的连接边数,节点集合k’为所述m个节点集合中除所述节点集合k之外的任一节点集合,n1,n2,n3为预先设定的系数。
可选地,所述节点信息熵确定单元,具体用于:
根据所述节点在设定时长内的节点转账信息,确定所述节点的平均洗钱概率;
根据所述节点的平均洗钱概率,确定所述节点的节点信息熵。
可选地,所述节点信息熵确定单元,具体用于:
根据下列公式确定节点i的平均洗钱概率:
其中,为所述设定时长内节点i的平均洗钱概率,L为所述设定时长,Pi为所述设定时长内的一个单位时长内的洗钱概率,并且其中,Qi为所述单位时长内节点i的节点转账信息中的总交易金额,Di为所述单位时长内节点i的节点转账信息中的总交易次数,Ki为所述单位时长内节点i的节点转账信息中的总节点度,Q为待侦测金融网络在所述单位时长内的总交易金额,D为待侦测金融网络在所述单位时长内的总交易次数,K为待侦测金融网络在所述单位时长内的总节点度,节点i为所述n个节点中的任一节点。
可选地,所述节点信息熵确定单元,具体用于:
根据下列公式确定节点i的节点信息熵:
其中,Hi为节点i在所述设定时长的节点信息熵,为所述设定时长内节点i的平均洗钱概率,n为预先设定的系数。
可选地,所述划分单元,具体用于:
根据下列方式确定一个划分集合:
从所述n个节点中随机选择m个节点分别作为m个节点集合的中心节点;
针对其它的n-m个节点中的一个,若该节点只与所述m个中心节点中的一个中心节点相连接,则将该节点划分到所述中心节点所在的节点集合;若该节点与所述m个中心节点中的多个中心节点相连接,则将该节点划分到与该节点相连且边权值最大的中心节点所在的节点集合;若该节点与所述m个中心节点都不相连,则将该节点划分到与该节点之间的边权值最大的节点所在的集合。
可选地,所述划分单元,还用于:
根据下列公式确定节点i和节点j之间的边权值:
其中,ωij为设定时长内节点i和节点j之间的边权值,Tij为所述设定时长内所述节点交易信息中节点i和节点j之间的交易次数,Ti为所述设定时长内所述节点交易信息中节点i的交易次数,Tj为所述设定时长内所述节点交易信息中节点j的交易次数,Fij为所述设定时长内所述节点交易信息中节点i和节点j之间的交易金额,Fi为所述设定时长内所述节点交易信息中节点i的交易金额,Fj为所述设定时长内所述节点交易信息中节点j的交易金额,t1,t2,t3,t4,s分别为设定的系数,节点i为所述n个节点中的任一节点,节点j为所述n个节点中除节点i之外的任一节点。
可选地,所述可疑交易节点集合确定单元,具体用于:
将所述p个划分集合作为p个初始个体;
将每个划分集合的划分集合模块度作为该划分集合对应的个体的适应度函数;
初始化交叉概率Pc,变异概率Pm,选择概率Pi,迭代次数iter;
根据遗传算法及所述p个初始个体,确定一个适应度函数值最大的个体;
将确定的所述适应度函数值最大的个体对应的划分集合确定为划分集合模块度最大的划分集合,并将确定的划分集合中节点集合信息熵最大的节点集合确定为可疑交易节点集合。
本发明实施例提供的方法,针对金融网络中的n个节点,将n个节点分别进行p次划分,得到p个划分集合,并根据这p个划分集合得到一个划分集合模块度最大的划分集合,并将该划分集合中节点集合信息熵最大的节点集合作为可疑交易节点集合。该方法,充分考虑了节点节点之间的关联性,节点之间的网络拓扑结构中各个节点之间的关系,从而可以准确可靠地确定出金融网络中的可疑交易节点集合,该可疑交易节点集合即为可以交易社区。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的可疑交易节点集合侦测方法流程图;
图2为本发明实施例提供的节点拓扑结构示意图;
图3为本发明实施例提供的可疑交易节点集合侦测方法详细流程图;
图4为本发明实施例提供的可疑交易节点集合侦测装置示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部份实施例,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它实施例,都属于本发明保护的范围。
下面结合说明书附图对本发明实施例作进一步详细描述。
如图1所示,本发明实施例提供的可疑交易节点集合侦测方法方法,包括:
步骤101、确定待侦测金融网络中的n个节点;
其中,一个节点为一个银行账户;
步骤102、针对一个节点,根据设定时长内所述节点的节点转账信息,确定所述节点的节点信息熵;
步骤103、将所述n个节点分别进行p次划分,得到p个划分集合;
其中,所述p个划分集合中的任一划分集合包含m个节点集合,一个划分集合中的m个节点集合之间无交集,一个划分集合中的m个节点集合的并集为所述n个节点,所述m个节点集合中的任一节点与该节点所属的节点集合中至少一个节点相连接,其中,两个节点相连接是指两个节点之间有转账交易,其中,1≤m≤n,p为大于1的整数;
步骤104、根据所述p个划分集合,确定一个划分集合模块度最大的划分集合,并将确定的划分集合中节点集合信息熵最大的节点集合确定为可疑交易节点集合。
其中,每个划分集合的划分集合模块度,是根据所述n个节点的节点信息熵及节点之间的连接边数确定的;两个节点相连接是指两个节点之间有转账交易。
本发明实施例中的节点指的是可用于资金转入和资金转出的银行账户。如图2所示,为本发明实施例提供的节点拓扑结构示意图,其中以总节点数为9进行举例说明,实际应用中,总节点数不限。9个节点分别表示9待侦测金融网络中的9个银行账户,节点与节点之间有连接边,表示这两个节点之间有交易来往,节点之间的边权值大小反映了两个节点之间交易的频繁程度。比如,节点1和节点2,节点1和节点2之间的边权值为20,两个节点之间的边权值是根据两个节点在一定时长内的交易次数、交易金额等综合因素来确定的,反映了两个节点间的交易的频繁程度,边权值越大,说明节点间交易越频繁。
上述步骤101中,首先确定出待侦测金融网络中的n个节点,其中,一个节点为一个银行账户,n为大于1的整数,n个节点表示n个要进行侦测的银行账户,本发明方法最终的目的是要从这n个节点中找出部分节点的集合,这些节点的集合即为可以交易节点集合,也可以称之为可疑交易社区。
上述步骤102中,针对n个节点中的一个节点,根据设定时长内所述节点的节点转账信息,确定所述节点的节点信息熵。
其中,一个节点的节点信息熵是根据设定时长内该节点的节点转账信息确定的,其中设定时长可以是设定的天数,比如10天,20天等,也可以是设定的小时数,比如4小时,8小时等,具体设定时长视实际需要而定,节点转账信息包含节点在设定时长的每个节点的总交易金额,总交易次数,总节点度,以及待侦测金融网络在设定时长的总交易金额,总交易次数,总节点度。其中,一个节点的总节点度是指设定时长内与该节点有交易的节点的数量,比如,节点i在设定时长内与节点j有10次交易、节点k有20次交易、节点l有5次交易、节点m有有6次交易,则节点i的总节点度为4,节点i的总交易次数为31次。
其中,节点信息熵用于表示该节点有参与交易的频繁程度。
待侦测金融网络在设定时长的总交易金额为设定时长内所有节点的总转出金额和总转入金额之和,在设定时长的总交易次数为设定时长内所有节点的总转出次数和总转入次数之和,在设定时长的总节点度为设定时长内所有节点的总节点度之和。例如设定时长为2天,则可进一步在设定时长内划分单位时长,比如单位时长为1天,待侦测金融网络中包含3个节点A,B,C。
第一天:节点A向节点B转账1000万元,节点B向节点C转账500万元;
第二天:节点B向节点A转账300万元,节点A向节点C转账400万元;
则在设定时长内(即2天内),待侦测金融网络的总交易金额为2000万元,总交易次数为4次,总节点度为6。
上述步骤103中,将所述n个节点分别进行p次划分,得到p个划分集合。
其中,所述p个划分集合中的任一划分集合包含m个节点集合,一个划分集合中的m个节点集合之间无交集,一个划分集合中的m个节点集合的并集为所述n个节点,所述m个节点集合中的任一节点与该节点所属的节点集合中至少一个节点相连接,其中,两个节点相连接是指两个节点之间有转账交易,其中,1≤m≤n,p为大于1的整数。
还是以图2为例进行说明,图2中有9个节点,即n=9,假设m取值为3,p取值为4,即进行4次划分。在将9个节点进行4次划分后得到的4个划分集合分别为:
划分集合1:{{1,2},{5,3,6,8},{9,4,7}};
划分集合2:{{1,2,6,7},{4,3,9},{8,5}};
划分集合3:{{2,1,6},{3,5},{9,4,8,7}};
划分集合4:{{4,3,2},{5,8,6},{7,1,9}}。
因此,9个节点在4次划分中,得到了4个划分集合,其中,每个划分集合均被划分成了3个节点集合,一个划分集合中的任意两个节点集合无交集,一个划分集合中的所有节点集合的并集为所述9个节点。
在步骤104中,根据所述p个划分集合,确定一个划分集合模块度最大的划分集合,并将确定的划分集合中节点集合信息熵最大的节点集合,确定为可疑交易节点集合。例如,确定一个划分集合模块度最大的划分集合为{{2,5,7},{1,3,4},{6,8,9}},并且其中的节点集合{1,3,4}的节点信息熵最大,则最终确定节点集合{1,3,4}为可疑交易节点集合,即节点集合{1,3,4}所代表的银行账户组成的集合为一个可疑交易社区。
对于每个划分集合,都需要计算出该划分集合的划分集合模块度,具体地,是根据所述n个节点的节点信息熵及节点之间的连接边数,确定划分集合的划分集合模块度;其中,两个节点相连接是指两个节点之间有转账交易,例如,针对上述4个划分集合,得到每个划分集合的划分集合模块度分别为51,32,42,12等,一个划分集合的划分集合模块度的大小可以反映该划分集合中存在可疑交易节点集合的概率的大小,划分集合模块度越大,则该划分集合中存在可疑交易节点集合的概率越大。
本发明实施例提供的方法,针对金融网络中的n个节点,将n个节点分别进行p次划分,得到p个划分集合,并根据这p个划分集合得到一个划分集合模块度最大的划分集合,并将该划分集合中节点集合信息熵最大的节点集合作为可疑交易节点集合。该方法,充分考虑了节点节点之间的关联性,节点之间的网络拓扑结构中各个节点之间的关系,从而可以准确可靠地确定出金融网络中的可疑交易节点集合,该可疑交易节点集合即为可以交易社区。
上述步骤102中,针对一个节点,根据设定时长内该节点的节点信息熵确定该节点的节点信息熵的方式有很多,具体可以根据实际需要而确定相应的节点信息熵计算方式,比如,可以先确定该节点在设定时长内的所有单位时长内的洗钱概率,然后根据其中最大的洗钱概率来确定该节点的节点信息熵;或者是先确定该节点在设定时长内的所有单位时长内的洗钱概率,然后根据其中第二大的洗钱概率来确定该节点的节点信息熵。具体方式视实际需要而定。
可选地,所述针对一个节点,根据设定时长内所述节点的节点转账信息,确定所述节点的节点信息熵,包括:
根据所述节点在设定时长内的节点转账信息,确定所述节点的平均洗钱概率;
根据所述节点的平均洗钱概率,确定所述节点的节点信息熵。
上述方式,根据设定设定时长内的节点转账信息,确定概率的平均洗钱概率,,然后根据平均洗钱概率,确定该节点的节点信息熵。例如,设定时长为L天,单位时长为一天,则首先计算出该节点每天的洗钱概率,然后计算出该节点在L天的平均洗钱概率,然后根据该节点在L天的平均洗钱概率,确定出该节点的节点信息熵。该方法,通过节点的平均洗钱概率来确定该节点的节点信息熵,可以更加准确地反映节点拓扑网络中每个节点的洗钱可能性的大小,从而可以有助于更加精确地侦测出可疑交易节点集合。
对于如何确定一个节点的平均洗钱概率,以及如何根据平均洗钱概率确定节点信息熵,视实际需要而定。
可选地,根据下列公式确定节点i的平均洗钱概率:
其中,为所述设定时长内节点i的平均洗钱概率,L为所述设定时长,Pi为所述设定时长内的一个单位时长内的洗钱概率,并且其中,Qi为所述单位时长内节点i的节点转账信息中的总交易金额,Di为所述单位时长内节点i的节点转账信息中的总交易次数,Ki为所述单位时长内节点i的节点转账信息中的总节点度,Q为待侦测金融网络在所述单位时长内的总交易金额,D为待侦测金融网络在所述单位时长内的总交易次数,K为待侦测金融网络在所述单位时长内的总节点度,节点i为所述n个节点中的任一节点。
上述方法中,给出了计算节点i的平均洗钱概率的具体公式,其中,设定时长可以是天数,比如10天,单位时长可以是1天,则首先根据公式计算出节点i每天的洗钱概率,然后计算出节点i在这10天的平均洗钱概率,该方法在计算一个节点的单位时长的洗钱概率时,充分考虑到了该节点在单位时长内的总交易金额,总交易次数,总节点度,以及待侦测金融网络在单位时长内的总交易金额,总交易次数,总节点度,从而可以更加全面准确地反映当前金融网络中各个节点交易的情况,有助于更加精确地侦测出可疑交易节点集合。
上述方法中只是给出了计算节点单位时长洗钱概率的一种方式,实际应用中还可以有其它方式来计算,具体视实际需要而定。
可选地,根据下列公式确定节点i的节点信息熵:
其中,Hi为节点i在所述设定时长的节点信息熵,为所述设定时长内节点i的平均洗钱概率,n为预先设定的系数。
上述方法,给出了一种计算一个节点的节点信息熵的具体公式,其中设定的系数n的优选取值为2,即优选地,一个节点的节点信息熵体现了该节点与其它节点产生转账交易的概率大小,从而可以反映当前节点转账的频繁程度。
上述步骤103中,将n个节点分别进行p次划分,得到p个划分集合。其中,具体的划分方式不做具体限定。例如可以是将n个节点随机划分成m个节点集合,或者是根据节点的节点信息熵的大小来划分,下面给出一种具体的方式。
可选地,根据下列方式确定一个划分集合:
从所述n个节点中随机选择m个节点分别作为m个节点集合的中心节点;
针对其它的n-m个节点中的一个,若该节点只与所述m个中心节点中的一个中心节点相连接,则将该节点划分到所述中心节点所在的节点集合;若该节点与所述m个中心节点中的多个中心节点相连接,则将该节点划分到与该节点相连且边权值最大的中心节点所在的节点集合;若该节点与所述m个中心节点都不相连,则将该节点划分到与该节点之间的边权值最大的节点所在的集合。
上述方式,在将n个节点划分为m个节点时,主要是根据节点之间是否有连接,即节点之间是否有交易记录,以及根据节点之间的边权值大小。
首选从n个节点中随机选出m个节点,分别做为m个节点集合的中心节点,然后分别将其它的n-m个节点划分到其中一个中心节点所在的节点集合,其它n-m个节点分三种类型:
第一种类型:节点只与其中一个中心节点相连。将该节点划分到该中心节点所在的节点集合;
第二种类型:节点与多个中心节点相连。将该节点划分到与该节点边权值最大的中心节点所在的节点集合;
第三种类型:节点不与任何中心节点相连。该节点划分到与该节点之间的边权值最大的节点所在的集合。
下面结合图2,举个例子进行说明。参考图2,一共有9个节点,假设m取值为3,p取值为2,即进行两次划分。
假设第一次划分,随机选出的3个中心节点分别为1,5,8,下面依次对其它节点进行帅选。
针对节点2,由于节点只与一个中心节点,即与中心节点1相连,因而节点2与中心节点1属于同一节点集合;
针对节点3,由于节点只与一个中心节点,即与中心节点5相连,因而节点2与中心节点5属于同一节点集合;
针对节点4,由于节点只与一个中心节点,即与中心节点7相连,因而节点2与中心节点8属于同一节点集合;
针对节点6,节点6与中心节点1,5,8都相连,但与中心节点5的边权值最大,因此节点6与中心节点5属于同一节点集合;
针对节点7,由于节点只与一个中心节点,即与中心节点1相连,因而节点7与中心节点1属于同一节点集合;
针对节点9,由于节点9不与3个中心节点中的任何一个中心节点相连,但由于节点9与节点7之间的边权值较大,因此节点9与节点7属于同一节点集合,而节点7与中心节点1属于同一节点集合,因此,节点9与节点1属于同一节点集合。
经过上述方法的划分,第一次划分的结果为,9个节点被划分到3个节点集合中,分别为节点集合1:{1,2,7,9},节点集合2:{5,3,6},节点集合3:{8,4}。
针对第二次划分,假设随机选择的3个中心节点为3,6,9,则依据同样的方法,最终确定的3个节点集合分别为节点集合1:{3,2,4};节点集合2:{6,1,5};节点集合3:{9,7,8}。
因此通过上次划分,依据图2,当p=2,n=9,m=3时,得到的最终划分结果为:
划分集合1:{{1,2,7,9},{5,3,6},{8,4}}。
划分集合2:{{3,2,4},{6,1,5},{9,7,8}}。
上述划分方法,简单易实现,并且使用了节点之间的连接关系和边权值大小,因而可以同一节点集合中的节点都是紧密相关的,即同一节点集合中的节点时具有交易来往的,因而可以有助于准确地侦测出可疑交易节点集合。
上述方法中,用到了两个节点之间的边权值,其中,两个节点之间的边权值大小反映了两个节点之间的交易频繁程度,并且,边权值越大,说明节点之间的交易越频繁。对于节点之间的边权值的计算方式有很多,下面给出一种边权值的计算方法。
可选地,根据下列公式确定节点i和节点j之间的边权值:
其中,ωij为设定时长内节点i和节点j之间的边权值,Tij为所述设定时长内所述节点交易信息中节点i和节点j之间的交易次数,Ti为所述设定时长内所述节点交易信息中节点i的交易次数,Tj为所述设定时长内所述节点交易信息中节点j的交易次数,Fij为所述设定时长内所述节点交易信息中节点i和节点j之间的交易金额,Fi为所述设定时长内所述节点交易信息中节点i的交易金额,Fj为所述设定时长内所述节点交易信息中节点j的交易金额,t1,t2,t3,t4,s分别为设定的系数,节点i为所述n个节点中的任一节点,节点j为所述n个节点中除节点i之外的任一节点。
上述方法,计算节点i和节点j之间的边权值时,用到了节点i的交易次数,交易金额,节点j的交易次数,交易金额,以及节点i与节点j之间的交易次数,交易金额,并且优选地,t1取值为2,t2取值为2,t3取值为2,t4取值为2,s取值为2,即 该方法计算两个节点之间的边权值时,充分使用了两个节点自身的交易信息,以及节点之间的交易信息,从而可以计算出来的边权值可以很多反映两个节点之间的交易频繁程度,其中,边权值越大,表明节点之间的交易越频繁。
上述步骤104中,在得到p个划分集合后,可以首先计算出每一个划分集合的划分集合模块度,然后选出划分集合模块度最大的一个划分集合,并从选出的划分集合中选出一个节点集合信息熵最大的节点集合作为可疑交易节点集合,但是考虑到为了使得最终能够更加准确地得到可疑交易节点集合,因此实际应用中需要划分集合的样本数量足够大。
比如,第一种方式可以是保证划分集合的样本数量p的取值尽可能地大,比如取值1000,2000等,但这种简单地将p值取很大值的方式存在一个问题,就是p个样本有可能会有很大部分产生重叠,因为一个划分集合被划分成什么样的节点集合,完全取决于m个中心节点的选取,如果m个中心节点选取一样,则两个样本,即两个划分集合就是一样的。
比如,第二种方式可以是事先规定p个样本的m个中心节点分别不同,该方式可以很好地解决第一种方式中出现的问题,但该方式也不是最佳的选择方式,因为事先规定每个样本的m个中心节点的选择,首先增加了难度,比较麻烦,其次,有可能最佳的结果没有被事先规定的选择方式所包含,从而导致无法找出最佳结果。
通过上述分析,为了扩大划分集合的多样性和全面性,需要结合其它的一些方法,实际应用中,有很多人工智能算法,可以做到对初始样本的扩大化,比如人工鱼群算法、模拟退火算法、蚁群算法、遗传算法等,下面本发明实施例结合给出一种结合遗传算法来得到划分集合模块度最大的划分集合的具体实现。
可选地,所述根据所述p个划分集合,确定一个划分集合模块度最大的划分集合,并将确定的划分集合中节点集合信息熵最大的节点集合确定为可疑交易节点集合,包括:
将所述p个划分集合作为p个初始个体;
将每个划分集合的划分集合模块度作为该划分集合对应的个体的适应度函数;
初始化交叉概率Pc,变异概率Pm,选择概率Pi,迭代次数iter;
根据遗传算法及所述p个初始个体,确定一个适应度函数值最大的个体;
将确定的所述适应度函数值最大的个体对应的划分集合确定为划分集合模块度最大的划分集合,并将确定的划分集合中节点集合信息熵最大的节点集合确定为可疑交易节点集合。
上述方法中,p个划分集合可以作为遗传算法的p个初始个体,每个划分集合的划分集合模块度作为该划分集合对应的个体的适应度函数,然后根据遗传算法及所述p个初始个体,确定一个适应度函数值最大的个体,并将确定的适应度函数值最大的个体对应的划分集合确定为划分集合模块度最大的划分集合,最后,将确定的划分集合中节点集合信息熵最大的节点集合确定为可疑交易节点集合。下面结合具体例子进行说明。
比如,p取值为3,m取值为3,初始3个个体分别为:
划分集合1:{{1,2,7,9},{5,3,6},{8,4}};
划分集合2:{{3,2,4},{6,1,5},{9,7,8}};
划分集合3:{{2,1},{4,3,5,6,8},{7,9}}。
其中,每个划分集合即为遗传算法的一个初始化的个体,每个划分集合模块度即为个体的适应度函数,适应度函数值越大,表明个体越优异,即表明个体对应的划分集合中包含可疑交易节点集合的概率越大。
下面需要根据遗传算法,根据以上3个划分集合,再迭代出更多的划分集合例如在规定的迭代次数iter达到后,总共产生了2000个个体,即两个划分集合,那么最终根据遗传算法得到的结果为20000个个体中适应度函数值最大的个体,即最终在规定的迭代次数iter达到后,可以得到一个划分集合模块度最大的划分集合,然后将该划分集合中节点信息熵最大的节点集合作为最终的可疑交易节点集合,即可疑交易社区。
首先,需要对每个个体进行编码,由于编码方式很多,下面给出一种编码方式来进行说明。
将3个划分集合进行编码后,得到3个编码个体,分别为:
编码个体1:(1,1,2,3,2,2,1,3,1);
编码个体2:(2,1,1,1,2,2,3,3,3);
编码个体3:(1,1,2,2,2,2,3,2,3)。
以编码个体1为例,每个编码个体中包含n个编码单元,每个编码单元的数字表明该编码单元对应的节点属于哪一个节点集合,编码个体1中第1个数字1表示节点1属于节点集合1,第2个数字1表明节点2属于节点集合1,第3个数字2表明节点3属于节点集合2,第4个数字3表明节点4属于节点集合3,第5个数字2表明节点5属于节点集合2,第6个数字2表明节点6属于节点集合2,第7个数字1表明节点7属于节点集合1,第8个数字3表明节点8属于节点集合3,第9个数字1表明节点9属于节点集合1。
编码个体2和编码个体3编码方式与编码个体1相同。
由于遗传算法属于公知的算法,在此不多赘述,下面主要将遗传算法涉及到的3个操作进行一下说明,即选择操作,交叉操作,变异操作。
其中,选择操作为从初始的p个个体中从中选择部分个体作为进行迭代的初始个体,本发明实施例中有3个个体,比如最终选择出划分集合1和划分集合3作为进行迭代的初始个体,即从编码后的3个个体中选择编码个体1和编码个体3作为进一步迭代的初始个体;
交叉操作指的是针对两个个体之间的部分编码单元进行交换,从而可以得到两个新的个体,比如针对编码个体1和编码个体3,首先选择一个交叉位置,比如选择交叉位置为7,即将编码个体1和编码个体3的第7个编码单元进行交换,从而得到两个新的编码个体,即:
交叉前:
编码个体1:(1,1,2,3,2,2,1,3,1);
编码个体3:(1,1,2,2,2,2,3,2,3)。
交叉后:
编码个体1:(1,1,2,3,2,2,3,3,1);
编码个体3:(1,1,2,2,2,2,1,2,3)。
变异操作指的是针对一个编码个体,以一定的变异概率,将编码个体中的某一个编码单元变异为另一个编码单元,比如以编码个体1:(1,1,2,3,2,2,1,3,1)为例,首先以一定的变异概率Pm选择一个变异位置,比如选择选择的变异位置为9,假设第9个编码单元变异后的数字为3,则经过变异后编码个体1为:(1,1,2,3,2,2,1,3,3)。
上面只是给出使用遗传算法的各个操作的一个示例,实际使用中,具体的选择操作、变异操作、交叉操作的使用方式有很多种,可视实际需要而进行相应变换,对此,本发明不做任何限定。
从而,通过以上遗传算法,可以通过初始的p个划分集合,可以得到更多的划分集合,并且从中选择出一个划分集合模块度最大的划分集合,并将该划分集合中节点集合信息熵最大的节点集合作为可疑交易节点集合,因而该方法,可以精确有效地侦测出待侦测金融网络中的可疑交易节点集合。
一个划分集合的划分集合模块度可用于表示该划分集合中出现可疑交易节点集合的概率大小,当一个划分集合的划分集合模块度越大时,表明该划分集合中出现可疑交易节点集合的概率越大。对于一个划分集合的划分集合模块度的计算方法,本发明实施例是根据划分集合中的n个节点的节点信息熵,节点之间的连接边数,来确定一个划分集合的划分集合模块度。
具体地,例如,可以是首先根据每个节点集合中的节点的节点信息熵计算出每个节点集合的节点集合信息熵,然后根据一个划分集合中的每个节点集合中的节点的数量,为每个节点集合分配相应的权重,然后根据节点集合信息熵及节点集合的权重,确定出一个划分集合的划分集合模块度,也还可以是其他的方式。
下面给出一种本发明实施例使用的实现方式。
可选地,所述针对一个划分集合,根据所述n个节点的节点信息熵及节点之间的连接边数,确定所述划分集合的划分集合模块度;其中,两个节点相连接是指两个节点之间有转账交易,包括:
根据所述划分集合中每个节点集合中节点的节点信息熵,确定所述划分集合中每个节点集合的节点集合信息熵;
根据节点之间的连接边数,确定所述划分集合中任意两个节点集合之间的连接边数;
根据所述划分集合中任意两个节点集合之间的连接边数,确定每个节点集合的节点集合网信息熵;
根据所述划分集合中所有节点集合的节点集合信息熵,所述划分集合中所有节点集合的节点集合网信息熵以及所述n个节点之间的总连接边数,确定所述划分集合的划分集合模块度。
上述方法,针对一个划分集合,首先根据每个划分集合中的节点的节点信息熵,计算出每个节点集合的节点集合信息熵,然后根据节点之间的连接边数,确定划分集合中任意两个节点集合之间的连接边数,其中,两个节点集合之间的连接边数指的是两个节点集合中的节点相连接的边数的总和;然后根据划分集合中任意两个节点集合之间的连接边数,确定每个节点集合的节点集合网信息熵,最后根据所有节点集合的节点集合信息熵,划分集合中所有节点集合的节点集合网信息熵以及所有节点的总连接边数,确定所述划分集合的划分集合模块度,因而该方法在计算一个划分集合的划分集合信息熵时,充分使用了节点的节点信息熵,节点集合的节点集合信息熵,节点集合之间的关系生成的节点集合网信息熵,从而可以更加准确地利用划分集合模块度来反映一个划分集合中出现可疑交易节点集合的概率大小,从而有助于准确地侦测可疑交易节点集合。
下面给出一种根据上述方法计算划分集合模块度的具体计算公式。
可选地,根据下列公式确定划分集合j的划分集合模块度:
其中,Tj为所述划分集合j的划分集合模块度,Rk为所述划分集合j的第k个节点集合的节点集合信息熵,Ek为所述划分集合j中的第k个节点集合的节点集合网信息熵,n4为预先设定的系数,KL为所述n个节点之间的总连接边数,1≤j≤p,m为所述划分集合中的节点集合数量。
上述方法,给出了一种计算一个划分集合的划分集合模块度的计算公式,其中划分集合j的第k个节点集合的节点集合信息熵Rk,以及所述划分集合j中的第k个节点集合的节点集合网信息熵Ek分别可以使用下面的公式来计算:
可选地,根据下列公式确定所述划分集合中的节点集合k的节点集合信息熵:
其中,Rk为节点集合k的节点集合信息熵,Hi为所述节点集合k中的第i个节点的节点信息熵,mk为所述节点集合k的节点数量,1≤k≤m,1≤mk≤n;
根据下列公式确定所述节点集合k的节点集合网信息熵:
其中,Ek为所述节点集合k的节点集合网信息熵,lkk'为节点集合k与节点集合k’之间的连接边数,节点集合k’为所述m个节点集合中除所述节点集合k之外的任一节点集合,n1,n2,n3为预先设定的系数。
上述方法,给出了计算划分集合j的第k个节点集合的节点集合信息熵Dk,以及所述划分集合j中的第k个节点集合的节点集合网信息熵Ek的具体计算方式,其中,将一个节点集合中所有的节点的节点信息熵的之和作为该节点集合的节点集合信息熵;而一个节点集合网信息熵主要是跟节点集合之间的连接边数相关,节点集合之间的俩接边数指的是两个节点集合中节点之间连接边数的总和,以图2为例,比如,一个划分集合为:{{3,2,4},{6,1,5},{9,7,8}},其中节点集合1为{3,2,4},节点集合2为{6,1,5},节点集合3为{9,7,8}。则节点集合1与节点集合2之间的连接边数为2,分别为节点3与节点5相连,节点2与节点1相连;节点1与节点3之间的连接边数为1,而此时假设n1,n2,n3分别取值为1,3,2,则 因此节点集合1的节点网信息熵为1,当然,以上只是给出一个示例,实际应用视实际需要而定。此外,在实际应用中,优选地,上述公式中参数取值,优选地,n1,n2,n3,n4,分别取值为1,2,2,2,即实际应用中,优选地,
下面对本发明实施例提供的可疑交易节点集合侦测方法做详细描述。如图3所示,为本发明实施例提供的可疑交易节点集合侦测方法详细流程示意图。
设定时长为L天,单位时长为1天,节点总数量为n,共有p个初始划分集合,每个划分集合的节点集合数量为m。
步骤301、计算出一天内第i(i=1,2,…,n)个节点的总交易金额Qi、总交易次数Di、总节点度Ki以及这天内整个网络总的交易金额Q、交易次数D、总节点度K,总连接边数KL;
步骤302、计算出一天内第i(i=1,2,…,n)个节点的洗钱概率
步骤303、计算出L天内第i(i=1,2,…,n)个节点的平均洗钱概率
步骤304、计算出L天内第i(i=1,2,…,n)个节点的节点信息熵
步骤305、通过p次划分,得到p个划分集合,每个划分集合包含m个节点集合;
步骤306、对p个划分集合进行编码得到p个初始个体,并初始化交叉概率Pc,变异概率Pm,选择概率Pi,迭代次数iter,通过遗传算法,求出划分集合模块度最大的划分集合;
其中,根据下列公式计算划分集合的划分集合模块度:其中, 各个参数含义如下:Tj为划分集合j的划分集合模块度,Rk为划分集合j的第k个节点集合的节点集合信息熵,Ek为所述划分集合j中的第k个节点集合的节点集合网信息熵,KL为所述n个节点之间的总连接边数,1≤j≤p,Hi为节点集合k中的第i个节点的节点信息熵,mk为节点集合k的节点数量,1≤k≤m,1≤mk≤n;lkk'为节点集合k与节点集合k’之间的连接边数,节点集合k’为m个节点集合中除节点集合k之外的任一节点集合;
步骤307、将确定出的划分集合中节点集合信息熵最大的节点集合作为可疑交易节点集合。
基于相同的技术构思,本发明实施例还提供一种可疑交易节点集合侦测装置。本发明实施例提供的可疑交易节点集合侦测装置如图4所示。
节点确定单元401,用于确定待侦测金融网络中的n个节点,其中,一个节点为一个银行账户,n为大于1的整数;
节点信息熵确定单元402,用于针对一个节点,根据设定时长内所述节点的节点转账信息,确定所述节点的节点信息熵;
划分单元403,用于将所述n个节点分别进行p次划分,得到p个划分集合,其中,所述p个划分集合中的任一划分集合包含m个节点集合,一个划分集合中的m个节点集合之间无交集,一个划分集合中的m个节点集合的并集为所述n个节点,所述m个节点集合中的任一节点与该节点所属的节点集合中至少一个节点相连接,其中,两个节点相连接是指两个节点之间有转账交易,其中,1≤m≤n,p为大于1的整数;
可疑交易节点集合确定单元404,用于根据所述p个划分集合,确定一个划分集合模块度最大的划分集合,并将确定的划分集合中节点集合信息熵最大的节点集合确定为可疑交易节点集合;其中,每个划分集合的划分集合模块度,是根据所述n个节点的节点信息熵及节点之间的连接边数确定的;两个节点相连接是指两个节点之间有转账交易。
可选地,所述可疑交易节点集合确定单元404,具体用于:
根据所述划分集合中每个节点集合中节点的节点信息熵,确定所述划分集合中每个节点集合的节点集合信息熵;
根据节点之间的连接边数,确定所述划分集合中任意两个节点集合之间的连接边数;
根据所述划分集合中任意两个节点集合之间的连接边数,确定每个节点集合的节点集合网信息熵;
根据所述划分集合中所有节点集合的节点集合信息熵,所述划分集合中所有节点集合的节点集合网信息熵以及所述n个节点之间的总连接边数,确定所述划分集合的划分集合模块度。
可选地,所述可疑交易节点集合确定单元404,具体用于:
根据下列公式确定划分集合j的划分集合模块度:
其中,Tj为所述划分集合j的划分集合模块度,Rk为所述划分集合j的第k个节点集合的节点集合信息熵,Ek为所述划分集合j中的第k个节点集合的节点集合网信息熵,n4为预先设定的系数,KL为所述n个节点之间的总连接边数,1≤j≤p,m为所述划分集合中的节点集合数量。
可选地,所述可疑交易节点集合确定单元404,具体用于:
根据下列公式确定所述划分集合中的节点集合k的节点集合信息熵:
其中,Rk为节点集合k的节点集合信息熵,Hi为所述节点集合k中的第i个节点的节点信息熵,mk为所述节点集合k的节点数量,1≤k≤m,1≤mk≤n;
根据下列公式确定所述节点集合k的节点集合网信息熵:
其中,Ek为所述节点集合k的节点集合网信息熵,lkk'为节点集合k与节点集合k’之间的连接边数,节点集合k’为所述m个节点集合中除所述节点集合k之外的任一节点集合,n1,n2,n3为预先设定的系数。
可选地,所述节点信息熵确定单元402,具体用于:
根据所述节点在设定时长内的节点转账信息,确定所述节点的平均洗钱概率;
根据所述节点的平均洗钱概率,确定所述节点的节点信息熵。
可选地,所述节点信息熵确定单元402,具体用于:
根据下列公式确定节点i的平均洗钱概率:
其中,为所述设定时长内节点i的平均洗钱概率,L为所述设定时长,Pi为所述设定时长内的一个单位时长内的洗钱概率,并且其中,Qi为所述单位时长内节点i的节点转账信息中的总交易金额,Di为所述单位时长内节点i的节点转账信息中的总交易次数,Ki为所述单位时长内节点i的节点转账信息中的总节点度,Q为待侦测金融网络在所述单位时长内的总交易金额,D为待侦测金融网络在所述单位时长内的总交易次数,K为待侦测金融网络在所述单位时长内的总节点度,节点i为所述n个节点中的任一节点。
可选地,所述节点信息熵确定单元402,具体用于:
根据下列公式确定节点i的节点信息熵:
其中,Hi为节点i在所述设定时长的节点信息熵,为所述设定时长内节点i的平均洗钱概率,n为预先设定的系数。
可选地,所述划分单元403,具体用于:
根据下列方式确定一个划分集合:
从所述n个节点中随机选择m个节点分别作为m个节点集合的中心节点;
针对其它的n-m个节点中的一个,若该节点只与所述m个中心节点中的一个中心节点相连接,则将该节点划分到所述中心节点所在的节点集合;若该节点与所述m个中心节点中的多个中心节点相连接,则将该节点划分到与该节点相连且边权值最大的中心节点所在的节点集合;若该节点与所述m个中心节点都不相连,则将该节点划分到与该节点之间的边权值最大的节点所在的集合。
可选地,所述划分单元403,还用于:
根据下列公式确定节点i和节点j之间的边权值:
其中,ωij为设定时长内节点i和节点j之间的边权值,Tij为所述设定时长内所述节点交易信息中节点i和节点j之间的交易次数,Ti为所述设定时长内所述节点交易信息中节点i的交易次数,Tj为所述设定时长内所述节点交易信息中节点j的交易次数,Fij为所述设定时长内所述节点交易信息中节点i和节点j之间的交易金额,Fi为所述设定时长内所述节点交易信息中节点i的交易金额,Fj为所述设定时长内所述节点交易信息中节点j的交易金额,t1,t2,t3,t4,s分别为设定的系数,节点i为所述n个节点中的任一节点,节点j为所述n个节点中除节点i之外的任一节点。
可选地,所述可疑交易节点集合确定单元404,具体用于:
将所述p个划分集合作为p个初始个体;
将每个划分集合的划分集合模块度作为该划分集合对应的个体的适应度函数;
初始化交叉概率Pc,变异概率Pm,选择概率Pi,迭代次数iter;
根据遗传算法及所述p个初始个体,确定一个适应度函数值最大的个体;
将确定的所述适应度函数值最大的个体对应的划分集合确定为划分集合模块度最大的划分集合,并将确定的划分集合中节点集合信息熵最大的节点集合确定为可疑交易节点集合。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (20)
1.一种可疑交易节点集合侦测方法,其特征在于,包括:
确定待侦测金融网络中的n个节点,其中,一个节点为一个银行账户,n为大于1的整数;
针对一个节点,根据设定时长内所述节点的节点转账信息,确定所述节点的节点信息熵;
将所述n个节点分别进行p次划分,得到p个划分集合,其中,所述p个划分集合中的任一划分集合包含m个节点集合,一个划分集合中的m个节点集合之间无交集,一个划分集合中的m个节点集合的并集为所述n个节点,所述m个节点集合中的任一节点与该节点所属的节点集合中至少一个节点相连接,其中,两个节点相连接是指两个节点之间有转账交易,其中,1≤m≤n,p为大于1的整数;
根据所述p个划分集合,确定一个划分集合模块度最大的划分集合,并将确定的划分集合中节点集合信息熵最大的节点集合确定为可疑交易节点集合;其中,每个划分集合的划分集合模块度,是根据所述n个节点的节点信息熵及节点之间的连接边数确定的;两个节点相连接是指两个节点之间有转账交易。
2.如权利要求1所述的方法,其特征在于,根据下列方式确定一个划分集合的划分集合模块度:
根据所述划分集合中每个节点集合中节点的节点信息熵,确定所述划分集合中每个节点集合的节点集合信息熵;
根据节点之间的连接边数,确定所述划分集合中任意两个节点集合之间的连接边数;
根据所述划分集合中任意两个节点集合之间的连接边数,确定每个节点集合的节点集合网信息熵;
根据所述划分集合中所有节点集合的节点集合信息熵,所述划分集合中所有节点集合的节点集合网信息熵以及所述n个节点之间的总连接边数,确定所述划分集合的划分集合模块度。
3.如权利要求2所述的方法,其特征在于,根据下列公式确定划分集合j的划分集合模块度:
其中,Tj为所述划分集合j的划分集合模块度,Rk为所述划分集合j的第k个节点集合的节点集合信息熵,Ek为所述划分集合j中的第k个节点集合的节点集合网信息熵,n4为预先设定的系数,KL为所述n个节点之间的总连接边数,1≤j≤p,m为所述划分集合中的节点集合数量。
4.如权利要求2所述的方法,其特征在于,根据下列公式确定所述划分集合中的节点集合k的节点集合信息熵:
其中,Rk为节点集合k的节点集合信息熵,Hi为所述节点集合k中的第i个节点的节点信息熵,mk为所述节点集合k的节点数量,1≤k≤m,1≤mk≤n;
根据下列公式确定所述节点集合k的节点集合网信息熵:
其中,Ek为所述节点集合k的节点集合网信息熵,lkk'为节点集合k与节点集合k’之间的连接边数,节点集合k’为所述m个节点集合中除所述节点集合k之外的任一节点集合,n1,n2,n3为预先设定的系数。
5.如权利要求1所述的方法,其特征在于,所述针对一个节点,根据设定时长内所述节点的节点转账信息,确定所述节点的节点信息熵,包括:
根据所述节点在设定时长内的节点转账信息,确定所述节点的平均洗钱概率;
根据所述节点的平均洗钱概率,确定所述节点的节点信息熵。
6.如权利要求5所述的方法,其特征在于,根据下列公式确定节点i的平均洗钱概率:
其中,为所述设定时长内节点i的平均洗钱概率,L为所述设定时长,Pi为所述设定时长内的一个单位时长内的洗钱概率,并且其中,Qi为所述单位时长内节点i的节点转账信息中的总交易金额,Di为所述单位时长内节点i的节点转账信息中的总交易次数,Ki为所述单位时长内节点i的节点转账信息中的总节点度,Q为待侦测金融网络在所述单位时长内的总交易金额,D为待侦测金融网络在所述单位时长内的总交易次数,K为待侦测金融网络在所述单位时长内的总节点度,节点i为所述n个节点中的任一节点。
7.如权利要求5所述的方法,其特征在于,根据下列公式确定节点i的节点信息熵:
其中,Hi为节点i在所述设定时长的节点信息熵,为所述设定时长内节点i的平均洗钱概率,n为预先设定的系数。
8.如权利要求1-7中任一项所述的方法,其特征在于,根据下列方式确定一个划分集合:
从所述n个节点中随机选择m个节点分别作为m个节点集合的中心节点;
针对其它的n-m个节点中的一个,若该节点只与所述m个中心节点中的一个中心节点相连接,则将该节点划分到所述中心节点所在的节点集合;若该节点与所述m个中心节点中的多个中心节点相连接,则将该节点划分到与该节点相连且边权值最大的中心节点所在的节点集合;若该节点与所述m个中心节点都不相连,则将该节点划分到与该节点之间的边权值最大的节点所在的集合。
9.如权利要求8所述的方法,其特征在于,根据下列公式确定节点i和节点j之间的边权值:
其中,ωij为设定时长内节点i和节点j之间的边权值,Tij为所述设定时长内所述节点交易信息中节点i和节点j之间的交易次数,Ti为所述设定时长内所述节点交易信息中节点i的交易次数,Tj为所述设定时长内所述节点交易信息中节点j的交易次数,Fij为所述设定时长内所述节点交易信息中节点i和节点j之间的交易金额,Fi为所述设定时长内所述节点交易信息中节点i的交易金额,Fj为所述设定时长内所述节点交易信息中节点j的交易金额,t1,t2,t3,t4,s分别为设定的系数,节点i为所述n个节点中的任一节点,节点j为所述n个节点中除节点i之外的任一节点。
10.如权利要求1-7中任一项所述的方法,其特征在于,所述根据所述p个划分集合,确定一个划分集合模块度最大的划分集合,并将确定的划分集合中节点集合信息熵最大的节点集合确定为可疑交易节点集合,包括:
将所述p个划分集合作为p个初始个体;
将每个划分集合的划分集合模块度作为该划分集合对应的个体的适应度函数;
初始化交叉概率Pc,变异概率Pm,选择概率Pi,迭代次数iter;
根据遗传算法及所述p个初始个体,确定一个适应度函数值最大的个体;
将确定的所述适应度函数值最大的个体对应的划分集合确定为划分集合模块度最大的划分集合,并将确定的划分集合中节点集合信息熵最大的节点集合确定为可疑交易节点集合。
11.一种可疑交易节点集合侦测装置,其特征在于,包括:
节点确定单元,用于确定待侦测金融网络中的n个节点,其中,一个节点为一个银行账户,n为大于1的整数;
节点信息熵确定单元,用于针对一个节点,根据设定时长内所述节点的节点转账信息,确定所述节点的节点信息熵;
划分单元,用于将所述n个节点分别进行p次划分,得到p个划分集合,其中,所述p个划分集合中的任一划分集合包含m个节点集合,一个划分集合中的m个节点集合之间无交集,一个划分集合中的m个节点集合的并集为所述n个节点,所述m个节点集合中的任一节点与该节点所属的节点集合中至少一个节点相连接,其中,两个节点相连接是指两个节点之间有转账交易,其中,1≤m≤n,p为大于1的整数;
可疑交易节点集合确定单元,用于根据所述p个划分集合,确定一个划分集合模块度最大的划分集合,并将确定的划分集合中节点集合信息熵最大的节点集合确定为可疑交易节点集合;其中,每个划分集合的划分集合模块度,是根据所述n个节点的节点信息熵及节点之间的连接边数确定的;两个节点相连接是指两个节点之间有转账交易。
12.如权利要求11所述的装置,其特征在于,所述可疑交易节点集合确定单元,具体用于:
根据所述划分集合中每个节点集合中节点的节点信息熵,确定所述划分集合中每个节点集合的节点集合信息熵;
根据节点之间的连接边数,确定所述划分集合中任意两个节点集合之间的连接边数;
根据所述划分集合中任意两个节点集合之间的连接边数,确定每个节点集合的节点集合网信息熵;
根据所述划分集合中所有节点集合的节点集合信息熵,所述划分集合中所有节点集合的节点集合网信息熵以及所述n个节点之间的总连接边数,确定所述划分集合的划分集合模块度。
13.如权利要求12所述的装置,其特征在于,所述可疑交易节点集合确定单元,具体用于:
根据下列公式确定划分集合j的划分集合模块度:
其中,Tj为所述划分集合j的划分集合模块度,Rk为所述划分集合j的第k个节点集合的节点集合信息熵,Ek为所述划分集合j中的第k个节点集合的节点集合网信息熵,n4为预先设定的系数,KL为所述n个节点之间的总连接边数,1≤j≤p,m为所述划分集合中的节点集合数量。
14.如权利要求12所述的装置,其特征在于,所述可疑交易节点集合确定单元,具体用于:
根据下列公式确定所述划分集合中的节点集合k的节点集合信息熵:
其中,Rk为节点集合k的节点集合信息熵,Hi为所述节点集合k中的第i个节点的节点信息熵,mk为所述节点集合k的节点数量,1≤k≤m,1≤mk≤n;
根据下列公式确定所述节点集合k的节点集合网信息熵:
其中,Ek为所述节点集合k的节点集合网信息熵,lkk'为节点集合k与节点集合k’之间的连接边数,节点集合k’为所述m个节点集合中除所述节点集合k之外的任一节点集合,n1,n2,n3为预先设定的系数。
15.如权利要求11所述的装置,其特征在于,所述节点信息熵确定单元,具体用于:
根据所述节点在设定时长内的节点转账信息,确定所述节点的平均洗钱概率;
根据所述节点的平均洗钱概率,确定所述节点的节点信息熵。
16.如权利要求15所述的装置,其特征在于,所述节点信息熵确定单元,具体用于:
根据下列公式确定节点i的平均洗钱概率:
其中,为所述设定时长内节点i的平均洗钱概率,L为所述设定时长,Pi为所述设定时长内的一个单位时长内的洗钱概率,并且其中,Qi为所述单位时长内节点i的节点转账信息中的总交易金额,Di为所述单位时长内节点i的节点转账信息中的总交易次数,Ki为所述单位时长内节点i的节点转账信息中的总节点度,Q为待侦测金融网络在所述单位时长内的总交易金额,D为待侦测金融网络在所述单位时长内的总交易次数,K为待侦测金融网络在所述单位时长内的总节点度,节点i为所述n个节点中的任一节点。
17.如权利要求15所述的装置,其特征在于,所述节点信息熵确定单元,具体用于:
根据下列公式确定节点i的节点信息熵:
其中,Hi为节点i在所述设定时长的节点信息熵,为所述设定时长内节点i的平均洗钱概率,n为预先设定的系数。
18.如权利要求11-17中任一项所述的装置,其特征在于,所述划分单元,具体用于:
根据下列方式确定一个划分集合:
从所述n个节点中随机选择m个节点分别作为m个节点集合的中心节点;
针对其它的n-m个节点中的一个,若该节点只与所述m个中心节点中的一个中心节点相连接,则将该节点划分到所述中心节点所在的节点集合;若该节点与所述m个中心节点中的多个中心节点相连接,则将该节点划分到与该节点相连且边权值最大的中心节点所在的节点集合;若该节点与所述m个中心节点都不相连,则将该节点划分到与该节点之间的边权值最大的节点所在的集合。
19.如权利要求18所述的装置,其特征在于,所述划分单元,还用于:
根据下列公式确定节点i和节点j之间的边权值:
其中,ωij为设定时长内节点i和节点j之间的边权值,Tij为所述设定时长内所述节点交易信息中节点i和节点j之间的交易次数,Ti为所述设定时长内所述节点交易信息中节点i的交易次数,Tj为所述设定时长内所述节点交易信息中节点j的交易次数,Fij为所述设定时长内所述节点交易信息中节点i和节点j之间的交易金额,Fi为所述设定时长内所述节点交易信息中节点i的交易金额,Fj为所述设定时长内所述节点交易信息中节点j的交易金额,t1,t2,t3,t4,s分别为设定的系数,节点i为所述n个节点中的任一节点,节点j为所述n个节点中除节点i之外的任一节点。
20.如权利要求11-17中任一项所述的装置,其特征在于,所述可疑交易节点集合确定单元,具体用于:
将所述p个划分集合作为p个初始个体;
将每个划分集合的划分集合模块度作为该划分集合对应的个体的适应度函数;
初始化交叉概率Pc,变异概率Pm,选择概率Pi,迭代次数iter;
根据遗传算法及所述p个初始个体,确定一个适应度函数值最大的个体;
将确定的所述适应度函数值最大的个体对应的划分集合确定为划分集合模块度最大的划分集合,并将确定的划分集合中节点集合信息熵最大的节点集合确定为可疑交易节点集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510947459.7A CN105931046A (zh) | 2015-12-16 | 2015-12-16 | 一种可疑交易节点集合侦测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510947459.7A CN105931046A (zh) | 2015-12-16 | 2015-12-16 | 一种可疑交易节点集合侦测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105931046A true CN105931046A (zh) | 2016-09-07 |
Family
ID=56840377
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510947459.7A Pending CN105931046A (zh) | 2015-12-16 | 2015-12-16 | 一种可疑交易节点集合侦测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105931046A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590504A (zh) * | 2017-07-31 | 2018-01-16 | 阿里巴巴集团控股有限公司 | 异常主体识别方法和装置、服务器 |
CN108304739A (zh) * | 2017-12-28 | 2018-07-20 | ***股份有限公司 | Pos终端移机侦测方法以及pos终端移机侦测*** |
CN109325814A (zh) * | 2017-07-31 | 2019-02-12 | 上海诺悦智能科技有限公司 | 一种用于发现可疑交易网络的方法 |
CN109472694A (zh) * | 2017-09-08 | 2019-03-15 | 上海诺悦智能科技有限公司 | 一种可疑交易行为发现*** |
CN109615521A (zh) * | 2018-12-26 | 2019-04-12 | 天翼电子商务有限公司 | 基于营销反套利模型的反套利识别方法、***及服务器 |
WO2019100967A1 (zh) * | 2017-11-23 | 2019-05-31 | ***股份有限公司 | 用于识别异常交易社团的方法和装置 |
CN109934706A (zh) * | 2017-12-15 | 2019-06-25 | 阿里巴巴集团控股有限公司 | 一种基于图结构模型的交易风险控制方法、装置以及设备 |
CN109948704A (zh) * | 2019-03-20 | 2019-06-28 | ***股份有限公司 | 一种交易监测方法与装置 |
CN110019567A (zh) * | 2019-04-10 | 2019-07-16 | 武汉斗鱼鱼乐网络科技有限公司 | 发现未知风险模式的方法、装置、电子设备及存储介质 |
CN110166344A (zh) * | 2018-04-25 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 一种身份标识识别方法、装置以及相关设备 |
CN110362609A (zh) * | 2019-07-01 | 2019-10-22 | 西安交通大学 | 一种基于二部图的股票协同交易疑点群体检测方法 |
CN110490730A (zh) * | 2019-08-21 | 2019-11-22 | 北京顶象技术有限公司 | 异常资金聚集行为检测方法、装置、设备及存储介质 |
CN111309788A (zh) * | 2020-03-08 | 2020-06-19 | 山西大学 | 一种银行客户交易网络的社区结构发现方法及*** |
TWI767765B (zh) * | 2021-06-24 | 2022-06-11 | 中國信託商業銀行股份有限公司 | 可疑金流偵測系統 |
US11526936B2 (en) | 2017-12-15 | 2022-12-13 | Advanced New Technologies Co., Ltd. | Graphical structure model-based credit risk control |
-
2015
- 2015-12-16 CN CN201510947459.7A patent/CN105931046A/zh active Pending
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325814A (zh) * | 2017-07-31 | 2019-02-12 | 上海诺悦智能科技有限公司 | 一种用于发现可疑交易网络的方法 |
CN107590504A (zh) * | 2017-07-31 | 2018-01-16 | 阿里巴巴集团控股有限公司 | 异常主体识别方法和装置、服务器 |
CN109472694A (zh) * | 2017-09-08 | 2019-03-15 | 上海诺悦智能科技有限公司 | 一种可疑交易行为发现*** |
WO2019100967A1 (zh) * | 2017-11-23 | 2019-05-31 | ***股份有限公司 | 用于识别异常交易社团的方法和装置 |
US11526766B2 (en) | 2017-12-15 | 2022-12-13 | Advanced New Technologies Co., Ltd. | Graphical structure model-based transaction risk control |
CN109934706A (zh) * | 2017-12-15 | 2019-06-25 | 阿里巴巴集团控股有限公司 | 一种基于图结构模型的交易风险控制方法、装置以及设备 |
US11526936B2 (en) | 2017-12-15 | 2022-12-13 | Advanced New Technologies Co., Ltd. | Graphical structure model-based credit risk control |
CN109934706B (zh) * | 2017-12-15 | 2021-10-29 | 创新先进技术有限公司 | 一种基于图结构模型的交易风险控制方法、装置以及设备 |
CN108304739B (zh) * | 2017-12-28 | 2021-08-10 | ***股份有限公司 | Pos终端移机侦测方法以及pos终端移机侦测*** |
CN108304739A (zh) * | 2017-12-28 | 2018-07-20 | ***股份有限公司 | Pos终端移机侦测方法以及pos终端移机侦测*** |
CN110166344B (zh) * | 2018-04-25 | 2021-08-24 | 腾讯科技(深圳)有限公司 | 一种身份标识识别方法、装置以及相关设备 |
CN110166344A (zh) * | 2018-04-25 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 一种身份标识识别方法、装置以及相关设备 |
CN109615521A (zh) * | 2018-12-26 | 2019-04-12 | 天翼电子商务有限公司 | 基于营销反套利模型的反套利识别方法、***及服务器 |
CN109948704A (zh) * | 2019-03-20 | 2019-06-28 | ***股份有限公司 | 一种交易监测方法与装置 |
CN110019567B (zh) * | 2019-04-10 | 2021-07-23 | 武汉斗鱼鱼乐网络科技有限公司 | 发现未知风险模式的方法、装置、电子设备及存储介质 |
CN110019567A (zh) * | 2019-04-10 | 2019-07-16 | 武汉斗鱼鱼乐网络科技有限公司 | 发现未知风险模式的方法、装置、电子设备及存储介质 |
CN110362609A (zh) * | 2019-07-01 | 2019-10-22 | 西安交通大学 | 一种基于二部图的股票协同交易疑点群体检测方法 |
CN110362609B (zh) * | 2019-07-01 | 2021-09-07 | 西安交通大学 | 一种基于二部图的股票协同交易疑点群体检测方法 |
CN110490730A (zh) * | 2019-08-21 | 2019-11-22 | 北京顶象技术有限公司 | 异常资金聚集行为检测方法、装置、设备及存储介质 |
CN111309788A (zh) * | 2020-03-08 | 2020-06-19 | 山西大学 | 一种银行客户交易网络的社区结构发现方法及*** |
TWI767765B (zh) * | 2021-06-24 | 2022-06-11 | 中國信託商業銀行股份有限公司 | 可疑金流偵測系統 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105931046A (zh) | 一种可疑交易节点集合侦测方法及装置 | |
CN104199832B (zh) | 基于信息熵的金融网络异常交易社区发现方法 | |
CN106372938A (zh) | 异常账号识别方法及*** | |
CN107316198A (zh) | 账户风险识别方法及装置 | |
CN105095961A (zh) | 一种人工神经网络和脉冲神经网络的混合*** | |
CN106599230A (zh) | 一种分布式数据挖掘模型评估的方法与*** | |
CN107454105A (zh) | 一种基于ahp与灰色关联的多维网络安全评估方法 | |
CN109299436A (zh) | 一种满足本地差分隐私的偏好排序数据收集方法 | |
CN107895038A (zh) | 一种链路预测关系推荐方法及装置 | |
Liu et al. | Comprehensive evaluation of water resources security in the Yellow River basin based on a fuzzy multi-attribute decision analysis approach | |
CN104268629A (zh) | 一种基于先验信息和网络固有信息的复杂网络社区检测方法 | |
CN111105097B (zh) | 一种基于卷积神经网络的大坝变形预测***和方法 | |
CN110472105A (zh) | 一种基于时间划分的社交网络事件演化追踪方法 | |
CN109617706A (zh) | 工业控制***防护方法及工业控制***防护装置 | |
CN107517201A (zh) | 一种基于时序移除的网络脆弱性辨识方法 | |
CN107170019A (zh) | 一种快速低存储图像压缩感知方法 | |
CN106202491A (zh) | 一种基于时间序列的数据挖掘方法及*** | |
CN107563220A (zh) | 一种基于计算机的大数据分析控制***及控制方法 | |
CN105205239A (zh) | 一种储层物性参数建模方法和装置 | |
CN114511330B (zh) | 一种基于改进的cnn-rf的以太坊庞氏骗局检测方法及*** | |
CN107169871A (zh) | 一种基于关系组合优化和种子扩张的多关系社区发现方法 | |
CN110503182A (zh) | 深度神经网络中的网络层运算方法及装置 | |
CN110716998B (zh) | 一种精细尺度人口数据空间化方法 | |
CN105426392A (zh) | 一种协同过滤推荐方法及*** | |
CN107067096A (zh) | 基于分形与混沌理论相结合的金融时间序列短期预测 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160907 |
|
RJ01 | Rejection of invention patent application after publication |