CN109035013B - 检测异常金融交易的设备和方法及计算机可读存储介质 - Google Patents
检测异常金融交易的设备和方法及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109035013B CN109035013B CN201810596283.9A CN201810596283A CN109035013B CN 109035013 B CN109035013 B CN 109035013B CN 201810596283 A CN201810596283 A CN 201810596283A CN 109035013 B CN109035013 B CN 109035013B
- Authority
- CN
- China
- Prior art keywords
- payment data
- transaction
- abnormal
- machine learning
- processor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06Q20/42—Confirmation, e.g. check or permission by the legal debtor of payment
- G06Q20/425—Confirmation, e.g. check or permission by the legal debtor of payment using two different networks, one for transaction and one for security confirmation
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供一种检测异常金融交易的方法及其设备及计算机可读存储介质。设备包含:存储器,其中存储异常交易检测程序;以及处理器,被配置成执行所述程序。在执行程序时,处理器对获得的支付数据执行数据预处理操作,根据预处理操作的结果提取预先自适应确定的至少一个特征,以及使用提取的特征通过预先自适应确定的机器学习算法来确定支付数据是否对应于异常交易。本发明的检测异常金融交易的方法及其电子设备,对新的异常交易模式具有保证的高检测率。
Description
相关申请的交叉引用
本申请请求在韩国知识产权局于2017年6月12日提交的韩国专利申请第10-2017-0073385号的权益,所述申请的全部公开内容出于所有目的以引用的方式并入本文中。
技术领域
本公开涉及一种检测异常金融交易的方法及其电子设备。
背景技术
由于提供金融交易支付服务的渠道已多样化,因此增加了非面对面交易的非法使用数量。具体来说,金融机构或电子金融企业运营商已通过计算装置来提供金融产品和服务,因此用户可以自动的方式使用实时金融交易而不与金融机构或电子金融企业运营商的雇员面对面接触或沟通。检测及预测非面对面交易中的舞弊的方法已变得越来越重要。
大部份传统的检测异常金融交易的方法使用预设的规则。
就此而言,韩国专利第10-1675416(题为“用于实时检测异常金融交易的***和方法(System and method for real-time detection of abnormal financialtransaction)”)公开一种用于通过最小化交易延迟来实时检测异常电子金融交易的方法。
在此用于检测异常金融交易的传统方法中,根据过去交易数据或过去交易数据的统计使用异常交易模式来检测异常交易。因此,此方法显示对已知的异常交易模式具备高检测率,但不能预防新的异常交易模式。
发明内容
鉴于前述,本公开提供一种检测异常金融交易的方法及其电子设备,对新的异常交易模式具备保证的高检测率。
然而,本公开待解决的问题不限于上述问题。可能存在本公开待解决的其它问题。
根据本公开的第一方面,一种设备包含:存储器,其中存储被配置成检测异常金融交易的程序;以及处理器,被配置成执行所述程序。在执行所述程序时,处理器对获得的支付数据执行数据预处理操作,根据预处理操作的结果提取预先自适应确定的至少一个特征,以及使用提取的特征通过预先自适应确定的机器学习算法来确定支付数据是否对应于异常交易。在本文中,基于预定时间长度累积的支付数据中包含的异常交易支付数据与正常交易支付数据之间的取样率并且尤其基于多个取样率当中显示最高检测率的取样率从支付数据中包含的多个项目自适应地确定所述至少一个特征。
根据本公开的第二方面,一种检测异常金融交易的方法包含:获取支付数据并且对所述支付数据执行数据预处理操作;根据所述预处理操作的结果提取预先自适应确定的至少一个特征;以及使用所述提取的特征通过预先自适应确定的机器学习算法来确定所述支付数据是否对应于异常交易,在本文中,基于预定时间长度累积的支付数据中包含的异常交易支付数据与正常交易支付数据之间的取样率并且尤其基于多个取样率当中显示最高检测率的取样率从支付数据中包含的多个项目自适应地确定所述至少一个特征。
根据本公开的第三方面,一种计算机可读存储介质在计算机上存储被配置成执行根据所述第二方面的方法的程序。
根据本公开,使用自适应确定的特征和具有所述特征的基于无监督学习的机器学习算法来分析实时支付信息。因此,对检测根据新的异常交易模式的异常交易以及根据过去的异常交易模式的异常交易来说是可能的。
附图说明
在以下详细描述中,实施例的描述仅为说明,因为自以下详细的描述对所属领域的技术人员来说各种变化和修改明白易懂。在不同附图中使用相同参考标号表示相似或相同的项目。
图1为根据本文所述的各种实施例的异常金融交易检测设备的框图。
图2为说明根据本文所述的各种实施例的检测异常交易的方法的流程图。
图3说明根据本文所述的各种实施例对支付数据执行的预处理操作的结果。
图4为详细说明根据本文所述的各种实施例自适应确定至少一个特征和机器学习算法的方法的流程图。
图5为根据本文所述的各种实施例经提供以解释检测异常交易的方法的异常金融交易检测设备的框图。
附图标号说明
100:异常金融交易检测设备/电子设备;
100a:异常金融交易检测设备/电子设备;
110:存储器;
110a:存储器;
120:通信单元;
120a:通信单元;
130:处理器;
130a:处理器;
200:移动设备;
310:支付时间信息;
320:电信公司信息;
330:支付金额信息;
340:业务识别信息;
350:用户电子邮件存在信息;
S200:步骤;
S210:步骤;
S220:步骤;
S230:步骤;
S410:步骤;
S420:步骤;
S430:步骤;
S440:步骤;
S450:步骤;
S460:步骤;
S470:步骤。
具体实施方式
下文中,将参考附图详细地描述本公开的实施例,以使得所属领域的技术人员可以容易地实施本公开。然而,应注意,本公开不限于所述实施例,而可以各种其它方式实施。在附图中,出于解释的简化而省略与描述不相关的部件,且贯穿全文相同参考标号指示相同部件。
贯穿全文,用于表示一个元件与另一元件的连接或耦接的术语“连接至”或“耦接至”包含一元件“直接连接或耦接至”另一元件的情况,以及一元件经由又一元件“以电子方式连接或耦接至”另一元件的情况。此外,应理解,本文所使用的术语“包括(comprises/comprising)或包含(includes/including)”是指除了所述组件、步骤、操作和/或元件之外不排除一个或多个其它组件、步骤、操作和/或元件的存在或补充,除非上下文另外规定。
图1为根据本公开的实施例的异常金融交易检测设备100的框图。在本文中,异常金融交易检测设备100为电子设备,且可包含各种计算装置(例如,移动电话、智能手机、平板电脑、个人数字助理(personal digital assistance;PDA)及类似者)。在下文中,为方便解释,异常金融交易检测设备100将被称为“电子设备100”。
电子设备100包含用于通过与支付***(例如由增值网(value-added network;VAN)或支付网关(payment gateway;PG)操作员提供的服务器)及金融***(例如由***公司或银行管理的服务器)通信来确定异常交易(或不合法交易)存在或不存在的组件。在本文中,异常交易可指“由他人进行的支付”而非由电子设备100的用户。
如图1中所示,电子设备100包含存储器110、通信单元120以及处理器130。
存储器110存储用于控制电子设备100的各种程序。举例来说,存储器110存储异常支付检测程序。
在本文中,存储器110可共同地指代即使在未供电时仍保持信息存储在其中的非易失性存储装置,以及需要电力来保持信息存储在其中的易失性存储装置。举例来说,存储器110共同地指代即使在未供电时仍保持信息存储在其中的易失性存储装置和非易失性存储装置。举例来说,存储器110可包含例如压缩闪存(compact flash;CF)卡、安全数字(secure digital;SD)卡、记忆棒、固态驱动器(solid-state drive;SSD)以及微型安全数字卡的NAND闪存存储器,以及例如硬盘驱动器(hard disk drive;HDD)的磁性计算机存储装置。
通信单元120包含用于与支付***和金融***通信的至少一个组件。举例来说,通信单元120可包含能够执行蓝牙、低功耗蓝牙(Bluetooth Low Energy;BLE)、红外数据协会(infrared Data Association;IrDA)以及Zigbee通信中的至少一个的组件。另外,通信单元120可通过移动通信网络或广播通信网络传输及接收无线信号,以及通过有线通信网络传输及接收信号。
处理器130控制电子设备100的总体操作。为此目的,处理器130可包含随机存取存储器(Random Access Memory;RAM)、只读存储器(read-only memory;ROM)、CPU、图形处理单元(Graphic Processing Unit;GPU)以及总线中的至少一个。
此外,处理器130执行存储器110中存储的异常支付检测程序以执行检测异常支付的方法。
在下文中,将参考图2详细描述由处理器130检测异常交易的方法。
参考图2,处理器130获取支付数据(S200)。
在本文中,支付数据可为从外部服务器(例如,支付***、金融***等)提供的关于支付的信息。支付数据可包含多个项目,例如支付识别信息、支付手段信息、支付时间信息、支付金额信息、用户信息、业务识别信息及类似者。
随后,处理器130对获取的支付数据执行预处理操作(S210)。
支付数据中包含的每个项目可被配置为例如信息、预配置编码或类似者的组合的不同格式,且可包含文字、编号或其组合。在此情况下,处理器130可执行支付数据中的对应项目的值的归一化、定量化、重复数据删除以及相关性分析中的至少一个作为预处理以使操作效率最大化。
举例来说,参考图3,处理器130可对支付时间信息(APPR_DT、APPR_TM)310以及支付金额信息(PRDT_PRICE)330执行归一化,以及对电信公司信息(COMM_ID)320、业务识别信息(SVD_ID)340以及用户电子邮件存在信息(EMAILFLA)350执行定量化。
随后,处理器130提取自适应确定的特征(S220)。
在此情况下,处理器130可从预处理支付数据提取一些项目作为特征。
所提取特征是从支付数据中包含的多个项目当中确定,且基于预定时间长度(例如,24小时、72小时、1周等)累积的支付数据中包含的异常交易支付数据与正常交易支付数据之间的取样率来确定。此外,所提取特征是基于累积支付数据中包含的异常交易支付数据与正常交易支付数据之间的取样率当中显示最高检测率的取样率来自适应地确定。此外,为了最小化由检测异常交易引起的交易延迟,可以在获取支付数据之前确定这些特征。
随后,处理器130可通过自适应确定的机器学习算法确定支付数据是否对应于异常金融交易(S230)。
在本文中,可使用所提取特征及基于无监督学习来事先学习机器学习算法。
处理器130将从支付数据提取的特征输入到机器学习算法,且随后相应地获取结果输出。此结果可指示正常类别(normal class;NC)或异常类别(abnormal class;AC)。因此,处理器130可基于结果验证支付数据是否对应于异常金融交易。
同时,处理器130可选择多个机器学习算法当中显示累积支付数据的最高检测率的一个机器学习算法,且因此自适应地确定机器学习算法。可在获取实时支付数据之前确定显示累积支付数据的最高检测率的机器学习算法。
在下文中,将参考图4详细描述在获取支付数据之前由处理器130自适应地确定至少一个特征和机器学习算法的方法。
参考图4,处理器130选择N个取样率当中的任何一个取样率Xi(i=1,2,…,n),且使用所选择的取样率对累积的支付数据进行取样(S410)。
举例来说,处理器130可设定异常交易支付数据与正常交易支付数据之间的多个取样率,例如1:99、5:95、90:10、80:20、50:50及类似者,且可选择N个取样率中的一个。随后,处理器130可使用所选择的取样率对累积支付数据中的异常交易支付数据及正常交易支付数据进行欠取样或过取样。
执行欠取样或过取样以解决正常交易支付数据与异常交易支付数据之间的不平衡,且可减少支付数据的数目同时使信息的损耗降至最低,或在结果不失真的情况下增加数据。举例来说,欠取样可包含EasyEnsenmble、BalanceCascade、单边选择(one sidedselection;OSS)及类似者,且过取样可包含合成少数过取样技术(Synthetic MinorityOversampling Technique;SMOTE)、边界合成少数过取样技术(borderline SMOTE;BSM)、自适应合成取样(ADA SYN)及类似者,但可不限于此。
因此,可解决异常交易支付数据与正常交易支付数据之间的不平衡。此外,本发明方法可应用于累积的支付数据的量较小或较大的情况。
同时,处理器130可基于电子设备100的计算性能来确定取样数据的量。举例来说,处理器130可基于预定参考性能来评估电子设备100的性能,且随后根据评估结果使用取样率对所有正常交易支付数据和异常交易支付数据进行欠取样。
随后,处理器130可确定对应于取样率的特征候选组(S420)。
在本文中,特征候选组包括对应于特定取样率确定的至少一个特征。此外,处理器130可通过将排序算法、过滤算法或类似者应用于取样的累积支付数据来确定包含至少一个特征的特征候选组。
举例来说,处理器130可根据预设频率对取样的累积支付数据中的对应项目的值进行过滤和排序,且可将至少一个高排序项目分类作为特征候选组。在此情况下,处理器130可分配预定权重,且随后执行排序。
随后,处理器130选择M个机器学习算法候选当中的一个机器学习算法Yj(j=1,2,…,m)(S430),且根据所选择的机器学习算法的结果来计算检测率(S440)。
为此目的,处理器130学习具有特征候选组的所选择的机器学习算法。机器学习算法被配置成包含分类器,所述分类器将输入值分类为正常交易或异常交易。举例来说,机器学习算法可基于无监督学习法,例如K均值(K-means)、DBSCAN、密度估算(DensityEstimation)、期望最大化(Expectation Maximization)、FarthestFirst及类似者。无监督学习法实现大量数据的学习,且有利于未学习新模式的处理。因此,通过基于无监督学习的机器学习算法制定新的异常交易模式是可能的。
通过机器学习算法的结果输出可为意为正常交易的正常类别NC或意为异常交易的异常类别(AC)。处理器130可基于F度量法根据此结果来计算检测率。
表1为说明根据本公开的实施例的基于F度量法的混合矩阵的例示性图表。
表1
混合矩阵含有累积支付数据的实际值是否与机器学习算法的结果匹配(真或假)以及对应值指示异常交易还是正常交易(否定/肯定)之间的组合的结果,且显示真否定(true negative;TN)、真肯定(true positive;TP)、假否定(false negative;FN)以及假肯定(false positive;FP)。
处理器130可使用混合矩阵来计算精确度及查全率,且随后根据其来计算检测率。在本文中,精确度(P值)可被计算为{TP/(TP+FP)},且查全率(R值)可被计算为{{TP/(TP+FN)}。此外,检测率可被计算为{2×((R值)×(P值))/((R值)+(P值))}。出于参考目的,接近1的检测率表明已较好地检测到异常交易。此外,计算的检测率可存储在存储器110中。
再次参考图4,处理器130验证是否针对M个机器学习算法候选中的每一个计算检测率(S450)。
如果针对M个机器学习算法候选中的每一个计算检测率,那么处理器130验证是否针对N个取样率中的每一个计算检测率(S460)。
也就是说,处理器130可根据使用N个特征候选组学习的M个机器学习算法候选来计算N×M个检测率。
随后,处理器130选择各自显示最高检测率的取样率及机器学习算法(S470)。
在此情况下,处理器130可选择对应于显示最高检测率的取样率的特征候选组。
因此,处理器130可使用通过在预定时间长度对支付数据应用不同取样率计算的检测率来自适应地确定具有最高异常交易检测性能的特征。此外,处理器可自适应地确定相对于特征具有最高异常交易检测性能的机器学习算法。
随后,处理器130可使用自适应确定的特征和机器学习算法来确定实时获取的支付数据是否对应于异常交易。
因此,电子设备100可保证支付数据的高检测率,且因此提供可尽快拦截异常交易的使用环境。此外,当确定支付数据为异常交易时,电子设备100可向外部服务器提供关于异常交易的信息。在本文中,外部服务器可为可拦截异常交易的金融***或支付***。举例来说,处理器130可通过通信单元120将含有支付数据的支付识别信息的异常交易通知消息传输到外部服务器。因此,外部服务器可拦截所述交易或再确认电子设备100的用户是否继续所述交易。
图5为根据本公开的另一实施例经提供以解释检测异常交易的方法的异常金融交易检测设备的框图。
参考图5,根据本公开的另一实施例的电子设备(即,异常金融交易检测设备)100a反复向接收实时支付数据的移动设备200提供自适应确定的至少一个特征和机器学习算法。因此,检测由移动设备200接收的实时支付数据是否对应于异常交易是可能的。
具体地说,如果移动设备200实时获取支付数据,那么移动设备200从支付数据提取预设特征(即,由电子设备100a自适应确定的至少一个特征),并将所提取特征输入到预设机器学习算法(即由电子设备100a自适应确定的机器学习算法)。随后,移动设备200基于通过机器学习算法的结果输出来检测支付数据是否对应于异常交易。
图5中所示的电子设备100a的组件对应于图1中所示的电子设备100的对应组件。已参考图4描述由电子设备100a自适应确定至少一个特征和机器学习算法的操作。因此,将不给出其详细描述。
同时,电子设备100a可包含于支付***或金融***中。在此情况下,电子设备100a可定期确定至少一个特征和机器学习算法,且将所确定的至少一个特征和机器学习算法提供给与***连通的至少一个移动设备200。
此外,电子设备100a可使用与***连通的每个移动设备的支付数据来自适应地确定每个移动设备的至少一个特征和机器学习算法。
根据本公开的实施例的检测异常金融交易的上述方法可实施于包含可由计算机执行的指令代码的存储媒体中,所述存储媒体例如可由计算机执行的程序模块。计算机可读媒体可为可由计算机存取的任何可用媒体,且包含所有易失性/非易失性媒体以及可移动/不可移动媒体。此外,计算机可读媒体可包含所有计算机存储器。计算机存储媒体包含由用于存储例如计算机可读指令代码、数据结构、程序模块或其它数据等信息的某一方法或技术实施的所有易失性/非易失性媒体以及可移动/不可移动媒体。
已参考具体实施例解释本公开的方法和***,但其组件或其部分或所有操作可通过使用具有通用硬件架构的计算机***来实施。
出于说明的目的提供本公开的描述,且所属领域的普通技术人员应理解,可在不改变本公开的技术概念和基本特征的情况下进行各种变化和修改。因此,很明显,上述实施例在所有方面为说明性的,且不限制本公开。举例来说,描述为单一类型的各个组件可以分布式方式实施。同样,描述为分布式的组件可以组合方式实施。
本公开的范围由权利要求限定而非由实施例的实施方式限定。应理解,由权利要求及其等效物的含义及范围构想的所有修改和实施例包含在本公开的范围内。
Claims (10)
1.一种异常金融交易检测设备,其特征在于,包括:
存储器,其中存储被配置成检测异常金融交易的程序;以及
处理器,被配置成执行所述程序,
其中在执行所述程序时,所述处理器对获取的支付数据执行数据预处理操作,根据所述预处理操作的结果提取预先自适应确定的至少一个特征,以及使用所述提取的特征通过预先自适应确定的机器学习算法来确定所述支付数据是否对应于异常交易,以及
基于预定时间长度累积的支付数据中包含的异常交易支付数据与正常交易支付数据之间的取样率并且基于多个取样率当中显示最高检测率的取样率从所述支付数据中包含的多个项目自适应地确定所述至少一个特征,
其中处理器使用混合矩阵来计算精确度及查全率,且根据所述精确度及所述查全率来计算检测率,其中最高的所述检测率是所述最高检测率,且所述混合矩阵含有所述累积的支付数据的实际值是否与所述机器学习算法的结果匹配以及对应值指示异常交易还是正常交易之间的组合的结果,
其中所述机器学习算法是基于无监督学习法,
其中所述处理器使用所述多个取样率中的每一个对所述累积的支付数据进行取样,并且对所述取样的所述累积的支付数据应用过滤算法和排序算法以确定包含至少一个特征的多个特征候选组,以及所述处理器确定所述多个特征候选组当中对应于显示所述最高检测率的所述取样率的特征候选组,
其中所述过滤算法和所述排序算法是所述处理器根据预设频率对取样的所述累积的支付数据中的项目的值进行过滤和排序,将至少一个高排序项目分类作为所述特征候选组,且所述处理器分配预定权重,执行排序。
2.根据权利要求1所述的异常金融交易检测设备,
其中所述处理器执行所述支付数据中包含的每个项目的归一化、定量化、重复数据删除以及相关性分析中的至少一个作为所述数据预处理操作。
3.根据权利要求1所述的异常金融交易检测设备,
其中所述处理器选择分别使用所述多个特征候选组学习的多个机器学习算法当中显示所述累积支付数据的所述最高检测率的一个机器学习算法作为所述机器学习算法。
4.根据权利要求1所述的异常金融交易检测设备,
其中所述处理器使用所述多个取样率分别对所述累积支付数据中包含的所述异常交易支付数据和所述正常交易支付数据进行欠取样或过取样。
5.根据权利要求4所述的异常金融交易检测设备,
其中所述处理器基于所述异常金融交易检测设备的计算性能来确定待欠取样或过取样的取样数据的量。
6.根据权利要求1所述的异常金融交易检测设备,更包括:
通信单元,被配置成与拦截异常交易的外部服务器通信,
其中当确定所述支付数据为异常交易时,所述处理器通过所述通信单元向所述服务器提供关于所述异常交易的信息。
7.一种通过异常金融交易检测设备检测异常金融交易的方法,其特征在于,包括:
获取支付数据并且对所述支付数据执行数据预处理操作;
根据所述预处理操作的结果提取预先自适应确定的至少一个特征;以及
使用所述提取的特征通过预先自适应确定的机器学习算法来确定所述支付数据是否对应于异常交易,
其中基于预定时间长度累积的支付数据中包含的异常交易支付数据与正常交易支付数据之间的取样率并且基于多个取样率当中显示最高检测率的取样率从所述支付数据中包含的多个项目自适应地确定所述至少一个特征,
其中使用混合矩阵来计算精确度及查全率,且根据所述精确度及所述查全率来计算检测率,其中最高的所述检测率是所述最高检测率,且所述混合矩阵含有所述累积的支付数据的实际值是否与所述机器学习算法的结果匹配以及对应值指示异常交易还是正常交易之间的组合的结果,
其中所述机器学习算法是基于无监督学习法,
其中所述的检测异常金融交易的方法,更包括:
在提取所述至少一个特征的步骤之前,
自适应地确定所述至少一个特征,
其中所述自适应地确定所述至少一个特征的步骤包含:
使用所述多个取样率中的每一个对所述累积的支付数据进行取样,并且对所述取样的累积支付数据应用过滤算法和排序算法以确定包含至少一个特征的多个特征候选组;以及
确定所述多个特征候选组当中对应于显示所述最高检测率的所述取样率的特征候选组,
其中所述过滤算法和所述排序算法是根据预设频率对取样的所述累积的支付数据中的项目的值进行过滤和排序,将至少一个高排序项目分类作为所述特征候选组,且分配预定权重,执行排序。
8.根据权利要求7所述的检测异常金融交易的方法,更包括:
在所述通过所述机器学习算法确定所述支付数据是否对应于异常交易的步骤之前,
自适应地确定所述机器学习算法,
其中所述自适应地确定所述机器学习算法的步骤包含:
选择分别使用所述多个特征候选组学习的多个机器学习算法当中显示所述累积支付数据的所述最高检测率的一个机器学习算法作为所述机器学习算法。
9.根据权利要求7所述的检测异常金融交易的方法,更包括:
在所述确定所述支付数据是否对应于异常交易的步骤之后,
当确定所述支付数据为异常交易时,向拦截异常交易的外部服务器提供关于所述异常交易的信息。
10.一种计算机可读存储介质,其特征在于,其在计算机上存储被配置成执行根据权利要求7所述的方法的程序。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2017-0073385 | 2017-06-12 | ||
KR1020170073385A KR101879416B1 (ko) | 2017-06-12 | 2017-06-12 | 이상 금융거래 탐지 방법 및 그 전자 장치 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109035013A CN109035013A (zh) | 2018-12-18 |
CN109035013B true CN109035013B (zh) | 2022-05-17 |
Family
ID=63049330
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810596283.9A Active CN109035013B (zh) | 2017-06-12 | 2018-06-11 | 检测异常金融交易的设备和方法及计算机可读存储介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11763308B2 (zh) |
KR (1) | KR101879416B1 (zh) |
CN (1) | CN109035013B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102009310B1 (ko) * | 2018-10-15 | 2019-10-21 | 주식회사 에이젠글로벌 | 이상행위 요인 분석 시스템 및 분석 방법 |
US11321632B2 (en) * | 2018-11-21 | 2022-05-03 | Paypal, Inc. | Machine learning based on post-transaction data |
CN109829807B (zh) * | 2019-01-21 | 2021-05-04 | 深圳乐信软件技术有限公司 | 结算***数据处理方法、装置、计算机设备及存储介质 |
CN109886809A (zh) * | 2019-01-24 | 2019-06-14 | 平安科技(深圳)有限公司 | 交易数据智能分析方法、电子装置及计算机可读存储介质 |
CN113906719B (zh) * | 2019-04-23 | 2023-08-29 | 迪普西格有限公司 | 使用机器学习网络处理通信信号 |
KR102058345B1 (ko) * | 2019-05-31 | 2019-12-23 | 한국산업기술평가관리원 | 인공지능 기반 자금 관리 시스템 |
CN110418173B (zh) * | 2019-07-18 | 2021-10-08 | 北京达佳互联信息技术有限公司 | 确定异常账户的方法、装置、服务器及存储介质 |
EP3789948A1 (en) * | 2019-09-04 | 2021-03-10 | Per Frennbro | Computer implemented system, method and program for processing data in order to identify one or more anomalies |
CN110570312B (zh) * | 2019-09-17 | 2021-05-28 | 深圳追一科技有限公司 | 样本数据获取方法、装置、计算机设备和可读存储介质 |
KR102105276B1 (ko) * | 2019-11-29 | 2020-04-29 | 주식회사 애자일소다 | 강화학습 기반의 결제 분류시스템 및 방법 |
US20220108330A1 (en) * | 2020-10-06 | 2022-04-07 | Rebecca Mendoza Saltiel | Interactive and iterative behavioral model, system, and method for detecting fraud, waste, abuse and anomaly |
CN112688911B (zh) * | 2020-11-03 | 2023-04-18 | 桂林理工大学 | 一种基于PCA+ADASYN和Xgboost的网络入侵检测*** |
CN113781213B (zh) * | 2021-08-20 | 2023-09-29 | 上海华鑫股份有限公司 | 一种基于图和层次化transformer的智能交易异常检测方法 |
KR102529027B1 (ko) * | 2022-04-25 | 2023-05-04 | 주식회사 더시스템스코리아 | 이상 선불 금융 거래를 검출하는 시스템 및 그의 동작 방법 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003337970A (ja) * | 2002-05-20 | 2003-11-28 | Oki Electric Ind Co Ltd | 現金自動取引装置の保守方法およびその保守プログラム |
CN103514565A (zh) * | 2012-06-27 | 2014-01-15 | ***股份有限公司 | 金融交易处理***的交易异常处理单元及方法 |
CN104735718A (zh) * | 2013-12-18 | 2015-06-24 | 现代自动车株式会社 | 用于避免v2v通信之间的消息冲突的装置和方法 |
Family Cites Families (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2002228700A1 (en) * | 2000-11-02 | 2002-05-15 | Cybersource Corporation | Method and apparatus for evaluating fraud risk in an electronic commerce transaction |
US9064364B2 (en) * | 2003-10-22 | 2015-06-23 | International Business Machines Corporation | Confidential fraud detection system and method |
WO2006136789A2 (en) * | 2005-06-20 | 2006-12-28 | Future Route Limited | Analytical system for discovery and generation of rules to predict and detect anomalies in data and financial fraud |
JP4839164B2 (ja) * | 2006-09-15 | 2011-12-21 | 株式会社日立製作所 | ハードウェアモニタを用いた性能評価システム及び再構築可能な計算機システム |
KR101153968B1 (ko) * | 2009-11-03 | 2012-06-08 | 김대환 | 금융사기 방지 시스템 및 방법 |
US8717917B1 (en) * | 2010-04-27 | 2014-05-06 | Openwave Mobility, Inc. | System and method for managing transaction data in a mobile communication network using selective sampling |
WO2012116125A1 (en) * | 2011-02-22 | 2012-08-30 | Visa International Service Association | Universal electronic payment apparatuses, methods and systems |
AU2013214801B2 (en) * | 2012-02-02 | 2018-06-21 | Visa International Service Association | Multi-source, multi-dimensional, cross-entity, multimedia database platform apparatuses, methods and systems |
KR101364763B1 (ko) * | 2012-02-20 | 2014-02-27 | 주식회사 한국프라임테크놀로지 | 금융거래패턴분석을 이용한 금융사기 경보 시스템 및 방법 |
US20140180808A1 (en) * | 2012-12-22 | 2014-06-26 | Coupons.Com Incorporated | Generation and management of dynamic electronic offers |
US11157954B1 (en) * | 2012-12-22 | 2021-10-26 | Quotient Technology Inc. | Forming and using master records based on consumer transaction data |
US10423973B2 (en) * | 2013-01-04 | 2019-09-24 | PlaceIQ, Inc. | Analyzing consumer behavior based on location visitation |
US9231979B2 (en) * | 2013-03-14 | 2016-01-05 | Sas Institute Inc. | Rule optimization for classification and detection |
CA2860179A1 (en) * | 2013-08-26 | 2015-02-26 | Verafin, Inc. | Fraud detection systems and methods |
US20150235217A1 (en) * | 2014-02-18 | 2015-08-20 | Mastercard International Incorporated | Photos to detect fraud at point of sale method and apparatus |
CA2892891C (en) * | 2014-05-27 | 2022-09-06 | The Toronto-Dominion Bank | Systems and methods for providing merchant fraud alerts |
CN104091073A (zh) * | 2014-07-11 | 2014-10-08 | 中国人民解放军国防科学技术大学 | 虚拟资产不平衡交易数据的采样方法 |
KR101675416B1 (ko) * | 2014-07-28 | 2016-11-11 | 주식회사 예티소프트 | 이상 금융거래의 실시간 탐지 시스템 및 방법 |
US20160086185A1 (en) * | 2014-10-15 | 2016-03-24 | Brighterion, Inc. | Method of alerting all financial channels about risk in real-time |
US10373128B2 (en) * | 2015-06-25 | 2019-08-06 | Bank Of America Corporation | Dynamic resource management associated with payment instrument exceptions processing |
CN105957271B (zh) * | 2015-12-21 | 2018-12-28 | ***股份有限公司 | 一种金融终端安全防护方法及*** |
KR101743269B1 (ko) * | 2016-01-13 | 2017-06-05 | 주식회사 엔젠소프트 | 행위 정보 분석 및 사용자 행위 패턴 모델링을 통한 이상행위 탐지 방법과 그를 위한 장치 |
KR101834260B1 (ko) * | 2017-01-18 | 2018-03-06 | 한국인터넷진흥원 | 이상 거래 탐지 방법 및 장치 |
US10762563B2 (en) * | 2017-03-10 | 2020-09-01 | Cerebri AI Inc. | Monitoring and controlling continuous stochastic processes based on events in time series data |
US11276015B2 (en) * | 2017-04-20 | 2022-03-15 | Capital One Services, Llc | Machine learning artificial intelligence system for predicting hours of operation |
CN107871213B (zh) * | 2017-11-27 | 2021-11-12 | 上海众人网络安全技术有限公司 | 一种交易行为评价方法、装置、服务器以及存储介质 |
KR20220007470A (ko) * | 2020-07-10 | 2022-01-18 | 박수환 | 위치정보 분석 및 머신러닝 기법을 활용한 모바일 이상거래 탐지 장치 및 그 동작 방법 |
-
2017
- 2017-06-12 KR KR1020170073385A patent/KR101879416B1/ko active IP Right Grant
-
2018
- 2018-05-30 US US15/992,814 patent/US11763308B2/en active Active
- 2018-06-11 CN CN201810596283.9A patent/CN109035013B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003337970A (ja) * | 2002-05-20 | 2003-11-28 | Oki Electric Ind Co Ltd | 現金自動取引装置の保守方法およびその保守プログラム |
CN103514565A (zh) * | 2012-06-27 | 2014-01-15 | ***股份有限公司 | 金融交易处理***的交易异常处理单元及方法 |
CN104735718A (zh) * | 2013-12-18 | 2015-06-24 | 现代自动车株式会社 | 用于避免v2v通信之间的消息冲突的装置和方法 |
Also Published As
Publication number | Publication date |
---|---|
US20180357643A1 (en) | 2018-12-13 |
KR101879416B1 (ko) | 2018-07-18 |
US11763308B2 (en) | 2023-09-19 |
CN109035013A (zh) | 2018-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109035013B (zh) | 检测异常金融交易的设备和方法及计算机可读存储介质 | |
CN107315954B (zh) | 一种文件类型识别方法及服务器 | |
WO2018157818A1 (zh) | 用户偏好的推测方法、装置、终端设备及存储介质 | |
CN110533085B (zh) | 同人识别方法及装置、存储介质、计算机设备 | |
CN108108384B (zh) | 一种数据存储方法及装置 | |
KR102104193B1 (ko) | 서비스 파라미터 선택 방법 및 관련된 디바이스 | |
CN113255370B (zh) | 基于语义相似度的行业类型推荐方法、装置、设备及介质 | |
CN112927061B (zh) | 用户操作检测方法及程序产品 | |
CN111260220B (zh) | 群控设备识别方法、装置、电子设备和存储介质 | |
CN112837069A (zh) | 基于区块链与大数据的安全支付方法及云平台*** | |
CN103548016A (zh) | 用于消息分类的动态规则重新排序 | |
CN107038165B (zh) | 一种业务参数获取方法及装置 | |
CN108604248B (zh) | 利用基于人工智能的相关性计算的笔记提供方法及装置 | |
CN111651595A (zh) | 一种异常日志处理方法及装置 | |
CN111143678B (zh) | 推荐***和推荐方法 | |
CN104751350A (zh) | 一种信息显示方法及终端 | |
CN110335061B (zh) | 交易模式画像建立方法、装置、介质及电子设备 | |
CN110297764B (zh) | 漏洞测试模型训练方法和装置 | |
CN113377998A (zh) | 数据加载的方法、装置、电子设备及存储介质 | |
CN110972086A (zh) | 短信息处理方法、装置、电子设备及计算机可读存储介质 | |
CN105354704A (zh) | 一种资源处理方法、装置及*** | |
Zhang et al. | Adaptive sampling scheme for learning in severely imbalanced large scale data | |
CN109299948A (zh) | 一种红包发送方法、装置、可穿戴设备及存储介质 | |
CN110610373A (zh) | 一种潜在客户挖掘处理方法及装置 | |
CN114363268A (zh) | 消息延迟消费方法及相关产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |