具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
参见图1所示,本说明书实施例提供一种异常交易监测方法,该方法可包括:
S101:获取用户群的历史交易数据、目标用户的当前交易数据和所述目标用户的历史交易数据,所述用户群的历史交易数据的数量大于或等于预设值。
作为一个实施例,所述用户群的历史交易数据是所有用户在过去时间内发起的每笔交易数据的集合,所述用户群的历史交易数据的数量的预设值可以为满足计算精度、采样要求的一个具体数值。
作为一个实施例,所述目标用户的历史交易数据是目标用户在过去时间内发起的每笔交易数据的集合。
作为另一个实施例,所述获取目标用户的历史交易数据包括:获取目标用户在目标时段内的交易数据,所述目标时段的时长为预设时长,所述目标时段的结束时刻为所述当前交易的开始时刻。例如,所述目标时长可以是自当前时刻起过去30天,则获取目标用户的历史交易数据可以包括:获取目标用户过去30天内的交易数据。
S103:确定所述当前交易数据与所述用户群的历史交易数据的第一偏离度,以及所述当前交易数据与所述目标用户的历史交易数据的第二偏离度。
作为一个实施例,所述目标用户的当前交易数据、目标用户的历史交易数据和用户群的历史交易数据分别由目标特征表征;
其中,S103包括:
确定所述当前交易数据对应的所述目标特征的第一特征值;
确定所述用户群的历史交易数据对应的所述目标特征的第二特征值,以及所述目标用户的历史交易数据对应的所述目标特征的第三特征值,所述第二特征值基于用户群的每个历史交易数据对应的所述目标特征的值确定,所述第三特征值基于所述目标用户的每个历史交易数据对应的所述目标特征的值确定;
基于所述第一特征值和所述第二特征值,确定所述第一偏离度;
基于所述第一特征值和所述第三特征值,确定所述第二偏离度。
例如,目标特征为金额V,则目标用户的当前交易数据由目标特征值表征,上述目标特征记为Vi。
作为一个具体实施例,从所述目标用户的当前交易数据、目标用户的历史交易数据和用户群的历史交易数据的所有交易数据中,我们可以得到一个目标特征的最大特征值、最小特征值。利用这个最大特征值、最小特征值,对所述目标用户的当前交易数据、用户群的历史交易数据和目标用户的历史交易数据分别做关于目标特征Vi的归一化处理,分别得到不包含量纲的第一特征值、第二特征值和第三特征值。具体的,以金额这个交易特征为例,上述目标用户的当前交易数据的特征值就是金额数值,第二特征值就是所有用户的所有交易平均金额数值,第三特征值就是用户在目标时段内的平均金额数值。
通过关于交易特征的归一化预处理,可以避免将目标特征的量纲引入计算公式中。通过引入目标用户的历史交易数据,为目标用户当前交易数据的异常分析提供了目标用户自身交易习惯的数值分析基础。
作为另一个实施例,所述方法还包括:基于用户群的每个历史交易数据对应的所述目标特征的值的平均值,确定第二特征值,以及,基于所述目标用户的每个历史交易数据对应的所述目标特征的值的平均值,确定第三特征值。
例如,上述第二特征值可以是用户群的历史交易数据与目标特征V对应的特征均值Vw,上述第三特征值可以是目标用户的历史交易数据与目标特征对应的特征均值Vt,上述第一特征值可以说是目标用户的当前交易数据与目标特征对应的特征值Vi。
作为一个实施例,上述基于所述第一特征值Vi和所述第二特征值Vw,确定所述第一偏离度,上述第一偏离度可以表示为关于第一特征值Vi与第二特征值Vw的欧拉数e指数形式。在本实施例中,第一偏离度可以表示为3(1/e Vi/(Vi-Vt)+0.2)。
作为一个实施例,上述基于所述第一特征值Vi和所述第三特征值Vt,确定所述第二偏离度,上述第二偏离度可以表示为关于第一特征值Vi和第三特征值Vt的欧拉数e指数形式。在本实施例中,第二偏离度可以表示为eVi-Vw。
上述采用第一偏离度,可以描述目标用户的在群体中的表现情况,为综合描述目标用户的交易行为提供了依据;采用第二偏离度,可以描述目标用户的自身交易习惯,为综合描述目标用户的交易行为提供了依据。
S105:基于所述第一偏离度和所述第二偏离度,确定所述当前交易数据是否异常。
作为一个实施例,上述S105中包括:
基于所述第一偏离度和所述第二偏离度的乘积,确定第三偏离度;
基于所述第三偏离度,确定所述当前交易数据是否异常。
作为一个实施例,上述第三偏离度,在机器学***面中上述目标用户的当前交易数据在所述交易特征上的特征偏移距离(DBID,Distance based onIndividual Deviation)。下面具体举例,将目标特征V对应的第三偏离度表示为DBID(V),
作为一个具体实施例,所述第一偏离度为eVi-Vw,第二偏离度为3(1/eVi/(Vi-Vt)+0.2),则第三偏离度DBID(V)=eVi-Vw×3(1/eVi/(Vi-Vt)+0.2),上述第三偏离度DBID(V)表示第二偏离度对第一偏离度的惩罚或奖励。具体效果是,如果目标用户的当前交易数据在金额V这个目标特征下的表现,与用户群的群体表现差异很大,即第一偏离度的数值较大,比如eVi-Vw的数值为1.9,但与目标用户的自身交易表现差异很小,即第二偏离度的数值很小,比如3(1/eVi/(Vi-Vt)+0.2)的数值为0.5,那么第二偏离度与第一偏离度的乘积,即第三偏离度DBID(V)被惩罚为1.9*0.5=0.95;相反,如果目标用户的当前交易数据在金额V这个目标特征下的表现,与用户群的群体表现差异很小,即第一偏离度的数值较小,比如eVi-Vw的数值为0.8,但与目标用户的自身交易表现差异很大,即第二偏离度的数值很大,比如3(1/eVi /(Vi-Vt)+0.2)的数值为2.1,那么第二偏离度与第一偏离度的乘积,即第三偏离度DBID(V)被奖励为0.8*2.1=1.68;另外,如果目标用户的当前交易数据在金额V这个目标特征下的表现,与群体用户的群体表现差异很大,即第一偏离度的数值较大,比如eVi-Vw的数值为1.9,且与目标用户的自身交易表现差异很大,即第二偏离度的数值很大,比如3(1/eVi/(Vi-Vt)+0.2)的数值为2.1,那么第二偏离度与第一偏离度的乘积,即第三偏离度DBID(V)被奖励为1.9*2.1=3.99。
对于一个目标特征,通过利用第一偏离度和第二偏离度的乘积表示的第三偏离度,实现用第二偏度来对第一偏离度做一个奖惩,避免“群体用户每天交易5笔,目标用户每天交易20笔,但因为目标用户一直保持这样的交易行为,因此不会被识别出异常”,即目标用户显著影响用户群的历史交易数据的情况,从而可以更综合的考虑目标用户的当前交易数据的异常性。
作为一个实施例,上述基于所述第三偏离度,确定所述当前交易数据的在目标特征下的异常等级,包括:根据所述第三偏离度匹配的预设偏离度区间,确定所述当前交易数据的异常等级。
作为一个实施例,所述预设偏离度区间包括:第一数值区间、第二数值区间和第三数值区间,所述第一数值区间表征当前交易数据在目标特征下无异常,所述第二数值区间表征当前交易数据在目标特征下较为异常,所述第三数值区间表征当前交易数据极度异常。
例如,第一数值区间可以是[0,1],第二数值区间可以说是(1,2),第三数值区间可以是[2,+∞],通过第三偏离度DBID(V)在目标特征V下的公式计算,得到第三偏离度DBID(V)为0.8,则根据第三偏离度DBID(V)的数值判定其与第一数值区间匹配,则表示目标用户当前交易数据的异常等级是无异常的等级。
作为一个实施例,所述第一数值区间可以是[0,1]。例如,第三偏离度DBID(V)<=1时,判断其处于第一数值区间[0,1],则目标用户的当前交易数据在目标特征V下的第三偏离度为无异常;所述第二数值区间可以是(1,2)。例如,2>第三偏离度DBID(V)>1时,判断其处于第二数值区间是(1,2),则目标用户的当前交易数据在目标特征V下的第三偏离度为较为异常;所述第三数值区间可以是[2,+∞]。例如,第三偏离度DBID(V)>2时,判断其处于第三数值区间是[2,+∞],则目标用户的当前交易数据在目标特征V下的第三偏离度为极度异常。
作为一个实施例,若所述目标用户的当前交易数据的第三偏离度与第三数值区间匹配,即判定当前交易数据的异常等级是极度异常,从而确定所述目标用户的当前交易数据是异常交易。
通过第一偏离度、第二偏离度确定第三偏离度,将第三偏离度与预设偏离度区间进行匹配,可以确定所述目标用户当前交易数据在目标特征上的异常等级,通过对目标用户当前交易数据的异常等级判断,可以更精准的识别出真正异常的交易。
图2为本申请另一个实施例提供的异常交易监测方法的流程示意图,如图2所示出的,本说明书的异常交易监测方法包括:
S201,获取用户群的历史交易数据;
S203,获取目标用户的当前交易数据;
S205,获取目标用户的历史交易数据;
S207,对用户群的历史交易数据做关于目标特征的归一化,得到第二特征值;
S209,对目标用户的当前交易数据做关于目标特征的归一化,得到第一特征值;
S211,对目标用户的历史交易数据做关于目标特征的归一化,得到第三特征值;
S213,根据第二特征值与第一特征值,确定得到第一偏离度;
S215,根据第三特征值与第一特征值,确定得到第二偏离度;
S217,根据第一偏离度和第二偏离度,确定得到第三偏离度;
S219,根据第三偏离度匹配的预设偏离度区间,确定当前交易数据的异常等级。
本实施例的异常交易监测方法,通过确定两个偏离度:第一偏离度、第二偏离度,利用两者相乘来综合的考虑该笔交易的异常性,从而判断用户当前交易数据的异常等级,从而更精准的识别出真正异常的交易。
作为另一个实施例,所述目标特征的个数为多个,所述基于所述第一偏离度和所述第二偏离度的乘积,确定第三偏离度,包括:
根据每个目标特征对应的所述第一偏离度和所述第二偏离度,确定所述每个目标特征对应的所述第三偏离度;
其中,所述基于所述第三偏离度,确定所述当前交易数据是否异常,包括:
基于所述每个目标特征对应的第三偏离度,确定第四偏离度;
将第四偏离度与预设偏离度区间进行匹配,其中所述预设偏离度区间包括表示当前交易数据为异常的目标预设偏离度区间;
根据所述第四偏离度匹配的目标预设偏离度区间,确定所述当前交易数据是否异常。
图3为本申请另一个实施例提供的异常交易监测方法中均值偏移距离的异常判定的流程示意图,在上述实施例的基础上,作为一个具体实施例,所述目标特征为多个。本方法还包括:
S301确定每个目标特征对应的第三偏离度。
S303根据每个目标特征对应的第三偏离度,确定第四偏离度。
作为一个实施例,所述第四偏离度作为所述目标用户的当前交易数据的总体偏移度。对每个交易特征,我们计算出了基于第一偏离度和第二偏离度乘积表示的第三偏离度DBID,对所有目标特征的第三偏离度进行平均,即第四偏离度可以表示为:
S305将第四偏离度与预设偏离度区间进行匹配。
作为一个实施例,所述预设偏离度区间包括:第一数值区间、第二数值区间和第三数值区间,所述第一数值区间表示当前交易数据在目标特征下无异常,所述第二数值区间表示当前交易数据在目标特征下较为异常,所述第三数值区间表示当前交易数据极度异常。上述第三数值区间为预设为交易数据异常的目标预设偏离度区间。
S307根据上述第四偏离度所处的目标预设偏离度区间,确定所述目标用户的当前交易数据是否异常。
作为一个实施例,所述第一数值区间可以是[0,1]。当计算得到的第四偏离度DBIDavg<=1时,判断其所处的目标预设偏离度区间为第一数值区间[0,1],则目标用户的当前交易数据的异常等级为无异常,从而确定所述目标用户的当前交易数据没有异常。
作为一个实施例,所述第二数值区间可以是(1,2)。当计算得到2>第四偏离度DBID(V)>1时,判断其所处的目标预设偏离度区间为第二数值区间(1,2),则目标用户的当前交易数据的异常等级为较为异常,从而确定所述目标用户的当前交易数据可能有异常。
作为一个实施例,所述第三数值区间可以是[2,+∞]。例如,计算得到第四偏离度DBID(V)>2时,判断其所处的目标预设偏离度区间为第三数值区间[2,+∞],则目标用户的当前交易数据的异常等级为极度异常,从而确定所述目标用户的当前交易数据存在异常。
作为一个实施例,所述方法包括:若所述当前交易数据异常,则将所述目标预设偏离度区间对应的目标异常等级,确定为所述当前交易数据的异常等级。例如,上述目标预设偏离度区间为第三数值区间,上述第四偏离度的数值处于第三数值区间,确定所述目标用户的当前交易数据是异常交易。
本实施例的异常交易监测方法,对于目标特征为多个的情况,确定所有目标特征下的第三偏离度总和,并按目标特征总数做平均,得到第四偏离度。利用第四偏离度可以更全面的考虑该笔交易的异常性,从而判断用户当前发起的该笔交易数据是否存在异常状态。这种方法可以更精准的识别出真正异常的交易。
本申请实施例还提供一种异常交易监测装置,参见图4所示,该装置可具体包括:
交易获取模块401,用于获取用户群的历史交易数据,目标用户的当前交易数据和所述目标用户的历史交易数据,所述用户群的历史交易数据的数量大于或等于预设值;
偏离度确定模块403,用于确定所述当前交易数据与所述用户群的历史交易数据的第一偏离度,以及所述当前交易数据与所述目标用户的历史交易数据的第二偏离度;
异常确定模块405,用于基于所述第一偏离度和所述第二偏离度,确定所述当前交易数据是否异常。
图4所示的异常交易监测装置,通过根据当前交易数据在用户群的历史交易数据和目标用户的历史交易数据中的第一偏离度和第二偏离度,从而确定当前交易数据是否异常。可以更综合的考虑目标用户自身交易习惯和用户群的历史交易数据,从而判断用户当前交易数据的异常情况,精准的识别出真正异常的交易。
可选地,作为一个实施例,所述交易获取模块401,还用于获取目标用户在目标时段内的交易数据,所述目标时段的时长为预设时长,所述目标时段的结束时刻为所述当前交易的开始时刻。
可选地,作为一个实施例,所述目标用户的当前交易数据、所述目标用户的历史交易数据和所述用户群的历史交易数据分别由目标特征表征;
其中,所述偏离度确定模块403,用于:
确定所述当前交易数据对应的所述目标特征的第一特征值;
确定所述用户群的历史交易数据对应的所述目标特征的第二特征值,以及所述目标用户的历史交易数据对应的所述目标特征的第三特征值,所述第二特征值基于用户群的每个历史交易数据对应的所述目标特征的值确定,所述第三特征值基于所述目标用户的每个历史交易数据对应的所述目标特征的值确定;
基于所述第一特征值和所述第二特征值,确定所述第一偏离度;
基于所述第一特征值和所述第三特征值,确定所述第二偏离度。
可选地,作为一个实施例,异常交易监测装置,还包括平均特征值模块,用于基于用户群的每个历史交易数据对应的所述目标特征的值的平均值,确定第二特征值,以及,基于所述目标用户的每个历史交易数据对应的所述目标特征的值的平均值,确定第三特征值。
可选地,作为一个实施例,所述异常确定模块405,还包括:
第三偏离度模块,用于基于所述第一偏离度和所述第二偏离度的乘积,确定第三偏离度;
判定模块,用于基于所述第三偏离度,确定所述当前交易数据是否异常。
可选地,作为一个实施例,所述目标特征的个数为多个,其中,第三偏离度模块,还包括:
全体第三偏离度模块,用于根据每个目标特征对应的所述第一偏离度和所述第二偏离度,确定所述每个目标特征对应的第三偏离度;
其中,所述判定模块,还包括:
第四偏离度模块,用于基于所述每个目标特征对应的第三偏离度,确定得到第四偏离度;
匹配模块,用于将第四偏离度与预设偏离度区间进行匹配,其中所述预设偏离度区间包括表示当前交易数据为异常的目标预设偏离度区间;
异常判定模块,用于根据所述第四偏离度匹配的目标预设偏离度区间,确定所述当前交易数据是否异常。
可选地,作为一个实施例,所述异常交易监测模块,还用于若所述当前交易数据异常,则将所述目标预设偏离度区间对应的目标异常等级,确定为所述当前交易数据的异常等级。
能够理解,本申请实施例提供的异常交易监测装置,能够实现前述实施例中提供的异常交易监测方法,关于异常交易监测方法的相关阐释均适用于异常交易监测装置,此处不再赘述。
图5是本申请的一个实施例电子设备的结构示意图。请参考图5,在硬件层面,该电子设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成资源展示设备估算装置。处理器,执行存储器所存放的程序,并具体用于执行以下操作:
获取用户群的历史交易数据、目标用户的当前交易数据和所述目标用户的历史交易数据,所述用户群的历史交易数据的数量大于或等于预设值;
确定所述当前交易数据与所述用户群的历史交易数据的第一偏离度,以及所述当前交易数据与所述目标用户的历史交易数据的第二偏离度;
基于所述第一偏离度和所述第二偏离度,确定所述当前交易数据是否异常。
上述如本申请图1所示实施例揭示的异常交易监测方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
该电子设备还可执行图1中异常交易监测方法,并实现异常交易监测装置在图1所示实施例的功能,本申请实施例在此不再赘述。
本申请实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的电子设备执行时,能够使该电子设备执行图1所示实施例中任务目标业务接口输出的方法,并具体用于执行:
获取用户群的历史交易数据、目标用户的当前交易数据和所述目标用户的历史交易数据,所述用户群的历史交易数据的数量大于或等于预设值;
确定所述当前交易数据与所述用户群的历史交易数据的第一偏离度,以及所述当前交易数据与所述目标用户的历史交易数据的第二偏离度;
基于所述第一偏离度和所述第二偏离度,确定所述当前交易数据是否异常。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本申请实施例的方法、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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、***或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。