CN111291229A - 一种稠密多部子图的检测方法及*** - Google Patents
一种稠密多部子图的检测方法及*** Download PDFInfo
- Publication number
- CN111291229A CN111291229A CN202010071390.7A CN202010071390A CN111291229A CN 111291229 A CN111291229 A CN 111291229A CN 202010071390 A CN202010071390 A CN 202010071390A CN 111291229 A CN111291229 A CN 111291229A
- Authority
- CN
- China
- Prior art keywords
- node
- subset
- degree
- account
- dense
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims description 31
- 238000001514 detection method Methods 0.000 claims abstract description 45
- 206010000117 Abnormal behaviour Diseases 0.000 claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 14
- 238000012216 screening Methods 0.000 claims abstract description 3
- 238000012546 transfer Methods 0.000 claims description 50
- 238000004900 laundering Methods 0.000 claims description 24
- 230000009286 beneficial effect Effects 0.000 claims 1
- 230000006399 behavior Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000006735 deficit Effects 0.000 description 3
- 101150049349 setA gene Proteins 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提出一种基于稠密多部子图的检测方法及***,包括:步骤1、根据链式特征中的信息流动,构建交易网络的多部图,根据预设的账户间信息流动阈值筛选该多部图,得到该多部图中的稠密子图;步骤2、以固定账户存在超阈值的信息流且在中间账户中保留低于阈值的权重为约束条件,生成该稠密子图中节点子集的异常值;步骤3、根据该异常值,输出该多部图中存在异常行为的节点子集作为异常行为检测结果。本发明通过具有有效性和鲁棒性和良好的可扩展性。
Description
技术领域
本发明涉及数据挖掘领域,特别涉及一种稠密多部子图的检测方法及***。
背景技术
随着互联网的发展,互联网应用获得了飞速发展,社交媒体也获得了飞速 发展,目前社交媒体已超越搜索引擎,成为互联网第一大流量来源,二者占比 分别为46%和40%。而随着技术的发展,恶意话题操作以及洗钱等也成为了 不法分子的谋取暴力的工具。恶意话题炒作是一些团伙通过相互转发信息来炒 作某个话题,从而获得舆论影响力、宣传推广等目的;互洗钱是将从非法来源 获得的资金转化为合法资金的过程。图成为一种常见数据应用到许多科学和工 程中,图可以表示成这样一种结构,即图G=(V,E)是一对集合:一组顶点 V表示实体和一组边E表示实体之间的关系或连接。在计算机科学中,网络包含节点和边缘;而在社会科学中,相应的术语则是行为者和关系,在本文中这 两个术语具有同等意义。如果用图中的顶点表示参与活动的人,用边表示消息 或者人与人之间的关联。那么当发起媒体炒作或者洗钱行为时,会在特定时间 或者特定常见下,参与活动的人之间产生一个多部稠密子图。用户之间的相互 关注关系就构成了社交网络图,其常见的存储格式是邻接矩阵或者拉普拉斯矩 阵,邻接矩阵如图1所示,当两个节点之间右边相连时,对应的位置置为1, 如果两个节点之间无边相连,对应的位置置为0,如果是有权图,对应位置置 为权值,无边相连对应位置置为极大的值,但是其特征几乎相同。
图2显示了一个洗钱的案例,包含从源账户到中间账户到目标账户的两步 资金转移流程。为了隐藏资金的真实来源和去向,洗钱者往往通过多层中间账 户(可以是银行内或银行间转账)隐秘的将脏钱从源账户转移到目的账户。银 行转账日志中只记录了自己银行中的账户的交易记录,包括从外部账户转入、 从银行账户转出和银行账户之间的转账记录。由于不太可能从每个银行得到转 账日志,因此洗钱检测问题通常集中在如何利用单个银行的转账日志上。实际 上,现有的度量和算法通常足以使用单个银行的交易记录或者来自多个银行的 联合交易记录来进行洗钱检测。下文使用“银行”来代指进行洗钱检测的银行 或者多个银行集合。一般而言,洗钱流程包括三步:a)在银行开户若干中间 账户;b)从其他银行开户的源账户转账到中间账户;c)将钱从中间账户汇集 到若干不同的目的地账户。洗钱行为具有两个主要特征,第一个特征是密集转 账。洗钱者创建了一个密集的高容量转账子图,无论是在资金流入银行还是流 出银行的时候。这是因为欺诈账户的数量有限,并且需要在短时间内将大量资 金转入银行并转出银行,从而产生了密集的高容量转账子图。第二个特征是中 间账户的账户余额基本为零。中间账户在洗钱过程中充当了资金桥的作用:大 部分流入的资金都将被转出,从而使得流入流出资金基本相等,账户余额为零。这是因为洗钱者留在中间账户中的钱会有被检测和冻结的风险。因此,欺诈者 往往在中间账户中留下尽可能少的钱。
当前对于多部稠密子图检测的方法包括:
第一是是基于规则的分类。这些规则基于本体的专家***来检测可疑交易; 使用基于规则设计的贝叶斯网络来评估客户的交易行为的风险指数。
第二是基于机器学习算法来检测。这些方法包括SVM、决策树、RBF神经 网络等。
第三是通用的基于图的异常检测算法。这些检测方法主要基于图来检测洗 钱行为。具体包括研究特征向量中的模式,基于消息传播以及基于稠密子图等。
以上这些方法都没有捕捉洗钱行为中的异常信息或者活动链,也不提供理 论保证,更容易被犯罪分子攻击,同时受到类不平衡问题的影响,适应性有限。 此外,大多数现有的检测方法忽略了这些行为中的链式特征,也忽略了账户之 间的复杂依赖关系,导致较低的检测准确率,容易被犯罪分子规避。稠密子图 和密度子张量检测算法已被应用于图欺诈检测,但这些算法只考虑了一跳交易 上的密度。尽管可以处理链式交易,但它需要大量的真实标记数据来完成模型 的训练,而这种标记数据很少,并且使用特定标记数据可能使模型发生过拟合 而降低了鲁棒性。
发明内容
针对现有技术的不足,本发明提出一种基于稠密多部子图的检测方法,其 中包括:
步骤1、根据链式特征中的信息流动,构建交易网络的多部图,根据预设 的账户间信息流动阈值筛选该多部图,得到该多部图中的稠密子图;
步骤2、以固定账户存在超阈值的信息流且在中间账户中保留低于阈值的 权重为约束条件,生成该稠密子图中节点子集的异常值;
步骤3、根据该异常值,输出该多部图中存在异常行为的节点子集作为异 常行为检测结果。
所述的稠密多部子图的检测方法,其中步骤1中该多部图 其中是银行或者消息炒作团体的内部账户的集合,和是银 行或者消息炒作团体的外部的集合,其中是对银行净转入的账户集合或者 是发布消息的团体集合,是接受银行净转出的账户集合或者最终转发消息的 集合,三部图中的边对应于从到以及从到的权重,对于i,j∈v,边(i,j)∈ε 表示账户i将钱或者信息转给j。
所述的稠密多部子图的检测方法,其中该步骤2具体为:
其中λ≥0,且λ为资金转入转出不平衡的损失,表示节点的出度 和入度的最小值和最大值,公式二中的是从源账户子集到目的 账户子集所能够通过中间账户的最大可能流量(权重),为完 成转账后vi节点中的账户余额或者转发信息后的权重,异常度量为子集中 的每个账户在洗钱的过程获得的利润或者转发获得的收益。
所述的稠密多部子图的检测方法,其中该步骤3包括:
本发明还提出了一种基于稠密多部子图的检测***,其中包括:
模块1、根据链式特征中的信息流动,构建交易网络的多部图,根据预设 的账户间信息流动阈值筛选该多部图,得到该多部图中的稠密子图;
模块2、以固定账户存在超阈值的信息流且在中间账户中保留低于阈值的 权重为约束条件,生成该稠密子图中节点子集的异常值;
模块3、根据该异常值,输出该多部图中存在异常行为的节点子集作为异 常行为检测结果。
所述的稠密多部子图的检测***,其中模块1中该多部图 其中是银行或者消息炒作团体的内部账户的集合,和是银 行或者消息炒作团体的外部的集合,其中是对银行净转入的账户集合或者 是发布消息的团体集合,是接受银行净转出的账户集合或者最终转发消息的 集合,三部图中的边对应于从到以及从到的权重,对于i,j∈v,边(i,j)∈ε 表示账户i将钱或者信息转给j。
所述的稠密多部子图的检测***,其中该模块2具体为:
其中λ≥0,且λ为资金转入转出不平衡的损失,表示节点的出度 和入度的最小值和最大值,公式二中的是从源账户子集到目的 账户子集所能够通过中间账户的最大可能流量(权重),为完 成转账后vi节点中的账户余额或者转发信息后的权重,异常度量为子集中 的每个账户在洗钱的过程获得的利润或者转发获得的收益。
所述的稠密多部子图的检测***,其中该模块3包括:
本发明与现有技术相比的优点在于:
(1)本发明提出了多部子图行为的新异常度量:本发明提出了一种新的 度量来检测密集的多步流量异常,并验证了其检测多部子图的有效性;同时能 够提供理论保证。
(2)本发明具有有效性和鲁棒性:本发明在各种多部图的拓扑结构下的 性能优于最先进的算法,当使用更多欺诈性账户,更长的传输链时,本发明仍 然可以有效检测对抗性的异常行为。
(3)本发明具有良好的可扩展性:本发明的算法复杂度和图中边的数量 成近似线性的关系(即转账记录数),有良好的可扩展性,因此非常适合银行 快速增长的业务。
附图说明
图1是无权图的邻接矩阵图。
图2是洗钱的案例示意图。
图3是***工作流程图。
具体实施方式
为让本发明的上述特征和效果能阐述的更明确易懂,下文特举实施例,并 配合说明书附图作详细说明如下。
本文所提出的一种稠密多部子图的检测方法和装置。在应用到洗钱行为检 测时,具体包括:我们使用多部图来建模银行中的资金流动,并为转账行为定 义新的异常度量。较高的度量值表明通过图中存在通过若干固定账户的大量资 金流,而且不会在中间账户中留下太多资金。相反,正常(即诚实)账户并不 总是一致地将钱转移到特定账户,也不会立即清空中间账户的余额,因此具有 较低的度量值。本方法通过优化所设计的度量值来搜索欺诈性账户,同时近似 贪心的优化源,中间和目的账户的子集。此外,本方法为检测结果的近似最 优性提供理论保证,给出了欺诈者可以在不被检测到洗钱行为的情况下能够转移金额的上限。
本发明具体实施例如下:
(1)本发明中关于实施实例中图的定义。用图是表示交易网络的 三部图。定义其中是银行的内部账户的集合,和是银行外 部账户的集合,其中是对银行净转入的账户集合,是接受银行净转出的账 户集合。三部图中的边对应于从到以及从到的资金转账。对于i,j∈v,边 (i,j)∈ε表示账户i将钱转给j。由于许多转账可能发生在一条边上,因此每条 边可以代表多次转账。eij是从vi到vj的转账总金额。
其中λ≥0是常系数,将λ定义为资金转入转出不平衡的损失,用于量化洗 钱者因单位的盈余或赤字(伪装成本)而遭受的损失程度,可以通过经验得到 或者有专家给出。表示节点的出度和入度的最小值和最大值,公式二中的是从源账户子集到目的账户子集所能够通过中间账户的最大可能流量。为完成转账后vi节点中的“账户余额”,可以看做 是洗钱的损耗,因为洗钱者更希望将中间账户的账户余额清零。“剩余金额” 是中间账户的盈余或赤字(即通过和子集 之外的账户交易所产生的),这 些“剩余金额”可以看作洗钱者为了逃避检测的所进行的对抗伪装行为。λ的 解释和我们的度量:我们将λ定义为资金转入转出不平衡的损失,这是一个常 数系数,用于量化洗钱者因单位的盈余或赤字(伪装成本)而遭受的损失程度。 现在我们的异常度量可以被解释为子集中的每个账户可以在洗钱的过程 获得的利润(收益减去成本)。
(4)本发明的输入是一个三部图,用图表示交易网络的三部图。 定义其中是银行的内部账户的集合,和是银行外部账户的 集合,其中是对银行净转入的账户集合,是接受银行净转出的账户集合。 三部图中的边对应于从到以及从到的资金转账。本发明的输出是最有可 能涉嫌洗钱的节点子集。
以下为与上述方法实施例对应的***实施例,本实施方式可与上述实施方 式互相配合实施。上述实施方式中提到的相关技术细节在本实施方式中依然有 效,为了减少重复,这里不再赘述。相应地,本实施方式中提到的相关技术细 节也可应用在上述实施方式中。
本发明还提出了一种基于稠密多部子图的检测***,其中包括:
模块1、根据链式特征中的信息流动,构建交易网络的多部图,根据预设 的账户间信息流动阈值筛选该多部图,得到该多部图中的稠密子图;
模块2、以固定账户存在超阈值的信息流且在中间账户中保留低于阈值的 权重为约束条件,生成该稠密子图中节点子集的异常值;
模块3、根据该异常值,输出该多部图中存在异常行为的节点子集作为异 常行为检测结果。
所述的稠密多部子图的检测***,其中模块1中该多部图 其中是银行或者消息炒作团体的内部账户的集合,和是银 行或者消息炒作团体的外部的集合,其中是对银行净转入的账户集合或者 是发布消息的团体集合,是接受银行净转出的账户集合或者最终转发消息的 集合,三部图中的边对应于从到以及从到的权重,对于i,j∈v,边(i,j)∈ε 表示账户i将钱或者信息转给j。
所述的稠密多部子图的检测***,其中该模块2具体为:
其中λ≥0,且λ为资金转入转出不平衡的损失,表示节点的出度 和入度的最小值和最大值,公式二中的是从源账户子集到目的 账户子集所能够通过中间账户的最大可能流量(权重),为完 成转账后vi节点中的账户余额或者转发信息后的权重,异常度量为子集中 的每个账户在洗钱的过程获得的利润或者转发获得的收益。
所述的稠密多部子图的检测***,其中该模块3包括:
Claims (10)
1.一种基于稠密多部子图的检测方法,其特征在于,包括:
步骤1、根据链式特征中的信息流动,构建交易网络的多部图,根据预设的账户间信息流动阈值筛选该多部图,得到该多部图中的稠密子图;
步骤2、以固定账户存在超阈值的信息流且在中间账户中保留低于阈值的权重为约束条件,生成该稠密子图中节点子集的异常值;
步骤3、根据该异常值,输出该多部图中存在异常行为的节点子集作为异常行为检测结果。
4.如权利要求3所述的稠密多部子图的检测方法,其特征在于,该步骤2具体为:
6.一种基于稠密多部子图的检测***,其特征在于,包括:
模块1、根据链式特征中的信息流动,构建交易网络的多部图,根据预设的账户间信息流动阈值筛选该多部图,得到该多部图中的稠密子图;
模块2、以固定账户存在超阈值的信息流且在中间账户中保留低于阈值的权重为约束条件,生成该稠密子图中节点子集的异常值;
模块3、根据该异常值,输出该多部图中存在异常行为的节点子集作为异常行为检测结果。
9.如权利要求8所述的稠密多部子图的检测***,其特征在于,该模块2具体为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010071390.7A CN111291229B (zh) | 2020-01-21 | 2020-01-21 | 一种稠密多部子图的检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010071390.7A CN111291229B (zh) | 2020-01-21 | 2020-01-21 | 一种稠密多部子图的检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111291229A true CN111291229A (zh) | 2020-06-16 |
CN111291229B CN111291229B (zh) | 2023-10-31 |
Family
ID=71021432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010071390.7A Active CN111291229B (zh) | 2020-01-21 | 2020-01-21 | 一种稠密多部子图的检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111291229B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112650968A (zh) * | 2020-11-18 | 2021-04-13 | 天津大学 | 一种多网络基于异常对齐模型的异常子图检测方法 |
CN113298345A (zh) * | 2021-04-06 | 2021-08-24 | 杭州未名信科科技有限公司 | 异常行为的检测方法、装置、电子设备及介质 |
CN113722546A (zh) * | 2021-08-19 | 2021-11-30 | 北京达佳互联信息技术有限公司 | 异常用户账户获取方法及装置、电子设备、存储介质 |
CN113935832A (zh) * | 2021-09-29 | 2022-01-14 | 光大科技有限公司 | 一种异常行为检测处理方法及装置 |
WO2024007565A1 (en) * | 2022-07-07 | 2024-01-11 | Hsbc Software Development (Guangdong) Limited | Network analysis using optical quantum computing |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170149814A1 (en) * | 2015-04-16 | 2017-05-25 | Nec Laboratories America, Inc. | Real-Time Detection of Abnormal Network Connections in Streaming Data |
US9787640B1 (en) * | 2014-02-11 | 2017-10-10 | DataVisor Inc. | Using hypergraphs to determine suspicious user activities |
CN107832964A (zh) * | 2017-11-21 | 2018-03-23 | 江苏神威云数据科技有限公司 | 银行客户关系圈分析方法及*** |
CN109710754A (zh) * | 2018-11-12 | 2019-05-03 | 中国科学院信息工程研究所 | 一种基于深度结构学习的群体异常行为检测方法 |
CN109753797A (zh) * | 2018-12-10 | 2019-05-14 | 中国科学院计算技术研究所 | 针对流式图的密集子图检测方法及*** |
CN109947814A (zh) * | 2018-08-21 | 2019-06-28 | 慧安金科(北京)科技有限公司 | 用于检测数据集合中的异常数据组的方法和设备 |
CN110400220A (zh) * | 2019-07-23 | 2019-11-01 | 上海氪信信息技术有限公司 | 一种基于半监督图神经网络的智能可疑交易监测方法 |
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 |
-
2020
- 2020-01-21 CN CN202010071390.7A patent/CN111291229B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9787640B1 (en) * | 2014-02-11 | 2017-10-10 | DataVisor Inc. | Using hypergraphs to determine suspicious user activities |
US20170149814A1 (en) * | 2015-04-16 | 2017-05-25 | Nec Laboratories America, Inc. | Real-Time Detection of Abnormal Network Connections in Streaming Data |
CN107832964A (zh) * | 2017-11-21 | 2018-03-23 | 江苏神威云数据科技有限公司 | 银行客户关系圈分析方法及*** |
CN109947814A (zh) * | 2018-08-21 | 2019-06-28 | 慧安金科(北京)科技有限公司 | 用于检测数据集合中的异常数据组的方法和设备 |
CN109710754A (zh) * | 2018-11-12 | 2019-05-03 | 中国科学院信息工程研究所 | 一种基于深度结构学习的群体异常行为检测方法 |
CN109753797A (zh) * | 2018-12-10 | 2019-05-14 | 中国科学院计算技术研究所 | 针对流式图的密集子图检测方法及*** |
CN110400220A (zh) * | 2019-07-23 | 2019-11-01 | 上海氪信信息技术有限公司 | 一种基于半监督图神经网络的智能可疑交易监测方法 |
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 |
Non-Patent Citations (8)
Title |
---|
P. DICKINSON; H. BUNKE; A. DADEJ; M. KRAETZL: "Median graphs and anomalous change detection in communication networks", 《FINAL PROGRAM AND ABSTRACTS ON INFORMATION, DECISION AND CONTROL》, pages 20 - 25 * |
官赛萍、靳小龙、贾岩涛、王元卓、程学旗: "面向知识图谱的知识推理研究进展", 《软件学报》 * |
官赛萍、靳小龙、贾岩涛、王元卓、程学旗: "面向知识图谱的知识推理研究进展", 《软件学报》, 8 February 2018 (2018-02-08), pages 2966 - 2994 * |
杨冬梅等: "金融网络中洗钱资金异常转移路径的经济成本模型", 《***工程理论与实践》 * |
杨冬梅等: "金融网络中洗钱资金异常转移路径的经济成本模型", 《***工程理论与实践》, no. 05, 25 May 2006 (2006-05-25), pages 25 - 31 * |
杨莉、薛耀文、高慧敏: "金融网络中资金异常流动监测的可视化支持研究", 《计算机技术与发展》, pages 192 - 198 * |
郑剑、周艳丽、刘聪: "面向IaaS云平台的用户异常行为检测方法", 《江西理工大学学报》 * |
郑剑、周艳丽、刘聪: "面向IaaS云平台的用户异常行为检测方法", 《江西理工大学学报》, 28 February 2016 (2016-02-28), pages 68 - 73 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112650968A (zh) * | 2020-11-18 | 2021-04-13 | 天津大学 | 一种多网络基于异常对齐模型的异常子图检测方法 |
CN113298345A (zh) * | 2021-04-06 | 2021-08-24 | 杭州未名信科科技有限公司 | 异常行为的检测方法、装置、电子设备及介质 |
CN113298345B (zh) * | 2021-04-06 | 2022-11-18 | 杭州未名信科科技有限公司 | 异常行为的检测方法、装置、电子设备及介质 |
CN113722546A (zh) * | 2021-08-19 | 2021-11-30 | 北京达佳互联信息技术有限公司 | 异常用户账户获取方法及装置、电子设备、存储介质 |
CN113722546B (zh) * | 2021-08-19 | 2024-03-12 | 北京达佳互联信息技术有限公司 | 异常用户账户获取方法及装置、电子设备、存储介质 |
CN113935832A (zh) * | 2021-09-29 | 2022-01-14 | 光大科技有限公司 | 一种异常行为检测处理方法及装置 |
WO2024007565A1 (en) * | 2022-07-07 | 2024-01-11 | Hsbc Software Development (Guangdong) Limited | Network analysis using optical quantum computing |
Also Published As
Publication number | Publication date |
---|---|
CN111291229B (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111291229B (zh) | 一种稠密多部子图的检测方法及*** | |
Nicholls et al. | Financial cybercrime: A comprehensive survey of deep learning approaches to tackle the evolving financial crime landscape | |
Taghavinejad et al. | Intrusion detection in IoT-based smart grid using hybrid decision tree | |
Özçelik et al. | Improving a credit card fraud detection system using genetic algorithm | |
CN111652732A (zh) | 一种基于交易图匹配的比特币异常交易实体识别方法 | |
Duan et al. | Automated security assessment for the internet of things | |
Pocher et al. | Detecting anomalous cryptocurrency transactions: An AML/CFT application of machine learning-based forensics | |
Salau et al. | Data cooperatives for neighborhood watch | |
Lata et al. | A comprehensive survey of fraud detection techniques | |
Du et al. | Malicious transaction identification in digital currency via federated graph deep learning | |
Zhao et al. | Improving Address Clustering in Bitcoin by Proposing Heuristics | |
Kumar et al. | Preserving security of crypto transactions with machine learning methodologies | |
Zhuo et al. | Partitioning message passing for graph fraud detection | |
Shirazi et al. | A combined anomaly base intrusion detection using memetic algorithm and Bayesian networks | |
CN115438751A (zh) | 一种基于图神经网络的区块链钓鱼诈骗识别的方法 | |
Ampel et al. | Disrupting ransomware actors on the bitcoin blockchain: A graph embedding approach | |
Dou | Robust graph learning for misbehavior detection | |
Masteika et al. | Bitcoin double-spending risk and countermeasures at physical retail locations | |
Xu et al. | EWDPS: A Novel Framework for Early Warning and Detection on Ethereum Phishing Scams | |
Karim et al. | Catch me if you can: Semi-supervised graph learning for spotting money laundering | |
Pandey et al. | An Effective Phishing Site Prediction using Machine Learning | |
CN115545189B (zh) | 训练图生成网络、训练图神经网络的方法及装置 | |
Huang et al. | Detecting phishing gangs via taint analysis on the Ethereum blockchain | |
Saxena et al. | Blockchain transaction deanonymization using ensemble learning | |
Jeyakumar et al. | Visualizing Blockchain Transaction Behavioural Pattern: A Graph-based Approach |
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 |