CN111737080A - 异常交易嫌疑的监测方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本发明提供了一种异常交易嫌疑的监测方法、装置、计算机设备和存储介质。该方法包括：预置用于异常交易嫌疑监测的规则模型库，其中，规则模型库包括多个规则模型，规则模型用于判断交易行为是否为异常交易嫌疑；监测规则模型库是否发生变化；根据规则模型库发生的变化修改监测任务，其中，监测任务的配置信息包括执行监测任务时使用的规则模型、数据来源和计算结果的数据存储位置，监测任务用于对数据来源获取的数据，使用规则模型判断交易行为是否为异常交易嫌疑，并将计算结果输入至数据存储位置；当用户发生交易行为后，启动监测任务，以判断交易行为是否为异常交易嫌疑。通过本发明，能够提升异常交易嫌疑监测的准确性。

Description

异常交易嫌疑的监测方法、装置、计算机设备和存储介质

技术领域

本发明涉及异常监测技术领域，尤其涉及一种异常交易嫌疑的监测方法、装置、计算机设备和存储介质。

背景技术

科技在带来金融服务效率提升的同时，使得金融风险更具隐蔽性、快速传播性，向金融监管的技术能力施加了前所未有的压力。满足合规要求是金融机构降低自身风险、促进金融市场持续发展的重要因素。传统的合规管理以线下的方式进行文件管理，需要大量的人力资源和时间成本。随着金融科技的不断发展，监管科技被认为是防范和应对金融风险的主要手段，其重要目的就是提升监管效率，更有针对性地对被监管机构进行监督管理。

在监管领域，对异常交易嫌疑的监测是非常重要的一部分，在当前的金融网络中，一般设有异常交易嫌疑监测***来实现对交易行为进行监测，以确定可疑异常交易，并进一步进行分析和处理。现有技术中，***主要是通过一些固定的分析模型对交易数据进行统计分析，从而得到相应的分析结果，这种方式存在以下问题：随着异常交易活动的不断升级，已有的分析模型已经不能更好的适应上述升级产生的变化，从而使得部分异常交易嫌疑被遗漏，影响异常交易监测的准确性。

因此，现有技术中异常交易嫌疑监测***的准确性低的问题，成为本领域亟需解决的技术问题。

发明内容

本发明的目的是提供一种异常交易嫌疑的监测方法、装置、计算机设备和存储介质，用于解决现有技术中的上述技术问题。

一方面，为实现上述目的，本发明提供了一种异常交易嫌疑的监测方法。

该异常交易嫌疑的监测方法包括：预置用于异常交易嫌疑监测的规则模型库，其中，规则模型库包括多个规则模型，规则模型用于判断交易行为是否为异常交易嫌疑；监测规则模型库是否发生变化；根据规则模型库发生的变化修改监测任务，其中，监测任务的配置信息包括执行监测任务时使用的规则模型、数据来源和计算结果的数据存储位置，监测任务用于对数据来源获取的数据，使用规则模型判断交易行为是否为异常交易嫌疑，并将计算结果输入至数据存储位置；当用户发生交易行为后，启动监测任务，以判断交易行为是否为异常交易嫌疑。

进一步地，异常交易嫌疑的监测方法还包括：当用户发生交易行为时，收集数据来源的数据；将收集到的数据行成交易行为对应的交易记录；以及将交易记录存储至数据队列中，其中，监测任务用于对数据队列中的交易记录，使用规则模型判断交易行为是否为异常交易嫌疑。

进一步地，当用户发生交易行为后，启动监测任务，以判断交易行为是否为异常交易嫌疑的步骤包括：判断当前时间是否与预置的时间窗口相匹配，若当前时间与预置的时间窗口相匹配时，启动时间窗口内预置的监测任务，以判断时间窗口内发生的交易行为是否为异常交易嫌疑；或者，当用户发生交易行为时，实时启动监测任务，以判断交易行为是否为异常交易嫌疑。

进一步地，规则模型用于通过用户资料信息、交易对象标识、交易金额、交易时间、交易量和/或交易对象在交易时间时的特征数据判断交易行为是否为异常交易嫌疑。

进一步地，规则模型通过以下步骤判断交易行为是否为异常交易嫌疑：判断交易行为是否为交叉交易、误导市场交易、尾盘交易、异常价格交易、小票交易或内幕交易；若交易行为为交叉交易、误导市场交易、尾盘交易、异常价格交易、小票交易或内幕交易，则交易行为为异常交易嫌疑。

进一步地，用户资料信息包括用户特征和用户的账户特征。

进一步地，根据规则模型库发生的变化修改监测任务的步骤包括：当规则模型库增加规则模型时，在监测引擎中增加对应的监测任务；当规则模型库删除规则模型时，在监测引擎中删除对应的监测任务；当规则模型库中的规则模型更新时，在监测引擎中更新对应的监测任务的配置信息。

另一方面，为实现上述目的，本发明提供了一种异常交易嫌疑的监测装置

该异常交易嫌疑的监测装置包括：预置模块，用于预置用于异常交易嫌疑监测的规则模型库，其中，规则模型库包括多个规则模型，规则模型用于判断交易行为是否为异常交易嫌疑；监测模块，用于监测规则模型库是否发生变化；修改模块，用于根据规则模型库发生的变化修改监测任务，其中，监测任务的配置信息包括执行监测任务时使用的规则模型、数据来源和计算结果的数据存储位置，监测任务用于对数据来源获取的数据，使用规则模型判断交易行为是否为异常交易嫌疑，并将计算结果输入至数据存储位置；启动模块，用于当用户发生交易行为后，启动监测任务，以判断交易行为是否为异常交易嫌疑。

又一方面，为实现上述目的，本发明还提供一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。

又一方面，为实现上述目的，本发明还提供计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。

本发明提供的异常交易嫌疑的监测方法、装置、计算机设备和存储介质，

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1为本发明实施例一提供的异常交易嫌疑的监测方法的流程图；

图2为本发明实施例二提供的异常交易嫌疑的监测装置的框图；

图3为本发明实施例三提供的计算机设备的硬件结构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。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他实施例，都属于本发明保护的范围。

为了解决现有技术中的技术问题，本发明提出一种异常交易嫌疑的监测方法、装置、计算机设备和存储介质，在该异常交易嫌疑的监测方法中，可根据异常交易嫌疑的特点以及结合金融监管机构对应的规定和要求，建立多个规则模型，每个规则模型均用于判断交易行为是否为异常交易嫌疑，并将该多个规则模型预置形成一个用于监测异常交易嫌疑的规则模型库；当规则模型库随任何变化发生修改时，例如包括规则模型的新增、规则模型的删除以及规则模型的更新等，均会触发对监测任务的修改，该监测任务的运行根据其配置信息执行，具体地，监测任务的配置信息包括执行监测任务时使用的规则模型、数据来源和计算结果的数据存储位置，使得该监测任务在运行时，能够对配置的数据来源获取的数据，使用配置的规则模型判断交易行为是否为异常交易嫌疑，并将计算结果输入至配置的数据存储位置，也就是说，监测任务会随着规则模型库中发生的变化而相应自动变化，因此，当规则模型库中已有的规则模型无法适应新的监测要求或监测场景时，可对规则模型库进行修改，并自动触发对应的监测任务的修改，当用户发生交易行为后，启动该监测任务，以判断所述交易行为是否为异常交易嫌疑，使得监测过程能够更好的适应异常交易嫌疑的变化，提升了监测的准确性。

关于本发明提供的异常交易嫌疑的监测方法、装置、计算机设备和存储介质的具体实施例，将在下文中详细描述。

实施例一

本发明实施例一提供了一种异常交易嫌疑的监测方法，通过该方法，能够提升异常交易嫌疑监测的准确性，具体地，图1为本发明实施例一提供的异常交易嫌疑的监测方法的流程图，如图1所示，该异常交易嫌疑的监测方法包括如下的步骤S101至步骤S104：

步骤S101：预置用于异常交易嫌疑监测的规则模型库。

其中，规则模型库包括多个规则模型，规则模型用于判断交易行为是否为异常交易嫌疑。

具体地，规则模型也即判断交易行为是否为异常交易嫌疑的规则，其中涉及计算所需的数据以及计算方法，一个规则模型可单独确定并输出判断交易行为是否为异常交易嫌疑的结果，或者，多个规则模型可联合判断并输出交易行为是否为异常交易嫌疑的结果，本申请对此并不进行限定。

可在监测之前配置规则模型库中的规则模型，或者，可选地，在监测过程中，业务配置人员也可对规则模型库进行实时的在线配置，包括在规则模型库中增加新的规则模型、将规则模型库中已有的规则模型删除以及对规则模型库中已有的规则模型进行部分修改更新等，能够保证规则模型库修改生效的实时性。进一步可选地，提供对规则模型库进行修改的可视化界面，由业务配置人员在可视化界面上进行操作修改，后台程序自动将修改翻译为计算机底层规则代码，能够提升对规则模型库修改的便利性。

步骤S102：监测规则模型库是否发生变化。

其中，可基于规则模型配置可视化界面上接收到的操作实现对规则模型库的监测，或者，也可基于对规则模型库的存储介质的读写操作实现对规则模型库的监测，或者也可采用现有技术中的其他监测方式，本申请对具体的监测方式并不进行限定。

步骤S103：根据规则模型库发生的变化修改监测任务。

其中，监测任务的配置信息包括执行监测任务时使用的规则模型、数据来源和计算结果的数据存储位置，监测任务用于对数据来源获取的数据，使用规则模型判断交易行为是否为异常交易嫌疑，并将计算结果输入至数据存储位置。

具体地，监测任务用于判断交易行为是否为异常交易嫌疑，其计算过程由其配置信息进行配置，其配置信息中限定了在判断交易行为是否为异常交易嫌疑时具体使用哪一种规则模型，可选地，可对规则模型设定唯一可识别的标识，将该标识设置于配置信息中以实现对执行监测任务所使用的规则模型的限定；此外，其配置信息中还限定了在判断交易行为是否为异常交易嫌疑时使用的数据的数据来源，该数据来源可以为其他平台、***等提供的数据接口，或者也可以为数据库、表等数据存储路径；其配置信息中还限定了在判断交易行为是否为异常交易嫌疑后得到的计算结果的数据存储位置，使得数据结果展示的平台或***能够从该数据存储位置读取判断结果进行展示。

需要说明的是，在一种情况下，各监测任务也可配置相同的数据来源和相同的计算结果的数据存储位置，该相同的数据来源和相同的计算结果的数据存储位置可作为配置信息中的默认配置而无需特定说明，对于该种情况，也属于本申请的保护范围。

可选地，规则模型库的修改包括规则模型的增加、删除以及更新，监测任务设置于监测引擎中，则对于该步骤S103，也即根据规则模型库发生的变化修改监测任务的步骤，可进一步具体包括：

当规则模型库增加规则模型时，在监测引擎中增加对应的监测任务，基于此，当需要对新的金融活动进行异常交易嫌疑的判断时，可在规则模型库中增加对应的规则模型，并触发自动在监测引擎中增加对应的监测任务，保证了异常交易嫌疑的监测能够在线且实时地随金融活动的变化而变化，也即保证了监测的准确性；

当规则模型库删除规则模型时，在监测引擎中删除对应的监测任务，基于此，当一些金融活动随着科技或市场的变化而消失时，可在规则模型库中将对应的规则模型删除，并触发自动在监测引擎中删除对应的监测任务，能够避免对异常交易嫌疑的监测的冗余处理，一方面保证异常交易嫌疑的监测的有效性，另一方面避免该冗余处理占用有效监测的处理资源；

当规则模型库中的规则模型更新时，在监测引擎中更新对应的监测任务的配置信息，基于此，当现有的金融活动或对金融活动所需符合的规定部分发生变化时，可对规则模型库中已有对应的规则模型进行更新，并触发自动在监测引擎中更新对应的监测任务，保证了异常交易嫌疑的监测能够在线且实时地随金融活动的变化而变化，也即保证了监测的准确性和时效性。

步骤S104：当用户发生交易行为后，启动监测任务，以判断交易行为是否为异常交易嫌疑。

在该步骤中，在交易行为发生后，可实时或非实时启动监测任务，监测任务按照其配置信息，判断交易行为是否为异常交易嫌疑，利用计算得到的判断结果进行风险提示。

在该实施例提供的异常交易嫌疑的监测方法中，预置用于监测异常交易嫌疑的规则模型库，该规则模型库包括的多个规则模型用于判断交易行为是否为异常交易嫌疑，该规则模型库可实时被配置修改，在监测过程中，监测规则模型库是否发生变化，如果规则模型库被修改，则可监测到规则模型库发生变化，当规则模型库发生变化时，根据规则模型库发生的变化修改监测任务，该监测任务用于判断交易行为是否为异常交易嫌疑，其中，计算过程的相关信息由配置信息限定，该配置信息具体包括执行监测任务时使用的规则模型、数据来源和计算结果的数据存储位置，从而使监测任务对数据来源获取的数据，使用规则模型判断交易行为是否为异常交易嫌疑，并将计算结果输入至数据存储位置；在监测过程中，当用户发生交易行为后，启动监测任务，以判断交易行为是否为异常交易嫌疑，从中可以看出，采用该实施例提供的异常交易嫌疑的监测方法，规则模型库是配置的，因此，能够随着金融活动的变化升级以及合规要求的变化升级等，重新配置满足要求的规则模型来修改规则模型库，而规则模型库发生变化，相应的监测任务也会被触发而发生变化，实现了监测任务随规则模型变化的联动变化；当用户发生交易行为后，监测任务被启动，以判断该交易行为是否属于异常交易嫌疑，因此，该实施例提供的异常交易嫌疑的监测方法能够提升交易监测***监测异常交易嫌疑的准确性。

可选地，在一种实施例中，异常交易嫌疑的监测方法还包括：当用户发生交易行为时，收集数据来源的数据；将收集到的数据行成交易行为对应的交易记录；以及将交易记录存储至数据队列中，其中，监测任务用于对数据队列中的交易记录，使用规则模型判断交易行为是否为异常交易嫌疑。

具体地，可设置数据收集服务，对数据来源的数据进行收集，对于不同来源的数据，在数据格式上可能会存在差异，为了避免在后续异常交易嫌疑判断过程中，由于数据格式不一致而使处理逻辑复杂，此处可将收集到的数据行成交易行为对应的且数据格式统一的交易记录，并将交易记录存储至数据队列中，从而监测任务在判断交易行为是否为异常交易嫌疑时，通过数据队列来获取对应的交易记录进行判断。

采用该实施例提供的异常交易嫌疑的监测方法，在进行交易行为判断之前，将数据统一行程交易记录并设置于数据队列中，降低异常交易嫌疑判断逻辑的复杂性，提升判断逻辑运行的速度。

可选地，在一种实施例中，当用户发生交易行为后，启动监测任务，以判断交易行为是否为异常交易嫌疑的步骤包括：判断当前时间是否与预置的时间窗口相匹配，若当前时间与预置的时间窗口相匹配时，启动时间窗口内预置的监测任务，以判断时间窗口内发生的交易行为是否为异常交易嫌疑；或者，当用户发生交易行为时，实时启动监测任务，以判断交易行为是否为异常交易嫌疑。

具体地，当用户发生交易行为后，可对一个时间窗口内的交易行为进行批处理，也可实时对该交易行为的判断，例如，对实时性要求不高且数据处理量大的交易行为的判断，可采用前一种逻辑启动监测任务，对实时性要求高且数据处理量小的交易行为的判断，可采用后一种逻辑启动监测任务。

采用该实施例提供的异常交易嫌疑的监测方法，针对不同时效性要求的交易行为可采用不同的监测模式，从而既能够满足时效性要求，又能够合理利用数据处理资源。

可选地，在一种实施例中，规则模型用于通过用户资料信息、交易对象标识、交易金额、交易时间、交易量和/或交易对象在交易时间时的特征数据判断交易行为是否为异常交易嫌疑。其中，用户资料信息包括用户特征和用户的账户特征。用户的特征可包括用户的年龄、国籍、受教育程度、职业以及性别等信息，用户的账户特征包括账户的开户时间、账户余额以及账户的活跃程度等信息。交易对象标识例如可以为股票代码，交易对象在交易时间时的特征数据例如为股票当时的行情等。

进一步可选地，在一种实施例中，规则模型通过以下步骤判断交易行为是否为异常交易嫌疑：判断交易行为是否为交叉交易、误导市场交易、尾盘交易、异常价格交易、小票交易或内幕交易；若交易行为为交叉交易、误导市场交易、尾盘交易、异常价格交易、小票交易或内幕交易，则交易行为为异常交易嫌疑。

例如，当账户A将某种股票以某价格卖给账户B某数量，账户B又以同样的价格将同样的股票卖给账户A相同的数量，但是账户A与B同属于一个人或者家庭成员，则该交易行为属于虚抛交易嫌疑；例如，当账户在大量下单后又迅速将挂单取消的交易行为，属于误导市场交易的嫌疑；

例如，账户在尾盘前较短的时间段内频繁交易某股票，且这种交易行为占账户整体交易行为数量的占比较大，该交易行为属于尾盘交易的嫌疑；

例如，账户针对某股票的交易价格波动超过一定波动范围，且这种交易行为的交易量较大，该交易行为数据异常价格交易的嫌疑；

例如，账户针对价格小于某价格阈值的股票，持仓量和交易量均大于阈值，则对该股票的交易行为数据小票交易的嫌疑；

例如，账户多次在由于上市公司公告而造成价格波动的时间之前，完成股票的买卖，则该交易行为属于内幕交易的嫌疑。

需要说明的是，以上各种实例仅仅是对交易类型中的一种具体实例的举例，并不构成对交易类型的限定，在每一种交易类型中，本领域技术人员根据其知晓的公知常识，还可包括其他实例类型，本申请在此不再一一举例。

实施例二

对应于上述实施例一，本发明实施例二提供了一种异常交易嫌疑的监测装置，相应的技术特征和对应的技术效果可参考上述实施例一，该处不再赘述。图2为本发明实施例二提供的异常交易嫌疑的监测装置的框图，如图2所示，该装置包括：预置模块201、监测模块202、修改模块203和启动模块204。

预置模块201用于预置用于异常交易嫌疑监测的规则模型库，其中，规则模型库包括多个规则模型，规则模型用于判断交易行为是否为异常交易嫌疑；监测模块202用于监测规则模型库是否发生变化；修改模块203用于根据规则模型库发生的变化修改监测任务，其中，监测任务的配置信息包括执行监测任务时使用的规则模型、数据来源和计算结果的数据存储位置，监测任务用于对数据来源获取的数据，使用规则模型判断交易行为是否为异常交易嫌疑，并将计算结果输入至数据存储位置；启动模块204用于当用户发生交易行为后，启动监测任务，以判断交易行为是否为异常交易嫌疑。

可选地，在一种实施例中，异常交易嫌疑的监测装置还包括：收集模块、处理模块和存储模块，其中，收集模块用于当用户发生交易行为时，收集数据来源的数据；处理模块用于将收集到的数据行成交易行为对应的交易记录；以及存储模块用于将交易记录存储至数据队列中，其中，监测任务用于对数据队列中的交易记录，使用规则模型判断交易行为是否为异常交易嫌疑。

可选地，在一种实施例中，启动模块204包括判断单元、第一启动单元和第二启动单元，其中，判断单元用于判断当前时间是否与预置的时间窗口相匹配，第一启动单元用于在当前时间与预置的时间窗口相匹配时，启动时间窗口内预置的监测任务，以判断时间窗口内发生的交易行为是否为异常交易嫌疑；第二启动单元用于在用户发生交易行为时，实时启动监测任务，以判断交易行为是否为异常交易嫌疑。

可选地，在一种实施例中，规则模型用于通过用户资料信息、交易对象标识、交易金额、交易时间、交易量和/或交易对象在交易时间时的特征数据判断交易行为是否为异常交易嫌疑。

可选地，在一种实施例中，规则模型通过以下步骤判断交易行为是否为异常交易嫌疑：判断交易行为是否为交叉交易、误导市场交易、尾盘交易、异常价格交易、小票交易或内幕交易；若交易行为为交叉交易、误导市场交易、尾盘交易、异常价格交易、小票交易或内幕交易，则交易行为为异常交易嫌疑。

可选地，在一种实施例中，用户资料信息包括用户特征和用户的账户特征。

可选地，在一种实施例中，修改模块203包括第一修改单元、第二修改单元和第三修改单元，其中，第一修改单元用于当规则模型库增加规则模型时，在监测引擎中增加对应的监测任务；第二修改单元用于当规则模型库删除规则模型时，在监测引擎中删除对应的监测任务；第三修改单元用于当规则模型库中的规则模型更新时，在监测引擎中更新对应的监测任务的配置信息。

实施例三

本实施例三还提供一种计算机设备，如可以执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。如图3所示，本实施例的计算机设备01至少包括但不限于：可通过***总线相互通信连接的存储器011、处理器012，如图3所示。需要指出的是，图3仅示出了具有组件存储器011和处理器012的计算机设备01，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

本实施例中，存储器011(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器011可以是计算机设备01的内部存储单元，例如该计算机设备01的硬盘或内存。在另一些实施例中，存储器011也可以是计算机设备01的外部存储设备，例如该计算机设备01上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，存储器011还可以既包括计算机设备01的内部存储单元也包括其外部存储设备。本实施例中，存储器011通常用于存储安装于计算机设备01的操作***和各类应用软件，例如实施例二的异常交易嫌疑的监测装置等。此外，存储器011还可以用于暂时地存储已经输出或者将要输出的各类数据。

处理器012在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器012通常用于控制计算机设备01的总体操作。本实施例中，处理器012用于运行存储器011中存储的程序代码或者处理数据，例如异常交易嫌疑的监测方法等。

实施例四

本实施例四还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于存储异常交易嫌疑的监测装置，被处理器执行时实现实施例一的异常交易嫌疑的监测方法。

需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种异常交易嫌疑的监测方法，其特征在于，包括：

预置用于异常交易嫌疑监测的规则模型库，其中，所述规则模型库包括多个规则模型，所述规则模型用于判断交易行为是否为异常交易嫌疑；

监测所述规则模型库是否发生变化；

根据所述规则模型库发生的变化修改监测任务，其中，所述监测任务的配置信息包括执行所述监测任务时使用的规则模型、数据来源和计算结果的数据存储位置，所述监测任务用于对所述数据来源获取的数据，使用所述规则模型判断交易行为是否为异常交易嫌疑，并将所述计算结果输入至所述数据存储位置；

当用户发生交易行为后，启动所述监测任务，以判断所述交易行为是否为异常交易嫌疑。

2.根据权利要求1所述的异常交易嫌疑的监测方法，其特征在于，所述异常交易嫌疑的监测方法还包括：

当用户发生交易行为时，收集所述数据来源的数据；

将收集到的数据行成所述交易行为对应的交易记录；以及

将所述交易记录存储至数据队列中，

其中，所述监测任务用于对所述数据队列中的交易记录，使用所述规则模型判断交易行为是否为异常交易嫌疑。

3.根据权利要求2所述的异常交易嫌疑的监测方法，其特征在于，当用户发生交易行为后，启动所述监测任务，以判断所述交易行为是否为异常交易嫌疑的步骤包括：

判断当前时间是否与预置的时间窗口相匹配，若当前时间与预置的时间窗口相匹配时，启动所述时间窗口内预置的所述监测任务，以判断所述时间窗口内发生的交易行为是否为异常交易嫌疑；或者

当用户发生交易行为时，实时启动所述监测任务，以判断所述交易行为是否为异常交易嫌疑。

4.根据权利要求1所述的异常交易嫌疑的监测方法，其特征在于，所述规则模型用于通过用户资料信息、交易对象标识、交易金额、交易时间、交易量和/或交易对象在所述交易时间时的特征数据判断交易行为是否为异常交易嫌疑。

5.根据权利要求4所述的异常交易嫌疑的监测方法，其特征在于，所述规则模型通过以下步骤判断交易行为是否为异常交易嫌疑：

判断所述交易行为是否为交叉交易、误导市场交易、尾盘交易、异常价格交易、小票交易或内幕交易；

若所述交易行为为所述交叉交易、所述误导市场交易、所述尾盘交易、所述异常价格交易、所述小票交易或所述内幕交易，则所述交易行为为异常交易嫌疑。

6.根据权利要求4所述的异常交易嫌疑的监测方法，其特征在于，所述用户资料信息包括用户特征和用户的账户特征。

7.根据权利要求1所述的异常交易嫌疑的监测方法，其特征在于，根据所述规则模型库发生的变化修改监测任务的步骤包括：

当所述规则模型库增加所述规则模型时，在监测引擎中增加对应的监测任务；

当所述规则模型库删除所述规则模型时，在所述监测引擎中删除对应的监测任务；

当所述规则模型库中的所述规则模型更新时，在所述监测引擎中更新对应的监测任务的配置信息。

8.一种异常交易嫌疑的监测装置，其特征在于，包括：

预置模块，用于预置用于异常交易嫌疑监测的规则模型库，其中，所述规则模型库包括多个规则模型，所述规则模型用于判断交易行为是否为异常交易嫌疑；

监测模块，用于监测所述规则模型库是否发生变化；

修改模块，用于根据所述规则模型库发生的变化修改监测任务，其中，所述监测任务的配置信息包括执行所述监测任务时使用的规则模型、数据来源和计算结果的数据存储位置，所述监测任务用于对所述数据来源获取的数据，使用所述规则模型判断交易行为是否为异常交易嫌疑，并将所述计算结果输入至所述数据存储位置；

启动模块，用于当用户发生交易行为后，启动所述监测任务，以判断所述交易行为是否为异常交易嫌疑。

9.一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1至7任一项所述方法的步骤。

Images