CN114757677A - 一种交易欺诈风险的智能评估方法及*** - Google Patents
一种交易欺诈风险的智能评估方法及*** Download PDFInfo
- Publication number
- CN114757677A CN114757677A CN202210377246.5A CN202210377246A CN114757677A CN 114757677 A CN114757677 A CN 114757677A CN 202210377246 A CN202210377246 A CN 202210377246A CN 114757677 A CN114757677 A CN 114757677A
- Authority
- CN
- China
- Prior art keywords
- transaction
- information
- risk
- analysis result
- account
- 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
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
- 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
- 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
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
-
- 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)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Security & Cryptography (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种交易欺诈风险的智能评估方法及***,其中,所述方法包括:采集信息,获得信息监测规则;根据信息监测规则进行信息监测排查构建交易黑名单数据库和交易白名单数据库;获得第一交易信息,根据第一交易信息与交易黑名单数据库和交易白名单数据库进行交易关联获得第一交易网络;进行交易流向分析,获得账户属性分析结果;根据账户属性分析结果采集历史交易记录集合;将历史交易记录集合输入风险评估模型中,获得第一交易信息的交易风险分析结果。解决了未能充分挖掘底层数据能力,监测识别能力不高,风险评估准确率较低的技术问题。
Description
技术领域
本发明涉及人工智能领域,具体涉及一种交易欺诈风险的智能评估方法及***。
背景技术
网络“黑灰产”底层的基础设施银行***、手机号、IP地址号的监测能够为交易欺诈风险评估、防范交易风险创造一定的价值。
现有技术存在由于诈骗手段向互联网渠道发展,对于覆盖面广、隐蔽性高、报案率低的交易欺诈行为,未能充分挖掘底层数据能力,监测识别能力不高,风险评估准确率较低的技术问题。
发明内容
本申请通过提供了一种交易欺诈风险的智能评估方法及***,解决了现有技术存在由于诈骗手段向互联网渠道发展,对于覆盖面广、隐蔽性高、报案率低的交易欺诈行为,未能充分挖掘底层数据能力,监测识别能力不高,风险评估准确率较低的技术问题。达到了通过采集底层数据信息,构建底层信息监测规则,得到黑名单和白名单数据库,为风险排查提供更多数据支撑,并且以交易的资金流向为基础结合黑名单和白名单数据库对账户进行属性分析,根据账户属性进行交易风险行评估,从而提高风险评估准确性和交易监测识别能力的技术效果。
鉴于上述问题,本申请提供了一种交易欺诈风险的智能评估方法及***。
第一方面,本申请提供了一种交易欺诈风险的智能评估方法,其中,所述方法包括:根据所述联防联控平台采集银行卡信息、手机号码信息和IP地址信息;获得所述银行卡信息、所述手机号码信息和所述IP地址信息的信息监测规则;根据所述银行卡信息、手机号码信息和IP地址信息和所述信息监测规则进行信息监测排查,构建交易黑名单数据库和交易白名单数据库;获得第一交易信息,基于所述第一交易信息与所述交易黑名单数据库和所述交易白名单数据库进行交易关联,获得第一交易网络;根据所述第一交易网络进行交易流向分析,获得账户属性分析结果;根据所述账户属性分析结果采集账户历史交易记录集合;将所述账户历史交易记录集合输入风险评估模型中,获得所述第一交易信息的交易风险分析结果。
另一方面,本申请提供了一种交易欺诈风险的智能评估***,其中,所述***包括:第一采集单元,所述第一采集单元用于根据联防联控平台采集银行卡信息、手机号码信息和IP地址信息;第一获得单元,所述第一获得单元用于获得所述银行卡信息、所述手机号码信息和所述IP地址信息的信息监测规则;第一构建单元,所述第一构建单元用于根据所述银行卡信息、手机号码信息和IP地址信息和所述信息监测规则进行信息监测排查,构建交易黑名单数据库和交易白名单数据库;第二获得单元,所述第二获得单元用于获得第一交易信息,基于所述第一交易信息与所述交易黑名单数据库和所述交易白名单数据库进行交易关联,获得第一交易网络;第三获得单元,所述第三获得单元用于根据所述第一交易网络进行交易流向分析,获得账户属性分析结果;第二采集单元,所述第二采集单元用于根据所述账户属性分析结果采集账户历史交易记录集合;第四获得单元,所述第四获得单元用于将所述账户历史交易记录集合输入风险评估模型中,获得所述第一交易信息的交易风险分析结果。
第三方面,本申请提供了一种交易欺诈风险的智能评估***,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现第一方面任一项所述方法的步骤。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了进行信息采集、构建信息监测规则并根据信息监测规则进行信息监测排查,从而获得交易黑名单数据库和交易白名单数据库;获得第一交易信息,根据第一交易信息与交易黑名单数据库和交易白名单数据库进行交易关联,获得第一交易网络;根据第一交易网络进行交易流向分析,获得账户属性分析结果;根据账户属性分析结果采集历史交易记录集合;将历史交易记录集合输入风险评估模型中,获得第一交易信息的交易风险分析结果的技术方案,本申请通过提供了一种交易欺诈风险的智能评估方法及***,达到了通过采集底层数据信息,构建底层信息监测规则,得到黑名单和白名单数据库,为风险排查提供更多数据支撑,并且以交易的资金流向为基础结合黑名单和白名单数据库对账户进行属性分析,根据账户属性进行交易风险行评估,从而提高风险评估准确性和交易监测识别能力的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种交易欺诈风险的智能评估方法的流程示意图;
图2为本申请实施例一种交易欺诈风险的智能评估方法的获得账户属性分析结果的流程示意图;
图3为本申请实施例一种交易欺诈风险的智能评估方法的获得第一交易网络的流程示意图;
图4为本申请实施例一种交易欺诈风险的智能评估***的结构示意图;
图5为本申请实施例示例性电子设备的结构示意图。
附图标记说明:第一采集单元11,第一获得单元12,第一构建单元13,第二获得单元14,第三获得单元15,第二采集单元16,第四获得单元17,电子设备300,存储器301,处理器302,通信接口 303,总线架构304。
具体实施方式
本申请通过提供了一种交易欺诈风险的智能评估方法及***,解决了现有技术存在由于诈骗手段向互联网渠道发展,对于覆盖面广、隐蔽性高、报案率低的交易欺诈行为,未能充分挖掘底层数据能力,监测识别能力不高,风险评估准确率较低的技术问题。达到了通过采集底层数据信息,构建底层信息监测规则,得到黑名单和白名单数据库,为风险排查提供更多数据支撑,并且以交易的资金流向为基础结合黑名单和白名单数据库对账户进行属性分析,根据账户属性进行交易风险行评估,从而提高风险评估准确性和交易监测识别能力的技术效果。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
由于诈骗手段向互联网渠道发展,对于覆盖面广、隐蔽性高、报案率低的交易欺诈行为,未能充分挖掘底层数据能力,监测识别能力不高,风险评估准确率较低的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请提供了一种交易欺诈风险的智能评估方法,其中,所述方法包括:进行信息采集、构建信息监测规则并根据信息监测规则进行信息监测排查,从而获得交易黑名单数据库和交易白名单数据库;获得第一交易信息,基于第一交易信息与交易黑名单数据库和交易白名单数据库进行交易关联,获得第一交易网络;根据第一交易网络进行交易流向分析,获得账户属性分析结果;根据账户属性分析结果采集历史交易记录集合;将历史交易记录集合输入风险评估模型中,获得第一交易信息的交易风险分析结果。达到了通过采集底层数据信息,构建底层信息监测规则,得到黑名单和白名单数据库,为风险排查提供更多数据支撑,并且以交易的资金流向为基础结合黑名单和白名单数据库对账户进行属性分析,根据账户属性进行交易风险行评估,从而提高风险评估准确性和交易监测识别能力的技术效果。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种交易欺诈风险的智能评估方法,其中,所述方法应用于交易欺诈风险的智能评估***,所述***与联防联控平台通信连接,所述方法包括:
步骤S100:根据所述联防联控平台采集银行卡信息、手机号码信息和IP地址信息;
具体而言,网络“黑灰产”底层的基础设施银行***、手机号、 IP地址号的监测能够为交易欺诈风险评估、防范交易风险创造一定的价值。
因此,本申请提出了一种交易欺诈风险的智能评估方法,以“黑灰产”的底层基础数据为基础,进行交易欺诈风险的评估,所述方法应用于所述交易欺诈风险的智能评估***,所述交易欺诈风险的智能评估***与联防联控平台通信连接。联防联控平台是由反交易欺诈生态链中的、央行、人行分行/中支、***、金融机构、支付机构、三大运营商、安全厂商等共同协作构建而来。所述联防联控平台能够打破数据孤岛、实现欺诈数据共享的效果。
故根据所述联防联控平台分别采集银行卡信息、手机号码信息和IP地址信息。其中,进一步结合信息加密技术在保证***露个人信息的情况下,可根据银行卡信息得到持卡人的身份证信息,为风险核验、风险评估奠定基础;手机号码信息包括手机号常驻地信息、手机号开卡地信息、手机号在网状态等;IP地址信息包括IP地址的物理位置信息、属于宽带IP还是手机IP、IP地址变动情况等信息。通过采集银行卡信息、手机号码信息和IP地址信息,能够为交易数据库的构建提供数据支撑。
步骤S200:获得所述银行卡信息、所述手机号码信息和所述IP 地址信息的信息监测规则;
具体而言,银行卡信息监测规则包括但不限于是否为睡眠卡(睡眠卡为开卡后长时间未进行激活的银行卡);结合银行卡的对应身份信息判断是否为一人多卡,且该身份信息的其他银行卡是否进行过不良活动;通过对网站的排查银行卡是否为该网站的收款卡;对新卡用户身份是否存在开户风险。手机号码信息监测规则包括但不限于三要素一致性核验(三要素为身份证、手机号、姓名);手机号在网时长分段监测;手机在网状态监测,包括手机正常、欠费、停机等状态;手机号码归属地市监测;手机号常驻地核验,包括通过信令数据对位置反馈,核验个人工作地、居住地、开卡地,从而进行常住地核验;周期内手机使用终端数量监测;手机号码是否存在频繁欠费情况、是否存在养号情况等。IP地址信息监测规则包括但不限于是否存在IP 秒播行为;IP风险地区验证,是否为境外高风险地区IP;IP IDC机房验证,查看IP是否为IDC机房IP;云服务商识别,识别IP是否为云服务提供商IP,例如阿里云等。
根据各种交易诈骗形式,针对银行卡信息和手机号码信息和IP 地址信息分别制定了信息监测规则。达到了对三个基础数据的针对性分析,有利于提高风险识别的准确性,并且能够为三者之间的数据共享奠定基础。
步骤S300:根据所述银行卡信息、手机号码信息和IP地址信息和所述信息监测规则进行信息监测排查,构建交易黑名单数据库和交易白名单数据库;
步骤S400:获得第一交易信息,基于所述第一交易信息与所述交易黑名单数据库和所述交易白名单数据库进行交易关联,获得第一交易网络;
具体而言,按照所述信息监测规则对采集到的大量的银行卡信息、手机号码信息、IP地址信息进行信息监测排查,并将信息监测排查中没有任何交易风险的信息经编译后存储,构成所述交易白名单数据库。将信息排查中监测异常的信息经编译后存储,构成所述交易黑名单数据库。
所述第一交易信息为需要进行交易风险评估的交易信息,包括交易的完整资金转移信息,由资金转出到最终资金流动停止,第一交易信息中包含了若干个参与交易的主体。根据所述第一交易信息中的交易主体与所述交易黑名单数据库和所述白名单数据库进行交易关联。交易关联可以理解为使用第一交易信息中的交易主体,在上述两个数据库中进行主体遍历查找,从而对第一交易信息中各个交易主体进行风险性预判。将交易黑名单数据库和交易白名单数据库中的交易主体在第一交易信息交易主体上进行标识。跟据标识后的交易主体信息和第一交易信息的资金交易时间、交易关系,构建所述第一交易网络。通过构建第一交易网络能够更加直观的进行交易主体的分析研判、资金性质的分析,从而达到对整体交易的风险程度进行预判,为提高交易风险性评估准确性奠定基础。
步骤S500:根据所述第一交易网络进行交易流向分析,获得账户属性分析结果;
进一步的,如图2所示,本申请实施例S500还包括:
步骤S510:根据所述第一交易网络进行交易流向分析,获得第一位置信息,所述第一位置信息为资金与所述交易异常对象集合的相对位置信息;
步骤S520:根据所述第一位置信息,获得资金属性分析结果;
步骤S530:根据所述资金属性分析结果进行交易金额分析和交易频次分析,获得交易金额分析结果和交易频次分析结果;
步骤S540:基于所述交易金额分析结果和交易频次分析结果对所述交易异常对象集合进行交易行为特征分析,获得所述账户属性分析结果。
具体而言,所述第一交易网络是根据交易时间、交易关系串联而来,因此可对资金的交易流向进行分析,示例性的:A账户将资金转出,B账户受到资金后,将资金转向C、D、E等账户,由A到B、 B到C、B到D、B到E构成此次资金的流向。根据交易流向可以得到位置信息,即资金与交易对象的位置信息。
在位置信息中资金与交易异常对象集合的位置为所述第一位置信息。交易异常对象集合为第一交易网络中与交易黑名单数据库重合的交易对象集合。根据资金与交易异常对象集合的位置能够对资金属性进行分析,得到资金属性分析结果。示例性的:例如资金为由交易异常对象集合转出,若资金为普通用户转入交易异常对象集合,也就是资金处于交易异常对象集合的上游,那么资金交易具有较大可能为普通用户被诈骗。
通过资金属性分析结果进一步的进行交易金额数量分析和交易次数分析,也就是说根据所述第一交易网络分析每一笔交易的交易额和交易次数,示例性的:若某一账户接受到资金转入,在固定时间内将资金分批次的多次转入多个下游账户,并且转账金额总额与接受资金转入总额相差不大,说明这个账户可以判定为中间账户。诈骗过程中不同属性账户具有各自的特点,示例性的:资金转出很高一般为出账账户,资金转入量很高一般为入账账户,资金高频、大量的转入转出且转入转出的金额基本一致的为中间账户。
通过分析每一个交易账户的交易金额以及在固定时间范围内的交易频次,可以得到交易金额量分析结果和交易频次分析结果。根据交易金额分析结果和交易频次分析结果与不同诈骗场景中的交易行为比对后,能够确定账户的属性信息即获得所述账户属性分析结果。
通过交易金额和交易频次的聚焦,对账户属性进行分析,从而能够为有效开展交易风险评估,交易风险防范奠定基础。
步骤S600:根据所述账户属性分析结果采集账户历史交易记录集合;
步骤S700:将所述账户历史交易记录集合输入风险评估模型中,获得所述第一交易信息的交易风险分析结果。
具体而言,根据所述账户属性分析结果采集各个账户的历史交易记录,示例性的:包括银行卡的交易记录、手机号码的通信记录、接受短信记录,同一账号的IP地址切换记录等,所述历史交易记录按照能够查询到的数据处开始采集,采集第一交易网络中账户的所有可查询到的数据记录作为所述历史交易记录集合。将每一个账户的历史交易记录依次输入所述风险评估模型中,进行风险评估。
所述风险评估模型为循环神经网络,循环神经网络是一类以序列数据为输入,在序列的演进方向进行递归且所有节点(循环单元)按链式连接的递归神经网络,循环神经网络包括输入层,隐藏层和输出层。循环神经网络内处理层处理输入信息的过程中,其除了根据当前输入信息进行处理以外,还会保存上一时序的输出信息,将该输出信息作为当前时序的输入信息一同进行处理,进而得到输出,而随着时序的推进,处理层是不断更新,通过大量数据训练至达到预设准确率获得风险评估模型。
每一个账户通过风险评估模型评估后获得风险值,风险值范围优选为0-100,风险值越大说明风险越高。最终根据第一交易网络中所有账户中的风险值,进行第一交易信息的交易风险评估,得到所述交易风险分析结果,示例性的:若所述第一交易信息中至少出现一个账户的风险值达到风险范围例如40-100,那么第一交易信息风险性较大需要进行进一步网络追踪,若没有一个账户的风险值达到风险范围 (40-100),则说明第一交易信息安全性较高,风险范围可根据本领域技术人员进行设定。达到了通过训练好的风险评估模型对不同账户属性进行风险评估,达到了对不同账户属性的再次验证,提高了隐蔽型诈骗的监测识别能力和风险评估准确率的技术效果。
进一步的,本申请实施例步骤S400还包括:
步骤S410:基于所述第一交易信息进行交易对象抽取,获得第一交易对象、第二交易对象;
步骤S420:基于所述第一交易对象、所述第二交易对象在所述交易黑名单数据库和所述交易白名单数据库中进行遍历查找,获得交易异常对象集合和交易正常对象集合;
步骤S430:基于所述交易异常对象集合和所述交易正常对象集合对所述第一交易对象和所述第二交易对象进行标签标识,获得第一标识交易对象集合;
步骤S440:根据所述第一标识交易对象集合按照交易时间进行交易串联,获得所述第一交易网络。
进一步的,如图3所示,本申请实施例还包括:
步骤S441:根据所述第一标识交易对象集合,获得所述第一交易网络的交易节点;
步骤S442:将进行交易的所述交易节点按照交易时间进行串联,构建所述第一交易网络的边;
步骤S443:根据所述第一交易信息获得交易金额信息,以每一条边的交易金额信息作为边的权重;
步骤S444:根据所述第一交易网络的交易节点、所述第一交易网络的边、所述边的权重,获得所述第一交易网络。
具体而言,通过现有数据抽取的网络技术手段,如网络爬虫、自然语言处理等技术,对第一交易信息的交易对象进行抽取,得到所述第一交易对象和第二交易对象,其中,第一交易对象为交易的起点,为一个资金出账账户,第二交易对象为一个或多个账户,为资金的中间账户和入账账户,当资金交易较为复杂时,第二交易对象往往由多个账户构成。
已经获取第一交易对象和第二交易对象后,通过第一交易对象和第二交易对象在所述交易黑名单库和所述交易白名单库中进行遍历查找。将在交易黑名单中查找到的交易对象集合作为所述交易异常对象集合。将在交易白名单中查找到的交易对象集合作为所述交易正常对象集合。并把交易异常对象集合和交易正常对象集合在所述第一交易对象和所述第二交易对象中进行标识。带有交易正常的标识说明该交易对象从未参与过交易诈骗活动,带有交易异常的标识说明该交易对象处于交易黑名单中,具有极大的参与交易诈骗活动的风险。
通过标签标识后获得第一标识交易对象集合,根据第一标识交易对象集合中的对象以及未在交易黑名单数据库和交易白名单数据库中查询到的对象,即根据第一标识交易对象集合中的对象和未标识对象构成第一交易网络的交易节点。将具有交易关系的交易节点按照交易进行的时间进行串联,得到第一交易网络的边。同时按照每一个交易关系的交易金额作为交易的重要性评估标准,将交易金额信息作为对应边的权重。这样权重高的边比权重低的边粗,能够直观的看到资金流动过程中不同交易的资金交易量。通过交易节点、边以及边的权重的设置,构成所述第一交易网络,达到了直观的展示交易过程,并且带有可疑交易对象和白名单交易对象的标识信息能够提高风险研判的效率的技术效果。
进一步的,本申请实施例步骤S700还包括:
步骤S710:根据所述交易黑名单数据库进行交易信息提取,获得各黑名单账户的时序***易数据集合;
步骤S720:根据所述各黑名单账户的时序***易数据集合进行交易时间分布分析,获得交易分布信息;
步骤S730:基于所述交易分布信息对所述各黑名单账户进行聚类分析,获得聚类分析结果。
具体而言,由于黑名单数据库中的账户按照不同的诈骗频率可以进一步细分,因此需要对所述黑名单数据库中的账户的交易信息提取。通过数据库数据查询功能,将每一个黑名单账户的时序***易数据进行获取,得到所述各黑名单账户的时序***易数据集合。对发生交易的时间分布及进行分析,示例性的:若靠近当下时间的单天或多天某一账户超高频存在欺诈行为,则该账户的交易分布行为在临近当下时间分布数量较多。若某一账户在据当下时间较久远曾经存在欺诈行为,而一直没有进行过欺诈行为,说明该账户的交易分布行为为在历史某一时段分布数量较多,随着时间发展逐渐降低趋于0。
通过交易时间分布分析得到交易分布信息,按照交易分布信息可以对不同黑名单数据库中的账户进行聚类分析。从而得到各具欺诈行为特征的聚类分析结果。每一类的账户的风险性较为相似,因此通过聚类分析能够将黑名单数据库中繁多的黑名单账户的共性进行提取,达到使账户风险性评估更加准确的技术效果。
进一步的,本申请实施例步骤S700还包括:
步骤S740:根据所述交易白名单数据库进行交易信息提取,获得各白名单账户的时序***易数据集合;
步骤S750:分别对所述聚类分析结果和所述各白名单账户的时序***易数据集合进行风险度标识,获得标识交易风险度的标识数据;
步骤S760:将所述聚类分析结果和所述各白名单账户的时序***易数据集合作为训练数据,并使用所述训练数据和所述标识交易风险度的标识数据训练循环神经网络模型,获得所述风险评估模型。
进一步的,本申请实施例步骤S760还包括:
步骤S761:获得所述循环神经网络的初始隐藏层值,基于所述初始隐藏层值获得第一输入权重矩阵;
步骤S762:将所述训练数据分别作为输入层信息,根据所述输入层信息和所述第一输入权重矩阵对所述循环神经网络进行训练;
步骤S763:将所述输入层信息和所述初始隐藏层值作为下一次隐藏层值,依次迭代训练,构建所述风险评估模型。
具体而言,所述交易白名单数据库中所有账户均为没有欺诈行为的账户,通过数据库查询方法,得到各白名单账户的时序交易数据集合。时序交易数据集合可以很好的体现白名单账户的交易行为特征。将各白名单账户的时序***易数据集合进行风险度标识可标识风险度为0分,或是标识为一个安全区间例如0-40分。安全区间中接近 40的白名单账户有可能是由于一些客观原因导致的,用户本身并无实际的诈骗行为,例如:用户银行卡开卡未激活或IP地址处在诈骗事件高发地区而导致的。可根据用户具体情况进行适应性调整,在此不进行限定。
将所述聚类分析结果进行风险度标识,可按照各类交易行为的风险性进行标识,分数越高风险度越高。举不受限制一例:历史有过欺诈行为,近期没有疑似行为的标识为40-60分;近期有过欺诈记录的标识为60-80分;单天/多天发生过高频率欺诈的标识为80-100分。通过人工风险度标识后,获得标识交易风险度的标识数据,用于训练风险评估模型。将所述聚类分析8结果和所述各白名单账户的时序性数据集合作为训练数据,结合标识数据训练所述循环神经网络模型,得到所述风险评估模型。
所述循环神经网络模型包括输入层、隐藏层和输出层,它通过使用带自反馈的神经元,使得网络的输出不仅和当前的输入有关,还和上一时刻的输出相关,于是在处理任意长度的时序数据时,就具有短期记忆能力。所述初始隐藏层值可通过自定义的方式进行获得,基于所述初始隐藏层值获得第一输入权重矩阵,在处理的过程中,当前输入信息和上个时序的输出信息按照一定权重比值进行输出信息的预测,即为上述的权重矩阵,且在整个训练过程中,该权重矩阵内的权重值是稳定不变的。
将所述训练数据作为输入层信息,将对应的标识交易风险度的标识数据作为输出标识信息,根据所述输入层信息和所述第一输入权重矩阵对所述循环神经网络进行训练,将每次的输入层和上一次的隐藏层作为每次的隐藏层,此处的每次的隐藏层即为所述下一次隐藏层值,通过依次迭代训练,当循环神经网络的输出结果达到一定的准确率或收敛时,完成监督训练,构建所述风险评估模型。所述风险评估模型用于对第一交易信息中各账户的风险值进行分析评估,能够使得输出的交易风险分析结果更加准确合理,从而保证提高交易欺诈风险评估的准确性。
综上所述,本申请实施例所提供的一种交易欺诈风险的智能评估方法及***具有如下技术效果:
1、由于采用了进行信息采集、构建信息监测规则并根据信息监测规则进行信息监测排查,从而获得交易黑名单数据库和交易白名单数据库;获得第一交易信息,基于第一交易信息与交易黑名单数据库和交易白名单数据库进行交易关联,获得第一交易网络;根据第一交易网络进行交易流向分析,获得账户属性分析结果;根据账户属性分析结果采集历史交易记录集合;将历史交易记录集合输入风险评估模型中,获得第一交易信息的交易风险分析结果的技术方案,本申请实施例通过提供了一种交易欺诈风险的智能评估方法及***,达到了通过采集底层数据信息,构建底层信息监测规则,得到黑名单和白名单数据库,为风险排查提供更多数据支撑,并且以交易的资金流向为基础结合黑名单和白名单数据库对账户进行属性分析,根据账户属性进行交易风险行评估,从而提高风险评估准确性和交易监测识别能力的技术效果。
2、由于采用了设置交易节点、边以及边的权重构成第一交易网络的方法,达到了直观的展示交易过程,并且通过标识可疑交易对象和标识白名单交易对象的标识信息能够提高风险评估效率的技术效果。
3、由于采用了对不同黑名单数据库中的账户进行聚类分析的方法,得到各具欺诈行为特征的聚类分析结果,每一类的账户的风险性较为相似,因此通过聚类分析达到了将黑名单数据库中繁多的黑名单账户的共性进行提取,使账户风险性评估更加准确的技术效果。
实施例二
基于与前述实施例中一种交易欺诈风险的智能评估方法相同的发明构思,如图4所示,本申请实施例提供了一种交易欺诈风险的智能评估***,其中,所述***包括:
第一采集单元11,所述第一采集单元11用于根据联防联控平台采集银行卡信息、手机号码信息和IP地址信息;
第一获得单元12,所述第一获得单元12用于获得所述银行卡信息、所述手机号码信息和所述IP地址信息的信息监测规则;
第一构建单元13,所述第一构建单元13用于根据所述银行卡信息、手机号码信息和IP地址信息和所述信息监测规则进行信息监测排查,构建交易黑名单数据库和交易白名单数据库;
第二获得单元14,所述第二获得单元14用于获得第一交易信息,基于所述第一交易信息与所述交易黑名单数据库和所述交易白名单数据库进行交易关联,获得第一交易网络;
第三获得单元15,所述第三获得单元15用于根据所述第一交易网络进行交易流向分析,获得账户属性分析结果;
第二采集单元16,所述第二采集单元16用于根据所述账户属性分析结果采集账户历史交易记录集合;
第四获得单元17,所述第四获得单元17用于将所述账户历史交易记录集合输入风险评估模型中,获得所述第一交易信息的交易风险分析结果。
进一步的,所述***包括:
第五获得单元,所述第五获得单元用于基于所述第一交易信息进行交易对象抽取,获得第一交易对象、第二交易对象;
第六获得单元,所述第六获得单元用于基于所述第一交易对象、所述第二交易对象在所述交易黑名单数据库和所述交易白名单数据库中进行遍历查找,获得交易异常对象集合和交易正常对象集合;
第七获得单元,所述第七获得单元用于基于所述交易异常对象集合和所述交易正常对象集合对所述第一交易对象和所述第二交易对象进行标签标识,获得第一标识交易对象集合;
第八获得单元,所述第八获得单元用于根据所述第一标识交易对象集合按照交易时间进行交易串联,获得所述第一交易网络。
进一步的,所述***包括:
第九获得单元,所述第九获得单元用于根据所述第一标识交易对象集合,获得所述第一交易网络的交易节点;
第二构建单元,所述第二构建单元用于将进行交易的所述交易节点按照交易时间进行串联,构建所述第一交易网络的边;
第一执行单元,所述第一执行单元用于根据所述第一交易信息获得交易金额信息,以每一条边的交易金额信息作为边的权重;
第十获得单元,所述第十获得单元用于根据所述第一交易网络的交易节点、所述第一交易网络的边、所述边的权重,获得所述第一交易网络。
进一步的,所述***包括:
第十一获得单元,所述第十一获得单元用于根据所述第一交易网络进行交易流向分析,获得第一位置信息,所述第一位置信息为资金与所述交易异常对象集合的相对位置信息;
第十二获得单元,所述第十二获得单元用于根据所述第一位置信息,获得资金属性分析结果;
第十三获得单元,所述第十三获得单元用于根据所述资金属性分析结果进行交易金额分析和交易频次分析,获得交易金额分析结果和交易频次分析结果;
第十四获得单元,所述第十四获得单元用于基于所述交易金额分析结果和交易频次分析结果对所述交易异常对象集合进行交易行为特征分析,获得所述账户属性分析结果。
进一步的,所述***包括:
第十五获得单元,所述第十五获得单元用于根据所述交易黑名单数据库进行交易信息提取,获得各黑名单账户的时序***易数据集合;
第十六获得单元,所述第十六获得单元用于根据所述各黑名单账户的时序***易数据集合进行交易时间分布分析,获得交易分布信息;
第十七获得单元,所述第十七获得单元用于基于所述交易分布信息对所述各黑名单账户进行聚类分析,获得聚类分析结果。
进一步的,所述***包括:
第十八获得单元,所述第十八获得单元用于根据所述交易白名单数据库进行交易信息提取,获得各白名单账户的时序***易数据集合;
第十九获得单元,所述第十九获得单元用于分别对所述聚类分析结果和所述各白名单账户的时序***易数据集合进行风险度标识,获得标识交易风险度的标识数据;
第二十获得单元,所述第二十获得单元用于将所述聚类分析结果和所述各白名单账户的时序***易数据集合作为训练数据,并使用所述训练数据和所述标识交易风险度的标识数据训练循环神经网络模型,获得所述风险评估模型。
进一步的,所述***包括:
第二十一获得单元,所述第二十一获得单元用于获得所述循环神经网络的初始隐藏层值,基于所述初始隐藏层值获得第一输入权重矩阵;
第二执行单元,所述第二执行单元用于将所述训练数据分别作为输入层信息,根据所述输入层信息和所述第一输入权重矩阵对所述循环神经网络进行训练;
第三构建单元,所述第三构建单元用于将所述输入层信息和所述初始隐藏层值作为下一次隐藏层值,依次迭代训练,构建所述风险评估模型。
示例性电子设备
下面参考图5来描述本申请实施例的电子设备。
基于与前述实施例中一种交易欺诈风险的智能评估方法相同的发明构思,本申请实施例还提供了一种交易欺诈风险的智能评估***,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使得***以执行第一方面任一项所述的方法。
该电子设备300包括:处理器302、通信接口303、存储器301。可选的,电子设备300还可以包括总线架构304。其中,通信接口303、处理器302以及存储器301可以通过总线架构304相互连接;总线架构304可以是外设部件互连标(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture,简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU,微处理器,ASIC,或一个或多个用于控制本申请方案程序执行的集成电路。
通信接口303,使用任何收发器一类的***,用于与其他设备或通信网络通信,如以太网,无线接入网(radio access network,RAN), 无线局域网(wireless localareanetworks,WLAN),有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable Programmable read-only memory,EEPROM)、只读光盘(compactdisc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器301用于存储执行本申请方案的计算机执行指令,并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令,从而实现本申请上述实施例提供的一种交易欺诈风险的智能评估方法。
可选的,本申请实施例中的计算机执行指令也可以称之为应用程序代码,本申请实施例对此不作具体限定。
本申请实施例提供了一种交易欺诈风险的智能评估方法,其中,所述方法包括:进行信息采集、构建信息监测规则并根据信息监测规则进行信息监测排查,从而获得交易黑名单数据库和交易白名单数据库;获得第一交易信息,基于第一交易信息与交易黑名单数据库和交易白名单数据库进行交易关联,获得第一交易网络;根据第一交易网络进行交易流向分析,获得账户属性分析结果;根据账户属性分析结果采集历史交易记录集合;将历史交易记录集合输入风险评估模型中,获得第一交易信息的交易风险分析结果。
本领域普通技术人员可以理解:本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分,并不用来限制本申请实施例的范围,也不表示先后顺序。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b, 或c中的至少一项(个、种),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程***。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如, DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
本申请实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列(FPGA)或其它可编程逻辑***,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算***的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本申请实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于 RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于 ASIC中,ASIC可以设置于终端中。可选地,处理器和存储媒介也可以设置于终端中的不同的部件中。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。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是本申请所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (9)
1.一种交易欺诈风险的智能评估方法,其特征在于,所述方法应用于交易欺诈风险的智能评估***,所述***与联防联控平台通信连接,所述方法包括:
根据所述联防联控平台采集银行卡信息、手机号码信息和IP地址信息;
获得所述银行卡信息、所述手机号码信息和所述IP地址信息的信息监测规则;
根据所述银行卡信息、手机号码信息和IP地址信息和所述信息监测规则进行信息监测排查,构建交易黑名单数据库和交易白名单数据库;
获得第一交易信息,基于所述第一交易信息与所述交易黑名单数据库和所述交易白名单数据库进行交易关联,获得第一交易网络;
根据所述第一交易网络进行交易流向分析,获得账户属性分析结果;
根据所述账户属性分析结果采集账户历史交易记录集合;
将所述账户历史交易记录集合输入风险评估模型中,获得所述第一交易信息的交易风险分析结果。
2.如权利要求1所述的方法,其特征在于,所述方法包括:
基于所述第一交易信息进行交易对象抽取,获得第一交易对象、第二交易对象;
基于所述第一交易对象、所述第二交易对象在所述交易黑名单数据库和所述交易白名单数据库中进行遍历查找,获得交易异常对象集合和交易正常对象集合;
基于所述交易异常对象集合和所述交易正常对象集合对所述第一交易对象和所述第二交易对象进行标签标识,获得第一标识交易对象集合;
根据所述第一标识交易对象集合按照交易时间进行交易串联,获得所述第一交易网络。
3.如权利要求2所述的方法,其特征在于,所述方法包括:
根据所述第一标识交易对象集合,获得所述第一交易网络的交易节点;
将进行交易的所述交易节点按照交易时间进行串联,构建所述第一交易网络的边;
根据所述第一交易信息获得交易金额信息,以每一条边的交易金额信息作为边的权重;
根据所述第一交易网络的交易节点、所述第一交易网络的边、所述边的权重,获得所述第一交易网络。
4.如权利要求3所述的方法,其特征在于,所述方法包括:
根据所述第一交易网络进行交易流向分析,获得第一位置信息,所述第一位置信息为资金与所述交易异常对象集合的相对位置信息;
根据所述第一位置信息,获得资金属性分析结果;
根据所述资金属性分析结果进行交易金额分析和交易频次分析,获得交易金额分析结果和交易频次分析结果;
基于所述交易金额分析结果和交易频次分析结果对所述交易异常对象集合进行交易行为特征分析,获得所述账户属性分析结果。
5.如权利要求1所述的方法,其特征在于,所述方法包括:
根据所述交易黑名单数据库进行交易信息提取,获得各黑名单账户的时序***易数据集合;
根据所述各黑名单账户的时序***易数据集合进行交易时间分布分析,获得交易分布信息;
基于所述交易分布信息对所述各黑名单账户进行聚类分析,获得聚类分析结果。
6.如权利要求5所述的方法,其特征在于,所述方法包括:
根据所述交易白名单数据库进行交易信息提取,获得各白名单账户的时序***易数据集合;
分别对所述聚类分析结果和所述各白名单账户的时序***易数据集合进行风险度标识,获得标识交易风险度的标识数据;
将所述聚类分析结果和所述各白名单账户的时序***易数据集合作为训练数据,并使用所述训练数据和所述标识交易风险度的标识数据训练循环神经网络模型,获得所述风险评估模型。
7.如权利要求6所述的方法,其特征在于,所述方法包括:
获得所述循环神经网络的初始隐藏层值,基于所述初始隐藏层值获得第一输入权重矩阵;
将所述训练数据分别作为输入层信息,根据所述输入层信息和所述第一输入权重矩阵对所述循环神经网络进行训练;
将所述输入层信息和所述初始隐藏层值作为下一次隐藏层值,依次迭代训练,构建所述风险评估模型。
8.一种交易欺诈风险的智能评估***,其特征在于,所述***包括:
第一采集单元,所述第一采集单元用于根据联防联控平台采集银行卡信息、手机号码信息和IP地址信息;
第一获得单元,所述第一获得单元用于获得所述银行卡信息、所述手机号码信息和所述IP地址信息的信息监测规则;
第一构建单元,所述第一构建单元用于根据所述银行卡信息、手机号码信息和IP地址信息和所述信息监测规则进行信息监测排查,构建交易黑名单数据库和交易白名单数据库;
第二获得单元,所述第二获得单元用于获得第一交易信息,基于所述第一交易信息与所述交易黑名单数据库和所述交易白名单数据库进行交易关联,获得第一交易网络;
第三获得单元,所述第三获得单元用于根据所述第一交易网络进行交易流向分析,获得账户属性分析结果;
第二采集单元,所述第二采集单元用于根据所述账户属性分析结果采集账户历史交易记录集合;
第四获得单元,所述第四获得单元用于将所述账户历史交易记录集合输入风险评估模型中,获得所述第一交易信息的交易风险分析结果。
9.一种交易欺诈风险的智能评估***,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,其特征在于,使***以执行如权利要求1~7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210377246.5A CN114757677A (zh) | 2022-04-11 | 2022-04-11 | 一种交易欺诈风险的智能评估方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210377246.5A CN114757677A (zh) | 2022-04-11 | 2022-04-11 | 一种交易欺诈风险的智能评估方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114757677A true CN114757677A (zh) | 2022-07-15 |
Family
ID=82328524
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210377246.5A Pending CN114757677A (zh) | 2022-04-11 | 2022-04-11 | 一种交易欺诈风险的智能评估方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114757677A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115439030A (zh) * | 2022-11-09 | 2022-12-06 | 山东民昊健康科技有限公司 | 一种基于大数据分析的资金往来信息管理*** |
CN116129440A (zh) * | 2023-04-13 | 2023-05-16 | 新兴际华集团财务有限公司 | 异常用户端告警方法、装置、电子设备和介质 |
CN116668095A (zh) * | 2023-05-16 | 2023-08-29 | 江苏信创网安数据科技有限公司 | 一种网络安全智能评估方法及*** |
CN117171720A (zh) * | 2023-08-17 | 2023-12-05 | 哈尔滨工业大学 | 一种基于行为指纹的数据归属权鉴别***及方法 |
CN117350728A (zh) * | 2023-12-05 | 2024-01-05 | 山东恒宇电子有限公司 | 基于Linux白名单的车载机IC卡补登充值方法及*** |
-
2022
- 2022-04-11 CN CN202210377246.5A patent/CN114757677A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115439030A (zh) * | 2022-11-09 | 2022-12-06 | 山东民昊健康科技有限公司 | 一种基于大数据分析的资金往来信息管理*** |
CN116129440A (zh) * | 2023-04-13 | 2023-05-16 | 新兴际华集团财务有限公司 | 异常用户端告警方法、装置、电子设备和介质 |
CN116668095A (zh) * | 2023-05-16 | 2023-08-29 | 江苏信创网安数据科技有限公司 | 一种网络安全智能评估方法及*** |
CN116668095B (zh) * | 2023-05-16 | 2024-03-29 | 江苏信创网安数据科技有限公司 | 一种网络安全智能评估方法及*** |
CN117171720A (zh) * | 2023-08-17 | 2023-12-05 | 哈尔滨工业大学 | 一种基于行为指纹的数据归属权鉴别***及方法 |
CN117171720B (zh) * | 2023-08-17 | 2024-03-22 | 哈尔滨工业大学 | 一种基于行为指纹的数据归属权鉴别***及方法 |
CN117350728A (zh) * | 2023-12-05 | 2024-01-05 | 山东恒宇电子有限公司 | 基于Linux白名单的车载机IC卡补登充值方法及*** |
CN117350728B (zh) * | 2023-12-05 | 2024-02-20 | 山东恒宇电子有限公司 | 基于Linux白名单的车载机IC卡补登充值方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114757677A (zh) | 一种交易欺诈风险的智能评估方法及*** | |
Ma et al. | Financial credit risk prediction in internet finance driven by machine learning | |
US11423365B2 (en) | Transaction card system having overdraft capability | |
Shen et al. | Application of classification models on credit card fraud detection | |
JP2020522832A (ja) | 信用力があると判定された消費者にローンを発行するシステムおよび方法 | |
CN109472610A (zh) | 一种银行交易反欺诈方法及***、设备和存储介质 | |
US20230177526A1 (en) | Electronic payment network security | |
CN111062808B (zh) | ***额度评估方法、装置、计算机设备及存储介质 | |
CN109493086A (zh) | 一种确定违规商户的方法及装置 | |
Chen et al. | A combined mining-based framework for predicting telecommunications customer payment behaviors | |
CN113689218A (zh) | 风险账户的识别方法、装置、计算机设备和存储介质 | |
CN111882420A (zh) | 响应率的生成方法、营销方法、模型训练方法及装置 | |
KR102113347B1 (ko) | 인공지능을 이용한 암호화폐 계좌 분류 방법, 장치 및 컴퓨터프로그램 | |
CN114254867A (zh) | 一种电信诈骗受害人风险评估***及方法 | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
CN115375480A (zh) | 基于图神经网络的异常虚拟币钱包地址检测方法 | |
CN115063228A (zh) | 一种反洗钱管理平台及反洗钱方法 | |
CN113269629A (zh) | 授信额度确定方法、电子设备及相关产品 | |
CN113011966A (zh) | 基于深度学习的信用评分方法及装置 | |
CN111402048A (zh) | 一种可对海量金融大数据处理的智能风控*** | |
CN112053151A (zh) | 行为的确定方法及装置、存储介质、电子设备 | |
Hasheminejad et al. | FDiBC: a novel fraud detection method in bank club based on sliding time and scores window | |
KR20210106602A (ko) | 인공지능을 이용한 암호화폐 가격 변동성 예측 방법, 장치 및 컴퓨터프로그램 | |
CN114612239A (zh) | 基于算法、大数据、人工智能的股票舆情监测和风控*** | |
Lopes et al. | Applying user signatures on fraud detection in telecommunications networks |
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 |