CN116843346A - 一种基于云平台的异常订单监控预警方法及*** - Google Patents
一种基于云平台的异常订单监控预警方法及*** Download PDFInfo
- Publication number
- CN116843346A CN116843346A CN202311118836.7A CN202311118836A CN116843346A CN 116843346 A CN116843346 A CN 116843346A CN 202311118836 A CN202311118836 A CN 202311118836A CN 116843346 A CN116843346 A CN 116843346A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- order
- payment
- transaction
- orders
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 495
- 238000012544 monitoring process Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000012795 verification Methods 0.000 claims abstract description 16
- 230000005856 abnormality Effects 0.000 claims description 39
- 238000012098 association analyses Methods 0.000 claims description 10
- 230000010354 integration Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 8
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000012790 confirmation Methods 0.000 abstract description 3
- 238000010219 correlation analysis Methods 0.000 description 6
- 230000002146 bilateral effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/08—Payment architectures
- G06Q20/085—Payment architectures involving remote charge determination or related payment systems
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于订单监控预警技术领域,具体公开提供的一种基于云平台的异常订单监控预警方法及***,该方法包括对目标平台当前各生成订单进行监控巡查,提取各支付异常订单的订单数据,并对各支付异常订单的异常状态进行核实;对各支付异常订单进行异常关联性分析;根据核实结果和异常关联性分析结果,进行对应预警和处理。本发明有效解决了当前支付异常订单监控范围较为局限的问题,提高了支付异常订单确认的合理性和参考性,同时还提高了支付异常订单的识别率和准确性,并且确保了支付异常订单的预警的针对性和预警效果,并且还提升了支付异常订单的后续处理效率和处理效果,有助于降低欺诈风险,减少经济损失。
Description
技术领域
本发明属于订单监控预警技术领域,涉及到一种基于云平台的异常订单监控预警方法及***。
背景技术
随着云商城的发展,客户不断增加,业务复杂度的增长,每张订单的完成,会涉及多个环节和步骤,出现异常订单的概率也直线上升,因此,需要对异常订单进行监控和预警。
异常订单包括超时订单、支付异常订单以及物流异常订单等多种类型,而支付异常订单作为风险最大和潜在损伤最大的异常订单类别,往往作为平台重点监控预警对象,但是当前对于支付异常订单的监控和预警方式还存在以下几个方面的不足:1、监控的范围较为局限,如监控常规的大额支付、频繁支付等,使得支付异常订单的预警的针对性和预警效果的得不到保障,同时还无法提高支付异常订单的后续处理效率和处理效果。
2、监控预警的及时性较为局限,用户在支付订单时会涉及多种情况,购买的商品也存在多种组合的可能,在进行多商品核实时需要与支付人员进行及时沟通,进而使得支付异常订单的监控的及时性难以保障,导致支付异常订单存在延迟预警的可能,从而增加了支付异常订单的处理繁琐性。
3、监控预警的精准性和针对性较为局限,当前设定的常规预警规则很容易出现订单误预警和漏预警,进而无法保障消费用户的体验感,同时当前主要根据当下订单状态,未结合支付异常订单对应所属用户的过往订单情况,还未对支付异常订单进行关联性监控,进而使得支付异常订单的针对性和精准性得不到保障,从而无法降低恶劣异常订单造成的财务损失,也无法及时发现和拦截欺诈交易,进而无法降低经济风险的发生概率。
发明内容
鉴于此,为解决上述背景技术中所提出的问题,现提出一种基于云平台的异常订单监控预警方法及***。
本发明的目的可以通过以下技术方案实现:本发明第一方面提供一种基于云平台的异常订单监控预警方法,该方法包括:步骤1、支付异常订单巡查:对目标平台当前各生成订单进行监控巡查。
步骤2、支付异常订单提取:提取当前巡查的支付异常订单数目,对各支付异常订单进行编号,并提取各支付异常订单的订单数据。
步骤3、支付异常订单核实:核实各支付异常订单对应的异常状态,若某支付异常订单对应的异常状态为存在异常,将该支付异常订单记为目标异常订单,并确认目标异常订单的异常类型,并执行步骤5,若异常状态为不存在异常则执行步骤6。
步骤4、支付异常订单关联性分析:对各支付异常订单进行异常关联性分析,得到支付异常订单对应的IP异常关联度和交易异常关联度,进而确认关联支付异常订单集合。
步骤5、支付异常订单预警:根据目标异常订单的异常类型以及关联支付异常订单集合,进行对应预警。
步骤6、支付异常订单处理:将异常状态为不存在异常的支付异常订单更改为支付正常订单。
优选地,所述订单数据包括下单账号、下单IP地址、交易时间点、收货地址、下单商品数目以及各下单商品的交易金额、定价金额和所属类目。
优选地,所述核实各支付异常订单对应的异常状态,包括:从各支付异常订单的订单数据中定位出下单账号、各下单商品的定价金额和所属类目,设定各支付异常订单的异常趋向因子,记为,/>表示支付异常订单编号,/>。
从各支付异常订单的订单数据中定位出各下单商品的交易金额,记为,同时将各下单商品的定价金额记为/>,/>表示下单商品编号,/>。
从交易信息库中定位出各支付异常订单对应下单账号在历史各次交易的交易金额,从中提取最高交易金额,记为。
统计各支付异常订单对应的交易金额异常度,,/>分别为设定的参照交易金额差、优惠金额差。
从各支付异常订单的订单数据中定位出收货地址,分析各支付异常订单对应的收货地址异常度。
根据各支付异常订单对应各下单商品的所属类目,统计各支付异常订单对应的商品类目异常度。
统计各支付异常订单对应的异常趋向度,,/>分别为设定参照的交易金额异常度、收货地址异常度、商品类目异常度。
若某支付异常订单对应的异常趋向度大于0,则将存在异常作为该支付异常订单的异常状态,反之则将不存在异常作为该支付异常订单的异常状态。
优选地,所述设定各支付异常订单的异常趋向因子,包括:从交易信息库中定位出各支付异常订单对应各下单商品所属定价金额的历史支付异常次数和历史累计交易次数,作比得到各支付异常订单对应各下单商品所属定价的支付异常比,记为。
从交易信息库中定位出各支付异常订单对应各下单商品所属类目的历史支付异常次数和历史累计交易次数,将两者进行作比,得到支付异常比,记为。
统计各支付异常订单的异常趋向因子,,m表示下单商品数目,/>分别为设定的参照定价支付异常比、商品类目支付异常比,/>表示向下取整符号。
优选地,所述确认目标异常订单的异常类型,包括:提取目标异常订单对应的交易金额异常度、收货地址异常度和商品类目异常度,分别记为、/>和/>。
将、/>、/>导入目标异常订单异常类型评定模型中/>,输出目标异常订单的异常类型,其中,/>分别为设定的各异常类型评定条件,表示/>、/>和/>成立,/>表示/>、/>和/>成立,表示/>、/>和/>成立,/>表示/>、/>和/>成立或者、/>和/>成立或者/>、/>和/>成立或者/>、和/>成立。
优选地,所述对各支付异常订单进行异常关联性分析,包括:从各支付异常订单的订单数据中提取下单账号、下单IP地址和交易时间点,将各支付异常订单的交易时间点在时间数轴上进行标注,得到各标注点,并以时间的递增方向为时间数轴的右方向。
提取各标注点之间的间隔时长,若某标注点与其右侧临近标注点之间的间隔时长大于设定参照间隔时长,则将该右侧临近标注点记为时间分界点,提取各时间分界点的位置,由此对时间数轴进行分段,得到划分的各数轴段。
提取各数轴段内的标注点数目,记为,d表示数轴段编号,/>,若某数轴段内的标注点数目大于/>,则将该数轴段记为目标分析数轴段,若不存在标注点数目大于/>的数轴轴段,则将标注点数目数轴最多的数轴段记为目标分析数轴段。
统计目标分析数轴段数目,并将各目标分析数轴段内各标注点进行整合,得到整合后的各标注点,提取整合后的各标注点所属支付异常订单的下单IP地址、下单账号、各下单商品的交易金额和所属类目,进而分别统计支付异常订单的IP异常关联度和交易异常关联度,分别记为和/>。
优选地,所述统计支付异常订单的IP异常关联度,包括:将整合后的各标注点所属支付异常订单的下单IP地址进行相互对比,统计各下单IP地址的支付异常订单数目,记为,r表示下单IP地址编号,/>。
从交易信息库中提取各下单IP地址下各支付异常订单对应下单账号的累计注册时长,将累计注册时长与设定评定新注册账号认证时长进行对比。
将累计注册时长小于或者等于对应下单账号的支付异常订单记为新注册异常订单,统计各下单IP地址对应新注册异常订单数目,记为/>。
统计支付异常订单的IP异常关联度,,/>表示下单IP地址数目,/>分别为设定参照的相同IP地址支付异常订单数目差、相同IP地址新注册异常订单数目。
优选地,所述统计支付异常订单的交易异常关联度,包括:将整合后的各标注点所属支付异常订单对应各下单商品的交易金额进行叠加,得到整合后的各标注点所属支付异常订单累计交易总额。
将整合后的各标注点所属支付异常订单对应各下单商品的所属类目进行整合,并构建整合后的各标注点所属支付异常订单的下单商品类目集合。
以整合后的第一个标注点为目标标注点,将其他标注点记为各参照标注点,统计目标标注点与各参照标注点的交易相似度,/>,/>分别为目标标注点的累计交易总额、下单商品类目集合,/>分别为第g个参照标注点的累计交易总额、下单商品类目集合,/>为设定的参照的交易金额差。
按照目标标注点与各参照标注点的交易相似度的分析方式同理分析得到整合后的各标注点与其各参照标注点的交易相似度。
将交易相似度大于0的参照标注点作为整合后的各标注点的相似标注点,统计整合后的各标注点的相似标注点数目,记为,q表示整合后的标注点编号,/>。
统计支付异常订单的交易异常关联度,/>,/>为设定参照相似标注点数目。
优选地,所述确认关联支付异常订单集合,包括:若且/>成立,则统计各下单IP地址对应支付异常趋向度/>,/>,/>分别为设定参照的相同IP属地支付异常订单数目、相同IP属地新注册账号数目。
若某下单IP地址对应支付异常趋向度大于0,则判断该下单IP地址为异常IP地址,统计异常IP地址数目,将各异常IP地址对应各支付异常订单构成关联支付异常订单集合。
若且/>成立,则将各标注点的相似标注点数目/>与设定参照相似标注点数目/>进行作差,将差值大于0的标注点记为异常标注点,统计异常标注点数目,将各异常标注点所属支付异常订单、各异常标注点对应相似标注点所属支付异常订单构成关联支付异常订单集合。
若且/>成立,则将各异常IP地址对应各支付异常订单、各异常标注点所属支付异常订单、各异常标注点对应相似标注点所属支付异常订单构成关联支付异常订单集合。
本发明第二方面提供一种基于云平台的异常订单监控预警***,该***包括:支付异常订单巡查模块,用于对目标平台当前各生成订单进行监控巡查。
支付异常订单提取核实模块,用于提取当前巡查的支付异常订单数目,并提取各支付异常订单的订单数据,由此核实各支付异常订单对应的异常状态和异常类型。
交易信息库,用于存储各商品定价金额的历史支付异常次数和历史累计交易次数,存储各商品所属类目的历史支付异常次数和历史累计交易次数,存储风险交易地址集合和风险交易商品类目集合,并存储各支付异常下单账号的累计注册时长以及在历史各次各次交易的交易时间点和收货地址。
支付异常订单关联分析模块,用于对各支付异常订单进行异常关联性分析,进而确认关联异常集合和关联异常属性。
支付异常订单预警处理终端,用于根据支付异常订单的异常状态、异常类型以及关联支付异常订单集合,进行对应预警和处理。
相较于现有技术,本发明的有益效果如下:(1)本发明通过对各支付异常订单的订单数据以及对应下单账号的历史订单信息进行深度分析,由此对各支付异常订单进行核实和关联性分析,从而进行针对性的预警和处理,有效解决了当前支付异常订单监控范围较为局限的问题,提高了支付异常订单确认的合理性和参考性,同时还提高了支付异常订单的识别率和准确性,进而确保了支付异常订单预警的针对性和预警效果,并且还提升了支付异常订单的后续处理效率和处理效果,从而有助于最大程度地降低欺诈风险,减少经济损失。
(2)本发明通过从交易金额、收货地址和商品类目三个维度对各支付异常订单进行自动核实预警,解决了当前监控及时性较为局限的问题,实现支付异常订单的多方位异常核实,不仅提高了支付异常订单核实的可靠性和规范性,还有效解除了当前支付异常订单核实需要与支付人员进行及时沟通的限制,进而确保了支付异常订单的监控的及时性,降低了支付异常订单延迟预警的概率,从而减少了支付异常订单的处理繁琐性,从而有效维护了商家和消费人员的双边权益。
(3)本发明通过对各支付异常订单进行下单时间分析,进而进行IP关联和交易关联分析,实现了各支付异常订单的二重分析,有效解决了当前支付异常订单监控预警的精准性和针对性较为局限的问题,降低了订单误预警和漏预警的发生几率,提高了支付异常订单的监控的针对性和精准性,有效减少了恶劣异常订单造成的财务损失,便于平台及时发现和拦截欺诈交易,进而有效降低了经济风险的发生概率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明方法实施步骤流程示意图。
图2为本发明***各模块连接示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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。
请参阅图1所示,本发明提供了一种基于云平台的异常订单监控预警方法,该方法包括:步骤1、支付异常订单巡查:对目标平台当前各生成订单进行监控巡查。
步骤2、支付异常订单提取:提取当前巡查的支付异常订单数目,对各支付异常订单进行编号,并提取各支付异常订单的订单数据。
具体地,订单数据包括下单账号、下单IP地址、交易时间点、收货地址、下单商品数目以及各下单商品的交易金额、定价金额和所属类目。
步骤3、支付异常订单核实:核实各支付异常订单对应的异常状态,若某支付异常订单对应的异常状态为存在异常,将该支付异常订单记为目标异常订单,并确认目标异常订单的异常类型,并执行步骤5,若异常状态为不存在异常则执行步骤6。
示例性地,核实各支付异常订单对应的异常状态,包括:Y1、从各支付异常订单的订单数据中定位出下单账号、各下单商品的定价金额和所属类目,设定各支付异常订单的异常趋向因子,记为,/>表示支付异常订单编号,/>。
进一步地,设定各支付异常订单的异常趋向因子,包括:Y1-1、从交易信息库中定位出各支付异常订单对应各下单商品所属定价金额的历史支付异常次数和历史累计交易次数,作比得到各支付异常订单对应各下单商品所属定价的支付异常比,记为。
Y1-2、从交易信息库中定位出各支付异常订单对应各下单商品所属类目的历史支付异常次数和历史累计交易次数,将两者进行作比,得到支付异常比,记为。
Y1-3、统计各支付异常订单的异常趋向因子,,m表示下单商品数目,/>分别为设定的参照定价支付异常比、商品类目支付异常比,/>表示向下取整符号。
Y2、从各支付异常订单的订单数据中定位出各下单商品的交易金额,记为,同时将各下单商品的定价金额记为/>,/>表示下单商品编号,/>。
Y3、从交易信息库中定位出各支付异常订单对应下单账号在历史各次交易的交易金额,从中提取最高交易金额,记为。
Y4、统计各支付异常订单对应的交易金额异常度,,/>分别为设定的参照交易金额差、优惠金额差。
Y5、从各支付异常订单的订单数据中定位出收货地址,分析各支付异常订单对应的收货地址异常度。
需要说明的是,各支付异常订单对应的收货地址异常度的具体计算过程为:根据各支付异常订单的订单所属账号,从交易信息库中定位出各支付异常订单所属账号对应历史各次交易的收货地址,并构成各支付异常订单的收货地址集合。
将各支付异常订单的收货地址与其收货地址集合进行对比,若某支付异常订单的收货地址位于其收货地址集合内,则将该支付异常订单的收货地址异常度记为,若某支付异常订单的收货地址不位于其收货地址集合内,则将该支付异常订单记为地址异常订单。
将地址异常订单的收货地址与交易信息库中存储的风险交易地址集合进行对比,若地址异常订单不位于风险交易地址集合内,则将地址异常订单的收货地址异常度记为,反之则记为/>,以此得到各支付异常订单对应的收货地址异常度/>,/>取值为/>或者/>或者/>,/>>/>>/>。
Y6、根据各支付异常订单对应各下单商品的所属类目,统计各支付异常订单对应的商品类目异常度。
需要说明的是,各支付异常订单的对应的商品类目异常度的具体统计过程为:Y6-1、将各支付异常订单对应各下单商品的所属类目与交易信息库中存储的风险交易商品类目集合进行对比,若某支付异常订单对应某所属类目与风险交易商品类目集合内的某商品类目匹配成功,则将该支付异常订单对应该下单商品记为风险商品。
Y6-2、统计各支付异常订单对应的风险商品数目,记为。
Y6-3、将各支付异常订单对应各下单商品的所属类目进行相互对比,将相同所属类目的商品记为一致商品,统计各支付异常订单的一致商品数目和各一致商品内的下单商品数目。
Y6-4、从各支付异常订单对应各一致商品内的下单商品数目中提取最高下单商品数目,记为。
Y6-5、统计各支付异常订单的对应的商品类目异常度,,/>为第i个支付异常订单对应的下单商品数目。
Y7、统计各支付异常订单对应的异常趋向度,,/>分别为设定参照的交易金额异常度、收货地址异常度、商品类目异常度。
Y8、若某支付异常订单对应的异常趋向度大于0,则将存在异常作为该支付异常订单的异常状态,反之则将不存在异常作为该支付异常订单的异常状态。
本发明实施例通过从交易金额、收货地址和商品类目三个维度对各支付异常订单进行自动核实预警,解决了当前监控及时性较为局限的问题,实现支付异常订单的多方位异常核实,不仅提高了支付异常订单核实的可靠性和规范性,还有效解除了当前支付异常订单核实需要与支付人员进行及时沟通的限制,进而确保了支付异常订单的监控的及时性,降低了支付异常订单延迟预警的概率,从而减少了支付异常订单的处理繁琐性,从而有效维护了商家和消费人员的双边权益。
又一示例性地,确认目标异常订单的异常类型,包括:提取目标异常订单对应的交易金额异常度、收货地址异常度和商品类目异常度,分别记为、/>和/>。
将、/>、/>导入目标异常订单异常类型评定模型中/>,输出目标异常订单的异常类型,其中,/>分别为设定的各异常类型评定条件,表示/>、/>和/>成立,/>表示/>、/>和/>成立,表示/>、/>和/>成立,/>表示/>、/>和/>成立或者、/>和/>成立或者/>、/>和/>成立或者/>、和/>成立。
步骤4、支付异常订单关联性分析:对各支付异常订单进行异常关联性分析,得到支付异常订单对应的IP异常关联度和交易异常关联度,进而确认关联支付异常订单集合。
示例性地,对各支付异常订单进行异常关联性分析,包括:步骤4-1、从各支付异常订单的订单数据中提取下单账号、下单IP地址和交易时间点,将各支付异常订单的交易时间点在时间数轴上进行标注,得到各标注点,并以时间的递增方向为时间数轴的右方向。
步骤4-2、提取各标注点之间的间隔时长,若某标注点与其右侧临近标注点之间的间隔时长大于设定参照间隔时长,则将该右侧临近标注点记为时间分界点,提取各时间分界点的位置,由此对时间数轴进行分段,得到划分的各数轴段。
步骤4-3、提取各数轴段内的标注点数目,记为,d表示数轴段编号,/>,若某数轴段内的标注点数目大于/>,则将该数轴段记为目标分析数轴段,若不存在标注点数目大于/>的数轴轴段,则将标注点数目数轴最多的数轴段记为目标分析数轴段。
步骤4-4、统计目标分析数轴段数目,并将各目标分析数轴段内各标注点进行整合,得到整合后的各标注点,提取整合后的各标注点所属支付异常订单的下单IP地址、下单账号、各下单商品的交易金额和所属类目,进而分别统计支付异常订单的IP异常关联度和交易异常关联度,分别记为和/>。
进一步地,统计支付异常订单的IP异常关联度,包括:Q1、将整合后的各标注点所属支付异常订单的下单IP地址进行相互对比,统计各下单IP地址的支付异常订单数目,记为,r表示下单IP地址编号,/>。
Q2、从交易信息库中提取各下单IP地址下各支付异常订单对应下单账号的累计注册时长,将累计注册时长与设定评定新注册账号认证时长进行对比。
Q3、将累计注册时长小于或者等于对应下单账号的支付异常订单记为新注册异常订单,统计各下单IP地址对应新注册异常订单数目,记为/>。
Q4、统计支付异常订单的IP异常关联度,,/>表示下单IP地址数目,/>分别为设定参照的相同IP地址支付异常订单数目差、相同IP地址新注册异常订单数目。
更进一步地,统计支付异常订单的交易异常关联度,包括:L1、将整合后的各标注点所属支付异常订单对应各下单商品的交易金额进行叠加,得到整合后的各标注点所属支付异常订单累计交易总额。
L2、将整合后的各标注点所属支付异常订单对应各下单商品的所属类目进行整合,并构建整合后的各标注点所属支付异常订单的下单商品类目集合。
L3、以整合后的第一个标注点为目标标注点,将其他标注点记为各参照标注点,统计目标标注点与各参照标注点的交易相似度,/>,分别为目标标注点的累计交易总额、下单商品类目集合,/>分别为第g个参照标注点的累计交易总额、下单商品类目集合,/>为设定的参照的交易金额差。
L4、按照目标标注点与各参照标注点的交易相似度的分析方式同理分析得到整合后的各标注点与其各参照标注点的交易相似度。
L5、将交易相似度大于0的参照标注点作为整合后的各标注点的相似标注点,统计整合后的各标注点的相似标注点数目,记为,q表示整合后的标注点编号,/>。
L6、统计支付异常订单的交易异常关联度,/>,/>为设定参照相似标注点数目。
本发明实施例通过对各支付异常订单进行下单时间分析,进而进行IP关联和交易关联分析,实现了各支付异常订单的二重分析,有效解决了当前支付异常订单监控预警的精准性和针对性较为局限的问题,降低了订单误预警和漏预警的发生几率,提高了支付异常订单的监控的针对性和精准性,有效减少了恶劣异常订单造成的财务损失,便于平台及时发现和拦截欺诈交易,进而有效降低了经济风险的发生概率。
又一示例性地,确认关联支付异常订单集合,包括:R1、若且/>成立,则统计各下单IP地址对应支付异常趋向度/>,/>,/>分别为设定参照的相同IP属地支付异常订单数目、相同IP属地新注册账号数目。
R2、若某下单IP地址对应支付异常趋向度大于0,则判断该下单IP地址为异常IP地址,统计异常IP地址数目,将各异常IP地址对应各支付异常订单构成关联支付异常订单集合。
R3、若且/>成立,则将各标注点的相似标注点数目/>与设定参照相似标注点数目/>进行作差,将差值大于0的标注点记为异常标注点,统计异常标注点数目,将各异常标注点所属支付异常订单、各异常标注点对应相似标注点所属支付异常订单构成关联支付异常订单集合。
R4、若且/>成立,则将各异常IP地址对应各支付异常订单、各异常标注点所属支付异常订单、各异常标注点对应相似标注点所属支付异常订单构成关联支付异常订单集合。
步骤5、支付异常订单预警:根据目标异常订单的异常类型以及关联支付异常订单集合,进行对应预警。
步骤6、支付异常订单处理:将异常状态为不存在异常的支付异常订单更改为支付正常订单。
本发明实施例通过对各支付异常订单的订单数据以及对应下单账号的历史订单信息进行深度分析,由此对各支付异常订单进行核实和关联性分析,从而进行针对性的预警和处理,有效解决了当前支付异常订单监控范围较为局限的问题,提高了支付异常订单确认的合理性和参考性,同时还提高了支付异常订单的识别率和准确性,进而确保了支付异常订单预警的针对性和预警效果,并且还提升了支付异常订单的后续处理效率和处理效果,从而有助于最大程度地降低欺诈风险,减少经济损失。
请参阅图2所示,本发明还提供了一种基于云平台的异常订单监控预警***,该***包括:支付异常订单巡查模块、支付异常订单提取核实模块、交易信息库、支付异常订单关联分析模块和支付异常订单预警处理终端。
上述中,支付异常订单提取核实模块分别与支付异常订单巡查模块、交易信息库、支付异常订单关联分析模块和支付异常订单预警处理终端连接,支付异常订单关联分析模块分别与交易信息库和支付异常订单预警处理终端连接。
所述支付异常订单巡查模块,用于对目标平台当前各生成订单进行监控巡查。
所述支付异常订单提取核实模块,用于提取当前巡查的支付异常订单数目,并提取各支付异常订单的订单数据,由此核实各支付异常订单对应的异常状态和异常类型。
所述交易信息库,用于存储各商品定价金额的历史支付异常次数和历史累计交易次数,存储各商品所属类目的历史支付异常次数和历史累计交易次数,存储风险交易地址集合和风险交易商品类目集合,并存储各支付异常下单账号的累计注册时长以及在历史各次各次交易的交易时间点和收货地址。
所述支付异常订单关联分析模块,用于对各支付异常订单进行异常关联性分析,进而确认关联异常集合和关联异常属性。
所述支付异常订单预警处理终端,用于根据支付异常订单的异常状态、异常类型以及关联支付异常订单集合,进行对应预警和处理。
以上内容仅仅是对本发明的构思所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的构思或者超越本发明所定义的范围,均应属于本发明的保护范围。
Claims (10)
1.一种基于云平台的异常订单监控预警方法,其特征在于:该方法包括:
步骤1、支付异常订单巡查:对目标平台当前各生成订单进行监控巡查;
步骤2、支付异常订单提取:提取当前巡查的支付异常订单数目,对各支付异常订单进行编号,并提取各支付异常订单的订单数据;
步骤3、支付异常订单核实:核实各支付异常订单对应的异常状态,若某支付异常订单对应的异常状态为存在异常,将该支付异常订单记为目标异常订单,并确认目标异常订单的异常类型,并执行步骤5,若异常状态为不存在异常则执行步骤6;
步骤4、支付异常订单关联性分析:对各支付异常订单进行异常关联性分析,得到支付异常订单对应的IP异常关联度和交易异常关联度,进而确认关联支付异常订单集合;
步骤5、支付异常订单预警:根据目标异常订单的异常类型以及关联支付异常订单集合,进行对应预警;
步骤6、支付异常订单处理:将异常状态为不存在异常的支付异常订单更改为支付正常订单。
2.根据权利要求1所述的一种基于云平台的异常订单监控预警方法,其特征在于:所述订单数据包括下单账号、下单IP地址、交易时间点、收货地址、下单商品数目以及各下单商品的交易金额、定价金额和所属类目。
3.根据权利要求2所述的一种基于云平台的异常订单监控预警方法,其特征在于:所述核实各支付异常订单对应的异常状态,包括:
从各支付异常订单的订单数据中定位出下单账号、各下单商品的定价金额和所属类目,设定各支付异常订单的异常趋向因子,记为,/>表示支付异常订单编号,/>;
从各支付异常订单的订单数据中定位出各下单商品的交易金额,记为,同时将各下单商品的定价金额记为/>,/>表示下单商品编号,/>;
从交易信息库中定位出各支付异常订单对应下单账号在历史各次交易的交易金额,从中提取最高交易金额,记为;
统计各支付异常订单对应的交易金额异常度,,/>分别为设定的参照交易金额差、优惠金额差;
从各支付异常订单的订单数据中定位出收货地址,分析各支付异常订单对应的收货地址异常度;
根据各支付异常订单对应各下单商品的所属类目,统计各支付异常订单对应的商品类目异常度;
统计各支付异常订单对应的异常趋向度,,/>分别为设定参照的交易金额异常度、收货地址异常度、商品类目异常度;
若某支付异常订单对应的异常趋向度大于0,则将存在异常作为该支付异常订单的异常状态,反之则将不存在异常作为该支付异常订单的异常状态。
4.根据权利要求3所述的一种基于云平台的异常订单监控预警方法,其特征在于:所述设定各支付异常订单的异常趋向因子,包括:
从交易信息库中定位出各支付异常订单对应各下单商品所属定价金额的历史支付异常次数和历史累计交易次数,作比得到各支付异常订单对应各下单商品所属定价的支付异常比,记为;
从交易信息库中定位出各支付异常订单对应各下单商品所属类目的历史支付异常次数和历史累计交易次数,将两者进行作比,得到支付异常比,记为;
统计各支付异常订单的异常趋向因子,,m表示下单商品数目,/>分别为设定的参照定价支付异常比、商品类目支付异常比,/>表示向下取整符号。
5.根据权利要求3所述的一种基于云平台的异常订单监控预警方法,其特征在于:所述确认目标异常订单的异常类型,包括:
提取目标异常订单对应的交易金额异常度、收货地址异常度和商品类目异常度,分别记为、/>和/>;
将、/>、/>导入目标异常订单异常类型评定模型中/>,输出目标异常订单的异常类型,其中,/>分别为设定的各异常类型评定条件,/>表示、/>和/>成立,/>表示/>、/>和/>成立,/>表示、/>和/>成立,/>表示/>、/>和/>成立或者/>、/>和/>成立或者/>、/>和/>成立或者/>、/>和成立。
6.根据权利要求2所述的一种基于云平台的异常订单监控预警方法,其特征在于:所述对各支付异常订单进行异常关联性分析,包括:
从各支付异常订单的订单数据中提取下单账号、下单IP地址和交易时间点,将各支付异常订单的交易时间点在时间数轴上进行标注,得到各标注点,并以时间的递增方向为时间数轴的右方向;
提取各标注点之间的间隔时长,若某标注点与其右侧临近标注点之间的间隔时长大于设定参照间隔时长,则将该右侧临近标注点记为时间分界点,提取各时间分界点的位置,由此对时间数轴进行分段,得到划分的各数轴段;
提取各数轴段内的标注点数目,记为,d表示数轴段编号,/>,若某数轴段内的标注点数目大于/>,则将该数轴段记为目标分析数轴段,若不存在标注点数目大于的数轴轴段,则将标注点数目数轴最多的数轴段记为目标分析数轴段;
统计目标分析数轴段数目,并将各目标分析数轴段内各标注点进行整合,得到整合后的各标注点,提取整合后的各标注点所属支付异常订单的下单IP地址、下单账号、各下单商品的交易金额和所属类目,进而分别统计支付异常订单的IP异常关联度和交易异常关联度,分别记为和/>。
7.根据权利要求6所述的一种基于云平台的异常订单监控预警方法,其特征在于:所述统计支付异常订单的IP异常关联度,包括:
将整合后的各标注点所属支付异常订单的下单IP地址进行相互对比,统计各下单IP地址的支付异常订单数目,记为,r表示下单IP地址编号,/>;
从交易信息库中提取各下单IP地址下各支付异常订单对应下单账号的累计注册时长,将累计注册时长与设定评定新注册账号认证时长进行对比;
将累计注册时长小于或者等于对应下单账号的支付异常订单记为新注册异常订单,统计各下单IP地址对应新注册异常订单数目,记为/>;
统计支付异常订单的IP异常关联度,/>,表示下单IP地址数目,/>分别为设定参照的相同IP地址支付异常订单数目差、相同IP地址新注册异常订单数目。
8.根据权利要求7所述的一种基于云平台的异常订单监控预警方法,其特征在于:所述统计支付异常订单的交易异常关联度,包括:
将整合后的各标注点所属支付异常订单对应各下单商品的交易金额进行叠加,得到整合后的各标注点所属支付异常订单累计交易总额;
将整合后的各标注点所属支付异常订单对应各下单商品的所属类目进行整合,并构建整合后的各标注点所属支付异常订单的下单商品类目集合;
以整合后的第一个标注点为目标标注点,将其他标注点记为各参照标注点,统计目标标注点与各参照标注点的交易相似度,/>,/>分别为目标标注点的累计交易总额、下单商品类目集合,/>分别为第g个参照标注点的累计交易总额、下单商品类目集合,/>为设定的参照的交易金额差;
按照目标标注点与各参照标注点的交易相似度的分析方式同理分析得到整合后的各标注点与其各参照标注点的交易相似度;
将交易相似度大于0的参照标注点作为整合后的各标注点的相似标注点,统计整合后的各标注点的相似标注点数目,记为,q表示整合后的标注点编号,/>;
统计支付异常订单的交易异常关联度,/>,/>为设定参照相似标注点数目。
9.根据权利要求8所述的一种基于云平台的异常订单监控预警方法,其特征在于:所述确认关联支付异常订单集合,包括:
若且/>成立,则统计各下单IP地址对应支付异常趋向度/>,,/>分别为设定参照的相同IP属地支付异常订单数目、相同IP属地新注册账号数目;
若某下单IP地址对应支付异常趋向度大于0,则判断该下单IP地址为异常IP地址,统计异常IP地址数目,将各异常IP地址对应各支付异常订单构成关联支付异常订单集合;
若且/>成立,则将各标注点的相似标注点数目/>与设定参照相似标注点数目进行作差,将差值大于0的标注点记为异常标注点,统计异常标注点数目,将各异常标注点所属支付异常订单、各异常标注点对应相似标注点所属支付异常订单构成关联支付异常订单集合;
若且/>成立,则将各异常IP地址对应各支付异常订单、各异常标注点所属支付异常订单、各异常标注点对应相似标注点所属支付异常订单构成关联支付异常订单集合。
10.一种基于云平台的异常订单监控预警***,其特征在于:该***包括:
支付异常订单巡查模块,用于对目标平台当前各生成订单进行监控巡查;
支付异常订单提取核实模块,用于提取当前巡查的支付异常订单数目,并提取各支付异常订单的订单数据,由此核实各支付异常订单对应的异常状态和异常类型;
交易信息库,用于存储各商品定价金额的历史支付异常次数和历史累计交易次数,存储各商品所属类目的历史支付异常次数和历史累计交易次数,存储风险交易地址集合和风险交易商品类目集合,并存储各支付异常下单账号的累计注册时长以及在历史各次各次交易的交易时间点和收货地址;
支付异常订单关联分析模块,用于对各支付异常订单进行异常关联性分析,进而确认关联异常集合和关联异常属性;
支付异常订单预警处理终端,用于根据支付异常订单的异常状态、异常类型以及关联支付异常订单集合,进行对应预警和处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311118836.7A CN116843346B (zh) | 2023-09-01 | 2023-09-01 | 一种基于云平台的异常订单监控预警方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311118836.7A CN116843346B (zh) | 2023-09-01 | 2023-09-01 | 一种基于云平台的异常订单监控预警方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116843346A true CN116843346A (zh) | 2023-10-03 |
CN116843346B CN116843346B (zh) | 2023-11-17 |
Family
ID=88174661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311118836.7A Active CN116843346B (zh) | 2023-09-01 | 2023-09-01 | 一种基于云平台的异常订单监控预警方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116843346B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117828449A (zh) * | 2024-03-06 | 2024-04-05 | 江苏中创供应链服务有限公司 | 一种基于云计算的跨境电商用户画像数据处理方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015036843A2 (en) * | 2013-09-13 | 2015-03-19 | Mace Engineering Group Pty, Ltd. | Sales order data collection and management system |
CN110298563A (zh) * | 2019-06-14 | 2019-10-01 | 达疆网络科技(上海)有限公司 | 一种判别风险订单的统计方法 |
CN115471297A (zh) * | 2022-09-21 | 2022-12-13 | 中国建设银行股份有限公司 | 异常订单确定方法、装置、设备及存储介质 |
CN116452299A (zh) * | 2023-04-23 | 2023-07-18 | 启明信息技术股份有限公司 | 一种电商智能化推荐***及方法 |
CN116502813A (zh) * | 2022-10-21 | 2023-07-28 | 华东理工大学 | 一种基于集成学习的异常订单检测方法 |
CN116664238A (zh) * | 2023-06-02 | 2023-08-29 | 北京科码先锋互联网技术股份有限公司 | 一种零售行业风险订单审核管理方法及*** |
-
2023
- 2023-09-01 CN CN202311118836.7A patent/CN116843346B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015036843A2 (en) * | 2013-09-13 | 2015-03-19 | Mace Engineering Group Pty, Ltd. | Sales order data collection and management system |
CN110298563A (zh) * | 2019-06-14 | 2019-10-01 | 达疆网络科技(上海)有限公司 | 一种判别风险订单的统计方法 |
CN115471297A (zh) * | 2022-09-21 | 2022-12-13 | 中国建设银行股份有限公司 | 异常订单确定方法、装置、设备及存储介质 |
CN116502813A (zh) * | 2022-10-21 | 2023-07-28 | 华东理工大学 | 一种基于集成学习的异常订单检测方法 |
CN116452299A (zh) * | 2023-04-23 | 2023-07-18 | 启明信息技术股份有限公司 | 一种电商智能化推荐***及方法 |
CN116664238A (zh) * | 2023-06-02 | 2023-08-29 | 北京科码先锋互联网技术股份有限公司 | 一种零售行业风险订单审核管理方法及*** |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117828449A (zh) * | 2024-03-06 | 2024-04-05 | 江苏中创供应链服务有限公司 | 一种基于云计算的跨境电商用户画像数据处理方法及*** |
CN117828449B (zh) * | 2024-03-06 | 2024-05-14 | 江苏中创供应链服务有限公司 | 一种基于云计算的跨境电商用户画像数据处理方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN116843346B (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8170998B2 (en) | Methods, systems, and computer program products for estimating accuracy of linking of customer relationships | |
CN108573432B (zh) | 用于电子商务的交易监管***和方法 | |
CN111126828A (zh) | 一种基于知识图谱的多层资金异常流向监控方法 | |
US20170178139A1 (en) | Analysis of Transaction Information Using Graphs | |
CN116843346B (zh) | 一种基于云平台的异常订单监控预警方法及*** | |
CN112116464B (zh) | 基于事件序列频繁项集的异常交易行为分析方法和*** | |
CN112581271B (zh) | 一种商户交易风险监测方法、装置、设备及存储介质 | |
CN114841790A (zh) | 一种基于大数据的供应链金融风险评估方法及*** | |
AU2022379544A1 (en) | Systems and methods for improved detection of network attacks | |
CN116739607B (zh) | 一种基于数据分析的商户收银数据监测管理*** | |
CN112163813B (zh) | 一种在线采购的交易清单核算方法 | |
CN113962514A (zh) | 一种经营风险识别的方法 | |
CN113159885A (zh) | 一种电商平台虚拟商品订单发货方法 | |
CN113269629A (zh) | 授信额度确定方法、电子设备及相关产品 | |
CN112711577A (zh) | 一种异常交易企业识别方法及装置 | |
CN116629998A (zh) | 一种自动计息方法、装置、电子设备及可读存储介质 | |
CN114331436A (zh) | 一种基于区块链的电商安全交易*** | |
CN115063153A (zh) | 商户风险管理方法及装置 | |
CN108763233A (zh) | 基于大数据的疑似假货商品识别及分类的方法和装置 | |
CN114266594A (zh) | 一种基于东南亚跨境电商平台的大数据分析方法 | |
CN114463022A (zh) | 一种基于大数据的智能销售管理*** | |
CN113269434A (zh) | 一种电子商务平台用户退货商品质量智能检测分析评价方法及云检测平台 | |
CN115204716B (zh) | 一种网络空间风险数据流检测预警方法、***及计算机存储介质 | |
CN117236996B (zh) | 一种基于大数据分析的用户行为预测方法和*** | |
CN116091059B (zh) | 一种虚拟预付卡防盗刷*** |
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 |