基于统计序列特征的实时欺诈交易检测方法、系统、存储介质及电子终端技术方案

本发明专利技术提供一种基于统计序列特征的实时欺诈交易检测方法、系统、存储介质及电子终端，检测方法包括：接收用户最新交易请求，并根据接收到的用户最新交易请求于用户历史交易记录库中查询用户交易记录列表；根据所述用户交易记录列表获取获得特征向量；将所述特征向量送入分类器得到交易检测结果。通过本发明专利技术的检测系统进行交易检测，获得的预测效果好，达到了97.2％的召回率和低于1％的打扰率，同时响应速度快，给出一个预测结果的平均时间仅需1.5毫秒。

Real-time fraudulent transaction detection methods, systems, storage media and electronic terminals based on statistical sequence characteristics

The invention provides a real-time fraudulent transaction detection method, system, storage medium and electronic terminal based on statistical sequence characteristics. The detection method includes: receiving the latest transaction request of the user, querying the user transaction record list in the user history transaction record database according to the received user's latest transaction request, obtaining the feature vector according to the user transaction record list; The feature vectors are fed into the classifier to get the result of transaction detection. Through the detection system of the invention, the prediction effect is good, the recall rate of 97.2% and the disturbance rate of less than 1% are achieved, and the response speed is fast. The average time to give a prediction result is only 1.5 milliseconds.

【技术实现步骤摘要】
基于统计序列特征的实时欺诈交易检测方法、系统、存储介质及电子终端
本专利技术属于电子交易
，涉及一种交易行为检测方法，特别是涉及一种基于统计序列特征的实时欺诈交易检测方法、系统、存储介质及电子终端。
技术介绍
随着网络技术的飞速发展，越来越多的人参与到电子交易当中。同时，这也给了欺诈者更多的犯罪机会。因此，设计出有效的欺诈交易检测系统，保障用户的财产安全是尤为重要的。然而，面对花样迭出和不断翻新的欺诈交易手段，传统的基于人为制定规则的欺诈交易检测系统需要不断地投入人力来适应变化，这增加了欺诈交易检测的成本。因此，基于用户行为和机器学习的自适应欺诈交易检测系统成为了新的研究热点。行为模型主要包括个人行为模型和群体行为模型两类。个人行为模型假设每个用户都有足够的历史交易记录来建模，但现实是大多数用户不具备足够数量的交易记录来完成建模。另一方面，群体行为模型则不对用户的历史交易记录数量有过多要求，因为其考察的是欺诈行为和正常行为的总体区别，跟个别用户的行为无关。因此相比个人行为模型，群体行为模型具有更好的发展空间。然而，现有的基于群体行为的欺诈交易检测系统仍然存在以下问题。第一，很多模型的检测效率不能够满足实时性的需求，其中一个原因是模型过于复杂(例如深度学习模型)。第二，对欺诈交易检测的效果不理想，包括对欺诈交易的召回率偏低，以及对正常交易的打扰率偏高，其原因可能在于特征不够有效。第三，很多方法仍停留在实验层面，没有形成完整的流程体系。
技术实现思路
鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种基于统计序列特征的实时欺诈交易检测方法、系统、存储介质及电子终端，用于解决现有技术中实时性差、召回率偏低的问题。为实现上述目的及其他相关目的，本专利技术提供一种基于统计序列特征的实时欺诈交易检测方法，包括：接收用户最新交易请求，并根据接收到的所述用户最新交易请求于用户历史交易记录库中查询用户交易记录列表；根据所述用户交易记录列表获取获得特征向量；将所述特征向量送入分类器得到交易检测结果。于本专利技术的一实施例中，若在所述用户历史交易记录中未查询到用户交易记录列表时，则为用户创建用户交易记录列表。于本专利技术的一实施例中，所述根据所述用户交易记录列表获取特征向量的一种实现方式为：根据所述最新交易请求的时间更新时间窗口内用户历史交易记录；判断用户交易记录数量是否达到两条以上；若是，则计算每两笔相邻交易记录的时间差和金额差，得到全部时间差的均值和方差，以及全部金额差的均值和方差，构成统计序列特征；否则，统计序列特征取零；组合所述统计序列特征、聚合特征和原始特征获得特征向量。于本专利技术的一实施例中，所述分类器需要进行周期性训练，所述周期性训练包括：定期从带标记的交易记录库中抽取预设时间段内的受害用户、正常用户和对应每个用户的全部交易记录，构成原始数据；对原始数据利用滑动时间窗口技术计算取得对应用户的特征向量，得到特征向量集合；从特征向量集合中抽取样本构成特征向量集，并送入分类器进行训练。于本专利技术的一实施例中，所述分类器采用XGBoost分类器。本专利技术还提供了一种基于统计序列特征的实时欺诈交易检测系统，包括：获取模块、计算模块、分类模块和执行模块；所述获取模块用于获取用户最新交易请求；所述计算模块用于根据用户最新交易请求从在用户历史交易记录库中查询用户交易记录列表，利用滑动时间窗口技术计算获得特征向量，通过分类器获得分类结果；所述执行模块用于根据分类结果执行对应操作，所述操作分为放行和拦截；于本专利技术的一实施例中，所述分类模块采用XGBoost分类器。于本专利技术的一实施例中，还包括训练模块，所述训练模块用于对所述分类模块定期训练。本专利技术还提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述基于统计序列特征的实时欺诈交易检测方法。本专利技术还提供了一种交易检测电子终端，包括：存储器、处理器和存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述基于统计序列特征的实时欺诈交易检测方法。如上所述，本专利技术所述的基于统计序列特征的实时欺诈交易检测方法、系统、存储介质及电子终端，具有以下有益效果：(1)通过统计序列特征来训练分类器，使用滑动时间窗口技术来进行交易聚合避免了维度灾难。(2)构建的检测系统的预测效果好，达到了97.2％的召回率和低于1％的打扰率。(3)响应速度快，给出一个预测结果的平均时间是1.5毫秒。附图说明图1显示为本专利技术的的基于统计序列特征的实时欺诈交易检测方法的流程图。图2显示为本专利技术中用户交易记录转特征向量的流程图。图3显示为本专利技术中滑动时间窗口工作机制示意图。图4显示为本专利技术中周期性训练分类器的流程图。图5显示为本专利技术中实时交易检测时的工作场景示意图。图6显示为本专利技术中实时欺诈交易检测系统的架构示意图。图7显示为本专利技术中实时欺诈交易检测系统的结构图。图8显示为本专利技术的实时欺诈交易检测系统的分类效果测试图。图9显示为本专利技术的实时欺诈交易检测系统的运行测试图。元件标号说明1终端2电子交易后台中心3实时欺诈交易检测系统31获取模块32计算模块33执行模块34训练模块S10～S40步骤S21步骤S31～S35步骤S41～S43步骤具体实施方式以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本专利技术的基本构想，遂图式中仅显示与本专利技术中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。请参阅图1，本专利技术提供一种基于统计序列特征的实时欺诈交易检测方法，包括：步骤S10，接收的用户最新交易请求，根据接收到的用户最新交易请求在用户历史交易记录库中查询用户交易记录列表；用户最新交易请求中包含有用户ID，在查询过程中根据用户ID获取用户交易记录列表，用户ID可以是银行系统对每个用户单独设置的一个编码或序列号，也可以是用户的身份证号，仅用来区分用户。其中，用户历史交易记录库采用非关系型数据库，该用户交易记录列表中保存的用户交易记录始终保持在一个时间窗口的范围内。这样能使查询和修改的速度加快，并且也可以部署成为集群的存储形式，防止单台机器宕机或者存储空间不够造成的系统瘫痪。步骤S20，判断是否查询到用户交易记录列表；若是，则进行步骤S30，若不是，则进行步骤S21；步骤S21，为用户创建用户交易记录列表，执行步骤S30。步骤S30，在用户交易记录列表上获得特征向量，在本实施例中，特征向量的获取利用滑动时间窗口技术。具体包括以下步骤，请参阅图2：步骤S31，根据用户最新交易请求的时间更新时间窗口内用户历史交易记录；其中，根据用户最新交易请求的时间更新时间窗口依靠于滑动时间窗口的工作机制，一名用户u的历史交易记录来具体说明其工作原理：如图3，将时间窗口大小设定为一分钟，本文档来自技高网...

【技术保护点】
1.一种基于统计序列特征的实时欺诈交易检测方法，其特征在于，包括：接收用户最新交易请求，并根据接收到的所述用户最新交易请求于用户历史交易记录库中查询用户交易记录列表；根据所述用户交易记录列表获取获得特征向量；将所述特征向量送入分类器得到交易检测结果。

【技术特征摘要】
1.一种基于统计序列特征的实时欺诈交易检测方法，其特征在于，包括：接收用户最新交易请求，并根据接收到的所述用户最新交易请求于用户历史交易记录库中查询用户交易记录列表；根据所述用户交易记录列表获取获得特征向量；将所述特征向量送入分类器得到交易检测结果。2.根据权利要求1所述的基于统计序列特征的实时欺诈交易检测方法，其特征在于，若在所述用户历史交易记录中未查询到用户交易记录列表时，则为用户创建用户交易记录列表。3.根据权利要求1或2所述的基于统计序列特征的实时欺诈交易检测方法，其特征在于，所述根据所述用户交易记录列表获取特征向量的一种实现方式为：根据所述最新交易请求的时间更新时间窗口内用户历史交易记录；判断用户交易记录数量是否达到两条以上；若是，则计算每两笔相邻交易记录的时间差和金额差，得到全部时间差的均值和方差，以及全部金额差的均值和方差，构成统计序列特征；否则，统计序列特征取零；组合所述统计序列特征、聚合特征和原始特征获得特征向量。4.根据权利要求1所述的基于统计序列特征的实时欺诈交易检测方法，其特征在于，所述分类器需要进行周期性训练，所述周期性训练包括：定期从带标记的交易记录库中抽取预设时间段内的受害用户、正常用户和对应每个用户的全部交易记录，构成原始数据；对原始数据利用滑动时间窗口技术计算取得对应用户的特征向量，得到特征向量...

【专利技术属性】
技术研发人员：蒋昌俊，闫春钢，王成，丁志军，张亚英，景晨，
申请(专利权)人：同济大学，
类型：发明
国别省市：上海,31