在线欺诈检测的个体行为超球体构建方法技术

如今，根据用户历史交易去判断当前交易是一种重要的检测方式，但是在多个用户异常交易划分过程中依然采取统一的标准，不能准确刻画个体行为差异性，会导致对部分用户的误判提高。针对上述问题，本发明专利技术设计一种在线欺诈检测的个体行为超球体构建方法，对每个用户单独考虑，从多个维度并且考虑用户交易变化趋势，分析并提取每个用户历史正常交易行为，确定超球体模型圆心的位置；同时在确定超球体模型半径大小时，考虑用户之间的差异性，基于用户交易行为设计了用户最佳风险阈值计算方法；最后基于用户交易行为和最佳风险阈值构建了用户行为基准的超球体模型，将欺诈检测转化为多维空间中点的映射关系，为解决欺诈交易检测提供了技术支持。

Online fraud detection based on the construction of individual behavior hypersphere

【技术实现步骤摘要】
在线欺诈检测的个体行为超球体构建方法
本专利技术涉及一种网络交易检测方法，属于信息

技术介绍
随着电子商务的飞速发展，在线支付也变得越来越流行。然而繁荣的电子交易市场也给不法分子提供了机会，使得用户和各大机构承受了巨大的经济损失，并且扰乱了正常的金融秩序，制约了电子交易的长期健康发展。根据支付控制部门对支付欺诈案件的调研分析，欺诈犯罪主要手段有盗号、盗卡、信用卡套现、钓鱼网站、木马病毒等，如何有效地防范交易欺诈风险已经成为一个待解决的问题。银行普遍采用基于规则的专家系统作为欺诈检测的方法，通过反欺诈专家分析案件中欺诈者的行为模式，找出有效特征，编写专家规则进行欺诈行为的识别。但是这种方法的识别效果高度依赖于反欺诈专家编写的人工规则，同时由于增加的规则过多，会出现一定程度的规则冗余，导致专家系统的后力不足。欺诈检测属于一种分类问题，因此基于群体用户，利用机器学习等技术，通过学习事先标记的交易数据实现欺诈检测在最近几年受到了广泛的研究，如级联人工神经网络、贝叶斯模型、集成学习技术、随机森林技术以及卷积神经网络等。但是由于现本文档来自技高网...

【技术保护点】
1.一种在线欺诈检测的个体行为超球体构建方法，其特征在于，包括以下步骤：/n步骤1、历史交易数据库中提取用户u的历史正常交易数据T

【技术特征摘要】
1.一种在线欺诈检测的个体行为超球体构建方法，其特征在于，包括以下步骤：
步骤1、历史交易数据库中提取用户u的历史正常交易数据Tu，从多个维度对用户u的历史正常交易数据Tu进行处理，依据获得的用户u各个维度的属性构建用户的交易行为TBu，将交易行为TBu作为超球体模型的圆心；
步骤2、确定超球体模型的半径大小
充分考虑用户之间的差异性，根据用户交易行为和用户的历史交易数据，通过计算得到每个用户的最佳风险阈值，包括以下步骤：
S201：从历史交易数据库中提取用户u的历史交易数据；
S202：计算距离：
计算用户u每一笔交易与用户交易行为TBu的距离，得到距离集合，进而得到最大距离和最小距离
S203：计算最佳风险阈值：
根据和的范围，从中依次取值，将用户u的历史交易数据进行划分为正常交易和异常交易，并且计算划分效果SE，将划分效果SE最佳的值作为用户的最佳风险阈值Thresholdu，作为超球体模型的半径；
步骤3、实现在线欺诈交易检测，构建超球体检测模型
根据用户u的交易行为TBu和用户u的最佳风险阈值Thresholdu，构建用户的交易行为基准，基于行为基准构建出多维空间的超球体模型，进而实现欺诈检测，包括以下步骤：
S301：构建超球体模型：
根据用户u的交易行为TBu和用户u的最佳风险阈值Thresholdu，构建出用户u的交易行为基准UBBu＝[TBu，Thresholdu]，基于用户行为基准，将用户u的交易行为TBu视为n维空间中的圆心，将用户的最佳风险阈值Thresholdu视为半径，利用三维空间中的球体表达式，构建出基于用户行为基准UBBu的一个多维空间的超球体模型f(x)，进而实现欺诈检测；
S302：数据输入：
将当前发生的交易依次作为输入进入超球体模型f(x)中；
S303：检测结果输出：
根据用户的超球体模型f(x)将多维空间划分为f(x)＞0和f(x)≤0的两个空间，其中f(x)≤0的空间被视为用户正常交易行为空间，f(x)＞0的空间被视为用户异常行为空间，将用户的每一笔交易视为多维空间中的一个点，从而将用户交易检测转化为多维空间种点的映射问题，将每一笔交易带入超球体模型f(x)中，计算f(x)的取值，若f(x)＞0则对该条交易进行拦截。


2.如权利要求1所述的一种在线欺诈检测的个体行为超球体构建方法，其特征在于，步骤1中，所述用户u各个维度的属性包括：用户u的交易金额区间属性TARu、用户u的交易金额变化属性TACu、用户u的工作日属性TIWu、用户u的交易时间范围属性TTRu、用户u的交易频率属性TFAu、用户u的交易IP属性TIPu、用户u的前一笔状态属性PTSu，则所述TBu＝(TARu,TACu,TIWu,TTRu,TFAu,TIPu,PTSu)通过以下步骤得到：
S401：计算用户u的交易金额属性：



式中，rangei表示表示用户交易金额区间属性的第i个元素，TARi表示利用箱型图划分后的第i个子集，表示用户交易金额集合的元素个数；提取交易金额的集合利用箱形图的方法求出集合的分布，得到多个子集，利用上述公式计算出用户交易金额区间属性TARu＝(range1,...,rangen)；
S402：计算用户u的交易金额变化属性：



式中，表示用户交易金额变化集合的第i个元素，表示用户交易金额集合的第i个元素，利用上述公式，得到每两笔交易之间金额变化幅度集合利用箱形图的方法求出分布情况，用与S101相同的方式计算得到该用户交易金额变化属性TACu＝(trend1,...,trendn)，trendi表示表示用户交易金额变化属性的第i个元素，i＝1,......,n；
S403：计算用户u的交易工作日属性：
提取交易时间的集合，分别求出交易发生在工作日和非工作日的交易概率，得到交易是否为工作日属性TIWu＝(isworkday,noworkday)，式中，isworkday表示交易发生在工作日的概率，noworkday表示交易发生在非工作日的概率；
S404：计算用户u的交易时间属性：
根据用户交易时间集合将一天的时间段分为工作时间与非工作时间，求出用户u的交易发生在工作时间和非工作时间的概率，得到该用户的交易时间范围属性TTRu＝(time1,...,timen)，式中，timei表示表示用户交易时间属性的第i个元素，i＝1,......,n；
S405：计算用户u的交易频率属性：



式中，表示用户交易时间间隔集合的第i个元素，表示用户交易时间集合的第i个元素，交易频率定义为单位时间内用户交易...

【专利技术属性】
技术研发人员：章昭辉，蒋昌俊，王鹏伟，陈立功，
申请(专利权)人：东华大学，
类型：发明
国别省市：上海;31