System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于互联网安全,尤其是涉及一种欺诈账户的检测方法与装置。
技术介绍
1、金融服务数字化进程中日益增长的欺诈行为和对抗这些行为是目前所面临的挑战。随着技术的进步,尤其是在人工智能和大数据领域,新的机会出现,能够更精准地识别和预防欺诈。此外,全球监管机构正不断强化反欺诈要求,以保护消费者,这也推动了技术的发展。与此同时,消费者对于银行保护其资金和信息安全的能力也有了更高的期待。
2、账户风险通常利用账户的操作行为和使用的资源信息构建规则系统进行检测,例如在金融领域、与交易相关的互联网领域,大多是通过判断账户的交易频率、交易人信息等进行风险检测,如专利申请cn113034272a公开的一种交易风险控制方法,根据交易行情数据、交易频率、交易笔数和实时敞口变动数据进行风险判断;在互联网领域,则大多是通过判断互联网协议地址(ip地址)等进行检测。但是,现有的欺诈检测方案普遍存在如数据视角的局限性、规则的静态性、高误报率、缺乏实时处理能力以及模型普适性不足等问题。
技术实现思路
1、本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种能够减少误报、提升欺诈行为检测的准确性和响应速度的欺诈账户的检测方法与装置。
2、本专利技术的目的可以通过以下技术方案来实现:
3、一种欺诈账户的检测方法,包括以下步骤:
4、实时收集交易数据,并对所述交易数据进行预处理,生成待检测数据;
5、使用规则引擎对所述待检测数据进行处理,筛选出在
6、基于所述待检测数据生成交易序列,采用深度学习模型提取所述交易序列时间特征,判断交易是否异常,对存在异常的交易添加第二指标;
7、基于所述待检测数据构建交易关系图,该交易关系图包括表示账户的节点和表示交易的边,采用图神经网络识别所述交易关系图中非正常的连接模式,对相应的交易添加第三指标;
8、基于所述待检测数据生成实时交易流,对所述实时交易流进行聚类处理,识别交易时间的异常聚集对相应的交易添加第四指标;
9、基于所述第一指标、第二指标、第三指标和第四指标以及预先设置的风险评分模型,获得欺诈风险评分。
10、进一步地,所述预处理包括数据清洗、数据格式化和特征工程处理。
11、进一步地,所述深度学习模型基于长短期记忆网络构建。
12、进一步地,所述交易关系图中的边基于交易属性赋权。
13、进一步地,所述交易属性包括交易频率、交易金额和/或交易对手。
14、进一步地,所述非正常的连接模式包括突然出现的高密度子图模式。
15、进一步地,所述风险评分模型采用强化学习策略进行动态更新。
16、进一步地,该方法还包括:
17、针对每个账户构建个性化的风险评分模型,在获取该账户的交易数据时,基于所述个性化的风险评分模型获得欺诈风险评分。
18、本专利技术还提供一种欺诈账户的检测装置,包括:
19、数据收集与预处理模块,用于实时收集交易数据,并对所述交易数据进行预处理,生成待检测数据;
20、交易模式分析模块,用于使用规则引擎对所述待检测数据进行处理,筛选出在特定时间窗口内的等金额或近似金额交易对,对检测到的交易对添加第一指标;
21、深度学习分析模块,用于基于所述待检测数据生成交易序列,采用深度学习模型提取所述交易序列时间特征,判断交易是否异常,对存在异常的交易添加第二指标;
22、图神经网络模块,用于基于所述待检测数据构建交易关系图,该交易关系图包括表示账户的节点和表示交易的边,采用图神经网络识别所述交易关系图中非正常的连接模式,对相应的交易添加第三指标;
23、异常交易实时检测模块,用于基于所述待检测数据生成实时交易流,对所述实时交易流进行聚类处理,识别交易时间的异常聚集对相应的交易添加第四指标;
24、风险评分模块,用于基于所述第一指标、第二指标、第三指标和第四指标以及预先设置的风险评分模型,获得欺诈风险评分。
25、本专利技术还提供一种欺诈账户的检测装置,包括一个或多个处理器、存储器和被存储在存储器中的一个或多个程序,所述一个或多个程序包括用于执行如上所述欺诈账户的检测方法的指令。
26、与现有技术相比,本专利技术具有以下有益效果:
27、1、传统方法往往依赖于简单的规则或单一的模型,无法全面捕捉复杂的欺诈模式。本专利技术综合使用了多种数据处理技术和机器学习模型来分析银行交易,集成多模态分析,以动态、实时地识别和响应潜在的欺诈活动。通过这种方式,通过结合不同类型的分析方法,能够识别更为复杂的欺诈行为,能够在变化多端的欺诈手段面前保持灵活性和准确性,减少误报,帮助银行及时预防和减少欺诈导致的损失。
28、2、本专利技术使用强化学习策略动态调整风险评分模型,使之能够自适应欺诈策略的变化。欺诈策略总是在演变,固定的检测模型很快会过时。本专利技术能够持续学习新的欺诈趋势,并自我调整以维持高准确率。不同客户的行为模式存在巨大差异,一刀切的评分系统容易导致误报和漏报。本专利技术可以根据每个账户的交易模式和历史行为对评分模型进行个性化、细粒度调整,提高检测的准确性。
29、3、本专利技术结合了实时流处理和聚类算法用于分析交易时间的异常聚集,以及时响应欺诈行为,避免延迟反应带来的重大损失。
30、4、本专利技术不仅能够减少误报,而且能通过实时分析和个性化评分机制,更敏捷地捕捉并应对欺诈活动,以满足严格的监管要求和消费者的期望,提供了一个全面、自适应且高效的解决方案。
本文档来自技高网...【技术保护点】
1.一种欺诈账户的检测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的欺诈账户的检测方法,其特征在于,所述预处理包括数据清洗、数据格式化和特征工程处理。
3.根据权利要求1所述的欺诈账户的检测方法,其特征在于,所述深度学习模型基于长短期记忆网络构建。
4.根据权利要求1所述的欺诈账户的检测方法,其特征在于,所述交易关系图中的边基于交易属性赋权。
5.根据权利要求4所述的欺诈账户的检测方法,其特征在于,所述交易属性包括交易频率、交易金额和/或交易对手。
6.根据权利要求1所述的欺诈账户的检测方法,其特征在于,所述非正常的连接模式包括突然出现的高密度子图模式。
7.根据权利要求1所述的欺诈账户的检测方法,其特征在于,所述风险评分模型采用强化学习策略进行动态更新。
8.根据权利要求1所述的欺诈账户的检测方法,其特征在于,该方法还包括:
9.一种欺诈账户的检测装置,其特征在于,包括:
10.一种欺诈账户的检测装置,其特征在于,包括一个或多个处理器、存储器和被存储在存储器中
...【技术特征摘要】
1.一种欺诈账户的检测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的欺诈账户的检测方法,其特征在于,所述预处理包括数据清洗、数据格式化和特征工程处理。
3.根据权利要求1所述的欺诈账户的检测方法,其特征在于,所述深度学习模型基于长短期记忆网络构建。
4.根据权利要求1所述的欺诈账户的检测方法,其特征在于,所述交易关系图中的边基于交易属性赋权。
5.根据权利要求4所述的欺诈账户的检测方法,其特征在于,所述交易属性包括交易频率、交易金额和/或交易对手。
6.根据权利要求1所...
【专利技术属性】
技术研发人员:臧其事,姜赵晖,吴晓峰,杜彦涵,赵可欣,
申请(专利权)人:中国农业银行股份有限公司上海市分行,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。