【技术实现步骤摘要】
本申请涉及异常交易预警，具体而言，涉及一种异常交易预警方法、装置与存储介质。
技术介绍
1、伴随数字化技术的蓬勃发展，以银行卡账户为主体的银行在线业务兴起，多样化的交易场景极大丰富了人们的支付方式，但异常交易数量(例如，欺诈交易)也随之攀升，呈现场景化、专业化、隐蔽化的特点，不仅损害了用户和金融机构的利益，也阻碍了金融行业的良性发展。因此，如何从海量的交易数据中准确地识别异常交易，降低用户和金融机构的经济损失，提升金融机构对异常风险的防范能力具有重要意义。
2、传统的异常检测通过设置专家规则、黑名单库等方法识别已知类型的异常行为，通常依赖于专家的主观经验，难以适应复杂多变的新型异常场景。基于机器学习的异常方法通过神经网络、集成学习等技术识别异常交易，但仍然需要依赖于专业知识的特征工程。基于深度学习的异常检测采用深度置信网络、深度卷积网络等方法利用大规模数据挖掘内在规律，提升异常识别精度，但异常交易在历史交易数据中仅占有极小的比例，数据样本的不平衡严重影响模型性能，导致现有技术使用模型对异常风险预警的准确度低。
技术实现思路
1、本申请的主要目的在于提供一种异常交易预警方法、装置与存储介质，以至少解决现有技术由于数据样本的不平衡导致使用模型对异常风险预警的准确度低的问题。
2、为了实现上述目的，根据本申请的一个方面，提供了一种异常交易预警方法，包括：获取不平衡训练集，其中，所述不平衡训练集包括正常交易数据和真实异常交易数据，且所述正常交易数据的数据量大于所述真
3、可选地，创建生成对抗网络模型的过程中，包括：在所述生成对抗网络模型的初始损失函数上增加特征损失函数，得到改进损失函数，其中，所述初始损失函数包括对抗损失函数、循环一致性损失函数以及identity损失函数；采用所述改进损失函数对所述生成对抗网络模型进行损失运算。
4、可选地，创建生成对抗网络模型，包括：采用wgan-gp的训练机制训练初始生成对抗网络模型，得到所述生成对抗网络模型，其中，所述wgan-gp的训练机制用于稳定所述生成对抗网络模型中的生成器和判别器之间的对抗过程。
5、可选地，采用wgan-gp的训练机制训练初始生成对抗网络模型，得到所述生成对抗网络模型，包括：通过添加一个梯度惩罚项来限制所述生成器与所述判别器之间的梯度范数，稳定所述初始生成对抗网络模型训练，得到所述生成对抗网络模型。
6、可选地，创建初始异常交易预警模型，将所述平衡训练集输入所述初始异常交易预警模型中进行训练，得到训练后的异常交易预警模型，包括：创建轻量化的所述初始异常交易预警模型；所述初始异常交易预警模型利用注意力机制识别所述平衡训练集中数据的关键特征；采用所述初始异常交易预警模型结合所述关键特征进行训练，得到训练后的异常交易预警模型。
7、可选地，所述生成对抗网络模型的生成器由编码器、特征变换模块、解码器依次连接组成，所述生成对抗网络模型的判别器采用卷积网络构成。
8、可选地，在获取不平衡训练集之前，所述方法还包括：获取交易数据集，其中，所述交易数据集为历史用户进行金融交易的数据集；对所述交易数据集进行数据预处理操作，得到所述不平衡训练集，其中，所述数据预处理操作包括数据清洗、数据转换以及特征选择。
9、根据本申请的另一方面，提供了一种异常交易预警装置，包括：第一获取单元，用于获取不平衡训练集，其中，所述不平衡训练集包括正常交易数据和真实异常交易数据，且所述正常交易数据的数据量大于所述真实异常交易数据的数据量的n倍，n≥100；第一创建单元，用于创建生成对抗网络模型，将所述不平衡训练集输入所述生成对抗网络模型，所述生成对抗网络模型根据所述不平衡训练集中的所述正常交易数据和所述真实异常交易数据生成虚拟异常交易数据，获得平衡训练集，其中，所述平衡训练集包括所述正常交易数据、所述真实异常交易数据和所述虚拟异常交易数据；第二创建单元，用于创建初始异常交易预警模型，将所述平衡训练集输入所述初始异常交易预警模型中进行训练，得到训练后的异常交易预警模型；第二获取单元，用于获取实时交易数据，将所述实时交易数据输入所述异常交易预警模型中进行运算，得到交易预警结果，其中，在所述实时交易数据中存在真实异常交易数据的情况下所述交易预警结果表征异常交易预警。
10、根据本申请的再一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行任意一种所述的异常交易预警方法。
11、根据本申请的又一方面，提供了一种电子设备，包括：一个或多个处理器，存储器，以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行任意一种所述的异常交易预警方法。
12、应用本申请的技术方案，获取不平衡训练集，创建生成对抗网络模型，将不平衡训练集输入生成对抗网络模型，生成对抗网络模型根据不平衡训练集中的正常交易数据和真实异常交易数据生成虚拟异常交易数据，获得平衡训练集，创建初始异常交易预警模型，将平衡训练集输入初始异常交易预警模型中进行训练，得到训练后的异常交易预警模型；获取实时交易数据，将实时交易数据输入异常交易预警模型中进行运算，得到交易预警结果。通过使用生成对抗网络模型生成虚拟异常交易数据，虚拟异常交易数据和真实异常交易数据均为异常交易数据，增加了异常交易数据的数量，有效解决了数据样本不平衡影响异常交易预警模型性能的问题，利用生成的平衡训练集训练异常交易预警模型，提升了模型异常识别的精度与效率。
本文档来自技高网...【技术保护点】
1.一种异常交易预警方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，创建生成对抗网络模型的过程中，包括：
3.根据权利要求1所述的方法，其特征在于，创建生成对抗网络模型，包括：
4.根据权利要求3所述的方法，其特征在于，采用WGAN-GP的训练机制训练初始生成对抗网络模型，得到所述生成对抗网络模型，包括：
5.根据权利要求1所述的方法，其特征在于，创建初始异常交易预警模型，将所述平衡训练集输入所述初始异常交易预警模型中进行训练，得到训练后的异常交易预警模型，包括：
6.根据权利要求1所述的方法，其特征在于，所述生成对抗网络模型的生成器由编码器、特征变换模块、解码器依次连接组成，所述生成对抗网络模型的判别器采用卷积网络构成。
7.根据权利要求1所述的方法，其特征在于，在获取不平衡训练集之前，所述方法还包括：
8.一种异常交易预警装置，其特征在于，包括：
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可
10.一种电子设备，其特征在于，包括：一个或多个处理器，存储器，以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行权利要求1至7中任意一项所述的异常交易预警方法。
...【技术特征摘要】
1.一种异常交易预警方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，创建生成对抗网络模型的过程中，包括：
3.根据权利要求1所述的方法，其特征在于，创建生成对抗网络模型，包括：
4.根据权利要求3所述的方法，其特征在于，采用wgan-gp的训练机制训练初始生成对抗网络模型，得到所述生成对抗网络模型，包括：
5.根据权利要求1所述的方法，其特征在于，创建初始异常交易预警模型，将所述平衡训练集输入所述初始异常交易预警模型中进行训练，得到训练后的异常交易预警模型，包括：
6.根据权利要求1所述的方法，其特征在于，所述生成对抗网络模型的生成器由编码器、特征变换模块、解码器依次连接组成，...
【专利技术属性】
技术研发人员：朱礼华，王鹏，肖雅元，刘浩阳，王健，
申请(专利权)人：中国邮政储蓄银行股份有限公司，
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。