支付风险告警方法、服务器及智能POS与流程

本申请涉及电子支付
技术领域：
，尤其涉及一种基于智能销售终端(pointofsale，pos)的支付风险告警方法、服务器及智能pos。
背景技术：
：智能pos作为一种常见的电子支付工具，主要应用在商业零售系统中，方便消费者顾客进行购物结算，其与现金结算相比，更加方便、快捷。随着移动支付的普及，智能pos的交易量迎来爆发式增长，应用场景也越来越多样化，基于智能pos的电子支付衍生出来的安全问题也日益凸显，如何保证基于智能pos支付的资金安全，成为目前亟待解决的问题。技术实现要素：本申请实施例提供一种支付风险告警方法，用以提高基于智能pos支付的资金的安全性，该方法包括：获取智能pos发送的交易数据，以及通过无线保真(wireless-fidelity，wi-fi)探针采集的wi-fi信号数据；根据所述wi-fi信号数据确定客流量；将所述客流量及交易数据输入预测模型，得到目标时间段内的预测交易额；获取所述目标时间段内的实际交易额；如果所述实际交易额与预测交易额的差值绝对值大于预设阈值，则确定交易情况异常，发出告警信息。本申请实施例提供一种支付风险告警方法，用以提高基于智能pos支付的资金的安全性，该方法包括：通过wi-fi探针采集用户设备ue的wi-fi信号数据；向服务器发送交易数据及所述wi-fi信号数据，以供服务器根据交易数据和wi-fi信号数据确定交易情况是否异常。本申请实施例还提供一种服务器，用以提高基于智能pos支付的资金的安全性，该服务器包括：信息收集模块，用于获取智能pos发送的交易数据，以及通过wi-fi探针采集的wi-fi信号数据；wi-fi探针数据统计模块，用于根据所述信息收集模块获取的所述wi-fi信号数据确定客流量；关联数据挖掘模块，用于将所述wi-fi探针数据统计模块确定的所述客流量及所述信息收集模块获取的交易数据输入预测模型，得到目标时间段内的预测交易额；所述信息收集模块，还用于获取所述目标时间段内的实际交易额；智能预警模块，用于如果所述信息收集模块获取的所述实际交易额与所述关联数据挖掘模块预测的预测交易额的差值绝对值大于预设阈值，则确定交易情况异常，发出告警信息。本申请实施例提供一种智能pos，用以提高基于智能pos支付的资金的安全性，该智能pos包括：wi-fi探针模块，用于通过wi-fi探针采集用户设备ue的wi-fi信号数据；通讯模块，用于向服务器发送交易数据及所述wi-fi探针模块采集的所述wi-fi信号数据，以供服务器根据交易数据和wi-fi信号数据确定交易情况是否异常。本申请实施例中，通过预测模型预测目标时间段的交易额，并将目标时间段的实际额与预测交易额进行比较，如果实际交易额与预测交易额之间差值的绝对值大于预设阈值，即实际交易额与预测交易额之间的差距过大，则确定交易情况异常，并发出告警信息，实现了对于异常情况的及时告警，提高了基于智能pos支付的资金的安全性。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中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申请的一些实施例，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。在附图中：图1为本申请实施例提供的一种支付系统的示意图；图2为本申请实施例提供的一种支付风险告警方法的流程图；图3为本申请实施例提供的另一种支付风险告警方法的流程图；图4为本申请实施例提供的一种服务器的结构示意图；图5为本申请实施例提供的一种智能pos的结构示意图。具体实施方式为使本申请实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本申请实施例做进一步详细说明。在此，本申请的示意性实施例及其说明用于解释本申请，但并不作为对本申请的限定。本申请实施例公开了一种支付风险告警方法，该方法应用于如图1所示的支付系统100。该支付系统100包括服务器101、智能pos102和至少一个用户设备(userequipment，ue)。其中，智能pos102由商户使用，设置在商户所在的经营场所中，ue103由在经营场所中购物的顾客使用，服务器可以设置在银行或其他负责处理智能pos交易的机构中。智能pos中安装有wi-fi探针，可以探测一定范围内的ue在经营场所中停留的时间、ue的媒体访问控制地址(mediaaccesscontroladdress，mac地址)等wi-fi信号数据。在智能pos获取到wi-fi信号数据后，将wi-fi信号数据和交易数据发送至服务器101,，以供服务器101对接收到的数据进行数据汇总及分析潜在的支付风险。具体的，服务器进行对数据进行数据汇总及清洗等提升数据质量的操作，以及对交易数据和wi-fi数量分布情况进行综合分析。可选的，服务器101可以为云服务器或物理服务器等。服务器101与智能pos之间可以通过有线方式或无线方式连接，具体的，无线方式可以为wi-fi、近场通信(nearfieldcommunication，nfc)等。对于服务器与智能pos之间的连接方式，在此不做限定。可选的，ue103可以为具有wi-fi网络连接功能的桌面型、膝上型设备等，具体可以为手机、平板、手持计算机、虚拟现实(virtualreality，vr)设备、增强现实(augmentedreality，ar)设备或可穿戴设备等。如图2所示，该方法应用于服务器，包括步骤201至步骤205：步骤201、获取智能pos发送的交易数据，以及通过wi-fi探针采集的wi-fi信号数据。其中，交易数据包括智能数据所在行业标识、交易账号、交易时间和交易结果返回码等。wi-fi信号数据包括信息采集时间、ue的mac地址、传输信道、帧类型和wi-fi信号强度、ue所连接的wi-fi名称等。wi-fi探针是wi-fi设备通信过程中的一种信号帧，该类型的信号帧专门用来探测能够连接wi-fi网络的ue周围的wi-fi信号，它可以探测得到一定范围内的wi-fi信号数据，被较为广泛地应用在客流统计、分析以及精准营销等方面。步骤202、根据wi-fi信号数据确定客流量。在本申请实施例中，认为一个mac地址对应一个顾客，那么在确定客流量时，即可统计wi-fi信号数据中包括的mac地址的数量，将mac地址的数量作为客流量。需要说明的是，服务器对智能pos发送的交易数据和客流量进行持久化存储，以便于后续结合交易数据和客流量进行分析学习，及时更新预测模型。步骤203、将客流量及交易数据输入预测模型，得到目标时间段内的预测交易额。目标时间段可以由人为进行设置，如预测自本次交易发生时间起，三天或七天内的交易额；或者，还可以将目标时间段设置为一天中的某个时段，如预测工作日的17点到21点或周末的13点到15点的交易额，这样就得到了针对性更强的预测结果。在将客流量及交易数据输入预测模型，得到目标时间段内的预测交易额之前，需要先建立预测模型。在建立预测模型之前，可以获取智能pos发送的历史交易数据，以及历史wi-fi信号数据，根据历史wi-fi信号数据确定历史客流量。之后按照历史交易数据中的交易时间，将历史交易数据及历史客流量划分到至少两个数据集中，每个数据集对应不同的时间段；将至少两个数据集分别作为训练数据，利用机器学习算法建立预测模型。示例性的，可以按照如下表一中的“时间段”来划分数据集，示例性的，按照时间段“weekday”划分数据集，可将交易时间为周一的数据划分到一个数据集中，交易时间为周二的数据划分到一个数据集中，并依次类推。再例如，考虑到除周末外的法定节假日，如春节、劳动节、中秋节、国庆节等的节假日经营场所的客流量与交易额普遍高于非节假日，可以将交易时间在节假日的数据划分至一个数据集中。需要说明的是，数据集可由服务器的所属方依据实际情况自行划分，对于数据集的划分方式，在此不做限定。表一在确定数据集之后，建立预测模型时，可以参考下述表二中的“参数”来预测目标时间段的交易额。示例性的，对于参数“roubyday”，意义为当天的天环比，即当天的交易额与前天的交易额的比值，可以根据历史交易数据确定当天的天环比的均值，这样在获取到当天的交易数据之后，可以将当天的交易额作为前天的交易额，利用前天的交易额与当天的天环比的乘积预测后天的交易额。利用下述不同“参数”预测到目标时间段的交易额之后，可以结合不同参数预测得到的交易额，确定最终的预测交易额。表二参数参数意义说明roubyday当天的天环比当天的交易额/前天的交易额roubywek当天的周环比当天的交易额/昨天上周同天的交易额roubymon当天的月环比当天的交易额/昨天上月同天的交易额roubyear当天的公历年环比当天的交易额/昨天去年公历同天的交易额roubyear2当天的农历年环比当天的交易额/昨天去年农历同天的交易额roubyearwek当天的上年同周数当天环比当天的交易额/昨天上年同周数同天的交易额可选的，将至少两个数据集分别作为训练数据，利用机器学习算法建立预测模型，包括：将每个数据集中预设比例的数据作为训练数据，除预设比例的数据外的数据作为测试数据；利用至少两种机器学习算法建立至少两个预测模型，利用测试数据验证至少两个预测模型的准确率；按照至少两个预测模型的准确率的高低分配权重，其中，准确率越高权重越大。可选的，预设比例可以为70％，即将每个数据集中70％的数据作为训练数据，剩余30％的数据作为测试数据，利用训练数据建立预测模型，之后利用测试数据验证预测模型的准确率。可选的，机器学习算法可以为循环神经网络长短时记忆(longshorttermmemory,lstm)、随机森林(randomforest)、极度提升最近邻(xgboostknn)等。本领域技术人员还可以采用其他机器学习算法来建立预测模型，对于所采用的机器学习算法的数量及种类，在此不做限定。在确定至少两个预测模型的情况下，将客流量及交易数据输入预测模型，得到目标时间段内的预测交易额，包括：将客流量及交易数据输入至少两个预测模型，得到至少两个中间预测交易额；根据至少两个中间预测交易额及对应的预测模型的权重，确定预测时间段内的预测交易额。步骤204、获取目标时间段内的实际交易额。实际交易额根据智能pos在目标时间段中发送的交易数据确定。步骤205、如果实际交易额与预测交易额的差值绝对值大于预设阈值，则确定交易情况异常，发出告警信息。预设阈值可以根据使用智能pos的交易额波动情况进行设置，示例性的，如果智能pos的交易额多数分布在2万至2.2万之间，则可以将预设阈值设置为2500。可选的，考虑到预测模型本身存在一定的误差，可以同时参照智能pos的交易额以及预测模型的误差设置预设阈值。对于预设阈值的具体大小，在此不做限定。需要说明的是，预测交易额可以是一个数值，也可以是一个数值范围。如果预测交易额是一个数值范围，则如果实际交易额落在该数值范围之外，且与该数值范围的其中一个端点的差值绝对值大于预设阈值，则确定交易情况异常，发出告警信息。其中，其中一个端点用于表示与实际交易额差值较小的端点，示例性的，预测交易额为2万至2.5万之间，实际交易额为1.6万，实际交易额与2万的距离较近，则将1.6万与2万的差值绝对值4千与预设阈值进行比较，如果4千大于预设阈值，则确定交易情况异常，发出告警信息。本申请实施例中，通过预测模型预测目标时间段的交易额，并将目标时间段的实际额与预测交易额进行比较，如果实际交易额与预测交易额之间差值的绝对值大于预设阈值，即实际交易额与预测交易额之间的差距过大，则确定交易情况异常，并发出告警信息，实现了对于异常情况的及时告警，提高了基于智能pos支付的资金的安全性。本申请还提供一种支付风险告警方法，应用于智能pos，如图3所示，该方法包括步骤301和步骤302：步骤301、通过wi-fi探针采集ue的wi-fi信号数据。wi-fi探针每间隔一定时间采集周围的wi-fi信号，随后将采集的wi-fi信号数据上传至服务器，以供服务器进行数据分析。其中，两次采集周围wi-fi信号的时间间隔可以是固定时间间隔，如每隔30秒或2分钟采集一次wi-fi信号；或者，可以根据经验中经营场所的不同时间中客流量的多少来确定时间间隔，示例性的，考虑到节假日经营场所中的客流量较大，可以设置较短的时间间隔，如10秒或15秒等，以及时更新经营场所的客流量大小；考虑到工作日9点至17点经营场所的客流量较小，可以设置较长的时间间隔，如1分钟或2分钟等，以节省wi-fi探针工作时占用的资源。步骤302、向服务器发送交易数据及wi-fi信号数据，以供服务器根据交易数据和wi-fi信号数据确定交易情况是否异常。本申请实施例中，智能pos及时向服务器发送交易数据和wi-fi信号数据，以供服务器对交易数据和wi-fi信号数据进行分析，从而确定智能pos的交易情况是否出现异常，并在交易情况异常的情况下，发出告警信息，实现了对于异常情况的及时告警，提高了基于智能pos支付的资金的安全性。本申请实施例提供一种服务器，如图4所示，该服务器400包括信息收集模块401、wi-fi探针数据统计模块402、关联数据挖掘模块403和智能预警模块404。其中，信息收集模块401，用于获取智能pos发送的交易数据，以及通过wi-fi探针采集的wi-fi信号数据。wi-fi探针数据统计模块402，用于根据信息收集模块401获取的wi-fi信号数据确定客流量。关联数据挖掘模块403，用于将wi-fi探针数据统计模块402确定的客流量及信息收集模块401获取的交易数据输入预测模型，得到目标时间段内的预测交易额。信息收集模块401，还用于获取目标时间段内的实际交易额。智能预警模块404，用于如果信息收集模块401获取的实际交易额与关联数据挖掘模块403预测的预测交易额的差值绝对值大于预设阈值，则确定交易情况异常，发出告警信息。可选的，wi-fi探针数据统计模块402，用于：统计所述wi-fi信号数据中包括的mac地址的数量；将所述mac地址的数量作为客流量。可选的，关联数据挖掘模块403，用于：获取智能pos发送的历史交易数据，以及历史wi-fi信号数据；根据历史wi-fi信号数据确定历史客流量；按照历史交易数据中的交易时间，将历史交易数据及历史客流量划分到至少两个数据集中，每个数据集对应不同的时间段；将至少两个数据集分别作为训练数据，利用机器学习算法建立预测模型。可选的，关联数据挖掘模块403，用于：将每个数据集中预设比例的数据作为训练数据，除预设比例的数据外的数据作为测试数据；利用至少两种机器学习算法建立至少两个预测模型，利用测试数据验证至少两个预测模型的准确率；按照至少两个预测模型的准确率的高低分配权重，其中，准确率越高权重越大；所述将所述客流量及交易数据输入预测模型，得到目标时间段内的预测交易额，包括：将所述客流量及交易数据输入至少两个预测模型，得到至少两个中间预测交易额；根据至少两个中间预测交易额及对应的预测模型的权重，确定预测时间段内的预测交易额。本申请实施例中，通过预测模型预测目标时间段的交易额，并将目标时间段的实际额与预测交易额进行比较，如果实际交易额与预测交易额之间差值的绝对值大于预设阈值，即实际交易额与预测交易额之间的差距过大，则确定交易情况异常，并发出告警信息，实现了对于异常情况的及时告警，提高了基于智能pos支付的资金的安全性。本申请实施例还提供一种智能pos，如图5所示，该智能pos500包括wi-fi探针模块501和通讯模块502。其中，wi-fi探针模块501，用于通过wi-fi探针采集用户设备ue的wi-fi信号数据。通讯模块502，用于向服务器发送交易数据及wi-fi探针模块501采集的wi-fi信号数据，以供服务器根据交易数据和wi-fi信号数据确定交易情况是否异常。本申请实施例中，智能pos及时向服务器发送交易数据和wi-fi信号数据，以供服务器对交易数据和wi-fi信号数据进行分析，从而确定智能pos的交易情况是否出现异常，并在交易情况异常的情况下，发出告警信息，实现了对于异常情况的及时告警，提高了基于智能pos支付的资金的安全性。本申请实施例提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现支付风险告警方法。本申请实施例提供一种计算机可读存储介质，计算机可读存储介质存储有执行支付风险告警方法的计算机程序。本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。以上所述的具体实施例，对本申请的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本申请的具体实施例而已，并不用于限定本申请的保护范围，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。当前第1页12