账户识别方法、装置、计算机设备和存储介质与流程

[0001]
本申请涉及计算机技术领域，特别是涉及一种账户识别方法、装置、计算机设备和存储介质。


背景技术：

[0002]
随着计算机技术的不断发展，信息技术在证券行业的应用也不断深入，一些新型的证券交易违法违规行为开始出现，对证券交易的非法操纵将影响证券交易市场的安全性。通过监控交易账户，识别出非法操纵的异常交易账户，对异常交易账户采取相应的控制，可保障证券交易的安全性。传统技术中，通常采用单账户监控的方式识别异常账户，即，对各个账户进行单独地监控以识别异常账户。然而，单账户监控的方式无法有效准确地识别出异常账户，从而导致异常账户识别准确率较低。


技术实现要素：

[0003]
基于此，有必要针对上述技术问题，提供一种能够提升异常账户识别准确率的账户识别方法、装置、计算机设备和存储介质。
[0004]
一种账户识别方法，所述方法包括：获取证券数据，根据所述证券数据确定单日内的异动证券；将同时参与多个异动证券的候选异常账户组合成重合组；所述候选异常账户用于表示参与异动证券的交易账户；从所述候选异常账户中获取目标候选异常账户，并将所述目标候选异常账户组合成关联账户组；根据所述重合组确定所述关联账户组的单日重合率；根据所述单日重合率确定所述关联账户组在识别时间段内的重合天数和平均重合率；所述识别时间段为预设数量的连续交易日；将所述识别时间段和所述重合天数输入至预构建的时间模型中，得到输出结果；根据所述平均重合率和所述输出结果，确定所述关联账户组中各交易账户之间的关联度；当所述关联度大于预设关联度阈值时，判定所述关联账户组中的交易账户异常。
[0005]
在其中一个实施例中，所述证券数据包括证券的交易数量和单位数值波动幅度，所述根据所述证券数据确定单日内的异动证券，包括：对单日内证券的交易数量和单位数值波动幅度进行实时监控；将所述交易数量大于预设交易数量阈值，和/或所述单位数值波动幅度大于预设单位数值波动幅度阈值的证券，确定为单日内的异动证券。
[0006]
在其中一个实施例中，所述从所述候选异常账户中获取目标候选异常账户，并将所述目标候选异常账户组合成关联账户组，包括：对所述候选异常账户进行排列组合处理，得到候选关联账户组；
随机抓取任一个候选关联账户组，将所抓取到的候选关联账户组中的交易账户，作为目标候选异常账户，并将所抓取到的候选关联账户组，作为关联账户组。
[0007]
在其中一个实施例中，所述根据所述重合组确定所述关联账户组的单日重合率，包括：确定所述重合组的总数量；确定所述关联账户组在所述重合组中出现的总次数；将所述关联账户组在所述重合组中出现的总次数与所述重合组的总数量的比值，作为所述关联账户组的单日重合率。
[0008]
在其中一个实施例中，所述根据所述单日重合率确定所述关联账户组在识别时间段内的重合天数，包括：当所述单日重合率大于零时，判定所述关联账户组在所述识别时间段内发生了重合；将所述单日重合率大于零的个数所对应的数值，确定为所述关联账户组在所述识别时间段内的重合天数。
[0009]
在其中一个实施例中，所述时间模型的构建步骤，包括：基于sigmoid函数构建初始模型；调整所述sigmoid函数的时间参数，以调整所述初始模型的变化速率；当所述初始模型的变化速率等于预设变化速率时，将所述初始模型作为时间模型。
[0010]
在其中一个实施例中，所述方法还包括：将识别出异常的交易账户发送至交易平台，以指示所述交易平台对所述识别出异常的交易账户进行实时监控。
[0011]
一种账户识别装置，所述装置包括：获取模块，用于获取证券数据，根据所述证券数据确定单日内的异动证券；组合模块，用于将同时参与多个异动证券的候选异常账户组合成重合组；所述候选异常账户用于表示参与异动证券的交易账户；从所述候选异常账户中获取目标候选异常账户，并将所述目标候选异常账户组合成关联账户组；确定模块，用于根据所述重合组确定所述关联账户组的单日重合率；根据所述单日重合率确定所述关联账户组在识别时间段内的重合天数和平均重合率；所述识别时间段为预设数量的连续交易日；输入模块，用于将所述识别时间段和所述重合天数输入至预构建的时间模型中，得到输出结果；所述确定模块还用于根据所述平均重合率和所述输出结果，确定所述关联账户组中各交易账户之间的关联度；判断模块，用于当所述关联度大于预设关联度阈值时，判定所述关联账户组中的交易账户异常。
[0012]
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，所述处理器执行所述计算机程序时实现以下步骤：获取证券数据，根据所述证券数据确定单日内的异动证券；将同时参与多个异动证券的候选异常账户组合成重合组；所述候选异常账户用于表示参与异动证券的交易账户；
从所述候选异常账户中获取目标候选异常账户，并将所述目标候选异常账户组合成关联账户组；根据所述重合组确定所述关联账户组的单日重合率；根据所述单日重合率确定所述关联账户组在识别时间段内的重合天数和平均重合率；所述识别时间段为预设数量的连续交易日；将所述识别时间段和所述重合天数输入至预构建的时间模型中，得到输出结果；根据所述平均重合率和所述输出结果，确定所述关联账户组中各交易账户之间的关联度；当所述关联度大于预设关联度阈值时，判定所述关联账户组中的交易账户异常。
[0013]
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：获取证券数据，根据所述证券数据确定单日内的异动证券；将同时参与多个异动证券的候选异常账户组合成重合组；所述候选异常账户用于表示参与异动证券的交易账户；从所述候选异常账户中获取目标候选异常账户，并将所述目标候选异常账户组合成关联账户组；根据所述重合组确定所述关联账户组的单日重合率；根据所述单日重合率确定所述关联账户组在识别时间段内的重合天数和平均重合率；所述识别时间段为预设数量的连续交易日；将所述识别时间段和所述重合天数输入至预构建的时间模型中，得到输出结果；根据所述平均重合率和所述输出结果，确定所述关联账户组中各交易账户之间的关联度；当所述关联度大于预设关联度阈值时，判定所述关联账户组中的交易账户异常。
[0014]
上述账户识别方法、装置、计算机设备和存储介质，通过获取证券数据，根据证券数据确定单日内的异动证券；将同时参与多个异动证券的候选异常账户组合成重合组；候选异常账户用于表示参与异动证券的交易账户；从候选异常账户中获取目标候选异常账户，并将目标候选异常账户组合成关联账户组；根据重合组确定关联账户组的单日重合率；根据单日重合率确定关联账户组在识别时间段内的重合天数和平均重合率；识别时间段为预设数量的连续交易日；将识别时间段和重合天数输入至预构建的时间模型中，得到输出结果；根据平均重合率和输出结果，确定关联账户组中各交易账户之间的关联度；当关联度大于预设关联度阈值时，判定关联账户组中的交易账户异常。这样，通过自动构建关联账户组，并通过计算关联账户组中各交易账户之间的关联度，进而根据各交易账户之间的关联度对各交易账户进行异常识别，相较于传统的采用单账户识别异常账户的方式，本申请可适应更多的应用场景，更准确地识别出异常账户，从而有效提升异常账户识别准确率。
附图说明
[0015]
图1为一个实施例中账户识别方法的应用场景图；图2为一个实施例中账户识别方法的流程示意图；图3为一个实施例中关联账户组中各交易账户之间的关联度示意图；
图4为一个实施例中异动证券分布示意图；图5为一个实施例中账户识别装置的结构框图；图6为另一个实施例中账户识别装置的结构框图；图7为一个实施例中计算机设备的内部结构图。
具体实施方式
[0016]
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0017]
本申请提供的账户识别方法，可以应用于如图1所示的应用环境中。该应用环境包括交易所的交易系统102和服务器104。交易系统102与服务器104通过网络进行通信。其中，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本领域技术人员可以理解，图1中示出的应用环境，仅仅是与本申请方案相关的部分场景，并不构成对本申请方案应用环境的限定。
[0018]
服务器104从交易所的交易系统102中获取证券数据，并根据证券数据确定单日内的异动证券。服务器104将同时参与多个异动证券的候选异常账户组合成重合组；候选异常账户用于表示参与异动证券的交易账户。服务器104从候选异常账户中获取目标候选异常账户，并将目标候选异常账户组合成关联账户组。服务器104根据重合组确定关联账户组的单日重合率，并根据单日重合率确定关联账户组在识别时间段内的重合天数和平均重合率；识别时间段为预设数量的连续交易日。服务器104将识别时间段和重合天数输入至预构建的时间模型中，得到输出结果。服务器104根据平均重合率和输出结果，确定关联账户组中各交易账户之间的关联度。当关联度大于预设关联度阈值时，服务器104判定关联账户组中的交易账户异常。
[0019]
在一个实施例中，如图2所示，提供了一种账户识别方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：s202，获取证券数据，根据证券数据确定单日内的异动证券。
[0020]
其中，证券数据为证券的交易数据，异动证券是发生异常波动的证券。
[0021]
具体地，服务器可从交易所的交易系统中获取证券数据，证券数据可以表征证券的波动状态，因此，服务器可根据证券数据确定单日内的异动证券。
[0022]
s204，将同时参与多个异动证券的候选异常账户组合成重合组；候选异常账户用于表示参与异动证券的交易账户。
[0023]
具体地，候选异常账户用于表示参与异动证券的交易账户，可以理解，服务器可将参与异动证券的交易账户，确定为候选异常账户，服务器也可以直接获取预设置的候选异常账户。服务器可监控候选异常账户参与异动证券的情况，并将同时参与多个异动证券的候选异常账户组合成重合组。
[0024]
s206，从候选异常账户中获取目标候选异常账户，并将目标候选异常账户组合成关联账户组。
[0025]
具体地，服务器可从候选异常账户中，随机获取目标候选异常账户，并将目标候选异常账户组合成关联账户组。
[0026]
s208，根据重合组确定关联账户组的单日重合率。
[0027]
其中，单日重合率是单日内关联账户组在重合组中出现重合的概率。
[0028]
具体地，服务器可根据关联账户组在重合组中出现的总次数，以及重合组的总数量，确定关联账户组的单日重合率。
[0029]
s210，根据单日重合率确定关联账户组在识别时间段内的重合天数和平均重合率；识别时间段为预设数量的连续交易日。
[0030]
具体地，识别时间段为预设数量的连续交易日，可以理解，服务器可将预设数量的连续交易日确定为识别时间段，服务器也可以直接获取识别时间段。服务器可根据单日重合率确定关联账户组在识别时间段内的重合天数，并根据重合天数确定关联账户组在识别时间段内的平均重合率。
[0031]
在一个实施例中，服务器可将22天的连续交易日确定为识别时间段，若关联账户组在22天内的重合天数为3天，则将重合的这3天的单日重合率求和后再除以3，就可得到关联账户组在22天内的平均重合率。
[0032]
s212，将识别时间段和重合天数输入至预构建的时间模型中，得到输出结果。
[0033]
具体地，服务器可获取预构建的时间模型，并将识别时间段和重合天数输入至预构建的时间模型中进行计算，得到输出结果。
[0034]
s214，根据平均重合率和输出结果，确定关联账户组中各交易账户之间的关联度。
[0035]
其中，关联度是关联账户组中各交易账户之间的关联程度。
[0036]
具体地，服务器可根据平均重合率和输出结果，直接确定关联账户组中各交易账户之间的关联度。在一个实施例中，服务器可将平均重合率和输出结果的乘积，作为关联账户组中各交易账户之间的关联度。
[0037]
在一个实施例中，如图3所示，可通过图形化的方式展示关联账户组中各交易账户之间的关联度。比如，图3中，数值90可用于表示a、b、c和d这四个客户的交易账户之间的关联度。
[0038]
s216，当关联度大于预设关联度阈值时，判定关联账户组中的交易账户异常。
[0039]
具体地，服务器可将关联度与预设关联度阈值进行比对，当关联度大于预设关联度阈值时，服务器可判定关联账户组中的交易账户异常。当关联度小于或等于预设关联度阈值时，服务器可判定关联账户组中的交易账户正常。
[0040]
上述账户识别方法中，通过获取证券数据，根据证券数据确定单日内的异动证券；将同时参与多个异动证券的候选异常账户组合成重合组；候选异常账户用于表示参与异动证券的交易账户；从候选异常账户中获取目标候选异常账户，并将目标候选异常账户组合成关联账户组；根据重合组确定关联账户组的单日重合率；根据单日重合率确定关联账户组在识别时间段内的重合天数和平均重合率；识别时间段为预设数量的连续交易日；将识别时间段和重合天数输入至预构建的时间模型中，得到输出结果；根据平均重合率和输出结果，确定关联账户组中各交易账户之间的关联度；当关联度大于预设关联度阈值时，判定关联账户组中的交易账户异常。这样，通过自动构建关联账户组，并通过计算关联账户组中各交易账户之间的关联度，进而根据各交易账户之间的关联度对各交易账户进行异常识别，相较于传统的采用单账户识别异常账户的方式，本申请可适应更多的应用场景，更准确地识别出异常账户，从而有效提升异常账户识别准确率。
[0041]
在一个实施例中，证券数据包括证券的交易数量和单位数值波动幅度，步骤s202中根据证券数据确定单日内的异动证券的步骤，具体包括：对单日内证券的交易数量和单位数值波动幅度进行实时监控；将交易数量大于预设交易数量阈值，和/或单位数值波动幅度大于预设单位数值波动幅度阈值的证券，确定为单日内的异动证券。
[0042]
具体地，证券数据可包括证券的交易数量和单位数值波动幅度，其中，单位数值波动幅度可以理解为证券价格波动幅度。服务器可对单日内证券的交易数量和单位数值波动幅度进行实时监控。服务器可将交易数量与预设交易数量阈值进行比对，且将单位数值波动幅度与预设单位数值波动幅度阈值进行比对。服务器可将交易数量大于预设交易数量阈值，和/或单位数值波动幅度大于预设单位数值波动幅度阈值的证券，确定为单日内的异动证券。
[0043]
上述实施例中，通过对单日内证券的交易数量和单位数值波动幅度进行实时监控，以判断证券是否为单日内的异动证券，提升了异动证券的识别准确率。
[0044]
在一个实施例中，步骤s206，也就是从候选异常账户中获取目标候选异常账户，并将目标候选异常账户组合成关联账户组的步骤，具体包括：对候选异常账户进行排列组合处理，得到候选关联账户组；随机抓取任一个候选关联账户组，将所抓取到的候选关联账户组中的交易账户，作为目标候选异常账户，并将所抓取到的候选关联账户组，作为关联账户组。
[0045]
具体地，服务器可对候选异常账户进行排列组合处理，得到候选关联账户组。服务器可随机抓取任一个候选关联账户组，候选关联账户组中包括交易账户，服务器可将所抓取到的候选关联账户组中的交易账户，作为目标候选异常账户。且，服务器可直接将所抓取到的候选关联账户组，作为关联账户组。
[0046]
上述实施例中，通过对候选异常账户进行排列组合处理，并将随机抓取到的候选关联账户组，作为关联账户组，这样，可提升关联账户组的单日重合率的计算准确率。
[0047]
在一个实施例中，步骤s208，也就是根据重合组确定关联账户组的单日重合率的步骤，具体包括：确定重合组的总数量；确定关联账户组在重合组中出现的总次数；将关联账户组在重合组中出现的总次数与重合组的总数量的比值，作为关联账户组的单日重合率。
[0048]
具体地，服务器可确定关联账户组在重合组中出现的总次数，以及确定重合组的总数量。服务器可将关联账户组在重合组中出现的总次数与重合组的总数量的比值，作为关联账户组的单日重合率。
[0049]
在一个实施例中，关联账户组的单日重合率可通过以下公式计算：关联账户组在重合组中出现的总次数/重合组的总数量。
[0050]
在一个实施例中，如图4所示，异常账户bcd均出现在异动证券1和异动证券2中，异常账户ef均出现在异动证券1和异动证券2中，异常账户dg均出现在异动证券2和异动证券3中，则重合组包括以下三种：bcd（1-2）、ef（1-2）和dg（1-3）。在异常账户abcdefghjk中，随机抓取两个或两个以上的异常账户，组合成关联账户组，比如，抓取得到的关联账户组为bcd，则bcd在当日内的重合组中出现了1次，而重合组的总数量为3，则关联账户组bcd的单日重合率为1/3。
[0051]
上述实施例中，通过将关联账户组在重合组中出现的总次数与重合组的总数量的
比值，作为关联账户组的单日重合率，进一步提升了单日重合率的计算准确率。
[0052]
在一个实施例中，步骤s210，也就是根据单日重合率确定关联账户组在识别时间段内的重合天数的步骤，具体包括：当单日重合率大于零时，判定关联账户组在识别时间段内发生了重合；将单日重合率大于零的个数所对应的数值，确定为关联账户组在识别时间段内的重合天数。
[0053]
具体地，服务器可将关联账户组在识别时间段内的单日重合率与零进行比对，当单日重合率大于零时，服务器可判定关联账户组在识别时间段内发生了重合。服务器可对大于零的单日重合率进行个数统计，并将单日重合率大于零的个数所对应的数值，确定为关联账户组在识别时间段内的重合天数。
[0054]
上述实施例中，通过将单日重合率大于零的个数所对应的数值，确定为关联账户组在识别时间段内的重合天数，这样，提升了重合天数的计算效率。
[0055]
在一个实施例中，时间模型的构建步骤，包括：基于sigmoid函数构建初始模型；调整sigmoid函数的时间参数，以调整初始模型的变化速率；当初始模型的变化速率等于预设变化速率时，将初始模型作为时间模型。
[0056]
其中，sigmoid函数是一个s型函数，也称为s型生长曲线。由于其单增以及反函数单增等性质，sigmoid函数常被用作神经网络的激活函数，将变量映射到0至1之间。
[0057]
具体地，服务器可基于sigmoid函数构建初始模型，并通过调整sigmoid函数的时间参数，以调整初始模型的变化速率。服务器可将初始模型的变化速率与预设变化速率进行比对，当初始模型的变化速率等于预设变化速率时，服务器可将初始模型作为时间模型。
[0058]
在一个实施例中，sigmoid函数表示如下：s（t）=1/（1+e-t
），其中，s（t）表示sigmoid函数的输出结果，t表示时间。服务器可将sigmoid函数作为时间模型的激活函数，通过将sigmoid函数进行调整变形，可得到对应的时间模型，调整变形之后的时间模型可提升异常账户识别准确率。举例说明，若识别时间段为22天，关联账户组在22天内的重合天数为3天，则时间模型的模型参数可取值为3，时间模型可输出对应的输出结果。
[0059]
上述实施例中，通过调整sigmoid函数的时间参数，调整初始模型的变化速率，这样，使得构建出来的时间模型的变化速率与实际场景中交易账户之间的关联度变化速率一致，进一步提升异常账户识别准确率。
[0060]
在一个实施例中，账户识别方法具体还包括：将识别出异常的交易账户发送至交易平台，以指示交易平台对识别出异常的交易账户进行实时监控。
[0061]
具体地，服务器可将识别出异常的交易账户发送至交易平台，交易平台可接收服务器所发送的异常的交易账户，并对这些异常的交易账户进行实时监控，以进一步确定这些异常的交易账户是否真的存在相关的违法违规操作。
[0062]
在一个实施例中，服务器也可以将未识别出异常的，但其关联账户组中的关联度相对较高一些的交易账户发送至交易平台，以指示交易平台对更多的交易账户进行监控，以更好地保证证券交易的安全性。
[0063]
上述实施例中，通过交易平台对识别出异常的交易账户进行实时监控，提升了证券交易的公平性和安全性。
[0064]
应该理解的是，虽然图2的各个步骤按照顺序依次显示，但是这些步骤并不是必然按照顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这
些步骤可以以其它的顺序执行。而且，上述图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0065]
在一个实施例中，如图5所示，提供了一种账户识别装置500，包括：获取模块501、组合模块502、确定模块503、输入模块504和判断模块505，其中：获取模块501，用于获取证券数据，根据证券数据确定单日内的异动证券。
[0066]
组合模块502，用于将同时参与多个异动证券的候选异常账户组合成重合组；候选异常账户用于表示参与异动证券的交易账户；从候选异常账户中获取目标候选异常账户，并将目标候选异常账户组合成关联账户组。
[0067]
确定模块503，用于根据重合组确定关联账户组的单日重合率；根据单日重合率确定关联账户组在识别时间段内的重合天数和平均重合率；识别时间段为预设数量的连续交易日。
[0068]
输入模块504，用于将识别时间段和重合天数输入至预构建的时间模型中，得到输出结果。
[0069]
确定模块503还用于根据平均重合率和输出结果，确定关联账户组中各交易账户之间的关联度。
[0070]
判断模块505，用于当关联度大于预设关联度阈值时，判定关联账户组中的交易账户异常。
[0071]
在一个实施例中，证券数据包括证券的交易数量和单位数值波动幅度，获取模块501还用于对单日内证券的交易数量和单位数值波动幅度进行实时监控；将交易数量大于预设交易数量阈值，和/或单位数值波动幅度大于预设单位数值波动幅度阈值的证券，确定为单日内的异动证券。
[0072]
在一个实施例中，组合模块502还用于对候选异常账户进行排列组合处理，得到候选关联账户组；随机抓取任一个候选关联账户组，将所抓取到的候选关联账户组中的交易账户，作为目标候选异常账户，并将所抓取到的候选关联账户组，作为关联账户组。
[0073]
在一个实施例中，确定模块503还用于确定重合组的总数量；确定关联账户组在重合组中出现的总次数；将关联账户组在重合组中出现的总次数与重合组的总数量的比值，作为关联账户组的单日重合率。
[0074]
在一个实施例中，确定模块503还用于当单日重合率大于零时，判定关联账户组在识别时间段内发生了重合；将单日重合率大于零的个数所对应的数值，确定为关联账户组在识别时间段内的重合天数。
[0075]
参考图6，在一个实施例中，账户识别装置500还包括：构建模块506和发送模块507，其中：构建模块506，用于基于sigmoid函数构建初始模型；调整sigmoid函数的时间参数，以调整初始模型的变化速率；当初始模型的变化速率等于预设变化速率时，将初始模型作为时间模型。
[0076]
发送模块507，用于将识别出异常的交易账户发送至交易平台，以指示交易平台对识别出异常的交易账户进行实时监控。
[0077]
上述账户识别装置，通过获取证券数据，根据证券数据确定单日内的异动证券；将同时参与多个异动证券的候选异常账户组合成重合组；候选异常账户用于表示参与异动证券的交易账户；从候选异常账户中获取目标候选异常账户，并将目标候选异常账户组合成关联账户组；根据重合组确定关联账户组的单日重合率；根据单日重合率确定关联账户组在识别时间段内的重合天数和平均重合率；识别时间段为预设数量的连续交易日；将识别时间段和重合天数输入至预构建的时间模型中，得到输出结果；根据平均重合率和输出结果，确定关联账户组中各交易账户之间的关联度；当关联度大于预设关联度阈值时，判定关联账户组中的交易账户异常。这样，通过自动构建关联账户组，并通过计算关联账户组中各交易账户之间的关联度，进而根据各交易账户之间的关联度对各交易账户进行异常识别，相较于传统的采用单账户识别异常账户的方式，本申请可适应更多的应用场景，更准确地识别出异常账户，从而有效提升异常账户识别准确率。
[0078]
关于账户识别装置的具体限定可以参见上文中对于账户识别方法的限定，在此不再赘述。上述账户识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0079]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是上述图1中的服务器104，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储账户识别数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种账户识别方法。
[0080]
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0081]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取证券数据，根据证券数据确定单日内的异动证券；将同时参与多个异动证券的候选异常账户组合成重合组；候选异常账户用于表示参与异动证券的交易账户；从候选异常账户中获取目标候选异常账户，并将目标候选异常账户组合成关联账户组；根据重合组确定关联账户组的单日重合率；根据单日重合率确定关联账户组在识别时间段内的重合天数和平均重合率；识别时间段为预设数量的连续交易日；将识别时间段和重合天数输入至预构建的时间模型中，得到输出结果；根据平均重合率和输出结果，确定关联账户组中各交易账户之间的关联度；当关联度大于预设关联度阈值时，判定关联账户组中的交易账户异常。
[0082]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对单日内证券的交易数量和单位数值波动幅度进行实时监控；将交易数量大于预设交易数量阈值，和/或单位数值波动幅度大于预设单位数值波动幅度阈值的证券，确定为单日内的异动证券。
[0083]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对候选异常账户进行排列组合处理，得到候选关联账户组；随机抓取任一个候选关联账户组，将所抓取到的候选关联账户组中的交易账户，作为目标候选异常账户，并将所抓取到的候选关联账户组，作为关联账户组。
[0084]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：确定重合组的总数量；确定关联账户组在重合组中出现的总次数；将关联账户组在重合组中出现的总次数与重合组的总数量的比值，作为关联账户组的单日重合率。
[0085]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：当单日重合率大于零时，判定关联账户组在识别时间段内发生了重合；将单日重合率大于零的个数所对应的数值，确定为关联账户组在识别时间段内的重合天数。
[0086]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：基于sigmoid函数构建初始模型；调整sigmoid函数的时间参数，以调整初始模型的变化速率；当初始模型的变化速率等于预设变化速率时，将初始模型作为时间模型。
[0087]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将识别出异常的交易账户发送至交易平台，以指示交易平台对识别出异常的交易账户进行实时监控。
[0088]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取证券数据，根据证券数据确定单日内的异动证券；将同时参与多个异动证券的候选异常账户组合成重合组；候选异常账户用于表示参与异动证券的交易账户；从候选异常账户中获取目标候选异常账户，并将目标候选异常账户组合成关联账户组；根据重合组确定关联账户组的单日重合率；根据单日重合率确定关联账户组在识别时间段内的重合天数和平均重合率；识别时间段为预设数量的连续交易日；将识别时间段和重合天数输入至预构建的时间模型中，得到输出结果；根据平均重合率和输出结果，确定关联账户组中各交易账户之间的关联度；当关联度大于预设关联度阈值时，判定关联账户组中的交易账户异常。
[0089]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对单日内证券的交易数量和单位数值波动幅度进行实时监控；将交易数量大于预设交易数量阈值，和/或单位数值波动幅度大于预设单位数值波动
幅度阈值的证券，确定为单日内的异动证券。
[0090]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对候选异常账户进行排列组合处理，得到候选关联账户组；随机抓取任一个候选关联账户组，将所抓取到的候选关联账户组中的交易账户，作为目标候选异常账户，并将所抓取到的候选关联账户组，作为关联账户组。
[0091]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：确定重合组的总数量；确定关联账户组在重合组中出现的总次数；将关联账户组在重合组中出现的总次数与重合组的总数量的比值，作为关联账户组的单日重合率。
[0092]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：当单日重合率大于零时，判定关联账户组在识别时间段内发生了重合；将单日重合率大于零的个数所对应的数值，确定为关联账户组在识别时间段内的重合天数。
[0093]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：基于sigmoid函数构建初始模型；调整sigmoid函数的时间参数，以调整初始模型的变化速率；当初始模型的变化速率等于预设变化速率时，将初始模型作为时间模型。
[0094]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将识别出异常的交易账户发送至交易平台，以指示交易平台对识别出异常的交易账户进行实时监控。
[0095]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（rom）、可编程rom（prom）、电可编程rom（eprom）、电可擦除可编程rom（eeprom）或闪存。易失性存储器可包括随机存取存储器（ram）或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram（sram）、动态ram（dram）、同步dram（sdram）、双数据率sdram（ddrsdram）、增强型sdram（esdram）、同步链路（synchlink） dram（sldram）、存储器总线（rambus）直接ram（rdram）、直接存储器总线动态ram（drdram）、以及存储器总线动态ram（rdram）等。
[0096]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0097]
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。