金融欺诈识别方法和装置与流程

本发明涉及人工智能领域，尤其涉及一种金融欺诈识别方法和装置。

背景技术：

1、随着互联网金融的兴起，黑灰产变得无孔不入，并且形成完整的上中下游产业链，利用非法手段牟取利益。比如电信诈骗、控制肉鸡刷量、盗刷、薅羊毛等等都是黑灰产的范围。

2、目前在反欺诈场景中建模的方式很大程度都是依靠专家规则，这个方法极其依靠专家对黑灰产动态的掌握和了解，需要人工实时跟踪更新模型参数，以便在蛛丝马迹中找到黑灰产的团伙聚集地，诈骗规律和模式，从而能够识别与阻止不正常交易，保证普通用户切实权益。

技术实现思路

1、有鉴于此，本发明提供一种金融欺诈识别方法和装置，以解决上述提及的至少一个问题。

2、为了实现上述目的，本发明采用以下方案：

3、根据本发明的第一方面，提供一种金融欺诈识别方法，所述方法包括：获取发起交易用户的全量行为数据；对所述全量行为数据进行分级预处理得到分级处理数据；将所述分级处理数据输入支持向量机识别模型得到黑灰产识别结果；基于所述黑灰产识别结果处理所述用户的交易。

4、作为本发明的一个实施例，上述方法中获取发起交易用户的全量行为数据包括：获取发起交易用户的用户id；基于所述用户id通过同态加密技术向各个合作机构调用对应的行为数据；接收所述各个合作机构返回的行为数据。

5、作为本发明的一个实施例，上述方法还包括：当日第一笔交易开启前，向各个合作机构申请当日有效的数字证书；将当日将调用的用户id范围发送给所述各个合作机构；所述各个合作机构基于所述用户id范围对将被调用的行为数据进行索引，从数据库加载至缓存。

6、作为本发明的一个实施例，上述方法中基于所述用户id向各个合作机构调用对应的行为数据，接收所述各个合作机构返回的行为数据包括：基于所述用户id和所述数字证书向所述各个合作机构调用对应的行为数据；接收所述各个合作机构从各自缓存中读取并返回的行为数据。

7、作为本发明的一个实施例，上述方法中对所述全量行为数据进行分级预处理得到分级处理数据包括：对所述全量行为数据以用户id为主键进行各维度的预处理；得到包括用户id、手机号评级、银行卡评级、个人信用评级、定位评级、社交平台表现评级、违规交易次数的分级处理数据。

8、作为本发明的一个实施例，上述方法中的支持向量机识别模型通过如下方式进行构建：基于普通用户样本和黑灰产用户样本的行为数据建立多维欧式空间；在所述多维欧式空间中确定最大间隔超平面；对欺诈识别的支持向量机识别模型进行最优化以构建最优的支持向量机识别模型。

9、作为本发明的一个实施例，上述方法还包括：基于验证数据来利用混沌矩阵对所述支持向量机识别模型进行检验，来判断所述支持向量机识别模型是否通过评价。

10、作为本发明的一个实施例，上述方法中基于验证数据来利用混沌矩阵对所述支持向量机识别模型进行检验，来判断所述支持向量机识别模型是否通过评价包括：基于验证数据的输出结果构建混沌矩阵；基于所述混沌矩阵计算所述支持向量机识别模型的准确率；若所述准确率大于预设阈值，则所述支持向量机识别模型通过评价。

11、作为本发明的一个实施例，上述方法中基于验证数据来利用混沌矩阵对所述支持向量机识别模型进行检验，来判断所述支持向量机识别模型是否通过评价包括：基于验证数据的输出结果构建混沌矩阵；基于所述混沌矩阵计算所述支持向量机识别模型的精确率和召回率；基于所述精确率和所述召回率得到所述支持向量机识别模型的f1得分；若所述f1得分大于预设阈值，则所述支持向量机识别模型通过评价。

12、根据本发明的第二方面，提供一种金融欺诈识别装置，所述装置包括：数据获取单元，用于获取发起交易用户的全量行为数据；预处理单元，用于对所述全量行为数据进行分级预处理得到分级处理数据；识别单元，用于将所述分级处理数据输入支持向量机识别模型得到黑灰产识别结果；交易处理单元，用于基于所述黑灰产识别结果处理所述用户的交易。

13、作为本发明的一个实施例，上述装置中数据获取单元具体包括：

14、用户id获取模块，用于获取发起交易用户的用户id；

15、数据调用模块，用于基于所述用户id通过同态加密技术向各个合作机构调用对应的行为数据；

16、数据接收模块，用于接收所述各个合作机构返回的行为数据。

17、作为本发明的一个实施例，上述装置还包括：

18、证书申请单元，用于在当日第一笔交易开启前，向各个合作机构申请当日有效的数字证书；

19、发送单元，用于将当日将调用的用户id范围发送给所述各个合作机构，使得所述各个合作机构可以基于所述用户id范围对将被调用的行为数据进行索引，从数据库加载至缓存。

20、作为本发明的一个实施例，上述装置中：

21、数据调用模块具体用于：基于所述用户id和所述数字证书向所述各个合作机构调用对应的行为数据；

22、数据接收模块具体用于：接收所述各个合作机构从各自缓存中读取并返回的行为数据。

23、作为本发明的一个实施例，上述装置中预处理单元具体用于：对所述全量行为数据以用户id为主键进行各维度的预处理；得到包括用户id、手机号评级、银行卡评级、个人信用评级、定位评级、社交平台表现评级、违规交易次数的分级处理数据。

24、作为本发明的一个实施例，上述装置中支持向量机识别模型通过如下方式进行构建：

25、基于普通用户样本和黑灰产用户样本的行为数据建立多维欧式空间；

26、在所述多维欧式空间中确定最大间隔超平面；

27、对欺诈识别的支持向量机识别模型进行最优化以构建最优的支持向量机识别模型。作为本发明的一个实施例，上述装置还包括：检验评价单元，用于基于验证数据来利用混沌矩阵对所述支持向量机识别模型进行检验，来判断所述支持向量机识别模型是否通过评价。

28、作为本发明的一个实施例，上述检验评价单元具体用于：基于验证数据的输出结果构建混沌矩阵；基于所述混沌矩阵计算所述支持向量机识别模型的准确率；若所述准确率大于预设阈值，则所述支持向量机识别模型通过评价。作为本发明的一个实施例，上述检验评价单元具体用于：基于验证数据的输出结果构建混沌矩阵；基于所述混沌矩阵计算所述支持向量机识别模型的精确率和召回率；基于所述精确率和所述召回率得到所述支持向量机识别模型的f1得分；若所述f1得分大于预设阈值，则所述支持向量机识别模型通过评价。

29、根据本发明的第三方面，提供一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，处理器执行所述计算机程序时实现上述方法的步骤。

30、根据本发明的第四方面，提供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上述方法的步骤。

31、由上述技术方案可知，本发明提供的金融欺诈识别方法和装置，利用了交易用户的全量行为数据，便于精确判断用户的身份。另外本发明预先对用户行为进行评级，再将处理后的数据输入算法模型，有机结合了黑灰产实际情况与计算机算法两者对用户身份的判断，相当于两重判定，极大地降低了误判率，提高了算法的精确率。最后本发明采用了支持向量机识别模型，由于只依靠少量样本，即支持向量来区分用户身份，因此模型的训练过程简单便捷，模型可根据现实情况快速迭代，以贴合黑灰产的行为路径。