[發(fā)明專利]一種在線交易反欺詐方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202011021864.3
• 申請日: 2020-09-25
• 公開（公告）號: CN111967993A
• 公開（公告）日: 2020-11-20
• 發(fā)明（設(shè)計(jì)）人: 康海燕;張浩
• 申請（專利權(quán)）人: 北京信息科技大學(xué)
• 主分類號: G06Q40/04
• 分類號: G06Q40/04;G06Q20/40;G06N3/04;G06N3/08
• 代理公司: 北京高沃律師事務(wù)所 11569
• 代理人: 崔玥

本發(fā)明涉及一種在線交易反欺詐方法及系統(tǒng)。該方法包括：獲取原始交易數(shù)據(jù)以及噪聲；基于長短期記憶LSTM模型，根據(jù)所述原始交易數(shù)據(jù)以及所述噪聲生成耿貝爾?生成對抗網(wǎng)絡(luò)Gumbel?GAN模型；根據(jù)所述Gumbel?GAN模型生成虛擬欺詐數(shù)據(jù)；將所述虛擬欺詐數(shù)據(jù)擴(kuò)充所述原始交易數(shù)據(jù)，確定擴(kuò)充后的原始交易數(shù)據(jù)；將所述擴(kuò)充后的原始交易數(shù)據(jù)進(jìn)行平衡處理，生成平衡交易數(shù)據(jù)；以所述平衡交易數(shù)據(jù)為輸入，以數(shù)據(jù)類別為輸出，對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，生成交易數(shù)據(jù)評估模型；獲取在線交易數(shù)據(jù)，并根據(jù)所述交易數(shù)據(jù)評估模型評估所述在線交易數(shù)據(jù)的數(shù)據(jù)類別；所述數(shù)據(jù)類別包括欺詐數(shù)據(jù)以及正常數(shù)據(jù)。本發(fā)明不丟失原始信息的前提下，能夠提高在線交易欺詐檢測效果。

技術(shù)領(lǐng)域

本發(fā)明涉及在線交易反欺詐領(lǐng)域，特別是涉及一種在線交易反欺詐方法及系統(tǒng)。

背景技術(shù)

隨著科學(xué)技術(shù)與世界經(jīng)濟(jì)的快速發(fā)展，互聯(lián)網(wǎng)已遍及世界每一個(gè)角落?；ヂ?lián)網(wǎng)金融也進(jìn)入了發(fā)展的蓬勃期，已經(jīng)對整個(gè)世界都產(chǎn)生了巨大的影響與改變。第三方支付服務(wù)成為了人們生活的一部分，比如支付寶和微信支付在中國隨處可見，數(shù)不勝數(shù)的交易發(fā)生在世界各地的在線交易平臺上。但是在第三方支付服務(wù)的快速發(fā)展的同時(shí)，背后也存在各種欺詐犯罪事件的發(fā)生。由于全球進(jìn)入了大數(shù)據(jù)時(shí)代，個(gè)人信息在網(wǎng)絡(luò)上很容易泄露和被他人獲取，這讓在線交易存在著一定的欺詐風(fēng)險(xiǎn)。由于這種欺詐風(fēng)險(xiǎn)威脅著消費(fèi)者的利益和金融行業(yè)的發(fā)展，所以對于如何解決在線交易的反欺詐問題也是迫不及待。

然而數(shù)據(jù)的嚴(yán)重不平衡問題一直是反欺詐研究領(lǐng)域中的一個(gè)重要研究方向和難點(diǎn)。除了在欺詐檢測領(lǐng)域，數(shù)據(jù)的嚴(yán)重不平衡問題在客戶流失預(yù)測和工業(yè)中的軸承故障檢測等領(lǐng)域也是一個(gè)研究難點(diǎn)與研究重點(diǎn)。為了解決不均衡數(shù)據(jù)的分類問題，學(xué)者們的研究方法主要可以分為兩個(gè)角度：對原始數(shù)據(jù)進(jìn)行的數(shù)據(jù)處理角度和對算法模型進(jìn)行優(yōu)化改進(jìn)的算法改進(jìn)角度。

(1)數(shù)據(jù)處理角度：從數(shù)據(jù)角度出發(fā)，根據(jù)統(tǒng)計(jì)學(xué)原理和其他方法對樣本集進(jìn)行擴(kuò)充或者刪除操作，達(dá)到原始數(shù)據(jù)集從類別不均衡分布到均衡分布的轉(zhuǎn)變，避免樣本類別不均衡分布對后續(xù)模型訓(xùn)練過程產(chǎn)生不良影響。這方面有代表性的方法是重采樣方法，其主要可分為上采樣方法和下采樣方法。上采樣方法是指根據(jù)一定方法技術(shù)或規(guī)則填充訓(xùn)練樣本集中少數(shù)類樣本的數(shù)量，以達(dá)到訓(xùn)練集中所有類別的樣本數(shù)量達(dá)到近似平衡分布。其中經(jīng)典的有SMOTE算法以及基于SMOTE算法衍生的改進(jìn)型算法。下采樣方法法是指根據(jù)某種規(guī)則或方法對訓(xùn)練集中的多數(shù)類樣本進(jìn)行剔除操作，以達(dá)到訓(xùn)練集中所有類別的樣本數(shù)量達(dá)到近似平衡分布。學(xué)者也有結(jié)合上采樣和下采樣兩種方法的混合采樣算法處理樣本集。楊毅等人提出一種精化Borderline-SMOTE方法，只對少數(shù)類的邊界樣本進(jìn)行過采樣，從而改善樣本的類別分布。通過進(jìn)一步對邊界樣本加以區(qū)分，有效地改善不平衡數(shù)據(jù)集的類分布的不平衡性。石紅波等人詳細(xì)闡述了SMOTE的原理、算法以及存在的問題，針對SMOTE存在的問題，分別介紹了其4種擴(kuò)展方法和3種應(yīng)用的相關(guān)研究。陳斌等人結(jié)合K-means算法與SMOTE算法，利用兩者優(yōu)點(diǎn)提出了一種基于K-means的KM-SMOTE算法，一定程度上解決了經(jīng)SMOTE算法處理后整體改變了原始數(shù)據(jù)分布和數(shù)據(jù)正負(fù)邊界模糊的問題。實(shí)驗(yàn)結(jié)果表明改進(jìn)后的算法分類效果更加明顯，但是模型還存在著不穩(wěn)定的缺點(diǎn)。蔣華等人提出一種基于數(shù)據(jù)集方法是采用ADASYN和SMOTE算法來聯(lián)合生成小類樣本點(diǎn)，根據(jù)K近鄰算法計(jì)算小類樣本點(diǎn)和大類樣本點(diǎn)數(shù)目，對小樣本點(diǎn)進(jìn)行分類后分別采用ADASYN和SMOTE算法進(jìn)行小類樣本點(diǎn)合成。