CN112967053B 一种欺诈交易的检测方法及装置 （中国银联股份有限公司）

A,2019.10.01A,2017.02.22A,2019.07.12A,2016.09.07本发明公开了一种欺诈交易的检测方法及易和所述目标时序特征信息输入到至少一个交2将所述待检测交易和所述目标时序特征信息输入到至少一个交针对所述交易检测模型对应的数据集中任一条训练数据；所获取所述训练数据的原始数据；所述原始数据包括交易、交易的若所述交易标签为疑似欺诈交易，则将所述原始数据输入至所述通讯模块，用于对所述银行卡转接清算网络所请求的待检测交易进行实时应答，所述短时特征模块用于接收通讯模块发送过来的交易数据，并按时间滑所述长时特征模块用于从更新频率为T-1日的离线数据库中获取历史交易数据和风险所述实时缓存模块，用于接收来自短时特征模块的短时特征部分和来所述特征计算模块，用于从所述实时缓存模块中提取模型所需所述评分模块，用于根据最终进入模型的特征数据得到所述待获取所述待检测交易在多个维度的时序上关联34.如权利要求1至3任一项所述的方法，其特征在于，所述交将所述交易检测模型对应的数据集划分为多份子针对所述多份子数据集任一份子数据集，按照所述子数据子数据集划分为子数据集的训练集和子数据集的验证集以及子数据集基于所述子数据集的训练集和所述子数据集的验证集，按照所或者为根据所述初始模型和所述子数据集训练得到若所述中间模型训练后的模型不满足所述子数据集的预设收基于所述子数据集的验证集和子数据集的外推测试集，根据K-S验证法对所述中间模根据所述中间模型的K-S验证结果和\或所述中间模型的AUC验证结果，确定所述中间6.如权利要求1至3任一项所述的方法，其特征在于，根据所述至少一个模型评分结果，按照加权平均方法，获得所述待检将所述至少一个模型评分结果输入至高层嵌套模型，获得所述待检确定模块，用于将所述待检测交易和所述目标时序特征信息输针对所述交易检测模型对应的数据集中任一条训练数据；所获取所述训练数据的原始数据；所述原始数据包括交易、交易的若所述交易标签为疑似欺诈交易，则将所述原始数据输入至4根据所述原始数据的模型评分结果，将所述交易标签修改为正常所述通讯模块，用于对所述银行卡转接清算网络所请求的待检测交易进行实时应答，所述短时特征模块用于接收通讯模块发送过来的交易数据，并按时间滑所述长时特征模块用于从更新频率为T-1日的离线数据库中获取历史交易数据和风险所述实时缓存模块，用于接收来自短时特征模块的短时特征部分和来所述特征计算模块，用于从所述实时缓存模块中提取模型所需5[0002]欺诈交易是不法分子冒充持卡人待进行的交易。当前欺按照以下方式得到：[0014]根据所述原始数据的模型评分结果，将所述交易标签修改为正常交易或欺诈交6模型或者为根据所述初始模型和所述子数据集训练得[0026]可选的，按照以下方式确定所述中间模型是否满足所述子数据集的预设收敛条[0027]基于所述子数据集的验证集和子数据集的外推测试集，根据K-S验证法对所述中[0028]根据所述中间模型的K-S验证结果和\或所述中间模型的AUC验证结果，确定所述[0029]上述方式下，通过所述中间模型的K-S验证结果和\或所述中间模型的AUC验证结7所述交易检测模型对应的机器学习算法，对所述交易检测模型对应的初始模型训练得到模型或者为根据所述初始模型和所述子数据集训练得8[0054]基于所述子数据集的验证集和子数据集的外推测试集，根据K-S验证法对所述中[0055]根据所述中间模型的K-S验证结果和\或所述中间模型的AUC验证结果，确定所述[0064]图1为本发明实施例提供的一种欺诈交易的检测方法可应用的第一种系统架构示[0065]图2为本发明实施例提供的一种欺诈交易的检测方法可应用的第二种系统架构示[0067]图4为本发明实施例提供的一种欺诈交易的检测方法中至少一个交易检测模型的[0068]图5为本发明实施例提供的一种欺诈交易的检测方法中获取时序特征信息的流程[0069]图6为本发明实施例提供的一种欺诈交易的检测方法中获取时序特征信息的具体9[0070]图7为本发明实施例提供的一种欺诈交易的检测方法中建立至少一个交易检测模[0071]图8为本发明实施例提供的一种欺诈交易的检测方法中建立至少一个交易检测模[0072]图9为本发明实施例提供的一种欺诈交易的检测方法中至少一个交易检测模型的[0073]图10为本发明实施例提供的一种欺诈交易的检测方法中建立至少一个交易检测[0074]图11为本发明实施例提供的一种欺诈交易的检测方法中至少一个交易检测模型[0075]图12为本发明实施例提供的一种欺诈交易的检测方法中至少一个交易检测模型[0085]对于一笔跨行银行卡交易，在收单银行发起的交易请求信息经过银行卡组织(例如银联)的交易转接网络时，通过使用计算机自动程式实时提取和分析该交易中信息以及[0093]步骤303：将所述待检测交易和所述目标时序特征信息输入到至少一个交易检测[0095]步骤304：根据所述至少一个模型评分结果，确定所述待检测交易是否为欺诈交以通过应用系统中多个模块协同工作。如图4所示，为至少一个交易检测模型的部署示意[0097]具体来说①~⑧代表按时间顺序排列的信息传输步骤，为主链路且均为同步接卡片过去1天的交易笔数(短时部分)和截止T-1日的交易笔数(长时[0113]接收通讯模块发送过来的交易数据，并按时间滑窗的方式存储短时间(例如48小成长时模块、短时模块与当笔模块，长时模块计算当笔交易发生时间T-1天之前的交易特[0132]更具体地，图6示出了侦测欺诈交易评分模型方法的特征工程和特征筛选方法流[0147]其中Ai和Ei分别代表实际占比和预期占比，在验证不同[0152]2)所述待检测交易在第二预设时间段内在商户维度上的交易时序信息：举例来用至少一个交易检测模型对全量应答失败的交易数据(即疑似欺诈交易的交易数据)进行[0156]一种可选实施方式中，针对所述交易检测模型对应的数据集……H……I…………ABCD设备上的所有绑卡交易均为伪冒绑卡，设备ABCD在2019年8月21日当天其它卡号的绑[0178]本发明实施例每100分设置为评分阈值，输出评分大于评分阈值时判定为欺诈交时序特性将所述子数据集划分为子数据集的训练集和子数据集的验证集以及子数据集的[0191]所述中间模型为所述初始模型或者为根据所述初始模型和所述子数据集训练得[0194]基于所述子数据集的验证集和子数据集的外推测试集，根据K-S验证法对所述中[0195]根据所述中间模型的K-S验证结果和\或所述中间模型的AUC验证结果，确定所述[0198]其中G(range)代表将样本按照模型预测值排序后，各分段range的累积好样本比型中的重要特征随时间变化的特性不稳导致，此时需观察特征在不同时间窗口间的PSI稳定性以及特征与目标变量之间的相关性关系在训练/验证集和外推测试集之间的变化，通过删除随时间不稳定的特征可以消除一部分外推[0212]也可以在综合对比两类交易检测模型融合方法以及其与单一模型方法之间的效测模型中任一交易检测模型，所述交易检测模型是基于所述交易检测模型对应的数据集，模型或者为根据所述初始模型和所述子数据集训练得[0232]基于所述子数据集的验证集以及子数据集的外推测试集，根据K-S验证法对所述[0233]根据所述中间模型的K-S验证结果和\或所述中间模型的AUC验证结果，确定所述