[发明专利]低频交易的个体行为建模与欺诈检测方法

权利要求书

1.一种低频交易的个体行为建模与欺诈检测方法，其特征在于，包括以下步骤：

步骤1、用户行为提取，包括以下步骤

S101：提取用户自身行为：

从历史交易数据库中提取用户u的历史正常交易数据，从多个维度对用户u的历史正常交易数据进行处理，得到用户u的自身交易行为，再通过最佳风险阈值算法确定用户的最佳风险阈值，从而构建出用户u的自身行为基准UBB_u；

S102：提取当前交易群体行为：

对历史发生的全部交易进行处理，利用基于密度的聚类算法对历史正常交易和欺诈交易进行分类，得到若干类别，再分别对每一类别进行处理，得到当前若干条群体交易行为GBB；

S103：计算当前交易状态

根据历史发生的全部交易序列，提出滑动窗后机制，对交易序列进行聚合，得到历史交易状态序列，将交易状态序列中的均值作为临界值，记为历史交易状态临界值S_t，包括以下步骤：

S1031：提取历史全部交易：

从历史交易数据库中提取用户u截止当前日期的全部历史交易；

S1032：滑动窗口集合机制：

在t时刻的交易记为r_t，在t时刻之前发生的交易序列记为L_t＝{r₁,…,r_t}，设滑动窗口为h，长度为k，即n_h＝k，滑动窗口中交易序列记为L_ht＝{r_t-k,…,r_t}；

S1033：计算每一时刻的交易状态：

在t时刻的滑动窗口ht中，中提取出异常交易F_ht＝{r∈L_ht|label＝fraud}，其中，label表示交易的类别，fraud表示该交易属于欺诈交易；将当前时间段内交易状态记为S_t，表示当前时间段中前k个交易中欺诈交易占据的比例，其计算方式如下所示：

式中，

S1034：构建当前交易状态：

利用滑动窗口h对已经发生的全部交易集合进行聚合，求出每一窗口中欺诈交易的占比，得到n-n_h个比值序列将比值序列的均值作为历史交易状态的一个临界值Threshold^S，若交易状态S_t大于这个临界值时，视S_t为异常状态，记为S_t＝1，否则当前交易状态为正常状态，记S_t＝0；

S104：构建用户u新的交易行为

用户新的交易行为由用户u的自身行为基准UBB_u、当前群体交易行为GBB、历史交易状态临界值S_t组成，用一个三元组表示，则用户u新的交易行为New_UBB_u＝(UBB_u,GBB,S_t)，将其存入用户行为基准库中；

步骤2、根据行为用户u新的交易行为New_UBB_u，构建针对低频用户的欺诈检测模型，包括以下步骤：

S201：数据输入

将当前待检测交易作为输入输入检测模型中；

S202：提取用户行为基准

从用户行为基准库中提取当前用户的行为基准New_UBB_u，作为检测模型的输入；

S203：提取用户自身交易行为：

从用户的行为基准New_UBB_u中提取用户自身交易行为基准UBB_u，在其中取出用户自身交易行为TB_u；

S204：提取用户最佳风险阈值：

在用户自身交易行为基准中提取该用户最佳风险阈值Threshold^u；

S205：计算用户交易结果：

根据超球体模型，将TB_u作为多为空间中的一个点，将Threshold^u作为多维空间中的半径，将交易检测转化为多维空间中点的映射问题，利用以下公式去判断当前交易是否正常：

式中，x_i为用户当前交易r^u映射到当前多维空间中点的每一个维度值，tb_i为用户自身交易行为各个维度的值，上述公式将空间划分为两个部分，f₁(x)表示超球体模型的计算公式，若f₁(x)0，说明当前交易不在用户正常行为空间中，记为欺诈交易，反之记为正常交易，得到用户当前交易结果UR_t：

S206：提取当前群体行为：

从用户行为基准库中提取当前交易群体的行为基准GBB；

S207：与当前交易进行匹配：

对于当前进入系统中的交易r^u，将其转化为矩阵r^T＝[x1,x2,x3,x4,x5,x6]，对于矩阵r^T，利用公式计算该交易与正常行为TBB和异常行为FBB中每一条行为基准的偏离距离，得到以下两个距离集合D_TBB和D_FBB，其中D_TBB＝[d₁,…,d_q]，D_FBB＝[d₁,…,d_P]；之后通过公式判断当前交易偏向那种行为，若交易更偏向黑样本行为，则该交易可疑程度较高：

上述公式代表计算当前交易与TBB和FBB中每一条行为基准之前的偏离距离，式中代表当前交易转化为矩阵后的矩阵向量，代表TBB或FBB中每一条行为的行为向量，其中1≤j1≤Q，Q表示正常交易，1≤j2≤P，P表示欺诈交易；

S208：计算群体交易结果：

上公式代表当前交易倾向程度，式中为当前交易r^u与异常行为的偏离程度均值，式中为当前交易r^u与正常行为的偏离程度均值，两者之差为f₂(x)，若f₂(x)过于小，说明当前交易r^u与黑样本的距离更近，可疑程度增加；反之，可疑程度降低，得到用户当前r^u交易结果GR_t，如下式所示，其中Threshold^G则是通过最佳风险阈值算法计算出的最佳阈值：

S209：提取当前交易状态：

从用户行为基准库中提取当前交易状态S_t；

S210：计算历史交易状态：

利用滑动窗口h对已经发生的全部交易集合进行聚合，求出每一窗口中欺诈交易的占比，得到n-n_h个比值序列

S211：得到交易状态结果：

将序列的均值作为历史交易状态的一个临界值Threshold^S，若交易状态S_t大于这个临界值时，视S_t为异常状态，记为S_t＝1，否则当前交易状态为正常状态，记S_t＝0；

S212：利用贝叶斯计算当前交易属于欺诈概率：

对于当前交易r^u，根据用户自身行为和当前群体行为对此交易的判断结果UR_t和GR_t，以及交易状态S_t，记输入x＝(UR_t,GR_t,S_t)，对于当前输入，利用以下公式计算交易r^u属于欺诈交易概率P(Y＝1|X＝x)和正常交易的概率P(Y＝0|X＝x)：

若P(Y＝1|X＝x)P(Y＝0|X＝x)，交易r^u属于欺诈交易，否则为正常交易，式中，P(X＝x|Y＝1)表示当前交易为欺诈交易时X＝x的概率，P(Y＝1)表示当前交易为欺诈交易的概率，P(X＝x|Y＝k)表示当前交易类别为k，正常或欺诈，时X＝x的概率，P(Y＝k)表示当前交易类别为k，正常或欺诈，的概率，P(x^(j)＝x^(j)|Y＝k)表示当前交易类别为k，正常或欺诈，时X中每一项出现概率的概率，P(X＝x|Y＝0)表示当前交易为正常交易时X＝x的概率，P(Y＝0)表示当前交易为正常交易的概率。