[发明专利]配资异常交易识别方法及装置

权利要求书

1.一种配资异常交易识别方法，其特征在于，所述方法包括：

获取至少一个待识别券商资金账户的特征集，所述特征集包含所述待识别券商资金账户在预设时间内的所有交易特征；

将所述特征集上传给软件即服务SaaS服务端，以使所述SaaS服务端基于目标推理服务预测模型输出配资异常交易账户列表；所述目标推理服务预测模型是基于训练样本集对初始推理服务预测模型进行横向联邦学习得到的；所述训练样本集包括：正样本和负样本；所述正样本用于表示不同账户在不同时间段内的交易特征；所述负样本用于表示同一账户在不同时间段内的交易特征。

2.根据权利要求1所述的方法，其特征在于，所述获取至少一个待识别券商资金账户的特征集，包括：

获取至少一个待识别券商资金账户的原始交易数据；

对至少一组原始交易数据进行特征变换，得到至少一个待识别券商资金账户的特征集。

3.根据权利要求2所述的方法，其特征在于，所述获取至少一个待识别券商资金账户的原始交易数据，包括：

基于客户信息表、客户-资金账户对应表、客户-股东账号对应表、终端信息表、股东账户属性表、资金账户余额表、持有表、银证转账明细表、委托明细表、以及成交明细表，获取至少一个待识别券商资金账户的原始交易数据。

4.根据权利要求1所述的方法，其特征在于，所述目标推理服务预测模型是基于训练样本集对初始推理服务预测模型进行横向联邦学习得到的，包括：

获取训练样本集；所述训练样本集包括至少一个券商资金账户的特征集；

将所述训练样本集输入孪生神经网络模型进行训练学习，获取初始推理服务预测模型；

对所述初始推理服务预测模型进行横向联邦学习，获取目标推理服务预测模型；所述目标推理服务预测模型用于预测所述待识别券商资金账户的交易行为是否为同一用户。

5.根据权利要求4所述的方法，其特征在于，所述将所述训练样本输入孪生神经网络模型进行训练学习，获取初始推理服务预测模型，包括：

获取第一样本特征、第二样本特征、第三样本特征以及第四样本特征；其中，所述第一样本特征为第一账户在第一预设时间段内的交易特征，所述第二样本特征为第一账户在第二预设时间段内的交易特征，所述第三样本特征为第二账户在第一预设时间段内的交易特征；所述第四样本特征为第三账户在第二预设时间段内的交易特征；

根据所述第一样本特征和所述第二样本特征获取负样本，根据所述第三样本特征和所述第四样本特征获取正样本；

将所述正样本和所述负样本输入孪生神经网络模型，计算相似度，根据所述相似度调整所述孪生神经网络模型的权重参数，得到初始推理服务预测模型。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

各券商参与方将所述孪生神经网络模型与所述初始推理服务预测模型相比，获取各自对应的模型更新梯度，并将所述模型更新梯度发送给SaaS服务端；

所述SaaS服务端根据预设加密算法对各个模型更新梯度进行聚合，得到聚合结果；

根据所述聚合结果更新所述孪生神经网络模型。

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据所述配资异常交易账户列表，获取至少一个待识别券商资金账户的交易情况。

8.一种配资异常交易识别装置，其特征在于，所述装置包括：

特征集获取模块，用于获取至少一个待识别券商资金账户的特征集，所述特征集包含所述待识别券商资金账户在预设时间内的所有交易特征；

异常账户输出模块，用于将所述特征集上传给软件即服务SaaS服务端，以使所述SaaS服务端基于目标推理服务预测模型输出配资异常交易账户列表；所述目标推理服务预测模型是基于训练样本集对初始推理服务预测模型训练得到的；所述训练样本集包括：正样本和负样本；所述正样本用于表示不同账户在不同时间段内的交易特征；所述负样本用于表示同一账户在不同时间段内的交易特征。