[发明专利]一种旗鱼优化器优化极端梯度提升的欺诈检测方法及系统

权利要求书

1.一种旗鱼优化器优化极端梯度提升的欺诈检测方法，其特征在于，包括以下步骤：

步骤1：获取欺诈数据集，将欺诈数据集进行处理，并保存到分布式文件系统中；

步骤2：将欺诈数据集用于对极端梯度提升的欺诈检测模型进行训练，采用改进旗鱼优化器对极端梯度提升的欺诈检测模型的参数进行全局优化寻优，得到优化的参数组合；

步骤3：旗鱼优化器中，根据适应值所决定的规则，各分区上比较旗鱼种群和沙丁鱼种群的最优适应值，当沙丁鱼优于旗鱼适应值，旗鱼替换沙丁鱼位置，沙丁鱼位置通过莱维飞行更新；

步骤4：当某分区的旗鱼和沙丁鱼子种群的适应值优于精英适应值时，从节点汇集到主节点上进行精英旗鱼和精英沙丁鱼更新；

步骤5：将更新后的精英旗鱼和精英沙丁鱼的信息重新广播到各个从节点上；

步骤6：判断旗鱼种群迭代是否达到最大迭代次数；

若否，则重新返回步骤2；

若是，则返回最后的精英旗鱼，即为当前改进旗鱼优化器寻找到的最优解。

2.根据权利要求1所述的一种旗鱼优化器优化极端梯度提升的欺诈检测方法，其特征在于，在步骤1中，所述将欺诈数据集进行处理，并保存到分布式文件系统中包括：

步骤1.1：将欺诈数据集中类型数据按标签赋值，与时间，金额列一并进行归一化处理；

步骤1.2：将处理好的数据集分为训练集和测试集；

步骤1.3：处理训练集中类不平衡的问题；

步骤1.4：将处理好的训练集和测试集保存。

3.根据权利要求1所述的一种旗鱼优化器优化极端梯度提升的欺诈检测方法，其特征在于，在步骤2中，所述采用改进旗鱼优化器对极端梯度提升的欺诈检测模型的参数进行全局优化寻优，得到优化的参数组合包括：

步骤2.1：在主节点，初始化整个种群的信息，包括初始旗鱼种群数量、初始沙丁鱼种群数量以及种群的最大迭代次数；

步骤2.2：将初始化会话设为变量，并读取分布式文件系统上的数据集获得分布式训练数据集；

步骤2.3：通过随机反向学习初始旗鱼和沙丁鱼种群，根据适应值函数计算每个旗鱼和沙丁鱼个体适应值，并选择最优适应值个体为初代精英旗鱼和初代精英沙丁鱼；

步骤2.4：将整个初始旗鱼和沙丁鱼种群并行化为分布式旗鱼和沙丁鱼种群，此处变量分别为旗鱼弹性分布式数据集和沙丁鱼弹性分布式数据集；

步骤2.5：将每一个旗鱼和沙丁鱼子种群对应旗鱼弹性分布式数据集中的每一个分区，并在每一个分区中指定独立进化；

步骤2.6：在从节点上进行并行旗鱼沙丁鱼种群寻优求解，完成整个旗鱼和沙丁鱼种群的位置信息更新。

4.根据权利要求1所述的一种旗鱼优化器优化极端梯度提升的欺诈检测方法，其特征在于，在步骤2.3中，所述通过随机反向学习初始旗鱼和沙丁鱼种群，根据适应值函数计算每个旗鱼和沙丁鱼个体适应值，并选择最优适应值个体为初代精英旗鱼和初代精英沙丁鱼包括：

步骤2.3.1：将需要计算适应值的种群变量广播到各个从节点上；

步骤2.3.2：在分布式数据集上，获得当前分区中的所有数据的特征值和对应的数据标签；

步骤2.3.3：在分布式数据集上，在当前分区中从广播的种群变量中获取两个种群；

步骤2.3.4：在每个分区中依次遍历这两个种群变量，使用极端梯度提升计算每个个体的适应值；

步骤2.3.5：对当前旗鱼和沙丁鱼适应度值按照降序排列，将最优的旗鱼和沙丁鱼信息记录初代精英旗鱼和初代精英沙丁鱼。

5.根据权利要求4所述的一种旗鱼优化器优化极端梯度提升的欺诈检测方法，其特征在于，在步骤2.3.4中，在计算适应值时，采用如下适应值函数：

适应性＝W₁×准确度+W₂×精确度+W₃×召回率

其中，w₁表示准确度的权重，w₂表示精确度的权重，w₃表示召回率的权重。