[发明专利]一种欺诈用户的识别方法及装置

说明书

本发明提供了一种欺诈用户的识别方法及装置，该识别方法包括：获取第一话单数据以及第二话单数据；提取第一话单数据以及第二话单数据中与预定属性特征相对应的特征数据，根据特征数据对已知用户、历史欺诈用户以及待识别用户进行分箱处理，其中预定属性特征为用于确定待识别用户在一目标业务上是否存在异常行为的识别特征；根据分箱处理后的特征数据，分别计算待识别用户的综合评分以及异常用户的综合评分，其中异常用户包括已知用户中的欺诈用户以及历史欺诈用户；根据待识别用户的综合评分以及异常用户的综合评分，确定待识别用户是否为欺诈用户。本发明解决了解决现有的欺诈用户的有效识别方法均存在一定的局限性的问题。

技术领域

本发明涉及移动通信领域，特别涉及一种欺诈用户的识别方法及装置。

背景技术

防范电信欺诈是移动通信领域中一个重要的研究课题，由于电信业务的复杂化以及电信欺诈技术和手段的多样化，使得电信欺诈的控制难度更大，电信欺诈行为的防治已成为运营商的一大难题，运营商为及时发现欺诈异常制定了很多办法，开发了相应的检测系统，也取得了一定成效。但是，欺诈用户的有效识别是一个关键的技术难题。

现有的欺诈异常识别方法主要通过对用户通话的话单数据进行采集分析，对超量、超频、超长通话进行实时分类监控，并设定一定的预警阈值，使通话在超过预警阈值时下发告警。同时，在业内欺诈识别规则的技术实现上，通常将规则以程序代码的方式固化到系统中，提供了部分参数配置的接口，通过人工修改参数实现对原有规则的更新，若添加新规则，则需要重新进行开发、设计、测试等流程。

然而，用户的科学信用评估、有效识别欺诈异常用户是多个行业公认的欺诈识别装置的技术难题。现有的识别方法主要有规则集、孤立点检测及分类预测三大类：

基于规则集的筛选方法即根据历史数据中的欺诈用户特点，定义一系列规则的组合，当某个新用户满足规则时，系统主动告警，供管理员进行处理。例如，单手机号卡月度累计话费超过10万元，则判定为欺诈用户。

孤立点检测技术则是利用数据挖掘中的智能模型，找出总体中的特殊用户样本，系统再将这些特殊用户提交给管理员。例如，采用基于密度的孤立点检测算法，数据集中的每个对象的异常程度用局部异常因子来衡量，即将与数据集中P％的实例距离大于L的实例判定为孤立点，其中P和L为预设参数。然而，对于基于规则集的筛选方法，所有规则集完全来自于业务经验，规则的参数不容易设置，条件苛刻则漏报率高，条件松懈则误报率高；此外，该类方法没有自我学习的能力，当新的欺诈行为模式产生时，由于规则集不能覆盖，会出现明显的漏报情况。然而，对于孤立点检测技术，虽然可以有效识别出总体中的特殊样本，但特殊样本并非一定是欺诈用户，误报率较高；另外，孤立点检测算法需要实时计算大量用户的距离，计算复杂度高导致计算量巨大，系统容量有限，无法满足通信行业海量数据的实战要求。

分类预测采用数据挖掘中的分类技术，通过建立决策树等分类器模型对新样本进行分类判决，例如，按照决策树的如果-则(IF-THEN)规则，将通话次数大于1000次且月累计话费大于10万元的用户判定为欺诈用户。对于数据挖掘中的分类模型，分类器完成训练后，模型应用的对象是整个周期的累计数据；而对于欺诈的实时监测问题而言，由于欺诈行为往往集中在短时间如数小时内，等累计数据达到分类器IF-THEN规则所需要的条件，欺诈行为往往已经实施大半，欺诈检测的及时性表现不佳，因此实战意义大大降低。

由此可见，现有的三种主要方法：规则集、孤立点检测及分类模型，均存在着一些局限性，对于以流数据为形式的实时欺诈检测应用场景表现出了明显的不适应问题。

发明内容

本发明提供了一种欺诈用户的识别方法及装置，其目的是为了解决现有的欺诈用户的有效识别方法均存在一定的局限性的问题。

为了达到上述目的，本发明的实施例提供了一种欺诈用户的识别方法，包括：