一种金融反网络诈骗系统技术方案

本发明专利技术公开了一种金融反网络诈骗系统，属于网络安全防护领域，包括：数据模块，用于获取用户历史行为数据；数据源模块，用于向数据模块输入用户历史行为数据；数据比对模块，用于根据用户历史行为数据建立数据模型；数据抓取模块，用于获取用户新行为数据；数据辨识模块，用于将用户新行为数据与数据模型进行比对，通过与数据模型的匹配度生成信息标签；处理模块，用于根据信息标签对对应用户进行权限处理。本技术方案，能够根据客户的资金流动方式、流动方向及流动量进行统计，并根据统计信息划分客户风险类型的系统。分客户风险类型的系统。分客户风险类型的系统。

【技术实现步骤摘要】
一种金融反网络诈骗系统


[0001]本专利技术属于网络安全防护领域，具体来说，是一种金融反网络诈骗系统。

技术介绍

[0002]随着信息科技和银行业的快速发展，大部分的现代商业依赖于电子银行业务和无现金支付系统。通过提供电子银行服务，传统金融机构可降低成本、优化客户服务、留住客户和扩大市场份额。
[0003]电子银行的普及，欺诈事件也随之快速增长；欺诈有业务环节多，手段多样化，隐蔽性强等特点，如何有效地管理和控制欺诈风险，已经成为监管者必须重视、银行必须面对的一个重要问题。
[0004]随着电信移动互联网4G/5G和智能多媒体终端快速普及，截至2016年底，我国手机网民数达到6.88亿，用户规模位居全球第一。庞大电信用户交互信息不仅成为催生新型信息消费服务业、发现和处理民生问题、制定有效政策提供重要的辅助决策依据，同时也成为不法分子或组织肆意组织实施电话网络诈骗、网络恐怖和违法犯罪等恶性事件首选对象。现有网络、电话诈骗的手段隐蔽性、通信方式多样性和事件线索随着用户群体互动的动态演化和情绪漂移等技术挑战，使得现有预防网络、电话诈骗技术难以有效获取用户群体动态交互拓扑结构，无法准确识别出网络、电话诈骗线索等问题。使得我国电信网络诈骗事件愈演愈烈，犯罪手段层出不穷，同时电信网络诈骗跟高利贷、网络赌博、网络传销和非法集资等犯罪事件交织在一起，由此引发社会犯罪率逐年上升，给社会公共安全带来前所未有的挑战。
[0005]为了有效处理欺诈，反欺诈应运而生。反欺诈是对包含交易诈骗、网络诈骗、电话诈骗、盗卡盗号等欺诈行为进行识别的一项服务，而在线反欺诈是互联网金融必不可少的一部分，目前，常见的反欺诈系统有：黑白名单系统、风险识别决策引擎、征信系统等。
[0006]黑名单系统、征信系统是对已有欺诈的汇总，无法应对新出现的欺诈问题，而风险识别决策引擎作为黑名单的升级版本，最大的问题在于主要依靠人为经验进行判断，这是一个十分耗费人力物力的过程，甚至还会出现经验错误而导致误判的状况，使得大量的优质客户的流失。
[0007]为此，需要一种能够根据客户的资金流动方式、流动方向及流动量进行统计，并根据统计信息划分客户风险类型的系统。

技术实现思路

[0008]本专利技术目的是旨在提供一种克服现有技术中不足的金融反网络诈骗系统。
[0009]为实现上述技术目的，本专利技术采用的技术方案如下：
[0010]一种金融反网络诈骗系统，包括：
[0011]数据模块，用于获取用户历史行为数据；
[0012]历史行为数据包括行内数据和外部数据，所述行内数据包括交易数据、账户数据、
开户信息、监管通报和IP设备信息，所述外部数据包括涉赌涉诈银行卡、受害人预警、IP数据和收集标签；
[0013]数据源模块，用于向数据模块输入用户历史行为数据；
[0014]数据比对模块，用于根据用户历史行为数据建立数据模型，通过对用户的历史行为数据进行整合学习，根据风险等级构建不同数据模型；
[0015]数据抓取模块，用于获取用户新行为数据，通过与网监部门协同，获取涉赌涉诈网站以及相关APP，形成用户行为的检测，对相关涉赌涉诈网站或相关APP登录、下载用户根据采用IP反向追溯确定用户信息，对该用户信息对应的名下银行卡生成新行为数据；
[0016]数据辨识模块，用于将用户新行为数据与数据模型进行比对，通过与数据模型的匹配度生成信息标签；
[0017]处理模块，用于根据信息标签对对应用户进行权限处理。
[0018]采用上述技术方案，数据模块用于获取用户历史行为数据，用户的历史行为数据包括用户以前的转账方式、转账目的用户信息、转账金额以及转账频率等数据信息，数据比对模块用于根据用户历史行为数据进行分析，根据历史高发诈骗类型构建各种诈骗模型，比如网络赌博模型、电信诈骗模型等不同数据模型，数据抓取模块用于抓取用户新行为数据，数据新行为数据包括用户最新的转账方式、转账目的用户信息、转账金额以及转账频率等数据信息，数据源模块用于将数据抓取模块获取的用户新行为数据输入数据模块中，并在数据模块中形成用户新行为数据的单独文件以及用户新行为数据与用户历史行为数据的整合文件，数据辨识模块将用户新行为数据的单独文件和用户新行为数据与用户历史行为数据的整合文件与数据比对模块构建的欺诈模型进行对比，对用户进行划分类型，处理模块根据用户被划分的类型对用户的操作权限进行分类处理，能够根据客户的资金流动方式、流动方向及流动量进行统计，并根据统计信息划分客户风险类型的系统。
[0019]进一步限定，所述行为数据包括法院电子数据、公安电子数据、运营商数据、互联网社交网络数据、移动社交网络数据、银行征信数据、信贷记录数据、保险数据、电商记录数据、第三方金融支付数据。
[0020]将用户的行为数据细化，利于对用户的类型划分，且通过对用户的个人信息进行辨识，丰富对欺诈模型的刻画，行为异常检测：且基于交易行为数据集形成异常行为集合；且生成异常行为模型，通过基于交易行为数据集的大数据结构形成与该群体有显著差异或者异常情况的异常样本模型；所形成异常样本模型是基于异常行为模型，将异常行为关键信息形成标准化可测样本，基于标准化可测样本，确定标准化可测样本中聚类较小的记录是否为异常样本；若为当前记录为异常样本，则将当前异常样本记录记录于异常行为集合，利于数据辨识模块对用户的行为数据进行分析。
[0021]进一步限定，所述数据模型按风险度递增划定为多个。
[0022]数据模型可以与历史诈骗类型进行对比，与诈骗类型的符合度越高则风险度越高，将风险度分为多个阈值，根据阈值信息划分为多个不同的数据模型，将用户的新行为数据与数据模型进行比对，对用户进行精准划分。
[0023]进一步限定，所述数据辨识模块生成的标签信息包括安全用户、低风险用户、中风险用户、高风险用户和黑名单用户。所述数据辨识模块主要利用大数据技术、流式数据处理技术、人工智能技术、可视化建模技术和模型统一管理技术，对数据进行采集、治理和建模。
其中，可视化建模：通过拖拽方式，利用网络处理算法组件、机器学习算法组件，进行可视化建模。人工智能实验室：主要基于人工技能技术，对数据进行加工治理和训练，构建特征工程，例如识别用户的转账交易特征、交易往来特征、本行关联特征等。模型管理：主要对建模好的模型进行统一管理，如模型上线、模型效能检测、模型功能迭代等。
[0024]标签信息为用户行为数据与数据模型进行的比对结果，数据模型根据风险度可划分为安全数据模型、低风险数据模型、中风险数据模型、高风险数据模型和黑名单数据模型，用户行为数据落入安全数据模型的阈值范围内，则该用户被划分为安全用户，落入低风险数据模型的阈值范围内，则该用户被划分为低风险用户，落入中风险数据模型的阈值范围内，则该用户被划分为中风险用户，落入高风险数据模型的阈值范围内，则该用户被划分为高风险用户，落入黑名单数据模型的阈值范围内，则该用户被划分为黑名单用户，处理模块将根据不同的标签本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种金融反网络诈骗系统，其特征在于，包括：数据模块，用于获取用户历史行为数据；历史行为数据包括行内数据和外部数据，所述行内数据包括交易数据、账户数据、开户信息、监管通报和IP设备信息，所述外部数据包括涉赌涉诈银行卡、受害人预警、IP数据和收集标签；数据源模块，用于向数据模块输入用户历史行为数据；数据比对模块，用于根据用户历史行为数据建立数据模型，通过对用户的历史行为数据进行整合学习，根据风险等级构建不同数据模型；数据抓取模块，用于获取用户新行为数据，通过与网监部门协同，获取涉赌涉诈网站以及相关APP，形成用户行为的检测，对相关涉赌涉诈网站或相关APP登录、下载用户根据采用IP反向追溯确定用户信息，对该用户信息对应的名下银行卡生成新行为数据；数据辨识模块，用于将用户新行为数据与数据模型进行比对，通过与数据模型的匹配度生成信息标签；处理模块，用于根据信息标签对对应用户进行权限处理。2.根据权利要求1所述的一种金融反网络诈骗系统，其特征在于，所述行为数据包括法院电子数据、公安电子数据、运营商数据、互联网社交网络数据、移动社交网络数据、银行征信数据、信贷记录数据、保险数据、电商记录数据、第三方金融支付数据。3.根据权利要求1所述的一种金融反网络诈骗系统，其特征在于，所述数据模型按风险度递增划定为多个。4.根据权利要求1所述的一种金融反网络诈骗系统，其特征在于，所述数据辨识模块生成的标签信息包括安全用户、低风险用户、中风险用户、高风险用户和黑名单用户。5.根据权利要求1所述的一种金融反网络诈骗系统，其特征在于，所述数据抓取模块的采集周期为k天，每个采集周期完成之后，该周期所采集的用...

【专利技术属性】
技术研发人员：冯亮，曾新平，曾志，
申请(专利权)人：上海艾大软件有限公司，
类型：发明
国别省市：