一种基于监测模型的用户风险监控的方法技术

本发明专利技术提供了一种基于监测模型的用户风险监控的方法，方法包含：原始数据采集模块通过大数据获取相关数据，并从相关数据中提取目标特征，建立训练数据集；将带有标记的训练数据集划分为训练集和验证集，通过深度机器学习对训练集进行训练，得到针对目标特征的新训练集，基于新训练集建立监测模型，使用验证集对监测模型的指标进行验证；监测模型与金融交易平台进行通讯，进行实时监测用户数据及交易记录。本发明专利技术对涉赌和涉诈骗用户的行为数据集交易记录等进行获取，并从中提取监测关键的目标特征，为建立完善的数据集奠定可靠的数据基础，一定程度上提升了监测模型构建的精度，有效输出用户风险监控的效果，有效提升涉赌或涉诈骗用户的精度。诈骗用户的精度。诈骗用户的精度。

【技术实现步骤摘要】
一种基于监测模型的用户风险监控的方法


[0001]本专利技术涉及信息监控及数据处理
，特别涉及一种基于监测模型的用户风险监控的方法。

技术介绍

[0002]伴随着互联网等计算机科学技术的告诉发展和进步，网络金融业务蓬勃发展，网上银行、移动支付、微信支付及支付宝支付等使用非常方便，方便的同时，带来了信息泄露及电信网络诈骗等安全问题；为了实现对此类行为进行监控，银行等部门采用互联网及人工智能等方式对涉赌涉诈骗等用户的金融行为进行监控，一旦触发某些条件，立即发出预警，并通知有关部门进行处理；但是目前的监控方式的功能较为简单，其智能化水平还有待提高。
[0003]现有技术一，申请号：CN201811110569.8公开了一种用户风险识别方法、装置及系统，方法包括获取实时交易数据中的待识别用户及待识别用户的通讯记录数据；对通讯记录数据进行特征提取，获得通讯记录特征，通讯记录特征包括待识别用户与呼入用户、呼出用户的通话频率；根据通讯记录特征确定待识别用户的通讯关系网特征；利用通讯关系网特征确定待识别用户的风险识别结果。虽然可以有效实现对交易中高风险用户的实时监控、识别及管控；但是通过通讯记录数据获取的数据比较单一，没有对实质发生的交易进行监控，容易导致用户风险监控效果不佳，降低监控效率。
[0004]现有技术二，申请号：CN202211528908.0公开了一种用户风险评估方法与装置，对存储的安全日志进行统计分析，确定用户攻击时间；对攻击时间进行分析、统计；根据时间统计结果，进行确定性、威胁、阶段三个维度的风险评估，其中确定性与威胁性决定风险等级，风险等级(级别)决定状态判断标准进而处置状态；最后根据状态、处置状态、所处阶段，得到风险汇总，并输出。虽然能够实现对网络攻击、信息泄密与窃取等网络行为的有效评估，掌控网络行为，从而降低多种风险、保障网络安全；但是监控方式单一，划分等级的方式比较繁琐，不利于高效的对用户风险进行监控。
[0005]现有技术三，申请号：CN202011032712.3公开了一种用户风险等级信息的确定方法及装置，方法包括：获取用户风险数据，风险数据包括：内部业务数据和外部网络数据；根据预定规则对风险数据进行预警事项分类操作；根据分类后的风险数据、以及所属的预警级别对所述用户风险进行等级划分操作，以确定该用户的风险等级信息。虽然可以更有效地体现客户的真实风险程度；但是其功能不是很完善，仅实现了风险等级的划分，并没有作出相应的处理，在实际的应用中缺乏实用性。
[0006]目前现有技术一、现有技术二及现有技术三存在用户风险监控的方式存在功能比较单一，采集的数据有限，缺乏智能化的监控方式，导致用户风险监控效率较低，尤其是针对涉赌涉诈骗用户的监控，不利于提升金融业务的安全系数的问题，因而，本专利技术提供一种基于监测模型的用户风险监控的方法，通过监测模型，对原始数据进行深度机器学习，实现监测模型的不断更新和训练，极大地提升了用户风险监控的效果，对涉赌和涉诈骗用户提
前预判，降低人们的财产损失。

技术实现思路

[0007]为了解决上述技术问题，本专利技术提供了一种基于监测模型的用户风险监控的方法，包含以下步骤：
[0008]原始数据采集模块通过大数据获取相关数据，并从相关数据中提取目标特征，建立训练数据集；
[0009]将带有标记的训练数据集划分为训练集和验证集，通过深度机器学习对训练集进行训练，得到针对目标特征的新训练集，基于新训练集建立监测模型，使用验证集对监测模型的指标进行验证；
[0010]监测模型与金融交易平台进行通讯，进行实时监测用户数据及交易记录，若符合涉赌或涉诈骗的模式时，则触发相应的风险预警；若不符合涉赌或涉诈骗的模式，则继续实时监测用户数据及交易记录。
[0011]进一步，相关数据包含既往涉赌和涉诈骗用户的行为数据及交易记录，其中正常用户标记为0，涉赌或涉诈骗用户标记为1。
[0012]进一步，目标特征包含：涉赌和涉诈骗用户的交易频率、交易金额、登陆地点及IP地址等，建立训练数据集。
[0013]进一步，通过深度机器学习对训练集进行训练的过程，包含以下步骤：
[0014]根据划分比例8：2，将训练数据集划分成训练集和验证集；
[0015]获取训练集中的目标特征，根据标记对目标特征进行分类，计算正常用户及涉赌或涉诈骗用户中所有目标特征的特征值，对各自的特征值分别进行对比，删除特征值相同的目标特征，形成删除目标特征后的训练集；
[0016]从删除目标特征后的训练集中，提取目标特征，将目标特征转化为深度机器学习可识别的数值型目标特征，得到针对目标特征的新训练集。
[0017]进一步，基于新训练集建立监测模型的过程，包含以下步骤：
[0018]对新训练集中的目标特征进行数据投影，得到新训练集主成分分析结果，根据目标特征特征值的大小，选择最大的N个特征值对应的目标特征向量，生成特征重构矩阵；
[0019]采用特征重构矩阵对新训练集进行目标特征重构，得到扩展训练集，采用新训练集训练监测模型的卷积神经网络层，构建得到扩展训练集对应的用户风险监控结果；
[0020]基于扩展训练集及用户风险监控结果，建立监控用户风险的监测模型。
[0021]进一步，监测模型的参数优化过程，包含以下步骤：
[0022]定义评估监测模型性能的目标函数，目标函数采用用户风险监控输出结果最大误差，通过对一定时间段内的用户风险监控输出结果进行统计，对各个用户风险监控输出结果进行做差，得到最大误差；
[0023]使用高斯过程模型对目标函数进行先验分布，通过已知的用户风险监控输出结果来预测未来结果的分布；
[0024]根据当前的高斯过程模型，使用参数采样数量最大化策略选择下一个待评估用户风险监控输出结果的参数点；
[0025]在选择的参数点上评估目标函数的值，将新的参数点和目标函数值加入到扩展训
练集中，更新高斯过程模型的参数，直到达到最大评估次数的停止条件。
[0026]进一步，使用验证集对监测模型的指标进行验证的过程，包含以下步骤：
[0027]将验证集分成M份，随机选择其中的M/2份输入监测模型进行训练，得到训练后的决策树模型；
[0028]从M份验证机中选取剩下的M/2份输入监测模型，验证监测模型指标评分并保存；
[0029]重复M/2次，每一次选择的验证机不同，得到M/2个监测模型指标评分，取M/2个监测模型指标评分得到监测模型的评分。
[0030]进一步，实时监测用户数据及交易记录的过程，包含以下步骤：
[0031]金融交易平台通过身份认证对监测模型的合法身份进行判断，监测模型的身份合法，则建立与监测模型的通讯；
[0032]金融交易平台实时采集所有用户的行为数据及交易记录等，并提取目标特征，送入监测模型进行识别；
[0033]若监测模型识别的结果符合原始数据采集模块通过大数据获取相关数据，则判断此用户为涉赌本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于监测模型的用户风险监控的方法，其特征在于，包含以下步骤：原始数据采集模块通过大数据获取相关数据，并从相关数据中提取目标特征，建立训练数据集；将带有标记的训练数据集划分为训练集和验证集，通过深度机器学习对训练集进行训练，得到针对目标特征的新训练集，基于新训练集建立监测模型，使用验证集对监测模型的指标进行验证；监测模型与金融交易平台进行通讯，进行实时监测用户数据及交易记录，若符合涉赌或涉诈骗的模式时，则触发相应的风险预警；若不符合涉赌或涉诈骗的模式，则继续实时监测用户数据及交易记录。2.如权利要求1所述的基于监测模型的用户风险监控的方法，其特征在于，相关数据包含既往涉赌和涉诈骗用户的行为数据及交易记录，其中正常用户标记为0，涉赌或涉诈骗用户标记为1。3.如权利要求1所述的基于监测模型的用户风险监控的方法，其特征在于，目标特征包含：涉赌和涉诈骗用户的交易频率、交易金额、登陆地点及IP地址，建立训练数据集。4.如权利要求1所述的基于监测模型的用户风险监控的方法，其特征在于，通过深度机器学习对训练集进行训练的过程，包含以下步骤：根据划分比例8：2，将训练数据集划分成训练集和验证集；获取训练集中的目标特征，根据标记对目标特征进行分类，计算正常用户及涉赌或涉诈骗用户中所有目标特征的特征值，对各自的特征值分别进行对比，删除特征值相同的目标特征，形成删除目标特征后的训练集；从删除目标特征后的训练集中，提取目标特征，将目标特征转化为深度机器学习可识别的数值型目标特征，得到针对目标特征的新训练集。5.如权利要求1所述的基于监测模型的用户风险监控的方法，其特征在于，基于新训练集建立监测模型的过程，包含以下步骤：对新训练集中的目标特征进行数据投影，得到新训练集主成分分析结果，根据目标特征特征值的大小，选择最大的N个特征值对应的目标特征向量，生成特征重构矩阵；采用特征重构矩阵对新训练集进行目标特征重构，得到扩展训练集，采用新训练集训练监测模型的卷积神经网络层，构建得到扩展训练集对应的用户风险监控结果；基于扩展训练集及用户风险监控结果，建立监控用户风险的监测模型。6.如权利要求5所述的基于监测模型的用户风险监控的方法，其特征在于，监测模型的参数优化过程，包含以下步骤：定义评估监测模型性能的目标函数，目标函数采用用户风险监控输出结果最大误差，通过对一定时间段内的用户风险监控输出结果进行统计，对各个用户风险监控输出结果进行做差，得到最大误差；使用高斯过程模型对目标函数进行先验分布，通过已知的用户风险监控输出结果来预测未来结果的分布；根据当前的高斯过程模型，使用参数采样数量最大化策略选择下...

【专利技术属性】
技术研发人员：陈颖，
申请(专利权)人：石溪信息科技上海有限公司，
类型：发明
国别省市：