System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及计算机,尤其涉及一种员工异常交易行为识别方法、装置、设备和存储介质。
技术介绍
1、在金融行业中,员工的异常交易行为往往会给金融机构带来极大的业务风险,因此,对员工异常交易行为进行监测尤为重要。目前,现有技术采用有监督的机器学习算法对员工异常交易行为进行监测,成本高,难以及时识别出新的异常交易行为,采用现有的无监督的机器学习算法对员工异常交易行为进行监测,难以准确识别出多种异常交易行为。
技术实现思路
1、本专利技术提供一种员工异常交易行为识别方法、装置、设备和存储介质,用以解决现有技术中采用有监督的机器学习算法对员工异常交易行为进行监测,成本高,难以及时识别出新的异常交易行为,采用现有的无监督的机器学习算法对员工异常交易行为进行监测,难以准确识别出多种异常交易行为的缺陷。
2、第一方面,本专利技术提供一种员工异常交易行为识别方法,包括:
3、获取待监测员工的交易数据,所述交易数据包括账户交易数据和关联交易数据;
4、对所述账户交易数据和所述关联交易数据进行处理,得到处理后的账户交易数据和处理后的关联交易数据;
5、基于异常交易识别模型,对所述处理后的账户交易数据和所述处理后的关联交易数据进行识别,得到所述待监测员工的异常交易行为识别结果;
6、所述异常交易识别模型是基于第一异常检测模型和第二异常检测模型进行融合得到的,所述第一异常检测模型是基于处理后的样本账户交易数据,采用局部离群因子lof算法进行训练得到
7、在一些实施例中,所述基于异常交易识别模型,对所述处理后的账户交易数据和所述处理后的关联交易数据进行识别,得到所述待监测员工的异常交易行为识别结果,包括:
8、基于所述异常交易识别模型,对所述处理后的账户交易数据中的异常交易数据进行识别,得到第一识别结果;
9、基于所述异常交易识别模型,对所述处理后的关联交易数据中的异常交易数据进行识别,得到第二识别结果;
10、基于所述第一识别结果和第二识别结果,得到所述待监测员工的异常交易行为识别结果。
11、在一些实施例中,所述基于所述第一识别结果和第二识别结果,得到所述待监测员工的异常交易行为识别结果,包括:
12、确定所述第一识别结果的权重,以及所述第二识别结果的权重;
13、基于所述第一识别结果和第二识别结果,以及所述第一识别结果的权重和所述第二识别结果的权重,确定所述待监测员工的异常交易行为识别结果。
14、在一些实施例中,所述基于所述异常交易识别模型,对所述处理后的账户交易数据中的异常交易数据进行识别,得到第一识别结果,包括:
15、基于所述处理后的账户交易数据,确定第一待测数据点;
16、基于所述第一待测数据点,计算第一lof值,所述第一lof值为所述第一待测数据点的邻域点的局部可达密度与所述第一待测数据点的局部可达密度的比值;
17、基于所述第一lof值,确定所述第一识别结果;
18、所述基于所述异常交易识别模型,对所述处理后的关联交易数据中的异常交易数据进行识别,得到第二识别结果,包括:
19、基于所述处理后的关联交易数据,确定第二待测数据点;
20、基于所述第二待测数据点,计算第二lof值,所述第二lof值为所述第二待测数据点的邻域点的局部可达密度与所述第二待测数据点的局部可达密度的比值;
21、基于所述第二lof值,确定所述第二识别结果。
22、在一些实施例中,所述基于异常交易识别模型,对所述处理后的账户交易数据和所述处理后的关联交易数据进行识别,得到所述待监测员工的异常交易行为识别结果之后,还包括:
23、基于所述待监测员工的异常交易行为识别结果,确定所述待监测员工是否发生异常交易行为;
24、在确定所述待监测员工发生异常交易行为的情况下,生成告警信息进行告警。
25、在一些实施例中,所述对所述账户交易数据和所述关联交易数据进行处理包括:
26、对所述账户交易数据和所述关联交易数据进行数据清洗和特征处理。
27、在一些实施例中,所述异常交易识别模型的确定过程包括:
28、获取样本员工的样本交易数据,所述样本交易数据包括样本账户交易数据和样本关联交易数据;
29、对所述样本账户交易数据和所述样本关联交易数据进行处理,得到所述处理后的样本账户交易数据和处理后的样本关联交易数据;
30、将所述处理后的样本账户交易数据输入至初始第一异常检测模型,采用lof算法对所述初始第一异常检测模型进行训练和参数优化迭代,得到所述第一异常检测模型;
31、将所述处理后的样本关联交易数据输入至初始第二异常检测模型,采用lof算法对所述初始第二异常检测模型进行训练和参数优化迭代,得到所述第二异常检测模型;
32、将所述第一异常检测模型和所述第二异常检测模型进行融合,得到所述异常交易识别模型。
33、第二方面,本专利技术还提供一种员工异常交易行为识别装置,包括:
34、获取单元,用于获取待监测员工的交易数据,所述交易数据包括账户交易数据和关联交易数据;
35、处理单元,用于对所述账户交易数据和所述关联交易数据进行处理,得到处理后的账户交易数据和处理后的关联交易数据;
36、识别单元,用于基于异常交易识别模型,对所述处理后的账户交易数据和所述处理后的关联交易数据进行识别,得到所述待监测员工的异常交易行为识别结果;
37、所述异常交易识别模型是基于第一异常检测模型和第二异常检测模型进行融合得到的,所述第一异常检测模型是基于处理后的样本账户交易数据,采用局部离群因子lof算法进行训练得到的,所述第二异常检测模型是基于处理后的样本关联交易数据,采用lof算法进行训练得到的。
38、第三方面,本专利技术还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述员工异常交易行为识别方法。
39、第四方面,本专利技术还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述员工异常交易行为识别方法。
40、本专利技术提供的一种员工异常交易行为识别方法、装置、设备和存储介质,通过获取待监测员工的交易数据,交易数据包括账户交易数据和关联交易数据,对账户交易数据和关联交易数据进行处理,基于异常交易识别模型,对处理后的账户交易数据和处理后的关联交易数据进行识别,得到待监测员工的异常交易行为识别结果,异常交易识别模型是基于第一异常检测模型和第二异常检测模型进行融合得到的,第一异常检测模型和第二异常检测模型都是采用局部离群因子lof算法进行训练得到本文档来自技高网...
【技术保护点】
1.一种员工异常交易行为识别方法,其特征在于,包括:
2.根据权利要求1所述的员工异常交易行为识别方法,其特征在于,所述基于异常交易识别模型,对所述处理后的账户交易数据和所述处理后的关联交易数据进行识别,得到所述待监测员工的异常交易行为识别结果,包括:
3.根据权利要求2所述的员工异常交易行为识别方法,其特征在于,所述基于所述第一识别结果和第二识别结果,得到所述待监测员工的异常交易行为识别结果,包括:
4.根据权利要求2所述的员工异常交易行为识别方法,其特征在于,所述基于所述异常交易识别模型,对所述处理后的账户交易数据中的异常交易数据进行识别,得到第一识别结果,包括:
5.根据权利要求1所述的员工异常交易行为识别方法,其特征在于,所述基于异常交易识别模型,对所述处理后的账户交易数据和所述处理后的关联交易数据进行识别,得到所述待监测员工的异常交易行为识别结果之后,还包括:
6.根据权利要求1-5任一项所述的员工异常交易行为识别方法,其特征在于,所述对所述账户交易数据和所述关联交易数据进行处理包括:
7.根据权利
8.一种员工异常交易行为识别装置,其特征在于,包括:
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述员工异常交易行为识别方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述员工异常交易行为识别方法。
...【技术特征摘要】
1.一种员工异常交易行为识别方法,其特征在于,包括:
2.根据权利要求1所述的员工异常交易行为识别方法,其特征在于,所述基于异常交易识别模型,对所述处理后的账户交易数据和所述处理后的关联交易数据进行识别,得到所述待监测员工的异常交易行为识别结果,包括:
3.根据权利要求2所述的员工异常交易行为识别方法,其特征在于,所述基于所述第一识别结果和第二识别结果,得到所述待监测员工的异常交易行为识别结果,包括:
4.根据权利要求2所述的员工异常交易行为识别方法,其特征在于,所述基于所述异常交易识别模型,对所述处理后的账户交易数据中的异常交易数据进行识别,得到第一识别结果,包括:
5.根据权利要求1所述的员工异常交易行为识别方法,其特征在于,所述基于异常交易识别模型,对所述处理后的账户交易数据和所述处理后的关联...
【专利技术属性】
技术研发人员:张燕灵,
申请(专利权)人:中银金融科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。