[发明专利]基于网络数据的实时反欺诈方法和系统及存储介质

权利要求书

1.一种基于网络互联数据的实时反欺诈方法，其特征在于，包括以下步骤：

网络数据采集步骤：收集原始网络数据，将原始网络数据发送至数据分析与处理步骤；

数据分析与处理步骤：通过接收并分析原始网络数据，获取用户交易信息、用户行为信息，将用户交易信息、用户行为信息发送至欺诈模型匹配步骤；

欺诈模型匹配步骤：对用户交易信息、用户行为信息进行分析，通过规则匹配引擎结合机器学习欺诈模型进行匹配，根据匹配结果输出至欺诈行为判断步骤；

欺诈行为判断步骤：对欺诈模型匹配步骤输出的匹配结果进行欺诈行为判断，形成具体欺诈行为；

欺诈行为输出步骤：将具体欺诈行为发送至外部处理端。

2.根据权利要求1所述的基于网络互联数据的实时反欺诈方法，其特征在于，所述网络数据采集步骤包括：

采集步骤：接收外部设备发送的原始网络数据；

网络层解码步骤：对原始网络数据进行网络层解码，形成第一网络数据；

转发步骤：令第一网络数据转发至数据分析与处理步骤。

3.根据权利要求1所述的基于网络互联数据的实时反欺诈方法，其特征在于，所述数据分析与处理步骤包括：

数据接收步骤：接收网络数据采集步骤转发的第一网络数据；

应用层解码步骤：对第一网络数据进行应用层协议解码，形成非结构化的交易行为数据；

交易关联步骤：根据交易模型对交易行为数据进行交易关联，形成用户交易信息、用户行为信息；

消息输出步骤：将用户交易信息、用户行为信息输出至欺诈模型匹配步骤。

4.根据权利要求1所述的基于网络互联数据的实时反欺诈方法，其特征在于，所述欺诈模型匹配步骤包括：

用户关系分析步骤：对用户交易信息、用户行为信息中的用户关系进行分析，结合用户关系历史数据，形成用户关系网；

用户行为分析步骤：对用户交易信息、用户行为信息中的用户行为进行分析，结合用户行为历史数据，形成用户行为状态；

机器学习步骤：根据用户关系网、用户行为状态在机器学习模型中进行欺诈行为匹配，输出处理结果。

5.根据权利要求1所述的基于网络互联数据的实时反欺诈方法，其特征在于，所述欺诈行为判断步骤包括：

实时判断规则步骤：根据经验模型、神经网络模型判断欺诈模型输出的处理结果是否属于欺诈行为，列举具体欺诈行为；

规则配置步骤：根据设定规则判断欺诈模型输出的处理结果是否属于欺诈行为，列举具体欺诈行为；

机器学习数据输入步骤：令欺诈模型输出的处理结果设置标签，并输入到欺诈模型匹配步骤。

6.根据权利要求1所述的基于网络互联数据的实时反欺诈方法，其特征在于，所述欺诈行为输出步骤：

短信接口通知步骤：将具体欺诈行为通过短信接口发送至外部处理端；

电核接口通知步骤：将具体欺诈行为通过电话审核人工处理发送至外部处理端；

API接口通知步骤：将具体欺诈行为通过API接口与ESB总线交互发送至外部处理端。

7.根据权利要求1所述的基于网络互联数据的实时反欺诈方法，其特征在于，还包括动态反欺诈规则更新步骤；

所述动态反欺诈规则更新步骤：令规则匹配引擎的第一反欺诈规则进行新增或修改，异步构建第二反欺诈规则，异步构建完成后暂停数据分析与处理步骤，令第二反欺诈规则替换第一反欺诈规则，启动规则匹配引擎，恢复数据分析与处理步骤。

8.权利要求1所述的基于网络互联数据的实时反欺诈方法，其特征在于，还包括动态机器学习模型更新步骤；

动态机器学习模型更新步骤：设定时间段内进行历史欺诈行为与正常行为的标记数据集训练，得到最新数据集训练模型，最新数据集训练模型形成之后暂停数据分析与处理步骤，触发机器学习欺诈模型替换，恢复数据分析与处理步骤。