[发明专利]资源敏感的联合金融欺诈检测模型训练方法及检测方法

说明书

本发明公开了一种资源敏感的联合金融欺诈检测方法及检测模型训练方法，模型训练方法包括：S01、服务器端将欺诈检测模型的参数初始化为初始的全局参数；S02、模型训练，包括：S021、本地迭代：各客户端分别获取全局参数，用各自的样本数据集分别训练欺诈检测模型后，更新欺诈检测模型的参数作为本地参数传回服务器端；S022、全局更新：服务器端将本地参数整合成全局参数，并将全局参数发回各客户端进行步骤S021；S03、训练完成，生成采用最后的全局参数的欺诈检测模型。本发明使得各个银行或者金融机构在不共享自己私有数据集的前提下协同训练欺诈检测模型，解决了数据孤岛问题，而又不会侵犯客户隐私或泄露商业秘密，提升了金融欺诈检测效率和准确性。

技术领域

本发明涉及金融安全技术领域，尤其涉及一种资源敏感的联合金融欺诈检测模型训练方法及检测方法。

背景技术

近年来，随着电子商务和移动互联网的发展，极大地增加了各个银行的信用卡交易数量，由于信用卡的使用越来越多，诈骗者也试图寻找更多的机会来进行信用卡欺诈，同时各个银行和金融机构也不得不面对越来越多的信用卡欺诈行为。信用卡欺诈是一种犯罪行为，它给银行和金融机构以及持卡人带来了巨大的经济损失。

现有的信用卡欺诈检测技术主要分为以下两种：

1、基于规则的欺诈识别，该方法是通过规则建立防范机制是比较传统的一类信用卡欺诈检测技术。其通过分析大量欺诈样本，将欺诈行为特点记录下来应用规则引擎及统计分析技术形成“规则”，然后进行多维度多规则的组合，每条规则被赋予一定的权重，命中相关规则的行为会得到累积的分值。即对单次信用卡交易行为的欺诈度进行综合量化，从而来预测欺诈的概率确定诈骗风险评级。

2、基于机器学习的模型，指的是采用数据挖掘方法，基于历史数据而建立的分类模型，利用海量数据通过机器训练模型来对信用卡交易进行判断，通过分析消费行为来进行模式识别。通过已有的训练样本(即已知数据以及其对应的输出)去训练得到一个最优模型，具有对未知数据进行推测和分类的能力，比如在已知“好”和“坏”标签的前提下，尝试从历史数据中，分析出欺诈交易的典型特征和消费行为模式，从而遇到相似的行为时可以分辨是否是欺诈交易。

然而，上述两种方法都具有一定的缺点。

例如，前一种基于规则的欺诈识别的反欺诈规则引擎中，这些甄别欺诈行为的规则依赖于从大量历史案例中总结出来的“专家知识”，也称之为“规则”。随着数据量的增大,数据类型的增多,传统的基于规则匹配的离散式欺诈分析预警系统已经无法准确识别欺诈。

由于单靠人工分析是很难检测到信用卡交易事务数据集中的欺诈模式的，所以开发出一种系统来自动实施欺诈检测对于银行和金融机构而言，是必不可少的。

然而，基于传统的机器学习的方法中，由于持卡人在不同客户群上的消费模式各不相同，因此需要使用考虑每个客户群动态的数据集来训练性能最佳的模型，但一部分传统的机器学习模型都是运用本地数据集建立独立的内部欺诈检测模型，对用户群的消费模式并不能完全了解，所以独立的内部模型的效果时常不佳。

鉴于银行和金融类公司间的竞争性质，他们不愿彼此或在数据中心中共享其专有数据，传统的用于欺诈检测的机器学习模型通常仅使用每家银行或金融机构单独收集的内部数据进行训练。由于这一原因，导致了信用卡欺诈检测过程中出现了严重的数据孤岛问题，导致信用卡欺诈检测效率和检测准确率都不理想。

发明内容

鉴于现有技术存在的不足，本发明提供了一种资源敏感的联合金融欺诈检测模型训练方法及检测方法，使得银行、各金融机构等之间的大规模协作成为可能，使得各个银行、金融机构在不共享自己私有数据集的前提下协同训练欺诈检测模型，提高训练效率和准确性。

为了实现上述的目的，本发明采用了如下的技术方案：

一种资源敏感的联合金融欺诈检测模型训练方法，包括：