[发明专利]基于教唆型欺诈的预警方法、系统、介质及设备

说明书

本发明提供一种基于教唆型欺诈的预警方法、系统、介质及设备，所述基于教唆型欺诈的预警方法包括：对用户事件数据进行特征提取，以生成用户行为特征向量；对所述用户行为特征向量进行聚类与分类处理，以得到用户行为类别；通过滑动时间窗统计所述用户行为类别的用户量；将所述用户量与预设阈值进行比较，将比较结果与熔断恢复机制结合，以在用户量异常时进行预警。本发明将滑动时间窗统计与熔断‑恢复机制相结合，通过滑动时间窗有效地对一段时间内的用户量进行统计计算，同时克服了因时间窗滑动需要等待带来的时间滞后，使得教唆型欺诈用户的预警实时性大大提高。

技术领域

本发明涉及欺诈预警的技术领域，涉及一种欺诈预警方法，特别是涉及一种基于教唆型欺诈的预警方法、系统、介质及设备。

背景技术

教导教唆型欺诈是指在有指导、有参考的条件下利用交易系统的漏洞等系统缺陷，所产生的大批量欺诈行为。在互联网交易方面，教导教唆性欺诈相对于传统欺诈行为具有突发性、激增性、难以预测和危害影响更大等特点。随着移动设备的大量使用，由欺诈分子发现的系统漏洞会以教程的形式在网络上的虚拟社区中快速传播，在短时间内会对金融、电商等企业造成巨额的经济损失，是如今互联网诈骗重要的手段之一。所以在这一问题日益严重的情况下，如何快速有效对大规模欺诈行为进行及时的报警，从而避免其造成更大危害，成了当今社会亟待解决的热点课题。

目前，在多数的金融交易机构当中较为普遍的是针对放贷之后的风险控制，现有技术中提出一种贷后风险监控的方法，包括根据贷款申请信息中的预定个人地址信息查询地图获得坐标数据；对所述坐标数据两两计算得到坐标距离，对每个所述坐标距离的预设距离范围内的贷款合同进行聚类分析，得到所述贷款申请信息对应的欺诈可能性数值；若所述欺诈可能性数值大于阈值，则申请所述贷款申请信息对应的贷后反欺诈调查。该发明在一定程度上确实降低了贷后欺诈的风险，但是依然存在一定的局限性。首先，仅仅通过位置信息来进行欺诈判断，会使得模型的准确度降低，从而造成大量误判的情况发生；其次，针对如今的金融风险控制的需求，我们应该将欺诈检测放置在交易或者放贷之前，进而防止造成更大的经济损失。

近一段时间以来，在金融机构中比较常见的贷前监控主要是通过建立风险策略名单的方式，这在一定程度上提高了贷前欺诈预测的准确度，建立风险名单是针对存在异常的用户或者设备加入黑名单，在交易前进行拦截或者进行报警反馈；构建决策模型是通过现有的机器学习或深度学习算法，利用用户的特征进行训练。但是针对教导教唆型欺诈这一问题尚未有效解决。

因此，如何提供一种基于教唆型欺诈的预警方法、系统、介质及设备，以解决现有技术无法以较高实时性对教导教唆性欺诈进行预警等缺陷，成为本领域技术人员亟待解决的技术问题。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于教唆型欺诈的预警方法、系统、介质及设备，用于解决现有技术无法以较高实时性对教导教唆性欺诈进行预警的问题。

为实现上述目的及其他相关目的，本发明一方面提供一种基于教唆型欺诈的预警方法，所述基于教唆型欺诈的预警方法包括：对用户事件数据进行特征提取，以生成用户行为特征向量；对所述用户行为特征向量进行聚类与分类处理，以得到用户行为类别；通过滑动时间窗统计所述用户行为类别的用户量；将所述用户量与预设阈值进行比较，将比较结果与熔断恢复机制结合，以在用户量异常时进行预警。

于本发明的一实施例中，对用户事件数据进行特征提取，以生成用户行为特征向量的步骤包括：将用户行为日志构成的事件数据进行量化，提取用于描述用户行为的特征，形成用户行为特征向量。

于本发明的一实施例中，对所述用户行为特征向量进行聚类与分类处理，以得到用户行为类别的步骤包括：对历史用户的用户行为特征向量进行聚类，生成聚类模型；将当前时间段内用户的用户行为特征向量输入所述聚类模型中进行分类；根据分类的结果确定所述用户行为类别。