[发明专利]基于图数据库的信用卡欺诈预选方法、装置及存储介质

说明书

本发明提供一种基于图数据库的信用卡欺诈预选方法装置及存储介质。方法包括：获取待处理数据；将信用卡数据、商户数据以及还款人数据作为节点数据，将信用卡数据对应还款人的关系数据以及信用卡数据对应商户的关系数据作为边数据，从而构建全量图；将信用卡数据以及还款人数据作为节点数据，将将信用卡数据对应还款人的关系数据作为边数据，从而构建聚类图；对所述聚类图进行基于连通性的分组处理有边相连的节点全部划归一个子图中，从而获取连通性分组结果；对所述大群组按照还款人为中心点连接其所还款的信用卡，进一步获取细分组结果；基于评价指标对全量图中各个分组进行评估后，输出满足预设条件的预选结果，其中评价指标根据信用卡消费数据获取。

技术领域

本发明涉及信息安全监测技术领域，具体而言，尤其涉及一种基于图数据库的信用卡欺诈预选方法装置及存储介质。

背景技术

银行信用卡系统交易数据量大，仅靠人力无法对欺诈行为进行有效的检测。通常需要通过算法对有欺诈嫌疑的客户进行筛选，然后再通过人工对自动筛选出的风险客户进行审核。目前对于海量的信用卡交易数据处于数据仓储阶段向数据挖掘过渡阶段，各家对于信用卡欺诈行为的监测挖掘手段各不相同，主要通过在NEO4j中构建一个图数据库，再用Louvain算法将客群进行划分，以客群大小排序并计算客群的平均article rank评分，逾期客户数，可疑商户数等指标分析客群。最后将有欺诈嫌疑的大客群导出人工排查。但是Neo4j对图数据结构导致写入性能差，实时性读写跟不上，大数据量导入麻烦。其次Neo4j对于超大节点处理性能不佳。当有一个节点的边非常多时，有关这个节点的操作的速度将大大下降。另外，Neo4j进行图数据库处理时会十分缓慢，非分布式存储对硬盘资源要求较高，想要提高性能和容量只能加大机器的硬盘、使用更高的内存和SSD，硬件最终会达到瓶颈。

综上，Neo4j适合存储数据量小，修改较少，查询较多，没有超大节点的图数据，而需要完成的反欺诈探测却是拥有大量数据，复杂节点关系并拥有大量图计算的图数据库。

发明内容

根据上述提出的交易数据量大，模型计算量大、耗时长且对硬件要求高的技术问题，而提供一种基于图数据库的信用卡欺诈预选方法、装置及存储介质。将本发明嵌入银行新一代系统中，便于信用卡风险预警岗从客群—客户—账户—商户之间的关系判断出发，层层剥茧，辅助以账单和外部数据的协查，从而实现欺诈客群的识别，从而及时防范、控制和化解风险。

本发明采用的技术手段如下：

一种基于图数据库的信用卡欺诈预选方法，包括：

获取待处理数据，所述待处理数据包括信用卡数据、商户数据以及还款人数据，通过Spark Graphx构建图数据库；

将信用卡数据、商户数据以及还款人数据作为节点数据，将信用卡数据对应还款人的关系数据以及信用卡数据对应商户的关系数据作为边数据，从而构建全量图；

将信用卡数据以及还款人数据作为节点数据，将将信用卡数据对应还款人的关系数据作为边数据，从而构建聚类图；

对所述聚类图进行基于连通性的分组处理有边相连的节点全部划归一个子图中，从而获取连通性分组结果，给每个连通性分组分配连通性分组id，通过id并表，将连通性分组id对应的分组加入到全量图中；

基于所述连通性分组结果提取组内节点数大于预设阈值的大群组，对所述大群组按照还款人为中心点连接其所还款的信用卡，进一步获取细分组结果，并按照还款人所连接的卡数对细分组结果进行排序，基于排序结果给每个细分组分配唯一的细分id，通过id并表，将连细分id对应的分组加入到全量图中；

基于评价指标对全量图中各个分组进行评估后，输出满足预设条件的预选结果，其中评价指标根据信用卡消费数据获取。

进一步地，所述信用卡数据包括信用卡合约编号、客户编号、封锁码、账户状态、卡种、客户账单地址、工作单位、预期金额以及信用额度；