专利名称:一种实时风险监测智能预警方法和系统
专利类型:发明专利
专利申请号:CN202410167712.6
专利申请(专利权)人:陈广民
权利人地址:山东省聊城市东昌府区于集镇盐屯村443号
专利发明(设计)人:陈广民
专利摘要:本发明公开了一种实时风险监测智能预警系统,其中所述系统包括:数据接入模块,其用于从交易平台实时接收交易数据流;数据预处理模块,其用于对接收到的交易数据流进行清洗,去除无效或错误的数据,并对数据进行格式转换,将其转换为MIDAS算法所需的格式;MIDAS算法模块,其用于构建和维护微簇,将新到达的数据点分配给相应的微簇,并检测异常点;流式聚类算法模块,其用于对分配给微簇的数据点进行聚类分析;风险评估和预警模块,其用于对所述MIDAS算法模块和所述流式聚类算法模块的输出结果,进行风险评估和预警。本发明能够提供实时性、准确性和综合性的预警结果,帮助机构及时发现和应对风险,并提高风险管理的效果。
主权利要求:
1.一种实时风险监测智能预警系统,其特征在于,包括:数据接入模块,其用于从交易平台实时接收交易数据流;
数据预处理模块,其用于对接收到的交易数据流进行清洗,去除无效或错误的数据,并对数据进行格式转换,将其转换为MIDAS算法所需的格式;
MIDAS算法模块,其用于构建和维护微簇,将新到达的数据点分配给相应的微簇,并检测异常点;
流式聚类算法模块,其用于对分配给微簇的数据点进行聚类分析;
风险评估和预警模块,其用于对所述MIDAS算法模块和所述流式聚类算法模块的输出结果,进行风险评估和预警;
所述MIDAS算法模块执行如下步骤:
步骤101、假设金融交易数据集包含N个交易记录,将交易金额作为特征进行微簇构建,创建一个m×1的矩阵C来表示微簇的中心点,其中m表示微簇的数量,步骤103、对于新的交易记录,计算交易金额与各个微簇中心点之间的距离,并选择距离最近的微簇进行分配;
步骤105、当新的交易记录到达时,假设新的交易记录的索引为t,根据分配结果A(t)找到交易记录所属的微簇;
步骤107、对于每个交易记录,计算其与所属微簇中心点之间的距离,并与预设的阈值进行比较,如果距离超过阈值,该交易记录被标记为异常交易;
其中流式聚类算法模块执行如下步骤:
当所述MIDAS算法模块检测到异常数据点时,将其输入流式聚类算法模块进行聚类分析;
对于第一个异常数据点,将其作为第一个聚类簇的中心,所述聚类簇表示一个异常交易行为类别;
对于后续的异常数据点,计算它们与已有聚类簇中心的相似度;
如果某个异常数据点与某个聚类簇中心的相似度超过预设阈值,则将其加入该聚类簇;
如果某个异常数据点与所有聚类簇中心的相似度都不超过阈值,则创建一个新的聚类簇,并将该异常数据点作为该簇的中心;
其中对于每个聚类簇,计算其内部异常数据点的平均异常分数,作为该簇的风险评估;
如果某个聚类簇的风险评估超过预设阈值,则生成相应的风险预警;
其中风险评估和预警模块执行如下步骤:
如果MIDAS算法模块输出的异常分数高于预先设定的风险阈值,并且流式聚类算法模块也标识该交易所属的簇异常,则触发高级别的报警;
如果只有MIDAS算法模块或者流式聚类算法模块中的一个检测到异常,则触发低级别的报警。
2.如权利要求1所述系统,其中所述数据预处理模块进行数据流处理包括设置一个滑动窗口或固定大小的缓冲区来存储最近的交易数据,在每次接收到新的交易时更新数据。
3.如权利要求2所述系统,其中所述去除无效或错误的数据包括将缺失值或异常值替换为默认值或进行插值处理。
4.如权利要求1所述系统,其中所述交易记录时间戳、交易金额和其他相关信息。
5.如权利要求1所述系统,其中所述步骤103包括:假设有一个N×m的矩阵D,其中D(i,j)表示第i个交易记录的交易金额与第j个微簇中心点之间的距离;
创建一个N×1的向量A来表示交易记录的分配结果,A(i)表示第i个交易记录所属的微簇编号。
6.如权利要求5所述系统,其中步骤105包括:更新该微簇的中心点C(A(t)),假设原中心点为C_old,新中心点为C_new,那么使用以下公式更新中心点:C_new=(C_old*k‑amount(t‑k)+amount(t))/k,其中amount(t)表示新的交易记录的交易金额,amount(t‑k)表示第t‑k个交易记录的交易金额,k为时间窗口的大小;
更新该微簇的半径,假设原半径为R_old,新半径为R_new,那么使用以下公式更新半径:R_new=max(|amount(t)‑C_new|,R_old),其中|amount(t)‑C_new|表示新交易记录的交易金额与新中心点之间的绝对差值。 说明书 : 一种实时风险监测智能预警方法和系统技术领域[0001] 本发明属于计算机系统工程领域,尤其涉及一种实时风险监测智能预警系统。背景技术[0002] “上工治未病之病”,防患于未然是风险管理的通用准则。在商业银行风险识别、计量、监测、控制的风险管理闭环中,风险预警是监测环节最主要的手段。前瞻性地发现各种风险隐患的源头,提前“强身健体”、做好预防,被视为风险管理的最高境界。随着银行数字化转型的深入,传统的风险预警不适用于依托产业链筛选可信的基础资产。为满足银行高质量发展的需求,智能风险预警体系展现出巨大潜力。[0003] 在一系列银行风险事件及金融风暴危机的影响下,《巴塞尔协议》出台,来自各个国家的银行监管当局组成巴塞尔委员会,首次规范了信用风险。自此,银行业开始深思如何认识风险,并预先发出警报,寻求最佳的预控对策。随着中国经济市场化的发展,金融体系及其运行机制也逐渐发生了根本性变化,1994年,国内商业银行开始建立风险预警体系,尤其在加入WTO后,商业银行参与国际竞争需要执行国际标准,进一步促进了风险预警体系的完善。[0004] 风险预警是指商业银行在经营管理中,对基础资产涉及到的信用主体、尤其是企业,针对其经营风险、信用风险、财务风险等风险,通过特定的预警模型,评价各种风险状态偏离预警线的强弱程度,向决策层发出预警信号并采取预控措施,从而实现准确的风险分析和有效的风险处置。[0005] 进入数字经济时代,随着各行各业加速数字化转型进程、数据成为新型生产要素,商业银行在进行产业金融服务时,传统的风险预警模式逐渐显露出不足。[0006] 风险预警模型投产后,缺乏用户反馈等数据交互,无法运用机器学习从不断扩大的数据中掌握规律、预测未来,从而不能及时迭代。这导致预警模型逐渐“落伍”、失去原有效用。[0007] 大型商业银行在风险预警体系的数字化升级方面进行了诸多探索,主要集中于零售贷款领域,通过大数据、人工智能、人脸识别等成熟技术的应用,实现用户信用等级评判、防范电信诈骗等功能。如兴业银行的“黄金眼”系统,通过“黄金评分”,让风险客户预测的准确率由19%大幅提升至60%。光大银行的阳光预警平台集预警客户名单、内外部数据、信号模型、预警流程处置等为一体,打造了领先同业的智能风险预警能力。[0008] 在产业金融服务中,大型商业银行则通过建立大数据舆情处理平台、贷后自动预警系统、账户行为分析系统等,来预警核心企业的经营风险。然而,当产业金融发展到产业数字金融阶段时,面对产业链错综复杂、底层资产不透明、产业链上绝大部分中小企业主体信用不足等情况,银行风险预警体系缺乏对产业链的深耕能力,亟待转型。发明内容[0009] 针对上述现有技术中存在的缺陷,本发明提供一种实时风险监测智能预警系统,包括:[0010] 数据接入模块,其用于从交易平台实时接收交易数据流;[0011] 数据预处理模块,其用于对接收到的交易数据流进行清洗,去除无效或错误的数据,并对数据进行格式转换,将其转换为MIDAS算法所需的格式;[0012] MIDAS算法模块,其用于构建和维护微簇,将新到达的数据点分配给相应的微簇,并检测异常点;[0013] 流式聚类算法模块,其用于对分配给微簇的数据点进行聚类分析;[0014] 风险评估和预警模块,其用于对所述MIDAS算法模块和所述流式聚类算法模块的输出结果,进行风险评估和预警。[0015] 其中,所述数据预处理模块进行数据流处理包括设置一个滑动窗口或固定大小的缓冲区来存储最近的交易数据,在每次接收到新的交易时更新数据。[0016] 其中,所述去除无效或错误的数据包括将缺失值或异常值替换为默认值或进行插值处理。[0017] 其中,所述MIDAS算法模块执行如下步骤:[0018] 步骤101、假设金融交易数据集包含N个交易记录,将交易金额作为特征进行微簇构建,创建一个m×1的矩阵C来表示微簇的中心点,其中m表示微簇的数量,[0019] 步骤103、对于新的交易记录,计算交易金额与各个微簇中心点之间的距离,并选择距离最近的微簇进行分配;[0020] 步骤105、当新的交易记录到达时,假设新的交易记录的索引为t,根据分配结果A(t)找到交易记录所属的微簇;[0021] 步骤107、对于每个交易记录,计算其与所属微簇中心点之间的距离,并与预设的阈值进行比较,如果距离超过阈值,该交易记录可以被标记为异常交易。[0022] 其中,所述交易记录时间戳、交易金额和其他相关信息。[0023] 其中,所述步骤103包括:[0024] 假设有一个N×m的矩阵D,其中D(i,j)表示第i个交易记录的交易金额与第j个微簇中心点之间的距离;[0025] 创建一个N×1的向量A来表示交易记录的分配结果,A(i)表示第i个交易记录所属的微簇编号。[0026] 其中,步骤105包括:[0027] 更新该微簇的中心点C(A(t)),假设原中心点为C_old,新中心点为C_new,那么使用以下公式更新中心点:[0028] C_new=(C_old*k‑amount(t‑k)+amount(t))/k,[0029] 其中amount(t)表示新的交易记录的交易金额,amount(t‑k)表示第t‑k个交易记录的交易金额,k为时间窗口的大小;[0030] 更新该微簇的半径,假设原半径为R_old,新半径为R_new,那么使用以下公式更新半径:[0031] R_new=max(|amount(t)‑C_new|,R_old),[0032] 其中|amount(t)‑C_new|表示新交易记录的交易金额与新中心点之间的绝对差值。[0033] 其中,流式聚类算法模块执行如下步骤:[0034] 当所述MIDAS算法模块检测到异常数据点时,将其输入流式聚类算法模块进行聚类分析;[0035] 对于第一个异常数据点,将其作为第一个聚类簇的中心,所述聚类簇表示一个异常交易行为类别;[0036] 对于后续的异常数据点,计算它们与已有聚类簇中心的相似度;[0037] 如果某个异常数据点与某个聚类簇中心的相似度超过预设阈值,则将其加入该聚类簇;[0038] 如果某个异常数据点与所有聚类簇中心的相似度都不超过阈值,则创建一个新的聚类簇,并将该异常数据点作为该簇的中心。[0039] 其中,对于每个聚类簇,计算其内部异常数据点的平均异常分数,作为该簇的风险评估;[0040] 如果某个聚类簇的风险评估超过预设阈值,则生成相应的风险预警。[0041] 其中,所述风险评估和预警模块执行如下步骤:[0042] 如果MIDAS算法模块输出的异常分数高于预先设定的风险阈值,并且流式聚类算法模块也标识该交易所属的簇异常,则触发高级别的报警;[0043] 如果只有MIDAS算法模块或者流式聚类算法模块中的一个检测到异常,则触发低级别的报警。[0044] 与现有技术相比,本发明具有如下优点:[0045] 实时性:MIDAS算法和流式聚类算法都适用于处理实时数据流。这意味着系统可以及时检测和响应新的交易数据,以实现实时风险监测和预警。[0046] 异常检测能力:MIDAS算法专门用于异常检测,可以有效地识别异常交易。它基于多元指数的思想,通过分析交易数据的流动性来检测异常行为,具有较高的准确性和灵敏度。[0047] 聚类能力:流式聚类算法可以将交易数据点聚类到不同的簇中,从而更好地理解和组织数据。这可以帮助识别具有相似特征的交易,并从整体上评估风险。聚类结果可以提供更全面的视角,帮助发现潜在的异常模式。[0048] 综合考量:通过结合MIDAS算法和流式聚类算法,系统可以综合考虑交易数据的流动性和特征相似性,从而更全面地评估风险。这种综合考量可以提高风险评估的准确性和可靠性。[0049] 自适应性:由于MIDAS算法和流式聚类算法都适用于流式数据处理,系统可以自适应地调整和学习新的数据模式和异常行为。这使得系统能够适应不断变化的市场环境和风险情况。[0050] 提高准确性和减少误报:通过综合使用多个算法和技术,可以提高风险评估的准确性和可靠性,减少误报率。MIDAS算法和流式聚类算法的结合可以提供更全面的信息,减少单一算法的局限性。附图说明[0051] 通过参考附图阅读下文的详细描述,本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本公开的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:[0052] 图1是示出根据本发明实施例的一种实时风险监测智能预警系统中述MIDAS算法模块执行的方法流程图。具体实施方式[0053] 为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。[0054] 在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义,“多种”一般包含至少两种。[0055] 应当理解,尽管在本发明实施例中可能采用术语第一、第二、第三等来描述……,但这些……不应限于这些术语。这些术语仅用来将……区分开。例如,在不脱离本发明实施例范围的情况下,第一……也可以被称为第二……,类似地,第二……也可以被称为第一……。[0056] 应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。[0057] 取决于语境,如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。[0058] 还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的商品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种商品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的商品或者装置中还存在另外的相同要素。[0059] 下面结合附图详细说明本发明的可选实施例。[0060] 实施例一、[0061] 如图1所示,本发明公开了一种实时风险监测智能预警系统,包括:[0062] 数据接入模块,其用于从交易平台实时接收交易数据流;[0063] 数据预处理模块,其用于对接收到的交易数据流进行清洗,去除无效或错误的数据,并对数据进行格式转换,将其转换为MIDAS算法所需的格式;[0064] MIDAS算法模块,其用于构建和维护微簇,将新到达的数据点分配给相应的微簇,并检测异常点;[0065] 流式聚类算法模块,其用于对分配给微簇的数据点进行聚类分析;[0066] 风险评估和预警模块,其用于对所述MIDAS算法模块和所述流式聚类算法模块的输出结果,进行风险评估和预警。[0067] 在某一实施例中,MIDAS算法模块执行如下步骤:[0068] 假设有一个m维的交易数据向量X=[x1,x2,...,xm],其中xi表示第i维的交易金额。[0069] 使用n个微簇中心来表示数据的分布情况。假设有n个微簇中心向量C=[c1,c2,...,cn],其中ci表示第i个微簇中心。[0070] 使用欧氏距离来度量数据点与微簇中心之间的距离。对于数据点X和微簇中心C,其距离可以表示为d(X,C)=||X‑C||^2,其中||.||表示欧氏范数。[0071] 对于每个数据点X,计算它与所有微簇中心的距离,并选择最近的微簇中心。然后将X与该微簇中心的距离作为异常分数。[0072] 根据历史数据或领域知识,设置一个阈值来判断哪些异常分数被视为异常数据点。[0073] 在某一实施例中,流式聚类算法模块执行如下步骤:[0074] 假设有一个异常数据点的集合D,其中每个异常数据点表示为向量Xd。[0075] 使用相似度度量来计算异常数据点之间的相似度。常见的度量方法包括余弦相似度、欧氏距离等。[0076] 使用K‑means算法,对异常数据点进行聚类分析。聚类的结果可以是一组簇,每个簇代表一类具有相似特征的异常交易行为。[0077] 对于每个异常数据点Xd,为其分配一个聚类簇标签,表示其所属的异常交易行为类别。[0078] 在某一实施例中,使用K‑means算法,对异常数据点进行聚类分析包括:[0079] 假设监测在线零售商的交易数据,并使用K‑means算法进行流式聚类。[0080] 首先,初始化K个聚类中心,这些聚类中心可以根据历史数据或领域知识进行选择。[0081] 每个聚类中心代表一个簇。[0082] 随着新的交易数据到达,将其分配给最近的聚类中心。[0083] 如果新的数据点与任何聚类中心的距离超过预先设定的阈值,则认为该数据点无法分配给任何聚类,即该数据点属于异常交易。[0084] 对于被判定为异常交易的数据点,可以进一步评估其异常程度。[0085] 这可以涉及计算数据点与其最近的聚类中心之间的距离或其他相似性度量。[0086] 根据距离或度量的大小,可以将异常交易分为不同的严重程度级别,例如高、中、低风险。[0087] 根据异常交易的严重程度评估,生成相应的预警信号。[0088] 预警信号可以是警报、通知、报告等形式,用于提醒相关人员或系统。[0089] 这里K‑means算法用于将交易数据点聚类到不同的簇中,并基于距离判定异常交易。然后,根据异常交易的评估结果生成预警信号。[0090] 实施例二、[0091] 本发明提出了一种实时风险监测智能预警系统,其包括:[0092] 数据接入模块,其用于从交易平台实时接收交易数据流;[0093] 数据预处理模块,其用于对接收到的交易数据流进行清洗,去除无效或错误的数据,并对数据进行格式转换,将其转换为MIDAS算法所需的格式;[0094] MIDAS算法模块,其用于构建和维护微簇,将新到达的数据点分配给相应的微簇,并检测异常点;[0095] 流式聚类算法模块,其用于对分配给微簇的数据点进行聚类分析;[0096] 风险评估和预警模块,其用于对所述MIDAS算法模块和所述流式聚类算法模块的输出结果,进行风险评估和预警。[0097] 其中,所述数据预处理模块进行数据流处理包括设置一个滑动窗口或固定大小的缓冲区来存储最近的交易数据,在每次接收到新的交易时更新数据。[0098] 其中,所述去除无效或错误的数据包括将缺失值或异常值替换为默认值或进行插值处理。[0099] MIDAS算法通常需要输入数据以特定的格式,例如向量或矩阵形式。将交易数据转换为MIDAS算法所需的格式。通常,将每个交易表示为一个向量,其中包含交易的特征。例如,如果只考虑交易金额作为特征,可以将每个交易转换为一个单一元素的向量。[0100] 在进行格式转换之前,可以对交易数据进行归一化处理,以确保不同特征之间的尺度一致性。[0101] 常见的归一化方法包括将交易金额缩放到特定的范围(例如0到1之间)或使用标准化方法(例如Z‑score归一化)。[0102] 在某一实施例中,MIDAS算法模块功能包括:微簇构建、微簇维护、异常检测和模型更新。[0103] 其中,微簇构建:MIDAS算法模块通过在数据流中构建微簇来表示数据的分布。微簇是一组相似的数据点的集合,通常用于表示数据的聚类或分布特征。MIDAS算法模块使用一种增量式的方法,逐步构建和更新微簇。[0104] 微簇维护:随着新的数据点到达,MIDAS算法模块会根据一定的规则将其分配给相应的微簇。如果一个新的数据点与已有的微簇相似度超过预设阈值,则将其分配给该微簇。如果一个新的数据点与所有微簇的相似度都不超过阈值,当然其也需要大于某一最小预设值,则创建一个新的微簇来表示该数据点。[0105] 异常检测:MIDAS算法模块使用微簇来检测异常点。当一个新的数据点无法分配给任何微簇时,它被认为是一个异常点。异常点可能表示数据中的异常行为或异常事件。这个前提是微簇的数量不再增加,即微簇的类型是有限的。[0106] 模型更新:随着数据流的不断变化,MIDAS算法模块需要定期更新微簇模型。这可以通过删除过时的微簇、合并相似的微簇或调整微簇的参数来实现。[0107] 其中,所述MIDAS算法模块执行如下步骤:[0108] 步骤101、假设金融交易数据集包含N个交易记录,将交易金额作为特征进行微簇构建,创建一个m×1的矩阵C来表示微簇的中心点,其中m表示微簇的数量,[0109] 步骤103、对于新的交易记录,计算交易金额与各个微簇中心点之间的距离,并选择距离最近的微簇进行分配;[0110] 步骤105、当新的交易记录到达时,假设新的交易记录的索引为t,根据分配结果A(t)找到交易记录所属的微簇;[0111] 步骤107、对于每个交易记录,计算其与所属微簇中心点之间的距离,并与预设的阈值进行比较,如果距离超过阈值,该交易记录可以被标记为异常交易。[0112] 其中,所述交易记录时间戳、交易金额和其他相关信息。[0113] 其中,所述步骤103包括:[0114] 假设有一个N×m的矩阵D,其中D(i,j)表示第i个交易记录的交易金额与第j个微簇中心点之间的距离;[0115] 创建一个N×1的向量A来表示交易记录的分配结果,A(i)表示第i个交易记录所属的微簇编号。[0116] 其中,步骤105包括:[0117] 更新该微簇的中心点C(A(t)),假设原中心点为C_old,新中心点为C_new,那么使用以下公式更新中心点:[0118] C_new=(C_old*k‑amount(t‑k)+amount(t))/k,[0119] 其中amount(t)表示新的交易记录的交易金额,amount(t‑k)表示第t‑k个交易记录的交易金额,k为时间窗口的大小;[0120] 更新该微簇的半径,假设原半径为R_old,新半径为R_new,那么使用以下公式更新半径:[0121] R_new=max(|amount(t)‑C_new|,R_old),[0122] 其中|amount(t)‑C_new|表示新交易记录的交易金额与新中心点之间的绝对差值。[0123] 其中,流式聚类算法模块执行如下步骤:[0124] 当所述MIDAS算法模块检测到异常数据点时,将其输入流式聚类算法模块进行聚类分析;[0125] 对于第一个异常数据点,将其作为第一个聚类簇的中心,所述聚类簇表示一个异常交易行为类别;[0126] 对于后续的异常数据点,计算它们与已有聚类簇中心的相似度;[0127] 如果某个异常数据点与某个聚类簇中心的相似度超过预设阈值,则将其加入该聚类簇;[0128] 如果某个异常数据点与所有聚类簇中心的相似度都不超过阈值,则创建一个新的聚类簇,并将该异常数据点作为该簇的中心。[0129] 其中,对于每个聚类簇,计算其内部异常数据点的平均异常分数,作为该簇的风险评估;[0130] 如果某个聚类簇的风险评估超过预设阈值,则生成相应的风险预警。[0131] 其中,所述风险评估和预警模块执行如下步骤:[0132] 如果MIDAS算法模块输出的异常分数高于预先设定的风险阈值,并且流式聚类算法模块也标识该交易所属的簇异常,则触发高级别的报警;[0133] 如果只有MIDAS算法模块或者流式聚类算法模块中的一个检测到异常,则触发低级别的报警。[0134] 在某一实施例中,MIDAS算法模块将每个新的交易数据点标记为正常或异常。如果MIDAS算法模块输出的异常分数超过预先设定的风险阈值,则触发报警。例如,如果异常分数超过阈值的百分之90,就可以认为该交易非常异常,触发报警。[0135] 流式聚类算法模块将交易数据点聚类到不同的簇中。如果某个簇的大小超过预先设定的阈值,认为该簇中的交易存在异常。例如,如果某个簇的大小超过平均簇大小的两倍,则触发报警。[0136] 通过设定不同的报警级别和优先级来协调MIDAS算法模块和流式聚类算法模块的报警。如果MIDAS算法模块输出的异常分数高于预先设定的风险阈值,并且流式聚类算法模块也标识该交易所属的簇异常,可以触发高级别的报警。如果只有一个算法模块检测到异常,可以触发低级别的报警或进行进一步的监测和调查。[0137] 实施例三、[0138] 本公开实施例提供了一种非易失性计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行如上实施例所述的方法步骤。[0139] 需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD‑ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。[0140] 上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。[0141] 可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(AN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。[0142] 附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。[0143] 描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定。[0144] 以上介绍了本发明的较佳实施方式,旨在使得本发明的精神更加清楚和便于理解,并不是为了限制本发明,凡在本发明的精神和原则之内,所做的修改、替换、改进,均应包含在本发明所附的权利要求概括的保护范围之内。
专利地区:山东
专利申请日期:2024-02-06
专利公开日期:2024-09-03
专利公告号:CN118014713B