(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 202011311913.7
(22)申请日 2020.11.20
(71)申请人 四川新网银行股份有限公司
地址 610094 四川省成都市成都高新区吉
泰三路8号1栋1单元26楼1-8号
(72)发明人 王萍 贾坤
(74)专利代理机构 成都智言知识产权代理有限
公司 51282
代理人 蒋秀清
(51)Int.Cl.
G06Q 40/04(2012.01)
G06Q 50/26(2012.01)
G06N 20/00(2019.01)
(54)发明名称
(57)摘要
本发明公开了一种基于机器学习的反
系统及方法，属于人工智能反领域，解决了
现有技术中反系统时效性较差、无法进行实
时拦截，检测准确率不稳定、浪费检测人力的问
工层，时效特征加工层下接分布式模型运算层，
分布式模型运算层下接实时策略层，实时策略层
下接决策层，决策层下接业务系统与反核查
系统，反核查系统下接数据系统，数据系统
下接时序特征加工层，形成数据闭环，提高
策略的识别精度和策略识别的覆盖度，进行
对交易的实时识别并进行阻断、降低检
测的人力成本与时间成本。权利要求书2页 说明书6页 附图6页CN 112561696 A 2021.03.26
C N 112561696
A
1.一种基于机器学习的在线实时反系统，其特征在于，包括：
时序特征加工层：基于用户信息构建时序特征，并将时序特征转入分布式模型运行层；
分布式模型运行层：基于时序特征数据，构建模型，并整合得到模型结果集，并将模型结果集转入实时策略层；
实时策略层：基于模型结果集，构造策略集，并将策略集转入决策层；
决策层：整合策略集，进行反决策，并将反决策转入反核查系统。
2.根据权利要求1所述的一种基于机器学习的在线实时反系统，其特征在于，所述决策层下接反核查系统。
3.根据权利要求2所述的一种基于机器学习的在线实时反系统，其特征在于，所述反核查系统下接反核查数据系统，所述反核查数据系统下接反数据系统，所述反数据系统下接时序特征加工层。
4.根据权利要求1所述的一种基于机器学习的在线实时反系统，其特征在于，所述时序特征加工层上接业务系统。
5.根据权利要求1所述一种基于机器学习的在线实时反系统，所述时序特征加工层上接数据系统。
6.根据权利要求1所述的一种基于机器学习的在线实时反系统的反方法，其特征在于，包括以下步骤：
步骤A：将业务系统、反系统、反核查系统及数据系统形成闭环流程。
步骤B：时序特征加工层将数据系统中的数据集进行加工，构建时序特征，并将时序特征传入分布式模型运行层
步骤C：分布式模型运行层基于时序特征，构建模型，将模型计算集成为模型结果集，并将模型结果集转入实施策略层；
步骤D：实时策略层基于模型结果集，构造策略集，并将策略集转入决策层；
步骤E：决策层通过整合策略集，进行是否拦截与是否预警的决策结果，并将决策结果反馈至业务系统和转入反核查系统；
步骤F：反核查系统将数据转入反洗核查数据系统，反核查系统将数据进行筛分后转入反数据系统，反数据系统将数据传入时序特征加工层。
7.根据权利要求6所述的一种基于机器学习的在线实时反系统的反方法，其特征在于，所述步骤A的具体步骤为：
步骤A1：业务系统、反系统、反核查系统以及数据系统通过API接口访问和域名访问的方式形成闭环流程。
8.根据权利要求6所述的一种基于机器学习的在线实时反系统的反方法，其特征在于，所述步骤B的具体步骤为：
B1：在时序特征加工层进行关联频次统计，计算设定时间段内满足条件A关联B的次数或人数；
B2：在时序特征加工层进行历史信息统计，计算设定时间段内满足设定条件的历史信息；
B3：在时序特征加工层进行统计频次，计算设定时间范围内满足设定条件的统计值。
9.根据权利要求6所述的一种基于机器学习的在线实时反系统的反方法，其特征在于，所述步骤B的具体步骤为：
B1：分布式模型运算层将多个模型写入分布式并行框架内进行计算，并将计算结果整合为模型结果集。
一种基于机器学习的反系统及方法
技术领域
[0001]本发明属于智能发监控领域，具体属于一种基于机器学习的在线实时反系统及方法。
背景技术
[0002]反、反恐融资已经上升为国家战略，成为处理国家非传统安全事务的重要工具，2012 年以来，反金融行动特别工作组(FATF)对反国际标准及其评估方法做了全面修改，反内涵扩大到反、反恐怖融资和反大规模杀伤性武器扩散融资三大领域，反工作范围也从最初的反毒、反恐怖、反腐败扩展到扩散融资、税务犯罪、互联网金融等更广泛的领域，已不再局限于简单的技术性事务，而是与国际政治博弈紧密捆绑在一起，上升到国家战略层面，成为国家处理除领土、主权和军事安全以外的非传统安全问题的重要工具。
[0003]目前对于反工作，一般基于交易数据，进行名单结合专家规则的交易预警，再由人工进行侦测，将可疑交易进行统计，包括当日单笔大额交易、短期内资金分散转入、集中转出或集中转入、分散装出、与客户身份、财务状况、经营业务明显不符等，银行将可以案例与大额案例进行后，报告到人行的反检测分析中心。
[0004]在传统方案中，采用事后跑批，具有较长的滞后性，不能实时发现交易，也不能进行实时拦截；其次，基于专辑规则的交易检测准确率无法达到最优状态，容易造成大量的无效预警，浪费检测人力。
发明内容
[0005]针对现有技术中反系统时效性较差、无法进行实时拦截，检测准确率不稳定、浪费检测人力的问题，本发明提供一种基于机器学习的在线实时反系统及方法，其目的在于：提高策略的识别精度和策略识别的覆盖度，进行对交易的实时识别并进行阻断、降低检测的人力成本与时间成本。
[0006]本发明采用的技术方案如下：
[0007]一种基于机器学习的在线实时反系统，包括：
[0008]时序特征加工层：基于用户信息构建时序特征；
[0009]分布式模型运行层：基于时序特征数据，构建模型，并整合得到模型结果集；
[0010]实时策略层：基于模型结果集，构造策略集；
[0011]决策层：整合策略集新信息，进行反决策
[0012]采用上述方案，时序特征加工层能够对用户信息进行整合，包括：用户基础属性、设备环境位置信息、操作行为数据、点击流数据，时序特征加工层基于上述用户信息进行构建时序特征，其中时序特征包括：关联频次、统计频次、历史信息，时序特征加工层将上述时序特征转入分布式模型运行层，分布式模型运行层根据类型与模型方法，构建模
型，并给予模型进行识别，得到模型结果集，分布式模型运算层将模型结果集转入实时策略层，实时策略层基于模型结果集，构造策略集，为了平衡分型与业务体验的关系，采用分组并联串行的策略组织架构，低风险客户采用轻级策略，高风险客户采用重级策略，最终得到实时策略结果集，并将实时策略结果集转入决策层通过整合实时策略结果集信息，根据风险等级给出决策结果，包括：通过不预警、通过预警、拦截预警三种决策结果，实现了对交易的实时监控与拦截，并通过对客户信息进行时序特征加工，大大提高了反系统的检测精度与效率。
[0013]为了对反系统做出的决策结果进行反馈，所述决策层下接反核查系统，所述反核查系统的方式为人工侦测，通过人工侦测方式，对反系统提供的可疑交易进行进一步地鉴别。
[0014]为了使时序特征加工层中的数据更加全面和准确，所述反核查系统下接反核查数据系统，所述反核查数据系统下接反数据系统，所述反数据系统下接时序特征加工层，其中反
核查系统中得出的数据转入反核查系统，所述反核查系统将数据进行筛分过滤，并将筛分过滤后的数据转入反数据系统，反数据系统将数据转入时序特征加工层，通过上述数据流闭环，提高了时序特征加工层的数据覆盖度与准确性，在反系统工作过程中能够得到更加精准的时序特征。
[0015]为了使反系统具有实时性，时序特征加工层上接业务系统，通过将时序特征加工层与业务系统对接，业务系统能够实时访问反系统，反实时响应业务系统在线请求，实现了对银行业务交易的实时检测。
[0016]为了能够对业务系统的在线请求做出实时响应。时序特征加工层上接数据系统在业务系统发出请求后，时序特征加工层能够根据数据系统中的用户信息实时进行数据处理，保证了对实时请求处理的数据支撑。
[0017]一种基于机器学习的在线实时反系统的反方法，包括以下步骤：[0018]步骤A：将业务系统、反系统、反核查系统及数据系统形成闭环流程。[0019]步骤B：时序特征加工层将数据系统中的数据集进行加工，构建时序特征，并将时序特征传入分布式模型运行层
[0020]步骤C：分布式模型运行层基于时序特征，构建模型，将模型集成为模型结果集，并将模型结果集转入实施策略层；
[0021]步骤D：实时策略层基于模型结果集，构造策略集，并将策略集转入决策层；
[0022]步骤E：决策层通过整合策略集，进行是否拦截与是否预警的决策结果，并将决策结果反馈至业务系统和转入反核查系统；
[0023]步骤F：反核查系统将数据转入反洗核查数据系统，反核查系统将数据进行筛分后转入反数据系统，反数据系统将数据传入时序特征加工层
[0024]采用上述方案，通过系统界面配置，工具化程度高，降低人力及时间成本。反系统基于时序特征加工层、分布式模型运行层、实时策略层、决策层解耦串行的设计结构和运行方式，极大的降低了计算复杂度，其中通过时序特征加工层与业务系统的实时响应，与数据系统对时序特征加工层的实时数据支撑，实现了对银行交易的实施反监控，其中时序特征加工层通过对对用户信息进行提炼抽象，大大提升了模型识别的效果。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议