基于人工智能的反欺诈交易识别方法及系统

技术领域

本申请涉及数字化金融服务技术领域，具体而言，涉及一种基于人工智能的反欺诈交易识别方法及系统。

背景技术

随着金融科技的飞速发展和金融交易服务空间的不断拓展，金融交易行为日益复杂多样，同时也伴随着欺诈风险的增加。传统的反欺诈手段往往依赖于人工审核和规则判断，难以应对大规模、高频率的现代金融交易场景。因此，如何有效识别并预防金融交易中的欺诈行为，保障金融市场的健康稳定发展，已成为当前金融行业亟待解决的问题。

在此背景下，基于人工智能的反欺诈交易识别方法应运而生。这类方法通过利用先进的人工智能技术，如机器学习、深度学习等，对金融交易数据进行深度挖掘和分析，以自动识别出潜在的欺诈行为。然而，现有的反欺诈交易识别方法在处理金融交易数据时，往往面临着数据质量不高、特征提取不准确、模型泛化能力不强等问题，导致识别效果不理想。

发明内容

有鉴于此，本申请的目的在于提供一种基于人工智能的反欺诈交易识别方法及系统，首先获取金融交易服务空间中的第一交易操作行为数据，并对其中目标类别的交易特征元素进行清洗，以生成更高质量的第二交易操作行为数据。然后，通过图自注意力网络获取第二交易操作行为数据的交易行为路径，为后续的反欺诈识别策略提供基础。接着，依据交易行为路径确定待执行的反欺诈识别策略的策略参数数据，包括策略启用节点及策略启用链路。最后，在金融交易服务空间中依据策略参数数据启用反欺诈识别策略，并获取反欺诈识别策略在金融交易服务空间中的可疑交易分布，通过关联分析生成欺诈风险识别数据，以表征金融交易服务空间中的潜在欺诈行为。由此，通过结合人工智能技术和图自注意力网络等先进手段，能够更准确地识别金融交易中的欺诈行为，提高金融交易的安全性和合规性。

依据本申请的第一方面，提供一种基于人工智能的反欺诈交易识别方法，所述方法包括：

获取金融交易服务空间中的第一交易操作行为数据，并将所述第一交易操作行为数据中目标类别的交易特征元素进行清洗，生成第二交易操作行为数据；

通过图自注意力网络获取所述第二交易操作行为数据的交易行为路径；

依据所述交易行为路径确定待执行的反欺诈识别策略的策略参数数据，所述策略参数数据包含所述反欺诈识别策略的策略启用节点及策略启用链路；

在所述金融交易服务空间中依据所述策略参数数据启用反欺诈识别策略，并获取所述反欺诈识别策略在所述金融交易服务空间中的可疑交易分布，所述可疑交易分布包括X个可疑交易事件，一个可疑交易事件在所述金融交易服务空间中对应一个风险节点，X为正整数；

将所述X个可疑交易事件对应的风险节点与所述交易行为路径进行关联分析，生成所述金融交易服务空间的欺诈风险识别数据；所述欺诈风险识别数据表征所述金融交易服务空间中的潜在欺诈行为。

在第一方面中，具体的，所述获取金融交易服务空间中的第一交易操作行为数据，包括：

获取金融交易服务空间中监控获得的至少一个交易会话位置；

对每个所述交易会话位置进行衍生，生成衍生后的各个交易会话位置；

依据所述衍生后的各个交易会话位置在所述金融交易服务空间中的空间定位业务，通过交易监控控件定义所述金融交易服务空间对应的数据观测视角；

通过数据观测工具，依据所述数据观测视角获取所述金融交易服务空间中的第一交易操作行为数据。

在第一方面中，具体的，所述获取金融交易服务空间中监控获得的至少一个交易会话位置，包括：

确定金融交易服务空间中待追踪的关键交易链路；

对所述关键交易链路进行交易监控，并在所述关键交易链路的交易监控过程中，保存所述金融交易服务空间中交易主体在不同时间节点分别对应的会话位置，由此生成对应的交易会话集合，所述交易会话集合包括Y个会话位置，Y为正整数；

依据设定时域参数，对所述交易会话集合中的Y个会话位置进行时序分解处理，生成至少一个交易会话位置。

在第一方面中，具体的，所述将所述第一交易操作行为数据中目标类别的交易特征元素进行清洗，生成第二交易操作行为数据，包括：

确定所述金融交易服务空间中待清洗特征元素的目标类别；

游走所述第一交易操作行为数据中的各个特征元素，确定各个特征元素的元素类别；

如果交易特征元素的元素类别为所述目标类别，则获取所述交易特征元素在所述金融交易服务空间中对应的业务数据项标识；

将所述业务数据项标识的状态定义为无效状态，以将所述第一交易操作行为数据中目标类别的交易特征元素进行清洗，生成第二交易操作行为数据。

在第一方面中，具体的，所述通过图自注意力网络获取所述第二交易操作行为数据的交易行为路径，包括：

获取所述图自注意力网络所表征的图自注意力算法，并依据所述金融交易服务空间中的数据观测视角，在所述图自注意力算法中定义至少一个观测权重信息；

将所述图自注意力网络的关注类型定义为交易行为链路；

通过所述图自注意力网络定义好的图自注意力算法，依据所述交易行为链路提取所述金融交易服务空间的交易行为特征，生成所述第二交易操作行为数据的交易行为路径。

在第一方面中，具体的，所述依据所述交易行为路径确定待执行的反欺诈识别策略的策略参数数据，包括：

将所述交易行为路径划分为Z×Z个交易阶段，并确定所述Z×Z个交易阶段的Z×Z个关键节点，一个交易阶段对应一个关键节点，Z为正整数；

通过交易监控控件，分别将所述Z×Z个关键节点的路径位置转换为风险指标位置；

依据所述Z×Z个关键节点的风险指标位置，确定待执行的Z×Z条反欺诈识别策略的策略启用链路；一个关键节点对应启用一条反欺诈识别策略。

在第一方面中，具体的，所述交易行为路径包括所述第二交易操作行为数据中至少一个交易行为实例的风险激励参数，所述风险激励参数表征相应交易行为实例与联动行为实例之间的联动权值；

所述欺诈风险识别数据包括X个可疑交易事件的风险识别结果，所述X个可疑交易事件中的任一个可疑交易事件表示为可疑交易事件w；

所述将所述X个可疑交易事件对应的风险节点与所述交易行为路径进行关联分析，生成所述金融交易服务空间的欺诈风险识别数据，包括：

依据风险评估模型对所述X个可疑交易事件中的可疑交易事件w进行风险量化处理，生成所述可疑交易事件w的风险量化值；

获取所述可疑交易事件w在所述交易行为路径中对应的风险激励参数；

依据所述可疑交易事件w的风险量化值及风险激励参数进行关联分析，生成所述可疑交易事件w的风险识别结果。

在第一方面中，具体的，所述可疑交易事件w的风险识别结果表征所述可疑交易事件w为高欺诈风险事件或低欺诈风险事件；所述依据所述可疑交易事件w的风险量化值及风险激励参数进行关联分析，生成所述可疑交易事件w的风险识别结果，包括：

计算所述可疑交易事件w的风险量化值及风险激励参数之间的偏离度；

如果所述偏离度不小于门限偏离度，则所述可疑交易事件w为高欺诈风险事件；

如果所述偏离度小于门限偏离度，则所述可疑交易事件w为低欺诈风险事件。

在第一方面中，具体的，所述依据风险评估模型对所述X个可疑交易事件中的可疑交易事件w进行风险量化处理，生成所述可疑交易事件w的风险量化值，包括：

依据所述联动行为实例所在的联动行为位置、所述可疑交易事件w对应的交易跟踪链路、以及所述可疑交易事件w，计算所述可疑交易事件w到所述联动行为实例之间的风险聚焦参数；

依据所述可疑交易事件w的风险聚焦参数，依据风险评估模型对所述可疑交易事件w进行风险量化处理，生成所述可疑交易事件w的风险量化值。

在第一方面中，具体的，所述方法还包括：

在金融交易服务空间中确定参考模板交易服务空间，所述参考模板交易服务空间是指不存在欺诈风险的交易服务空间；

依据所述参考模板交易服务空间，通过交易监控控件定义所述联动行为实例的参考定位节点；

通过定义了参考定位节点的所述联动行为实例，依据所述参考定位节点获取所述参考模板交易服务空间中的参考交易操作行为数据；

通过图自注意力网络获取所述参考交易操作行为数据的参考交易行为路径，并依据所述参考交易行为路径，确定风险评估模型。

在第一方面中，具体的，所述依据所述参考交易行为路径，确定风险评估模型，包括：

在所述参考交易行为路径中选取Q个参考交易行为实例，Q为正整数；

依据所述Q个参考交易行为实例的行为业务节点，确定待联动识别的Q条参考交易链路的交易跟踪链路，并依据待联动识别的Q条参考交易链路的交易跟踪链路，通过所述金融交易服务空间中的联动行为实例识别Q条参考交易链路，生成识别结果；所述识别结果包括W个参考可疑交易事件，W为正整数；

依据所述联动行为实例所在的联动行为位置、所述Q条参考交易链路的交易跟踪链路、以及所述W个参考可疑交易事件，计算任一个参考可疑交易事件r到所述联动行为实例之间的参考风险聚焦参数；

依据所述参考风险聚焦参数、及所述参考可疑交易事件r的风险激励参数之间的映射关系，建立风险评估模型。

在第一方面中，具体的，所述欺诈风险识别数据表征所述X个可疑交易事件中的可疑交易事件w为高欺诈风险事件或低欺诈风险事件；所述将所述X个可疑交易事件对应的风险节点与所述交易行为路径进行关联分析，生成所述金融交易服务空间的欺诈风险识别数据之后，还包括：

如果所述可疑交易事件w为高欺诈风险事件，则确定所述可疑交易事件w在所述金融交易服务空间中对应的潜在欺诈行为Tw；

获取所述潜在欺诈行为Tw在所述金融交易服务空间中对应的待审核交易数据；

对所述待审核交易数据进行安全审核处理，其中，所述安全审核处理包括：隔离处理、追溯处理中的任一种。

依据本申请的第二方面，提供一种基于人工智能的反欺诈交易识别系统，所述基于人工智能的反欺诈交易识别系统包括机器可读存储介质及处理器，所述机器可读存储介质存储有机器可执行指令，所述处理器在执行所述机器可执行指令时，该基于人工智能的反欺诈交易识别系统实现前述的基于人工智能的反欺诈交易识别方法。

依据本申请的第三方面，提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，在所述计算机可执行指令被执行时，实现前述的基于人工智能的反欺诈交易识别方法。

依据上述任意一个方面，本申请的技术效果在于：

本申请通过清洗金融交易服务空间中的目标类别交易特征元素，生成更精确的第二交易操作行为数据。利用图自注意力网络有效获取交易行为路径，为反欺诈识别策略提供了关键基础。通过确定策略参数数据，能精准地在金融交易服务空间中启用反欺诈识别策略。进一步地，通过对可疑交易分布的风险节点与交易行为路径的关联分析，生成了表征金融交易服务空间中潜在欺诈行为的欺诈风险识别数据，从而以便于提高金融交易的安全性和合规性，显著降低欺诈风险，增强风险防控能力。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以依据这些附图获得其它相关的附图。

图1本申请实施例所提供的基于人工智能的反欺诈交易识别方法的流程示意图。

图2示出了本申请实施例所提供的用于实现上述的基于人工智能的反欺诈交易识别方法的基于人工智能的反欺诈交易识别系统的组件结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将依据本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了依据本申请实施例的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加多个其它操作，也可以从流程图中销毁多个操作。

图1示出了本申请实施例提供的基于人工智能的反欺诈交易识别方法及系统的流程示意图，应当理解，在其它实施例中，本实施例的基于人工智能的反欺诈交易识别方法其中部分步骤的顺序可以依据实际需要相互共享，或者其中的部分步骤也可以省略或维持。该基于人工智能的反欺诈交易识别方法的详细步骤包括：

步骤S110，获取金融交易服务空间中的第一交易操作行为数据，并将所述第一交易操作行为数据中目标类别的交易特征元素进行清洗，生成第二交易操作行为数据。

详细地，所述第一交易操作行为数据是指在金融交易服务空间中原始记录的交易操作数据，包括但不限于转账、存款、取款、查询等用户与金融系统之间的交互行为。例如，假设某用户在银行APP上进行了一笔转账操作，该操作涉及的详细信息（如转账金额、收款人账号、转账时间等）就会被记录为一条第一交易操作行为数据。

在金融交易数据中，不是所有信息都是对后续分析有用的。目标类别的交易特征元素指的是那些对特定分析（如欺诈检测）无关的数据特征，经过清洗和处理后，得到的质量更高、更适用于后续分析的第一交易操作行为数据。

由此，在本实施例中，在金融交易服务空间，基于人工智能的反欺诈交易识别系统作为服务器，不断地接收到各种交易操作请求，包括用户的登录、查询余额、转账、投资等行为。服务器首先从金融交易数据库或实时数据流中获取原始的、未经处理的交易操作行为数据，这些数据通常包含了交易的基本信息（交易双方、时间戳、交易金额等），但也存在诸如拼写错误、数据格式不统一、不完整信息、重复记录或测试交易等问题。

为了提升后续分析的准确性，服务器可以采用一系列的数据清洗算法，包括去除重复项、填补缺失值（例如使用平均值、中位数、或根据算法预测填充），格式化数据以确保统一性，以及对错误数据进行校验和纠正（比如校验和算法）。对于明显异常的交易数据，比如交易金额远远超出账户余额或历史交易模式的情况，服务器可以标记为异常点或进行临时冻结以待人工审核。

完成数据清洗后，服务器得到一套清洗后的、高质量的第二交易操作行为数据，为后续的深度学习分析提供坚实基础。

步骤S120，通过图自注意力网络获取所述第二交易操作行为数据的交易行为路径。

详细地，所述图自注意力网络是一种深度学习模型，特别适用于处理图形结构数据。在图自注意力网络中，节点可以表示交易操作，边表示交易之间的关系，图自注意力网络能够自动学习并强调数据中的重要特征。例如，将交易视为节点，交易之间的关系（如连续交易、共同账户）视为边，图自注意力网络能够学习并识别出欺诈行为的典型模式。

所述交易行为路径是指在图自注意力网络中识别出的，由一系列相关联的交易操作构成的路径，这些路径能够揭示资金的流向和交易行为的模式。例如，一系列转账操作可能构成一条交易行为路径，显示资金从一个账户转移到另一个账户的路径和速度。

由此，在本实施例中，服务器将清洗后的第二交易操作行为数据导入到预先构建好的图自注意力网络模型中。在这个图自注意力网络模型里，交易被视为图的节点，交易间的关系（如同一用户的连续交易、账户间的资金转移）被当作是边。图自注意力网络能够自动捕捉和强调数据中的显著特征，并忽略掉噪音和次要信息。

图自注意力网络的每一层都会根据输入的数据（节点的特征和边的关系）来学习并更新节点的表示，以便更精确地捕获交易之间的复杂模式。在这个过程中，服务器可以识别出高度相关和显著影响交易行为的节点，并将这些节点按照交易的时间序列和逻辑关联组织起来，形成清晰的交易行为路径。

步骤S130，依据所述交易行为路径确定待执行的反欺诈识别策略的策略参数数据，所述策略参数数据包含所述反欺诈识别策略的策略启用节点及策略启用链路。

详细地，所述反欺诈识别策略是指一套预设的规则和算法，用于实时监测和分析交易行为，以识别和预防欺诈行为。所述策略参数数据是指定义反欺诈识别策略具体行为的数据，包括策略的启用条件、阈值、执行逻辑等。在交易行为路径中，某些节点（即交易操作）由于具有特定的风险特征，被选为触发反欺诈识别策略的关键点。所述策略启用链路是指连接策略启用节点的一系列交易操作，共同构成了一个完整的交易行为模式，当这种模式出现时，将触发反欺诈识别策略。

由此，在本实施例中，有了交易行为路径图之后，服务器可以对交易行为路径进行详尽的分析，查找其中可能存在的高风险交易模式，比如资金在短时间内快进快出、多次转账到同一账户或通过一系列中介账户最终汇聚到同一地点，这些高风险模式往往是欺诈行为的信号。

基于这些信号，服务器将确定一套具体的反欺诈识别策略，这套反欺诈识别策略将详细定义什么样的交易节点需要特别关注（比如金额巨大、频繁、或与黑名单账户相关的交易），什么样的交易链路需要拦截或加强验证（比如连续多次的跨境转账），这些参数数据不仅包括启用策略的阈值（交易金额上限、转账频率等），还包括策略的执行逻辑和顺序。

步骤S140，在所述金融交易服务空间中依据所述策略参数数据启用反欺诈识别策略，并获取所述反欺诈识别策略在所述金融交易服务空间中的可疑交易分布，所述可疑交易分布包括X个可疑交易事件，一个可疑交易事件在所述金融交易服务空间中对应一个风险节点，X为正整数。

详细地，在金融交易服务空间中，可疑交易分布指的是根据反欺诈识别策略识别出的多个可疑交易事件在时空上的分布情况，这些交易事件可能单独看起来并不明显，但它们的聚集和模式可能揭示了欺诈行为的存在。

所述风险节点指的是在金融交易服务空间中，与欺诈行为高度相关或直接参与欺诈活动的交易点或账户，这些节点可能是欺诈者用来转移资金、隐藏身份或进行其他欺诈活动的关键部分。

也即，在本实施例中，一旦确定了反欺诈识别策略及其参数数据，服务器就会在金融交易服务空间内实时地应用这些反欺诈识别策略。所有流经系统的交易都会按照预定义的规则进行检查。符合欺诈行为模式的交易将被立即标记，同时系统会产生相应的警告或自动采取防御措施（如冻结账户、要求二次验证等）。

随着时间的推移，服务器将积累越来越多的标记为可疑的交易事件，这些事件可能单独看起来并不显眼，但放在一起时就会形成一种分布模式。通过分析这种可疑交易分布，服务器可以识别出欺诈活动的热点地区、常用手法以及潜在的组织网络。

步骤S150，将所述X个可疑交易事件对应的风险节点与所述交易行为路径进行关联分析，生成所述金融交易服务空间的欺诈风险识别数据。所述欺诈风险识别数据表征所述金融交易服务空间中的潜在欺诈行为。

详细地，所述欺诈风险识别数据是指在金融交易服务空间中，通过对交易行为、可疑事件、风险节点等进行分析和关联后得到的，用于识别和评估欺诈风险的数据集，这些数据可以为金融机构提供关于潜在欺诈行为的预警、定位和应对措施。

那么，在本实施例中，在确定了大量的可疑交易事件及其分布之后，服务器可以进一步将这些数据与最初的交易行为路径进行深度关联分析。服务器可以查找在路径上多次出现的风险节点（可能是被重复利用的虚假账户、洗钱中介或诈骗团伙的控制账户），分析它们之间的关联度、影响力和变化趋势。

由此，服务器最终生成一份金融交易服务空间的欺诈风险识别数据报告，这份欺诈风险识别数据报告详细列举了系统中的主要风险节点、可疑交易链路、以及推荐的应对措施（如增强客户身份验证流程、提高跨境转账的监管标准等），这些数据对于金融机构而言是至关重要的，因为它们不仅可以用于即时阻断正在进行的欺诈活动，还可以帮助机构优化长期的安全策略和提升整体的业务风险防控能力。

基于以上步骤，本申请实施例通过清洗金融交易服务空间中的目标类别交易特征元素，生成更精确的第二交易操作行为数据。利用图自注意力网络有效获取交易行为路径，为反欺诈识别策略提供了关键基础。通过确定策略参数数据，能精准地在金融交易服务空间中启用反欺诈识别策略。进一步地，通过对可疑交易分布的风险节点与交易行为路径的关联分析，生成了表征金融交易服务空间中潜在欺诈行为的欺诈风险识别数据，从而以便于提高金融交易的安全性和合规性，显著降低欺诈风险，增强风险防控能力。

在一种可能的实施方式中，步骤S110可以包括：

步骤S111，获取金融交易服务空间中监控获得的至少一个交易会话位置。

本实施例中，在金融交易服务空间内，每时每刻都在进行着大量的交易会话。服务器首先通过其内置的监控机制，实时地捕获和记录这些交易会话的位置信息，这些位置信息可能包括交易的发起地、接收地、中转节点等，它们以数字化的形式存储在服务器的内存中。

例如，当用户A通过手机银行APP向用户B转账时，服务器可以记录下这笔交易的发起位置（用户A的手机IP地址）、接收位置（用户B的账户所在服务器节点）以及可能的中转节点（如支付网关、清算中心等），这些位置信息构成了交易会话位置的基本框架。

步骤S112，对每个所述交易会话位置进行衍生，生成衍生后的各个交易会话位置。

本实施例中，

在获取了基本的交易会话位置信息后，服务器可以进一步对这些位置进行衍生处理。衍生的目的是为了更全面地了解交易的全貌和潜在风险。服务器可以根据交易的类型、金额、时间等因素，对交易会话位置进行扩展和补充。

以转账交易为例，服务器可以衍生出与交易相关的其他位置信息，如用户A和用户B的历史交易位置、用户A和用户B的关联账户位置等，这些信息有助于服务器更准确地判断交易的真实性和合法性。

步骤S113，依据所述衍生后的各个交易会话位置在所述金融交易服务空间中的空间定位业务，通过交易监控控件定义所述金融交易服务空间对应的数据观测视角。

本实施例中，在完成交易会话位置的衍生后，服务器需要根据这些位置在金融交易服务空间中的定位业务来定义数据观测的视角，这意味着服务器需要确定从哪些角度、以何种方式来观察和分析这些交易数据。

例如，服务器可以根据衍生后的交易会话位置，设置一个针对大额转账交易的特定观测视角，这个视角可能包括交易的发起地、接收地、交易金额、交易时间等多个维度，以便服务器能够更全面地监控和分析这类交易的风险。

步骤S114，通过数据观测工具，依据所述数据观测视角获取所述金融交易服务空间中的第一交易操作行为数据。

最后，服务器可以利用数据观测工具，根据之前定义的数据观测视角来获取金融交易服务空间中的第一交易操作行为数据，这些数据是原始的、未经处理的交易记录，它们包含了交易的基本信息和行为特征。

例如，在大额转账交易的特定观测视角下，服务器可以通过数据观测工具获取到所有符合该视角条件的交易记录，这些记录包括了交易的双方信息、交易金额、交易时间戳等详细信息，为后续的数据清洗和分析提供了基础。

由此，服务器通过获取交易会话位置、衍生交易会话位置、定义数据观测视角和利用数据观测工具等步骤，能够全面地获取金融交易服务空间中的第一交易操作行为数据，这些数据为后续的反欺诈识别和风险防控提供了重要的数据基础。

在一种可能的实施方式中，步骤S111可以包括：

步骤S1111，确定金融交易服务空间中待追踪的关键交易链路。

在金融交易服务空间中，存在着众多的交易链路，每条链路都代表着资金的流动路径。服务器首先需要确定哪些链路是关键的，即那些可能涉及较大金额、较高风险或需要特别关注的交易链路。

例如，服务器通过分析历史交易数据，发现某条交易链路频繁出现大额转账，且涉及多个高风险账户，这条链路就被标记为关键交易链路，成为服务器重点监控的对象。

步骤S1112，对所述关键交易链路进行交易监控，并在所述关键交易链路的交易监控过程中，保存所述金融交易服务空间中交易主体在不同时间节点分别对应的会话位置，由此生成对应的交易会话集合，所述交易会话集合包括Y个会话位置，Y为正整数。

一旦确定了关键交易链路，服务器就会对这些链路进行实时的交易监控。在监控过程中，服务器可以记录下交易主体（如账户、用户等）在不同时间节点上的会话位置。

以转账交易为例，当服务器监控到一笔大额转账时，它会记录下这笔交易的发起方和接收方在不同时间节点上的会话位置，如发起方的账户所在服务器节点、接收方的账户所在服务器节点、交易过程中的中转节点等，这些会话位置信息构成了交易会话集合的基本元素。

步骤S1113，依据设定时域参数，对所述交易会话集合中的Y个会话位置进行时序分解处理，生成至少一个交易会话位置。

交易会话集合中包含了大量的会话位置信息，这些信息按照时间顺序排列。为了更方便地分析和处理这些数据，服务器可以根据设定的时域参数对会话位置进行时序分解处理。

时序分解处理的目的是将交易会话集合中的会话位置按照时间顺序进行拆分和重组，以便服务器能够更清晰地了解交易的全过程。例如，服务器可以将交易会话集合中的会话位置按照分钟、小时或天等时间单位进行拆分，然后对每个时间单位内的会话位置进行统计和分析。通过这样的处理，服务器可以获得每个时间单位内交易主体的会话位置分布情况，从而更准确地掌握交易的动态变化和潜在风险。同时，这些处理结果也为后续的反欺诈识别和风险防控提供了重要的数据支持。

由此，服务器通过确定关键交易链路、对关键交易链路进行交易监控并保存会话位置信息、以及依据设定时域参数对会话位置进行时序分解处理等步骤，能够全面地获取金融交易服务空间中的交易会话位置信息，这些信息为后续的数据分析和风险防控提供了重要的基础。

在一种可能的实施方式中，步骤S110还可以包括：

步骤S115，确定所述金融交易服务空间中待清洗特征元素的目标类别。

在进行数据清洗之前，服务器首先需要确定哪些特征元素是需要清洗的目标，这些目标类别可能包括重复数据、错误数据、过时数据等。

例如，服务器通过分析历史交易数据，发现大量的重复交易记录，这些记录可能是由于系统故障或人为操作失误导致的。为了清洗这些重复数据，服务器将重复交易记录定义为待清洗特征元素的目标类别。

步骤S116，游走所述第一交易操作行为数据中的各个特征元素，确定各个特征元素的元素类别。

确定了目标类别后，服务器开始对第一交易操作行为数据进行游走，逐个检查其中的特征元素，并确定它们的元素类别。

以转账交易为例，第一交易操作行为数据中可能包含的特征元素有交易金额、交易时间、交易双方账户信息等。服务器可以逐个检查这些特征元素，并根据预设的规则或算法确定它们的元素类别，如数值型、时间型、文本型等。

步骤S117，如果交易特征元素的元素类别为所述目标类别，则获取所述交易特征元素在所述金融交易服务空间中对应的业务数据项标识。

在游走过程中，如果服务器发现某个交易特征元素的元素类别与目标类别相匹配，那么它会进一步获取该特征元素在金融交易服务空间中对应的业务数据项标识。

以重复交易记录为例，当服务器发现一条交易记录与之前的某条记录完全相同时，它会获取这两条记录对应的业务数据项标识，如交易流水号、订单号等。

步骤S118，将所述业务数据项标识的状态定义为无效状态，以将所述第一交易操作行为数据中目标类别的交易特征元素进行清洗，生成第二交易操作行为数据。

最后，服务器可以将获取到的业务数据项标识的状态定义为无效状态，从而将这些目标类别的交易特征元素从第一交易操作行为数据中清洗掉，生成清洗后的第二交易操作行为数据。

以重复交易记录为例，服务器可以将重复的交易记录对应的业务数据项标识设置为无效状态，这样在后续的数据处理和分析中，这些重复的记录就不会被考虑进去，从而保证了数据的准确性和有效性。

由此，服务器通过确定目标类别、游走特征元素、获取业务数据项标识和定义无效状态等步骤，能够对金融交易服务空间中的第一交易操作行为数据进行有效的清洗处理，生成更加准确和可靠的第二交易操作行为数据。

在一种可能的实施方式中，步骤S120可以包括：

步骤S121，获取所述图自注意力网络所表征的图自注意力算法，并依据所述金融交易服务空间中的数据观测视角，在所述图自注意力算法中定义至少一个观测权重信息。

服务器首先获取图自注意力网络所表征的图自注意力算法，这种算法能够处理图结构数据，并通过自注意力机制捕捉节点之间的关系。在金融交易服务空间中，节点可以代表交易者、资产或其他实体，而边则代表它们之间的交互或关系。

接着，服务器可以依据金融交易服务空间中的数据观测视角来定义观测权重信息。例如，如果关注点是交易金额，那么服务器可以为交易金额较大的节点分配更高的权重；如果关注点是交易频率，那么频繁进行交易的节点可以被赋予更高的权重，这些权重信息将用于指导图自注意力网络在提取交易行为特征时的关注点。

步骤S122，将所述图自注意力网络的关注类型定义为交易行为链路。

在定义了观测权重信息后，服务器将图自注意力网络的关注类型设置为交易行为链路，这意味着网络将专注于捕捉和分析与交易行为直接相关的链路或路径，这些链路可能包括交易者之间的转账路径、资产的流动路径等。

例如，在一个复杂的金融交易网络中，服务器可以关注从一个交易者到另一个交易者的资金流动路径。通过分析这些路径，服务器可以识别出重要的交易者、交易对或交易模式。

步骤S123，通过所述图自注意力网络定义好的图自注意力算法，依据所述交易行为链路提取所述金融交易服务空间的交易行为特征，生成所述第二交易操作行为数据的交易行为路径。

最后，服务器利用定义好的图自注意力算法和观测权重信息来处理金融交易服务空间中的数据。算法会根据交易行为链路提取相关的交易行为特征，如交易金额、交易时间、交易双方等，这些特征将被组合和分析，以生成第二交易操作行为数据的交易行为路径。

例如，服务器可以发现某个特定的交易者在一段时间内频繁地进行大额转账操作，并且这些转账操作都经过了一个特定的中介账户。通过分析这些转账路径和特征，服务器可以识别出潜在的洗钱行为或欺诈模式，并及时采取相应的措施来防范风险。

由此，服务器通过获取图自注意力算法、定义观测权重信息、关注交易行为链路以及提取交易行为特征等步骤，能够准确地捕捉和分析金融交易服务空间中的交易行为路径，这为后续的市场分析、风险预测和决策支持提供了重要的数据基础。

在一种可能的实施方式中，步骤S130可以包括：

步骤S131，将所述交易行为路径划分为Z×Z个交易阶段，并确定所述Z×Z个交易阶段的Z×Z个关键节点，一个交易阶段对应一个关键节点，Z为正整数。

服务器首先会对获取到的交易行为路径进行细致的分析。为了更好地理解整个交易过程，服务器可以将这个路径划分为多个交易阶段。在这个例子中，假设服务器将路径划分为Z×Z个交易阶段，这意味着整个交易过程被细分为了Z×Z个小部分。

每个交易阶段都代表了交易过程中的一个特定环节，比如发起交易、验证交易、执行交易等。在每个交易阶段中，服务器可以确定一个关键节点，这个关键节点是该阶段中最重要的部分，通常与交易的安全性、合规性或风险性紧密相关。

例如，在验证交易阶段，关键节点可能是验证交易双方身份的步骤。在执行交易阶段，关键节点可能是资金转移的实际操作。

步骤S132，通过交易监控控件，分别将所述Z×Z个关键节点的路径位置转换为风险指标位置。

一旦确定了关键节点，服务器就会使用交易监控控件来进一步分析这些节点。交易监控控件是专门用于监控和分析交易行为的工具，它能够帮助服务器识别出潜在的风险点。

在这个步骤中，服务器可以利用交易监控控件将每个关键节点的路径位置转换为风险指标位置，这意味着服务器可以根据每个节点在交易过程中的作用和重要性，为其分配一个相应的风险指标，这个风险指标反映了该节点出现欺诈行为的可能性。

例如，如果某个关键节点是验证交易双方身份的步骤，那么服务器可以根据历史数据和当前交易环境，为这个节点分配一个较高的风险指标，因为身份验证是防止欺诈的重要环节。

步骤S133，依据所述Z×Z个关键节点的风险指标位置，确定待执行的Z×Z条反欺诈识别策略的策略启用链路。一个关键节点对应启用一条反欺诈识别策略。

最后，服务器可以根据每个关键节点的风险指标位置来确定需要执行的反欺诈识别策略。在这个例子中，由于有Z×Z个关键节点，因此服务器可以确定Z×Z条反欺诈识别策略的策略启用链路。

每条策略启用链路都对应一个关键节点，并且是根据该节点的风险指标位置来定制的，这意味着服务器可以为每个高风险节点制定更严格的反欺诈策略，而为低风险节点制定相对宽松的策略。

例如，对于验证交易双方身份的高风险节点，服务器可以启用多因素身份验证策略，要求交易双方提供额外的验证信息。而对于低风险节点，服务器可以采用简单的监控策略，只需进行基本的交易记录和分析。

由此，通过划分交易阶段、确定关键节点、转换风险指标位置以及确定策略启用链路等步骤，服务器能够依据交易行为路径有效地确定待执行的反欺诈识别策略的参数数据，这为保障金融交易的安全性和合规性提供了强有力的支持。

在一种可能的实施方式中，所述交易行为路径包括所述第二交易操作行为数据中至少一个交易行为实例的风险激励参数，所述风险激励参数表征相应交易行为实例与联动行为实例之间的联动权值。

所述欺诈风险识别数据包括X个可疑交易事件的风险识别结果，所述X个可疑交易事件中的任一个可疑交易事件表示为可疑交易事件w。

步骤S150可以包括：

步骤S151，依据风险评估模型对所述X个可疑交易事件中的可疑交易事件w进行风险量化处理，生成所述可疑交易事件w的风险量化值。

步骤S152，获取所述可疑交易事件w在所述交易行为路径中对应的风险激励参数。

步骤S153，依据所述可疑交易事件w的风险量化值及风险激励参数进行关联分析，生成所述可疑交易事件w的风险识别结果。

本实施例中，服务器首先会利用风险评估模型对检测到的X个可疑交易事件进行逐个分析。在这个例子中，关注其中一个特定的可疑交易事件，称为可疑交易事件w。

所述风险评估模型是服务器用于量化交易事件风险程度的工具。它可能基于机器学习算法、统计模型或规则引擎等构建而成，能够根据交易事件的各项特征（如交易金额、交易时间、交易双方历史行为等）来评估其风险水平。

对于可疑交易事件w，服务器可以将其输入到风险评估模型中，经过模型的计算和处理，输出一个风险量化值，这个风险量化值是一个数值或评分，它反映了可疑交易事件w存在欺诈风险的可能性大小。数值越高，表示风险越大；数值越低，表示风险越小。

接下来，服务器可以查看可疑交易事件w在交易行为路径中的位置和相关信息。交易行为路径记录了金融交易服务空间中一系列交易行为的顺序和关联关系，它包含了各个交易行为实例的风险激励参数。

风险激励参数是表征相应交易行为实例与联动行为实例之间联动权值的参数。在金融交易中，某些交易行为可以触发或影响其他交易行为的发生，这种联动关系可以通过风险激励参数来量化表示。例如，一笔大额转账交易可以增加后续相关账户的交易风险，因此其风险激励参数可以设置得较高。

对于可疑交易事件w，服务器可以在交易行为路径中找到与之对应的交易行为实例，并获取该实例的风险激励参数，这个参数将用于后续的关联分析中，以帮助更准确地评估可疑交易事件w的风险水平。

最后，服务器将结合可疑交易事件w的风险量化值和风险激励参数进行关联分析。关联分析是一种数据挖掘技术，用于发现数据集中不同项之间的有趣关系或模式。

在这个场景中，服务器可以利用关联分析算法（如Apriori、FP-Growth等）对可疑交易事件w的风险量化值和风险激励参数进行综合分析。通过分析这两个因素之间的关联关系和影响程度，服务器可以生成一个更全面、更准确的风险识别结果。

这个风险识别结果可能是一个二分类结果（欺诈/非欺诈），也可能是一个风险评分或风险等级。它将为金融机构提供重要的参考信息，帮助他们及时采取必要的措施来防范和应对潜在的欺诈风险。

在一种可能的实施方式中，所述可疑交易事件w的风险识别结果表征所述可疑交易事件w为高欺诈风险事件或低欺诈风险事件。步骤S153可以包括：

步骤S1531，计算所述可疑交易事件w的风险量化值及风险激励参数之间的偏离度。

步骤S1532，如果所述偏离度不小于门限偏离度，则所述可疑交易事件w为高欺诈风险事件。

步骤S1533，如果所述偏离度小于门限偏离度，则所述可疑交易事件w为低欺诈风险事件。

本实施例中，服务器首先会计算可疑交易事件w的风险量化值与风险激励参数之间的偏离度。风险量化值是服务器通过风险评估模型对交易事件进行风险量化处理后得到的数值，它反映了交易事件存在欺诈风险的可能性大小。而风险激励参数则是交易行为路径中与该交易事件相关联的风险权值，它表征了交易事件与其他联动行为之间的关联程度。

偏离度计算可以采用多种方法，如欧氏距离、马氏距离、余弦相似度等。在这个场景中，服务器可以采用一种适合金融交易数据的偏离度计算方法，比如基于统计分布的距离度量方法。通过计算风险量化值与风险激励参数之间的偏离度，服务器可以量化出这两个指标之间的不一致程度或异常程度。

接下来，服务器可以将计算得到的偏离度与一个预设的门限偏离度进行比较。门限偏离度是服务器根据历史数据、业务规则或专家经验等设定的一个阈值，用于划分高欺诈风险事件和低欺诈风险事件的界限。

如果可疑交易事件w的偏离度不小于门限偏离度，说明该交易事件的风险量化值与风险激励参数之间存在较大的不一致性或异常性，这可能是由于欺诈行为导致的。因此，服务器可以将该交易事件判定为高欺诈风险事件。

相反，如果可疑交易事件w的偏离度小于门限偏离度，说明该交易事件的风险量化值与风险激励参数之间的一致性较好，没有明显的异常表现。在这种情况下，服务器可以将该交易事件判定为低欺诈风险事件。

由此，通过计算可疑交易事件的风险量化值与风险激励参数之间的偏离度，并与门限偏离度进行比较，服务器可以准确地识别出高欺诈风险事件和低欺诈风险事件，这为金融机构提供了重要的风险识别结果，有助于他们及时发现并应对潜在的欺诈行为，保障金融交易的安全性和合规性。

在一种可能的实施方式中，步骤S151可以包括：

步骤S1511，依据所述联动行为实例所在的联动行为位置、所述可疑交易事件w对应的交易跟踪链路、以及所述可疑交易事件w，计算所述可疑交易事件w到所述联动行为实例之间的风险聚焦参数。

本实施例中，服务器首先会关注可疑交易事件w与联动行为实例之间的关系。联动行为实例是指在金融交易服务空间中与可疑交易事件w相关联的其他交易行为或事件，这些联动行为实例可能与可疑交易事件w存在某种风险上的关联或影响。

为了量化这种关联或影响，服务器可以计算可疑交易事件w到联动行为实例之间的风险聚焦参数，这个参数反映了可疑交易事件w与联动行为实例之间在风险上的聚焦程度或关联强度。

计算风险聚焦参数时，服务器可以考虑多个因素，包括联动行为实例所在的联动行为位置、可疑交易事件w对应的交易跟踪链路以及可疑交易事件w本身的特征等。联动行为位置是指联动行为实例在金融交易服务空间中的位置或节点，它可能影响了与可疑交易事件w之间的风险关联程度。交易跟踪链路则记录了可疑交易事件w的交易流程和相关信息，有助于服务器更全面地了解该事件的风险背景。

通过综合考虑这些因素，服务器可以计算出可疑交易事件w到联动行为实例之间的风险聚焦参数，这个参数将用于后续的风险量化处理中，以更准确地评估可疑交易事件w的风险水平。

步骤S1512，依据所述可疑交易事件w的风险聚焦参数，依据风险评估模型对所述可疑交易事件w进行风险量化处理，生成所述可疑交易事件w的风险量化值。

本实施例中，在计算出可疑交易事件w到联动行为实例之间的风险聚焦参数后，服务器将利用这个参数和风险评估模型对可疑交易事件w进行风险量化处理。风险评估模型是服务器用于评估交易事件风险程度的工具，它可能基于机器学习算法、统计模型或规则引擎等构建而成。

具体来说，服务器可以将风险聚焦参数作为输入之一，将其与风险评估模型中的其他因素（如交易金额、交易时间、交易双方历史行为等）进行综合考虑。通过模型的计算和处理，服务器可以输出一个针对可疑交易事件w的风险量化值，这个风险量化值是一个数值或评分，它反映了可疑交易事件w存在欺诈风险的可能性大小。数值越高，表示风险越大；数值越低，表示风险越小。

这样，通过计算风险聚焦参数并利用风险评估模型进行风险量化处理，服务器可以生成可疑交易事件w的风险量化值，这个值将为金融机构提供重要的参考信息，帮助他们及时发现并应对潜在的欺诈行为。

在一种可能的实施方式中，所述方法还包括：

步骤S101，在金融交易服务空间中确定参考模板交易服务空间，所述参考模板交易服务空间是指不存在欺诈风险的交易服务空间。

本实施例中，服务器首先会在金融交易服务空间中确定一个参考模板交易服务空间，这个参考模板交易服务空间是指不存在欺诈风险的交易服务空间，它代表了正常、合法的金融交易行为。为了构建这样一个模板，服务器可以收集和分析大量的历史交易数据，从中筛选出那些被确认为正常、无风险的交易实例。

这些数据可能来自多个渠道和多种类型的金融交易，如银行转账、证券交易、保险理赔等。通过对这些数据的深入分析和处理，服务器能够提炼出一个代表正常交易行为的参考模板交易服务空间。

步骤S102，依据所述参考模板交易服务空间，通过交易监控控件定义所述联动行为实例的参考定位节点。

接下来，服务器可以利用交易监控控件在参考模板交易服务空间中定义联动行为实例的参考定位节点。联动行为实例是指在金融交易中与其他交易行为存在关联或影响的行为或事件。而参考定位节点则是这些联动行为实例在参考模板交易服务空间中的标识或定位点。

通过定义这些参考定位节点，服务器能够更准确地跟踪和识别出正常的联动行为模式，这有助于后续在实际交易服务空间中识别出与正常模式不符的异常行为或欺诈行为。

步骤S103，通过定义了参考定位节点的所述联动行为实例，依据所述参考定位节点获取所述参考模板交易服务空间中的参考交易操作行为数据。

在定义了参考定位节点后，服务器可以通过这些节点获取参考模板交易服务空间中的参考交易操作行为数据，这些数据代表了正常交易行为的具体操作和实践，包括交易类型、交易金额、交易时间、交易双方信息等。

服务器可以对这些数据进行详细的分析和处理，以提取出正常交易行为的特征和规律，这些特征和规律将用于构建风险评估模型，帮助服务器在实际交易服务空间中更准确地识别出潜在的欺诈风险。

步骤S104，通过图自注意力网络获取所述参考交易操作行为数据的参考交易行为路径，并依据所述参考交易行为路径，确定风险评估模型。

最后，服务器可以利用图自注意力网络对参考交易操作行为数据进行分析，以获取参考交易行为路径。图自注意力网络是一种先进的机器学习算法，它能够在复杂的数据结构中捕捉到关键的信息和模式。

通过分析参考交易操作行为数据，图自注意力网络能够提炼出一条代表正常交易行为的参考交易行为路径，这条路径反映了正常交易行为在金融交易服务空间中的流动轨迹和关联关系。

基于这条参考交易行为路径，服务器可以确定一个风险评估模型，这个模型将用于在实际交易服务空间中评估交易行为的风险水平，帮助服务器及时发现并应对潜在的欺诈行为。通过不断调整和优化这个模型，服务器能够提高金融交易的安全性和合规性，保障金融机构和客户的利益。

在一种可能的实施方式中，步骤S104可以包括：

步骤S1041，在所述参考交易行为路径中选取Q个参考交易行为实例，Q为正整数。

本实施例中，服务器首先会在已经提取出的参考交易行为路径中选取Q个参考交易行为实例，这些参考交易行为实例代表了正常、合法的交易行为，是构建风险评估模型的基础数据。Q是一个正整数，其值的大小取决于所需的模型精度和可用数据的数量。

服务器可以利用随机抽样、聚类分析或其他统计方法，从参考交易行为路径中选取出最具代表性的Q个交易行为实例，这些实例将用于后续的分析和模型构建。

步骤S1042，依据所述Q个参考交易行为实例的行为业务节点，确定待联动识别的Q条参考交易链路的交易跟踪链路，并依据待联动识别的Q条参考交易链路的交易跟踪链路，通过所述金融交易服务空间中的联动行为实例识别Q条参考交易链路，生成识别结果。所述识别结果包括W个参考可疑交易事件，W为正整数。

本实施例中，接下来，服务器可以根据这Q个参考交易行为实例的行为业务节点，确定待联动识别的Q条参考交易链路的交易跟踪链路。行为业务节点是指交易行为在金融交易服务空间中的关键节点或环节，如发起交易、审核交易、完成交易等。

服务器可以通过分析这些行为业务节点之间的关联关系和交易数据的流动轨迹，构建出Q条完整的参考交易链路，这些链路反映了正常交易行为在金融交易服务空间中的完整流程和路径。

然后，服务器可以利用这些交易跟踪链路，通过金融交易服务空间中的联动行为实例来识别这Q条参考交易链路。联动行为实例是指与交易行为相关联的其他行为或事件，如用户登录、资金转账、订单生成等。通过识别这些联动行为实例，服务器能够更全面地了解交易行为的背景和上下文信息。

识别过程可能涉及模式匹配、关联规则挖掘等算法和技术。最终，服务器可以生成一个识别结果，其中包含W个参考可疑交易事件，这些事件虽然在正常交易行为路径中被识别出来，但可能存在一些异常或风险特征，需要进一步的分析和处理。

步骤S1043，依据所述联动行为实例所在的联动行为位置、所述Q条参考交易链路的交易跟踪链路、以及所述W个参考可疑交易事件，计算任一个参考可疑交易事件r到所述联动行为实例之间的参考风险聚焦参数。

对于识别结果中的每一个参考可疑交易事件r，服务器可以计算它到联动行为实例之间的参考风险聚焦参数，这个参数反映了可疑交易事件与联动行为实例之间在风险上的关联程度或聚焦程度。

计算过程可能涉及多种因素的综合考虑，如交易金额、交易时间、交易类型、交易双方的历史行为等。服务器可以利用这些数据和分析算法，计算出一个数值或评分来表征参考可疑交易事件r与联动行为实例之间的风险关联程度，这个数值越高，表示风险越大；数值越低，表示风险越小。

步骤S1044，依据所述参考风险聚焦参数、及所述参考可疑交易事件r的风险激励参数之间的映射关系，建立风险评估模型。

最后，服务器可以根据计算得到的参考风险聚焦参数和参考可疑交易事件r的风险激励参数之间的映射关系，来建立一个风险评估模型。风险激励参数是指与交易行为相关联的其他风险因素或指标，如用户信用评分、设备安全等级等。

通过分析和挖掘这些参数之间的内在联系和规律，服务器能够构建一个能够准确评估交易行为风险水平的模型，这个模型将用于后续的实际交易监控中，帮助服务器及时发现并应对潜在的欺诈行为。模型的构建可能涉及机器学习算法、统计模型或规则引擎等多种技术和方法的应用。

在一种可能的实施方式中，所述欺诈风险识别数据表征所述X个可疑交易事件中的可疑交易事件w为高欺诈风险事件或低欺诈风险事件。所述将所述X个可疑交易事件对应的风险节点与所述交易行为路径进行关联分析，生成所述金融交易服务空间的欺诈风险识别数据之后，还包括：

步骤S160，如果所述可疑交易事件w为高欺诈风险事件，则确定所述可疑交易事件w在所述金融交易服务空间中对应的潜在欺诈行为Tw。

本实施例中，一旦服务器通过风险评估模型识别出可疑交易事件w为高欺诈风险事件，会立即在金融交易服务空间中定位该事件对应的潜在欺诈行为Tw。潜在欺诈行为Tw是指与可疑交易事件w相关联的具体行为或操作，这些行为或操作可能构成欺诈行为。

服务器可以利用交易监控控件和数据分析工具，对可疑交易事件w进行深入的分析和挖掘，以确定其背后的潜在欺诈行为Tw，这可能涉及对交易数据、用户行为、交易链路等多个方面的综合分析和判断。

步骤S170，获取所述潜在欺诈行为Tw在所述金融交易服务空间中对应的待审核交易数据。

确定了潜在欺诈行为Tw后，服务器可以立即获取该行为在金融交易服务空间中对应的待审核交易数据。待审核交易数据是指与潜在欺诈行为Tw相关联的具体交易数据，这些数据可能包含重要的证据和信息，有助于进一步验证和确认欺诈行为的存在。

服务器可以利用数据检索和查询工具，从庞大的金融交易数据库中快速准确地提取出与潜在欺诈行为Tw相关的待审核交易数据，这些数据可能包括交易金额、交易时间、交易双方信息、交易类型等多个方面的详细信息。

步骤S180，对所述待审核交易数据进行安全审核处理，其中，所述安全审核处理包括：隔离处理、追溯处理中的任一种。

获取到待审核交易数据后，服务器可以对其进行安全审核处理，以进一步验证和确认欺诈行为的存在，并采取相应的措施来应对风险。安全审核处理可能包括隔离处理和追溯处理中的任一种或多种。

隔离处理：服务器可以对与潜在欺诈行为Tw相关联的交易账户、资金或其他相关资源进行隔离处理，以防止欺诈行为进一步扩散或造成更大的损失。隔离处理可能涉及暂时冻结账户、限制交易权限等措施。

追溯处理：服务器可以对潜在欺诈行为Tw进行深入的追溯和分析，以找出欺诈行为的根源和背后的操纵者，这可能涉及对交易数据、用户行为日志等多个方面的深入挖掘和分析，以及与相关机构和部门的协作配合。

通过安全审核处理，服务器能够进一步确认欺诈行为的存在，并采取相应的措施来保障金融交易的安全性和合规性，这有助于保护金融机构和客户的利益，维护金融市场的稳定和健康发展。

图2所示的基于人工智能的反欺诈交易识别系统100包括：处理器1001和存储器1003。其中，处理器1001和存储器1003相连，如通过总线1002相连。可选地，基于人工智能的反欺诈交易识别系统100还可以包括收发器1004，收发器1004可以用于该服务器与其它服务器之间的数据交互，如数据的发送和/或数据的接收等。需要说明的是，实际调度中收发器1004不限于一个，该基于人工智能的反欺诈交易识别系统100的结构并不构成对本申请实施例的限定。

处理器1001可以是CPU（Central Processing Unit，中央处理器），通用处理器，DSP（Digital Signal Processor，数据信号处理器），ASIC（ApplicationSpecificIntegrated Circuit，专用集成电路），FPGA（FieldProgrammable Gate Array，现场可编程门阵列）或者其它可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器1001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。

总线1002可包括一通路，在上述组件之间传送信息。总线1002可以是PCI（Peripheral Component Interconnect，外设部件互连标准）总线或EISA（ExtendedIndustryStandard Architecture，扩展工业标准结构）总线等。总线1002可以分为地址总线、数据总线、控制总线等。为便于表示，图2中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

存储器1003可以是ROM（Read Only Memory，只读存储器）或可存储静态信息和指令的其它类型的静态存储设备，RAM（Random Access Memory，随机存取存储器）或者可存储信息和指令的其它类型的动态存储设备，也可以是EEPROM（ElectricallyErasableProgrammable Read Only Memory，电可擦可编程只读存储器）、CD-ROM（CompactDiscRead Only Memory，只读光盘）或其它光盘存储、光碟存储（包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等）、磁盘存储介质、其它磁存储设备、或者能够用于携带或存储程序代码并能够由计算机读取的任何其它介质，在此不做限定。

存储器1003用于存储执行本申请实施例的程序代码，并由处理器1001来控制执行。处理器1001用于执行存储器1003中存储的程序代码，以实现前述方法实施例所示的步骤。

本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有程序代码，程序代码被处理器执行时可实现前述方法实施例的步骤及相应内容。

应该理解的是，虽然本申请实施例的流程图中通过箭头指示各个操作步骤，但是这些步骤的实施顺序并不受限于箭头所指示的顺序。除非本文中有明确的说明，否则在本申请实施例的一些实施场景中，各流程图中的实施步骤可以基于需求以其它的顺序执行。此外，各流程图中的部分或全部步骤依据实际的实施场景，可以包括多个子步骤或者多个阶段，这些子步骤或者阶段中的部分或全部可以在同一时刻被执行，这些子步骤或者阶段中的每个子步骤或者阶段也可以分别在不同的时刻被执行。在执行时刻不同的场景下，这些子步骤或者阶段的执行顺序可以基于需求灵活配置，本申请实施例对此不限制。

以上所述仅是本申请部分实施场景的可选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请的方案技术构思的前提下，采用依据本申请技术思想的其它类似实施手段，同样属于本申请实施例的保护范畴。