异常交易检测方法以及相关设备

技术领域

本申请涉及计算机技术领域，具体涉及一种异常交易检测方法以及相关设备。

背景技术

为了避免用户在使用线上交易系统进行支付交易时，资产、信息被骗取，目前的很多线上交易系统实施了异常交易检测方案。

现有的异常交易检测方案主要包括基于规则的方案和基于机器学习的方案。用户发起交易请求后，交易系统会应用预定义的规则进行规则基础的检测，识别出可疑的交易作为潜在的异常交易行为。同时，交易系统也会将数据输入到机器学习模型中，模型通过学习正常的交易行为模式进行模式识别，识别出与这些模式显著不同的交易，这些交易也可能是异常交易行为。

基于规则的方案主要是根据一些预定义的规则来识别异常交易行为，例如，如果一个用户在短时间内进行了大量的交易，或者一个用户的交易金额远超过其平均交易金额，那么这些交易可能被认为是异常交易行为。但是这些预定义的规则需要人工设定的调整，可能无法覆盖所有的异常交易行为模式，此外，异常交易行为的模式可能会随着时间的推移而变化，预定义的规则无法适应这些变化。

基于机器学习的方法主要是使用一些机器学习模型，如决策树、随机森林或神经网络，来学习正常的交易行为模式，然后识别出与这些模式显著不同的交易行为，这些不同的交易行为可能是异常交易行为。虽然机器学习模型可以学习正常的交易行为模式，但是如果模型的结构和参数不合适，或者训练数据不足或者不准确，那么模型的性能可能会受到影响。此外，一些机器学习模型可能需要大量的计算资源和时间来训练和预测，这可能影响到系统的实时性。在线上交易系统中，支付的实时性非常重要，如果系统不能及时地识别和防止异常交易行为，那么用户的资金和信息就会受到损失，然而目前的异常交易检测方案无法满足实时性的要求，尤其是当交易数据量很大时。

综上所述，目前的异常交易检测方案无法适应异常交易行为模式的变化、无法有效识别所有的异常交易行为，实时性差、无法及时地识别和防止异常交易行为，因此，无法有效地保护用户的资产和信息。

申请内容

本申请实施例提供一种异常交易检测方法以及相关设备，相关设备可以包括异常交易检测装置、电子设备、计算机可读存储介质和计算机程序产品，可以有效的保护用户的资产和信息。

本申请实施例提供一种异常交易检测方法，包括：

获取实时交易数据，并提取所述实时交易数据的交易特征信息；

将所述交易特征信息输入预训练的深度神经网络模型，对所述交易特征信息进行线性变换和非线性激活计算，得到第一输出概率；

将所述交易特征信息输入预训练的支持向量机模型，对所述交易特征信息进行线性变换和非线性映射计算，得到第二输出概率；

根据所述深度神经网络模型的检测准确率和所述支持向量机模型的检测准确率，将所述第一输出概率和所述第二输出概率进行融合，得到融合概率；

根据所述融合概率，确定交易行为的实时交易状态。

相应的，本申请实施例提供一种异常交易检测装置，包括：

获取单元，用于获取实时交易数据，并提取所述实时交易数据的交易特征信息；

第一检测单元，用于将所述交易特征信息输入预训练的深度神经网络模型，对所述交易特征信息进行线性变换和非线性激活计算，得到第一输出概率；

第二检测单元，用于将所述交易特征信息输入预训练的支持向量机模型，对所述交易特征信息进行线性变换和非线性映射计算，得到第二输出概率；

融合单元，用于根据所述深度神经网络模型的检测准确率和所述支持向量机模型的检测准确率，将所述第一输出概率和所述第二输出概率进行融合，得到融合概率；

确定单元，用于根据所述融合概率，确定交易行为的实时交易状态。

可选的，在本申请的一些实施例中，在所述融合单元之前，还可以包括置信度确定单元，如下：

样本获取子单元，用于获取历史交易数据进行组合，得到样本交易数据集；

样本划分子单元，用于从所述样本交易数据集中选取样本交易数据作为验证样本数据，将所述样本交易数据集中的其余样本交易数据作为训练样本数据；

第一训练子单元，用于采用训练样本数据对初始深度神经网络模型进行训练，得到训练后的深度神经网络模型；

第二训练子单元，用于采用训练样本数据对初始支持向量机模型进行训练，得到训练后的支持向量机模型；

第一置信度确定子单元，用于基于所述验证样本数据计算训练后的所述深度神经网络模型的检测准确率，作为所述深度神经网络模型的置信度；

第二置信度确定子单元，用于基于所述验证样本数据计算训练后的所述支持向量机模型的检测准确率，作为所述支持向量机模型的置信度。

可选的，在本申请的一些实施例中，在所述融合单元还可以包括第一权重确定子单元和第一融合子单元，如下：

第一权重确定子单元，用于根据所述深度神经网络模型的置信度确定第一权重，根据所述支持向量机模型的置信度确定第二权重；

第一融合子单元，用于将所述第一权重、第一输出概率，以及第二权重、第二输出概率进行加权平均计算，得到所述融合概率。

可选的，在本申请的一些实施例中，在所述融合单元还可以包括统计子单元、第二权重确定子单元和第二融合子单元，如下：

统计子单元，用于统计所述深度神经网络模型在预设时间周期内的检测准确率，统计所述支持向量机模型在预设时间周期内的检测准确率；

第二权重确定子单元，用于根据所述深度神经网络模型在预设时间周期内的检测准确率确定第一权重，根据所述支持向量机模型在预设时间周期内的检测准确率确定第二权重；

第二融合子单元，用于将所述第一权重、第一输出概率，以及第二权重、第二输出概率进行加权平均计算，得到所述融合概率。

可选的，在本申请的一些实施例中，在所述融合单元还可以包括类型应对子单元、检测子单元、第三融合子单元，如下：

类型应对子单元，用于获取所述深度网络模型针对不同交易类型的检测准确率，以及所述支持向量机模型针对不同交易类型的检测准确率；

检测子单元，用于确定所述实时交易数据的实时交易类型，并比较所述深度网络模型针对所述实时交易类型的检测准确率，以及所述支持向量机模型针对所述实时交易类型的检测准确率；

第三融合子单元，用于若所述深度网络模型针对所述实时交易类型的检测准确率，大于所述支持向量机模型针对所述实时交易类型的检测准确率，则将所述第一输出概率作为所述融合概率；若所述深度网络模型针对所述实时交易类型的检测准确率，小于所述支持向量机模型针对所述实时交易类型的检测准确率，则将所述第二输出概率作为所述融合概率。

本申请实施例提供的一种电子设备，包括处理器和存储器，所述存储器存储有多条指令，所述处理器加载所述指令，以执行本申请实施例提供的异常交易检测方法中的步骤。

本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现本申请实施例提供的异常交易检测方法中的步骤。

此外，本申请实施例还提供一种计算机程序产品，包括计算机程序或指令，该计算机程序或指令被处理器执行时实现本申请实施例提供的异常交易检测方法中的步骤。

本申请实施例提供了一种异常交易检测方法以及相关设备，可以获取实时交易数据，并提取所述实时交易数据的交易特征信息；将所述交易特征信息输入预训练的深度神经网络模型，对所述交易特征信息进行线性变换和非线性激活计算，得到第一输出概率；将所述交易特征信息输入预训练的支持向量机模型，对所述交易特征信息进行线性变换和非线性映射计算，得到第二输出概率；根据所述深度神经网络模型的检测准确率和所述支持向量机模型的检测准确率，将所述第一输出概率和所述第二输出概率进行融合，得到融合概率；根据所述融合概率，确定交易行为的实时交易状态。本申请将深度神经网络和支持向量机结合在一起，利用深度神经网络模型的能力来学习复杂的模式和特征，同时利用支持向量机模型的能力进行高效的分类决策，将深度神经网络模型和支持向量机模型的输出进行融合，得到最终的交易行为检测结果，从而可以更加准确、高效地识别出异常交易行为，从而及时发现和防止异常交易行为，保护用户的资产和信息安全。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1a是本申请实施例提供的异常交易检测方法的场景示意图；

图1b是本申请实施例提供的异常交易检测方法的流程图；

图2是本申请实施例提供的异常交易检测方法的另一流程图；

图3是本申请实施例提供的异常交易检测装置的结构示意图；

图4是本申请实施例提供的电子设备的结构示意图。

具体实施方式

下面将结合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，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

可以理解的是，在本申请的具体实施方式中，涉及到用户信息(如终端设备的当前惯性传感测量信息)等相关的数据，当本申请以上实施例运用到具体产品或技术中时，需要获得用户许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。

本申请实施例提供一种异常交易检测方法以及相关设备，相关设备可以包括异常交易检测装置、电子设备、计算机可读存储介质和计算机程序产品。该异常交易检测装置具体可以集成在电子设备中，该电子设备可以是终端或服务器等设备。

可以理解的是，本实施例的异常交易检测方法可以是在终端上执行的，也可以是在服务器上执行，还可以由终端和服务器共同执行的。以上举例不应理解为对本申请的限制。

如图1a所示，以终端和服务器共同执行异常交易检测方法为例。本申请实施例提供的异常交易检测系统包括终端和服务器等；终端与服务器之间通过网络连接，比如，通过有线或无线网络连接等，其中，异常交易检测装置可以集成在终端中。

其中，服务器，可以用于：获取终端发送的实时交易数据，并提取所述实时交易数据的交易特征信息；将所述交易特征信息输入预训练的深度神经网络模型，对所述交易特征信息进行线性变换和非线性激活计算，得到第一输出概率；将所述交易特征信息输入预训练的支持向量机模型，对所述交易特征信息进行线性变换和非线性映射计算，得到第二输出概率；根据所述深度神经网络模型的检测准确率和所述支持向量机模型的检测准确率，将所述第一输出概率和所述第二输出概率进行融合，得到融合概率；根据所述融合概率，确定交易行为的实时交易状态。其中，服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。本申请所公开的异常交易检测方法或装置，其中多个服务器可组成为一区块链，而服务器为区块链上的节点。

其中，终端，可以用于：基于用户操作，获取实时交易数据，以及向用户反馈异常交易状态。其中，终端可以包括手机、平板电脑、笔记本电脑、或个人计算机(PC，PersonalComputer)等。终端上还可以设置客户端，该客户端可以是应用程序客户端或浏览器客户端等等。

以下分别进行详细说明。需说明的是，以下实施例的描述顺序不作为对实施例优选顺序的限定。

本实施例将从异常交易检测装置的角度进行描述，该异常交易检测装置具体可以集成在电子设备中，该电子设备可以是服务器或终端等设备。

本实施例可应用于人工智能、机器学习等各种场景。其中，人工智能(ArtificialIntelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、预训练模型技术、操作/交互系统、机电一体化等。其中，预训练模型又称大模型、基础模型，经过微调后可以广泛应用于人工智能各大方向下游任务。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

其中，机器学习(Machine Learning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。预训练模型是深度学习的最新发展成果，融合了以上技术。

可以理解的是，在本申请的具体实施方式中，涉及到用户信息(如终端设备用户发布的信息)等相关的数据，当本申请以上实施例运用到具体产品或技术中时，需要获得用户许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。

如图1b所示，该异常交易检测方法的具体流程可以如下：

101、获取实时交易数据，并提取所述实时交易数据的交易特征信息。

在线交易平台需要实时处理大量的交易数据，为了快速识别出可能的异常交易行为，可以采用滑动窗口、流数据处理或者其他实时处理方法。

其中，滑动窗口是一种常用的实时处理方法，可以实时处理大量的交易数据，在滑动窗口中，只处理最近的一部分交易数据，而忽略了较早的数据。可以设置一个滑动窗口，例如，包含最近10分钟的交易数据，然后每当有新的交易发生时，就将这个交易数据添加到该滑动窗口中，同时将窗口中最早的交易数据移出该滑动窗口。

在线交易平台需要对交易数据进行预处理，包括数据清洗、特征选择和特征工程等，这一步骤的目的是提取出对异常交易行为检测有用的信息，并将交易数据转化为适合模型处理的格式，具体可以包括如下步骤：

对滑动窗口内的实时交易数据进行清洗，去除无效或错误的数据；

进行特征选择，选择出对异常交易行为检测有用的交易特征信息。这些交易特征信息可能包括交易金额、交易时间、用户的历史交易行为等信息；

进行特征工程，将原始的交易特征信息转化为适合模型处理的格式。例如，可以使用归一化或标准化来处理数值特征，使用独热编码或标签编码来处理类别特征。数值特征的归一化可以使用以下公式：

其中，x是原始的交易特征信息，x

在实时预测中，需要使用训练好的深度神经网络模型和支持向量机模型来预测新的交易行为是否为欺诈。每当有新的交易行为发生时，就将这个交易数据的交易特征信息输入到深度神经网络模型和支持向量机模型中，然后计算模型输出的概率数值，如果输出的概率数值超过了预设阈值，那么就认为这个交易行为可能是异常交易行为，否则就认为这个交易行为可能是正常交易行为。本申请的方案可以使能够快速识别出可能的异常交易行为，从而保护用户的资产和信息安全。

102、将所述交易特征信息输入预训练的深度神经网络模型，对所述交易特征信息进行线性变换和非线性激活计算，得到第一输出概率。

其中，深度神经网络模型(Deep Neural Networks，以下简称DNN)是深度学习的基础，深度神经网络模型内部的神经网络层可以分为三类，输入层，隐藏层和输出层，一般来说第一层是输入层，最后一层是输出层，而中间的层数都是隐藏层。层与层之间是全连接的，也就是说，第i层的任意一个神经元一定与第i+1层的任意一个神经元相连。虽然深度神经网络模型看起来很复杂，但是从小的局部模型来说，还是和感知机一样，即一个线性关系z＝∑w i x i+b加上一个激活函数。

假设已经确定除输出层之外所有层的所有参数，就可以根据输入值依次得到每个神经元的值即正向传播。前向传播(forward-propagation)是指对神经网络模型沿着从输入层到输出层的顺序，依次计算并存储模型的中间变量(包括输出)。通过前向传播计算深度神经网络模型的输出。这通常包括线性变换和非线性激活函数。使用矩阵乘法来进行线性变换，使用ReLU或Sigmoid函数来进行非线性激活。最终得到输出层输出的第一输出概率。

其中，第一输出概率是深度神经网络模型输出的概率值，用于表示深度神经网络模型对交易特征信息进行计算，判断对应的交易行为为异常交易的概率。

在采用深度神经网络模型计算第一输出概率之前，需要采用历史交易数据初始深度神经网络模型进行训练，具体可以包括如下步骤：

获取历史交易数据进行组合，得到样本交易数据集；

从所述样本交易数据集中选取样本交易数据作为验证样本数据，将所述样本交易数据集中的其余样本交易数据作为训练样本数据；

采用训练样本数据对初始深度神经网络模型进行训练，得到训练后的深度神经网络模型。

其中，历史交易数据根据在线交易平台上产生的历史交易行为获取的，可以根据用户反馈、持续检测的方式确定历史交易行为的交易状态，历史交易数据包括交易状态标签。根据验证样本数据的交易状态标签验证训练过程中，神经网络模型的检测结果是否准确。

其中，反向传播(Backpropagation，BP)是“误差反向传播”的简称，是一种与最优化方法(如梯度下降法)结合使用的，用来训练人工神经网络的常见方法。该方法对网络中所有权重计算损失函数的梯度。这个梯度会反馈给最优化方法，用来更新权值以最小化损失函数。

上述深度神经网络(DNN)的训练，具体可以包括如下步骤：

初始化：初始化网络的权重。这通常可以通过随机初始化或使用预训练的权重来实现。使用高斯分布或均匀分布来随机初始化权重。

前向传播：通过前向传播计算网络的输出。这通常包括线性变换和非线性激活函数。使用矩阵乘法来进行线性变换，使用ReLU或Sigmoid函数来进行非线性激活。在前向传播中，每一层的输出是通过线性变换和非线性激活函数计算得到的。线性变换可以用以下公式表示：

z

其中z

非线性激活函数可以用以下公式表示：

a

其中g

计算损失：计算损失函数。这通常包括预测值和真实值之间的差异。例如，可以使用均方误差或交叉熵损失来计算损失。

反向传播：通过反向传播计算梯度。这通常包括链式法则和梯度下降法。在反向传播中，需要计算损失函数关于权重和偏置的梯度。这可以用以下公式表示：

其中L是损失函数，δ

更新权重：更新网络的权重。这通常可以通过梯度下降法或其他优化算法来实现。使用随机梯度下降(SGD)、Adam或RMSprop等优化算法来更新权重。

本申请的实施例中，还可以根据新的交易数据自动更新深度神经网络模型。通过在线学习、增量学习或其他自适应学习方法实现。使用随机梯度下降法，每次只使用一个新的样本来更新深度神经网络模型，这样可以快速适应新的数据。这一步骤可以使用在线学习、增量学习的方式来实现。

其中，在线学习是一种常用的自适应学习方法，它可以使模型能够快速适应新的数据。在在线学习中，不需要重新训练整个模型，而是只需要根据新的数据来更新模型。当获取到一个新的样本时，使用当前的深度神经网络模型来预测这个样本，计算预测结果和真实结果之间的差异，根据这个差异来更新模型的参数。这种方法可以使深度神经网络模型能够快速适应新的数据，同时也可以大大减少计算的复杂性。

其中，增量学习是另一种自适应学习方法，它可以使模型能够适应数据的变化。在增量学习中，不需要重新训练整个模型，而是只需要根据新的数据来更新模型。当收到一批新的样本时，使用当前的模型来预测这些样本，计算预测结果和真实结果之间的差异，根据这个差异来更新模型的参数。这种方法可以使深度神经网络模型能够适应数据的变化，同时也可以大大减少计算的复杂性。

103、将所述交易特征信息输入预训练的支持向量机模型，对所述交易特征信息进行线性变换和非线性映射计算，得到第二输出概率。

其中，支持向量机(support vector machines,SVM)是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使它有别于感知机:支持向量机还包括核技巧，这使它成为实质上的非线性分类器。支持向量机的学习策略就是间隔最大化，可形式化为一个求解凸二次规划的问题。支持向量机的学习算法是求解凸二次规划的最优化算法。

其中，第二输出概率是支持向量机模型输出的概率值，用于表示支持向量机模型对交易特征信息进行计算，判断对应的交易行为为异常交易的概率。

在采用支持向量机模型计算第二输出概率之前，需要采用历史交易数据初始支持向量机模型进行训练，具体可以包括如下步骤：

获取历史交易数据进行组合，得到样本交易数据集；

从所述样本交易数据集中选取样本交易数据作为验证样本数据，将所述样本交易数据集中的其余样本交易数据作为训练样本数据；

采用训练样本数据对初始支持向量机模型进行训练，得到训练后的支持向量机模型。

其中，历史交易数据根据在线交易平台上产生的历史交易行为获取的，可以根据用户反馈、持续检测的方式确定历史交易行为的交易状态，历史交易数据包括交易状态标签。根据验证样本数据的交易状态标签验证训练过程中，支持向量机模型的检测结果是否准确。

其中，采用训练样本数据对初始支持向量机模型进行训练，得到训练后的支持向量机模型，具体可以包括如下步骤：

采用所述初始支持向量机模型对所述训练样本数据进行进行线性变换和非线性映射计算，得到初始第二输出概率；

基于损失函数计算所述初始第一输出概率与所述验证样本数据的交易行为标签之间的第二误差；

基于序列最小优化算法更新所述初始支持向量机模型的拉格朗日乘子，重复执行上述训练步骤，直至所述第二误差小于预设第二训练阈值，得到所述训练后的支持向量机模型。

序列最小优化(SMO)算法是一种解决二次优化问题的算法，其最经典的应用就是在解决SVM问题上，上述训练过程具体可以包括如下步骤：

初始化：初始化拉格朗日乘子。这通常可以通过设置所有乘子为零来实现。

计算输出：计算SVM的输出。这通常包括线性变换和非线性映射。使用矩阵乘法来进行线性变换，使用核函数来进行非线性映射。在SVM中，输出是通过线性变换和非线性映射计算得到的。这可以用以下公式表示：

其中f(x)是输出，α

计算损失：计算目标函数。这通常包括拉格朗日乘子和核函数。例如，可以使用拉格朗日乘子来表示约束条件，使用核函数来表示非线性映射。

更新乘子：更新拉格朗日乘子。这通常可以通过序列最小优化(SMO)算法或其他优化算法来实现。

其中

104、根据所述深度神经网络模型的检测准确率和所述支持向量机模型的检测准确率，将所述第一输出概率和所述第二输出概率进行融合，得到融合概率。

在一些实施例中，可以采用基于置信度的加权平均法来实现模型的融合，可以通过训练数据来估计每个模型的置信度。可以使用交叉验证的方法，将训练数据分成K份，然后对于每一份，使用其他K-1份数据来训练模型，用训练好的模型来预测这一份数据，计算预测的准确率，作为模型的置信度。将每个模型的预测结果按照模型的置信度进行加权平均，得到最终的预测结果。这种方法可以使得置信度高的模型有更大的影响力，从而提高融合的效果。

其中，根据所述深度神经网络模型的检测准确率和所述支持向量机模型的检测准确率，将所述第一输出概率和所述第二输出概率进行融合，得到融合概率，具体可以包括如下步骤：

基于所述验证样本数据计算训练后的所述深度神经网络模型的检测准确率，作为所述深度神经网络模型的置信度；

基于所述验证样本数据计算训练后的所述支持向量机模型的检测准确率，作为所述支持向量机模型的置信度；

根据所述深度神经网络模型的置信度确定第一权重，根据所述支持向量机模型的置信度确定第二权重；

将所述第一权重、第一输出概率，以及第二权重、第二输出概率进行加权平均计算，得到所述融合概率。

在一些实施例中，还可以根据模型在最近的一段时间内的表现来动态调整模型的权重。可以定期计算每个模型在最近一段时间内的预测准确率，然后根据预测准确率来调整模型的权重。这种方法可以使得表现好的模型有更大的影响力，同时也可以使得模型能够快速适应数据的变化。其中，融合公式如下：

y

其中y

根据所述深度神经网络模型的检测准确率和所述支持向量机模型的检测准确率，将所述第一输出概率和所述第二输出概率进行融合，得到融合概率，具体可以包括如下步骤：

统计所述深度神经网络模型在预设时间周期内的检测准确率，统计所述支持向量机模型在预设时间周期内的检测准确率；

根据所述深度神经网络模型在预设时间周期内的检测准确率确定第一权重，根据所述支持向量机模型在预设时间周期内的检测准确率确定第二权重；将所述第一权重、第一输出概率，以及第二权重、第二输出概率进行加权平均计算，得到所述融合概率。

在一些实施例中，所述统计所述深度神经网络模型在预设时间周期内的检测准确率，统计所述支持向量机模型在预设时间周期内的检测准确率，包括如下步骤：

获取当前时间节点之前的预设时间周期内的历史交易数据；

获取所述深度神经网络模型针对所述历史交易数据检测得到的第一输出概率；

获取所述支持向量机模型针对所述历史交易数据检测得到的第二输出概率；

基于用户反馈信息获取所述历史交易数据对应的交易状态；

根据所述交易状态和所述第一输出概率，统计所述深度神经网络模型在所述预设时间周期内的检测准确率；

根据所述交易状态和所述第二输出概率，统计所述支持向量机模型在所述预设时间周期内的检测准确率。

在一些实施例中，根据每个模型在特定类型的交易中的表现来选择最适合的模型。可以将交易数据按照交易类型(例如，购物、转账、提现等)进行分类，然后对于每一类交易，使用交叉验证的方法来评估每个模型的表现，然后选择表现最好的模型作为这一类交易的预测模型。这种方法可以使得每一类交易都使用最适合的模型，从而提高预测的准确率。

根据所述深度神经网络模型的检测准确率和所述支持向量机模型的检测准确率，将所述第一输出概率和所述第二输出概率进行融合，得到融合概率，具体可以包括如下步骤：

获取所述深度网络模型针对不同交易类型的检测准确率，以及所述支持向量机模型针对不同交易类型的检测准确率；

确定所述实时交易数据的实时交易类型，并比较所述深度网络模型针对所述实时交易类型的检测准确率，以及所述支持向量机模型针对所述实时交易类型的检测准确率；

若所述深度网络模型针对所述实时交易类型的检测准确率，大于所述支持向量机模型针对所述实时交易类型的检测准确率，则将所述第一输出概率作为所述融合概率；

若所述深度网络模型针对所述实时交易类型的检测准确率，小于所述支持向量机模型针对所述实时交易类型的检测准确率，则将所述第二输出概率作为所述融合概率。

其中，获取所述深度网络模型针对不同交易类型的检测准确率，以及所述支持向量机模型针对不同交易类型的检测准确率，具体可以包括如下步骤：

获取历史交易数据，并确定所述历史交易数据对应的交易类型；

选取一种交易类型的所述历史交易数据组合得到验证集，将其余交易类型的所述历史交易数据组合得到训练集；

采用所述训练集训练初始深度神经网络模型，得到训练后的深度神经网络模型，并采用所述验证集验证所述训练后的深度神经网络模型的第一输出概率；

根据所述历史交易数据的交易状态标签和所述第一输出概率，统计所述深度神经网络模型针对所述交易类型检测准确率；

采用所述训练集训练初始支持向量机模型，得到训练后的支持向量机模型，并采用所述验证集验证所述训练后的支持向量机模型的第二输出概率；

根据所述历史交易数据的交易状态标签和所述第二输出概率，统计所述支持向量机模型针对所述交易类型检测准确率。

105、根据所述融合概率，确定交易行为的实时交易状态。

如果融合概率超过了一个预设的阈值，那么就认为这个交易行为可能是异常交易行为，否则就认为这个交易行为可能是正常交易行为。本申请的方案可以使能够快速识别出可能的异常交易行为，从而保护用户的资产和信息安全。

综上所述，本申请实施例提供了一种异常交易检测方法以及相关设备，可以获取实时交易数据，并提取所述实时交易数据的交易特征信息；将所述交易特征信息输入预训练的深度神经网络模型，对所述交易特征信息进行线性变换和非线性激活计算，得到第一输出概率；将所述交易特征信息输入预训练的支持向量机模型，对所述交易特征信息进行线性变换和非线性映射计算，得到第二输出概率；根据所述深度神经网络模型的检测准确率和所述支持向量机模型的检测准确率，将所述第一输出概率和所述第二输出概率进行融合，得到融合概率；根据所述融合概率，确定交易行为的实时交易状态。本申请将深度神经网络和支持向量机结合在一起，利用深度神经网络模型的能力来学习复杂的模式和特征，同时利用支持向量机模型的能力进行高效的分类决策，将深度神经网络模型和支持向量机模型的输出进行融合，得到最终的交易行为检测结果，从而可以更加准确、高效地识别出异常交易行为，从而及时发现和防止异常交易行为，保护用户的资产和信息安全。。

实施例二

根据前面实施例所描述的方法，以下对训练后的在线学习和增量学习过程作进一步详细说明。

本申请实施例提供一种异常交易检测方法，如图2所示，该异常交易检测方法的具体流程可以如下：

201、获取当前时间节点之前的预设时间周期内的历史交易数据，并将所述历史交易数据和对应的所述交易状态添加到滑动窗口中，所述滑动窗口包括预定数量的历史交易数据。

202、获取所述深度神经网络模型针对所述滑动窗口中的历史交易数据检测得到的第一输出概率。

203、获取所述支持向量机模型针对所述滑动窗口中的历史交易数据检测得到的第二输出概率。

204、基于用户反馈信息获取所述历史交易数据对应的交易状态，根据所述交易状态和所述第一输出概率，更新所述深度神经网络模型的参数；根据所述交易状态和所述第二输出概率，更新所述支持向量机模型的参数。

由上可知，本申请的方案具有自适应学习的能力，可以根据新的数据自动更新模型，以适应可能的变化。在线交易平台能够持续提高其异常交易行为检测的性能，即使异常交易行为的模式发生变化。

为了更好地实施以上方法，本申请实施例还提供一种异常交易检测装置，如图3所示，该异常交易检测装置可以包括获取单元301、第一检测单元302、第二检测单元303、融合单元304和确定单元305，如下：

(1)获取单元301，用于获取实时交易数据，并提取所述实时交易数据的交易特征信息。

(2)第一检测单元302，用于将所述交易特征信息输入预训练的深度神经网络模型，对所述交易特征信息进行线性变换和非线性激活计算，得到第一输出概率。

(3)第二检测单元303，用于将所述交易特征信息输入预训练的支持向量机模型，对所述交易特征信息进行线性变换和非线性映射计算，得到第二输出概率。

(4)融合单元304，用于根据所述深度神经网络模型的检测准确率和所述支持向量机模型的检测准确率，将所述第一输出概率和所述第二输出概率进行融合，得到融合概率。

(5)确定单元，用于根据所述融合概率，确定交易行为的实时交易状态。

可选的，在本申请的一些实施例中，在所述融合单元之前，还可以包括置信度确定单元，如下：

样本获取子单元，用于获取历史交易数据进行组合，得到样本交易数据集；

样本划分子单元，用于从所述样本交易数据集中选取样本交易数据作为验证样本数据，将所述样本交易数据集中的其余样本交易数据作为训练样本数据；

第一训练子单元，用于采用训练样本数据对初始深度神经网络模型进行训练，得到训练后的深度神经网络模型；

第二训练子单元，用于采用训练样本数据对初始支持向量机模型进行训练，得到训练后的支持向量机模型；

第一置信度确定子单元，用于基于所述验证样本数据计算训练后的所述深度神经网络模型的检测准确率，作为所述深度神经网络模型的置信度；

第二置信度确定子单元，用于基于所述验证样本数据计算训练后的所述支持向量机模型的检测准确率，作为所述支持向量机模型的置信度。

可选的，在本申请的一些实施例中，在所述融合单元还可以包括第一权重确定子单元和第一融合子单元，如下：

第一权重确定子单元，用于根据所述深度神经网络模型的置信度确定第一权重，根据所述支持向量机模型的置信度确定第二权重；

第一融合子单元，用于将所述第一权重、第一输出概率，以及第二权重、第二输出概率进行加权平均计算，得到所述融合概率。

可选的，在本申请的一些实施例中，在所述融合单元还可以包括统计子单元、第二权重确定子单元和第二融合子单元，如下：

统计子单元，用于统计所述深度神经网络模型在预设时间周期内的检测准确率，统计所述支持向量机模型在预设时间周期内的检测准确率；

第二权重确定子单元，用于根据所述深度神经网络模型在预设时间周期内的检测准确率确定第一权重，根据所述支持向量机模型在预设时间周期内的检测准确率确定第二权重；

第二融合子单元，用于将所述第一权重、第一输出概率，以及第二权重、第二输出概率进行加权平均计算，得到所述融合概率。

可选的，在本申请的一些实施例中，在所述融合单元还可以包括类型应对子单元、检测子单元、第三融合子单元，如下：

类型应对子单元，用于获取所述深度网络模型针对不同交易类型的检测准确率，以及所述支持向量机模型针对不同交易类型的检测准确率；

检测子单元，用于确定所述实时交易数据的实时交易类型，并比较所述深度网络模型针对所述实时交易类型的检测准确率，以及所述支持向量机模型针对所述实时交易类型的检测准确率；

第三融合子单元，用于若所述深度网络模型针对所述实时交易类型的检测准确率，大于所述支持向量机模型针对所述实时交易类型的检测准确率，则将所述第一输出概率作为所述融合概率；若所述深度网络模型针对所述实时交易类型的检测准确率，小于所述支持向量机模型针对所述实时交易类型的检测准确率，则将所述第二输出概率作为所述融合概率。

由上可知，本申请实施例可以通过获取单元获取实时交易数据，并提取所述实时交易数据的交易特征信息；通过第一检测单元将所述交易特征信息输入预训练的深度神经网络模型，对所述交易特征信息进行线性变换和非线性激活计算，得到第一输出概率；通过第二检测单元将所述交易特征信息输入预训练的支持向量机模型，对所述交易特征信息进行线性变换和非线性映射计算，得到第二输出概率；通过融合单元根据所述深度神经网络模型的检测准确率和所述支持向量机模型的检测准确率，将所述第一输出概率和所述第二输出概率进行融合，得到融合概率；通过确定单元，用于根据所述融合概率，确定交易行为的实时交易状态。本申请将深度神经网络和支持向量机结合在一起，利用深度神经网络模型的能力来学习复杂的模式和特征，同时利用支持向量机模型的能力进行高效的分类决策，将深度神经网络模型和支持向量机模型的输出进行融合，得到最终的交易行为检测结果，从而可以更加准确、高效地识别出异常交易行为，从而及时发现和防止异常交易行为，保护用户的资产和信息安全。

本申请实施例还提供一种电子设备，如图4所示，其示出了本申请实施例所涉及的电子设备的结构示意图，该电子设备可以是终端或者服务器等，具体来讲：

该电子设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解，图4中示出的电子设备结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：

处理器401是该电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器402内的软件程序和、或模块，以及调用存储在存储器402内的数据，执行电子设备的各种功能和处理数据。可选的，处理器401可包括一个或多个处理核心；优选的，处理器401可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器401中。

存储器402可用于存储软件程序以及模块，处理器401通过运行存储在存储器402的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如识别有害信息等)等；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器402还可以包括存储器控制器，以提供处理器401对存储器402的访问。

电子设备还包括给各个部件供电的电源403，优选的，电源403可以通过电源管理系统与处理器401逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。

该电子设备还可包括输入单元404，该输入单元404可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。

尽管未示出，该电子设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，电子设备中的处理器401会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中，并由处理器401来运行存储在存储器402中的应用程序，从而实现各种功能，如下：

获取实时交易数据，并提取所述实时交易数据的交易特征信息；

将所述交易特征信息输入预训练的深度神经网络模型，对所述交易特征信息进行线性变换和非线性激活计算，得到第一输出概率；

将所述交易特征信息输入预训练的支持向量机模型，对所述交易特征信息进行线性变换和非线性映射计算，得到第二输出概率；

根据所述深度神经网络模型的检测准确率和所述支持向量机模型的检测准确率，将所述第一输出概率和所述第二输出概率进行融合，得到融合概率；

根据所述融合概率，确定交易行为的实时交易状态。

以上各个操作的具体实施可参见前面的实施例，在此不再赘述。

由上可知，本申请实施例可以获取实时交易数据，并提取所述实时交易数据的交易特征信息；将所述交易特征信息输入预训练的深度神经网络模型，对所述交易特征信息进行线性变换和非线性激活计算，得到第一输出概率；将所述交易特征信息输入预训练的支持向量机模型，对所述交易特征信息进行线性变换和非线性映射计算，得到第二输出概率；根据所述深度神经网络模型的检测准确率和所述支持向量机模型的检测准确率，将所述第一输出概率和所述第二输出概率进行融合，得到融合概率；根据所述融合概率，确定交易行为的实时交易状态。本申请将深度神经网络和支持向量机结合在一起，利用深度神经网络模型的能力来学习复杂的模式和特征，同时利用支持向量机模型的能力进行高效的分类决策，将深度神经网络模型和支持向量机模型的输出进行融合，得到最终的交易行为检测结果，从而可以更加准确、高效地识别出异常交易行为，从而及时发现和防止异常交易行为，保护用户的资产和信息安全。

本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。

为此，本申请实施例提供一种计算机可读存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本申请实施例所提供的任一种异常交易检测方法中的步骤。例如，该指令可以执行如下步骤：

获取实时交易数据，并提取所述实时交易数据的交易特征信息；

将所述交易特征信息输入预训练的深度神经网络模型，对所述交易特征信息进行线性变换和非线性激活计算，得到第一输出概率；

将所述交易特征信息输入预训练的支持向量机模型，对所述交易特征信息进行线性变换和非线性映射计算，得到第二输出概率；

根据所述深度神经网络模型的检测准确率和所述支持向量机模型的检测准确率，将所述第一输出概率和所述第二输出概率进行融合，得到融合概率；

根据所述融合概率，确定交易行为的实时交易状态。

以上各个操作的具体实施可参见前面的实施例，在此不再赘述。

其中，该计算机可读存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。

由于该计算机可读存储介质中所存储的指令，可以执行本申请实施例所提供的任一种异常交易检测方法中的步骤，因此，可以实现本申请实施例所提供的任一种异常交易检测方法所能实现的有益效果，详见前面的实施例，在此不再赘述。

根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述异常交易检测方法的各种可选实现方式中提供的方法。

以上对本申请实施例所提供的一种异常交易检测方法以及相关设备进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。