[发明专利]在线支付反欺诈方法及系统

权利要求书

1.一种在线支付反欺诈方法，其特征在于，包括：

S1：获取用户当前在线支付所发生的当前支付数据；

S2：对所述当前支付数据分别进行以下判定分析：进行黑灰名单过滤，得到第一分析结果；进行基于通用支付特征的决策树判定，得到第二分析结果；进行基于数据的用户行为判定，得到第三分析结果；

S3：综合所述第一分析结果、第二分析结果和第三分析结果，判断所述当前支付数据为不可信交易或可信交易，拒绝不可信交易，放行可信交易。

2.如权利要求1所述的在线支付反欺诈方法，其特征在于，所述步骤S2中，进行黑灰名单过滤，得到第一分析结果，包括：

交易发生时得到所述当前支付数据后，判断所述当前支付数据是否包含在黑名单中，若是，则将该在线支付判定为欺诈交易，若否，则判断所述当前支付数据是否包含在灰名单中，若是，则将该在线支付判定为可疑交易；其中，预先将高危欺诈的支付数据加入黑名单中，将具有一定风险的支付数据加入灰名单中。

3.如权利要求2所述的在线支付反欺诈方法，其特征在于，

所述高危欺诈的支付数据是指支付时发生过欺诈交易且与用户相关的支付数据，包括用户的账户、和/或用户的终端设备；

所述具有一定风险的支付数据是指发生过欺诈交易的通用数据，包括交易地点、交易时间、交易金额、交易频次、收款账户、和/或刷卡设备。

4.如权利要求1所述的在线支付反欺诈方法，其特征在于，所述步骤S2中，进行基于通用支付特征的决策树判定，得到第二分析结果，包括：通过所述基于通用支付特征的决策树对当前支付数据进行判定，确定该在线支付为可疑交易或正常交易；其中，所述基于通用支付特征的决策树的构建步骤包括：

根据先验知识，将具有以下支付特征的支付行为判定为高危欺诈交易：设定短时间内发生的跨区域高频交易、非正常时段的高频大额交易、具有试凑行为特征的多笔交易；高频交易指发生次数高于设定频次的交易；

从所述高危欺诈交易中提取属性特征并生成训练数据集，所述属性特征包括高频交易、非正常时段交易、跨区域交易、试凑行为、相邻两笔交易之间的时间间隔、大额交易；

计算训练数据集中包含的每个属性特征的信息增益，根据该信息增益选择最佳的分裂决策属性作为节点构造所述基于通用支付特征的决策树。

5.如权利要求1所述的在线支付反欺诈方法，其特征在于，所述步骤S2中，进行基于数据的用户行为判定，得到第三分析结果，包括：对所述当前支付数据进行基于用户个性化行为特征的决策树判定，确定该在线支付为正常交易、可疑交易或欺诈交易。

6.如权利要求5所述的在线支付反欺诈方法，其特征在于，所述基于用户个性化行为的决策树的构建步骤包括：

获取当前在线支付的用户在各个渠道下的支付数据；

分析获取的用户在各个渠道下的支付数据，生成用户行为库；

从所述用户行为库的支付数据中提取属性特征并生成训练数据集，所述属性特征包括交易设备、交易对象、交易时间、交易地点、交易金额、用户确认信息；

计算训练数据集中包含的每个属性特征的信息增益，根据该信息增益选出最佳的分裂决策属性作为节点构造所述基于用户个性化行为的决策树。

7.如权利要求1所述的在线支付反欺诈方法，其特征在于，所述步骤S3中，综合判断包括：

对第一分析结果进行判断，若当前支付数据存在于黑名单中，则判定当前交易为欺诈行为，拒绝当前交易；

对第二分析结果和第三分析结果进行判断，若基于通用支付特征的决策树判定及基于数据的用户行为判定均为可疑交易，则拒绝当前交易；

对第三分析结果进行判断，若基于数据的用户行为判定为正常交易，则放行当前交易；若基于数据的用户行为判定为欺诈交易，则拒绝当前交易；

对第一分析结果、第二分析结果和第三分析结果进行判断，若基于通用支付特征的决策树判定为正常交易，且基于数据的用户行为判定为可疑交易，同时若当前交易存在于灰名单中，则先挂起该当前交易，随后向对应用户注册手机号发送短信验证，若验证通过则放行当前交易，若无回应，则拒绝当前交易；若交易不存在于黑名单和灰名单中，则放行当前交易。