[发明专利]一种基于传感器数据进行行为识别的反欺诈方法

说明书

本发明涉及行为识别技术领域，提供了一种基于传感器数据进行行为识别的反欺诈方法，主要技术方案包括首先对原始数据采用标准化数据预处理方案进行处理，并使用标准化线下模型对数据进行分类，得到初步分类结果及分类置信度。对初步分类结果总识别置信度较高的样本标签进行保留，对识别置信度较低的数据样本按照时间戳，将其映射回原始数据之后用其分类标签所对应的非标准化数据预处理方案重新进行数据预处理，对得到的数据使用对应的非标准化线下模型再次进行识别，对于分类置信度低于预设阈值的样本，标注为未知行为，对置信度高于阈值的样本标签进行保留。对上述两次识别之后得到的行为序列输入线上模型进行动态时序特征的捕捉，得出分类结果。

技术领域

本申请涉及数据挖掘领域，尤其涉及一种基于加速度传感器和陀螺仪传感器数据进行行为识别的反欺诈方法。

背景技术

近年来，随着移动通信和互联网的快速发展，以及智能移动终端的高度普及，生活中越来越多的场景可以通过纯在线的方式高效、便捷的展开。然而，纯在线的作业方式由于其无法直接接触到用户的特性，使得一些采用这种方式展业的机构在面对客户进件时无法对于客户的真实有效性进行验证，滋生了各种恶意欺诈手段。欺诈可采用不同的形式，最简单的包括使用多控机同时操控多个账号，模拟真实用户交互情形，以运行电脑脚本的形式大量获取机构本用于发放给正常客户的福利(例如，现金)或冒用身份信息申请贷款并发生恶意逾期行为。在某些场景中(例如，申请贷款)，针对尚无自动化破解方案的反欺诈手段，欺诈者还可采用技术手段结合人工干预的方法来绕过。

利用技术手段实施欺诈，由于其灵活和隐蔽性较高的特点，机构很难实现粒度较细、精度较高的有效识别。黑产在面对机构的反欺诈手段时，通常通过大量低成本的尝试性交互来寻找破解方案。因此有感知的、静态的反欺诈手段在这种破解方法面前非常脆弱，另外，反欺诈手段一旦遭到破解，机构对于恶意欺诈行为识别的召回率将会急剧降低。目前，行为识别技术在反欺诈场景的应用尚未普及，现有技术通过对同一用户的行为模式进行学习，并对每一次新的交互行为和学习到的用户行为进行匹配，以此来判断是否为本人操作，但该方法无法就每一个反欺诈结论给出粒度较低的拒绝原因，导致反欺诈灵活性和可追溯性较差。本方案通过手机内置加速度传感器和陀螺仪传感器采集到的数据，训练行为识别模型，对用户交互行为进行识别，并最终结合行为识别结果和页面埋点数据以规则的方式输出反欺诈结果。通过告知机构用户命中了哪些规则，本发明为反欺诈结论提供了可解释性，另外，通过将模型识别置信度用可调整的阈值进行判别，使得机构对于反欺诈效果可以进行自定义的调整，为基于本发明的反欺诈场景提供了灵活性。

作为用户行为识别的基础，行为识别模型需要基于大量带有标签的数据进行训练，人工标注是目前比较常用的数据标注方法，然而，人工标注费时费力且不易操作，不适合大规模开展。现有技术中，通过数据采集设备，对每个客户进行或隔绝或交叉的数据累积，以此来提高模型的准确率的方法对新客户可扩展性较差，每一个新客户需要积累一段时间的数据之后模型才能发挥效果。受限于无法高效地获得大量训练样本，行为识别模型在反欺诈场景的应用受到了一定程度的影响。本方案通过采用异步式的架构，通过对用户数据进行自动化标注，大大提高了数据标注的效率。

同时，运用传感器数据进行行为识别一直以来都是学术界的关注重点，但用于学术项目的传感器数据通常是在实验环境下通过严格控制环境变量，使用专业的数据采集设备进行数据采集。这种数据采集方案在实际生产中不具备可行性，而本发明所涉及的数据采集均指通过智能手机完成，因此具备很强的可复制性。

发明内容

本申请的目的在于针对现有技术手段存在的问题，提供一种动态的、无感知的反欺诈方法，提高反欺诈的灵活性及可追溯性，并就行为识别模型训练样本难以获取的问题提出解决方案。

本发明涉及的行为识别模型的对象是用户交互时的正常的人的行为，为此，模型的排除定义中对非人的(例如，机器模拟)以及不合理的人的行为(例如，完全静止)进行了排除，不纳入模型识别的行为类别范畴。因此，下文中提到的已知行为均指代合理的人的行为，未知行为则指非人的或者不合理的人的行为。