基于深度學習的銀行卡交易反欺詐技術研究

竇路路　石秀金

摘 要：銀行卡交易的反欺詐技術旨在檢測出欺詐風險較高的交易，通常采用神經網絡進行反欺詐預防。傳統神經網絡只有一層隱藏層節點，對復雜多變的欺詐特征泛化能力較差。為提高欺詐交易預測的準確度，將深度信念網絡模型應用到銀行卡交易反欺詐中。構建了一個五層的深度信念網絡模型，逐層訓練并反向調優后獲取到欺詐交易的特征，并通過分類器對交易進行分類。實驗表明深度學習模型在銀行卡交易欺詐預測方面比傳統神經網絡具有更高的準確性。

關鍵詞：銀行卡交易反欺詐； 神經網絡； 深度信念網絡； 欺詐預測

Abstract： Anti-fraud technology of bank card transactions is designed to detect transactions that are more fraudulent， and neural network is usually used in anti-fraud prevention.The traditional Neural Network has only one hidden layer node， which has poor generalization ability to complex and changeable fraud features. In order to improve the accuracy of the forecast of fraudulent transactions， the Deep Belief Network model is applied to anti-fraud of bank card transactions. This paper builds a 5-layer Deep Belief Network model， by training further layer by layer and reverse tuning to obtain the features of the fraudulent transactions， and classify the transactions through the classifier. Experiments show that the deep learning model has higher accuracy than the traditional neural network in bank card transaction fraud prediction.

Key words： bank card anti-fraud transactions； Neural Network； Deep Belief Network； fraud prediction

引言

日益猖獗的銀行卡交易欺詐事件給銀行和消費者帶來了巨大損失，反欺詐系統是從海量的實時交易數據中檢測出欺詐風險較高的交易，進行實時攔截，從而最大程度上降低客戶的財產損失風險[1]。

最初的反欺詐系統是基于規則建立的，成本消耗大，且設定的規則都是針對已知欺詐類型的，對于新型欺詐類型檢測能力差，因此神經網絡開始應用到反欺詐研究中。神經網絡經過訓練，對未知欺詐類型的預測能力遠遠超過基于規則的模型，然而神經網絡也存在很多缺陷。傳統的神經網絡一般都是三層網絡，即除了輸入層和輸出層之外，只有一層隱藏層節點[2]。這種淺層的神經網絡模型對于復雜問題的泛化能力較差，相對于支持向量機、最大熵方法等模型而言，并沒有表現出特別的優秀之處。一些研究增加了隱層數量，又會面臨著梯度消失，訓練時間長等問題，所以神經網絡在這期間一直處于不溫不火的狀態。2006年，Hinton指出深度神經網絡難以訓練的問題可以通過貪婪的無監督算法得到解決[3]。即一次只訓練一層網絡，固定好這一層的參數以后，在該層的基礎上繼續訓練下一層，直到訓練完最后一層，最后再對整個結構進行反向調整，進一步消除誤差。

本文嘗試將深度信念網絡模型應用到銀行卡欺詐交易的預測中，使用欺詐相關的交易字段進行深度信念網絡的建模，通過進行比傳統神經網絡更多層次的訓練，逐步挖掘欺詐交易更深層次的特征關聯，從而使模型具有更好的預測性能。最后通過實驗和傳統的神經網絡模型進行對比，以驗證深度信念網絡的預測能力。

1 深度信念網絡

深度信念網絡（DBN）由多層受限玻爾茲曼機疊加組成，整個DBN的訓練過程分為預訓練和微調兩個步驟[4]。

1.1 受限玻爾茲曼機

玻爾茲曼機（Boltzmann機）是一種2層神經網絡，由可見層v和隱藏層h組成[5]。隱藏層的神經元狀態有2種，1代表激活，0代表未激活。該模型的結構如圖1所示。根據Boltzmann分布可知，每個神經元的狀態由與其相連的所有神經元的輸入共同決定，因此處于0或1的可能性是不確定的。然而Boltzmann分布卻無法準確地計算出來，且很難得到分布隨機樣本[6]。所以即使玻爾茲曼機具有強大的無監督學習能力，但是訓練過程十分緩慢。

相較于Boltzmann機，受限玻爾茲曼機（RBM）去除了同層神經元之間的連接（如圖2所示），使得對于一個給定的可見層節點，與之相連的隱藏層節點之間并不會互相影響，取值也是獨立的，對于可見層亦如此，因此RBM的運算速度遠高于Boltzmann機的運算速度。盡管仍不能確定RBM對應的分布，但使用Gibbs采樣可以得到對應分布的隨機模型， Roux等人證明了只要保證隱層數量足夠多，RBM可以擬合任何離散分布[7]。

1.3 DBN調優

預訓練結束后，就已經完成了DBN網絡模型的初始化。為了優化網絡性能，還需要對整體結構進行調優，降低預訓練過程中產生的誤差。調優一般使用傳統BP算法，且過程是有監督的。這種訓練方式比單純的使用BP算法高效的原因在于，傳統的BP算法在初始化神經網絡的過程中采用的是隨機賦值方式，極易陷入局部最小化；而調優過程中，DBN的初始結構是由對每層RBM訓練后得來的，從而使得訓練速度更快，表現性能也更好。

2.1 樣本采集

本文的實驗數據來自國內某銀行2015年6月份的實際交易數據，由于銀行的業務量非常大，而且其中的欺詐交易所占的比例較低。為了提高實驗效果，故抽取交易數據時擴大了欺詐交易的占比。最終實驗數據為正常交易10 000條，欺詐交易500條，并對欺詐交易做了標記。

2.2 實驗變量選擇

實際的交易數據中，變量的個數多，其中不乏和欺詐預測關聯度較低的變量。模型中過多的變量輸入必然會導致計算的復雜度，并且無關變量的輸入也會在一定程度上影響預測的準確度，因此需要剔除預測能力較差的變量。本文采取主成分分析（PCA）法對數據進行降維處理。

2.3 實驗模型的建立

（1）將經過PCA處理后交易的數據按照7：3的比例分為訓練集和測試集兩部分，并在訓練集中預留出一部分帶標簽數據進行DBN的調優。

（2）為輸入變量賦初始權值，通常為接近0的較小數值。

（3）利用CD算法依次對每一層RBM進行訓練。在本文中共構建了三層隱藏層，即加上輸入層和分類器輸出層，共五層的DBN模型。

（4）將最后一層的RBM的輸出作為分類器層的輸入，進行最終的分類輸出。由于實驗的目的是為了預測一筆交易是否為欺詐交易，所以分類器采用了最簡單的Logistic分類器。

（5）使用訓練集中帶標簽的數據通過BP算法對訓練后的DBN模型進行調優，進一步提高模型的預測準確度。

（6）使用測試集對該模型進行測試。

2.4 模型訓練

模型的訓練環境采用Anacondas自帶spyder。模型中參數不同的取值將產生不同的訓練結果，因此訓練的過程就是要找出使模型性能最好的參數組合。本文以模型隱層數（layers）、激活函數（activation）和訓練批尺寸（batch_size）3個參數不同的取值情況下準確率（Accuracy）的變化來展示模型的訓練過程。其中準確率=正確預測的交易筆數/總交易筆數。

由圖3可以看出，模型的隱層數量并不是越多越好，設為三層較為合適。由圖4可以看出，訓練批尺寸保持在50左右比較合適。由圖5可以看出，Relu激活函數比常用的sigmoid函數準確度要高。

2.5 實驗結果分析

經過上一節對不同參數的調整，最終得到了一個最優的參數組合方案?？梢钥吹皆趨嫡{整過程中，準確率一直都是比較高的。這是因為樣本中非欺詐交易的占比非常高，因此就算有一部分欺詐交易預測的不準確，準確率還是會非常高。因此本文在準確率的基礎上增加了召回率（Recall）指標來衡量。召回率是指檢測到異常的樣本占所有異常樣本的比例[10]。預測結果使用混淆矩陣來表示，混淆矩陣可以很直觀地展示出原始樣本的分布以及預測結果。本文還將樣本數據應用到傳統的神經網絡中進行測試，用來與DBN模型預測結果進行比較。圖6和圖7分別為兩種模型的預測結果。

從表1可以看出，無論是準確率還是召回率，DBN的性能都優于傳統神經網絡。由此可見，DBN在銀行卡交易欺詐預測方面，確實可以達到比傳統神經網絡更高的預測準確度。

3 結束語

本文將深度信念網絡模型應用到銀行卡交易反欺詐中，利用與欺詐預測相關的字段建立起一個多層的DBN，通過無監督訓練和有監督調優相結合，提取到更深層次的欺詐特征，從而達到了比傳統神經網絡模型更高的欺詐預測準確度，證實了深度信念網絡的優越性以及更高的應用價值。

參考文獻

[1] 馮必成. 信用卡反欺詐偵測系統的研究[D]. 上海：上海交通大學，2009.

[2] 曹龍. 基于神經網絡的地質災害預警GIS系統的設計與實現[D]. 西安：西安電子科技大學， 2005.

[3] HINTON G E， OSINDERO S， TEH Y W. A fast learning algorithm for deep belief nets[J]. Neural Computation， 2006， 18（7）： 1527-1554.

[4] 石鑫，朱永利，薩初日拉，等. 基于深度信念網絡的電力變壓器故障分類建模[J]. 電力系統保護與控制 2016，44（1）： 71-76.

[5] 鄭志蘊，李步源，李倫，等. 基于云計算的受限玻爾茲曼機推薦算法研究[J]. 計算機科學， 2013，40（12）： 259-263.

[6] 姜倩盼. 無取樣受限波爾茲曼機的圖像重建研究[J]. 電子技術與軟件工程， 2013（19）： 108-110.

[7] 陳翠平. 基于深度信念網絡的文本分類算法[J]. 計算機系統應用2015，24（2）： 121-126.

[8] LE ROUX N，BENGIO Y. Representational power of restricted Boltzmann machines and deep belief networks [J]. Neural Computation， 2008， 20（6）： 1631-1649.

[9] 張春霞，姬楠楠，王冠偉. 受限波爾茲曼機[J]. 工程數學學報， 2015，32（2）：159-173.

[10]呂榮. 基于SOM的分布式入侵檢測算法研究[D]. 長春：吉林大學， 2011.