基于卷積神經網絡的網絡交易詐騙檢測模型的研究

林郅睿 虞宇翔 胡林偉 王青林 李翔 張浩東

摘要：近年來網絡交易詐騙案件眾多，給人們的財產安全帶來極大的隱患，間接帶來大量的社會問題。機器學習算法的設計并不能完全學習網絡交易的時序問題。針對以上問題本文提出基于卷積神經網絡模型。其次針對網絡交易中正常交易和詐騙交易的樣本分布不均衡的問題以及用用戶交易模式中時序關系系數的問題，構建基于卷積神經網絡的詐騙檢測模型。

關鍵詞：網絡交易;卷積神經網絡;神經網絡

1.背景概述

近年來我國互聯網金融業發展迅猛，互聯網金融消費增長亮眼。數據顯示我國2015年互聯網金融消費為0.1萬億元，截止2018年我國物聯網金融消費規模增長至1.5萬億元。此外2016年互聯網金融消費增速達到頂峰，增長約225%?？梢钥闯霭殡S著網絡交易的持續性增長，客觀上也帶來了巨大的金融風險。那么傳統的反欺詐技術諸如專家規則檢測系統被應用于多數的欺詐檢測鄰域。對已存在的詐騙行為模式可以精準識別。但是網絡詐騙交易具有主觀性強、欺詐種類多、發生頻率高、欺詐手段更快等特征，傳統的系統無法適應網絡交易的諸多特征，面臨著維度單一效率低下的問題?；谠诖吮尘?，近年來深度學習模型逐漸被應用與詐騙模型當中，那么相較于傳統的技術，基于卷積神經網絡詐騙模型可以用海量的數據來發現未被發現的交易。針對以上問題本文對互聯網上相關的詐騙現象進行相關研究。

2.卷積神經網絡原理

卷積神經網絡是一種基于深度學習并帶有卷積結構的深度神經網絡，解決了在傳統神經網絡所存在的具有大量參數，大量權值以及在運行過程中易發生擬合，巡訓練時間長的缺點。對于傳統的神經網絡學習技術，卷積神經網絡所具有的良好的信息處理能力和自學能力，可以面對容量大、干擾因素多的復雜情況，推理模型的情況不明下依然可以有較好的表現。在輸入數據為圖象時表現更加明顯，使得圖像可以直接輸入，避免了傳統神經網絡算法中對于復雜的圖像提取器特征圖以及數據重建的過程。CNN各個層次之間的緊密相關性使得其對目標獲取的數據具有高度相關性，同時在深度學習之下更加善于獲取數據的局部特征。

卷積神經網絡主要使用局部鏈接、權值共享、多卷積核以及池化四個關鍵技術對于除多卷積核以外的三種技術，其目的都是為了減少參數量，簡化其模型訓練的同時防止模型的擬合。只不過所采取的方式方法大同小異和所依靠的原理不同，而多卷積核其目的則是為了讓特征提取也就是對于目標的獲取更加充分，從而提高其模型的精準度。

（1）局部鏈接

對于局部鏈接，模仿了生物學的特點。對于每個神經元來說不需要獲取所有的信息，而是只對局部的信息進行感知，之后在最高處進行信息的整合類似于神經網絡中的輸出層通過對已感知的數據信息整合從而做出預測。因此，兩層之間完全沒有必要采用全鏈接的方式。對于隱藏層的感受域只需要劃分好局部的圖像相連即可。但展現出來的問題是其相較于人們對于想要盡可能的簡化算法，所需要訓練的參數依然很多。此時便需要權值共享技術以及池化技術。

（2）權值共享技術

所謂權值共享技術，從其名字中就可以了解到，就是對于目標全部使用同一個權值參數。設定每一個神經元和n*n個像素相連，那么每個神經元則具有n2個鏈接的權值參數，若每個權值參數都不相同那么其形成的數據量將會非常龐大，如果其權值相同則會大大減少參數量。那么我們設計以一個m*m的模板所有的區域都使用這一模板來進行計算。但事實上多卷積技術還是存在較高的參數量，這顯然與我們的初衷所違背，此時我們則需要采用池化技術進行再次優化。

（3）池化技術

在實際應用當中，分配內存，創建內存等等都會調用設備系統，那么當重復進行這些操作時大大消耗計算機運行速度，時非常耗時的操作，由此人們便迫切需要一種能夠解決方法。池化技術是為了提前保存出大量的資源，從而建立出進程池，線程池，內存池，鏈接池避免重復的創建。線程池執行原理如下

第一：如果線程池中線程數少于 coreThreadCount 時，處理新任務時會創建新線程。

第二：如果線程池中線程數大于 coreThreadCount 則把任務丟到一個隊列里面，由當前空閑的線程執行

第三：當隊列中的任務堆積滿時，則繼續創建線程，直到達到 maxThreadCount。

第四：當線程數達到 maxTheadCount 時還有新的任務提交，那么就將它們丟棄。

3.詐騙交易檢測模型

基于卷積神經網絡的詐騙交易檢測模型主要由用戶數據采集（例如用戶電話號，銀行賬戶號等等）、用戶數據輸入、數據篩選（防止無效數據的輸入）、構建特征圖（一部分用于構建模型，另一部分用于模型的檢測）、得出數據可視化結果。

如圖2所示，整個基于卷積神經網絡道德詐騙交易檢測模型由數據采集層以及模型訓練優化層組成，上一層由用戶數據采集、篩選用戶數據、構建特征圖三大模塊構成。數據采集獲取對于用戶有潛在被詐騙的相關數據。用戶特征圖構造模塊用來構建用戶的聚合特征，生成以縱軸為時間段、橫軸為特征的展示用戶通話特征的特征圖，其中一部分作為訓練數據可輸入進入訓練模塊，另一部分可作為預測數據輸入行為識別模塊。下一層由構建模型、檢測模型及可視化模型三大模塊組成。

4.數據統計分析與處理

數據統計分析就是運用適當的統計分析方法，對收集到的大量數據進行分析，從中提取有用的信息，從中提取有用的信息、形成結論、對數據進行細致的研究和歸納。統計領域中，數據分析被分成描述統計分析、探索性數據分析和驗證性數據分析，探索性數據分析側重于發現數據中的新特征，而驗證性數據分析則側重于已有假設的確認或證實。主要包括為確定需求、收集數據、分析數據等幾種方法。

在大多數情況下原始的數據從生產環境中被獲取后，是不能直接用于分析建模的。因為此時的數據是不規則的，需要經過大量的數據清洗工作，是數據變為規整的、具有明確含義的、沒有重復性、可以入模的數據。原始的數據通常具有不一致性、重復性、數據變化、數據規約的幾種方式。。

5.結束語

在社會互聯網金融信息的高速發展之下，網絡交易體量也在不斷的上升，這對于傳統的網絡詐騙檢測工作產生了巨大的困擾，若不及時的提升技術水平那么勢必將造成巨大的經濟損失，從而本文基于這樣的背景下提出了基于卷積神經網絡的網絡交易詐騙檢測模型的相關技術及其研究，為其提供了很好的技術方向，通過引入卷積神經網絡來進一步提高檢測網絡交易詐騙的能力。

參考文獻：

[1]蘇振宇，宋桂香.服務器管理控制系統威脅建模與應用[J].??計算機應用.?2019（07）

[2]王琎.我國網絡可信身份的互通互認研究[J].網絡空間安全.?2018（10）

[3]周余陽，程光，郭春生.?基于貝葉斯攻擊圖的網絡攻擊面風險評估方法[J].?網絡與信息安全學報.?2018（06）

作者簡介：林郅睿，衢州學院電氣信息學院2020級物聯網工程專業本科學生。資助項目：國家級大學科技創新項目（基于Spark的校園網蜜罐系統的研究與設計，基于神經網絡的詐騙識別分類器設計與實現）。