基于机器学习的财务异常交易智能检测与预警系统及方法

本申请涉及监测分析，尤其是涉及基于机器学习的财务异常交易智能检测与预警系统及方法。

背景技术：

1、财务交易数据作为企业资金流转和经营活动的重要载体，直接反映资金支付、结算审批及业务执行状态，其真实性与合规性关系到企业资产安全和内部控制有效性。与此同时，终端操作过程中的人机交互数据记录了操作人员在金额录入、页面切换、提交确认等环节的行为节奏，是交易形成过程中的伴随性数据，能够从操作层面反映交易执行的稳定性与一致性。

2、在实际业务场景中，异常交易并不一定表现为金额明显超限，部分规避性操作往往会围绕审批额度、拦截额度等关键边界进行拆分、改写或临界提交，使交易金额与操作行为之间呈现出隐蔽关联。尤其是在交易金额接近管控阈值时，操作人员的录入停顿、金额修改、页面回退及光标轨迹变化可能与正常业务操作产生差异，该类差异并非单一金额字段能够揭示，而需要结合交易数据与交互过程数据进行综合分析。

3、然而，现有财务风控系统多依赖固定金额阈值、黑名单规则或事后审计记录进行识别，主要关注交易结果是否触发规则，较少分析交易生成过程中的行为变化。对于临近阈值但未越界的交易，传统规则容易将其作为低风险交易放行；对于人为试探、反复修改金额等规避行为，也难以及时形成有效区分。此外，历史低风险交易通常在通过后即不再被关联复查，导致同一操作人员在一段时间内的边界化交易难以被重新评估，降低了财务异常交易预警的及时性和针对性。

技术实现思路

1、针对现有技术的不足，本申请提供基于机器学习的财务异常交易智能检测与预警系统及方法。

2、第一方面，本申请提供基于机器学习的财务异常交易智能检测与预警方法，包括以下步骤：

3、获取当前操作人员标识、当前业务执行路径数据、终端当前交易金额以及人机交互时序数据；

4、当当前交易金额落入预设拦截阈值的临近区间时，从人机交互时序数据中提取交互特征向量；

5、将交互特征向量与当前操作人员标识对应的业务交互基线模型进行偏离度比对；

6、若偏离度超过预设偏离阈值，则进入行为反射判别循环；

7、行为反射判别循环包括：在当前业务执行路径数据对应的界面渲染数据中注入交互微扰数据；在交互微扰数据的生效时段内采集反射交互轨迹数据；从反射交互轨迹数据中提取页面回退频次、金额重录幅度和光标抖动频率；根据页面回退频次、金额重录幅度和光标抖动频率生成对抗意图置信度评分；

8、当对抗意图置信度评分处于预设模糊区间时，调整交互微扰数据并继续执行行为反射判别循环；

9、当对抗意图置信度评分低于预设模糊区间下限时，跳出行为反射判别循环并输出低风险放行数据；

10、当对抗意图置信度评分达到预设确认阈值时，跳出行为反射判别循环，生成包含当前操作人员标识和业务流水号的预警阻断数据；

11、根据预警阻断数据提取当前操作人员在预设时间窗内的历史低风险交易记录，对历史低风险交易记录重新计算风险评分并输出预警记录。

12、第二方面，本申请提供基于机器学习的财务异常交易智能检测与预警系统，包括：

13、数据采集模块，用于获取当前操作人员标识、当前业务执行路径数据、终端当前交易金额以及人机交互时序数据；

14、特征处理模块，用于当当前交易金额落入预设拦截阈值的临近区间时，从人机交互时序数据中提取交互特征向量；

15、基线管理模块，用于将交互特征向量与当前操作人员标识对应的业务交互基线模型进行偏离度比对；

16、行为反射判别模块，用于若偏离度超过预设偏离阈值，则进入行为反射判别循环；

17、行为反射判别循环包括：在当前业务执行路径数据对应的界面渲染数据中注入交互微扰数据；在交互微扰数据的生效时段内采集反射交互轨迹数据；从反射交互轨迹数据中提取页面回退频次、金额重录幅度和光标抖动频率；根据页面回退频次、金额重录幅度和光标抖动频率生成对抗意图置信度评分；

18、当对抗意图置信度评分处于预设模糊区间时，调整交互微扰数据并继续执行行为反射判别循环；

19、当对抗意图置信度评分低于预设模糊区间下限时，跳出行为反射判别循环并输出低风险放行数据；

20、当对抗意图置信度评分达到预设确认阈值时，跳出行为反射判别循环，生成包含当前操作人员标识和业务流水号的预警阻断数据；

21、预警记录模块，用于根据预警阻断数据提取当前操作人员在预设时间窗内的历史低风险交易记录，对历史低风险交易记录重新计算风险评分并输出预警记录。

22、综上所述，本申请包括以下至少一种有益技术效果：

23、1.本申请提供了基于机器学习的财务异常交易智能检测与预警方法，通过获取当前操作人员标识、当前业务执行路径数据、终端当前交易金额以及人机交互时序数据，将交易结果数据与交易形成过程中的操作行为数据进行关联分析；当当前交易金额落入预设拦截阈值的临近区间时，并不直接依据固定金额规则作出判断，而是从人机交互时序数据中提取交互特征向量，并将其与当前操作人员标识对应的业务交互基线模型进行偏离度比对，由此能够识别同一操作人员在临界金额录入、页面停留、金额修改和光标移动等方面是否偏离其正常业务习惯，上述处理方式使预警判断从单纯关注金额是否越界转向同时关注金额如何形成，有效弥补传统财务风控依赖固定阈值、静态规则和事后审计所造成的识别滞后问题；同时，当前操作人员标识、当前业务执行路径数据、终端当前交易金额与人机交互时序数据之间形成同一业务上下文下的数据闭环，使偏离度比对具有明确的个体参照基础，能够减少因不同岗位、不同人员操作习惯差异导致的误判，提高对临界规避交易、试探性提交交易和异常金额改写行为的发现能力；

24、2.在偏离度超过预设偏离阈值后进一步进入行为反射判别循环，通过在当前业务执行路径数据对应的界面渲染数据中注入交互微扰数据，并在交互微扰数据的生效时段内采集反射交互轨迹数据，从页面回退频次、金额重录幅度和光标抖动频率中生成对抗意图置信度评分，使系统能够观察操作人员在轻微界面扰动下的真实反应，而不是仅凭一次输入结果进行风险判断。当对抗意图置信度评分处于预设模糊区间时，系统调整交互微扰数据并继续执行行为反射判别循环，从而对边界样本进行递进式确认；当评分低于预设模糊区间下限时输出低风险放行数据，当评分达到预设确认阈值时生成包含当前操作人员标识和业务流水号的预警阻断数据，由此形成清晰的放行、复判和阻断分流机制。进一步地，系统根据预警阻断数据提取当前操作人员在预设时间窗内的历史低风险交易记录，并重新计算风险评分后输出预警记录，使原本已经放行的低风险交易能够在新的异常上下文中被再次审视；上述过程将当前交易的反射判别结果与历史交易的金额接近性、时间关联性和人员关联性协同结合，不仅提高了单笔异常交易的识别精度，也增强了对连续性、拆分性和隐蔽性财务异常行为的追踪能力。

1.基于机器学习的财务异常交易智能检测与预警方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于机器学习的财务异常交易智能检测与预警方法，其特征在于，获取当前操作人员标识、当前业务执行路径数据、终端当前交易金额以及人机交互时序数据，包括：

3.根据权利要求1所述的基于机器学习的财务异常交易智能检测与预警方法，其特征在于，业务交互基线模型通过以下方式生成：

4.根据权利要求3所述的基于机器学习的财务异常交易智能检测与预警方法，其特征在于，当当前交易金额落入预设拦截阈值的临近区间时，从人机交互时序数据中提取交互特征向量，将交互特征向量与当前操作人员标识对应的业务交互基线模型进行偏离度比对，包括：

5.根据权利要求1所述的基于机器学习的财务异常交易智能检测与预警方法，其特征在于，在当前业务执行路径数据对应的界面渲染数据中注入交互微扰数据，包括：

6.根据权利要求5所述的基于机器学习的财务异常交易智能检测与预警方法，其特征在于，在交互微扰数据的生效时段内采集反射交互轨迹数据，包括：

7.根据权利要求6所述的基于机器学习的财务异常交易智能检测与预警方法，其特征在于，从反射交互轨迹数据中提取页面回退频次、金额重录幅度和光标抖动频率，包括：

8.根据权利要求7所述的基于机器学习的财务异常交易智能检测与预警方法，其特征在于，根据页面回退频次、金额重录幅度和光标抖动频率生成对抗意图置信度评分，包括：

9.根据权利要求5所述的基于机器学习的财务异常交易智能检测与预警方法，其特征在于，当对抗意图置信度评分处于预设模糊区间时，调整交互微扰数据并继续执行行为反射判别循环，包括：

10.根据权利要求1所述的基于机器学习的财务异常交易智能检测与预警方法，其特征在于，根据预警阻断数据提取当前操作人员在预设时间窗内的历史低风险交易记录，对历史低风险交易记录重新计算风险评分并输出预警记录，包括：

11.基于机器学习的财务异常交易智能检测与预警系统，应用于上述权利要求1-10任意一项所述的基于机器学习的财务异常交易智能检测与预警方法，其特征在于，包括：