一种面向跨境电商的信息风险分析方法及云服务器与流程

本发明涉及信息风险检测，具体为一种面向跨境电商的信息风险分析方法及云服务器。

背景技术：

1、随着跨境电商的迅猛发展，用户在线交易的频率和复杂性大幅增加，随之而来的信息风险也日益突出。许多企业面临用户身份盗用、支付欺诈和恶意退货等挑战，传统的风险评估方法无法有效应对这些新兴威胁。为了解决这一问题，开发基于实时监测和数据分析的风险评估系统成为当务之急，这不仅可以提升安全性，还能增强用户体验，促进跨境电商的可持续发展。

2、目前，许多跨境电商平台在用户异常行为分析上仍存在诸多不足。传统的风险识别方法往往依赖于历史数据和简单的规则设定，难以适应瞬息万变的交易环境。此外，现有系统对用户行为数据的监测多是静态的，不易于及时捕捉用户行为的微小变化，导致平台在风险管理上的响应滞后，缺乏动态实时分析的能力。这种情况下，恶意用户的异常行为可能会在较长时间内未被发现，导致潜在损失的增加。未能及时识别和处理异常行为可能使平台成为黑产分子的滋生地，从而进一步加剧信息安全问题。此外，现有的风险评估机制对数据的分析深度和广度也相对有限，难以全面识别复杂的异常行为模式。

技术实现思路

1、针对现有技术的不足，本发明提供了一种面向跨境电商的信息风险分析方法及云服务器，解决了上述背景技术中的问题。

2、为实现以上目的，本发明通过以下技术方案予以实现：一种面向跨境电商的信息风险分析方法，包括以下步骤：

3、s1、通过跨境电商客户端和云服务器分别实时监控用户行为数据和用户交易数据，自动采集并记录用户的相关信息，并通过互联网实时将跨境电商客户端采集到的用户行为数据实时传输至云服务器；

4、s2、云服务器实时接收跨境电商客户端采集到的用户行为数据，通过分片和分区的存储方式进行存储用户行为数据和用户交易数据，再通过存储云服务器的sql脚本进行预处理，获取交易行为数据集；

5、s3、云服务器依据获取的交易行为数据集进行汇总计算，获取用户登录异常指数dly和用户订单异常指数ddy；

6、s4、云服务器依据获取的用户登录异常指数dly和用户订单异常指数ddy进行汇总计算，获取综合异常行为风险系数ycf，并与预设异常行为风险阈值a进行初步对比评估，依据评估结果，开启第二评估机制；

7、s5、云服务器依据归类存储的风险数据，通过pca对数据进行降维，再通过可视化工具excel创建散点图，并绘制散点计算高风险用户的坐标集中度，获取聚类中心jl的位置，通过预设以聚类中心jl为中心点，半径为r区域的正常用户进行区分监测，并记录用户进入此区域的次数，获取出入聚类中心的频率pl；

8、s6、计算云服务器依据获取的距离聚类中心jl和聚类中心的频率pl，汇总计算获取用户与聚类中心的距离yhj，当初次评估用户不存在异常行为时，触发二次评估机制，所述二次评估机制通过获取的用户与聚类中心的距离yhj与预设以聚类中心jl为中心点，半径为r区域进行二次对比评估，并依据评估结果采取相对应措施。

9、优选的，s1具体包括以下步骤：

10、s11、通过跨境电商客户端实时监控用户交易活动，记录每个用户的登录情况，分析登录频率的异常情况，在登录时实时检测登录时区、登录ip地址以及识别账号的登录设备机器码；在用户登录账号后进行交易操作时，通过跨境电商客户端实时监测订单及购物相关的操作数据，跟踪用户在不同订单中的地址变更情况，判断是否有频繁更换地址的行为；监控订单金额的波动，分析是否有异常的大额订单或不正常的价格偏差；记录用户将商品加入购物车所需的时间，判断是否为异常快速或缓慢的操作行为，识别自动化机器操作行为，获取用户行为数据；

11、s12、云服务器通过互联网与电商网站和跨境电商客户端集成连接，再通过追踪代码，实时追踪电商网站和跨境电商客户端中用户的售后请求，追踪每个用户的退货行为，基于退货行为获取退货率，通过分析退货率，识别潜在的恶意退货和欺诈行为，获取用户交易数据；

12、s13、云服务器通过互联网与跨境电商客户端进行连接，通过https协议与云服务器建立通信，并将跨境电商客户端采集到的用户行为数据和用户交易数据通过互联网实时传输至云服务器。

13、优选的，s2具体包括以下步骤：

14、s21、云服务器实时接收跨境电商客户端采集到的用户行为数据，依据分片和分区的存储方法进行存储用户行为数据和云服务器实时监测的用户交易数据，再通过索引功能对数据进行访问；

15、分片：云服务器将数据水平分片，将大规模数据分散到多个物理云服务器上存储；

16、分区：根据时间、地区、交易类型、支付方式、订单金额、商品分类和供应商分区对数据进行分区存储；

17、s22、云服务器通过sql脚本对用户行为数据和用户交易数据进行预处理，所述预处理包括缺失值处理、异常值处理、重复数据处理、标准化和归一化，获取交易行为数据集；

18、所述交易行为数据集包括用户登录数据集和用户订单数据集；

19、所述用户登录数据集包括登录频率dl、时区变动sq、ip地址变动ip、设备变动sb和地址变更次数dz；

20、所述用户订单数据集包括订单金额偏差je、商品加入购物车所需时间sj和退货率th。

21、优选的，s3具体包括以下步骤：

22、s31、云服务器依据获取的用户登录数据集进行汇总计算，获取用户登录异常指数dly；

23、所述用户登录异常指数dly通过以下公式计算获取；

24、；

25、式中，log表示对数函数，e表示时区变动sq的指数函数；

26、s32、云服务器依据获取的用户订单数据集进行汇总计算，获取用户订单异常指数ddy；

27、所述用户订单异常指数ddy通过以下公式计算获取；

28、；

29、式中，e表示商品加入购物车所需时间sj的负指数函数，sin表示正弦函数，表示圆周率，通过与正弦函数结合，帮助构建出用户行为的周期性变化特征。

30、优选的，s4具体包括以下步骤：

31、s41、云服务器依据获取的用户登录异常指数dly和用户订单异常指数ddy进行汇总计算，获取综合异常行为风险系数ycf；

32、所述综合异常行为风险系数ycf通过以下公式计算获取；

33、；

34、式中，w1和w2分别表示用户登录异常指数dly和用户订单异常指数ddy的权重系数，且w1+w2=1，其具体数值由用户根据情况设定。

35、优选的，s42、依据云服务器中存储的历史用户风险数据的平均值，进行预设异常行为风险阈值a，并与获取的综合异常行为风险系数ycf进行初步对比评估，并根据评估结果执行相对应的措施，具体评估方案如下；

36、当综合异常行为风险系数ycf≥预设异常行为风险阈值a时，表示用户存在异常行为，此时通过云服务器向用户支付平台进行身份验证，当身份验证不通过时，冻结此用户的账户，将该用户进行标记为风险用户，再将标记的风险用户的风险数据归为一类存储；

37、当综合异常行为风险系数ycf＜预设异常行为风险阈值a时，表示该用户不存在异常行为，此时继续保持监测，并触发第二评估机制。

38、优选的，s5具体包括以下步骤：

39、s51、云服务器依据归类存储的风险数据，通过pca降维技术，将数据投影到低维空间，并保留数据的特征；

40、s52、数据降维后通过可视化工具excel创建散点图，依据每个用户的降维坐标在图中绘制散点，每个点代表一个高风险用户，通过计算所有高风险用户的坐标集中度获取聚类中心jl的位置，并通过特定标记进行标注，依据高风险用户通常会远离正常行为聚类中心jl的活动心理，进行预设以聚类中心jl为中心点，半径为r区域的正常用户进行区分监测，并记录用户进入此区域的次数，获取出入聚类中心的频率pl。

41、优选的，s6具体包括以下步骤：

42、s61、云服务器依据获取的距离聚类中心jl和聚类中心的频率pl，计算用户数据点与其聚类中心的距离，获取用户与聚类中心的距离yhj；

43、用户与聚类中心的距离yhj通过以下公式计算获取；

44、；

45、式中，yhj(u，jlj)表示用户u与第j个聚类中心jl的距离，ui表示用户u在第i个特征上的值，jlj，i表示第j个聚类中心jl在第i个特征上的值，n表示特征的数量。

46、优选的，s62、当初次评估用户不存在异常行为时，触发二次评估机制，所述二次评估机制通过获取的用户与聚类中心的距离yhj与预设以聚类中心jl为中心点，半径为r区域进行二次对比评估，具体评估方案如下；

47、当用户与聚类中心的距离yhj小于预设半径r，且频繁出入聚类中心jl时，此时生成第一重点关注信号，并将第一重点关注信号通过互联网传输至云服务器进行深度分析此用户的历史行为数据，发现异常数据和行为时，通过云服务器生成提醒信号通知相关人员进行关注此用户；

48、当用户与聚类中心的距离yhj小于预设半径r，且初次出入聚类中心jl时，此时对此用户进行标注，并记录在此区域的行为特征数据，保持监测；

49、当用户与聚类中心的距离yhj大于预设半径r，且有频繁出入聚类中心jl的行为时，此时生成第二重点关注信号，保持监测，并将第二重点关注信号通过互联网传输至云服务器，通过云服务器生成提醒信号通知相关人员进行关注此用户；

50、当用户与聚类中心的距离yhj大于预设半径r，且没有进入聚类中心jl的行为时，此时无需监测。

51、一种云服务器，包括实时用户监控模块、存储处理模块、云计算分析模块和通信模块：

52、所述实时用户监控模块通过跨境电商客户端和云服务器分别实时监控用户行为数据和用户交易数据，并通过互联网，实时将收集到的用户行为数据和用户交易数据传输至存储处理模块；

53、所述存储处理模块用于实时接收用户行为数据和用户交易数据，使用分片和分区存储用户行为数据和交易数据，通过sql脚本进行预处理；

54、所述云计算分析模块利用异常指数计算和聚类分析，评估用户的异常行为风险，通过pca降维和可视化工具分析数据，判断用户的风险；

55、所述通信模块用于云服务器与跨境电商客户端之间的通信，通过https协议，云服务器能够安全地获取用户客户端采集到的用户行为数据和用户交易数据，并通过互联网实时传输给存储处理模块；还负责向监控模块和分析模块发送评估结果及风险警报，以便及时采取相应措施。

56、本发明提供了一种面向跨境电商的信息风险分析方法及云服务器。具备以下有益效果：

57、（1）该方法通过用户客户端和云服务器的协同工作，实现了对用户登录、交易活动及售后行为的全面监控。这一过程通过自动采集用户行为数据与交易数据，确保了数据的实时性和准确性，为后续的风险分析提供了丰富的基础数据。此外，利用https协议保障数据传输的安全性，进一步提升了信息系统的可靠性。

58、（2）该方法采用了多种先进算法，如pca降维和聚类分析，帮助识别高风险用户及其行为模式。在计算用户登录异常指数dly和用户订单异常指数ddy的过程中，综合考虑了多种不常见的参数，这使得风险评估更加精准，能够及时发现潜在的欺诈行为，并进行综合计算，获取综合异常行为风险系数ycf，通过设置预设异常行为风险阈值a，系统能够迅速识别可疑账户并采取相应措施，从而降低经济损失和用户信任度下降的风险。

59、（3）该方法基于用户与聚类中心的距离评估，实现了动态监控与精准干预的目标。当用户频繁出入聚类中心时，系统能够生成重点关注信号，进行深度分析以发现异常行为。这种针对性措施确保了跨境电商平台能够灵活应对各种风险，不仅优化了平台的安全性，也提升了用户体验，为平台的可持续发展奠定了良好的基础。综上所述，该方法在风险管理、用户信任和经济效益等方面均实现了显著提升。