一种基于多维数据验证的风险识别系统的制作方法

本发明涉及通信监测，具体为一种基于多维数据验证的风险识别系统。

背景技术：

1、随着通信技术与电力服务数字化程度的日益加深，利用电话、短信等通信渠道实施的电力相关欺诈行为呈高发态势，随着电信欺诈手段的变化多样，各种层出不穷的诈骗手段让人防不胜防，传统风险识别手段多依赖于单一维度的通信数据（如主叫号码的黑名单库匹配、通话频次分析），难以有效应对诈骗分子利用号码伪装、呼叫模式变异等规避手段，导致风险识别的准确率和覆盖率不足，用户财产损失风险较高。

2、如专利公开号为cn117132392a的车辆贷款欺诈风险预警方法及系统，包括获取车辆贷款通话中的主叫号码；获取主叫号码在历史时间段内的多维度通信特征；将多维度通信特征作为神经网络模型的输入进行运算，得到车辆贷款通话的欺诈风险识别结果；如果欺诈风险识别结果为疑似存在欺诈风险，则将车辆贷款通话转换为文本，得到通话文本；识别通话文本中是否存在与个人隐私信息相关联的敏感词；如果通话文本中存在与个人隐私信息相关联的敏感词，则通过语义识别以识别出通话文本中是否存在与敏感词关联的询问语句；如果存在与敏感词关联的询问语句，则提醒被叫用户存在车辆贷款欺诈风险。可较为准确的识别车辆贷款欺诈风险并进行预警。

3、但是现有的风险识别系统在使用过程中，由于多依赖通用黑名单库进行匹配拦截，仅能识别链接域名是否为黑名单，无法针对用户真实状况进行交叉验证，从而导致大量诈骗信息需用户举报后才能被标记，识别响应滞后，因此针对这种情况我们提出一种更加便捷实用的电力电费欺诈识别预警通信监测系统。

技术实现思路

1、本发明的目的在于提供一种基于多维数据验证的风险识别系统，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：一种基于多维数据验证的风险识别系统，包括数据获取和验证模块、欺诈识别模块、欺诈预警模块。

3、数据获取和验证，获取用户通话中的主叫号码历史时间段内的通信特征，同时获取被叫用户的电力数据进行交叉验证，得到验证数据集；

4、建立模型，以历史欺诈数据为训练样本进行训练构建神经网络模型，得到欺诈识别模型；

5、欺诈识别，基于验证数据集，将验证数据集输入欺诈识别模型进行融合运算，输出风险等级数据；

6、欺诈预警，基于风险等级数据，以通信触达方式向用户进行预警；

7、所述通信特征包括通信数据地域特征、通话特征、短信频次特征和流量特征，并和用户电力数据进行交叉验证，交叉验证包括执行至少两项验证规则，所述验证规则包括：

8、第一验证规则，地域一致性验证，将主叫号码的通信基站位置信息与用户用电地址的基站覆盖区域进行比对，同时对比与其共用同一通信基站和同一ip出口的其他关联号码，得到地域异常验证数据；

9、第二验证规则，通话行为与用电状态验证，获取主叫号码在单位时间内的呼叫频次特征、平均通话时长特征和呼叫时间分布特征，并和用户的电力数据进行对比，得到欠费异常特征数据。

10、更进一步地，所述交叉验证执行的验证规则还包括：

11、第三验证规则，短信特征验证，获取主叫号码关联的短信发送频次特征和与被叫用户在预设时间窗口内的历史通话次数及短信交互频次，得到互动异常数据；

12、第四验证规则，流量特征验证，获取被叫用户的日活跃时长特征及上网行为数据，得到流量异常访问数据。

13、更进一步地，所述建立模型包含以下步骤：

14、a1、样本构建，采集历史电力电费欺诈案件中的通信记录数据与对应电力用户数据，构成欺诈样本集，依据欺诈手段类型将欺诈样本集进行标注分类，得到多标签训练样本集；

15、a2、特征处理、基于多标签训练样本集，将多标签训练样本集中的通信特征与电力数据进行特征提取和处理，得到特征数据；

16、a3、模型构建，基于特征数据，构建异构特征分离式融合神经网络模型，

17、所述神经网络模型包括：

18、第一特征提取分支，对通信特征与短信频次特征进行时序模式提取，输出时序特征向量；

19、第二特征提取分支，对通信数据地域特征与用户用电地址的基站覆盖区域进行空间关系建模，得到空间关联特征向量；

20、第三特征提取分支，对电力数据特征向量进行编码，得到电力状态特征向量；

21、特征融合单元，基于时序特征向量、空间关联特征向量与电力状态特征向量进行融合，得到融合特征向量；

22、a4、模型训练，基于融合特征向量，融合特征向量为ffusion对神经网络模型进行训练，得到原始欺诈识别模型,所述融合特征向量 ffusion的计算公式为：  其中relu为激活函数，vtemporal为时序特征向量、vspatial为空间关联特征向量、vpower为电力状态特征向量、[.；.]为向量拼接操作、wf为融合层权重矩阵，bf为融合层偏置向量；

23、a5、模型更新，基于原始欺诈识别模型，获取用户对预警信息的响应行为数据作为新增正样本加入欺诈样本集，回传至欺诈识别模型进行更新，同时输出原始风险等级；

24、a6、动态阈值调整，获取被叫用户的电力数据和通信特征，生成用户基线行为画像，并基于原始风险等级与用户基线行为画像进行偏差计算，得到第一阀值和第二阀值，通过计算方法计算阀值的可信度得分，并进行划分得到风险等级。

25、更进一步地，所述样本构建包括：

26、s1、获取历史电力电费欺诈案件中的通讯特征及对应电力用户的用户数据，构建原始欺诈样本库；

27、s2、将原始欺诈样本库中的通信主叫号码与电力公司官方服务号码库、已知诈骗号码黑名单库进行比对标注，形成正样本集和负样本集；

28、s3、依据欺诈手段类型，将正样本细分为冒充客服类、虚假链接类、伪造欠费类三类，并为每一类样本关联对应的通信特征与电力状态数据，得到多标签训练样本集；

29、更进一步地，所述用户基线行为画像包括：用户历史月均用电量与缴费周期偏移特征、用户与电力公司官方号码的历史通话频次及平均通话时长和用户在不同时段接听陌生号码的响应率与挂断率统计特征。

30、更进一步地，所述风险等级基于可信度得分进行划分，具体划分为：

31、可信度得分低于第一阈值，则判定为低风险；

32、可信度得分大于等于第一阈值且小于第二阈值，则判定为中风险；

33、可信度得分大于等于第二阈值，则判定为高风险；

34、所述可信度得分的计算方法为：

35、基于融合特征向量ffusion，通过全连接层进行非线性映射，计算公式为：

36、 其中s为输出的可信度得分，softmax为激活函数、wo为输出层权重矩阵，bo为输出层偏置向量。

37、更进一步地，所述响应行为数据包括是否访问官方渠道核实和是否向反诈平台举报，并将该主叫号码及其关联的通信特征与电力数据作为新增正样本加入欺诈样本集，对原始欺诈识别模型进行参数微调，完成模型更新。

38、更进一步地，所述欺诈识别模型输出的风险等级包括低风险、中风险和高风险三个层级，并以通信触达方式向用户进行预警包括：

39、低风险，记录该主叫号码行为至后台日志，并向用户发送短信预警；

40、中风险，通过电力官方app推送预警通知，提示用户核实对方身份并通过官方渠道缴费；

41、高风险，强制推送闪信，播放反诈警示语音，运营商侧实时阻断该通话，同时将该主叫号码及关联特征上传至电力反诈协同数据库。

42、与现有技术相比，本发明的有益效果是：

43、该基于多维数据验证的风险识别系统，通过交叉验证的设置，不仅依赖单一通信特征，还引入了用户数据进行交叉验证，有效区分正常服务提醒与诈骗行为，同时通过地域一致性、通话行为与用电状态、短信特征、流量特征等至少四项验证规则，从多角度识别异常，解决了识别响应滞后问题，实用性较强，适合推广。

44、同时，基于用户历史行为画像动态计算风险阈值，从而降低了误报扰民的概率。