交易异常验证方法、装置、设备及存储介质与流程

1.本技术涉及计算机技术领域，尤其涉及一种交易异常验证方法、装置、设备及存储介质。


背景技术：

2.在企业财务系统的业务交易中，为保证交易能够正确完整运行和保障交易安全，通常需要对交易数据进行异常验证。目前，企业财务系统在云端跟踪业务上下游关系，并结合分布式锁和串行机制，保证当前系统只有一个线程正在执行交易数据，防止重复交易。
3.但是，现有技术根据单一的单据转换关系跟踪业务上下游关系，其验证灵活性不足，只能针对国内业务数据简单的交易场景，而无法根据实际业务的单据特点针对不同交易场景进行异常验证，从而无法满足不同用户对交易安全性的需求。


技术实现要素：

4.本技术提供了一种交易异常验证方法、装置、设备及存储介质，以解决当前异常验证方式灵活性不足而无法满足不同用户对交易安全性的需求的技术问题。
5.为了解决上述技术问题，第一方面，本技术提供了一种交易异常验证方法，应用于操作后台，方法包括：
6.响应于用户端发起的第一交易请求，调用与第一交易请求存在先后时序关系的历史交易请求，第一交易请求携带有多种第一单据特征数据，历史交易请求携带有多种历史单据特征数据；
7.利用与第一交易请求的交易类型对应的目标模糊神经网络，基于历史单据特征数据，从多个验证维度对多种第一单据特征数据进行异常验证，得到第一目标验证值，其中每种交易类型对应的模糊神经网络的网络参数不同，网络参数包括每种单据特征在每个验证维度时对应的维度权重；
8.若第一目标验证值满足预设异常条件，则判定第一交易请求为异常请求。
9.在第一方面的一些实现方式中，利用与第一交易请求的交易类型对应的目标模糊神经网络，基于历史单据特征数据，从多个验证维度对多种第一单据特征数据进行异常验证，得到第一目标验证值，包括：
10.对于每种第一单据特征数据，利用与第一交易请求的交易类型对应的目标模糊神经网络，基于历史单据特征数据，验证第一单据特征数据在每个验证维度时对应的维度验证值；
11.基于目标模糊神经网络的维度权重，对每种第一单据特征数据对应的多个维度验证值进行加权，得到第一目标验证值。
12.在第一方面的一些实现方式中，验证第一单据特征数据在每个验证维度时对应的维度验证值，包括：
13.基于每个验证维度对应的符号函数，计算第一单据特征数据与历史单据特征数据
或维度数据之间的差值，维度数据为目标模糊神经网络中的网络参数；
14.基于差值，确定第一单据特征数据在验证维度时对应的维度验证值。
15.在第一方面的一些实现方式中，利用与用户端的用户类型对应的目标模糊神经网络，基于历史单据特征数据，从多个验证维度对多种第一单据特征数据进行异常验证，得到第一目标验证值之前，还包括：
16.获取交易类型对应的交易单据特征样本集，交易单据特征样本集包括多组交易单据特征样本；
17.利用预设模糊神经网络，从多个验证维度对交易单据特征样本进行异常验证，得到训练值；
18.根据训练值与预设阈值，计算预设模糊神经网络的损失函数；
19.基于损失函数，更新预设模糊神经网络的网络参数，直至损失函数达到最小值，得到交易类型对应的目标模糊神经网络。
20.在第一方面的一些实现方式中，基于损失函数，更新预设模糊神经网络的网络参数，直至损失函数达到最小值，得到目标模糊神经网络，包括：
21.利用梯度下降算法，根据损失函数，计算预设模糊神经网络的最新网络参数；
22.基于最新网络参数，更新预设模糊神经网络，得到新的预设模糊神经网络；
23.利用交易单据特征样本，对新的预设模糊神经网络进行迭代训练，计算新的预设模糊神经网络的损失函数，并更新新的预设模糊神经网络的网络参数，直至损失函数达到最小值，得到交易类型对应的目标模糊神经网络。
24.第二方面，本技术提供另一种交易异常验证方法，应用于通道后台，通道后台与操作后台通信连接，方法包括：
25.响应于操作后台发送的第二交易请求，调取与第二交易请求存在上下游关系的银企单据信息，第二交易请求携带有多种第二单据特征数据，银企单据信息包括多种银企单据特征数据；
26.利用目标模糊神经网络，基于银企单据特征数据，从多个验证维度对多种第二单据特征数据进行异常验证，得到第二目标验证值，其中目标模糊神经网络为与第二交易请求的交易类型以及操作后台的用户类型存在对应关系的模糊神经网络，每种模糊神经网络的网络参数不同，网络参数包括每种单据特征在每个验证维度时对应的维度权重；
27.若第二目标验证值满足预设异常条件，则判定第二交易请求为异常请求。
28.第三方面，本技术提供一种交易异常验证装置，应用于操作后台，装置包括：
29.调用模块，用于响应于用户端发起的第一交易请求，调用与第一交易请求存在先后时序关系的历史交易请求，第一交易请求携带有多种第一单据特征数据，历史交易请求携带有多种历史单据特征数据；
30.第一验证模块，用于利用与第一交易请求的交易类型对应的目标模糊神经网络，基于历史单据特征数据，从多个验证维度对多种第一单据特征数据进行异常验证，得到第一目标验证值，其中每种交易类型对应的模糊神经网络的网络参数不同，网络参数包括每种单据特征在每个验证维度时对应的维度权重；
31.第一判定模块，用于若第一目标验证值满足预设异常条件，则判定第一交易请求为异常请求。
32.第四方面，本技术提供另一种交易异常验证装置，应用于通道后台，通道后台与操作后台通信连接，装置包括：
33.调取模块，用于响应于操作后台发送的第二交易请求，调取与第二交易请求存在上下游关系的银企单据信息，第二交易请求携带有多种第二单据特征数据，银企单据信息包括多种银企单据特征数据；
34.第二验证模块，用于利用目标模糊神经网络，基于银企单据特征数据，从多个验证维度对多种第二单据特征数据进行异常验证，得到第二目标验证值，其中目标模糊神经网络为与第二交易请求的交易类型以及操作后台的用户类型存在对应关系的模糊神经网络，每种模糊神经网络的网络参数不同，网络参数包括每种单据特征在每个验证维度时对应的维度权重；
35.第二判定模块，用于若第二目标验证值满足预设异常条件，则判定第二交易请求为异常请求。
36.第五方面，本技术提供一种计算机设备，包括处理器和存储器，存储器用于存储计算机程序，计算机程序被处理器执行时实现如第一方面或第二方面的交易异常验证方法。
37.第六方面，本技术提供一种计算机可读存储介质，其存储有计算机程序，计算机程序被处理器执行时实现如第一方面或第二方面的交易异常验证方法。
38.第七方面，本技术提供一种计算机程序产品，当计算机程序产品在计算机设备上运行时，使得计算机设备执行时实现如第一方面或第二方面的交易异常验证方法。
39.与现有技术相比，本技术具备以下有益效果：
40.本技术通过响应于用户端发起的第一交易请求，调用与第一交易请求存在先后时序关系的历史交易请求，以在操作后台对比在一段时间内的交易请求，降低出现重复交易请求的概率；具体利用与第一交易请求的交易类型对应的目标模糊神经网络，基于历史单据特征数据，从多个验证维度对多种第一单据特征数据进行异常验证，得到第一目标验证值，当第一目标验证值满足预设异常条件时，则判定第一交易请求为异常请求，其中每种交易类型对应的模糊神经网络的网络参数不同，网络参数包括每种单据特征在每个验证维度时对应的维度权重，以能够针对不同交易场景采用不同的模糊神经网络进行异常验证，从而适用于多种交易场景，满足用户在不同交易场景时的安全性需求，提高交易异常验证的灵活性。
41.同时，本技术还通过响应于操作后台发送的第二交易请求，调取与第二交易请求存在上下游关系的银企单据信息，以能够在通道后台对比一段时间内的交易请求；并利用目标模糊神经网络，基于银企单据特征数据，从多个验证维度对多种第二单据特征数据进行异常验证，得到第二目标验证值，若第二目标验证值满足预设异常条件，则判定第二交易请求为异常请求，其中目标模糊神经网络为与第二交易请求的交易类型以及操作后台的用户类型存在对应关系的模糊神经网络，每种模糊神经网络的网络参数不同，网络参数包括每种单据特征在每个验证维度时对应的维度权重，以能够针对不同用户在不同交易环境时采用不同的模糊神经网络进行异常验证，从而适用于多种用户在不同交易场景时的安全性需求。此外，本技术能够在操作后台和通道后台进行双重验证，以能够针对网络延时和高并发等场景增强异常防护，进一步提高交易可靠性。
附图说明
42.图1为本技术实施例示出的一种交易异常验证方法的流程示意图；
43.图2为本技术实施例示出的模糊神经网络的网络结构示意图；
44.图3为本技术实施例示出的另一种交易异常验证方法的流程示意图；
45.图4为本技术实施例示出的又一种交易异常验证方法的流程示意图；
46.图5为本技术实施例示出的交易异常验证方法的应用场景流程示意图；
47.图6为本技术实施例示出的一种交易异常验证装置的结构示意图；
48.图7为本技术实施例示出的另一种交易异常验证装置的结构示意图；
49.图8为本技术实施例示出的计算机设备的结构示意图。
具体实施方式
50.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
51.如相关技术记载，根据单一的单据转换关系跟踪业务上下游关系，其验证灵活性不足，只能针对国内业务数据简单的交易场景。例如，在国内交易过程所采用的均是人民币，所以无需对交易币种进行验证，而国际交易过程所采用的币种有多种，所以需要对交易币种进行验证。但是采用单据转换关系跟踪业务上下游关系，而缺乏针对交易币种进行验证的相关算法，导致在如国际交易等复杂交易场景应用时存在交易异常风险。
52.为此，本技术实施例提供一种交易异常验证方法，通过对比在一段时间内的交易请求，降低出现重复交易请求的概率；并利用与交易类型或用户类型对应的目标模糊神经网络，从多个验证维度对交易请求进行异常验证，以能够针对不同交易场景采用不同的模糊神经网络进行异常验证，从而适用于多种交易场景，满足不同用户在不同交易场景时的安全性需求，提高交易异常验证的灵活性。
53.请参照图1，图1为本技术实施例提供的一种交易异常验证方法的流程示意图。本技术实施例的交易异常验证方法可应用于操作后台，该操作后台为计算机设备，该计算机设备包括但不限于智能手机、笔记本电脑、平板电脑、桌上型计算机、物理服务器和云服务器等设备。
54.可选地，操作后台与用户端以及通道后台通信连接，操作后台为对用户端的交易操作进行确认的服务程序，如智能手机、电脑、服务器等计算机设备运行的业务管理系统，用户端为用户进行交易操作的客户端，通道后台为与银行建立连接支付通道的数据提供方，如银企云、第三方支付平台和金融市场数据提供商等。示例性地，当用户端发起交易请求时，由操作后台对该交易请求确认后发送至通道后台，通道后台对该交易请求再次确认后请求银行进行支付，从而完成交易。
55.如图1所示，本实施例的交易异常验证方法包括步骤s101至步骤s103，详述如下：
56.步骤s101，响应于用户端发起的第一交易请求，调用与所述第一交易请求存在先后时序关系的历史交易请求，所述第一交易请求携带有多种第一单据特征数据，所述历史交易请求携带有多种历史单据特征数据。
57.在本步骤中，第一单据特征数据和历史单据特征数据均属于交易请求所携带的交易单据上的特征数据，其包括但不限于交易账号、交易时间、交易金额和交易币种等。交易请求包括但不限于资金支付请求和资金转账请求等交易请求。历史交易请求包括但不限于在第一交易请求发起之前的一段时间内的所有交易请求，以用于验证在一段时间内用户端是否多次发起同一个交易单据的交易请求，从而可以在用户本地操作后台进行防重复验证，有效避免受网络延迟影响的局限性问题，保证交易安全性。
58.可选地，用户通过用户端发起第一交易请求，通过本地操作后台或者远程操作后台接收并响应该第一交易请求，调用在第一交易请求之前一段时间内接收到的所有历史交易请求的历史单据特征数据，以用于后续异常验证。
59.可选地，用户端在发起第一交易请求时，锁定用户端的操作界面，例如锁定1秒，以有效避免用户连续点击确认发起第一交易请求的指令，从而从用户端降低重复交易事件的概率。
60.步骤s102，利用与所述第一交易请求的交易类型对应的目标模糊神经网络，基于所述历史单据特征数据，从多个验证维度对多种所述第一单据特征数据进行异常验证，得到第一目标验证值，其中每种交易类型对应的模糊神经网络的网络参数不同，所述网络参数包括每种单据特征在每个所述验证维度时对应的维度权重。
61.在本步骤中，交易类型可以基于用户实际需求进行分类，例如根据外贸企业用户，可以分为国内交易类型和国际交易类型，又例如根据交易数额，可以分为大面额交易和小面额交易等，在此不再赘述。模糊神经网络为基于模糊理论构建的神经网络，其包含多个验证维度，所有验证维度组成验证链路，以输出目标验证值。
62.可选地，验证维度为验证每种单据特征数据是否相同的维度，其包括但不限于重复维度、精度维度、上下界维度和极性维度，具体可以基于用户对不同交易场景的安全性需求进行配置。重复维度为表示两个单据特征数据是否重复的维度，例如单据特征数据为交易账号，若交易账号a为123，交易账号b为234，则交易账号a与交易账号b不重复。精度维度为表示单据特征数据是否符合精度要求的维度，例如单据特征数据为交易时间，若交易时间的精度要求为秒，交易时间c为2000年01月01日01时01分，其精度为分，则交易时间c不符合精度要求。上下界维度表示单据特征数据是否符合上下界要求的维度，例如单据特征数据为交易金额，若交易金额的上下界要求为100元至50000元，交易金额d为60000元，其不在数值范围要求内，则交易金额d不符合上下界要求。极性维度为表示单据特征数据是否符合正负极性要求的维度，例如单据特征数据为交易币种，若交易币种的极性要求为正，交易币种e为欧元－2，其极性为负，所以交易币种e不符合极性要求。
63.需要说明的是，单据特征数据在目标模糊神经网络中以向量表示，即对单据特征数据进行向量编码后输入到目标模糊神经网络。对于不同单据特征数据，精度要求、上下界要求和极性要求可以基于历史单据特征数据确定，也可以为目标模糊神经网络的维度数据。例如，对于交易金额的上下界要求，其为维度数据，如目标模糊神经网络规定单次交易的交易金额上限为50000元，对于交易币种的上下界要求，其基于历史单据特征数据确定。
64.可选地，目标模糊神经网络包括输入层、隐含层和输出层，其中输入层包括多种第一单据特征数据，隐含层包含多个验证维度，输出层包括多个维度权重。
65.可选地，每种交易类型均对应有一个模糊神经网络，每个模糊神经网络的网络参
数不同，网络参数包括验证维度和维度权重，其中不同模糊神经网络的验证维度可以不同，也可以相同，而不同模糊神经网络的维度权重不同。本技术通过构建多种交易类型对应的模糊神经网络，以应对不同交易场景的交易异常验证，使得交易异常验证更具有针对性，提高验证准确度和满足不同用户对不同交易场景的安全性需求。
66.示例性地，将第一单据特征数据和历史单据特征数据输入到目标模糊神经网络，对于每个第一单据特征数据，验证第一单据特征数据在每个验证维度对应的维度验证值，再通过维度链路将多个维度验证值进行加权，得到目标验证值。
67.步骤s103，若所述第一目标验证值满足预设异常条件，则判定所述第一交易请求为异常请求。
68.在本实施例中，预设异常条件为第一目标验证值小于或大于预设目标验证值。例如，若验证维度异常时为1，正常时为0，则第一单据特征数据的异常维度越多，第一目标验证值越大，所以预设异常条件为第一目标验证值大于预设目标验证值。又例如，若验证维度异常时为0，正常时为1，则第一单据特征数据的异常维度越多，第一目标验证值越接近0，所以预设异常条件为第一目标验证值小于预设目标验证值。
69.可选地，判定第一交易请求为异常请求后，终止该第一交易请求，并向用户端反馈异常信息。若异常请求的交易金额较大，或者多个第一单据特征数据异常，则申请人工强制介入。
70.可选地，若第一目标验证不满足预设异常条件，则操作后台确认该第一交易请求，并向通道后台发送该第一交易请求。
71.在一些实施例中，在图1所示实施例的基础上，所述步骤s102，包括：
72.对于每种所述第一单据特征数据，利用与所述第一交易请求的交易类型对应的目标模糊神经网络，基于所述历史单据特征数据，验证所述第一单据特征数据在每个所述验证维度时对应的维度验证值；
73.基于所述目标模糊神经网络的维度权重，对每种所述第一单据特征数据对应的多个所述维度验证值进行加权，得到所述第一目标验证值。
74.在本实施例中，维度权重通过交易类型对应的训练样本集对预设模糊神经网络进行训练得到。可选地，如图2所述的模糊神经网络的网络结构示意图，第一单据特征数据包括交易账号、交易金额、交易币种和交易事件，将第一单据特征数据和历史单据特征数据输入到目标模糊神经网络；对于每个第一单据特征数据，从重复维度验证第一单据特征数据和历史单据特征数据是否重复，从精度维度验证第一单据特征数据是否满足精度要求，从上下界维度验证第一单据特征数据是否满足上下界要求，从极性维度验证第一单据特征数据是否满足极性要求，得到第一单据特征数据在每个验证维度时的维度验证值，最后基于目标模糊神经网络的维度权重对每个验证维度对应的维度验证值进行加权，得到目标验证值。
75.可选地，目标模糊神经网络的目标函数表示为：
[0076][0077]
其中，o表示第一目标验证值，θn表示第i个第一单据特征数据在第j验证维度时的维度权重，f(x
ij
)表示第i个第一单据特征数据在第j验证维度时的维度验证值。
[0078]
示例性地，以国内交易场景为例，第一单据特征数据为交易账号、交易金额和交易时间，验证维度为重复维度、精度维度、上下界维度和极性维度，假设每个单一链路的维度权重均相同。
[0079][0080]
以国际交易场景为例，第一单据特征数据为交易账号、交易金额、交易时间和交易币种，验证维度为重复维度、精度维度、上下界维度和极性维度，假设每个单一链路的维度权重均相同。
[0081][0082][0083]
其中，o表示第一目标验证值，f(x
11
)表示交易账号在重复维度时的维度验证值，以此类推，不再赘述。
[0084]
在一些实施例中，所述每个维度验证值的验证过程，包括：
[0085]
基于每个所述验证维度对应的符号函数，计算所述第一单据特征数据与所述历史单据特征数据或维度数据之间的差值，所述维度数据为所述目标模糊神经网络中的网络参数；
[0086]
基于所述差值，确定所述第一单据特征数据在所述验证维度时对应的维度验证值。
[0087]
在本实施例中，符号函数可以表示为f(x
ij
)＝sgn(x
ij-y
ij
)，x
ij
表示第i个第一单据特征数据在第j验证维度时的向量，y
ij
表示第i个历史单据特征数据或维度数据在第j验证维度时的向量，sgn表示差值运算。其中维度数据可以通过模糊神经网络训练得到，也可以对模糊神经网络进行预设得到，例如规定单次交易的交易金额上限为50000元，则设置模糊神经网络对应的交易金额上下界维度参数为50000。
[0088]
可选地，为了避免本次交易与一段时间内的历史交易重复，所以第一单据特征数据与历史单据特征数据相同时，则表示异常，所以对于第一单据特征数据与历史单据特征数据之间的差值为0时，表示异常；为了验证本次交易符合相关要求，所以第一单据特征数据与维度数据不相同时，则表示异常，所以对于第一单据特征数据与维度数据之间的差值不为0时，表示异常。
[0089]
可选地，对于表示异常，可以确定维度验证值为1，对于表示正常，可以确定维度验证值为0。应理解，在其他实施例中也可以设置为其他参数值，在此不再赘述。
[0090]
在一些实施例中，在图1所示实施例的基础上，图3示出了另一种交易异常验证方法的流程示意图，其中与图1相同的步骤不再赘述。如图3所示，所述步骤s102之前，还包括步骤s301至步骤s304，详述如下：
[0091]
步骤s301，获取所述交易类型对应的交易单据特征样本集，所述交易单据特征样本集包括多组交易单据特征样本。
[0092]
在本步骤中，每组交易单据特征样本包括多个单据特征数据。
[0093]
步骤s302，利用预设模糊神经网络，从多个验证维度对所述交易单据特征样本进行异常验证，得到训练值。
[0094]
在本步骤中，每种交易类型所训练的预设模糊神经网络的网络框架相同，验证维度、维度数据和维度权重等网络参数不同。本步骤的训练值为训练过程得到的目标验证值，而异常验证过程与步骤s102相同，请参见前述描述，在此不再赘述。
[0095]
步骤s303，根据所述训练值与预设阈值，计算所述预设模糊神经网络的损失函数。
[0096]
在本步骤中，预设阈值为用户所期望的验证值，其可以根据用户对交易安全性的实际需求进行设定，例如所有单据特征数据在每个验证维度均无异常时的目标验证值为0，则为了提高安全性，将预设阈值设置为0。可以理解的是，在一些场景下，某些验证维度对交易安全性影响很低，例如在国内场景下，币种对交易安全性的影响很低，所以可以选择性地将预设阈值设置为大于0。
[0097]
可选地，损失函数可以表示为：
[0098][0099]
其中，o(xn)表示训练值，xn表示维度验证值，yn表示预设阈值，θn表示维度权重，m表示样本数量，其可以为1。
[0100]
步骤s304，基于所述损失函数，更新所述预设模糊神经网络的网络参数，直至所述损失函数达到最小值，得到所述交易类型对应的目标模糊神经网络。
[0101]
在本实施例中，对更新后的预设模糊神经网络进行训练，得到新的训练值，根据新的训练值和预设阈值，计算新的损失函数，利用新的损失函数极性更新最新的预设模糊神经网络，直至损失函数达到最小值，得到目标模糊神经网络。
[0102]
在一些实施例中，在图3所示实施例的基础上，步骤s304，包括：
[0103]
利用梯度下降算法，根据所述损失函数，计算所述预设模糊神经网络的最新网络参数；
[0104]
基于所述最新网络参数，更新所述预设模糊神经网络，得到新的预设模糊神经网络；
[0105]
利用所述交易单据特征样本，对所述新的预设模糊神经网络进行迭代训练，计算所述新的预设模糊神经网络的损失函数，并更新所述新的预设模糊神经网络的网络参数，直至所述损失函数达到最小值，得到所述交易类型对应的目标模糊神经网络。
[0106]
在本实施例中，示例性地，利用梯度下降算法，求解维度权重θ，以使损失函数j(θ)，所以利用j(θ)对θ进行偏导，得到：
[0107][0108]
按照θ负梯度方向更新预设模糊神经网络，更新公式为：
[0109][0110]
其中α为步长，可以选择0.01。完成计算后继续执行算法，更新θ
new
直至收敛，在差值在0.00001停止梯度算法。
[0111]
请参照图4，图4为本技术实施例提供的又一种交易异常验证方法的流程示意图。本技术实施例的交易异常验证方法可应用于通道后台，该通道后台为计算机设备，该计算机设备包括但不限于智能手机、笔记本电脑、平板电脑、桌上型计算机、物理服务器和云服务器等设备。如图4所示，本实施例的交易异常验证方法包括步骤s401至步骤s403，详述如下：
[0112]
步骤s401，响应于操作后台发送的第二交易请求，调取与第二交易请求存在上下游关系的银企单据信息，第二交易请求携带有多种第二单据特征数据，银企单据信息包括多种银企单据特征数据。
[0113]
在本步骤中，第二交易请求为操作后台确认后发送的交易请求，其可以为基于图1所示实施例交易异常验证方法验证通过的第一交易请求，也可以为未经过验证的交易请求。其中，第一交易请求对应的是资金支付单据，以用于操作后台向通道后台请求支付，第二交易请求对应的是资金银企单据，以用于通道后台向银行请求支持，银企单据信息为向银行发起支付申请的历史单据，如历史银行付款单。相比于第一单据特征数据，第二单据特征数据还可以包括操作后台对应的用户信息。
[0114]
可选地，通过单据之间的转换关系跟踪业务上下游关系，以查询与第二交易请求存在上下游关系的银企单据信息。
[0115]
步骤s402，利用目标模糊神经网络，基于银企单据特征数据，从多个验证维度对多种第二单据特征数据进行异常验证，得到第二目标验证值，其中目标模糊神经网络为与第二交易请求的交易类型以及操作后台的用户类型存在对应关系的模糊神经网络，每种模糊神经网络的网络参数不同，网络参数包括每种单据特征在每个验证维度时对应的维度权重。
[0116]
在本步骤中，通道后台可能对接多个操作后台，所以针对不同操作后台的用户类型构建不同模糊神经网络，即每个用户类型对应有多种交易类型的多个模糊神经网络。其中本实施例的目标模糊神经网络可以为图1所示实施例的目标模糊神经网络，也可以为类似于图2所示实施例的训练过程训练得到的新的目标模糊神经网络，而步骤s402的具体实现过程与步骤s102的实现过程类似，在此不再赘述。
[0117]
步骤s403，若第二目标验证值满足预设异常条件，则判定第二交易请求为异常请求。
[0118]
在本步骤中，预设异常条件与步骤s103类似，在此不再赘述。
[0119]
可选地，判定第二交易请求为异常请求后，终止该第二交易请求，并向用户端反馈异常信息。若异常请求的交易金额较大，或者多个第二单据特征数据异常，则申请人工强制介入。
[0120]
可选地，若第二目标验证不满足预设异常条件，则通道后台确认该第二交易请求，并基于确认后的该第二交易请求向银行请求支付。
[0121]
在一些实施例中，在图4所示实施例的基础上，步骤s102，包括：
[0122]
对于每种第二单据特征数据，利用目标模糊神经网络，基于银企单据特征数据，验证第二单据特征数据在每个验证维度时对应的维度验证值；
[0123]
基于目标模糊神经网络的维度权重，对每种第二单据特征数据对应的多个维度验证值进行加权，得到第二目标验证值。
[0124]
在一些实施例中，维度验证值的验证过程，包括：
[0125]
基于每个所述验证维度对应的符号函数，计算所述第二单据特征数据与所述银企单据特征数据或维度数据之间的差值，所述维度数据为所述目标模糊神经网络中的网络参数；
[0126]
基于所述差值，确定所述第二单据特征数据在所述验证维度时对应的维度验证值。
[0127]
作为示例而非限定，由于企业财务系统随着业务向公有云转移，业务数据出现公有云的高并发特点，跟踪业务上下游关系实现异常验证的方式无法很好适用于高并发场景，所以图5示出了本技术提供交易异常验证方法的一种应用场景流程示意图。
[0128]
如图5所示，操作后台响应于用户端发起的第一交易请求，调用与所述第一交易请求存在先后时序关系的历史交易请求，所述第一交易请求携带有多种第一单据特征数据，所述历史交易请求携带有多种历史单据特征数据；利用与所述第一交易请求的交易类型对应的目标模糊神经网络，基于所述历史单据特征数据，从多个验证维度对多种所述第一单据特征数据进行异常验证，得到第一目标验证值，其中每种交易类型对应的模糊神经网络的网络参数不同，所述网络参数包括每种单据特征在每个所述验证维度时对应的维度权重；若所述第一目标验证值满足预设异常条件，则判定所述第一交易请求为异常请求。
[0129]
若所述第一验证值不满足预设异常条件，则向通道后台发送第二交易请求。通道后台响应于操作后台发送的第二交易请求，调取与第二交易请求存在上下游关系的银企单据信息，第二交易请求携带有多种第二单据特征数据，银企单据信息包括多种银企单据特征数据；利用目标模糊神经网络，基于银企单据特征数据，从多个验证维度对多种第二单据特征数据进行异常验证，得到第二目标验证值，其中目标模糊神经网络为与第二交易请求的交易类型以及操作后台的用户类型存在对应关系的模糊神经网络，每种模糊神经网络的网络参数不同，网络参数包括每种单据特征在每个验证维度时对应的维度权重；若第二目标验证值满足预设异常条件，则判定第二交易请求为异常请求；若第二目标验证值不满足预设条件，则向银行请求支付。
[0130]
本应用场景通过在操作后台和通道后台进行双重验证，以及既针对业务数据上下游关系进行验证，又针对单据特征数据本身的合理性进行验证，使得本方法能够有效防范高并发导致的交易异常，提高交易安全性。
[0131]
为了执行上述图1所示实施例对应的交易异常验证方法，以实现相应的功能和技术效果。参见图6，图6示出了本技术实施例提供的一种交易异常验证装置的结构框图。为了便于说明，仅示出了与本实施例相关的部分，本技术实施例提供的交易异常验证装置，应用于操作后台，所述装置包括：
[0132]
调用模块601，用于响应于用户端发起的第一交易请求，调用与所述第一交易请求存在先后时序关系的历史交易请求，所述第一交易请求携带有多种第一单据特征数据，所述历史交易请求携带有多种历史单据特征数据；
[0133]
第一验证模块602，用于利用与所述第一交易请求的交易类型对应的目标模糊神经网络，基于所述历史单据特征数据，从多个验证维度对多种所述第一单据特征数据进行异常验证，得到第一目标验证值，其中每种交易类型对应的模糊神经网络的网络参数不同，所述网络参数包括每种单据特征在每个所述验证维度时对应的维度权重；
[0134]
第一判定模块603，用于若所述第一目标验证值满足预设异常条件，则判定所述第一交易请求为异常请求。
[0135]
在一些实施例中，所述第一验证模块602，包括：
[0136]
验证子模块，用于对于每种所述第一单据特征数据，利用与所述第一交易请求的交易类型对应的目标模糊神经网络，基于所述历史单据特征数据，验证所述第一单据特征数据在每个所述验证维度时对应的维度验证值；
[0137]
加权子模块，用于基于所述目标模糊神经网络的维度权重，对每种所述第一单据特征数据对应的多个所述维度验证值进行加权，得到所述第一目标验证值。
[0138]
在一些实施例中，所述验证子模块，包括：
[0139]
计算单元，用于基于每个所述验证维度对应的符号函数，计算所述第一单据特征数据与所述历史单据特征数据或维度数据之间的差值，所述维度数据为所述目标模糊神经网络中的网络参数；
[0140]
确定单元，用于基于所述差值，确定所述第一单据特征数据在所述验证维度时对应的维度验证值。
[0141]
在一些实施例中，所述装置，还包括：
[0142]
获取模块，用于获取所述交易类型对应的交易单据特征样本集，所述交易单据特征样本集包括多组交易单据特征样本；
[0143]
训练模块，用于利用预设模糊神经网络，从多个验证维度对所述交易单据特征样本进行异常验证，得到训练值；
[0144]
计算模块，用于根据所述训练值与预设阈值，计算所述预设模糊神经网络的损失函数；
[0145]
更新模块，用于基于所述损失函数，更新所述预设模糊神经网络的网络参数，直至所述损失函数达到最小值，得到所述交易类型对应的目标模糊神经网络。
[0146]
在一些实施例中，所述更新模块，包括：
[0147]
计算子模块，用于利用梯度下降算法，根据所述损失函数，计算所述预设模糊神经网络的最新网络参数；
[0148]
更新子模块，用于基于所述最新网络参数，更新所述预设模糊神经网络，得到新的预设模糊神经网络；
[0149]
迭代子模块，用于利用所述交易单据特征样本，对所述新的预设模糊神经网络进行迭代训练，计算所述新的预设模糊神经网络的损失函数，并更新所述新的预设模糊神经网络的网络参数，直至所述损失函数达到最小值，得到所述交易类型对应的目标模糊神经网络。
[0150]
为了执行上述图4所示实施例对应的交易异常验证方法，以实现相应的功能和技术效果。参见图7，图7示出了本技术实施例提供的一种交易异常验证装置的结构框图。为了便于说明，仅示出了与本实施例相关的部分，本技术实施例提供的交易异常验证装置，应用于通道后台，所述通道后台与操作后台通信连接，所述装置包括：
[0151]
调取模块701，用于响应于操作后台发送的第二交易请求，调取与所述第二交易请求存在上下游关系的银企单据信息，所述第二交易请求携带有多种第二单据特征数据，所述银企单据信息包括多种银企单据特征数据；
[0152]
第二验证模块702，用于利用目标模糊神经网络，基于所述银企单据特征数据，从多个验证维度对多种所述第二单据特征数据进行异常验证，得到第二目标验证值，其中所述目标模糊神经网络为与所述第二交易请求的交易类型以及所述操作后台的用户类型存在对应关系的模糊神经网络，每种模糊神经网络的网络参数不同，所述网络参数包括每种单据特征在每个所述验证维度时对应的维度权重；
[0153]
第二判定模块703，用于若所述第二目标验证值满足预设异常条件，则判定所述第二交易请求为异常请求。
[0154]
上述的交易异常验证装置可实施上述方法实施例的交易异常验证方法。上述方法实施例中的可选项也适用于本实施例，这里不再详述。本技术实施例的其余内容可参照上述方法实施例的内容，在本实施例中，不再进行赘述。
[0155]
图8为本技术一实施例提供的计算机设备的结构示意图。如图8所示，该实施例的计算机设备8包括：至少一个处理器80(图8中仅示出一个)处理器、存储器81以及存储在所述存储器81中并可在所述至少一个处理器80上运行的计算机程序82，所述处理器80执行所述计算机程序82时实现上述任意方法实施例中的步骤。
[0156]
所述计算机设备8可以是智能手机、平板电脑、桌上型计算机和云端服务器等计算设备。该计算机设备可包括但不仅限于处理器80、存储器81。本领域技术人员可以理解，图8仅仅是计算机设备8的举例，并不构成对计算机设备8的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
[0157]
所称处理器80可以是中央处理单元(central processing unit，cpu)，该处理器80还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field－programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0158]
所述存储器81在一些实施例中可以是所述计算机设备8的内部存储单元，例如计算机设备8的硬盘或内存。所述存储器81在另一些实施例中也可以是所述计算机设备8的外部存储设备，例如所述计算机设备8上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，所述存储器81还可以既包括所述计算机设备8的内部存储单元也包括外部存储设备。所述存储器81用于存储操作系统、应用程序、引导装载程序(bootloader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。
[0159]
另外，本技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任意方法实施例中的步骤。
[0160]
本技术实施例提供了一种计算机程序产品，当计算机程序产品在计算机设备上运行时，使得计算机设备执行时实现上述各个方法实施例中的步骤。
[0161]
在本技术所提供的几个实施例中，可以理解的是，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多
个用于实现规定的逻辑功能的可执行指令。也应当注意的是，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。
[0162]
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read－only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0163]
以上所述的具体实施例，对本技术的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本技术的具体实施例而已，并不用于限定本技术的保护范围。特别指出，对于本领域技术人员来说，凡在本技术的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。