基于規則的銀行卡取款異常檢測算法中取款行為模式研究

姜寶華

摘要：近年來，我國的銀行卡產業已進入快速發展時期，銀行卡已經滲透到經濟、社會生活的各個方面。各類銀行卡欺詐也相伴而生，持卡人惡意透支，社會上出現偽卡詐騙行為等等，給商業銀行、持卡人、特約商戶造成了損失，在社會上形成了不良的影響，在一定程度上制約了我國銀行卡的發展。為了增強安全性，保障持卡人的合法權益，銀行在大量發行卡的同時，也要加強對取款異常的檢測。本文通過取款的流程及取款行為模式來分析異常行為，為基于規則的銀行卡取款異常檢測算法奠定基礎。

關鍵詞：行為模式；數據采集；特征分析及提??；異常行為檢測

中圖分類號：TP311 文獻標識碼：A 文章編號：1009-3044（2015）34-0012-02

Abstract：In recent years， China's banking card industry has entered a period of rapid development， the bank card has penetrated into all aspects of economic and social life. All kinds of bank card fraud also accompanied by birth， the cardholder's malicious overdraft， social pseudo card fraud， and so on， to commercial banks， credit card holders， merchants caused a loss， in the community formed a bad influence， to some extent， restricted the development of China's Bank cards. In order to enhance security， protect the legitimate rights and interests of the cardholder， the bank in a large number of issuing cards， but also to strengthen the detection of withdrawal anomalies. In this paper， we analyze the abnormal behavior through the process of withdrawal and withdrawal behavior， which lays the foundation for the rule based bank card withdrawals anomaly detection algorithm.

Key words：behavior pattern； data acquisition； feature analysis and extraction； abnormal behavior detection

1 行為模式流程

行為模式是從人們實際的生活中概括出來的行為的理論抽象、標準和基本框架。人的需求和行為都要受到社會群體的壓力和影響，處在同一社會階層的人們在商品需求、興趣、愛好、生活方式、生活習慣上有著很多的相似之處。不同的分析模式可能在某種特定的場合顯得更重要一些。

銀行取款可分為柜臺取款和自動柜員機（ATM）取款。

在銀行取款的流程如圖所示：

2 取款行為的數據采集

2.1 數據采集

在進行檢測前，首先要找到能夠完全的反映全部數據特征的典型樣本。一個完整的銀行系統有60多個表組成，而我們檢測異常所要用的表主要有兩種，一種主要包括銀行卡主和銀行本身的基本信息，以及銀行卡上自帶的信息。第二種是交易時留下的交易記錄信息。銀行內部數據庫中對卡號進行加密，客戶的交易數據是可見的。

銀行卡表主要包括客戶姓名，銀行卡余額，銀行卡號，月平均支出，上一年年底余額，年底余額，地區代碼，月平均余額，銀行卡類別，發卡時間，交易筆數，欺詐客戶類別。

交易記錄表主要包括銀行卡號、賬面余額，記賬日，前期余額，交易額（收入、支出），流水號，交易時間。它主要記錄銀行卡的交易情況，作為對樣本分類基礎依據。它包括以下信息：銀行卡號，計息日期，前期余額，當日發生額（收入、支出），余額，交易筆數。月記表、月度數據聚集表。存放銀行賬戶月度統計聚集數據，其中與分析主題有關數據有：銀行卡號、月份、前期余額、當月發生額（收入、支出）、余額、交易筆數。由該表可以計算銀行在每張卡上的收益，即客戶對銀行的貢獻度，作為對樣本分類的重要依據。

2.2 數據預處理

數據預處理是分析數據前的必要環節。預處理的重要性等同于真正的數據分析和建模。在取款異常分析中，為了防止由于卡的密碼的丟失而造成客戶的損失，我們關注的主要對象是卡號以及卡里面的金額。卡是否透支，透支數量，月記表等屬性與異常檢測多半不是相關的。

銀行基本信息表主要包括銀行代碼、所屬ATM機代碼、銀行名稱、銀行地點等。

3 行為特征分析及主要特征提取

從行為到數據的特征分析方法一般分為三個步驟：行為特征分析、行為到數據的特征映射以及數據特征發現。行為特征分析就是在特征線索特征發現過程中首先要盡量分析列舉出可能的行為特征表現。在異常分析中，要將行為特征轉化為數據特征，就是要找出行為到數據的特征映射，基本方法是首先采集行為特征所對應的數據；其次確定與行為特征直接對應的關鍵字段；然后模擬行為特征所決定的數據特征。通過以上兩個步驟，將問題的表征轉化為特定的數據特征，接下來就是用適當的技術和方法直接尋找表現特征的可疑數據，從而指導進一步的工作。這個過程是通過運用計算機查詢語言或多維分析方法等相應技術來尋找符合相關特征的數據，或驗證數據的發展趨勢是否與通常的規律相一致的過程。

特征的選取是異常發現的關鍵，而所選的特征的好壞卻直接影響所設計的分類器。因而從樣本的選取到特征的選取和特征的優化，其中的每一步都是非常關鍵的。同時，特征的識別和選擇也是整個異常檢測的關鍵。本文是按照從行為到數據來對取款行為進行分析。

客戶通過銀行卡號和密碼到指定的銀行或ATM機上取款，或是用銀行卡在指定的商戶和POS機上進行刷卡消費。當以下這些中的一個或幾個不一致時，那么相應的取款或者消費則有可能出現異常，對出現異常的記錄要給予特別的關注?？梢酝ㄟ^二次確認的方式來決定是否準許取款或消費。

3.1 取款對象——取款金額的大小

取款金額的大小直接關系到卡的持有者損失的大小。取款金額是檢測中最主要的一個環節。在正常的生活中，大部分人一個月取款的金額相差不大。當出現在的取款金額即取款出現異常，則有可能卡號和密碼泄露，盜卡人為了取得利益的最大化通常會大量取款，從而出現大額的取款。如，一個大學生每個月大概要消費1000元，那么突然出現取出10000元則很有可能不是本人取款。通過檢測取款金額可以有效地防止由于卡號和密碼泄露造成持卡人損失。

3.2 取款的主體

不同的取款人有不同的生活方式，同一個人也有其固定的生活方式。不同主體有不同的消費側重點。普通家庭消費包括生活、工作、學習等各個方面。普通家庭由于收入是相對固定的，他們的消費額相差不大。對于在校的學生他們的消費則主要是生活費，除了每個月的生活費外，就是平時數額不多的零用錢。不同的人的消費側重點不一樣，相同的人群也會形成相近的消費習慣。取款主體的不同，他們的取款行為有明顯的不同。

3.3 取款的地點

大部分人的生活的地點是固定的，那么他們消費的地點也是相對固定的。如果取款也會在同一個城市的相對集中的幾個銀行網點和ATM機上。絕大部分的消費也會集中在一個城市。當卡號和密碼泄露后，用偽卡取款時，取款行為就發生在其他地點。通過取款地點也可以發現異常的取款行為。

3.4 取款的時間

一個發生在凌晨三點的取款很有可能是異常的取款行為。一個上班族大多是在不上班的時候取款。通過監測取款時間也可以發現異常的取款行為。

3.5取款的頻率和月平均消費額

月平均消費額可以很好的記錄持卡人的日常消費習慣。通過月平均消費額可以很好的追蹤消費方式。當取款的金額都較小時，取款的頻率就能很好地反映取款行為是不是異常。當一個卡號出現連續多次的正常范圍金額的取款時，那么它也可能 是異常取款行為。能過月平均消費額就能發現是不是異常。

4 異常行為檢測

異常檢測可以在系統操作流程完成之前對潛在的危險和誤操作進行報警，它是一種實時、基于行為的防護工具。異常檢測就是檢測數據中的離群點。離群點與正常的點不同，表現為與使用者正常的行為習慣不同。當不同于正常的行為出現時，就可以檢測到異常。

對當前的數據，經過數據預處理后得到和挖掘模式相同的數據格式。通過取款金額、取款的主體、取款的地點、取款的時間及取款的頻率和月平均消費額，這些屬性是否在一定的取值范圍內，就能判斷是不是異常取款行為。

參考文獻：

[1] 鄭紅艷，吳照林.用戶行為異常檢測模型[J].計算機系統應用，2009，18（8）：190-192.

[2]Joshua S.Gans，Stephenp，King.Theoretical Analysis of Credit Card Reform in Australia[J].the Economic Record，2003（1）：462-472.

[3] 鄔書躍，田新廣.基于隱馬爾可夫模型的用戶行為異常檢測新方法[J].通信學報，2007，28（4）：38-43.

[4] 張晴，丁鵬.銀行卡業務異常數據分析方法的研究與實現[J].計算機工程，2004，30（z1）：48-49，52.

[5] 陳文文.圖書館使用者行為模式的數據挖掘研究[D].西南大學，2007.

[6]朱智武，葉曉俊.數據庫用戶行為模型與異常檢測[C].//2009國際信息技與應用論壇論文集，2009：167-169.