基于规则引擎互联网金融反欺诈研究.docVIP

基于规则引擎互联网金融反欺诈研究 　　摘要：随着互联网金融及其应用的快速发展，如何对大量交易数据进行快速、准确的风险监控与欺诈预警已成为银行和第三方支付平台的迫切需要。规则引擎能将规则匹配与应用程序隔离，且在大量数据和规则情况下具有较好的执行效率。针对互联网金融反欺诈的相关特点，该文提出了基于规则引擎的反欺诈模型，并进行了规则库设计、优化规则匹配过程的研究，为规则引擎在反欺诈场景中的应用提供了一种设计思路。 　　关键词： 反欺诈；规则引擎；Rete算法；大数据 　　中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2018）01-0001-03 　　1 概述 　　近年来，随着互联网金融及其应用的快速发展，网银支付、快捷支付、移动支付等交易方式的普及给人们的生活带来了巨大的便利，但随之而来的是交易风险的提高与欺诈事件的增加。如何对大量交易数据进行快速、准确的风险监控与欺诈预警已成为银行和第三方支付平台的迫切需要。 　　规则引擎能将规则匹配与应用程序分离，且在大量数据和规则情况下具有较好的执行效率[1]。将规则引擎应用于反欺诈系统中，有助于提升系统的扩展性、实现规则的快速更新。为此，本文开展了基于规则引擎的互联网金融反欺诈研究。 　　为了提升规则引擎在互联网金融反欺诈场景的表现，本文首先提出了基于规则引擎的反欺诈模型。其次，设计规则库以提升对规则的解释与评价能力。此外，本文优化了规则匹配过程，从而能过滤大多数正常交易数据、提升系统匹配效率。 　　2 背景 　　在反欺诈系统中，欺诈检测方法通常包括规则模型、用户行为模型、名单管理等。其中规则模型是建立在对欺诈行为的特点、模式、手段、技术充分认识的基础上，针对单一或组合欺诈行为模式设计的启动和触发机制[2]。规则模型的主要优点为易于解释和配置。 　　规则引擎起源于基于规则的专家系统，用来模拟人的行为进行决策，能将业务决策从应用程序中分离出来。规则引擎通常包括三个部分：规则库、事实集与推理引擎[3]。 　　?规则库（Rule Base）：存储各类模拟人类求解问题的规则。一条规则通常表示为： 　　IF： LHS （left-hand-side）， THEN： RHS （right-hand-side） 　　LHS包括一个或多个原子条件 （又叫模式），条件之间通过与、或的逻辑关系?M行组合；RHS是满足所有这些条件（即触发规则）后要执行的动作 （action）。 　　?事实集（Fact Set）：又叫做工作空间（Working Memory），存储了用于规则匹配的事实，包括初始事实与执行过程中产生的新事实。 　　?推理引擎（Inference Engine）：将事实与规则相匹配，决定是否触发规则、触发哪些规则以及何时执行动作。推理引擎是规则引擎的核心部分，决定了规则引擎的工作效率。 　　Rete算法是规则引擎常用的匹配算法，通过将规则编译成Rete网络来与事实进行匹配[4]。Rete网络包括α节点和β节点。α节点由规则库中规则的模式构成，用于过滤事实；β节点执行连接功能，并保存中间结果。Rete算法最大优势是节点共享与状态保存。近年来，很多研究对Rete算法进行了改进，包括α与β节点索引、图算法优化、规则懒加载等[3，5，6，7]。 　　此外，还有些研究将规则引擎在分布式环境下作了一些改进，如规则分解与部署、消息传递模型等，提升了规则引擎面对大数据的执行效率[3，8，9]。 　　3 规则引擎设计 　　3.1 基于规则引擎的反欺诈模型 　　本文提出的基于规则引擎的反欺诈模型如图1所示。该模型主要由五个部分组成：计算集群、存储系统、规则库、规则引擎和管理平台。 　　1） 计算集群 　　计算集群是用来对大规模的交易记录进行批量计算，以统计用户的交易特征、挖掘数据之间的隐藏属性。计算集群包括实时计算集群与离线计算集群，前者主要针对时效性要求较高的属性，如实时交易金额；后者则是完成每天的定时任务，计算当日或一段时间内的相关属性，如用户的常用地址、常用设备等。 　　2） 存储系统 　　存储系统包括关系型数据库（如MySql）与非关系型数据库（如Hbase）。关系型数据库主要用来存储格式化数据，如交易记录、用户个人信息等。非关系型数据库因为其存储和读取速度快、数据保存方式灵活、可扩展性高等优点[10]，适合用来存储用户统计量等频繁更新的数据。 　　3） 规则库 　　规则库是规则引擎重要组成部分，反欺诈规则引擎中需要建立大量的规则文件，规则的集合即为规则库。规则库由管理平台进行对规则的维护，供规则引擎使用。规则库的详细设计见3.2节。 　　4） 规则引擎 　　规则引擎包括规则库、事实集与推理引擎。每一条交易数据都需要被装配成事实（