声明
1 绪论
1.1 研究背景及意义
1.2 研究现状
1.2.1 基于身份认证判定技术
1.2.2 基于专家规则判定技术
1.2.3 基于群体行为判定技术
1.2.4 基于个体行为判定技术
1.2.5 研究现状总结
1.3 研究内容及贡献
1.4 整体结构
2 相关技术
2.1 数据统计与分析
2.1.2 数据预处理方式
2.1.2 数据不均衡问题解决方式
2.2 传统的交易欺诈检测方法
2.2.1 身份认证的反欺诈方法
2.2.2 规则引擎的反欺诈方法
2.3 群体行为的反欺诈方法
2.4 个体行为的反欺诈方法
2.5 密度聚类算法DBSCAN
2.5.1 聚类算法现状
2.5.2 DBSCAN与K-means对比
2.6 朴素贝叶斯分类算法
2.7 性能评估指标
2.8 小结
3用户个体行为的超球体模型及欺诈检测方法
3.1 引言
3.2 用户个体行为基准构建
3.2.1 用户行为基准生成
3.2.2 用户最佳风险阈值计算
3.3 超球体检测模型
3.4 实验评估
3.3.1 数据集
3.3.2 对比实验
3.5 小结
4 低频交易的个体行为建模与欺诈检测方法
4.1 引言
4.2 低频用户行为基准构建
4.2.1 提取用户自身行为
4.2.2 提取当前交易群体行为
4.2.3 计算当前交易状态
4.2.4 补充后的低频用户交易行为
4.3 基于贝叶斯的多行为检测方法
4.3.1 用户自身行为检测
4.3.2 当前交易群体行为检测
4.3.3 交易综合决策
4.4 实验评估
4.4.1 低频用户划分
4.4.2 聚类结果对比
4.4.3 对比实验
4.5 小结
5 基于个体行为的交易欺诈检测系统设计与实现
5.1 系统设计
5.1.1 需求分析
5.1.2 系统模块设计
5.1.3 系统流程设计
5.2 系统实现
5.2.1 实时检测功能
5.2.2 交易分析功能
5.2.3 用户 分析功能
5.3 小结
6 结论与展望
6.1 总结
6.2 未来展望
参考文献
攻读学位期间的研究成果目录
致谢
东华大学;
