专利名称：：一种动态金融网络监测分析方法
技术领域：
：本发明属于金融信息化领域，特别涉及一种动态金融网络监测分析方法。
背景技术：
：随着我国信息化和国际化程度的不断提高，金融犯罪活动例如信用卡欺诈、电子商务犯罪、洗钱等犯罪行为日益猖獗。犯罪分子实施犯罪行为的手段多种多样，并且很容易被淹没在每天大量的金融交易中，使得人工发现这些犯罪行为几乎不可能。国际上，通过信息技术进行反洗钱监测分析的研究比较多，许多国家也相继成立了金融情报机构。国内对打击洗钱犯罪也非常重视，于2004年4月7日正式成立了收集、分析、监测和提供反洗钱情报的专门机构——中国反洗钱监测分析中心。一些金融机构和公司也在开发一些金融交易监测系统。这些系统主要实现金融管理信息的收集、管理及初级的统计分析，应用的技术主要是查询、数据仓库、多维分析及一些简单的数据挖掘技术。国内目前还没有对动态金融网络进行智能监测分析的方法。在国外，有关于金融管理的方法包括证券投资管理和金融风险管理方法等(如E.S.Gerasimov,V.V.Dombrovskii."DynamicNetworkModelofManagingInvestmentPortfoliounderRandomStepwiseChangesinVolatilitiesofFinancialAssets".AutomationandRemoteControl,2003，Vol.64(7),1086-1093禾卩A.Nagurney,J.Cruz."Dynamicsofinternationalfinancialnetworkswithriskmanagement",Quantitativefinance,2004，Vol.4(3)等)，另外还有对金融交易进行诸如网络路由、风险评估和授权决策的方法(如TIEKENCRAIGA[US],US2009070246(Al)."ElectronicFinancialTransactionRouting"和MatsudaPaulJ[US];PerrySarahE[US〗，WilkTracyL[US],US2009037304(Al)."Conductingcommercebetweenindividuals")。对于可疑交易的监测，国外有根据当地反洗钱规定进行自动检测的方法(GA.Joseph[US]，US2008270206(A1)."Methodfordetectingsuspicioustransactions")。由于国情之间的差异，国外已有的可疑交易监测分析方法或系统并不能直接用于我国的反洗钱工作。所以针对我国金融网络的特点，本发明给出了动态金融网络监测分析方法，对金融网络中的账户和交易的可疑度进行动态监测分析，为发现金融犯罪行为提供线索。
发明内容本发明的目的在于提供一种动态金融网络监测分析方法，对金融网络中的账户及其交易的可疑度进行动态监测分析。本发明提供的动态金融网络监测分析方法，其步骤包括第1步建立动态金融网络模型，描述从金融数据库到有向加权图流的转化过程；金融数据库包括帐户表和交易表；第2步通过分析可疑交易案例库，统计学习得到账户和交易的属性的可疑度权值，称之为属性权值；可疑交易案例库由可疑交易记录构成；第3步进行账户和交易的可疑度的动态监测分析，即综合考虑账户和交易的多种属性的共同影响以及前一个时间片对当前时间片的影响，动态监测账户和交易随时间变化的可疑度；第4步判断是否有新的可疑交易数据出现，如果是，更新可疑交易案例库和属性权值，否则转入第5步；第5步判断是否有新的金融交易数据出现，如果是，更新金融数据库，并对动态金融网络模型进行增量式更新，然后转到第3步，否则转入第6步；第6步判断是否结束方法的整个过程，如果是，则结束，否则转入第4步。本发明的一种动态金融网络监测分析方法有以下优点和效果1)动态性该方法将复杂网络技术和时间序列分析技术相结合对动态金融网络进行建模，一方面可以准确的描述金融网络中错综复杂的交易，另一方面可以有效的描述金融网络随时间的动态变化性。2)灵活性该方法允许用户对其中的参数例如可疑度权值、相对可疑度权值和属性权值等根据领域知识或经验进行自由的设置。对于不同的分析任务，还可以引入不同的权值度量。不同的用户的关注重点也不尽相同，并且法规也可能改变，参数的自由选择给各种不同的分析人员的使用带来了很大的灵活性。3)定量性该方法给出了账户和交易可疑度的定量监测分析方法，可以更准确的观察和认识账户和交易随时间动态变化的可疑程度。4)智能性该方法采用了DS证据理论对属性权值进行计算和更新，使得整个分析过程智能化。图1为本发明的一种动态金融网络监测分析的流程图；图2为建立动态金融网络模型的流程图；图3为计算属性权值的流程图4为账户和交易可疑度的动态监测分析的流程图5为更新属性权值的流程图6为动态金融网络模型增量式更新的流程图7为金融网络中的账户属性的描述图8为金融网络中的交易属性的描述图。具体实施例方式本发明的核心在于提供一种动态金融网络监测分析方法，该方法首先基于金融数据库建立动态金融网络模型，并根据可疑交易案例库对属性权值进行计算，然后对金融网络中的账户和交易的可疑度进行动态监测分析，最后当有新的可疑交易出现时，对属性权值进行更新；当有新的金融交易数据出现时，对动态金融网络模型进行增量式更新。本发明方法的流程图如图1所示。注意到步骤4和步骤5是一个不断监听数据的过程，只要有新的可疑交易数据或者新的金融交易数据出现时就会执行步骤4和步骤5。在实际情况中，该方法的实现是不会结束的，除非永远不再有新的交易数据出现。下面分别举例对本发明方法的各个步骤作进一步详细的说明。作为示例，下面的可疑度具体地指账户和交易涉嫌洗钱的可疑程度，下面的可疑案例库具体地指洗钱案例库。洗钱案例库由执法部门已经破获的洗钱案例中的交易记录构成。-(1)建立动态金融网络模型的方法建立动态金融网络模型的方法旨在对动态金融网络中的账户及其交易和它们的动态性进行描述和定义，具体的将金融数据库转化为有向加权图流，为账户和交易可疑度的动态监测分析提供模型准备。本方法的输入的是金融数据库，输出的是有向加权图流。下面分别介绍输入和输出的格式。具体的，金融数据库主要涉及到两个视图，账户表(示例见表1)及交易表(示例见表2)，实际的账户表和交易表字段(属性)数目比示例表多很多，账户和交易的属性见图7和图8，是在分析《金融机构大额交易和可疑交易报告管理办法》及金融机构大额交易和可疑交易报告要素内容的基础上抽象出来的。表1账户表<table>tableseeoriginaldocumentpage12</column></row><table>各字段说明如下账号账户ID，账户的唯一标识号；账户类型账户的类别标识，主要分为个体账户和企业账户等;开户时间建立该账户的具体时间；开户银行建立该账户的银行。表2交易表<table>tableseeoriginaldocumentpage12</column></row><table>各字段说明如下地区交易发生的地区；交易日期交易发生的日期；主体账号:发起交易方的账号；客体账号接受交易方的账号；币种交易所采用的币种，例如该字段为USD表示美元，HKD表示港元，EUR表示欧元等等；金额交易金额数目，是一个浮点数。表1和表2分别给出了一些示例数据，为了保护客户的隐私，账号进行了虚拟转化，即非真实账号。具体的，下面给出动态金融网络模型的定义。动态金融网络定义为有向加权图流S-^,G2,...，(7,...)，f为正整数，表示时间片序号，第/时间片的有向加权图为G'(F,&;,^，4，4，^,&)，其中l)F表示账户的集合；2)￡={("^)|"，""表示账户之间交易的集合，(",V)和(V,")表示不同的交易；3)斗表示账户的权值的集合；4)￡￡表示交易的权值的集合；5)4表示账户的属性向量的集合；6)4表示交易的属性向量的集合；7)^表示账户属性向量集々到账户的权值集；的映射或函数；8)&表示交易属性向量4到交易的权值集丄￡的映射或函数。在定义i^:F—和&:￡—丄￡时，首先将属性向量转换成属性权值向量，再将属性权值向量映射成结点和边的权值。在本发明方法中，节点和边上的权值分别表示它们的可疑度。实际上对于节点和边的权值，根据不同的分析任务可以定义不同的度量。实际上对于节点和边的权值，根据不同的分析任务可以定义不同的度量。例如，如果在对动态金融网络做群组探测时，将边上的权值定义为两个结点之间的亲近度等。金融网络中的账户及交易的属性具有多种，即是一个属性向量，且具有层次性，图7和图8分别描述了账户和交易的属性。考虑到金融数据库中的交易数据是海量的，所以本方法处理的输入数据是海量数据。海量数据引发的主要问题是时空问题。如何有效的控制和权衡时空问题是进行海量数据处理的关键所在。金融数据库中的海量数据既体现在交易数据同样也可能体现在账户数据。作为最坏情况，数据库中的账户数据和交易数据均是海量的。面对海量数据，建立动态金融网络模型存在的困难在于1)数据存储。对于海量数据，如何有效地存储模型要求的数据，使需要的存储空间尽可能地少？在建立模型的过程中，如何处理读入内存的数据规模及选择写回数据到磁盘的时机？2)建立模型的效率。对于海量数据，建立模型的方法应该具有良好的可伸縮性，尽可能的縮短模型建立的时间。下面针对如何克服上述两个困难，给出本方法的具体步骤。第1步的流程图如图2所示，具体为-步骤1.1:在金融数据库中交易表的交易时间字段按照升序建立聚簇索引。交易表中的记录就会按照它们交易时间从前到后依次排序，并且相邻时间的交易记录在物理存储上是分布在同一块上，或是连续块上；步骤1.2:根据事先确定好的时间片长度/(例如一天、一个月或一个季度等)以及金融数据库中第一条和最后一条交易记录中的交易时间StoW和，计算出金融数据库包含的时间片的总个数=-StoW)//;步骤1.3:将时间片序号^初始化为1;步骤1.4:判断/《r是否成立，如果是，进入步骤1.5,否则进入第2步;步骤1.5:为第/个时间片的有向加权图G'建立一个空文件，为后面的步骤写入数据做准备；步骤1.6:初始化将要读的数据块的序号"为1;步骤1.7:判断J《A:'是否成立，^为第f个时间片数据块的总个数。如果是，进入步骤1.8，否则令纟=+1然后转入步骤1.4;步骤1.8:将第f个时间片的第"块交易数据读入内存，并存放在集合M中；步骤1.9:定义临时图G'用于存放将第f个时间片的第"块数据形成的有向加权子图，并将其初始化为空；步骤1.10:判断M是否为空，如果是，将临时图G'附写到有向加权G'中并且令^=3+1然后转入步骤1.7，否则进入步骤步骤l.ll:从M中取出一条交易记录记为m，并将m从M中删去；步骤1.12:将交易记录m的主体账户信息存入变量将交易记录m的客体账户信息存入变量4，将交易记录m的其他交易信息存入变量B;步骤1.13:将<4,4，^>加入子图^'中，并转入步骤1.10。以上就是将金融数据库建立为动态金融网络模型的整个过程。其中涉及到的分块存取操作的目的是为了使读入的数据能够被内存所容纳。本方法在解决时空问题方面的体现在在存储和访问数据方面，每次读入内存的数据量限制在内存的容量范围内，分析结果写回磁盘操作是在内存中的交易数据都分析完后一起做的。在效率方面，总体上看是关于交易记录数线性的，实际情况要复杂得多，在内存级别的线性复杂度是最好的情况，而在磁盘级的线性复杂度是最坏的情况，所以真正的效率问题在于实际的操作是在内存中完成的还是需要写入磁盘，分析上述算法知其时间复杂度为内存级的线性复杂度加上iV/r次磁盘操作。这个效率是权衡时空问题得到的一个较优的结果。这还是一个比较乐观的结果，实际情况在14磁盘操作时，不仅仅是简单的回写，而且还有比较和求和操作，例如要进行交易重复检测，当存在重复的情况时还要进行求和操作等。由于这些操作在上述算法中都涉及到一些额外的磁盘读写开销，所以时间复杂度相比乐观地要高一些。(2)计算属性权值的方法计算属性权值的方法旨在根据可疑交易案例库对每个属性的可疑度权值简称属性权值进行计算。为账户和交易可疑度的动态监测分析提供参数一个可疑交易案例库由大量可疑交易记录构成。假定根据每一笔交易在可疑案例中所起的实际作用，例如融合、放置和转移资金等，我们己经分析得出一个或一些重要的交易属性，称作可疑属性或可疑属性集。一个属性在一条交易中是可疑属性，而在另一条交易中可能不是。一条交易也可能拥有一个可疑属性集。实际上，属性权值反映的是在可疑交易案例库中该属性是可疑属性的程度。在案例中属性是可疑属性的概率越高，那么属性权值越大，反之越小。所以如何计算每个属性的可疑概率是问题的关键所在。由于一个可疑案例是一个不完备证据，即一个特定的可疑案例往往不可能涉及到所有属性，有些属性的可疑度可能在某一个可疑案例中根本没有体现，或者与其他属性一起构成一个可疑属性集。因此，根据可疑案例进行属性权值的确定往往不是一个简单的统计问题。下面给出基于DS证据理论的属性权值的计算方法。假设需要考虑的交易属性共有c个，构成交易属性集合Q={4|l&^;c}，对应于DS证据理论中的辨识框架。定义在该辨识框架上基本信度分配6:2Q—满足1)6(0)=0;2)We2"，6(力20,S6(力=1。下面给出根据可疑交易案例库进行属性权值计算的具体步骤，第2步的流程图如图3所示，其过程为步骤2.1:定义集合t/用于存放每条交易记录对应的可疑属性集，设可疑交易记录的序号为e，可疑交易案例库中所有交易记录的总数为iV;将t/初始化为空集，e初始化为1;步骤2.2:判断e《7V是否成立，如果是，进入步骤2.3，否则转入步骤2.5;步骤2.3:定义变量r用于存放第e条可疑交易记录，根据可疑交易记录r在可疑案例中所起的作用得到它的可疑属性集，并记为A;步骤2.4:将及加入到集合t/中去，然后令6=6+1并转入步骤2.2;步骤2.5:将所有属性子集在案例库中出现的次数初始化为0，即Vje2"，/G4)=0，/04)表示属性子集^在案例库出现的次数，2"是属性集Q的所有子集构成的集合；步骤2.6:判断集合f/是否为空，如果是，转入步骤2.9，否则进入步骤2.7;步骤2.7:取集合C/中的一个元素即某条交易记录对应的可疑属性集y，并将F从C/中删除；步骤2.8:/(F)=/(r)+l,然后转入步骤2.6;步骤2.9:"=1,"为属性子集的序号；步骤2.10:判断"《2^-l，其中2'-l是属性子集的总个数，如果是，进入步骤2.11，否则转入步骤2.13;x为属性集Q中属性的个数；步骤2.11:将2"中的第"个属性子集的基本信度分配置为它在可疑交易案例中出现的频率，即6((2")M)-y((2")M)/AT，符号(2")M表示属性集Q的第"个子集；步骤2.12:令"="+1，然后转入步骤2.10;步骤2.13:通过公式(1)和公式(2)分别计算所有单个属性的可疑信度的下限和上限。对Q中的第/个属性4进行计算公式如下，其中"/《;c，贝IJ(4〉是属性集Q的一个子集，即存在B"S2X-1，使得{4}=(2n)["]，设义^Q;&/(4)=&/(})=2(1)x)"/((4})=s柳=sw(2)步骤2.14:通过公式(3)计算所有属性的权值巧，。CT,=，》P咖，(1化力(3)|>/((4})+p/({4})7=1在DS证据理论中，公式(1)和(2)分别称为信度和似真度，其意义分别是信度下限和上限。(3)账户和交易可疑度动态监测分析方法账户和交易可疑度动态监测分析方法旨在基于建立的动态金融网络模型和计算出的属性权值对账户和交易的可疑度进行动态的定量计算。该方法涉及到一些概念，包括广义属性、事件和可疑度权值等。下面首先具体说明这些概念的含义。广义属性是指对象本身的属性以及对象所处的环境的属性的总称。例如，账户的类型是账户本身的属性，属于账户的广义属性。账户在交易过程中其周围呈现出的交易结构，例如分散转入，集中转出就是账户所处的环境的一个属性，也属于账户的广义属性。事件是指对象在它的某个广义属性上拥有某个值。例如，交易在金额属性上拥有某个值，即确定交易金额的数目是一个事件。可疑度权值是指某个事件引起的可疑度，取值在区间，O表示该事件完全不可疑，l表示最可疑，其他介于两者之间。根据大额交易的规定，对于不同类型账户，不同交易币种以及不同交易金额引起的可疑度是不同的。将与金额相关的属性综合在一起考虑得到由等价金额引起的可疑度权值。为了计算等价金额引起的可疑度权值，首先计算交易的等价金额，而计算等价金额需要一个参照标准。下面描述了该参照标准。参照标准企业账户与企业账户之间单笔或单个时间片累计人民币200万元的交易。针对以上参照标准给出相对可疑度权值的概念如下。相对可疑度权值是指某个事件引起的可疑度权值与参照标准中的事件引起的可疑度权值的比值，将参照标准中的事件的可疑度定为1，那么相对可疑度权值可以是任意正浮点数。<table>tableseeoriginaldocumentpage18</column></row><table>表3根据《金融机构大额交易和可疑交易报告管理办法》对大额交易的判定标准给出了不同账户类型对于参照标准引起的相对可疑度权值。表4根据目前不同币种之间的汇率关系给出不同账户类型和不同币种对于参照标准引起的相对可疑度权值。表3和表4中的相对可疑度权值是根据目前的《金融机构大额交易和可疑交易报告管理办法》(简记为《办法》)和目前的币种汇率关系给出的示例数据，具体实施时需根据当前的《办法》和当前的币种汇率关系进行调整。正如上文所所讲，每个属性上的值都有一个可疑度权值，表明交易在某属性上拥有某值的时候该交易的可疑程度。表5给出交易地区的可疑度权值。一方面可疑度权值可以通过一些现有的资料进行设置。例如，对于交易地区的可疑度，有资料显示分为核心监控地区、重点^注地区和其他可疑地区三类。根据交易地区可疑度分类，我们将可疑度大的地区的可疑度权值设为区间中的某个值，可疑度中等的地区的可疑度设为^;(")(4)Z=l其中7,力,力表示第^个时间片交易</，/>的第/个与金额相关的属性的值引起的相对可疑度权值，其中B/SA^，a表示交易金额步骤3.9:根据公式(5)计算以上计算出的等价金额对应的可疑度权值；一0五j—1『1『<￡^^200『其中1^=10000(5)200『—1『^—r,i0W>200『步骤3.10:根据公式(6)计算交易</,^>的可疑度，iV+++《)/2(6)其中^(1S&SA^)表示非金额属性的权值，特别的t^表示金额的属性权值，是属性权值的一个特例，nr。表示前一时间片内节点可疑度对当前交易的影响权值，并且满足^+|;&=1。A^表示除与金额有关属性以外的其他属性的个数，公式(6)对应于金融网络模型中的&，式子左边对应交易的权值￡￡，公式右边对应交易的属性权值向量乂￡的一个综合计算，并且考虑到上一时间片交易双方的可疑度。然后7=7+1并转入步骤3.6;步骤3.11:根据公式(7)计算账户/周围的结构属性引起的可疑权值；柳=1-min(《(/)，《(/))/max(《(/)，《,(/》(7)其中《(/)表示在时间片Z节点/的入度，《,(/)表示在时间片/节点/的出度。步骤3.12:根据公式(8)计算账户z'的可疑度；广，A丄Wr,iL'，y、i"Ur;乂+—。(8)其中i^.表示第f个时间片内账户/到账户/的交易的可疑度，巧表示账户发出的交易对账户可疑度的影响权值，而&表示节点的结构属性的权值，并且满足巧+572=1。r;表示第？个时间片内起点为/的交易的对方的集合。20式(8)对应于金融网络模型中的&，式子左边对应边的权值；，公式右边对应边的属性权值向量4的一个综合计算。(4)属性权值的更新方法属性权值的更新方法旨在当有新的可疑交易数据出现时对原有的属性权值进行更新。本方法的具体步骤如下步骤4.1:将原来的信度分配记为m,;步骤4.2:对新出现的可疑交易数据，按照属性权值计算方法中步骤2.1到步骤2.12计算出新的信度分配附2;步骤4.3:根据公式(9)计算合并基本信度分配/^和^产生的新的基本信度分配附12，对VZ^Q，按如下计算新的基本信度分配；m12(Z)=^,飼",2、,(9)虽然式(9)是对两个基本信度进行合并，对于多于两个的情况只要不断的两两合并便可达到合并多个的目的。我们碰到的大多数情况是这样的，开始有一个案例得到一个初始信度分配，然后出现一个新案例得到一个新的信度分配按式(9)将它与初始信度分配进行合并，再出现新的时将它与前面合并后的信度分配进行合并，依此类推。步骤4.4:同计算属性权值方法中的步骤2.13;步骤4.5:同计算属性权值方法中的步骤2.14。公式(9)用到的是DS证据理论中的合并规则，将两个基本信度函数进行合并。(5)动态金融网络模型的增量式更新方法动态金融网络模型的增量式更新方法旨在当有新的金融交易数据出现时对动态金融网络进行局部增量式更新。本方法的具体步骤如下步骤5.1:初始化金融交易记录序号C为1，新交易数据中包含的交易记录的总数；步骤5.2:判断c《g，如果是，进入步骤5.3，否则结束本方法；步骤5.3:将第c条交易及其相关的账户插入到金融数据库中去；步骤5.4:定义变量/z'm"并将第c条交易的交易时间存入"me中；21步骤5.5:判断"me《rj/，rj/表示最后一个时间片的截止时间，如果是，进入步骤5.6，否则转入步骤5.7;步骤5.6:将交易记录c包含的信息附写到文件(^中去,然后cw+l并转入步骤5.2;C^表示第r个时间片的有向加权图。步骤5.7:r=r+l，并置C^为空，然后转入步骤5.5。值得注意的是，新的金融交易数据中的交易时间是严格递增的。因为实际情况中，新出现的数据中的交易时间肯定比老数据中的交易时间大。以上所述为本发明的较佳实施例而已，但本发明不应该局限于该实施例和附图所公开的内容。所以凡是不脱离本发明所公开的精神下完成的等效或修改，都落入本发明保护的范围。权利要求1、一种动态金融网络监测分析方法，其步骤包括第1步建立动态金融网络模型，描述从金融数据库到有向加权图流的转化过程；金融数据库包括帐户表和交易表；第2步通过分析可疑交易案例库，统计学习得到账户和交易的属性的可疑度权值，称之为属性权值；可疑交易案例库由可疑交易记录构成；第3步进行账户和交易的可疑度的动态监测分析，即综合考虑账户和交易的多种属性的共同影响以及前一个时间片对当前时间片的影响，动态监测账户和交易随时间变化的可疑度；第4步判断是否有新的可疑交易数据出现，如果是，更新可疑交易案例库和属性权值，否则转入第5步；第5步判断是否有新的金融交易数据出现，如果是，更新金融数据库，并对动态金融网络模型进行增量式更新，然后转到第3步，否则转入第6步；第6步判断是否结束方法的整个过程，如果是，则结束，否则转入第4步。2、根据权利要求1所述动态金融网络监测分析方法，其特征在于，第1步按照下述步骤建立动态金融网络模型，即构建有向加权图流；第1.1步在金融数据库中交易表的交易时间字段按照升序建立聚簇索引；第1.2步根据事先确定好的时间片长度/以及金融数据库中第一条和最后一条交易记录中的交易时间5"toW和五m/，计算出金融数据库包含的时间片的总个数77=-StoW)//;第1.3步将时间片序号f初始化为1;第1.4步判断/《r是否成立，如果是，进入第1.5步，否则进入第2步；第1.5步为第f个时间片的有向加权图G'建立一个空文件；第1.6步初始化将要读的数据块的序号"为1;第1.7步判断J《^是否成立，V为第f个时间片数据块的总个数；如果是，进入第1.8步；否则令？=^+1，然后转入第1.4步；第1.8步将第/个时间片的第d块交易数据读入内存，并存放在集合M中；第1.9步定义临时图G'用于存放将第f个时间片的第d块交易数据形成的有向加权子图，将其初始化为空；第1.10步判断M是否为空，如果是，将临时图G'附写到有向加权图<7中并且令^=^/+1,然后转入第1.7步；否则进入第l.ll步；第1.11步从M中取出一条交易记录，记该交易记录为m，并将附从M中删去；第1.12步将交易记录m的主体账户信息存入变量^，将交易记录m的客体账户信息存入变量4，将交易记录附的其他交易信息存入变量s;第1.13步将<4,4^>加入临时图('中，并转入第1.10步。3、根据权利要求2所述动态金融网络监测分析方法，其特征在于，第2步具体包括下述步骤第2.1步定义集合C/用于存放每条交易记录对应的可疑属性集，设可疑交易记录的序号为e，可疑交易案例库中所有交易记录的总数为W;将t/初始化为空集，e初始化为l;第2.2步判断e《iV是否成立，如果是，进入第2.3步，否则转入第2.5步；第2.3步定义变量r用于存放第e条可疑交易记录，根据可疑交易记录r在可疑案例中所起的作用得到它的可疑属性集记为及；第2.4步将i加入到集合C/中去，然后令e-e+l并转入第2.2步；第2.5步将所有属性子集在案例库作为可疑属性集出现的次数初維化为0，即V^e2"，/04)-0，/04)表示属性子集^在案例库作为可疑属性集出现的次数，2"是属性集Q所有子集的集合；第2.6步判断集合t/是否为空，如果是，转入第2.9步，否则进入第2.7步；第2.7步取集合t/中的一条交易记录对应的可疑属性集r，并将r从C/中删除；第2.8步/(7)=/(7)+1，然后转入第2.6步；第2.9步"=1，"为2"中属性子集的序号；第2.10步判断"《2'-l是否成立，如果是，进入第2.11步，否则转入第2.13步；其中x为属性集Q中属性的个数；第2.11步将2"中的第w个属性子集的基本信度分配置为它在可疑交易案例中出现的频率，即6((2")["])=/《2")["])/^，(2")M表示Q的第w个子集；第2.12步令"="+1，然后转入第2.10步；第2.13步通过公式(1)和公式(2)分别计算所有单个属性的可疑信度的下限Z^/和上限//;对Q中的第/个属性4进行计算，其中BW;c，则(4)是属性集Q的一个子集，即存在<formula>formulaseeoriginaldocumentpage4</formula>第2.14步通过公式(3)计算所有属性的权值巧<formula>formulaseeoriginaldocumentpage4</formula>4、根据权利要求3所述动态金融网络监测分析方法，其特征在于第3步具体包括下述步骤第3.1步将时间片序号/初始化为1;第3.2步判断/《r,r为时间片的总个数，如果是，进入第3.3步，否则进入第4步；第3.3步将交易的起始账户序号/初始化为1;第3.4步判断/《丄是否成立，Z为账户的总个数，如果是，进入第3.5步，否则令/="1,然后转入第3.2步；4第3.5步将交易的终止账户序号j'初始化为h第3.6步判断y《L是否成立，如果是，进入第3.7步，否则转入第3.12步；第3.7步判断有序对</,_/>是否属于￡(60,五((7)为(7的边的集合，如果是，进入第3.8步，否则令^=_/+1然后转入第3.6步；第3.8步根据公式(4)计算交易</,乂>的等价金额^4:<formula>formulaseeoriginaldocumentpage5</formula>其中表示第^个时间片交易<>的第/个与金额相关的属性的值引起的相对可疑度权值，其中B/^A^，a表示交易金额；第3.9步根据公式(5)计算以上计算出的等价金额对应的可疑度权值；<formula>formulaseeoriginaldocumentpage5</formula>第3.10步根据公式(6)计算第f个时间片内交易o》、的可疑度i^.，<formula>formulaseeoriginaldocumentpage5</formula>其中C^表示属性权值，1SA2A^，C^表示等价金额的权值，C7。表示前一时间片内节点可疑度对当前交易的影响权值，并且满足<formula>formulaseeoriginaldocumentpage5</formula>A^表示除与金额有关属性以外的其他属性的个数，公式(6)对应于金融网络模型中的&，式子左边对应交易的权值Z^，公式右边对应交易的属性权值向量^的一个综合计算，并且考虑到上一时间片交易双方的可疑度；然后令7'"'+1并转入第3.6步；第3.11步根据公式(7)计算第f个时间片账户/周围的结构属性引起的可疑度权值^(/);=1-min(《(/)，((/))/max(《(/),《(/))(7)其中《(0表示在时间片^节点z'的入度，《w(i)表示在时间片^节点/的出度；第3.12步根据公式(8)计算第f个时间片内账户/的可疑度D"<formula>formulaseeoriginaldocumentpage0</formula>其中z^.表示第z个时间片内账户/到账户y的交易的可疑度，巧表示账户发出的交易对账户可疑度的影响权值，而^表示节点的结构属性的权值，并且满足巧+"2=1;r;表示第^个时间片内起点为/的交易的对方的集合；式(8)对应于金融网络模型中的&，式子左边对应边的权值斗，公式右边对应边的属性权值向量4的一个综合计算。5、根据权利要求4所述动态金融网络监测分析方法，其特征在于第4步具体包括下述步骤第4.1步将原来的信度分配记为^;第4.2步对新出现的可疑交易数据，按照属性权值计算方法中第2.1步到第2.12步计算出新的信度分配附2;第4.3步根据公式(9)计算合并基本信度分配^和^产生的新的基本信度分配附12，对VZ^Q，按如下计算新的基本信度分配mJZ):m12(Z)=—QA"(9);第4.4步同计算属性权值方法中的第2.13步；第4.5步同计算属性权值方法中的第2.14步。6、根据权利要求5所述动态金融网络监测分析方法，其特征在于第5步具体包括下述步骤第5.1步初始化金融交易记录序号c为1，设新交易数据中包含的交易记录的总数为g;第5.2步判断c《g,如果是，进入第5.3步，否则进入第6步；第5.3步将第c条交易及其相关的账户插入到金融数据库中去；第5.4步定义变量/Z附e，并将第c条交易的交易时间存入"me中；第5.5步判断"we《rj/,r.a表示第r个时间片即最后一个时间片的截止时间，如果是，进入第5.6步，否则转入第5.7步；第5.6步将交易记录c包含的信息附写到第T个时间片的有向加权图(^中，然后令c:c+l并转入第5.2步；第5.7步r=r+i，并置C^为空，然后转入第5.5步。全文摘要本发明公开了一种动态金融网络监测分析方法，具体包括(1)建立动态金融网络模型从金融数据库到有向加权图流的转化过程；(2)计算属性权值通过分析可疑交易案例库，统计学习得到属性的可疑度权值，简称属性权值；(3)账户和交易可疑度的动态监测分析通过综合考虑账户和交易的多种属性的共同影响以及前一个时间片对当前时间片的影响，动态监测账户和交易随时间变化的可疑度；(4)更新属性权值当有新的可疑交易出现时，更新可疑交易案例库和属性权值；(5)动态金融网络模型的增量式更新当有新的金融交易数据出现时，更新金融数据库和动态金融网络模型。文档编号G06F17/30GK101599165SQ20091006308公开日2009年12月9日申请日期2009年7月7日优先权日2009年7月7日发明者卢正鼎,李栋才,李玉华,黎杨,泉林,段东圣,威毕,开钟申请人:华中科技大学