具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。

应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

请参阅图1，本发明实施例提供一种实现信用卡首笔反欺诈的系统，包括：信用卡核心系统和实时风控应用系统，信用卡核心系统与实时风控应用系统直连，在交易链路中实现毫秒级的反欺诈识别响应与阻断。信用卡核心系统接收到交易信息后向实时风控应用系统发送欺诈决策请求，实时风控应用系统包括专家规则引擎和人工智能实时反欺诈模型，用于在接收到欺诈决策请求后，通过调用人工智能实时反欺诈模型获取欺诈评分和进行专家规则引擎运算得到欺诈决策结果，在毫秒内将欺诈决策结果写入信用卡核心系统。

参照图2，专家规则引擎与人工智能实时反欺诈模型(欺诈评分)相结合确定了三大原则：

1)欺诈评分高分段准确度高、但是覆盖率底，可直接作为高风险欺诈识别的规则。

2)准确度高的业务专家规则可直接基于专家规则引擎进行欺诈交易识别。

3)其他专家规则需与欺诈评分进行结合，以提高欺诈交易拦截的准确度及覆盖率，即在原有专家规则的基础上增加一个欺诈评分的条件。通过大量的评估试算工作确定专家规则引擎与欺诈评分的结合配对结合形式，以得到决策结果。

在本实施例中，专家规则引擎与人工智能实时反欺诈模型的结合的模式，基于大数据、人工智能等先进技术，探索并制定基于大数据及人工智能技术的信用卡实时交易首笔反欺诈解决方案，有效提升信用卡欺诈交易识别覆盖率，降低误报率，减少欺诈资金损失及误拦截交易笔数，从而提升客户体验，降低银行成本。

参照图3和图4，本发明又一实施例提供一种实现信用卡首笔反欺诈的系统，整体的技术架构中包含三大系统：信用卡核心系统、实时风控应用以及大数据平台。

信用卡核心系统主要接收交易请求，完成交易报文处理、账务处理，并根据欺诈决策结果对交易进行放行或者阻断，其中，信用卡核心系统包括交易放行和交易阻断，实时风控应用完成实时交易的欺诈决策，主要包含专家规则引擎以及人工智能实时反欺诈模型两个模块，而大数据分析平台提供了海量的数据及强大的计算能力。具体的数据流向：当客户发起一笔Visa、Master渠道的交易后，信用卡核心系统接收到交易请求后，在报文的处理环节直接调用实时风控应用的欺诈决策请求，同时并行进行交易的其他业务处理。

实时风控应用接收到欺诈决策请求后，一方面调用人工智能实时反欺诈模型获取欺诈评分，另一方面完成专家规则运算，在毫秒内将决策结果写入信用卡核心系统的欺诈决策结果档。

信用卡核心系统在交易授权环节，将读取欺诈决策结果档并进行结果决定对交易进行放行或者阻断，如果读取不到结果，则交易进入休眠状态，最长休眠1秒。当实时风控应用将结果写入欺诈决策结果档后，将实时唤醒交易，并完成后续的授权环节。信用卡核心系统对交易进行阻断后，业务监控端将进行实时告警，业务监控人员将第一时间对交易进行确认，如果确认欺诈，则对交易进行确认打标，并自动作为后续人工智能实时反欺诈模型的增量学习样本，形成数据闭环；如果为正常交易，则临时将其加入白名单，并由客户重新发起交易。

信用卡核心系统与实时风控应用系统直连，在当前交易过程中直接抛出决策请求及写入决策结果，减少中间环节的时间开销。交易完成后，信用卡核心授权后的实时流水，会通过旁边监听的方式异步下行给实时风控应用系统，用于进行事后流水的统计。

参照图5，基于实时流计算技术，构建了毫秒级的专家规则引擎，业务人员可以自助进行专家规则的配置、调试以及试运行。专家规则引擎的技术架构包括数据源、前置服务、数据处理模块、数据缓存、数据持久化和应用服务模块，具体的：

数据源：通过信用卡核心系统下行接口获取授权前交易数据，通过APM抓取卡核心下行PRM接口中的授权后交易数据。

前置服务：信用卡核心系统将授权前的交易数据通过TCP长连接发送到实时风控应用前置的NettyClient通信服务；APM将授权后交易数据下发到Kafka队列中。

数据处理模块：实时风控决策拓扑启动时，在Zookeeper中注册实时风控决策服务地址。NettyClient通信服务从Zookeeper获取实时决策服务地址，并将转码后的数据通过HTTP协议调用实时决策服务(获取响应后将决策上行卡核心)，同时保存连接在连接池中供下次调用。实时决策服务实时计算风控决策，并将结果返回NettyClient通信服务，后续处理下发到数据存储节点完成(决策结果、交易数据保存)。通过Storm集群统计拓扑消费在Kafka队列中的授权后交易数据，实时计算统计指标并写入Redis集群，后续处理交换数据存储节点完成。

数据缓存：使用Redis集群缓存字段、规则、统计指标以及卡户人等数据。

数据持久化：使用ElasticSearch存储交易记录以及决策结果数据。

应用服务：管理平台配置规则并将规则持久化到MySQL中，以及将规则同步到Redis中，操作平台消费决策服务发送的交易数据，结合决策结果发送提醒短信。

参照图6，实时反欺诈模型的训练、运行需要机器学习平台的支持。图6为机器学习平台的技术架构，包含了离线训练模块、自学习模块以及实时预估模块。其中，离线训练模块用于覆盖从业务数据处理到机器学习模型建模的全过程。支持大规模分布式数据的复杂计算与处理,特征的定义与生成,多种业界主流算法,模型的效果评估,以及模型的管理与发布等功能。实时预估模块用于实时预估模块提供模型的实时预估服务。已完成训练的模型可发布为实时预估服务,实时响应反欺诈决策请求。自学习模块基于持续产生的业务增量数据，模型自学习模块可以以天、小时甚至分钟级别进行自我学习、迭代与服务更新,确保业务效果的持续与稳定。

参照图7，基于人工智能技术的实时交易反欺诈，是技术引领业务、技术与业务深度融合的结晶。需要建立在对客户的全面洞察，以及对全行客户欺诈交易行为模式及规律的深入了解上，离不开对客户行为的深入洞察，离不开对客户全量交易行为的分析，离不开业务专家经验的输入，更离不开大数据分析平台对海量数据的强大处理能力。大数据平台沉淀的海量数据及完整客户画像、业务长达二十年积累的专家经验提供了坚实的基础。

参照图8，在本实施例中，一种实现信用卡首笔反欺诈的系统的业绩成效：

1)真正实反欺诈决策性能整体达到预期成效现毫秒级交易阻断，信用卡实时交易首笔反欺诈决策引擎投产后，反欺诈决策性能整体达到预期成效，新增风控后对整体信用卡交易时长影响微弱。

2)欺诈交易识别误报率降低，专家规则引擎与反欺诈模型的结合，在专家经验的基础上，增加欺诈评分的判断条件，可有效提升欺诈交易识别误报率。投产部署了11个专家规则引擎，为了验证专家规则引擎与反欺诈模型的结合效果，同时部署了两个纯专家规则引擎。欺诈交易识别数量基本保持不变的情况下，报警量大幅降低，欺诈识别误报率降低67.14％。

3)减少欺诈交易损失，11个专家规则较PRM规则，实现交易中阻断，共新增拦截首笔欺诈交易11笔。

4)减少人力投入成效，提升客户体验，由于欺诈识别准确度的提升，每年可减少对近万笔交易的误拦截，节省确认电话近万通，减少对数千名客户的骚扰，避免客户投诉，并且减少人力投入。

对比现有技术受限于传统技术架构，现有系统欺诈交易识别滞后数分钟，覆盖率仅60％且误报率居高不下，很难进一步减少欺诈交易损失，银行需要投入很高的人力成本进行欺诈防控，只能做到事后防控，无法做到交易中阻断，效果不佳。本实施例的游戏效果在于，引入人工智能技术，基于全量客户的海量交易交互行为数据，构建了千万维度的客户行为特征，训练了更准、更快、更智能、具备自学习及迭代优化的实时交易反欺诈模型，从微观数据的角度发现欺诈交易行为模式，充分应用信用卡业务超过十年的丰富成熟的交易反欺诈专家经验，通过不断的探索调试，研究了将模型评分与专家规则引擎有机结合的方法，实现两者优势互补、取长补短。基于大数据平台整合了全行全量客户海量交易交互行为数据，加工了近2000个客户标签，精确掌握每个客户的交易行为模式及习惯，为实时交易反欺诈的模型训练与规则运算提供数据支撑，同时，大数据平台超过100台的服务器，提供了强大的离线数据加工与实时计算能力。最后引入实时流计算技术，构建针对时序指标计算的时序数据库，设计异步非阻塞接口，同时开展了数十次的特征平衡工作，建设可一个实时的决策引擎，实现毫秒级的欺诈决策。与此同时，与信用卡核心系统实现交易链路级别的对接，实现交易的直接阻断。有效提升信用卡欺诈交易识别覆盖率，降低误报率，减少欺诈资金损失及误拦截交易笔数，从而提升客户体验，降低银行成本。

请参阅图9，本发明一个实施例提供一种一种实现信用卡首笔反欺诈的方法，包括：

S101、接收所述交易信息，向所述实时风控应用系统发送欺诈决策请求，具体的，信用卡核心系统接收到交易信息后向实时风控应用系统发送欺诈决策请求。

S102、所述实时风控应用系统包括专家规则引擎和人工智能实时反欺诈模型，用于在接收到所述欺诈决策请求后，通过调用所述人工智能实时反欺诈模型获取欺诈评分和进行所述专家规则引擎运算得到欺诈决策结果，在毫秒内将所述欺诈决策结果写入所述信用卡核心系统。

根据接收到的欺诈决策请求，实时风控应用系统通过调用所述人工智能实时反欺诈模型获取欺诈评分和进行所述专家规则引擎运算得到欺诈决策结果，将欺诈决策结果发送到信用卡核心系统的交易授权环节，交易授权包括交易放行和交易阻断，若信用卡核心系统对交易进行阻断，业务监控端将进行实时告警，业务监控人员将第一时间对交易进行确认，如果确认欺诈，则对交易进行确认打标，并自动作为后续人工智能实时反欺诈模型的增量学习样本，形成数据闭环；如果为正常交易，则临时将其加入白名单，并由客户重新发起交易。

S103、根据写入的所述欺诈决策结果，所述信用卡核心系统在交易链路中实现毫秒级的反欺诈识别响应与阻断。

信用卡核心系统与实时风控应用系统直连，在当前交易过程中直接抛出决策请求及写入决策结果，减少中间环节的时间开销。交易完成后，信用卡核心授权后的实时流水，会通过旁边监听的方式异步下行给实时风控，用于进行事后流水的统计。

在本实施例中，引入人工智能技术，基于全量客户的海量交易交互行为数据，构建了千万维度的客户行为特征，训练了更准、更快、更智能、具备自学习及迭代优化的实时交易反欺诈模型，从微观数据的角度发现欺诈交易行为模式，充分应用信用卡业务超过十年的丰富成熟的交易反欺诈专家经验，通过不断的探索调试，研究了将模型评分与专家规则引擎有机结合的方法，实现两者优势互补、取长补短。基于大数据平台整合了全行全量客户海量交易交互行为数据，加工了近2000个客户标签，精确掌握每个客户的交易行为模式及习惯，为实时交易反欺诈的模型训练与规则运算提供数据支撑，同时，大数据平台超过100台的服务器，提供了强大的离线数据加工与实时计算能力。最后引入实时流计算技术，构建针对时序指标计算的时序数据库，设计异步非阻塞接口，同时开展了数十次的特征平衡工作，建设可一个实时的决策引擎，实现毫秒级的欺诈决策。与此同时，与信用卡核心系统实现交易链路级别的对接，实现交易的直接阻断。有效提升信用卡欺诈交易识别覆盖率，降低误报率，减少欺诈资金损失及误拦截交易笔数，从而提升客户体验，降低银行成本。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。