1.本技术涉及通信技术领域，尤其涉及一种充值异常检测方法、装置、电子设备及存储介质。
背景技术：2.充值服务是运营商最主要的收入手段，年交易额以及订单量较大，订单异常层出不穷，涉诈事件时有发生。目前对充值异常行为，主要靠人工方式或者事后核查的方式进行检测，浪费人力资源，涉诈防范具有滞后性，且由于检测方式相对单一，对于某些充值异常行为无法准确识别。
3.由此可见，现有的充值风控机制存在浪费人力资源、防范具有滞后性以及无法准确识别充值异常行为的问题。
技术实现要素：4.鉴于上述问题，本技术实施例提供一种克服上述问题或者至少部分地解决上述问题的充值异常检测方法、装置、电子设备及存储介质。
5.第一方面，本技术实施例提供一种充值异常检测方法，包括：
6.在监测到目标号码对应的至少一个充值订单存在充值行为异常的情况下，将所述至少一个充值订单输入n个充值检测模型，获取所述n个充值检测模型分别输出的检测结果，n为大于或者等于2的整数，所述n个充值检测模型基于不同特征类型的样本数据训练得到，每个所述充值检测模型对应于一特征类型；
7.将所述n个充值检测模型分别输出的检测结果进行综合处理，获取所述至少一个充值订单对应的最终检测结果；
8.根据所述最终检测结果确定所述目标号码对应的充值限制行为，并对所述目标号码进行充值限制。
9.第二方面，本技术实施例提供一种充值异常检测装置，包括：
10.第一获取模块，用于在监测到目标号码对应的至少一个充值订单存在充值行为异常的情况下，将所述至少一个充值订单输入n个充值检测模型，获取所述n个充值检测模型分别输出的检测结果，n为大于或者等于2的整数，所述n个充值检测模型基于不同特征类型的样本数据训练得到，每个所述充值检测模型对应于一特征类型；
11.第二获取模块，用于将所述n个充值检测模型分别输出的检测结果进行综合处理，获取所述至少一个充值订单对应的最终检测结果；
12.第一处理模块，用于根据所述最终检测结果确定所述目标号码对应的充值限制行为，并对所述目标号码进行充值限制。
13.第三方面，本技术实施例提供一种电子设备，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现第一方面所述的充值异常检测方法的步骤。
14.第四方面，本技术实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现第一方面所述的充值异常检测方法的步骤。
15.本技术实施例的技术方案，在监测到目标号码对应的至少一个充值订单存在充值行为异常时，将至少一个充值订单输入n个充值检测模型，获取n个充值检测模型分别输出的检测结果，将n个充值检测模型分别输出的检测结果进行综合处理，获取至少一个充值订单对应的最终检测结果，可以在识别到充值行为异常的至少一个充值订单时，由多个充值检测模型进行充值异常检测，确保防控不同类型的风险，通过对多个检测结果进行综合，可以保证异常检测的精准性，且通过模型在线进行异常检测的处理方式，可以以自动化的方式进行在线实时检测，在节约了人力成本的同时，解决了检测滞后性的问题；通过基于最终检测结果确定充值限制行为并对目标号码进行充值限制，可以减少或者避免目标号码的异常充值行为，有效进行风险防范。
附图说明
16.图1表示本技术实施例提供的充值异常检测方法的示意图；
17.图2表示本技术实施例提供的充值异常检测方法的一实施流程图；
18.图3表示本技术实施例提供的模型训练的一实施过程示意图；
19.图4表示本技术实施例提供的模型训练、异常检测以及模型优化的一实施流程图；
20.图5表示本技术实施例提供的充值异常检测装置的示意图；
21.图6表示本技术实施例提供的电子设备的结构框图。
具体实施方式
22.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
23.应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本技术的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
24.在本技术的各种实施例中，应理解，下述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
25.本技术实施例提供一种充值异常检测方法，参见图1所示，该方法包括：
26.步骤101、在监测到目标号码对应的至少一个充值订单存在充值行为异常的情况下，将所述至少一个充值订单输入n个充值检测模型，获取所述n个充值检测模型分别输出的检测结果，n为大于或者等于2的整数，所述n个充值检测模型基于不同特征类型的样本数据训练得到，每个所述充值检测模型对应于一特征类型。
27.本技术实施例提供的充值异常检测方法应用于服务器，该服务器可以为与运营商
平台通信的服务器，也可以为运营商平台服务器。服务器对多个用户的充值行为进行监测，每个用户对应于至少一个充值号码，在监测到目标号码对应的至少一个充值订单存在充值行为异常时，将目标号码对应的至少一个充值订单输入n个充值检测模型，由n个充值检测模型分别对至少一个充值订单进行分析，以检测至少一个充值订单是否属于充值异常订单。
28.其中，n为大于或者等于2的整数，n个充值检测模型基于不同特征类型的样本数据训练得到，且针对每个充值检测模型，其对应于一特征类型，该特征类型即为充值检测模型对应的样本数据的特征类型。
29.服务器获取n个充值检测模型分别输出的检测结果，以确定目标号码对应的至少一个充值订单经n个充值检测模型进行检测分别输出的结果。
30.针对服务器而言，其工作流程为：基于监测规则对多个用户的充值行为进行监测，在监测的过程中，将充值行为正常的充值订单过滤，保留充值行为异常的目标号码对应的至少一个充值订单，将至少一个充值订单输入n个充值检测模型进行异常检测，获取n个充值检测模型分别输出的检测结果。
31.步骤102、将所述n个充值检测模型分别输出的检测结果进行综合处理，获取所述至少一个充值订单对应的最终检测结果。
32.在获取n个充值检测模型分别输出的检测结果之后，对n个充值检测模型分别输出的检测结果进行综合处理，以获取目标号码对应的至少一个充值订单的最终检测结果。
33.由于n个充值检测模型对应于n个特征类型，通过综合n个充值检测模型分别输出的检测结果以确定目标号码对应的至少一个充值订单的最终检测结果，可以确保防控不同类型的风险、并保证检测的精准性。
34.步骤103、根据所述最终检测结果确定所述目标号码对应的充值限制行为，并对所述目标号码进行充值限制。
35.在获取目标号码对应的至少一个充值订单的最终检测结果之后，根据最终检测结果确定目标号码对应的充值限制行为，并对目标号码的充值行为进行限制，可以减少或者避免目标号码的异常充值行为。
36.其中，在根据最终检测结果确定目标号码对应的充值限制行为时，基于最终检测结果对应的检测内容，来确定具体的充值限制行为，进而对目标号码进行充值限制。在对目标号码进行充值限制时，可以限制目标号码的此次充值行为以及在后续一段时长内的充值行为，且后续一段时长可以为预先设置的时长，针对不同的限制行为和/或针对不同的号码，其限制时长可以有所区别。
37.本技术上述实施过程，在监测到目标号码对应的至少一个充值订单存在充值行为异常时，将至少一个充值订单输入n个充值检测模型，获取n个充值检测模型分别输出的检测结果，将n个充值检测模型分别输出的检测结果进行综合处理，获取至少一个充值订单对应的最终检测结果，可以在识别到充值行为异常的至少一个充值订单时，由多个充值检测模型进行充值异常检测，确保防控不同类型的风险，通过对多个检测结果进行综合，可以保证异常检测的精准性，且通过模型在线进行异常检测的处理方式，可以以自动化的方式进行在线实时检测，在节约了人力成本的同时，解决了检测滞后性的问题；通过基于最终检测结果确定充值限制行为并对目标号码进行充值限制，可以减少或者避免目标号码的异常充
值行为，有效进行风险防范。
38.下面对识别存在充值行为异常的至少一个充值订单、将至少一个充值订单输入n个充值检测模型的过程进行介绍。步骤101在监测到目标号码对应的至少一个充值订单存在充值行为异常的情况下，将所述至少一个充值订单输入n个充值检测模型，包括：
39.在监测到所述目标号码对应的单次充值金额满足第一异常条件、所述目标号码在一设定时长内的充值行为满足第二异常条件、所述目标号码对应的充值动作参数满足第三异常条件中的至少一项时，确定所述目标号码对应的至少一个充值订单存在充值行为异常；
40.将所述至少一个充值订单对应的订单数据作为输入参数，分别输入所述n个充值检测模型。
41.在识别存在充值行为异常的至少一个充值订单时，可以是在监测到目标号码对应的单次充值金额满足第一异常条件、目标号码在一设定时长内的充值行为满足第二异常条件、目标号码对应的充值动作参数满足第三异常条件中的至少一项时，确定目标号码对应的至少一个充值订单存在充值行为异常。
42.其中，针对第一异常条件而言，可以是目标号码的单次充值金额明显偏离目标号码的历史充值金额，即，目标号码的多个历史充值金额对应于多个点，多个点在一固定金额上下浮动，且浮动幅度较小，目标号码的此次充值金额明显偏离多个点。例如，目标号码的日常充值金额都是小额(如50元)，突然出现一笔大额充值(如5000元)，则可以确定目标号码对应的单次充值金额满足第一异常条件。此种情况可以对应于一充值订单。
43.针对第二异常条件而言，可以是目标号码在一段时间内的充值频率和/或充值金额异常。即，可以是目标号码在一段时间内连续多次充值、目标号码在一段时间内大额充值等。针对目标号码在一段时间内连续多次充值的情况，可以为目标号码在较短的时间内多次充值，每次充值对应的充值行为无问题(充值金额符合历史充值规律、属于有充值动作的正常充值)，但在较短的时间内的连续多次充值属于异常行为；针对目标号码在一段时间内大额充值的情况，可以为目标号码在一段时间内连续大额充值，充值金额偏离历史充值规律、充值频率明显提升，或者，仅充值金额偏离历史充值规律。此种情况需对应于多个充值订单。
44.针对第三异常条件而言，可以是无充值动作的充值，和/或，目标号码给多个陌生号码充值，这里的无充值动作的充值可以理解为机器人模拟充值，此时无法检测到用户的登录、点击操作，在进行号码充值时用户需要输入号码，因此可以基于充值动作参数确定用户是否为给多个陌生号码充值。即，在基于目标号码的充值动作参数确定目标号码为多个陌生号码充值和/或目标号码的充值行为属于无充值动作的充值时，确定满足第三异常条件。此种情况需对应于一个或者多个充值订单。
45.在确定目标号码对应的至少一个充值订单存在充值行为异常时，将至少一个充值订单对应的订单数据作为输入参数，分别输入n个充值检测模型，由n个充值检测模型对输入参数进行分析，输出检测结果，以通过对应于不同不同特征类型的多个充值检测模型进行充值异常检测，确保防控不同类型的风险。其中，在将至少一个充值订单对应的订单数据作为输入参数时，可以针对订单数据进行特征提取，基于特征提取确定多个特征子集，将多个特征子集作为输入参数。
46.本技术上述实施过程，在监测到目标号码对应的充值行为满足第一异常条件、第二异常条件、第三异常条件中的至少一项时，确定识别到存在充值行为异常的至少一个充值订单，将至少一个充值订单对应的订单数据输入n个充值检测模型，可以通过多个充值检测模型进行充值异常检测，确保防控不同类型的风险。
47.下面对综合处理n个检测结果、获取最终检测结果的过程进行介绍。将所述n个充值检测模型分别输出的检测结果进行综合处理，获取所述至少一个充值订单对应的最终检测结果，包括：
48.根据n个所述检测结果以及所述n个充值检测模型分别对应的权重，确定所述最终检测结果；
49.其中，所述最终检测结果对应于一目标异常标签，所述目标异常标签基于至少一个所述检测结果对应的异常标签确定，且所述目标异常标签用于指示异常类型。
50.在将n个检测结果进行综合处理，获取最终检测结果时，可以基于n个检测结果以及n个充值检测模型分别对应的权重，确定最终检测结果。由于n个充值检测模型对应于n个特征类型，每个特征类型可对应于一权重，则每个充值检测模型对应于一权重，且充值检测模型的权重与特征类型的权重相同。
51.充值检测模型输出的检测结果为充值行为正常或者充值行为异常，针对检测结果为充值行为正常的情况，还可以包括一正常标签，针对检测结果为充值行为异常的情况，还可以包括一异常标签，且正常标签、异常标签与特征类型匹配。例如，特征类型为与充值频率特征关联的类型，则异常标签为充值频率异常标签；特征类型为与充值金额特征关联的类型，则异常标签为充值金额异常标签。
52.针对目标号码对应的至少一个充值订单，可以为一个或者多个特征类型存在异常。即，至少一个充值订单对应的n个检测结果，可以为n个检测结果均为充值行为异常，也可以为部分检测结果为充值行为异常、部分检测结果为充值行为正常。在确定最终检测结果时，可以获取充值行为正常的检测结果对应的第一权重、充值行为异常的检测结果对应的第二权重，基于第一权重与第二权重确定最终检测结果。具体为：在第一权重大于第二权重时，确定最终检测结果为充值行为正常，在第一权重小于或者等于第二权重时，确定最终检测结果为充值行为异常。由于至少一个充值订单为初步识别出的异常订单(通过监测规则确定的异常订单)，通过多个充值检测模型的综合检测确定的第一权重通常小于或者等于第二权重，最终检测结果为充值行为异常；当然不完全排除最终检测结果为充值行为正常的情况，本技术实施例对于该情况不做具体说明。
53.在获取充值行为正常的检测结果对应的第一权重时，可以针对检测结果为充值行为正常的至少一个充值检测模型，将其对应的权重进行累加确定第一权重；在获取充值行为异常的检测结果对应的第二权重时，可以针对检测结果为充值行为异常的至少一个充值检测模型，将其对应的权重进行累加确定第二权重。
54.其中，最终检测结果对应的目标异常标签基于至少一个检测结果(充值行为异常)对应的异常标签确定，这里的目标异常标签用于指示异常类型，具体为针对至少一个充值行为异常的检测结果对应的异常标签，根据至少一个检测结果对应的充值检测模型的权重，确定目标异常标签，目标异常标签可以为权重最大的充值检测模型输出的检测结果对应的异常标签。例如，最终检测结果为至少一个充值订单存在充值行为异常，且3个充值检
测模型输出的结果为充值行为异常，3个充值检测模型对应的权重分别为0.3、0.2以及0.25，则将权重为0.3的充值检测模型输出的检测结果对应的异常标签(充值频率异常标签)确定为目标异常标签，此时，目标异常标签用于指示充值频率异常。
55.本技术上述实施过程，通过根据n个检测结果以及n个充值检测模型分别对应的权重，确定最终检测结果，可以基于综合处理保证异常检测的精准性；针对最终检测结果为充值行为异常的情况，通过确定对应的目标异常标签，可以对异常类型进行标识，便于用户了解异常类型。
56.下面对确定目标号码对应的充值限制行为的过程进行介绍。步骤103根据所述最终检测结果确定所述目标号码对应的充值限制行为，包括：
57.根据所述最终检测结果对应的用于指示异常类型的目标异常标签，确定所述目标号码所归属的目标异常名单，并将所述目标号码加入所述目标异常名单；其中，所述目标异常名单中的号码对应的充值限制行为包括以下至少一项：在第一预设时长内的充值次数小于第一阈值、在第二预设时长内的充值金额小于第二阈值、单次充值金额小于第三阈值、在第三预设时长内禁止充值。
58.目标号码对应的至少一个充值订单的最终检测结果对应于一目标异常标签，该目标异常标签用于指示最终检测结果对应的异常类型，根据目标异常标签可以确定目标号码所归属的目标异常名单，在确定目标异常名单之后将目标号码加入目标异常名单中，以实现目标异常名单的更新。
59.针对目标异常名单而言，目标异常名单中的号码对应的充值限制行为可以包括以下几项中的至少一项：在第一预设时长内的充值次数小于第一阈值、在第二预设时长内的充值金额小于第二阈值、单次充值金额小于第三阈值、在第三预设时长内禁止充值。
60.通过限制目标异常名单中的号码在第一预设时长内的充值次数，可以避免目标异常名单中的号码在第一预设时长内频繁充值，这里的第一预设时长为默认时长且可以调整，在调整第一预设时长时、对应的限制次数(即第一阈值)可以适应性调整。例如，第一预设时长为30天，限制目标异常名单中的号码在30天内的充值次数小于3次。
61.通过限制目标异常名单中的号码在第二预设时长内的充值金额，可以避免目标异常名单中的号码在第二预设时长内大额充值。在第二预设时长内的充值金额为总充值金额，第二预设时长为默认时长且可以调整，在调整第二预设时长时、对应的限制总金额(即第二阈值)可以适应性调整。例如，第二预设时长为5天，限制目标异常名单中的号码在5天内的充值总金额小于500元。
62.通过限制目标异常名单中的号码的单次充值金额，可以避免目标异常名单中的号码单次充值大量金额，例如，限制目标异常名单中的号码单次充值金额小于300元。通过限制目标异常名单中的号码在第三预设时长内禁止充值，可以避免目标异常名单中的号码在第三预设时长内的异常充值行为，以做到有效防范。
63.需要说明的是，目标异常标签指示的异常类型不同，充值限制行为包括的具体内容可以有所区别，例如，目标异常标签用于指示充值频率异常，则充值限制行为至少包括在第一预设时长内的充值次数小于第一阈值；或者，目标异常标签用于指示充值金额异常，则充值限制行为至少包括在第二预设时长内的充值金额小于第二阈值，和/或，单次充值金额小于第三阈值。
64.本技术上述实施过程，通过根据最终检测结果对应的用于指示异常类型的目标异常标签，确定目标号码所归属的目标异常名单、将目标号码加入目标异常名单中，可以限制目标号码的充值行为，以有效防范目标号码的异常充值行为。
65.下面通过一实施流程对充值异常检测的过程进行介绍，参见图2所示，包括如下步骤：
66.步骤201、在监测到目标号码对应的至少一个充值订单存在充值行为异常的情况下，根据至少一个充值订单确定多个特征子集。其中，每个特征子集包括当前特征维度下至少一个充值订单分别对应的特征。
67.步骤202、将多个特征子集作为输入参数，输入n个充值检测模型，获取n个充值检测模型分别输出的检测结果。
68.步骤203、将n个检测结果进行综合处理得到最终检测结果。
69.步骤204、根据最终检测结果确定目标号码对应的充值限制行为，并对目标号码进行充值限制。
70.下面对模型训练的过程进行介绍，在本技术一实施例中，该方法还包括：
71.对多个历史充值订单进行数据加工，生成数据库列表，所述多个历史充值订单包括充值行为正常的订单以及充值行为异常的订单；
72.将所述数据库列表中充值行为正常的订单对应的第一特征数据进行过滤，获取充值行为异常的订单对应的第二特征数据；
73.根据所述第二特征数据，确定对应于不同特征类型的n个样本数据集；
74.根据所述n个样本数据集进行模型训练，获取与所述n个样本数据集匹配的所述n个充值检测模型。
75.本技术实施例在进行充值行为异常检测之前，需要获取运营商平台对应的多个历史充值订单，基于历史充值订单进行模型训练，以获取n个对应于不同特征类型的充值检测模型。其中，多个历史充值订单包括充值行为正常的订单以及充值行为异常的订单。
76.在获取多个历史充值订单之后，针对每个历史充值订单进行数据提取，然后对提取出的数据进行加工处理，生成数据库列表。在进行数据提取时，可以提取充值用户的基本属性信息、登录行为、点击行为、网际协议(internet protocol，ip)地址等数据。在通过数据提取获取对应的数据之后进行数据加工，生成数据库列表，数据库列表中包括充值行为正常的订单对应的第一特征数据以及充值行为异常的订单对应的第二特征数据。
77.需要说明的是，在进行数据提取之前可以针对获取的多个历史充值订单进行数据预处理，这里的数据预处理可以包括异常值处理、缺失值处理、标准化处理等，由于数据预处理属于现有流程，这里对此不再详细介绍。
78.在获取数据库列表之后，将数据库列表中充值行为正常的订单对应的第一特征数据进行过滤，以获取充值行为异常的订单对应的第二特征数据，根据第二特征数据，确定对应于不同特征类型的n个样本数据集。根据第二特征数据确定n个样本数据集的过程可以理解为将第二特征数据划分为n个样本数据集的过程。
79.在确定n个样本数据集之后，在根据n个样本数据集进行模型训练，获取与n个样本数据集匹配的所述n个充值检测模型时，包括：针对每个样本数据集，根据所述样本数据集进行模型训练、评估，获取所述样本数据集对应的充值检测模型；其中，每个所述样本数据
集对应于一所述充值检测模型，所述n个充值检测模型相区别，且每个所述充值检测模型对应于一异常充值类型。
80.在基于n个样本数据集进行模型训练时，针对每个样本数据集，根据样本数据集采用对应的方式进行模型训练、评估，以获取与样本数据集匹配的充值检测模型。针对每一个样本数据集可以确定一充值检测模型，由于不同的样本数据集对应于不同的特征类型，因此可以确定n个对应于不同特征类型的充值检测模型，且每个充值检测模型对应于一异常充值类型，这里的异常充值类型与特征类型匹配。
81.本技术上述实施过程，通过获取历史充值订单，基于历史充值订单获取数据库列表，识别出数据库列表中的第一特征数据和第二特征数据之后，基于第二特征数据确定n个样本数据集，根据n个样本数据集确定n个充值检测模型，可以通过多次机器学习确定n个对应于不同特征类型的充值检测模型，以基于n个充值检测模型进行充值异常检测。
82.下面对过滤第一特征数据的过程进行介绍，将所述数据库列表中充值行为正常的订单对应的第一特征数据进行过滤，包括：根据预设规则区分所述数据库列表中的所述第一特征数据和所述第二特征数据；将所述第一特征数据进行过滤、保留所述第二特征数据。
83.针对数据库列表中的数据，可以将满足以下条件中的至少一项的充值订单对应的特征数据确定为第二特征数据：短时间内同一号码对应于多次充值行为、疑似机器模拟充值、同一号码同一金额连续充值、同一号码连续大额充值等。即，本实施例中的预设规则可以为基于上述条件确定的规则，基于预设规则可以区分第一特征数据以及第二特征数据。通过区分第一特征数据和第二特征数据，可以依据第二特征数据进行后续模型训练。
84.需要说明的是，在基于预设规则区分第一特征数据和第二特征数据时，可以针对数据库列表进行特征提取，在完成特征提取之后，可以将同一号码的特征进行汇总，以便于可以基于预设规则区分第一特征数据和第二特征数据。其中，特征提取涉及的相关字段可以包括：充值号码、用户身份标识id、登录号码(下单号码)、登录ip、订单生成时间、订单充值时间、订单状态、订单金额、实际支付金额、充值折扣率、点击时间(毫秒级)、入网时长、当月主套餐档位、归属省份、归属城市、客户端注册时间、当月是否活跃、近一个月充值金额、近三个月充值金额、当月充值金额等。
85.可选地，在根据所述第二特征数据，确定对应于不同特征类型的n个样本数据集时，包括：
86.根据多个特征维度，确定n个特征类型，每个所述特征类型对应于至少一个特征维度；根据所述n个特征类型，将所述第二特征数据划分为所述n个样本数据集。
87.根据多个特征维度确定n个特征类型，每个特征类型对应的一个或者多个特征维度。其中，针对每个历史充值订单而言，其对应于多个特征维度，这里的特征维度可以与上述特征提取涉及的相关字段关联，也可以为预先设定的特征维度。每个历史充值订单可以对应于多个特征子集，每一特征维度可对应于一特征子集，针对充值行为异常的订单，可以为至少一个特征维度的特征数据异常。第二特征数据对应于多个特征子集，每个特征子集中包括多个充值行为异常的订单在当前特征维度下对应的特征数据，每个订单对应的用户信息可以包含在特征数据中。
88.在确定n个特征类型之后，可以根据n个特征类型，将第二特征数据对应的多个特征子集划分为n个样本数据集，每个样本数据集中包括多个充值行为异常的订单在当前特
征类型(对应于至少一个特征维度)下对应的特征数据，且每个样本数据集中可以包括异常特征和正常特征，进而可以在当前特征类型下进行模型训练。
89.其中，在根据多个特征维度，确定n个特征类型时，可以将存在关联的特征维度划分为同一特征类型，例如，将特征维度充值时间以及特征维度充值金额划分为同一特征类型，针对当前特征类型的样本数据集进行模型训练、可以获取用于检测充值金额异常的充值检测模型。需要说明的是，本技术实施例中的充值检测模型可以包括线性模型、xgboost回归预测模型、随机森林模型、逻辑回归模型等。
90.本技术上述实施过程，通过将数据库列表中的第一特征数据和第二特征数据进行区分，在获取第二特征数据之后，根据n个特征类型，将第二特征数据划分为n个样本数据集，可以获取多个充值检测模型。
91.下面通过一实施流程对模型训练的过程进行介绍，参见图3所示，获取多个历史充值订单，对多个历史充值订单进行数据预处理，然后进行数据提取，基于提取出的数据进行数据加工处理，生成数据库列表，获取数据库列表中充值行为异常的订单对应的第二特征数据，根据第二特征数据，确定对应于不同特征类型的n个样本数据集，根据n个样本数据集进行模型训练、评估，获取n个充值检测模型。
92.在本技术一实施例中，在监测到预设触发条件的情况下，根据进行充值异常检测的充值订单对至少一个充值检测模型进行优化和/或训练新充值检测模型。
93.在监测到模型更新条件时，可以根据已经过模型的充值异常检测的多个充值订单和/或初步识别出异常但是未通过模型进行充值异常检测的多个充值订单，进行模型优化，和/或，重新训练新模型。其中，模型更新条件即为预设触发条件，可以是在接收到模型更新指令时确定监测到模型更新条件，和/或，在监测到当前时间符合模型更新条件时确定监测到模型更新条件(如，每24小时进行一次模型更新，当前时刻与上一次更新的时刻间隔24小时)。在进行模型优化时可以对n个充值检测模型中的至少一个进行优化，在训练新充值检测模型时，可以训练至少一个新模型。通过训练新模型，可以不断考虑不同场景下的异常，丰富模型库；通过更新已有模型，可以基于不断迭代进行模型优化。通过重新训练新模型和/或优化已有模型，可以形成长效的充值风控机制。
94.下面通过一整体实施流程对本技术的模型训练、充值异常检测、模型更新的过程进行介绍，参见图4所示，包括：
95.步骤401、获取多个历史充值订单，在进行加工处理后生成数据库列表。
96.步骤402、获取数据库列表中充值行为异常的订单对应的第二特征数据，根据第二特征数据，确定对应于不同特征类型的n个样本数据集。
97.步骤403、根据n个样本数据集进行模型训练、评估，获取n个充值检测模型。
98.步骤404、在监测到目标号码对应的至少一个充值订单存在充值行为异常的情况下，将至少一个充值订单输入n个充值检测模型，获取n个充值检测模型分别输出的检测结果。
99.步骤405、将n个充值检测模型分别输出的检测结果进行综合处理，获取最终检测结果，根据最终检测结果确定目标号码对应的充值限制行为，并对目标号码进行充值限制。
100.步骤406、在监测到预设触发条件的情况下，根据进行充值异常检测的充值订单对至少一个充值检测模型进行优化和/或训练新充值检测模型。
101.上述实施过程，可以训练不同机器学习模型，确保防控不同类型的风险，通过实时在线检测，可以解决检测滞后的问题，通过限制目标号码的充值行为可以做到有效防范，通过丰富优化模型库，可以形成长效的充值风控机制。
102.以上为本技术提供的充值异常检测方法的实施过程，在监测到目标号码对应的至少一个充值订单存在充值行为异常时，将至少一个充值订单输入n个充值检测模型，获取n个充值检测模型分别输出的检测结果，将n个充值检测模型分别输出的检测结果进行综合处理，获取至少一个充值订单对应的最终检测结果，可以在识别到充值行为异常的至少一个充值订单时，由多个充值检测模型进行充值异常检测，确保防控不同类型的风险，通过对多个检测结果进行综合，可以保证异常检测的精准性，且通过模型在线进行异常检测的处理方式，可以以自动化的方式进行在线实时检测，在节约了人力成本的同时，解决了检测滞后性的问题；通过基于最终检测结果确定充值限制行为并对目标号码进行充值限制，可以减少或者避免目标号码的异常充值行为，有效进行风险防范。
103.进一步而言，通过将目标号码加入目标异常名单中，可以限制目标号码的充值行为，以有效防范目标号码的异常充值行为；通过训练新模型，可以不断考虑不同场景下的异常，丰富模型库；通过更新已有模型，可以基于不断迭代进行模型优化；通过重新训练新模型和/或优化已有模型，可以形成长效的充值风控机制。
104.本技术实施例还提供一种充值异常检测装置，参见图5所示，该装置包括：
105.第一获取模块501，用于在监测到目标号码对应的至少一个充值订单存在充值行为异常的情况下，将所述至少一个充值订单输入n个充值检测模型，获取所述n个充值检测模型分别输出的检测结果，n为大于或者等于2的整数，所述n个充值检测模型基于不同特征类型的样本数据训练得到，每个所述充值检测模型对应于一特征类型；
106.第二获取模块502，用于将所述n个充值检测模型分别输出的检测结果进行综合处理，获取所述至少一个充值订单对应的最终检测结果；
107.第一处理模块503，用于根据所述最终检测结果确定所述目标号码对应的充值限制行为，并对所述目标号码进行充值限制。
108.可选地，所述第一获取模块包括：
109.第一确定子模块，用于在监测到所述目标号码对应的单次充值金额满足第一异常条件、所述目标号码在一设定时长内的充值行为满足第二异常条件、所述目标号码对应的充值动作参数满足第三异常条件中的至少一项时，确定所述目标号码对应的至少一个充值订单存在充值行为异常；
110.输入子模块，用于将所述至少一个充值订单对应的订单数据作为输入参数，分别输入所述n个充值检测模型。
111.可选地，所述第二获取模块进一步用于：
112.根据n个所述检测结果以及所述n个充值检测模型分别对应的权重，确定所述最终检测结果；
113.其中，所述最终检测结果对应于一目标异常标签，所述目标异常标签基于至少一个所述检测结果对应的异常标签确定，且所述目标异常标签用于指示异常类型。
114.可选地，所述第一处理模块进一步用于：
115.根据所述最终检测结果对应的用于指示异常类型的目标异常标签，确定所述目标
号码所归属的目标异常名单，并将所述目标号码加入所述目标异常名单；
116.其中，所述目标异常名单中的号码对应的充值限制行为包括以下至少一项：在第一预设时长内的充值次数小于第一阈值、在第二预设时长内的充值金额小于第二阈值、单次充值金额小于第三阈值、在第三预设时长内禁止充值。
117.可选地，所述装置还包括：
118.生成模块，用于对多个历史充值订单进行数据加工，生成数据库列表，所述多个历史充值订单包括充值行为正常的订单以及充值行为异常的订单；
119.第三获取模块，用于将所述数据库列表中充值行为正常的订单对应的第一特征数据进行过滤，获取充值行为异常的订单对应的第二特征数据；
120.确定模块，用于根据所述第二特征数据，确定对应于不同特征类型的n个样本数据集；
121.训练获取模块，用于根据所述n个样本数据集进行模型训练，获取与所述n个样本数据集匹配的所述n个充值检测模型。
122.可选地，所述第三获取模块进一步用于：
123.根据预设规则区分所述数据库列表中的所述第一特征数据和所述第二特征数据；将所述第一特征数据进行过滤、保留所述第二特征数据。
124.可选地，所述确定模块包括：
125.第二确定子模块，用于根据多个特征维度，确定n个特征类型，每个所述特征类型对应于至少一个特征维度；
126.划分子模块，用于根据所述n个特征类型，将所述第二特征数据划分为所述n个样本数据集。
127.可选地，所述训练获取模块进一步用于：
128.针对每个样本数据集，根据所述样本数据集进行模型训练、评估，获取所述样本数据集对应的充值检测模型；
129.其中，每个所述样本数据集对应于一所述充值检测模型，所述n个充值检测模型相区别，且每个所述充值检测模型对应于一异常充值类型。
130.可选地，所述装置还包括：
131.第二处理模块，用于在监测到预设触发条件的情况下，根据进行充值异常检测的充值订单对至少一个充值检测模型进行优化和/或训练新充值检测模型。
132.对于本技术的装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可，这里不再详细阐述。
133.另一方面，本技术实施例还提供了一种电子设备，包括存储器、处理器、总线以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述充值异常检测方法中的步骤。
134.举例如下，图6示出了一种电子设备的实体结构示意图。
135.如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(communications interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，处理器610用于执行以下步骤：在监测到目标号码对应的至少一个充值
订单存在充值行为异常的情况下，将所述至少一个充值订单输入n个充值检测模型，获取所述n个充值检测模型分别输出的检测结果，n为大于或者等于2的整数，所述n个充值检测模型基于不同特征类型的样本数据训练得到，每个所述充值检测模型对应于一特征类型；将所述n个充值检测模型分别输出的检测结果进行综合处理，获取所述至少一个充值订单对应的最终检测结果；根据所述最终检测结果确定所述目标号码对应的充值限制行为，并对所述目标号码进行充值限制。其中，处理器610还可以执行本方案中的其他步骤，这里不再进行一一阐述。
136.此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
137.再一方面，本技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各实施例所提供的充值异常检测方法中的步骤。
138.以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
139.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
140.最后应说明的是：以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。
技术特征：1.一种充值异常检测方法，其特征在于，包括：在监测到目标号码对应的至少一个充值订单存在充值行为异常的情况下，将所述至少一个充值订单输入n个充值检测模型，获取所述n个充值检测模型分别输出的检测结果，n为大于或者等于2的整数，所述n个充值检测模型基于不同特征类型的样本数据训练得到，每个所述充值检测模型对应于一特征类型；将所述n个充值检测模型分别输出的检测结果进行综合处理，获取所述至少一个充值订单对应的最终检测结果；根据所述最终检测结果确定所述目标号码对应的充值限制行为，并对所述目标号码进行充值限制。2.根据权利要求1所述的充值异常检测方法，其特征在于，所述在监测到目标号码对应的至少一个充值订单存在充值行为异常的情况下，将所述至少一个充值订单输入n个充值检测模型，包括：在监测到所述目标号码对应的单次充值金额满足第一异常条件、所述目标号码在一设定时长内的充值行为满足第二异常条件、所述目标号码对应的充值动作参数满足第三异常条件中的至少一项时，确定所述目标号码对应的至少一个充值订单存在充值行为异常；将所述至少一个充值订单对应的订单数据作为输入参数，分别输入所述n个充值检测模型。3.根据权利要求1所述的充值异常检测方法，其特征在于，所述将所述n个充值检测模型分别输出的检测结果进行综合处理，获取所述至少一个充值订单对应的最终检测结果，包括：根据n个所述检测结果以及所述n个充值检测模型分别对应的权重，确定所述最终检测结果；其中，所述最终检测结果对应于一目标异常标签，所述目标异常标签基于至少一个所述检测结果对应的异常标签确定，且所述目标异常标签用于指示异常类型。4.根据权利要求1或3所述的充值异常检测方法，其特征在于，所述根据所述最终检测结果确定所述目标号码对应的充值限制行为，包括：根据所述最终检测结果对应的用于指示异常类型的目标异常标签，确定所述目标号码所归属的目标异常名单，并将所述目标号码加入所述目标异常名单；其中，所述目标异常名单中的号码对应的充值限制行为包括以下至少一项：在第一预设时长内的充值次数小于第一阈值、在第二预设时长内的充值金额小于第二阈值、单次充值金额小于第三阈值、在第三预设时长内禁止充值。5.根据权利要求1所述的充值异常检测方法，其特征在于，所述方法还包括：对多个历史充值订单进行数据加工，生成数据库列表，所述多个历史充值订单包括充值行为正常的订单以及充值行为异常的订单；将所述数据库列表中充值行为正常的订单对应的第一特征数据进行过滤，获取充值行为异常的订单对应的第二特征数据；根据所述第二特征数据，确定对应于不同特征类型的n个样本数据集；根据所述n个样本数据集进行模型训练，获取与所述n个样本数据集匹配的所述n个充值检测模型。
6.根据权利要求5所述的充值异常检测方法，其特征在于，所述将所述数据库列表中充值行为正常的订单对应的第一特征数据进行过滤，包括：根据预设规则区分所述数据库列表中的所述第一特征数据和所述第二特征数据；将所述第一特征数据进行过滤、保留所述第二特征数据。7.根据权利要求5所述的充值异常检测方法，其特征在于，所述根据所述第二特征数据，确定对应于不同特征类型的n个样本数据集，包括：根据多个特征维度，确定n个特征类型，每个所述特征类型对应于至少一个特征维度；根据所述n个特征类型，将所述第二特征数据划分为所述n个样本数据集。8.根据权利要求5所述的充值异常检测方法，其特征在于，所述根据所述n个样本数据集进行模型训练，获取与所述n个样本数据集匹配的所述n个充值检测模型，包括：针对每个样本数据集，根据所述样本数据集进行模型训练、评估，获取所述样本数据集对应的充值检测模型；其中，每个所述样本数据集对应于一所述充值检测模型，所述n个充值检测模型相区别，且每个所述充值检测模型对应于一异常充值类型。9.根据权利要求1或5所述的充值异常检测方法，其特征在于，所述方法还包括：在监测到预设触发条件的情况下，根据进行充值异常检测的充值订单对至少一个充值检测模型进行优化和/或训练新充值检测模型。10.一种充值异常检测装置，其特征在于，包括：第一获取模块，用于在监测到目标号码对应的至少一个充值订单存在充值行为异常的情况下，将所述至少一个充值订单输入n个充值检测模型，获取所述n个充值检测模型分别输出的检测结果，n为大于或者等于2的整数，所述n个充值检测模型基于不同特征类型的样本数据训练得到，每个所述充值检测模型对应于一特征类型；第二获取模块，用于将所述n个充值检测模型分别输出的检测结果进行综合处理，获取所述至少一个充值订单对应的最终检测结果；第一处理模块，用于根据所述最终检测结果确定所述目标号码对应的充值限制行为，并对所述目标号码进行充值限制。11.一种电子设备，其特征在于，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至9任一项所述的充值异常检测方法的步骤。12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至9任一项所述的充值异常检测方法的步骤。
技术总结本申请提供一种充值异常检测方法、装置、电子设备及存储介质，其中，该方法包括：在监测到目标号码的至少一个充值订单存在充值行为异常时，将至少一个充值订单输入N个充值检测模型，获取N个充值检测模型输出的检测结果，N为大于或等于2的整数，N个充值检测模型基于不同特征类型的样本数据确定，每个充值检测模型对应于一特征类型；将N个充值检测模型输出的检测结果进行综合处理，获取最终检测结果；根据最终检测结果确定目标号码对应的充值限制行为，并对目标号码进行充值限制。本申请可以确保防控不同类型的风险以及异常检测的精准性，且可以在节约人力成本的同时，解决了检测滞后的问题，同时可有效进行风险防范。同时可有效进行风险防范。同时可有效进行风险防范。
技术研发人员：力兴龙
受保护的技术使用者：中国电信股份有限公司
技术研发日：2022.06.13
技术公布日：2022/11/1
