本发明涉及网络安全，尤其涉及一种异常行为识别方法、装置、终端设备以及存储介质。
背景技术：
1、目前的积分商城存在以下营销策略：根据用户消费的金额，每月给用户相应比例的积分，用户可以在积分商城用积分兑换相应的产品，由此可以提高用户的体验和归属感。但是当前一些商户通过专业的外呼公司利用积分快过期或免费兑换等话术，获取用户的验证码，替用户下单兑换一些溢价较高的商品，严重损害了用户的合法权益。
2、现有的处理方法是：对每笔交易进行规则判断，根据判断结果决定是否进行拦截，例如针对违规外呼的交易可使用规则“同商户同设备过去24小时内关联的手机号个数超过10次”，即可拒绝对第11次同商户同设备进行交易行为。
3、但是现有的处理方法过于依赖业务经验，难以发现隐藏风险点，导致风险防控的准确率不高。
技术实现思路
1、本发明的主要目的在于提供一种异常行为识别方法、装置、终端设备以及存储介质，旨在解决目前处理违规交易的方法过于依赖业务经验，难以发现隐藏风险点，导致风险防控的准确率不高的问题。
2、为实现上述目的，本发明提供一种异常行为识别方法，所述方法包括：
3、基于预先获取的商户特征、用户特征、交易特征和代客下单历史结果构建特征样本集；
4、基于所述特征样本集并结合预先获取的模型构建得到代客下单异常识别模型。
5、可选地，所述基于预先获取的商户特征、用户特征、交易特征和代客下单历史结果构建特征样本集的步骤包括：
6、对所述预先获取的商户特征、用户特征、交易特征和代客下单历史结果进行特征预处理，得到所述特征样本集。
7、可选地，所述基于所述特征样本集并结合预先获取的模型构建得到代客下单异常识别模型的步骤之后包括：
8、基于所述代客下单异常识别模型确定代客下单的原商户；
9、基于所述代客下单的原商户、与所述原商户关联的法人和/或股东构建得到关联图谱模型。
10、可选地，所述基于所述代客下单的原商户、与所述原商户关联的法人和/或股东构建得到关联图谱模型的步骤之后包括：
11、当交易发生时，获取交易数据；
12、将所述交易数据输入所述代客下单异常识别模型，得到所述交易的风险评分；
13、结合所述关联图谱模型和预设的评分条件对与所述交易相关的原商户进行评分，得到所述原商户的风险评分；
14、基于所述交易的风险评分和所述原商户的风险评分，得到最终交易风险评分。
15、可选地，所述结合所述关联图谱模型和预设的评分条件对所述积分商城的原商户进行评分，得到所述原商户的风险评分的步骤包括：
16、若所述原商户的代客下单行为距离所述交易发生的时间间隔小于或等于预设时间间隔，则将所述原商户的风险评分设置为s1；
17、若与所述原商户关联的法人和/或股东存在其他关联的第二商户，并且所述第二商户的代客下单行为距离所述交易发生的时间间隔小于或等于所述预设时间间隔，则将所述原商户的风险评分设置为s2；
18、若所述原商户的代客下单行为距离所述交易发生的时间间隔大于所述预设时间间隔，则将所述原商户的风险评分设置为s3；
19、若所述第二商户的代客下单行为距离所述交易发生的时间间隔大于所述预设时间间隔，则将所述原商户的风险评分设置为s4；
20、若所述原商户没有出现过代客下单行为，则将所述原商户的风险评分设置为0；
21、其中，s1>s2>s3>s4。
22、可选地，所述基于所述交易的风险评分和原商户的风险评分，得到最终交易风险评分的步骤之后包括：
23、基于所述最终交易风险评分对对应的所述原商户配置不同的风险策略。
24、可选地，所述风险策略包括：人脸识别、客服密码识别、直接阻断中的至少一项。
25、可选地，所述基于预先获取的商户特征、用户特征、交易特征和代客下单历史结果构建特征样本集的步骤之前包括：
26、对宽深模型进行改进，得到改进后的宽深模型。
27、所述基于所述特征样本集并结合预先获取的模型构建得到代客下单异常识别模型的步骤包括：
28、基于所述特征样本集并结合所述改进后的宽深模型构建得到所述代客下单异常识别模型。
29、可选地，所述宽深模型包括深度神经网络模型，所述深度神经网络模型包括低维嵌入层和全连接层，所述对宽深模型进行改进，得到改进后的宽深模型的步骤包括：
30、在所述低维嵌入层和所述全连接层之间添加特征域内特征组合单元和特征域间特征组合单元；
31、通过所述特征域内特征组合单元中的激活函数对所述低维嵌入层输出的特征向量进行特征组合，得到特征域内组合后的低维特征向量；
32、将不同特征域的特征域内组合后的低维特征向量进行跨域组合，得到特征域间组合后的稠密向量；
33、将所述特征域间组合后的稠密向量输入所述全连接层。
34、可选地，所述将不同特征域的特征域内组合后的低维特征向量进行跨域组合，得到特征域间组合后的稠密向量的步骤包括：
35、将所述不同特征域的特征域内组合后的输出的低维特征向量进行两两组合；
36、将两两组合后的低维特征向量进行横向拼接，得到所述特征域间组合后的稠密向量。
37、可选地，所述方法应用于积分商城，所述商户特征包括商家的法人和/或股东信息、交易投诉量、商品交易信息、页面埋点数据中的至少一项，所述用户特征包括用户在所述积分商城的全生命周期数据、用户登录和交易的时间差、用户的行为类数据信息、用户的基本信息中的至少一项，所述交易特征包括商品的价格信息、商品物流信息、交易时间信息、交易地域信息、异地交易信息中的至少一项。
38、本发明实施例还提出一种异常行为识别装置，所述装置包括：
39、样本集构建模块，用于基于预先获取的商户特征、用户特征、交易特征和代客下单历史结果构建特征样本集；
40、模型构建模块，用于基于所述特征样本集并结合预先获取的模型构建得到代客下单异常识别模型。
41、本发明实施例还提出一种终端设备，所述终端设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的异常行为识别程序，所述异常行为识别程序被所述处理器执行时实现如上所述的异常行为识别方法。
42、本发明实施例还提出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有异常行为识别程序，所述异常行为识别程序被处理器执行时实现如上所述的异常行为识别方法。
43、本发明实施例提出的异常行为识别方法、装置、终端设备以及存储介质，基于预先获取的商户特征、用户特征、交易特征和代客下单历史结果构建特征样本集；基于所述特征样本集并结合预先获取的模型构建得到代客下单异常识别模型。本发明实施例基于商户特征、用户特征、交易特征和代客下单历史结果构建特征样本集，基于全面和多样化的特征样本集并结合预先获取的模型能够提升构建得到的代客下单异常识别模型的识别准确性，从而提升风险防控准确率。
1.一种异常行为识别方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述基于预先获取的商户特征、用户特征、交易特征和代客下单历史结果构建特征样本集的步骤包括：
3.根据权利要求1所述的方法，其特征在于，所述基于所述特征样本集并结合预先获取的模型构建得到代客下单异常识别模型的步骤之后包括：
4.根据权利要求3所述的方法，其特征在于，所述基于所述代客下单的原商户、与所述原商户关联的法人和/或股东构建得到关联图谱模型的步骤之后包括：
5.根据权利要求4所述的方法，其特征在于，所述结合所述关联图谱模型和预设的评分条件对所述积分商城的原商户进行评分，得到所述原商户的风险评分的步骤包括：
6.根据权利要求4所述的方法，其特征在于，所述基于所述交易的风险评分和原商户的风险评分，得到最终交易风险评分的步骤之后包括：
7.根据权利要求6所述的方法，其特征在于，所述风险策略包括：人脸识别、客服密码识别、直接阻断中的至少一项。
8.根据权利要求1所述的方法，其特征在于，所述基于预先获取的商户特征、用户特征、交易特征和代客下单历史结果构建特征样本集的步骤之前包括：
9.根据权利要求8所述的方法，其特征在于，所述宽深模型包括深度神经网络模型，所述深度神经网络模型包括低维嵌入层和全连接层，所述对宽深模型进行改进，得到改进后的宽深模型的步骤包括：
10.根据权利要求9所述的方法，其特征在于，所述将不同特征域的特征域内组合后的低维特征向量进行跨域组合，得到特征域间组合后的稠密向量的步骤包括：
11.根据权利要求1-10中任一项所述的方法，其特征在于，所述方法应用于积分商城，所述商户特征包括商家的法人和/或股东信息、交易投诉量、商品交易信息、页面埋点数据中的至少一项，所述用户特征包括用户在所述积分商城的全生命周期数据、用户登录和交易的时间差、用户的行为类数据信息、用户的基本信息中的至少一项，所述交易特征包括商品的价格信息、商品物流信息、交易时间信息、交易地域信息、异地交易信息中的至少一项。
12.一种异常行为识别装置，其特征在于，所述装置包括：
13.一种异常行为识别终端设备，其特征在于，所述异常行为识别终端设备包括存储器、处理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1-11中任一项所述的异常行为识别方法。
14.一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有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-11中任一项所述的异常行为识别方法。
