| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究背景与研究意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 基于社交网络分析欺诈检测研究现状 | 第10-11页 |
| 1.2.2 基于数据挖掘的欺诈检测研究现状 | 第11页 |
| 1.2.3 研究现状概述 | 第11-12页 |
| 1.3 本文研究内容及创新点 | 第12-13页 |
| 1.4 章节安排 | 第13-16页 |
| 2 元胞自动机系统分析 | 第16-28页 |
| 2.1 元胞自动机简述 | 第16-20页 |
| 2.1.1 元胞自动机起源与发展 | 第16页 |
| 2.1.2 元胞自动机的定义 | 第16-17页 |
| 2.1.3 元胞自动机组成 | 第17-20页 |
| 2.1.4 标准元胞自动机的局限性 | 第20页 |
| 2.2 不规则元胞学习自动机 | 第20-24页 |
| 2.2.1 学习自动机 | 第20-21页 |
| 2.2.2 不规则元胞自动机 | 第21-22页 |
| 2.2.3 不规则元胞学习自动机 | 第22-24页 |
| 2.2.4 不规则元胞学习自动机的特点 | 第24页 |
| 2.3 元胞自动机相关应用 | 第24-25页 |
| 2.4 本章小结 | 第25-28页 |
| 3 不规则元胞学习自动机欺诈团伙检测模型 | 第28-44页 |
| 3.1 不规则元胞学习自动机欺诈检测模型可行性 | 第28页 |
| 3.2 不规则元胞学习自动机检测模型相关要素 | 第28-38页 |
| 3.2.1 元胞与元胞空间 | 第29-30页 |
| 3.2.2 邻域 | 第30-32页 |
| 3.2.3 元胞状态集合 | 第32页 |
| 3.2.4 本地规则 | 第32-37页 |
| 3.2.5 学习自动机组件 | 第37-38页 |
| 3.3 模型工作原理 | 第38-42页 |
| 3.3.1 元胞状态的表示 | 第38-39页 |
| 3.3.2 模型收敛判断 | 第39-40页 |
| 3.3.3 学习性能评价 | 第40页 |
| 3.3.4 模型工作流程 | 第40-42页 |
| 3.4 本章小结 | 第42-44页 |
| 4 并行 FD_ICLA 欺诈检测模型的设计与实现 | 第44-58页 |
| 4.1 并行 FD_ICLA 检测模型 | 第44-45页 |
| 4.2 并行检测算法设计 | 第45-53页 |
| 4.2.1 交易图的 K 划分 | 第46-49页 |
| 4.2.2 基于图划分的 FD_ICLA 并行检测算法 | 第49-53页 |
| 4.3 模型可视化实现 | 第53-57页 |
| 4.4 本章小结 | 第57-58页 |
| 5 基于真实交易数据的欺诈检测模型评估 | 第58-74页 |
| 5.1 数据集介绍 | 第58-64页 |
| 5.1.1 数据集结构 | 第58-59页 |
| 5.1.2 数据采集模块 | 第59-61页 |
| 5.1.3 实验数据集及黑白名单 | 第61-64页 |
| 5.2 模型检测效果及分析 | 第64-72页 |
| 5.2.1 检测结果展示 | 第64-67页 |
| 5.2.2 模型检测效果评估 | 第67-69页 |
| 5.2.3 模型参数敏感度测试 | 第69-71页 |
| 5.2.4 模型检测效果实验总结 | 第71-72页 |
| 5.3 模型时间性能测试及分析 | 第72页 |
| 5.4 本章小结 | 第72-74页 |
| 6 结论与展望 | 第74-78页 |
| 6.1 论文工作总结 | 第74-75页 |
| 6.2 研究展望 | 第75-78页 |
| 致谢 | 第78-80页 |
| 参考文献 | 第80-84页 |
| 附录 | 第84页 |
| A. 作者在攻读硕士学位期间发表的论文目录 | 第84页 |
| B. 作者在攻读硕士学位期间参与的科研项目 | 第84页 |