1概述

隨著互聯網的普及以及網上證券交易系統功能的不斷豐富、完善和使用的便利性，網上交易正成為證券投資者交易的主流模式，據統計，證券經營機構網上交易業務的交易量已經占到總交易量的80%以上，網上證券交易系統已經成為證券公司交易系統的重要組成部分。另一方面，隨著互聯網應用的普及，針對網上證券交易的安全事件日益增多。

“盜買盜賣”惡意行為、“證券大盜”等病毒木馬給投資者和證券公司帶來經濟損失的同時，也影響到網上證券交易市場的長遠發展，如何提升網上證券交易系統的安全性，已成為證券行業關注的熱點。

2網上證券交易面臨的問題和分析

2.1網上證券交易面臨的安全問題

在當前信息技術日新月異、電子商務高速發展、資本市場規模不斷擴大、業務創新層出不窮的前提下，證券業的信息系統變得越來越龐大和復雜。在行業信息化建設過程中，信息安全的各個環節都暴露了一些亟待解決的問題。

互聯網應用的快速發展，促使攻擊事件變得越來越普及，網絡犯罪活動已經從最初的個人惡意攻擊行為，轉變成目標明確，有組織、有分工的職業化行為。危及網上證券交易安全的病毒、木馬、釣魚、竊取、篡改等攻擊手段層出不窮，大部分網上證券交易的用戶安全防范意識不高，對于可能盜取用戶口令的攻擊手段沒有任何防范能力。這些問題極大地影響了證券交易體系的安全性。同時，以盈利為目的的黑色產業鏈，正促使這種局面愈加惡劣。

如近期集中爆發的網絡釣魚事件，更是給廣大的網上用戶，直接帶來了巨大的經濟損失。因此，維護網絡安全成為了證券業信息化建設的重要工作。

網上證券交易系統的安全可以分為賬戶安全和系統安全。保護賬戶安全是指保護個人賬戶的賬戶/密碼、資金、交易行為等信息的機密性，不被他人竊取或監聽；保護系統安全是指保護網上證券交易系統，使之不受合法賬戶的非法交易行為的影響。

分析證券交易中的異常行為，有針對性地提出安全信息系統的解決方案，是保障網上證券交易系統安全、可靠運行的有效途徑。

2.2網上證券交易異常行為定義和分析

證券交易中的異常行為主要表現在用戶在買賣股票、債券或資金劃轉過程中出現的異常舉動。根據《上海證券交易所證券異常交易實時監控指引》對證券交易異常行為的歸類和定義，基本包括以下幾種異常交易類別：高買低賣利益傳送、資金頻繁存取、長期閑置賬戶頻繁異動、大量委托或查詢請求、虛假申報、短線操縱、連續集中交易等。

1)高買低賣利益傳送

證券交易盜買盜賣行為，通常是通過頻繁交易國債或企業債品種，利用債券T+0交易、無漲跌停、且交投不活躍的特點，通過高買低賣方式，實現利益輸送。此類異常行為一般在市場整體交投不活躍、投資者不經常查看賬戶狀態的情況下進行，降低了被投資者及時發現的可能。

2)長期閑置賬戶頻繁異動

長期閑置的賬戶突然發生異常波動，包括頻繁登錄、頻繁交易，或無交易頻繁轉賬等，都可以視為疑似異常行為。如，正常交易日無交易賬戶資金劃轉每天發生3次以上，或者無交易賬戶資金劃轉每天發生1次，且持續發生3天以上，出現接近于大額現金交易標準的現金收付的交易行為。

3)大量委托或查詢請求

攻擊者通過利用多個賬戶發送大量無效的委托或查詢請求（如失敗委托或不可能成交委托），攻擊證券公司的交易系統。交易系統需要對委托、查詢訂單進行處理，勢必會占用券商交易系統和交易所撮合系統的資源，也會影響到其他用戶的正常交易行為。

除上面介紹的異常行為外，虛假申報、短線操縱、連續集中交易等也嚴重影響了網上證券交易的政策秩序，需要及時發現并予以控制。

但是，網上證券交易的異常行為是在不斷變化的，很難僅憑借現有的行為特征予以識別和防范，還需要不斷了解新的異常行為，并作出反應。本文提出了一種基于數據挖掘的異常行為分析方式，它通過收集交易行為數據，利用挖掘算法，對數據進行清理、降維、歸納、模式識別、結果分析與評價，不斷豐富異常行為數據庫，從而實現對網上證券異常交易行為的及時預警。

3基于數據挖掘的證券交易異常行為分析

3.1數據挖掘的概念及方法

數據挖掘常特指數據庫數據挖掘（KnowledgeDiscoveryinDatabase），按照Fayyad的定義，“KDD是從數據集中識別出有效的、新穎的、潛在有用的，以及最終可理解的模式的非平凡過程”[1]。

數據挖掘的過程大體分為三個階段：數據準備、數據挖掘以及結果的解釋評估，可以參見圖1中給出的多處理階段過程模型。

1)數據準備

數據準備包括數據選取（Selection）、數據預處理（Preprocessing）和數據變換（Transformation）等工作。數據選取用來確定發現任務的操作對象，即目標數據（TargetData），根據用戶的需要從原始數據中抽取一部分數據。數據預處理把目標數據處理成便于挖掘的形式，一般包括去噪聲、缺值數據處理、消除重復記錄以及數據類型的轉換等操作。

2)數據挖掘

數據挖掘首先確定挖掘的任務，如分類、聚類、關聯規則發現，或序列模式發現等。然后選擇采用哪種挖掘算法，算法的選擇主要基于兩點考慮：一是針對數據本身的特點，采取相應的算法挖掘；二是針對用戶的需求（是獲取顯式的規則還是抽象的模型等）采取相應的算法挖掘。數據挖掘階段是數據挖掘過程的核心，目前的大多數研究也都是針對挖掘算法展開的。