欺诈团伙或平台不断更新欺诈手段,在线欺诈检测模型若仅应对新欺诈概念不断进行训练,难以识别重现的旧欺诈概念;若训练全局数据,时耗巨大且存在滞后性。目前解决重现概念漂移的方法受限于模型自身结构和训练任务,缺乏普适性。反欺诈工作依然面临着严峻的挑战,针对上述问题,本文展开深入研究,主要工作有以下三点:首先,针对机器学习模型在动态增量学习时,对重现概念发生灾难性遗忘,而且数据重放方法难以提前确定重放数据量。提出了一种基于数据重放方法的增量学习模型,包括历史小类边界数据重放算法和选择合适的重放量算法。前者证明了对重放数据的选取位置从历史小类边界开始,在面对重现概念时,相同的重放量,本文提出的方法遗忘率更低。后者在无先验知识的情况下,通过模糊重放序列,能提前刻画重放数据量的范围且保证较低的重放次数。实验表明,此模型可以有效降低分类器对重现概念的遗忘率;同时,不仅不影响新任务的学习,而且不受具体分类器的限制。然后,在线交易欺诈手段呈现日新月异的变化趋势,导致传统欺诈检测模型分类精度下降,无法保证模型的泛化能力。解决此问题重点在于使得分类器能同时适应新旧欺诈概念,充分学习足够多的欺诈特征。提出了在线交易中检测欺诈概念的数据重放方法,以分类器性能变化确定概念漂移时刻,对比重放欺诈概念数据后的数据分布与当前已知的数据分布之间的余弦相似度确定重放数据量,尽可能多的保留出现过的欺诈概念的数据分布;并且利用聚类过采样方法平衡数据集,解决类内不平衡问题。实验表明,利用单个分类器能适应突变型和重现型概念漂移,具有更高的平均准确率,更低的重放数据量和模型更新时间。最后,设计并实现了欺诈概念漂移检测子系统。系统中对国内某商业银行B2C信用卡交易数据进行数据流的批处理后,进行欺诈概念漂移检测。通过重放数据对样例池进行更新和维护,进而对欺诈检测分类器进行更新,可视化概念漂移点,以及重放数据前后的系统指标变化,对交易数据进行拦截或放行。该系统不仅可检测重现欺诈交易,还可以帮助风控人员进行重现欺诈手段分析。综上,在交易数据流中发生重现概念漂移的背景下,如何使得欺诈检测分类器在适应新欺诈概念的同时,又能保证对历史欺诈概念的记忆,针对此问题,本文从重放数据的角度,提出了基于数据重放方法的增量学习模型和在线交易中检测欺诈概念漂移的数据重放方法,设计并实现了欺诈概念漂移检测子系统。经过实验和系统验证,本文提出的模型在在线交易欺诈的重现概念漂移检测领域具有重要的理论价值和应用价值。