1.一种VAE‑SAGAN模型训练方法，其特征在于，包括：

获取多个第一欺诈样本作为第一训练集；其中，所述第一欺诈样本为交易时发生的欺诈行为所对应的数据；

将所述第一训练集输入预训VAE‑SAGAN模型进行训练，训练过程如下：步骤S121，将各个第一欺诈样本输入到所述预训VAE‑SAGAN模型，触发所述预训VAE‑SAGAN模型的变分自编码器基于自注意力机制分别将接收到的各个第一欺诈样本映射到低维潜在空间以获得对应的潜在变量并分别对各个潜在变量进行重构，获得每个所述第一欺诈样本对应的第一重构欺诈样本；

步骤S122，获取每个第一欺诈样本与对应的第一重构欺诈样本之间的重构损失值，以及获取所述预训VAE‑SAGAN模型的判别器判别每个第一欺诈样本与对应的第一重构欺诈样本之间的对抗损失值；

步骤S123，将每个第一欺诈样本对应的重构损失值与对抗损失值之和作为总损失值；

步骤S124，基于各个总损失值调整所述预训VAE‑SAGAN模型的参数，并重复执行步骤S121至步骤S124，直至各个所述总损失值均收敛，和/或，直至迭代预设次数，则将当前的预训VAE‑SAGAN模型作为目标VAE‑SAGAN模型。

2.根据权利要求1所述的方法，其特征在于，所述获取多个第一欺诈样本作为第一训练集，包括：获取多个第一原始欺诈样本；其中，所述第一原始欺诈样本为交易时发生的欺诈行为所对应的数据；

利用DBSCAN算法去除所述多个第一原始欺诈样本中的重叠样本和噪声样本，获得多个第一欺诈样本；

将多个第一欺诈样本作为第一训练集。

3.根据权利要求1所述的方法，其特征在于，所述获取每个第一欺诈样本与对应的第一重构欺诈样本之间的重构损失值，包括：基于各个第一欺诈样本和对应的第一重构欺诈样本，计算每个第一欺诈样本与对应的第一重构欺诈样本之间的重构损失值，公式如下：Lossrecon＝binary_crossentropy(xinput,xrecon)其中，Lossrecon为重构损失值，xinput为第一欺诈样本，xrecon为第一重构欺诈样本。

4.根据权利要求1所述的方法，其特征在于，所述获取所述预训VAE‑SAGAN模型的判别器判别每个第一欺诈样本与对应的第一重构欺诈样本之间的对抗损失值，包括：获取所述预训VAE‑SAGAN模型的判别器对第一欺诈样本的第一判别结果，以及获取判别器对第一重构欺诈样本的第二判别结果；

基于各个第一判别结果与对应的第二判别结果，计算判别器判别每个第一欺诈样本与对应的第一重构欺诈样本之间的对抗损失值，公式如下：其中，LossWGAN为对抗损失值，D(xinput)为第一判别结果，D(xrecon)为第二判别结果。

5.一种欺诈检测模型的训练方法，其特征在于，包括：

获取多个第二欺诈样本和获取多个正常交易样本作为第二训练集；其中，所述第二欺诈样本和所述正常交易样本的数量在第二训练集中占比平衡；所述第二欺诈样本为交易时发生的欺诈行为所对应的数据，正常交易样本为正常交易时的行为所对应的数据；

将所述第二训练集输入到预训欺诈检测模型中进行训练，获得训练完成的目标欺诈检测模型。

6.根据权利要求5所述的方法，其特征在于，所述获取多个第二欺诈样本，包括：获取多个第二原始欺诈样本；其中，所述第二原始欺诈样本为交易时发生的欺诈行为所对应的数据；

将各个第二原始欺诈样本输入到如权利要求1所述的目标VAE‑SAGAN模型，获得各个第二原始欺诈样本对应的第二重构欺诈样本；

将各个第二重构欺诈样本作为新的第二原始欺诈样本输入至所述目标VAE‑SAGAN模型，获得新的第二重构欺诈样本，直至所有第二原始欺诈样本与所有第二重构欺诈样本的数量之和与正常交易样本的数量在第二训练集内占比平衡；

将所述第二原始欺诈样本和所述第二重构欺诈样本均作为第二欺诈样本，以获得多个第二欺诈样本。

7.根据权利要求6所述的方法，其特征在于，所述获取多个第二原始欺诈样本，包括：获取多个第三原始欺诈样本；其中，所述第三原始欺诈样本为交易时发生的欺诈行为所对应的数据；

利用DBSCAN算法去除所述多个第三原始欺诈样本中的重叠样本和噪声样本，获得多个第二原始欺诈样本；

所述获取多个正常交易样本，包括：

获取多个原始正常交易样本；其中，所述原始正常交易样本为正常交易时的行为所对应的数据；

利用DBSCAN算法去除所述多个原始正常交易样本中的重叠样本和噪声样本，获得多个正常交易样本。

8.根据权利要求5所述的方法，其特征在于，所述预训欺诈检测模型包括支持向量机、梯度提升树或深度神经网络。

9.一种VAE‑SAGAN模型训练系统，其特征在于，包括：

第一获取模块，用于获取多个第一欺诈样本作为第一训练集；其中，所述第一欺诈样本为交易时发生的欺诈行为所对应的数据；

第一训练模块，用于将所述第一训练集输入预训VAE‑SAGAN模型进行训练；所述第一训练模块包括重构单元、第一损失值单元、第二损失值单元和结束单元；

所述重构单元，用于将各个第一欺诈样本输入到所述预训VAE‑SAGAN模型，触发所述预训VAE‑SAGAN模型的变分自编码器基于自注意力机制分别将接收到的各个第一欺诈样本映射到低维潜在空间以获得对应的潜在变量并分别对各个潜在变量进行重构，获得每个所述第一欺诈样本对应的第一重构欺诈样本；

所述第一损失值单元，用于获取每个第一欺诈样本与对应的第一重构欺诈样本之间的重构损失值，以及获取所述预训VAE‑SAGAN模型的判别器判别每个第一欺诈样本与对应的第一重构欺诈样本之间的对抗损失值；

第二损失值单元，用于将每个第一欺诈样本对应的重构损失值与对抗损失值之和作为总损失值；

所述结束单元，用于基于各个总损失值调整所述预训VAE‑SAGAN模型的参数，并重复执行重构单元、第一损失值单元、第二损失值单元和结束单元对应的步骤，直至各个所述总损失值均收敛，和/或，直至迭代预设次数，则将当前的预训VAE‑SAGAN模型作为目标VAE‑SAGAN模型。

10.一种欺诈检测模型的训练系统，其特征在于，包括：

第二获取模块，用于获取多个第二欺诈样本和获取多个正常交易样本作为第二训练集；其中，所述第二欺诈样本和所述正常交易样本的数量在第二训练集中占比平衡；所述第二欺诈样本为交易时发生的欺诈行为所对应的数据，正常交易样本为正常交易时的行为所对应的数据；

第二训练模块，用于将所述第二训练集输入到预训欺诈检测模型中进行训练，获得训练完成的目标欺诈检测模型。