1.一种基于关联分析的异常交易识别方法，其特征在于，所述方法包括：S1：收集用户在各个交易平台上的历史正常行为模式数据；

S2：对所述历史正常行为模式数据进行分析，建立跨平台正常行为模式库，具体包括：S201：对所述历史正常行为模式数据进行数据清洗，去除数据中的无关和不准确的部分；

S202：从数据清洗后的历史正常行为模式数据中选择用于区分正常交易与异常交易的代表特征作为交易活动特征；

S203：根据历史正常行为模式数据中的交易活动特征，使用数据挖掘算法，提取出典型交易模式；

S204：结合各个所述典型交易模式，建立所述跨平台正常行为模式库；

S3：获取当前交易数据，所述交易数据由各个交易平台提供；

S4：提取当前交易数据中的交易活动特征；

S5：通过对比当前交易数据中的交易活动特征与跨平台正常行为模式库中的交易活动特征，进行跨平台关联分析，计算当前交易的异常交易指数，具体包括：S501：使用哈明距离，计算当前交易活动中的静态特征和跨平台正常行为模式库中的静态特征之间的相似性；

哈明距离的计算方式为：

（1）

其中， 表示哈明距离，表示两个静态特征x和y之间的差异， 表示二进制序列x中的第i个元素， 表示二进制序列y中的第i个元素， 表示指示函数，指示函数的作用是对比两个序列在对应位置的字符或比特是否相同，不相同则加1，相同则加0，g表示字符串的长度；

S502：使用余弦相似度，计算当前交易活动中的动态特征和跨平台正常行为模式库中的动态特征之间的相似性；

余弦相似度的计算公式为：

（2）

（3）

其中， 表示当前交易活动中的动态特征与历史正常行为模式中的动态特征之间的余弦相似度，A表示当前交易活动中的动态特征，B表示历史正常行为模式中的动态特征， 表示模， 表示当前交易活动中的第i个动态特征， 表示历史正常行为模式中的第i个动态特征，n表示特征总数量；

S503：结合各个静态特征和动态特征的相似性，计算当前交易活动的匹配得分：（4）

其中， 表示第j个交易活动的匹配得分， 表示第j个交易活动的特征， 表示正常行为模式库中对应活动的特征， 表示第i个特征的权重，n表示特征总数量；

S504：对各个当前交易活动的匹配得分进行加权平均，得到当前交易的所述异常交易指数：（5）

其中，S表示当前交易的异常交易指数， 表示第j个交易活动的匹配得分， 表示第j个交易活动的重要性权重， 表示正常行为模式的标签， 表示正常行为模式，表示异常行为模式，m表示交易活动总数；

S6：判断所述异常交易指数是否小于预设异常交易指数；若是，将当前交易初步标记为正常交易，进入下一步；否则，将当前交易标记为异常交易，并对当前交易进行人工审核；

S7：将初步标记为正常交易的交易数据所对应的交易活动特征转化为综合特征向量；

S8：将所述综合特征向量输入至卷积神经网络，输出交易识别结果；以交叉熵损失函数作为所述卷积神经网络的损失函数；通过改进的Adam优化器对所述卷积神经网络进行优化，直至所述交叉熵损失函数的函数值小于预设函数值；

S9：在所述交易识别结果为异常交易的情况下，对当前交易进行人工审核；在所述交易识别结果为正常交易的情况下，将当前交易发生的行为数据存入所述跨平台正常行为模式库。

2.根据权利要求1所述的一种基于关联分析的异常交易识别方法，其特征在于，所述S1具体为：从各个交易平台的交易记录中收集所述历史正常行为模式数据，历史正常行为模式数据是指在特定系统中，通过长期收集和分析正常用户行为的数据。

3.根据权利要求1所述的一种基于关联分析的异常交易识别方法，其特征在于，所述S202中用于区分正常交易与异常交易的代表特征包括：静态特征和动态特征；

所述静态特征包括用户ID、设备信息、交易账户信息以及支付方式；

所述动态特征包括交易金额、交易时间、交易频率以及支付密码输入次数。

4.根据权利要求1所述的一种基于关联分析的异常交易识别方法，其特征在于，所述S7具体包括：S701：使用One‑Hot编码的方式，将初步标记为正常交易的交易数据所对应的交易活动特征中的静态特征转化为第一特征向量；

S702：使用标准化和归一化处理的方式，将初步标记为正常交易的交易数据所对应的交易活动特征中的动态特征化为第二特征向量；

S703：对所述第一特征向量以及所述第二特征向量进行特征拼接，得到所述综合特征向量。

5.根据权利要求1所述的一种基于关联分析的异常交易识别方法，其特征在于，所述卷积神经网络具体包括：将所述综合特征向量转化为目标特征图；

使用1x1的卷积核，对所述目标特征图进行卷积操作，生成第一特征图；

使用深度卷积技术，对所述目标特征图进行卷积操作，生成第二特征图；

将所述第一特征图以及所述第二特征图沿通道维度串联拼接；

对串联拼接后的特征图进行池化操作；

通过ReLU激活函数，对池化操作后的特征图进行激活；

以激活后的特征图作为输入，利用DFC注意力机制，通过深度卷积神经网络的全连接层分别处理特征图的行和列；

通过将处理后的特征图中每个位置与对应水平和垂直方向的邻域进行加权求和，生成注意力图；

根据所述注意力图，通过Softmax函数输出所述交易识别结果。

6.根据权利要求1所述的基于关联分析的异常交易识别方法，其特征在于，所述交易识别结果具体包括：异常交易和正常交易。

7.根据权利要求1所述的基于关联分析的异常交易识别方法，其特征在于，所述改进的Adam优化器具体包括：首先，初始化参数，包括，初始权重 、学习率 、一阶矩衰减率 、二阶矩衰减率 ，常数 ；

计算一阶矩和二阶矩：

（6）

（7）

其中， 表示第t次迭代中第i个参数的一阶矩， 表示一阶矩衰减率， 表示第t‑1次迭代中第i个参数的一阶矩， 表示第i个参数的梯度， 表示t次迭代中第i个参数的二阶矩， 表示二阶矩衰减率， 表示t‑1次迭代中第i个参数的二阶矩， 表示梯度的平方；

对一阶矩和二阶矩进行校正：

（8）

（9）

其中， 是第i个参数的偏置校正后的一阶矩， 是一阶矩衰减率， 是第i个参数的偏置校正后的二阶矩， 是二阶矩衰减率；

引入自适应学习函数，利用偏置校正后的矩和自适应学习函数来更新参数：（10）

（11）

其中， 是第t+1次迭代时第i个参数的更新值， 是第t次迭代时第i个参数的更新值， 是当前的学习率， 是常数， 是自适应学习函数， 是伸缩系数，λ是敏感度系数，t是当前步数；

持续进行以上步骤，直到达到预设的训练轮次或损失收敛，每一次迭代都会更新参数，并根据训练的进度调整学习率。

8.一种基于关联分析的异常交易识别系统，其特征在于，包括：处理器；

存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现如权利要求1至7中任一项所述的基于关联分析的异常交易识别方法。