1.一种基于AI Knowledge Base的网络欺诈分析方法，其特征在于，应用于大数据安防服务器，所述方法包括：获得触发网络欺诈分析条件的第一在线业务会话大数据，所述第一在线业务会话大数据包含目标异常交互事件；

结合所述第一在线业务会话大数据中的至少部分风险特征知识块的专家决策评分，获得已优化决策评分，并结合所述已优化决策评分对所述第一在线业务会话大数据进行风险特征知识优化操作，获得完成优化的第二在线业务会话大数据，所述第二在线业务会话大数据的特征关系网尺度符合设定要求；

对所述第二在线业务会话大数据进行欺诈倾向分析，获得所述目标异常交互事件对应的欺诈倾向描述向量。

2.根据权利要求1所述的方法，其特征在于，所述结合所述已优化决策评分对所述第一在线业务会话大数据进行风险特征知识优化操作，获得完成优化的第二在线业务会话大数据，包括：依据设定数据信息量和所述第一在线业务会话大数据的信息量占比对所述第一在线业务会话大数据进行知识密度调整，获得第三在线业务会话大数据；以及在确定所述第三在线业务会话大数据的会话数据格式与设定数据格式不配对的基础上，通过所述已优化决策评分对所述第三在线业务会话大数据进行风险特征知识优化操作，获得会话数据格式与所述设定数据格式相配对的、完成优化的所述第二在线业务会话大数据；

或者，

通过所述已优化决策评分对所述第一在线业务会话大数据进行风险特征知识优化操作，获得会话数据格式与所述设定数据格式相配对的、完成优化的第四在线业务会话大数据；以及在确定所述第四在线业务会话大数据的会话数据信息量与所述设定数据信息量不配对的基础上，结合所述设定数据信息量和所述第四在线业务会话大数据的信息量占比对所述第一在线业务会话大数据进行知识密度调整，获得所述第二在线业务会话大数据。

3.根据权利要求1所述的方法，其特征在于，所述设定要求包含以下一项或以上：所述第二在线业务会话大数据的会话数据格式与设定数据格式配对；所述第二在线业务会话大数据的会话数据信息量与设定数据信息量配对。

4.根据权利要求1所述的方法，其特征在于，所述获得触发网络欺诈分析条件的第一在线业务会话大数据，包括：获得触发网络欺诈分析条件的基础在线业务会话大数据，所述基础在线业务会话大数据中包括所述目标异常交互事件；

对所述基础在线业务会话大数据进行会话大数据定向捕捉，确定所述目标异常交互事件所对应的局部业务会话大数据为所述第一在线业务会话大数据。

5.根据权利要求4所述的方法，其特征在于，所述对所述基础在线业务会话大数据进行会话大数据定向捕捉，确定所述目标异常交互事件所对应的局部业务会话大数据为所述第一在线业务会话大数据，包括：对所述基础在线业务会话大数据进行事件欺诈行为偏好挖掘，确定所述目标异常交互事件对应的若干个事件欺诈行为偏好，并结合所述若干个事件欺诈行为偏好中的每个所述事件欺诈行为偏好的第一分布标签，从所述基础在线业务会话大数据中捕捉所述目标异常交互事件对应的所述第一在线业务会话大数据；

对所述基础在线业务会话大数据进行异常交互事件捕捉，确定所述目标异常交互事件对应的窗口化事件捕捉结果，并将所述窗口化事件捕捉结果对应的局部业务会话大数据视为所述第一在线业务会话大数据。

6.根据权利要求1所述的方法，其特征在于，所述基于AI Knowledge Base的网络欺诈分析方法通过已完成调试的AI专家系统模型实现；所述AI专家系统模型为通过携带相同先验注释的不同已认证在线业务会话大数据之间的欺诈倾向挖掘误差确定的欺诈倾向挖掘代价调试获得的。

7.根据权利要求6所述的方法，其特征在于，所述AI专家系统模型的调试包括：

获得若干组已认证在线业务会话大数据；其中，每组已认证在线业务会话大数据中的不同已认证在线业务会话大数据对应的先验注释一致，同一组中不同个已认证在线业务会话大数据中的已认证异常交互事件对应的已认证欺诈倾向描述向量不同；

对于每组已认证在线业务会话大数据，将该组已认证在线业务会话大数据加载到待调试的AI专家系统模型，通过所述待调试的AI专家系统模型对该组已认证在线业务会话大数据中的每个已认证在线业务会话大数据进行处理，确定该组已认证在线业务会话大数据中的每个已认证在线业务会话大数据分别对应的欺诈倾向分析数据；其中，所述欺诈倾向分析数据与欺诈倾向预测向量相对应；

依据每两个已认证在线业务会话大数据对应的欺诈倾向分析数据，确定欺诈倾向挖掘代价；

通过所述每组已认证在线业务会话大数据对应的欺诈倾向挖掘代价，对所述待调试的AI专家系统模型进行循环调试，直到符合调试结束要求，获得调试好的AI专家系统模型。

8.根据权利要求7所述的方法，其特征在于，所述依据每两个已认证在线业务会话大数据对应的欺诈倾向分析数据，确定欺诈倾向挖掘代价，包括：依据每两个已认证在线业务会话大数据对应的欺诈倾向分析数据，确定每两个已认证在线业务会话大数据对应的欺诈倾向挖掘误差；

结合所述每两个已认证在线业务会话大数据对应的欺诈倾向挖掘误差，确定每两个已认证在线业务会话大数据对应的交叉熵模型代价；

依据每两个已认证在线业务会话大数据对应的交叉熵模型代价，确定第一模型代价指标；

利用每组已认证在线业务会话大数据对应的所述第一模型代价指标，确定所述欺诈倾向挖掘代价；

其中，所述利用每组已认证在线业务会话大数据对应的所述第一模型代价指标，确定所述欺诈倾向挖掘代价，包括：基于每个所述已认证在线业务会话大数据对应的欺诈倾向分析数据和每个所述已认证在线业务会话大数据对应的欺诈倾向参考，确定第二模型代价指标；利用每组已认证在线业务会话大数据对应的所述第一模型代价指标和所述第二模型代价指标，确定所述欺诈倾向挖掘代价。

9.根据权利要求7所述的方法，其特征在于，所述获得若干组已认证在线业务会话大数据，包括：

获得已认证基础业务会话大数据；以及对所述已认证基础业务会话大数据分别进行多轮存在差异的特征强化操作，获得多个已认证目标业务会话大数据，将所述已认证基础业务会话大数据和所述多个已认证目标业务会话大数据视为所述一组已认证在线业务会话大数据所包含的多个已认证在线业务会话大数据；所述特征强化操作包括更新所述已认证基础业务会话大数据中已认证异常交互事件的全局分布、更新所述已认证基础业务会话大数据中的已认证异常交互事件的设定事件节点分布中的至少一种；所述设定事件节点包括至少一个；

或者，获得已认证异常交互事件对应的目标会话数据流；以及从所述目标会话数据流中确定若干组已认证在线业务会话大数据，其中，每组已认证在线业务会话大数据包括设定数目的在线业务会话信息，对应于相同已认证在线业务会话大数据簇的各个在线业务会话信息中的已认证异常交互事件对应的先验注释一致；且对应于相同已认证在线业务会话大数据簇的各个在线业务会话信息中的已认证异常交互事件对应的已认证欺诈倾向描述向量不同。

10.一种大数据安防服务器，其特征在于，包括：存储器和处理器；所述存储器和所述处理器耦合；所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令；当所述处理器执行所述计算机指令时，使得所述大数据安防服务器执行如权利要求1‑9中任意一项所述的方法。