[發(fā)明專利]一種異常操作行為的檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201811180634.4
• 申請(qǐng)日: 2018-10-09
• 公開（公告）號(hào): CN109345260B
• 公開（公告）日: 2021-11-30
• 發(fā)明（設(shè)計(jì)）人: 郭豪;孫善萍;王文剛;蔡準(zhǔn);孫悅;郭曉鵬
• 申請(qǐng)（專利權(quán)）人: 北京芯盾時(shí)代科技有限公司
• 主分類號(hào): G06Q20/40
• 分類號(hào): G06Q20/40
• 代理公司: 北京超凡志成知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11371
• 代理人: 徐麗

1.一種異常操作行為的檢測(cè)方法，其特征在于，包括：

獲取多個(gè)樣本用戶在發(fā)生目標(biāo)歷史操作行為的采樣時(shí)刻和在所述采樣時(shí)刻之前的預(yù)設(shè)歷史時(shí)間段內(nèi)的目標(biāo)歷史操作行為信息，以及指示每個(gè)樣本用戶在所述采樣時(shí)刻是否發(fā)生異常行為的標(biāo)簽信息；

針對(duì)每個(gè)樣本用戶，根據(jù)獲取的所述目標(biāo)歷史操作行為信息，生成該樣本用戶在每種操作類型下的行為特征向量序列以及發(fā)生目標(biāo)歷史操作行為的時(shí)間間隔序列；所述行為特征向量序列包括多個(gè)第一行為特征向量，不同的第一行為特征向量為在不同時(shí)刻發(fā)生的目標(biāo)歷史操作行為所對(duì)應(yīng)的特征向量；

基于所述樣本用戶在每種操作類型下的行為特征向量序列和所述時(shí)間間隔序列、以及所述標(biāo)簽信息，進(jìn)行異常檢測(cè)模型訓(xùn)練，得到所述異常檢測(cè)模型；所述異常檢測(cè)模型用于檢測(cè)待測(cè)用戶的目標(biāo)操作行為的異常風(fēng)險(xiǎn)概率；

所述方法包括：

在檢測(cè)到待測(cè)用戶發(fā)生目標(biāo)操作行為后，獲取所述待測(cè)用戶在最近預(yù)設(shè)時(shí)間段內(nèi)的目標(biāo)操作行為信息；

根據(jù)所述目標(biāo)操作行為信息，生成所述待測(cè)用戶在多種操作類型下，與每種操作類型分別對(duì)應(yīng)的待測(cè)行為特征向量序列以及待測(cè)時(shí)間間隔序列；所述待測(cè)行為特征向量序列包括多個(gè)待測(cè)行為特征向量，不同的待測(cè)行為特征向量為在不同時(shí)刻發(fā)生的目標(biāo)操作行為所對(duì)應(yīng)的特征向量；

將所述待測(cè)行為特征向量序列以及所述待測(cè)時(shí)間間隔序列輸入至所述異常檢測(cè)模型中，獲取所述待測(cè)用戶的目標(biāo)操作行為的異常風(fēng)險(xiǎn)概率；

所述方法還包括：

檢測(cè)所述風(fēng)險(xiǎn)概率是否達(dá)到待測(cè)用戶發(fā)生目標(biāo)操作行為時(shí)對(duì)應(yīng)的預(yù)設(shè)風(fēng)險(xiǎn)閾值；

當(dāng)所述風(fēng)險(xiǎn)概率達(dá)到待測(cè)用戶的目標(biāo)操作行為對(duì)應(yīng)的預(yù)設(shè)風(fēng)險(xiǎn)閾值，攔截待測(cè)用戶的目標(biāo)操作行為；

當(dāng)所述風(fēng)險(xiǎn)概率未達(dá)到待測(cè)用戶的目標(biāo)操作行為對(duì)應(yīng)的預(yù)設(shè)風(fēng)險(xiǎn)閾值，允許執(zhí)行待測(cè)用戶的目標(biāo)操作行為；

所述基于所述樣本用戶在每種操作類型下的行為特征向量序列和所述時(shí)間間隔序列、以及所述標(biāo)簽信息，進(jìn)行異常檢測(cè)模型訓(xùn)練，包括：

針對(duì)每個(gè)樣本用戶，將該樣本用戶在每種操作類型下的行為特征向量序列以及所述時(shí)間間隔序列，輸入至循環(huán)神經(jīng)網(wǎng)絡(luò)中，得到與該操作類型對(duì)應(yīng)的第二行為特征向量；

將各個(gè)操作類型對(duì)應(yīng)的第二行為特征向量進(jìn)行拼接后，輸入至分類神經(jīng)網(wǎng)絡(luò)，獲取與該樣本用戶在采樣時(shí)刻的異常風(fēng)險(xiǎn)概率；

基于所述異常風(fēng)險(xiǎn)概率和所述標(biāo)簽信息，對(duì)所述循環(huán)神經(jīng)網(wǎng)絡(luò)以及所述分類神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到所述異常檢測(cè)模型；

所述循環(huán)神經(jīng)網(wǎng)絡(luò)包括：轉(zhuǎn)換層以及編碼層；

所述得到與該操作類型對(duì)應(yīng)的第二行為特征向量包括：

將各個(gè)操作類型對(duì)應(yīng)的行為特征向量序列輸入至所述轉(zhuǎn)換層，通過(guò)所述轉(zhuǎn)換層將所述行為特征向量序列中的各個(gè)第一行為特征向量進(jìn)行標(biāo)準(zhǔn)化轉(zhuǎn)換，得到樣本用戶每次發(fā)生操作行為時(shí)的行為轉(zhuǎn)換向量；

針對(duì)各個(gè)操作類型下的時(shí)間間隔序列，將所述時(shí)間間隔序列中樣本用戶每次發(fā)生操作行為時(shí)的時(shí)間間隔以及所述行為轉(zhuǎn)換向量輸入至所述編碼層進(jìn)行編碼，生成與各個(gè)操作類型對(duì)應(yīng)的第二行為特征向量。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述轉(zhuǎn)換層包括對(duì)應(yīng)各個(gè)操作類型的轉(zhuǎn)換矩陣；

將所述行為特征向量序列中的各個(gè)第一行為特征向量進(jìn)行標(biāo)準(zhǔn)化轉(zhuǎn)換，生成各個(gè)操作類型下，樣本用戶每次發(fā)生操作行為時(shí)的行為轉(zhuǎn)換向量，包括：

在各個(gè)操作類型下，將各個(gè)第一行為特征向量分別與所述轉(zhuǎn)換矩陣相乘，生成各個(gè)操作類型下，樣本用戶每次發(fā)生操作行為時(shí)的行為轉(zhuǎn)換向量；

其中，對(duì)所述循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的時(shí)候，對(duì)所述循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行參數(shù)調(diào)整，針對(duì)所述轉(zhuǎn)換層，調(diào)整所述轉(zhuǎn)換矩陣的各個(gè)元素值。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述獲取所述待測(cè)用戶的目標(biāo)操作行為的異常風(fēng)險(xiǎn)概率包括：

將每個(gè)操作類型對(duì)應(yīng)的待測(cè)行為特征向量序列以及所述待測(cè)時(shí)間間隔序列輸入至循環(huán)神經(jīng)網(wǎng)絡(luò)，得到在每個(gè)操作類型下的第三行為特征向量；

將各個(gè)操作類型對(duì)應(yīng)的第三行為特征向量進(jìn)行拼接后，輸入至分類神經(jīng)網(wǎng)絡(luò)中，獲取所述待測(cè)用戶的目標(biāo)操作行為的異常風(fēng)險(xiǎn)概率。