[發明專利]一種異常檢測模型更新方法、裝置及電子設備

在審

• 申請號: 201911087913.0
• 申請日: 2019-11-08
• 公開（公告）號: CN110909327A
• 公開（公告）日: 2020-03-24
• 發明（設計）人: 劉磊
• 申請（專利權）人: 支付寶（杭州）信息技術有限公司
• 主分類號: G06F21/31
• 分類號: G06F21/31;G06K9/62
• 代理公司: 北京國昊天誠知識產權代理有限公司 11315
• 代理人: 許振新

1.一種異常檢測模型更新方法，包括：

獲取目標用戶的終端設備采集到的用戶時序行為特征；

將所述用戶時序行為特征輸入至針對所述目標用戶部署的異常檢測模型，得到所述異常檢測模型針對所述用戶時序行為特征的異常檢測結果，其中，所述異常檢測模型是基于所述目標用戶在至少一個終端設備中的歷史用戶行為時序特征和對應的標簽所訓練得到的，所述標簽包括用戶行為異常和用戶行為非異常；

若所述異常檢測結果指示為用戶行為非異常，則基于所述用戶行為時序特征和用戶行為非異常的標簽對所述異常檢測模型進行迭代訓練。

2.根據權利要求1所述的方法，還包括：

若所述異常檢測結果指示用戶行為異常，則控制所述終端設備發起用戶身份認證；

若所述用戶身份認證通過，則基于所述用戶行為時序特征和用戶行為非異常的標簽對所述異常檢測模型進行迭代訓練；

若所述用戶身份認證不通過，則基于所述用戶時序行為特征和用戶行為異常的標簽對所述異常檢測模型進行迭代訓練。

3.根據權利要求2所述的方法，

所述用戶身份認證采用以下至少一者認證方式：

生物認證、密碼認證、USB密鑰認證。

4.根據權利要求1-3中任一項所述的方法，

基于所述用戶行為時序特征對所述異常檢測模型進行訓練，包括：

將所述用戶行為時序特征作為所述異常檢測模型的訓練數據添置至訓練數據集；

在預設的訓練條件觸發時，基于所述訓練數據集，對所述異常檢測模型進行訓練；

其中，所述訓練條件觸發包括以下至少一者：

所述訓練數據集增量的訓練數據達到預設閾值；

到達所述異常檢測模型的預設訓練周期。

5.根據權利要求1-3中任一項所述的方法，

基于所述用戶行為時序特征和用戶行為非異常的標簽對所述異常檢測模型進行迭代訓練，包括：

分別基于所述用戶行為時序特征和用戶行為非異常的標簽，以及歷史用戶行為時序特征和歷史用戶行為時序特征所對應的標簽，對所述異常檢測模型進行訓練，其中，訓練使用的歷史用戶行為時序特征不多于所述用戶行為時序特征。

6.根據權利要求1-3中任一項所述的方法，

所述用戶時序行為特征是所述終端設備基于預設置的關聯算法，對具有時序關系的至少兩個用戶行為特征進行計算所獲得的；

所述至少兩個用戶行為特征是所述終端設備基于所述異常檢測模型匹配的特征提取方式，對采集到的用戶行為數據進行特征提取所獲得的。

7.一種異常檢測模型更新更新裝置，包括：

特征獲取模塊，獲取目標用戶的終端設備采集到的用戶時序行為特征；

異常檢測模塊，將所述用戶時序行為特征輸入至針對所述目標用戶部署的異常檢測模型，得到所述異常檢測模型針對所述用戶時序行為特征的異常檢測結果，其中，所述異常檢測模型是基于所述目標用戶在至少一個終端設備中的歷史用戶行為時序特征和對應的標簽所訓練得到的，所述標簽包括用戶行為異常和用戶行為非異常；

模型訓練模塊，若所述異常檢測結果指示為用戶行為非異常時，則基于所述用戶行為時序特征和用戶行為非異常的標簽對所述異常檢測模型進行迭代訓練。

8.一種服務器，包括：

特征獲取設備，獲取目標用戶的終端設備采集到的用戶時序行為特征；

異常檢測設備，將所述用戶時序行為特征輸入至針對所述目標用戶部署的異常檢測模型，得到所述異常檢測模型針對所述用戶時序行為特征的異常檢測結果，其中，所述異常檢測模型是基于所述目標用戶在至少一個終端設備中的歷史用戶行為時序特征和對應的標簽所訓練得到的，所述標簽包括用戶行為異常和用戶行為非異常；

模型訓練設備，若所述異常檢測結果指示為用戶行為非異常時，則基于所述用戶行為時序特征和用戶行為非異常的標簽對所述異常檢測模型進行迭代訓練。