[發明專利]一種數據異常檢測方法與裝置

在審

• 申請號: 201911317683.2
• 申請日: 2019-12-19
• 公開（公告）號: CN111126622A
• 公開（公告）日: 2020-05-08
• 發明（設計）人: 臧大衛
• 申請（專利權）人: 中國銀聯股份有限公司
• 主分類號: G06N20/00
• 分類號: G06N20/00;G06N3/04;G06N3/08;G06Q40/04
• 代理公司: 北京同達信恒知識產權代理有限公司 11291
• 代理人: 王春波

1.一種數據異常檢測方法，其特征在于，包括：

獲取待測對象的檢測樣本數據；

根據所述檢測樣本數據，確定所述待測對象對應于第一機器學習模型的第一檢測特征值，以及對應于規則算法的第二檢測特征值，所述規則算法中包含至少一個判斷邏輯；

將所述第一機器學習模型對應的第一檢測特征值輸入已訓練的機器學習模型，得到所述待測對象的第一輸出向量，并且將所述規則算法對應的第二檢測特征值輸入所述規則算法中，得到所述待測對象的第二輸出向量；

將所述第一輸出向量和第二輸出向量輸入已訓練的第二機器學習模型，確定所述待測對象的輸出風險指數；

根據所述輸出風險指數，確定所述待測對象的異常判定結果。

2.如權利要求1所述的方法，其特征在于，所述第二輸出向量包含至少一個輸出標識；所述將所述待測對象的第二檢測特征值輸入所述規則算法中，得到所述待測對象的第二輸出向量，包括：

確定判定結果與輸出標識的對應關系；

針對所述規則算法中的每一個判斷邏輯，利用對應的第二檢測特征值，根據所述判斷邏輯進行判定，得到對應的判定結果，并根據所述判定結果確定對應的輸出標識；

按照預定順序將所有輸出標識組成所述第二輸出向量。

3.如權利要求1所述的方法，其特征在于，所述第一機器學習模型為神經網絡模型，所述第二機器學習模型為邏輯回歸模型。

4.如權利要求3所述的方法，其特征在于，所述神經網絡模型利用以下方式進行訓練：

獲取歷史時間段內的訓練樣本數據；

根據所述訓練樣本數據，選擇訓練對象對應于所述神經網絡模型的第一訓練特征，并確定第一訓練特征對應的第一訓練特征值；

將所述第一訓練特征值輸入初始神經網絡模型，并根據得到的機器風險指數及所述訓練對象的異常判定結果計算損失函數，當所述損失函數小于預設閾值時，確定對應的第一參數為所述神經網絡模型對應的第一參數，得到已訓練的神經網絡模型；

所述邏輯回歸模型利用以下方式進行訓練：

從所述已訓練的神經網絡模型中獲取訓練對象的第一輸出向量；

根據所述訓練樣本數據，選擇訓練對象對應于所述規則算法的第二訓練特征，并確定第二訓練特征對應的第二訓練特征值；

將第二訓練特征值輸入所述規則算法中，得到所述訓練對象的第二輸出向量；

將所述第一輸出向量和所述第二輸出向量輸入初始邏輯回歸模型，并根據得到的輸出風險指數及所述訓練對象的異常判定結果計算損失函數，當所述損失函數小于預設閾值時，確定對應的第二參數為所述邏輯回歸模型對應的第二參數，得到已訓練的邏輯回歸模型。

5.如權利要求3所述的方法，其特征在于，所述神經網絡模型和所述邏輯回歸模型利用以下方式進行訓練：

獲取歷史時間段內的訓練樣本數據；

根據所述訓練樣本數據，選擇訓練對象對應于所述神經網絡模型的第一訓練特征，并確定第一訓練特征對應的第一訓練特征值；

將所述第一訓練特征值輸入初始神經網絡模型，得到所述訓練對象的第一輸出向量；

根據所述訓練樣本數據，選擇訓練對象對應于所述規則算法的第二訓練特征，并確定第二訓練特征對應的第二訓練特征值；

將第二訓練特征值輸入所述規則算法中，得到所述訓練對象的第二輸出向量；

將所述第一輸出向量和所述第二輸出向量輸入初始邏輯回歸模型，并根據得到的輸出風險指數及所述訓練對象的異常判定結果計算損失函數，當所述損失函數小于預設閾值時，確定對應的第一參數為所述神經網絡模型對應的第一參數，得到已訓練的神經網絡模型，并確定對應的第二參數為所述邏輯回歸模型對應的第二參數，得到已訓練的邏輯回歸模型。

6.如權利要求1所述的方法，其特征在于，所述第一機器學習模型包括多個不同的機器學習子模型。