[發明專利]一種基于人工智能的流量作弊識別方法、裝置、電子設備

有效

• 申請號: 202010183209.1
• 申請日: 2020-03-16
• 公開（公告）號: CN111401447B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 余意
• 申請（專利權）人: 騰訊云計算（北京）有限責任公司
• 主分類號: G06F18/2415
• 分類號: G06F18/2415;G06F18/241;G06F18/214;G06N3/088;G06N3/09;G06N3/0455
• 代理公司: 北京派特恩知識產權代理有限公司 11270
• 代理人: 王姍姍;張穎玲

1.一種基于人工智能的流量作弊識別方法，其特征在于，所述方法包括：

通過非作弊流量樣本對無監督識別模型進行訓練處理，得到訓練后的無監督識別模型；

根據所述訓練后的無監督識別模型對待識別流量樣本的進行重構處理，得到對應所述待識別流量樣本的重構流量；

當所述對應所述待識別流量樣本的重構流量滿足作弊流量條件時，將所述待識別流量樣本確定為作弊流量樣本；

通過所述非作弊流量樣本以及所述作弊流量樣本，對有監督識別模型進行訓練處理，得到訓練后的有監督識別模型；

通過所述訓練后的有監督識別模型對待識別流量進行識別處理，得到所述待識別流量屬于作弊流量的概率。

2.根據權利要求1所述的方法，其特征在于，所述通過非作弊流量樣本對無監督識別模型進行訓練處理，得到訓練后的無監督識別模型，包括：

通過所述無監督識別模型對所述非作弊流量樣本進行編碼處理，得到所述非作弊流量樣本的隱向量；

通過所述無監督識別模型對所述非作弊流量樣本的隱向量進行解碼處理，得到對應所述非作弊流量樣本的重構流量；

基于所述非作弊樣本、以及所述對應所述非作弊樣本的重構流量，構建所述無監督識別模型的損失函數；

更新所述無監督識別模型的參數直至所述損失函數收斂，將所述損失函數收斂時更新得到的參數，作為訓練后的所述無監督識別模型的參數。

3.根據權利要求2所述的方法，其特征在于，所述通過所述無監督識別模型對所述非作弊流量樣本進行編碼處理，得到所述非作弊流量樣本的隱向量，包括：

對所述非作弊流量樣本與噪聲進行融合處理，得到融合特征；

通過所述無監督識別模型對所述融合特征進行編碼處理，得到所述非作弊流量樣本的隱向量；

所述基于所述非作弊流量樣本、以及所述對應所述非作弊流量樣本的重構流量，構建所述無監督識別模型的損失函數，包括：

確定基于所述非作弊流量樣本、與所述對應所述非作弊流量樣本的重構流量的差值，并

將所述差值的2-范數確定為所述無監督識別模型的損失函數。

4.根據權利要求2所述的方法，其特征在于，所述根據所述訓練后的無監督識別模型對待識別流量樣本的進行重構處理，得到對應所述待識別流量樣本的重構流量，包括：

通過所述訓練后的無監督識別模型對所述待識別流量樣本進行編碼處理，得到所述待識別流量樣本的隱向量；

通過所述訓練后的無監督識別模型對所述待識別流量樣本的隱向量進行解碼處理，得到對應所述待識別流量樣本的重構流量。

5.根據權利要求4所述的方法，其特征在于，所述當所述對應所述待識別流量樣本的重構流量滿足作弊流量條件時，將所述待識別流量樣本確定為作弊流量樣本，包括：

當所述待識別流量樣本、與所述對應所述待識別流量樣本的重構流量的差異大于重構差異閾值時，將所述待識別流量樣本確定為作弊流量樣本。

6.根據權利要求2所述的方法，其特征在于，所述構建所述無監督識別模型的損失函數之前，還包括：

通過所述無監督識別模型對所述對應所述非作弊流量樣本的重構流量進行編碼處理，得到所述重構流量的隱向量；

所述基于所述非作弊流量樣本、與所述對應所述非作弊流量樣本的重構流量，構建所述無監督識別模型的損失函數，包括：

基于所述非作弊流量樣本、所述非作弊流量樣本的隱向量、所述對應所述非作弊流量樣本的重構流量以及所述重構流量的隱向量，構建所述無監督識別模型的損失函數。