[發明專利]一種異常行為預測方法和裝置

有效

• 申請號: 202110285550.2
• 申請日: 2021-03-17
• 公開（公告）號: CN112995195B
• 公開（公告）日: 2023-01-31
• 發明（設計）人: 張偉坤;徐翰隆;肖新光
• 申請（專利權）人: 北京安天網絡安全技術有限公司
• 主分類號: H04L41/147
• 分類號: H04L41/147
• 代理公司: 北京格允知識產權代理有限公司 11609
• 代理人: 張沫

1.一種異常行為預測方法，其特征在于，包括：

獲取用戶的樣本數據；其中，所述樣本數據包括預設時長的歷史行為數據；

對所述樣本數據進行均值運算，得到對應所述樣本數據的均值；

對所述樣本數據進行標準差運算，得到對應所述樣本數據的標準差；

對所述樣本數據進行標準誤差運算，得到對應所述樣本數據的標準誤差；

根據預設的置信度、所述均值、所述標準差和所述標準誤差進行運算，獲得對應所述樣本數據的置信區間；

對所述樣本數據進行分解，得到時間參數；其中，所述時間參數用于表征所述樣本數據按照時間序列的變化規律；

根據所述時間參數，確定目標回歸模型；其中，所述目標回歸模型中包含添加有周期長度和季節長度的置信區間；

利用所述目標回歸模型對所述用戶的當前行為數據進行預測，以獲得對應所述當前行為數據的預測結果；

判斷所述當前行為數據是否符合所述預測結果；

如果否，則確定所述當前行為數據為異常行為；

所述對所述樣本數據進行分解，得到時間參數，包括：

對所述樣本數據按照季節因素進行分解，并根據分解后的樣本數據確定第一時間參數；

對所述樣本數據按照周期因素進行分解，并根據分解后的樣本數據確定第二時間參數。

2.根據權利要求1所述的方法，其特征在于，所述根據所述時間參數，確定目標回歸模型，包括：

創建自回歸移動平均模型；

將所述第一時間參數確定為所述自回歸移動平均模型的移動平均階數；

將所述第二時間參數確定為所述自回歸移動平均模型的自回歸參數；

根據所述移動平均階數和所述自回歸參數，確定所述目標回歸模型。

3.根據權利要求1所述的方法，其特征在于，所述利用所述目標回歸模型對所述用戶的當前行為數據進行預測，包括：

確定獲取所述用戶的當前行為數據的時間為預測時間；

利用所述目標回歸模型對所述樣本數據在所述預測時間時的行為數據進行預測。

4.根據權利要求1至3中任一所述的方法，其特征在于，在所述確定所述當前行為數據為異常行為之后，進一步包括：

根據預設規則對確定為異常行為的當前行為數據進行分析，確定發生異常行為的原因；

根據所述發生異常行為的原因生成告警信息，并將所述告警信息發送至所述用戶；其中，所述告警信息用于指示所述當前行為數據已確定為異常行為以及所述發生異常行為的原因。

5.一種異常行為預測裝置，其特征在于，包括：

獲取模塊，用于獲取用戶的樣本數據；其中，樣本數據包括預設時長的歷史行為數據；

運算模塊，用于執行如下操作：對樣本數據進行均值運算，得到對應樣本數據的均值；對樣本數據進行標準差運算，得到對應樣本數據的標準差；對樣本數據進行標準誤差運算，得到對應樣本數據的標準誤差；根據預設的置信度、均值、標準差和標準誤差進行運算，獲得對應樣本數據的置信區間；

分解模塊，用于對由所述獲取模塊所獲取的所述樣本數據進行分解，得到時間參數；其中，所述時間參數用于表征所述樣本數據按照時間序列的變化規律；

模型確定模塊，用于根據由所述分解模塊所得到的所述時間參數，確定目標回歸模型；其中，所述目標回歸模型中包含添加有周期長度和季節長度的置信區間；

預測模塊，用于利用由所述模型確定模塊所確定的所述目標回歸模型對所述用戶的當前行為數據進行預測，以獲得對應所述當前行為數據的預測結果；

判斷模塊，用于判斷由所述獲取模塊所獲取的當前行為數據是否符合由所述預測模塊所獲得的所述預測結果，如果否，則確定所述當前行為數據為異常行為；

所述分解模塊，還用于執行如下操作：

對所述樣本數據按照季節因素進行分解，并根據分解后的樣本數據確定第一時間參數；

對所述樣本數據按照周期因素進行分解，并根據分解后的樣本數據確定第二時間參數。