[發明專利]移動廣告點擊欺詐檢測方法、系統、終端及介質

有效

• 申請號: 202110488455.2
• 申請日: 2021-05-06
• 公開（公告）號: CN113191809B
• 公開（公告）日: 2022-08-09
• 發明（設計）人: 朱浩瑾;祝童;孟巖
• 申請（專利權）人: 上海交通大學
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06Q30/00;G06K9/62
• 代理公司: 上海恒慧知識產權代理事務所(特殊普通合伙) 31317
• 代理人: 張寧展

1.一種移動廣告點擊欺詐檢測方法，其特征在于，包括：

獲取應用程序中針對廣告的點擊事件的坐標及觸發條件，并以此為根節點，通過基于靜態檢測的后向程序切片方法，構建關于點擊事件的坐標以及觸發條件的數據依賴圖；

遍歷所述數據依賴圖，構建針對每一次點擊事件的特征向量，并且利用良性樣本的特征向量訓練分類模型；

將待檢測的特征向量輸入訓練好的所述分類模型，生成重構向量，并利用交叉熵算法計算重構向量與待檢測的特征向量之間的重構誤差，篩選出疑似點擊欺詐的點擊事件。

2.根據權利要求1所述的移動廣告點擊欺詐檢測方法，其特征在于，所述針對廣告的點擊事件的坐標，包括：針對廣告的點擊事件的x坐標與y坐標；

所述針對廣告的點擊事件的觸發條件，包括：針對廣告的點擊事件的控制流上的所有的條件表達式；

所述數據依賴圖，包括：用于表示數據流和數據流之間的依賴關系的根節點和子節點；其中：

將每一個點擊事件的x坐標與y坐標作為一個根節點，同時，將通過運算并形成該根節點的數據作為該根節點的子節點；

將每一個位于點擊事件的控制流上的條件表達式作為一個根節點，同時，將通過運算并形成該根節點的數據作為該根節點的子節點。

3.根據權利要求2所述的移動廣告點擊欺詐檢測方法，其特征在于，所述通過基于靜態檢測的后向程序切片方法，構建關于點擊事件的坐標以及觸發條件的數據依賴圖，包括：

將數據分為常量、函數返回值、變量和點擊事件所在函數的參數，基于應用程序的過程間控制流圖、聲明-使用鏈和使用-聲明鏈，針對所述坐標及觸發條件進行后向的程序切片；其中：

對于常量部分，直接回溯該部分聲明位置并將該部分加入數據依賴圖中，同時，在兩個具有數據依賴關系的節點之間添加一條邊；

對于函數返回值部分：

-如果為系統API，直接回溯該部分聲明位置并將該部分加入數據依賴圖中；

-如果為自定義函數，回溯該部分聲明位置并在該函數體內遞歸后向程序切片方法以獲取該函數返回值的完整的數據依賴圖，并將該數據依賴圖作為最終數據依賴圖的子圖；最后在兩個具有數據依賴關系的節點之間添加一條邊；

對于變量部分，將該部分加入數據依賴圖，遞歸回溯該部分的前繼節點并將該部分加入數據依賴圖，同時，在兩個具有數據依賴關系的節點之間添加一條邊；

對于點擊事件所在函數的參數部分，回溯該所在函數被實際調用的位置并將該所在函數的參數的實際值加入數據依賴圖中，同時，對該所在函數的參數的前繼節點遞歸后向程序切片方法，最后在兩個具有數據依賴關系的節點之間添加一條邊。

4.根據權利要求3所述的移動廣告點擊欺詐檢測方法，其特征在于，所述使用-聲明鏈主要由一個變量的使用點以及該變量的所有定義點組成，所述定義點與所述使用點之間沒有任何其他中間定義；

所述聲明-使用鏈主要由一個變量的聲明點和這個變量所有的使用點構成，所述使用點與所述聲明點之間沒有任何其他中間定義。

5.根據權利要求1所述的移動廣告點擊欺詐檢測方法，其特征在于，所述利用良性樣本的特征向量訓練分類模型，采用one class classification算法，包括：

在模型訓練階段，僅使用帶有一種標簽的數據對所述分類模型進行訓練，使所述分類模型在隱空間中學習得到帶有該標簽樣本的特征；和/或

所述分類模型采用變分自編碼器。

6.根據權利要求1所述的動廣告點擊欺詐檢測方法，其特征在于，所述利用交叉熵算法計算重構向量與待檢測的特征向量之間的重構誤差，篩選出疑似點擊欺詐的點擊事件，包括：

所述交叉熵算法如下所示：

其中，l(θ，φ)表示重構向量與待檢測的特征向量之間的重構誤差，E表示期望值，q_θ(z|x)表示高斯分布，θ表示編碼器的偏差與權重，x表示編碼器的輸入，z表示編碼器的輸出，z是隱向量空間，φ表示解碼器的偏差與權重，p_φ(x|z)表示解碼器；

基于現有的數據集遍歷重構誤差，找出使準確率最高的重構誤差并將其設定為閾值，篩選出疑似點擊欺詐的點擊事件。