[發明專利]一種服務器

有效

• 申請號: 202210157835.2
• 申請日: 2022-02-21
• 公開（公告）號: CN114490779B
• 公開（公告）日: 2022-11-04
• 發明（設計）人: 張凱倫;王有玉;王殿勝;唐紅武;薄滿輝;張軍濤
• 申請（專利權）人: 中航信移動科技有限公司
• 主分類號: G06F16/2455
• 分類號: G06F16/2455;G06F16/25;G06F16/28;G06F16/9537;G06K9/62
• 代理公司: 北京鍾維聯合知識產權代理有限公司 11579
• 代理人: 安娜

1.一種服務器，其特征在于，包括：

數據采集與存儲模塊，用于獲取客戶端發送的用戶數據并進行存儲，每一所述用戶數據均具有對應的時間戳和標識信息；

第一分析模塊，用于從所述數據采集與存儲模塊獲取第一類數據，并根據所述第一類數據確定每一標識信息對應的第一異常值；所述第一類數據為時間戳對應時間早于第一時間的用戶數據；所述第一時間根據當前時間確定；

第一分析模塊采用LightGBM構建離線特征判研模型，提取多數據源數據中的離線特征并進行離線特征判研，得出第一異常值，第一分析模塊使用的第一類數據為歷史數據；構建離線特征判研模型過程為：通過hive計算引擎進行特征計算，形成各業務的特征表；通過feature_importance在模型中進行特征選取，同時針對不同業務，每隔一段時間則基于樣本池進行訓練，訓練出各業務使用的lightGBM模型，并存儲為pkl文件在hdfs中；針對前一日的數據，輸入至訓練好的以pkl為載體的模型中，將得出對應的異常分數并輸出；

第二分析模塊，用于根據接收到的目標標識，從所述數據采集與存儲模塊持續獲取目標標識對應第二類數據，并將所述第二類數據添加至數據集合中；以及根據所述數據集合確定所述目標標識對應的第二異常值；所述第二類數據為時間戳對應時間晚于第二時間且標識信息與目標標識相同的用戶數據，所述第一時間早于所述第二時間，所述第二時間根據當前時間確定；

第二分析模塊采用GBDT+LR構建準實時特征判研模型，基于Spark Streaming提取多數據源數據中不同業務域的小時級別的特征并進行準實時特征判研，得出第二異常值；GBDT+LR構建準實時特征判研模型過程為：使用離線數據集模仿流式數據，以n秒、n小時為時間滑窗進行特征統計；在已有的統計特征基礎上，利用GBDT多次迭代，最終產生有效的特征組合與篩選，輸出離散的特征向量；將特征以one-hot形式傳入LR線性分類器進行加權預測；通過kafka將模型判研分數輸出，業務方通過攔截系統針對不同業務的特點進行攔截模式的選擇；第三分析模塊，用于根據接收到的目標標識，從所述數據采集與存儲模塊持續獲取目標標識對應實時數據，并根據所述實時數據確定所述目標標識對應的第三異常值；

第三分析模塊采用實時流計算模型，基于設置于數據采集與存儲模塊中的實時流引擎Flink進行實時計算，接入kafka數據后，進行數據清洗與實時風險指標計算，得出第三異常值；

融合模塊，用于根據接收到的第一控制指令中的業務類型，確定目標融合函數，以及獲取目標標識對應的第一異常值、第二異常值和第三異常值中的至少二者作為待融合分值，并根據所述目標融合函數和所述待融合分值生成第四異常值，其中，目標標識存儲于第一控制指令內；

攔截模塊，用于根據接收到的第二控制指令中的目標標識，獲取目標標識對應的第一異常值、第二異常值、第三異常值和第四異常值作為目標分值，并根據所述目標分值確定對所述目標標識對應的請求信息的目標攔截函數；以及執行所述目標攔截函數。

2.根據權利要求1所述的服務器，其特征在于，所述服務器還包括：

結果驗證模塊，所述結果驗證模塊用于獲取已分析請求集合P，并根據所述已分析請求集合，繪制出第一結果驗證圖、第二結果驗證圖和第三結果驗證圖；所述第一結果驗證圖用于表征第一分析模塊和第二分析模塊的驗證結果分布情況，所述第二結果驗證圖用于表征第一分析模塊和第三分析模塊的驗證結果分布情況，所述第三結果驗證圖用于表征第二分析模塊和第三分析模塊的驗證結果分布情況；

其中，P＝{P₁,P₂,...P_n}，P_i＝{G_i1,G_i2,G_i3}，i的取值范圍為1到n，G_i1為第一分析模塊對P_i輸出的第一異常值，G_i2為第二分析模塊對P_i輸出的第二異常值，G_i3為第三分析模塊對P_i輸出的第三異常值。