[發(fā)明專利]信息處理方法、裝置、存儲(chǔ)介質(zhì)及電子設(shè)備

在審

• 申請(qǐng)?zhí)枺?/td>: 202210361547.9
• 申請(qǐng)日: 2022-04-07
• 公開(kāi)（公告）號(hào): CN114648075A
• 公開(kāi)（公告）日: 2022-06-21
• 發(fā)明（設(shè)計(jì)）人: 柳云鵬
• 申請(qǐng)（專利權(quán)）人: 深圳依時(shí)貨拉拉科技有限公司
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04;G06N3/08;G06F17/14
• 代理公司: 深圳瑞天謹(jǐn)誠(chéng)知識(shí)產(chǎn)權(quán)代理有限公司 44340
• 代理人: 溫青玲

本申請(qǐng)實(shí)施例公開(kāi)了一種信息處理方法、裝置、存儲(chǔ)介質(zhì)及電子設(shè)備。該方法包括：獲取多個(gè)時(shí)間周期內(nèi)用戶設(shè)備的狀態(tài)信息，進(jìn)行處理后得到對(duì)應(yīng)的時(shí)域信息和頻域信息，并將時(shí)域信息和所述頻域信息進(jìn)行融合；基于相鄰兩個(gè)周期的融合數(shù)據(jù)構(gòu)建訓(xùn)練數(shù)據(jù)對(duì)；基于訓(xùn)練數(shù)據(jù)對(duì)對(duì)長(zhǎng)短期記憶網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練。當(dāng)需要識(shí)別用戶設(shè)備行為是否異常時(shí)，將目標(biāo)用戶設(shè)備當(dāng)前周期的狀態(tài)信息作為輸入，基于訓(xùn)練后模型對(duì)目標(biāo)用戶設(shè)備下一周期的狀態(tài)信息進(jìn)行預(yù)測(cè)，根據(jù)預(yù)測(cè)結(jié)果和實(shí)際結(jié)果進(jìn)行比較以確定用戶設(shè)備是否行為異常。本方案可以結(jié)合設(shè)備的在先行為，對(duì)時(shí)間跨度不同的信號(hào)進(jìn)行針對(duì)性的識(shí)別，提升了信息預(yù)測(cè)結(jié)果的準(zhǔn)確性。

技術(shù)領(lǐng)域

本申請(qǐng)涉及電子設(shè)備技術(shù)領(lǐng)域，尤其涉及一種信息處理方法、裝置、存儲(chǔ)介質(zhì)及電子設(shè)備。

背景技術(shù)

隨著科技的不斷發(fā)展，面臨的信息安全風(fēng)險(xiǎn)也越來(lái)越高。在當(dāng)前對(duì)信息安全越發(fā)重視的環(huán)境下，更準(zhǔn)確地從用戶或者設(shè)備的訪問(wèn)、登陸、查詢、下載等海量行為中識(shí)別隱匿的攻擊、盜取數(shù)據(jù)、越權(quán)等異常行為，成為需要投入更多資源的領(lǐng)域。

相關(guān)技術(shù)中，主要通過(guò)以SVM(Support Vector Machine，支持向量機(jī))、Xgboost(Extreme Gradient Boosting，極端梯度提升)、Random Forest(隨機(jī)森林)為代表的等機(jī)器學(xué)習(xí)算法，及以CNN(Convolutional Neural Network，卷積神經(jīng)網(wǎng)絡(luò))、LSTM(Long ShortTerm Memory，長(zhǎng)短期記憶)等為代表的深度學(xué)習(xí)算法實(shí)現(xiàn)對(duì)異常行為的分類，或者基于策略的異常行為識(shí)別。以上技術(shù)路線主要基于用戶時(shí)域信息或者時(shí)點(diǎn)信息，可以直觀反映用戶行為在時(shí)域上的表現(xiàn)，便于業(yè)務(wù)理解。但是隨著時(shí)間的推移，跨度較長(zhǎng)時(shí)間的信號(hào)強(qiáng)度可能出現(xiàn)衰減，容易導(dǎo)致識(shí)別異常信號(hào)的準(zhǔn)確性降低。

發(fā)明內(nèi)容

本申請(qǐng)實(shí)施例提供一種信息處理方法、裝置、存儲(chǔ)介質(zhì)及電子設(shè)備，可提升信息預(yù)測(cè)結(jié)果的準(zhǔn)確性。

第一方面，本申請(qǐng)實(shí)施例提供一種信息處理方法，包括：

獲取多個(gè)時(shí)間周期內(nèi)用戶設(shè)備的狀態(tài)信息；

對(duì)所述狀態(tài)信息進(jìn)行處理得到對(duì)應(yīng)的時(shí)域信息和頻域信息，并將所述時(shí)域信息和所述頻域信息進(jìn)行融合，得到融合數(shù)據(jù)；

基于相鄰兩個(gè)周期的融合數(shù)據(jù)構(gòu)建訓(xùn)練數(shù)據(jù)對(duì)；

基于所述訓(xùn)練數(shù)據(jù)對(duì)對(duì)長(zhǎng)短期記憶網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練，得到訓(xùn)練后模型；

將目標(biāo)用戶設(shè)備當(dāng)前周期的狀態(tài)信息作為輸入，基于訓(xùn)練后模型對(duì)所述目標(biāo)用戶設(shè)備下一周期的狀態(tài)信息進(jìn)行預(yù)測(cè)。

第二方面，本申請(qǐng)實(shí)施例提供了一種信息處理裝置，包括：

第一獲取單元，用于獲取多個(gè)時(shí)間周期內(nèi)用戶設(shè)備的狀態(tài)信息；

處理單元，用于對(duì)所述狀態(tài)信息進(jìn)行處理得到對(duì)應(yīng)的時(shí)域信息和頻域信息，并將所述時(shí)域信息和所述頻域信息進(jìn)行融合，得到融合數(shù)據(jù)；

構(gòu)建單元，用于基于相鄰兩個(gè)周期的融合數(shù)據(jù)構(gòu)建訓(xùn)練數(shù)據(jù)對(duì)；

訓(xùn)練單元，用于基于所述訓(xùn)練數(shù)據(jù)對(duì)對(duì)長(zhǎng)短期記憶網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練，得到訓(xùn)練后模型；

預(yù)測(cè)單元，用于將目標(biāo)用戶設(shè)備當(dāng)前周期的狀態(tài)信息作為輸入，基于訓(xùn)練后模型對(duì)所述目標(biāo)用戶設(shè)備下一周期的狀態(tài)信息進(jìn)行預(yù)測(cè)。

在一實(shí)施方式中，所述處理單元用于：

對(duì)所述狀態(tài)信息進(jìn)行處理，得到對(duì)應(yīng)的時(shí)域信息；

對(duì)所述時(shí)域信息進(jìn)行分解，得到對(duì)應(yīng)的頻域信息；

將所述時(shí)域信息和所述頻域信息進(jìn)行融合，得到融合數(shù)據(jù)。

在一實(shí)施方式中，所述處理單元進(jìn)一步用于：