[發(fā)明專利]一種風(fēng)險攻擊的感知方法、裝置及設(shè)備

在審

• 申請?zhí)枺?/td>: 202310402899.9
• 申請日: 2023-04-13
• 公開（公告）號: CN116361813A
• 公開（公告）日: 2023-06-30
• 發(fā)明（設(shè)計）人: 張長浩;申書恒;傅欣藝;傅幸
• 申請（專利權(quán)）人: 支付寶（杭州）信息技術(shù)有限公司
• 主分類號: G06F21/57
• 分類號: G06F21/57;G06F18/213;G06N3/04;G06N3/08;G06Q40/04;G06Q20/40;G06Q20/38
• 代理公司: 北京國昊天誠知識產(chǎn)權(quán)代理有限公司 11315
• 代理人: 朱文杰

1.一種風(fēng)險攻擊的感知方法，所述方法包括：

獲取執(zhí)行預(yù)設(shè)目標(biāo)業(yè)務(wù)之前執(zhí)行非目標(biāo)業(yè)務(wù)的過程中產(chǎn)生的業(yè)務(wù)數(shù)據(jù)，以及執(zhí)行所述非目標(biāo)業(yè)務(wù)的過程中采集的終端設(shè)備的設(shè)備信息，所述業(yè)務(wù)數(shù)據(jù)和所述設(shè)備信息構(gòu)成的數(shù)據(jù)中包含的信息維度高于預(yù)設(shè)維度閾值；

對所述業(yè)務(wù)數(shù)據(jù)對應(yīng)的特征進(jìn)行編碼處理，得到編碼后的業(yè)務(wù)特征，并對所述設(shè)備信息對應(yīng)的特征進(jìn)行編碼處理，得到編碼后的設(shè)備特征；

將所述編碼后的業(yè)務(wù)特征和所述編碼后的設(shè)備特征輸入到目標(biāo)模型中，通過所述目標(biāo)模型中的壓縮網(wǎng)絡(luò)子模型對所述編碼后的業(yè)務(wù)特征和所述編碼后的設(shè)備特征進(jìn)行降維處理，并對降維后的特征進(jìn)行重構(gòu)處理，得到重構(gòu)的特征，基于所述編碼后的業(yè)務(wù)特征、所述編碼后的設(shè)備特征和所述重構(gòu)的特征確定重構(gòu)誤差特征，基于所述重構(gòu)誤差特征和所述降維后的特征構(gòu)建所述目標(biāo)模型中的估計網(wǎng)絡(luò)子模型的輸入數(shù)據(jù)，將構(gòu)建的輸入數(shù)據(jù)輸入到所述估計網(wǎng)絡(luò)子模型中，得到執(zhí)行所述目標(biāo)業(yè)務(wù)時存在預(yù)設(shè)風(fēng)險的概率。

2.根據(jù)權(quán)利要求1所述的方法，所述方法還包括：

獲取預(yù)設(shè)周期內(nèi)一個或多個不同的終端設(shè)備執(zhí)行所述目標(biāo)業(yè)務(wù)時存在預(yù)設(shè)風(fēng)險的概率，基于預(yù)設(shè)周期內(nèi)每個終端設(shè)備執(zhí)行所述目標(biāo)業(yè)務(wù)時存在預(yù)設(shè)風(fēng)險的概率，確定所述預(yù)設(shè)風(fēng)險對應(yīng)的攻擊方式。

3.根據(jù)權(quán)利要求1所述的方法，所述方法還包括：

獲取用于訓(xùn)練所述目標(biāo)模型的樣本數(shù)據(jù)，所述樣本數(shù)據(jù)包括終端設(shè)備執(zhí)行預(yù)設(shè)目標(biāo)業(yè)務(wù)之前執(zhí)行非目標(biāo)業(yè)務(wù)的過程中產(chǎn)生的歷史業(yè)務(wù)數(shù)據(jù)，以及執(zhí)行所述非目標(biāo)業(yè)務(wù)的過程中采集的所述終端設(shè)備的歷史設(shè)備信息，所述歷史業(yè)務(wù)數(shù)據(jù)和所述歷史設(shè)備信息構(gòu)成的數(shù)據(jù)中包含的信息維度高于預(yù)設(shè)維度閾值；

對所述樣本數(shù)據(jù)對應(yīng)的特征進(jìn)行編碼處理，得到編碼后的樣本特征；

將所述編碼后的樣本特征輸入到所述目標(biāo)模型中，通過所述目標(biāo)模型中的壓縮網(wǎng)絡(luò)子模型對所述編碼后的樣本特征進(jìn)行降維處理，并對降維后的樣本特征進(jìn)行重構(gòu)處理，得到重構(gòu)的樣本特征，基于所述編碼后的樣本特征和所述重構(gòu)的樣本特征確定重構(gòu)誤差特征，基于所述重構(gòu)誤差特征和所述降維后的樣本特征構(gòu)建所述目標(biāo)模型中的估計網(wǎng)絡(luò)子模型的輸入數(shù)據(jù)，將構(gòu)建的輸入數(shù)據(jù)輸入到所述估計網(wǎng)絡(luò)子模型中，得到執(zhí)行目標(biāo)業(yè)務(wù)時存在預(yù)設(shè)風(fēng)險的概率，并基于所述執(zhí)行目標(biāo)業(yè)務(wù)時存在預(yù)設(shè)風(fēng)險的概率和預(yù)設(shè)的損失函數(shù)確定所述目標(biāo)模型是否收斂，如果未收斂，則基于樣本數(shù)據(jù)繼續(xù)對所述目標(biāo)模型進(jìn)行訓(xùn)練，直到所述目標(biāo)模型收斂，得到訓(xùn)練后的目標(biāo)模型。

4.根據(jù)權(quán)利要求1-3中任一項(xiàng)所述的方法，所述對所述業(yè)務(wù)數(shù)據(jù)對應(yīng)的特征進(jìn)行編碼處理，得到編碼后的業(yè)務(wù)特征，并對所述設(shè)備信息對應(yīng)的特征進(jìn)行編碼處理，得到編碼后的設(shè)備特征，包括：

基于獨(dú)熱One-Hot編碼規(guī)則，對所述業(yè)務(wù)數(shù)據(jù)對應(yīng)的特征進(jìn)行編碼處理，得到編碼后的業(yè)務(wù)特征，并基于獨(dú)熱One-Hot編碼規(guī)則，對所述設(shè)備信息對應(yīng)的特征進(jìn)行編碼處理，得到編碼后的設(shè)備特征。

5.根據(jù)權(quán)利要求4所述的方法，所述業(yè)務(wù)數(shù)據(jù)中包括具有連續(xù)數(shù)值的特征，所述基于獨(dú)熱One-Hot編碼規(guī)則，對所述業(yè)務(wù)數(shù)據(jù)對應(yīng)的特征進(jìn)行編碼處理，得到編碼后的業(yè)務(wù)特征，包括：

對所述業(yè)務(wù)數(shù)據(jù)中具有連續(xù)數(shù)值的特征進(jìn)行分箱處理，得到多個分箱特征；

基于獨(dú)熱One-Hot編碼規(guī)則，分別對每個分箱特征進(jìn)行編碼處理，得到編碼后的業(yè)務(wù)特征。

6.根據(jù)權(quán)利要求3所述的方法，所述樣本數(shù)據(jù)不包含標(biāo)簽信息，或者，所述樣本數(shù)據(jù)包含標(biāo)簽信息，或者，所述樣本數(shù)據(jù)中的部分樣本數(shù)據(jù)包含標(biāo)簽信息，另一部分樣本數(shù)據(jù)不包含標(biāo)簽信息；如果所述樣本數(shù)據(jù)中包含具有標(biāo)簽信息的樣本數(shù)據(jù)，則所述損失函數(shù)基于所述重構(gòu)誤差特征、所述估計網(wǎng)絡(luò)子模型中的似然函數(shù)、所述樣本數(shù)據(jù)中包含的具有標(biāo)簽信息的樣本數(shù)據(jù)的分類損失構(gòu)建。

7.根據(jù)權(quán)利要求4所述的方法，所述預(yù)設(shè)風(fēng)險包括盜用風(fēng)險、欺詐風(fēng)險、非法交易風(fēng)險中的一項(xiàng)或多項(xiàng)。

8.根據(jù)權(quán)利要求7所述的方法，所述壓縮網(wǎng)絡(luò)子模型由多層感知機(jī)MLP構(gòu)建，或者，所述壓縮網(wǎng)絡(luò)子模型由預(yù)設(shè)的神經(jīng)網(wǎng)絡(luò)算法構(gòu)建。