CN110889745A - 一种智能识别抢购行为的方法及装置 - Google Patents

Abstract

本发明公开了一种智能识别抢购行为的方法及装置。所述智能识别抢购行为的方法，包括：针对用户账户构建对应的初始权重数据集；获取所述用户账户的请求行为指纹；将所述用户账户的请求行为指纹代入到预设的层次非线性函数中进行计算，得到所述用户账户的异常度结构评分；当某一用户账户的所述异常度结构评分低于某一阈值，对该用户账户的抢购行为进行拦截。本发明基于动态采样和基于多维度采样来对抢购行为进行分析，可有效的提高对非人工方式抢购行为的识别准确度，从而对非人工方式抢购的用户账户发出的抢购行为进行拦截。

Description

一种智能识别抢购行为的方法及装置

技术领域

本发明涉及互联网金融技术领域，特别涉及一种智能识别抢购行为的方法及装置。

背景技术

在网络上，商品秒杀活动已经成为人们在网络购物中不可或缺的一个重要组成部分。但是，很多参与商品秒杀的人们都有过无论点击多么迅速，都无法成功的商品秒杀体验。主要原因在于人类自然的人工点击速度是远远不及计算机发出的点击指令的频率的，这将导致通过人工方式参与商品秒杀的人们遭受到不公平的商品秒杀活动的竞争，从而降低了通过人工方式参与商品秒杀的人们的用户体验。现有技术中通过限定某些用户账户的IP等较为固定的策略来进行秒杀请求的拦截，这对非人工方式抢购行为的有效拦截率是不够高的。如何妥善的解决上述问题，就成为了业界亟待解决的课题。

发明内容

本发明提供一种智能识别抢购行为的方法及装置，用以有效的提高对非人工方式抢购行为的识别准确度，从而对非人工方式抢购的用户账户发出的抢购行为进行拦截。

根据本发明实施例的第一方面，提供一种智能识别抢购行为的方法，包括：

针对用户账户构建对应的初始权重数据集；

获取所述用户账户的请求行为指纹；

将所述用户账户的请求行为指纹代入到预设的层次非线性函数中进行计算，得到所述用户账户的异常度结构评分；

当某一用户账户的所述异常度结构评分低于某一阈值，对该用户账户的抢购行为进行拦截。

在一个实施例中，所述针对用户构建对应的初始权重数据集，包括：

根据用户账户的历史浏览记录、地理位置信息、IP地址信息、购物历史数据、日活时间数据、首次参加秒杀商品活动的时间、参与商品活动的秒杀次数和成功秒杀的次数，来构建出所述用户账户的初始权重数据集；

当所述初始权重数据集中的数据内容发生变更时，实时的对初始权重数据集进行相应的更新。

在一个实施例中，所述获取所述用户账户的请求行为指纹，包括：

获取登录同一用户账户的智能设备的情况，将上述内容命名为第一因素；

采样某一设备在秒杀时间点之前的多个不同的时刻的请求次数，将上述内容命名为第二因素；

根据所述第一因素和第二因素，计算出某一用户账户请求行为的疏密程度，进而分析出所述某一用户账户的请求行为指纹。

在一个实施例中，所述将所述用户账户的请求行为指纹代入到预设的层次非线性函数中进行计算，得到所述用户账户的异常度结构评分，包括：

用户账户的请求行为指纹的可取值的取值范围为Ω；

当用户账户的请求行为指纹处于α的取值范围时，计算得到的异常度结构评分与所述用户账户的请求行为指纹是正比例关系，处于α区间的异常度结构评分全部处于正常访问分数区间；

当用户账户的请求行为指纹处于β的取值范围时，计算得到的异常度结构评分与所述用户账户的请求行为指纹是先正比例后反比例关系，处于β的取值范围的异常度结构评分也全部处于正常访问分数区间；

当用户账户的请求行为指纹处于γ的取值范围时，计算得到的异常度结构评分与所述用户账户的请求行为指纹是正比例关系，其中，所述正比例关系随着行为指纹的增大而显著增大，处于γ的取值范围的异常度结构评分可能会处于异常访问分数区间。

在一个实施例中，所述当某一用户账户的所述异常度结构评分低于某一阈值，对该用户账户的抢购行为进行拦截，包括：

当某一用户账户的所述异常度结构评分超过预设的异常阈值时，判定该用户账户为异常访问账户；

对所述异常访问账户发出的所有请求都进行拦截。

根据本发明实施例的第二方面，提供一种智能识别抢购行为的装置，包括：

构建模块，用于针对用户账户构建对应的初始权重数据集；

获取模块，用于获取所述用户账户的请求行为指纹；

计算模块，用于将所述用户账户的请求行为指纹代入到预设的层次非线性函数中进行计算，得到所述用户账户的异常度结构评分；

拦截模块，用于当某一用户账户的所述异常度结构评分低于某一阈值，对该用户账户的抢购行为进行拦截。

在一个实施例中，所述构建模块，包括：

构建子模块，用于根据用户账户的历史浏览记录、地理位置信息、IP地址信息、购物历史数据、日活时间数据、首次参加秒杀商品活动的时间、参与商品活动的秒杀次数和成功秒杀的次数，来构建出所述用户账户的初始权重数据集；

更新子模块，用于当所述初始权重数据集中的数据内容发生变更时，实时的对初始权重数据集进行相应的更新。

在一个实施例中，所述获取模块，包括：

获取子模块，用于获取登录同一用户账户的智能设备的情况，将上述内容命名为第一因素；

采样子模块，用于采样某一设备在秒杀时间点之前的多个不同的时刻的请求次数，将上述内容命名为第二因素；

分析子模块，用于根据所述第一因素和第二因素，计算出某一用户账户请求行为的疏密程度，进而分析出所述某一用户账户的请求行为指纹。

在一个实施例中，所述计算模块，包括：

用户账户的请求行为指纹的可取值的取值范围为Ω；

第一计算子模块，用于当用户账户的请求行为指纹处于α的取值范围时，计算得到的异常度结构评分与所述用户账户的请求行为指纹是正比例关系，处于α区间的异常度结构评分全部处于正常访问分数区间；

第二计算子模块，用于当用户账户的请求行为指纹处于β的取值范围时，计算得到的异常度结构评分与所述用户账户的请求行为指纹是先正比例后反比例关系，处于β的取值范围的异常度结构评分也全部处于正常访问分数区间；

第三计算子模块，用于当用户账户的请求行为指纹处于γ的取值范围时，计算得到的异常度结构评分与所述用户账户的请求行为指纹是正比例关系，其中，所述正比例关系随着行为指纹的增大而显著增大，处于γ的取值范围的异常度结构评分可能会处于异常访问分数区间。

在一个实施例中，所述拦截模块，包括：

判定子模块，用于当某一用户账户的所述异常度结构评分超过预设的异常阈值时，判定该用户账户为异常访问账户；

拦截子模块，用于对所述异常访问账户发出的所有请求都进行拦截。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明一示例性实施例示出的一种智能识别抢购行为的方法的流程图；

图2为本发明一示例性实施例示出的一种智能识别抢购行为的方法的步骤S11的流程图；

图3为本发明一示例性实施例示出的一种智能识别抢购行为的方法的步骤S12的流程图；

图4为本发明一示例性实施例示出的一种智能识别抢购行为的方法的步骤S13的流程图；

图5为本发明一示例性实施例示出的一种智能识别抢购行为的方法的步骤S14的流程图；

图6为本发明一示例性实施例示出的一种智能识别抢购行为的装置的框图；

图7为本发明一示例性实施例示出的一种智能识别抢购行为的装置的构建模块61的框图；

图8为本发明一示例性实施例示出的一种智能识别抢购行为的装置的获取模块62的框图；

图9为本发明一示例性实施例示出的一种智能识别抢购行为的装置的计算模块63的框图；

图10为本发明一示例性实施例示出的一种智能识别抢购行为的装置的拦截模块64的框图；

图11为本发明一示例性实施例示出的一种智能识别抢购行为的预设的层次非线性函数的示意图；

图12为本发明又一示例性实施例示出的一种智能识别抢购行为的预设的层次非线性函数的示意图；

图13为本发明又一示例性实施例示出的一种智能识别抢购行为的预设的层次非线性函数的示意图；

图14为本发明又一示例性实施例示出的一种智能识别抢购行为的预设的层次非线性函数的示意图；

图15为本发明又一示例性实施例示出的一种智能识别抢购行为的预设的层次非线性函数的示意图；

图16为本发明又一示例性实施例示出的一种智能识别抢购行为的预设的层次非线性函数的示意图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

图1是根据一示例性实施例示出的一种智能识别抢购行为的方法流程图，如图1所示，该智能识别抢购行为的方法，包括以下步骤S11-S14：

在步骤S11中，针对用户账户构建对应的初始权重数据集；

在步骤S12中，获取所述用户账户的请求行为指纹；

在步骤S13中，将所述用户账户的请求行为指纹代入到预设的层次非线性函数中进行计算，得到所述用户账户的异常度结构评分；

在步骤S14中，当某一用户账户的所述异常度结构评分低于某一阈值，对该用户账户的抢购行为进行拦截。

在一个实施例中，在网络上，商品秒杀已经成为人们在网络购物中不可或缺的一个重要组成部分。但是，很多参与商品秒杀的人们都有过无论点击多么迅速，都无法成功的商品秒杀体验。主要原因在于人类自然的人工点击速度是远远不及计算机发出的点击指令的频率的，这将导致通过人工方式参与商品秒杀的人们遭受到不公平的商品秒杀的竞争，从而降低了通过人工方式参与商品秒杀的人们的用户体验。现有技术中通过IP等固定策略的方式进行秒杀请求的拦截，这对非人工方式抢购行为的有效拦截率是不够高的。本实施例中的技术方案可妥善的解决上述问题，详述如下。

针对用户账户构建对应的初始权重数据集。其中，根据用户账户的历史浏览记录、地理位置信息、IP地址信息、购物历史数据、日活时间数据、首次参加秒杀商品活动的时间、参与商品活动的秒杀次数和成功秒杀的次数，来构建出该用户账户的初始权重数据集；当该初始权重数据集中的数据内容发生变更时，实时的对初始权重数据集进行相应的更新。

获取该用户账户的请求行为指纹。获取登录同一用户账户的智能设备的情况，将上述内容命名为第一因素；采样某一设备在秒杀时间点之前的多个不同的时刻的请求次数，将上述内容命名为第二因素；根据该第一因素和第二因素，计算出某一用户账户请求行为的疏密程度，进而分析出该某一用户账户的请求行为指纹。

将该用户账户的请求行为指纹代入到预设的层次非线性函数中进行计算，得到该用户账户的异常度结构评分。其中，用户账户的请求行为指纹的可取值的取值范围为Ω；当用户账户的请求行为指纹处于α的取值范围时，计算得到的异常度结构评分与该用户账户的请求行为指纹是正比例关系，处于α区间的异常度结构评分全部处于正常访问分数区间；当用户账户的请求行为指纹处于β的取值范围时，计算得到的异常度结构评分与该用户账户的请求行为指纹是先正比例后反比例关系，处于β的取值范围的异常度结构评分也全部处于正常访问分数区间；当用户账户的请求行为指纹处于γ的取值范围时，计算得到的异常度结构评分与该用户账户的请求行为指纹是正比例关系，其中，该正比例关系随着行为指纹的增大而显著增大，处于γ的取值范围的异常度结构评分可能会处于异常访问分数区间。

当某一用户账户的该异常度结构评分低于某一阈值，对该用户账户的抢购行为进行拦截。其中，当某一用户账户的该异常度结构评分超过预设的异常阈值时，判定该用户账户为异常访问账户；对该异常访问账户发出的所有请求都进行拦截。

此外，当用户账户的初始权重数据集高于预设的白名单阈值时，将符合该白名单阈值的用户账户设置为白名单用户账户，系统对白名单用户账户发出的抢购行为不经过任何的异常度结构评分的采样和分析，既实现了对白名单用户账户发出的所有请求都不进行拦截。

本实施例中的技术方案基于动态采样和基于多维度采样来对抢购行为进行分析，可有效的提高对非人工方式抢购行为的识别准确度，从而对非人工方式抢购的用户账户发出的抢购行为进行拦截。

在一个实施例中，如图2所示，步骤S11包括如下步骤S21-S22：

在步骤S21中，根据用户账户的历史浏览记录、地理位置信息、IP地址信息、购物历史数据、日活时间数据、首次参加秒杀商品活动的时间、参与商品活动的秒杀次数和成功秒杀的次数，来构建出所述用户账户的初始权重数据集；

在步骤S22中，当所述初始权重数据集中的数据内容发生变更时，实时的对初始权重数据集进行相应的更新。

在一个实施例中，在获取用户账户的请求频次和用户账户的IP等基本因素之外，对于构建用户账户的初始权重数据集来说，通过多维度的信息进行构建可更加准确的对用户账户进行分析，例如通过对用户账户的历史浏览记录、地理位置信息、IP地址信息、购物历史数据、日活时间数据、首次参加秒杀商品活动的时间、参与商品活动的秒杀次数和成功秒杀的次数的分析，可后续的请求行为指纹的分析中对初始参数进行适当的修正。定期的分析用户账户的初始权重数据集中的数据内容，若其中的数据内容发生变化，实时的对该初始权重数据集进行相应的更新，可有效的避免用户账户在被盗取的情况下，盗号分子使用盗取的具有良好的初始权重数据集的账户，进行不正当的非人工方式的抢购行为。

在一个实施例中，如图3所示，步骤S12包括如下步骤S31-S32：

在步骤S31中，获取登录同一用户账户的智能设备的情况，将上述内容命名为第一因素；

在步骤S32中，采样某一设备在秒杀时间点之前的多个不同的时刻的请求次数，将上述内容命名为第二因素；

在步骤S33中，根据所述第一因素和第二因素，计算出某一用户账户请求行为的疏密程度，进而分析出所述某一用户账户的请求行为指纹。

在一个实施例中，在一些情况下，同一用户账户可能会在笔记本电脑、智能手机、智能平板、智能穿戴设备上登录，将上述情况称之为第一因素。还有，存在智能手机A、智能手机B和智能手机C中都登录同一用户账户“幸福小真101”的情况。需要考虑的是，在笔记本电脑上通过鼠标进行操作，其请求次数的频率值的上限是较高的。在智能手机上，通过点击触摸屏来进行操作，请求次数的频率值收到触摸屏响应时间的影响，起请求次数的频率值的上限的较低的。其他智能设备也存在类似情况，就不累述。

针对具体的某一台设备，在秒杀时间之前的若干个时刻进行采样，将上述情况称之为第二因素。例如，在秒杀时间开始之前的10秒、5秒、3秒、1秒、500毫秒和200毫秒等时刻的疏密程度。

举例说明，综合分析用户账户“幸福小真101”的第一因素和第二因素。用户账户“幸福小真101”同时在三台智能设备中登录，为了表述方便，不妨将该三台设备命名为智能设备A、智能设备B和智能设备C。采集的时刻为秒杀时间开始之前的10秒、5秒、3秒、1秒、500毫秒和200毫秒。则关于用户账户“幸福小真101”的请求行为的请求次数可表示为P_A10、P_A5、P_A3、P_A1、P_A0.5、P_A0.2、P_B10、P_B5、P_B3、P_B1、P_B0.5、P_B0.2、P_C10、P_C5、P_C3、P_C1、P_C0.5和P_C0.2。通过对请求次数加权合并，分析得到了用户账户“幸福小真101”的请求行为的疏密程度Q₁₀、Q₅、Q₃、Q₁、Q_0.5和Q_0.2，根据预设的请求行为指纹公式可计算得到用户账户“幸福小真101”的请求行为指纹x。

还有，随着秒杀时间的逐渐临近，采集到的请求次数并非固定的数值，可使得请求行为指纹的数值降低。例如，随着秒杀时间的逐渐临近，采集到的请求次数连续的平缓的增加，可降低其请求行为指纹的数值。

还有，随着秒杀时间的逐渐临近，采集到请求次数始终是固定有序或突发高密集的，都会造成该请求行为指纹的数值显著的升高。

在一个实施例中，如图4所示，步骤S13包括如下步骤S41-S42：

在步骤S41中，用户账户的请求行为指纹的可取值的取值范围为Ω；用户账户的请求行为指纹处于α的取值范围时，计算得到的异常度结构评分与所述用户账户的请求行为指纹是正比例关系，处于α区间的异常度结构评分全部处于正常访问分数区间；

在步骤S42中，当用户账户的请求行为指纹处于β的取值范围时，计算得到的异常度结构评分与所述用户账户的请求行为指纹是先正比例后反比例关系，处于β的取值范围的异常度结构评分也全部处于正常访问分数区间；

在步骤S43中，当用户账户的请求行为指纹处于γ的取值范围时，计算得到的异常度结构评分与所述用户账户的请求行为指纹是正比例关系，其中，所述正比例关系随着行为指纹的增大而显著增大，处于γ的取值范围的异常度结构评分可能会处于异常访问分数区间。

在一个实施例中，在上两个实施例中可以得到某用户账户的用户账户的初始权重数据集和请求行为指纹，本实施例中通过预设的层次非线性函数，将某用户账户的请求行为指纹是该预设的层次非线性函数的输入量，某用户账户的初始权重数据集影响该预设的层次非线性函数的参数值的取值。层次非线性函数是关于请求行为指纹的三次函数，该层次非线性函数的图像详见图11。

α、β、γ的取值范围是连续的且没有重叠区域的，Ω的取值范围包含α、β、γ的取值范围之和。

为了表述方便，不妨将请求行为指纹命名为x，预设的层次非线性函数命名为P_(x)，将α的取值范围设定为(-3，-2)，β的取值范围设定为(-2，0)，γ的取值范围设定为(0，3)。

在请求行为指纹x取值在(-3，-2)之间，其请求行为指纹是符合正常用户的常规的手动抢购行为，计算得到异常度结构评分全部处于正常访问分数区间，既表示该请求行为指纹x是通过较低的点击频率参与的抢购行为。还有，计算得到的异常度结构评分与所述用户账户的请求行为指纹是正比例关系。

在请求行为指纹x取值在(-2，0)之间，其请求行为指纹是符合正常用户的较为激烈的手动抢购行为。在请求行为指纹x取值在(-2，0)的初始阶段，随着请求行为指纹的数值的增加，异常度结构评分增加的速度越来越小，这个过程中的层次非线性函数的图像详见图12。随着请求行为指纹的数值的不断增加，异常度结构评分增大的速度由逐渐由正增长趋近至为零，这个过程中的层次非线性函数的图像详见图13。随着请求行为指纹的数值的继续增加，异常度结构评分的增加的速度逐渐由零变为负数，表示在该过程中请求行为指纹在逐渐的接近正常用户的较为激烈的手动抢购行为的平均期望值，这个过程的层次非线性函数的图像详见图14。继续随着请求行为指纹的数值的继续增加，异常度结构评分的增加的速度逐渐由零变为了正数，表示在该过程中请求行为指纹在逐渐的远离正常用户的较为激烈的手动抢购行为的平均期望值，这个区间的层次非线性函数的图像详见图15。

在请求行为指纹x取值在(0，3)之间，其请求行为指纹逐渐的超出正常用户的较为激烈的手动抢购行为。继续随着请求行为指纹的数值的继续增加，异常度结构评分的增加的速度也在逐渐的显著增大，这个区间的层次非线性函数的函数图像的特性可参考图16。

在一个实施例中，如图5所示，步骤S14包括如下步骤S51-S55：

在步骤S51中，当某一用户账户的所述异常度结构评分超过预设的异常阈值时，判定该用户账户为异常访问账户；

在步骤S52中，对所述异常访问账户发出的所有请求都进行拦截。

在一个实施例中，当某一用户账户的所述异常度结构评分超过预设的异常阈值时，判定该用户账户为异常访问账户，对所述异常访问账户发出的所有请求都进行拦截。例如，在请求次数始终是固定有序或突发高密集的情况下，例如在图16中的图像的右侧部分，其异常度结构评分显著的超过预设的异常阈值，该异常访问账户采用了不正当的抢购程序进行抢购，损害了该次抢购活动的公平性和降低了大部分用户的抢购体验，则拦截所有该异常访问账户发出的请求。

在一个实施例中，图6是根据一示例性实施例示出的一种智能识别抢购行为的装置框图。如图6示，该装置包括构建模块61、获取模块62、计算模块63和拦截模块64。

该构建模块61，用于针对用户账户构建对应的初始权重数据集；

该获取模块62，用于获取所述用户账户的请求行为指纹；

该计算模块63，用于将所述用户账户的请求行为指纹代入到预设的层次非线性函数中进行计算，得到所述用户账户的异常度结构评分；

该拦截模块64，用于当某一用户账户的所述异常度结构评分低于某一阈值，对该用户账户的抢购行为进行拦截。

如图7所示，该构建模块61包括构建子模块71和更新子模块72。

该构建子模块71，用于根据用户账户的历史浏览记录、地理位置信息、IP地址信息、购物历史数据、日活时间数据、首次参加秒杀商品活动的时间、参与商品活动的秒杀次数和成功秒杀的次数，来构建出所述用户账户的初始权重数据集；

该更新子模块72，用于当所述初始权重数据集中的数据内容发生变更时，实时的对初始权重数据集进行相应的更新。

如图8所示，该获取模块62包括获取子模块81、采样子模块82和分析子模块83。

该获取子模块81，用于获取登录同一用户账户的智能设备的情况，将上述内容命名为第一因素；

该采样子模块82，用于采样某一设备在秒杀时间点之前的多个不同的时刻的请求次数，将上述内容命名为第二因素；

该分析子模块83，用于根据所述第一因素和第二因素，计算出某一用户账户请求行为的疏密程度，进而分析出所述某一用户账户的请求行为指纹。

如图9所示，该计算模块63包括该第一计算子模块81、该第二计算子模块82和该第三计算子模块83。

该第一计算子模块81，用于当用户账户的请求行为指纹处于α的取值范围时，计算得到的异常度结构评分与所述用户账户的请求行为指纹是正比例关系，处于α区间的异常度结构评分全部处于正常访问分数区间；

该第二计算子模块82，用于当用户账户的请求行为指纹处于β的取值范围时，计算得到的异常度结构评分与所述用户账户的请求行为指纹是先正比例后反比例关系，处于β的取值范围的异常度结构评分也全部处于正常访问分数区间；

该第三计算子模块83，用于当用户账户的请求行为指纹处于γ的取值范围时，计算得到的异常度结构评分与所述用户账户的请求行为指纹是正比例关系，其中，所述正比例关系随着行为指纹的增大而显著增大，处于γ的取值范围的异常度结构评分可能会处于异常访问分数区间。

如图10所示，该拦截模块64包括判定子模块101和拦截子模块102。

该判定子模块101，用于当某一用户账户的所述异常度结构评分超过预设的异常阈值时，判定该用户账户为异常访问账户；

该拦截子模块102，用于对所述异常访问账户发出的所有请求都进行拦截。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种智能识别抢购行为的方法，其特征在于，包括：

针对用户账户构建对应的初始权重数据集；

获取所述用户账户的请求行为指纹；

将所述用户账户的请求行为指纹代入到预设的层次非线性函数中进行计算，得到所述用户账户的异常度结构评分；

当某一用户账户的所述异常度结构评分低于某一阈值，对该用户账户的抢购行为进行拦截。

2.如权利要求1所述的方法，其特征在于，所述针对用户账户构建对应的初始权重数据集，包括：

根据用户账户的历史浏览记录、地理位置信息、IP地址信息、购物历史数据、日活时间数据、首次参加秒杀商品活动的时间、参与商品活动的秒杀次数和成功秒杀的次数，来构建出所述用户账户的初始权重数据集；

当所述初始权重数据集中的数据内容发生变更时，实时的对初始权重数据集进行相应的更新。

3.如权利要求1所述的方法，其特征在于，所述获取所述用户账户的请求行为指纹，包括：

获取登录同一用户账户的智能设备的情况，将上述内容命名为第一因素；

采样某一设备在秒杀时间点之前的多个不同的时刻的请求次数，将上述内容命名为第二因素；

根据所述第一因素和第二因素，计算出某一用户账户请求行为的疏密程度，进而分析出所述某一用户账户的请求行为指纹。

4.如权利要求1所述的方法，其特征在于，所述将所述用户账户的请求行为指纹代入到预设的层次非线性函数中进行计算，得到所述用户账户的异常度结构评分，包括：

用户账户的请求行为指纹的可取值的取值范围为Ω；

当用户账户的请求行为指纹处于α的取值范围时，计算得到的异常度结构评分与所述用户账户的请求行为指纹是正比例关系，处于α区间的异常度结构评分全部处于正常访问分数区间；

当用户账户的请求行为指纹处于β的取值范围时，计算得到的异常度结构评分与所述用户账户的请求行为指纹是先正比例后反比例关系，处于β的取值范围的异常度结构评分也全部处于正常访问分数区间；

当用户账户的请求行为指纹处于γ的取值范围时，计算得到的异常度结构评分与所述用户账户的请求行为指纹是正比例关系，其中，所述正比例关系随着行为指纹的增大而显著增大，处于γ的取值范围的异常度结构评分可能会处于异常访问分数区间。

5.如权利要求4所述的方法，其特征在于，所述当某一用户账户的所述异常度结构评分低于某一阈值，对该用户账户的抢购行为进行拦截，包括：

当某一用户账户的所述异常度结构评分超过预设的异常阈值时，判定该用户账户为异常访问账户；

对所述异常访问账户发出的所有请求都进行拦截。

6.一种智能识别抢购行为的装置，其特征在于，包括：

构建模块，用于针对用户账户构建对应的初始权重数据集；

获取模块，用于获取所述用户账户的请求行为指纹；

计算模块，用于将所述用户账户的请求行为指纹代入到预设的层次非线性函数中进行计算，得到所述用户账户的异常度结构评分；

拦截模块，用于当某一用户账户的所述异常度结构评分低于某一阈值，对该用户账户的抢购行为进行拦截。

7.根据权利要求6的装置，其特征在于，所述构建模块，包括：

构建子模块，用于根据用户账户的历史浏览记录、地理位置信息、IP地址信息、购物历史数据、日活时间数据、首次参加秒杀商品活动的时间、参与商品活动的秒杀次数和成功秒杀的次数，来构建出所述用户账户的初始权重数据集；

更新子模块，用于当所述初始权重数据集中的数据内容发生变更时，实时的对初始权重数据集进行相应的更新。

8.根据权利要求6的装置，其特征在于，所述获取模块，包括：

获取子模块，用于获取登录同一用户账户的智能设备的情况，将上述内容命名为第一因素；

采样子模块，用于采样某一设备在秒杀时间点之前的多个不同的时刻的请求次数，将上述内容命名为第二因素；

分析子模块，用于根据所述第一因素和第二因素，计算出某一用户账户请求行为的疏密程度，进而分析出所述某一用户账户的请求行为指纹。

9.根据权利要求6的装置，其特征在于，所述计算模块，包括：

用户账户的请求行为指纹的可取值的取值范围为Ω；

第一计算子模块，用于当用户账户的请求行为指纹处于α的取值范围时，计算得到的异常度结构评分与所述用户账户的请求行为指纹是正比例关系，处于α区间的异常度结构评分全部处于正常访问分数区间；

第二计算子模块，用于当用户账户的请求行为指纹处于β的取值范围时，计算得到的异常度结构评分与所述用户账户的请求行为指纹是先正比例后反比例关系，处于β的取值范围的异常度结构评分也全部处于正常访问分数区间；

第三计算子模块，用于当用户账户的请求行为指纹处于γ的取值范围时，计算得到的异常度结构评分与所述用户账户的请求行为指纹是正比例关系，其中，所述正比例关系随着行为指纹的增大而显著增大，处于γ的取值范围的异常度结构评分可能会处于异常访问分数区间。

10.根据权利要求9的装置，其特征在于，所述拦截模块，包括：

判定子模块，用于当某一用户账户的所述异常度结构评分超过预设的异常阈值时，判定该用户账户为异常访问账户；

拦截子模块，用于对所述异常访问账户发出的所有请求都进行拦截。

Images