CN111147441A - 网络购票的舞弊行为自动检测方法、设备及可读存储介质 - Google Patents

网络购票的舞弊行为自动检测方法、设备及可读存储介质 Download PDF

Info

Publication number
CN111147441A
CN111147441A CN201911097646.5A CN201911097646A CN111147441A CN 111147441 A CN111147441 A CN 111147441A CN 201911097646 A CN201911097646 A CN 201911097646A CN 111147441 A CN111147441 A CN 111147441A
Authority
CN
China
Prior art keywords
tickets
total number
weight proportion
preset weight
ticket
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201911097646.5A
Other languages
English (en)
Inventor
肖腾飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Evergrande Intelligent Technology Co Ltd
Original Assignee
Evergrande Intelligent Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Evergrande Intelligent Technology Co Ltd filed Critical Evergrande Intelligent Technology Co Ltd
Priority to CN201911097646.5A priority Critical patent/CN111147441A/zh
Publication of CN111147441A publication Critical patent/CN111147441A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/10—Network architectures or network communication protocols for network security for controlling access to devices or network resources
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
    • G06Q20/401—Transaction verification
    • G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0609—Buyer or seller confidence or verification

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了网络购票的舞弊行为自动检测方法、设备及可读存储介质，该网络购票的舞弊行为自动检测方法包括：通过获取通过当前账号已购买的车票的购票总数和已退去的车票的退票总数，然后基于购票总数的预设权重比例和退票总数的预设权重比例，对购票总数和退票总数进行求和处理，得到总分值，最后若总分值大于或等于历史均值，则确定在该目标时间段内当前账号存在网络购票的舞弊行为，因为在一个目标时间段内，购票总数和退票总数越多，则代表存在网络购票的舞弊行为的可能性越大，同时历史均值基于网络购票的历史舞弊行为精准地计算得到，从而当总分值大于或等于历史均值时，准确地确定当前账号存在网络购票的舞弊行为，提高了检测网络购票的舞弊行为的准确性。

Description

网络购票的舞弊行为自动检测方法、设备及可读存储介质
技术领域
本发明涉及互联网数据处理领域，尤其涉及一种网络购票的舞弊行为自动检测方法、计算机设备及可读存储介质。
背景技术
随着网络购票越来越普及，网络购票的舞弊行为越来越多。
在传统方法中，通过当前购票人在一个时间段内，已购买了大量的车票的方式判断当前购票人存在网络购票的舞弊行为，但是，即使当前购票人已购买了少量的车票也可以存在网络购票的舞弊行为，从而导致检测网络购票的舞弊行为的准确性低下。
因此，寻找一种准确的网络购票的舞弊行为检测方法成为本领域技术人员亟需解决的问题。
发明内容
本发明实施例提供一种方法、计算机设备及可读存储介质，以解决检测网络购票的舞弊行为的准确性低下的问题。
一种网络购票的舞弊行为自动检测方法，包括：
在预设的目标时间段内，获取通过当前账号已购买的车票的购票总数；
在所述目标时间段内，获取通过所述当前账号已退去的车票的退票总数；
基于所述购票总数的预设权重比例和所述退票总数的预设权重比例，对所述购票总数和所述退票总数进行求和处理，得到总分值；
获取历史均值，其中，所述历史均值基于所述网络购票的历史舞弊行为预先计算得到；
若所述总分值大于或等于所述历史均值，则在所述目标时间段内确定所述当前账号存在网络购票的舞弊行为。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
上述网络购票的舞弊行为自动检测方法、计算机设备及可读存储介质中，通过在预设的目标时间段内，获取通过当前账号已购买的车票的购票总数和已退去的车票的退票总数，然后基于购票总数的预设权重比例和退票总数的预设权重比例，对购票总数和退票总数进行求和处理，得到总分值，最后若总分值大于或等于历史均值，则确定在该目标时间段内当前账号存在网络购票的舞弊行为，因为在一个目标时间段内，购票总数和退票总数越多，则代表存在网络购票的舞弊行为的可能性越大，同时历史均值基于网络购票的历史舞弊行为精准地计算得到，从而当总分值大于或等于历史均值时，准确地确定在该目标时间段内当前账号存在网络购票的舞弊行为，提高了检测网络购票的舞弊行为的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中网络购票的舞弊行为自动检测方法的一应用环境示意图；
图2是本发明一实施例中网络购票的舞弊行为自动检测方法的一流程图；
图3是本发明一实施例中计算机设备的一示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本申请提供的方法，可应用如图1的应用环境中，该应用环境包括服务端和客户端，其中，客户端通过有线网络或无线网络与服务端进行通信。其中，客户端可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端可以用独立的服务端或者是多个服务端组成的服务端集群来实现。客户端用于发送购票请求、退票请求和输出网络购票舞弊行为的预警指令对应的预警信息，服务端用于响应购票请求和退票请求，同时计算总分值，以及识别网络购票的舞弊行为。
在一实施例中，如图2所示，提供一种网络购票的舞弊行为自动检测方法，以该网络购票的舞弊行为自动检测方法应用在图1中的服务端为例进行说明，包括如下步骤：
S10、在预设的目标时间段内，获取通过当前账号已购买的车票的购票总数。
具体地，从目前网络购买火车票的情况来看，每当逢年过节或周末，难以购买到火车票，明明看着有余票就是买不到，但是通过网络购票的舞弊用户中却可以买到火车票，因此为了能够准确地检测网络购票的舞弊行为，服务端需要获取在预设的目标时间段内，通过当前账号已购买的车票的购票总数在购票数据库中的存储路径，然后根据该存储路径提取该购票总数，也即，客户端采用当前账号向指定购票系统发起登录请求，当服务端接收到该登录请求时，对当前账号进行校验处理，当校验结果为通过时，允许当前账号进行购票，可以理解的是，当前账号每成功购买一次，服务端会记录购票次数，同时记录购票时间，以及将在预设的目标时间段内，通过当前账号购买的火车票的购票次数的总和确定为购票总数，并将该购票总数存储至购票数据库中。
比如，假设预设的目标时间段为2天或72小时，通过当前账号已购买的车票的购票总数为30，购票数据库为MySQL数据库，购票总数的存储路径为“C:\Program Files\MySQL\MySQL Server 5.0\data\”，首先在MySQL数据库中获取“C:\Program Files\MySQL\MySQLServer 5.0\data\”，然后根据该“C:\Program Files\MySQL\MySQL Server 5.0\data\”提取30。
需要说明的是，购票数据库可以为MySQL数据库或oracle数据库等，客户端可以为智能手机或智能平板电脑等，购票数据库和客户端的具体内容，可以根据实际应用进行设定，此处不做限制。
S20、在目标时间段内，获取通过当前账号已退去的车票的退票总数。
具体地，能够准确地检测网络购票的舞弊行为，服务端需要在目标时间段内，获取通过当前账号已退去的车票的退票总数，也即，若当前账号每成功退票一次，服务端会记录退票次数，同时记录退票时间，以及将在预设的目标时间段内，通过当前账号退去的火车票的购票次数的总和确定为退票总数，并将该退票总数存储至退票数据库中。
可以理解的是，退票数据库可以为MySQL数据库或oracle数据库等，退票数据库的具体内容，可以根据实际应用进行设定，此处不做限制。
S30、基于购票总数的预设权重比例和退票总数的预设权重比例，对购票总数和退票总数进行求和处理，得到总分值。
具体地，在步骤S30之前，还包括：服务端通过预先设置好的账号身份对应关系，获取当前账号对应的当前用户的当前身份标识，同时接收客户端发来的通过当前账号填入的乘客的购票乘客身份标识，当购买成功时，获取已购买车票的乘客的购票乘客身份标识，以及接收客户端发来的通过当前账号退去车票的乘客的退票乘客身份标识，其中，当前身份标识唯一标识当前用户，购票乘客身份标识唯一标识已购买车票的乘客，退票乘客身份标识唯一标识已退去车票的乘客。
需要说明的是，当前身份标识、购票乘客身份标识和退票乘客身份标识的具体内容，可以根据实际应用进行设定，此处不做限制。
服务端分析购票乘客身份标识标记的购票乘客和退票乘客身份标识标记的退票乘客之间的第一关系网疏远值，也即，获取购票乘客与退票乘客之间的第一交集，第一交集越少，则代表第一关系网疏远值越大，反之，第一交集越多，则代表第一关系网疏远值越小，其中，第一交集可以为工作区域交集、生活区域交集和通信交互等，可以理解的是，通信交互包括电话交互和网络聊天软件交互等。第一关系网疏远值越大，则代表购票乘客与退票乘客之间关系网越疏远，第一关系网疏远值越小，则代表购票乘客与退票乘客之间关系网越不疏远。通常情况下，存在网络购票的舞弊行为的当前用户，采用自身的账号所购买火车票的购票乘客与所退去火车票的退票乘客之间的关系网往往疏远，通过分析购票乘客与退票乘客之间的多维第一交集，有效提高了分析购票乘客与退票乘客之间关系网疏远的准确性。
进一步地，往往存在网络购票的舞弊行为的当前用户与采用自身的账号所购买火车票的购票乘客之间的关系网密切，为了准确地检测网络购票的舞弊行为，服务端需要获取当前账号对应的当前用户的当前身份标识；分析当前身份标识标记的当前用户和购票乘客身份标识标记的购票乘客之间的关系网密切值，也即，获取当前用户与购票乘客之间的第二交集，第二交集越多，则代表关系网密切值越大，反之，第二交集越少，则代表关系网密切值越小，其中，第二交集可以为工作区域交集、生活区域交集和通信交互等，可以理解的是，通信交互包括电话交互和网络聊天软件交互等。关系网密切值越大，则代表购票乘客与退票乘客之间关系网越密切，关系网密切值越小，则代表购票乘客与退票乘客之间关系网越不密切。
进一步地，常常存在网络购票的舞弊行为的当前用户与采用自身的账号所退去火车票的退票乘客之间的关系网疏远，为了准确地检测网络购票的舞弊行为，服务端需要分析当前身份标识标记的当前用户和退票乘客身份标识标记的退票乘客之间的第二关系网疏远值，也即，获取当前用户与退票乘客之间的第二交集，第二交集越少，则代表第二关系网疏远值越大，反之，第二交集越多，则代表第二关系网疏远值越小，其中，第二交集可以为工作区域交集、生活区域交集和通信交互等，可以理解的是，通信交互包括电话交互和网络聊天软件交互等。第二关系网疏远值越大，则代表当前用户与退票乘客之间关系网越疏远，第二关系网疏远值越小，则代表当前用户与退票乘客之间关系网越不疏远。通过分析当前用户与退票乘客之间的多维第二交集，有效提高了分析当前用户与退票乘客之间关系网疏远的准确性。
进一步地，一般情况，存在网络购票的舞弊行为的当前用户，采用自身的账号所退去火车票的退票时间与紧接着的购买车票的购票时间之间的间隔很短，为了准确地检测网络购票的舞弊行为，服务端需要在目标时间段内，获取退票购票时间间隔，其中，退票购票时间间隔为通过当前账号退去车票与购买车票之间的时间间隔；基于购票总数的预设权重比例、退票总数的预设权重比例、第一关系网疏远值的预设权重比例、关系网密切值的预设权重比例、第二关系网疏远值的预设权重比例和时间间隔的倒数的预设权重比例，对购票总数、退票总数、第一关系网疏远值、关系网密切值和第二关系网疏远值和时间间隔的倒数进行求和处理，得到总分值。比如，假设购票总数的预设权重比例为0.3、退票总数的预设权重比例为0.3、第一关系网疏远值的预设权重比例为0.1、关系网密切值的预设权重比例为0.1、第二关系网疏远值的预设权重比例为0.1和时间间隔的倒数的预设权重比例为0.1，购票总数、退票总数、第一关系网疏远值、关系网密切值和第二关系网疏远值和时间间隔的倒数分别为50次、40次、80、90、85、30分钟，从而经过计算50*0.3+40*0.3+80*0.1+90*0.1+85*0.1+30*0.1＝55.5。
其中，总分值越大，则舞弊行为的舞弊程度越严重，反之，总分值越小，则舞弊行为的舞弊程度越轻。
S40、获取历史均值，其中，历史均值基于网络购票的历史舞弊行为预先计算得到。
具体地，通常存在网络购票的舞弊行为的当前用户的网络购票的历史购票总数、历史退票总数、历史第一关系网疏远值、历史关系网密切值和历史第二关系网疏远值和历史时间间隔的倒数也类似于步骤S30中分析得到的购票总数、退票总数、第一关系网疏远值、关系网密切值和第二关系网疏远值和时间间隔的倒数，所以为了准确地检测网络购票的舞弊行为，服务端需要从历史数据库中，获取历史均值的存储路径，然后根据该存储路径提取该历史均值，其中，历史均值基于网络购票的历史舞弊行为预先计算得到。
需要说明的是，历史数据库可以为MySQL数据库或oracle数据库等，历史数据库的具体内容，可以根据实际应用进行设定，此处不做限制。
S50、若总分值大于或等于历史均值，则在目标时间段内确定当前账号存在网络购票的舞弊行为。
具体地，若步骤S30中计算出的总分值大于或等于步骤S40中获取到的历史均值，则在目标时间段内确定当前账号存在网络购票的舞弊行为；若步骤S30中计算出的总分值小于步骤S40中获取到的历史均值，则在目标时间段内确定当前账号不存在网络购票的舞弊行为。
进一步地，在目标时间段内确定当前账号存在网络购票的舞弊行为之后，还包括：输出网络购票舞弊行为的预警指令；禁止当前账号进行购票，也即，禁止当前账号登录；禁止已登录过当前账号的设备访问购票系统。
在图2对应的实施例中，通过在预设的目标时间段内，获取通过当前账号已购买的车票的购票总数和已退去的车票的退票总数，然后基于购票总数的预设权重比例和退票总数的预设权重比例，对购票总数和退票总数进行求和处理，得到总分值，最后若总分值大于或等于历史均值，则确定在该目标时间段内当前账号存在网络购票的舞弊行为，因为在一个目标时间段内，购票总数和退票总数越多，则代表存在网络购票的舞弊行为的可能性越大，同时历史均值基于网络购票的历史舞弊行为精准地计算得到，从而当总分值大于或等于历史均值时，准确地确定在该目标时间段内当前账号存在网络购票的舞弊行为，提高了检测网络购票的舞弊行为的准确性。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务端，其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性可读存储介质、内存储器。该非易失性可读存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性可读存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储方法所涉及到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种方法。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例方法的步骤，例如图2所示的步骤S10至步骤S50。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例中方法。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取可读存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种网络购票的舞弊行为自动检测方法，其特征在于，所述网络购票的舞弊行为自动检测方法包括：
在预设的目标时间段内，获取通过当前账号已购买的车票的购票总数；
在所述目标时间段内，获取通过所述当前账号已退去的车票的退票总数；
基于所述购票总数的预设权重比例和所述退票总数的预设权重比例，对所述购票总数和所述退票总数进行求和处理，得到总分值；
获取历史均值，其中，所述历史均值基于所述网络购票的历史舞弊行为预先计算得到；
若所述总分值大于或等于所述历史均值，则在所述目标时间段内确定所述当前账号存在网络购票的舞弊行为。
2.如权利要求1所述的网络购票的舞弊行为自动检测方法，其特征在于，其中，所述总分值越大，则所述舞弊行为的舞弊程度越严重。
3.如权利要求1所述的网络购票的舞弊行为自动检测方法，其特征在于，在所述基于所述购票总数的预设权重比例和所述退票总数的预设权重比例，对所述购票总数和所述退票总数进行求和处理，得到总分值之前，所述网络购票的舞弊行为自动检测方法还包括：
获取已购买车票的乘客的购票乘客身份标识和已退去车票的乘客的退票乘客身份标识；
分析所述购票乘客身份标识标记的购票乘客和所述退票乘客身份标识标记的退票乘客之间的第一关系网疏远值；
所述基于所述购票总数的预设权重比例和所述退票总数的预设权重比例，对所述购票总数和所述退票总数进行求和处理，得到总分值包括：
基于所述购票总数的预设权重比例、所述退票总数的预设权重比例和所述第一关系网疏远值的预设权重比例，对所述购票总数、所述退票总数和所述第一关系网疏远值进行求和处理，得到总分值。
4.如权利要求3所述的网络购票的舞弊行为自动检测方法，其特征在于，在所述基于所述购票总数的预设权重比例、所述退票总数的预设权重比例和所述第一关系网疏远值的预设权重比例，对所述购票总数、所述退票总数和所述第一关系网疏远值进行求和处理，得到总分值之前，所述网络购票的舞弊行为自动检测方法还包括：
获取所述当前账号对应的当前用户的当前身份标识；
分析所述当前身份标识标记的当前用户和所述购票乘客身份标识标记的购票乘客之间的关系网密切值；
所述基于所述购票总数的预设权重比例、所述退票总数的预设权重比例和所述第一关系网疏远值的预设权重比例，对所述购票总数、所述退票总数和所述第一关系网疏远值进行求和处理，得到总分值包括：
基于所述购票总数的预设权重比例、所述退票总数的预设权重比例、所述第一关系网疏远值的预设权重比例和所述关系网密切值的预设权重比例，对所述购票总数、所述退票总数、所述第一关系网疏远值和所述关系网密切值进行求和处理，得到总分值。
5.如权利要求4所述的网络购票的舞弊行为自动检测方法，其特征在于，在所述基于所述购票总数的预设权重比例、所述退票总数的预设权重比例、所述第一关系网疏远值的预设权重比例和所述关系网密切值的预设权重比例，对所述购票总数、所述退票总数、所述第一关系网疏远值和所述关系网密切值进行求和处理，得到总分值之前，所述网络购票的舞弊行为自动检测方法还包括：
分析所述当前身份标识标记的当前用户和所述退票乘客身份标识标记的退票乘客之间的第二关系网疏远值；
所述基于所述购票总数的预设权重比例、所述退票总数的预设权重比例、所述第一关系网疏远值的预设权重比例和所述关系网密切值的预设权重比例，对所述购票总数、所述退票总数、所述第一关系网疏远值和所述关系网密切值进行求和处理，得到总分值包括：
基于所述购票总数的预设权重比例、所述退票总数的预设权重比例、所述第一关系网疏远值的预设权重比例、所述关系网密切值的预设权重比例和所述第二关系网疏远值的预设权重比例，对所述购票总数、所述退票总数、所述第一关系网疏远值、所述关系网密切值和所述第二关系网疏远值进行求和处理，得到总分值。
6.如权利要求1至5中任一项所述的网络购票的舞弊行为自动检测方法，其特征在于，在所述基于所述购票总数的预设权重比例和所述退票总数的预设权重比例，对所述购票总数和所述退票总数进行求和处理，得到总分值之前，所述网络购票的舞弊行为自动检测方法还包括：
在所述目标时间段内，获取退票购票时间间隔，其中，所述退票购票时间间隔为通过所述当前账号退去车票与购买车票之间的时间间隔；
所述基于所述购票总数的预设权重比例和所述退票总数的预设权重比例，对所述购票总数和所述退票总数进行求和处理，得到总分值包括：
基于所述购票总数的预设权重比例、所述退票总数的预设权重比例和所述时间间隔的倒数的预设权重比例，对所述购票总数、所述退票总数和所述时间间隔的倒数进行求和处理，得到总分值。
7.如权利要求1至5中任一项所述的网络购票的舞弊行为自动检测方法，其特征在于，在所述在所述目标时间段内确定所述当前账号存在网络购票的舞弊行为之后，所述网络购票的舞弊行为自动检测方法还包括：
输出网络购票舞弊行为的预警指令；
禁止所述当前账号进行购票。
8.如权利要求7所述的网络购票的舞弊行为自动检测方法，其特征在于，所述禁止所述当前账号进行购票包括：
禁止所述当前账号登录；
禁止已登录过所述当前账号的设备访问购票系统。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8中任一项所述的网络购票的舞弊行为自动检测方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的网络购票的舞弊行为自动检测方法。
CN201911097646.5A 2019-11-12 2019-11-12 网络购票的舞弊行为自动检测方法、设备及可读存储介质 Pending CN111147441A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911097646.5A CN111147441A (zh) 2019-11-12 2019-11-12 网络购票的舞弊行为自动检测方法、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911097646.5A CN111147441A (zh) 2019-11-12 2019-11-12 网络购票的舞弊行为自动检测方法、设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN111147441A true CN111147441A (zh) 2020-05-12

Family

ID=70517086

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911097646.5A Pending CN111147441A (zh) 2019-11-12 2019-11-12 网络购票的舞弊行为自动检测方法、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN111147441A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801668A (zh) * 2021-02-05 2021-05-14 绿盟科技集团股份有限公司 一种防止自动刷票的方法
CN115296855A (zh) * 2022-07-11 2022-11-04 绿盟科技集团股份有限公司 一种用户行为基线生成方法及相关装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104866953A (zh) * 2015-04-28 2015-08-26 北京嘀嘀无限科技发展有限公司 一种虚假订单的识别方法及装置
CN107124391A (zh) * 2016-09-22 2017-09-01 北京小度信息科技有限公司 异常行为的识别方法及装置
US20170270526A1 (en) * 2016-03-15 2017-09-21 Hrb Innovations, Inc. Machine learning for fraud detection
CN107403325A (zh) * 2017-08-10 2017-11-28 中国民航信息网络股份有限公司 机票订单可信度评价方法和装置
CN108229749A (zh) * 2018-01-16 2018-06-29 厦门快商通信息技术有限公司 基于深度学习的不良购票行为管理方法
US20180268464A1 (en) * 2015-11-18 2018-09-20 Alibaba Group Holding Limited Order clustering and malicious information combating method and apparatus

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104866953A (zh) * 2015-04-28 2015-08-26 北京嘀嘀无限科技发展有限公司 一种虚假订单的识别方法及装置
US20180268464A1 (en) * 2015-11-18 2018-09-20 Alibaba Group Holding Limited Order clustering and malicious information combating method and apparatus
US20170270526A1 (en) * 2016-03-15 2017-09-21 Hrb Innovations, Inc. Machine learning for fraud detection
CN107124391A (zh) * 2016-09-22 2017-09-01 北京小度信息科技有限公司 异常行为的识别方法及装置
CN107403325A (zh) * 2017-08-10 2017-11-28 中国民航信息网络股份有限公司 机票订单可信度评价方法和装置
CN108229749A (zh) * 2018-01-16 2018-06-29 厦门快商通信息技术有限公司 基于深度学习的不良购票行为管理方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801668A (zh) * 2021-02-05 2021-05-14 绿盟科技集团股份有限公司 一种防止自动刷票的方法
CN115296855A (zh) * 2022-07-11 2022-11-04 绿盟科技集团股份有限公司 一种用户行为基线生成方法及相关装置
CN115296855B (zh) * 2022-07-11 2023-11-07 绿盟科技集团股份有限公司 一种用户行为基线生成方法及相关装置

Similar Documents

Publication Publication Date Title
CN108156237B (zh) 产品信息推送方法、装置、存储介质和计算机设备
CN109460944B (zh) 基于大数据的核保方法、装置、设备及可读存储介质
CN110728323B (zh) 目标类型用户的识别方法、装置、电子设备及存储介质
CN110442712B (zh) 风险的确定方法、装置、服务器和文本审理系统
CN108399565A (zh) 金融产品推荐装置、方法及计算机可读存储介质
CN112529575B (zh) 风险预警方法、设备、存储介质及装置
WO2019179030A1 (zh) 产品购买预测方法、服务器及存储介质
US10521580B1 (en) Open data biometric identity validation
CN110766275A (zh) 数据验证方法、装置、计算机设备及存储介质
CN110688168A (zh) 提高应用程序启动速度方法、装置、设备及存储介质
CN111147441A (zh) 网络购票的舞弊行为自动检测方法、设备及可读存储介质
CN110992135A (zh) 一种风险识别方法、装置、电子设备及存储介质
CN114020578A (zh) 基于用户画像的异常账户检测方法、装置、设备及介质
CN109670931A (zh) 贷款用户的行为检测方法、装置、设备及存储介质
CN112990989B (zh) 价值预测模型输入数据生成方法、装置、设备和介质
TWI778411B (zh) 學習模型應用系統、學習模型應用方法及程式產品
CN111339317A (zh) 用户注册识别方法、装置、计算机设备和存储介质
CN109727142B (zh) 保险投保方法、系统、设备及存储介质
CN107871213B (zh) 一种交易行为评价方法、装置、服务器以及存储介质
CN109377213B (zh) 自助卡激活方法、装置、计算机设备及存储介质
CN110598090B (zh) 兴趣标签的生成方法、装置、计算机设备和存储介质
CN111507829A (zh) 境外信用卡风控模型迭代方法、装置、设备以及存储介质
CN110716930A (zh) 数值转移方法、装置、计算机设备和存储介质
CN111538905A (zh) 一种对象的推荐方法及装置
CN111143644A (zh) 物联网设备的识别方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200512