CN104133808A - 基于复杂对应系统的用户行为一致性度测量方法 - Google Patents

Abstract

一种基于复杂对应系统的用户行为一致性度测量方法，应用于互联网支付平台安全。整个方案分为三个阶段：第一阶段根据现有用户行为模型分析复杂对应关系特征，第二阶段根据用户行为特征建立行为轮廓，构建用户行为关系矩阵，第三阶段根据用户复杂对应特征，完成用户行为矩阵分解，计算用户行为一致性度，检测用户行为与预期行为的一致程度。对用户的内部行为关系进行了较细致的分析，建立了用户行为关系的轮廓，并对复杂对应关系进行区分和分类，给出了基于复杂对应关系用户行为的一致性测量和分析构架。有效地将复杂对应关系进行区分和计算，解决了存在复杂对应模型对的行为一致性测度问题，并大大缩短了运算时间。

Description

基于复杂对应系统的用户行为一致性度测量方法

技术领域

本发明涉及用户行为一致性度测量，可应用于互联网支付平台安全。

背景技术随着计算机的飞速发展，网上支付平台的应用越来越广泛，对于用户在支付过程中的行为一致性检测技术的要求也越来越严格。

由于系统设计师和建模者对相同的真实世界现象所持有的观点的不同，从而导致不同模型的建立。模型的一致性关系到模型元素在模型匹配情况下的匹配的语义学。那么存在复杂对应的情况便不言而喻，统计表明对于流程模型中存在的对应中，有超过40℅是复杂对应的，超过7℅是有着交叉重复对应的。如何对电子交易过程中用户的行为和预期行为进行一致性分析，在存在于复杂系统中的模型间便显得至关重要。

先前就两个模型(即测量用户行为模型、预期模型)之间的一致性有过一些研究，提出了如迹匹配、互模拟、行为轮廓等测量方法(见后面的批注[1-5])，但是这些方法在复杂对应方面，未能有效区分行为间的复杂对应的情况，从而在计算精度上面大打折扣。

提供以下索引，索引所对应的公开文献为与本发明技术方案接近或者相关技术，并也视为本发明说明书的组成部分。因此，本发明技术方案中涉及的技术术语以及技术方案实施所依赖的在先技术可参见如下资料:

[1]Matthias Weidlich,Jan Mendling,Mathias Weske.Ef fi cientconsistency measurement based on behavioral profiles of process models[J].IEEE Transactions on Software Engineering,2011,37(3):410–429.

[2]Matthias Weidlic,Behavioural profiles---a relational approachto behaviour consistency[DB/OL].Institutional Repository of theUniversity of Potsdam:URLhttp://opus.kobv.de/ubp/volltexte/2011/5559/URN urn:nbn:de:kobv:517‐opus‐55590,2011.

[3]Sergey Smirnov,Matthias Weidlich,Jan Mendling.Business ProcessModel Abstraction Based on Behavioral Profiles[C].Heidelberg:SpringerVerlag,2010:1-16.

[4]Matthias Weidlich,Mathias Weske,Jan Mendling.Change Propagationin Process Models Using Behavioural Profiles[C].Washington:IEEE ComputerSociety Washington,2009:33-40.

[5]Matthias Weidlich,Jan Mendling.Perceived consistency betweenprocess models[J].Information Systems,2012,37(2):80-98.

[6]吴哲辉，Petri网导论[M].机械工业出版社，2006年。

发明内容

本发明目的在于克服现有技术的不足，用于测量用户行为模型与预期模型的行为一致性，对复杂对应的行为关系进行具体分类分析，确定各个复杂类的行为对应特征；解决含有交叉重复对应的行为一致性问题，利用矩阵的相关知识，计算了模型的行为一致性，测量了含有复杂对应关系的行为一致性服从度。

为此，给出的技术方案为：

一种基于复杂对应系统的用户行为一致性度测量方法，其特征在于，整个方案分为三个阶段：

第一阶段具体实施步骤：

步骤1-1，在已有工作流网的基础上，对交叉序关系进行细分，细化行为轮廓关系；

步骤1-2，分析复杂对应关系，将复杂对应关系分类，确定各个类的行为特征；

步骤1-3，同时根据用户之间的间接关系分析用户活动间的传递依赖关系；

以上步骤1-1、1-2和1-3是并列进行着；

第二阶段具体实施步骤：

步骤2-1，根据步骤1-2完成的复杂对应关系的分类及其每个类的行为特征，确定五类对应关系之间的相关性；

步骤2-2，根据步骤1-1细化的行为轮廓关系，建立用户扩展的行为轮廓关系；

步骤2-3，在步骤2-2的基础上并结合步骤1-3，根据公式(i,j＝1,2,…,n)把用户行为关系转化成矩阵元素(其中a_ij为行为关系矩阵中的元素)；

步骤2-4，在步骤2-2和2-3的基础上，构建用户行为关系矩阵图；

其构造步骤如下所示(从矩阵MD₁→MD₂→MD₃→MD₄…→MD_n→MD)：

第三阶段具体实施步骤：

步骤3-1，根据步骤2-1确定的五类用户复杂对应类以及步骤2-4建立的行为关系矩阵图，将用户行为关系矩阵进行分解；

步骤3-2，根据用户实际模型与预期模型的对应关系，计算用户模型与预期模型的行为一致性，

其中，一致的行为关系表现出用户活动的一致的部分，用行为矩阵的面积来刻画其整个一致的行为关系，一致度值越高代表该用户行为与预期行为越一致，一致度值越低代表该用户行为与预期行为越不一致，当一致度特别低时，怀疑该用户行为为非法行为。

附图说明

图1系统架构图

图2业务流程Petri网图

图3是图2的行为关系图

图4是图3的分解图

图5是算法1流程图

图6是算法2流程图

具体实施方式(案例)对用户的内部行为关系进行了较细致的分析，建立了用户行为关系的轮廓，并对复杂对应关系进行区分和分类，给出了基于复杂对应关系用户行为的一致性测量和分析构架，如图1所示。该构架能够有效区分复杂对应关系，并依此对行为对应关系做到更为精确的判定。有效地将复杂对应关系进行区分和计算，解决了存在复杂对应模型对的行为一致性测度问题，并大大缩短了运算时间。

用户行为一致性度测量方法系统结构图，如图1所示。整个方案分为三个阶段：第一阶段根据现有用户行为模型分析复杂对应关系特征，第二阶段根据用户行为特征建立行为轮廓，构建用户行为关系矩阵，第三阶段根据用户复杂对应特征，完成用户行为矩阵分解，计算用户行为一致性度，检测用户行为与预期行为的一致程度。

第一阶段具体实施步骤：

步骤1-1，在已有工作流网的基础上，对交叉序关系进行细分，细化行为轮廓关系。

步骤1-2，分析复杂对应关系，将复杂对应关系分类，确定各个类的行为特征。

步骤1-3，同时根据用户之间的间接关系分析用户活动间的传递依赖关系。

其中：以上步骤1-1、1-2和1-3是并列进行着的。

第二阶段具体实施步骤：

步骤2-1，根据步骤1-2完成的复杂对应关系的分类及其每个类的行为特征，确定五类对应关系之间的相关性。

步骤2-2，根据步骤1-1细化的行为轮廓关系，建立用户扩展的行为轮廓关系。

步骤2-3，在步骤2-2的基础上并结合步骤1-3，根据公式(i,j＝1,2,…,n)把用户行为关系转化成矩阵元素(其中a_ij为行为关系矩阵中的元素)。

步骤2-4，在步骤2-2和2-3的基础上，构建用户行为关系矩阵图。

其构造步骤如下所示(从矩阵MD₁→MD₂→MD₃→MD₄…→MD_n→MD)：

第三阶段具体实施步骤：

步骤3-1，根据步骤2-1确定的五类用户复杂对应类以及步骤2-4建立的行为关系矩阵图，将用户行为关系矩阵进行分解(具体见算法1)。

步骤3-2，根据用户实际模型与预期模型的对应关系，计算用户模型与预期模型的行为一致性(具体见算法2)。

其中，一致的行为关系表现出用户活动的一致的部分，我们用行为矩阵的面积来刻画其整个一致的行为关系，一致度值越高代表该用户行为与预期行为越一致，一致度值越低代表该用户行为与预期行为越不一致，当一致度特别低时，我们怀疑该用户行为为非法行为。

算法1行为关系矩阵图中元素的求解算法。(具体流程见图5)

输入：两个工作流网N₁＝(P₁,T₁；F₁)和N₂＝(P₂,T₂；F₂)，其中他们中有着对应关系的变迁集A＝{a₁,a₂,…,a_n}、B＝{b₁,b₂,…,b_m}、(i＝1,2,…,n)、进行排序的行为关系矩阵MD_A0和MD_B0。

输出：行为关系矩阵图MD_A、MD_B中的元素a_ij(i,j＝1,2,…,n)、b_ij(i,j＝1,2,…,m)。

(1)先确定MD_A中对角线的元素a_ii(i＝1,2,…,n)，依次判断a_i(i＝1,2,…,n)是否处于环结构中，若a_i不在环结构中，那么输出a_ii＝2，执行步骤(2)；否则输出a_ii＝0，执行步骤(2)。

(2)再确定a_i,i+1、a_i+1,i(i＝1,2,…,n-1)的值。在网N₁中，依次计算a_i与a_i+1的行为关系，然后将行为关系转化为整数p，输出a_i,i+1＝a_i+1,i＝p，执行步骤(3)。

(3)再确定a_i,i+2、a_i+2,i(i＝1,2,…,n-2)的值。若a_i,i+1≠a_i+1,i+2，输出a_i,i+2＝a_i+2,i＝min{a_i,i+1,a_i+1,i+2}；否则，若a_i,i+1＝a_i+1,i+2＝1，那么输出a_i,i+2＝a_i+2,i＝1；否则，若a_i,i+1＝a_i+1,i+2≠1，那么判断a_i与a_i+2的行为关系，并转化为行为关系数值q，输出a_i,i+2＝a_i+2,i＝q，执行步骤(4)。

(4)同理，确定a_i,i+h、a_i+h,i(i＝1,2,…,n-h)(h＝3…,n-1)，输出a_i,i+h＝a_i+h,i，直到最后一个元素a_1n，算法终止。

同理我们根据算法1，可以计算出MD_B中的元素b_ij(i,j＝1,2,…,m)，从而得到矩阵MD_B。

算法2一致性度的求解算法。(具体流程见图6)

输入：两个工作流网N₁＝(P₁,T₁；F₁)和N₂＝(P₂,T₂；F₂)，他们的行为关系矩阵MD_A0和MD_B0(由算法1求得)。

输出：一致性度BP。

(1)先根据MD_A0与MD_B0中变迁集的对应关系，将MD_A0和MD_B0分别分为p和q个对应集合，将MD_A0依次标记为{a₁,a₂,…a_m}、{a_m+1,a_m+2,…a_l}{a_s+1,…a_n}，执行步骤(2)

(2)先根据MD_A0中第一个与MD_B0对应的集合{a₁,a₂,…a_m}，取MD_A0中前m阶方阵记为模块1，并执行步骤(3)。

(3)根据MD_A0中第二个与MD_B0对应的集合{a_m+1,a_m+2,…a_l}，取MD_A0中第1→(m)行和(m+1)→(l)列组成的m×(l-m)阶矩阵及其转置矩阵记为模块2，并执行步骤(4)。

(4)仿照之前的步骤，直到MD_A0中第p个与MD_B0对应的集合{a_s+1,…a_n}，取MD_A0中第1→(m)行和(s+1)→(n)列组成的m×(n-s)阶矩阵及其转置矩阵记为模块p，并执行步骤(5)。

(5)根据MD_A0中第二个与MD_B0对应的集合{a_m+1,a_m+2,…a_l}，取MD_A0中第(m+1)→(l)行和(m+1)→(l)列组成的(l-m)阶方阵记为模块p+1，并执行步骤(6)。

(6)仿照步骤(4)，将MD_A0中(m+1)→(l)行和(s+1)→(n)列组成的(l-m)×(n-s)阶矩阵及其转置矩阵记为模块p+2，并执行步骤(7)。

(7)一直这样进行下去，直到MD_A0中第p个与MD_B0对应的集合{a_s+1,…a_n}，取s+1→n行和s+1→n列组成的(n-s)阶方阵记为模块并执行步骤(8)。

(8)若p＝q，同理将MD_B0也分解为对应模块，并标记模块名从则执行步骤(10)；否则若p≠q，将MD_B0中非重复对应关系也分解为对应模块，执行步骤(9)。

(9)锁定重复对应的变迁集合，以重复对应的集合组成的区域依次记为模块 $\frac{p(p+1)}{2}+1=1_c,\frac{p(p+1)}{2}+2=2_c...,\frac{p(p+1)}{2}+(q-p)={(q-p)}_c,$ 执行步骤(10)。

(10)在MD_A0中，依次对模块中的矩阵元素进行排查，找出其a_i、a_i与MD_B0相同模块中不同的元素b_i、b_j，若p＝q，输出一致性度BP，算法终止；否则若p≠q，则锁定模块1_c、2_c…,(q-p)_c，输出一致性度BP，算法终止。

下面给出图2的一个例子。

根据算法1，分别得到图2(a)、(b)、(c)、(d)的行为关系矩阵图MD_a、MD_b、MD_c、MD_d(如图3所示)，然后根据算法2的步骤(1)-(9)，分别对其进行分解，以MD_a、MD_b为例，如图4所示。根据算法2的步骤(10)，可得图2中(a)和(b)的一致性度为: 同理可得到图2中(b)和(c)的一致性度为: $1-\frac{(1\×2+1\×2+1\×2)+(1\×1+1\×1+1\×1)}{6\×6+3\×3}=0.8;$ 而图中(c)和(d)中，有A～{A1,AB1,AB2}且有B～{AB1,AB2}，有图2中(c)和(d)的轮廓一致性度为： $1-\frac{(1\×1+1\×1)+(1\×2+3\×2)}{6\×6+3\×3}=\frac{42}{52}\≈0.81.$

图2所示的用户(a)的行为与(b)的行为一致度达到75％，图2所示的用户(b)的行为与(c)的行为一致度达到80％，图2所示的用户(c)的行为与(d)的行为一致度约达到81％，都比较高，表明该用户行为与预期行为一致，我们判定该用户行为为合法行为。

本发明的创新点

1.利用行为轮廓技术，将用户行为模式一致性量化。

2.对用户复杂行为关系进行分类，并确定了各个复杂类的行为特征及性质。

3.提出行为矩阵的方法，将模型对间的行为关系转化为行为关系矩阵的元素，缩短了计算时间。

4.区分了交叉重复对应的情况，提高精确度，解决了存在交叉重复模型对的行为一致性测度问题。

Claims (3)

1.一种基于复杂对应系统的用户行为一致性度测量方法，其特征在于，整个方案分为三个阶段：

第一阶段具体实施步骤：

步骤1-1，在已有工作流网的基础上，对交叉序关系进行细分，细化行为轮廓关系；

步骤1-2，分析复杂对应关系，将复杂对应关系分类，确定各个类的行为特征；

步骤1-3，同时根据用户之间的间接关系分析用户活动间的传递依赖关系；

以上步骤1-1、1-2和1-3是并列进行着；

第二阶段具体实施步骤：

步骤2-1，根据步骤1-2完成的复杂对应关系的分类及其每个类的行为特征，确定五类对应关系之间的相关性；

步骤2-2，根据步骤1-1细化的行为轮廓关系，建立用户扩展的行为轮廓关系；

步骤2-3，在步骤2-2的基础上并结合步骤1-3，根据公式(i,j＝1,2,…,n)把用户行为关系转化成矩阵元素(其中a_ij为行为关系矩阵中的元素)；

步骤2-4，在步骤2-2和2-3的基础上，构建用户行为关系矩阵图；

其构造步骤如下所示(从矩阵

MD₁→MD₂→MD₃→MD₄…→MD_n→MD)：

第三阶段具体实施步骤：

步骤3-1，根据步骤2-1确定的五类用户复杂对应类以及步骤2-4建立的行为关系矩阵图，将用户行为关系矩阵进行分解；

步骤3-2，根据用户实际模型与预期模型的对应关系，计算用户模型与预期模型的行为一致性，

其中，一致的行为关系表现出用户活动的一致的部分，用行为矩阵的面积来刻画其整个一致的行为关系，一致度值越高代表该用户行为与预期行为越一致，一致度值越低代表该用户行为与预期行为越不一致，当一致度特别低时，怀疑该用户行为为非法行为。

2.如权利要求1所述的基于复杂对应系统的用户行为一致性度测量方法，其特征在于，步骤3-1中，所述将用户行为关系矩阵进行分解，其行为关系矩阵图中元素的求解算法为：

输入：两个工作流网N₁＝(P₁,T₁；F₁)和N₂＝(P₂,T₂；F₂)，其中他们中有着对应关系的变迁集A＝{a₁,a₂,…,a_n}、B＝{b₁,b₂,…,b_m}、(i＝1,2,…,n)、进行排序的行为关系矩阵MD_A0和MD_B0；

输出：行为关系矩阵图MD_A、MD_B中的元素a_ij(i,j＝1,2,…,n)、b_ij(i,j＝1,2,…,m)；

(1)先确定MD_A中对角线的元素a_ii(i＝1,2,…,n)，依次判断a_i(i＝1,2,…,n)是否处于环结构中，若a_i不在环结构中，那么输出a_ii＝2，执行步骤(2)；否则输出a_ii＝0，执行步骤(2)；

(2)再确定a_i,i+1、a_i+1,i(i＝1,2,…,n-1)的值，在网N₁中，依次计算a_i与a_i+1的行为关系，然后将行为关系转化为整数p，输出a_i,i+1＝a_i+1,i＝p，执行步骤(3)；

(3)再确定a_i,i+2、a_i+2,i(i＝1,2,…,n-2)的值；若a_i,i+1≠a_i+1,i+2，输出a_i,i+2＝a_i+2,i＝min{a_i,i+1,a_i+1,i+2}；否则，若a_i,i+1＝a_i+1,i+2＝1，那么输出a_i,i+2＝a_i+2,i＝1；否则，若a_i,i+1＝a_i+1,i+2≠1，那么判断a_i与a_i+2的行为关系，并转化为行为关系数值q，输出a_i,i+2＝a_i+2,i＝_q，执行步骤(4)；

(4)同理，确定a_i,i+h、a_i+h,i(i＝1,2,…,n-h)(h＝3…,n-1)，输出a_i,i+h＝a_i+h,i，直到最后一个元素a_1n，算法终止；

同理根据该行为关系矩阵图中元素的求解算法，计算出MD_B中的元素b_ij(i,j＝1,2,…,m)，从而得到矩阵MD_B。

3.如权利要求1所述的基于复杂对应系统的用户行为一致性度测量方法，其特征在于，步骤3-2中，所述计算用户模型与预期模型的行为一致性，其一致性度的求解算法为：

输入：两个工作流网N₁＝(P₁,T₁；F₁)和N₂＝(P₂,T₂；F₂)，他们的行为关系矩阵MD_A0和MD_B0，是由步骤3-1步骤中的行为关系矩阵图中元素的求解算法求得；

输出：一致性度BP

(1)先根据MD_A0与MD_B0中变迁集的对应关系，将MD_A0和MD_B0分别分为p和q个对应集合，将MD_A0依次标记为{a₁,a₂,…a_m}、{a_m+1,a_m+2,…a_l}…{a_s+1,…a_n}，执行步骤(2)

(2)先根据MD_A0中第一个与MD_B0对应的集合{a₁,a₂,…a_m}，取MD_A0中前m阶方阵记为模块1，并执行步骤(3)；

(3)根据MD_A0中第二个与MD_B0对应的集合{a_m+1,a_m+2,…a_l}，取MD_A0中第1→(m)行和(m+1)→(l)列组成的m×(l-m)阶矩阵及其转置矩阵记为模块2，并执行步骤(4)；

(4)仿照之前的步骤，直到MD_A0中第p个与MD_B0对应的集合{a_s+1,…a_n}，取MD_A0中第1→(m)行和(s+1)→(n)列组成的m×(n-s)阶矩阵及其转置矩阵记为模块p，并执行步骤(5)；

(5)根据MD_A0中第二个与MD_B0对应的集合{a_m+1,a_m+2,…a_l}，取MD_A0中第(m+1)→(l)行和(m+1)→(l)列组成的(l-m)阶方阵记为模块p+1，并执行步骤(6)；

(6)仿照步骤(4)，将MD_A0中(m+1)→(l)行和(s+1)→(n)列组成的(l-m)×(n-s)阶矩阵及其转置矩阵记为模块p+2，并执行步骤(7)；

(7)一直这样进行下去，直到MD_A0中第p个与MD_B0对应的集合{a_s+1,…a_n}，取s+1→n行和s+1→n列组成的(n-s)阶方阵记为模块并执行步骤(8)；

(8)若p＝q，同理将MD_B0也分解为对应模块，并标记模块名从则执行步骤(10)；否则若p≠q，将MD_B0中非重复对应关系也分解为对应模块，执行步骤(9)；

(9)锁定重复对应的变迁集合，以重复对应的集合组成的区域依次记为模块 $\frac{p(p+1)}{2}+1=1_c,\frac{p(p+1)}{2}+2=2_c...,\frac{p(p+1)}{2}+(q-p)={(q-p)}_c,$ 执行步骤(10)；

(10)在MD_A0中，依次对模块中的矩阵元素进行排查，找出其a_i、a_i与MD_B0相同模块中不同的元素b_i、b_j，若p＝q，输出一致性度BP，算法终止；否则若p≠q，则锁定模块1_c、2_c…,(q-p)_c，输出一致性度BP，算法终止。