CN108521435B - 一种用户网络行为画像的方法及系统 - Google Patents

一种用户网络行为画像的方法及系统 Download PDF

Info

Publication number
CN108521435B
CN108521435B CN201810739281.0A CN201810739281A CN108521435B CN 108521435 B CN108521435 B CN 108521435B CN 201810739281 A CN201810739281 A CN 201810739281A CN 108521435 B CN108521435 B CN 108521435B
Authority
CN
China
Prior art keywords
access
specific object
value
model
service
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.)
Active
Application number
CN201810739281.0A
Other languages
English (en)
Other versions
CN108521435A (zh
Inventor
娈靛浆
段彬
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.)
Wuhan Sipuling Technology Co Ltd
Original Assignee
Wuhan Sipuling 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 Wuhan Sipuling Technology Co Ltd filed Critical Wuhan Sipuling Technology Co Ltd
Priority to CN201810739281.0A priority Critical patent/CN108521435B/zh
Publication of CN108521435A publication Critical patent/CN108521435A/zh
Application granted granted Critical
Publication of CN108521435B publication Critical patent/CN108521435B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
    • H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
    • H04L63/1425—Traffic logging, e.g. anomaly detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Storage Device Security (AREA)

Abstract

本发明公开了一种用户网络行为画像的方法及系统，采集特定对象的访问流量，实时从其中获取流量携带的网络信息，再基于所述网络信息，学习建立所述特定对象的访问关系模型，将所述特定对象的当前访问数据与访问关系模型进行匹配，认定所述特定对象是否访问异常，并且采用滑动时间窗口引入实时采集的网络信息，校正所述访问关系模型，有助于系统对用户的网络行为进行画像。

Description

一种用户网络行为画像的方法及系统
技术领域
本申请涉及网络信息安全技术领域，尤其涉及一种用户网络行为画像的方法及系统。
背景技术
用户访问网络的行为呈现多种多样，不同的时间、不同的地域、访问不同的资源都会导致访问流量出现完全不同的情况。而出于网络安全的考虑，却又十分有必要监测网络的访问流量，防止攻击。
现有的监测流量方法和系统，没有动态考虑用户的属性，或者只是简单地从时间、地域等简单维度，监测用户的访问流量。所以，提供一种能够为不同用户进行画像的方法和系统，建立模型，定期校正模型，基于模型进行监测流量，就显得非常有必要。
发明内容
本发明的目的在于提供一种用户网络行为画像的方法及系统，实现基于模型进行监测流量，以解决上述背景技术中提出的问题。
第一方面，本申请提供一种用户网络行为画像的方法，所述方法包括：
采集特定对象的访问流量，实时获取流量携带的网络信息；
基于所述网络信息，学习建立所述特定对象的访问关系模型；
将所述特定对象的当前访问数据与访问关系模型进行匹配，根据所述匹配的结果认定所述特定对象是否访问异常；
采用滑动时间窗口引入实时采集的网络信息，校正所述访问关系模型。
结合第一方面，在第一方面第一种可能的实现方式中，所述根据所述匹配的结果认定所述特定对象是否访问异常，具体包括：
根据匹配的结果，判断所述特定对象是否偏离访问关系模型的基准；
如果判断为是，则认定所述特定对象访问异常；如果判断为否，则认定所述特定对象访问正常。
结合第一方面，在第一方面第二种可能的实现方式中，所述判断所述特定对象是否偏离访问关系模型的基准，具体包括：
根据访问关系模型确定用户访问关系的平均值；
根据所述特定对象的实时访问数据计算实时访问关系值；
计算所述特定对象的实时访问关系值与所述平均值的差值，判断所述差值是否大于预先定义的阈值；
如果判断为是，则认定所述特定对象访问异常；如果判断为否，则认定所述特定对象访问正常。
结合第一方面，在第一方面第三种可能的实现方式中，所述采用滑动时间窗口引入实时采集的网络信息，具体包括：
获取初始滑动时间窗口的网络信息；
利用特征和权值估计出滑动时间窗口的位置序列；
使用所述位置序列中的窗口时刻采集所述特定对象的访问流量；
从所述访问流量中获取携带的网络信息，校正所述访问关系模型。
第二方面，本申请提供一种用户网络行为画像的系统，所述系统包括：
流量采集模块，用于采集特定对象的访问流量，实时获取流量携带的网络信息；
模型建立模块，用于基于所述网络信息，学习建立所述特定对象的访问关系模型；
数据匹配模块，用于将所述特定对象的当前访问数据与访问关系模型进行匹配，根据所述匹配的结果认定所述特定对象是否访问异常；
模型校正模块，用于采用滑动时间窗口引入实时采集的网络信息，校正所述访问关系模型。
结合第二方面，在第二方面第一种可能的实现方式中，所述数据匹配模块根据所述匹配的结果认定所述特定对象是否访问异常，具体包括：
判断认定模块，用于根据匹配的结果，判断所述特定对象是否偏离访问关系模型的基准；
如果判断为是，则认定所述特定对象访问异常；如果判断为否，则认定所述特定对象访问正常。
结合第二方面，在第二方面第二种可能的实现方式中，所述判断认定模块判断所述特定对象是否偏离访问关系模型的基准，具体包括：
确定均值子模块，用于根据访问关系模型确定用户访问关系的平均值；
实时计算子模块，用于根据所述特定对象的实时访问数据计算实时访问关系值；
判断子模块，用于计算所述特定对象的实时访问关系值与所述平均值的差值，判断所述差值是否大于预先定义的阈值；
如果判断为是，则认定所述特定对象访问异常；如果判断为否，则认定所述特定对象访问正常。
结合第二方面，在第二方面第三种可能的实现方式中，所述模型校正模块采用滑动时间窗口引入实时采集的网络信息，具体包括：
获取初始滑动时间窗口的网络信息；
利用特征和权值估计出滑动时间窗口的位置序列；
使用所述位置序列中的窗口时刻采集所述特定对象的访问流量；
从所述访问流量中获取携带的网络信息，校正所述访问关系模型。
本发明提供一种用户网络行为画像的方法及系统，采集特定对象的访问流量，实时从其中获取流量携带的网络信息，再基于所述网络信息，学习建立所述特定对象的访问关系模型，将所述特定对象的当前访问数据与访问关系模型进行匹配，认定所述特定对象是否访问异常，并且采用滑动时间窗口引入实时采集的网络信息，校正所述访问关系模型，有助于系统对用户的网络行为进行画像。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明用户网络行为画像的方法的一个实施例的方法流程图；
图2为本发明判断特定对象是否偏离访问关系模型的基准的一个实施例的方法流程图；
图3为本发明采用滑动时间窗口引入实时采集的网络信息的一个实施例的方法流程图；
图4为本发明用户网络行为画像的系统的一个实施例的系统框架图。
具体实施方式
下面结合附图对本发明的优选实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
图1为本发明提供的用户网络行为画像的方法的一个实施例的流程图，该方法包括：
步骤101，采集特定对象的访问流量，实时获取流量携带的网络信息。
步骤102，基于所述网络信息，学习建立所述特定对象的访问关系模型。
还可以包括：向服务器发送获取访问数据的请求，请求中携带有所述特定对象的唯一标识；服务器在接收到请求后，根据唯一标识查询本地数据库，将查找到的所述特定对象的历史访问数据返回。根据网络信息结合历史访问数据，学习建立所述特定对象的访问关系模型。
步骤103，将所述特定对象的当前访问数据与访问关系模型进行匹配，根据所述匹配的结果认定所述特定对象是否访问异常。
步骤104，采用滑动时间窗口引入实时采集的网络信息，校正所述访问关系模型。
在一些优选实施例中，所述学习建立所述特定对象的访问关系模型，具体可以包括：
根据所述特定对象的访问流量，识别出流量包含的各种业务。
根据预先定义的各种业务对应的权重值、以及业务种类数量对应的系数，计算所述特定对象的访问关系值。
计算所述特定对象的访问关系值可以采用如下公式：
Value＝(Service1*Weight1+Service2*Weight2+……+Servicen*Weightn)*Coeff
其中，Value为某一特定对象的访问关系值，Servicen为某一种业务，Weightn为权重值，Coeff为某一特定对象业务种类数量对应的系数。
根据所述特定对象的访问关系值，确定所述特定对象所属的类型，进而得出所述类型对应的访问关系模型。
在一些优选实施例中，所述根据所述匹配的结果认定所述特定对象是否访问异常，具体包括：
根据匹配的结果，判断所述特定对象是否偏离访问关系模型的基准；
如果判断为是，则认定所述特定对象访问异常；如果判断为否，则认定所述特定对象访问正常。
图2为在一些优选实施例中，所述判断所述特定对象是否偏离访问关系模型的基准，具体包括：
步骤201，根据访问关系模型确定用户访问关系的平均值；
步骤202，根据所述特定对象的实时访问数据计算实时访问关系值；
步骤203，计算所述特定对象的实时访问关系值与所述平均值的差值，判断所述差值是否大于预先定义的阈值；
如果判断为是，则认定所述特定对象访问异常；如果判断为否，则认定所述特定对象访问正常。
在一些优选实施例中，在所述学习建立所述特定对象的访问关系模型之后，还可以包括：
基于所述特定对象的访问关系模型，动态调整采集访问流量的方式；
对于业务多样、流量变化比较大的所述访问关系模型，采用实时采集访问流量的方式；对于业务单一、流量相对固定的所述访问关系模型，采用固定周期采集访问流量的方式。
图3为在一些优选实施例中，所述采用滑动时间窗口引入实时采集的网络信息，具体包括：
步骤301，获取初始滑动时间窗口的网络信息；
步骤302，利用特征和权值估计出滑动时间窗口的位置序列；
步骤303，使用所述位置序列中的窗口时刻采集所述特定对象的访问流量；
步骤304，从所述访问流量中获取携带的网络信息，校正所述访问关系模型。
根据上述实施例提供的用户网络行为画像的方法，本发明实施例还提供一种用户网络行为画像的系统。如图4所示，所述系统包括：
流量采集模块401，用于采集特定对象的访问流量，实时获取流量携带的网络信息；
模型建立模块402，用于基于所述网络信息，学习建立所述特定对象的访问关系模型；
数据匹配模块403，用于将所述特定对象的当前访问数据与访问关系模型进行匹配，根据所述匹配的结果认定所述特定对象是否访问异常；
模型校正模块404，用于采用滑动时间窗口引入实时采集的网络信息，校正所述访问关系模型。
在一些优选实施例中，所述模型建立模块在所述学习建立所述特定对象的访问关系模型之后，还可以包括：
基于所述特定对象的访问关系模型，动态调整流量采集模块采集访问流量的方式；对于业务多样、流量变化比较大的所述访问关系模型，采用实时采集访问流量的方式；对于业务单一、流量相对固定的所述访问关系模型，采用固定周期采集访问流量的方式。
在一些优选实施例中，所述模型建立模块学习建立所述特定对象的访问关系模型，具体包括：
识别子模块，用于根据所述特定对象的访问流量，识别出流量包含的各种业务；
计算子模块，用于根据预先定义的各种业务对应的权重值、以及业务种类数量对应的系数，计算所述特定对象的访问关系值；
确定子模块，用于根据所述特定对象的访问关系值，确定所述特定对象所属的类型，进而得出所述类型对应的访问关系模型。
在一些优选实施例中，所述模型建立模块还可以从服务器获取所述特定对象的历史访问数据，包括：
发送子模块，用于向服务器发送获取访问数据的请求，请求中携带有所述特定对象的唯一标识；
服务器在接收到请求后，根据唯一标识查询本地数据库，将查找到的所述特定对象的历史访问数据返回。根据网络信息结合历史访问数据，学习建立所述特定对象的访问关系模型。
在一些优选实施例中，所述数据匹配模块根据所述匹配的结果认定所述特定对象是否访问异常，具体包括：
判断认定模块，用于根据匹配的结果，判断所述特定对象是否偏离访问关系模型的基准；
如果判断为是，则认定所述特定对象访问异常；如果判断为否，则认定所述特定对象访问正常。
在一些优选实施例中，所述判断认定模块判断所述特定对象是否偏离访问关系模型的基准，具体包括：
确定均值子模块，用于根据访问关系模型确定用户访问关系的平均值；
实时计算子模块，用于根据所述特定对象的实时访问数据计算实时访问关系值；
判断子模块，用于计算所述特定对象的实时访问关系值与所述平均值的差值，判断所述差值是否大于预先定义的阈值；
如果判断为是，则认定所述特定对象访问异常；如果判断为否，则认定所述特定对象访问正常。
在一些优选实施例中，所述模型校正模块采用滑动时间窗口引入实时采集的网络信息，具体包括：
获取初始滑动时间窗口的网络信息；
利用特征和权值估计出滑动时间窗口的位置序列；
使用所述位置序列中的窗口时刻采集所述特定对象的访问流量；
从所述访问流量中获取携带的网络信息，校正所述访问关系模型。
具体实现中，本发明还提供一种计算机存储介质，其中，该计算机存储介质可以存储有程序，该程序执行时可包括本发明提供的用户访问合规性分析的方法的各实施例中的部分或全部步骤。所述的存储介质可以为磁碟、光盘、只读存储记忆体(简称：ROM)或随机存储记忆体(简称：RAM)等。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书各个实施例之间相同相似的部分互相参见即可。尤其，对于实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。
以上所述的本发明实施方式并不构成对本发明保护范围的限定。

Claims (4)

1.一种用户网络行为画像的方法，所述方法包括：
采集特定对象的访问流量，实时获取流量携带的网络信息；
基于所述网络信息，学习建立所述特定对象的访问关系模型；
所述学习建立所述特定对象的访问关系模型，包括：根据所述特定对象的访问流量，识别出流量包含的各种业务；根据预先定义的各种业务对应的权重值、以及业务种类数量对应的系数，计算所述特定对象的访问关系值；计算所述特定对象的访问关系值可以采用如下公式：
Value＝(Service1*Weight1+Service2*Weight2+……+Servicen*Weightn)*Coeff
其中，Value为某一特定对象的访问关系值，Servicen为某一种业务，Weightn为权重值，Coeff为某一特定对象业务种类数量对应的系数；根据所述特定对象的访问关系值，确定所述特定对象所属的类型，进而得出所述类型对应的访问关系模型；
所述访问关系模型是指访问的关系的模型，结合每一种业务的不同权重值，还考虑业务种类数量的多少来分配不同的系数；
将所述特定对象的当前访问数据与访问关系模型进行匹配，根据所述匹配的结果认定所述特定对象是否访问异常；
所述将所述特定对象的当前访问数据与访问关系模型进行匹配，包括：根据访问关系模型确定用户访问关系的平均值；
根据所述特定对象的实时访问数据计算实时访问关系值；
计算所述特定对象的实时访问关系值与所述平均值的差值，判断所述差值是否大于预先定义的阈值；
如果判断为是，则认定所述特定对象访问异常；如果判断为否，则认定所述特定对象访问正常；
采用滑动时间窗口引入实时采集的网络信息，校正所述访问关系模型；
所述采用滑动时间窗口引入实时采集的网络信息，包括：获取初始滑动时间窗口的网络信息；利用特征和权值估计出滑动时间窗口的位置序列；使用所述位置序列中的窗口时刻采集所述特定对象的访问流量；从所述访问流量中获取携带的网络信息，校正所述访问关系模型。
2.根据权利要求1所述的方法，所述根据所述匹配的结果认定所述特定对象是否访问异常，具体包括：
根据匹配的结果，判断所述特定对象是否偏离访问关系模型的基准；
如果判断为是，则认定所述特定对象访问异常；如果判断为否，则认定所述特定对象访问正常。
3.一种用户网络行为画像的系统，所述系统包括：
流量采集模块，用于采集特定对象的访问流量，实时获取流量携带的网络信息；
模型建立模块，用于基于所述网络信息，学习建立所述特定对象的访问关系模型；
所述学习建立所述特定对象的访问关系模型，包括：根据所述特定对象的访问流量，识别出流量包含的各种业务；根据预先定义的各种业务对应的权重值、以及业务种类数量对应的系数，计算所述特定对象的访问关系值；计算所述特定对象的访问关系值可以采用如下公式：
Value＝(Service1*Weight1+Service2*Weight2+……+Servicen*Weightn)*Coeff
其中，Value为某一特定对象的访问关系值，Servicen为某一种业务，Weightn为权重值，Coeff为某一特定对象业务种类数量对应的系数；根据所述特定对象的访问关系值，确定所述特定对象所属的类型，进而得出所述类型对应的访问关系模型；
所述访问关系模型是指访问的关系的模型，结合每一种业务的不同权重值，还考虑业务种类数量的多少来分配不同的系数；
数据匹配模块，用于将所述特定对象的当前访问数据与访问关系模型进行匹配，根据所述匹配的结果认定所述特定对象是否访问异常；
所述将所述特定对象的当前访问数据与访问关系模型进行匹配，包括：根据访问关系模型确定用户访问关系的平均值；
根据所述特定对象的实时访问数据计算实时访问关系值；
计算所述特定对象的实时访问关系值与所述平均值的差值，判断所述差值是否大于预先定义的阈值；
如果判断为是，则认定所述特定对象访问异常；如果判断为否，则认定所述特定对象访问正常；
模型校正模块，用于采用滑动时间窗口引入实时采集的网络信息，校正所述访问关系模型；
所述采用滑动时间窗口引入实时采集的网络信息，包括：获取初始滑动时间窗口的网络信息；利用特征和权值估计出滑动时间窗口的位置序列；使用所述位置序列中的窗口时刻采集所述特定对象的访问流量；从所述访问流量中获取携带的网络信息，校正所述访问关系模型。
4.根据权利要求3所述的系统，所述数据匹配模块根据所述匹配的结果认定所述特定对象是否访问异常，具体包括：
判断认定模块，用于根据匹配的结果，判断所述特定对象是否偏离访问关系模型的基准；
如果判断为是，则认定所述特定对象访问异常；如果判断为否，则认定所述特定对象访问正常。
CN201810739281.0A 2018-07-06 2018-07-06 一种用户网络行为画像的方法及系统 Active CN108521435B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810739281.0A CN108521435B (zh) 2018-07-06 2018-07-06 一种用户网络行为画像的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810739281.0A CN108521435B (zh) 2018-07-06 2018-07-06 一种用户网络行为画像的方法及系统

Publications (2)

Publication Number Publication Date
CN108521435A CN108521435A (zh) 2018-09-11
CN108521435B true CN108521435B (zh) 2021-09-03

Family

ID=63428584

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810739281.0A Active CN108521435B (zh) 2018-07-06 2018-07-06 一种用户网络行为画像的方法及系统

Country Status (1)

Country Link
CN (1) CN108521435B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109067783A (zh) * 2018-09-17 2018-12-21 武汉思普崚技术有限公司 一种集中管控安全系统
CN108924169A (zh) * 2018-09-17 2018-11-30 武汉思普崚技术有限公司 一种可视化网络安全系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106789885A (zh) * 2016-11-17 2017-05-31 国家电网公司 一种大数据环境下用户异常行为检测分析方法
CN107733834A (zh) * 2016-08-10 2018-02-23 中国移动通信集团甘肃有限公司 一种数据泄露防护方法及装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104239351B (zh) * 2013-06-20 2017-12-19 阿里巴巴集团控股有限公司 一种用户行为的机器学习模型的训练方法及装置
CN105516211A (zh) * 2016-02-06 2016-04-20 北京祥云天地科技有限公司 基于行为模型对访问数据库行为进行识别的方法、设备和系统
CN106599022B (zh) * 2016-11-01 2019-12-10 中山大学 基于用户访问数据的用户画像形成方法
CN107391603B (zh) * 2017-06-30 2020-12-18 北京奇虎科技有限公司 用于移动终端的用户画像建立方法及装置
CN111695114B (zh) * 2017-08-07 2023-09-01 奇安信科技集团股份有限公司 一种用户行为的检测方法和装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107733834A (zh) * 2016-08-10 2018-02-23 中国移动通信集团甘肃有限公司 一种数据泄露防护方法及装置
CN106789885A (zh) * 2016-11-17 2017-05-31 国家电网公司 一种大数据环境下用户异常行为检测分析方法

Also Published As

Publication number Publication date
CN108521435A (zh) 2018-09-11

Similar Documents

Publication Publication Date Title
CN112417439B (zh) 账号检测方法、装置、服务器及存储介质
CN110798502B (zh) 基于微服务框架的灰度发布方法、装置和计算机设备
US20190034937A1 (en) Problem Prediction Method and System
CN111294812B (zh) 一种资源扩容规划的方法及系统
CN110166462A (zh) 访问控制方法、系统、电子设备及计算机存储介质
CN111563560B (zh) 基于时序特征学习的数据流分类方法及装置
CN110991789B (zh) 置信区间的确定方法和装置、存储介质及电子装置
CN108521435B (zh) 一种用户网络行为画像的方法及系统
CN113868953A (zh) 工业系统中多机组运行优化方法、装置、系统及存储介质
CN110532485B (zh) 基于多源数据融合的用户行为检测方法及装置
CN113067802B (zh) 一种用户标识方法、装置、设备及计算机可读存储介质
CN107943678B (zh) 一种评价应用访问过程的方法及评价服务器
CN108881275B (zh) 一种用户访问合规性分析的方法及系统
CN104992060A (zh) 用户年龄估计方法及装置
CN112292671B (zh) 器件识别装置及器件识别方法
CN111368858B (zh) 用户满意度评估方法及装置
US20220092213A1 (en) Method and apparatus for identifying applets of risky content based on differential privacy preserving
CN114125845A (zh) 一种基于物联网的智能设备自动连网方法及装置
WO2022253454A2 (en) Dimensioning of telecommunication infrastructure
CN113079063A (zh) 充电设备的离线判断方法、系统、设备及计算机存储介质
CN114764419A (zh) 家庭宽带用户的挖掘方法、装置及相关设备
CN109427177B (zh) 一种监控报警方法及装置
CN112307075A (zh) 用户关系识别方法及装置
CN113705818B (zh) 对支付指标波动进行归因的方法及装置
CN110378754B (zh) 一种数据处理的方法和装置

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
GR01 Patent grant
GR01 Patent grant