CN109460784A - 访问行为特征模型建立方法、设备、存储介质及装置 - Google Patents
访问行为特征模型建立方法、设备、存储介质及装置 Download PDFInfo
- Publication number
- CN109460784A CN109460784A CN201811234983.XA CN201811234983A CN109460784A CN 109460784 A CN109460784 A CN 109460784A CN 201811234983 A CN201811234983 A CN 201811234983A CN 109460784 A CN109460784 A CN 109460784A
- Authority
- CN
- China
- Prior art keywords
- behavioural characteristic
- access
- model
- current accessed
- behavioral data
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种访问行为特征模型建立方法、设备、存储介质及装置。本发明中所述访问行为特征模型建立方法包括以下步骤：响应于用户输入的访问请求指令，从所述访问请求指令中获取当前访问行为数据；通过预设图卷积神经网络模型将所述当前访问行为数据转化为当前访问行为特征图，并获取所述当前访问行为特征图对应的访问行为特征集；根据所述访问行为特征集建立访问行为特征模型。由于用户当前访问行为数据越来越复杂，对用户访问行为特征建立模型，根据访问行为特征模型识别出正常访问行为与异常访问行为。
Description
技术领域
本发明涉及图卷积神经网络技术领域，尤其涉及访问行为特征模型建立方法、设备、存储介质及装置。
背景技术
随着移动互联网的快速发展，用户访问各类网站的需求也越来越大，因此用户当前访问行为数据也越来越复杂，其中，用户当前访问行为会存在异常访问行为。
目前一般识别异常访问行为的方式是对非本访问页面相关联的访问行为进行全部拦截，然而，这样会使得用户访问当前页面受到诸多阻碍，浪费大量时间去设置处理，甚至放弃此次访问请求，严重的影响用户体验。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种访问行为特征模型建立方法、设备、存储介质及装置，旨在解决当用户的当前访问行为数据越来越复杂时，无法识别出正常访问行为与异常访问行为的技术问题。
为实现上述目的，本发明提供一种访问行为特征模型建立方法，所述访问行为特征模型建立方法包括以下步骤：
响应于用户输入的访问请求指令，从所述访问请求指令中获取当前访问行为数据；
通过预设图卷积神经网络模型将所述当前访问行为数据转化为当前访问行为特征图，并获取所述当前访问行为特征图对应的访问行为特征集；
根据所述访问行为特征集建立访问行为特征模型。
优选地，所述响应于用户输入的访问请求指令，从所述访问请求指令中获取当前访问行为数据之前，所述访问行为特征模型建立方法还包括：
采集样本访问行为数据；
根据所述样本访问行为数据，基于图卷积神经网络，生成预设图卷积神经网络模型。
优选地，所述通过预设图卷积神经网络模型将所述当前访问行为数据转化为当前访问行为特征图，并获取所述当前访问行为特征图对应的访问行为特征集，具体包括：
将所述当前访问行为数据输入至所述预设图卷积神经网络模型；
通过预设图卷积神经网络模型，将所述当前访问行为数据分别对应到所述预设图卷积神经网络模型中的各节点，以将所述当前访问行为数据转化为当前访问行为特征图，并获取所述当前访问行为特征图对应的访问行为特征集。
优选地，所述将所述当前访问行为数据分别对应到所述预设图卷积神经网络模型中的各节点之后，所述访问行为特征模型建立方法还包括：
通过所述预设图卷积神经网络模型遍历各节点，将所述节点的自身特征经过抽取变换后发送给邻居节点，以获取所述邻居节点的特征。
优选地，所述以获取所述邻居节点的特征之后，所述访问行为特征模型建立方法还包括：
所述节点将所述邻居节点的特征进行聚集，以获取局部结构融合特征。
优选地，所述节点将所述邻居节点的特征进行聚集，以获取局部结构融合特征之后，所述访问行为特征模型建立方法还包括：
将所述局部结构融合特征做非线性变换，以获取所述节点的多维访问行为特征数据，生成当前访问行为特征图；
根据所述当前访问行为特征图获取对应的访问行为特征集。
优选地，所述根据所述访问行为特征集建立访问行为特征模型之后，所述访问行为特征模型建立方法还包括：
当用户输入访问请求指令时，根据所述访问行为特征模型识别出正常访问行为与异常访问行为。
此外，为实现上述目的，本发明还提供一种用户设备，所述用户设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的访问行为特征模型建立程序，所述访问行为特征模型建立程序被所述处理器执行时实现所述的访问行为特征模型建立方法的步骤。
此外，为实现上述目的，本发明还提供一种存储介质，所述存储介质上存储有访问行为特征模型建立程序，所述访问行为特征模型建立程序被处理器执行时实现所述的访问行为特征模型建立方法的步骤。
此外，为实现上述目的，本发明还提供一种访问行为特征模型建立装置，所述访问行为特征模型建立装置包括：
数据获取模块，用于响应于用户输入的访问请求指令，从所述访问请求指令中获取当前访问行为数据；
数据转化模块，用于通过预设图卷积神经网络模型将所述当前访问行为数据转化为当前访问行为特征图，并获取所述当前访问行为特征图对应的访问行为特征集；
模型建立模块，用于根据所述访问行为特征集建立访问行为特征模型。
本发明中，响应于用户输入的访问请求指令，从所述访问请求指令中获取当前访问行为数据；通过预设图卷积神经网络模型将所述当前访问行为数据转化为当前访问行为特征图，并获取所述当前访问行为特征图对应的访问行为特征集；根据所述访问行为特征集建立访问行为特征模型。由于用户当前访问行为数据越来越复杂，对用户访问行为特征建立模型，根据访问行为特征模型识别出正常访问行为与异常访问行为。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的用户设备结构示意图；
图2为本发明访问行为特征模型建立方法第一实施例的流程示意图；
图3为本发明访问行为特征模型建立方法第二实施例的流程示意图；
图4为本发明预设图卷积神经网络模型中的各节点结构示意图；
图5为图2第一实施例中步骤S20一实施例的细化流程示意图；
图6为本发明访问行为特征模型建立装置的功能模块图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，图1是本发明实施例方案涉及的硬件运行环境的用户设备结构示意图。
如图1所示，所述用户设备可以包括：处理器1001，例如CPU，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储服务器。
本领域技术人员可以理解，图1中示出的结构并不构成对所述用户设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及访问行为特征模型建立程序。
在图1所示的结构中，网络接口1004主要用于连接服务器，与所述服务器进行数据通信；用户接口1003主要用于连接用户设备，与所述用户设备进行数据通信；所述用户设备通过处理器1001调用存储器1005中存储的访问行为特征模型建立程序，并执行以下操作：
响应于用户输入的访问请求指令，从所述访问请求指令中获取当前访问行为数据；
通过预设图卷积神经网络模型将所述当前访问行为数据转化为当前访问行为特征图，并获取所述当前访问行为特征图对应的访问行为特征集；
根据所述访问行为特征集建立访问行为特征模型。
进一步地，处理器1001可以调用存储器1005中存储的访问行为特征模型建立程序，还执行以下操作：
采集样本访问行为数据；
根据所述样本访问行为数据，基于图卷积神经网络，生成预设图卷积神经网络模型。
进一步地，处理器1001可以调用存储器1005中存储的访问行为特征模型建立程序，还执行以下操作：
将所述当前访问行为数据输入至所述预设图卷积神经网络模型；
通过预设图卷积神经网络模型，将所述当前访问行为数据分别对应到所述预设图卷积神经网络模型中的各节点，以将所述当前访问行为数据转化为当前访问行为特征图，并获取所述当前访问行为特征图对应的访问行为特征集。
进一步地，处理器1001可以调用存储器1005中存储的访问行为特征模型建立程序，还执行以下操作：
通过所述预设图卷积神经网络模型遍历各节点，将所述节点的自身特征经过抽取变换后发送给邻居节点，以获取所述邻居节点的特征。
进一步地，处理器1001可以调用存储器1005中存储的访问行为特征模型建立程序，还执行以下操作：
所述节点将所述邻居节点的特征进行聚集，以获取局部结构融合特征。
进一步地，处理器1001可以调用存储器1005中存储的访问行为特征模型建立程序，还执行以下操作：
将所述局部结构融合特征做非线性变换，以获取所述节点的多维访问行为特征数据，生成当前访问行为特征图；
根据所述当前访问行为特征图获取对应的访问行为特征集。
进一步地，处理器1001可以调用存储器1005中存储的访问行为特征模型建立程序，还执行以下操作：
当用户输入访问请求指令时，根据所述访问行为特征模型识别出正常访问行为与异常访问行为。
本实施例中，响应于用户输入的访问请求指令，从所述访问请求指令中获取当前访问行为数据；通过预设图卷积神经网络模型将所述当前访问行为数据转化为当前访问行为特征图，并获取所述当前访问行为特征图对应的访问行为特征集；根据所述访问行为特征集建立访问行为特征模型。由于用户当前访问行为数据越来越复杂，对用户访问行为特征建立模型，根据访问行为特征模型识别出正常访问行为与异常访问行为。
基于上述硬件结构，提出本发明访问行为特征模型建立方法的实施例。
参照图2，图2为本发明访问行为特征模型建立方法第一实施例的流程示意图。
在第一实施例中，所述访问行为特征模型建立方法包括以下步骤：
步骤S10：响应于用户输入的访问请求指令，从所述访问请求指令中获取当前访问行为数据。
需要说明的是，本实施例的执行主体是用户设备，所述用户设备可为个人电脑或服务器等电子设备，本实施例的应用场景是用户在访问各类网站时，向所述各类网站输入访问请求指令，根据访问行为特征模型识别出正常访问行为与异常访问行为。
在具体实现中，所述访问请求指令可以是用户在设备上点击网页的验证事件，也可以是用户在触摸屏上输入的开机触摸事件，本实施例对此不加以限制。通过用户输入的访问请求指令，所述用户设备从所述访问请求指令中获取当前访问行为数据。
步骤S20：通过预设图卷积神经网络模型将所述当前访问行为数据转化为当前访问行为特征图，并获取所述当前访问行为特征图对应的访问行为特征集。
需要说明的是，为了获取访问行为特征集，需要通过预设图卷积神经网络模型将所述当前访问行为数据转化为当前访问行为特征图，以获取所述当前访问行为特征图对应的访问行为特征集，其中，图卷积神经网络(Graph Convolutional Network，GCN)是一种能对图数据进行深度学习的方法，所述预设图卷积神经网络模型能够较好地对所述当前访问行为数据进行深度学习，生成当前访问行为特征图。
在具体实现中，通过预设图卷积神经网络模型将所述当前访问行为数据转化为当前访问行为特征图，所述当前访问行为特征图包含了当前访问行为数据对应的特征信息，而所述预设图卷积神经网络模型还包含有所述当前访问行为特征图与访问行为特征集的对应关系，因此，本实施例中，将在所述对应关系中根据所述当前访问行为特征图获取对应的访问行为特征集。
步骤S30：根据所述访问行为特征集建立访问行为特征模型。
需要说明的是，所述访问行为特征集也对应的包含所述当前访问行为数据的特征信息，比如正常访问行为特征与异常访问行为特征，根据所述访问行为特征集建立访问行为特征模型。当用户输入访问请求指令时，根据所述访问行为特征模型识别出正常访问行为与异常访问行为。
本实施例中，响应于用户输入的访问请求指令，从所述访问请求指令中获取当前访问行为数据；通过预设图卷积神经网络模型将所述当前访问行为数据转化为当前访问行为特征图，并获取所述当前访问行为特征图对应的访问行为特征集；根据所述访问行为特征集建立访问行为特征模型。由于用户当前访问行为数据越来越复杂，对用户访问行为特征建立模型，根据访问行为特征模型识别出正常访问行为与异常访问行为。
参照图3，图3为本发明访问行为特征模型建立方法第二实施例的流程示意图，基于上述图2所示的第一实施例，提出本发明访问行为特征模型建立方法第二实施例。
在第二实施例中，所述步骤S10之前，所述访问行为特征模型建立方法还包括：
步骤S01：采集样本访问行为数据。
步骤S02：根据所述样本访问行为数据，基于图卷积神经网络，生成预设图卷积神经网络模型。
需要说明的是，预先采集大量的样本访问行为数据，根据所述样本访问行为数据，基于图卷积神经网络，生成预设图卷积神经网络模型，所述预设图卷积神经网络模型能够较好地对所述当前访问行为数据进行深度学习，以便生成当前访问行为特征图。
进一步地，所述步骤S20，具体包括：
步骤S200：将所述当前访问行为数据输入至所述预设图卷积神经网络模型。
步骤S210：通过预设图卷积神经网络模型，将所述当前访问行为数据分别对应到所述预设图卷积神经网络模型中的各节点，以将所述当前访问行为数据转化为当前访问行为特征图，并获取所述当前访问行为特征图对应的访问行为特征集。
需要说明的是，本实施例中，参照图4，图4为本发明预设图卷积神经网络模型中的各节点结构示意图，每个节点代表不同颜色，不同颜色也代表不同权重，例如，节点B1、节点B2及节点B3代表蓝色，节点Y1代表黄色，节点R1代表红色，节点G1代表绿色，举例说明，在电商网站中，所述节点就是用户、交易和商品，用户关联节点比如会有注册地址及收获地址等，交易会关联到商品及收获地址，商品会关联到类目等，这些节点是相互关联的，比如用户除了可以通过交易购买商品，还可以对商品进行评分等。其中，所述节点Y1就是所述节点B1的关联节点，也即邻居节点，此处不再一一赘述。通过预设图卷积神经网络模型，将所述当前访问行为数据分别对应到所述预设图卷积神经网络模型中的各节点，以将所述当前访问行为数据转化为当前访问行为特征图，并获取所述当前访问行为特征图对应的访问行为特征集。
进一步地，所述步骤S30之后，所述访问行为特征模型建立方法还包括：
步骤S31：当用户输入访问请求指令时，根据所述访问行为特征模型识别出正常访问行为与异常访问行为。
本实施例中，响应于用户输入的访问请求指令，从所述访问请求指令中获取当前访问行为数据；通过预设图卷积神经网络模型将所述当前访问行为数据转化为当前访问行为特征图，并获取所述当前访问行为特征图对应的访问行为特征集；根据所述访问行为特征集建立访问行为特征模型。由于用户当前访问行为数据越来越复杂，对用户访问行为特征建立模型，根据访问行为特征模型识别出正常访问行为与异常访问行为。
参照图5，基于本发明第一实施例，进一步提出了实施例，本实施例是图2第一实施例中步骤S20的细化流程示意图。
本实施例中，步骤S20的细化，具体包括：
步骤S200：将所述当前访问行为数据输入至所述预设图卷积神经网络模型。
步骤S211：通过预设图卷积神经网络模型，将所述当前访问行为数据分别对应到所述预设图卷积神经网络模型中的各节点。
需要说明的是，所述当前访问行为数据分别对应所述预设图卷积神经网络模型中的各节点，所述节点为验证事件以及事件相关的属性节点，比如上述第二实施例中步骤S210列举的用户、交易和商品，它们都是相互关联的节点。
步骤S212：通过所述预设图卷积神经网络模型遍历各节点，将所述节点的自身特征经过抽取变换后发送给邻居节点，以获取所述邻居节点的特征。
需要说明的是，所述节点包含自身特征信息，参照图4，本实施例中属于节点特征信息的发射过程，例如，节点B1将自身特征信息经过抽取变换后发送给邻居节点Y1及邻居节点R1，节点Y1将自身特征信息经过抽取变换后发送到给邻居节点B1及邻居节点B2，节点R1将自身特征信息经过抽取变换后发送给邻居节点B1及邻居节点B2，节点B2将自身特征信息经过抽取变换后发送给邻居节点Y1、邻居节点R1及邻居节点G1，节点G1将自身特征信息经过抽取变换后发送给邻居节点B2及邻居节点B3，节点B3将自身特征信息经过抽取变换后发送给邻居节点G1，以此获取所述邻居节点的特征，这一过程也是对所述节点的特征信息进行抽取变换。
步骤S213：所述节点将所述邻居节点的特征进行聚集，以获取局部结构融合特征。
需要说明的是，同样参照图4，本实施例中属于节点特征信息的接收过程，例如，节点B1将邻居节点Y1及邻居节点R1的特征信息聚集起来，节点Y1将邻居节点B1及邻居节点B2的特征信息聚集起来，节点R1将邻居节点B1及邻居节点B2的特征信息聚集起来，节点B2将邻居节点Y1、邻居节点R1及邻居节点G1的特征信息聚集起来，节点G1将邻居节点B2及邻居节点B3的特征信息聚集起来，节点B3将邻居节点G1的特征信息聚集起来，以此获取局部结构融合特征，这一过程是对节点的局部结构信息进行融合。
步骤S214：将所述局部结构融合特征做非线性变换，以获取所述节点的多维访问行为特征数据，生成当前访问行为特征图。
需要说明的是，本实施例中，对所述局部结构融合特征做非线性变换，一般选用激活函数，使用激活层在系统中引用非线性，这样可以提高输入和输出的一般性，经过一层一层的变换，输出所述节点的信息量更充足且维度更高的当前访问行为特征数据，将获取到所述当前访问行为特征数据对应的多维访问行为特征数据，以生成当前访问行为特征图。
步骤S215：根据所述当前访问行为特征图获取对应的访问行为特征集。
本实施例中，通过所述预设图卷积神经网络模型遍历各节点，将所述节点的自身特征经过抽取变换后发送给邻居节点，以获取所述邻居节点的特征；所述节点将所述邻居节点的特征进行聚集，以获取局部结构融合特征；将所述局部结构融合特征做非线性变换，以获取所述节点的多维访问行为特征数据，生成当前访问行为特征图；根据所述当前访问行为特征图获取对应的访问行为特征集。由于用户当前访问行为数据越来越复杂，通过预设图卷积神经网络模型将所述当前访问行为数据转化为当前访问行为特征图，并获取所述当前访问行为特征图对应的访问行为特征集，对用户访问行为特征建立模型，根据访问行为特征模型识别出正常访问行为与异常访问行为。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有访问行为特征模型建立程序，所述访问行为特征模型建立程序被处理器执行时实现如下操作：
响应于用户输入的访问请求指令，从所述访问请求指令中获取当前访问行为数据；
通过预设图卷积神经网络模型将所述当前访问行为数据转化为当前访问行为特征图，并获取所述当前访问行为特征图对应的访问行为特征集；
根据所述访问行为特征集建立访问行为特征模型。
进一步地，所述访问行为特征模型建立程序被处理器执行时还实现如下操作：
采集样本访问行为数据；
根据所述样本访问行为数据，基于图卷积神经网络，生成预设图卷积神经网络模型。
进一步地，所述访问行为特征模型建立程序被处理器执行时还实现如下操作：
将所述当前访问行为数据输入至所述预设图卷积神经网络模型；
通过预设图卷积神经网络模型，将所述当前访问行为数据分别对应到所述预设图卷积神经网络模型中的各节点，以将所述当前访问行为数据转化为当前访问行为特征图，并获取所述当前访问行为特征图对应的访问行为特征集。
进一步地，所述访问行为特征模型建立程序被处理器执行时还实现如下操作：
通过所述预设图卷积神经网络模型遍历各节点，将所述节点的自身特征经过抽取变换后发送给邻居节点，以获取所述邻居节点的特征。
进一步地，所述访问行为特征模型建立程序被处理器执行时还实现如下操作：
所述节点将所述邻居节点的特征进行聚集，以获取局部结构融合特征。
进一步地，所述访问行为特征模型建立程序被处理器执行时还实现如下操作：
将所述局部结构融合特征做非线性变换，以获取所述节点的多维访问行为特征数据，生成当前访问行为特征图；
根据所述当前访问行为特征图获取对应的访问行为特征集。
进一步地，所述访问行为特征模型建立程序被处理器执行时还实现如下操作：
当用户输入访问请求指令时，根据所述访问行为特征模型识别出正常访问行为与异常访问行为。
本实施例中，响应于用户输入的访问请求指令，从所述访问请求指令中获取当前访问行为数据；通过预设图卷积神经网络模型将所述当前访问行为数据转化为当前访问行为特征图，并获取所述当前访问行为特征图对应的访问行为特征集；根据所述访问行为特征集建立访问行为特征模型。由于用户当前访问行为数据越来越复杂，对用户访问行为特征建立模型，根据访问行为特征模型识别出正常访问行为与异常访问行为。
此外，参照图6，本发明实施例还提出一种访问行为特征模型建立装置，所述访问行为特征模型建立装置包括：
数据获取模块10，用于响应于用户输入的访问请求指令，从所述访问请求指令中获取当前访问行为数据。
需要说明的是，本实施例的执行主体是用户设备，所述用户设备可为个人电脑或服务器等电子设备，本实施例的应用场景是用户在访问各类网站时，向所述各类网站输入访问请求指令，根据访问行为特征模型识别出正常访问行为与异常访问行为。
在具体实现中，所述访问请求指令可以是用户在设备上点击网页的验证事件，也可以是用户在触摸屏上输入的开机触摸事件，本实施例对此不加以限制。通过用户输入的访问请求指令，所述用户设备从所述访问请求指令中获取当前访问行为数据。
数据转化模块20，用于通过预设图卷积神经网络模型将所述当前访问行为数据转化为当前访问行为特征图，并获取所述当前访问行为特征图对应的访问行为特征集。
需要说明的是，为了获取访问行为特征集，需要通过预设图卷积神经网络模型将所述当前访问行为数据转化为当前访问行为特征图，以获取所述当前访问行为特征图对应的访问行为特征集，其中，图卷积神经网络(Graph Convolutional Network，GCN)是一种能对图数据进行深度学习的方法，所述预设图卷积神经网络模型能够较好地对所述当前访问行为数据进行深度学习，生成当前访问行为特征图。
在具体实现中，通过预设图卷积神经网络模型将所述当前访问行为数据转化为当前访问行为特征图，所述当前访问行为特征图包含了当前访问行为数据对应的特征信息，而所述预设图卷积神经网络模型还包含有所述当前访问行为特征图与访问行为特征集的对应关系，因此，本实施例中，将在所述对应关系中根据所述当前访问行为特征图获取对应的访问行为特征集。
模型建立模块30，用于根据所述访问行为特征集建立访问行为特征模型。
需要说明的是，所述访问行为特征集也对应的包含所述当前访问行为数据的特征信息，比如正常访问行为特征与异常访问行为特征，根据所述访问行为特征集建立访问行为特征模型。当用户输入访问请求指令时，根据所述访问行为特征模型识别出正常访问行为与异常访问行为。
本实施例中，响应于用户输入的访问请求指令，从所述访问请求指令中获取当前访问行为数据；通过预设图卷积神经网络模型将所述当前访问行为数据转化为当前访问行为特征图，并获取所述当前访问行为特征图对应的访问行为特征集；根据所述访问行为特征集建立访问行为特征模型。由于用户当前访问行为数据越来越复杂，对用户访问行为特征建立模型，根据访问行为特征模型识别出正常访问行为与异常访问行为。
本发明所述访问行为特征模型建立装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词解释为名称。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说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，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种访问行为特征模型建立方法，其特征在于，所述访问行为特征模型建立方法包括以下步骤：
响应于用户输入的访问请求指令，从所述访问请求指令中获取当前访问行为数据；
通过预设图卷积神经网络模型将所述当前访问行为数据转化为当前访问行为特征图，并获取所述当前访问行为特征图对应的访问行为特征集；
根据所述访问行为特征集建立访问行为特征模型。
2.如权利要求1所述的访问行为特征模型建立方法，其特征在于，所述响应于用户输入的访问请求指令，从所述访问请求指令中获取当前访问行为数据之前，所述访问行为特征模型建立方法还包括：
采集样本访问行为数据；
根据所述样本访问行为数据，基于图卷积神经网络，生成预设图卷积神经网络模型。
3.如权利要求1所述的访问行为特征模型建立方法，其特征在于，所述通过预设图卷积神经网络模型将所述当前访问行为数据转化为当前访问行为特征图，并获取所述当前访问行为特征图对应的访问行为特征集，具体包括：
将所述当前访问行为数据输入至所述预设图卷积神经网络模型；
通过预设图卷积神经网络模型，将所述当前访问行为数据分别对应到所述预设图卷积神经网络模型中的各节点，以将所述当前访问行为数据转化为当前访问行为特征图，并获取所述当前访问行为特征图对应的访问行为特征集。
4.如权利要求3所述的访问行为特征模型建立方法，其特征在于，所述将所述当前访问行为数据分别对应到所述预设图卷积神经网络模型中的各节点之后，所述访问行为特征模型建立方法还包括：
通过所述预设图卷积神经网络模型遍历各节点，将所述节点的自身特征经过抽取变换后发送给邻居节点，以获取所述邻居节点的特征。
5.如权利要求4所述的访问行为特征模型建立方法，其特征在于，所述以获取所述邻居节点的特征之后，所述访问行为特征模型建立方法还包括：
所述节点将所述邻居节点的特征进行聚集，以获取局部结构融合特征。
6.如权利要求5所述的访问行为特征模型建立方法，其特征在于，所述节点将所述邻居节点的特征进行聚集，以获取局部结构融合特征之后，所述访问行为特征模型建立方法还包括：
将所述局部结构融合特征做非线性变换，以获取所述节点的多维访问行为特征数据，生成当前访问行为特征图；
根据所述当前访问行为特征图获取对应的访问行为特征集。
7.如权利要求1至6所述的访问行为特征模型建立方法，其特征在于，所述根据所述访问行为特征集建立访问行为特征模型之后，所述访问行为特征模型建立方法还包括：
当用户输入访问请求指令时，根据所述访问行为特征模型识别出正常访问行为与异常访问行为。
8.一种用户设备，其特征在于，所述用户设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的访问行为特征模型建立程序，所述访问行为特征模型建立程序被所述处理器执行时实现如权利要求1至7中任一项所述的访问行为特征模型建立方法的步骤。
9.一种存储介质，其特征在于，所述存储介质上存储有访问行为特征模型建立程序，所述访问行为特征模型建立程序被处理器执行时实现如权利要求1至7中任一项所述的访问行为特征模型建立方法的步骤。
10.一种访问行为特征模型建立装置，其特征在于，所述访问行为特征模型建立装置包括：
数据获取模块，用于响应于用户输入的访问请求指令，从所述访问请求指令中获取当前访问行为数据；
数据转化模块，用于通过预设图卷积神经网络模型将所述当前访问行为数据转化为当前访问行为特征图，并获取所述当前访问行为特征图对应的访问行为特征集；
模型建立模块，用于根据所述访问行为特征集建立访问行为特征模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811234983.XA CN109460784A (zh) | 2018-10-22 | 2018-10-22 | 访问行为特征模型建立方法、设备、存储介质及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811234983.XA CN109460784A (zh) | 2018-10-22 | 2018-10-22 | 访问行为特征模型建立方法、设备、存储介质及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109460784A true CN109460784A (zh) | 2019-03-12 |
Family
ID=65608159
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811234983.XA Pending CN109460784A (zh) | 2018-10-22 | 2018-10-22 | 访问行为特征模型建立方法、设备、存储介质及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109460784A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109327439A (zh) * | 2018-09-29 | 2019-02-12 | 武汉极意网络科技有限公司 | 业务请求数据的风险识别方法、装置、存储介质及设备 |
| CN110009430A (zh) * | 2019-04-11 | 2019-07-12 | 腾讯科技（深圳）有限公司 | 作弊用户检测方法、电子设备及计算机可读存储介质 |
| CN111858275A (zh) * | 2020-07-03 | 2020-10-30 | 深圳前海微众银行股份有限公司 | 一种异常媒体行为的识别方法、装置、设备及存储介质 |
| CN112328934A (zh) * | 2020-10-16 | 2021-02-05 | 上海涛飞网络科技有限公司 | 访问行为路径分析方法、装置、设备及存储介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101360023A (zh) * | 2008-09-09 | 2009-02-04 | 成都市华为赛门铁克科技有限公司 | 一种异常检测方法、装置及系统 |
| CN103605738A (zh) * | 2013-11-19 | 2014-02-26 | 北京国双科技有限公司 | 网页访问数据统计方法及装置 |
| CN103678422A (zh) * | 2012-09-25 | 2014-03-26 | 北京亿赞普网络技术有限公司 | 网页分类方法和装置、网页分类器的训练方法和装置 |
| CN104519031A (zh) * | 2013-09-30 | 2015-04-15 | 西门子公司 | 一种用于恶意网络行为检测的方法和装置 |
| CN105637519A (zh) * | 2013-08-09 | 2016-06-01 | 行为识别系统公司 | 使用行为辨识系统的认知信息安全性 |
| CN105897676A (zh) * | 2015-12-01 | 2016-08-24 | 乐视网信息技术（北京）股份有限公司 | 处理用户的资源访问行为的方法及装置 |
| 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 |
| CN108108844A (zh) * | 2017-12-25 | 2018-06-01 | 儒安科技有限公司 | 一种城市人流量预测方法及系统 |
| CN108200008A (zh) * | 2017-12-05 | 2018-06-22 | 阿里巴巴集团控股有限公司 | 异常数据访问的识别方法和装置 |
| CN108304795A (zh) * | 2018-01-29 | 2018-07-20 | 清华大学 | 基于深度强化学习的人体骨架行为识别方法及装置 |
| CN108648095A (zh) * | 2018-05-10 | 2018-10-12 | 浙江工业大学 | 一种基于图卷积网络梯度的节点信息隐藏方法 |
-
2018
- 2018-10-22 CN CN201811234983.XA patent/CN109460784A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101360023A (zh) * | 2008-09-09 | 2009-02-04 | 成都市华为赛门铁克科技有限公司 | 一种异常检测方法、装置及系统 |
| CN103678422A (zh) * | 2012-09-25 | 2014-03-26 | 北京亿赞普网络技术有限公司 | 网页分类方法和装置、网页分类器的训练方法和装置 |
| CN105637519A (zh) * | 2013-08-09 | 2016-06-01 | 行为识别系统公司 | 使用行为辨识系统的认知信息安全性 |
| CN104519031A (zh) * | 2013-09-30 | 2015-04-15 | 西门子公司 | 一种用于恶意网络行为检测的方法和装置 |
| CN103605738A (zh) * | 2013-11-19 | 2014-02-26 | 北京国双科技有限公司 | 网页访问数据统计方法及装置 |
| CN105897676A (zh) * | 2015-12-01 | 2016-08-24 | 乐视网信息技术（北京）股份有限公司 | 处理用户的资源访问行为的方法及装置 |
| 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 |
| CN108200008A (zh) * | 2017-12-05 | 2018-06-22 | 阿里巴巴集团控股有限公司 | 异常数据访问的识别方法和装置 |
| CN108108844A (zh) * | 2017-12-25 | 2018-06-01 | 儒安科技有限公司 | 一种城市人流量预测方法及系统 |
| CN108304795A (zh) * | 2018-01-29 | 2018-07-20 | 清华大学 | 基于深度强化学习的人体骨架行为识别方法及装置 |
| CN108648095A (zh) * | 2018-05-10 | 2018-10-12 | 浙江工业大学 | 一种基于图卷积网络梯度的节点信息隐藏方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘忠雨: "浅析图卷积神经网络", 《HTTPS://WWW.SOHU.COM/A/232438742_395209》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109327439A (zh) * | 2018-09-29 | 2019-02-12 | 武汉极意网络科技有限公司 | 业务请求数据的风险识别方法、装置、存储介质及设备 |
| CN109327439B (zh) * | 2018-09-29 | 2021-04-23 | 武汉极意网络科技有限公司 | 业务请求数据的风险识别方法、装置、存储介质及设备 |
| CN110009430A (zh) * | 2019-04-11 | 2019-07-12 | 腾讯科技（深圳）有限公司 | 作弊用户检测方法、电子设备及计算机可读存储介质 |
| CN110009430B (zh) * | 2019-04-11 | 2023-08-11 | 腾讯科技（深圳）有限公司 | 作弊用户检测方法、电子设备及计算机可读存储介质 |
| CN111858275A (zh) * | 2020-07-03 | 2020-10-30 | 深圳前海微众银行股份有限公司 | 一种异常媒体行为的识别方法、装置、设备及存储介质 |
| CN111858275B (zh) * | 2020-07-03 | 2022-12-20 | 深圳前海微众银行股份有限公司 | 一种异常媒体行为的识别方法、装置、设备及存储介质 |
| CN112328934A (zh) * | 2020-10-16 | 2021-02-05 | 上海涛飞网络科技有限公司 | 访问行为路径分析方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109460784A (zh) | 访问行为特征模型建立方法、设备、存储介质及装置 | |
| US20170293681A1 (en) | Techniques to respond to user requests using natural-language machine learning based on example conversations | |
| US20100144440A1 (en) | Methods, apparatuses, and computer program products in social services | |
| Huang et al. | Ontology-based enterprise knowledge integration | |
| Alter | A workaround design system for anticipating, designing, and/or preventing workarounds | |
| CN111222647A (zh) | 联邦学习系统优化方法、装置、设备及存储介质 | |
| CN107728999A (zh) | 一种App、小程序接口模拟的方法和系统 | |
| CN112529100B (zh) | 多分类模型的训练方法、装置、电子设备及存储介质 | |
| CN106888236A (zh) | 会话管理方法及会话管理装置 | |
| CN106230809B (zh) | 一种基于url的移动互联网舆情监测方法及系统 | |
| CN109391620A (zh) | 异常行为判定模型的建立方法、系统、服务器及存储介质 | |
| US11144939B2 (en) | Cross-device consumer identification and device type determination | |
| CN109657330A (zh) | 基于分布式平台的大规模网络信息传播计算方法及装置 | |
| CN109543891A (zh) | 容量预测模型的建立方法、设备及计算机可读存储介质 | |
| CN107807935B (zh) | 应用推荐方法及装置 | |
| CN109743286A (zh) | 一种基于图卷积神经网络的ip类型标记方法及设备 | |
| CN108076042A (zh) | 用户信息获取方法、服务器及计算机可读介质 | |
| CN109409502A (zh) | 反欺诈模型的生成方法、装置、设备及存储介质 | |
| Schaat et al. | Emotion in consumer simulations for the development and testing of recommendations for marketing strategies | |
| Llorián et al. | BILROST: Handling actuators of the internet of things through tweets on twitter using a domain-specific language | |
| CN109284590A (zh) | 访问行为安全防护的方法、设备、存储介质及装置 | |
| CN106372158A (zh) | 用户行为数据的处理方法及装置 | |
| Kahloul et al. | Modeling and analysis of reconfigurable systems using flexible petri nets | |
| CN100504786C (zh) | 一种高保真模拟用户界面的测试方法 | |
| CN114629767A (zh) | 电力调度网络仿真方法、装置、计算机设备和存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190312 |
|
| RJ01 | Rejection of invention patent application after publication |