风险团伙的识别方法和装置
技术领域
本说明书涉及人工智能技术领域,尤其涉及一种风险团伙的识别方法和装置。
背景技术
随着互联网金融的快速发展,网络诈骗逐渐兴起,黑产、黑中介等存在安全风险的团伙通过非法手段控制大量用户账号,并利用这些用户账号进行套利,扰乱互联网金融安全。
发明内容
有鉴于此,本说明书提供一种风险团伙的识别方法和装置。
具体地,本说明书是通过如下技术方案实现的:
一种风险团伙的识别方法,包括:
基于用户历史行为和失信用户名单构建风险知识图谱,所述风险知识图谱包括:非用户节点、命中所述失信用户名单的失信用户节点和未命中所述失信用户名单的普通用户节点,所述非用户节点代表用户的属性特征;
获取风险模板,所述风险模板包括若干模板节点和所述模板节点之间的连边,所述模板节点包括非用户节点、失信用户节点和普通用户节点中的一种或多种,所述连边用于表示相连的模板节点具有关联关系;
从所述风险知识图谱中提取出匹配所述风险模板的节点和所述节点之间的连边,以形成风险图;
采用社区划分算法将所述风险图中的节点划分为若干分组,并将每个分组中的节点识别为同一个风险团伙。
一种风险团伙的识别装置,包括:
图谱建立单元,基于用户历史行为和失信用户名单构建风险知识图谱,所述风险知识图谱包括:非用户节点、命中所述失信用户名单的失信用户节点和未命中所述失信用户名单的普通用户节点,所述非用户节点代表用户的属性特征;
模板获取单元,获取风险模板,所述风险模板包括若干模板节点和所述模板节点之间的连边,所述模板节点包括非用户节点、失信用户节点和普通用户节点中的一种或多种,所述连边用于表示相连的模板节点具有关联关系;
风险提取单元,从所述风险知识图谱中提取出匹配所述风险模板的节点和所述节点之间的连边,以形成风险图;
团伙识别单元,采用社区划分算法将所述风险图中的节点划分为若干分组,并将每个分组中的节点识别为同一个风险团伙。
一种风险团伙的识别装置,包括:
处理器;
用于存储机器可执行指令的存储器;
其中,通过读取并执行所述存储器存储的与风险团伙的识别逻辑对应的机器可执行指令,所述处理器被促使:
基于用户历史行为和失信用户名单构建风险知识图谱,所述风险知识图谱包括:非用户节点、命中所述失信用户名单的失信用户节点和未命中所述失信用户名单的普通用户节点,所述非用户节点代表用户的属性特征;
获取风险模板,所述风险模板包括若干模板节点和所述模板节点之间的连边,所述模板节点包括非用户节点、失信用户节点和普通用户节点中的一种或多种,所述连边用于表示相连的模板节点具有关联关系;
从所述风险知识图谱中提取出匹配所述风险模板的节点和所述节点之间的连边,以形成风险图;
采用社区划分算法将所述风险图中的节点划分为若干分组,并将每个分组中的节点识别为同一个风险团伙。
由以上描述可以看出,本说明书构建包括有用户节点和非用户节点的风险知识图谱,将原本疏离的个人数据进行关联,然后从所述风险知识图谱中提取出匹配风险模板的节点和所述节点之间的连边,形成失信用户在网络上的风险图,并采用社区划分算法对风险图进行识别,从而实现对风险团伙的识别。
附图说明
图1是本说明书一示例性实施例示出的一种风险团伙的识别方法的流程示意图。
图2是本说明书一示例性实施例示出的一种风险知识图谱示意图。
图3是本说明书一示例性实施例示出的另一种风险知识图谱示意图。
图4是本说明书一示例性实施例示出的一种风险图示意图。
图5是本说明书一示例性实施例示出的一种识别风险图的方法的流程示意图。
图6是本说明书一示例性实施例示出的一种关键节点示意图。
图7是本说明书一示例性实施例示出的一种连通分支副本示意图。
图8是本说明书一示例性实施例示出的一种用于风险团伙的识别装置的一结构示意图。
图9是本说明书一示例性实施例示出的一种风险团伙的识别装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本说明书的一些方面相一致的装置和方法的例子。
在本说明书使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
本说明书提供一种风险团伙的识别方案,可根据失信用户名单和用户的历史行为构建风险知识图谱,然后从该风险知识图谱中提取出匹配预定风险模板的风险图,然后采用社区划分算法对所述风险图进行识别,以实现风险团伙的识别。
图1是本说明书一示例性实施例示出的一种风险团伙的识别方法的流程示意图。
所述风险团伙的识别方法可以应用于识别平台,所述识别平台通常由具有识别功能的服务器或服务器集群组成。
请参考图1,所述风险团伙的识别方法可包括以下步骤:
步骤102,基于用户历史行为和失信用户名单构建风险知识图谱,所述风险知识图谱包括:非用户节点、命中所述失信用户名单的失信用户节点和未命中所述失信用户名单的普通用户节点,所述非用户节点代表用户的属性特征。
在本实施例中,所述用户历史行为可包括支付行为,例如,线上转账、线上代付等。所述用户历史行为还可包括交互行为,例如,收发即时通信消息、发表评论等。当然,所述用户历史行为还可包括其他类型的行为,本说明书对此不作特殊限制。
在本实施例中,所述非用户节点可包括:设备节点、地域节点、网络环境节点等。其中,所述设备节点可以是设备ID、设备MAC地址等设备的唯一标识;所述地域节点可以是经纬度坐标、行政区域名称等;所述网络环境节点可以是所处Wi-Fi网络的SSID(Service SetIdentifier,服务集标识)、所使用的IP地址等。
所述非用户节点可代表用户的属性特征,例如设备节点可代表用户使用的设备、地域节点可代表用户所处的地域、网络环境节点可代表用户接入网络时所处的网络环境等。
在本实施例中,当两个节点之间具有关联关系时,可在这两个节点之间构建连边。
例如,用户A给用户B转账,那么可在代表用户A的节点和代表用户B的节点之间构建连通连边。
再例如,用户A接入SSID为123的Wi-Fi网络,那么可在代表用户A的节点和代表SSID为123的节点之间构建连边。
步骤104,获取风险模板,所述风险模板包括若干模板节点和所述模板节点之间的连边,所述模板节点包括非用户节点、失信用户节点和普通用户节点中的一种或多种,所述连边用于表示相连的模板节点具有关联关系。
在本实施例中,所述风险模板可预先设置。例如,可对历史上的欺诈行为、失信行为等存在风险的行为中用户与用户、用户与设备、用户与网络环境之间的关联关系进行归纳提取,以得到所述风险模板。
例如,所述风险模板可以是失信用户A-失信用户B,表示失信用户A和失信用户B之间具有关联关系。
再例如,所述风险模板可以是失信用户A-操作设备1-失信用户B,表示失信用户A和失信用户B都和操作设备1具有关联关系。
步骤106,从所述风险知识图谱中提取出匹配所述风险模板的节点和所述节点之间的连边,以形成风险图。
步骤108,采用社区划分算法将所述风险图中的节点划分为若干分组,并将每个分组中的节点识别为同一个风险团伙。
由以上描述可以看出,本说明书构建包括有用户节点和非用户节点的风险知识图谱,将原本疏离的个人数据进行关联,然后从所述风险知识图谱中提取出匹配风险模板的节点和所述节点之间的连边,形成失信用户在网络上的风险图,并采用社区划分算法对风险图进行识别,从而实现对风险团伙的识别。
下面分别从风险知识图谱的构建、风险图的提取、风险团伙的识别三个方面来描述本说明书的实现过程。
一、风险知识图谱的构建
在本实施例中,可先获取用户历史行为,例如,获取近半年或近1年各个用户的历史行为。然后可将所述历史行为中涉及到的用户、设备、网络环境、地域等抽象成风险知识图谱中的节点。
例如,每个用户都是一个节点,可对用户的身份证号、手机号、账号等信息进行加密等处理,并用处理结果来标注代表对应用户的节点。
再例如,用户使用的手机、电脑等终端设备也是一个节点,可对终端设备的MAC地址等信息进行加密等处理,并用处理结果来标注该终端设备节点。
又例如,用户接入的Wi-Fi网络也是一个节点,可对该Wi-Fi网络的SSID进行加密等处理,并用处理结果来标注该Wi-Fi网络节点。
在本实施例中,可基于用户在历史上的支付行为、交互行为等行为构建风险知识图谱。
举例来说,假设用户A使用手机a给用户B转账50元,用户B使用手机b,并且手机b接入Wi-Fi网络123,用户A和用户B同在北京市,则根据这些信息可以构建图2所示的风险知识图谱。图2所示的风险知识图谱是有向图,在实际应用中也可以构建无向图,本说明书对此不作特殊限制。
在本实施例中,失信用户名单可预先确定,其中记录有已识别出的失信用户,例如:诈骗用户、黑产用户等。根据所述失信用户名单,可将风险知识图谱中的用户节点分为两类,一类是命中所述失信用户名单的失信用户节点,另一类是未命中所述失信用户名单的普通用户节点。
值得注意的是,所述普通用户节点对应的用户可能是正常用户,也可能是尚未被识别出的失信用户。
在本实施例中,可为风险知识图谱中的失信用户节点添加失信标签,以进行区分。当然,还可采用其他方式区分风险知识图谱中的失信用户节点和普通用户节点,本说明书对此不作特殊限制。
二、风险图的提取
在本实施例中,可汇总历史上已识别出的欺诈行为、失信行为等存在风险的行为,并总结这些行为中用户与用户、用户与设备、用户与网络环境等之间的关联关系,从而提取出风险模板。
所述风险模板通常有多个,每个风险模板都可包括若干模板节点和所述模板节点之间的连边,其中,所述模板节点包括失信用户节点、普通用户节点和非用户节点中的一种或多种。
在一个例子中,所述风险模板可以包括以下六种:
1.失信用户A-失信用户B
2.失信用户A-用户C-失信用户B
3.用户E-非用户D-用户F
4.失信用户A-用户C-非用户D-失信用户B
5.失信用户A-非用户D-用户C-失信用户B
6.失信用户A-非用户G-用户C-非用户K-失信用户B
上述风险模板中的“-”表示两个模板节点之间具有连边,但不限定连边方向,即两个模板节点之间具有关联关系。
以第1个风险模板为例,该风险模板表示失信用户A和失信用户B之间具有关联关系。所述失信用户A和失信用户B可以泛指所有失信用户,例如,命中失信用户列表的用户、具有失信标签的用户等。
上述用户C、用户E、用户F等可以指风险知识图谱中的任一用户,可包括未被标记为失信用户的用户,也可包括失信用户。
上述非用户D、非用户G、非用户K可以泛指一类设备,例如移动终端设备、PC设备,也可以泛指Wi-Fi网络等。
上述风险模板仅为示例性的说明,在实际应用中,还可提取其他类型的风险模板,本说明书对此不作特殊限制。
在本实施例中,可提取风险知识图谱中匹配所述风险模板的节点和节点之间的连边,以形成风险图。
例如,可从风险知识图谱中的各个失信用户节点出发,遍历每条连通分支,以判断该连通分支上的节点和节点之间的连边是否匹配所述风险模板。
请参考图3所示的无向风险知识图谱,根据上述六类风险模板,通过提取可得到图4所示的风险图。
在本实施例中,在提取得到风险图后,还可对风险图进行剪裁。例如,可根据安全节点列表对风险图中的安全节点进行剪裁。其中,所述安全节点列表可预先设置,通常包括有两类节点。一类是用户节点,诸如,KA(Key Account,关键商户)节点;另一类是非用户节点,例如,一些设备ID不唯一的安卓终端节点等。
通过对风险图的剪裁,可去除其中的安全节点,提高后续风险团伙识别的准确性。
三、风险团伙的识别
在一个例子中,针对剪裁后的风险图,可采用社区划分算法对其进行识别,以将风险图中的节点划分为若干个分组,每个分组都可包括用户节点和非用户节点,每个分组都是一个风险团伙。其中的用户节点代表该风险团伙中的团伙成员,非用户节点代表该风险团伙使用的终端设备、Wi-Fi网络、所在地理位置等信息。
在另一个例子中,为对风险团伙的分工进行区分,在进行识别前,可先识别出风险图的关键节点,然后分别对从关键节点出发的每条连通分支进行复制,得到关键节点的连通分支副本图,然后可采用社区划分算法分别对风险图和连通分支副本图进行识别,以在识别出风险团伙的基础上,进一步识别出每个风险团伙的组织结构和分工小组。
在本例中,请参考图5,对风险图进行识别可包括以下步骤:
步骤502,识别风险图的关键节点。
在本实施例中,所述关键节点是风险图的重要节点,对风险图结构的稳定性起着巨大作用。在进行关键节点识别时,可先确定风险图中各个节点的度数和介数。
其中,度数是指节点的关联的边数。当某个节点关联2条边时,该节点的度数是2,例如,三角形、矩形的各个节点的度数都是2。一般而言,节点的度数越大,说明该节点越重要。
介数是指所有最短路径中经过该节点的路径的数目占最短路径总数的比例,节点的介数越大,说明该节点越重要。
在本实施例中,在确定风险图中各个节点的度数和介数后,可将度数满足指定条件的节点确定为关键节点,也可将介数满足指定条件的节点确定为关键节点,还可将度数和介数均满足指定条件的节点确定为关键节点,本说明书对此不作特殊限制。
上述指定条件可预先设置,例如,排列在前若干位等。
较为简单的,可按照度数从大到小的顺序对风险图中的所有节点进行排序,然后将排列在前N位的节点确定为关键节点。还可按照介数从大到小的顺序对风险图中的所有节点进行排序,然后将排列在前M位的节点也确定为关键节点。度数排列在前N位的节点集合和介数排列在前M位的节点集合可能交集,本说明书对此不作特殊限制。其中,N和M可预先设置,其取值可以相同,也可以不同。
步骤504,针对从所述关键节点出发的每条连通分支,对所述连通分支进行复制,得到所述关键节点的连通分支副本图。
在本实施例中,可对关键节点出发的每条连通分支进行复制,得到对应的连通分支副本图。
举例来说,请参考图6,假设节点1是关键节点,该关键节点1具有三个连通分支,分别为:节点1-节点5;节点1-节点6;节点1-节点2-节点3/节点4。分别复制上述三个连通分支,可得到图7所示的三个连通分支副本图。
步骤506,分别采用社区划分算法对所述风险图和所述连通分支副本图进行节点分组划分,并汇总划分结果。
在本实施例中,所述社区划分算法可包括:标签传播算法(Label PropagationAlgorithm,LPA)、随机游走算法(Walk Trap)等,本说明书对此不作特殊限制。
以LPA算法为例,可将每幅图中的节点网络结构、节点权重、连边权重等作为入参输入LPA模型,经过LPA模型可输出节点列表,该节点列表包括对应图中每个节点的节点ID和该节点所属的分组ID(也可理解为风险团伙ID)。其中,所述节点权重通常是节点度数的函数,所述连边权重通常是连边的起点节点权重和终点节点权重的函数。
在本实施例中,针对每幅图,基于LPA算法可将该图中的节点划分为一个或多个风险团伙。由于连通分支副本图是对关键节点出发的连通分支的复制,所以从连通分支副本图中识别出的团伙可能是风险图中某个风险团伙的一个分工小组。
节点ID |
风险团伙 |
节点1-节点18 |
A |
节点20-节点30 |
B |
表1
举例来说,假设风险图中包括有节点1-节点30,请参考表1,基于LPA算法,可将风险图中的30个节点划分成两个风险团伙,其中节点1-节点18属于风险团伙A,节点20-节点30属于风险团伙B。
连通分支 |
节点 |
1 |
节点1-节点5 |
2 |
节点1、节点6-节点10 |
3 |
节点1、节点11-节点16 |
表2
假设,风险图中的关键节点是节点1,从节点1发出有三个连通分支,表2示出了每个连通分支所包括的节点。
连通分支 |
节点 |
风险团伙 |
1 |
节点1-节点5 |
E |
2 |
节点6-节点9 |
F |
3 |
节点11-节点15 |
G |
表3
在本实施例中,分别采用LPA算法对表2所示的各个连通分支副本图进行识别,可得到表3所示的团伙划分结果。
在对风险图和各个连通分支副本图均进行划分后,可汇总划分结果。
请继续参考表1和表3,由表1可知节点1-节点18属于同一个风险团伙A,由表3可知节点1-节点5属于同一个风险团伙E,而节点6-节点9属于同一个风险团伙F,节点11-节点15属于同一个风险团伙G。
由此可知节点1-节点18虽然都属于风险团伙A,但是各节点在风险团伙A中的分工不同:
节点1-节点5属于同一小组,例如,节点1-节点5属于注册小组,利用非法收集来的用户信息注册用户账号;
节点6-节点9属于另一分工小组,例如,节点6-节点9属于激活小组,对注册小组注册的用户账号进行激活操作等。
节点11-节点15属于又一分工小组,例如,节点11-节点15属于攻击小组,可采用激活小组激活的用户账号对营销活动进行攻击,以盗取营销资金等。
由以上描述可以看出,本说明书可对风险图中关键节点进行识别,并可对关键节点出发的连通分支进行复制,得到连通分支副本图,然后采样社区划分算法对风险图和连通分支副本图分别分组划分,并对划分结果进行汇总,从而在识别风险团伙的基础上,进一步识别出每个风险团伙的分工小组,实现对风险团伙组织架构的识别。
可选的,在本实施例中,在识别得到各个风险团伙后,可对风险团伙的网络结构进行展示。
在本例中,可从风险知识图谱中提取所述风险团伙的网络结构图,例如可提取所述风险团伙中各个节点和所述节点之间的连边结构,得到所述网络结构图。
在本例中,可通过可视化界面对所述网络结构进行展示。可选的,为进行区别,可对用户节点和非用户节点进行区别展示,例如使用不同的颜色标注用户节点和非用户节点等,本说明书对此不作特殊限制。
可选的,在识别得到各个风险团伙后,还可基于指定的维度,对所述风险团伙的聚集性进行分析。所述指定的维度可包括以下一种或多种:操作时间维度、操作设备维度、网络环境维度、地域维度、操作场景维度、用户画像维度。
举例来说,通过分析,可得到所述风险团伙的操作时间大多集中的20时-23时,地域集中在石家庄,团伙成员年龄集中在18-25岁,男性居多等。
通过聚集性分析,可对风险团伙进行深度刻画,从而为后续打击和防范提供有力参考。
与前述风险团伙的识别方法的实施例相对应,本说明书还提供了风险团伙的识别装置的实施例。
本说明书风险团伙的识别装置的实施例可以应用在服务器上。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在服务器的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图8所示,为本说明书风险团伙的识别装置所在服务器的一种硬件结构图,除了图8所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的服务器通常根据该服务器的实际功能,还可以包括其他硬件,对此不再赘述。
图9是本说明书一示例性实施例示出的一种风险团伙的识别装置的框图。
请参考图9,所述风险团伙的识别装置800可以应用在前述图8所示的服务器中,包括有:图谱建立单元801、模板获取单元802、风险提取单元803、团伙识别单元804、安全剪裁单元805、结构展示单元806和聚集分析单元807。
其中,图谱建立单元801,基于用户历史行为和失信用户名单构建风险知识图谱,所述风险知识图谱包括:非用户节点、命中所述失信用户名单的失信用户节点和未命中所述失信用户名单的普通用户节点,所述非用户节点代表用户的属性特征;
模板获取单元802,获取风险模板,所述风险模板包括若干模板节点和所述模板节点之间的连边,所述模板节点包括非用户节点、失信用户节点和普通用户节点中的一种或多种,所述连边用于表示相连的模板节点具有关联关系;
风险提取单元803,从所述风险知识图谱中提取出匹配所述风险模板的节点和所述节点之间的连边,以形成风险图;
团伙识别单元804,采用社区划分算法将所述风险图中的节点划分为若干分组,并将每个分组中的节点识别为同一个风险团伙。
可选的,所述风险提取单元803,遍历从所述风险知识图谱中失信用户节点出发的每条连通分支,判断所述连通分支上的节点及节点之间的连边是否匹配所述风险模板。
安全剪裁单元805,根据指定的安全节点列表对所述风险图进行剪裁;
所述团伙识别单元804,采用社区划分算法将剪裁后的风险图中的节点划分为若干分组。
可选的,所述团伙识别单元804,
识别所述风险图的关键节点;
针对从所述关键节点出发的每条连通分支,对所述连通分支进行复制,得到所述关键节点的连通分支副本图;
分别采用社区划分算法对所述风险图和所述连通分支副本图进行节点分组划分,并汇总划分结果。
可选的,所述团伙识别单元804,
确定所述风险图中各个节点的度数和介数;
将度数和/或介数满足指定条件的节点确定为关键节点。
结构展示单元806,从所述风险知识图谱中提取所述风险所述风险团伙的网络结构图;通过可视化界面对所述网络结构图中的用户节点和非用户节点进行区别展示。
聚集分析单元807,基于指定的维度,对所述风险风险团伙的聚集性进行分析。
可选的,所述指定的维度包括以下一种或多种:
操作时间维度、操作设备维度、网络环境维度、地域维度、操作场景维度、用户画像维度。
可选的,所述非用户节点包括以下一种或多种:
设备节点、地域节点、网络环境节点。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机,计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
与前述风险团伙的识别方法的实施例相对应,本说明书还提供一种风险团伙的识别装置,该风险团伙的识别装置包括:处理器以及用于存储机器可执行指令的存储器。其中,处理器和存储器通常借由内部总线相互连接。在其他可能的实现方式中,所述设备还可能包括外部接口,以能够与其他设备或者部件进行通信。
在本实施例中,通过读取并执行所述存储器存储的与风险团伙的识别逻辑对应的机器可执行指令,所述处理器被促使:
基于用户历史行为和失信用户名单构建风险知识图谱,所述风险知识图谱包括:非用户节点、命中所述失信用户名单的失信用户节点和未命中所述失信用户名单的普通用户节点,所述非用户节点代表用户的属性特征;
获取风险模板,所述风险模板包括若干模板节点和所述模板节点之间的连边,所述模板节点包括非用户节点、失信用户节点和普通用户节点中的一种或多种,所述连边用于表示相连的模板节点具有关联关系;
从所述风险知识图谱中提取出匹配所述风险模板的节点和所述节点之间的连边,以形成风险图;
采用社区划分算法将所述风险图中的节点划分为若干分组,并将每个分组中的节点识别为同一个风险团伙。
可选的,在从所述风险知识图谱中提取出匹配所述风险模板的节点和所述节点之间的连边时,所述处理器被促使:
遍历从所述风险知识图谱中失信用户节点出发的每条连通分支,判断所述连通分支上的节点及节点之间的连边是否匹配所述风险模板。
可选的,所述处理器还被促使:
根据指定的安全节点列表对所述风险图进行剪裁;
在采用社区划分算法将所述风险图中的节点划分为若干分组时,所述处理器被促使:
采用社区划分算法将剪裁后的风险图中的节点划分为若干分组。
可选的,在采用社区划分算法将所述风险图中的节点划分为若干分组时,所述处理器被促使:
识别所述风险图的关键节点;
针对从所述关键节点出发的每条连通分支,对所述连通分支进行复制,得到所述关键节点的连通分支副本图;
分别采用社区划分算法对所述风险图和所述连通分支副本图进行节点分组划分,并汇总划分结果。
可选的,在识别风险图的关键节点时,所述处理器被促使:
确定所述风险图中各个节点的度数和介数;
将度数和/或介数满足指定条件的节点确定为关键节点。
可选的,所述处理器还被促使:
从所述风险知识图谱中提取所述风险团伙的网络结构图;
通过可视化界面对所述网络结构图中的用户节点和非用户节点进行区别展示。
可选的,所述处理器还被促使:
基于指定的维度,对所述风险团伙的聚集性进行分析。
可选的,所述指定的维度包括以下一种或多种:
操作时间维度、操作设备维度、网络环境维度、地域维度、操作场景维度、用户画像维度。
可选的,所述非用户节点包括以下一种或多种:
设备节点、地域节点、网络环境节点。
与前述风险团伙的识别方法的实施例相对应,本说明书还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该程序被处理器执行时实现以下步骤:
基于用户历史行为和失信用户名单构建风险知识图谱,所述风险知识图谱包括:非用户节点、命中所述失信用户名单的失信用户节点和未命中所述失信用户名单的普通用户节点,所述非用户节点代表用户的属性特征;
获取风险模板,所述风险模板包括若干模板节点和所述模板节点之间的连边,所述模板节点包括非用户节点、失信用户节点和普通用户节点中的一种或多种,所述连边用于表示相连的模板节点具有关联关系;
从所述风险知识图谱中提取出匹配所述风险模板的节点和所述节点之间的连边,以形成风险图;
采用社区划分算法将所述风险图中的节点划分为若干分组,并将每个分组中的节点识别为同一个风险团伙。
可选的,所述从所述风险知识图谱中提取出匹配所述风险模板的节点和所述节点之间的连边,包括:
遍历从所述风险知识图谱中失信用户节点出发的每条连通分支,判断所述连通分支上的节点及节点之间的连边是否匹配所述风险模板。
可选的,还包括:
根据指定的安全节点列表对所述风险图进行剪裁;
所述采用社区划分算法将所述风险图中的节点划分为若干分组,包括:
采用社区划分算法将剪裁后的风险图中的节点划分为若干分组。
可选的,所述采用社区划分算法将所述风险图中的节点划分为若干分组,包括:
识别所述风险图的关键节点;
针对从所述关键节点出发的每条连通分支,对所述连通分支进行复制,得到所述关键节点的连通分支副本图;
分别采用社区划分算法对所述风险图和所述连通分支副本图进行节点分组划分,并汇总划分结果。
可选的,所述识别风险图的关键节点,包括:
确定所述风险图中各个节点的度数和介数;
将度数和/或介数满足指定条件的节点确定为关键节点。
可选的,还包括:
从所述风险知识图谱中提取所述风险团伙的网络结构图;
通过可视化界面对所述网络结构图中的用户节点和非用户节点进行区别展示。
可选的,还包括:
基于指定的维度,对所述风险团伙的聚集性进行分析。
可选的,所述指定的维度包括以下一种或多种:
操作时间维度、操作设备维度、网络环境维度、地域维度、操作场景维度、用户画像维度。
可选的,所述非用户节点包括以下一种或多种:
设备节点、地域节点、网络环境节点。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本说明书的较佳实施例而已,并不用以限制本说明书,凡在本说明书的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本说明书保护的范围之内。