CN109784403A

CN109784403A - 一种识别风险设备的方法以及相关设备

Info

Publication number: CN109784403A
Application number: CN201910038486.0A
Authority: CN
Inventors: 王非池
Original assignee: Wuhan Douyu Network Technology Co Ltd
Current assignee: Wuhan Douyu Network Technology Co Ltd
Priority date: 2019-01-16
Filing date: 2019-01-16
Publication date: 2019-05-21
Anticipated expiration: 2039-01-16
Also published as: CN109784403B

Abstract

本发明实施例提供了一种识别风险设备的方法以及相关设备，可以准确的识别出直播平台中批量注册的风险设备，净化直播平台的网络环境。该方法包括：获取目标设备，所述目标设备为直播平台中待识别风险的设备；确定所述目标设备的图模型特征；将所述目标设备的图模型特征输入预设训练模型，以得到所述目标设备的风险值；判断所述目标设备的风险值是否大于预设阈值；若是，则确定所述目标设备为风险设备。

Description

一种识别风险设备的方法以及相关设备

技术领域

本发明涉及信息处理技术领域，尤其涉及一种识别风险设备的方法以及相关设备。

背景技术

对于直播平台而言，活跃的平台用户是平台健康运营的保证。然而，某些黑产团体为了自身利益，常常有一些危害平台的行为，例如批量注册、批量刷直播间热度、批量刷关注等。黑产团体往往采用设备群控的方式进行批量操作，从而获取利润。在这种操作模式中，黑产团伙由于频繁更换账号，导致难以直接从账号捕获黑产团伙。然而，由于黑产无法频繁的更换设备，导致设备在一段时间内会存在某些异常的行为模式，这些行为模式可以被捕捉到。

因此，如果可以对黑产用户的设备进行识别，有利于减少黑产对平台的损害，提高黑产的成本。

发明内容

本发明实施例提供了一种识别风险设备的方法及相关设备，可以准确的识别出直播平台中风险设备，净化直播平台的网络环境。

本发明实施例的第一方面提供了一种识别风险设备的方法，包括：

获取目标设备，所述目标设备为直播平台中待识别风险的设备；

确定所述目标设备的图模型特征；

将所述目标设备的图模型特征输入预设训练模型，以得到所述目标设备的风险值，所述预设训练模型为经过逻辑回归模型对训练数据进行训练得到的，所述训练数据包括已风险标注的训练设备的标签以及所述已风险标注的训练设备的图模型特征，所述已风险标注的训练设备的标签指示所述已风险标注的训练设备是否为风险设备，所述已风险标注的训练设备的图模型特征为通过所述已风险标注的训练设备对应的图模型确定得到的，所述图模型包括所述已风险标注的训练设备之间的关联关系；

判断所述目标设备的风险值是否大于预设阈值；

若是，则确定所述目标设备为风险设备。

可选地，所述将所述目标设备的图模型特征输入预设训练模型，以得到所述目标设备的风险值之前，所述方法还包括：

获取所述已风险标注的训练设备的标签；

构建所述已风险标注的训练设备对应的图模型；

基于所述图模型确定所述已风险标注的训练设备中各个训练设备的图模型特征；

将所述各个训练设备的标签以及所述各个训练设备的图模型特征对应输入逻辑回归模型进行迭代训练；

当满足预置的迭代终止条件时，将迭代终止时的所述逻辑回归模型确定为所述预设训练模型。

可选地，所述各个训练设备的图模型特征包括所述各个训练设备的图节点的度、所述各个训练设备的图节点的连接总强度、所述各个训练设备的图节点的平均连接强度、所述各个训练设备的图节点的聚类系数以及所述各个训练设备的图节点的聚类强度。

可选地，所述基于所述图模型确定所述训练设备集合中各个训练设备的图模型特征包括：

通过如下公式计算所述各个训练设备的图节点的度：

k_i＝|L(i)|；

其中，所述k_i为所述各个训练设备中的第i个设备的图节点的度，所述第i个设备的图节点的度为所述图模型中与所述第i个设备的图节点v_i连接的边的数量，L(i)为所述图模型中与所述第i个设备的图节点v_i连接的图节点集合，L(i)＝{v_j:e_ij∈E}，v_j为所述图模型中与所述图节点v_i连接的节点，e_ij为所述图模型中所述图节点v_i与图节点v_j之间连接的边，为所述图模型中的边集合，n为所述已风险标注的训练设备的数量；

通过如下公式确定所述各个训练设备的图节点的连接总强度：

其中，cs_i为所述第i个设备的图节点的连接总强度，w_ij为所述e_ij的权重；

通过如下公式确定所述各个训练设备的图节点的平均连接强度：

其中，csa_i为所述第i个设备的图节点的平均连接强度，所述k_i为所述第i个设备的图节点的度；

通过如下公式确定所述各个训练设备的聚类系数；

其中，c_i为所述第i个设备的聚类系数，m_i为所述图模型中与所述节点v_i连接的节点之间相互连接的边的个数，为所述图模型中相邻节点之间两两连接的边的个数，所述m_i为通过如下公式计算得到的：

m_i＝|{e_kl:e_kl∈E∧v_k∈L(i)∧v_l∈L(i)}|，e_kl为所述图模型中与所述节点v_i连接的节点v_k和节点v_l之间的边；

通过如下公式确定所述各个训练设备的图节点的聚类强度：

其中，m_i为所述图模型中与所述节点v_i连接的节点之间相互连接的边的个数，w_kl为所述节点v_k和所述节点v_l之间的边的权重，为所述图模型中与所述节点v_i连接的节点之间相互连接的边的权重之和。

可选地，所述方法还包括：

判断迭代次数是否达到预置数值，若是，则确定满足所述预置的迭代终止条件；

或，

判断所述预设训练模型的参数是否收敛，若是，则确定满足所述预置的迭代终止条件。

本发明实施例第二方面提供了一种识别风险设备的装置，包括：

获取单元，用于获取目标设备，所述目标设备为直播平台中待识别风险的设备；

确定单元，用于确定所述目标设备的图模型特征；

处理单元，用于将所述目标设备的图模型特征输入预设训练模型，以得到所述目标设备的风险值，所述预设训练模型为经过逻辑回归模型对训练数据进行训练得到的，所述训练数据包括已风险标注的训练设备的标签以及所述已风险标注的训练设备的图模型特征，所述已风险标注的训练设备的标签指示所述已风险标注的训练设备是否为风险设备，所述已风险标注的训练设备的图模型特征为通过所述已风险标注的训练设备对应的图模型确定得到的，所述图模型包括所述已风险标注的训练设备之间的关联关系；

判断单元，用于判断所述目标设备的风险值是否大于预设阈值；

所述确定单元，用于当所述目标设备的风险值大于所述预设阈值时，确定所述目标设备为风险设备。

可选地，所述装置还包括：

训练单元，所述训练单元用于：

获取所述已风险标注的训练设备的标签；

构建所述已风险标注的训练设备对应的图模型；

可选的，所述训练单元基于所述图模型确定所述训练设备集合中各个训练设备的图模型特征包括：

通过如下公式计算所述各个训练设备的图节点的度：

k_i＝|L(i)|；

通过如下公式确定所述各个训练设备的聚类系数；

通过如下公式确定所述各个训练设备的图节点的聚类强度：

可选地，所述训练单元还用于：

或，

本发明第三方面提供了一种电子设备，包括存储器、处理器，其特征在于，所述处理器用于执行存储器中存储的计算机管理类程序时实现如上述任意一项所述的识别风险设备的方法的步骤。

本发明第四方面提供了一种计算机可读存储介质，其上存储有计算机管理类程序，其特征在于：所述计算机管理类程序被处理器执行时实现如上述任意一项所述的识别风险设备的方法的步骤。

综上所述，可以看出，本发明提供的实施例中，识别风险设备的装置可以基于预先训练好的预设训练模型对待风险识别的目标设备进行识别，输出目标设备的风险值，当目标设备的风险值大于预设阈值时，则可以确定该目标设备为风险设备。由于预设训练模型是经过逻辑回归模型对已风险标注的训练设备以及已风险标注的训练设备的图模型特征进行训练得到的，利用逻辑回归的非线性分类优势，使得预设训练模型具有更好的判别能力与鲁棒性，可以快速准确的识别在直播平台中的风险设备，净化直播平台的网络环境。

附图说明

图1为本发明实施例提供的一种识别风险设备的方法的流程示意图一；

图2为本发明实施例提供的一种识别风险设备的方法的流程示意图二；

图3为本发明实施例提供的一种识别风险设备的装置的实施例示意图；

图4为本发明实施例提供的一种识别风险设备的装置的硬件结构示意图；

图5为本发明实施例提供的一种电子设备的实施例示意图；

图6为本发明实施例提供的一种计算机可读存储介质的实施例示意图。

具体实施方式

本发明实施例提供了一种识别风险设备的方法及相关设备，可以快速准确的识别出直播平台中的风险设备，净化直播平台的网络环境。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

在直播平台上，用户与登录设备之间存在一定的对应关系。对于普通用户而言，一个设备一般会登录有限的几个常用的用户。而对于黑产用户来说，设备往往会登录大量的用户，频繁的登录行为。另一方面，黑产用户往往利用设备墙进行批量操作，导致同一个用户可能在多个设备上都有登录行为。这使得黑产用户的设备之间存在一定的关联关系，因此可以利用图模型进行挖掘

下面从识别风险设备的装置的角度对识别风险设备的方法进行说明，该识别风险设备的装置可以为服务器，也可以为服务器中的服务单元。

请参阅图1，图1为本发明实施例提供的识别风险设备的方法的一个实施例示意图，包括：

101、获取目标设备。

本实施例中，识别风险设备的装置可以获取目标设备，其中，该目标设备为直播平台中待识别风险的设备。此处具体不限定如何获取目标设备的方式。例如可以接收直播平台的管理员输入的目标设备的标识，或者是识别风险设备的装置直接从直播平台的数据库中获取目标设备。

102、确定目标设备的图模型特征。

本实施例中，识别风险设备的装置可以首先构建目标设备对应的连接图，该目标设备对应的连接图为目标设备和直播平台中的其他设备之间的连接图，该其他设备是指直播平台中与目标设备有相同登录用户或者相同注册用户的设备，之后可以基于目标设备对应的图模型确定目标设备的图模型特征，该图模型特征包括目标设备的图节点的度，目标设备的图节点的连接总强度、目标设备的图节点的平均连接强度、目标设备的图节点的聚类系数以及目标设备的图节点的聚类强度，具体如下：

通过如下公式计算目标设备的图节点的度：

k_i＝|L(i)|；

其中，k_i为目标设备的图节点的度，目标设备的图节点的度为目标设备的连接图中与目标设备的图节点v_i连接的边的数量，L(i)为目标设备的连接图中与目标的图节点v_i连接的图节点集合，L(i)＝{v_j:e_ij∈E}，v_j为目标设备的连接图中与图节点v_i连接的节点，e_ij为图节点v_i与图节点v_j之间连接的边，为目标设备的连接图中的边集合，n为目标设备的连接图中的设备数量；

通过如下公式确定目标设备的图节点的连接总强度：

其中，cs_i为目标设备的图节点的连接总强度，w_ij为e_ij的权重；

通过如下公式确定目标设备的图节点的平均连接强度：

其中，csa_i为目标设备的图节点的平均连接强度，k_i为目标设备的图节点的度；

通过如下公式确定目标设备的聚类系数；

其中，c_i为目标设备设备的聚类系数，m_i为目标设备的连接图中与目标设备的节点v_i连接的节点之间相互连接的边的个数，为目标设备的连接图中相邻节点之间两两连接的边的个数，m_i为通过如下公式计算得到的：

m_i＝|{e_kl:e_kl∈E∧v_k∈L(i)∧v_l∈L(i)}|，e_kl为目标设备的连接图中与目标设备的节点v_i连接的节点v_k和节点v_l之间的边，节点v_l为目标设备的链接图中与目标设备的节点v_i连接的节点；

通过如下公式确定目标设备的图节点的聚类强度：

其中，m_i为目标设备的连接图中与目标设备的节点v_i连接的节点之间相互连接的边的个数，w_kl为节点v_k和节点v_l之间的边的权重，为目标设备的连接图中与目标设备的节点v_i连接的节点之间相互连接的边的权重之和。

由此可以，得到目标设备对应的图模型特征。

103、将目标设备的图模型特征输入预设训练模型，以得到目标设备的风险值。

本实施例中，在得到目标设备的图模型特征之后，可以将目标设备的图模型特征输入预设训练模型，以得到目标设备的风险值，该预设训练模型为识别风险设备的装置提前训练好的模型，用于对计算直播平台中设备的风险值，该预设训练模型为经过逻辑回归模型对训练数据进行训练得到的，该训练数据包括已风险标注的训练设备的标签以及已风险标注的训练设备的图模型特征，已风险标注的训练设备的标签指示已风险标注的训练设备是否为风险设备，该已风险标注的训练设备的图模型特征为通过已风险标注的训练设备对应的图模型确定得到的，该图模型包括已风险标注的训练设备之间的关联关系，该关联关系是指有相同的登录用户或者相同的注册用户之间形成图模型的连接图中的一条边。

104、判断目标设备的风险值是否大于预设阈值，若是，则执行步骤105，若否，则执行步骤106。

本实施例中，识别风险设备的装置在通过预设训练模型得到目标设备的风险值之后，可以判断该目标设备的风险值是否大于预设阈值(例如0.5，当然也还可以根据实际情况进行设置，具体不做限定)，若该目标设备的风险值大于预设阈值，则执行步骤105，若该目标设备的风险值不大于预设阈值则执行步骤106。

105、确定目标设备为风险设备。

本实施例中，当目标设备的风险值大于预设阈值时，识别风险设备的装置可以确定该目标设备为风险设备，则可以通知直播平台的管理人员对该目标设备进行监控或者管制。

106、执行其他操作。

本实施例中，当该目标设备的风险值不大于预设阈值时，识别风险设备的装置可以确定该目标设备不为风险设备，则可以将该目标设备标注为安全设备。

下面举例说明预设训练模型是如何计算目标设备的风险值：

假设在直播平台中有注册的设备a1、a2、a3、a4，统计四个设备之间的共同用户发现：a1，a2之间有10个共同用户；a1，a3之间有2个共同用户；a1，a4之间有5个共同用户；a2，a3有3个共同用户；a3，a4之间有1个共同用户，a2，a4之间没有共同用户。

以目标设备为a1为例，计算目标设备a1的图模型特征如下：

得到目标设备a1的图模型特征的特征向量(3，17，5.667，0.667，2)，然后对特征向量进行逻辑回归的判别，最终计算得到f(x)＝0.88，大于预设阈值0.5，因此该设备a1被识别为风险设备，建议直播平台对其进行行为限制。

下面结合图2对本发明实施例中预设训练模型的训练方法进行说明。

请参阅图2，图2为本发明实施例提供的预设训练模型的训练流程示意图，包括：

201、获取已风险标注的训练设备的标签。

本实施例中，可以对在直播平台中注册的一部分设备通过人工标注的方式获得该一部分通过人工标注的设备是否为风险设备的标签。识别风险设备的装置可以获取该已风险标注的训练设备的标签。

202、构建已风险标注的训练设备对应的图模型。

本实施例中，识别风险设备的装置可以构建已风险标注的训练设备对应的图模型，具体的，可以定义已风险标注的设备之间的连接图为G＝(V,E)，其中V＝{v₁,v₂,...,v_n}表示图节点集合，图节点v_i则表示已风险标注的设备中的设备i，已风险标注的设备中设备的数量为n，表示已风险标注的设备之间的连接图中的边集合，其中e_ij表示图节点v_i与图节点v_j之间连接的边。将已风险标注的设备对应的图模型中的边e_ij定义为：两个设备是否曾经有过相同的登录用户，边e_ij的权重定义为w_ij。由边的定义可知，如果对于已风险标注的设备中的所有设备进行建模，得到的图并不是一个整体的连接图，而是一个个聚集的联通子图，子图之间是没有边连接的。

203、基于图模型确定已风险标注的训练设备中各个训练设备的图模型特征。

本实施例中，识别风险设备的装置可以基于图模型确定已风险标注的训练设备中各个训练设备的图模型特征，该各个训练设备的图模型特征包括各个训练设备的图节点的度、各个训练设备的图节点的连接总强度、各个训练设备的图节点的平均连接强度、各个训练设备的图节点的聚类系数以及各个训练设备的图节点的聚类强度，下面详细说明，如何基于图模型确定各个训练设备的图模型特征如下：

通过如下公式计算各个训练设备的图节点的度：

k_i＝|L(i)|；

其中，k_i为各个训练设备中的第i个设备的图节点的度，第i个设备的图节点的度为图模型中与第i个设备的图节点v_i连接的边的数量，L(i)为图模型中与第i个设备的图节点v_i连接的图节点集合，L(i)＝{v_j:e_ij∈E}，v_j为图模型中与图节点v_i连接的节点，e_ij为图模型中图节点v_i与图节点v_j之间连接的边，为图模型中的边集合，n为已风险标注的训练设备的数量；

通过如下公式确定各个训练设备的图节点的连接总强度：

其中，cs_i为第i个设备的图节点的连接总强度，w_ij为e_ij的权重；

通过如下公式确定各个训练设备的图节点的平均连接强度：

其中，csa_i为第i个设备的图节点的平均连接强度，k_i为第i个设备的图节点的度；

通过如下公式确定各个训练设备的聚类系数；

其中，c_i为第i个设备的聚类系数，m_i为图模型中与节点v_i连接的节点之间相互连接的边的个数，为图模型中相邻节点之间两两连接的边的个数，m_i为通过如下公式计算得到的：

m_i＝|{e_kl:e_kl∈E∧v_k∈L(i)∧v_l∈L(i)}|，e_kl为图模型中与节点v_i连接的节点v_k和节点v_l之间的边；

通过如下公式确定各个训练设备的图节点的聚类强度：

其中，m_i为图模型中与节点v_i连接的节点之间相互连接的边的个数，w_kl为节点v_k和节点v_l之间的边的权重，为图模型中与节点v_i连接的节点之间相互连接的边的权重之和。

204、将各个训练设备的标签以及各个训练设备的图模型特征对应输入逻辑回归模型进行迭代训练。

本实施例中，识别风险设备的装置在得到各个训练设备的标签以及各个训练设备的图模型特征之后，可以将各个训练设备的标签以及各个训练设备的图模型特征对应输入逻辑回归模型进行迭代训练，具体的：

假设已风险标注的设备对应的训练数据中的每个训练设备的样本为{X，Y}，其中图模型特征为X＝{k_i,cs_i,csa_i,c_i,cc_i}，为了统一化符号表示，我们将图模型特征统一符号化为：{x₁,x₂,x₃,x₄,x₅}，Y表示该训练设备的样本对应的标签，0代表正常设备，1代表风险设备(当然也可以是其他数据，具体不限定)，逻辑回归模型可以表示如下：

其中，e为自然常数，θ_i为某个特征对应的系数权重，该模型在线性回归的基础上，对输出进行sigmoid函数处理，使得预设训练模型最终的输出值为0-1之间的连续值。

205、当满足预置的迭代终止条件时，将迭代终止时的逻辑回归模型确定为预设训练模型。

本实施例中，在通过逻辑回归模型对训练数据中的样本进行训练的过程中，可以实时监控是否满足预置的迭代终止条件，具体的：判断迭代次数是否达到预置数值(例如1000次)，若是，则确定满足预置的迭代终止条件；

或，

判断预设训练模型的参数(该预设训练模型的参数即为上述逻辑回归模型中的θ_i)是否收敛，若是，则确定满足预置的迭代终止条件。

需要说明的是，识别风险设备的装置可以利用极大似然估计的方法，定义预设训练模型训练时的损失函数为该预设训练模型的似然概率，并求取对数方便求导：

其中，表示对于已风险标注的设备中的设备样本x_i的模型输出，y_i表示已风险标注的设备中的设备样本x_i的真实标签(该设备为风险设备，则该x_i＝1，若该设备为正常设备，则该x_i＝0)，对于该预设训练模型的求解往往采用梯度上升法，简单可以概括为：将f(x)代入损失函数，然后对损失函数进行求导，取梯度上升方向，进行参数迭代，重复该步骤直到该预设训练模型参数收敛，将迭代终止时的逻辑回归模型确定为预设训练模型。

综上所述，可以看出，本发明提供的实施例中，预设训练模型是经过逻辑回归模型对已风险标注的训练设备的标签以及已风险标注的训练设备的图模型特征进行训练得到的，利用逻辑回归的非线性分类优势，使得预设训练模型具有更好的判别能力与鲁棒性，可以快速准确的识别在直播平台中的风险设备，净化直播平台的网络环境。

上面对本发明实施例中识别风险设备的方法进行了描述，下面对本发明实施例中的识别风险设备的装置进行描述。

请参阅图3，本发明实施例中识别风险设备的装置的一个实施例，该识别风险设备的装置包括：

获取单元301，用于获取目标设备，所述目标设备为直播平台中待识别风险的设备；

确定单元302，用于确定所述目标设备的图模型特征；

处理单元303，用于将所述目标设备的图模型特征输入预设训练模型，以得到所述目标设备的风险值，所述预设训练模型为经过逻辑回归模型对训练数据进行训练得到的，所述训练数据包括已风险标注的训练设备的标签以及所述已风险标注的训练设备的图模型特征，所述已风险标注的训练设备的标签指示所述已风险标注的训练设备是否为风险设备，所述已风险标注的训练设备的图模型特征为通过所述已风险标注的训练设备对应的图模型确定得到的，所述图模型包括所述已风险标注的训练设备之间的关联关系；

判断单元304，用于判断所述目标设备的风险值是否大于预设阈值；

所述确定单元303，还用于当所述目标设备的风险值大于所述预设阈值时，确定所述目标设备为风险设备。

可选地，所述装置还包括：

训练单元305，所述训练单元305用于：

获取所述已风险标注的训练设备的标签；

构建所述已风险标注的训练设备对应的图模型；

可选的，所述训练单元305基于所述图模型确定所述训练设备集合中各个训练设备的图模型特征包括：

通过如下公式计算所述各个训练设备的图节点的度：

k_i＝|L(i)|；

通过如下公式确定所述各个训练设备的聚类系数；

通过如下公式确定所述各个训练设备的图节点的聚类强度：

可选地，所述训练单元305还用于：

或，

上面图3从模块化功能实体的角度对本发明实施例中的识别风险设备的装置进行了描述，下面从硬件处理的角度对本发明实施例中的识别风险设备的装置进行详细描述，请参阅图4，本发明实施例中的识别风险设备的装置400一个实施例，包括：

输入装置401、输出装置402、处理器403和存储器404(其中处理器403的数量可以一个或多个，图4中以一个处理器403为例)。在本发明的一些实施例中，输入装置401、输出装置402、处理器403和存储器404可通过总线或其它方式连接，其中，图4中以通过总线连接为例。

其中，通过调用存储器404存储的操作指令，处理器403，用于执行如下步骤：

确定所述目标设备的图模型特征；

判断所述目标设备的风险值是否大于预设阈值；

若是，则确定所述目标设备为风险设备。

通过调用存储器404存储的操作指令，处理器403，还用于执行图1或2对应的实施例中的任一方式。

请参阅图5，图5为本发明实施例提供的电子设备的实施例示意图。

如图5所示，本发明实施例提供了一种电子设备，包括存储器510、处理器520及存储在存储器520上并可在处理器520上运行的计算机程序511，处理器520执行计算机程序511时实现以下步骤：

确定所述目标设备的图模型特征；

判断所述目标设备的风险值是否大于预设阈值；

若是，则确定所述目标设备为风险设备。

在具体实施过程中，处理器520执行计算机程序511时，可以实现图1或2对应的实施例中任一实施方式。

由于本实施例所介绍的电子设备为实施本发明实施例中一种识别风险设备的装置所采用的设备，故而基于本发明实施例中所介绍的方法，本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式，所以在此对于该电子设备如何实现本发明实施例中的方法不再详细介绍，只要本领域所属技术人员实施本发明实施例中的方法所采用的设备，都属于本发明所欲保护的范围。

请参阅图6，图6为本发明实施例提供的一种计算机可读存储介质的实施例示意图。

如图6所示，本实施例提供了一种计算机可读存储介质600，其上存储有计算机程序611，该计算机程序611被处理器执行时实现如下步骤：

确定所述目标设备的图模型特征；

判断所述目标设备的风险值是否大于预设阈值；

若是，则确定所述目标设备为风险设备。

在具体实施过程中，该计算机程序611被处理器执行时可以实现图1或2对应的实施例中任一实施方式。

需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本发明实施例还提供了一种计算机程序产品，该计算机程序产品包括计算机软件指令，当计算机软件指令在处理设备上运行时，使得处理设备执行如图1对应实施例中的风电场数字化平台设计的方法中的流程。

所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

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单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或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中，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所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上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该，或者对其中部分技术特征进行等同替换；而这些修该或者替换，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。

Claims

1.一种识别风险设备的方法，其特征在于，包括：

确定所述目标设备的图模型特征；

判断所述目标设备的风险值是否大于预设阈值；

若是，则确定所述目标设备为风险设备。

2.根据权利要求1所述的方法，其特征在于，所述将所述目标设备的图模型特征输入预设训练模型，以得到所述目标设备的风险值之前，所述方法还包括：

获取所述已风险标注的训练设备的标签；

构建所述已风险标注的训练设备对应的图模型；

3.根据权利要求2所述的方法，其特征在于，所述各个训练设备的图模型特征包括所述各个训练设备的图节点的度、所述各个训练设备的图节点的连接总强度、所述各个训练设备的图节点的平均连接强度、所述各个训练设备的图节点的聚类系数以及所述各个训练设备的图节点的聚类强度。

4.根据权利要求3所述的方法，其特征在于，所述基于所述图模型确定所述训练设备集合中各个训练设备的图模型特征包括：

通过如下公式计算所述各个训练设备的图节点的度：

k_i＝|L(i)|；

通过如下公式确定所述各个训练设备的聚类系数；

e_kl为所述图模型中与所述节点v_i连接的节点v_k和节点v_l之间的边；

通过如下公式确定所述各个训练设备的图节点的聚类强度：

5.根据权利要求2至4中任一项所述的方法，其特征在于，所述方法还包括：

或，

6.一种识别风险设备的装置，其特征在于，包括：

确定单元，用于确定所述目标设备的图模型特征；

7.根据权利要求6所述的装置，其特征在于，所述装置还包括：

训练单元，所述训练单元用于：

获取所述已风险标注的训练设备的标签；

构建所述已风险标注的训练设备对应的图模型；

8.根据权利要求7所述的装置，其特征在于，所述各个训练设备的图模型特征包括所述各个训练设备的图节点的度、所述各个训练设备的图节点的连接总强度、所述各个训练设备的图节点的平均连接强度、所述各个训练设备的图节点的聚类系数以及所述各个训练设备的图节点的聚类强度；

所述训练单元基于所述图模型确定所述训练设备集合中各个训练设备的图模型特征包括：

通过如下公式计算所述各个训练设备的图节点的度：

k_i＝|L(i)|；

通过如下公式确定所述各个训练设备的聚类系数；

通过如下公式确定所述各个训练设备的图节点的聚类强度：

其中，m_i为所述图模型中与所述节点v_i连接的节点之间相互连接的边的个数，w_kl为所述节点v_k和所述节点v_l之间的边的权重，为所述图模型中与所述节点v_i连接的节点之间相互连接的边的权重之和；

所述训练单元还用于：

或，

9.一种电子设备，包括存储器、处理器，其特征在于，所述处理器用于执行存储器中存储的计算机管理类程序时实现如权利要求1至5中任意一项所述的识别风险设备的方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机管理类程序，其特征在于：所述计算机管理类程序被处理器执行时实现如权利要求1至6中任意一项所述的识别风险设备的方法的步骤。