CN109842858B - 一种业务异常订购检测方法及装置 - Google Patents

Abstract

本发明公开了一种业务异常订购检测方法及装置，提高了业务异常订购检测的精确度以及检测效率。所述方法包括：接收待检测用户通过移动终端发送的业务订购请求，业务订购请求中携带有与待检测用户注册时的账号绑定的手机号码；当该手机号码既不在白名单中也不在黑名单中时，则将获取的在待检测时间段内的该用户的行为数据信息与预设的异常订购规则库中的规则进行匹配；如果行为数据信息与异常订购规则库中的规则每匹配成功一条，则将预设的有效期内的标记次数累加1并更新；当标记次数小于预设阈值时，则根据计费控制策略对所述待检测用户进行计费控制；当更新后的标记次数大于等于所述预设阈值时，则确定该业务为异常订购。

Description

一种业务异常订购检测方法及装置

技术领域

本发明涉及移动应用安全领域，尤其涉及一种业务异常订购检测方法及装置。

背景技术

随着移动终端与互联网络的发展，手游市场得到快速增长，手游主要的计费方式是与运营商合作，手游玩家出现由业务异常订购而引起的恶意扣费问题的直接解决方式是向运营商投诉，作为开发商和手机游戏玩家的中间者，运营商对计费的间接管控尤为重要，然而，在数据支撑方面，运营商缺少用户在开发商服务端积累的实操数据，导致其间接管控步履维艰。

目前，业内针对涉及订购的增值业务恶意扣费检测的方法主要有以下几种：

(1)通过移动终端发送短信是否是SP(Service Provider，服务提供商)业务接入号，来判断是否显示发送号码及发送内容给用户，提醒用户存在的扣费风险。然而，该方法不能适用于手机中被植入了某些扣费的程序或代码，而屏蔽了扣费回执信息的用户，进而产生暗中扣去话费的情况。

(2)针对不在黑名单里也不在白名单里的用户，通过外拨用户手机作为辅助手段确定订购业务是否存在恶意扣费行为。该方法虽然准确性高，但增加了额外的沟通成本，并且，对于业务订购较多但不在白名单里的用户，反复进行扣费外拨确认容易给用户造成骚扰，影响用户使用体验。

(3)通过用户发起业务订购时访问的URL(Uniform Resource Locator，统一资源定位符)与移动互联网上原始积累的URL特征库进行匹配，来分析是否为可疑订购和可疑URL。然而，该方法局限于联网URL访问产生的订购请求，不适用于单机等情形，同时对可获得的移动互联网的URL特征库的要求很高。

(4)利用业务侧规则库检测恶意扣费，由于规则过于单一，对于满足规则库其中之一的用户即被判定为恶意扣费，误判率较高。另外，部分基于组合计费代码规则库识别用户敏感行为的方案，依赖于注入手机操作系统的底层函数代码来检测用户行为，操作复杂，实施难度大。

基于此，如何提高业务异常订购检测的精确度以及检测效率，是现有技术亟待解决的技术问题之一。

发明内容

本发明提供了一种方法及装置，提高了业务异常订购检测的精确度以及检测效率。

第一方面，本发明实施例提供了一种业务异常订购检测方法，包括：

接收待检测用户通过移动终端发送的业务订购请求，其中，所述业务订购请求中携带有与所述待检测用户注册时的账号绑定的手机号码；

当确定所述手机号码既不在白名单中也不在黑名单中时，则将获取的在待检测时间段内的所述待检测用户的行为数据信息与预设的异常订购规则库中的规则进行匹配；

如果所述行为数据信息与所述异常订购规则库中的规则每匹配成功一条，则将预设的有效期内的标记次数累加1，获得更新后的标记次数；

当所述更新后的标记次数小于预设阈值时，则根据计费控制策略对所述待检测用户进行计费控制；

当所述更新后的标记次数大于等于所述预设阈值时，则确定所述业务为异常订购，并将所述手机号码加入所述黑名单，业务订购失败。

较佳地，所述异常订购规则库通过以下步骤建立：

根据所述黑名单与所述白名单中的各用户的行为数据信息，构建指标集合；

根据所述黑名单与所述白名单中的各用户的行为数据信息对所述指标集合中的各指标进行预处理，生成样本库；

利用分类算法建立模型对所述样本库数据进行处理，从所述模型的输出结果中提取判定异常订购的规则，生成异常订购规则库。

较佳地，根据所述黑名单与所述白名单中的各用户的行为数据信息，构建指标集合，具体包括：

获取所述黑名单与所述白名单中的各用户的行为数据信息；

根据所述黑名单中的各用户的行为数据信息与所述白名单中的各用户的行为数据信息与预设指标确定需要选取的指标，其中，所述预设指标为具有识别异常订购属性的指标；

利用预设算法去除选取的各指标之间的相关性，生成指标集合。

较佳地，将获取的在待检测时间段内的所述待检测用户的行为数据信息与预设的异常订购规则库中的规则进行匹配，具体包括：

计算所述待检测用户的行为数据信息对应的所述指标集合中的各指标值；

将计算出的所述各指标值与所述异常订购规则库中的规则进行匹配。

较佳地，所述业务为手游业务；所述用户的行为数据信息是利用游戏软件开发包SDK获取的，所述用户的行为数据信息至少包括以下一种：启动信息、登录信息、充值信息、订购信息、付费信息和退出信息。

较佳地，所述计费控制策略包括第一计费控制策略和第二计费控制策略，所述第一计费控制策略为所述手游出厂时游戏开发商设置的产品级计费控制策略，所述第二计费控制策略为预设的用户级计费控制策略。

较佳地，根据计费控制策略对所述待检测用户进行计费控制，具体包括：

根据计算出的所述各指标值中与所述异常订购规则库中的规则相匹配的指标值，确定所述指标值与所述用户级计费控制策略中相对应的策略；

比较所述指标值与所述用户级计费控制策略中相对应的策略和所述产品级计费控制策略的优先级；

利用优先级高的策略对所述待检测用户进行计费控制。

可选地，在接收到用户通过移动终端发送的业务订购请求之后，还包括：

当确定所述手机号码在白名单中时，则业务订购成功；

当确定所述手机号码在黑名单中时，则业务订购失败。

第二方面，本发明实施例提供了一种业务异常订购检测装置，包括：

接收单元，用于接收待检测用户通过移动终端发送的业务订购请求，其中，所述业务订购请求中携带有与所述待检测用户注册时的账号绑定的手机号码；

匹配单元，用于当确定所述手机号码既不在白名单中也不在黑名单中时，则将获取的在待检测时间段内的所述待检测用户的行为数据信息与预设的异常订购规则库中的规则进行匹配；

第一处理单元，用于如果所述行为数据信息与所述异常订购规则库中的规则每匹配成功一条，则将预设的有效期内的标记次数累加1，获得更新后的标记次数；

计费控制单元，用于当所述更新后的标记次数小于预设阈值时，则根据计费控制策略对所述待检测用户进行计费控制；

确定单元，用于当所述更新后的标记次数大于等于所述预设阈值时，则确定所述业务为异常订购，并将所述手机号码加入所述黑名单，业务订购失败。

较佳地，所述匹配单元，具体用于通过以下步骤建立所述异常订购规则库：根据所述黑名单与所述白名单中的各用户的行为数据信息，构建指标集合；根据所述黑名单与所述白名单中的各用户的行为数据信息对所述指标集合中的各指标进行预处理，生成样本库；利用分类算法建立模型对所述样本库数据进行处理，从所述模型的输出结果中提取判定异常订购的规则，生成异常订购规则库。

较佳地，所述匹配单元，具体用于获取所述黑名单与所述白名单中的各用户的行为数据信息；根据所述黑名单中的各用户的行为数据信息与所述白名单中的各用户的行为数据信息与预设指标确定需要选取的指标，其中，所述预设指标为具有识别异常订购属性的指标；利用预设算法去除选取的各指标之间的相关性，生成指标集合。

较佳地，所述匹配单元，具体用于计算所述待检测用户的行为数据信息对应的所述指标集合中的各指标值；将计算出的所述各指标值与所述异常订购规则库中的规则进行匹配。

较佳地，所述业务为手游业务；所述用户的行为数据信息是利用游戏软件开发包SDK获取的，所述用户的行为数据信息至少包括以下一种：启动信息、登录信息、充值信息、订购信息、付费信息和退出信息。

较佳地，所述计费控制策略包括第一计费控制策略和第二计费控制策略，所述第一计费控制策略为所述手游出厂时游戏开发商设置的产品级计费控制策略，所述第二计费控制策略为预设的用户级计费控制策略。

较佳地，所述计费控制单元，具体用于根据计算出的所述各指标值中与所述异常订购规则库中的规则相匹配的指标值，确定所述指标值与所述用户级计费控制策略中相对应的策略；比较所述指标值与所述用户级计费控制策略中相对应的策略和所述产品级计费控制策略的优先级；利用优先级高的策略对所述待检测用户进行计费控制。

可选地，所述装置还包括：

第二处理单元，用于在接收到用户通过移动终端发送的业务订购请求之后，当确定所述手机号码在白名单中时，则业务订购成功；当确定所述手机号码在黑名单中时，则业务订购失败。

第三方面，本发明实施例提供了一种电子设备，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计算机程序，所述处理器执行所述程序时实现本发明所述的业务异常订购检测方法。

第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明所述的业务异常订购检测方法中的步骤。

本发明的有益效果包括：

本发明实施例提供的业务异常订购检测方法及装置中，后台服务器接收待检测用户通过移动终端发送的业务订购请求，其中，所述业务订购请求中携带有与待检测用户注册时的账号绑定的手机号码，判断该与待检测用户注册时的账号绑定的手机号码是否在白名单或者黑名单中，当确定该手机号码既不在白名单中也不在黑名单中时，将获取的在待检测时间段内的所述待检测用户的行为数据信息与预设的异常订购规则库中的规则进行匹配，如果待检测用户的行为数据信息与所述异常订购规则库中的规则每匹配成功一条，则将预设的有效期内的标记次数累加1，对标记次数进行更新，当更新后的标记次数小于预设阈值时，则根据计费控制策略对待检测用户进行计费控制，当更新后的标记次数大于等于预设阈值时，则确定所述业务为异常订购，并将所述手机号码加入黑名单，业务订购失败，上述流程中，当与待检测用户注册时的账号绑定的手机号码既不存在于白名单中也不存在于黑名单中时，通过获取在待测时间段内的待检测用户的行为数据信息，并与预设的异常订购规则库中的规则进行匹配，对手机业务是否为异常订购做进一步的判定，当待检测用户的行为数据信息与异常订购规则匹配数未达到预设阈值时，则根据计费控制策略对所述待检测用户进行不同等级的计费控制，对用户疑似异常订购预警，当待检测用户的行为数据信息与异常订购规则匹配数达到预设阈值时，则判定所述业务为异常订购，业务订购失败，其基于用户的行为数据信息，从用户维度来识别异常订购，进行计费监控，从而提前进行计费风险预警，在不增加额外沟通成本的同时，提高了业务异常订购检测的精确度以及检测效率。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明实施例一提供的业务异常订购检测方法的实施流程示意图；

图2为本发明实施例一中，根据与待检测用户注册时的账号绑定的手机号码是否在黑、白名单中进行相应处理的实施流程示意图；

图3为本发明实施例一中，建立异常订购规则库的流程示意图；

图4为本发明实施例一中，构建指标集合的流程示意图；

图5为本发明实施例一中，黑、白名单中用户历史消费次数对比曲线图；

图6为本发明实施例一中，模型的输出结果中的一个树分支示意图；

图7为本发明实施例一中，根据计费控制策略对待检测用户进行计费控制的实施流程示意图；

图8为本发明实施例二提供的业务异常订购检测装置的结构示意图。

具体实施方式

本发明提供了一种业务异常订购检测方法及装置，提高了业务异常订购检测的精确度以及检测效率。

本发明实施例提供的业务异常订购检测方法的实施原理是：后台服务器接收待检测用户通过移动终端发送的业务订购请求，其中，所述业务订购请求中携带有与待检测用户注册时的账号绑定的手机号码，判断该手机号码是否在白名单或者黑名单中，当确定该手机号码既不在白名单中也不在黑名单中时，将获取的在待检测时间段内的所述待检测用户的行为数据信息与预设的异常订购规则库中的规则进行匹配，如果待检测用户的行为数据信息与所述异常订购规则库中的规则每匹配成功一条，则将预设的有效期内的标记次数累加1，对标记次数进行更新，当更新后的标记次数小于预设阈值时，则根据计费控制策略对待检测用户进行计费控制，当更新后的标记次数大于等于预设阈值时，则确定所述业务为异常订购，并将所述手机号码加入黑名单，业务订购失败，上述流程中，当与待检测用户注册时的账号绑定的手机号码既不存在于白名单中也不存在于黑名单中时，通过获取在待测时间段内的待检测用户的行为数据信息，并与预设的异常订购规则库中的规则进行匹配，对手机业务是否为异常订购做进一步的判定，当待检测用户的行为数据信息与异常订购规则匹配数未达到预设阈值时，则根据计费控制策略对所述待检测用户进行不同等级的计费控制，对用户疑似异常订购预警，当待检测用户的行为数据信息与异常订购规则匹配数达到预设阈值时，则判定所述业务为异常订购，业务订购失败。运营商基于用户的行为数据信息，可以根据异常订购规则库从用户纬度准确识别疑似异常订购行为，进行不同等级的计费控制，从而提前进行计费风险预警，保护了用户权益，并且，运营商可以根据本发明提供的业务异常订购的检测流程，通过反复标记判定最终的异常订购用户，提高了判定黑名单的准确性，减小了误判的概率，防止误判带来的不良影响，从而在不增加额外沟通成本的同时，提高了业务异常订购检测的精确度以及检测效率。

需要说明的是，所述移动终端为可以运行游戏软件开发包(SDK，SoftwareDevelopment Kit)的终端，例如安卓终端或IOS(iPhone Operating System，iPhone操作系统)终端，并不限于上述终端，本发明实施例对此不作限定。

以下结合说明书附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明，并且在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

实施例一

如图1所示，其为本发明实施例一提供的业务异常订购检测方法的实施流程示意图，可以包括以下步骤：

S11、接收待检测用户通过移动终端发送的业务订购请求，其中，所述业务订购请求中携带有与所述待检测用户注册时的账号绑定的手机号码。

具体实施时，所述业务可以为手游业务，后台服务器可以为游戏后台服务器，待检测用户通过移动终端发送业务订购请求给游戏后台服务器，其中，业务订购请求中至少包括该用户注册时的账号、账号绑定的手机号码和请求订购的手游业务信息，与该用户注册时的账号绑定的手机号码用于游戏计费、接收游戏通知等。游戏后台服务器接收该用户发送的业务订购请求。

S12、当确定所述手机号码既不在白名单中也不在黑名单中时，则将获取的在待检测时间段内的所述待检测用户的行为数据信息与预设的异常订购规则库中的规则进行匹配。

具体实施时，白名单与黑名单来源于先验的历史数据，可以是人工标记数据或者第三方提供的数据，白名单中的订购业务大概率上为非恶意代码，而黑名单中的订购业务大概率上为恶意代码，黑名单与白名单中的内容是可以动态变化的。

用户的行为数据信息可以是利用游戏软件开发包SDK获取的，所述用户的行为数据信息至少包括但不限于以下一种信息：启动信息、登录信息、充值信息、订购信息、付费信息和退出信息。游戏SDK有其版本号、类型以及SDK会话ID(Identification，身份标识)等信息，其中，游戏SDK类型有如安卓Android普通单机SDK、Android普通网游SDK、IOS单机游戏SDK、WP(Windows Phone，微软的一款手机操作系统)游戏SDK等，SDK会话ID为每次用户运行游戏的唯一码，通过该唯一码可以直接查询用户本次运行游戏过程中的所有行为日志及计费行为，该唯一码由SDK客户端每次启动应用程序时随机生成，该值在每次应用程序开始运行至结束期间的行为日志值相同。

具体实施时，后台游戏服务器在接收到用户通过移动终端发送的业务订购请求之后，当确定与待检测用户注册时的账号绑定的手机号码在白名单中时，则业务订购成功，当确定所述手机号码在黑名单中时，则业务订购失败。

具体地，本步骤可以通过如图2所示的流程实现，可以包括如下步骤：

S21、判断与待检测用户注册时的账号绑定的手机号码是否在白名单中，如果所述手机号码在白名单中，则执行步骤S24；

具体地，判断与待检测用户注册时的账号绑定的手机号码是否在白名单中，如果该手机号码在白名单中，则业务订购成功。

S22、如果所述手机号码不在白名单中，则判断所述手机号码是否在黑名单中，如果所述手机号码在黑名单中，则执行步骤S25，否则执行步骤S23。

具体地，如果通过步骤S21判断所述手机号码不在白名单中时，则继续判断该手机号码是否在黑名单中，如果该手机号码在黑名单中，则订购失败，如果该手机号码不在黑名单中，则执行步骤S23。

S23、将获取的在待检测时间段内的所述待检测用户的行为数据信息与预设的异常订购规则库中的规则进行匹配。

S24、业务订购成功。

S25、业务订购失败。

需要说明的是，具体实施时，也可以先判断与待检测用户注册时的账号绑定的手机号码是否在黑名单中，如果所述手机号码不在黑名单中，再判断所述手机号码是否在白名单中，本发明实施例对此不作限定。

其中，异常订购规则库可以通过如图3所示的流程建立，可以包括：

S31、根据所述黑名单与所述白名单中的各用户的行为数据信息，构建指标集合。

具体实施时，可以按照如图4所示的流程构建指标集合，可以包括以下步骤：

S311、获取所述黑名单与所述白名单中的各用户的行为数据信息。

具体地，利用游戏SDK获取预设时间段内黑名单中的各手机号码对应的用户的行为数据信息与白名单中的各手机号码对应的用户的行为数据信息，即各用户的启动信息、登录信息、充值信息、订购信息、付费信息和退出信息的至少一种。需要说明的是，预设时间段可以根据需要自行设定或者取经验值，对此，本发明实施例不作限定。

S312、根据所述黑名单中的各用户的行为数据信息与所述白名单中的各用户的行为数据信息与预设指标确定需要选取的指标。

本步骤中，所述预设指标为具有识别异常订购属性的指标。

具体实施时，以黑白名单用户行为为主体，选取具有识别异常订购属性的指标作为预设指标，例如不同时间粒度内消费业务款数、发起业务计费请求数、消费次数；某时间段启动游戏次数、启动游戏至第一次消费的时间；某时间段退出游戏次数、最后一次消费至退出游戏时间；不同时间粒度内消费终端变动数、消费SIM卡变动数；某时间段用户充值次数等。具体地，由于从业务层面上，短时间内高频消费、消费多款业务、消费金额不稳定、启动游戏立即消费、订购后未使用立即退出、IMEI(International Mobile EquipmentIdentity，国际移动装备辨识码)或IMSI(International Mobile SubscriberIdentification Number，国际移动用户识别码)高频变动、基础业务信用等级低等情况都属于异常表现。根据业务理解，选取若干个具有识别异常订购属性的指标如消费次数、消费业务款数、发起业务计费请求数、启动游戏至第一次消费时间、最后一次消费至退出游戏时间、IMEI或IMSI变动次数、基础业务信用等级等作为预设指标。进一步地，根据获取的预设时间段内的黑名单中的各手机号码对应的用户的行为数据信息与白名单中的各手机号码对应的用户的行为数据信息，计算出黑、白名单对应的上述选取的预设指标的值，再进一步对这些指标值做数据探索，例如计算平均值、极值、众数、方差等统计量、分布情况、周期性情况等，对比黑白名单样本数据在这些统计指标上的差异，将黑白样本数据呈现明显区别的指标确定为需要选取的指标。

S313、利用预设算法去除选取的各指标之间的相关性，生成指标集合。

具体地，利用预设算法对步骤S312中选取的指标做相关性分析，去除各指标之间的相关性，生成指标集合。其中，预设算法可以为Pearson相关系数、Spearman相关系数算法，或其它可以进行相关性计算的算法，本发明实施例对此不作限定。

下面列举一个实例进一步说明步骤S311～S313的实施过程，例如，根据业务理解考虑历史消费金额指标，经初步计算，白名单中用户平均每天消费次数、最近30天平均每天消费次数都非常稳定，而黑名单中用户平均每天消费次数、最近30天平均每天消费次数呈现较大波动，如图5所示，其为黑、白名单中用户历史消费次数对比曲线图，其中，横轴表示时间，假设最近30天为从2016年12月1日至2016年12月29日，纵轴表示消费次数，图中由上至下的四条曲线：曲线1～曲线4分别表示黑名单用户平均每天消费次数、黑名单用户最近30天平均每天消费次数、白名单用户最近30天平均每天消费次数和白名单用户平均每天消费次数。从图5中可以看出，黑名单用户最近30天平均每天消费次数明显高于白名单用户最近30天平均每天消费次数，黑名单用户平均每天消费次数也明显高于白名单用户平均每天消费次数，由于黑白名单样本数据在该指标上有很明显的区分度，则将平均每天消费次数和最近30天平均每天消费次数确定为需要选取的指标。其它指标的选取参见上述过程，此处不再赘述。假设选取了三个指标：最近30天消费次数、最近30天消费金额数和最近30天消费天数，再通过Pearson相关系数计算上述三个指标的相关性，各指标相关系数矩阵如表1所示：

表1

基于表1，这三个指标间的相关系数接近于1，证明它们具有强相关性，则从这三个指标中选择一个作为最终入选的指标，例如选取最近30天消费次数作为最终入选指标，将其它两个指标去除。

S32、根据所述黑名单与所述白名单中的各用户的行为数据信息对所述指标集合中的各指标进行预处理，生成样本库。

具体实施时，基于黑名单与白名单中的各用户的行为数据信息，可以对生成的指标集合中的各指标进行数据规范化、连续属性离散化等预处理，汇总成指标宽表，生成样本库，用于建模分析。

S33、利用分类算法建立模型对所述样本库数据进行处理，从所述模型的输出结果中提取判定异常订购的规则，生成异常订购规则库。

具体实施时，可以采用分类算法建立模型对样本库数据进行分析，挖掘出疑似异常订购用户，分类算法可以但不限于为：决策树模型、随机森林模型或SVM(Support VectorMachine，支持向量机)模型。具体地，可以经过样本库数据输入、模型训练、模型测试、模型评价、模型优化和重构，反复迭代，形成最终应用到异常订购识别场景中的最优模型，根据模型的输出结果可提取判定异常订购的规则，对提取的规则优化后即可生成异常订购规则库。

其中，模型训练即生成该场景决策树模型、随机森林模型和SVM模型的过程。模型测试即运用建立的模型来预测标记有是否为异常订购用户的先验数据。模型评价即利用常用的模型评价指标，例如查准率、查全率、误判率等来评价建立的模型的效果，假设上述三种模型的评价结果如表2所示。

表2

模型评估	决策树模型	随机森林模型	SVM模型
				查准率	0.99	0.98	0.88
查全率	0.97	0.98	0.87

基于表2，根据决策树模型、随机森林模型和SVM模型的评价结果，决策树模型和随机森林模型的效果优于SVM模型，则选择决策树模型和随机森林模型。

模型优化和重构的步骤具体为：调整模型中的参数，如决策树模型中的最大深度、不纯性度量方式等参数，随机森林模型中的树的量等参数，进而重新构建出最优模型。以决策树模型为例，其参数值如表3所示。

表3

不纯性	最大深度	查准率	查全率	误判率
					entropy(信息熵)	7	0.92	0.91	0.05
gini(基尼)	4	0.81	0.75	0.31

基于表3，可以看出当不纯性为“entropy”、最大深度为7时，决策树模型比不纯性为“gini”时更优。进而，通过反复调整参数重构测试，生成最优决策树模型。

进一步地，得到最优决策树模型和最优随机森林模型后，输出模型结果，从输出的结果中提取判定异常订购的规则，生成异常订购规则库。

例如，如图6所示，其为将模型的输出结果可视化后，其中的一个树分支示意图。基于模型结果，提取其中的典型的可以判定异常订购用户的规则，如：feature(特征)7<＝3840，feature 8<＝2.95，feature6<＝2，预测为异常订购，其中，feature 7、feature 8、feature6对应生成的指标集合中的各个指标。

进一步地，将提取的规则用于检验数据集上，判定标记有是否为异常订购用户的先验数据，来评价规则的有效性。对于每条规则，调整阈值，反复迭代，得到最终有效的判定异常订购用户的规则库。例如，feature 7<＝3840，feature 8<＝2.95，feature6<＝2，预测为异常订购，可以将阈值调整为feature 7<＝3000，feature 8<＝2，feature6<＝1，使得规则更加严格，从而使得规则更有效，产生误判的可能性也会更低。

S13、如果所述行为数据信息与所述异常订购规则库中的规则每匹配成功一条，则将预设的有效期内的标记次数累加1，获得更新后的标记次数。

具体实施时，首先计算出获取的待检测时间段内的所述待检测用户的行为数据信息对应的生成的指标集合中的各指标值，再将计算出的各指标值与预先建立的所述异常订购规则库中的规则进行匹配，每匹配成功一条，将预设的有效期内的标记次数累加1，即认为本次业务订购疑似异常的指数加1，并更新标记次数。例如，根据步骤S33生成的异常订购规则库中的规则为：1分钟内消费次数大于5次、1分钟内消费业务款数大于5次等等。

需要说明的时，标记次数的初始值为0，标记有效期可以根据业务经验设定。

S14、当所述更新后的标记次数小于预设阈值时，则根据计费控制策略对所述待检测用户进行计费控制。

本步骤中，所述计费控制策略包括第一计费控制策略和第二计费控制策略，所述第一计费控制策略为所述手游出厂时游戏开发商设置的产品级计费控制策略，所述第二计费控制策略为预设的用户级计费控制策略。具体实施时，预设阈值可以根据实验值进行设定，本发明实施例对此不作限定。

具体地，当更新后的标记次数小于预设阈值时，可以根据如图7所示的流程，根据计费控制策略对所述待检测用户进行计费控制，可以包括以下步骤：

S41、根据计算出的所述待检测用户的行为数据信息对应的所述指标集合中的各指标值中与所述异常订购规则库中的规则相匹配的指标值，确定所述指标值与所述用户级计费控制策略中相对应的策略。

具体实施时，根据计算出的所述待检测用户的行为数据信息对应的所述指标集合中的各指标值中与所述异常订购规则库中的规则相匹配的指标值，确定所述指标值与所述用户级计费控制策略中相对应的策略。其中，用户级计费控制策略可以根据业务类型预先设定，由于每个用户的实际使用情况不同，计费控制程度也不同，因此成为用户级计费控制策略，如按计费控制程度从大到小可设定为：限制消费、账号密码+图像验证码验证、账号密码验证、图形验证码+普通短信验证、普通短信验证等。一般针对黑名单用户会在游戏中限制其消费，普通用户需要短信验证消费。产品级计费控制策略为游戏出厂时，游戏开发商以产品为对象预先设置的计费控制策略，对于同款手游产品，其计费控制策略一般也相同，例如普通短信验证方式，即用户在游戏过程中产生消费时以短信提醒的方式，需要用户二次确认后才产生计费。

需要说明的是，用户级计费控制策略与产品级计费控制策略的设定方式并不限于上述方式，具体实施时，可以根据实际情况或经验自行设定。

S42、比较所述指标值与所述用户级计费控制策略中相对应的策略和所述产品级计费控制策略的优先级。

S43、利用优先级高的策略对所述待检测用户进行计费控制。

具体实施时，在有效期内的标记次数未达到预设阈值的用户并非异常订购用户，但如果匹配上异常订购规则库，则判定为疑似异常用户，需要进行计费控制。例如，根据指标值维护一个用户级计费控制策略表，如表4所示。

表4

1分钟内消费次数	1分钟内消费业务款数	用户级计费控制策略
			0-2	0-2	普通短信
3-4	3	图形验证码+普通短信
			5-6	4-5	账号密码
7-8	6-7	账号密码+图形验证码
			>9	>8	限制消费

基于表4，用户级控制策略根据与异常订购规则库相匹配的指标值确定，例如，用户A、B都在使用手游X，X的产品级计费控制策略为：任何用户消费都需要进行普通短信二次验证。假设用户A在1分钟内消费了10次，消费了10款业务；B在1分钟内消费了4次，消费了4款业务；而预先建立的异常订购规则库中标记异常订购的规则为：1分钟内消费次数>3次，1分钟内消费业务款数>3次，那么用户A的订购异常的可能性远远大于B，根据用户级计费控制策略表，A在订购业务时会直接限制其消费，B在订购业务时需要用户输入账号密码验证后才能订购成功，对比产品级计费控制策略，用户A和B的用户级计费控制策略优先级均高于产品级计费控制策略，则计费控制按照用户级计费控制来确定。

S15、当所述更新后的标记次数大于等于所述预设阈值时，则确定所述业务为异常订购，并将所述手机号码加入所述黑名单，业务订购失败。

具体实施时，当所述更新后的标记次数大于等于所述预设阈值时，则确定所述业务为异常订购，并将所述手机号码加入所述黑名单，并可以标记有效期，业务订购失败。可以根据最近的一次标记有效期设置判定异常订购的有效期，能够阶段性进行黑名单更新，确保黑名单的可用性与准确性。

本发明实施例一提供的业务异常订购检测方法，后台服务器接收待检测用户通过移动终端发送的业务订购请求，其中，所述业务订购请求中携带有与待检测用户注册时的账号绑定的手机号码，判断该与待检测用户注册时的账号绑定的手机号码是否在白名单或者黑名单中，当确定该手机号码既不在白名单中也不在黑名单中时，将获取的在待检测时间段内的所述待检测用户的行为数据信息与预设的异常订购规则库中的规则进行匹配，如果待检测用户的行为数据信息与所述异常订购规则库中的规则每匹配成功一条，则将预设的有效期内的标记次数累加1，对标记次数进行更新，当更新后的标记次数小于预设阈值时，则根据计费控制策略对待检测用户进行计费控制，当更新后的标记次数大于等于预设阈值时，则确定所述业务为异常订购，并将所述手机号码加入黑名单，业务订购失败，上述流程中，当与待检测用户注册时的账号绑定的手机号码既不存在于白名单中也不存在于黑名单中时，通过获取在待测时间段内的待检测用户的行为数据信息，并与预设的异常订购规则库中的规则进行匹配，对业务是否为异常订购做进一步的判定，当待检测用户的行为数据信息与异常订购规则匹配数未达到预设阈值时，则根据不同的计费控制策略对所述待检测用户进行不同等级的计费控制，对用户疑似异常订购预警，当待检测用户的行为数据信息与异常订购规则匹配数达到预设阈值时，则判定所述业务为异常订购，业务订购失败。本发明实施例基于统计分析、分类方法，提炼规则建立的异常订购规则库，纬度丰富，规则全面，减低了误标记和漏标记的可能性；运营商基于用户的行为数据信息，可以根据异常订购规则库从用户纬度准确识别疑似异常订购行为，进行不同等级的计费控制，既能配置最严格的计费控制策略，又能差异化用户在不同产品线上的配置，再进行对应级别的计费控制而不是直接阻止，既能提前进行计费风险预警，又能减少误计费控制或控制过于严格而带来的风险，保护了用户权益；并且，运营商可以根据本发明提供的业务异常订购的检测流程，通过反复标记判定最终的异常订购用户，提高了判定黑名单的准确性，减小了误判的概率，防止误判带来的不良影响，从而在不增加额外沟通成本的同时，提高了业务异常订购检测的精确度以及检测效率。

实施例二

基于同一发明构思，本发明实施例中还提供了一种业务异常订购检测装置，由于上述装置解决问题的原理与上述业务异常订购检测方法相似，因此上述装置的实施可以参见方法的实施，重复之处不再赘述。

如图8所示，其为本发明实施例二提供的业务异常订购检测装置的结构示意图，可以包括：

接收单元51，用于接收待检测用户通过移动终端发送的业务订购请求，其中，所述业务订购请求中携带有与所述待检测用户注册时的账号绑定的手机号码；

匹配单元52，用于当确定所述手机号码既不在白名单中也不在黑名单中时，则将获取的在待检测时间段内的所述待检测用户的行为数据信息与预设的异常订购规则库中的规则进行匹配；

第一处理单元53，用于如果所述行为数据信息与所述异常订购规则库中的规则每匹配成功一条，则将预设的有效期内的标记次数累加1，获得更新后的标记次数；

计费控制单元54，用于当所述更新后的标记次数小于预设阈值时，则根据计费控制策略对所述待检测用户进行计费控制；

确定单元55，用于当所述更新后的标记次数大于等于所述预设阈值时，则确定所述业务为异常订购，并将所述手机号码加入所述黑名单，业务订购失败。

较佳地，所述匹配单元52，具体用于通过以下步骤建立所述异常订购规则库：根据所述黑名单与所述白名单中的各用户的行为数据信息，构建指标集合；根据所述黑名单与所述白名单中的各用户的行为数据信息对所述指标集合中的各指标进行预处理，生成样本库；利用分类算法建立模型对所述样本库数据进行处理，从所述模型的输出结果中提取判定异常订购的规则，生成异常订购规则库。

较佳地，所述匹配单元52，具体用于获取所述黑名单与所述白名单中的各用户的行为数据信息；根据所述黑名单中的各用户的行为数据信息与所述白名单中的各用户的行为数据信息与预设指标确定需要选取的指标，其中，所述预设指标为具有识别异常订购属性的指标；利用预设算法去除选取的各指标之间的相关性，生成指标集合。

较佳地，所述匹配单元52，具体用于计算所述待检测用户的行为数据信息对应的所述指标集合中的各指标值；将计算出的所述各指标值与所述异常订购规则库中的规则进行匹配。

较佳地，所述业务为手游业务；所述用户的行为数据信息是利用游戏软件开发包SDK获取的，所述用户的行为数据信息至少包括以下一种：启动信息、登录信息、充值信息、订购信息、付费信息和退出信息。

较佳地，所述计费控制策略包括第一计费控制策略和第二计费控制策略，所述第一计费控制策略为所述手游出厂时游戏开发商设置的产品级计费控制策略，所述第二计费控制策略为预设的用户级计费控制策略。

较佳地，所述计费控制单元54，具体用于根据计算出的所述各指标值中与所述异常订购规则库中的规则相匹配的指标值，确定所述指标值与所述用户级计费控制策略中相对应的策略；比较所述指标值与所述用户级计费控制策略中相对应的策略和所述产品级计费控制策略的优先级；利用优先级高的策略对所述待检测用户进行计费控制。

可选地，所述装置还可以包括：

第二处理单元，用于在接收到用户通过移动终端发送的业务订购请求之后，当确定所述手机号码在白名单时，则业务订购成功；当确定所述手机号码在黑名单中时，则业务订购失败。

为了描述的方便，以上各部分按照功能划分为各模块(或单元)分别描述。当然，在实施本发明时可以把各模块(或单元)的功能在同一个或多个软件或硬件中实现。

实施例三

本发明实施例三提供了一种电子设备，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计算机程序，所述处理器执行所述程序时实现本发明实施例一所述的业务异常订购检测方法。

实施例四

本发明实施例四提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明实施例一所述的业务异常订购检测方法中的步骤。

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/或方框图来描述的。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、嵌入式处理机或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。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (14)

1.一种业务异常订购检测方法，其特征在于，包括：

接收待检测用户通过移动终端发送的业务订购请求，其中，所述业务订购请求中携带有与所述待检测用户注册时的账号绑定的手机号码；

当确定所述手机号码既不在白名单中也不在黑名单中时，则将获取的在待检测时间段内的所述待检测用户的行为数据信息与预设的异常订购规则库中的规则进行匹配；所述异常订购规则库通过以下步骤建立：根据所述黑名单与所述白名单中的各用户的行为数据信息，构建指标集合；根据所述黑名单与所述白名单中的各用户的行为数据信息对所述指标集合中的各指标进行预处理，生成样本库；利用分类算法建立模型对所述样本库数据进行处理，从所述模型的输出结果中提取判定异常订购的规则，生成异常订购规则库；

如果所述行为数据信息与所述异常订购规则库中的规则每匹配成功一条，则将预设的有效期内的标记次数累加1，获得更新后的标记次数；

当所述更新后的标记次数小于预设阈值时，则根据计费控制策略对所述待检测用户进行计费控制；

当所述更新后的标记次数大于等于所述预设阈值时，则确定所述业务为异常订购，并将所述手机号码加入所述黑名单，业务订购失败。

2.如权利要求1所述的方法，其特征在于，根据所述黑名单与所述白名单中的各用户的行为数据信息，构建指标集合，具体包括：

获取所述黑名单与所述白名单中的各用户的行为数据信息；

根据所述黑名单中的各用户的行为数据信息与所述白名单中的各用户的行为数据信息与预设指标确定需要选取的指标，其中，所述预设指标为具有识别异常订购属性的指标；

利用预设算法去除选取的各指标之间的相关性，生成指标集合。

3.如权利要求1所述的方法，其特征在于，将获取的在待检测时间段内的所述待检测用户的行为数据信息与预设的异常订购规则库中的规则进行匹配，具体包括：

计算所述待检测用户的行为数据信息对应的所述指标集合中的各指标值；

将计算出的所述各指标值与所述异常订购规则库中的规则进行匹配。

4.如权利要求1～3中任一项所述的方法，其特征在于，所述业务为手游业务；所述用户的行为数据信息是利用游戏软件开发包SDK获取的，所述用户的行为数据信息至少包括以下一种：启动信息、登录信息、充值信息、订购信息、付费信息和退出信息。

5.如权利要求4所述的方法，其特征在于，所述计费控制策略包括第一计费控制策略和第二计费控制策略，所述第一计费控制策略为所述手游出厂时游戏开发商设置的产品级计费控制策略，所述第二计费控制策略为预设的用户级计费控制策略。

6.如权利要求5所述的方法，其特征在于，根据计费控制策略对所述待检测用户进行计费控制，具体包括：

根据计算出的所述各指标值中与所述异常订购规则库中的规则相匹配的指标值，确定所述指标值与所述用户级计费控制策略中相对应的策略；

比较所述指标值与所述用户级计费控制策略中相对应的策略和所述产品级计费控制策略的优先级；

利用优先级高的策略对所述待检测用户进行计费控制。

7.如权利要求1所述的方法，其特征在于，在接收到用户通过移动终端发送的业务订购请求之后，还包括：

当确定所述手机号码在白名单中时，则业务订购成功；

当确定所述手机号码在黑名单中时，则业务订购失败。

8.一种业务异常订购检测装置，其特征在于，包括：

接收单元，用于接收待检测用户通过移动终端发送的业务订购请求，其中，所述业务订购请求中携带有与所述待检测用户注册时的账号绑定的手机号码；

匹配单元，用于当确定所述手机号码既不在白名单中也不在黑名单中时，则将获取的在待检测时间段内的所述待检测用户的行为数据信息与预设的异常订购规则库中的规则进行匹配；

所述匹配单元，具体用于通过以下步骤建立所述异常订购规则库：根据所述黑名单与所述白名单中的各用户的行为数据信息，构建指标集合；根据所述黑名单与所述白名单中的各用户的行为数据信息对所述指标集合中的各指标进行预处理，生成样本库；利用分类算法建立模型对所述样本库数据进行处理，从所述模型的输出结果中提取判定异常订购的规则，生成异常订购规则库；

第一处理单元，用于如果所述行为数据信息与所述异常订购规则库中的规则每匹配成功一条，则将预设的有效期内的标记次数累加1，获得更新后的标记次数；

计费控制单元，用于当所述更新后的标记次数小于预设阈值时，则根据计费控制策略对所述待检测用户进行计费控制；

确定单元，用于当所述更新后的标记次数大于等于所述预设阈值时，则确定所述业务为异常订购，并将所述手机号码加入所述黑名单，业务订购失败。

9.如权利要求8所述的装置，其特征在于，

所述匹配单元，具体用于获取所述黑名单与所述白名单中的各用户的行为数据信息；根据所述黑名单中的各用户的行为数据信息与所述白名单中的各用户的行为数据信息与预设指标确定需要选取的指标，其中，所述预设指标为具有识别异常订购属性的指标；利用预设算法去除选取的各指标之间的相关性，生成指标集合。

10.如权利要求8所述的装置，其特征在于，

所述匹配单元，具体用于计算所述待检测用户的行为数据信息对应的所述指标集合中的各指标值；将计算出的所述各指标值与所述异常订购规则库中的规则进行匹配。

11.如权利要求8～10中任一项所述的装置，其特征在于，所述业务为手游业务；所述用户的行为数据信息是利用游戏软件开发包SDK获取的，所述用户的行为数据信息至少包括以下一种：启动信息、登录信息、充值信息、订购信息、付费信息和退出信息。

12.如权利要求11所述的装置，其特征在于，所述计费控制策略包括第一计费控制策略和第二计费控制策略，所述第一计费控制策略为所述手游出厂时游戏开发商设置的产品级计费控制策略，所述第二计费控制策略为预设的用户级计费控制策略。

13.如权利要求12所述的装置，其特征在于，

所述计费控制单元，具体用于根据计算出的所述各指标值中与所述异常订购规则库中的规则相匹配的指标值，确定所述指标值与所述用户级计费控制策略中相对应的策略；比较所述指标值与所述用户级计费控制策略中相对应的策略和所述产品级计费控制策略的优先级；利用优先级高的策略对所述待检测用户进行计费控制。

14.如权利要求8所述的装置，其特征在于，所述装置还包括：

第二处理单元，用于在接收到用户通过移动终端发送的业务订购请求之后，当确定所述手机号码在白名单中时，则业务订购成功；当确定所述手机号码在黑名单中时，则业务订购失败。

Images