CN110619528A - 行为验证数据处理方法、装置、设备及存储介质 - Google Patents
行为验证数据处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110619528A CN110619528A CN201910938014.0A CN201910938014A CN110619528A CN 110619528 A CN110619528 A CN 110619528A CN 201910938014 A CN201910938014 A CN 201910938014A CN 110619528 A CN110619528 A CN 110619528A
- Authority
- CN
- China
- Prior art keywords
- data
- behavior
- abnormal data
- preset
- track
- 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Accounting & Taxation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Strategic Management (AREA)
- Probability & Statistics with Applications (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Computer Security & Cryptography (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开了一种行为验证数据处理方法、装置、设备及存储介质,通过获取目标对象在预设时间内的行为验证数据,根据所述行为验证数据生成轨迹数据;将所述轨迹数据输入至预设行为智能分析模型中,获得轨迹异常数据、环境异常数据和行为异常数据;将所述轨迹异常数据、所述环境异常数据和所述行为异常数据反馈至对所述预设行为智能分析模型,以使所述预设行为智能分析模型进行学习更新,能够使行为验证的处理更加快速高效,防护能力得到极大加强,能够持续性的应对网络黑产不断升级进化的进攻手段,为用户提供了安全可靠的验证防护,保障了用户的账号隐私安全。
Description
技术领域
本发明涉及互联网安全领域,尤其涉及一种行为验证数据处理方法、装置、设备及存储介质。
背景技术
随着互联网应用的高速发展,以及验证码验证用户身份的方式越来越普及,传统的验证码为字符类型是通过对图片中的支付进行变形、扭曲等增加干扰的方式对抗机器识别,随着技术不断发展,使用OCR、机器学习等手段对传统验证码的识别成功率高达99%,为了对抗自动图像识别,传统验证码不得不变得越来越复杂,这导致正常用户的使用体验大幅下降,此时面对不断进化的黑客攻击手段现有的验证手段会出现无法完全应对,防护能力不足的缺陷。
发明内容
本发明的主要目的在于提供一种行为验证数据处理方法、装置、设备及存储介质,旨在解决现有技术中传统行为验证手段面对不断进化的黑客攻击手段,出现防护能力不足,用户体验差的技术问题。
为实现上述目的,本发明提供一种行为验证数据处理方法,所述行为验证数据处理方法包括以下步骤:
获取样本数据,将所述样本数据进行分析归类,并根据归类结果构建预设行为智能分析模型;
获取目标对象在预设时间内的行为验证数据,根据所述行为验证数据生成轨迹数据;
将所述轨迹数据输入至预设行为智能分析模型中,获得轨迹异常数据、环境异常数据和行为异常数据;
获取线上异常数据和所述目标对象的周期关联数据,将所述线上异常数据和周期关联数据作为外部异常数据;
将所述外部异常数据、所述轨迹异常数据、所述环境异常数据和所述行为异常数据进行组合后反馈至对所述预设行为智能分析模型,以使所述预设行为智能分析模型进行学习更新。
优选地,所述获取样本数据,将所述样本数据进行分析归类,并根据归类结果构建预设行为智能分析模型,包括:
获取样本数据,从所述样本数据中获取特征向量,从各特征向量中初始化各中心点;
计算各特征向量到各中心点的距离,利用预设K均值聚类算法根据所述距离对所述样本数据进行归类,生成归类结果,并根据所述归类结果构建预设行为智能分析模型。
优选地,所述获取目标对象在预设时间内的行为验证数据,根据所述行为验证数据生成轨迹数据,包括:
获取目标对象在预设时间内的行为数据、设备特征和网络标识,将所述行为数据、所述设备特征和所述网络标识作为行为验证数据;
根据预设时间的时间轴生成与所述行为验证数据对应的轨迹数据。
优选地,所述将所述轨迹数据输入至预设行为智能分析模型中,获得轨迹异常数据、环境异常数据和行为异常数据,包括:
将所述轨迹数据输入至预设行为智能分析模型中,以使所述预设行为智能分析模型对所述轨迹数据进行轨迹检测、环境特征检测和动态资源检测,获得轨迹异常数据、环境异常数据和行为异常数据。
优选地,所述将所述轨迹数据输入至预设行为智能分析模型中,以使所述预设行为智能分析模型对所述轨迹数据进行轨迹检测、环境特征检测和动态资源检测,获得轨迹异常数据、环境异常数据和行为异常数据,包括:
将所述轨迹数据输入至预设行为智能分析模型中,以使所述预设行为智能分析模型将所述轨迹数据分别输入至环境特征检测单元进行环境特征检测,输入至动态验证资源单元进行动态资源检测和输入至智能轨迹单元进行轨迹检测,并根据所述预设行为智能分析模型中的预设异常数据集对获得的环境检测数据、动态检测数据和轨迹检测数据进行匹配,根据数据类别将匹配成功的数据进行标记,获得轨迹异常数据、环境异常数据和行为异常数据。
优选地,所述获取线上异常数据和所述目标对象的周期关联数据,将所述线上异常数据和周期关联数据作为外部异常数据,具体包括:
从系统异常数据数据库中获取截止当前时刻新增的线上异常数据;
对所述行为验证数据进行聚类分析,获取与所述轨迹数据周期性关联的周期关联数据;
将所述线上异常数据和周期关联数据作为外部异常数据。
优选地,所述将所述外部异常数据、所述轨迹异常数据、所述环境异常数据和所述行为异常数据进行组合后反馈至对所述预设行为智能分析模型,以使所述预设行为智能分析模型进行学习更新,包括:
将所述外部异常数据、所述轨迹异常数据、所述环境异常数据和所述行为异常数据进行互相组合,生成各组合结果,将各组合结果依次输入至所述预设行为智能分析模型,以使所述预设行为智能分析模型根据所述外部异常数据、所述轨迹异常数据、所述环境异常数据和所述行为异常数据对所述预设异常数据集进行更新。
此外,为实现上述目的,本发明还提出一种设备,所述设备包括:设备、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行为验证数据处理程序,所述行为验证数据处理程序配置为实现如上文所述的行为验证数据处理方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有行为验证数据处理程序,所述行为验证数据处理程序被处理器执行时实现如上文所述的行为验证数据处理方法的步骤。
此外,为实现上述目的,本发明还提供一种行为验证数据处理装置,所述行为验证数据处理装置包括:
模型生成模块,用于获取样本数据,将所述样本数据进行分析归类,并根据归类结果构建预设行为智能分析模型;
轨迹生成模块,用于获取目标对象在预设时间内的行为验证数据,根据所述行为验证数据生成轨迹数据;
异常确定模块,用于将所述轨迹数据输入至预设行为智能分析模型中,获得轨迹异常数据、环境异常数据和行为异常数据;
外部关联模块,用于获取线上异常数据和所述目标对象的周期关联数据,将所述线上异常数据和周期关联数据作为外部异常数据;
更新模块,用于将所述外部异常数据、所述轨迹异常数据、所述环境异常数据和所述行为异常数据进行组合后反馈至对所述预设行为智能分析模型,以使所述预设行为智能分析模型进行学习更新。
本发明提出的行为验证数据处理方法,通过获取样本数据,将所述样本数据进行分析归类,并根据归类结果构建预设行为智能分析模型;获取目标对象在预设时间内的行为验证数据,根据所述行为验证数据生成轨迹数据;将所述轨迹数据输入至预设行为智能分析模型中,获得轨迹异常数据、环境异常数据和行为异常数据;获取线上异常数据和所述目标对象的周期关联数据,将所述线上异常数据和周期关联数据作为外部异常数据;将所述外部异常数据、所述轨迹异常数据、所述环境异常数据和所述行为异常数据进行组合后反馈至对所述预设行为智能分析模型,以使所述预设行为智能分析模型进行学习更新,能够使行为验证的处理更加快速高效,防护能力得到极大加强,能够持续性的应对网络黑产不断升级进化的进攻手段,为用户提供了安全可靠的验证防护,保障了用户的账号隐私安全。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的设备结构示意图;
图2为本发明行为验证数据处理方法第一实施例的流程示意图;
图3为本发明行为验证数据处理方法第二实施例的流程示意图;
图4为本发明行为验证数据处理方法第三实施例的流程示意图;
图5为本发明行为验证数据处理装置第一实施例的功能模块图。
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。
本发明实施例的解决方案主要是:本发明通过获取样本数据,将所述样本数据进行分析归类,并根据归类结果构建预设行为智能分析模型;获取目标对象在预设时间内的行为验证数据,根据所述行为验证数据生成轨迹数据;将所述轨迹数据输入至预设行为智能分析模型中,获得轨迹异常数据、环境异常数据和行为异常数据;获取线上异常数据和所述目标对象的周期关联数据,将所述线上异常数据和周期关联数据作为外部异常数据;将所述外部异常数据、所述轨迹异常数据、所述环境异常数据和所述行为异常数据进行组合后反馈至对所述预设行为智能分析模型,以使所述预设行为智能分析模型进行学习更新,能够使行为验证的处理更加快速高效,防护能力得到极大加强,能够持续性的应对网络黑产不断升级进化的进攻手段,为用户提供了安全可靠的验证防护,保障了用户的账号隐私安全,解决了现有技术中传统行为验证手段面对不断进化的黑客攻击手段,出现防护能力不足,用户体验差的技术问题。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的设备结构示意图。
如图1所示,该设备可以包括:设备、处理器1001,例如中央处理器(CentralProcessing Unit,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(如无线保真(Wireless-Fidelity,Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的存储器(Non-volatile Memory,NVM),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的存储装置。
本领域技术人员可以理解,图1中示出的设备结构并不构成对该设备的限定,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、用户端接口模块以及行为验证数据处理程序。
本发明设备通过处理器1001调用存储器1005中存储的行为验证数据处理程序,并执行以下操作:
获取样本数据,将所述样本数据进行分析归类,并根据归类结果构建预设行为智能分析模型;
获取目标对象在预设时间内的行为验证数据,根据所述行为验证数据生成轨迹数据;
将所述轨迹数据输入至预设行为智能分析模型中,获得轨迹异常数据、环境异常数据和行为异常数据;
获取线上异常数据和所述目标对象的周期关联数据,将所述线上异常数据和周期关联数据作为外部异常数据;
将所述外部异常数据、所述轨迹异常数据、所述环境异常数据和所述行为异常数据进行组合后反馈至对所述预设行为智能分析模型,以使所述预设行为智能分析模型进行学习更新。
进一步地,处理器1001可以调用存储器1005中存储的行为验证数据处理程序,还执行以下操作:
获取样本数据,从所述样本数据中获取特征向量,从各特征向量中初始化各中心点;
计算各特征向量到各中心点的距离,利用预设K均值聚类算法根据所述距离对所述样本数据进行归类,生成归类结果,并根据所述归类结果构建预设行为智能分析模型。
进一步地,处理器1001可以调用存储器1005中存储的行为验证数据处理程序,还执行以下操作:
获取目标对象在预设时间内的行为数据、设备特征和网络标识,将所述行为数据、所述设备特征和所述网络标识作为行为验证数据;
根据预设时间的时间轴生成与所述行为验证数据对应的轨迹数据。
进一步地,处理器1001可以调用存储器1005中存储的行为验证数据处理程序,还执行以下操作:
将所述轨迹数据输入至预设行为智能分析模型中,以使所述预设行为智能分析模型对所述轨迹数据进行轨迹检测、环境特征检测和动态资源检测,获得轨迹异常数据、环境异常数据和行为异常数据。
进一步地,处理器1001可以调用存储器1005中存储的行为验证数据处理程序,还执行以下操作:
将所述轨迹数据输入至预设行为智能分析模型中,以使所述预设行为智能分析模型将所述轨迹数据分别输入至环境特征检测单元进行环境特征检测,输入至动态验证资源单元进行动态资源检测和输入至智能轨迹单元进行轨迹检测,并根据所述预设行为智能分析模型中的预设异常数据集对获得的环境检测数据、动态检测数据和轨迹检测数据进行匹配,根据数据类别将匹配成功的数据进行标记,获得轨迹异常数据、环境异常数据和行为异常数据。
进一步地,处理器1001可以调用存储器1005中存储的行为验证数据处理程序,还执行以下操作:
从系统异常数据数据库中获取截止当前时刻新增的线上异常数据;
对所述行为验证数据进行聚类分析,获取与所述轨迹数据周期性关联的周期关联数据;
将所述线上异常数据和周期关联数据作为外部异常数据。
进一步地,处理器1001可以调用存储器1005中存储的行为验证数据处理程序,还执行以下操作:
将所述外部异常数据、所述轨迹异常数据、所述环境异常数据和所述行为异常数据进行互相组合,生成各组合结果,将各组合结果依次输入至所述预设行为智能分析模型,以使所述预设行为智能分析模型根据所述外部异常数据、所述轨迹异常数据、所述环境异常数据和所述行为异常数据对所述预设异常数据集进行更新。
本实施例通过上述方案,通过获取样本数据,将所述样本数据进行分析归类,并根据归类结果构建预设行为智能分析模型;获取目标对象在预设时间内的行为验证数据,根据所述行为验证数据生成轨迹数据;将所述轨迹数据输入至预设行为智能分析模型中,获得轨迹异常数据、环境异常数据和行为异常数据;获取线上异常数据和所述目标对象的周期关联数据,将所述线上异常数据和周期关联数据作为外部异常数据;将所述外部异常数据、所述轨迹异常数据、所述环境异常数据和所述行为异常数据进行组合后反馈至对所述预设行为智能分析模型,以使所述预设行为智能分析模型进行学习更新,能够使行为验证的处理更加快速高效,防护能力得到极大加强,能够持续性的应对网络黑产不断升级进化的进攻手段,为用户提供了安全可靠的验证防护,保障了用户的账号隐私安全。
基于上述硬件结构,提出本发明行为验证数据处理方法实施例。
参照图2,图2为本发明行为验证数据处理方法第一实施例的流程示意图。
在第一实施例中,所述行为验证数据处理方法包括以下步骤:
步骤S10、获取样本数据,将所述样本数据进行分析归类,并根据归类结果构建预设行为智能分析模型。
需要说明的是,所述样本数据为预先设置的用于对预设行为智能分析模型进行训练分类的大量数据,通过对样本数据进行聚合分类,可以根据归类结果构建预设行为智能分析模型。
进一步地,所述步骤S10具体包括以下步骤:
获取样本数据,从所述样本数据中获取特征向量,从各特征向量中初始化各中心点;
计算各特征向量到各中心点的距离,利用预设K均值聚类算法根据所述距离对所述样本数据进行归类,生成归类结果,并根据所述归类结果构建预设行为智能分析模型。
可以理解的是,通过利用预设K均值聚类算法可以对所述样本数据进行特征向量提取,并进行聚类分析获得归类结果,根据归类结果可以根据不同类别的异常数据进行人工特征与机器特征的模型评估,并根据评估的模型进行优化后构建预设行为智能分析模型。
步骤S20、获取目标对象在预设时间内的行为验证数据,根据所述行为验证数据生成轨迹数据。
需要说明的是,所述目标对象为用户或实验人员,用户或实验人员在登录、购买、发帖、投票、注册等不同场景或者web、ios、Android、小程序等平台在进行行为验证时会产生各种各样的行为验证数据,此时通过获取一段时间内的行为验证数据,可以根据所述行为验证数据生成对应的行为轨迹,所述行为轨迹即对应有轨迹数据。
进一步地,所述步骤S20具体包括以下步骤:
获取目标对象在预设时间内的行为数据、设备特征和网络标识,将所述行为数据、所述设备特征和所述网络标识作为行为验证数据;
根据预设时间的时间轴生成与所述行为验证数据对应的轨迹数据。
应当理解的是,所述目标对象在进行行为验证时会产生相应的行为数据,此时通过记录所述目标对象在预设时间内的行为数据,并获取所述目标对象的设备特征和网络标识,可以综合起来作为所述目标对象的行为验证数据,通过时间轴的先后顺序可以形成所述行为验证数据对应的轨迹数据,使得后续异常数据的确认更加全面准确,相较于一般的行为验证异常数据确认方式,提高了异常数据确定的精确度,防护能力得到极大提升。
步骤S30、将所述轨迹数据输入至预设行为智能分析模型中,获得轨迹异常数据、环境异常数据和行为异常数据。
可以理解的是,所述预设行为智能分析模型为预先设置的用于分析所述轨迹数据中的异常数据的模型,所述预设行为智能分析模型可以是通过大量实验数据训练获得,也可以是通过技术人员的日常操作经验拟定的参数逻辑确定的智能分析模型,还可以是通过其他方式确定的智能分析模型,本实施例对此不加以限制;通过将所述轨迹数据输入至所述预设行为智能分析模型中,可以获得对应的轨迹数据中的异常数据,即轨迹异常数据、环境异常数据和行为异常数据,所述轨迹异常数据一般为用户拖动图标时产生的轨迹出现异常的数据,所述环境异常数据一般为用户的浏览器或设备在进行验证时出现的异常数据,所述行为异常数据一般为用户在进行验证时行为出现的异常数据。
步骤S40、获取线上异常数据和所述目标对象的周期关联数据,将所述线上异常数据和周期关联数据作为外部异常数据。
需要说明的是,所述线上异常数据为当前时刻在行为验证服务器的线上的异常数据池中异常数据,所述周期关联数据为所述目标对象的行为验证数据对应衍生的关联数据,通过将所述线上异常数据和周期关联数据作为外部异常数据,可以为后续预设行为智能分析模型的学习更新进化做准备。
进一步地,所述步骤S40具体包括以下步骤:
从系统异常数据数据库中获取截止当前时刻新增的线上异常数据;
对所述行为验证数据进行聚类分析,获取与所述轨迹数据周期性关联的周期关联数据;
将所述线上异常数据和周期关联数据作为外部异常数据。
可以理解的是,所述系统异常数据库及所述行为验证服务器的系统上的线上异常数据库,从所述系统异常数据数据库中可以截取当前时刻相对于所述预设行为智能分析模型中的预设异常数据集的新增的线上异常数据,通过对所述行为验证数据进行聚类分析,可以确定所述轨迹数据周期性关联的数据作为周期关联数据,即所述行为验证数据对应的衍生数据中找到与关联性较强的数据作为周期性关联数据,可以设置不同的关联性确定标准,进而筛选出关联性较强的数据作为周期性关联数据,本实施例对此不加以限制。
步骤S50、将所述外部异常数据、所述轨迹异常数据、所述环境异常数据和所述行为异常数据进行组合后反馈至对所述预设行为智能分析模型,以使所述预设行为智能分析模型进行学习更新。
应当理解的是,通过将所述轨迹异常数据、所述环境异常数据和所述行为异常数据反馈至对所述预设行为智能分析模型,即重新代入至所述预设行为智能分析模型,通过多方位多角度的分析确认的异常数据,使得所述预设行为智能分析模型的异常数据库中的异常数据更加丰富,从而使所述预设行为智能分析模型能够自我学习并更新进化。
本实施例通过上述方案,通过获取样本数据,将所述样本数据进行分析归类,并根据归类结果构建预设行为智能分析模型;获取目标对象在预设时间内的行为验证数据,根据所述行为验证数据生成轨迹数据;将所述轨迹数据输入至预设行为智能分析模型中,获得轨迹异常数据、环境异常数据和行为异常数据;获取线上异常数据和所述目标对象的周期关联数据,将所述线上异常数据和周期关联数据作为外部异常数据;将所述外部异常数据、所述轨迹异常数据、所述环境异常数据和所述行为异常数据进行组合后反馈至对所述预设行为智能分析模型,以使所述预设行为智能分析模型进行学习更新,能够使行为验证的处理更加快速高效,防护能力得到极大加强,能够持续性的应对网络黑产不断升级进化的进攻手段,为用户提供了安全可靠的验证防护,保障了用户的账号隐私安全。
进一步地,图3为本发明行为验证数据处理方法第二实施例的流程示意图,如图3所示,基于第一实施例提出本发明行为验证数据处理方法第二实施例,在本实施例中,所述步骤S30具体包括以下步骤:
步骤S31、将所述轨迹数据输入至预设行为智能分析模型中,以使所述预设行为智能分析模型对所述轨迹数据进行轨迹检测、环境特征检测和动态资源检测,获得轨迹异常数据、环境异常数据和行为异常数据。
需要说明的是,将所述轨迹数据输入至预设行为智能分析模型中后,可以使所述预设行为智能分析模型对所述轨迹数据进行轨迹检测、环境特征检测和动态资源检测,进而分别获得对应的轨迹异常数据、环境异常数据和行为异常数据。
进一步地,所述步骤S31具体包括以下步骤:
将所述轨迹数据输入至预设行为智能分析模型中,以使所述预设行为智能分析模型将所述轨迹数据分别输入至环境特征检测单元进行环境特征检测,输入至动态验证资源单元进行动态资源检测和输入至智能轨迹单元进行轨迹检测,并根据所述预设行为智能分析模型中的预设异常数据集对获得的环境检测数据、动态检测数据和轨迹检测数据进行匹配,根据数据类别将匹配成功的数据进行标记,获得轨迹异常数据、环境异常数据和行为异常数据。
可以理解的是,所述预设行为智能分析模型中有对应的预设异常数据集,所述预设异常数据集为预先设置的用于记录各种异常数据的集合,所述预设行为智能分析模型中包含有环境特征检测单元、动态验证资源单元和智能轨迹单元分别对相应的轨迹数据中的环境特征、动态验证特征和轨迹特征进行相应的检测,从而将检测结果与预设异常数据集中的异常数据进行比对,能够获得对应的轨迹异常数据、环境异常数据和行为异常数据。
本实施例通过上述方案,通过将所述轨迹数据输入至预设行为智能分析模型中,以使所述预设行为智能分析模型对所述轨迹数据进行轨迹检测、环境特征检测和动态资源检测,获得轨迹异常数据、环境异常数据和行为异常数据,能够实现对轨迹数据中的异常数据进行全方位的精确检测,进一步提升了行为验证的安全性,防护能力得到极大加强,能够持续性的应对网络黑产不断升级进化的进攻手段,为用户提供了安全可靠的验证防护,保障了用户的账号隐私安全。
进一步地,图4为本发明行为验证数据处理方法第三实施例的流程示意图,如图4所示,基于第二实施例提出本发明行为验证数据处理方法第三实施例,在本实施例中,所述步骤S50具体包括以下步骤:
步骤S51、将所述外部异常数据、所述轨迹异常数据、所述环境异常数据和所述行为异常数据进行互相组合,生成各组合结果,将各组合结果依次输入至所述预设行为智能分析模型,以使所述预设行为智能分析模型根据所述外部异常数据、所述轨迹异常数据、所述环境异常数据和所述行为异常数据对所述预设异常数据集进行更新。
可以理解的是,通过将所述外部异常数据结合所述轨迹异常数据、所述环境异常数据和所述行为异常数据进行互相组合,可以生成各种异常数据组合结果,不同的异常数据组合结果可以使所述预设行为智能分析模型对不同的异常数据进行训练更新,进而更加全面的查找层出不穷的异常数据,提高发现异常数据的准确性,将各组合结果依次输入至所述预设行为智能分析模型中,可以使得所述预设行为智能分析模型的异常数据得到更新进化,从而使所述预设行为智能分析模型进行学习更新,进一步用户的账户信息安全。
本实施例通过上述方案,通过所述外部异常数据、所述轨迹异常数据、所述环境异常数据和所述行为异常数据可以对所述预设行为智能分析模型中的预设异常数据集进行更新,从而使得通过所述外部异常数据以及所述轨迹异常数据、所述环境异常数据和所述行为异常数据对所述预设异常数据集进行补充后,使得所述预设行为智能分析模型能够更加全面的应对不同的网络黑产的攻击手段,使行为验证的处理更加快速高效,防护能力得到极大加强,能够持续性的应对网络黑产不断升级进化的进攻手段,为用户提供了安全可靠的验证防护,保障了用户的账号隐私安全。
基于上述行为验证数据处理方法的实施例,本发明进一步提供一种行为验证数据处理装置。
参照图5,图5为本发明行为验证数据处理装置第一实施例的功能模块图。
本发明行为验证数据处理装置第一实施例中,该行为验证数据处理装置包括:
模型生成模块10,用于获取样本数据,将所述样本数据进行分析归类,并根据归类结果构建预设行为智能分析模型。
需要说明的是,所述样本数据为预先设置的用于对预设行为智能分析模型进行训练分类的大量数据,通过对样本数据进行聚合分类,可以根据归类结果构建预设行为智能分析模型。
轨迹生成模块20,用于获取目标对象在预设时间内的行为验证数据,根据所述行为验证数据生成轨迹数据。
需要说明的是,所述目标对象为用户或实验人员,用户或实验人员在登录、购买、发帖、投票、注册等不同场景或者web、ios、Android、小程序等平台在进行行为验证时会产生各种各样的行为验证数据,此时通过获取一段时间内的行为验证数据,可以根据所述行为验证数据生成对应的行为轨迹,所述行为轨迹即对应有轨迹数据。
异常确定模块30,用于将所述轨迹数据输入至预设行为智能分析模型中,获得轨迹异常数据、环境异常数据和行为异常数据。
可以理解的是,所述预设行为智能分析模型为预先设置的用于分析所述轨迹数据中的异常数据的模型,所述预设行为智能分析模型可以是通过大量实验数据训练获得,也可以是通过技术人员的日常操作经验拟定的参数逻辑确定的智能分析模型,还可以是通过其他方式确定的智能分析模型,本实施例对此不加以限制;通过将所述轨迹数据输入至所述预设行为智能分析模型中,可以获得对应的轨迹数据中的异常数据,即轨迹异常数据、环境异常数据和行为异常数据,所述轨迹异常数据一般为用户拖动图标时产生的轨迹出现异常的数据,所述环境异常数据一般为用户的浏览器或设备在进行验证时出现的异常数据,所述行为异常数据一般为用户在进行验证时行为出现的异常数据。
外部关联模块40,用于获取线上异常数据和所述目标对象的周期关联数据,将所述线上异常数据和周期关联数据作为外部异常数据。
需要说明的是,所述线上异常数据为当前时刻在行为验证服务器的线上的异常数据池中异常数据,所述周期关联数据为所述目标对象的行为验证数据对应衍生的关联数据,通过将所述线上异常数据和周期关联数据作为外部异常数据,可以为后续预设行为智能分析模型的学习更新进化做准备。
更新模块50,用于将所述外部异常数据、所述轨迹异常数据、所述环境异常数据和所述行为异常数据进行组合后反馈至对所述预设行为智能分析模型,以使所述预设行为智能分析模型进行学习更新。
应当理解的是,通过将所述轨迹异常数据、所述环境异常数据和所述行为异常数据反馈至对所述预设行为智能分析模型,即重新代入至所述预设行为智能分析模型,通过多方位多角度的分析确认的异常数据,使得所述预设行为智能分析模型的异常数据库中的异常数据更加丰富,从而使所述预设行为智能分析模型能够自我学习并更新进化。
其中,行为验证数据处理装置的各个功能模块实现的步骤可参照本发明行为验证数据处理方法的各个实施例,此处不再赘述。
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行为验证数据处理程序,所述行为验证数据处理程序被处理器执行时实现如下操作:
获取样本数据,将所述样本数据进行分析归类,并根据归类结果构建预设行为智能分析模型;
获取目标对象在预设时间内的行为验证数据,根据所述行为验证数据生成轨迹数据;
将所述轨迹数据输入至预设行为智能分析模型中,获得轨迹异常数据、环境异常数据和行为异常数据;
获取线上异常数据和所述目标对象的周期关联数据,将所述线上异常数据和周期关联数据作为外部异常数据;
将所述外部异常数据、所述轨迹异常数据、所述环境异常数据和所述行为异常数据进行组合后反馈至对所述预设行为智能分析模型,以使所述预设行为智能分析模型进行学习更新。
进一步地,所述行为验证数据处理程序被处理器执行时还实现如下操作:
获取样本数据,从所述样本数据中获取特征向量,从各特征向量中初始化各中心点;
计算各特征向量到各中心点的距离,利用预设K均值聚类算法根据所述距离对所述样本数据进行归类,生成归类结果,并根据所述归类结果构建预设行为智能分析模型。
进一步地,所述行为验证数据处理程序被处理器执行时还实现如下操作:
获取目标对象在预设时间内的行为数据、设备特征和网络标识,将所述行为数据、所述设备特征和所述网络标识作为行为验证数据;
根据预设时间的时间轴生成与所述行为验证数据对应的轨迹数据。
进一步地,所述行为验证数据处理程序被处理器执行时还实现如下操作:
将所述轨迹数据输入至预设行为智能分析模型中,以使所述预设行为智能分析模型对所述轨迹数据进行轨迹检测、环境特征检测和动态资源检测,获得轨迹异常数据、环境异常数据和行为异常数据。
进一步地,所述行为验证数据处理程序被处理器执行时还实现如下操作:
将所述轨迹数据输入至预设行为智能分析模型中,以使所述预设行为智能分析模型将所述轨迹数据分别输入至环境特征检测单元进行环境特征检测,输入至动态验证资源单元进行动态资源检测和输入至智能轨迹单元进行轨迹检测,并根据所述预设行为智能分析模型中的预设异常数据集对获得的环境检测数据、动态检测数据和轨迹检测数据进行匹配,根据数据类别将匹配成功的数据进行标记,获得轨迹异常数据、环境异常数据和行为异常数据。
进一步地,所述行为验证数据处理程序被处理器执行时还实现如下操作:
从系统异常数据数据库中获取截止当前时刻新增的线上异常数据;
对所述行为验证数据进行聚类分析,获取与所述轨迹数据周期性关联的周期关联数据;
将所述线上异常数据和周期关联数据作为外部异常数据。
进一步地,所述行为验证数据处理程序被处理器执行时还实现如下操作:
将所述外部异常数据、所述轨迹异常数据、所述环境异常数据和所述行为异常数据进行互相组合,生成各组合结果,将各组合结果依次输入至所述预设行为智能分析模型,以使所述预设行为智能分析模型根据所述外部异常数据、所述轨迹异常数据、所述环境异常数据和所述行为异常数据对所述预设异常数据集进行更新。
本实施例通过上述方案,通过获取样本数据,将所述样本数据进行分析归类,并根据归类结果构建预设行为智能分析模型;获取目标对象在预设时间内的行为验证数据,根据所述行为验证数据生成轨迹数据;将所述轨迹数据输入至预设行为智能分析模型中,获得轨迹异常数据、环境异常数据和行为异常数据;获取线上异常数据和所述目标对象的周期关联数据,将所述线上异常数据和周期关联数据作为外部异常数据;将所述外部异常数据、所述轨迹异常数据、所述环境异常数据和所述行为异常数据进行组合后反馈至对所述预设行为智能分析模型,以使所述预设行为智能分析模型进行学习更新,能够使行为验证的处理更加快速高效,防护能力得到极大加强,能够持续性的应对网络黑产不断升级进化的进攻手段,为用户提供了安全可靠的验证防护,保障了用户的账号隐私安全。
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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。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、物品或者装置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。
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)
1.一种行为验证数据处理方法,其特征在于,所述行为验证数据处理方法包括:
获取样本数据,将所述样本数据进行分析归类,并根据归类结果构建预设行为智能分析模型;
获取目标对象在预设时间内的行为验证数据,根据所述行为验证数据生成轨迹数据;
将所述轨迹数据输入至预设行为智能分析模型中,获得轨迹异常数据、环境异常数据和行为异常数据;
获取线上异常数据和所述目标对象的周期关联数据,将所述线上异常数据和周期关联数据作为外部异常数据;
将所述外部异常数据、所述轨迹异常数据、所述环境异常数据和所述行为异常数据进行组合后反馈至对所述预设行为智能分析模型,以使所述预设行为智能分析模型进行学习更新。
2.如权利要求1所述的行为验证数据处理方法,其特征在于,所述获取样本数据,将所述样本数据进行分析归类,并根据归类结果构建预设行为智能分析模型,包括:
获取样本数据,从所述样本数据中获取特征向量,从各特征向量中初始化各中心点;
计算各特征向量到各中心点的距离,利用预设K均值聚类算法根据所述距离对所述样本数据进行归类,生成归类结果,并根据所述归类结果构建预设行为智能分析模型。
3.如权利要求1所述的行为验证数据处理方法,其特征在于,所述获取目标对象在预设时间内的行为验证数据,根据所述行为验证数据生成轨迹数据,包括:
获取目标对象在预设时间内的行为数据、设备特征和网络标识,将所述行为数据、所述设备特征和所述网络标识作为行为验证数据;
根据预设时间的时间轴生成与所述行为验证数据对应的轨迹数据。
4.如权利要求3所述的行为验证数据处理方法,其特征在于,所述将所述轨迹数据输入至预设行为智能分析模型中,获得轨迹异常数据、环境异常数据和行为异常数据,包括:
将所述轨迹数据输入至预设行为智能分析模型中,以使所述预设行为智能分析模型对所述轨迹数据进行轨迹检测、环境特征检测和动态资源检测,获得轨迹异常数据、环境异常数据和行为异常数据。
5.如权利要求4所述的行为验证数据处理方法,其特征在于,所述将所述轨迹数据输入至预设行为智能分析模型中,以使所述预设行为智能分析模型对所述轨迹数据进行轨迹检测、环境特征检测和动态资源检测,获得轨迹异常数据、环境异常数据和行为异常数据,包括:
将所述轨迹数据输入至预设行为智能分析模型中,以使所述预设行为智能分析模型将所述轨迹数据分别输入至环境特征检测单元进行环境特征检测,输入至动态验证资源单元进行动态资源检测和输入至智能轨迹单元进行轨迹检测,并根据所述预设行为智能分析模型中的预设异常数据集对获得的环境检测数据、动态检测数据和轨迹检测数据进行匹配,根据数据类别将匹配成功的数据进行标记,获得轨迹异常数据、环境异常数据和行为异常数据。
6.如权利要求5所述的行为验证数据处理方法,其特征在于,所述获取线上异常数据和所述目标对象的周期关联数据,将所述线上异常数据和周期关联数据作为外部异常数据,具体包括:
从系统异常数据数据库中获取截止当前时刻新增的线上异常数据;
对所述行为验证数据进行聚类分析,获取与所述轨迹数据周期性关联的周期关联数据;
将所述线上异常数据和周期关联数据作为外部异常数据。
7.如权利要求6所述的行为验证数据处理方法,其特征在于,所述将所述外部异常数据、所述轨迹异常数据、所述环境异常数据和所述行为异常数据进行组合后反馈至对所述预设行为智能分析模型,以使所述预设行为智能分析模型进行学习更新,包括:
将所述外部异常数据、所述轨迹异常数据、所述环境异常数据和所述行为异常数据进行互相组合,生成各组合结果,将各组合结果依次输入至所述预设行为智能分析模型,以使所述预设行为智能分析模型根据所述外部异常数据、所述轨迹异常数据、所述环境异常数据和所述行为异常数据对所述预设异常数据集进行更新。
8.一种行为验证数据处理装置,其特征在于,所述行为验证数据处理装置包括:
模型生成模块,用于获取样本数据,将所述样本数据进行分析归类,并根据归类结果构建预设行为智能分析模型;
轨迹生成模块,用于获取目标对象在预设时间内的行为验证数据,根据所述行为验证数据生成轨迹数据;
异常确定模块,用于将所述轨迹数据输入至预设行为智能分析模型中,获得轨迹异常数据、环境异常数据和行为异常数据;
外部关联模块,用于获取线上异常数据和所述目标对象的周期关联数据,将所述线上异常数据和周期关联数据作为外部异常数据;
更新模块,用于将所述外部异常数据、所述轨迹异常数据、所述环境异常数据和所述行为异常数据进行组合后反馈至对所述预设行为智能分析模型,以使所述预设行为智能分析模型进行学习更新。
9.一种行为验证数据处理设备,其特征在于,所述行为验证数据处理设备包括: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行为验证数据处理程序,所述行为验证数据处理程序配置为实现如权利要求1至7中任一项所述的行为验证数据处理方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有行为验证数据处理程序,所述行为验证数据处理程序被处理器执行时实现如权利要求1至7中任一项所述的行为验证数据处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910938014.0A CN110619528A (zh) | 2019-09-29 | 2019-09-29 | 行为验证数据处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910938014.0A CN110619528A (zh) | 2019-09-29 | 2019-09-29 | 行为验证数据处理方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110619528A true CN110619528A (zh) | 2019-12-27 |
Family
ID=68925173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910938014.0A Pending CN110619528A (zh) | 2019-09-29 | 2019-09-29 | 行为验证数据处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110619528A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111611711A (zh) * | 2020-05-21 | 2020-09-01 | 北京百度网讯科技有限公司 | 自动驾驶数据处理方法、装置及电子设备 |
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 |
CN112069485A (zh) * | 2020-06-12 | 2020-12-11 | 完美世界(北京)软件科技发展有限公司 | 基于用户行为的安全处理方法、装置及设备 |
CN114757599A (zh) * | 2022-06-15 | 2022-07-15 | 武汉极意网络科技有限公司 | 一种基于额外成本的流量质量的度量方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120134532A1 (en) * | 2010-06-08 | 2012-05-31 | Gorilla Technology Inc. | Abnormal behavior detection system and method using automatic classification of multiple features |
CN105005901A (zh) * | 2015-07-09 | 2015-10-28 | 厦门快商通信息技术有限公司 | 一种面向金融领域的交易欺诈检测系统与方法 |
CN108777703A (zh) * | 2018-05-15 | 2018-11-09 | 维沃移动通信有限公司 | 一种基于区块链的异常行为处理方法及系统 |
CN109413047A (zh) * | 2018-09-29 | 2019-03-01 | 武汉极意网络科技有限公司 | 行为模拟的判定方法、系统、服务器及存储介质 |
CN109753796A (zh) * | 2018-12-07 | 2019-05-14 | 广东技术师范学院天河学院 | 一种大数据计算机网络安全防护装置及使用方法 |
CN109784015A (zh) * | 2018-12-27 | 2019-05-21 | 腾讯科技(深圳)有限公司 | 一种身份鉴别方法及装置 |
CN109886016A (zh) * | 2018-12-27 | 2019-06-14 | 慧安金科(北京)科技有限公司 | 用于检测异常数据的方法、设备和计算机可读存储介质 |
-
2019
- 2019-09-29 CN CN201910938014.0A patent/CN110619528A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120134532A1 (en) * | 2010-06-08 | 2012-05-31 | Gorilla Technology Inc. | Abnormal behavior detection system and method using automatic classification of multiple features |
CN105005901A (zh) * | 2015-07-09 | 2015-10-28 | 厦门快商通信息技术有限公司 | 一种面向金融领域的交易欺诈检测系统与方法 |
CN108777703A (zh) * | 2018-05-15 | 2018-11-09 | 维沃移动通信有限公司 | 一种基于区块链的异常行为处理方法及系统 |
CN109413047A (zh) * | 2018-09-29 | 2019-03-01 | 武汉极意网络科技有限公司 | 行为模拟的判定方法、系统、服务器及存储介质 |
CN109753796A (zh) * | 2018-12-07 | 2019-05-14 | 广东技术师范学院天河学院 | 一种大数据计算机网络安全防护装置及使用方法 |
CN109784015A (zh) * | 2018-12-27 | 2019-05-21 | 腾讯科技(深圳)有限公司 | 一种身份鉴别方法及装置 |
CN109886016A (zh) * | 2018-12-27 | 2019-06-14 | 慧安金科(北京)科技有限公司 | 用于检测异常数据的方法、设备和计算机可读存储介质 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111611711A (zh) * | 2020-05-21 | 2020-09-01 | 北京百度网讯科技有限公司 | 自动驾驶数据处理方法、装置及电子设备 |
CN111611711B (zh) * | 2020-05-21 | 2023-06-20 | 北京百度网讯科技有限公司 | 自动驾驶数据处理方法、装置及电子设备 |
CN112069485A (zh) * | 2020-06-12 | 2020-12-11 | 完美世界(北京)软件科技发展有限公司 | 基于用户行为的安全处理方法、装置及设备 |
CN112069485B (zh) * | 2020-06-12 | 2024-05-14 | 完美世界(北京)软件科技发展有限公司 | 基于用户行为的安全处理方法、装置及设备 |
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 |
CN114757599A (zh) * | 2022-06-15 | 2022-07-15 | 武汉极意网络科技有限公司 | 一种基于额外成本的流量质量的度量方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110619528A (zh) | 行为验证数据处理方法、装置、设备及存储介质 | |
CN109509021B (zh) | 基于行为轨迹的异常识别方法、装置、服务器及存储介质 | |
CN104123500B (zh) | 一种基于深度学习的Android平台恶意应用检测方法及装置 | |
CN101178768B (zh) | 图像处理设备和方法以及个人识别设备 | |
CN106650350B (zh) | 一种身份认证方法及系统 | |
CN110674479B (zh) | 异常行为数据实时处理方法、装置、设备及存储介质 | |
CN111783505A (zh) | 伪造人脸的识别方法、装置和计算机可读存储介质 | |
JP2022512065A (ja) | 画像分類モデルの訓練方法、画像処理方法及び装置 | |
CN111191201B (zh) | 基于数据埋点的用户识别方法、装置、设备及存储介质 | |
CN109194689B (zh) | 异常行为识别方法、装置、服务器及存储介质 | |
CN109740040B (zh) | 验证码识别方法、装置、存储介质和计算机设备 | |
CN109391620B (zh) | 异常行为判定模型的建立方法、系统、服务器及存储介质 | |
CN110619213A (zh) | 基于多模型特征的恶意软件识别方法、系统及相关装置 | |
CN111145006A (zh) | 基于用户画像的汽车金融反欺诈模型训练方法和装置 | |
CN110781381A (zh) | 基于神经网络的数据验证方法、装置、设备及存储介质 | |
CN110807468A (zh) | 检测异常邮件的方法、装置、设备和存储介质 | |
CN111488798B (zh) | 指纹识别方法、装置、电子设备及存储介质 | |
CN111475628B (zh) | 会话数据处理方法、装置、计算机设备和存储介质 | |
CN111241502B (zh) | 跨设备的用户识别方法及装置、电子设备、存储介质 | |
CN109299592B (zh) | 人机行为特征边界构建方法、系统、服务器及存储介质 | |
CN110781467A (zh) | 异常业务数据分析方法、装置、设备及存储介质 | |
CN111553241A (zh) | 掌纹的误匹配点剔除方法、装置、设备及存储介质 | |
CN114386013A (zh) | 学籍自动认证方法、装置、计算机设备及存储介质 | |
CN114463798A (zh) | 人脸识别模型的训练方法、装置、设备及存储介质 | |
CN110795706B (zh) | 基于哈希的验证方法、设备、存储介质及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191227 |
|
RJ01 | Rejection of invention patent application after publication |