CN111209795B - 基于数据分析的提醒信息生成方法、装置和计算机设备 - Google Patents
基于数据分析的提醒信息生成方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN111209795B CN111209795B CN201911304438.8A CN201911304438A CN111209795B CN 111209795 B CN111209795 B CN 111209795B CN 201911304438 A CN201911304438 A CN 201911304438A CN 111209795 B CN111209795 B CN 111209795B
- Authority
- CN
- China
- Prior art keywords
- function
- data
- emotion
- preset
- abnormal
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/174—Facial expression recognition
-
- 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
- G06F18/24—Classification techniques
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请揭示了一种基于数据分析的提醒信息生成方法、装置、计算机设备和存储介质,所述方法包括:获取用户端发送的请求报文,并生成指定数据‑时间函数H(t);将所述指定数据‑时间函数H(t)拆分为函数H1(t)和函数H2(t);采用公式:S1(t)=min(U1(t),p1),其中E1(t)=H1(t)‑h(t),计算出函数S1(t);采用公式:S2(t)=max(U2(t),p2),其中E2(t)=H2(t)‑h(t),计算出函数S2(t);计算出异常时间比率;若所述异常时间比率不小于预设的时间比率阈值,则生成用户数据异常的提醒信息,并向所述指定服务发送所述请求报文和所述提醒信息。从而准确识别出异常用户,以提高安全性。
Description
技术领域
本申请涉及到计算机领域,特别是涉及到一种基于数据分析的提醒信息生成方法、装置、计算机设备和存储介质。
背景技术
通过网络(线上)办理业务日渐普及,但是线上办理相对于线下办理的一大缺点在于,容易出现欺骗现象,并且难以甄别出欺骗现象。传统方法会对发起线上请求的用户进行审核,但这种审核一般仅是对身份、证件等文件进行核实,或者通过人工人为判断该用户以及该用户发出的请求是否存在异常,因此传统方法的适用性不强、准确性不高,无法准确识别出异常用户与异常请求。
发明内容
本申请的主要目的为提供一种基于数据分析的提醒信息生成方法、装置、计算机设备和存储介质,旨在准确识别出异常用户与异常请求。
为了实现上述发明目的,本申请提出一种基于数据分析的提醒信息生成方法,包括以下步骤:
获取用户端发送的请求报文,并且根据预设的数据采集方法,采集所述用户端对应的用户在预设时间内的指定数据,并根据所述指定数据,生成指定数据-时间函数H(t),其中,所述请求报文用于请求访问指定服务;
根据公式:
采用公式:
S1(t)=min(U1(t),p1),其中E1(t)=H1(t)-h(t),计算出函数S1(t),其中h(t)为预设的标准数据-时间函数,E1(t)为函数H1(t)与函数h(t)的差值函数,t为时间,min为最小值函数,p1为大于0的第一容忍参数值;
采用公式:
S2(t)=max(U2(t),p2),其中E2(t)=H2(t)-h(t),计算出函数S2(t),其中E2(t)为函数H2(t)与函数h(t)的差值函数,t为时间,max为最大值函数,p2为小于0的第二容忍参数值;
获取函数S1(t)等于p1时的第一异常时间长度与不等于p1时的第一正常时间长度,以及获取函数S2(t)等于p2时的第二异常时间长度与不等于p2时的第二正常时间长度;
根据公式:异常时间比率=(第一异常时间长度+第二异常时间长度)/(第一正常时间长度+第二正常时间长度+第一异常时间长度+第二异常时间长度),从而计算出所述异常时间比率;
判断所述异常时间比率是否小于预设的时间比率阈值;
若所述异常时间比率不小于预设的时间比率阈值,则生成用户数据异常的提醒信息,并向所述指定服务发送所述请求报文和所述提醒信息。
进一步地,所述根据预设的数据采集方法,采集所述用户端对应的用户在预设时间内的指定数据的步骤,包括:
采用基于JAVA语言的WebMagic框架,在预设的多个数据源中爬取所述用户端对应的用户的多个初始数据,其中所述初始数据与所述指定数据的类型相同;
将多个所述初始数据构成初始数据组,并采用公式:计算所述初始数据组中第m个数据的总体方差/>其中N为所述初始数据组中的数据的数量,Am为所述初始数据组的第m个数据的数值,B为所述初始数据组的数值的平均值;
进一步地,所述获取函数S1(t)等于p1时的第一异常时间长度与不等于p1时的第一正常时间长度的步骤,包括:
根据公式:Y=arg max S1(t),获取异常时间点集合Y;
从所述异常时间点集合Y中筛选出连续的异常时间点,并将所述连续的异常时间点覆盖的时间长度记为所述第一异常时间长度;
将所述函数S1(t)在时间轴上除所述第一异常时间长度之外的时间长度记为所述第一正常时间长度。
进一步地,所述判断所述异常时间比率是否小于预设的时间比率阈值的步骤之后,包括:
若所述异常时间比率小于预设的时间比率阈值,则利用所述用户端的预设摄像头采集所述用户端对应的用户的脸部图像,并将所述脸部图像输入已经过训练的基于神经网络模型的情绪值识别模型中进行运算,从而得到所述情绪值识别模型输出的情绪值;其中,所述情绪值识别模型基于预先收集的人脸图像,以及与所述人脸图像关联的情绪值组成的训练数据训练而成;
判断所述情绪值是否大于预设的情绪阈值;
若所述情绪值大于预设的情绪阈值,则生成用户情绪异常的提醒信息,并向所述指定服务发送所述请求报文和所述用户情绪异常的提醒信息。
进一步地,所述若所述异常时间比率小于预设的时间比率阈值,则利用所述用户端的预设摄像头采集所述用户端对应的用户的脸部图像,并将所述脸部图像输入已经过训练的基于神经网络模型的情绪值识别模型中进行运算,从而得到所述情绪值识别模型输出的情绪值;其中,所述情绪值识别模型基于预先收集的人脸图像,以及与所述人脸图像关联的情绪值组成的训练数据训练而成的步骤之前,包括:
获取样本数据,并将样本数据分成训练数据和测试数据;其中,所述样本数据包括预先收集的人脸图像,以及与所述人脸图像关联的情绪值;
将所述训练数据输入到预设的神经网络模型中进行训练,得到暂时情绪值识别模型,其中,所述训练的过程采用随机梯度下降法;
利用所述测试数据验证所述暂时情绪值识别模型,从而得到验证结果,并判断所述验证结果是否为验证通过;
若所述验证结果为验证通过,则将所述暂时情绪值识别模型记为所述情绪值识别模型。
进一步地,所述若所述情绪值大于预设的情绪阈值,则生成用户情绪异常的提醒信息,并向所述指定服务发送所述请求报文和所述用户情绪异常的提醒信息的步骤,包括:
若所述情绪值大于预设的情绪阈值,则将所述脸部图像依次输入多个情绪类别识别模型中进行计算,从而获得多个识别结果,其中所述识别结果包括识别成功或者识别失败;其中每个情绪类别识别模型均仅通过一种情绪类别的人脸图像的训练样本数据训练得到;
判断是否仅存在一个识别成功的识别结果;
若仅存在一个识别成功的识别结果,则获取所述识别成功的识别结果对应的指定情绪类别,并判断所述指定情绪类别是否属于预设的异常情绪类别表;
若所述指定情绪类别属于预设的异常情绪类别表,则生成用户情绪异常的提醒信息,并向所述指定服务发送所述请求报文和所述用户情绪异常的提醒信息。
进一步地,所述向所述指定服务发送所述请求报文和所述提醒信息的步骤,包括:
根据预设的时间比率的数值与服务参数组的对应关系,获取与所述异常时间比率对应的指定服务参数组,其中,所述服务参数组是所述指定服务处理所述请求报文时需要使用的参数所构成的组;
向所述指定服务发送所述请求报文、所述提醒信息和所述指定服务参数组。
本申请提供一种基于数据分析的提醒信息生成装置,包括:
请求报文获取单元,用于获取用户端发送的请求报文,并且根据预设的数据采集方法,采集所述用户端对应的用户在预设时间内的指定数据,并根据所述指定数据,生成指定数据-时间函数H(t),其中,所述请求报文用于请求访问指定服务;
函数拆分单元,用于根据公式:
函数S1(t)计算单元,用于采用公式:
S1(t)=min(U1(t),p1),其中E1(t)=H1(t)-h(t),计算出函数S1(t),其中h(t)为预设的标准数据-时间函数,E1(t)为函数H1(t)与函数h(t)的差值函数,t为时间,min为最小值函数,p1为大于0的第一容忍参数值;
函数S2(t)计算单元,用于采用公式:
S2(t)=max(U2(t),p2),其中E2(t)=H2(t)-h(t),计算出函数S2(t),其中E2(t)为函数H2(t)与函数h(t)的差值函数,t为时间,max为最大值函数,p2为小于0的第二容忍参数值;
时间长度获取单元,用于获取函数S1(t)等于p1时的第一异常时间长度与不等于p1时的第一正常时间长度,以及获取函数S2(t)等于p2时的第二异常时间长度与不等于p2时的第二正常时间长度;
异常时间比率计算单元,用于根据公式:异常时间比率=(第一异常时间长度+第二异常时间长度)/(第一正常时间长度+第二正常时间长度+第一异常时间长度+第二异常时间长度),从而计算出所述异常时间比率;
异常时间比率判断单元,用于判断所述异常时间比率是否小于预设的时间比率阈值;
提醒信息生成单元,用于若所述异常时间比率不小于预设的时间比率阈值,则生成用户数据异常的提醒信息,并向所述指定服务发送所述请求报文和所述提醒信息。
本申请提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请的基于数据分析的提醒信息生成方法、装置、计算机设备和存储介质,获取用户端发送的请求报文,并生成指定数据-时间函数H(t);将所述指定数据-时间函数H(t)拆分为函数H1(t)和函数H2(t);采用公式:
附图说明
图1为本申请一实施例的基于数据分析的提醒信息生成方法的流程示意图;
图2为本申请一实施例的基于数据分析的提醒信息生成装置的结构示意框图;
图3为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、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
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
参照图1,本申请实施例提供一种基于数据分析的提醒信息生成方法,包括以下步骤:
S1、获取用户端发送的请求报文,并且根据预设的数据采集方法,采集所述用户端对应的用户在预设时间内的指定数据,并根据所述指定数据,生成指定数据-时间函数H(t),其中,所述请求报文用于请求访问指定服务;
S2、根据公式:
S3、采用公式:
S1(t)=min(U1(t),p1),其中E1(t)=H1(t)-h(t),计算出函数S1(t),其中h(t)为预设的标准数据-时间函数,E1(t)为函数H1(t)与函数h(t)的差值函数,t为时间,min为最小值函数,p1为大于0的第一容忍参数值;
S4、采用公式:
S2(t)=max(U2(t),p2),其中E2(t)=H2(t)-h(t),计算出函数S2(t),其中E2(t)为函数H2(t)与函数h(t)的差值函数,t为时间,max为最大值函数,p2为小于0的第二容忍参数值;
S5、获取函数S1(t)等于p1时的第一异常时间长度与不等于p1时的第一正常时间长度,以及获取函数S2(t)等于p2时的第二异常时间长度与不等于p2时的第二正常时间长度;
S6、根据公式:异常时间比率=(第一异常时间长度+第二异常时间长度)/(第一正常时间长度+第二正常时间长度+第一异常时间长度+第二异常时间长度),从而计算出所述异常时间比率;
S7、判断所述异常时间比率是否小于预设的时间比率阈值;
S8、若所述异常时间比率不小于预设的时间比率阈值,则生成用户数据异常的提醒信息,并向所述指定服务发送所述请求报文和所述提醒信息。
如上述步骤S1所述,获取用户端发送的请求报文,并且根据预设的数据采集方法,采集所述用户端对应的用户在预设时间内的指定数据,并根据所述指定数据,生成指定数据-时间函数H(t),其中,所述请求报文用于请求访问指定服务。传统方案均是利用请求报文中附带的信息,例如附带的证件、密文、数字证书等来核实用户的身份与用户的行为是否异常,但由于这些信息是用户自己上传的,因此有可能不是正确的信息,最终导致核实失准。而本申请另辟蹊径,自行采集用户的指定数据并加以分析。其中,由于用户的指定数据与用户发送的请求报文相关,例如请求报文的目的是申请贷款,那么指定数据可以为用户的收入数值、用户的花费数值等等。其中所述指定服务可为整体架构式的服务,也可以为分布式架构的微服务。进一步地,所述指定数据的类型通过查询预设的请求报文类型与数据类型的对应表而得,其中所述请求报文类型与数据类型的对应表预先收集了与请求报文类型相关联的数据类型,从而构成具有关联关系的对应表。
如上述步骤S2所述,根据公式:
从而将所述指定数据-时间函数H(t)拆分为函数H1(t)和函数H2(t)。为了准确分析所述指定数据,本申请根据函数H(t)的微分结果,将所述指定数据-时间函数H(t)拆分为函数H1(t)和函数H2(t),从而便于后续的数据分析。
如上述步骤S3所述,采用公式:
S1(t)=min(U1(t),p1),其中E1(t)=H1(t)-h(t),计算出函数S1(t),其中h(t)为预设的标准数据-时间函数,E1(t)为函数H1(t)与函数h(t)的差值函数,t为时间,min为最小值函数,p1为大于0的第一容忍参数值。其中所述函数S1(t)衡量的是函数H1(t)与函数h(t)正向匹配程度。若所述函数S1(t)的值为p1,表明所述函数H1(t)与函数h(t)的匹配程度低,因此指定数据不正常;若所述函数S1(t)的值不为p1(即等于U1(t)),表明所述函数H1(t)与函数h(t)的匹配程度高,因此指定数据正常。其中h(t)为预设的标准数据-时间函数,若所述用户的指定数据与所述标准数据完全相同的话,那么函数H1(t)与函数h(t)将完全重合,相应的,函数S1(t)的值全部不为p1。
如上述步骤S4所述,采用公式:
S2(t)=max(U2(t),p2),其中E2(t)=H2(t)-h(t),计算出函数S2(t),其中E2(t)为函数H2(t)与函数h(t)的差值函数,t为时间,max为最大值函数,p2为小于0的第二容忍参数值。其中所述函数S2(t)衡量的是函数H2(t)与函数h(t)反向匹配程度。若所述函数S2(t)的值为p2,表明所述函数H2(t)与函数h(t)的匹配程度低,因此指定数据不正常;若所述函数S2(t)的值不为p2(即等于U2(t)),表明所述函数H1(t)与函数h(t)的匹配程度高,因此指定数据正常。
如上述步骤S5所述,获取函数S1(t)等于p1时的第一异常时间长度与不等于p1时的第一正常时间长度,以及获取函数S2(t)等于p2时的第二异常时间长度与不等于p2时的第二正常时间长度。如前述可知,当函数S1(t)等于p1时是异常数据,并且当函数S2(t)等于p2时是异常数据,据此,获取函数S1(t)等于p1时的第一异常时间长度与不等于p1时的第一正常时间长度,以及获取函数S2(t)等于p2时的第二异常时间长度与不等于p2时的第二正常时间长度。其中获取时间长度的方法例如为:根据公式:Y=arg max S1(t),获取异常时间点集合Y;从所述异常时间点集合Y中筛选出连续的异常时间点,并将所述连续的异常时间点覆盖的时间长度记为所述第一异常时间长度;将所述函数S1(t)在时间轴上除所述第一异常时间长度之外的时间长度记为所述第一正常时间长度。
如上述步骤S6所述,根据公式:异常时间比率=(第一异常时间长度+第二异常时间长度)/(第一正常时间长度+第二正常时间长度+第一异常时间长度+第二异常时间长度),从而计算出所述异常时间比率。由于数据采集可能出现失准的情况,因此异常数据的出现有可能是客观原因造成的,据此,采用公式:异常时间比率=(第一异常时间长度+第二异常时间长度)/(第一正常时间长度+第二正常时间长度+第一异常时间长度+第二异常时间长度),以异常时间比率作为衡量数据是否异常的标准。
如上述步骤S7所述,判断所述异常时间比率是否小于预设的时间比率阈值。若所述异常时间比率小于预设的时间比率阈值,则表明所述指定数据是正常可信的;若所述异常时间比率不小于预设的时间比率阈值,则表明所述指定数据是异常的。
如上述步骤S8所述,若所述异常时间比率不小于预设的时间比率阈值,则生成用户数据异常的提醒信息,并向所述指定服务发送所述请求报文和所述提醒信息。如前述,已判断出指定数据异常的结论,但是,仍存在数据异常但所述请求报文的情况,因此仍生成用户数据异常的提醒信息,并向所述指定服务发送所述请求报文和所述提醒信息,从而以提醒信息的形式以提醒所述指定服务针对性处理所述请求报文。
在一个实施方式中,所述根据预设的数据采集方法,采集所述用户端对应的用户在预设时间内的指定数据的步骤S1,包括:
S101、采用基于JAVA语言的WebMagic框架,在预设的多个数据源中爬取所述用户端对应的用户的多个初始数据,其中所述初始数据与所述指定数据的类型相同;
S102、将多个所述初始数据构成初始数据组,并采用公式:计算所述初始数据组中第m个数据的总体方差/>其中N为所述初始数据组中的数据的数量,Am为所述初始数据组的第m个数据的数值,B为所述初始数据组的数值的平均值;
如上所述,实现了根据预设的数据采集方法,采集所述用户端对应的用户在预设时间内的指定数据。其中数据采集方法采用的是基于JAVA语言的WebMagic框架,以通过数据爬取来实现数据采集,其中WebMagic框架是一种开源的爬虫框架,适合于数据源中爬取数据。从数据源爬取的数据有存在不准确数据的可能,本申请采用公式:计算所述初始数据组中第m个数据的总体方差/>判断所述总体方差/>是否均小于预设的方差阈值的方式,对不准确数据进行鉴别。一般而言,当数据出现巨大的异常变化时,其原因在于采集的数据有误,例如采集的数据是运动量,该用户一般的日均运动量为X,而采集的数据却比X高上多个级别,达到了运动员的标准,由于用户的生理限定,不可能出现如此异常的数据,而反应在公式/>上,就是所述总体方差/>大于预设的方差阈值,此时的数据不可信,应进行排除处理;反之,则可将所述初始数据记为所述指定数据。
在一个实施方式中,所述获取函数S1(t)等于p1时的第一异常时间长度与不等于p1时的第一正常时间长度的步骤S5,包括:
S501、根据公式:Y=arg max S1(t),获取异常时间点集合Y;
S502、从所述异常时间点集合Y中筛选出连续的异常时间点,并将所述连续的异常时间点覆盖的时间长度记为所述第一异常时间长度;
S503、将所述函数S1(t)在时间轴上除所述第一异常时间长度之外的时间长度记为所述第一正常时间长度。
如上所述,实现了获取函数S1(t)等于p1时的第一异常时间长度与不等于p1时的第一正常时间长度。本申请采用公式:Y=arg max S1(t),获取异常时间点集合Y。其中,由于S1(t)=min(U1(t),p1),因此S1(t)的最大值为p1(即当S1(t)处于异常时间点时的数值),从而S1(t)的取值最大时对应的时间点为异常时间点,因此通过Y=arg max S1(t),即可获取异常时间点集合Y。再从所述异常时间点集合Y中筛选出连续的异常时间点,并将所述连续的异常时间点覆盖的时间长度记为所述第一异常时间长度。而所述函数S1(t)在时间轴上有意义的时间范围(即所述函数S1(t)在时间轴上的时间长度)内,除了第一异常时间长度之外,即为第一正常时间长度,据此,将所述函数S1(t)在时间轴上除所述第一异常时间长度之外的时间长度记为所述第一正常时间长度。
在一个实施方式中,所述判断所述异常时间比率是否小于预设的时间比率阈值的步骤S7之后,包括:
S71、若所述异常时间比率小于预设的时间比率阈值,则利用所述用户端的预设摄像头采集所述用户端对应的用户的脸部图像,并将所述脸部图像输入已经过训练的基于神经网络模型的情绪值识别模型中进行运算,从而得到所述情绪值识别模型输出的情绪值;其中,所述情绪值识别模型基于预先收集的人脸图像,以及与所述人脸图像关联的情绪值组成的训练数据训练而成;
S72、判断所述情绪值是否大于预设的情绪阈值;
S73、若所述情绪值大于预设的情绪阈值,则生成用户情绪异常的提醒信息,并向所述指定服务发送所述请求报文和所述用户情绪异常的提醒信息。
如上所述,实现了生成用户情绪异常的提醒信息,并向所述指定服务发送所述请求报文和所述用户情绪异常的提醒信息。若所述异常时间比率小于预设的时间比率阈值,表明所述指定数据是正常的,本申请还通过利用所述用户端的预设摄像头采集所述用户端对应的用户的脸部图像,并将所述脸部图像输入已经过训练的基于神经网络模型的情绪值识别模型中进行运算,从而得到所述情绪值识别模型输出的情绪值,并以所述情绪值作为提醒信息的生成依据。正常用户与异常用户的情绪值是不同的,例如在申请贷款时,异常用户由于数据做假,或者有骗取贷款的意图,此时情绪很更加紧张激动,因此情绪值会大于正常用户。据此,本申请通过判断所述情绪值是否大于预设的情绪阈值,若所述情绪值大于预设的情绪阈值,则生成用户情绪异常的提醒信息,并向所述指定服务发送所述请求报文和所述用户情绪异常的提醒信息,以鉴别异常请求,以提醒指定服务做出相应的应对。
在一个实施方式中,所述若所述异常时间比率小于预设的时间比率阈值,则利用所述用户端的预设摄像头采集所述用户端对应的用户的脸部图像,并将所述脸部图像输入已经过训练的基于神经网络模型的情绪值识别模型中进行运算,从而得到所述情绪值识别模型输出的情绪值;其中,所述情绪值识别模型基于预先收集的人脸图像,以及与所述人脸图像关联的情绪值组成的训练数据训练而成的步骤S71之前,包括:
S21、获取样本数据,并将样本数据分成训练数据和测试数据;其中,所述样本数据包括预先收集的人脸图像,以及与所述人脸图像关联的情绪值;
S22、将所述训练数据输入到预设的神经网络模型中进行训练,得到暂时情绪值识别模型,其中,所述训练的过程采用随机梯度下降法;
S23、利用所述测试数据验证所述暂时情绪值识别模型,从而得到验证结果,并判断所述验证结果是否为验证通过;
S24、若所述验证结果为验证通过,则将所述暂时情绪值识别模型记为所述情绪值识别模型。
如上所述,实现了训练所述情绪值识别模型。本申请的情绪值识别模型是基于神经网络模型训练而成,例如基于VGG16模型、VGG-F模型、ResNet50模型、DPN131模型、AlexNet模型和DenseNet模型等神经网络模型。其中,随机梯度下降法就是随机取样一些训练数据,替代整个训练集,只用部分样本,就能够获得最优解了,从而提高训练速度。其中所述样本数据包括预先收集的人脸图像,以及与所述人脸图像关联的情绪值,即采用全监督学习的训练方法,先训练出暂时情绪值识别模型,再用测试数据进行验证,若验证结果为验证通过,则将所述暂时情绪值识别模型记为所述情绪值识别模型,从而完成整个情绪值识别模型的训练过程。
在一个实施方式中,所述若所述情绪值大于预设的情绪阈值,则生成用户情绪异常的提醒信息,并向所述指定服务发送所述请求报文和所述用户情绪异常的提醒信息的步骤S73,包括:
S731、若所述情绪值大于预设的情绪阈值,则将所述脸部图像依次输入多个情绪类别识别模型中进行计算,从而获得多个识别结果,其中所述识别结果包括识别成功或者识别失败;其中每个情绪类别识别模型均仅通过一种情绪类别的人脸图像的训练样本数据训练得到;
S732、判断是否仅存在一个识别成功的识别结果;
S733、若仅存在一个识别成功的识别结果,则获取所述识别成功的识别结果对应的指定情绪类别,并判断所述指定情绪类别是否属于预设的异常情绪类别表;
S734、若所述指定情绪类别属于预设的异常情绪类别表,则生成用户情绪异常的提醒信息,并向所述指定服务发送所述请求报文和所述用户情绪异常的提醒信息。
如上所述,实现了生成用户情绪异常的提醒信息,并向所述指定服务发送所述请求报文和所述用户情绪异常的提醒信息。由于情绪值只反应了用户的紧张程度,却不能反应用户的情绪类别,因此在某些情境下会出现误判的可能,例如异常用户的担心被识破的害怕情绪与正常用户的担忧情绪较为相似,容易被误判。因此,本申请采用若所述情绪值大于预设的情绪阈值,则将所述脸部图像依次输入多个情绪类别识别模型中进行计算,从而获得多个识别结果的方式,进一步识别情绪类别。其中,每个情绪类别识别模型均仅通过一种情绪类别的人脸图像的训练样本数据训练得到,即采用半监督学习的方式进行分别训练,从而得到多个情绪类别识别模型,而一个情绪类别识别模型由于只采用一种情绪类别进行训练,因此仅能识别一种情绪类别。据此,若仅存在一个识别成功的识别结果,则获取所述识别成功的识别结果对应的指定情绪类别,并判断所述指定情绪类别是否属于预设的异常情绪类别表中,若所述指定情绪类别属于预设的异常情绪类别表中,则生成用户情绪异常的提醒信息,并向所述指定服务发送所述请求报文和所述用户情绪异常的提醒信息。
在一个实施方式中,所述向所述指定服务发送所述请求报文和所述提醒信息的步骤S8,包括:
S801、根据预设的时间比率的数值与服务参数组的对应关系,获取与所述异常时间比率对应的指定服务参数组,其中,所述服务参数组是所述指定服务处理所述请求报文时需要使用的参数所构成的组;
S802、向所述指定服务发送所述请求报文、所述提醒信息和所述指定服务参数组。
如上所述,实现了向所述指定服务发送所述请求报文、所述提醒信息和所述指定服务参数组。其中服务参数组是所述指定服务处理所述请求报文时需要使用的参数所构成的组,例如所述请求报文为理赔报文,那么所述服务参数组包括:定损系数、优先级别等。由于本申请采用在请求报文发送的同时发送所述指定服务参数组,从而避免了所述指定服务再次调取参数组的网络开销,减不了信息发送次数,使得处理效率得到了提高。
本申请的基于数据分析的提醒信息生成方法,获取用户端发送的请求报文,并生成指定数据-时间函数H(t);将所述指定数据-时间函数H(t)拆分为函数H1(t)和函数H2(t);采用公式:S1(t)=min(U1(t),p1),其中E1(t)=H1(t)-h(t),计算出函数S1(t);采用公式:
S2(t)=max(U2(t),p2),其中E2(t)=H2(t)-h(t),计算出函数S2(t);计算出异常时间比率;若所述异常时间比率不小于预设的时间比率阈值,则生成用户数据异常的提醒信息,并向所述指定服务发送所述请求报文和所述提醒信息。从而准确识别出异常用户,以提高安全性。
参照图2,本申请实施例提供一种基于数据分析的提醒信息生成装置,包括:
请求报文获取单元10,用于获取用户端发送的请求报文,并且根据预设的数据采集方法,采集所述用户端对应的用户在预设时间内的指定数据,并根据所述指定数据,生成指定数据-时间函数H(t),其中,所述请求报文用于请求访问指定服务;
函数拆分单元20,用于根据公式:
函数S1(t)计算单元30,用于采用公式:
S1(t)=min(U1(t),p1),其中E1(t)=H1(t)-h(t),计算出函数S1(t),其中h(t)为预设的标准数据-时间函数,E1(t)为函数H1(t)与函数h(t)的差值函数,t为时间,min为最小值函数,p1为大于0的第一容忍参数值;
函数S2(t)计算单元40,用于采用公式:
S2(t)=max(U2(t),p2),其中E2(t)=H2(t)-h(t),计算出函数S2(t),其中E2(t)为函数H2(t)与函数h(t)的差值函数,t为时间,max为最大值函数,p2为小于0的第二容忍参数值;
时间长度获取单元50,用于获取函数S1(t)等于p1时的第一异常时间长度与不等于p1时的第一正常时间长度,以及获取函数S2(t)等于p2时的第二异常时间长度与不等于p2时的第二正常时间长度;
异常时间比率计算单元60,用于根据公式:异常时间比率=(第一异常时间长度+第二异常时间长度)/(第一正常时间长度+第二正常时间长度+第一异常时间长度+第二异常时间长度),从而计算出所述异常时间比率;
异常时间比率判断单元70,用于判断所述异常时间比率是否小于预设的时间比率阈值;
提醒信息生成单元80,用于若所述异常时间比率不小于预设的时间比率阈值,则生成用户数据异常的提醒信息,并向所述指定服务发送所述请求报文和所述提醒信息。
其中上述单元分别用于执行的操作与前述实施方式的基于数据分析的提醒信息生成方法的步骤一一对应,在此不再赘述。
在一个实施方式中,所述请求报文获取单元10,包括:
初始数据爬取子单元,用于采用基于JAVA语言的WebMagic框架,在预设的多个数据源中爬取所述用户端对应的用户的多个初始数据,其中所述初始数据与所述指定数据的类型相同;
总体方差计算子单元,用于将多个所述初始数据构成初始数据组,并采用公式:计算所述初始数据组中第m个数据的总体方差/>其中N为所述初始数据组中的数据的数量,Am为所述初始数据组的第m个数据的数值,B为所述初始数据组的数值的平均值;
其中上述子单元分别用于执行的操作与前述实施方式的基于数据分析的提醒信息生成方法的步骤一一对应,在此不再赘述。
在一个实施方式中,所述时间长度获取单元50,包括:
异常时间点集合获取子单元,用于根据公式:Y=arg max S1(t),获取异常时间点集合Y;
第一异常时间长度获取子单元,用于从所述异常时间点集合Y中筛选出连续的异常时间点,并将所述连续的异常时间点覆盖的时间长度记为所述第一异常时间长度;
第一正常时间长度标记子单元,用于将所述函数S1(t)在时间轴上除所述第一异常时间长度之外的时间长度记为所述第一正常时间长度。
其中上述子单元分别用于执行的操作与前述实施方式的基于数据分析的提醒信息生成方法的步骤一一对应,在此不再赘述。
在一个实施方式中,所述装置,包括:
情绪值获取单元,用于若所述异常时间比率小于预设的时间比率阈值,则利用所述用户端的预设摄像头采集所述用户端对应的用户的脸部图像,并将所述脸部图像输入已经过训练的基于神经网络模型的情绪值识别模型中进行运算,从而得到所述情绪值识别模型输出的情绪值;其中,所述情绪值识别模型基于预先收集的人脸图像,以及与所述人脸图像关联的情绪值组成的训练数据训练而成;
情绪值判断单元,用于判断所述情绪值是否大于预设的情绪阈值;
情绪异常提醒单元,用于若所述情绪值大于预设的情绪阈值,则生成用户情绪异常的提醒信息,并向所述指定服务发送所述请求报文和所述用户情绪异常的提醒信息。
其中上述单元分别用于执行的操作与前述实施方式的基于数据分析的提醒信息生成方法的步骤一一对应,在此不再赘述。
在一个实施方式中,所述装置,包括:
样本数据获取单元,用于获取样本数据,并将样本数据分成训练数据和测试数据;其中,所述样本数据包括预先收集的人脸图像,以及与所述人脸图像关联的情绪值;
模型训练单元,用于将所述训练数据输入到预设的神经网络模型中进行训练,得到暂时情绪值识别模型,其中,所述训练的过程采用随机梯度下降法;
验证结果判断单元,用于利用所述测试数据验证所述暂时情绪值识别模型,从而得到验证结果,并判断所述验证结果是否为验证通过;
情绪值识别模型标记单元,用于若所述验证结果为验证通过,则将所述暂时情绪值识别模型记为所述情绪值识别模型。
其中上述单元分别用于执行的操作与前述实施方式的基于数据分析的提醒信息生成方法的步骤一一对应,在此不再赘述。
在一个实施方式中,所述情绪异常提醒单元,包括:
多个识别结果获取子单元,用于若所述情绪值大于预设的情绪阈值,则将所述脸部图像依次输入多个情绪类别识别模型中进行计算,从而获得多个识别结果,其中所述识别结果包括识别成功或者识别失败;其中每个情绪类别识别模型均仅通过一种情绪类别的人脸图像的训练样本数据训练得到;
识别成功判断子单元,用于判断是否仅存在一个识别成功的识别结果;
指定情绪类别判断子单元,用于若仅存在一个识别成功的识别结果,则获取所述识别成功的识别结果对应的指定情绪类别,并判断所述指定情绪类别是否属于预设的异常情绪类别表;
情绪异常提醒子单元,用于若所述指定情绪类别属于预设的异常情绪类别表,则生成用户情绪异常的提醒信息,并向所述指定服务发送所述请求报文和所述用户情绪异常的提醒信息。
其中上述子单元分别用于执行的操作与前述实施方式的基于数据分析的提醒信息生成方法的步骤一一对应,在此不再赘述。
在一个实施方式中,所述提醒信息生成单元80,包括:
定服务参数组获取子单元,用于根据预设的时间比率的数值与服务参数组的对应关系,获取与所述异常时间比率对应的指定服务参数组,其中,所述服务参数组是所述指定服务处理所述请求报文时需要使用的参数所构成的组;
定服务参数组发送子单元,用于向所述指定服务发送所述请求报文、所述提醒信息和所述指定服务参数组。
其中上述子单元分别用于执行的操作与前述实施方式的基于数据分析的提醒信息生成方法的步骤一一对应,在此不再赘述。
本申请的基于数据分析的提醒信息生成装置,获取用户端发送的请求报文,并生成指定数据-时间函数H(t);将所述指定数据-时间函数H(t)拆分为函数H1(t)和函数H2(t);采用公式:S1(t)=min(U1(t),p1),其中E1(t)=H1(t)-h(t),计算出函数S1(t);采用公式:
S2(t)=max(U2(t),p2),其中E2(t)=H2(t)-h(t),计算出函数S2(t);计算出异常时间比率;若所述异常时间比率不小于预设的时间比率阈值,则生成用户数据异常的提醒信息,并向所述指定服务发送所述请求报文和所述提醒信息。从而准确识别出异常用户,以提高安全性。
参照图3,本发明实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于数据分析的提醒信息生成方法所用数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于数据分析的提醒信息生成方法。
上述处理器执行上述基于数据分析的提醒信息生成方法,其中所述方法包括的步骤分别与执行前述实施方式的基于数据分析的提醒信息生成方法的步骤一一对应,在此不再赘述。
本领域技术人员可以理解,图中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请的计算机设备,获取用户端发送的请求报文,并生成指定数据-时间函数H(t);将所述指定数据-时间函数H(t)拆分为函数H1(t)和函数H2(t);采用公式:S1(t)=min(U1(t),p1),其中E1(t)=H1(t)-h(t),计算出函数S1(t);采用公式:
S2(t)=max(U2(t),p2),其中E2(t)=H2(t)-h(t),计算出函数S2(t);计算出异常时间比率;若所述异常时间比率不小于预设的时间比率阈值,则生成用户数据异常的提醒信息,并向所述指定服务发送所述请求报文和所述提醒信息。从而准确识别出异常用户,以提高安全性。
本申请一实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现基于数据分析的提醒信息生成方法,其中所述方法包括的步骤分别与执行前述实施方式的基于数据分析的提醒信息生成方法的步骤一一对应,在此不再赘述。
本申请的计算机可读存储介质,获取用户端发送的请求报文,并生成指定数据-时间函数H(t);将所述指定数据-时间函数H(t)拆分为函数H1(t)和函数H2(t);采用公式:S1(t)=min(U1(t),p1),其中E1(t)=H1(t)-h(t),计算出函数S1(t);采用公式:
S2(t)=max(U2(t),p2),其中E2(t)=H2(t)-h(t),计算出函数S2(t);计算出异常时间比率;若所述异常时间比率不小于预设的时间比率阈值,则生成用户数据异常的提醒信息,并向所述指定服务发送所述请求报文和所述提醒信息。从而准确识别出异常用户,以提高安全性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
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、装置、物品或者方法不仅包括那些要素,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、装置、物品或者方法所固有的要素。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、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请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,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种基于数据分析的提醒信息生成方法,其特征在于,包括:
获取用户端发送的请求报文,并且根据预设的数据采集方法,采集所述用户端对应的用户在预设时间内的指定数据,并根据所述指定数据,生成指定数据-时间函数H(t),其中,所述请求报文用于请求访问指定服务;
根据公式:
采用公式:
S1(t)=min(U1(t),p1),其中E1(t)=H1(t)-h(t),计算出函数S1(t),其中h(t)为预设的标准数据-时间函数,E1(t)为函数H1(t)与函数h(t)的差值函数,t为时间,min为最小值函数,p1为大于0的第一容忍参数值;
采用公式:
S2(t)=max(U2(t),p2),其中E2(t)=H2(t)-h(t),计算出函数S2(t),其中E2(t)为函数H2(t)与函数h(t)的差值函数,t为时间,max为最大值函数,p2为小于0的第二容忍参数值;
获取函数S1(t)等于p1时的第一异常时间长度与不等于p1时的第一正常时间长度,以及获取函数S2(t)等于p2时的第二异常时间长度与不等于p2时的第二正常时间长度;
根据公式:异常时间比率=(第一异常时间长度+第二异常时间长度)/(第一正常时间长度+第二正常时间长度+第一异常时间长度+第二异常时间长度),从而计算出所述异常时间比率;
判断所述异常时间比率是否小于预设的时间比率阈值;
若所述异常时间比率不小于预设的时间比率阈值,则生成用户数据异常的提醒信息,并向所述指定服务发送所述请求报文和所述提醒信息。
2.根据权利要求1所述的基于数据分析的提醒信息生成方法,其特征在于,所述根据预设的数据采集方法,采集所述用户端对应的用户在预设时间内的指定数据的步骤,包括:
采用基于JAVA语言的WebMagic框架,在预设的多个数据源中爬取所述用户端对应的用户的多个初始数据,其中所述初始数据与所述指定数据的类型相同;
将多个所述初始数据构成初始数据组,并采用公式:计算所述初始数据组中第m个数据的总体方差/>其中N为所述初始数据组中的数据的数量,Am为所述初始数据组的第m个数据的数值,B为所述初始数据组的数值的平均值;
3.根据权利要求1所述的基于数据分析的提醒信息生成方法,其特征在于,所述获取函数S1(t)等于p1时的第一异常时间长度与不等于p1时的第一正常时间长度的步骤,包括:
根据公式:Y=arg max S1(t),获取异常时间点集合Y;
从所述异常时间点集合Y中筛选出连续的异常时间点,并将所述连续的异常时间点覆盖的时间长度记为所述第一异常时间长度;
将所述函数S1(t)在时间轴上除所述第一异常时间长度之外的时间长度记为所述第一正常时间长度。
4.根据权利要求1所述的基于数据分析的提醒信息生成方法,其特征在于,所述判断所述异常时间比率是否小于预设的时间比率阈值的步骤之后,包括:
若所述异常时间比率小于预设的时间比率阈值,则利用所述用户端的预设摄像头采集所述用户端对应的用户的脸部图像,并将所述脸部图像输入已经过训练的基于神经网络模型的情绪值识别模型中进行运算,从而得到所述情绪值识别模型输出的情绪值;其中,所述情绪值识别模型基于预先收集的人脸图像,以及与所述人脸图像关联的情绪值组成的训练数据训练而成;
判断所述情绪值是否大于预设的情绪阈值;
若所述情绪值大于预设的情绪阈值,则生成用户情绪异常的提醒信息,并向所述指定服务发送所述请求报文和所述用户情绪异常的提醒信息。
5.根据权利要求4所述的基于数据分析的提醒信息生成方法,其特征在于,所述若所述异常时间比率小于预设的时间比率阈值,则利用所述用户端的预设摄像头采集所述用户端对应的用户的脸部图像,并将所述脸部图像输入已经过训练的基于神经网络模型的情绪值识别模型中进行运算,从而得到所述情绪值识别模型输出的情绪值;其中,所述情绪值识别模型基于预先收集的人脸图像,以及与所述人脸图像关联的情绪值组成的训练数据训练而成的步骤之前,包括:
获取样本数据,并将样本数据分成训练数据和测试数据;其中,所述样本数据包括预先收集的人脸图像,以及与所述人脸图像关联的情绪值;
将所述训练数据输入到预设的神经网络模型中进行训练,得到暂时情绪值识别模型,其中,所述训练的过程采用随机梯度下降法;
利用所述测试数据验证所述暂时情绪值识别模型,从而得到验证结果,并判断所述验证结果是否为验证通过;
若所述验证结果为验证通过,则将所述暂时情绪值识别模型记为所述情绪值识别模型。
6.根据权利要求4所述的基于数据分析的提醒信息生成方法,其特征在于,所述若所述情绪值大于预设的情绪阈值,则生成用户情绪异常的提醒信息,并向所述指定服务发送所述请求报文和所述用户情绪异常的提醒信息的步骤,包括:
若所述情绪值大于预设的情绪阈值,则将所述脸部图像依次输入多个情绪类别识别模型中进行计算,从而获得多个识别结果,其中所述识别结果包括识别成功或者识别失败;其中每个情绪类别识别模型均仅通过一种情绪类别的人脸图像的训练样本数据训练得到;
判断是否仅存在一个识别成功的识别结果;
若仅存在一个识别成功的识别结果,则获取所述识别成功的识别结果对应的指定情绪类别,并判断所述指定情绪类别是否属于预设的异常情绪类别表;
若所述指定情绪类别属于预设的异常情绪类别表,则生成用户情绪异常的提醒信息,并向所述指定服务发送所述请求报文和所述用户情绪异常的提醒信息。
7.根据权利要求1所述的基于数据分析的提醒信息生成方法,其特征在于,所述向所述指定服务发送所述请求报文和所述提醒信息的步骤,包括:
根据预设的时间比率的数值与服务参数组的对应关系,获取与所述异常时间比率对应的指定服务参数组,其中,所述服务参数组是所述指定服务处理所述请求报文时需要使用的参数所构成的组;
向所述指定服务发送所述请求报文、所述提醒信息和所述指定服务参数组。
8.一种基于数据分析的提醒信息生成装置,其特征在于,包括:
请求报文获取单元,用于获取用户端发送的请求报文,并且根据预设的数据采集方法,采集所述用户端对应的用户在预设时间内的指定数据,并根据所述指定数据,生成指定数据-时间函数H(t),其中,所述请求报文用于请求访问指定服务;
函数拆分单元,用于根据公式:
函数S1(t)计算单元,用于采用公式:
S1(t)=min(U1(t),p1),其中E1(t)=H1(t)-h(t),计算出函数S1(t),其中h(t)为预设的标准数据-时间函数,E1(t)为函数H1(t)与函数h(t)的差值函数,t为时间,min为最小值函数,p1为大于0的第一容忍参数值;
函数S2(t)计算单元,用于采用公式:
S2(t)=max(U2(t),p2),其中E2(t)=H2(t)-h(t),计算出函数S2(t),其中E2(t)为函数H2(t)与函数h(t)的差值函数,t为时间,max为最大值函数,p2为小于0的第二容忍参数值;
时间长度获取单元,用于获取函数S1(t)等于p1时的第一异常时间长度与不等于p1时的第一正常时间长度,以及获取函数S2(t)等于p2时的第二异常时间长度与不等于p2时的第二正常时间长度;
异常时间比率计算单元,用于根据公式:异常时间比率=(第一异常时间长度+第二异常时间长度)/(第一正常时间长度+第二正常时间长度+第一异常时间长度+第二异常时间长度),从而计算出所述异常时间比率;
异常时间比率判断单元,用于判断所述异常时间比率是否小于预设的时间比率阈值;
提醒信息生成单元,用于若所述异常时间比率不小于预设的时间比率阈值,则生成用户数据异常的提醒信息,并向所述指定服务发送所述请求报文和所述提醒信息。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911304438.8A CN111209795B (zh) | 2019-12-17 | 2019-12-17 | 基于数据分析的提醒信息生成方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911304438.8A CN111209795B (zh) | 2019-12-17 | 2019-12-17 | 基于数据分析的提醒信息生成方法、装置和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111209795A CN111209795A (zh) | 2020-05-29 |
CN111209795B true CN111209795B (zh) | 2023-06-20 |
Family
ID=70785744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911304438.8A Active CN111209795B (zh) | 2019-12-17 | 2019-12-17 | 基于数据分析的提醒信息生成方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111209795B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2874127A1 (en) * | 2014-11-21 | 2016-05-21 | Tangoe, Inc. | Real-time usage detection of software applications |
CN108123849A (zh) * | 2017-12-20 | 2018-06-05 | 国网冀北电力有限公司信息通信分公司 | 检测网络流量的阈值的确定方法、装置、设备及存储介质 |
CN110569356A (zh) * | 2019-08-14 | 2019-12-13 | 中国平安人寿保险股份有限公司 | 基于智能面试交互系统的面试方法、装置和计算机设备 |
-
2019
- 2019-12-17 CN CN201911304438.8A patent/CN111209795B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2874127A1 (en) * | 2014-11-21 | 2016-05-21 | Tangoe, Inc. | Real-time usage detection of software applications |
CN108123849A (zh) * | 2017-12-20 | 2018-06-05 | 国网冀北电力有限公司信息通信分公司 | 检测网络流量的阈值的确定方法、装置、设备及存储介质 |
CN110569356A (zh) * | 2019-08-14 | 2019-12-13 | 中国平安人寿保险股份有限公司 | 基于智能面试交互系统的面试方法、装置和计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111209795A (zh) | 2020-05-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109255499B (zh) | 投诉、投诉案件处理方法、装置及设备 | |
CN108280757B (zh) | 用户信用评估方法及装置 | |
CN109816200B (zh) | 任务推送方法、装置、计算机设备和存储介质 | |
CN109783338A (zh) | 基于业务信息的录制处理方法、装置和计算机设备 | |
CN107256428B (zh) | 数据处理方法、数据处理装置、存储设备及网络设备 | |
US20180277118A1 (en) | System and method for validating natural language content using crowdsourced validation jobs | |
US10395646B2 (en) | Two-stage training of a spoken dialogue system | |
CN110147925B (zh) | 一种风险决策方法、装置、设备及系统 | |
GB2585168A (en) | Remote user identity validation with threshold-based matching | |
RU2715802C1 (ru) | Основанная на машинном обучениии идентификация неработающих сетевых соединений | |
CN113014566B (zh) | 恶意注册的检测方法、装置、计算机可读介质及电子设备 | |
US11226991B2 (en) | Interest tag determining method, computer device, and storage medium | |
WO2022174817A1 (zh) | 试题生成方法、装置和系统、计算机存储介质和程序产品 | |
US20220300364A1 (en) | Methods and systems for real-time resolution of errors that are detected by multivariate machine learning models between users using univariate responses | |
CN109831677B (zh) | 视频脱敏方法、装置、计算机设备和存储介质 | |
US10853689B2 (en) | Methods for more effectively moderating one or more images and devices thereof | |
US10885593B2 (en) | Hybrid classification system | |
CN107798457B (zh) | 投资组合方案推荐方法、装置、计算机设备和存储介质 | |
CN111177622A (zh) | 基于机器学习的网页渲染方法、装置和计算机设备 | |
CN117196322A (zh) | 智能风控方法、装置、计算机设备及存储介质 | |
WO2021049234A1 (ja) | 画像解析装置、制御方法、プログラム | |
CN111209795B (zh) | 基于数据分析的提醒信息生成方法、装置和计算机设备 | |
CN116738293A (zh) | 一种业务评价处理方法、装置及电子设备 | |
CN111209817A (zh) | 基于人工智能的考核方法、装置、设备及可读存储介质 | |
CN113297417A (zh) | 视频推送方法、装置、电子设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |