CN111612038B - 异常用户检测方法及装置、存储介质、电子设备 - Google Patents
异常用户检测方法及装置、存储介质、电子设备 Download PDFInfo
- Publication number
- CN111612038B CN111612038B CN202010331894.8A CN202010331894A CN111612038B CN 111612038 B CN111612038 B CN 111612038B CN 202010331894 A CN202010331894 A CN 202010331894A CN 111612038 B CN111612038 B CN 111612038B
- Authority
- CN
- China
- Prior art keywords
- detected
- data set
- user
- abnormal
- data
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 83
- 238000001514 detection method Methods 0.000 title claims abstract description 58
- 238000003860 storage Methods 0.000 title claims description 22
- 230000005484 gravity Effects 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 28
- 230000009467 reduction Effects 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 26
- 230000005856 abnormality Effects 0.000 claims abstract description 10
- 238000004891 communication Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 7
- 230000006399 behavior Effects 0.000 claims description 6
- 238000012502 risk assessment Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 230000010365 information processing Effects 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000013138 pruning Methods 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 208000033830 Hot Flashes Diseases 0.000 description 1
- 206010060800 Hot flush Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- 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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Technology Law (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开一种异常用户检测方法,属于信息处理技术领域,该方法包括:采集待异常检测数据集,所述待异常检测数据集为第一用户集的金融交易相关数据;对所述待异常检测数据集进行降维处理,得到降维后的数据集;对所述降维后的数据集通过聚类处理形成多个待检测群组,所述待检测群组对应于第二用户集,所述第二用户集包括所述第一用户集中的多个用户;分别计算所述待检测群组与所述待异常检测数据集重心的偏离程度;将与所述待异常检测数据集重心的偏离程度大于预设的偏离程度阈值的待检测群组确定为异常群组,作为检测到的异常用户集。该方法提高了金融交易中异常用户检测的准确性。
Description
技术领域
本申请涉及信息处理技术领域,具体而言,涉及一种异常用户检测方法及装置、计算机可读存储介质以及电子设备。
背景技术
随着AI(人工智能)热潮的兴起与蓬勃发展,AI技术在反欺诈(尤其是团伙欺诈)场景的落地应用越来越受到各行各业的关注。但运用AI技术进行反欺诈检测却存在数据标签少或无标签的技术难点,因此无监督学习技术几乎成了唯一的选择。而无监督学习技术中又以异常检测这类算法在反欺诈中的应用最为普遍和适用。
目前已有的异常检测算法框架均以个体为检测对象,因此,这类算法通常又称为异常点(或异常值)检测。然而,异常点检测最为人诟病的是其FPR(False Positive Rate,假正率)过高,容易误伤好客户,因为这类算法检测出的仅仅是数据上的异常(outlier),由于各种因素的存在,数据上的异常并不总是意味着真实的欺诈异常。
因此,需要提供一种新的异常用户检测方法及装置。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本申请的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本申请的目的在于提供一种异常用户检测方法、异常用户检测装置、计算机可读存储介质以及电子设备,可以解决现有技术存在检测方法假正率过高,不能有效检测出异常用户的问题。
根据本申请的一个方面,提供一种异常用户检测方法,包括:
采集待异常检测数据集,所述待异常检测数据集为第一用户集的金融交易相关数据;
对所述待异常检测数据集进行降维处理,得到降维后的数据集;
对所述降维后的数据集通过聚类处理形成多个待检测群组,所述待检测群组对应于第二用户集,所述第二用户集包括所述第一用户集中的多个用户;
分别计算所述待检测群组与所述待异常检测数据集重心的偏离程度;
将与所述待异常检测数据集重心的偏离程度大于预设的偏离程度阈值的待检测群组确定为异常群组,作为检测到的异常用户集。
在本申请的一种示例性实施例中,所述对所述待异常检测数据集进行降维处理,得到降维后的数据集包括:
计算所述待异常检测数据集中每个特征数据的困惑度;
根据所述困惑度筛选符合预定规则的所述特征数据,得到降维后的数据集。
在本申请的一种示例性实施例中,所述根据所述困惑度筛选符合预定规则的所述特征数据,得到降维后的数据集,包括:
获取所述困惑度高于第一预定阈值的特征的数据,作为单维度特征数据集;
获取所述困惑度低于所述第一预定阈值且高于第二预定阈值的特征的数据,并进行组合得到多维度特征数据集,所述第一预定阈值大于所述第二预定阈值;
将所述单维度特征数据集及所述多维度特征数据集作为降维后的数据集。
在本申请的一种示例性实施例中,所述困惑度为所述特征数据的基尼系数或者信息熵。
在本申请的一种示例性实施例中,所述对所述降维后的数据集通过聚类处理形成多个待检测群组,包括:
对所述降维后的数据集通过图层次聚类处理形成多个待检测群组。
在本申请的一种示例性实施例中,所述对所述降维后的数据集通过图层次聚类处理形成多个待检测群组包括:
以所述降维后的数据集中的用户作为节点,用户之间的相似度为边权重,构建完全连通图;
删除所述完全连通图中权重小于第一层级的边权重阈值的边,得到第一层级的待搜索连通图;
从所述第一层级的待搜索连通图开始,从各层级的待搜索连通图中依次搜索第一层级之后各层级的多个连通子图,直到目标层级的连通子图中节点的个数小于预定个数,其中,各层级的待搜索连通图通过从各层级的连通子图中删除权重小于各层级的边权重阈值的边,且后一层级的边权重阈值高于前一层级的边权重阈值;
将所述目标层级中各连通子图对应的用户集合,作为所述待检测群组。
在本申请的一种示例性实施例中,所述方法还包括:
计算所述目标层级中各连通子图的紧密度,并删除所述紧密度低于预设的紧密度阈值的连通子图,得到剩余的连通子图;
将剩余的各所述连通子图对应的用户集合,作为所述待检测群组,将所述待检测群组上传至区块链中。
根据本申请的一个方面,提供一种异常用户检测装置,包括:
采集模块,用于采集待异常检测数据集,所述待异常检测数据集为第一用户集的金融交易相关数据;
降维模块,用于对所述待异常检测数据集进行降维处理,得到降维后的数据集;
聚类模块,用于对所述降维后的数据集通过聚类处理形成多个待检测群组,所述待检测群组对应于第二用户集,所述第二用户集包括所述第一用户集中的多个用户;
偏离程度计算模块,用于分别计算所述待检测群组与所述待异常检测数据集重心的偏离程度;
异常群组检测模块,用于将与所述待异常检测数据集重心的偏离程度大于预设的偏离程度阈值的待检测群组确定为异常群组,作为检测到的异常用户集。
根据本申请的一个方面,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意一项所述的异常用户检测方法。
根据本申请的一个方面,提供一种电子设备,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的异常用户检测方法。
本申请一种异常用户检测方法及装置,通过对采集到的待异常检测数据集进行降维处理;然后对降维后的数据集进行聚类处理形成多个待检测群组;再对待检测群组进行异常检测,得到异常群组;一方面,通过对采集到的待异常检测数据集进行降维处理,避免维度灾难,且确保后续聚类处理后得到的群组尽可能紧密;另一方面,通过对待检测群组进行异常检测,得到异常群组,这些异常群组是紧密聚集在一起、行为属性高度相似的群组,而非独立的个体,解决现有技术中对单独个体进行异常检测导致的假正率过高,不能有效检测异常用户的问题,提高金融交易中异常用户检测的准确性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示意性示出一种异常用户检测方法的流程图。
图2示意性示出一种异常用户检测方法的应用场景示例图。
图3示意性示出一种对待异常检测数据集进行降维的方法流程图。
图4示意性示出一种对降维后的数据集进行图层次聚类的方法流程图。
图5示意性示出一种检测异常用户的示意图。
图6示意性示出一种异常用户检测装置的方框图。
图7示意性示出一种用于实现上述异常用户检测方法的电子设备示例框图。
图8示意性示出一种用于实现上述异常用户检测方法的计算机可读存储介质。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本申请将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本申请的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本申请的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本申请的各方面变得模糊。
此外,附图仅为本申请的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本示例实施方式中首先提供了一种异常用户检测方法,该异常用户检测方法可以运行于服务器,也可以运行于服务器集群或云服务器等,当然,本领域技术人员也可以根据需求在其他平台运行本申请的方法,本示例性实施例对此不做限定。参考图1所示,该异常用户检测方法可以包括以下步骤:
S110,采集待异常检测数据集,所述待异常检测数据集为第一用户集的金融交易相关数据。
S120,对所述待异常检测数据集进行降维处理,得到降维后的数据集。
S130,对所述降维后的数据集通过聚类处理形成多个待检测群组,所述待检测群组对应于第二用户集,所述第二用户集包括所述第一用户集中的多个用户。
S140,分别计算所述待检测群组与所述待异常检测数据集重心的偏离程度。
S150,将与所述待异常检测数据集重心的偏离程度大于预设的偏离程度阈值的待检测群组确定为异常群组,作为检测到的异常用户集。
上述异常用户检测方法中,一方面,通过对采集到的待异常检测数据集进行降维处理,避免维度灾难,且确保后续聚类处理后得到的群组尽可能紧密;另一方面,通过对待检测群组进行异常检测,得到异常群组,这些异常群组是紧密聚集在一起、行为属性高度相似的群组,而非独立的个体,解决现有技术中对单独个体进行异常检测导致的假正率过高,不能有效检测异常用户的问题,提高金融交易中异常用户检测的准确性。
下面,将结合附图对本示例实施方式中上述异常用户检测方法中的各步骤进行详细的解释以及说明。
在步骤S110中,采集待异常检测数据集,所述待异常检测数据集为第一用户集的金融交易相关数据。
在本示例实施方式中,参考图2所示,服务器201接收各用户终端202上传的海量金融交易相关数据,这些数据可以包括用户的ID、用户的姓名、用户的手机号码、用户的消费记录、用户的行为记录等,通过对这些数据的检测,可以发现用户的异常行为,进而检测出欺诈行为,上述这些数据形成的集合可视为待异常检测数据集,这些数据对应的用户的集合为第一用户集。其中,服务器201可以是企业服务器,用户终端202可以是固定终端设备(例如是计算机),也可以是移动终端设备(例如可以是手机、平板电脑等),本实施例对此不做特殊限制。
在步骤S120中,对所述待异常检测数据集进行降维处理,得到降维后的数据集。
在本示例实施方式中,降维处理可以包括特征选择和特征降维。特别地,可以基于特征取值的分布进行特征选择。特征选择是指从已有的M个特征中选择N个特征使得系统的特定指标最优化,是从原始特征中选择出一些最有效特征以降低数据集维度的过程。,特征选择不仅减少过拟合、减少特征数量、提高模型泛化能力,而且还可以使模型获得更好的解释性,增强对特征和特征值之间的理解,加快模型的训练速度,一般还能获得更好的性能。其中,特征选择的方法可以包括过滤法、包裹法和嵌入法。
一种实施例中,对所述待异常检测数据集进行降维处理,得到降维后的数据集,包括:
提取待异常检测数据集中的所有特征,并计算所有所述特征的特征值;
根据所述特征值的分布选择与风险分析相关联的特征,从而降低原始数据集的维度。
计算所有特征的特征值可以是根据异常用户识别标准,根据特征的数据值计算每个特征的特征值,例如,特征值可以是0或1,其中,0标识异常,1表示无异常。根据特征值的分布选择与风险分析相关联的特征,可以是计算样本中每一个特征值所对应的方差,如果某个方差低于预定阈值,则进行过滤(剔除)该低于预定阈值的方差对应的特征。
一种实施例中,参考图3所示,对所述待异常检测数据集进行降维处理,得到降维后的数据集可以包括步骤S121以及步骤S122。其中:
在步骤S121中,计算所述待异常检测数据集中每个特征数据的困惑度。
在步骤S122中,根据所述困惑度筛选符合预定规则的所述特征数据,得到降维后的数据集。
一种实施例中,所述根据所述困惑度筛选符合预定规则的所述特征数据,得到降维后的数据集,包括:
获取所述困惑度高于第一预定阈值的特征的数据,作为单维度特征数据集;
获取所述困惑度低于所述第一预定阈值且高于第二预定阈值的特征的数据,并进行组合得到多维度特征数据集,所述第一预定阈值大于所述第二预定阈值;
将所述单维度特征数据集及所述多维度特征数据集作为降维后的数据集。
一种实施例中,所述困惑度为所述特征数据的基尼系数或者信息熵。
下面对步骤S121以及步骤S122及上述实施例进行解释以及说明。
(1)计算待异常检测数据集中每个特征的困惑度Pi。
具体地,所述困惑度可以为所述特征数据的基尼系数或者信息熵。计算每个特征数据的基尼系数或者信息熵,然后对得到的基尼系数或者信息熵进行归一化,并作为特征数据的困惑度Pi。
其中,基尼系数定义为基尼系数归一化公式为Pi=Gini(p)/Ginimax,Ginimax=1-1/N。信息熵的定义为/>信息熵归一化公式为Pi=H(X)/Hmax,Hmax=log2(N)。K为特征取值个数,即每个特征可以有K个取值,例如,性别特征,包括男女两个取值。pk为待异常检测数据集中属于第k类的概率。N为待异常检测数据集中特征的个数。
(2)按困惑度Pi的大小降序排列所述特征,获取困惑度Pi高于第一预定阈值Pt1的特征的数据,作为单维度特征数据集。
(3)从剩余的特征中,获取困惑度Pi低于所述第一预定阈值Pt1且高于第二预定阈值Pt2的特征的数据,并进行特征组合得到多维度特征数据集,其中,Pt1>Pt2。
具体地,对上述困惑度Pi介于Pt1和Pt2之间的特征进行组合至指定的最高阶数,该最高阶数小于待异常检测数据集的维数。在组合的过程中可以采用预剪枝策略进行复杂度优化,例如可以根据特征相关性、以及新组合的特征的困惑度是否超过Pt1进行预剪枝。
(4)将上述单维度特征数据集及多维度特征数据集作为降维后的数据集。
此时,上述单维度特征数据集以及多维度特征数据集的维度低于原始数据集的维度。通过对采集到的待异常检测数据集进行降维处理,避免维度灾难,且确保后续聚类处理后得到的群组尽可能紧密。
在步骤S130中,对所述降维后的数据集通过聚类处理形成多个待检测群组,所述待检测群组对应于第二用户集,所述第二用户集包括所述第一用户集中的多个用户。
在本示例实施方式中,对降维后的数据集通过聚类处理,可以是利用包括基于距离、基于密度、基于图或层次聚类算法等聚类算法进行聚类。通过聚类生成的多个待检测群组是一组数据对象(用户数据)的集合,这些对象与同一个待检测群组中的对象彼此相似,与其他待检测群组中的对象相异。通过聚类处理后,使得大量数据快速分类,可以直观地了解各数据之间的关系,即将少数重要而不同的低维特征空间上形成紧密的群组,而紧密的群组代表其内部成员相互关联或具有许多共性,从而提高后续异常检测的可信度。本申请方案可以应用在智慧安防如安全监控等场景中,从而推动智慧城市的建设。
一种实施例中,可以对所述降维后的数据集通过图层次聚类处理形成多个待检测群组,参阅图4所示,上述步骤可以包括步骤S131、步骤S132、步骤S133以及步骤S134。
在步骤S131中,以所述降维后的数据集中的用户作为节点,用户之间的相似度为边权重,构建完全连通图。
在步骤S132中,删除所述完全连通图中权重小于第一层级的边权重阈值的边,得到第一层级的待搜索连通图。
在步骤S133中,从所述第一层级的待搜索连通图开始,从各层级的待搜索连通图中依次搜索第一层级之后各层级的多个连通子图,直到目标层级的连通子图中节点的个数小于预定个数,其中,各层级的待搜索连通图通过从各层级的连通子图中删除权重小于各层级的边权重阈值的边,且后一层级的边权重阈值高于前一层级的边权重阈值。
在步骤S134中,将所述目标层级中各连通子图对应的用户集合,作为所述待检测群组。
下面对步骤S131、步骤S132、步骤S133以及步骤S134进行解释以及说明。
(1)降维后的数据集包含多个单维度特征数据集和多个多维度特征数据集,在每个特征数据集中进行图层次聚类。以特征数据集中的用户作为节点,用户之间的相似度为边权重,构建完全连通图G。
具体地,用户之间的相似度可以采用杰卡德相似系数
(2)删除完全连通图中权重小于第一层级的边权重阈值的边,得到第一层级的待搜索连通图,可以是删除完全连通图G中权重小于边权重阈值wt(第一层级的边权重阈值)的边,得到新的连通图G’(第一层级的待搜索连通图)。
然后,从所述第一层级的待搜索连通图开始,从各层级的待搜索连通图中依次搜索第一层级之后各层级的多个连通子图,直到目标层级的连通子图中节点的个数小于预定个数,其中,各层级的待搜索连通图通过从各层级的连通子图中删除权重小于各层级的边权重阈值的边,且后一层级的边权重阈值高于前一层级的边权重阈值。
(3)找出图G’(第一层级的待搜索连通图)中的所有连通子图G1,G2,G3,……,Gj(第二层级的多个连通子图)。
(4)各层级的待搜索连通图通过从各层级的连通子图中删除权重小于各层级的边权重阈值的边可以是遍历每一个连通子图Gj(第二层级的多个连通子图),设置边权重阈值wt=wt+1(后一层级的边权重阈值高于前一层级的边权重阈值)并递归执行步骤(2),直至当前连通子图所包含的节点个数小于预先指定阈值M(预定个数)。
最后,将所述目标层级中各连通子图对应的用户集合,作为所述待检测群组。
(5)将最终得到的连通子图(目标层级中各连通子图)对应的用户集合,作为待检测群组。所有待检测群组形成的集合对应于第二用户集,第二用户集包括第一用户集中的多个用户。
进一步,一种实施例中,可以计算所述目标层级中各连通子图的紧密度,并删除所述紧密度低于预设的紧密度阈值的连通子图,得到剩余的连通子图;将剩余的各所述连通子图对应的用户集合,作为所述待检测群组,将所述待检测群组上传至区块链中。基于待检测群组得到对应的摘要信息,具体来说,摘要信息由待检测群组进行散列处理得到,比如利用sha256s算法处理得到。将摘要信息上传至区块链可保证其安全性和对用户的公正透明性。用户设备可以从区块链中下载得该摘要信息,以便查证待检测群组是否被篡改。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
其中,紧密度是根据特征类型选择不同的距离度量函数。紧密度A(Affinity),可以根据特征类型选择不同的距离度量函数:对于数值型特征,选择欧式距离或曼哈顿距离;对于类别型特征,选择汉明距离,对于分布型特征,选择KL距离;对于集合型特征,选择杰卡德距离;对于特殊类型特征,如地址,IP等,转化为地理位置距离。最后删除紧密度低于预设的紧密度阈值的连通子图,将剩余的各连通子图对应的用户集合,作为待检测群组。
在步骤S140中,分别计算所述待检测群组与所述待异常检测数据集重心的偏离程度。
具体地,待异常检测数据集集合的重心可以是到集合中各点(用户样本)距离之和最小的点(用户样本)。偏离程度可以利用相似度度量方法进行计算,可选包括距离、密度、角度、隔离难度或分布差异等度量方式。距离可以采用杰卡德距离,也可以是欧式距离或者汉明距离,根据特征类型不同进行选择,分别计算待检测群组与总体重心的距离,根据特征类型选择不同的距离度量函数:可以对于数值型特征,选择欧式距离或曼哈顿距离;对于类别型特征,选择汉明距离;对于分布型特征,选择KL距离;对于集合型特征,选择杰卡德距离;对于特殊类型特征,如地址、IP等,转化为地理位置距离。首先,确定各待检测群组的重心以及待异常检测数据集整体的重心,然后分别计算各待检测群组与待异常检测数据集重心的偏离程度,偏离程度的大小与重心之间的距离呈正比关系。
在步骤S150中,将与所述待异常检测数据集重心的偏离程度大于预设的偏离程度阈值的待检测群组确定为异常群组,作为检测到的异常用户集。
具体地,根据计算得到的各待检测群组与待异常检测数据集重心的偏离程度,将重心的偏离程度大于预设的偏离程度阈值的待检测群组确定为异常群组,作为检测到的异常用户集。
下面对步骤S140和步骤S150进行解释以及说明。
参考图5所示,圆点311代表正常用户,星点312代表欺诈用户。待检测群组320的重心321与整体重心313的偏离程度较小,而待检测群组330的重心331与整体重心313的偏离程度较大,确定为异常群组,该群组中用户全部为欺诈用户且成员之间高度相似,为一个欺诈团伙。若采用现有技术中的异常点检测算法,通常会将外围孤立的点全部检测为异常,此时检测出来的异常用户中有一半以上为正常用户,假正率非常高。
通过对待检测群组进行异常检测,得到异常群组,这些异常群组是紧密聚集在一起、行为属性高度相似的群组,而非独立的个体,解决现有技术中对单独个体进行异常检测导致的假正率过高,不能有效检测异常用户的问题,提高金融交易中异常用户检测的准确性。
本申请还提供了一种异常用户检测装置。参考图6所示,该异常用户检测装置可以包括采集模块410、降维模块420、聚类模块430、偏离程度计算模块440以及异常群组检测模块450。
采集模块410可以用于采集待异常检测数据集,所述待异常检测数据集为第一用户集的金融交易相关数据。
降维模块420可以用于对所述待异常检测数据集进行降维处理,得到降维后的数据集。
聚类模块430可以用于对所述降维后的数据集通过聚类处理形成多个待检测群组,所述待检测群组对应于第二用户集,所述第二用户集包括所述第一用户集中的多个用户。
偏离程度计算模块440可以用于分别计算所述待检测群组与所述待异常检测数据集重心的偏离程度。
异常群组检测模块450可以用于将与所述待异常检测数据集重心的偏离程度大于预设的偏离程度阈值的待检测群组确定为异常群组,作为检测到的异常用户集。
上述异常用户检测装置中各模块的具体细节已经在对应的异常用户检测方法中进行了详细的描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本申请中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本申请实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本申请实施方式的方法。
在本申请的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本申请的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图7来描述根据本发明的这种实施方式的电子设备500。图7显示的电子设备500仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于:上述至少一个处理单元510、上述至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元510执行,使得所述处理单元510执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元510可以执行如图1中所示的步骤S110:采集待异常检测数据集,所述待异常检测数据集为第一用户集的金融交易相关数据;S120:对所述待异常检测数据集进行降维处理,得到降维后的数据集;S130:对所述降维后的数据集通过聚类处理形成多个待检测群组,所述待检测群组对应于第二用户集,所述第二用户集包括所述第一用户集中的多个用户;S140:分别计算所述待检测群组与所述待异常检测数据集重心的偏离程度;S150:将与所述待异常检测数据集重心的偏离程度大于预设的偏离程度阈值的待检测群组确定为异常群组,作为检测到的异常用户集。
存储单元520可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)5201和/或高速缓存存储单元5202,还可以进一步包括只读存储单元(ROM)5203。
存储单元520还可以包括具有一组(至少一个)程序模块5205的程序/实用工具5204,这样的程序模块5205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线530可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备500也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备500交互的设备通信,和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口550进行,还可以包括与输入/输出(I/O)接口550连接的显示单元540。并且,电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器560通过总线530与电子设备500的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备500使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本申请实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本申请实施方式的方法。
在本申请的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图8所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品600,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其他实施例。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由权利要求指出。
Claims (10)
1.一种异常用户检测方法,其特征在于,包括:
采集待异常检测数据集,所述待异常检测数据集为第一用户集的金融交易相关数据;所述金融交易相关数据包括用户的ID、用户的姓名、用户的手机号码、用户的消费记录、用户的行为记录;
对所述待异常检测数据集进行降维处理,得到降维后的数据集;包括提取待异常检测数据集中的所有特征,并根据异常用户识别标准和特征的数据值计算每个特征的特征值;根据所述特征值的分布选择与风险分析相关联的特征,从而降低原始数据集的维度;
对所述降维后的数据集通过聚类处理形成多个待检测群组,所述待检测群组对应于第二用户集,所述第二用户集包括所述第一用户集中的多个用户;
分别计算所述待检测群组的重心与所述待异常检测数据集的重心的偏离程度;所述重心是到集合中各点距离之和最小的用户样本点;
将与所述待异常检测数据集重心的偏离程度大于预设的偏离程度阈值的待检测群组确定为异常群组,作为检测到的异常用户集。
2.根据权利要求1所述的异常用户检测方法,其特征在于,所述对所述待异常检测数据集进行降维处理,得到降维后的数据集包括:
计算所述待异常检测数据集中每个特征数据的困惑度;
根据所述困惑度筛选符合预定规则的所述特征数据,得到降维后的数据集。
3.根据权利要求2所述的异常用户检测方法,其特征在于,所述根据所述困惑度筛选符合预定规则的所述特征数据,得到降维后的数据集,包括:
获取所述困惑度高于第一预定阈值的特征的数据,作为单维度特征数据集;
获取所述困惑度低于所述第一预定阈值且高于第二预定阈值的特征的数据,并进行组合得到多维度特征数据集,所述第一预定阈值大于所述第二预定阈值;
将所述单维度特征数据集及所述多维度特征数据集作为降维后的数据集。
4.根据权利要求2所述的异常用户检测方法,其特征在于,所述困惑度为所述特征数据的基尼系数或者信息熵。
5.根据权利要求1所述的异常用户检测方法,其特征在于,所述对所述降维后的数据集通过聚类处理形成多个待检测群组,包括:
对所述降维后的数据集通过图层次聚类处理形成多个待检测群组。
6.根据权利要求5所述的异常用户检测方法,其特征在于,所述对所述降维后的数据集通过图层次聚类处理形成多个待检测群组包括:
以所述降维后的数据集中的用户作为节点,用户之间的相似度为边权重,构建完全连通图;
删除所述完全连通图中权重小于第一层级的边权重阈值的边,得到第一层级的待搜索连通图;
从所述第一层级的待搜索连通图开始,从各层级的待搜索连通图中依次搜索第一层级之后各层级的多个连通子图,直到目标层级的连通子图中节点的个数小于预定个数,其中,各层级的待搜索连通图通过从各层级的连通子图中删除权重小于各层级的边权重阈值的边,且后一层级的边权重阈值高于前一层级的边权重阈值;
将所述目标层级中各连通子图对应的用户集合,作为所述待检测群组。
7.根据权利要求6所述的异常用户检测方法,其特征在于,所述方法还包括:
计算所述目标层级中各连通子图的紧密度,并删除所述紧密度低于预设的紧密度阈值的连通子图,得到剩余的连通子图;
将剩余的各所述连通子图对应的用户集合,作为所述待检测群组,将所述待检测群组上传至区块链中。
8.一种异常用户检测装置,其特征在于,包括:
采集模块,用于采集待异常检测数据集,所述待异常检测数据集为第一用户集的金融交易相关数据;所述金融交易相关数据包括用户的ID、用户的姓名、用户的手机号码、用户的消费记录、用户的行为记录;
降维模块,用于对所述待异常检测数据集进行降维处理,得到降维后的数据集;包括提取待异常检测数据集中的所有特征,并根据异常用户识别标准和特征的数据值计算每个特征的特征值;根据所述特征值的分布选择与风险分析相关联的特征,从而降低原始数据集的维度;
聚类模块,用于对所述降维后的数据集通过聚类处理形成多个待检测群组,所述待检测群组对应于第二用户集,所述第二用户集包括所述第一用户集中的多个用户;
偏离程度计算模块,用于分别计算所述待检测群组的重心与所述待异常检测数据集的重心的偏离程度;所述重心是到集合中各点距离之和最小的用户样本点;
异常群组检测模块,用于将与所述待异常检测数据集重心的偏离程度大于预设的偏离程度阈值的待检测群组确定为异常群组,作为检测到的异常用户集。
9.一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1-7任一项所述的异常用户检测方法。
10. 一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1-7任一项所述的异常用户检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010331894.8A CN111612038B (zh) | 2020-04-24 | 2020-04-24 | 异常用户检测方法及装置、存储介质、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010331894.8A CN111612038B (zh) | 2020-04-24 | 2020-04-24 | 异常用户检测方法及装置、存储介质、电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111612038A CN111612038A (zh) | 2020-09-01 |
CN111612038B true CN111612038B (zh) | 2024-04-26 |
Family
ID=72204365
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010331894.8A Active CN111612038B (zh) | 2020-04-24 | 2020-04-24 | 异常用户检测方法及装置、存储介质、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111612038B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112367338A (zh) * | 2020-11-27 | 2021-02-12 | 腾讯科技(深圳)有限公司 | 恶意请求检测方法及装置 |
CN112734433A (zh) * | 2020-12-10 | 2021-04-30 | 深圳市欢太科技有限公司 | 异常用户的检测方法、装置、电子设备以及存储介质 |
CN112925800A (zh) * | 2021-02-26 | 2021-06-08 | 平安普惠企业管理有限公司 | 数据依赖判断方法、装置、计算机设备及存储介质 |
CN113537363B (zh) * | 2021-07-20 | 2023-12-15 | 北京奇艺世纪科技有限公司 | 一种异常对象检测方法及装置、电子设备及存储介质 |
CN113553239B (zh) * | 2021-07-27 | 2023-02-28 | 重庆紫光华山智安科技有限公司 | 异常数据检测方法及相关装置 |
CN114692783B (zh) * | 2022-04-22 | 2024-04-12 | 中国地质大学(北京) | 基于分层图偏差网络的智能服务异常检测方法 |
CN114662110B (zh) * | 2022-05-18 | 2022-09-02 | 杭州海康威视数字技术股份有限公司 | 一种网站检测方法、装置及电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004349852A (ja) * | 2003-05-20 | 2004-12-09 | Nippon Telegr & Teleph Corp <Ntt> | 外れ値検出方法 |
CN105871634A (zh) * | 2016-06-01 | 2016-08-17 | 北京蓝海讯通科技股份有限公司 | 检测集群异常的方法及应用、管理集群的系统 |
CN108629593A (zh) * | 2018-04-28 | 2018-10-09 | 招商银行股份有限公司 | 基于深度学习的欺诈交易识别方法、系统及存储介质 |
CN108681936A (zh) * | 2018-04-26 | 2018-10-19 | 浙江邦盛科技有限公司 | 一种基于模块度和平衡标签传播的欺诈团伙识别方法 |
CN108804516A (zh) * | 2018-04-26 | 2018-11-13 | 平安科技(深圳)有限公司 | 相似用户查找装置、方法及计算机可读存储介质 |
CN110600038A (zh) * | 2019-08-23 | 2019-12-20 | 北京工业大学 | 一种基于离散基尼系数的音频指纹降维方法 |
CN110781314A (zh) * | 2019-09-29 | 2020-02-11 | 北京淇瑀信息科技有限公司 | 用户关系图的分层显示方法、装置及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10200382B2 (en) * | 2015-11-05 | 2019-02-05 | Radware, Ltd. | System and method for detecting abnormal traffic behavior using infinite decaying clusters |
-
2020
- 2020-04-24 CN CN202010331894.8A patent/CN111612038B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004349852A (ja) * | 2003-05-20 | 2004-12-09 | Nippon Telegr & Teleph Corp <Ntt> | 外れ値検出方法 |
CN105871634A (zh) * | 2016-06-01 | 2016-08-17 | 北京蓝海讯通科技股份有限公司 | 检测集群异常的方法及应用、管理集群的系统 |
CN108681936A (zh) * | 2018-04-26 | 2018-10-19 | 浙江邦盛科技有限公司 | 一种基于模块度和平衡标签传播的欺诈团伙识别方法 |
CN108804516A (zh) * | 2018-04-26 | 2018-11-13 | 平安科技(深圳)有限公司 | 相似用户查找装置、方法及计算机可读存储介质 |
CN108629593A (zh) * | 2018-04-28 | 2018-10-09 | 招商银行股份有限公司 | 基于深度学习的欺诈交易识别方法、系统及存储介质 |
CN110600038A (zh) * | 2019-08-23 | 2019-12-20 | 北京工业大学 | 一种基于离散基尼系数的音频指纹降维方法 |
CN110781314A (zh) * | 2019-09-29 | 2020-02-11 | 北京淇瑀信息科技有限公司 | 用户关系图的分层显示方法、装置及电子设备 |
Non-Patent Citations (1)
Title |
---|
BotGraph:Large Scale Spamming Botnet Detection;Yao Zhao等;《NSDI ’09: 6th USENIX Symposium on Networked Systems Design and Implementation》;摘要、第3-4节 * |
Also Published As
Publication number | Publication date |
---|---|
CN111612038A (zh) | 2020-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111612038B (zh) | 异常用户检测方法及装置、存储介质、电子设备 | |
CN111612041B (zh) | 异常用户识别方法及装置、存储介质、电子设备 | |
CN111612039B (zh) | 异常用户识别的方法及装置、存储介质、电子设备 | |
CN110826648A (zh) | 一种利用时序聚类算法实现故障检测的方法 | |
CN111612037B (zh) | 异常用户检测方法、装置、介质及电子设备 | |
CN111784528A (zh) | 异常社群检测方法、装置、计算机设备及存储介质 | |
CN110162970A (zh) | 一种程序处理方法、装置以及相关设备 | |
WO2021135449A1 (zh) | 基于深度强化学习的数据分类方法、装置、设备及介质 | |
CN112435137B (zh) | 一种基于社团挖掘的欺诈信息检测方法及系统 | |
CN111785384A (zh) | 基于人工智能的异常数据识别方法及相关设备 | |
CN111931047B (zh) | 基于人工智能的黑产账号检测方法及相关装置 | |
CN109886334A (zh) | 一种隐私保护的共享近邻密度峰聚类方法 | |
CN112883990A (zh) | 数据分类方法及装置、计算机存储介质、电子设备 | |
CN115238815A (zh) | 异常交易数据获取方法、装置、设备、介质和程序产品 | |
CN113379469A (zh) | 一种异常流量检测方法、装置、设备及存储介质 | |
CN117272204A (zh) | 异常数据检测方法、装置、存储介质和电子设备 | |
CN112733897B (zh) | 确定多维样本数据的异常原因的方法和设备 | |
Diao et al. | Clustering by Detecting Density Peaks and Assigning Points by Similarity‐First Search Based on Weighted K‐Nearest Neighbors Graph | |
CN113746780B (zh) | 基于主机画像的异常主机检测方法、装置、介质和设备 | |
CN116739605A (zh) | 交易数据检测方法、装置、设备及存储介质 | |
CN116821820A (zh) | 一种虚假交易识别方法、装置、电子设备及存储介质 | |
CN117575595A (zh) | 支付风险识别方法、装置、计算机设备及存储介质 | |
CN114117418B (zh) | 基于社群检测异常账户的方法、系统、设备及存储介质 | |
CN115237970A (zh) | 数据预测方法、装置、设备、存储介质及程序产品 | |
CN116861226A (zh) | 一种数据处理的方法以及相关装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |