CN111858275B

CN111858275B - 一种异常媒体行为的识别方法、装置、设备及存储介质

Info

Publication number: CN111858275B
Application number: CN202010638146.4A
Authority: CN
Inventors: 李诗琦; 黄启军; 唐兴兴; 林冰垠
Original assignee: WeBank Co Ltd
Current assignee: WeBank Co Ltd
Priority date: 2020-07-03
Filing date: 2020-07-03
Publication date: 2022-12-20
Anticipated expiration: 2040-07-03
Also published as: CN111858275A

Abstract

本公开涉及一种异常媒体行为的识别方法、装置、设备及存储介质，所述方法包括：获取待识别媒体数据，以及相应的历史媒体数据，然后，将待识别媒体数据和历史媒体数据输入预设的神经网络模型，得到相应的特征向量距离，之后，将特征向量距离输入预设的传统机器学习模型，得到相应的识别结果。这样，通过将神经网络模型得到的特征向量距离，输入到传统机器学习模型，从而确定待识别媒体数据的识别结果，实现了实时识别异常媒体行为，同时，提高了识别准确率以及识别效率。

Description

一种异常媒体行为的识别方法、装置、设备及存储介质

技术领域

本发明涉及计算机技术领域，尤其涉及一种异常媒体行为的识别方法、装置、设备及存储介质。

背景技术

随着网络的发展，通过互联电脑、移动终端、传统电子设备等设备，为用户提供了丰富的媒体交互功能，例如社交、游戏等，但是，在媒体交互过程中，可能存在一些异常媒体行为，以游戏场景为例，可能存在用户使用外挂、代练等作弊行为，以社交场景为例，可能存在账户被盗等异常行为。

然而，现有技术中，通常采用人工举报的方式，实现对异常媒体行为的识别，因此，无法及时、准确识别出异常媒体行为。

有鉴于此，需要设计一种新的方法，以克服上述缺陷。

发明内容

本发明的主要目的在于提供一种异常媒体行为的识别方法、装置、设备及存储介质，旨在实现实时识别异常媒体行为，提高识别准确率。

为实现上述目的，本公开提供一种异常媒体行为的识别方法，所述异常媒体行为的识别方法包括：

获取待识别媒体数据，以及获取所述待识别媒体数据对应的历史媒体数据；

将所述待识别媒体数据和所述历史媒体数据输入预设的神经网络模型，得到相应的特征向量距离；

将所述特征向量距离输入预设的传统机器学习模型，得到相应的识别结果，所述识别结果用于表征所述待识别媒体数据对应的行为是否为异常媒体行为。

可选的，获取待识别媒体数据，以及获取所述待识别媒体数据对应的历史媒体数据，具体包括：

基于预设的检测周期，定期采集当前运行的操作序列，作为相应的待识别媒体数据，并从预设的数据存储位置，获取所述待识别媒体数据对应的历史媒体数据。

可选的，将所述待识别媒体数据和所述历史媒体数据输入预设的神经网络模型，得到相应的特征向量距离，具体包括：

将所述待识别媒体数据和所述历史媒体数据输入预设的神经网络模型，通过所述神经网络模型中的第一神经网络，对所述待识别媒体数据和所述历史媒体数据进行特征提取，得到所述待识别媒体数据对应的第一特征向量和所述历史媒体数据对应的第二特征向量，其中，所述第一特征向量和所述第二特征向量分别用于表征所述第一神经网络提取出的所述待识别媒体数据和所述历史媒体数据的操作行为特征；

将所述第一特征向量和所述第二特征向量输入所述神经网络模型中的全连接层，得到预设的固定向量长度的第一特征向量和第二特征向量，分别作为第三特征向量和第四特征向量；

采用预设的向量距离算法，得到所述第三特征向量和所述第四特征向量之间的特征向量距离。

将所述待识别媒体数据和所述历史媒体数据输入预设的神经网络模型，得到所述待识别媒体数据对应的第一特征向量和所述历史媒体数据对应的第二特征向量，以及得到相应的特征向量距离；

将所述特征向量距离输入预设的传统机器学习模型，得到相应的识别结果，具体包括：

将所述第一特征向量和第二特征向量，以及所述特征向量距离输入预设的传统机器学习模型，得到相应的评估值集和参考结果，并基于所述评估值集和参考结果，得到相应的识别结果。

可选的，基于所述评估值集和参考识别结果，得到相应的识别结果，具体包括：

基于所述评估值集中包含的第一评估值和第二评估值，确定所述第一评估值和所述第二评估值之间的差值，其中，所述第一评估值、第二评估值分别用于表征所述待识别媒体数据和所述历史媒体数据的操作水平；

若基于所述参考结果，确定所述待识别媒体数据和所述历史媒体数据属于同一用户产生的操作序列，且所述差值满足预设的差值范围，则确定所述待识别媒体数据对应的行为不是异常媒体行为，否则，确定所述待识别媒体数据对应的行为是异常媒体行为。

可选的，将所述待识别媒体数据和所述历史媒体数据输入预设的神经网络模型之后，得到所述待识别媒体数据对应的第一特征向量和所述历史媒体数据对应的第二特征向量之前，进一步包括：

将所述待识别媒体数据和所述历史媒体数据输入所述神经网络模型中的第二神经网络，得到符合预设的频率范围的待识别媒体数据和历史媒体数据；

将符合预设的频率范围的待识别媒体数据和历史媒体数据输入所述神经网络模型中的嵌入层，得到相应的第一向量和第二向量，其中，所述第一向量和第二向量分别为所述待识别媒体数据和所述历史媒体数据的向量化表示。

可选的，获取待识别媒体数据之前，进一步包括：

获取进行模型训练的各个样本数据，并将所述各个样本数据进行分组，得到各组样本数据，其中，一组样本数据中包含两个样本数据；

对各组样本数据进行标注，得到由标注后的各组样本数据组成的训练样本集；

将所述训练样本集输入所述神经网络模型和所述传统机器学习模型，以训练所述神经网络模型和所述传统机器学习模型。

此外，为实现上述目的，本公开还提供一种异常媒体行为的识别装置，所述异常媒体行为的识别装置包括：

获取单元，用于获取待识别媒体数据，以及获取所述待识别媒体数据对应的历史媒体数据；

特征提取单元，用于将所述待识别媒体数据和所述历史媒体数据输入预设的神经网络模型，得到相应的特征向量距离；

识别单元，用于将所述特征向量距离输入预设的传统机器学习模型，得到相应的识别结果，所述识别结果用于表征所述待识别媒体数据对应的行为是否为异常媒体行为。

此外，为实现上述目的，本公开还提供一种异常媒体行为的识别设备，所述异常媒体行为的识别设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的异常媒体行为的识别程序，所述异常媒体行为的识别程序被所述处理器执行时实现上述任一项所述的异常媒体行为的识别方法的步骤。

此外，为实现上述目的，本公开还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有异常媒体行为的识别程序，所述异常媒体行为的识别程序被处理器执行时实现上述任一项所述的异常媒体行为的识别方法的步骤。

综上所述，本公开实施例中，获取待识别媒体数据，以及相应的历史媒体数据，然后，将待识别媒体数据和历史媒体数据输入预设的神经网络模型，得到相应的特征向量距离，之后，将特征向量距离输入预设的传统机器学习模型，得到相应的识别结果。这样，通过将神经网络模型得到的特征向量距离，输入到传统机器学习模型，从而确定待识别媒体数据的识别结果，实现了实时识别异常媒体行为，同时，提高了识别准确率以及识别效率，此外，基于数据的识别能够不受非法程序的逆向攻击的影响，因此，保障了系统运行安全。

附图说明

图1是本公开实施例提供的一种模型训练的流程示意图；

图2是本公开实施例提供的一种识别异常媒体行为的流程示意图；

图3为本公开实施例提供的一种异常媒体行为的识别装置的逻辑架构示意图；

图4为本公开实施例提供的一种异常媒体行为的识别设备的实体架构示意图。

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

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

为了能够实时识别出异常媒体行为，且提高识别准确率，本公开实施例中，获取待识别媒体数据，以及相应的历史媒体数据，然后，将待识别媒体数据和历史媒体数据输入预设的神经网络模型，得到相应的特征向量距离，之后，将特征向量距离输入预设的传统机器学习模型，得到相应的识别结果。

需要说明的是，在实际应用中，针对不同场景，异常媒体行为可以但不限于是指异常游戏行为，为了便于描述，下文中，仅以游戏场景为例进行说明。

在游戏场景中，异常游戏行为包括但不限于是指外挂行为、代练行为等作弊行为。

下面结合附图对本公开优先的实施方式做出进一步详细说明。

参阅图1所示，本公开实施例中，对神经网络模型和传统机器学习模型的训练流程如下：

步骤S101：获取进行模型训练的各个样本数据，并将各个样本数据进行分组，得到各组样本数据。

具体的，本公开实施中，采用预设的时间窗口，按照预设的窗口步长，采集不同用户的各个操作序列，作为各个原始样本数据。

例如，假设，预设的窗口步长为10分钟，采用预设的时间窗口，按照预设的窗口步长10分钟，采集用户A的操作序列A1、操作序列A2，用户B的操作序列B1、操作序列B2、操作序列B3，将操作序列A1、操作序列A2、操作序列B1、操作序列B2、操作序列B3分别作为原始样本数据1、原始样本数据2、原始样本数据3、原始样本数据4、原始样本数据5。

得到各个原始样本数据之后，可以采用但不限于以下数据筛选条件，确定进行模型训练的各个样本数据：

条件1：采用预设的聚类算法，对各个原始样本数据进行聚类，并将属于非孤立点的原始样本数据，作为进行模型训练的各个样本数据。

需要说明的是，本公开实施例中，孤立点是指采用预设的聚类算法对各个原始样本数据进行聚类后产生的簇集合之外的点。

例如，采用k均值聚类算法(k-means clustering algorithm，k-means算法)，对原始样本数据1、原始样本数据2、原始样本数据3、原始样本数据4、原始样本数据5进行聚类，确定原始样本数据1、原始样本数据2、原始样本数据3、原始样本数据5为非孤立点时，将原始样本数据1、原始样本数据2、原始样本数据3、原始样本数据5作为进行模型训练的样本数据1、样本数据2、样本数据3、样本数据4。

条件2：基于预设的模式属性，将模式属性的属性值为预设的属性数值的原始样本数据，作为进行模型训练的各个样本数据。

本公开实施例中，预设的模式属性用于表征原始样本数据对应的当前运行模式，在游戏场景下，当前运行模式包括但不限于正常对局中、对局挂机中、非对局等。

例如，假设，属性值为1的模式属性表征正常对局中，属性值为2的模式属性表征非对局中，预设的属性数值为1，原始样本数据1、原始样本数据2、原始样本数据3、原始样本数据4、原始样本数据5的模式属性的属性值分别为1、1、1、1、2，基于预设的模式属性，将模式属性的属性值为1的原始样本数据1、原始样本数据2、原始样本数据3、原始样本数据4，作为进行模型训练的样本数据1、样本数据2、样本数据3、样本数据4。

需要说明的是，本公开实施例中，可以采用条件1或条件2中的任一项作为数据筛选条件，也可以将条件1和条件2的组合作为数据筛选条件。

例如，采用k均值聚类算法(k-means clustering algorithm，k-means算法)，对原始样本数据1、原始样本数据2、原始样本数据3、原始样本数据4、原始样本数据5进行聚类，确定原始样本数据1、原始样本数据2、原始样本数据3、原始样本数据5为非孤立点，同时，基于预设的模式属性，确定原始样本数据1、原始样本数据2、原始样本数据3、原始样本数据4的模式属性的属性值为1，此时，将模式属性的属性值为1且属于非孤立点的原始样本数据1、原始样本数据2、原始样本数据3作为样本数据1、样本数据2、样本数据3。

进一步的，将各个样本数据进行分组，得到各组样本数据，并对各组样本数据进行标注，得到由标注后的各组样本数据组成的训练样本集。

本公开实施例中，两个样本数据作为一组样本数据。

例如，对样本数据1、样本数据2、样本数据3、样本数据4进行分组，将样本数据1和样本数据2作为第1组样本数据，将样本数据3和样本数据4作为第2组样本数据，并对第1组样本数据、第2组样本数据进行标注，得到由标注后的第1组样本数据、第2组样本数据组成的训练样本集。

接下来，仅以训练样本集中的第1组样本数据为例，对本公开实施例进行说明。

步骤S102：读取一组样本数据。

例如，读取第1组样本数据，第1组样本数据包含样本数据1和样本数据2。

步骤S103：将一组样本数据输入神经网络模型，得到第一样本特征向量、第二样本特征向量、样本特征向量距离。

具体的，执行步骤S103时，可采用但不限于以下步骤：

A1、将一组样本数据输入神经网络模型中的第二神经网络，得到符合预设的频率范围的一组样本数据。

需要说明的是，本公开实施例中，第二神经网络用于对样本数据进行低通滤波，第二神经网络可以采用但不限于卷积神经网络(Convolutional Neural Networks，CNN)。

例如，预设的频率范围为0-100Hz(赫兹)，将第1组样本数据输入神经网络模型中的CNN，通过CNN对第1组样本数据进行低通滤波，得到符合0-100Hz的第1组样本数据。

A2、将符合预设的频率范围的一组样本数据输入神经网络模型中的嵌入层，得到相应的第一样本向量和第二样本向量。

需要说明的是，本公开实施例中，第一样本向量和第二样本向量分别为一组样本数据中包含的两个样本数据的向量化表示。

例如，将符合0-100Hz的第1组样本数据，输入神经网络模型中的嵌入层，得到样本数据1和样本数据2分别对应的第一样本向量和第二样本向量，由于向量维度过高，下文中仅以表征鼠标触发频率的特征1、表征按键组合方式的特征2、以及表征W按键触发次数的特征3为例进行说明。

A3、将第一样本向量和第二样本向量输入神经网络模型中的第一神经网络，对第一样本向量和第二样本向量进行特征提取，得到第一样本向量和第二样本向量各自对应的第一样本特征向量和第二样本特征向量。

需要说明的是，本公开实施例中，第一神经网络可以采用但不限于长短期记忆网络(Long Short-Term Memory，LSTM)、循环神经网络(Recursive Neural Network，RNN)、双向长短时记忆网络(Bi-directional LSTM，BLSTM)、双向循环神经网络(Bi-directionalRNN，BRNN)中的任一项。

本公开实施例中，第一样本特征向量和第二样本特征向量分别用于表征第一神经网络提取出的一组样本数据中包含的两个样本数据的操作行为特征。

例如，将第一样本向量和第二样本向量输入神经网络模型中的RNN，对第一样本向量和第二样本向量进行特征提取，得到第一样本向量和第二样本向量各自对应的第一样本特征向量和第二样本特征向量，其中，第一样本特征向量用于表征RNN提取出的样本数据1的特征1和特征2，样本数据1的特征1表征样本数据1的鼠标触发频率为每秒两次，样本数据1的特征2表征样本数据1的按键组合方式依次为W按键、D按键、Z按键，第二样本特征向量用于表征RNN提取出的样本数据2的特征1和特征2，样本数据2的特征1表征样本数据2的鼠标触发频率为每秒一次，样本数据2的特征2表征样本数据2的按键组合方式依次为W按键、D按键、A按键。

A4、将第一样本特征向量和第二样本特征向量输入神经网络模型中的全连接层，得到预设的固定向量长度的第一样本特征向量和第二样本特征向量，作为第三样本特征向量和第四样本特征向量。

本公开实施例中，全连接层可以为单层，也可以为多层，本公开对此并不限定，在此不再赘述。

例如，假设，预设的固定向量长度为16维，将第一样本特征向量和第二样本特征向量输入神经网络模型中的单层的全连接层，得到16维的第一样本特征向量和第二样本特征向量，作为第三样本特征向量和第四样本特征向量。

A5、采用预设的向量距离算法，得到第三样本特征向量和第四样本特征向量之间的样本特征向量距离。

本公开实施例中，预设的向量距离算法可以采用但不限于欧式距离算法、曼哈顿距离算法、切比雪夫距离算法等。

例如，采用欧式距离算法，得到第三样本特征向量和第四样本特征向量之间的样本特征向量距离D。

需要说明的是，本公开实施例中，也可以不执行步骤A1，而是直接将一组样本数据输入神经网络模型的嵌入层，得到相应的第一样本向量和第二样本向量。

步骤S104：将第一样本特征向量、第二样本特征向量、样本特征向量距离输入传统机器学习模型，得到第一样本评估值、第二样本评估值、预测结果。

需要说明的，本公开实施例中，传统机器学习模型可以采用但不限于支持向量机、决策树、随机森林等模型。

本公开实施例中，样本评估值用于表征样本数据对应的操作水平，样本评估值可采用数值表示，也可以采用级别表示，本公开对此不做限定。

例如，将第一样本特征向量、第二样本特征向量、样本特征向量距离D输入支持向量机模型，得到第一样本评估值、第二样本评估值、预测结果1，预测结果1表征样本数据1和样本数据2不属于同一用户产生的操作序列，第一样本评估值和第二样本评估值的取值分别为80分和85分。

步骤S105：判断预测结果与标注结果之间存在误差，和/或，第一样本评估值与第二样本评估值之间的样本差值不满足预设的样本差值范围时，则执行步骤S106，否则，执行步骤S107。

例如，假设，预设的样本差值范围为0-3分，第1组样本数据的标注结果1表征样本数据1和样本数据2属于同一用户产生的操作序列，那么，确定预测结果1与相应的标注结果1之间存在误差，同时，第一样本评估值和第二样本评估值的取值分别为80分和85分，第一样本评估值和第二样本评估值之间的样本差值不满足0-3分，此时，执行步骤S105。

又例如，假设，预设的样本差值范围为0-5分，第1组样本数据的标注结果1表征样本数据1和样本数据2属于同一用户产生的操作序列，确定预测结果1与相应的标注结果1之间存在误差，同时，第一样本评估值和第二样本评估值的取值分别为80分和85分，第一样本评估值和第二样本评估值之间的样本差值满足0-5分，此时，执行步骤S105。

步骤S106：根据误差，和/或，样本差值对神经网络模型和传统机器学习模型中包含的各个参数进行调整。

例如，判断预测结果1与标注结果1之间存在误差，且第一样本评估值与第二样本评估值之间的样本差值不满足预设的样本差值范围时，根据误差和样本差值对神经网络模型中包含的各个神经元的权重进行调整，以及，根据误差和样本差值对支持向量机模型中包含的核函数参数gamma进行调整。

又例如，判断预测结果1与标注结果1之间存在误差，且第一样本评估值与第二样本评估值之间的样本差值满足预设的样本差值范围时，根据误差对神经网络模型中包含的各个神经元的权重进行调整，以及，根据误差对支持向量机模型中包含的核函数参数gamma进行调整。

步骤S107：判断是否满足预设的收敛条件，若是，则执行步骤S108，否则，执行步骤S102。

具体的，可以采用但不限于以下方式判断是否满足预设的收敛条件：

方式一：确定连续N次迭代过程中，每一次迭代过程中样本数据的损失与前一次迭代过程中样本数据的损失之间的差值，满足预设的损失差值范围时，确定满足预设的收敛条件。

需要说明的是，本公开实施例中，N的取值可根据实际应用场景进行设定。

例如，假设，M的取值为3，预设的损失差值范围为2％-4％，第7次迭代过程中样本数据的损失1为24％，第6次迭代过程中样本数据的损失2为20％，第5次迭代过程中样本数据的损失3为16％，第4次迭代过程中样本数据的损失4为14％，显然，第7次迭代过程中样本数据的损失1与第6次迭代过程样本数据的损失2之间的差值为4％，第6次迭代过程中样本数据的损失2与第5次迭代过程样本数据的损失3之间的差值为4％，第5次迭代过程中样本数据的损失3与第4次迭代过程样本数据的损失4之间的差值为2％，此时，确定连续3次迭代过程中，每一次迭代过程中样本数据的损失与前一次迭代过程中样本数据的损失之间的差值，满足预设的2％-4％，那么，确定满足预设的收敛条件。

方式二：确定当前迭代次数达到预设的最大迭代次数时，确定满足预设的收敛条件。

例如，假设，预设的最大迭代次数为10，确定当前迭代次数达到10时，确定满足预设的收敛条件。

步骤S108：输出训练后的神经网络模型和传统机器学习模型。

下面，采用训练得到的神经网络模型和传统机器学习模型，对异常媒体行为的识别过程进行说明。

参阅图2所示，本公开实施例中，识别异常媒体行为的流程如下：

步骤S201：获取待识别媒体数据，以及获取待识别媒体数据对应的历史媒体数据。

本公开实施例中，可以采用与步骤S101相同的方式，预先获取并存储各个历史游戏数据。

具体的，基于预设的检测周期，定期采集当前运行的操作序列，作为相应的待识别媒体数据，并从预设的数据存储位置，获取所述待识别媒体数据对应的历史媒体数据。

这样，本公开实施例中，通过对用户的操作序列进行定期检测，可以防止用户在媒体运行过程中某段时间内存在的异常媒体行为，例如，能够有效防止用户在游戏对局过程中的某段时间内存在的作弊行为。

下文中，为了便于描述，仅以一个检测周期为例进行说明。

例如，假设，预设的检测周期为2分钟/次，预设的数据存储位置为游戏数据库，在当前检测周期时，采集当前运行的操作序列，作为待识别游戏数据，并从游戏数据库，获取待识别游戏数据对应的历史游戏数据1。

步骤S202：将待识别媒体数据和历史媒体数据输入预设的神经网络模型，得到相应的特征向量距离。

具体的，执行步骤S202时，可采用但不限于以下步骤：

B1、将待识别媒体数据和历史媒体数据输入预设的神经网络模型，通过神经网络模型中的第一神经网络，对待识别媒体数据和历史媒体数据进行特征提取，得到待识别媒体数据对应的第一特征向量和历史媒体数据对应的第二特征向量。

其中，第一特征向量和第二特征向量分别用于表征第一神经网络提取出的待识别媒体数据和历史媒体数据的操作行为特征。

需要说明的是，本公开实施例中，在将待识别媒体数据和历史媒体数据输入预设的神经网络模型之后，得到待识别媒体数据对应的第一特征向量和历史媒体数据对应的第二特征向量之前，进一步地，还可以执行以下C1-C2：

C1、将待识别媒体数据和历史媒体数据输入神经网络模型中的第二神经网络，得到符合预设的频率范围的待识别媒体数据和历史媒体数据。

需要说明的是，本公开实施例中，预设的频率范围可以是由第二神经网络训练得到的。

例如，预设的频率范围为0-80Hz，将待识别游戏数据和历史游戏数据1输入神经网络模型之后，将待识别游戏数据和历史游戏数据1输入神经网络模型中的CNN，通过CNN对待识别游戏数据和历史游戏数据1进行低通滤波，得到符合0-80Hz的待识别游戏数据和历史游戏数据1。

C2、将符合预设的频率范围的待识别媒体数据和历史媒体数据输入神经网络模型中的嵌入层，得到相应的第一向量和第二向量。

本公开实施例中，第一向量和第二向量分别为待识别媒体数据和历史媒体数据的向量化表示。

例如，将符合0-80Hz的待识别游戏数据和历史游戏数据1，输入神经网络模型中的嵌入层，得到待识别游戏数据和历史游戏数据1分别对应的第一向量和第二向量，由于向量维度过高，下文中仅以表征鼠标触发频率的特征1、表征按键组合方式的特征2、以及表征W按键触发次数的特征3为例进行说明。

本公开实施例中，根据实际的应用场景，可在将待识别媒体数据和历史媒体数据输入预设的神经网络模型之后，得到待识别媒体数据对应的第一特征向量和历史媒体数据对应的第二特征向量之前，进一步执行步骤C1、C2，这样，可以得到待识别媒体数据对应的第一向量和历史媒体数据对应的第二向量，进而，将待识别媒体数据对应的第一向量和历史媒体数据对应的第二向量，输入预设的神经网络模型中的第一神经网络中，从而可以在步骤B1中，得到第一特征向量和第二特征向量。

例如，将待识别游戏数据对应的第一向量和历史游戏数据1对应的第二向量输入神经网络模型中的RNN，对第一向量和第二向量进行特征提取，得到待识别游戏数据对应的第一特征向量和历史游戏数据1对应的第二特征向量，其中，第一特征向量用于表征RNN提取出的待识别媒体数据的特征1和特征2，待识别游戏数据的特征1表征待识别游戏数据的鼠标触发频率为每秒两次，待识别游戏数据的特征2表征待识别游戏数据的按键组合方式依次为W按键、Q按键、E按键、R按键，第二特征向量用于表征RNN提取出的历史游戏数据1的特征1和特征2，历史游戏数据1的特征1表征历史游戏数据1的鼠标触发频率为每秒两次，历史游戏数据1的特征2表征历史游戏数据1的按键组合方式依次为R按键、W按键、E按键、Q按键。

当然，若在实际应用时，确定采集的待检测数据的频率较稳定，也可以不执行C1、C2，本公开实施例中，仅为举例。

B2、将第一特征向量和第二特征向量输入神经网络模型中的全连接层，得到预设的固定向量长度的第一特征向量和第二特征向量，分别作为第三特征向量和第四特征向量。

例如，假设，预设的固定向量长度为16维，将第一特征向量和第二特征向量输入单层的全连接层，得到16维的第一特征向量和第二特征向量，作为第三特征向量和第四特征向量。

B3、采用预设的向量距离算法，得到第三特征向量和第四特征向量之间的特征向量距离。

需要说明的是，本公开实施例中，预设的向量距离算法可以采用但不限于欧式距离算法、曼哈顿距离算法、切比雪夫距离算法等。

例如，采用欧式距离算法，得到第三特征向量和第四特征向量之间的特征向量距离。

步骤S203：将特征向量距离输入预设的传统机器学习模型，得到相应的识别结果，识别结果用于表征待识别媒体数据对应的行为是否为异常媒体行为。

本公开实施例中，预设的传统机器学习模型是指采用上述模型训练方法得到的传统机器学习模型。

本公开实施例中，在执行步骤S202时，将待识别媒体数据和历史媒体数据输入预设的神经网络模型，得到待识别媒体数据对应的第一特征向量和历史媒体数据对应的第二特征向量，以及得到相应的特征向量距离，由于该过程与步骤B1-B3相同，在此不再赘述。

这样，执行步骤S203时，将第一特征向量、第二特征向量、以及特征向量距离输入预设的传统机器学习模型，得到相应的评估值集和参考结果。

其中，评估值集用于表征待识别媒体数据和历史媒体数据的操作水平，参考结果用于表征待识别媒体数据和历史媒体数据是否属于同一用户产生的操作序列。

例如，将第一特征向量、第二特征向量、以及特征向量距离输入支持向量机模型，得到相应的评估值集和参考结果1，其中，评估值集中包含第一评估值和第二评估值，第一评估值的取值为90分，第二评估值的取值为80分，参考结果1表征待识别游戏数据和历史游戏数据1不属于同一用户产生的操作序列。

进一步的，基于评估值集中包含的第一评估值和第二评估值，确定第一评估值和第二评估值之间的差值；

若基于参考结果，确定待识别媒体数据和历史媒体数据属于同一用户产生的操作序列，且差值满足预设的差值范围，则确定待识别媒体数据对应的行为是异常媒体行为，否则，确定待识别媒体数据对应的行为是异常媒体行为。

其中，第一评估值、第二评估值分别用于表征待识别媒体数据和历史媒体数据的操作水平。

例如，假设，预设的差值范围为0-5分，基于评估值集中包含的第一评估值和第二评估值，第一评估值和第二评估值之间的差值为10分，此时，基于参考结果1，确定待识别游戏数据和历史游戏数据1不属于同一用户产生的操作序列，且第一评估值和第二评估值之间的差值不满足0-5分，则确定待识别游戏数据对应的行为是异常媒体行为。

又例如，假设，参考结果2表征待识别游戏数据和历史游戏数据2属于同一用户产生的操作序列，第一评估值和第二评估值的取值分别为90分和92分，预设的差值范围为0-5分，那么，基于参考结果2，确定待识别游戏数据和历史游戏数据2属于同一用户产生的操作序列，且第一评估值和第二评估值之间的差值满足0-5分，则确定待识别游戏数据对应的行为不是异常媒体行为。

基于上述实施例，参阅图3所示，本公开实施例中，异常媒体行为的识别装置至少包括：

获取单元301，用于获取待识别媒体数据，以及获取所述待识别媒体数据对应的历史媒体数据；

特征提取单元302，用于将所述待识别媒体数据和所述历史媒体数据输入预设的神经网络模型，得到相应的特征向量距离；

识别单元303，用于将所述特征向量距离输入预设的传统机器学习模型，得到相应的识别结果，所述识别结果用于表征所述待识别媒体数据对应的行为是否为异常媒体行为。

可选的，获取待识别媒体数据，以及获取所述待识别媒体数据对应的历史媒体数据时，所述获取单元301具体用于：

可选的，将所述待识别媒体数据和所述历史媒体数据输入预设的神经网络模型，得到相应的特征向量距离时，所述特征提取单元302具体用于：

将所述特征向量距离输入预设的传统机器学习模型，得到相应的识别结果，所述识别单元303具体用于：

可选的，基于所述评估值集和参考结果，得到相应的识别结果，所述识别单元303具体用于：

可选的，将所述待识别媒体数据和所述历史媒体数据输入预设的神经网络模型之后，得到所述待识别媒体数据对应的第一特征向量和所述历史媒体数据对应的第二特征向量之前，所述特征提取单元302进一步用于：

可选的，所述异常媒体行为的识别装置进一步包括训练单元，所述训练单元用于：

基于同一发明构思，参阅图4所示，本申请实施例提供一种异常媒体行为的识别设备，至少包括：

存储器40，用于存储可执行指令；

处理器41，用于读取并执行所述存储器中存储的可执行指令，以实现以下流程：

可选的，获取待识别媒体数据，以及获取所述待识别媒体数据对应的历史媒体数据时，所述处理器41具体用于：

可选的，将所述待识别媒体数据和所述历史媒体数据输入预设的神经网络模型，得到相应的特征向量距离时，所述处理器41具体用于：

将所述特征向量距离输入预设的传统机器学习模型，得到相应的识别结果时，所述处理器41具体用于：

可选的，基于所述评估值集和所述参考结果，得到相应的识别结果时，所述处理器41具体用于：

可选的，将所述待识别媒体数据和所述历史媒体数据输入预设的神经网络模型之后，得到所述待识别媒体数据对应的第一特征向量和所述历史媒体数据对应的第二特征向量之前，所述处理器41进一步用于：

可选的，获取待识别媒体数据之前，所述处理器41进一步用于：

基于同一发明构思，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有异常媒体行为的识别程序，所述异常媒体行为的识别程序被处理器执行时实现上述任一项所述的异常媒体行为的识别方法的步骤。

综上所述，本公开实施例中，获取待识别媒体数据，以及待识别媒体数据对应的历史媒体数据，之后，将待识别媒体数据和历史媒体数据输入预设的神经网络模型，得到相应的特征向量距离，然后，将特征向量距离输入预设的传统机器学习模型，得到相应的识别结果。这样，通过将神经网络模型得到的特征向量距离，输入到传统机器学习模型，从而确定待识别媒体数据的识别结果，实现了实时识别异常媒体行为，同时，提高了识别准确率以及识别效率，此外，基于数据的识别能够不受非法程序的逆向攻击的影响，因此，保障了系统运行安全。

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。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

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

1.一种异常媒体行为的识别方法，其特征在于，包括：

将所述特征向量距离输入预设的传统机器学习模型，得到相应的识别结果，所述识别结果用于表征所述待识别媒体数据对应的行为是否为异常媒体行为；

其中，所述将所述待识别媒体数据和所述历史媒体数据输入预设的神经网络模型，得到相应的特征向量距离，具体包括：

所述将所述特征向量距离输入预设的传统机器学习模型，得到相应的识别结果，具体包括：

将所述第一特征向量和第二特征向量，以及所述特征向量距离输入预设的传统机器学习模型，得到相应的评估值集和参考结果，并基于所述评估值集和参考结果，得到相应的识别结果；

其中，所述基于所述评估值集和所述参考结果，得到相应的识别结果，具体包括：

2.如权利要求1所述的方法，其特征在于，获取待识别媒体数据，以及获取所述待识别媒体数据对应的历史媒体数据，具体包括：

3.如权利要求1所述的方法，其特征在于，将所述待识别媒体数据和所述历史媒体数据输入预设的神经网络模型，得到所述待识别媒体数据对应的第一特征向量和所述历史媒体数据对应的第二特征向量，以及得到相应的特征向量距离，具体包括：

4.如权利要求1-3中任一项所述的方法，其特征在于，将所述待识别媒体数据和所述历史媒体数据输入预设的神经网络模型之后，得到所述待识别媒体数据对应的第一特征向量和所述历史媒体数据对应的第二特征向量之前，进一步包括：

5.如权利要求1-3中任一项所述的方法，其特征在于，获取待识别媒体数据之前，进一步包括：

6.一种异常媒体行为的识别装置，其特征在于，包括：

识别单元，用于将所述特征向量距离输入预设的传统机器学习模型，得到相应的识别结果，所述识别结果用于表征所述待识别媒体数据对应的行为是否为异常媒体行为；

其中，所述将所述待识别媒体数据和所述历史媒体数据输入预设的神经网络模型，得到相应的特征向量距离时，所述特征提取单元具体用于：

将所述特征向量距离输入预设的传统机器学习模型，得到相应的识别结果，所述识别单元具体用于：

其中，基于所述评估值集和参考结果，得到相应的识别结果时，所述识别单元具体用于：

7.一种异常媒体行为的识别设备，其特征在于，所述异常媒体行为的识别设备包括：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异常媒体行为的识别程序，所述异常媒体行为的识别程序被所述处理器执行时实现如权利要求1-5中任一项所述的异常媒体行为的识别方法的步骤。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有异常媒体行为的识别程序，所述异常媒体行为的识别程序被处理器执行时实现如权利要求1-5中任一项所述的异常媒体行为的识别方法的步骤。