CN111949857A

CN111949857A - 一种航班查询请求的处理方法、装置及电子设备

Info

Publication number: CN111949857A
Application number: CN202010812341.4A
Authority: CN
Inventors: 姚一; 周中雨; 刘斌; 李洋
Original assignee: China Travelsky Holding Co
Current assignee: China Travelsky Holding Co
Priority date: 2020-08-13
Filing date: 2020-08-13
Publication date: 2020-11-17
Anticipated expiration: 2040-08-13
Also published as: CN111949857B

Abstract

本发明提供了一种航班查询请求的处理方法、装置及电子设备，在用户的航班查询请求满足预设查询行为分析触发条件、且航班查询请求中的用户标识满足预设查询行为处理条件的情况下，调用预先生成的数据处理模型对获取的航班查询特征数据进行处理，得到本次用户的查询操作是否属于恶意查询的结果。若属于恶意查询，则获取预先缓存的历史查询结果数据，并确定为查询结果。由于该查询结果是预先缓存的，仅需获取即可，相比于调用查询资源搜索实时的查询结果的方式，占用的资源量较少。进一步，在接收到恶意查询时，并未将实时的查询结果反馈给用户，也能够避免用户通过恶意查询的方式获取到大量的真实数据，防止航空公司的数据发生泄漏。

Description

一种航班查询请求的处理方法、装置及电子设备

技术领域

本发明涉及航班数据处理领域，更具体的说，涉及一种航班查询请求的处理方法、装置及电子设备。

背景技术

当前机票在销售时能够采用直销的销售渠道，直销是指航空公司通过自己的售票网站直接向旅客销售机票。

在采用直销的销售渠道进行机票的销售时，容易出现恶意航班查询行为，恶意航班查询是指采用技术手段大量爬取航空公司网站上的价格、库存等数据。

若出现恶意航班查询行为，则会出现较多的冗余查询，对于航空公司服务器来说，服务器需要多次响应该冗余查询行为，并使用查询资源查询得到最新的且与该查询行为对应的查询结果，增加服务器的运行负担。

发明内容

提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

有鉴于此，本发明提供一种航班查询请求的处理方法、装置及电子设备，以解决若出现恶意航班查询行为，则会增加航空公司服务器的运行负担的问题。

为解决上述技术问题，本发明采用了如下技术方案：

一种航班查询请求的处理方法，包括：

在确定出用户的航班查询请求的内容和/或操作满足预设查询行为分析触发条件的情况下，获取所述航班查询请求中的用户标识；

在所述用户标识满足预设查询行为处理条件的情况下，获取航班查询特征数据；所述航班查询特征数据包括：航班查询操作数据和航班查询内容数据；

调用预先生成的数据处理模型对所述航班查询特征数据进行处理，并获取所述数据处理模型得到的所述航班查询特征数据的数据处理结果；所述数据处理模型基于训练样本训练得到；所述训练样本包括航班查询特征以及所述航班查询特征对应的样本类别；所述样本类别包括正常查询和恶意查询；

在所述数据处理结果为恶意查询的情况下，获取历史查询结果数据，并将所述历史查询结果数据确定为所述航班查询请求的查询结果；所述历史查询结果数据为预先缓存、且与所述航班查询请求相对应的数据。

一种航班查询请求的处理装置，包括：

标识获取模块，用于在确定出用户的航班查询请求的内容和/或操作满足预设查询行为分析触发条件的情况下，获取所述航班查询请求中的用户标识；

数据获取模块，用于在所述用户标识满足预设查询行为处理条件的情况下，获取航班查询特征数据；所述航班查询特征数据包括：航班查询操作数据和航班查询内容数据；

数据处理模块，用于调用预先生成的数据处理模型对所述航班查询特征数据进行处理，并获取所述数据处理模型得到的所述航班查询特征数据的数据处理结果；所述数据处理模型基于训练样本训练得到；所述训练样本包括航班查询特征以及所述航班查询特征对应的样本类别；所述样本类别包括正常查询和恶意查询；

数据反馈模块，用于在所述数据处理结果为恶意查询的情况下，获取历史查询结果数据，并将所述历史查询结果数据确定为所述航班查询请求的查询结果；所述历史查询结果数据为预先缓存、且与所述航班查询请求相对应的数据。

一种电子设备，包括：存储器和处理器；

其中，所述存储器用于存储程序；

处理器调用程序并用于：

相较于现有技术，本发明具有以下有益效果：

本发明提供了一种航班查询请求的处理方法、装置及电子设备，在用户的航班查询请求满足预设查询行为分析触发条件、且航班查询请求中的用户标识满足预设查询行为处理条件的情况下，获取航班查询特征数据，并调用预先生成的数据处理模型对该航班查询特征数据进行处理，得到本次用户的查询操作是否属于恶意查询的结果。若属于恶意查询，则获取预先缓存的历史查询结果数据，并确定为查询结果。由于该查询结果是预先缓存的，仅需获取即可，相比于调用查询资源搜索实时的查询结果的方式，占用的资源量较少。进一步地，在接收到恶意查询时，并未将实时的查询结果反馈给用户，也能够避免用户通过恶意查询的方式获取到大量的真实数据，防止航空公司的数据发生泄漏。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

图1为本发明实施例提供的一种航班查询请求的处理方法的方法流程图；

图2为本发明实施例提供的另一种航班查询请求的处理方法的方法流程图；

图3为本发明实施例提供的一种识别航班恶意查询行为的识别装置；

图4为本发明实施例提供的一种航班查询请求的处理装置的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

在采用直销的销售渠道进行机票销售时，若出现恶意航班查询行为，则会出现较多的冗余查询，对于航空公司服务器来说，服务器需要多次响应该冗余查询行为，并使用查询资源查询得到最新的且与该查询行为对应的查询结果，增加服务器的运行负担，影响售票网站的正常使用，航空公司需要为此投入更多的软硬件成本。另外，航班数据是航空公司通过缴纳费用获得的，因此航空公司需要为爬虫造成的冗余查询买单、且会泄露较多的航班数据。

为了解决上述技术问题，发明人发现，航空公司可以采用增加手机验证、调整购票流程等。但航空公司的这种一刀切策略会影响旅客的购票便利性，降低用户体验。另外，针对航空公司采取的策略，恶意行为的形式会不断发生变化，变得越来越复杂，越来越隐蔽，使得防不胜防。因此，航空公司迫切需要能及时检测恶意查询行为的自动化、智能化技术，并在检测到恶意查询行为时，进行一定的数据处理操作，避免非正常用户获取到大量的有效航空数据。

为此，发明人提出了一种数据查询方法，在用户的航班查询请求满足预设查询行为分析触发条件、且航班查询请求中的用户标识满足预设查询行为处理条件的情况下，获取航班查询特征数据，并调用预先生成的数据处理模型对该航班查询特征数据进行处理，得到本次用户的查询操作是否属于恶意查询的结果。若属于恶意查询，则获取预先缓存的历史查询结果数据，并确定为查询结果。由于该查询结果是预先缓存的，仅需获取即可，相比于调用查询资源搜索实时的查询结果的方式，占用的资源量较少。进一步地，在接收到恶意查询时，并未将实时的查询结果反馈给用户，也能够避免用户通过恶意查询的方式获取到大量的真实数据，防止航空公司的数据发生泄漏。

具体的，参照图1，数据查询方法可以包括：

S11、在确定出用户的航班查询请求的内容和/或操作满足预设查询行为分析触发条件的情况下，获取所述航班查询请求中的用户标识。

用户在进行航班查询时，会向航班查询的服务器发送航班查询请求，本实施例中，服务器可以是E-Build(民航电子客票销售交易系统平台)，若服务器接收到航班查询请求后，会对航班查询请求进行内容和/或操作的分析，在进行分析时，可以是只要是接收到航班查询请求就进行分析，也可以是在一段时间内持续接收到该用户的航班查询请求时进行分析。

对于一接收到航班查询请求就进行分析的场景，本实施例中，可以预先设定预设查询行为分析触发条件，如可以是航班查询请求的内容为预设内容，举例来说，某一航班的查询出现恶意查询的次数较多，则可以将该航班号设置为预设内容，只要是用户查询该航班，就满足预设查询行为分析触发条件。

对于在一段时间内持续接收到该用户的航班查询请求时进行分析的场景，预先设定预设查询行为分析触发条件可以是：

用户的航班查询请求的内容为预设内容和/或用户的航班查询请求的操作的时间大于预设时间阈值。

举例来说，同上所述，用户查询某一特定的航班，就会满足该预设查询行为分析触发条件，或者，用户查询航班的操作时间超过预设时间阈值，此时也会满足该预设查询行为分析触发条件，又或者，需要同时满足用户查询某一特定的航班，以及用户查询航班的操作时间超过预设时间阈值，才认为满足该预设查询行为分析触发条件。本实施例中，由于单次查询为恶意查询的概率较低，所以本实施例中，优先使用在一段时间内持续接收到该用户的航班查询请求时进行分析的场景。

在满足该预设查询行为分析触发条件后，就会获取所述航班查询请求中的用户标识。本实施例中，用户标识可以是用户访问服务器的IP地址，此外，若用户在该服务器上已经登录，则用户标识还可以是用户姓名、用户身份证号等信息，本实施例中，为了避免用户未登录的行为，设定用户标识为用户访问服务器的IP地址。

S12、在所述用户标识满足预设查询行为处理条件的情况下，获取航班查询特征数据。

所述航班查询特征数据包括：航班查询操作数据和航班查询内容数据。

在实际应用中，为了避免收到航班查询请求就进行恶意查询行为分析，而造成的后台服务器的处理量较大的问题。

本实施例中，为了减少后续服务器对恶意查询行为识别的次数，可以预先设置有黑名单和白名单，即预设黑名单和预设白名单。预设黑名单中保存的都是恶意查询的用户IP号，保存的IP号可以是历史识别出来的属于恶意查询的IP号。预设黑名单中的IP号均是自动识别和自动添加的。预设白名单中保存的是非恶意查询的用户IP号，白名单一般通过界面手工添加，预设白名单应在系统投产前和航空公司网站提前确认添加，一般保存的是航司网站要求不需要进行识别的用户身份，比如航司自建的应用IP或与航司有协议的供应商的IP。

若是本次查询的用户IP号在预设白名单中，则说明本次查询肯定是正常查询，此时则从缓存模块中获取预先存储的当前时刻(即最新的)的该航班查询请求对应的查询结果，若缓存模块中存储的数据没有当前时刻的，则后台服务器查询当前时刻的该航班查询请求对应的查询结果，并确定为本次航班查询请求的查询结果。

若是本次查询的用户IP号在预设黑名单中，则说明本次查询肯定是恶意查询，此时为了避免数据被泄露，则从缓存模块中获取历史查询结果数据，其中，历史查询结果数据为预先缓存、且与所述航班查询请求相对应的数据。一般来说，历史查询结果数据是前一段时间的查询结果，即不是当前实时查询结果，是过期不准确的数据，举例来说，可以获取最早缓存的该查询请求的查询结果数据，作为历史查询结果数据，假设用户在3.30发出查询请求，在后台服务器识别出该航班查询请求为恶意查询时，将3.00的历史查询数据反馈给用户，由于已经反馈给用户数据，进而不会降低用户体验。并且，能够在识别出该查询行为为恶意查询时，反馈准确度较低的数据，也能够保证航空公司的利益，避免大量有用的数据发生泄漏。若本次查询的用户IP未在预设黑名单中，且使用数据处理模型得到的结果也显示其为正常查询，此时反馈给用户的是实时的、较准确的、且是频繁更新的正确查询结果，避免降低用户体验。

上述中的缓存模块用于缓存E-Build前端交易系统的查询结果以及查询结果获取的时间，用于后续在缓存模块中保存有数据时，优先从缓存模块中获取查询结果，提高查询效率，并且当E-Build交易系统从获悉当前用户是恶意身份后，返回低质量的缓存数据(即上述的历史查询结果数据)，此时服务器也不用浪费查询资源查询当前时刻的航空数据，降低对后台的负载压力。

若本次查询的用户标识，如IP号既没有在预设黑名单中，也不在预设白名单中，则说明该用户标识满足预设查询行为处理条件，此时需要对本次查询进行是否是恶意查询的检测，具体参照后续步骤。

另外，本实施例中的，所述航班查询特征数据包括：航班查询操作数据和航班查询内容数据。

其中，航班查询操作数据可以是查询次数、预订次数、出票次数、查询航线频次、查询错误率等。

航班查询内容数据可以是会话的持续时间等。

S12、调用预先生成的数据处理模型对所述航班查询特征数据进行处理，并获取所述数据处理模型得到的所述航班查询特征数据的数据处理结果。

所述数据处理模型基于训练样本训练得到；所述训练样本包括航班查询特征以及所述航班查询特征对应的样本类别；所述样本类别包括正常查询和恶意查询。

本实施例中的训练样本的航班查询特征可以同上述的航班查询特征数据，包括会话的持续时间、查询次数、预订次数、出票次数、查询航线频次、查询错误率等。

在实际应用中，由于数据处理模型的训练样本包括航班查询特征以及所述航班查询特征对应的样本类别，所述样本类别包括正常查询和恶意查询。则使用数据处理模型对航班查询特征数据进行处理，即可得到是正常查询还是恶意查询的数据处理结果。

S13、在所述数据处理结果为恶意查询的情况下，获取历史查询结果数据，并将所述历史查询结果数据确定为所述航班查询请求的查询结果。

所述历史查询结果数据为预先缓存、且与所述航班查询请求相对应的数据。

本实施例中，在数据处理结果为恶意查询的情况下，与用户标识在预设黑名单中的处理方式相同，请参照上述相应内容。

本实施例中，在用户的航班查询请求满足预设查询行为分析触发条件、且航班查询请求中的用户标识满足预设查询行为处理条件的情况下，获取航班查询特征数据，并调用预先生成的数据处理模型对该航班查询特征数据进行处理，得到本次用户的查询操作是否属于恶意查询的结果。若属于恶意查询，则获取预先缓存的历史查询结果数据，并确定为查询结果。由于该查询结果是预先缓存的，仅需获取即可，相比于调用查询资源搜索实时的查询结果的方式，占用的资源量较少。进一步地，在接收到恶意查询时，并未将实时的查询结果反馈给用户，也能够避免用户通过恶意查询的方式获取到大量的真实数据，防止航空公司的数据发生泄漏。

上述实施例提及了数据处理模型，现对其生成过程进行介绍，具体的，参照图2，数据处理模型的生成过程可以包括：

S21、获取训练样本。

所述训练样本包括航班查询特征以及所述航班查询特征对应的样本类别；所述样本类别包括正常查询和恶意查询。

在实际应用中，在对模型训练之前，需要对E-Build生产系统的用户行为数据进行收集，数据脱敏，以用于之后的模型分析和预测分类。本实施例中，可以采用定时历史数据处理组件完成这项工作。首先，该组件分析生产系统日志，该项目主要关注用户的查询、订座、出票交易，因此着重分析日志中这几项交易数据。组件将这些交易中对今后特征分析有用的信息进行收集，比如对于查询交易，其中主要包括查询交易号，用户身份，航线参数，查询时间，航班日期等；对于订座交易，主要包括订座交易号，用户身份，订座航线，舱位，订座记录编码等；出票交易，主要包括出票交易号，用户身份，订座记录编码，出票时间等。这些数据经过收集和脱敏后存储于架构图中的快表数据。

上述快表数据中存储了所需的所有交易数据，接下来定时历史数据处理组件对该数据进一步处理，生成带有特征值，即航班查询特征的样本数据。首先，因为上述功能的交易数据是流式日志数据，数据均是连续的，且功能之间没有明显的关联因素，而构建样本数据需要将用户在一个较短时间段内的一次完整查询和购票过程归纳为一个会话，即航班查询行为样本。用户有可能在不同时间段对票价进行多次查询，此过程中会出现一些重复动作，如每次都要从航空网站进行同一个航班的查询。我们需要将他在每个时间段的查询过程作为一次会话。会话分割方法如下：将同一用户身份的日志按照查询时间排序，比较这些查询中相邻两次查询之间的时间间隔，假如此时间间隔超过给定的阈值，则需将此查询序列在此点分割，后面的查询作为新的会话开始。一个会话则是一个样本，会话里包括这段时间的多次查询。本实施例中，通过进行会话分割，得到多个不同时间段的数据，对每一时间段内的数据进行特征提取。具体的，会话里包含具体的查询，预订和出票数据，可以统计查询次数，预订次数等特征。

会话数据生成后，需要生成该会话样本的特征数据，即航班查询特征。为了对会话进行分类，需要构造描述每次会话特征。会话特征必须具备完整性，能够确实表示目标的内容。但是过多的特征项也会导致分类算法的时间复杂性上升，且造成无法准确提取类别信息，影响分类的精度。因此必须从众多的会话特性中选择尽可能少的能反映爬虫信息的特征。特征数据用于明显区分恶意查询行为与正常查询行为，主要特征包括如下：会话的持续时间，查询次数，预订次数，出票次数，查询航线频次，查询错误率等。

在得到样本的航班查询特征之后，需要对样本进行正负样本分类。本实施例中，可以采用人工标注。

此外，为了避免人工标注工作量较大的问题，也可以采用自动批量标注。为了实现自动标注，即自动打正负样本标签，需要预先设定两个条件，分别为预设正常查询条件以及预设恶意查询条件。由于爬虫程序以下载航班库存数据为目的，它们一般不会出票，因而最终出票的查询过程基本是正常人所为。所以，预设正常查询条件可以是满足出票次数大于零等可代表正常用户查询行为方式的特征。预设恶意查询条件可以是：查询次数超过阈值并没有订座，或查询错误率较高，或持续时间短但查询频次较快等等。

在得到每一样本的航班查询特征以及样本类别之后，将航班查询特征以及对应的样本类别组合得到训练样本。将训练样本拆分为模型训练样本和模型验证样本。

S22、基于训练样本，对数据处理基础模型进行训练，得到所述数据处理模型。

本实施例中的数据处理基础模型可以是使用SVM支持向量机的分类算法的模型，API((Application Programming Interface，应用程序接口))使用Python的开源sklearn库实现。SVM训练API输入上述模型训练样本，其中包括航班查询特征以及对应的样本类别，按照预先设置的SVM训练参数进行模型生成，期间可以通过调整函数参数使得模型输出的准确率达到最高。

模型生成后进行验证，通过该模型即可对新的样本进行分类判定。输入验证样本数据，得出每个样本的SVM分类结果，再与初始标签进行比较，可验证该SVM模型的准确性。如果准确性不高，则将验证样本补充到训练样本进行迭代训练，以便得出准确率最高的模型。

上述定时历史数据处理组件会定期生成样本数据以及训练SVM模型，但是有时会需要对某一时间范围的样本进行着重训练和调优，因此需要可视化组件提供查询生成样本，打标签，以及设置相关SVM函数参数的功能。

在模型训练完成后，会对模型验证效果展示。首先需要展示当前模型对生产交易系统的用户行为判定效果，展示当前系统恶意查询的总体情况，如恶意查询IP数量及占比，以及恶意查询总量。其次，需要体现当前模型的分类准确性，被检查的分类数据来源于SVM模型对当时实时数据的分类结果，而数据的准确性参考来源于延后的定时历史数据处理组件进行的标签打印结果。

模型训练完成之后，服务器中的实时处理模块将前端E-Build交易系统传入的用户实时航班查询订座数据通过消息中间件实时获取并保存。然后按照定时历史数据处理组件的逻辑根据用户行为数据生成样本数据。与定时历史数据处理不同的是，实时组件负责对生产系统当前数据及时进行判别，以便第一时间告知前端用户查询行为的身份，而判别的依据则来自于历史数据处理组件生成的SVM模型分类。实时处理组件生成的样本数据会立刻由SVM模型进行分类，将分类结果中判定为恶意行为的样本用户身份添加进上述的预设黑名单库。这样如果E-Build前端再次接收到该恶意用户身份的查询后，通过实时组件对预设黑名单的获取立刻对该用户的响应进行决策，如将历史查询结果数据发送给用户。

在反馈查询结果时，首先对于正常的查询行为，系统会设置通用最长缓存时间，设置为不超过30分钟，同时对既往数据统计结果，根据航线的查询热度设置不同的缓存时间，如查询量最多的航线会设置缓存时间最短为10分钟。为了增加缓存数据的准确性，建立根据后台库存变化刷新缓存的机制。由于拥有国内民航全渠道的库存变化数据，当收到某航班的库存变化通知后，立即刷新缓存系统中相应航线的缓存数据。

对于恶意查询行为，缓存时间会设置较长时间，且上述缓存更新机制不会作用与恶意查询的低质量缓存。通过这种方式将恶意查询行为对后台资源的影响尽可能降到最低。

在实际应用中，缓存决策组件基于热度设置缓存时间并限制最大缓存时长，建立动态机制刷新缓存内容；实时处理组件接收用户交易查询信息，结合黑白名单库判断该次请求是否为恶意行为。当判定为恶意行为时，缓存决策组件返回用户低质量的缓存信息；当判定为正常行为时，首先判定缓存中是否含当前查询信息，若包含，则返回高质量缓存信息，若不包含，则通过数据库的实时查询实现实时数据的返回。

本实施例中，实时处理模块对E-Build前端的查询交易进行实时反馈，通过查询黑名单库告知该次查询是否为恶意查询。另外，本实施例中，预先建立一套缓存机制，对恶意行为的查询返回低质量的缓存数据，同时为了提高前端用户的查询效率，对正常的查询行为提供实时数据或高质量的缓存数据。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

在上述实施例的基础上，参照图3，提出了一种针对航班恶意查询行为的识别装置，主要由下图中各模块组成，其中E-Build前端交易系统是现有的机票查询预订系统，本实施例主要涉及的模块包括可视化界面，定时历史数据处理，实时处理，SVM训练模型，快表数据，黑白名单以及缓存决策模块组成。

模型筛选组件：通过该组件可以方便选取交易数据进行样本挑选和模型训练，将复杂的步骤可视化，提高训练效率。并且将训练结果和实际应用成果通过图表方式展示。可视化界面通过API接口与后台基础数据交换。

定时处理组件：该组件定期或手工方式对某时间范围的生产系统用户行为数据进行收集整理，生成机器学习需要的样本数据，以便进行模型迭代训练。同时，也依据现有的机器学习模型对新的用户行为进行分类，并将该结果提供给实时处理模块。

实时处理组件：该组件直接与E-Build前端交易系统进行交互，一方面收集实时用户行为数据传给后台进行行为判定，一方面根据机器学习判定结果和既有黑白名单决策该行为应当如何处理。

SVM训练模型组件：该组件负责根据历史样本数据进行模型训练，生成新模型，并可以进行效果验证。同时对生产系统实时用户行为数据进行快速分类判定。

快表数据组件：该组件是定时历史数据处理组件生成的结果之一，用于对生产系统用户行为数据进行分类存储，供模型训练和行为分类使用，能够快速提取所需要的样本特征数据。

黑白名单组件：用于存储实时用户行为分析出的恶意用户以及白名单用户身份信息，用于配合实时处理组件对生产系统用户查询进行判定。

缓存决策组件：用于缓存E-Build前端交易系统的查询数据，用于提高查询效率，并且当E-Build交易系统从实时处理组件获悉当前用户是恶意身份后，返回低质量的缓存数据，以便降低对后台的负载压力。

可选地，在上述航班查询请求的处理方法的实施例的基础上，本发明的另一实施例提供了一种航班查询请求的处理装置，参照图4，可以包括：

进一步，还包括模型训练模块；所述模型训练模块包括：

样本获取子模块，用于获取训练样本；所述训练样本包括航班查询特征以及所述航班查询特征对应的样本类别；所述样本类别包括正常查询和恶意查询；

模型训练子模块，用于基于训练样本，对数据处理基础模型进行训练，得到所述数据处理模型。

进一步，所述样本获取子模块包括：

数据处理单元，用于获取各个航班查询行为样本，并对所述航班查询行为样本进行特征提取，得到航班查询特征；

类型确定单元，用于在所述用户查询特征满足预设正常查询条件的情况下，将所述用户查询特征的样本类型确定为正常查询；在所述用户查询特征满足预设恶意查询条件的情况下，将所述用户查询特征的样本类型确定为恶意查询；

样本确定单元，用于将各个航班查询特征以及所述航班查询特征对应的样本类别组合得到训练样本。

进一步，标识获取模块用于确定用户的航班查询请求的内容和/或操作满足预设查询行为分析触发条件时，具体用于：

在用户的航班查询请求的内容为预设内容和/或用户的航班查询请求的操作的时间大于预设时间阈值的情况下，确定出用户的航班查询请求的内容和/或操作满足预设查询行为分析触发条件。

数据获取模块具体用于：

获取所述用户的航班查询行为数据，对所述航班查询行为数据进行特征提取，得到航班查询特征数据。

进一步，数据反馈模块还用于：

在所述用户标识位于预设黑名单中的情况下，获取历史查询结果数据，并将所述历史查询结果数据确定为所述航班查询请求的查询结果；所述历史查询结果数据为预先缓存、且与所述航班查询请求相对应的数据；

在所述用户标识位于预设白名单中的情况下，获取最新的航班查询结果数据，并将所述最新的航班查询结果数据确定为所述航班查询请求的查询结果。

需要说明的是，本实施例中的各个模块、子模块和单元的工作过程，请参照上述实施例中的相应说明，在此不再赘述。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述航班查询请求的处理方法。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机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。而在本公开中，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，其中承载了计算机可读的程序代码。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。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、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。计算机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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行上述方法步骤的程序。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置606被安装，或者从ROM602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。

可选地，在上述航班查询请求的处理方法及装置的实施例的基础上，本发明的另一实施例提供了一种电子设备，该电子设备可以是上述的服务器，包括：存储器和处理器；

其中，所述存储器用于存储程序；

处理器调用程序并用于：

进一步，所述数据处理模型的生成过程包括：

获取训练样本；所述训练样本包括航班查询特征以及所述航班查询特征对应的样本类别；所述样本类别包括正常查询和恶意查询；

基于训练样本，对数据处理基础模型进行训练，得到所述数据处理模型。

进一步，获取训练样本，包括：

获取各个航班查询行为样本，并对所述航班查询行为样本进行特征提取，得到航班查询特征；

在所述用户查询特征满足预设正常查询条件的情况下，将所述用户查询特征的样本类型确定为正常查询；

在所述用户查询特征满足预设恶意查询条件的情况下，将所述用户查询特征的样本类型确定为恶意查询；

将各个航班查询特征以及所述航班查询特征对应的样本类别组合得到训练样本。

进一步，确定用户的航班查询请求的内容和/或操作满足预设查询行为分析触发条件，包括：

进一步，获取用户在进行航班查询时的航班查询特征数据，包括：

获取所述用户的航班查询行为数据；

对所述航班查询行为数据进行特征提取，得到航班查询特征数据。

进一步，在所述用户标识位于预设黑名单中的情况下，还包括：

获取历史查询结果数据，并将所述历史查询结果数据确定为所述航班查询请求的查询结果；所述历史查询结果数据为预先缓存、且与所述航班查询请求相对应的数据；

在所述用户标识位于预设白名单中的情况下，还包括：

获取最新的航班查询结果数据，并将所述最新的航班查询结果数据确定为所述航班查询请求的查询结果。

根据本公开的一个或多个实施例，本发明的一实施例中提供了一种航班查询请求的处理方法，包括：

进一步，所述数据处理模型的生成过程包括：

进一步，获取训练样本，包括：

获取所述用户的航班查询行为数据；

在所述用户标识位于预设白名单中的情况下，还包括：

根据本公开的一个或多个实施例，本发明另一实施例提供了一种航班查询请求的处理装置，包括：

进一步，还包括模型训练模块；所述模型训练模块包括：

进一步，所述样本获取子模块包括：

根据本公开的一个或多个实施例，本发明另一实施例提供了一种电子设备，包括：存储器和处理器；

其中，所述存储器用于存储程序；

处理器调用程序并用于：

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims

1.一种航班查询请求的处理方法，其特征在于，包括：

2.根据权利要求1所述的处理方法，其特征在于，所述数据处理模型的生成过程包括：

3.根据权利要求2所述的处理方法，其特征在于，获取训练样本，包括：

4.根据权利要求1所述的处理方法，其特征在于，确定用户的航班查询请求的内容和/或操作满足预设查询行为分析触发条件，包括：

5.根据权利要求1所述的处理方法，其特征在于，获取用户在进行航班查询时的航班查询特征数据，包括：

获取所述用户的航班查询行为数据；

6.根据权利要求1所述的处理方法，其特征在于，在所述用户标识位于预设黑名单中的情况下，还包括：

在所述用户标识位于预设白名单中的情况下，还包括：

7.一种航班查询请求的处理装置，其特征在于，包括：

8.根据权利要求7所述的处理装置，其特征在于，还包括模型训练模块；所述模型训练模块包括：

9.根据权利要求8所述的处理装置，其特征在于，所述样本获取子模块包括：

10.一种电子设备，其特征在于，包括：存储器和处理器；

其中，所述存储器用于存储程序；

处理器调用程序并用于：