CN112491660A - 异常流量的识别方法、装置、电子设备及可读存储介质 - Google Patents
异常流量的识别方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN112491660A CN112491660A CN202011416159.3A CN202011416159A CN112491660A CN 112491660 A CN112491660 A CN 112491660A CN 202011416159 A CN202011416159 A CN 202011416159A CN 112491660 A CN112491660 A CN 112491660A
- Authority
- CN
- China
- Prior art keywords
- equipment
- media
- flow
- region information
- region
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0876—Network utilisation, e.g. volume of load or congestion level
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/50—Testing arrangements
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开了一种异常流量的识别方法、装置、电子设备及可读存储介质,所述方法包括:根据设备ID提取该设备对应的媒体地域信息,然后利用投票法计算设备ID对应的真实地域信息,最后对于设备ID的每一条流量,通过对比设备ID的媒体地域信息与真实地域信息来识别流量是否为异常流量,从而针对性地识别每个设备上的异常流量,此种从更精细的层面分析设备上流量的异常情况的方案,有效地提高了异常流量的识别率,降低了正常流量的误判率。
Description
技术领域
本发明涉及异常流量检测技术领域,尤其涉及一种基于媒体地域信息的异常流量的识别方法、装置、电子设备及可读存储介质。
背景技术
随着智能手机、平板电脑等移动终端设备的普及,第三方应用程序(Application,APP)客户端逐渐成为人们上网的主要方式,广告主越来越多地利用这些APP为载体进行投放广告,以达到产品宣传、提高收益的目的。同时,APP厂商将APP中广告位托管给广告网络(Ad NetWork,AND),借助AND的销售和代理团队进行变现。
但是,部分群体通过伪造广告的浏览、点击流量,从而攫取巨额利益,严重损害了广告主的利益,这种伪造的浏览可称之为异常流量,其中,部分群体通过在正常用户的ID上伪造流量,由于该ID是正常的,通过目前的手段难以有效的识别出这部分作弊流量,为了维护广告主的合法权益,需要对这种针对正常用户伪造的异常量进行监测。
因此,广告主需要一种有效的方案,来识别异常的点位、媒体,提升异常流量的识别率。
目前主要根据获取的设备的多个标识码确定每个标识码所对应的设备标识类别,当一个设备的对应的设备标识类别大于阈值时,那么该设备为异常设备,该设备在该点位对应的流量即为异常流量。
目前的异常流量监测技术主要是在设备ID维度上进行监测,但是在某些设备上只有部分流量是异常流量,单纯的根据设备ID判断该设备上的流量是否是异常流量,会把该设备上正常的流量也判为异常流量,存在一定的误判率。
发明内容
本发明针对上述的关于异常流量的判断存在误判率的技术问题,提出一种基于媒体地域信息的异常流量的识别方法、装置、电子设备及可读存储介质。
第一方面,本申请实施例提供了一种基于媒体地域信息的异常流量的识别方法,包括:
提取步骤:根据设备ID提取该设备对应的媒体地域信息;
计算步骤:利用投票法计算所述设备ID对应的真实地域信息;
判断步骤:对于所述设备ID的每一条流量,通过对比所述设备ID的媒体地域信息与所述真实地域信息来识别所述流量是否为异常流量。
上述基于媒体地域信息的异常流量的识别方法,其中,所述提取步骤包括:
信息获取步骤:获取终端设备进行网络访问时产生的日志信息;
信息提取步骤:基于所述日志信息根据所述设备ID提取该设备在每日关联的媒体对应的所述媒体地域信息。
上述基于媒体地域信息的异常流量的识别方法,其中,所述计算步骤中,投票算法为:
NumAreai=num(MediaAreai)
Area=maxArea(NumAreai)
其中,MediaAreai是设备ID对应省级地域i关联的媒体;NumAreai是设备ID对应省级地域i关联的媒体个数;Area是通过硬投票法得到的设备ID对应的真实的地域信息;num函数是计算关联到某一特定地域的媒体数量;max Area函数是计算对应媒体数量最多的地域,即为该ID对应的真实地域。
上述基于媒体地域信息的异常流量的识别方法,其中,所述判断步骤包括:
对于所述设备ID的每一条流量,如果所述设备ID对应的所述媒体地域信息与所述真实地域信息不一致,则该条流量判断为异常流量;如果所述设备ID对应的所述媒体地域信息与所述真实地域信息一致,则该条流量判断为正常流量。
第二方面,本申请实施例提供了一种基于媒体地域信息的异常流量的识别装置,包括:
提取模块:根据设备ID提取该设备对应的媒体地域信息;
计算模块:利用投票法计算所述设备ID对应的真实地域信息;
判断模块:对于所述设备ID的每一条流量,通过对比所述设备ID的媒体地域信息与所述真实地域信息来识别所述流量是否为异常流量。
上述基于媒体地域信息的异常流量的识别装置,其中,所述提取模块包括:
信息获取单元:获取终端设备进行网络访问时产生的日志信息;
信息提取单元:基于所述日志信息根据所述设备ID提取该设备在每日关联的媒体对应的所述媒体地域信息。
上述基于媒体地域信息的异常流量的识别装置,其中,所述计算模块中,投票算法为:
NumAreai=num(MediaAreai)
Area=maxArea(NumAreai)
其中,MediaAreai是设备ID对应省级地域i关联的媒体;NumAreai是设备ID对应省级地域i关联的媒体个数;Area是通过硬投票法得到的设备ID对应的真实的地域信息;num函数是计算关联到某一特定地域的媒体数量;max Area函数是计算对应媒体数量最多的地域,即为该ID对应的真实地域。
上述基于媒体地域信息的异常流量的识别装置,其中,所述判断模块包括:
对于所述设备ID的每一条流量,如果所述设备ID对应的所述媒体地域信息与所述真实地域信息不一致,则该条流量判断为异常流量;如果所述设备ID对应的所述媒体地域信息与所述真实地域信息一致,则该条流量判断为正常流量。
第三方面,本申请实施例提供了一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面所述的异常流量的识别方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一方面所述的异常流量的识别方法。
与现有技术相比,本发明的优点和积极效果在于:
1.目前的异常流量监测技术主要是在设备ID维度上进行监测,存在一定的误判率,本发明通过结合设备ID在各个媒体上关联的省级地域信息,根据投票法计算得到该设备真实的地域信息,从而针对性地识别每个设备上的异常流量,从而大大降低了误判率。
2.本发明通过计算设备ID真实的省级地域信息,从更精细的层面分析设备上流量的异常情况,可以有效的提高异常流量的识别率,降低正常流量的误判率,从而有效的维护广告主的利益。
附图说明
图1为本发明提供的基于媒体地域信息的异常流量的识别方法的步骤示意图;
图2为本发明提供的基于图1中步骤S1的流程图;
图3为本发明提供的基于媒体地域信息的异常流量的识别装置的框架图;
图4为根据本申请实施例的计算机设备的框架图。
其中,附图标记为:
11、提取模块;111、信息获取单元;112、信息提取单元;12、计算模块;13、判断模块;81、处理器;82、存储器;83、通信接口;80、总线。
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,对本申请进行描述和说明。应当理解,此处所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。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
下面结合附图所示的各实施方式对本发明进行详细说明,但应当说明的是,这些实施方式并非对本发明的限制,本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代,均属于本发明的保护范围之内。
在详细阐述本发明各个实施例之前,对本发明的核心发明思想予以概述,并通过下述若干实施例予以详细阐述。
本发明通过结合设备ID在各个媒体上关联的省级地域信息,根据投票法计算得到该设备真实的地域信息,从而针对性地识别每个设备上的异常流量。
实施例一:
参照图1所示,图1为本发明提供的基于媒体地域信息的异常流量的识别方法的步骤示意图。如图1所示,本实施例揭示了一种基于媒体地域信息的异常流量的识别方法(以下简称“方法”)的具体实施方式。
具体而言,本实施例所揭示的方法主要包括以下步骤:
参照图2,执行步骤S1:根据设备ID提取该设备对应的媒体地域信息。
其中,步骤S2具体包括以下内容:
步骤S11:获取终端设备进行网络访问时产生的日志信息;
步骤S12:基于所述日志信息根据所述设备ID提取该设备在每日关联的媒体对应的所述媒体地域信息。
然后执行步骤S2:利用投票法计算所述设备ID对应的真实地域信息。
具体而言,投票算法如下:
NumAreai=num(MediaAreai)
Area=maxArea(NumAreai)
其中,MediaAreai是设备ID对应省级地域i关联的媒体;NumAreai是设备ID对应省级地域i关联的媒体个数;Area是通过硬投票法得到的设备ID对应的真实的地域信息;num函数是计算关联到某一特定地域的媒体数量;maxArea函数是计算对应媒体数量最多的地域,即为该ID对应的真实地域。
然后执行步骤S3:对于所述设备ID的每一条流量,通过对比所述设备ID的媒体地域信息与所述真实地域信息来识别所述流量是否为异常流量。
具体而言,对于所述设备ID的每一条流量,如果所述设备ID对应的所述媒体地域信息与所述真实地域信息不一致,则该条流量判断为异常流量;如果所述设备ID对应的所述媒体地域信息与所述真实地域信息一致,则该条流量判断为正常流量。
实施例二:
结合实施例一所揭示的一种基于媒体地域信息的异常流量的识别方法,本实施例揭示了一种基于媒体地域信息的异常流量的识别装置(以下简称“装置”)的具体实施示例。
参照图3所示,所述装置包括:
提取模块11:根据设备ID提取该设备对应的媒体地域信息;
计算模块12:利用投票法计算所述设备ID对应的真实地域信息;
判断模块13:对于所述设备ID的每一条流量,通过对比所述设备ID的媒体地域信息与所述真实地域信息来识别所述流量是否为异常流量。
具体而言,所述提取模块11包括:
信息获取单元111:获取终端设备进行网络访问时产生的日志信息;
信息提取单元112:基于所述日志信息根据所述设备ID提取该设备在每日关联的媒体对应的所述媒体地域信息。
具体而言,所述计算模块12中,投票算法为:
NumAreai=num(MediaAreai)
Area=max Area(NumAreai)
其中,MediaAreai是设备ID对应省级地域i关联的媒体;NumAreai是设备ID对应省级地域i关联的媒体个数;Area是通过硬投票法得到的设备ID对应的真实的地域信息;num函数是计算关联到某一特定地域的媒体数量;max Area函数是计算对应媒体数量最多的地域,即为该ID对应的真实地域。
具体而言,所述判断模块13包括:
对于所述设备ID的每一条流量,如果所述设备ID对应的所述媒体地域信息与所述真实地域信息不一致,则该条流量判断为异常流量;如果所述设备ID对应的所述媒体地域信息与所述真实地域信息一致,则该条流量判断为正常流量。
本实施例所揭示的一种基于媒体地域信息的异常流量的识别装置与实施例一所揭示的一种基于媒体地域信息的异常流量的识别方法中其余相同部分的技术方案,请参实施例一所述,在此不再赘述。
实施例三:
结合图4所示,本实施例揭示了一种计算机设备的一种具体实施方式。计算机设备可以包括处理器81以及存储有计算机程序指令的存储器82。
具体地,上述处理器81可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中,存储器82可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器82可包括硬盘驱动器(Hard Disk Drive,简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive,简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus,简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器82可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器82可在数据处理装置的内部或外部。在特定实施例中,存储器82是非易失性(Non-Volatile)存储器。在特定实施例中,存储器82包括只读存储器(Read-Only Memory,简称为ROM)和随机存取存储器(RandomAccess Memory,简称为RAM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory,简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory,简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory,简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory,简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下,该RAM可以是静态随机存取存储器(Static Random-Access Memory,简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory,简称为DRAM),其中,DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory,简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory,简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory,简称SDRAM)等。
存储器82可以用来存储或者缓存需要处理和/或通信使用的各种数据文件,以及处理器81所执行的可能的计算机程序指令。
处理器81通过读取并执行存储器82中存储的计算机程序指令,以实现上述实施例中的任意一种异常流量的识别方法。
在其中一些实施例中,计算机设备还可包括通信接口83和总线80。其中,如图4所示,处理器81、存储器82、通信接口83通过总线80连接并完成相互间的通信。
通信接口83用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信端口83还可以实现与其他部件例如:外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线80包括硬件、软件或两者,将计算机设备的部件彼此耦接在一起。总线80包括但不限于以下至少之一:数据总线(Data Bus)、地址总线(Address Bus)、控制总线(Control Bus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制,总线80可包括图形加速接口(Accelerated Graphics Port,简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,简称为EISA)总线、前端总线(Front Side Bus,简称为FSB)、超传输(Hyper Transport,简称为HT)互连、工业标准架构(Industry Standard Architecture,简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count,简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture,简称为MCA)总线、外围组件互连(Peripheral Component Interconnect,简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment,简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus,简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线80可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
另外,结合上述实施例中的异常流量的识别方法,本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种异常流量的识别方法。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
综上所述,基于本发明的有益效果在于,本发明通过结合设备ID在各个媒体上关联的省级地域信息,根据投票法计算得到该设备真实的地域信息,通过对比媒体地域信息与真实地域信息的一致性,从而针对性地识别每个设备上的异常流量。通过计算设备ID真实的省级地域信息,从更精细的层面分析设备上流量的异常情况,可以有效的提高异常流量的识别率,降低正常流量的误判率,从而有效的维护广告主的利益。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种异常流量的识别方法,其特征在于,基于媒体地域信息,包括:
提取步骤:根据设备ID提取该设备对应的媒体地域信息;
计算步骤:利用投票法计算所述设备ID对应的真实地域信息;
判断步骤:对于所述设备ID的每一条流量,通过对比所述设备ID的媒体地域信息与所述真实地域信息来识别所述流量是否为异常流量。
2.根据权利要求1所述的异常流量的识别方法,其特征在于,所述提取步骤包括:
信息获取步骤:获取终端设备进行网络访问时产生的日志信息;
信息提取步骤:基于所述日志信息根据所述设备ID提取该设备在每日关联的媒体对应的所述媒体地域信息。
3.根据权利要求1所述的异常流量的识别方法,其特征在于,所述计算步骤中,投票算法为:
NumAreai=num(MediaAreai)
Area=maxArea(NumAreai)
其中,MediaAreai是设备ID对应省级地域i关联的媒体;NumAreai是设备ID对应省级地域i关联的媒体个数;Area是通过硬投票法得到的设备ID对应的真实的地域信息;num函数是计算关联到某一特定地域的媒体数量;max Area函数是计算对应媒体数量最多的地域,即为该ID对应的真实地域。
4.根据权利要求1所述的异常流量的识别方法,其特征在于,所述判断步骤包括:
对于所述设备ID的每一条流量,如果所述设备ID对应的所述媒体地域信息与所述真实地域信息不一致,则该条流量判断为异常流量;如果所述设备ID对应的所述媒体地域信息与所述真实地域信息一致,则该条流量判断为正常流量。
5.一种异常流量的识别装置,其特征在于,基于媒体地域信息,包括:
提取模块:根据设备ID提取该设备对应的媒体地域信息;
计算模块:利用投票法计算所述设备ID对应的真实地域信息;
判断模块:对于所述设备ID的每一条流量,通过对比所述设备ID的媒体地域信息与所述真实地域信息来识别所述流量是否为异常流量。
6.根据权利要求5所述的异常流量的识别装置,其特征在于,所述提取模块包括:
信息获取单元:获取终端设备进行网络访问时产生的日志信息;
信息提取单元:基于所述日志信息根据所述设备ID提取该设备在每日关联的媒体对应的所述媒体地域信息。
7.根据权利要求5所述的异常流量的识别装置,其特征在于,所述计算模块中,投票算法为:
NumAreai=num(MediaAreai)
Area=max Area(NumAreai)
其中,MediaAreai是设备ID对应省级地域i关联的媒体;NumAreai是设备ID对应省级地域i关联的媒体个数;Area是通过硬投票法得到的设备ID对应的真实的地域信息;num函数是计算关联到某一特定地域的媒体数量;max Area函数是计算对应媒体数量最多的地域,即为该ID对应的真实地域。
8.根据权利要求5所述的异常流量的识别装置,其特征在于,所述判断模块包括:
对于所述设备ID的每一条流量,如果所述设备ID对应的所述媒体地域信息与所述真实地域信息不一致,则该条流量判断为异常流量;如果所述设备ID对应的所述媒体地域信息与所述真实地域信息一致,则该条流量判断为正常流量。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述的异常流量的识别方法。
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,该程序被处理器执行时实现如权利要求1至4中任一项所述的异常流量的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011416159.3A CN112491660A (zh) | 2020-12-07 | 2020-12-07 | 异常流量的识别方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011416159.3A CN112491660A (zh) | 2020-12-07 | 2020-12-07 | 异常流量的识别方法、装置、电子设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112491660A true CN112491660A (zh) | 2021-03-12 |
Family
ID=74940385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011416159.3A Pending CN112491660A (zh) | 2020-12-07 | 2020-12-07 | 异常流量的识别方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112491660A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113630389A (zh) * | 2021-07-22 | 2021-11-09 | 北京明略软件系统有限公司 | 用户异常行为识别方法、系统、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103117903A (zh) * | 2013-02-07 | 2013-05-22 | 中国联合网络通信集团有限公司 | 上网流量异常检测方法及装置 |
US20170279696A1 (en) * | 2016-03-24 | 2017-09-28 | Cisco Technology, Inc. | Dynamic application degrouping to optimize machine learning model accuracy |
CN107508925A (zh) * | 2016-06-14 | 2017-12-22 | 阿里巴巴集团控股有限公司 | 一种用于确定ip地址的地域信息的方法与设备 |
CN108055149A (zh) * | 2017-12-08 | 2018-05-18 | 国网辽宁省电力有限公司本溪供电公司 | 一种时频同步应用中端到端流量异常特征提取方法 |
CN109379377A (zh) * | 2018-11-30 | 2019-02-22 | 极客信安(北京)科技有限公司 | 加密恶意流量检测方法、装置、电子设备及存储介质 |
CN110650146A (zh) * | 2019-09-26 | 2020-01-03 | 秒针信息技术有限公司 | 一种反作弊方法、装置及电子设备 |
CN110830314A (zh) * | 2019-12-19 | 2020-02-21 | 秒针信息技术有限公司 | 一种异常流量的确定方法及装置 |
-
2020
- 2020-12-07 CN CN202011416159.3A patent/CN112491660A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103117903A (zh) * | 2013-02-07 | 2013-05-22 | 中国联合网络通信集团有限公司 | 上网流量异常检测方法及装置 |
US20170279696A1 (en) * | 2016-03-24 | 2017-09-28 | Cisco Technology, Inc. | Dynamic application degrouping to optimize machine learning model accuracy |
CN107508925A (zh) * | 2016-06-14 | 2017-12-22 | 阿里巴巴集团控股有限公司 | 一种用于确定ip地址的地域信息的方法与设备 |
CN108055149A (zh) * | 2017-12-08 | 2018-05-18 | 国网辽宁省电力有限公司本溪供电公司 | 一种时频同步应用中端到端流量异常特征提取方法 |
CN109379377A (zh) * | 2018-11-30 | 2019-02-22 | 极客信安(北京)科技有限公司 | 加密恶意流量检测方法、装置、电子设备及存储介质 |
CN110650146A (zh) * | 2019-09-26 | 2020-01-03 | 秒针信息技术有限公司 | 一种反作弊方法、装置及电子设备 |
CN110830314A (zh) * | 2019-12-19 | 2020-02-21 | 秒针信息技术有限公司 | 一种异常流量的确定方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113630389A (zh) * | 2021-07-22 | 2021-11-09 | 北京明略软件系统有限公司 | 用户异常行为识别方法、系统、电子设备及存储介质 |
CN113630389B (zh) * | 2021-07-22 | 2024-04-12 | 北京明略软件系统有限公司 | 用户异常行为识别方法、系统、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106055574B (zh) | 一种识别非法统一资源标识符url的方法与装置 | |
WO2018157818A1 (zh) | 用户偏好的推测方法、装置、终端设备及存储介质 | |
WO2019056721A1 (zh) | 信息推送方法、电子设备及计算机存储介质 | |
CN113381963B (zh) | 一种域名检测方法、装置和存储介质 | |
CN109756467B (zh) | 一种钓鱼网站的识别方法及装置 | |
CN111968625A (zh) | 融合文本信息的敏感音频识别模型训练方法及识别方法 | |
CN106412422A (zh) | 对焦方法、装置及终端 | |
EP3256978A1 (en) | Method and apparatus for assigning device fingerprints to internet devices | |
WO2021109724A1 (zh) | 日志异常检测方法及装置 | |
CN108234454B (zh) | 一种身份认证方法、服务器及客户端设备 | |
CN112491660A (zh) | 异常流量的识别方法、装置、电子设备及可读存储介质 | |
CN113177409B (zh) | 一种智能敏感字词识别系统 | |
US11334908B2 (en) | Advertisement detection method, advertisement detection apparatus, and storage medium | |
CN111611821B (zh) | 二维码识别方法、装置、计算机设备和可读存储介质 | |
US9332031B1 (en) | Categorizing accounts based on associated images | |
CN112363841A (zh) | 应用进程的查杀方法、装置、电子设备及存储介质 | |
CN105099996B (zh) | 网站验证方法及装置 | |
CN110598115A (zh) | 一种基于人工智能多引擎的敏感网页识别方法及系统 | |
CN107844702B (zh) | 基于云防护环境下网站木马后门检测方法及装置 | |
CN114513341B (zh) | 恶意流量检测方法、装置、终端及计算机可读存储介质 | |
CN113630389B (zh) | 用户异常行为识别方法、系统、电子设备及存储介质 | |
CN112003819B (zh) | 识别爬虫的方法、装置、设备和计算机存储介质 | |
CN113364702A (zh) | 广告流量异常检测方法、系统、存储介质及电子设备 | |
CN115883111A (zh) | 一种钓鱼网站识别方法、装置、电子设备及存储介质 | |
CN112202807A (zh) | Ip黑名单的灰度替换方法、装置、电子设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210312 |
|
RJ01 | Rejection of invention patent application after publication |