CN112540904A - 机器操作行为识别方法、装置、电子设备以及计算机介质 - Google Patents
机器操作行为识别方法、装置、电子设备以及计算机介质 Download PDFInfo
- Publication number
- CN112540904A CN112540904A CN202011473697.6A CN202011473697A CN112540904A CN 112540904 A CN112540904 A CN 112540904A CN 202011473697 A CN202011473697 A CN 202011473697A CN 112540904 A CN112540904 A CN 112540904A
- Authority
- CN
- China
- Prior art keywords
- behavior
- attribute data
- sequence
- behavior attribute
- adjacent
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3438—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment monitoring of user actions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3452—Performance evaluation by statistical analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3466—Performance evaluation by tracing or monitoring
- G06F11/3476—Data logging
-
- 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)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本申请公开了一种机器操作行为识别方法和装置,涉及大数据技术领域。该方法的一具体实施方式包括:响应于获取到用户操作行为的数据,记录发生用户操作行为的行为属性数据;根据行为属性数据,生成用户操作行为的行为属性数据序列;基于行为属性数据序列中行为属性数据的长度以及不同行为属性数据的相似度,确定用户操作行为为机器操作行为。该实施方式可以有效地识别机器操作行为。
Description
技术领域
本申请涉及人工智能技术领域,具体涉及大数据技术领域,尤其涉及一种机器操作行为识别方法、装置、电子设备、计算机可读介质以及计算机程序产品。
背景技术
在传统的浏览器网页中,经常会有人机交互操作,比如,按钮的点击,或者文本的输入,下拉的选择等等,这些操作可能具有一定的重复性,比如申请多个账户,每次都需要输入用户名,密码,步骤是一样的。再或者操作可能具有时效性,比如抢购,秒杀,需要在很短的时间内操作。但是,往往很多时候,这些操作可能是由机器或者脚本去代替人工完成,这样会给正常的系统带来一定的压力,也会产生很多垃圾信息,或者是打破了用户之间的平衡。
为了阻挡机器操作行为,网页页面最常见的方法时采用验证码,验证码一般不会识别出操作者具体是人还是机器,只要是验证通过,就可以进行下一步操作,但是每次都需要进行验证码操作对用户体验不是很友好。
对于刷点击数,刷点赞等,往往都是设置一个上限来避免机器操作行为,比如一天最多点击100次,或给100个赞,但是这种粗暴的方式也会阻挡真实用户的操作行为。
发明内容
提供了一种机器操作行为识别方法、装置、电子设备、计算机可读介质以及计算机程序产品。
根据第一方面,提供了一种机器操作行为识别方法,上述方法包括:响应于获取到用户操作行为的数据,记录发生用户操作行为的行为属性数据;根据行为属性数据,生成用户操作行为的行为属性数据序列;基于行为属性数据序列中行为属性数据的长度以及不同行为属性数据的相似度,确定用户操作行为为机器操作行为。
根据第二方面,提供了一种机器操作行为识别装置,该装置包括:记录单元,被配置成响应于获取到用户操作行为的数据,记录发生用户操作行为的行为属性数据;生成单元,被配置成根据行为属性数据,生成用户操作行为的行为属性数据序列;确定单元,被配置成基于行为属性数据序列中行为属性数据的长度以及不同行为属性数据的相似度,确定用户操作行为为机器操作行为。
根据第三方面,提供了一种电子设备,该电子设备包括:至少一个处理器;以及与至少一个处理器通信连接的存储器,其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如第一方面任一实现方式描述的方法。
根据第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行如第一方面任一实现方式描述的方法。
根据第五方面,提供了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现如第一方面任一实现方式描述的方法。
本申请的实施例提供的机器操作行为识别方法和装置,首先在获取到用户操作行为的数据的之后,记录发生用户操作行为的行为属性数据;其次,根据行为属性数据,生成用户操作行为的行为属性数据序列;最后,基于行为属性数据序列中属性数据的长度以及不同行为属性数据的相似度,确定用户操作行为为机器操作行为。由此,通过记录发生用户操作行为的行为属性数据,生成行为属性数据序列,由行为属性数据序列中行为属性数据的长度以及行为数据的相似度,分析发生用户操作行为是否具有机器操作行为的规律性和重复性,以确定机器操作行为,通过本申请可以有效地识别机器操作行为,提高了机器操作行为识别的准确性。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是根据本申请机器操作行为识别方法的一个实施例的流程图;
图2是本申请确定用户操作行为为机器操作行为的方法的一个实施例流程图;
图3是本申请检测序列中均与同一对象对应的各个相邻的行为属性数据是否相似的方法的一种流程图;
图4是本申请确定用户操作行为为机器操作行为的方法的另一个实施例流程图;
图5是根据本申请机器操作行为识别装置的实施例的结构示意图;
图6是用来实现本申请实施例的机器操作行为识别方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
机器操作行为,由机器或者脚本去代替人工完成的行为,可用于模仿真实用户的人工操作,且机器操作行为区别于真实用户的人工操作。
人工操作具有随机性和不确定性,其中,随机性指的是人工操作比较随意,比如注册,可能需要输入用户名和密码,针对不同的真实用户,他可能先输入用户名,也可能先输入密码。再如,页面滚动,他可能每次滚动的频次不一样,再如真实用户看小说,有的地方看的快,有的地方看的慢,那么反映出来的操作就不一样,其也是随机的。
不确定性指的是人工操作很多时候并不是完整的,比如注册,可能当前注册需要好几步,先输入用户名,密码,下一步需要选择生日,再下一步需要填写手机号,可能当前用户在第二步就放弃注册了,所以,很多产品都会有个转化率,不是每个用户都会坚持从头走到尾。还有一种场景就是,比如网络购物,可能用户将产品都加入购物车了,但是最后没有付款,又删掉了,这也是一种不确定性。
机器操作具有规律性和重复性,其中,规律性基于机器操作的性质决定,由于机器操作都是由程序控制的,程序是一定严格按照流程运行的,它反映出来的就是规律性。如果编写程序去注册,需要输入用户名和密码,程序一般是先输入用户名,后输入密码,当然,程序也可以先输入密码,再输入用户名。不管先输入哪个,肯定是有规律的,不可能一会先输入用户名,一会先输入密码。
机器操作的另一个特点是重复性,比如秒杀,真实用户去操作秒杀,会不断的点击按钮,机器操作也一样,不断的点击按钮,虽然这是一个重复操作,但是机器点击和真实用户点击最大的不同就是时间,真实用户点击,每次点击都是有误差的,机器点击,每次的间隔误差就会很小,因为人无法精确的控制点击的频率,但是机器可以。再比如,真实用户要买三件商品,先买第一件,再买第二件,第三件,每次购买时间肯定不一样的,因为真实用户要挑选、比较,但是机器不一样,机器不需要挑选,也不需要比较,它直接购买程序指定的商品,它购买三件商品的时间误差非常小。
图1示出了根据本申请机器操作行为识别方法的一个实施例的流程100。上述机器操作行为识别方法包括以下步骤:
步骤101,响应于获取到用户操作行为的数据,记录发生用户操作行为的行为属性数据。
本实施例中,机器操作行为识别方法运行于其上的执行主体在捕获到有关用户操作行为的事件之后,记录发生用户操作行为的行为属性数据。本实施例中,行为属性数据为反应发生用户操作行为的属性的数据,不同的操作行为,行为属性数据不同。比如,对于点击的操作行为,其行为属性数据包括:点击的发生时间、结束时间、点击的坐标、点击的对象等等。
进一步地,用户操作行为可以包括用户的人机交互操作行为,比如,文本的输入、下拉的选择。
步骤102,根据行为属性数据,生成用户操作行为的行为属性数据序列。
本实施例中,执行主体每捕获一次用户操作行为,则记录一次该用户操作行为的行为属性数据,并按序将行为属性数据存放在固定地方,形成行为属性数据序列。
比如,执行主体捕获到网页上的点击事件,则记录该点击事件的一系列数据,包括X坐标、Y坐标、时间戳等;该一系列数据即为行为属性数据,行为属性数据可以通过数组的形式进行保存,该点击事件发生多次之后,形成多个保存不同的行为属性数据的数组,多个数组存储在内存的固定位置,形成该点击事件的行为属性数据序列。
步骤103,基于行为属性数据序列中行为属性数据的长度以及不同行为属性数据的相似度,确定用户操作行为为机器操作行为。
本实施例中,针对机器操作行为的规律性以及重复性,可以通过检测行为属性数据序列中各个属性数据的长度是否一致,在各个属性数据的长度一致之后,检测行为属性数据序列中各个属性数据的相似度是否较高(比如90%),在确定行为属性数据序列中各个属性数据的相似度比较之后,确定该行为属性数据对应的用户操作行为为机器操作行为。
具体地,针对同一个对象的操作行为,第一步,检测到行为属性数据序列中各个属性数据的长度,若检测到行为属性数据序列中各个属性数据的长度均一致或者误差很小,可以确定为疑似机器操作行为;以上述点击事件为例,遍历上述点击事件的所有数组,先判断每个数组中的数据长度,如果数据长度完全一致,或者数据长度误差很小,比如误差小于2,确定为疑似机器操作行为。第二步,检测行为属性数据序列中各个属性数据的相似度,若检测到行为属性数据序列中各个属性数据的相似度比较高,则确定当前的用户操作行为为机器操作行为;继续以上述点击事件为例,判断每次点击事件的坐标值,由于行为属性数据序列是按照顺序记录点击行为的,如果每次点击都是在同一个坐标点,或者各次点击的坐标误差很小,比如小于2,基于真实用户每次点击到一个相同坐标的概率非常低,多次都点中相同坐标是几乎不可能的事情,确认为当前的点击事件为机器操作行为。
用户操作行为的操作对象不同,确定用户操作行为为机器操作行为的方式不同,在本实施例的一些可选实现方式中,在用户操作行为包括对同一对象的重复操作以及对多个不同对象的连续操作,且连续操作重复多次时,第一步,首先检测行为属性数据序列中与同一对象对应的各个行为属性数据的长度是否一致;第二步,在与同一对象对应的各个行为属性数据的长度一致之后,检测行为属性数据序列中与多个不同对象对应的各个行为属性数据的长度是否一致;第三步,在与多个不同对象对应的各个行为属性数据的长度一致之后,检测行为属性数据序列中与同一对象对应的各个属性数据的相似度;第四步,若检测到行为属性数据序列中与同一对象对应的各个属性数据的相似度比较高,检测行为属性数据序列中与多个不同对象对应的各个属性数据的相似度,若与多个不同对象对应的各个属性数据的相似度也比较高,则确定当前的用户操作行为为机器操作行为。
可选地,在本实施例的另一些可选实现方式中,在用户操作行为包括对同一对象的重复操作以及对多个不同对象的连续操作,且连续操作重复多次时,可以将对多个不同对象对应的各个属性数据作为子序列,并以子序列为单位进行顺序检测,检测方式参照上述可选实现方式。
在本实施例的一些可选实现方式中,识别到用户操作行为为机器操作行为以后,可以使用一些阻止机器操作行为的手段,比如,通过弹出验证码认证等,这样,由于是在识别到机器操作的基础上弹出的验证码,相对不管是否为机器操作行为均弹出验证码效果好,节省开发成本,提高了用户体验。
本申请的实施例提供的机器操作行为识别方法,首先在获取到用户操作行为的数据的之后,记录发生用户操作行为的行为属性数据;其次,根据行为属性数据,生成用户操作行为的行为属性数据序列;最后,基于行为属性数据序列中属性数据的长度以及不同行为属性数据的相似度,确定用户操作行为为机器操作行为。由此,通过记录发生用户操作行为的行为属性数据,生成行为属性数据序列,由行为属性数据序列中行为属性数据的长度以及行为数据的相似度,分析发生用户操作行为是否具有机器操作行为的规律性和重复性,从而确定机器操作行为,通过本申请可以有效地识别机器操作行为,提高了机器操作行为识别的准确性。
在本实施例的一些可选实现方式中,图2示出了确定用户操作行为为机器操作行为的方法的一个实施例的流程200。上述确定用户操作行为为机器操作行为的方法包括以下步骤:
步骤201,响应于确定用户操作行为包括对同一对象的重复操作,检测行为属性数据序列中与同一对象对应的各个行为属性数据的长度是否一致;若行为属性数据序列中与同一对象对应的各个行为属性数据的长度一致,执行步骤202;若行为属性数据序列中与同一对象对应的各个行为属性数据的长度至少有一个不一致,执行步骤204。
本可选实现方式中,执行主体可以在捕获到用户操作行为之后,可以基于用户操作行为的特征,确定当前的用户操作行为是否包括对同一对象的重复操作。例如,用户操作行为的特征包括行为、行为作用对象ID、行为发生地(网页、应用)等。
可选地,还可以基于行为属性数据序列中各个行为属性数据确定当前的用户操作行为是否包括对同一对象的重复操作。例如,行为属性数据包括行为作用对象ID、时间戳、坐标。
步骤202,检测序列中均与同一对象对应的各个相邻的行为属性数据是否相似;若序列中均与同一对象对应的各个相邻的行为属性数据相似,执行步骤203。若序列中均与同一对象对应的各个相邻的行为属性数据至少有一对不相似,执行步骤204。
本可选实现方式中,行为属性数据的内容不同,检测序列中均与同一对象对应的各个相邻的行为属性数据是否相似的方式不同,可选地,行为属性数据包括:发生用户操作行为的时间值;上述检测序列中均与同一对象对应的各个相邻的行为属性数据是否相似包括:检测均与同一对象对应的任意两个相邻的行为属性数据中的时间值的差值是否在设定阈值范围内;若检测到差值在设定阈值范围内,确定序列中均与同一对象对应的各个相邻的行为属性数据相似。
本实施例中,设定阈值范围可以根据用户操作行为的对象进行不同设置,不同的对象可以具有不同的设定阈值范围。
针对同一对象的点击事件,由于人工操作,无法保证时间间隔,但是机器是固定的,通过相邻点击事件的时间的误差(设置一个合理阈值)就可以识别是机器操作行为,具体地记录各个点击事件的时间差值,然后比较任意两个相邻点击事件的时间值的差值,如果差值很小,确认为机器操作行为。
可选地,行为属性数据包括:发生用户操作行为的位置值;上述检测序列中均与同一对象对应的各个相邻的行为属性数据是否相似包括:检测序列中均与同一对象对应的任意两个相邻的行为属性数据中位置值的差值是否小于预设值;若检测结果为均与同一对象对应的任意两个相邻的行为属性数据中位置值的差值小于预设值,确定序列中均与同一对象对应的各个相邻的行为属性数据相似。
针对同一对象的点击事件,位置值可以是坐标值,由于真实用户每次点击到一个相同坐标的概率非常低,多次都点中是几乎不可能的事情,通过此原理可以很好地检测是否为机器操作行为,具体地,检测每次点击事件发生的坐标值,如果每次点击都是在一个坐标点,或者说误差很小很小,比如小于2,那么确定序列中均与同一对象对应的各个相邻的行为属性数据相似。
步骤203,确定用户操作行为为机器操作行为,执行步骤204。
步骤204,结束。
本实施例提供的确定用户操作行为为机器操作行为的方法,针对同一对象的重复操作,检测行为属性数据序列中与对象对应的各个行为属性数据的长度的一致性,从机器操作规律性的角度排除非机器操作行为;进一步,检测与对象对应的各个相邻的行为数据的相似性,从机器操作的重复性的角度排除非机器操作行为,从而提高了机器操作行为识别的准确性。
在本实施例的一些可选实现方式中,如图3所示,检测序列中均与对象对应的各个相邻的行为属性数据是否相似的方法包括以下步骤:
步骤301,检测序列中均与同一对象对应的任意两个相邻的行为属性数据中位置值的差值是否小于预设值;若检测结果为均与同一对象对应的任意两个相邻的行为属性数据中位置值的差值小于预设值,执行步骤302;若检测结果为均与同一对象对应的任意两个相邻的行为属性数据中的位置值不相同或者两个位置值的差不小于预设值,执行步骤304。
本可选实现方式中,预设值可以根据用户操作行为的对象确定,比如预设值为0.02,任意两个相邻的行为属性数据中位置值的差值小于预设值包括任意两个相邻的行为属性数据中位置值相等,当任意两个相邻的行为属性数据中位置值相等,说明当前的用户的操作行为为机器操作行为。
步骤302,检测均与同一对象对应的任意两个相邻的行为属性数据中的时间值的差值是否在设定阈值范围内;若检测到差值在设定阈值范围内,执行步骤303;若检测到至少一个差值不在设定阈值范围内,执行步骤304。
本可选实现方式中,设定阈值范围可以根据用户操作行为的对象进行不同设置,不同的对象可以具有不同的设定阈值范围。
步骤303,确定序列中均与同一对象对应的各个相邻的行为属性数据相似。
本可选实现方式中,在确定序列中均与同一对象对应的各个相邻的行为属性数据相似之后,确定确定当前的用户操作行为为机器操作行为。
步骤304,确定序列中均与同一对象对应的各个相邻的行为属性数据不相似。
本可选实现方式中,在确定序列中均与同一对象对应的各个相邻的行为属性数据相似之后,确定确定当前的用户操作行为不是机器操作行为。
本实施例提供的检测序列中与同一对象对应的各个相邻的行为属性数据是否相似,首先检测任意两个相邻的行为属性数据中位置是否相同或者位置值的差小于预设值,然后,在满足位置相同或位置值的差小于预设值之后,检测任意两个相邻的行为属性数据中的时间值的差值是否在设定阈值范围内,若差值在设定阈值范围内,确定用户操作行为为机器操作行为,由此,从用户操作行为的位置以及时间上两方面确定机器操作行为,提高了机器操作行为识别的准确性。
在本实施例的一些可选实现方式中,图4示出了确定用户操作行为为机器操作行为的方法的另一个实施例的流程400。上述确定用户操作行为为机器操作行为的方法包括以下步骤:
步骤401,响应于确定用户操作行为包括对多个不同对象的连续操作且连续操作重复多次,将属性数据序列划分为多个子数据序列。
其中,每个子数据序列中的属性数据分别与多个不同对象一一对应。
本可选实现方式中,执行主体可以在捕获到用户操作行为之后,基于设定时间段中用户操作行为的特征,确定当前的用户操作行为是否包括对多个不同对象的重复操作。例如,用户操作行为的特征包括行为、行为作用对象ID、行为发生地(网页、应用)等;设定时间段可以基于不同的执行主体的硬件基础设置不同的值,比如,设定时间段为1s。
可选地,还可以基于行为属性数据序列中各个行为属性数据确定当前的用户操作行为是否包括对多个不同对象的重复操作。例如,行为属性数据包括行为作用对象ID、时间戳、坐标。
步骤402,检测行为属性数据序列中各个子数据序列的长度是否一致;若行为属性数据序列中各个子数据序列的长度一致,执行步骤403,若行为属性数据序列中各个子数据序列的长度至少有一个不一致,执行步骤405。
本可选实现方式中,各个子数据序列的长度是指各个子数据序列中多个行为属性数据的总长度,多个行为属性数据与多个不同对象对应。例如,多个不同对象包括:A1、A2、A3,其一个子数据序列包括a1、a2、a3三个行为属性数据,则子数据序列的长度为a1+a2+a3。
步骤403,检测各相邻的子数据序列是否相似;若各相邻的子数据序列相似,执行步骤404;若各相邻的子数据序列至少有一对不相似,执行步骤405。
本可选实现方式中,行为属性数据的内容不同,检测各相邻的子数据序列是否相似的方式不同,比如,行为属性数据包括:发生用户操作行为的时间值;上述检测各相邻的子数据序列是否相似包括:检测任意相邻的子数据序列中与多个不同对象中任意一个对象对应的时间值的差值是否在设定阈值范围内;响应于检测到任意相邻的子数据序列中与多个不同对象中任意一个对象对应的时间值的差值在设定阈值范围内,确定各相邻的子数据序列相似。
可选地,行为属性数据包括:发生用户操作行为的位置值;上述检测各相邻的子数据序列是否相似包括:基于各个子数据序列的属性数据中与多个不同对象对应的位置值,得到各个子数据序列的行为路径;检测任意两个相邻的子数据序列的行为路径是否相同;响应于确定任意两个相邻的子数据序列的行为路径相同,确定各相邻的子数据序列相似。
在本实施例的一些可选实现方式中,行为属性数据包括:发生用户操作行为的位置值以及时间值;上述检测各相邻的子数据序列是否相似包括:基于各个子数据序列的属性数据中与多个不同对象对应的位置值,得到各个子数据序列的行为路径;检测任意两个相邻的子数据序列的行为路径是否相同;响应于确定任意两个相邻的子数据序列的行为路径相同,检测任意相邻的子数据序列中与多个不同对象中任意一个对象对应的时间值的差值是否在设定阈值范围内;响应于检测到任意相邻的子数据序列中与多个不同对象中任意一个对象对应的时间值的差值在设定阈值范围内,确定各相邻的子数据序列相似。
本可选实现方式中,上述时间值的差值是指两个不同子数据序列中相同的对象对应的时间值的差值,在不同子数据序列中当多个不同对象中任意两个对象对应的时间值的差值均在设定阈值范围内,确定在不同子数据序列中的对象的时间值相似。
本可选实现方式中,在行为属性数据包括:发生用户操作行为的位置值以及时间值时,基于多个不同对象对应的位置值,得到各个子数据序列的行为路径,在行为路径相同且任意相邻的子数据序列中任意一个对象对应的时间值的差值在设定阈值范围内,确定各相邻的子数据序列相似,从而为确定机器操作行为提供了有效的判别标准。
步骤404,确定用户操作行为为机器操作行为,执行步骤405。
步骤405,结束。
本实施例提供的确定用户操作行为为机器操作行为的方法,针对多个不同对象的连续操作,将属性数据序列划分为多个字数据序列,提高了机器操作行为确定的可靠性,并根据各个子数据序列的长度的一致性和各个子数据序列的相似性,进一步提高了机器操作行为识别的可靠性。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了机器操作行为识别装置的一个实施例,该装置实施例与图1所示的方法实施例相对应,该装置具体可应用于各种电子设备中。
如图5所示,本实施例提供的机器操作行为识别装置500包括:记录单元501,生成单元502,确定单元503。其中,上述记录单元501,可以被配置成响应于获取到用户操作行为的数据,记录发生用户操作行为的行为属性数据。上述生成单元502,可以被配置成根据行为属性数据,生成用户操作行为的行为属性数据序列。上述确定单元503,可以被配置成基于行为属性数据序列中行为属性数据的长度以及不同行为属性数据的相似度,确定用户操作行为为机器操作行为。
在本实施例中,机器操作行为识别装置500中:记录单元501,生成单元502,确定单元503的具体处理及其所带来的技术效果可分别参考图1对应实施例中的步骤101、步骤102、步骤103的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,上述确定单元503包括:长度检测模块(图中未示出),数据检测模块(图中未示出),数据确定模块(图中未示出)。其中,上述长度检测模块,可以被配置成响应于确定用户操作行为包括对同一对象的重复操作,检测行为属性数据序列中与同一对象对应的各个行为属性数据的长度是否一致。上述数据检测模块,可以被配置成响应于确定行为属性数据序列中与同一对象对应的各个行为属性数据的长度一致,检测序列中均与同一对象对应的各个相邻的行为属性数据是否相似。上述数据确定模块,可以被配置成响应于检测到序列中均与同一对象对应的各个相邻的行为属性数据相似,确定用户操作行为为机器操作行为。
在本实施例的一些可选的实现方式中,上述行为属性数据包括:发生用户操作行为的位置值以及时间值;上述数据检测模块包括:位置检测子模块(图中未示出),时间检测子模块(图中未示出),数据确定子模块(图中未示出)。其中,上述位置检测子模块,可以被配置成检测序列中均与同一对象对应的任意两个相邻的行为属性数据中位置值的差值是否小于预设值。上述时间检测子模块,可以被配置成响应于检测结果为均与同一对象对应的任意两个相邻的行为属性数据中位置值的差值小于预设值,检测均与同一对象对应的任意两个相邻的行为属性数据中的时间值的差值是否在设定阈值范围内。上述数据确定子模块,可以被配置成响应于检测到差值在设定阈值范围内,确定序列中均与同一对象对应的各个相邻的行为属性数据相似。
在本实施例的一些可选的实现方式中,上述确定单元503包括:子序列划分模块(图中未示出),子序列检测模块(图中未示出),相似判断模块(图中未示出),子序列确定模块(图中未示出)。其中,上述子序列划分模块,可以被配置成响应于确定用户操作行为包括对多个不同对象的连续操作且连续操作重复多次,将属性数据序列划分为多个子数据序列,每个子数据序列中的属性数据分别与多个不同对象一一对应。上述子序列检测模块,可以被配置成检测行为属性数据序列中各个子数据序列的长度是否一致。上述相似判断模块,可以被配置成响应于确定行为属性数据序列中各个子数据序列的长度一致,检测各相邻的子数据序列是否相似。上述子序列确定模块,可以被配置成响应于检测到各相邻的子数据序列相似,确定用户操作行为为机器操作行为。
在本实施例的一些可选的实现方式中,上述行为属性数据包括:发生用户操作行为的位置值以及时间值;上述相似判断模块包括:路径得到子模块(图中未示出),路径相似子模块(图中未示出),时间相似子模块(图中未示出),序列确定子模块(图中未示出)。其中,上述路径得到子模块,可以被配置成基于各个子数据序列的属性数据中与多个不同对象对应的位置值,得到各个子数据序列的行为路径。上述路径相似子模块,可以被配置成检测任意两个相邻的子数据序列的行为路径是否相同。上述时间相似子模块,可以被配置成响应于确定任意两个相邻的子数据序列的行为路径相同,检测任意相邻的子数据序列中与多个不同对象中任意一个对象对应的时间值的差值是否在设定阈值范围内。上述序列确定子模块,可以被配置成响应于检测到任意相邻的子数据序列中与多个不同对象中任意一个对象对应的时间值的差值在设定阈值范围内,确定各相邻的子数据序列相似。
本申请的实施例提供的机器操作行为识别装置,首先记录单元501在获取到用户操作行为的数据的之后,记录发生用户操作行为的行为属性数据;其次,生成单元502根据行为属性数据,生成用户操作行为的行为属性数据序列;最后,确定单元503基于行为属性数据序列中属性数据的长度以及不同行为属性数据的相似度,确定用户操作行为为机器操作行为。由此,通过记录发生用户操作行为的行为属性数据,生成行为属性数据序列,由行为属性数据序列中行为属性数据的长度以及行为数据的相似度,分析发生用户操作行为是否具有机器操作行为的规律性和重复性,从而确定机器操作行为,通过本申请可以有效地识别机器操作行为,提高了机器操作行为识别的准确性。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图6所示,是根据本申请实施例的机器操作行为识别方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示,该电子设备包括:一个或多个处理器601、存储器602,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中,存储器存储有可由至少一个处理器执行的指令,以使至少一个处理器执行本申请所提供的机器操作行为识别方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的机器操作行为识别方法。
存储器602作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的机器操作行为识别方法对应的程序指令/模块(例如,附图5所示的记录单元501、生成单元502和确定单元503)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的机器操作行为识别方法。
存储器602可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据机器操作行为识别方法的电子设备的使用所创建的数据等。此外,存储器602可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器602可选包括相对于处理器601远程设置的存储器,这些远程存储器可以通过网络连接至机器操作行为识别方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
机器操作行为识别方法的电子设备还可以包括:输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线605或者其他方式连接,图6中以通过总线605连接为例。
输入装置603可接收输入的数字或字符信息,以及产生与机器操作行为识别方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (13)
1.一种机器操作行为识别方法,所述方法包括:
响应于获取到用户操作行为的数据,记录发生所述用户操作行为的行为属性数据;
根据所述行为属性数据,生成所述用户操作行为的行为属性数据序列;
基于所述行为属性数据序列中行为属性数据的长度以及不同行为属性数据的相似度,确定所述用户操作行为为机器操作行为。
2.根据权利要求1所述的方法,其中,所述基于所述行为属性数据序列中行为属性数据的长度以及不同行为属性数据的相似度,确定所述用户操作行为为机器操作行为,包括:
响应于确定所述用户操作行为包括对同一对象的重复操作,检测所述行为属性数据序列中与所述同一对象对应的各个行为属性数据的长度是否一致;
响应于确定所述行为属性数据序列中与所述同一对象对应的各个行为属性数据的长度一致,检测所述序列中均与所述同一对象对应的各个相邻的行为属性数据是否相似;
响应于检测到所述序列中均与所述同一对象对应的各个相邻的行为属性数据相似,确定所述用户操作行为为机器操作行为。
3.根据权利要求2所述的方法,其中,所述行为属性数据包括:发生用户操作行为的位置值以及时间值;
所述检测所述序列中均与所述同一对象对应的各个相邻的行为属性数据是否相似,包括:
检测所述序列中均与所述同一对象对应的任意两个相邻的行为属性数据中位置值的差值是否小于预设值;
响应于检测结果为均与所述同一对象对应的任意两个相邻的行为属性数据中位置值的差值小于预设值,检测均与所述同一对象对应的任意两个相邻的行为属性数据中的时间值的差值是否在设定阈值范围内;
响应于检测到所述差值在设定阈值范围内,确定所述序列中均与所述同一对象对应的各个相邻的行为属性数据相似。
4.根据权利要求1所述的方法,其中,所述基于所述行为属性数据序列中行为属性数据的长度以及不同行为属性数据的相似度,确定所述用户操作行为为机器操作行为,包括:
响应于确定所述用户操作行为包括对多个不同对象的连续操作且所述连续操作重复多次,将所述属性数据序列划分为多个子数据序列,每个子数据序列中的属性数据分别与所述多个不同对象一一对应;
检测所述行为属性数据序列中各个子数据序列的长度是否一致;
响应于确定所述行为属性数据序列中各个子数据序列的长度一致,检测各相邻的子数据序列是否相似;
响应于检测到各相邻的子数据序列相似,确定所述用户操作行为为机器操作行为。
5.根据权利要求4所述的方法,其中,所述行为属性数据包括:发生用户操作行为的位置值以及时间值;
所述检测各相邻的子数据序列是否相似,包括:
基于各个子数据序列的属性数据中与所述多个不同对象对应的位置值,得到各个子数据序列的行为路径;
检测任意两个相邻的子数据序列的行为路径是否相同;
响应于确定任意两个相邻的子数据序列的行为路径相同,检测任意相邻的子数据序列中与所述多个不同对象中任意一个对象对应的时间值的差值是否在设定阈值范围内;
响应于检测到任意相邻的子数据序列中与所述多个不同对象中任意一个对象对应的时间值的差值在设定阈值范围内,确定各相邻的子数据序列相似。
6.一种机器操作行为识别装置,所述装置包括:
记录单元,被配置成响应于获取到用户操作行为的数据,记录发生所述用户操作行为的行为属性数据;
生成单元,被配置成根据所述行为属性数据,生成所述用户操作行为的行为属性数据序列;
确定单元,被配置成基于所述行为属性数据序列中行为属性数据的长度以及不同行为属性数据的相似度,确定所述用户操作行为为机器操作行为。
7.根据权利要求6所述的装置,其中,所述确定单元包括:
长度检测模块,被配置成响应于确定所述用户操作行为包括对同一对象的重复操作,检测所述行为属性数据序列中与所述同一对象对应的各个行为属性数据的长度是否一致;
数据检测模块,被配置成响应于确定所述行为属性数据序列中与所述同一对象对应的各个行为属性数据的长度一致,检测所述序列中均与所述同一对象对应的各个相邻的行为属性数据是否相似;
数据确定模块,被配置成响应于检测到所述序列中均与所述同一对象对应的各个相邻的行为属性数据相似,确定所述用户操作行为为机器操作行为。
8.根据权利要求7所述的装置,其中,所述行为属性数据包括:发生用户操作行为的位置值以及时间值;
所述数据检测模块包括:
位置检测子模块,被配置成检测所述序列中均与所述同一对象对应的任意两个相邻的行为属性数据中所述位置值的差值是否小于预设值;
时间检测子模块,被配置成响应于检测结果为均与所述同一对象对应的任意两个相邻的行为属性数据中位置值的差值小于预设值,检测均与所述同一对象对应的任意两个相邻的行为属性数据中的时间值的差值是否在设定阈值范围内;
数据确定子模块,被配置成响应于检测到所述差值在设定阈值范围内,确定所述序列中均与所述同一对象对应的各个相邻的行为属性数据相似。
9.根据权利要求6所述的装置,其中,所述确定单元包括:
子序列划分模块,被配置成响应于确定所述用户操作行为包括对多个不同对象的连续操作且所述连续操作重复多次,将所述属性数据序列划分为多个子数据序列,每个子数据序列中的属性数据分别与所述多个不同对象一一对应;
子序列检测模块,被配置成检测所述行为属性数据序列中各个子数据序列的长度是否一致;
相似判断模块,被配置成响应于确定所述行为属性数据序列中各个子数据序列的长度一致,检测各相邻的子数据序列是否相似;
子序列确定模块,被配置成响应于检测到各相邻的子数据序列相似,确定所述用户操作行为为机器操作行为。
10.根据权利要求9所述的装置,其中,所述行为属性数据包括:发生用户操作行为的位置值以及时间值;
所述相似判断模块包括:
路径得到子模块,被配置成基于各个子数据序列的属性数据中与所述多个不同对象对应的位置值,得到各个子数据序列的行为路径;
路径相似子模块,被配置成检测任意两个相邻的子数据序列的行为路径是否相同;
时间相似子模块,被配置成响应于确定任意两个相邻的子数据序列的行为路径相同,检测任意相邻的子数据序列中与所述多个不同对象中任意一个对象对应的时间值的差值是否在设定阈值范围内;
序列确定子模块,被配置成响应于检测到任意相邻的子数据序列中与所述多个不同对象中任意一个对象对应的时间值的差值在设定阈值范围内,确定各相邻的子数据序列相似。
11.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。
13.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011473697.6A CN112540904B (zh) | 2020-12-15 | 2020-12-15 | 机器操作行为识别方法、装置、电子设备以及计算机介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011473697.6A CN112540904B (zh) | 2020-12-15 | 2020-12-15 | 机器操作行为识别方法、装置、电子设备以及计算机介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112540904A true CN112540904A (zh) | 2021-03-23 |
CN112540904B CN112540904B (zh) | 2023-06-23 |
Family
ID=75020158
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011473697.6A Active CN112540904B (zh) | 2020-12-15 | 2020-12-15 | 机器操作行为识别方法、装置、电子设备以及计算机介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112540904B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116488948A (zh) * | 2023-06-25 | 2023-07-25 | 上海观安信息技术股份有限公司 | 机器行为异常检测方法、装置、设备及介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102737019A (zh) * | 2011-03-31 | 2012-10-17 | 阿里巴巴集团控股有限公司 | 机器行为确定方法、网页浏览器及网页服务器 |
CN105183873A (zh) * | 2015-09-18 | 2015-12-23 | 北京博雅立方科技有限公司 | 恶意点击行为检测方法及装置 |
US20160078365A1 (en) * | 2014-03-21 | 2016-03-17 | Philippe Baumard | Autonomous detection of incongruous behaviors |
US20180322287A1 (en) * | 2016-05-05 | 2018-11-08 | Cylance Inc. | Machine learning model for malware dynamic analysis |
CN110069910A (zh) * | 2018-01-23 | 2019-07-30 | 袁明凯 | 一种机器行为确定方法、网页浏览器及网页服务器 |
US20190253504A1 (en) * | 2018-02-15 | 2019-08-15 | Cognant Llc | System and method for bot detection |
CN110210507A (zh) * | 2018-10-29 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 机器点击的检测方法、装置及可读存储介质 |
US20200226350A1 (en) * | 2019-01-14 | 2020-07-16 | Deere & Company | Targeted testing and machine-learning systems for detecting and identifying machine behavior |
CN111639253A (zh) * | 2020-05-22 | 2020-09-08 | 北京百度网讯科技有限公司 | 一种数据判重方法、装置、设备及存储介质 |
CN111722982A (zh) * | 2020-06-19 | 2020-09-29 | 广州万唯邑众信息科技有限公司 | 一种用于检测机器点击与否的方法与装置 |
-
2020
- 2020-12-15 CN CN202011473697.6A patent/CN112540904B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102737019A (zh) * | 2011-03-31 | 2012-10-17 | 阿里巴巴集团控股有限公司 | 机器行为确定方法、网页浏览器及网页服务器 |
US20160078365A1 (en) * | 2014-03-21 | 2016-03-17 | Philippe Baumard | Autonomous detection of incongruous behaviors |
CN105183873A (zh) * | 2015-09-18 | 2015-12-23 | 北京博雅立方科技有限公司 | 恶意点击行为检测方法及装置 |
US20180322287A1 (en) * | 2016-05-05 | 2018-11-08 | Cylance Inc. | Machine learning model for malware dynamic analysis |
CN110069910A (zh) * | 2018-01-23 | 2019-07-30 | 袁明凯 | 一种机器行为确定方法、网页浏览器及网页服务器 |
US20190253504A1 (en) * | 2018-02-15 | 2019-08-15 | Cognant Llc | System and method for bot detection |
CN110210507A (zh) * | 2018-10-29 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 机器点击的检测方法、装置及可读存储介质 |
US20200226350A1 (en) * | 2019-01-14 | 2020-07-16 | Deere & Company | Targeted testing and machine-learning systems for detecting and identifying machine behavior |
CN111639253A (zh) * | 2020-05-22 | 2020-09-08 | 北京百度网讯科技有限公司 | 一种数据判重方法、装置、设备及存储介质 |
CN111722982A (zh) * | 2020-06-19 | 2020-09-29 | 广州万唯邑众信息科技有限公司 | 一种用于检测机器点击与否的方法与装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116488948A (zh) * | 2023-06-25 | 2023-07-25 | 上海观安信息技术股份有限公司 | 机器行为异常检测方法、装置、设备及介质 |
CN116488948B (zh) * | 2023-06-25 | 2023-09-01 | 上海观安信息技术股份有限公司 | 机器行为异常检测方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112540904B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220114218A1 (en) | Session Recommendation Method, Device and Electronic Equipment | |
CN111309547A (zh) | 网页信息获取方法、装置和电子设备 | |
CN112527748B (zh) | 用于分析用户操作行为的方法、装置、设备以及存储介质 | |
CN111625157B (zh) | 指尖关键点检测方法、装置、设备和可读存储介质 | |
CN110427436B (zh) | 实体相似度计算的方法及装置 | |
CN114791982B (zh) | 对象推荐方法和装置 | |
CN111582477A (zh) | 神经网络模型的训练方法和装置 | |
CN112540904B (zh) | 机器操作行为识别方法、装置、电子设备以及计算机介质 | |
CN111126063A (zh) | 文本质量评估方法及装置 | |
CN111178937A (zh) | 应用的用户奖励方法、装置、电子设备及可读存储介质 | |
CN112183052A (zh) | 一种文档重复度检测方法、装置、设备和介质 | |
EP3262504A1 (en) | Application event tracing | |
CN111783644A (zh) | 检测方法、装置、设备和计算机存储介质 | |
CN111581518A (zh) | 信息推送方法和装置 | |
CN111241396A (zh) | 信息推送的方法和装置、电子设备、存储介质 | |
CN114035729A (zh) | 电子投票方法及装置、终端设备 | |
CN113655906A (zh) | 折叠屏控制方法和装置 | |
CN111708477B (zh) | 按键识别方法、装置、设备以及存储介质 | |
CN113590914A (zh) | 信息处理方法、装置、电子设备和存储介质 | |
CN112579587A (zh) | 数据清洗方法及装置、设备和存储介质 | |
CN111985969A (zh) | 媒体信息展示方法、装置、设备及计算机存储介质 | |
CN111310044A (zh) | 页面元素信息的提取方法、装置、设备和存储介质 | |
CN111767989A (zh) | 神经网络的训练方法和装置 | |
CN111770095B (zh) | 探测方法、装置、设备以及存储介质 | |
CN111563772B (zh) | 广告信息访问质量确定方法、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |