CN113268646B - 异常用户数据的确定方法、装置、服务器和存储介质 - Google Patents
异常用户数据的确定方法、装置、服务器和存储介质 Download PDFInfo
- Publication number
- CN113268646B CN113268646B CN202110534908.0A CN202110534908A CN113268646B CN 113268646 B CN113268646 B CN 113268646B CN 202110534908 A CN202110534908 A CN 202110534908A CN 113268646 B CN113268646 B CN 113268646B
- Authority
- CN
- China
- Prior art keywords
- user data
- data
- target
- information
- server
- 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 124
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 86
- 238000007621 cluster analysis Methods 0.000 claims abstract description 16
- 238000009826 distribution Methods 0.000 claims description 76
- 230000005856 abnormality Effects 0.000 claims description 15
- 230000002547 anomalous effect Effects 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 7
- 238000010223 real-time analysis Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 24
- 238000010586 diagram Methods 0.000 description 16
- 238000007405 data analysis Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000012546 transfer Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Debugging And Monitoring (AREA)
Abstract
本公开公开了一种异常用户数据的确定方法、装置、服务器和存储介质,涉及数据处理技术领域,方法包括:接收用户数据流;对于用户数据流中待处理的目标用户数据,对目标用户数据进行聚类分析,确定目标用户数据所属的目标数据网格,目标数据网格为数据属性网络中的数据网格,数据属性网络中包括多个数据网格,数据网格为基于不同的数据属性进行聚类得到的,数据网格中映射有至少一个用户数据;基于目标数据网格中映射的至少一个用户数据的异常信息,对目标用户数据进行异常分析。通过本方案无需对数据流进行存储再调用以及提取数据特征,实现了对数据流进行实时分析,防止了数据异常分析出现滞后。
Description
技术领域
本公开涉及数据处理技术领域,特别涉及一种异常用户数据的确定方法、装置、服务器和存储介质。
背景技术
随着数据处理技术的发展,数据处理的应用范围越来越广泛。例如,对数据进行异常分析来确定一些异常现象已经成为了异常数据检测的一种重要应用。例如,通过对用户数据进行异常数据分析,确定用户数据中是否存在异常数据,从而确定出是否存在异常支付等异常消费行为。
相关技术中,通常在采集到用户数据后,将用户数据存储到数据库中,当需要确定用户数据是否正常时,从数据库中调用存储的用户数据,提取数据特征,根据数据特征对用户数据进行异常分析。
上述相关技术中,在采集到用户数据后,会先将用户数据存储在数据库中,在进行异常分析时,才从数据库中调用用户数据进行数据分析,导致无法对用户数据进行实时分析,造成异常分析结果存在滞后性。
发明内容
本公开实施例提供了一种异常用户数据的确定方法、装置、服务器和存储介质,提高了异常分析结果的实时性。该技术方案如下:
一方面,提供了一种异常用户数据的确定方法,所述方法包括:
接收用户数据流;
对于所述用户数据流中待处理的目标用户数据,对所述目标用户数据进行聚类分析,确定所述目标用户数据所属的目标数据网格,所述目标数据网格为数据属性网络中的数据网格,所述数据属性网络中包括多个数据网格,所述数据网格为基于不同的数据属性进行聚类得到的,所述数据网格中映射有至少一个用户数据;
基于所述目标数据网格中映射的至少一个用户数据的异常信息,对所述目标用户数据进行异常分析。
另一方面,提供了一种异常用户数据的确定装置,所述装置包括:
接收模块,用于接收用户数据流;
聚类分析模块,用于对于所述用户数据流中待处理的目标用户数据,对所述目标用户数据进行聚类分析,确定所述目标用户数据所属的目标数据网格,所述目标数据网格为数据属性网络中的数据网格,所述数据属性网络中包括多个数据网格,所述数据网格为基于不同的数据属性进行聚类得到的,所述数据网格中映射有至少一个用户数据;
异常分析模块,用于基于所述目标数据网格中映射的至少一个用户数据的异常信息,对所述目标用户数据进行异常分析。
另一方面,提供了一种服务器,所述服务器包括一个或多个处理器和一个或多个存储器,所述一个或多个存储器中存储有至少一条程序代码,所述至少一条程序代码由所述一个或多个处理器加载并执行以实现如本公开实施例的方法实施例中所述的异常用户数据的确定方法所执行的操作。
另一方面,提供了一种非临时性计算机可读存储介质,所述存储介质中存储有至少一条程序代码,所述至少一条程序代码由处理器加载并执行以实现如本公开实施例的方法实施例中所述的异常用户数据的确定方法所执行的操作。
另一方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。终端的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该终端执行上述方面的各种可选实现方式中提供的异常用户数据的确定方法。
在本公开实施例中,实时接收用户数据流,将用户数据流中的目标用户数据划分至该目标用户数据所属的目标数据网格中,从而通过目标数据网格中的至少一个用户数据对该目标用户数据进行异常数据分析,从而无需对数据流进行存储再调用以及提取数据特征,实现了对数据流进行实时分析,防止了数据异常分析出现滞后。
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,并不能限制本公开。
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,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据本公开部分示例性实施例示出的一种异常用户数据的确定方法所涉及的系统架构图;
图2是根据一示例性实施例示出的一种异常用户数据的确定方法流程图;
图3是根据一示例性实施例示出的一种异常用户数据的确定方法流程图;
图4是根据一示例性实施例示出的一种异常用户数据的确定方法流程图;
图5是根据一示例性实施例示出的一种用户数据的分布的示意图;
图6是根据一示例性实施例示出的一种用户数据的分布的示意图;
图7是根据一示例性实施例示出的一种时间窗口的示意图;
图8是根据一示例性实施例示出的一种数据异常度的示意图;
图9是根据一示例性实施例示出的一种数据异常度的示意图;
图10是根据一示例性实施例示出的一种数据异常度的示意图;
图11是根据一示例性实施例示出的一种数据异常度的示意图;
图12是根据一示例性实施例示出的一种异常用户数据的确定装置的框图;
图13是根据一示例性实施例示出的一种服务器的结构示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚,下面将结合附图对本公开实施方式作进一步地详细描述。
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。另外,本公开所涉及的用户数据可以为经用户授权或者经过各方充分授权的数据。
图1是根据本公开部分示例性实施例示出的一种异常用户数据的确定方法所涉及的系统架构图。该系统架构图包括第一服务器、第二服务器和至少一个终端。其中,至少一个终端中的每个终端与第一服务器之间通过网络进行数据交互,第二服务器与第一服务器之间通过网络进行数据交互。
每个终端中安装有目标应用程序,第一服务器为目标应用程序的后台服务器,第二服务器为用于进行数据处理的服务器。相应的,终端通过目标应用程序登录第一服务器。对于每个终端,用户可以在该终端中安装的目标应用程序中进行操作,通过目标应用程序触发终端向第一服务器发送用户数据生成指令。相应的,第一服务器通过接收终端发送的用户数据生成指令,根据该用户数据生成指令生成用户数据,将不同终端对应的用户数据组成用户数据流,将用户数据流发送给第二服务器,第二服务器接收第一服务器发送的用户数据流,对该用户数据流进行分析,确定用户数据流中的异常用户数据。
例如,在分析异常支付的场景中,终端为用于支付的终端,第一服务器为用于进行订单处理的服务器,第二服务器为用于进行异常支付分析的服务器。其中,第一服务器接收至少一个终端发送的至少一个支付信息,生成支付信息流,将支付信息流发送给第二服务器,第二服务器接收支付信息流,将根据支付信息流对至少一个终端的支付信息进行异常分析。
其中,终端为手机、平板电脑、PC(Personal Computer,个人电脑)或可穿戴设备等设备中的至少一种。第一服务器和第二服务器可以为相同或不同的服务器,并且,第一服务器和第二服务器均可以为一台服务器、由多台服务器组成的服务器集群、云服务器、云计算平台和虚拟化中心中的至少一种。在本公开实施例中,对此均不作具体限定。
图2是根据一示例性实施例示出的一种异常用户数据的确定方法流程图,如图2所示,该异常用户数据的确定方法包括以下步骤:
步骤201:服务器接收用户数据流。
步骤202:服务器对于所述用户数据流中待处理的目标用户数据,对所述目标用户数据进行聚类分析,确定所述目标用户数据所属的目标数据网格,所述目标数据网格为数据属性网络中的数据网格,所述数据属性网络中包括多个数据网格,所述数据网格为基于不同的数据属性进行聚类得到的,所述数据网格中映射有至少一个用户数据。
步骤203:服务器基于所述目标数据网格中映射的至少一个用户数据的异常信息,对所述目标用户数据进行异常分析。
在一些实施例中,所述基于所述目标数据网格中映射的至少一个用户数据的异常信息,对所述目标用户数据进行异常分析,包括:
确定所述目标数据网格中映射的至少一个用户数据在所述目标数据网格的第一分布信息;
确定所述目标用户数据在所述目标数据网格的第二分布信息;
根据所述第一分布信息和所述第二分布信息,确定所述目标用户数据与所述至少一个用户数据之间的分布差异信息;
基于所述分布差异信息,确定所述目标用户数据的异常信息。
在一些实施例中,所述根据所述第一分布信息和所述第二分布信息,确定所述目标用户数据与所述至少一个用户数据之间的分布差异信息,包括:
基于所述第一分布信息和所述第二分布信息,确定目标用户数据与所述至少一个用户数据之间的位置偏移信息;
将所述位置偏移信息确定为所述分布差异信息。
在一些实施例中,所述基于所述第一分布信息和所述第二分布信息,确定目标用户数据与所述至少一个用户数据之间的位置偏移信息,包括:
对于所述至少一个用户数据中的每个用户数据,确定所述用户数据的生成时间;
根据所述用户数据的生成时间,确定所述用户数据对数据异常分析的影响程度,其中,所述影响程度与所述用户数据的生成时间和所述目标用户数据的生成时间之间的时间差呈负相关;
根据所述至少一个用户数据中的每个用户数据对所述目标用户数据的影响程度,确定所述位置偏移信息。
在一些实施例中,所述对所述目标用户数据进行聚类分析,确定所述目标用户数据所属的目标数据网格,包括:
确定本次异常分析的意图信息;
基于所述意图信息,确定所述目标用户数据的属性加权信息;
根据所述属性加权信息对所述目标用户数据进行属性加权,得到属性加权数据;
根据每个属性加权数据的数据值,确定所述属性加权数据对应的用户数据所在的目标数据网格。
在一些实施例中,在所述基于所述目标数据网格中所述目标用户数据之前的用户数据异的常信息,对所述目标用户数据进行异常分析之前,所述方法还包括:
确定所述目标数据网格中,所述目标用户数据之前的用户数据的密度信息;
若所述密度信息指示所述目标用户数据之前的用户数据的密度不满足预设条件,执行所述基于所述目标数据网格中所述目标用户数据之前的用户数据异的常信息,对所述目标用户数据进行异常分析的步骤。
在一些实施例中,所述方法还包括:
若所述密度信息指示所述目标用户数据之前的用户数据的密度满足预设条件,则确定所述目标用户数据为正常数据。
在一些实施例中,所述基于所述目标数据网格中映射的至少一个用户数据的异常信息,对所述目标用户数据进行异常分析之后,所述方法还包括:
响应于接收到新的用户数据流,根据所述新的用户数据流的异常分析结果,更新所述目标用户数据的异常分析结果。
在一些实施例中,所述根据所述新的用户数据流的异常分析结果,更新所述目标用户数据的异常分析结果,包括:
根据所述新的用户数据流的位置信息,更新所述目标用户数据的异常值;或者,
根据所述新的用户数据流的异常值,调整所述相邻用户数据的异常值。
在本公开实施例中,实时接收用户数据流,将用户数据流中的目标用户数据划分至该目标用户数据所属的目标数据网格中,从而通过目标数据网格中的至少一个用户数据对该目标用户数据进行异常数据分析,从而无需对数据流进行存储再调用以及提取数据特征,实现了对数据流进行实时分析,防止了数据异常分析出现滞后。
图3是根据一示例性实施例示出的一种异常用户数据的确定方法流程图,在本实现方式中,以服务器为用于处理用户数据的服务器为例进行说明,如图3所示,该异常用户数据的确定方法包括以下步骤:
步骤301:服务器接收用户数据流。
其中,用户数据流中包括多个用户数据,每个用户数据包括该用户数据的生成时间、用户标识和其他数据内容等数据内容中的至少一种。例如,该用户数据为用户支付产生的资源信息数据,则该用户数据包括资源转移的时间、进行资源转移的对象、资源转移的资源数值等。
在一些实施例中,服务器实时接收其他服务器发送的用户数据流。相应的,其他服务器产生用户数据流后,将该用户数据流发送给服务器,服务器接收其他服务器发送的用户数据流。在一些实施例中,服务器周期性获取其他服务器发送的数据流。相应的,每隔预设周期,服务器向其他服务器发送获取请求,其他服务器接收服务器发送的获取请求,向服务器发送预设周期内产生的用户数据流,服务器接收其他服务器发送的数据流。
步骤302:对于用户数据流中待处理的目标用户数据,服务器对目标用户数据进行聚类分析,确定目标用户数据所属的目标数据网格。
该目标用户数据为接收到的数据流中待确定异常信息的用户数据。在一些实施例中,该目标用户数据为用户数据流中的任一用户数据。例如,服务器根据接收到的用户数据流中用户数据对应的生成时间,依次对用户数据流中的用户数据进行异常度分析,则服务器分别将当前需要处理的用户数据确定为目标用户数据。
在一些实施例中,该目标用户数据为用户数据流中目标用户标识对应的用户数据。例如,服务器需要对指定的目标用户的用户数据进行分析,则在本步骤中,服务器确定该目标用户的目标用户标识,从用户数据流中,确定携带该目标用户标识的用户数据,将携带目标用户标识的用户数据确定为目标用户数据。
在一些实施例中,该目标用户数据为指定时间段内的用户数据。相应的,服务器确定指定时间段,根据用户数据流中每个用户数据的生成时间,确定在该指定时间段内生成的用户数据,将指定时间段内生成的用户数据确定为目标用户数据。
需要说明的一点是,服务器在接收到用户数据流后,还能够对用户数据流进行数据清洗。参见图4,对用户数据流进行数据清洗包括填充缺失数据、删除无用数据、数据去重、延迟数据插入中的至少一项。
在一些实施例中,对用户数据流进行数据清洗包括填充数据。则对用户数据进行数据清洗的过程为:服务器确定用户数据流中缺失的用户数据,对用户数据流中缺失的用户数据进行填充。例如,该用户数据流为按时间获取的时序数据。对于接收到的用户数据流,服务器确定该用户数据流中是否缺失某一时刻的用户数据。若数据流中缺失某一时刻的用户数据,则服务器根据该用户数据流中的用户数据将缺失的用户数据补齐。
在一些实施例中,对用户数据流进行数据清洗包括删除无用数据。则对用户数据进行清洗的过程为:服务器删除用户数据流中部分没有作用的用户数据。例如,用户数据流中连续缺失多个用户数据,在缺失用户数据的部分中存在单独的未缺失的用户数据,对这些用户数据进行异常分析的意义不大,因此,可以选择将这些用户数据删除。
在一些实施例中,对用户数据流进行数据清洗包括数据去重。则对用户数据进行清洗的过程为:服务器删除用户数据流中重复出现的用户数据。
在一些实施例中,对用户数据流进行数据清洗包括延迟数据掺入。则对用户数据进行清洗的过程为:对于接收到的用户数据流,服务器根据用户数据的生成时间,将接收到的数据流中接收时间异常的用户数据,插入到用户数据流中生成时间匹配的位置。
该目标数据网格为数据属性网络中的数据网格,数据属性网络中包括多个数据网格,数据网格为基于不同的数据属性进行聚类得到的,数据网格中映射有至少一个用户数据。
在本步骤之前,服务器需要对数据属性网络进行网格划分,得到多个数据网格。该网格划分过程通过等价类的聚类分析得到。例如,对于一个四元组D={U,R,V,f}为一个知识系统。其中,U表示要讨论对象的非空有限集合,即论域。例如,在本公开实施例中,U表示作为样本的多个用户数据。f表示U和V之间的映射关系,例如,f:U×A→V,用于指定每一个待处理的用户数据X的属性值。在D中,对于每一个属性子集P,定义一个不可分辨的二元关系,该二元关系参见公式一。
其中,Ind(P)表示属性子集P对应的不可分辨的二元关系。(x,y)表示用于作为样本的多个用户数据的位置坐标,b表示属性子集P中的任一属性值。通过公式一表示的不可分辨的二元关系,将非空有限集合划分为若干等价类,所有等级类的集合构成了一个非空有限集合的划分,得到多个数据网格。
在本实现方式中,通过网格划分来确定异常检测,这样在确定异常用户数据的过程中,能够将待处理的目标用户数据划分至不同的数据网格中,从而有效减少计算消耗的时间,提高确定异常用户数据的效率。
在完成网格划分后,在进行异常用户数据分析的过程中,能够将目标用户数据根据相似性划分到数据网格中。其中,服务器将划分好的数据网格分别标记为U/Ind(P),表示属性子集P对应的数据网格。对于任一目标用户数据X∈U和P∈R,X的P下近似定义为公式二。
其中,Xp 表示X的P下近似,Ind(P)表示属性子集P对应的不可分辨的二元关系,X表示目标用户数据。
对于任一目标用户数据X∈U和P∈R,X的P上近似定义为公式三。
服务器根据目标用户数据在属性子集的上近似值或下近似值,将目标用户数据划分至相应的数据网格中。假设P和Q是论域U上的等价关系,X∈I/Q,则P的正域定义为Posp(Q)=∪P(X),其中,Posp(Q)表示P的Q正域,是U中根据划分U/P可准确分类到关系Q的等价类中的数据对象集合。P(X)表示目标用户数据X在属性子集P的下近似值。
在本实现方式中,通过将目标用户数据的与属性子集中任一属性值的相似性确定目标用户数据所属的目标数据网格,以便根据该数据网格对目标用户数据进行数据分析,从而提高异常数据分析的效率。
需要说明的一点是,在一些实施例中,服务器根据目标用户数据的数据属性,将该目标用户数据映射到目标数据网格中。在一些实施例中,服务器根据本次异常分析的意图信息,对目标用户数据进行属性加权,根据加权后的目标用户数据,确定该目标用户数据所在的目标数据网格,该过程通过以下步骤3021-3024实现,包括:
步骤3021:服务器确定本次异常分析的意图信息。
其中,意图信息用于指示异常分析的目的。例如,该异常分析的目的为确定用户数据流中是否包括异常资源转移信息,则意图信息为确定异常资源数值;或者,该异常分析的目的为确定用户数据流中是否包括异常用户信息,则意图信息为确定异常用户信息等。
步骤3022:服务器基于意图信息,确定目标用户数据的属性加权信息。
其中,属性加权信息对目标用户数据中每个属性的权重信息。在本步骤中,服务器根据该意图信息,确定该意图信息对应的属性加权信息,将该意图信息对应的属性加权信息确定为目标用户数据的属性加权信息。在一些实施例中,服务器获取意图信息与属性加权信息的对应关系,根据本次异常分析的意图信息,从意图信息与属性加权信息的对应关系中,确定该意图信息对应的属性加权信息,将该意图信息对应的属性加权信息确定为该目标用户数据的属性加权信息。
在一些实施例中,服务器根据意图信息确定当前意图信息对应的属性加权信息。例如,对于意图信息为确定异常资源数值,则将用户数据中资源转移的资源数值属性的权重设置为较高的比重,将其他属性的权重设置为较低的比重。在一些实施例中,服务器根据不同属性的必要性确定该属性对应的属性加权信息。其中,若r∈P且Pos(Q)=Pos(p-{r})(Q),则确定r为P中Q不必要的,否则r为P中Q必要的。其中,P为属性子集,r为属性子集P中的任一属性,Q与P为论域U上的等价关系。Pos(Q)=Pos(p-{r})(Q)表示P的Q正域与P-r的Q正域相等。对于属性集为R的用户数据,属性集中的属性α的权重通过公式四确定。
在一些实施例中,该意图信息与属性加权信息的对应关系存储在服务器本地。相应的,服务器获取意图信息与属性加权信息的对应关系的过程可以为:服务器获取本地存储的意图信息与属性加权信息的对应关系。在一些实施例中,该意图信息与属性加权信息的对应关系存储在其他电子设备中。相应的,服务器获取意图信息与属性加权信息的对应关系的过程可以为:服务器向其他电子设备发送获取请求,其他电子设备接收该获取请求,获取意图信息与属性加权信息的对应关系,将该意图信息与属性加权信息的对应关系发送给服务器,服务器接收其他电子设备发送的意图信息与属性加权信息的对应关系。在本公开实施例中,对服务器获取意图信息和属性加权信息的对应关系的过程不作具体限定。
步骤3023:服务器根据属性加权信息对目标用户数据进行属性加权,得到属性加权数据。
在本步骤中,服务器根据属性加权信息,确定目标用户数据的每个属性的权重信息,根据该权重信息对该目标用户数据进行加权,得到属性加权数据。
步骤3024:服务器根据每个属性加权数据的数据值,确定属性加权数据对应的用户数据所在的目标数据网格。
本步骤与步骤302中服务器对目标用户数据进行聚类分析,确定目标用户数据所属的目标数据网格的过程相似,在此不再赘述。
在本实现方式中,通过意图信息对目标用户数据进行属性加权,使得在对目标用户数据进行划分时,能够根据属性加权后的属性加权数据进行数据划分,从而在网格划分的过程中,考虑不同属性对目标用户数据的分布信息的影响,从而提高了异常分析的准确率。
需要说明的一点是,在将目标用户数据划分到目标数据网格中后,服务器能够根据目标用户数据所在的目标数据网格确定是否需要对该目标用户数据进行异常分析。在一些实施例中,服务器根据目标数据网格中的至少一个用户数据的密度信息确定是否对该目标用户数据进行异常分析。相应的,该过程为:服务器确定目标数据网格中,目标用户数据之前的用户数据的密度信息;若密度信息指示目标用户数据之前的用户数据的密度不满足预设条件,服务器执行基于目标数据网格中目标用户数据之前的用户数据异的常信息,对目标用户数据进行异常分析的步骤。若密度信息指示目标用户数据之前的用户数据的密度满足预设条件,则服务器确定目标用户数据为正常数据。
例如,服务器确定目标数据网格中至少一个用户数据的数量,将该数量记为该目标数据网格的密度信息ρ,若ρ大于预设密度信息,则服务器确定目标数据网格中的用户数据均为正常数据,无需再进行异常分析;若ρ不大于预设密度信息,则服务器确定目标数据网格中的用户数据中可能存在异常数据,需要进行异常分析。
在本实现方式中,通过确定目标数据网格中至少一个用户数据的数量,来确定是否需要对目标用户数据进行异常分析,从而无需对正常的用户数据再进行分析,从而提高了对用户数据进行异常分析的效率。
步骤303:服务器确定目标数据网格中映射的至少一个用户数据在目标数据网格的第一分布信息。
该第一分布信息用于表示至少一个用户数据在目标数据网格中映射的属性值信息。例如,该第一分布信息为至少一个目标用户数据在属性值坐标系中的位置信息。服务器根据每个用户对应的属性值信息,将每个用户数据映射到目标数据网格所对应的属性值坐标系中,得到该至少一个用户数据在目标数据网格中的位置。其中,该属性值坐标系的维度根据用户数据的属性的数量确定。例如,用户数据的属性的数量为1,则该属性值坐标系为以时间的X轴,以属性值为Y轴的坐标系。
在本步骤之前,服务器在接收到该至少一个用户数据后,将该至少一个用户数据映射到目标数据网格中,得到该至少一个用户数据在目标数据网格中的第一分布信息。该过程包括:对于每个用户数据,服务器根据该用户数据的每个属性的属性值,将该用户数据映射到该目标数据网格中,将该用户数据在目标数据网格中的位置信息组成该至少一个用户数据的第一分布信息。
步骤304:服务器确定目标用户数据在目标数据网格的第二分布信息。
该第二分布信息用于表示目标用户数据在目标数据网格中映射的属性值信息。
本步骤与步骤303相似,在此不再赘述。
步骤305:服务器根据第一分布信息和第二分布信息,确定目标用户数据与至少一个用户数据之间的分布差异信息。
在本步骤中,服务器根据第一分布信息和第二分布信息,确定至少一个用户数据和目标用户数据在目标数据网格中的位置,根据目标用户数据的位置和至少一个用户数据在目标数据网格中的位置,确定目标用户数据与至少一个用户数据之间的位置偏移信息,基于该位置偏移信息,确定该目标用户数据是否偏离正常数据范围。该过程通过一下步骤3051-3052实现,包括:
步骤3051:服务器基于第一分布信息和第二分布信息,确定目标用户数据与至少一个用户数据之间的位置偏移信息。
在一些实施例中,服务器根据第一分布信息和第二分布信息,确定每个用户数据在目标数据网格中的位置,根据该位置确定位置偏移信息。在一些实施例中,服务器根据每个用户数据与目标用户数据之间的时间差,确定每个用户数据的异常信息对目标用户数据的异常信息的影响程度,基于该影响程度确定分布差异信息。该过程通过以下步骤(1)-(3)实现,包括:
(1)对于至少一个用户数据中的每个用户数据,服务器确定用户数据的生成时间。
在一些实现方式中,用户数据中携带该用户数据的生成时间,在本步骤中,服务器确定解析每个用户数据,得到每个用户数据的生成时间。在一些实现方式中,服务器基于每个用户数据的分布信息,确定该用户数据的生成时间。
(2)服务器根据用户数据的生成时间,确定用户数据对数据异常分析的影响程度。
其中,影响程度与用户数据的生成时间和目标用户数据的生成时间之间的时间差呈负相关。参见图5,其中,分别表示目标数据网格中的用户数据,的生成时间分别为t1、t2、t3、t4、t5。在确定t1、t3和t5的方差和t2、t3和t4的方差时,需要考虑到|t1-t5|和|t2-t4|的时间间隔不同,理论上|t2-t4|对t3的影响大于|t1-t5|对t3的影响,因此,服务器确定时间衰减因子,基于该时间衰减因子确定用户数据的生成时间对数据异常分析的影响程度。该时间衰变因子通过公式五表示。
公式五:βi=e-λ·(|ti-tj|)
其中,λ为常量,|ti-tj|表示两个用户数据之间的时间差。通过该时间变因子可以看出时间差越小,相互之间的影响程度越大。
(3)服务器根据至少一个用户数据中的每个用户数据对目标用户数据的影响程度,确定位置偏移信息。
其中,该位置偏移信息用于表示目标用户数据与目标数据网格中的至少一个用户数据之间的位置偏移信息。例如,该位置偏移信息为目标用户数据与至少一个用户数据中每个用户数据之间的角度方差。
在本实现方式中,通过用户数据与目标用户数据的生成时间之间的时间差,确定不同的用户数据对目标用户数据的影响程度,根据该影响程度来确定目标用户数据的位置偏移信息,从而减小时间差较大的用户数据对目标用户数据的影响,提高了目标用户数据的位置偏移信息的准确率。
步骤3052:服务器将位置偏移信息确定为分布差异信息。
在本步骤中,服务器将该位置偏移信息确定为目标用户数据与其他至少一个用户数据之间的分布差异信息。
在本实现方式中,服务器基于第一分布信息和第二分布信息确定目标用户数据的分布差异信息,从而能够根据该目标用户数据的分布信息确定该目标用户数据的分布差异信息,从而提高确定分布差异信息的效率。
步骤306:服务器基于分布差异信息,确定目标用户数据的异常信息。
该异常信息用于表示目标用户数据的异常程度。其中,分布差异信息表示的目标用户数据与其他用户数据的分布差异越大,则该目标用户数据的异常信息对应的异常值越大。在一些实施例中,该分布差异信息为目标用户数据的位置偏移信息。参见图6,其中,第一分布区域为聚集区域,第一分布区域中的任一用户数据被其他用户数据自所有方向环绕,因此,角度变化大,其对应的角度方差也大,则位置偏移信息大。第二分布区域为第一分布区域之外的边缘区域,第二分布区域中的用户数据与其他用户数据之间的方向变化小,其对应的角度方差也小,则位置偏移信息小。
在一些实施例中,异常信息用于表示目标用户数据是否为异常数据。则服务器确定预设位置偏移信息,若目标用户数据的位置偏移信息小于该预设偏移信息,则确定该目标用户数据为异常用户数据;若目标用户数据的位置偏移信息不小于该预设偏移信息,则确定该目标用户数据为正常用户数据。
在一些实施例中,异常信息用于表示目标用户数据的异常程度。则服务器根据该目标用户数据的位置偏移信息,确定该目标用户数据的异常值,将该异常值确定为该目标用户数据的异常信息。其中,服务器通过目标用户数据与其他用户数据之间的角度方差确定该目标用户数据的异常值。
公式七:
其中,表示基于网格划分的异常数据分析过程中目标用户数据A的异常值;在基于异常数据分析过程中表示目标用户数据A的k邻域;N表示k邻域中目标用户数据的反k邻域中用户数据对象的个数;R1和R2为常量参数,用于使角度方差的近似计算更接近真实值。
在本实现方式中,通过目标用户数据的位置偏移信息确定目标用户数据的异常值,从而使目标用户数据的异常值被量化,提高了目标用户数据的异常分析结果的精确性。
需要说明的一点是,当通过用户数据之间的时间差来确定目标用户数据的异常数据信息时,通过时间衰变因子在确定目标用户数据的异常值时,来体现不同时间差对目标用户数据的影响。该目标用户数据的异常值通过以下公式八确定。
公式八:
其中,表示基于网格划分的异常数据分析过程中目标用户数据A的异常值;在基于异常数据分析过程中表示目标用户数据A的k邻域;N表示k邻域中目标用户数据的反k邻域中用户数据对象的个数;R1和R2为常量参数,用于使角度方差的近似计算更接近真实值;β表示时间衰减因子。
请继续参见图4,服务器在对目标用户数据进行异常分析之后,还能够根据新的用户数据对该异常分析的异常分析结果进行更新,实现动态维护分析结果。即响应于接收到新的用户数据流,服务器根据该新的用户数据流的异常分析结果,更新该目标用户数据的异常分析结果。
参见图7,服务器通过滑动时间窗口,对时间窗口内的用户数据的异常分析结果进行更新。在一些实施例中,服务器对时间窗口中被标记为正常数据的用户数据不再做更新,只对时间窗口中被标记为异常用户数据的异常分析结果进行更新。
其中,对异常用户数据的异常分析结果进行更新指对异常用户数据进一步判断是否可能为正常数据。在一些实施例中,服务器根据所述新的用户数据流的位置信息,更新所述目标用户数据的异常值;或者,服务器根据所述新的用户数据流的异常值,调整所述相邻用户数据的异常值。
相应的,在一些实施例中,服务器根据新的用户数据流的位置信息,重新确定目标用户数据与新的用户数据流之间的角度方差,从而更新该目标用户数据的异常值。
在一些实施例中,服务器根据时间框中,其他用户数据的异常值来更新目标用户数据的异常值。该过程中,对于一个已经被检测的目标用户数据而言,通过其两侧的用户数据是否为正常用户数据来确定对该目标用户数据的影响。参见图8,目标用户数据两侧的用户数据的异常情况分为四种。即两侧均为正常用户数据、左侧为正常用户数据,右侧为异常用户数据、左侧为异常用户数据,右侧为正常用户数据和两侧均为异常用户数据。对于两侧均为正常用户数据的目标用户数据,不需要再做进一步分析;对于左侧出现异常的目标用户数据,需要结合其上一时序数据块中标识的用户数据做进一步分析;对于右侧均出现异常的目标用户数据,需要结合其下一时序数据块中标识的用户数据做进一步分析;对于两侧均出现异常的目标用户数据,需要分别结合其前后数据块中标识的用户数据做进一步分析。
对于目标用户的异常值的调整,一般包括两种情况:异常值变大或异常值变小。参见图9,其中,两个顶点位置的异常值在更新异常值时都应变小,因为在下一时序或上一时序的用户数据中这两个点表现的更正常。参见图10,两个被标记的位置的异常值在更新异常值时都应变大,因为在下一时序或上一时序的用户数据中这两个点表现的更异常。
需要说明的一点是,在动态维护分析结果的过程中,也可以根据用户数据之间的时间差确定用户数据对目标用户数据的影响程度。对于距当前时间比较远的用户数据可以删除该用户数据,对于距当前时间在预设范围内的用户数据,根据该用户数据与目标用户数据之间的差值确定该用户数据的异常值对该目标用户数据的影响程度。
另外,服务器还能够通过一段时间内的用户数据的异常分析结果展示在异常分析坐标中,从而实现异常分析结果可视化。参见图11,通过图11可以看出,在一年中,一月份至四月份用户数据的异常度适中,五月份至九月份用户数据的异常度较高,十月份至十二月份异常度较低。
在本实现方式中,通过新的用户数据更新目标用户数据的异常分析结果,使得目标用户数据的异常分析结果能够与当前用户数据匹配,提高了异常分析结果的准确性。
在本公开实施例中,实时接收用户数据流,将用户数据流中的目标用户数据划分至该目标用户数据所属的目标数据网格中,从而通过目标数据网格中的至少一个用户数据对该目标用户数据进行异常数据分析,从而无需对数据流进行存储再调用以及提取数据特征,实现了对数据流进行实时分析,防止了数据异常分析出现滞后。
图12是根据一示例性实施例示出的一种异常用户数据的确定装置的框图,如图12所示,该异常用户数据的确定装置包括:
接收模块1201,用于接收用户数据流;
聚类分析模块1202,用于对于该用户数据流中待处理的目标用户数据,对该目标用户数据进行聚类分析,确定该目标用户数据所属的目标数据网格,该目标数据网格为数据属性网络中的数据网格,该数据属性网络中包括多个数据网格,该数据网格为基于不同的数据属性进行聚类得到的,该数据网格中映射有至少一个用户数据;
异常分析模块1203,用于基于该目标数据网格中映射的至少一个用户数据的异常信息,对该目标用户数据进行异常分析。
在一些实施例中,该异常分析模块1203,包括:
第一确定单元,用于确定该目标数据网格中映射的至少一个用户数据在该目标数据网格的第一分布信息;
第二确定单元,用于确定该目标用户数据在该目标数据网格的第二分布信息;
第三确定单元,用于根据该第一分布信息和该第二分布信息,确定该目标用户数据与该至少一个用户数据之间的分布差异信息;
第四确定单元,用于基于该分布差异信息,确定该目标用户数据的异常信息。
在一些实施例中,该第三确定单元,用于基于该第一分布信息和该第二分布信息,确定目标用户数据与该至少一个用户数据之间的位置偏移信息;将该位置偏移信息确定为该分布差异信息。
在一些实施例中,该第三确定单元,用于对于该至少一个用户数据中的每个用户数据,确定该用户数据的生成时间;根据该用户数据的生成时间,确定该用户数据对数据异常分析的影响程度,其中,该影响程度与该用户数据的生成时间和该目标用户数据的生成时间之间的时间差呈负相关;根据该至少一个用户数据中的每个用户数据对该目标用户数据的影响程度,确定该位置偏移信息。
在一些实施例中,该聚类分析模块1202,用于,包括:
第五确定单元,用于确定本次异常分析的意图信息;
第六确定单元,用于基于该意图信息,确定该目标用户数据的属性加权信息;
属性加权单元,用于根据该属性加权信息对该目标用户数据进行属性加权,得到属性加权数据;
第七确定单元,用于根据每个属性加权数据的数据值,确定该属性加权数据对应的用户数据所在的目标数据网格。
在一些实施例中,该装置还包括:
第一确定模块,用于确定该目标数据网格中,该目标用户数据之前的用户数据的密度信息;
该异常分析模块1203,还用于若该密度信息指示该目标用户数据之前的用户数据的密度不满足预设条件,执行该基于该目标数据网格中该目标用户数据之前的用户数据异的常信息,对该目标用户数据进行异常分析的步骤。
在一些实施例中,该装置还包括:
第二确定模块,用于若该密度信息指示该目标用户数据之前的用户数据的密度满足预设条件,则确定该目标用户数据为正常数据。
在一些实施例中,该装置还包括:
更新模块,用于响应于接收到新的用户数据流,根据该新的用户数据流的异常分析结果,更新该目标用户数据的异常分析结果。
在一些实施例中,该更新模块,包括:
更新单元,用于根据该新的用户数据流的位置信息,更新该目标用户数据的异常值;或者,
调整单元,用于根据该新的用户数据流的异常值,调整该相邻用户数据的异常值。
在本公开实施例中,实时接收用户数据流,将用户数据流中的目标用户数据划分至该目标用户数据所属的目标数据网格中,从而通过目标数据网格中的至少一个用户数据对该目标用户数据进行异常数据分析,从而无需对数据流进行存储再调用以及提取数据特征,实现了对数据流进行实时分析,防止了数据异常分析出现滞后。
需要说明的是:上述实施例提供的异常用户数据的确定装置在确定异常用户数据时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将终端的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的异常用户数据的确定装置与异常用户数据的确定方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图13是本公开实施例提供的一种服务器的结构示意图,该服务器1300可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(Central ProcessingUnits,CPU)1301和一个或一个以上的存储器1302,其中,该存储器1302中存储有至少一条指令,该至少一条指令由该处理器1301加载并执行以实现上述各个方法实施例提供的异常用户数据的确定方法。当然,该服务器1300还可以具有有线或无线网络接口、键盘以及输入输出接口等部件,以便进行输入输出,该服务器1300还可以包括其他用于实现设备功能的部件,在此不做赘述。
在示例性实施例中,还提供了一种计算机可读存储介质,计算机可读存储介质中存储至少一条指令,至少一条指令由服务器加载并执行,以实现上述实施例中异常用户数据的确定方法。该计算机可读存储介质可以是存储器。例如,该计算机可读存储介质可以是ROM(Read-Only Memory,只读存储器)、RAM(Random Access Memory,随机存取存储器)、CD-ROM(Compact Disc Read-Only Memory,紧凑型光盘只读储存器)、磁带、软盘和光数据存储设备等。
本公开实施例还提供了一种计算机程序产品,该计算机程序产品存储有至少一条程序代码,该至少一条程序代码由该处理器加载并执行以实现如上各个实施例示出的异常用户数据的确定方法。
在一些实施例中,本申请实施例所涉及的计算机程序可被部署在一个计算机设备上执行,或者在位于一个地点的多个计算机设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个计算机设备上执行,分布在多个地点且通过通信网络互连的多个计算机设备可以组成区块链系统。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,该程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上内容仅为本公开的可选实施例,并不用以限制本公开,凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (12)
1.一种异常用户数据的确定方法,其特征在于,所述方法应用于第二服务器,所述方法包括:
实时接收第一服务器发送的用户数据流,所述第一服务器为目标应用程序的后台服务器,所述目标应用程序安装在多个终端中,所述第一服务器用于实时接收任一终端发送的数据生成指令,基于所述数据生成指令生成用户数据流,向所述第二服务器发送所述用户数据流;
对于所述用户数据流中待处理的目标用户数据,对所述目标用户数据进行聚类分析,确定所述目标用户数据所属的目标数据网格,所述目标数据网格为数据属性网络中的数据网格,所述数据属性网络中包括多个数据网格,所述数据网格为基于不同的数据属性进行聚类得到的,所述数据网格中映射有至少一个用户数据;
基于所述目标数据网格中映射的至少一个用户数据的异常信息,对所述目标用户数据进行异常分析。
2.根据权利要求1所述的方法,其特征在于,所述基于所述目标数据网格中映射的至少一个用户数据的异常信息,对所述目标用户数据进行异常分析,包括:
确定所述目标数据网格中映射的至少一个用户数据在所述目标数据网格的第一分布信息;
确定所述目标用户数据在所述目标数据网格的第二分布信息;
根据所述第一分布信息和所述第二分布信息,确定所述目标用户数据与所述至少一个用户数据之间的分布差异信息;
基于所述分布差异信息,确定所述目标用户数据的异常信息。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第一分布信息和所述第二分布信息,确定所述目标用户数据与所述至少一个用户数据之间的分布差异信息,包括:
基于所述第一分布信息和所述第二分布信息,确定目标用户数据与所述至少一个用户数据之间的位置偏移信息;
将所述位置偏移信息确定为所述分布差异信息。
4.根据权利要求3所述的方法,其特征在于,所述基于所述第一分布信息和所述第二分布信息,确定目标用户数据与所述至少一个用户数据之间的位置偏移信息,包括:
对于所述至少一个用户数据中的每个用户数据,确定所述用户数据的生成时间;
根据所述用户数据的生成时间,确定所述用户数据对数据异常分析的影响程度,其中,所述影响程度与所述用户数据的生成时间和所述目标用户数据的生成时间之间的时间差呈负相关;
根据所述至少一个用户数据中的每个用户数据对所述目标用户数据的影响程度,确定所述位置偏移信息。
5.根据权利要求1所述的方法,其特征在于,所述对所述目标用户数据进行聚类分析,确定所述目标用户数据所属的目标数据网格,包括:
确定本次异常分析的意图信息;
基于所述意图信息,确定所述目标用户数据的属性加权信息;
根据所述属性加权信息对所述目标用户数据进行属性加权,得到属性加权数据;
根据每个属性加权数据的数据值,确定所述属性加权数据对应的用户数据所在的目标数据网格。
6.根据权利要求1所述的方法,其特征在于,在所述基于所述目标数据网格中映射的至少一个用户数据的异常信息,对所述目标用户数据进行异常分析之前,所述方法还包括:
确定所述目标数据网格中,所述目标用户数据之前的用户数据的密度信息;
若所述密度信息指示所述目标用户数据之前的用户数据的密度不满足预设条件,执行所述基于所述目标数据网格中映射的至少一个用户数据的异常信息,对所述目标用户数据进行异常分析的步骤。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
若所述密度信息指示所述目标用户数据之前的用户数据的密度满足预设条件,则确定所述目标用户数据为正常数据。
8.根据权利要求1所述的方法,其特征在于,所述基于所述目标数据网格中映射的至少一个用户数据的异常信息,对所述目标用户数据进行异常分析之后,所述方法还包括:
响应于接收到新的用户数据流,根据所述新的用户数据流的异常分析结果,更新所述目标用户数据的异常分析结果。
9.根据权利要求8所述的方法,其特征在于,所述根据所述新的用户数据流的异常分析结果,更新所述目标用户数据的异常分析结果,包括:
根据所述新的用户数据流的位置信息,更新所述目标用户数据的异常值;或者,
根据所述新的用户数据流的异常值,调整相邻用户数据的异常值。
10.一种异常用户数据的确定装置,其特征在于,所述装置应用于第二服务器,所述装置包括:
接收模块,用于实时接收第一服务器发送的用户数据流,所述第一服务器为目标应用程序的后台服务器,所述目标应用程序安装在多个终端中,所述第一服务器用于实时接收任一终端发送的数据生成指令,基于所述数据生成指令生成用户数据流,向所述第二服务器发送所述用户数据流;
聚类分析模块,用于对于所述用户数据流中待处理的目标用户数据,对所述目标用户数据进行聚类分析,确定所述目标用户数据所属的目标数据网格,所述目标数据网格为数据属性网络中的数据网格,所述数据属性网络中包括多个数据网格,所述数据网格为基于不同的数据属性进行聚类得到的,所述数据网格中映射有至少一个用户数据;
异常分析模块,用于基于所述目标数据网格中映射的至少一个用户数据的异常信息,对所述目标用户数据进行异常分析。
11.一种服务器,其特征在于,所述服务器包括一个或多个处理器和一个或多个存储器,所述一个或多个存储器中存储有至少一条程序代码,所述至少一条程序代码由所述一个或多个处理器加载并执行以实现如权利要求1至权利要求9任一项所述的异常用户数据的确定方法所执行的操作。
12.一种非临时性计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条程序代码,所述至少一条程序代码由处理器加载并执行以实现如权利要求1至权利要求9任一项所述的异常用户数据的确定方法所执行的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110534908.0A CN113268646B (zh) | 2021-05-17 | 2021-05-17 | 异常用户数据的确定方法、装置、服务器和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110534908.0A CN113268646B (zh) | 2021-05-17 | 2021-05-17 | 异常用户数据的确定方法、装置、服务器和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113268646A CN113268646A (zh) | 2021-08-17 |
CN113268646B true CN113268646B (zh) | 2022-07-15 |
Family
ID=77231296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110534908.0A Active CN113268646B (zh) | 2021-05-17 | 2021-05-17 | 异常用户数据的确定方法、装置、服务器和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113268646B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106453355A (zh) * | 2016-10-25 | 2017-02-22 | 东软集团股份有限公司 | 数据分析方法及装置 |
CN111614690A (zh) * | 2020-05-28 | 2020-09-01 | 上海观安信息技术股份有限公司 | 一种异常行为检测方法及装置 |
US10831785B2 (en) * | 2016-04-11 | 2020-11-10 | International Business Machines Corporation | Identifying security breaches from clustering properties |
-
2021
- 2021-05-17 CN CN202110534908.0A patent/CN113268646B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10831785B2 (en) * | 2016-04-11 | 2020-11-10 | International Business Machines Corporation | Identifying security breaches from clustering properties |
CN106453355A (zh) * | 2016-10-25 | 2017-02-22 | 东软集团股份有限公司 | 数据分析方法及装置 |
CN111614690A (zh) * | 2020-05-28 | 2020-09-01 | 上海观安信息技术股份有限公司 | 一种异常行为检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
"Research on Monitoring and Analysis of Operational Quality of SOA Service Based on Electric Power Enterprises";Xiaobo Huang 等;《IEEE》;20201228;全文 * |
"基于人工蜂群优化的密度聚类异常入侵检测算法";任维武 等;《吉林大学学报(理学版)》;20180131;第56卷(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113268646A (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111862292B (zh) | 输电线路走廊的数据渲染方法、装置和计算机设备 | |
US20240112398A1 (en) | Plant model generation method and apparatus, computer device and storage medium | |
CN111159897B (zh) | 基于系统建模应用的目标优化方法和装置 | |
CN116188805B (zh) | 海量图像的图像内容分析方法、装置和图像信息网络 | |
CN109683858B (zh) | 数据处理方法及装置 | |
CN116167581A (zh) | 电池需求量预估方法、装置、调度方法和计算机设备 | |
CN108833592A (zh) | 云主机调度器优化方法、装置、设备及存储介质 | |
CN114356712A (zh) | 数据处理方法、装置、设备、可读存储介质及程序产品 | |
CN111800807A (zh) | 一种基站用户数量告警的方法及装置 | |
CN113268646B (zh) | 异常用户数据的确定方法、装置、服务器和存储介质 | |
EP3528133A1 (en) | Data stream join method and device | |
CN112887910B (zh) | 异常覆盖区域的确定方法、装置和计算机可读存储介质 | |
CN111898276A (zh) | 架空线路的模型处理方法、装置、计算机设备和介质 | |
CN112765365A (zh) | 基于区块链离线支付的大数据处理方法、系统及推送平台 | |
WO2023159882A1 (zh) | 一种空间碰撞检测方法、装置及电子设备 | |
CN116721113A (zh) | 一种三维点云平面分割方法及系统 | |
CN111476886B (zh) | 智慧建筑楼宇三维模型渲染方法及楼宇云服务器 | |
CN109947803B (zh) | 一种数据处理方法、系统及存储介质 | |
CN108429632B (zh) | 一种业务监控方法和装置 | |
CN111401383A (zh) | 基于图像检测的目标框预估方法、系统、设备及介质 | |
CN116563674B (zh) | 样本图像增强方法、系统、电子设备及可读存储介质 | |
CN116842238B (zh) | 基于大数据分析的企业数据可视化实现方法及系统 | |
CN112689291B (zh) | 蜂窝网络小区负荷均衡评估方法、装置及设备 | |
CN116992062A (zh) | 推荐信息获取请求的处理方法、装置和计算机设备 | |
CN116760844A (zh) | 数字孪生模型的数据同步方法、装置、设备和存储介质 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20221028 Address after: 1311, Floor 13, No. 27, Zhongguancun Street, Haidian District, Beijing 100080 Patentee after: QIANDAI (BEIJING) INFORMATION TECHNOLOGY CO.,LTD. Patentee after: BEIJING SANKUAI ONLINE TECHNOLOGY Co.,Ltd. Address before: 100080 2106-030, 9 North Fourth Ring Road, Haidian District, Beijing. Patentee before: BEIJING SANKUAI ONLINE TECHNOLOGY Co.,Ltd. |