CN113570205A - 基于单分类的api风险设备识别方法、装置及电子设备 - Google Patents
基于单分类的api风险设备识别方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113570205A CN113570205A CN202110766143.3A CN202110766143A CN113570205A CN 113570205 A CN113570205 A CN 113570205A CN 202110766143 A CN202110766143 A CN 202110766143A CN 113570205 A CN113570205 A CN 113570205A
- Authority
- CN
- China
- Prior art keywords
- equipment
- risk
- sample data
- identifying
- sample
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000013145 classification model Methods 0.000 claims abstract description 29
- 238000002372 labelling Methods 0.000 claims abstract description 11
- 238000004891 communication Methods 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012804 iterative process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 241001122315 Polites Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于单分类的API风险设备识别方法、装置及电子设备,所述方法包括:获取多个渠道的原始设备样本数据;配置所述多个渠道中识别风险设备的统一标准,并对原始设备样本数据中符合所述统一标准的数据打上标签;提取原始设备样本数据中打上标签的风险设备数据作为训练样本训练单分类模型;基于训练好的所述单分类模型识别不同渠道接入的风险设备。本发明将各个渠道中识别风险设备的标准进行了统一,并基于统一的风险设备标准训练单分类模型,从而可以保证各个网络服务平台对风险设备识别结果的统一,而识别出风险设备后,其他设备即为无风险设备,从而可以各个平台风险识别结果的统一,提高风控能力。
Description
技术领域
本发明涉及计算机信息处理技术领域,具体而言,涉及一种基于单分类的API风险设备识别方法、装置、电子设备及计算机可读介质。
背景技术
随着互联网的发展,出现了各种互联网服务平台(也称渠道),比如:网购平台、网约车平台、共享平台、地图、音乐等等。这些平台给人们的生活带来了很大的便利,但因其与互联网紧密结合,会存在一些比如:欺诈、失信等的风险。
为了识别这些存在风险的设备,通常会采用机器学习模型来预测设备的风险值,将风险值大于阈值的设备识别为无风险设备,将风险值小于阈值的设备识别为有风险设备。但由于这些互联网服务平台的服务内容、服务质量不同,其面向的设备群体也不同。因此,不同平台设备数据存在差异化特征,这些差异化特征会导致模型无法对不同平台的风险设备和无风险设备进行统一标准的识别,也就是说:会出现同一个设备,在一个平台内会被识别为风险设备,而在另一个平台内会被识别为无风险设备的情况。
发明内容
有鉴于此,本发明主要目的在于提出一种基于单分类的API风险设备识别方法、装置、电子设备及计算机可读介质,以期至少部分地解决上述技术问题中的至少之一。
为了解决上述技术问题,本发明第一方面提出一种基于单分类的API风险设备识别方法,用于互联网服务中识别来自不同渠道的风险设备,所述方法包括:
获取多个渠道的原始设备样本数据;
配置所述多个渠道中识别风险设备的统一标准,并对原始设备样本数据中符合所述统一标准的数据打上标签;
提取原始设备样本数据中打上标签的风险设备数据作为训练样本训练单分类模型;
基于训练好的所述单分类模型识别不同渠道接入的风险设备。
根据本发明一种优选实施方式,所述单分类模型包括:
子训练模块,用于将训练样本映射为多维空间的样本数据点,并确定包含样本数据点的边界;
子识别模块,用于将测试样本映射为多维空间的测试数据点,并将所述边界内的测试数据点识别为风险设备。
根据本发明一种优选实施方式,所述边界为球形,所述子训练模块确定包含所有样本数据点的最小球面的球心和半径,并根据所述球心和半径确定边界。
根据本发明一种优选实施方式,所述边界为球形,所述子训练模块确定包含预定比例的样本数据点的最小球面的球心和半径,并根据所述球心和半径确定边界。
根据本发明一种优选实施方式,所述原始设备样本数据包括:设备ID及与设备ID相关的信息。
根据本发明一种优选实施方式,所述与设备ID相关的信息包括:设备型号、设备所在地域、设备资源归还记录,设备通信记录中的至少一个,配置所述多个渠道中识别风险设备的统一标准为:将设备资源归还记录中存在资源未按时归还和/或设备通信记录中存在与黑名单设备通信的设备ID识别为风险设备。
为了解决上述技术问题,本发明第二方面提供一种基于单分类的API风险设备识别装置,用于互联网服务中识别来自不同渠道的风险设备,所述装置包括:
获取模块,用于获取多个渠道的原始设备样本数据;
标注模块,用于配置所述多个渠道中识别风险设备的统一标准,并对原始设备样本数据中符合所述统一标准的数据打上标签;
训练模块,用于提取原始设备样本数据中打上标签的风险设备数据作为训练样本训练单分类模型;
识别模块,用于基于训练好的所述单分类模型识别不同渠道接入的风险设备。
根据本发明一种优选实施方式,所述单分类模型包括:
子训练模块,用于将训练样本映射为多维空间的样本数据点,并确定包含样本数据点的边界;
子识别模块,用于将测试样本映射为多维空间的测试数据点,并将所述边界内的测试数据点识别为风险设备。
根据本发明一种优选实施方式,所述边界为球形,所述子训练模块确定包含所有样本数据点的最小球面的球心和半径,并根据所述球心和半径确定边界。
根据本发明一种优选实施方式,所述边界为球形,所述子训练模块确定包含预定比例的样本数据点的最小球面的球心和半径,并根据所述球心和半径确定边界。
根据本发明一种优选实施方式,所述原始设备样本数据包括:设备ID及与设备ID相关的信息。
根据本发明一种优选实施方式,所述与设备ID相关的信息包括:设备型号、设备所在地域、设备资源归还记录,设备通信记录中的至少一个;所述标注模块配置所述多个渠道中识别风险设备的统一标准为:将设备资源归还记录中存在资源未按时归还和/或设备通信记录中存在与黑名单设备通信的设备ID识别为风险设备。
为解决上述技术问题,本发明第三方面提供一种电子设备,包括:
处理器;以及
存储计算机可执行指令的存储器,所述计算机可执行指令在被执行时使所述处理器执行上述的方法。
为解决上述技术问题,本发明第四方面提供一种计算机可读存储介质,其中,所述计算机可读存储介质存储一个或多个程序,当所述一个或多个程序被处理器执行时,实现上述方法。
本发明通过配置多个渠道中识别风险设备的统一标准,并对原始设备样本数据中符合所述统一标准的数据打上标签;提取原始设备样本数据中打上标签的风险设备数据作为训练样本训练单分类模型;基于训练好的所述单分类模型识别不同渠道接入的风险设备。本发明将各个渠道中识别风险设备的标准进行了统一,并基于统一的风险设备标准训练单分类模型,从而可以保证各个网络服务平台对风险设备识别结果的统一,而识别出风险设备后,其他设备即为无风险设备,从而可以各个平台风险识别结果的统一,提高风控能力。
附图说明
为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚,下面将参照附图详细描述本发明的具体实施例。但需声明的是,下面描述的附图仅仅是本发明的示例性实施例的附图,对于本领域的技术人员来讲,在不付出创造性劳动的前提下,可以根据这些附图获得其他实施例的附图。
图1是本发明实施例一种基于单分类的API风险设备识别方法的流程示意图;
图2是本发明实施例一种基于单分类的API风险设备识别装置的结构框架示意图;
图3是根据本发明的一种电子设备的示例性实施例的结构框图;
图4是本发明一种计算机可读介质实施例的示意图。
具体实施方式
现在将参考附图来更加全面地描述本发明的示例性实施例,虽然各示例性实施例能够以多种具体的方式实施,但不应理解为本发明仅限于在此阐述的实施例。相反,提供这些示例性实施例是为了使本发明的内容更加完整,更加便于将发明构思全面地传达给本领域的技术人员。
在符合本发明的技术构思的前提下,在某个特定的实施例中描述的结构、性能、效果或者其他特征可以以任何合适的方式结合到一个或更多其他的实施例中。
在对于具体实施例的介绍过程中,对结构、性能、效果或者其他特征的细节描述是为了使本领域的技术人员对实施例能够充分理解。但是,并不排除本领域技术人员可以在特定情况下,以不含有上述结构、性能、效果或者其他特征的技术方案来实施本发明。
附图中的流程图仅是一种示例性的流程演示,不代表本发明的方案中必须包括流程图中的所有的内容、操作和步骤,也不代表必须按照图中所显示的的顺序执行。例如,流程图中有的操作/步骤可以分解,有的操作/步骤可以合并或部分合并,等等,在不脱离本发明的发明主旨的情况下,流程图中显示的执行顺序可以根据实际情况改变。
附图中的框图一般表示的是功能实体,并不一定必然与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
各附图中相同的附图标记表示相同或类似的元件、组件或部分,因而下文中可能省略了对相同或类似的元件、组件或部分的重复描述。还应理解,虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分,但是这些器件、元件、组件或部分不应受这些定语的限制。也就是说,这些定语仅是用来将一者与另一者区分。例如,第一器件亦可称为第二器件,但不偏离本发明实质的技术方案。此外,术语“和/或”、“及/或”是指包括所列出项目中的任一个或多个的所有组合。
请参阅图1,图1是本发明提供的一种基于单分类的API风险设备识别方法,所述方法用于互联网服务中识别来自不同渠道的风险设备,其中,所述互联网服务可以是各种互联网服务平台提供的服务,所述互联网服务平台可以是网购平台、网约车平台、共享平台、搜索平台、社交平台等等,只要是多任务的,都可以适用,本发明不做具体限定。所述不同的渠道可以与不同的互联网服务平台对应,即一种渠道与一种互联网服务平台相对应。如图1所示,所述方法包括:
S1、获取多个渠道的原始设备样本数据;
本发明实施例中,不同的渠道配置有对应的应用程序接口(ApplicationProgramming Interface,API),则需要通过对应的API获取各个渠道的原始样本数据。比如,渠道为搜索平台,需要通过搜索平台对应的API获取该渠道的原始设备样本数据;渠道为打车平台,则需要通过打车平台敌营的API获取该渠道的原始设备样本数据。
所述原始设备样本数据可以是与设备相关的任何数据;示例性的,所述原始设备样本数据可以包括:设备ID及与设备ID相关的信息。可选的,所述与设备ID相关的信息可以包括:设备型号、设备所在地域、设备资源归还记录、设备通信记录、设备用户信息中的至少一种。
其中,设备资源归还记录指该设备申请资源后,对资源是否按期归还的记录。所述资源是指任何可被利用的物质、信息、金钱、时间等。信息资源包括计算资源和各种类型的数据资源。数据资源包括各个领域中的各种专用数据。所述设备通信记录可以包括设备中存储的通讯录联系人、设备中存储的通信记录等等与通信相关的信息。所述设备用户信息可以包括:使用设备用户的性别、年龄、学历、欺诈记录、违法违规记录等。
S2、配置所述多个渠道中识别风险设备的统一标准,并对原始设备样本数据中符合所述统一标准的数据打上标签;
本发明实施例中,所述统一标准可以根据风险类别进行配置,原则上只需要将各个渠道识别风险设备的标准统一起来即可。
在一种示例中,风险类别为欺诈风险,可以配置所述多个渠道中识别风险设备的统一标准为:将设备通信记录中存在与黑名单设备通信的设备ID识别为风险设备;其中,黑名单设备指存在欺诈记录的设备。或者,可以将设备用户信息中存在欺诈记录的设备ID识别为风险设备。
在又一种示例中,风险类别为逾期风险,可以配置将设备资源归还记录中存在资源未按时归还的设备ID识别为风险设备;或者,将设备资源归还记录中存在资源未按时归还,且未按时归还时间大于预设时间的设备ID识别为风险设备。
在又一种示例中,风险类别为违法违规风险,可以配置将设备用户信息中存在违法违规记录的设备ID识别为风险设备。
打标签的过程可以是人工标注的,或者通过标签模型等其他方式进行打标签。例如,对于欺诈风险,对设备通信记录中存在与黑名单设备通信的设备ID打上标签即可。
在打标签过程中,可能会存在风险设备的使用时间比较短,对应的原始设备样本数据中还没有来得及出现符合风险设备的统一标准;比如:采集的设备通信记录中还没有出现与黑名单设备通信的记录,也就是说样本数据的表现期太短,不足以为数据打上准确的标签,从而会出现对风险设备打标签不准的问题。为此,可以在打标签之前,在原始设备样本数据中剔除设备使用时间小于预设时间的数据。其中,预设时间可以设置为6个月,1年等。此外,还可以定时更新原始设备样本数据,以保证更新后的数据又足够的表现期,从而提高打标签的准确率。
此外,本发明还可以应用于图像识别领域,识别不合格产品。则原始样本数据为:来自不同渠道的成品外观图像。其中,渠道可以与不同的图像拍摄位置相对应。在一种示例中,可以配置所述多个渠道中识别不合格产品的统一标准为:将成品外观图像中图像轮廓与标准轮廓不一致的图像识别为不合格产品。示例性的,可以通过轮廓提取方法获取原始样本数据中符合所述统一标准的数据,并打上标签。
进一步的,本发明还可以应用于音频识别领域,识别对话系统中的不合格音频。则原始样本数据为:来自不同渠道的音频数据,其中,渠道可以与不同的对话场景相对应。在一种示例中,可以配置所述多个渠道中识别不合格音频的统一标准为:将存在空白音频时长大于预设值的音频数据识别为不合格音频,或者,将存在指定音频内容的音频数据识别为不合格音频。其中,指定音频内容可以是不礼貌、不文明用语等。
S3、提取原始设备样本数据中打上标签的风险设备数据作为训练样本训练单分类模型;
本发明中,单分类模型通过学习风险设备数据,将风险设备数据映射到多维空间,并且在约束条件下得到风险设备数据的最小边界,通过该边界来识别风险设备。
在一种示例中,所述单分类模型包括:
子训练模块,用于将训练样本映射为多维空间的样本数据点,并确定包含样本数据点的边界;
子识别模块,用于将测试样本映射为多维空间的测试数据点,并将所述边界内的测试数据点识别为风险设备。
优选的,所述边界为球形,所述子训练模块确定包含所有样本数据点的最小球面的球心和半径,并根据所述球心和半径确定边界。
此外,为了在半径最小的情况下尽可能覆盖更多的样本数据点,所述子训练模块确定包含预定比例的样本数据点的最小球面的球心和半径,并根据所述球心和半径确定边界。
其中,子训练模块可以在约束条件:(xi-a)T(xi-a)≤R2+εi;εi≥0,最小化目标函数来确定包含预定比例的样本数据点的最小球面的球心和半径。所述目标函数为:
在上述约束条件及目标函数中,a为球心,R为半径,xi为样本数据点,N数据点总个数,εi为第i个数据点在边界外的最大距离,T为转置。
在另一种示例中,所述训练模块可以通过迭代的方式确定包含样本数据点最多且半径最小的球心和半径,在迭代过程中,依次确定包含所有样本数据点的最小球面的球心O1和半径R1,包含第一预定比例的样本数据点的最小球面的球心O2和半径R2,…,包含第N预定比例的样本数据点的最小球面的球心On和半径Rn,将第i半径Ri与对应的第i预定比例的比值最小的球心和半径作为含样本数据点最多且半径最小的球心和半径;其中,预定比例指占所述样本数据点的比例,且相邻两个预定比例的比例间隔相等。比如,N=3,在迭代过程中,确定包含所有样本数据点的最小球面的球心O1、半径R1=0.3,包含90%的样本数据点的最小球面的球心O2、半径R2=0.2,包含80%的样本数据点的最小球面的球心O3、半径R3=0.18。则:0.3/1大于0.18/80%大于0.2/90%,将球心O2、半径R2作为含样本数据点最多且半径最小的球心和半径。
S4、基于训练好的所述单分类模型识别不同渠道接入的风险设备。
示例性的,可以通过不同的API获取不同渠道的设备数据,将设备数据输入训练好的单分类模型中,根据单分类模型的输出结果识别风险设备。
图2是本发明一种基于单分类的API风险设备识别装置,用于互联网服务中识别来自不同渠道的风险设备,如图2所示,所述装置包括:
获取模块21,用于获取多个渠道的原始设备样本数据;
标注模块22,用于配置所述多个渠道中识别风险设备的统一标准,并对原始设备样本数据中符合所述统一标准的数据打上标签;
训练模块23,用于提取原始设备样本数据中打上标签的风险设备数据作为训练样本训练单分类模型;
识别模块24,用于基于训练好的所述单分类模型识别不同渠道接入的风险设备。
在一种实施方式中,所述单分类模型包括:
子训练模块,用于将训练样本映射为多维空间的样本数据点,并确定包含样本数据点的边界;
子识别模块,用于将测试样本映射为多维空间的测试数据点,并将所述边界内的测试数据点识别为风险设备。
可选的,所述边界为球形,所述子训练模块确定包含所有样本数据点的最小球面的球心和半径,并根据所述球心和半径确定边界。
可选的,所述边界为球形,所述子训练模块确定包含预定比例的样本数据点的最小球面的球心和半径,并根据所述球心和半径确定边界。
在一种示例中,所述原始设备样本数据包括:设备ID及与设备ID相关的信息。所述与设备ID相关的信息包括:设备型号、设备所在地域、设备资源归还记录,设备通信记录中的至少一个;所述标注模块22配置所述多个渠道中识别风险设备的统一标准为:将设备资源归还记录中存在资源未按时归还和/或设备通信记录中存在与黑名单设备通信的设备ID识别为风险设备。
本领域技术人员可以理解,上述装置实施例中的各模块可以按照描述分布于装置中,也可以进行相应变化,分布于不同于上述实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
下面描述本发明的电子设备实施例,该电子设备可以视为对于上述本发明的方法和装置实施例的实体形式的实施方式。对于本发明电子设备实施例中描述的细节,应视为对于上述方法或装置实施例的补充;对于在本发明电子设备实施例中未披露的细节,可以参照上述方法或装置实施例来实现。
图3是根据本发明的一种电子设备的示例性实施例的结构框图。图3显示的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图3所示,该示例性实施例的电子设备300以通用数据处理设备的形式表现。电子设备300的组件可以包括但不限于:至少一个处理单元310、至少一个存储单元320、连接不同电子设备组件(包括存储单元320和处理单元310)的总线330、显示单元340等。
其中,所述存储单元320存储有计算机可读程序,其可以是源程序或都只读程序的代码。所述程序可以被处理单元310执行,使得所述处理单元310执行本发明各种实施方式的步骤。例如,所述处理单元310可以执行如图1所示的步骤。
所述存储单元320可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)3201和/或高速缓存存储单元3202,还可以进一步包括只读存储单元(ROM)3203。所述存储单元320还可以包括具有一组(至少一个)程序模块3205的程序/实用工具3204,这样的程序模块3205包括但不限于:操作电子设备、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线330可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备300也可以与一个或多个外部设备100(例如键盘、显示器、网络设备、蓝牙设备等)通信,使得用户能经由这些外部设备300与该电子设备300交互,和/或使得该电子设备300能与一个或多个其它数据处理设备(例如路由器、调制解调器等等)进行通信。这种通信可以通过输入/输出(I/O)接口350进行,还可以通过网络适配器360与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)进行。网络适配器360可以通过总线330与电子设备300的其它模块通信。应当明白,尽管图3中未示出,电子设备300中可使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID电子设备、磁带驱动器以及数据备份存储电子设备等。
图4是本发明的一个计算机可读介质实施例的示意图。如图4所示,所述计算机程序可以存储于一个或多个计算机可读介质上。计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的电子设备、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。当所述计算机程序被一个或多个数据处理设备执行时,使得该计算机可读介质能够实现本发明的上述方法,即:获取多个渠道的原始设备样本数据;配置所述多个渠道中识别风险设备的统一标准,并对原始设备样本数据中符合所述统一标准的数据打上标签;提取原始设备样本数据中打上标签的风险设备数据作为训练样本训练单分类模型;基于训练好的所述单分类模型识别不同渠道接入的风险设备。
通过以上的实施方式的描述,本领域的技术人员易于理解,本发明描述的示例性实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个计算机可读的存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台数据处理设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。
所述计算机可读存储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,其中承载了可读程序代码。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。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行电子设备、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语音的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语音包括面向对象的程序设计语音—诸如Java、C++等,还包括常规的过程式程序设计语音—诸如“C”语音或类似的程序设计语音。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
综上所述,本发明可以执行计算机程序的方法、装置、电子设备或计算机可读介质来实现。可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现本发明的一些或者全部功能。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,应理解的是,本发明不与任何特定计算机、虚拟装置或者电子设备固有相关,各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于单分类的API风险设备识别方法,用于互联网服务中识别来自不同渠道的风险设备,其特征在于,所述方法包括:
获取多个渠道的原始设备样本数据;
配置所述多个渠道中识别风险设备的统一标准,并对原始设备样本数据中符合所述统一标准的数据打上标签;
提取原始设备样本数据中打上标签的风险设备数据作为训练样本训练单分类模型;
基于训练好的所述单分类模型识别不同渠道接入的风险设备。
2.根据权利要求1所述的方法,其特征在于,所述单分类模型包括:
子训练模块,用于将训练样本映射为多维空间的样本数据点,并确定包含样本数据点的边界;
子识别模块,用于将测试样本映射为多维空间的测试数据点,并将所述边界内的测试数据点识别为风险设备。
3.根据权利要求2所述的方法,其特征在于,所述边界为球形,所述子训练模块确定包含所有样本数据点的最小球面的球心和半径,并根据所述球心和半径确定边界。
4.根据权利要求2所述的方法,其特征在于,所述边界为球形,所述子训练模块确定包含预定比例的样本数据点的最小球面的球心和半径,并根据所述球心和半径确定边界。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述原始设备样本数据包括:设备ID及与设备ID相关的信息。
6.根据权利要求5所述的方法,其特征在于,所述与设备ID相关的信息包括:设备型号、设备所在地域、设备资源归还记录,设备通信记录中的至少一个,配置所述多个渠道中识别风险设备的统一标准为:将设备资源归还记录中存在资源未按时归还和/或设备通信记录中存在与黑名单设备通信的设备ID识别为风险设备。
7.一种基于单分类的API风险设备识别装置,用于互联网服务中识别来自不同渠道的风险设备,其特征在于,所述装置包括:
获取模块,用于获取多个渠道的原始设备样本数据;
标注模块,用于配置所述多个渠道中识别风险设备的统一标准,并对原始设备样本数据中符合所述统一标准的数据打上标签;
训练模块,用于提取原始设备样本数据中打上标签的风险设备数据作为训练样本训练单分类模型;
识别模块,用于基于训练好的所述单分类模型识别不同渠道接入的风险设备。
8.根据权利要求7所述的装置,其特征在于,所述单分类模型包括:
子训练模块,用于将训练样本映射为多维空间的样本数据点,并确定包含样本数据点的边界;
子识别模块,用于将测试样本映射为多维空间的测试数据点,并将所述边界内的测试数据点识别为风险设备。
9.一种电子设备,包括:
处理器;以及
存储计算机可执行指令的存储器,所述计算机可执行指令在被执行时使所述处理器执行根据权利要求1-6中任一项所述的方法。
10.一种计算机可读存储介质,其中,所述计算机可读存储介质存储一个或多个程序,当所述一个或多个程序被处理器执行时,实现权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110766143.3A CN113570205A (zh) | 2021-07-07 | 2021-07-07 | 基于单分类的api风险设备识别方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110766143.3A CN113570205A (zh) | 2021-07-07 | 2021-07-07 | 基于单分类的api风险设备识别方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113570205A true CN113570205A (zh) | 2021-10-29 |
Family
ID=78163885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110766143.3A Pending CN113570205A (zh) | 2021-07-07 | 2021-07-07 | 基于单分类的api风险设备识别方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113570205A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116701914A (zh) * | 2023-06-21 | 2023-09-05 | 广东星云开物科技股份有限公司 | 一种硬件设备异常使用识别方法、装置、存储装置及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101564328A (zh) * | 2009-05-07 | 2009-10-28 | 杭州电子科技大学 | 基于支持向量数据描述的膝上假肢多运动模式识别方法 |
CN107248114A (zh) * | 2017-06-01 | 2017-10-13 | 世纪禾光科技发展(北京)有限公司 | 电商贷款管理方法和系统 |
CN108830407A (zh) * | 2018-05-30 | 2018-11-16 | 华东交通大学 | 多工况条件下结构健康监测中的传感器分布优化方法 |
CN110852754A (zh) * | 2019-10-31 | 2020-02-28 | 支付宝(杭州)信息技术有限公司 | 一种风险识别方法、装置及设备 |
US20200364349A1 (en) * | 2019-05-15 | 2020-11-19 | Arizona Board of Regents of behalf of Arizona State University | Systems and methods for an at-risk system identification via analysis of online hacker community discussions |
CN112102062A (zh) * | 2020-07-24 | 2020-12-18 | 北京淇瑀信息科技有限公司 | 一种基于弱监督学习的风险评估方法、装置及电子设备 |
CN112598443A (zh) * | 2020-12-25 | 2021-04-02 | 山东鲁能软件技术有限公司 | 一种基于深度学习的线上渠道业务数据处理方法及系统 |
CN112949854A (zh) * | 2021-02-25 | 2021-06-11 | 平安科技(深圳)有限公司 | 多渠道用户购车意愿评估模型训练方法、装置及设备 |
CN113034153A (zh) * | 2021-03-26 | 2021-06-25 | 支付宝(杭州)信息技术有限公司 | 一种基于共享学习的被欺诈风险识别方法、装置及设备 |
US20210201417A1 (en) * | 2019-12-28 | 2021-07-01 | Kpn Innovations, Llc | Methods and systems for making a coverage determination |
-
2021
- 2021-07-07 CN CN202110766143.3A patent/CN113570205A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101564328A (zh) * | 2009-05-07 | 2009-10-28 | 杭州电子科技大学 | 基于支持向量数据描述的膝上假肢多运动模式识别方法 |
CN107248114A (zh) * | 2017-06-01 | 2017-10-13 | 世纪禾光科技发展(北京)有限公司 | 电商贷款管理方法和系统 |
CN108830407A (zh) * | 2018-05-30 | 2018-11-16 | 华东交通大学 | 多工况条件下结构健康监测中的传感器分布优化方法 |
US20200364349A1 (en) * | 2019-05-15 | 2020-11-19 | Arizona Board of Regents of behalf of Arizona State University | Systems and methods for an at-risk system identification via analysis of online hacker community discussions |
CN110852754A (zh) * | 2019-10-31 | 2020-02-28 | 支付宝(杭州)信息技术有限公司 | 一种风险识别方法、装置及设备 |
US20210201417A1 (en) * | 2019-12-28 | 2021-07-01 | Kpn Innovations, Llc | Methods and systems for making a coverage determination |
CN112102062A (zh) * | 2020-07-24 | 2020-12-18 | 北京淇瑀信息科技有限公司 | 一种基于弱监督学习的风险评估方法、装置及电子设备 |
CN112598443A (zh) * | 2020-12-25 | 2021-04-02 | 山东鲁能软件技术有限公司 | 一种基于深度学习的线上渠道业务数据处理方法及系统 |
CN112949854A (zh) * | 2021-02-25 | 2021-06-11 | 平安科技(深圳)有限公司 | 多渠道用户购车意愿评估模型训练方法、装置及设备 |
CN113034153A (zh) * | 2021-03-26 | 2021-06-25 | 支付宝(杭州)信息技术有限公司 | 一种基于共享学习的被欺诈风险识别方法、装置及设备 |
Non-Patent Citations (1)
Title |
---|
王春杰: "《轻松学Python编程》", 中国铁道出版社, pages: 336 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116701914A (zh) * | 2023-06-21 | 2023-09-05 | 广东星云开物科技股份有限公司 | 一种硬件设备异常使用识别方法、装置、存储装置及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107908635B (zh) | 建立文本分类模型以及文本分类的方法、装置 | |
CN107193973B (zh) | 语义解析信息的领域识别方法及装置、设备及可读介质 | |
CN107908641B (zh) | 一种获取图片标注数据的方法和系统 | |
US20180349781A1 (en) | Method and device for judging news quality and storage medium | |
CN107909088B (zh) | 获取训练样本的方法、装置、设备和计算机存储介质 | |
CN110245232B (zh) | 文本分类方法、装置、介质和计算设备 | |
CN113064964A (zh) | 文本分类方法、模型训练方法、装置、设备以及存储介质 | |
US11182605B2 (en) | Search device, search method, search program, and recording medium | |
CN113158656B (zh) | 讽刺内容识别方法、装置、电子设备以及存储介质 | |
CN111259160A (zh) | 知识图谱构建方法、装置、设备及存储介质 | |
CN112784591B (zh) | 数据的处理方法、装置、电子设备和存储介质 | |
CN110362825A (zh) | 一种基于文本的金融数据抽取方法、装置和电子设备 | |
CN108268602A (zh) | 分析文本话题点的方法、装置、设备和计算机存储介质 | |
CN112989050A (zh) | 一种表格分类方法、装置、设备及存储介质 | |
CN113570205A (zh) | 基于单分类的api风险设备识别方法、装置及电子设备 | |
CN111125550A (zh) | 兴趣点分类方法、装置、设备及存储介质 | |
CN110362688B (zh) | 试题标注方法、装置、设备及计算机可读存储介质 | |
CN112231444A (zh) | 结合rpa和ai的语料数据的处理方法、装置和电子设备 | |
CN116402166A (zh) | 一种预测模型的训练方法、装置、电子设备及存储介质 | |
CN113569929B (zh) | 基于小样本扩展的互联网服务提供方法、装置及电子设备 | |
CN110705308A (zh) | 语音信息的领域识别方法、装置、存储介质及电子设备 | |
CN115017385A (zh) | 一种物品搜索方法、装置、设备和存储介质 | |
US20210295036A1 (en) | Systematic language to enable natural language processing on technical diagrams | |
CN114065752A (zh) | 一种基于文本的风险设备识别方法、装置及电子设备 | |
RU2549118C2 (ru) | Итеративное пополнение электронного словника |
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 |