CN113572753A - 基于牛顿冷却定律的用户设备认证方法和装置 - Google Patents
基于牛顿冷却定律的用户设备认证方法和装置 Download PDFInfo
- Publication number
- CN113572753A CN113572753A CN202110821981.6A CN202110821981A CN113572753A CN 113572753 A CN113572753 A CN 113572753A CN 202110821981 A CN202110821981 A CN 202110821981A CN 113572753 A CN113572753 A CN 113572753A
- Authority
- CN
- China
- Prior art keywords
- user equipment
- variable
- newton
- variables
- cooling
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000001816 cooling Methods 0.000 title claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 13
- 230000006399 behavior Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims 1
- 230000010365 information processing Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000009467 reduction Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/10—Network architectures or network communication protocols for network security for controlling access to devices or network resources
- H04L63/108—Network architectures or network communication protocols for network security for controlling access to devices or network resources when the policy decisions are valid for a limited amount of time
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于在计算机信息处理技术领域，提供一种基于牛顿冷却定律的用户设备认证方法、装置和电子设备，方法包括：获取用户设备的互联网服务请求数据，从所述请求数据中筛选出时序变量；根据牛顿冷却定律将所述时序变量转化为衍生变量；使用历史用户设备的衍生变量建立并训练认证模型，并使用所述认证模型对请求所述互联网服务的新用户设备进行认证。本发明通过获取历史用户的用户信息，从用户信息中筛选出时序变量，并根据牛顿冷却定律用时序变量衍生出衍生变量，最后用衍生变量来训练认证模型，利用训练好的认证模型对新用户设备进行认证，降低了变量的共线性，有效提高了变量的IV值，进而提升了认证模型的准确率，降低了损失。
Description
技术领域
本发明属于计算机信息处理技术领域，更具体的是涉及一种基于牛顿冷却定律的用户设备认证方法、装置、电子设备和计算机可读介质。
背景技术
在各个领域中，特征对模型的效果影响尤为突出，好的特征不仅需要能够提高模型在训练集上的效果，而且在跨时间验证上的效果也要较为稳定。一般来说，用户进行资源请求的次数代表着对资源的需求程度，资源管理平台常用用户对资源的需求程度和机器学习模型来评价该用户的好坏程度，但是，在训练模型过程中，有许多包含着时间序列属性的特征，这类特征往往会存在共线性造成模型不稳定，模型无法考虑这些特征在整个资源请求周期中的表现规律，影响模型输出结果的准确率，从而影响到资源管理平台对用户的评价和认证。
发明内容
(一)要解决的技术问题
本发明旨在解决如何构建特征使机器学习模型输出结果更准确的技术问题。
(二)技术方案
为解决上述技术问题，本发明的一方面提出一种基于牛顿冷却定律的用户设备认证方法，包括：
获取用户设备的互联网服务请求数据，从所述请求数据中筛选出时序变量；
根据牛顿冷却定律将所述时序变量转化为衍生变量；
使用历史用户设备的衍生变量建立并训练认证模型，并使用所述认证模型对请求所述互联网服务的新用户设备进行认证。
根据本发明的优选实施方式，所述获取用户设备的互联网服务请求数据，从所述请求数据中筛选出时序变量，进一步包括：
获取与用户设备关联用户的行为数据；
从所述行为数据中筛选出存在共线性关系的变量；
将历史不同时间段的所述存在共线性关系的变量组合为时序变量。
根据本发明的优选实施方式，所述历史不同时间段包括：
当前时间的前七天、当前时间的前一个月、当前时间的前三个月、当前时间的前六个月及当前时间的前一年。
根据本发明的优选实施方式，所述时序变量包括：用户的互联网服务请求次数。
根据本发明的优选实施方式，所述根据牛顿冷却定律将所述时序变量转化为衍生变量，进一步包括：
利用牛顿冷却公式将所述历史不同时间段的服务请求次数进行衰减得到衍生服务请求次数，将所述衍生服务请求次数作为衍生变量。
根据本发明的优选实施方式，所述牛顿冷却公式为：
Ti＝Yi*e^(-a*ti)
其中，Ti表示第i个月衰减至当前月的资源请求次数，Yi表示第i个月的资源请求次数，a表示衰减系数，ti表示时间间隔。
根据本发明的优选实施方式，在使用历史用户设备的衍生变量建立并训练认证模型前，所述方法还包括：
将所述衍生变量的IV值最大作为指标计算对应的最优衰减系数；
根据所述最优衰减系数确定输入所述认证模型的衍生变量。
本发明第二方面提出一种基于牛顿冷却定律的用户设备认证装置，包括：
时序变量获取模块，用于获取用户设备的互联网服务请求数据，从所述请求数据中筛选出时序变量；
衍生变量转化模块，用于根据牛顿冷却定律将所述时序变量转化为衍生变量；
认证模块，用于使用历史用户设备的衍生变量建立并训练认证模型，并使用所述认证模型对请求所述互联网服务的新用户设备进行认证。
本发明第三方面提出一种电子设备，包括处理器和存储器，所述存储器用于存储计算机可执行程序，当所述计算机程序被所述处理器执行时，所述处理器执行所述的方法。
本发明第四方面还提出一种计算机可读介质，存储有计算机可执行程序，所述计算机可执行程序被执行时，实现所述的方法。
(三)有益效果
本发明通过获取历史用户的用户信息，从用户信息中筛选出时序变量，并根据牛顿冷却定律用时序变量衍生出衍生变量，最后用衍生变量来训练认证模型，利用训练好的认证模型对新用户设备进行认证，降低了变量的共线性，有效提高了变量的IV值，进而提升了认证模型的准确率，降低了损失。
附图说明
图1是本发明一个实施例的一种基于牛顿冷却定律的用户设备认证方法流程示意图；
图2是本发明一个实施例的一种基于牛顿冷却定律的用户设备认证装置示意图；
图3是本发明的一个实施例的电子设备的结构示意图；
图4是本发明的一个实施例的计算机可读记录介质的示意图。
具体实施方式
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/或处理单元装置和/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。
现有技术中，为了满足模型的稳定性和可解释性要求，在做机器学习模型流程是清洗、分箱WOE值、共线性检验、排序、单调性验证、建模、验证等。所以共线性时间切片变量如何处理较为关键，常用方法有PCA降维、LDA降维、小波变换、自编码降维等，而常用方法都是无监督降维，其降维结果往往差强人意，降维后的入模变量的信息值(IV值)并未提高多少。
在互联网的各个领域均存在着互联网服务，例如借贷、购物、打车、地图、外卖，针对金融领域，金融产品种类繁多，其中与借贷相关产品更是举不胜数，此时金融机构需要对于申请借贷的用户的逾期风险进行提前预测。
为解决上述技术问题，本发明提出一种基于牛顿冷却定律的用户设备认证方法。牛顿冷却定律反映的是当物体表面与周围存在温度差时，单位时间从单位面积散失的热量与温度差成正比，而这个比例系数称为热传递系数。在信息流场景中，如果把一篇文章热度曝光或者排名情况想象成温度，随着时间的推移，最终帖子的排名也是会慢慢降下来。
本发明实施例以金融领域为例来说明。在金融领域中，特征对模型的效果影响尤为突出，好的特征不仅需要能够提高模型在训练集上的效果，而且在跨时间验证上的效果也要较为稳定。用户向金融平台申请贷款，用户在一定时间内的申请次数可以反映用户对资金的需求程度，历史资金需求程度对客群好坏程度有一定的影响。例如，某用户近三个月申请贷款的次数较多，但近一个月申请次数较少，且产生了1次逾期记录，那么极有可能是此人由于申请通过率低，近一个月放弃了申请；但对于无逾期记录的人，申请通过率高，近一个月申请次数并未相对减少。但是，在建模过程中，多头或共债类的变量往往包含着时间序列的属性在其中，这类变量往往会存在共线性造成模型的不稳定。
例如分别获取了用户近一周的申请次数、近一个月的申请次数、近6个月的申请次数、近12个月申请次数。由于多头申请存在共线性关系，最终将多头申请变量输入认证模型时只是其中某一个。为此本发明实施例中将各个时间切片的多头申请次数利用牛顿冷却定律合并为一个新的申请衍生变量，使得新的变量IV值(即信息值，用于评价输入变量的编码和预测能力)比各时间切片都有显著提升，IV值越大，表示该变量的预测能力越强，因此本发明构造新的反映用户资金需求的变量来减小变量的共线性。
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。
图1是本发明一个是实施例的一种基于牛顿冷却定律的用户设备认证方法流程示意图。
如图1所示，本方法包括：
S101、获取用户设备的互联网服务请求数据，从所述请求数据中筛选出时序变量。
在一些实施例中，用户通过设备登录金融平台客户端，并在客户端内进行借贷请求，金融机构在用户授权后获取与登录设备相关联的用户信息和行为数据，其中，用户信息包括用户年龄、性别、学历、职业等信息，用户行为数据包括用户登录金融机构客户端后的曝光、点击操作、在每个页面停留的时间及申请的业务和产品，还包括用户历史的业务申请记录、消费行为等。
在获取到用户的信息和行为数据后，从这些数据中筛选出存在共线性关系的变量，例如在不同历史时间段内申请贷款的次数、申请的金融机构数量、申请间隔天数等。
在筛选出存在共线性关系的变量后，将历史不同时间段的所述存在共线性关系的变量组合为时序变量。例如分别筛选出用户当前时间的前七天、当前时间的前一个月、当前时间的前三个月、当前时间的前六个月及当前时间的前一年的申请贷款请求次数，则将这些时间段内的申请贷款请求次数组合为一组，作为时序变量使用。
S102、根据牛顿冷却定律将所述时序变量转化为衍生变量。
在一些实施例中，利用牛顿冷却公式将得到的时序变量进行衰减，得到衍生变量，具体的牛顿冷却公式为：Ti＝Yi*e^(-a*ti)
其中，Ti表示第i个月衰减至当前月的资源请求次数，Yi表示第i个月的资源请求次数，a表示衰减系数，ti表示时间间隔。
本发明实施例以用户当前时间的前七天、当前时间的前一个月、当前时间的前三个月、当前时间的前六个月及当前时间的前一年的申请贷款请求次数为例，经过牛顿冷却公式进行衍生后，衍生变量T为：
其中，X0表示用户近7天的申请贷款请求次数、X1表示近30天的申请贷款请求次数、X2表示用户近3个月的申请贷款请求次数、X3表示用户近6个月的申请贷款请求次数、X4表示用户近12个月的申请贷款请求次数，求得的T即为衍生后的衍生变量。
在秋的衍生变量T后，确定衍生变量T的最优衰减系数，以每个衍生变量T的IV值为指标，全局搜索使衍生变量T的IV值最大时的衰减系数a作为最优衰减系数，而此时对应的衍生变量T作为最终输入认证模型的衍生变量。
S103、使用历史用户设备的衍生变量建立并训练认证模型，并使用所述认证模型对请求所述互联网服务的新用户设备进行认证。
在一些实施例中，通过从历史用户的用户信息和行为数据中筛选出时序变量并衍生为衍生变量后，将这些衍生变量作为样本数据输入机器学习模型就行训练，通过预设指标得到训练完成的认证模型，用于对用户设备及申请权限等进行认证，当有新用户有贷款请求时，通过训练好的认证模型便可判断该用户是否能通过认证，若其通过认证，则说明该用户具有良好的还款能力，可以对其放款，若该用户未通过认证，则说明该用户有极大可能逾期还款，则拒绝对其放款。
以上述实施例中的申请贷款次数作为时序变量为例，选取近7天、近1月、近3月、近6月的变量，判断原始时序变量及衍生后的衍生变量对对训练模型时的各项指标数据如表1所示：
表1
从表1可以得出，使用原始的时序变量来训练模型，AUC为0.6531，KS为0.2439，而使用牛顿冷却定律衍生的变量后，AUC为0.6583，KS为0.2511，相比原始结果AUC和KS均略有提升。因此，在后续训练模型过程中，可以使用牛顿冷却定律来衍生时序变量，降低变量的共线性，减少了变量的信息损失，使得模型训练结果更加准确。
本发明实施例通过获取历史用户的用户信息，从用户信息中筛选出时序变量，并根据牛顿冷却定律用时序变量衍生出衍生变量，最后用衍生变量来训练认证模型，利用训练好的认证模型对新用户设备进行认证，降低了变量的共线性，有效提高了变量的IV值，进而提升了认证模型的准确率，降低了损失。
本领域技术人员可以理解，实现上述实施例的全部或部分步骤被实现为由计算机数据处理设备执行的程序(计算机程序)。在该计算机程序被执行时，可以实现本发明提供的上述方法。而且，所述的计算机程序可以存储于计算机可读存储介质中，该存储介质可以是磁盘、光盘、ROM、RAM等可读存储介质，也可以是多个存储介质组成的存储阵列，例如磁盘或磁带存储阵列。所述的存储介质不限于集中式存储，其也可以是分布式存储，例如基于云计算的云存储。
下面描述本发明的装置实施例，该装置可以用于执行本发明的方法实施例。对于本发明装置实施例中描述的细节，应视为对于上述方法实施例的补充；对于在本发明装置实施例中未披露的细节，可以参照上述方法实施例来实现。
图2是本发明一个是实施例的一种基于牛顿冷却定律的用户设备认证装置示意图，如图2所示，该装置200包括：
时序变量获取模块201，用于获取用户设备的互联网服务请求数据，从所述请求数据中筛选出时序变量；
衍生变量转化模块202，用于根据牛顿冷却定律将所述时序变量转化为衍生变量；
认证模块203，用于使用历史用户设备的衍生变量建立并训练认证模型，并使用所述认证模型对请求所述互联网服务的新用户设备进行认证。
其中，信息获取模块201进一步包括：
身份信息获取单元，用于获取所述历史用户的用户身份信息；
行为信息获取单元，用于获取所述历史用户的业务请求中产生的用户行为数据和实际的行为标签。
根据本发明的优选实施方式，时序变量获取模块201进一步包括：
数据获取单元，用于获取与用户设备关联用户的行为数据；
变量筛选单元，用于从所述行为数据中筛选出存在共线性关系的变量；
变量组合单元，用于将历史不同时间段的所述存在共线性关系的变量组合为时序变量。
所述历史不同时间段包括：
当前时间的前七天、当前时间的前一个月、当前时间的前三个月、当前时间的前六个月及当前时间的前一年。
所述时序变量包括：用户的互联网服务请求次数。
根据本发明的优选实施方式，衍生变量转化模块202还用于：
利用牛顿冷却公式将所述历史不同时间段的服务请求次数进行衰减得到衍生服务请求次数，将所述衍生服务请求次数作为衍生变量。
所述牛顿冷却公式为：
Ti＝Yi*e^(-a*ti)
其中，Ti表示第i个月衰减至当前月的资源请求次数，Yi表示第i个月的资源请求次数，a表示衰减系数，ti表示时间间隔。
根据本发明的优选实施方式，装置200还包括衍生变量优化模块，包括：
最优衰减系数计算单元，用于将所述衍生变量的IV值最大作为指标计算对应的最优衰减系数；
衍生变量优化单元，用于根据所述最优衰减系数确定输入所述认证模型的衍生变量。
图3是本发明的一个实施例的电子设备的结构示意图，该电子设备包括处理器和存储器，所述存储器用于存储计算机可执行程序，当所述计算机程序被所述处理器执行时，所述处理器执行基于牛顿冷却定律的用户设备认证方法。
如图3所示，电子设备以通用计算设备的形式表现。其中处理器可以是一个，也可以是多个并且协同工作。本发明也不排除进行分布式处理，即处理器可以分散在不同的实体设备中。本发明的电子设备并不限于单一实体，也可以是多个实体设备的总和。
所述存储器存储有计算机可执行程序，通常是机器可读的代码。所述计算机可读程序可以被所述处理器执行，以使得电子设备能够执行本发明的方法，或者方法中的至少部分步骤。
所述存储器包括易失性存储器，例如随机存取存储单元(RAM)和/或高速缓存存储单元，还可以是非易失性存储器，如只读存储单元(ROM)。
可选的，该实施例中，电子设备还包括有I/O接口，其用于电子设备与外部的设备进行数据交换。I/O接口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。
应当理解，图3显示的电子设备仅仅是本发明的一个示例，本发明的电子设备中还可以包括上述示例中未示出的元件或组件。例如，有些电子设备中还包括有显示屏等显示单元，有些电子设备还包括人机交互元件，例如按扭、键盘等。只要该电子设备能够执行存储器中的计算机可读程序以实现本发明方法或方法的至少部分步骤，均可认为是本发明所涵盖的电子设备。
图4是本发明的一个实施例的计算机可读记录介质的示意图。如图4所示，计算机可读记录介质中存储有计算机可执行程序，所述计算机可执行程序被执行时，实现本发明上述的基于牛顿冷却定律的用户设备认证方法。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系统、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。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该计算机可读介质实现如下功能：获取用户设备的互联网服务请求数据，从所述请求数据中筛选出时序变量；根据牛顿冷却定律将所述时序变量转化为衍生变量；使用历史用户设备的衍生变量建立并训练认证模型，并使用所述认证模型对请求所述互联网服务的新用户设备进行认证。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言-诸如Java、C++等，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)。
通过以上对实施方式的描述，本领域的技术人员易于理解，本发明可以由能够执行特定计算机程序的硬件来实现，例如本发明的系统，以及系统中包含的电子处理单元、服务器、客户端、手机、控制单元、处理器等。本发明也可以由执行本发明的方法的计算机软件来实现。但需要说明的是，执行本发明的方法的计算机软件并不限于由一个或特定个的硬件实体中执行，其也可以是由不特定具体硬件的以分布式的方式来实现，例如计算机程序执行的某些方法步骤可以在移动客户端执行，另一部分可以在智能表、智能识别笔等中执行。对于计算机软件，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，也可以分布式存储于网络上，只要其能使得电子设备执行根据本发明的方法。
综上所述，本发明可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，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根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
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)
1.一种基于牛顿冷却定律的用户设备认证方法，其特征在于，包括：
获取用户设备的互联网服务请求数据，从所述请求数据中筛选出时序变量；
根据牛顿冷却定律将所述时序变量转化为衍生变量；
使用历史用户设备的衍生变量建立并训练认证模型，并使用所述认证模型对请求所述互联网服务的新用户设备进行认证。
2.根据权利要求1所述的基于牛顿冷却定律的用户设备认证方法，其特征在于，所述获取用户设备的互联网服务请求数据，从所述请求数据中筛选出时序变量，进一步包括：
获取与用户设备关联用户的行为数据；
从所述行为数据中筛选出存在共线性关系的变量；
将历史不同时间段的所述存在共线性关系的变量组合为时序变量。
3.根据权利要求1或2任一项所述的基于牛顿冷却定律的用户设备认证的用户设备认证方法，其特征在于，所述历史不同时间段包括：
当前时间的前七天、当前时间的前一个月、当前时间的前三个月、当前时间的前六个月及当前时间的前一年。
4.根据权利要求1-3任一项所述的基于牛顿冷却定律的用户设备认证的用户设备认证方法，其特征在于，所述时序变量包括：用户的互联网服务请求次数。
5.根据权利要求1-4任一项所述的基于牛顿冷却定律的用户设备认证的用户设备认证方法，其特征在于，所述根据牛顿冷却定律将所述时序变量转化为衍生变量，进一步包括：
利用牛顿冷却公式将所述历史不同时间段的服务请求次数进行衰减得到衍生服务请求次数，将所述衍生服务请求次数作为衍生变量。
6.根据权利要求1-5任一项所述的基于牛顿冷却定律的用户设备认证的用户设备认证方法，其特征在于，所述牛顿冷却公式为：
Ti＝Yi*e^(-a*ti)
其中，Ti表示第i个月衰减至当前月的资源请求次数，Yi表示第i个月的资源请求次数，a表示衰减系数，ti表示时间间隔。
7.根据权利要求1-6任一项所述的基于牛顿冷却定律的用户设备认证的用户设备认证方法，其特征在于，在使用历史用户设备的衍生变量建立并训练认证模型前，所述方法还包括：
将所述衍生变量的IV值最大作为指标计算对应的最优衰减系数；
根据所述最优衰减系数确定输入所述认证模型的衍生变量。
8.一种基于牛顿冷却定律的用户设备认证装置，其特征在于，包括：
时序变量获取模块，用于获取用户设备的互联网服务请求数据，从所述请求数据中筛选出时序变量；
衍生变量转化模块，用于根据牛顿冷却定律将所述时序变量转化为衍生变量；
认证模块，用于使用历史用户设备的衍生变量建立并训练认证模型，并使用所述认证模型对请求所述互联网服务的新用户设备进行认证。
9.一种电子设备，包括处理器和存储器，所述存储器用于存储计算机可执行程序，其特征在于：
当所述计算机程序被所述处理器执行时，所述处理器执行如权利要求1-7中任一项所述的方法。
10.一种计算机可读介质，存储有计算机可执行程序，其特征在于，所述计算机可执行程序被执行时，实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110821981.6A CN113572753B (zh) | 2021-07-16 | 2021-07-16 | 基于牛顿冷却定律的用户设备认证方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110821981.6A CN113572753B (zh) | 2021-07-16 | 2021-07-16 | 基于牛顿冷却定律的用户设备认证方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113572753A true CN113572753A (zh) | 2021-10-29 |
| CN113572753B CN113572753B (zh) | 2023-03-14 |
Family
ID=78165854
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110821981.6A Active CN113572753B (zh) | 2021-07-16 | 2021-07-16 | 基于牛顿冷却定律的用户设备认证方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113572753B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104391240A (zh) * | 2014-11-19 | 2015-03-04 | 北京京东尚科信息技术有限公司 | 电路板卡耐温性分析方法 |
| CN107688621A (zh) * | 2017-08-15 | 2018-02-13 | 皑沐(上海)文化传媒有限公司 | 一种文案的优化方法和系统 |
| CN110222267A (zh) * | 2019-06-06 | 2019-09-10 | 中山大学 | 一种游戏平台信息推送方法、系统、存储介质及设备 |
| CN110599442A (zh) * | 2019-07-01 | 2019-12-20 | 兰州大学 | 一种融合脑皮质厚度和边缘系统形态特征的抑郁识别系统 |
| CN110807180A (zh) * | 2019-10-28 | 2020-02-18 | 支付宝(杭州)信息技术有限公司 | 安全认证以及训练安全认证模型的方法、装置及电子设备 |
| CN110956547A (zh) * | 2019-11-28 | 2020-04-03 | 广州及包子信息技术咨询服务有限公司 | 一种基于搜索引擎的实时识别欺诈团伙的方法及系统 |
| CN112102074A (zh) * | 2020-10-14 | 2020-12-18 | 深圳前海弘犀智能科技有限公司 | 一种评分卡建模方法 |
| CN112348520A (zh) * | 2020-10-21 | 2021-02-09 | 上海淇玥信息技术有限公司 | 基于XGBoost的风险评估方法、装置和电子设备 |
| CN112560339A (zh) * | 2020-12-11 | 2021-03-26 | 中国长江电力股份有限公司 | 利用机器学习预测水轮发电机组导轴承瓦温度的方法 |
-
2021
- 2021-07-16 CN CN202110821981.6A patent/CN113572753B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104391240A (zh) * | 2014-11-19 | 2015-03-04 | 北京京东尚科信息技术有限公司 | 电路板卡耐温性分析方法 |
| CN107688621A (zh) * | 2017-08-15 | 2018-02-13 | 皑沐(上海)文化传媒有限公司 | 一种文案的优化方法和系统 |
| CN110222267A (zh) * | 2019-06-06 | 2019-09-10 | 中山大学 | 一种游戏平台信息推送方法、系统、存储介质及设备 |
| CN110599442A (zh) * | 2019-07-01 | 2019-12-20 | 兰州大学 | 一种融合脑皮质厚度和边缘系统形态特征的抑郁识别系统 |
| CN110807180A (zh) * | 2019-10-28 | 2020-02-18 | 支付宝(杭州)信息技术有限公司 | 安全认证以及训练安全认证模型的方法、装置及电子设备 |
| CN110956547A (zh) * | 2019-11-28 | 2020-04-03 | 广州及包子信息技术咨询服务有限公司 | 一种基于搜索引擎的实时识别欺诈团伙的方法及系统 |
| CN112102074A (zh) * | 2020-10-14 | 2020-12-18 | 深圳前海弘犀智能科技有限公司 | 一种评分卡建模方法 |
| CN112348520A (zh) * | 2020-10-21 | 2021-02-09 | 上海淇玥信息技术有限公司 | 基于XGBoost的风险评估方法、装置和电子设备 |
| CN112560339A (zh) * | 2020-12-11 | 2021-03-26 | 中国长江电力股份有限公司 | 利用机器学习预测水轮发电机组导轴承瓦温度的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 李健等: "众包中基于博弈论的牛顿冷却定律应用", 《青岛大学学报(自然科学版)》 * |
| 程建峰等: "基于SVM算法的用户行为认证方法", 《计算机系统应用》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113572753B (zh) | 2023-03-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kripfganz et al. | ardl: Estimating autoregressive distributed lag and equilibrium correction models | |
| US10452992B2 (en) | Interactive interfaces for machine learning model evaluations | |
| CN111125266B (zh) | 数据处理方法、装置、设备及存储介质 | |
| US10529017B1 (en) | Automated business plan underwriting for financial institutions | |
| CN107767070B (zh) | 用于信息推广的方法及装置 | |
| US11334941B2 (en) | Systems and computer-implemented processes for model-based underwriting | |
| US20120310687A1 (en) | Engine, system and method of providing cloud-based business valuation and associated services | |
| Olomola et al. | Determinants of total factor productivity in Mexico, Indonesia, Nigeria, and Turkey (1980–2014) | |
| Stockinger et al. | Scalable architecture for Big Data financial analytics: user-defined functions vs. SQL | |
| US20230046601A1 (en) | Machine learning models with efficient feature learning | |
| AU2022291564A1 (en) | Unified explainable machine learning for segmented risk | |
| EP4085332A1 (en) | Creating predictor variables for prediction models from unstructured data using natural language processing | |
| CN110807016A (zh) | 一种应用于金融业务的数据仓库构建方法、装置和电子设备 | |
| Obobisa et al. | The causal relationship between China-Africa trade, China OFDI, and economic growth of African countries | |
| Fullerton Jr et al. | Physical infrastructure and economic growth in El Paso | |
| Pareek et al. | The impact of big data technology on the advancement of the insurance industry | |
| Altalhi et al. | Developing a framework and algorithm for scalability to evaluate the performance and throughput of CRM systems | |
| US11449827B2 (en) | Matching past post-approved transactions with past pre-approved transactions using machine learning systems | |
| CN113572753B (zh) | 基于牛顿冷却定律的用户设备认证方法和装置 | |
| CN114004542B (zh) | 一种企业任务管理方法、系统、计算机设备及存储介质 | |
| Ayaz et al. | Disruptive artificial intelligence (AI) use-cases in insurance | |
| US20150170067A1 (en) | Determining analysis recommendations based on data analysis context | |
| CN114897607A (zh) | 产品资源的数据处理方法及装置、电子设备、存储介质 | |
| CN113592263A (zh) | 基于动态资源归还增比的资源归还增量预测方法和装置 | |
| WO2023059356A1 (en) | Power graph convolutional network for explainable machine learning |
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 |