CN113596011B - 流量识别方法及装置，计算设备和介质 - Google Patents
流量识别方法及装置，计算设备和介质 Download PDFInfo
- Publication number
- CN113596011B CN113596011B CN202110839100.3A CN202110839100A CN113596011B CN 113596011 B CN113596011 B CN 113596011B CN 202110839100 A CN202110839100 A CN 202110839100A CN 113596011 B CN113596011 B CN 113596011B
- Authority
- CN
- China
- Prior art keywords
- flow data
- current flow
- information
- identification
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000004044 response Effects 0.000 claims description 28
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000012417 linear regression Methods 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000004590 computer program Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010276 construction 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
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
- H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
- H04L63/1425—Traffic logging, e.g. anomaly detection
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
- H04L47/24—Traffic characterised by specific attributes, e.g. priority or QoS
- H04L47/2483—Traffic characterised by specific attributes, e.g. priority or QoS involving identification of individual flows
-
- 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
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
- H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
- H04L63/1416—Event detection, e.g. attack signature detection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种流量识别方法及装置，计算设备和介质，涉及计算机技术领域，尤其涉及人工智能技术领域。实现方案为：获取与当前流量数据具有相同的标识信息的至少一个历史流量数据，其中，标识信息包括浏览器指纹；基于当前流量数据和至少一个历史流量数据，确定当前流量数据所对应的统计特征；以及基于统计特征，识别当前流量数据。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及人工智能技术领域，具体涉及一种流量识别的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种流量识别的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面，提供了一种流量识别方法，包括：获取与当前流量数据具有相同的标识信息的至少一个历史流量数据，其中，标识信息包括浏览器指纹；基于当前流量数据和至少一个历史流量数据，确定当前流量数据所对应的统计特征；以及基于统计特征，识别当前流量数据。
根据本公开的另一方面，提供了一种流量识别装置，包括：获取单元，被配置用于获取与当前流量数据具有相同的标识信息的至少一个历史流量数据，其中，标识信息包括浏览器指纹；第一确定单元，被配置用于基于当前流量数据和至少一个历史流量数据，确定当前流量数据所对应的统计特征；以及识别单元，被配置用于基于统计特征，识别当前流量数据。
根据本公开的另一方面，提供了一种计算设备，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上述方法。
根据本公开的另一方面，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，其中，计算机指令用于使计算机执行上述的方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现上述的方法。
根据本公开的一个或多个实施例，能够提升对流量识别的准确性。
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
附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；
图2示出了根据本公开的实施例的一种流量识别方法的流程图；
图3示出了根据本公开的实施例的另一种流量识别方法的流程图；
图4示出了根据本公开的实施例的一种流量识别方法的示意图；
图5示出了根据本公开的实施例的一种流量识别装置的结构框图；
图6示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围。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。
在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
在本公开中对各种示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
网络服务通常面临来自伪装成用户流量的机器流量的自动化访问，以便模拟虚假评论，虚假登陆，虚假点击等行为。这样的机器流量不仅仅会造成服务器的严重负担，而且还会产生虚假观点、虚假账户，并造成降低用户体验、骗取推广费、非法刷榜单等不良后果。
相关技术中，通常采用用户代理(User Agent)或者IP地址作为用户的身份证明信息，用以识别当前流量数据是用户流量还是机器流量。然而，User Agent容易在客户端被篡改，IP地址难以区别与正常用户共用Wifi网络或者移动网络的攻击者，导致流量识别的准确度难以满足当前的应用需求。
基于此，本公开提出一种基于浏览器指纹的流量识别方法，采用浏览器指纹作为流量数据的身份证明信息，基于相同的浏览器指纹聚类当前流量数据和至少一个历史流量数据，并据此得到的当前流量数据所对应的统计特征，进而基于统计特征识别当前流量数据。由于浏览器指纹具很高的区分度和可靠性，采用浏览器指纹聚类分析所得到的统计特征能够准确地反映出当前流量的真实属性，进而提升对流量识别的准确性。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中，服务器120可以运行使得能够执行流量识别的方法的一个或多个服务或软件应用。
在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来向服务器发送流量数据。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如Microsoft Windows、AppleiOS、类UNIX操作系统、Linux或类Linux操作系统(例如Google Chrome OS)；或包括各种移动操作系统，例如Microsoft Windows Mobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决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。
系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据存储库130可以驻留在各种位置。例如，由服务器120使用的数据存储库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据存储库130可以是不同的类型。在某些实施例中，由服务器120使用的数据存储库可以是数据库，例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。
图2是示出根据本公开示例性实施例的流量识别方法流程图，如图2所示，该方法包括：步骤S201、获取与当前流量数据具有相同的标识信息的至少一个历史流量数据，其中，标识信息包括浏览器指纹；步骤S202、基于当前流量数据和至少一个历史流量数据，确定当前流量数据所对应的统计特征；以及步骤S203、基于统计特征，识别当前流量数据。由于浏览器指纹具有很高的区分度和可靠性，采用浏览器指纹聚类分析所得到的统计特征能够准确地反映出当前流量的真实属性，进而提升对流量识别的准确性。
针对步骤S201，其中，标识信息包括浏览器指纹，浏览器指纹是一种通过浏览器对服务器可见的具有辨识度的配置和设置信息计算得到的值。浏览器指纹具有很高的区分性和可靠性。针对每一个访问的流量数据，服务器能够基于该流量数据所对应的浏览器指纹，准确地识别该流量数据的来源。
在一种实施方式中，浏览器指纹为Canvas指纹。
根据一些实施例，标识信息还可以包括业务信息或IP信息中的至少一个。由此，能够在更为细分的范畴内实现对流量数据的聚类分析，进一步提升流量识别准确性。
根据一些实施例，业务信息可以为当前流量数据所访问的业务类型。例如，对于综合性网站，其中可以包括搜索、新闻、博客、视频等在内的多种业务类型。通过在标识信息中包含业务类型，可以在不同的业务类型下分别进行流量数据的聚类统计。
根据一些实施例，至少一个历史流量数据中的每一个历史流量数据的访问时刻在预设时间范围内。由此，可以在时间维度上实现对临近的流量数据的聚类分析，提升识别的准确性。
根据一些实施例，可以将预设时间范围内的历史流量数据存储在缓存中。基于当前流量数据所具有的标识信息，在该缓存中查询与当前流量数据具有相同标识信息的至少一个历史流量数据。
根据一些实施例，预设时间范围可以为距离当前时刻小于十分钟的历史时间范围。
针对步骤S202，根据一些实施例，统计特征可以包括以下一种或多种：访问量、访问时间间隔的均值、访问时间间隔的方差、点击率、统一资源定位器为空率、加速度为空率、角速度为空率、来源参考信息为空率或浏览器缓存率。
在一种实施方式中，可以通过线性回归分析或信息熵比较的方式确定统计特征中所包含的具体特征类型。
基于当前流量数据和至少一个历史流量数据，能够提取出当前流量数据所对应的众多字段信息，然而，其中许多字段信息所具有的判定价值较低。如果将众多的字段数据全部输入细分类器中进行识别，不仅无法提升识别准确性，还会增大细分类器的训练难度和识别效率。采用线性回归分析或信息熵比较的方式确定用于输入细分类器中的统计特征，能够提升所输入的特征的有效性。
针对步骤S203，根据一些实施例，基于统计特征，识别当前流量数据可以包括：将统计特征输入细分类器，以得到细分类器所输出的第一识别结果及其置信度；以及基于第一识别结果及其置信度，识别当前流量数据。由此，可以根据预先训练好的细分类器方便快速地进行在线流量识别。
根据一些实施例，基于第一识别结果及其置信度，识别当前流量数据可以包括：确定预设置信度阈值，响应于第一识别结果为机器流量，并且置信度大于预设置信度阈值，将当前流量数据确定为机器流量。由此，可以提升被识别为机器流量的识别结果的可靠性，避免将用户流量错误地识别为机器流量而影响用户的使用体验。
根据一些实施例，响应于将当前流量数据确定为机器流量，可以发起验证码验证操作。
根据一些实施例，可以通过具有流量类型标签的样本流量数据对原始细分类器进行训练，以得到能够用于执行在线流量识别的细分类器。
在一种实施方式中，在对样本流量数据进行标注时，可以基于初始分类器对样本流量数据的预识别结果，确定该样本流量数据的流量类型标签。其中，初始分类器可以根据历史经验设置其中的分类算法。
例如，响应于初始分类器对样本流量数据的识别结果为机器流量，将该样本流量数据的标签确定为机器流量；响应于初始分类器对样本流量数据的识别结果为非机器流量，则通过人工识别等方式进一步确定其所对应的流量类型标签。
根据一些实施例，在细分类器上线应用于实时流量数据识别之后，可以基于预设更新周期内的真实流量数据及其识别结果，对该细分类器的参数进行更新。由此，能够通过大量的真实流量数据及其识别结果，实现对细分类器在线上的自学习和自动更新，使得细分类器的识别效果能够在实际应用中得到不断的提升。
在一种实施方式中，预设更新周期内的流量数据及其识别结果可以包括至少部分人工识别的流量数据及其识别结果。
例如，响应于细分类器针对当前流量数据所输出的第一识别结果为机器流量，并且置信度小于或等于预设置信度阈值，通过人工识别确定该当前流量数据的识别结果。将通过人工识别的流量数据及其识别结果，以及基于第一识别结果及其置信度直接识别为机器流量的流量数据及其识别结果，对该细分类器进行进一步训练，以更新该细分类器的参数。
在一种实施方式中，预设更新周期可以为一天。
根据一些实施例，响应于细分类器的参数被更新，可以减小预设置信度阈值。由于在不断的更新训练中，细分类器的识别能力被不断提升，因此可以相应地减小预设置信度阈值，以此在满足识别准确度要求的同时，能够减少人工识别的流量数据的数据量，避免人工识别中由于知识来源的不全面和延时所造成的误判、漏判、规则更新不及时、规则维护成本高等一系列问题，同时提升识别的效率。
根据一些实施例，细分类器可以为线性支持向量机(SVM)模型。
根据一些实施例，响应于确定当前流量数据为机器流量，可以将当前流量数据的标识信息存入黑名单。由此，可以基于所存储的黑名单所包含的机器流量的标识信息，实现对当前流量数据的快速识别。
根据一些实施例，黑名单中还可以包括每一个标识信息所对应的时间戳。
根据一些实施例，针对存储于黑名单中的其中一个标识信息，响应于当前时刻与该标识信息的时间戳之间的时间差大于预设时间阈值，将该标识信息从黑名单中删除。
根据一些实施例，针对存储于黑名单中的其中一个标识信息，响应于具有该标识信息的流量数据被确定为机器流量，将黑名单中该标识信息的时间戳更新为当前时间。由此，能够延长该标识信息在黑名单中存储的时长。
根据一些实施例，在获取与当前流量数据具有相同的标识信息的至少一个历史流量数据之前，响应于确定当前流量数据的标识信息在黑名单之中，可以确定当前流量数据为机器流量。由此，可以在通过细分类器对当前流量数据进行识别之前，通过黑名单实现对当前流量数据的快速识别，减少通过细分类器执行流量数据识别的数据量，提升数据处理效率。
根据一些实施例，在标识信息包含浏览器指纹和业务信息的情况下，针对黑名单中的一个标识信息，仅将包含该浏览器指纹和该业务信息的流量数据确定为机器流量；而对于同一客户端对不同的其它业务信息的访问而生成的流量数据，则不确定为机器流量。由此，能够针对不同业务的访问流量数据，实现有针对性的流量识别，提升了对于流量识别的灵活性。
根据一些实施例，图3是示出根据本公开示例性实施例的一种流量识别方法流程图，如图3所示，该方法包括：步骤S301、在获取与当前流量数据具有相同的标识信息的至少一个历史流量数据之前，可以确定当前流量数据的属性特征；步骤S302、基于属性特征，确定当前流量数据的第二识别结果；以及步骤S303、响应于第二识别结果不符合预设条件，获取与当前流量数据具有相同的标识信息的至少一个历史流量数据，以基于当前流量数据的统计特征识别当前流量数据。由此，根据每个流量数据的属性特征可以执行基于每一个单独流量数据的快速识别，减少了需要进入细分类器分类阶段的流量数据的数据量，提升了在线识别的效率。
根据一些实施例，属性特征可以包括以下一种或多种：IP地址所属区域、平台信息、加速度、角速度、设备名、设备品牌、设备型号、设备属性、操作系统信息或浏览器信息。
在一种实施方式中，可以通过线性回归分析或信息熵比较的方式确定属性特征中所包含的具体特征类型。
根据一些实施例，响应于第二识别结果符合预设条件，可以确定当前流量数据为用户流量。由此，可以将满足预设条件的流量数据直接确定为用户流量，避免将该流量数据进行细分类器识别，提升了在线识别的效率。
根据一些实施例，基于属性特征，确定当前流量数据的第二识别结果包括：将属性特征输入粗分类器，以得到粗分类器所输出的第二识别结果。
根据一些实施例，预设条件可以为粗分类器所输出的第二识别结果为用户流量。
图4是示出根据本公开示例性实施例的一种流量识别方法示意图，如图4所示，流量识别的处理过程可以为：
S401、接收当前流量数据，判断当前流量数据的标识信息是否存储在黑名单中，在判断结果为当前流量数据的标识信息在黑名单中时，直接将该当前流量数据确定为机器流量，并更新黑名单中该标识信息的时间戳为当前时刻；在判断结果为当前流量数据的标识信息不在黑名单中时，执行S402；
S402、获取当前流量数据的属性特征；
S403、将在S402中获取的当前流量数据的属性特征输入粗分类器，判断粗分类器对当前流量数据的识别结果是否为用户流量，在粗分类器对当前流量数据的识别结果为用户流量时，直接将该当前流量数据确定为用户流量；在粗分类器对当前流量数据的识别结果不为用户流量时，执行S404；
S404、从缓存历史流量数据中，获取与当前流量数据具有相同的标识信息的至少一个历史流量数据，以基于当前流量数据和至少一个历史流量数据，确定当前流量数据所对应的统计特征；
S405、将在S404中获取的当前流量数据的统计特征输入细分类器，根据细分类器的识别结果确定当前流量的类型，在细分类器识别当前流量为用户流量时，允许该当前流量数据的访问请求；在细分类器识别当前流量为机器流量时，可以阻止该当前流量数据的访问请求或者要求该当前流量数据的发送端执行验证操作，并将该当前流量数据的标识信息加入黑名单，将当前时刻作为该标识信息所对应的时间戳。
根据本公开的另一方面，还公开了一种流量识别装置500，包括：获取单元501，被配置用于获取与当前流量数据具有相同的标识信息的至少一个历史流量数据，其中，标识信息包括浏览器指纹；第一确定单元502，被配置用于基于当前流量数据和至少一个历史流量数据，确定当前流量数据所对应的统计特征；以及识别单元503，被配置用于基于统计特征，识别当前流量数据。
根据一些实施例，识别单元包括：将统计特征输入细分类器，以得到细分类器所输出的第一识别结果及其置信度的模块；以及基于第一识别结果及其置信度，识别当前流量数据的模块。
根据一些实施例，细分类器为线性支持向量机SVM模型。
根据一些实施例，统计特征包括以下一种或多种：访问量、访问时间间隔的均值、访问时间间隔的方差、点击率、统一资源定位器为空率、加速度为空率、角速度为空率、来源参考信息为空率或浏览器缓存率。
根据一些实施例，该装置还包括：添加单元，被配置用于响应于确定当前流量数据为机器流量，将当前流量数据的标识信息添加至黑名单。
根据一些实施例，该装置还包括：第二确定单元，被配置用于在获取与当前流量数据具有相同的标识信息的至少一个历史流量数据之前，响应于确定当前流量数据的标识信息在黑名单之中，确定当前流量数据为机器流量。
根据一些实施例，该装置还包括：第三确定单元，被配置用于在获取与当前流量数据具有相同的标识信息的至少一个历史流量数据之前，确定当前流量数据的属性特征；第四确定单元，被配置用于基于属性特征，确定当前流量数据的第二识别结果；以及响应于第二识别结果不符合预设条件，通过获取单元获取与当前流量数据具有相同的标识信息的至少一个历史流量数据，以基于当前流量数据的统计特征识别当前流量数据。
根据一些实施例，该装置还包括：第四确定单元，被配置用于响应于第二识别结果符合预设条件，确定当前流量数据为用户流量。
根据一些实施例，第四确定单元包括：将属性特征输入粗分类器，以得到粗分类器所输出的第二识别结果的模块。
根据一些实施例，属性特征包括以下一种或多种：IP地址所属区域、平台信息、加速度、角速度、设备名、设备品牌、设备型号、设备属性、操作系统信息或浏览器信息。
根据一些实施例，标识信息还包括业务信息或IP信息中的至少一个。
根据一些实施例，至少一个历史流量数据中的每一个历史流量数据的访问时刻在预设时间范围内。
根据本公开的另一方面，还公开了一种计算设备，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上述任一的方法。
根据本公开的另一方面，还公开了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行根据上述任一的方法。
根据本公开的另一方面，还公开了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现上述任一的方法。
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
参考图6，现将描述可以作为本公开的服务器或客户端的电子设备600的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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/或者要求的本公开的实现。
如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605，包括：输入单元606、输出单元607、存储单元608以及通信单元609。输入单元606可以是能向设备600输入信息的任何类型的设备，输入单元606可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元607可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元608可以包括但不限于磁盘、光盘。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如流量识别方法。例如，在一些实施例中，流量识别方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的流量识别方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行流量识别方法。
本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
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。
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，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (12)
1.一种流量识别方法，包括：
响应于确定当前流量数据的标识信息不在当前的黑名单之中，确定所述当前流量数据的多个属性特征，其中，所述多个属性特征包括下述中的至少两者：IP地址所属区域、平台信息、加速度、角速度、设备名、设备品牌、设备型号、设备属性、操作系统信息和浏览器信息；
基于线性回归分析或信息熵比较，在所述多个属性特征确定至少一个第一属性特征；
基于所述至少一个第一属性特征，确定所述当前流量数据的第二识别结果，包括：
将所述至少一个第一属性特征输入粗分类器，以得到所述粗分类器所输出的所述第二识别结果；
响应于所述第二识别结果不符合预设条件，获取与所述当前流量数据具有相同的标识信息的至少一个历史流量数据，其中，所述预设条件为所述第二识别结果为用户流量，所述标识信息包括浏览器指纹和IP信息；
基于所述当前流量数据和所述至少一个历史流量数据，确定所述当前流量数据所对应的多个统计特征，其中，所述多个统计特征包括下述中的至少两者：访问量、访问时间间隔的均值、访问时间间隔的方差、点击率、统一资源定位器为空率、加速度为空率、角速度为空率、来源参考信息为空率或浏览器缓存率；
基于线性回归分析或信息熵比较，在所述多个统计特征确定至少一个第一统计特征；
基于所述至少一个第一统计特征，识别所述当前流量数据，包括：
将所述至少一个第一统计特征输入细分类器，以得到所述细分类器所输出的第一识别结果及其置信度；以及
基于所述第一识别结果及其置信度以及预设置信度阈值，识别所述当前流量数据，其中，所述细分类器按照预设更新周期，基于所述预设更新周期内的真实流量数据及其识别结果，更新所述细分类器的参数，并且响应于所述细分类器参数的每次更新，相应地减小预设置信度阈值；以及
响应于确定所述当前流量数据为机器流量，将所述标识信息和当前时刻的时间戳存入所述黑名单，以更新所述黑名单，其中，响应于后续的第一时刻内接收到具有所述标识信息的第一流量数据，将所述时间戳更新为接收到所述第一流量数据的时刻，并且，响应于在所述第一时刻内未接收到所述第一流量数据，将所述标识信息由所述黑名单中删除，其中，所述第一时刻与所述当前时刻之间的时间差为预设时间阈值。
2.根据权利要求1所述的方法，其中，所述细分类器为线性支持向量机SVM模型。
3.根据权利要求1所述的方法，还包括：
响应于所述第二识别结果符合预设条件，确定所述当前流量数据为用户流量。
4.根据权利要求1所述的方法，其中，所述标识信息还包括业务信息。
5.根据权利要求1所述的方法，其中，所述至少一个历史流量数据中的每一个历史流量数据的访问时刻在预设时间范围内。
6.一种流量识别装置，包括：
第三确定单元，被配置用于：
响应于确定当前流量数据的标识信息不在当前的黑名单之中，确定所述当前流量数据的多个属性特征，其中，所述多个属性特征包括下述中的至少两者：IP地址所属区域、平台信息、加速度、角速度、设备名、设备品牌、设备型号、设备属性、操作系统信息和浏览器信息；
基于线性回归分析或信息熵比较，在所述多个属性特征确定至少一个第一属性特征；
第四确定单元，被配置用于基于所述至少一个第一属性特征，确定所述当前流量数据的第二识别结果，包括：
将所述至少一个第一属性特征输入粗分类器，以得到所述粗分类器所输出的所述第二识别结果；以及
获取单元，被配置用于响应于所述第二识别结果不符合预设条件，获取与所述当前流量数据具有相同的标识信息的至少一个历史流量数据，其中，所述预设条件为所述第二识别结果为用户流量，所述标识信息包括浏览器指纹和IP信息；
第一确定单元，被配置用于：
基于所述当前流量数据和所述至少一个历史流量数据，确定所述当前流量数据所对应的多个统计特征，其中，所述多个统计特征包括下述中的至少两者：访问量、访问时间间隔的均值、访问时间间隔的方差、点击率、统一资源定位器为空率、加速度为空率、角速度为空率、来源参考信息为空率或浏览器缓存率；以及
基于线性回归分析或信息熵比较，在所述多个统计特征确定至少一个第一统计特征；
识别单元，被配置用于基于所述至少一个第一统计特征，识别所述当前流量数据，包括：
将所述至少一个第一统计特征输入细分类器，以得到所述细分类器所输出的第一识别结果及其置信度；以及
基于所述第一识别结果及其置信度以及预设置信度阈值，识别所述当前流量数据，其中，所述细分类器按照预设更新周期，基于所述预设更新周期内的真实流量数据及其识别结果，更新所述细分类器的参数，并且响应于所述细分类器参数的每次更新，相应地减小预设置信度阈值；以及
添加单元，被配置用于响应于确定所述当前流量数据为机器流量，将所述标识信息和当前时刻的时间戳存入所述黑名单，以更新所述黑名单，其中，响应于后续的第一时刻内接收到具有所述标识信息的第一流量数据，将所述时间戳更新为接收到所述第一流量数据的时刻，并且，响应于在所述第一时刻内未接收到所述第一流量数据，将所述标识信息由所述黑名单中删除，其中，所述第一时刻与所述当前时刻之间的时间差为预设时间阈值。
7.根据权利要求6所述的装置，其中，所述细分类器为线性支持向量机SVM模型。
8.根据权利要求6所述的装置，还包括：
第四确定单元，被配置用于响应于所述第二识别结果符合预设条件，确定所述当前流量数据为用户流量。
9.根据权利要求6所述的装置，其中，所述标识信息还包括业务信息。
10.根据权利要求6所述的装置，其中，所述至少一个历史流量数据中的每一个历史流量数据的访问时刻在预设时间范围内。
11.一种计算设备，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，其中，所述计算机指令用于使所述计算机执行根据权利要求1-5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110839100.3A CN113596011B (zh) | 2021-07-23 | 2021-07-23 | 流量识别方法及装置，计算设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110839100.3A CN113596011B (zh) | 2021-07-23 | 2021-07-23 | 流量识别方法及装置，计算设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113596011A CN113596011A (zh) | 2021-11-02 |
| CN113596011B true CN113596011B (zh) | 2024-03-22 |
Family
ID=78249518
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110839100.3A Active CN113596011B (zh) | 2021-07-23 | 2021-07-23 | 流量识别方法及装置，计算设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113596011B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114205164B (zh) * | 2021-12-16 | 2023-07-18 | 北京百度网讯科技有限公司 | 流量分类方法及装置、训练方法及装置、设备和介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107483488A (zh) * | 2017-09-18 | 2017-12-15 | 济南互信软件有限公司 | 一种恶意Http检测方法及系统 |
| CN109815084A (zh) * | 2018-12-29 | 2019-05-28 | 北京城市网邻信息技术有限公司 | 异常识别方法、装置和电子设备及存储介质 |
| CN110097389A (zh) * | 2018-01-31 | 2019-08-06 | 上海甚术网络科技有限公司 | 一种广告流量反作弊方法 |
| CN110913396A (zh) * | 2019-12-10 | 2020-03-24 | 秒针信息技术有限公司 | 虚假流量识别方法、装置、服务器及可读存储介质 |
| WO2020164907A1 (en) * | 2019-02-11 | 2020-08-20 | Telefonica Digital España, S.L.U. | A computer implemented large-scale method, a system and computer program for optin-redundant personalized data aggregation and content delivery in telecommunication networks |
| CN112839014A (zh) * | 2019-11-22 | 2021-05-25 | 北京数安鑫云信息技术有限公司 | 建立识别异常访问者模型的方法、系统、设备及介质 |
| CN112906387A (zh) * | 2020-12-25 | 2021-06-04 | 北京百度网讯科技有限公司 | 风险内容识别方法、装置、设备、介质和计算机程序产品 |
-
2021
- 2021-07-23 CN CN202110839100.3A patent/CN113596011B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107483488A (zh) * | 2017-09-18 | 2017-12-15 | 济南互信软件有限公司 | 一种恶意Http检测方法及系统 |
| CN110097389A (zh) * | 2018-01-31 | 2019-08-06 | 上海甚术网络科技有限公司 | 一种广告流量反作弊方法 |
| CN109815084A (zh) * | 2018-12-29 | 2019-05-28 | 北京城市网邻信息技术有限公司 | 异常识别方法、装置和电子设备及存储介质 |
| WO2020164907A1 (en) * | 2019-02-11 | 2020-08-20 | Telefonica Digital España, S.L.U. | A computer implemented large-scale method, a system and computer program for optin-redundant personalized data aggregation and content delivery in telecommunication networks |
| CN112839014A (zh) * | 2019-11-22 | 2021-05-25 | 北京数安鑫云信息技术有限公司 | 建立识别异常访问者模型的方法、系统、设备及介质 |
| CN110913396A (zh) * | 2019-12-10 | 2020-03-24 | 秒针信息技术有限公司 | 虚假流量识别方法、装置、服务器及可读存储介质 |
| CN112906387A (zh) * | 2020-12-25 | 2021-06-04 | 北京百度网讯科技有限公司 | 风险内容识别方法、装置、设备、介质和计算机程序产品 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113596011A (zh) | 2021-11-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113411645B (zh) | 信息推荐方法及装置、电子设备和介质 | |
| CN114494935A (zh) | 视频信息的处理方法、装置、电子设备和介质 | |
| CN114495103B (zh) | 文本识别方法、装置、电子设备和介质 | |
| CN114547252A (zh) | 文本识别方法、装置、电子设备和介质 | |
| CN114443989A (zh) | 排序方法、排序模型的训练方法、装置、电子设备及介质 | |
| CN113596011B (zh) | 流量识别方法及装置，计算设备和介质 | |
| CN113723305A (zh) | 图像和视频检测方法、装置、电子设备和介质 | |
| CN115269989B (zh) | 对象推荐方法、装置、电子设备和存储介质 | |
| US12079268B2 (en) | Object recommendation | |
| CN114219046B (zh) | 模型训练方法、匹配方法、装置、系统、电子设备和介质 | |
| CN115578501A (zh) | 图像处理方法、装置、电子设备和存储介质 | |
| CN113312511B (zh) | 用于推荐内容的方法、装置、设备和计算机可读存储介质 | |
| CN114724146A (zh) | 异常文本识别方法及装置、电子设备和存储介质 | |
| CN114998963A (zh) | 图像检测方法和用于训练图像检测模型的方法 | |
| CN114842476A (zh) | 水印检测方法及装置、模型训练方法及装置 | |
| CN114494797A (zh) | 用于训练图像检测模型的方法和装置 | |
| CN112906387A (zh) | 风险内容识别方法、装置、设备、介质和计算机程序产品 | |
| CN112905743A (zh) | 文本对象检测的方法、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 | |
| CN114140851B (zh) | 图像检测方法和用于训练图像检测模型的方法 | |
| CN113722534B (zh) | 视频推荐方法和装置 | |
| CN116070711B (zh) | 数据处理方法、装置、电子设备和存储介质 | |
| CN116881485B (zh) | 生成图像检索索引的方法及装置、电子设备和介质 | |
| CN115546510A (zh) | 图像检测方法和图像检测模型训练的方法 | |
| CN114882571A (zh) | 获取图像信息的方法和用于训练图像检测模型的方法 |
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 |