CN113641970B - 风险检测方法、装置及计算设备 - Google Patents
风险检测方法、装置及计算设备 Download PDFInfo
- Publication number
- CN113641970B CN113641970B CN202110945641.4A CN202110945641A CN113641970B CN 113641970 B CN113641970 B CN 113641970B CN 202110945641 A CN202110945641 A CN 202110945641A CN 113641970 B CN113641970 B CN 113641970B
- Authority
- CN
- China
- Prior art keywords
- user
- risk
- group
- characteristic data
- behavior characteristic
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Alarm Systems (AREA)
Abstract
本发明实施例涉及认证技术领域,公开了一种风险检测方法、装置及计算设备,该方法包括:用户发起的认证登录通过时,获取所述用户的行为特征数据;根据所述行为特征数据确定所述用户所在的风险群组;应用与所述风险群组对应的风险模型对所述用户进行风险检测,并在风险检测通过时允许用户进入应用系统。通过上述方式,本发明实施例能够减少风险检测中的误判断,增加风险检测的合理性,适用于不同场景。
Description
技术领域
本发明实施例涉及认证技术领域,具体涉及一种风险检测方法、装置及计算设备。
背景技术
现有技术中,用户进行认证登录时,在认证通过后直接进入应用系统。用户行为特征被忽略,不会对用户进行进一步的风险检测,也不会对不同的用户进行区分,对所有用户采取统一的身份验证方式。如此会导致用户出现违反行为特征的认证登录时无法被有效检测出来。
发明内容
鉴于上述问题,本发明实施例提供了一种风险检测方法、装置及计算设备,克服了上述问题或者至少部分地解决了上述问题。
根据本发明实施例的一个方面,提供了一种风险检测方法,方法包括:用户发起的认证登录通过时,获取用户的行为特征数据;根据行为特征数据确定用户所在的风险群组;应用与风险群组对应的风险模型对用户进行风险检测,并在风险检测通过时允许用户进入应用系统。
在一种可选的方式中,行为特征数据至少包括用户ID以及检测时间,根据行为特征数据确定用户所在的风险群组,包括:根据检测时间确定对应的时间段;根据用户ID基于时间段确定用户所在的风险群组。
在一种可选的方式中,在根据行为特征数据确定用户所在的风险群组之前,包括:获取第一预设时间内多个用户认证登录的历史行为特征数据;对历史行为特征数据基于时间维度进行分析,获取不同时间段的用户活跃人群;对历史行为特征数据基于风险触发频率进行分析,结合不同时间段的用户活跃人群,对各时间段中的用户进行风险群组划分。
在一种可选的方式中,对历史行为特征数据基于时间维度进行分析,获取不同时间段的用户活跃人群,包括:将一天划分为多个时间段;根据历史行为特征数据提取各用户的用户登录次数大于预设次数的时间段;集合各个不同的时间段中用户登录次数大于预设次数的用户,记录为与时间段对应的用户活跃人群。
在一种可选的方式中,对历史行为特征数据基于风险触发频率进行分析,结合不同时间段的用户活跃人群,对各时间段中的用户进行风险群组划分,包括:根据历史行为特征数据统计用户的风险触发频率;如果风险触发频率大于预设频率,则确定用户属于高威胁人群;否则用户属于普通人群;基于高威胁人群和普通人群,结合不同时间段的用户活跃人群,分别将各时间段中的用户划分为高威胁群组和普通群组。
在一种可选的方式中,风险群组包括高威胁群组和普通群组,应用与风险群组对应的风险模型对用户进行风险检测,包括:如果用户属于普通群组,则执行日常风险检测;如果用户属于高威胁群组,则执行严格风险检测。
在一种可选的方式中,方法还包括:如果用户不在任一风险群组,则允许用户直接进入应用系统。
根据本发明实施例的另一个方面,提供了一种风险检测装置,包括:数据获取单元,用于用户发起的认证登录通过时,获取用户的行为特征数据;群组确定单元,用于根据行为特征数据确定用户所在的风险群组;风险检测单元,用于应用与风险群组对应的风险模型对用户进行风险检测,并在风险检测通过时允许用户进入应用系统。
根据本发明实施例的另一方面,提供了一种计算设备,包括:处理器、存储器、通信接口和通信总线,处理器、存储器和通信接口通过通信总线完成相互间的通信;
存储器用于存放至少一可执行指令,可执行指令使处理器执行上述风险检测方法的步骤。
根据本发明实施例的又一方面,提供了一种计算机存储介质,存储介质中存储有至少一可执行指令,可执行指令使处理器执行上述风险检测方法的步骤。
本发明实施例通过在用户发起的认证登录通过时,获取用户的行为特征数据;根据行为特征数据确定用户所在的风险群组;应用与风险群组对应的风险模型对用户进行风险检测,并在风险检测通过时允许用户进入应用系统,能够减少风险检测中的误判断,增加风险检测的合理性,适用于不同场景。
上述说明仅是本发明实施例技术方案的概述,为了能够更清楚了解本发明实施例的技术手段,而可依照说明书的内容予以实施,并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提供的风险检测方法的流程示意图;
图2示出了本发明实施例提供的风险检测装置的结构示意图;
图3示出了本发明实施例提供的计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
图1示出了本发明实施例提供的风险检测方法的流程示意图。该方法由电子设备执行。如图1所示,风险检测方法包括:
步骤S11:用户发起的认证登录通过时,获取所述用户的行为特征数据。
用户发起认证登录请求,响应该认证登录请求对用户进行认证登录。用户发起的认证登录通过时,获取该用户的行为特征数据以在允许用户进入应用系统之前进行风险检测。其中行为特征数据至少包括用户ID以及检测时间。当然行为特征数据还可以包括地点、使用设备、IP地址等。
步骤S12:根据所述行为特征数据确定所述用户所在的风险群组。
在本发明实施例中,在步骤S12之前,根据多个用户的历史行为特征数据对多个用户进行风险群组的划分。风险群组包括高威胁群组和普通群组。可选地,获取第一预设时间内多个用户认证登录的历史行为特征数据;对所述历史行为特征数据基于时间维度进行分析,获取不同时间段的用户活跃人群。即找出人群经常登录的时间段,如:哪些用户是在白天经常登录,哪些用户是在夜晚经常登录,等等。第一预设时间可以根据需要进行设置,例如可以是一个星期或一个月等,在此并不作限制。
表1用户活跃人群
在本发明实施例中,可以将一天划分为多个时间段,例如分为6点-11:59,12点-13:59,14点-18:59,19点-23:59以及0点-5:59点5个时间段。然后根据所述历史行为特征数据提取各用户的用户登录次数大于预设次数的所述时间段,其中预设次数可以根据需要进行设置;再集合各个不同的所述时间段中用户登录次数大于所述预设次数的用户,记录为与所述时间段对应的用户活跃人群。根据以上的时间段划分最终得到的时间维度分析结果参见表1,将所有用户划分为:经常活跃在6点-11:59的上午活跃人群,经常活跃在在12点-13:59的中午活跃人群,经常活跃在14点-18:59的下午活跃人群,经常活跃在19点-23:59的晚上活跃人群以及经常活跃在0点-5:59点的凌晨活跃人群。
获取不同时间段的用户活跃人群之后,对所述历史行为特征数据基于风险触发频率进行分析,结合不同时间段的所述用户活跃人群,对各所述时间段中的用户进行风险群组划分。优选地,针对各所述时间段,根据所述历史行为特征数据统计用户的风险触发频率;如果风险触发频率大于预设频率,则确定所述用户属于高威胁人群;否则所述用户属于普通人群;基于所述高威胁人群和所述普通人群,结合不同时间段的所述用户活跃人群,分别将各所述时间段中的用户划分为高威胁群组和普通群组。预设频率可以根据需要进行设置。在本发明实施例中,参见表2,如果一用户的风险触发频率大于预设频率,说明该用户为经常触发风险的用户,属于高威胁人群。否则,说明该用户为较少触发风险的用户,属于普通人群。
表2风险触发频率分析
风险触发频率对用户的划分结果结合不同时间段的用户活跃人群获取各时间段中的高威胁群组和普通群组。
表3用户群组划分
参见表3,普通群组为各时间段中属于用户活跃人群的普通人群构成的群组,高威胁群组为各时间段中属于用户活跃人群的高威胁人群构成的群组。
步骤S13:应用与所述风险群组对应的风险模型对所述用户进行风险检测,并在风险检测通过时允许用户进入应用系统。
在本发明实施例中,参见表4,对于用户活跃人群,允许用户在对应的时间段进行应用系统的登录访问。例如对于上午活跃人群,允许用户在上午时段进行应用系统的登录访问。应用系统可以是任一应用系统,如办公应用系统。
表4风险检测逻辑
上午活跃人群 | 允许用户在上午时段进行应用系统的登录访问 |
中午活跃人群 | 允许用户在中午时段进行应用系统的登录访问 |
下午活跃人群 | 允许用户在下午时段进行应用系统的登录访问 |
晚上活跃人群 | 允许用户在晚上时段进行应用系统的登录访问 |
凌晨活跃人群 | 允许用户在凌晨时段进行应用系统的登录访问 |
在本发明实施例中,判断用户所在的群组,利用不同的风险模型进行风险检测,并执行相应的处置。可选地,如果所述用户属于普通群组,则执行日常风险检测;如果所述用户属于高威胁群组,则执行严格风险检测。其中,日常风险检测与严格风险检测可以是衡量的标准不一样,例如,对于日常风险检测,只要用户是在一个大概区域内即可通过风险检测;而对于严格风险检测,则可以严格限定用户是在某一具体地点时才通过该风险检测。日常风险检测与严格风险检测不通过,即触发风险后可以进行短信、邮件提示。对于严格风险检测还可以约定进行二次认证。
本发明实施例根据群体数据对用户进行群组划分,对动态群组进行风险模型生成,并进行对应的风险检测,使风险检测因人群而异,实现精准的风险检测,能够减少风险检测中的误判断,增加风险检测的合理性,并且能够适用于不同应用场景。
本发明实施例通过在用户发起的认证登录通过时,获取所述用户的行为特征数据;根据所述行为特征数据确定所述用户所在的风险群组;应用与所述风险群组对应的风险模型对所述用户进行风险检测,并在风险检测通过时允许用户进入应用系统,能够减少风险检测中的误判断,增加风险检测的合理性,适用于不同场景。
图2示出了本发明实施例的风险检测装置的结构示意图。如图2所示,该装置包括:数据获取单元201、群组确定单元202以及风险检测单元203。其中:
数据获取单元201用于用户发起的认证登录通过时,获取所述用户的行为特征数据;群组确定单元202用于根据所述行为特征数据确定所述用户所在的风险群组;风险检测单元203用于应用与所述风险群组对应的风险模型对所述用户进行风险检测,并在风险检测通过时允许用户进入应用系统。
在一种可选的方式中,所述行为特征数据至少包括用户ID以及检测时间,群组确定单元202用于:根据所述检测时间确定对应的时间段;根据所述用户ID基于所述时间段确定所述用户所在的风险群组。
在一种可选的方式中,群组确定单元202还用于:获取第一预设时间内多个用户认证登录的历史行为特征数据;对所述历史行为特征数据基于时间维度进行分析,获取不同时间段的用户活跃人群;对所述历史行为特征数据基于风险触发频率进行分析,结合不同时间段的所述用户活跃人群,对各所述时间段中的用户进行风险群组划分。
在一种可选的方式中,群组确定单元202还用于:将一天划分为多个时间段;根据所述历史行为特征数据提取各用户的用户登录次数大于预设次数的所述时间段;集合各个不同的所述时间段中用户登录次数大于所述预设次数的用户,记录为与所述时间段对应的用户活跃人群。
在一种可选的方式中,群组确定单元202还用于:根据所述历史行为特征数据统计用户的风险触发频率;如果风险触发频率大于预设频率,则确定所述用户属于高威胁人群;否则所述用户属于普通人群;基于所述高威胁人群和所述普通人群,结合不同时间段的所述用户活跃人群,分别将各所述时间段中的用户划分为高威胁群组和普通群组。
在一种可选的方式中,所述风险群组包括高威胁群组和普通群组,风险检测单元203用于:如果所述用户属于普通群组,则执行日常风险检测;如果所述用户属于高威胁群组,则执行严格风险检测。
在一种可选的方式中,风险检测单元203还用于:如果所述用户不在任一风险群组,则允许用户直接进入应用系统。
本发明实施例通过在用户发起的认证登录通过时,获取所述用户的行为特征数据;根据所述行为特征数据确定所述用户所在的风险群组;应用与所述风险群组对应的风险模型对所述用户进行风险检测,并在风险检测通过时允许用户进入应用系统,能够减少风险检测中的误判断,增加风险检测的合理性,适用于不同场景。
本发明实施例提供了一种非易失性计算机存储介质,所述计算机存储介质存储有至少一可执行指令,该计算机可执行指令可执行上述任意方法实施例中的风险检测方法。
可执行指令具体可以用于使得处理器执行以下操作:
用户发起的认证登录通过时,获取所述用户的行为特征数据;
根据所述行为特征数据确定所述用户所在的风险群组;
应用与所述风险群组对应的风险模型对所述用户进行风险检测,并在风险检测通过时允许用户进入应用系统。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
根据所述检测时间确定对应的时间段;
根据所述用户ID基于所述时间段确定所述用户所在的风险群组。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
获取第一预设时间内多个用户认证登录的历史行为特征数据;
对所述历史行为特征数据基于时间维度进行分析,获取不同时间段的用户活跃人群;
对所述历史行为特征数据基于风险触发频率进行分析,结合不同时间段的所述用户活跃人群,对各所述时间段中的用户进行风险群组划分。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
将一天划分为多个时间段;
根据所述历史行为特征数据提取各用户的用户登录次数大于预设次数的所述时间段;
集合各个不同的所述时间段中用户登录次数大于所述预设次数的用户,记录为与所述时间段对应的用户活跃人群。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
根据所述历史行为特征数据统计用户的风险触发频率;
如果风险触发频率大于预设频率,则确定所述用户属于高威胁人群;否则所述用户属于普通人群;
基于所述高威胁人群和所述普通人群,结合不同时间段的所述用户活跃人群,分别将各所述时间段中的用户划分为高威胁群组和普通群组。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
如果所述用户属于普通群组,则执行日常风险检测;
如果所述用户属于高威胁群组,则执行严格风险检测。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
如果所述用户不在任一所述风险群组,则允许用户直接进入应用系统。
本发明实施例通过在用户发起的认证登录通过时,获取所述用户的行为特征数据;根据所述行为特征数据确定所述用户所在的风险群组;应用与所述风险群组对应的风险模型对所述用户进行风险检测,并在风险检测通过时允许用户进入应用系统,能够减少风险检测中的误判断,增加风险检测的合理性,适用于不同场景。
本发明实施例提供了一种计算机程序,所述计算机程序可被处理器调用使基站设备执行上述任意方法实施例中的风险检测方法。
本发明实施例提供了一种计算机程序产品,所述计算机程序产品包括存储在计算机存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行上述任意方法实施例中的风险检测方法。
可执行指令具体可以用于使得处理器执行以下操作:
用户发起的认证登录通过时,获取所述用户的行为特征数据;
根据所述行为特征数据确定所述用户所在的风险群组;
应用与所述风险群组对应的风险模型对所述用户进行风险检测,并在风险检测通过时允许用户进入应用系统。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
根据所述检测时间确定对应的时间段;
根据所述用户ID基于所述时间段确定所述用户所在的风险群组。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
获取第一预设时间内多个用户认证登录的历史行为特征数据;
对所述历史行为特征数据基于时间维度进行分析,获取不同时间段的用户活跃人群;
对所述历史行为特征数据基于风险触发频率进行分析,结合不同时间段的所述用户活跃人群,对各所述时间段中的用户进行风险群组划分。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
将一天划分为多个时间段;
根据所述历史行为特征数据提取各用户的用户登录次数大于预设次数的所述时间段;
集合各个不同的所述时间段中用户登录次数大于所述预设次数的用户,记录为与所述时间段对应的用户活跃人群。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
根据所述历史行为特征数据统计用户的风险触发频率;
如果风险触发频率大于预设频率,则确定所述用户属于高威胁人群;否则所述用户属于普通人群;
基于所述高威胁人群和所述普通人群,结合不同时间段的所述用户活跃人群,分别将各所述时间段中的用户划分为高威胁群组和普通群组。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
如果所述用户属于普通群组,则执行日常风险检测;
如果所述用户属于高威胁群组,则执行严格风险检测。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
如果所述用户不在任一所述风险群组,则允许用户直接进入应用系统。
本发明实施例通过在用户发起的认证登录通过时,获取所述用户的行为特征数据;根据所述行为特征数据确定所述用户所在的风险群组;应用与所述风险群组对应的风险模型对所述用户进行风险检测,并在风险检测通过时允许用户进入应用系统,能够减少风险检测中的误判断,增加风险检测的合理性,适用于不同场景。
图3示出了本发明实施例提供的计算设备的结构示意图,本发明具体实施例并不对设备的具体实现做限定。
如图3所示,该计算设备可以包括:处理器(processor)302、通信接口(Communications Interface)304、存储器(memory)306、以及通信总线308。
其中:处理器302、通信接口304、以及存储器306通过通信总线308完成相互间的通信。通信接口304,用于与其它设备比如客户端或其它服务器等的网元通信。处理器302,用于执行程序310,具体可以执行上述风险检测方法实施例中的相关步骤。
具体地,程序310可以包括程序代码,该程序代码包括计算机操作指令。
处理器302可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或各个集成电路。设备包括的一个或各个处理器,可以是同一类型的处理器,如一个或各个CPU;也可以是不同类型的处理器,如一个或各个CPU以及一个或各个ASIC。
存储器306,用于存放程序310。存储器306可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序310具体可以用于使得处理器302执行以下操作:
用户发起的认证登录通过时,获取所述用户的行为特征数据;
根据所述行为特征数据确定所述用户所在的风险群组;
应用与所述风险群组对应的风险模型对所述用户进行风险检测,并在风险检测通过时允许用户进入应用系统。
在一种可选的方式中,所述程序310使所述处理器执行以下操作:
根据所述检测时间确定对应的时间段;
根据所述用户ID基于所述时间段确定所述用户所在的风险群组。
在一种可选的方式中,所述程序310使所述处理器执行以下操作:
获取第一预设时间内多个用户认证登录的历史行为特征数据;
对所述历史行为特征数据基于时间维度进行分析,获取不同时间段的用户活跃人群;
对所述历史行为特征数据基于风险触发频率进行分析,结合不同时间段的所述用户活跃人群,对各所述时间段中的用户进行风险群组划分。
在一种可选的方式中,所述程序310使所述处理器执行以下操作:
将一天划分为多个时间段;
根据所述历史行为特征数据提取各用户的用户登录次数大于预设次数的所述时间段;
集合各个不同的所述时间段中用户登录次数大于所述预设次数的用户,记录为与所述时间段对应的用户活跃人群。
在一种可选的方式中,所述程序310使所述处理器执行以下操作:
根据所述历史行为特征数据统计用户的风险触发频率;
如果风险触发频率大于预设频率,则确定所述用户属于高威胁人群;否则所述用户属于普通人群;
基于所述高威胁人群和所述普通人群,结合不同时间段的所述用户活跃人群,分别将各所述时间段中的用户划分为高威胁群组和普通群组。
在一种可选的方式中,所述程序310使所述处理器执行以下操作:
如果所述用户属于普通群组,则执行日常风险检测;
如果所述用户属于高威胁群组,则执行严格风险检测。
在一种可选的方式中,所述程序310使所述处理器执行以下操作:
如果所述用户不在任一所述风险群组,则允许用户直接进入应用系统。
本发明实施例通过在用户发起的认证登录通过时,获取所述用户的行为特征数据;根据所述行为特征数据确定所述用户所在的风险群组;应用与所述风险群组对应的风险模型对所述用户进行风险检测,并在风险检测通过时允许用户进入应用系统,能够减少风险检测中的误判断,增加风险检测的合理性,适用于不同场景。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明实施例也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。
本领域技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤,除有特殊说明外,不应理解为对执行顺序的限定。
Claims (8)
1.一种风险检测方法,其特征在于,所述方法包括:
用户发起的认证登录通过时,获取所述用户的行为特征数据;
获取第一预设时间内多个用户认证登录的历史行为特征数据;
对所述历史行为特征数据基于时间维度进行分析,获取不同时间段的用户活跃人群;
根据所述历史行为特征数据统计用户的风险触发频率;
如果风险触发频率大于预设频率,则确定所述用户属于高威胁人群;否则所述用户属于普通人群;
基于所述高威胁人群和所述普通人群,结合不同时间段的所述用户活跃人群,分别将各所述时间段中的用户划分为高威胁群组和普通群组;
根据所述行为特征数据确定所述用户所在的风险群组;
应用与所述风险群组对应的风险模型对所述用户进行风险检测,并在风险检测通过时允许用户进入应用系统。
2.根据权利要求1所述的方法,其特征在于,所述行为特征数据至少包括用户ID以及检测时间,所述根据所述行为特征数据确定所述用户所在的风险群组,包括:
根据所述检测时间确定对应的时间段;
根据所述用户ID基于所述时间段确定所述用户所在的风险群组。
3.根据权利要求1所述的方法,其特征在于,所述对所述历史行为特征数据基于时间维度进行分析,获取不同时间段的用户活跃人群,包括:
将一天划分为多个时间段;
根据所述历史行为特征数据提取各用户的用户登录次数大于预设次数的所述时间段;
集合各个不同的所述时间段中用户登录次数大于所述预设次数的用户,记录为与所述时间段对应的用户活跃人群。
4.根据权利要求1所述的方法,其特征在于,所述风险群组包括高威胁群组和普通群组,所述应用与所述风险群组对应的风险模型对所述用户进行风险检测,包括:
如果所述用户属于普通群组,则执行日常风险检测;
如果所述用户属于高威胁群组,则执行严格风险检测。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
如果所述用户不在任一所述风险群组,则允许用户直接进入应用系统。
6.一种风险检测装置,其特征在于,所述装置包括:
数据获取单元,用于用户发起的认证登录通过时,获取所述用户的行为特征数据;
群组确定单元,用于获取第一预设时间内多个用户认证登录的历史行为特征数据;对所述历史行为特征数据基于时间维度进行分析,获取不同时间段的用户活跃人群;根据所述历史行为特征数据统计用户的风险触发频率;如果风险触发频率大于预设频率,则确定所述用户属于高威胁人群;否则所述用户属于普通人群;基于所述高威胁人群和所述普通人群,结合不同时间段的所述用户活跃人群,分别将各所述时间段中的用户划分为高威胁群组和普通群组;根据所述行为特征数据确定所述用户所在的风险群组;
风险检测单元,用于应用与所述风险群组对应的风险模型对所述用户进行风险检测,并在风险检测通过时允许用户进入应用系统。
7.一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行根据权利要求1-5任一项所述风险检测方法的步骤。
8.一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行根据权利要求1-5任一项所述风险检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110945641.4A CN113641970B (zh) | 2021-08-16 | 2021-08-16 | 风险检测方法、装置及计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110945641.4A CN113641970B (zh) | 2021-08-16 | 2021-08-16 | 风险检测方法、装置及计算设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113641970A CN113641970A (zh) | 2021-11-12 |
CN113641970B true CN113641970B (zh) | 2022-08-26 |
Family
ID=78422505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110945641.4A Active CN113641970B (zh) | 2021-08-16 | 2021-08-16 | 风险检测方法、装置及计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113641970B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114742479B (zh) * | 2022-06-10 | 2022-09-06 | 深圳竹云科技股份有限公司 | 账号识别方法、装置、服务器及存储介质 |
CN114880637B (zh) * | 2022-07-07 | 2022-09-20 | 深圳竹云科技股份有限公司 | 账户风险的验证方法、装置、计算机设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109600344A (zh) * | 2017-09-30 | 2019-04-09 | 腾讯科技(深圳)有限公司 | 识别风险群体的方法、装置及电子设备 |
CN110059939A (zh) * | 2018-12-13 | 2019-07-26 | 成都亚信网络安全产业技术研究院有限公司 | 一种风险检测方法及装置 |
CN111738628A (zh) * | 2020-08-14 | 2020-10-02 | 支付宝(杭州)信息技术有限公司 | 一种风险群组识别方法及装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014194197A1 (en) * | 2013-05-30 | 2014-12-04 | Quality Health Ideas, Inc. | Software for medical practitioners |
KR102369228B1 (ko) * | 2017-05-25 | 2022-02-28 | 삼성에스디에스 주식회사 | 리스크 기반 인증을 위한 리스크 분석 장치 및 방법 |
CN109922032B (zh) * | 2017-12-13 | 2022-04-19 | 百度在线网络技术(北京)有限公司 | 用于确定登录账户的风险的方法、装置、设备及存储介质 |
CN109522190B (zh) * | 2018-10-12 | 2023-02-03 | 中国平安人寿保险股份有限公司 | 异常用户行为识别方法及装置、电子设备、存储介质 |
CN110691082B (zh) * | 2019-09-26 | 2021-12-28 | 支付宝(杭州)信息技术有限公司 | 风险事件的处理方法及装置 |
CN111552933A (zh) * | 2020-03-30 | 2020-08-18 | 西安交大捷普网络科技有限公司 | 一种账号异常登录的识别方法与装置 |
CN111798241A (zh) * | 2020-05-18 | 2020-10-20 | 北京三快在线科技有限公司 | 交易数据处理方法、装置、电子设备及可读存储介质 |
CN112464200B (zh) * | 2021-02-02 | 2021-09-21 | 北京安泰伟奥信息技术有限公司 | 一种认证风险检测方法及其系统 |
-
2021
- 2021-08-16 CN CN202110945641.4A patent/CN113641970B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109600344A (zh) * | 2017-09-30 | 2019-04-09 | 腾讯科技(深圳)有限公司 | 识别风险群体的方法、装置及电子设备 |
CN110059939A (zh) * | 2018-12-13 | 2019-07-26 | 成都亚信网络安全产业技术研究院有限公司 | 一种风险检测方法及装置 |
CN111738628A (zh) * | 2020-08-14 | 2020-10-02 | 支付宝(杭州)信息技术有限公司 | 一种风险群组识别方法及装置 |
Non-Patent Citations (3)
Title |
---|
A Novel Risk Assessment Algorithm for Accounting Information System Using Analytic Hierarchy Process;Yuan Li-Sheng et al;《IEEE》;20150519;全文 * |
基于风险度评价的分级账号管控体系;刘旭 等;《信息安全研究》;20211130;第6卷(第1期);全文 * |
统一身份认证日志集中管理与账号风险检测;章思宇 等;《东南大学学报(自然科学版)》;20171231;第47卷(第S1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113641970A (zh) | 2021-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113641970B (zh) | 风险检测方法、装置及计算设备 | |
CN108737535B (zh) | 一种消息推送方法、存储介质和服务器 | |
CN109145934B (zh) | 基于日志的用户行为数据处理方法、介质、设备及装置 | |
US9223968B2 (en) | Determining whether virtual network user is malicious user based on degree of association | |
CN107423613B (zh) | 依据相似度确定设备指纹的方法、装置及服务器 | |
CN109120629B (zh) | 一种异常用户识别方法及装置 | |
CN109309596B (zh) | 一种压力测试方法、装置及服务器 | |
CN103024090B (zh) | 一种识别用户终端的方法和系统 | |
CN107679626A (zh) | 机器学习方法、装置、系统、存储介质及设备 | |
TW202121215A (zh) | 基於隱私資料保護的異常採集行為識別方法和裝置 | |
CN114095567B (zh) | 数据访问请求的处理方法、装置、计算机设备及介质 | |
CN113497807A (zh) | 检测用户登录风险的方法、装置及计算机可读存储介质 | |
CN113162923A (zh) | 基于用户行为的用户可信度评估方法、装置及存储介质 | |
CN111949696A (zh) | 一种全要素关联分析方法及装置 | |
US11863585B2 (en) | Coalition network identification using iterative process | |
CN109587248B (zh) | 用户识别方法、装置、服务器及存储介质 | |
CN111241821B (zh) | 确定用户的行为特征的方法和装置 | |
CN113505272B (zh) | 基于行为习惯的控制方法和装置、电子设备和存储介质 | |
CN110324292B (zh) | 身份验证装置、身份验证方法及计算机存储介质 | |
CN113297358A (zh) | 数据处理方法、装置、服务器和计算机可读存储介质 | |
CN108234341B (zh) | 基于设备指纹的Nginx动态被动限流方法及系统 | |
CN111683102A (zh) | Ftp行为数据处理方法、识别异常ftp行为的方法及装置 | |
CN110113312A (zh) | 一种访问请求的识别方法和处理方法及计算机可读存储介质 | |
CN110570238A (zh) | 顾客时间价值的评估方法、系统、介质、及电子设备 | |
CN113360356B (zh) | 阅读作弊行为的识别方法、计算设备及计算机存储介质 |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 518000 4001, Block D, Building 1, Chuangzhi Yuncheng Lot 1, Liuxian Avenue, Xili Community, Xili Street, Nanshan District, Shenzhen, Guangdong Patentee after: Shenzhen Zhuyun Technology Co.,Ltd. Address before: 518000 East, 3rd floor, incubation building, China Academy of science and technology, 009 Gaoxin South 1st Road, Nanshan District, Shenzhen City, Guangdong Province Patentee before: SHENZHEN BAMBOOCLOUD TECHNOLOGY CO.,LTD. |