CN113656271B - 用户异常行为的处理方法、装置、设备及存储介质 - Google Patents
用户异常行为的处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113656271B CN113656271B CN202110912334.6A CN202110912334A CN113656271B CN 113656271 B CN113656271 B CN 113656271B CN 202110912334 A CN202110912334 A CN 202110912334A CN 113656271 B CN113656271 B CN 113656271B
- Authority
- CN
- China
- Prior art keywords
- behavior data
- abnormal
- user
- abnormal behavior
- processing mode
- 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
- 206010000117 Abnormal behaviour Diseases 0.000 title claims abstract description 137
- 238000012545 processing Methods 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000006399 behavior Effects 0.000 claims abstract description 107
- 230000002159 abnormal effect Effects 0.000 claims abstract description 35
- 238000004590 computer program Methods 0.000 claims description 9
- 230000003542 behavioural effect Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 230000002547 anomalous effect Effects 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 2
- 238000011269 treatment regimen Methods 0.000 claims 1
- 238000003672 processing method Methods 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229920001971 elastomer Polymers 0.000 description 1
- 239000000806 elastomer Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3438—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment monitoring of user actions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3466—Performance evaluation by tracing or monitoring
- G06F11/3476—Data logging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/451—Execution arrangements for user interfaces
- G06F9/453—Help systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Human Computer Interaction (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明实施例公开了一种用户异常行为的处理方法、装置、设备及存储介质。采集目标用户在使用系统时的行为数据；判断所述行为数据是否异常；若异常，则将所述行为数据确定为第一异常行为数据，并确定所述第一异常行为数据的处理方式；将所述处理方式推送至所述目标用户，使得所述目标用户根据所述处理方式使用系统。本发明实施例提供的用户异常行为的处理方法，当目标用户的行为数据异常时，将确定的处理方式推荐至目标用户，以实现对用户异常行为的预警，同时可以引导用户正确使用系统，从而提高系统的安全性，保证企业利益不受损害。
Description
技术领域
本发明实施例涉及计算机安全技术领域，尤其涉及一种用户异常行为处理方法、装置、设备及存储介质。
背景技术
在实际的企业级应用系统中，不同等级的用户通常具有不同的操作权限，不同的用户具有不同的行为特点及行为规律。为了获取用户的异常操作行为，需要对系统中的用户行为进行监控，以防止用户进行非法授权活动，同时防止非法用户冒用合法用户账号进行非法操作，以损害企业利益。
发明内容
本发明实施例提供一种用户异常行为的处理方法、装置、设备及存储介质，以实现对用户异常行为的预警，同时可以引导用户正确使用系统，从而提高系统的安全性，保证企业利益不受损害。
第一方面，本发明实施例提供了一种用户异常行为的处理方法，包括：
采集目标用户在使用系统时的行为数据；
判断所述行为数据是否异常；
若异常，则将所述行为数据确定为第一异常行为数据，并确定所述第一异常行为数据的处理方式；
将所述处理方式推送至所述目标用户，使得所述目标用户根据所述处理方式使用系统。
第二方面，本发明实施例还提供了一种用户异常行为的处理装置，包括：
行为数据采集模块，用于采集目标用户在使用系统时的行为数据；
异常判断模块，用于判断所述行为数据是否异常；
处理方式确定模块，用于当所述行为数据异常时，将所述行为数据确定为第一异常行为数据，并确定所述第一异常行为数据的处理方式；
处理方式推荐模块，用于将所述处理方式推荐至所述目标用户，使得所述目标用户根据所述处理方式使用系统。
第三方面，本发明实施例还提供了一种计算机设备，所述设备包括：包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明实施例所述的用户异常行为的处理方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理装置执行时实现如本公开实施例所述的用户异常行为的处理方法。
本发明实施例公开了一种用户异常行为的处理方法、装置、设备及存储介质。采集目标用户在使用系统时的行为数据；判断行为数据是否异常；若异常，则将行为数据确定为第一异常行为数据，并确定第一异常行为数据的处理方式；将处理方式推送至目标用户，使得目标用户根据处理方式使用系统。本发明实施例提供的用户异常行为的处理方法，当目标用户的行为数据异常时，将确定的处理方式推荐至目标用户，以实现对用户异常行为的预警，同时可以引导用户正确使用系统，从而提高系统的安全性，保证企业利益不受损害。
附图说明
图1是本发明实施例一中的一种用户异常行为的处理方法的流程图；
图2是本发明实施例二中的一种用户异常行为的处理装置的结构示意图；
图3是本发明实施例三中的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种用户异常行为的处理方法的流程图，本实施例可适用于对用户的异常行为进行处理的情况，该方法可以由用户异常行为的处理装置来执行，该装置可由硬件和/或软件组成，并一般可集成在具有用户异常行为的处理功能的设备中，该设备可以是服务器或服务器集群等电子设备。如图1所示，该方法具体包括如下步骤：
步骤110，采集目标用户在使用系统时的行为数据。
其中，系统可以是用于监控与告警的系统，如：Prometheus系统日志监控系统(Elasticsearch、Filebeat、Kibana，EFK)。其中，Prometheus系统是一个开源的服务监控系统和时间序列数据库。
本实施例中，可以基于系统中的数据采集模块(如：Exporter或者Filebeat)对目标用户在使用系统时的行为数据进行采集。
通过应用和扩展Exporter将监控数据采集的端点通过HTTP服务的形式暴露给Prometheus，Prometheus通过访问该Exporter提供的端点，即可获取到需要采集的监控数据。其中，Exporter可分为两类：1、直接采集：这一类Exporter直接内置了对Prometheus监控的支持，用于收集正在允许的容器资源使用情况和性能信息。2、间接采集：原有监控目标并不直接支持Prometheus，因此需要编写对特定监控目标的监控采集程序。
Filebeat用于转发和集中日志数据的轻量级传送工具。Filebeat可以监视管理人员指定的日志文件或位置，收集日志事件，并将它们转发到Elasticsearch或Logstash进行索引。启动Filebeat时，它将启动一个或多个输入，这些输入将在为日志数据的指定位置中查找。对于Filebeat所找到的每个日志，Filebeat都会启动收集器。每个收集器都读取单个日志数据发送到libbeat，libbeat将聚集事件，并将聚集的数据发送到Filebeat配置的输出文件中。
步骤120，判断行为数据是否异常，若异常，则执行步骤130。
本实施例中，监控与告警系统还配置了能定制展示不同指标的面板，能支持不同类型的展现方式，对系统用户行为的异常预告警提供更加多元化的分析手段。各种Exporter中采集数据后，基础情况下可应用面板清晰地看到Prometheus的配置情况，监控任务运行的状态。还可以通过面板实时查询监控数据，并将基础的数据进行展示。若涉及更加丰富多元的数据处理和展示，则应用Grafana强大的特性，如可视化功能可以结合面板插件以不同的方式可视化监控指标和日志；通知功能可以实时监控警报状态，待警报状态更改时，它会发出告警通知；过滤器则支持动态创建新的键/值过滤器，帮助我们更好的分析用户行为数据源，以制定更加高效稳定的用户行为分析机制等。
本实施例中，可以在监控与告警系统中配置告警阈值，通过告警阈值判断目标用户的行为数据是否异常。具体的，判断行为数据是否异常的方式可以是：将行为数据与告警阈值进行比较，若超过告警阈值，则行为数据异常。
其中，行为数据可以以指标的形式体现，用户产生一行为数据，系统就会获得该行为数据对应的指标值，将该指标值与告警阈值进行比较，若指标值超过告警阈值，则行为数据异常。
可选的，判断行为数据是否异常的方式可以还可以是：根据行为数据构建用户行为曲线；确定目标用户所属的类别；根据类别获取基准行为曲线；根据用户行为曲线和基准行为曲线判断行为数据是否异常。
其中，行为数据可以是目标用户在历史时段内使用系统产生的一系列数据。可以采用机器学习模型对行为数据进行分析，以构建目标用户对应的用户行为曲线。其中，基准行为曲线可以是合法用户的行为数据进行构建获得的。具体的，首先对合法用户进行聚类，然后对各类别下的合法用户的行为数据利用机器学习模型构建出基准行为曲线。
具体的，根据用户行为曲线和基准行为曲线判断行为数据是否异常的方式可以是：判断用户行为曲线与基准行为曲线间的偏离度是否超过设定阈值，若超过，则行为数据异常。
其中，设定阈值可以根据实际需求进行设置，此处不做限定。确定用户行为曲线与基准行为曲线间的偏离度的方式可以是，将用户行为曲线与基准行为曲线对应点之间距离的平均值或者期望或者方差作为偏离度，或者将用户行为曲线与基准行为曲线对应点之间距离的最大值作为偏离度等。
步骤130，将行为数据确定为第一异常行为数据，并确定第一异常行为数据的处理方式。
其中，处理方式可以理解为指导用户正确使用系统的信息。
本实施例中，确定第一异常行为数据的处理方式可以是将第一异常行为数据输入预先训练好的机器学习模型中，输出处理方式。
其中，机器学习模型的训练过程可以是，采集系统在历史运行过程中的采集的异常行为数据，以及异常行为数据对应的处理方式，将足量的异常行为数据及处理方式导入到语料库中，编写训练程序进行模型训练。
可选的，确定第一异常行为数据的处理方式的过程还可以是：根据第一异常行为数据构建用户画像；基于协同过滤算法获取与用户画像的相似度满足设定条件的第二异常行为数据集；对第二异常行为数据集中的数据进行类别划分，获得多类别异常行为数据；计算第一异常行为数据与各类异常行为数据的相似度；将相似度最高的类别异常行为数据对应的处理方式确定为异常行为数据的处理方式。
其中，用户画像可以反映用户使用系统的行为习惯。对第二异常行为数据集中的数据进行类别划分可以根据异常行为数据引起的结果进行分类，例如：将引起系统延时的异常行为数据划分为一类，将引起系统死机的异常行为数据划分为一类等。此处，对第二异常行为数据的类别划分方式不做限定，可以根据实际需求确定。
其中，第二异常行为数据集由多个用户的第二异常行为数据组成。具体的，对第二异常行为数据集中的数据进行类别划分的方式可以是：对多个用户进行类别划分，获得多个用户类别；对各用户类别下的第二异常行为数据进行类别划分。
其中，对用户进行类别划分的方式可以按照用户使用系统的等级权限来划分。或者根据用户画像进行聚类，即根据用户的行为习惯进行分类。
具体的，在对用户分类后，对各用户类别的下的第二异常行为数据进行类别划分。示例性的，对第二异常行为集的分类结果为：用户类别1、用户类别2和用户类别3；用户类别1下包含异常行为数据类别a、异常行为数据类别b；用户类别2下包含异常行为数据类别a、异常行为数据类别b和异常行为数据类别c；用户类别3下包含异常行为数据类别b和异常行为数据类别c。即本实施例对第二异常行为集进行了两层分类，第一层对用户进行了分类，第二层对异常行为数据进行分类。
相应的，计算第一异常行为数据与各类别异常行为数据的相似度方式可以是：将与目标用户相似度最高的用户类别确定为目标用户类别；计算第一异常行为数据与目标用户类别下的各类别异常行为数据的相似度。
其中，可以采用现有的相似度算法计算目标用户与用户类别间的相似度。具体的，将目标用户类别下与第一异常行为数据相似度最高的异常行为数据类别对应的处理方式确定为所述第一异常行为数据的处理方式。
步骤140，将处理方式推送至目标用户，使得目标用户根据处理方式使用系统。
可选的，若处理方式为1个，则直接将该处理方式推送至目标用户。若确定的处理方式有多个，则获取各处理方式的反馈信息；将反馈信息中正向信息占比最高的处理方式确定为最终的处理方式。
其中，反馈信息可以是用户采用该处理方式使用系统后的反馈结果，反馈结果包括系统正常运行及系统异常运行。若系统正常运行，则反馈信息是正向的，若系统异常运行，则反馈信息是反向的。示例性的，假设确定的处理方式有包括处理方式a、处理方式b及处理方式c，且处理方式a正向反馈信息的占比为80％，处理方式b正向反馈信息的占比为60％，处理方式c正向反馈信息的占比为90％，则将处理方式c确定为最终的处理方式推送至目标用户，使得目标用户按照处理方式c使用系统。
本实施例的技术方案，采集目标用户在使用系统时的行为数据；判断行为数据是否异常；若异常，则将行为数据确定为第一异常行为数据，并确定第一异常行为数据的处理方式；将处理方式推送至目标用户，使得目标用户根据处理方式使用系统。本发明实施例提供的用户异常行为的处理方法，当目标用户的行为数据异常时，将确定的处理方式推荐至目标用户，以实现对用户异常行为的预警，同时可以引导用户正确使用系统，从而提高系统的安全性，保证企业利益不受损害。
实施例二
图2是本发明实施例二提供的一种用户异常行为的处理装置的结构示意图。如图2所示，该装置包括：
行为数据采集模块210，用于采集目标用户在使用系统时的行为数据；
异常判断模块220，用于判断行为数据是否异常；
处理方式确定模块230，用于当行为数据异常时，将行为数据确定为第一异常行为数据，并确定第一异常行为数据的处理方式；
处理方式推荐模块240，用于将处理方式推荐至目标用户，使得目标用户根据处理方式使用系统。
可选的，异常判断模块220，还用于：
将行为数据与告警阈值进行比较，若超过告警阈值，则行为数据异常。
可选的，异常判断模块220，还用于：
根据行为数据构建用户行为曲线；
确定目标用户所属的类别；
根据类别获取基准行为曲线；
根据用户行为曲线和基准行为曲线判断行为数据是否异常。
可选的，异常判断模块220，还用于：
判断用户行为曲线与基准行为曲线间的偏离度是否超过设定阈值，若超过，则行为数据异常。
可选的，处理方式确定模块230，还用于：
根据第一异常行为数据构建用户画像；
基于协同过滤算法获取与用户画像的相似度满足设定条件的第二异常行为数据集；
对第二异常行为数据集中的数据进行类别划分，获得多类别异常行为数据；
计算第一异常行为数据与各类异常行为数据的相似度；
将相似度最高的类别异常行为数据对应的处理方式确定为第一异常行为数据的处理方式。
可选的，第二异常行为数据集由多个用户的第二异常行为数据组成；处理方式确定模块230，还用于：
对多个用户进行类别划分，获得多个用户类别；
对各用户类别下的第二异常行为数据进行类别划分；
将与目标用户相似度最高的用户类别确定为目标用户类别；
计算第一异常行为数据与目标用户类别下的各类别异常行为数据的相似度。
可选的，处理方式推荐模块240，还用于：
若确定的处理方式有多个，则获取各处理方式的反馈信息；
将反馈信息中正向信息占比最高的处理方式确定为最终的处理方式。
上述装置可执行本发明前述所有实施例所提供的方法，具备执行上述方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明前述所有实施例所提供的方法。
实施例三
图3为本发明实施例三提供的一种计算机设备的结构示意图。图3示出了适于用来实现本发明实施方式的计算机设备312的框图。图3显示的计算机设备312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。设备312是典型的用户异常行为的处理功能的计算设备。
如图3所示，计算机设备312以通用计算设备的形式表现。计算机设备312的组件可以包括但不限于：一个或者多个处理器316，存储装置328，连接不同系统组件(包括存储装置328和处理器316)的总线318。
总线318表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture，ISA)总线，微通道体系结构(Micro Channel Architecture，MCA)总线，增强型ISA总线、视频电子标准协会(Video Electronics Standards Association，VESA)局域总线以及外围组件互连(Peripheral Component Interconnect，PCI)总线。
计算机设备312典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备312访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储装置328可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory，RAM)330和/或高速缓存存储器332。计算机设备312可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统334可以用于读写不可移动的、非易失性磁介质(图3未显示，通常称为“硬盘驱动器”)。尽管图3中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如只读光盘(Compact Disc-Read Only Memory，CD-ROM)、数字视盘(Digital Video Disc-Read Only Memory，DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线318相连。存储装置328可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块326的程序336，可以存储在例如存储装置328中，这样的程序模块326包括但不限于操作系统、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。程序模块326通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备312也可以与一个或多个外部设备314(例如键盘、指向设备、摄像头、显示器324等)通信，还可与一个或者多个使得用户能与该计算机设备312交互的设备通信，和/或与使得该计算机设备312能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口322进行。并且，计算机设备312还可以通过网络适配器320与一个或者多个网络(例如局域网(Local AreaNetwork，LAN)，广域网Wide Area Network，WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器320通过总线318与计算机设备312的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备312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、磁盘阵列(Redundant Arrays of IndependentDisks，RAID)系统、磁带驱动器以及数据备份存储系统等。
处理器316通过运行存储在存储装置328中的程序，从而执行各种功能应用以及数据处理，例如实现本发明上述实施例所提供的用户异常行为的处理方法。
实施例四
本发明实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该程序被处理装置执行时实现如本发明实施例中的用户异常行为的处理方法。本发明上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号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，其中承载了计算机可读的程序代码。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。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、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。计算机可读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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
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该电子设备执行时，使得该电子设备：采集目标用户在使用系统时的行为数据；判断所述行为数据是否异常；若异常，则将所述行为数据确定为第一异常行为数据，并确定所述第一异常行为数据的处理方式；将所述处理方式推送至所述目标用户，使得所述目标用户根据所述处理方式使用系统。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
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。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (8)
1.一种用户异常行为的处理方法，其特征在于，包括：
采集目标用户在使用系统时的行为数据；
判断所述行为数据是否异常；
若异常，则将所述行为数据确定为第一异常行为数据，并确定所述第一异常行为数据的处理方式；
将所述处理方式推送至所述目标用户，使得所述目标用户根据所述处理方式使用系统；
其中，所述确定所述第一异常行为数据的处理方式，包括：
根据所述第一异常行为数据构建用户画像；
基于协同过滤算法获取与所述用户画像的相似度满足设定条件的第二异常行为数据集；
对所述第二异常行为数据集中的数据进行类别划分，获得多类别异常行为数据；
计算所述第一异常行为数据与各类异常行为数据的相似度；
将相似度最高的类别异常行为数据对应的处理方式确定为所述第一异常行为数据的处理方式；
其中，所述第二异常行为数据集由多个用户的第二异常行为数据组成；对所述第二异常行为数据集中的数据进行类别划分，包括：
对所述多个用户进行类别划分，获得多个用户类别；
对各用户类别下的第二异常行为数据进行类别划分；
相应的，计算所述第一异常行为数据与各类别异常行为数据的相似度，包括：
将与所述目标用户相似度最高的用户类别确定为目标用户类别；
计算所述第一异常行为数据与所述目标用户类别下的各类别异常行为数据的相似度。
2.根据权利要求1所述的方法，其特征在于，判断所述行为数据是否异常，包括：
将所述行为数据与告警阈值进行比较，若超过所述告警阈值，则所述行为数据异常。
3.根据权利要求1所述的方法，其特征在于，判断所述行为数据是否异常，包括：
根据所述行为数据构建用户行为曲线；
确定所述目标用户所属的类别；
根据所述类别获取基准行为曲线；
根据所述用户行为曲线和所述基准行为曲线判断所述行为数据是否异常。
4.根据权利要求3所述的方法，其特征在于，根据所述用户行为曲线和所述基准行为曲线判断所述行为数据是否异常，包括：
判断所述用户行为曲线与所述基准行为曲线间的偏离度是否超过设定阈值，若超过，则所述行为数据异常。
5.根据权利要求1所述的方法，其特征在于，将所述处理方式推荐至所述目标用户，包括：
若确定的处理方式有多个，则获取各处理方式的反馈信息；
将反馈信息中正向信息占比最高的处理方式确定为最终的处理方式。
6.一种用户异常行为的处理装置，其特征在于，包括：
行为数据采集模块，用于采集目标用户在使用系统时的行为数据；
异常判断模块，用于判断所述行为数据是否异常；
处理方式确定模块，用于当所述行为数据异常时，将所述行为数据确定为第一异常行为数据，并确定所述第一异常行为数据的处理方式；
处理方式推荐模块，用于将所述处理方式推荐至所述目标用户，使得所述目标用户根据所述处理方式使用系统；
其中，所述处理方式确定模块，还用于根据所述第一异常行为数据构建用户画像；基于协同过滤算法获取与所述用户画像的相似度满足设定条件的第二异常行为数据集；对所述第二异常行为数据集中的数据进行类别划分，获得多类别异常行为数据；计算所述第一异常行为数据与各类异常行为数据的相似度；将相似度最高的类别异常行为数据对应的处理方式确定为所述第一异常行为数据的处理方式；
其中，所述第二异常行为数据集由多个用户的第二异常行为数据组成；所述处理方式确定模块还用于对所述多个用户进行类别划分，获得多个用户类别；对各用户类别下的第二异常行为数据进行类别划分；将与所述目标用户相似度最高的用户类别确定为目标用户类别；计算所述第一异常行为数据与所述目标用户类别下的各类别异常行为数据的相似度。
7.一种计算机设备，其特征在于，所述设备包括：包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-5任一所述的用户异常行为的处理方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理装置执行时实现如权利要求1-5中任一所述的用户异常行为的处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110912334.6A CN113656271B (zh) | 2021-08-10 | 2021-08-10 | 用户异常行为的处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110912334.6A CN113656271B (zh) | 2021-08-10 | 2021-08-10 | 用户异常行为的处理方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113656271A CN113656271A (zh) | 2021-11-16 |
| CN113656271B true CN113656271B (zh) | 2024-06-07 |
Family
ID=78491070
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110912334.6A Active CN113656271B (zh) | 2021-08-10 | 2021-08-10 | 用户异常行为的处理方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113656271B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110262926A (zh) * | 2019-06-05 | 2019-09-20 | 世纪龙信息网络有限责任公司 | 服务器的元数据修复方法、装置、系统和计算机设备 |
| CN110704284A (zh) * | 2019-09-27 | 2020-01-17 | 高新兴科技集团股份有限公司 | 视频监控场景下的告警处理方法、系统及电子设备 |
| CN111213161A (zh) * | 2017-10-18 | 2020-05-29 | 国际商业机器公司 | 认知虚拟检测器 |
| CN111783875A (zh) * | 2020-06-29 | 2020-10-16 | 中国平安财产保险股份有限公司 | 基于聚类分析的异常用户检测方法、装置、设备及介质 |
| CN112905671A (zh) * | 2021-03-24 | 2021-06-04 | 北京必示科技有限公司 | 时间序列异常处理方法、装置、电子设备及存储介质 |
| CN112905380A (zh) * | 2021-03-22 | 2021-06-04 | 上海海事大学 | 一种基于自动化监控日志的系统异常检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8572736B2 (en) * | 2008-11-12 | 2013-10-29 | YeeJang James Lin | System and method for detecting behavior anomaly in information access |
-
2021
- 2021-08-10 CN CN202110912334.6A patent/CN113656271B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111213161A (zh) * | 2017-10-18 | 2020-05-29 | 国际商业机器公司 | 认知虚拟检测器 |
| CN110262926A (zh) * | 2019-06-05 | 2019-09-20 | 世纪龙信息网络有限责任公司 | 服务器的元数据修复方法、装置、系统和计算机设备 |
| CN110704284A (zh) * | 2019-09-27 | 2020-01-17 | 高新兴科技集团股份有限公司 | 视频监控场景下的告警处理方法、系统及电子设备 |
| CN111783875A (zh) * | 2020-06-29 | 2020-10-16 | 中国平安财产保险股份有限公司 | 基于聚类分析的异常用户检测方法、装置、设备及介质 |
| CN112905380A (zh) * | 2021-03-22 | 2021-06-04 | 上海海事大学 | 一种基于自动化监控日志的系统异常检测方法 |
| CN112905671A (zh) * | 2021-03-24 | 2021-06-04 | 北京必示科技有限公司 | 时间序列异常处理方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113656271A (zh) | 2021-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11586972B2 (en) | Tool-specific alerting rules based on abnormal and normal patterns obtained from history logs | |
| US10909241B2 (en) | Event anomaly analysis and prediction | |
| US10387899B2 (en) | Systems and methods for monitoring and analyzing computer and network activity | |
| US20210136098A1 (en) | Root cause analysis in multivariate unsupervised anomaly detection | |
| US10565172B2 (en) | Adjusting application of a set of data quality rules based on data analysis | |
| US9922113B2 (en) | Systems and methods for indexing and aggregating data records | |
| US20150046512A1 (en) | Dynamic collection analysis and reporting of telemetry data | |
| US20170103069A1 (en) | Supplementing candidate answers | |
| CN110442712B (zh) | 风险的确定方法、装置、服务器和文本审理系统 | |
| US20210112101A1 (en) | Data set and algorithm validation, bias characterization, and valuation | |
| US10031901B2 (en) | Narrative generation using pattern recognition | |
| US10846434B1 (en) | Computer-implemented fraud detection | |
| US20230244812A1 (en) | Identifying Sensitive Data Risks in Cloud-Based Enterprise Deployments Based on Graph Analytics | |
| US20230274160A1 (en) | Automatically training and implementing artificial intelligence-based anomaly detection models | |
| US11501058B2 (en) | Event detection based on text streams | |
| CN113656271B (zh) | 用户异常行为的处理方法、装置、设备及存储介质 | |
| US20200313989A1 (en) | Method and apparatus for variable sampling for outlier mining | |
| CN118260154A (zh) | 数据处理方法、装置、设备及存储介质 | |
| CN117725441A (zh) | 权限管理方法、装置、可读存储介质及电子设备 | |
| CN116436771A (zh) | 请求响应方法、装置、设备及存储介质 | |
| CN117076244A (zh) | 主机运行状态信息的生成方法、装置、设备及存储介质 | |
| CN117667636A (zh) | 基于广义线性模型的日志分析方法、系统、设备及介质 | |
| CN116860507A (zh) | 告警根因确定方法、装置、设备及介质 | |
| CN114595118A (zh) | 数据监控方法、装置、存储介质及电子设备 | |
| CN117744043A (zh) | 代码混淆方法、装置、设备、存储介质及程序产品 |
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 |