CN114168632A - 异常数据识别方法及装置、电子设备和存储介质 - Google Patents
异常数据识别方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN114168632A CN114168632A CN202111483136.9A CN202111483136A CN114168632A CN 114168632 A CN114168632 A CN 114168632A CN 202111483136 A CN202111483136 A CN 202111483136A CN 114168632 A CN114168632 A CN 114168632A
- Authority
- CN
- China
- Prior art keywords
- event
- service
- collected
- scene
- attribute
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000004458 analytical method Methods 0.000 claims abstract description 153
- 230000006399 behavior Effects 0.000 claims abstract description 124
- 238000007405 data analysis Methods 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 39
- 230000008569 process Effects 0.000 claims description 30
- 238000013480 data collection Methods 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 2
- 238000007726 management method Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 16
- 206010000117 Abnormal behaviour Diseases 0.000 description 7
- 238000013524 data verification Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000009933 burial Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000001680 brushing effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification 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
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 210000002268 wool Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24564—Applying rules; Deductive queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/288—Entity relationship models
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开是关于一种异常数据识别方法及装置、电子设备以及计算机可读存储介质,涉及计算机技术领域,可以应用于判断业务数据中是否存在异常用户行为的场景。该方法包括:确定待采集业务场景,生成待采集业务场景对应的待采集业务事件与待采集事件属性;确定三者之间的逻辑关联关系,根据场景定义信息、事件定义信息、属性定义信息与逻辑关联关系生成数据采集规则;根据数据采集规则进行数据采集操作,得到待分析业务数据;获取预先配置的异常数据分析规则,根据异常数据分析规则对待分析业务数据进行异常分析处理,以得到异常分析结果。本公开根据数据采集规则采集得到待分析业务数据,采用异常数据分析规则判断待分析业务数据是否存在异常。
Description
技术领域
本公开涉及计算机技术领域,具体而言,涉及一种异常数据识别方法、异常数据识别装置、电子设备以及计算机可读存储介质。
背景技术
随着互联网技术的普及度越来越高,越来越多的企业选择线上与线下相结合的方式扩展客户群体。例如,企业的线上获客策略可以包括广告投放、流量合作、第三方渠道合作等多种方式。
然而,上述线上获客策略存在一定的问题,以保险业务的企业为例,保险企业的线上获客策略中,部分流量用户受利益驱使,通过假机、假用户、假行为等多种套利方式办理业务,对企业的营收造成了负面影响。例如,对保险企业的业务数据进行分析发现,部分个人通过复购环节反复为多人投保,又在短时间内解约的案例;也识别出个别设备存在短时间内大量重复访问页面的情况,所以企业迫切需要建立起业务反欺诈能力,以应对类似风险。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种异常数据识别方法、异常数据识别装置、电子设备以及计算机可读存储介质,进而至少在一定程度上克服用户异常行为分析方案中缺乏数据采集的统一管理工具,导致数据质量不稳定,难以支撑后续数据异常分析应用的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本发明的实践而习得。
根据本公开的第一方面,提供一种异常数据识别方法,包括:确定待采集业务场景,生成所述待采集业务场景对应的待采集业务事件与待采集事件属性;所述待采集业务场景包括场景定义信息,所述待采集业务事件包括事件定义信息,所述待采集事件属性包括属性定义信息;确定所述待采集业务场景、所述待采集业务事件与所述待采集事件属性之间的逻辑关联关系,根据所述场景定义信息、所述事件定义信息、所述属性定义信息以及所述逻辑关联关系生成数据采集规则;根据所述数据采集规则进行数据采集操作,得到待分析业务数据;获取预先配置的异常数据分析规则,根据所述异常数据分析规则对所述待分析业务数据进行异常分析处理,以得到异常分析结果。
根据本公开的第二方面,提供一种异常数据识别装置,包括:场景事件确定模块,用于确定待采集业务场景,生成所述待采集业务场景对应的待采集业务事件与待采集事件属性;所述待采集业务场景包括场景定义信息,所述待采集业务事件包括事件定义信息,所述待采集事件属性包括属性定义信息;采集规则确定模块,用于确定所述待采集业务场景、所述待采集业务事件与所述待采集事件属性之间的逻辑关联关系,根据所述场景定义信息、所述事件定义信息、所述属性定义信息以及所述逻辑关联关系生成数据采集规则;数据采集模块,用于根据所述数据采集规则进行数据采集操作,得到待分析业务数据;异常分析模块,用于获取预先配置的异常数据分析规则,根据所述异常数据分析规则对所述待分析业务数据进行异常分析处理,以得到异常分析结果。
在本公开的一种示例性实施方案中,所述待采集事件属性包括共有事件属性与私有事件属性;场景事件确定模块包括场景事件确定单元,用于获取业务场景定义模板,根据所述业务场景定义模板与所述共有事件属性确定所述待采集业务场景;获取业务事件生成模板,根据所述业务事件生成模板配置所述事件定义信息,以生成所述待采集业务事件;所述待采集业务事件包括私有事件属性;获取事件属性生成模板与属性校验规则,根据所述事件属性生成模板与所述属性校验规则针对所述私有事件属性配置私有属性定义信息,以生成所述待采集事件属性。
在本公开的一种示例性实施方案中,场景事件确定单元包括场景确定子单元,用于根据所述业务场景定义模板确定待配置场景字段;所述待配置场景字段包括场景名称、场景分类、业务事件命名规则;对所述待配置场景字段进行配置操作,得到待采集场景名称、待采集场景分类与待采集事件命名规则;根据所述共有事件属性、所述待采集场景名称、所述待采集场景分类与所述待采集事件命名规则生成待采集业务场景。
在本公开的一种示例性实施方案中,场景事件确定单元包括事件确定子单元,用于基于所述业务事件生成模板确定待配置事件字段;所述待配置事件字段包括所属场景、事件名称、事件类型、事件标识;对所述待配置场景字段进行配置操作,得到所属场景类型、待采集事件名称、待采集事件类型、待采集事件标识;基于所述业务事件生成模板填写关联的私有事件属性,根据所述所属场景类型、所述待采集事件名称、所述待采集事件类型、所述待采集事件标识以及所述私有事件属性生成待采集业务事件。
在本公开的一种示例性实施方案中,异常数据识别装置还包括分析规则生成模块,用于确定分析规则名称;确定与所述分析规则名称对应的多个行为分析规则,确定多个所述行为分析规则之间的规则关联关系;根据所述分析规则名称、多个所述行为分析规则与所述规则关联关系生成所述异常数据分析规则。
在本公开的一种示例性实施方案中,异常分析模块包括异常分析单元,用于确定所述待分析业务数据对应的行为类别;对所述行为类别进行事件分类处理,得到行为事件分类结果;根据所述行为事件分类结果与所述异常数据分析规则进行所述异常分析处理,得到所述异常分析结果。
在本公开的一种示例性实施方案中,异常分析单元包括异常分析子单元,用于如果所述行为事件分类结果为属于事件类别,则确定所述待分析业务数据对应的目标事件属性;获取所述目标事件属性对应的事件属性阈值,根据所述事件属性阈值确定第一分析结果;如果所述行为事件分类结果为属于非事件类别,则确定所述待分析业务数据中包括的行为信息;获取所述行为信息对应的行为信息阈值,根据所述行为信息阈值确定第二分析结果;根据所述第一分析结果与所述第二分析结果确定所述异常分析结果。
根据本公开的第三方面,提供一种电子设备,包括:处理器;以及存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时实现根据上述任意一项所述的异常数据识别方法。
根据本公开的第四方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现根据上述任意一项所述的异常数据识别方法。
本公开提供的技术方案可以包括以下有益效果:一方面,根据待采集业务场景对应的待采集业务事件与待采集事件属性,以及三者之间的关联关系生成的数据采集规则进行数据采集,使得数据采集得到了统一的有效管理,并且采集到的数据质量也具有明显的提升。另一方面,通过对采集到的业务数据进行异常分析处理,可以有效识别出业务数据中的异常行为数据,并将得到的分析结果运用于业务决策中。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1示意性示出了根据本公开的示例性实施方式的异常数据识别方法的流程图;
图2示意性示出了根据本公开的示例性实施方式的异常行为识别系统的整体结构图;
图3示意性示出了根据本公开的示例性实施方式的业务场景、业务事件与事件属性之间的逻辑关联关系图;
图4示意性示出了根据本公开的示例性实施方式的业务场景的管理示意图;
图5示意性示出了根据本公开的示例性实施方式的场景事件的管理示意图;
图6示意性示出了根据本公开的示例性实施方式的事件属性的管理示意图;
图7示意性示出了根据本公开的示例性实施方式的异常行为识别分析管理的流程图;
图8示意性示出了根据本公开的示例性实施方式的生成异常数据分析规则的功能设计的界面图;
图9示意性示出了根据本公开的示例性实施方式的异常数据识别装置的方框图;
图10示意性示出了根据本公开一示例性实施例的电子设备的框图;
图11示意性示出了根据本公开一示例性实施例的计算机可读存储介质的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本公开将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中提供许多具体细节从而给出对本公开的实施例的充分理解。然而,本领域技术人员将意识到可以实践本公开的技术方案而没有所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知结构、方法、装置、实现、材料或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须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,或在一个或多个软件硬化的模块中实现这些功能实体或功能实体的一部分,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。
企业在使用线上获客策略(如投放广告、流量合作渠道)获取新客户的过程中,对于刷单、薅羊毛用户的发现存在一定的滞后性。目前,针对用户行为进行分析的方法,主要是通过监控续期相关报表,发现用户流失之后才知道渠道的质量存在问题,针对低质量用户从用户行为上的判定缺少适当的分析工具。用户行为数据是制定营销反欺诈策略的重要数据源之一,要精准识别高风险用户,就必须做好用户行为数据的采集工作,目前,在数据采集环节,企业缺乏规范且统一的管理工具,经常出现行为事件错埋点、漏采集、漏统计的问题,导致数据质量不稳定,难以支撑相关数据应用。
基于此,在本示例实施例中,首先提供了一种异常数据识别方法,可以利用服务器来实现本公开的异常数据识别方法,也可以利用终端设备来实现本公开所述的方法,其中,本公开中描述的终端可以包括诸如手机、平板电脑、笔记本电脑、掌上电脑、个人数字助理(Personal Digital Assistant,PDA)等移动终端,以及诸如台式计算机等固定终端。图1示意性示出了根据本公开的一些实施例的异常数据识别方法流程的示意图。参考图1,该异常数据识别方法可以包括以下步骤:
步骤S110,确定待采集业务场景,生成待采集业务场景对应的待采集业务事件与待采集事件属性;待采集业务场景包括场景定义信息,待采集业务事件包括事件定义信息,待采集事件属性包括属性定义信息。
步骤S120,确定待采集业务场景、待采集业务事件与待采集事件属性之间的逻辑关联关系,根据场景定义信息、事件定义信息、属性定义信息以及逻辑关联关系生成数据采集规则。
步骤S130,根据数据采集规则进行数据采集操作,得到待分析业务数据。
步骤S140,获取预先配置的异常数据分析规则,根据异常数据分析规则对待分析业务数据进行异常分析处理,以得到异常分析结果。
根据本示例实施例中的异常数据识别方法,一方面,根据待采集业务场景对应的待采集业务事件与待采集事件属性,以及三者之间的关联关系生成的数据采集规则进行数据采集,使得数据采集得到了统一的有效管理,并且采集到的数据质量也具有明显的提升。另一方面,通过对采集到的业务数据进行异常分析处理,可以有效识别出业务数据中的异常行为数据,并将得到的分析结果运用于业务决策中。
下面,将对本示例实施例中的异常数据识别方法进行进一步的说明。
在步骤S110中,确定待采集业务场景,生成待采集业务场景对应的待采集业务事件与待采集事件属性;待采集业务场景包括场景定义信息,待采集业务事件包括事件定义信息,待采集事件属性包括属性定义信息。
在本公开的一些示例性实施方式中,待采集业务场景可以是数据采集过程等待采集的相关业务场景,例如,待采集业务场景可以包括用户购买物品场景、用户浏览物品场景等。待采集业务事件可以是待采集业务场景中包含的相关业务事件。例如,用户购买物品场景中的待采集业务事件可以包括用户提交订单事件和用户点击付款事件等。待采集事件属性可以是待采集业务事件包含的相关属性。例如,对于用户点击付款的业务事件而言,待采集事件属性可以包括“付款”按钮的控件类型、控件样式、点击此按钮的用户信息等。场景定义信息可以是表示待采集业务场景具体内容的相关信息。事件定义信息可以是表示业务事件具体内容的相关信息。属性定义信息可以是表示事件属性具体内容的相关信息。
在进行数据采集之前,可以先根据具体的业务分析需求与相关配置规则确定出待采集业务场景,在确定待采集的业务场景后,可以进一步确定待采集业务场景对应的相关业务事件和事件属性,并进行相关的配置规则生成对应的待采集业务事件与待采集事件属性。生成的待采集业务事件中包含事件定义信息,例如,事件定义信息可以是该待采集业务事件对应的业务场景以及该事件的事件名称等。待采集事件属性中包含属性定义信息。属性定义信息可以是多个事件属性的属性名称以及具体格式要求等内容。
在本公开的一种示例性实施方案中,获取业务场景定义模板,根据业务场景定义模板与共有事件属性确定待采集业务场景;获取业务事件生成模板,根据业务事件生成模板配置事件定义信息,以生成待采集业务事件;待采集业务事件包括私有事件属性;获取事件属性生成模板与属性校验规则,根据事件属性生成模板与属性校验规则针对私有事件属性配置私有属性定义信息,以生成待采集事件属性。
其中,共有事件属性可以是某一业务场景下的所有业务事件都拥有的事件属性。私有事件属性可以是各个业务事件中除共有事件属性之外的其他事件属性。业务场景定义模板可以是用于生成待采集业务场景所采用的模板,业务场景定义模板中可以包含生成待采集业务场景所依据的具体定义规则。业务事件生成模板可以是用于生成待采集业务事件所采用的模板。事件属性生成模板可以是用于生成待采集事件属性所采用的模板。属性校验规则可以是用于对事件属性进行数据校验处理所采用的具体规则。私有属性定义信息可以是私有事件属性。
参考图2,图2示意性示出了根据本公开的示例性实施方式的异常行为识别系统的整体结构图。参考图2,异常识别系统的整体架构可以分为软件层和硬件层;其中,软件层的主要功能模块可以包括埋点采集模块、指标管理模块、统计分析模块、反欺诈策略管理模块和风险处置模块等;硬件层主要包括数据采集集群、大数据平台、风控决策引擎三大部分。首先,运营人员可以通过埋点采集模块录入相应的数据采集规则,并将确定出的数据采集规则自动同步至数据采集集群,由数据采集集群进行数据采集操作。
在生成数据采集规则之前,可以确定待采集业务场景,并生成其对应的待采集业务事件与待采集事件属性。软件层的埋点采集模块可以提供三个核心功能,分别管理“业务场景”、“业务事件”与“事件属性”。参考图3,图3示意性示出了根据本公开的示例性实施方式的业务场景、业务事件与事件属性之间的逻辑关联关系图。具体的,“业务场景”可包含多个“业务事件”,“业务事件”可以有多个“事件属性”。
在确定待采集业务场景时,可以获取业务场景定义模板,业务场景定义模板中可以定义业务场景的相应信息的填写规范,根据业务场景定义模板配置本次数据采集所需的相关信息,以生成对应的待采集业务场景。另外,在确定待采集业务场景时,可以确定该待采集业务场景对应的共有事件属性,即待采集业务场景中所有业务事件都具有的事件属性,在定义出共有事件属性后,可以根据业务场景定义模板与共有事件属性确定待采集业务场景。在定义共有事件属性时,可以确定共有事件属性对应的属性校验规则,以便对采集到的业务数据进行数据校验。
在确定出待采集业务场景后,获取业务事件生成模板,业务事件生成模板中可以包含业务事件所需配置的事件定义信息的相关字段,根据业务事件生成模板配置事件定义信息,可以生成对应的待采集业务事件。如果某一个待采集业务场景中包含多个待采集业务事件,则针对每一个待采集业务事件均采用上述配置方式,生成相应的待采集业务事件。
对于待采集业务事件而言,待采集业务事件中可以包含私有事件属性,即只有此业务事件才具有的特定属性。在确定出私有事件属性后,可以获取事件属性生成模板,事件属性生成模板中可以包含某一事件属性所需配置的所有信息字段;另外,为确保数据采集过程中所采集的业务数据的数据质量,可以在获取预先定义的属性校验规则,根据事件属性生成模板、属性校验规则等共同配置私有属性定义信息,以生成对应的待采集事件属性。同样的,如果某个待采集业务事件中包含多个事件属性,将采用的配置方式生成相应的待采集事件属性。
在本公开的一种示例性实施方案中,根据业务场景定义模板确定待配置场景字段;待配置场景字段包括场景名称、场景分类、业务事件命名规则;对待配置场景字段进行配置操作,得到待采集场景名称、待采集场景分类与待采集事件命名规则;根据共有事件属性、待采集场景名称、待采集场景分类与待采集事件命名规则生成待采集业务场景。
其中,待配置场景字段可以是配置场景定义信息所依据的字段。业务事件命名规则可以是业务场景中所包含的业务事件标识的命名规范。待采集场景名称可以是某一特定待采集业务场景的名称。待采集场景分类可以是某一特定待采集业务场景的所属类别。待采集事件命名规则可以是对待采集业务事件的进行名称命名所采用的命名规范。
参考图4,图4示意性示出了根据本公开的示例性实施方式的业务场景的管理示意图。在确定待采集业务场景时,可以获取业务场景定义模板410,业务场景定义模板410中可以包括生成某一待采集业务场景所包含的待配置场景字段,例如,场景分类、场景名称、业务事件命名规则、场景共用属性等。
在步骤S410中,定义业务场景名称。基于业务场景定义模板410填写相应的场景名称,以配置业务场景名称。例如,在保险场景中,当前需要采集车险投保流程下的相关业务数据,则可以在业务场景名称对应的输入框中填写“车险投保流程”。在步骤S420中,定义事件标识命名规则。根据图4可知,业务场景定义模板410中包含“事件命名规则”字段,在“事件命名规则”字段对应的输入框中填写具体的规则内容,可以生成对应的待采集事件命名规则。在步骤S430中,设定公有事件属性。由于某一待采集业务场景中包含的多个业务事件可能具有相同的事件属性,在业务场景定义模板410中,填写对应的场景共用属性。
根据图4可知,业务场景定义模板410可以对待配置场景字段的相关填写要求进行限制,例如,业务场景定义模板410中分别限定了场景名称、事件命名规则以及备注等字段的字符长度等。运营人员还可以根据具体业务需求在业务场景定义模板410定义其他具体的字段配置要求。
在本公开的一种示例性实施方案中,基于业务事件生成模板确定待配置事件字段;待配置事件字段包括所属场景、事件名称、事件类型、事件标识;对待配置场景字段进行配置操作,得到所属场景类型、待采集事件名称、待采集事件类型、待采集事件标识;基于业务事件生成模板填写关联的私有事件属性,根据所属场景类型、待采集事件名称、待采集事件类型、待采集事件标识以及私有事件属性生成待采集业务事件。
其中,待配置事件字段可以是配置待采集业务事件时所需配置的字段。所属场景可以是待采集业务事件所属的具体业务场景。私有事件属性可以是某一特定待采集业务事件单独具有的事件属性。所属场景类型可以是某一特定的待采集业务事件所属业务场景的具体类型。待采集事件名称可以是某一特定的待采集业务事件的具体名称。待采集事件类型可以是某一特定的待采集业务事件所对应的具体类型。待采集事件标识可以是某一特定的待采集业务事件所对应的唯一标识(Identity document,ID)。
参考图5,图5示意性示出了根据本公开的示例性实施方式的场景事件的管理示意图。在生成待采集业务事件时,可以先获取业务事件生成模板510,业务事件生成模板510中可以包括用于生成待采集业务事件所包含的待配置事件字段,例如,(所属)业务场景、事件名称、事件类型、事件ID等;另外,通过业务事件生成模板510中还可以配置私有事件属性,例如,填写该待采集业务事件包含的私有事件属性的名称。
在步骤S510中,选择所属业务场景。例如,用户提交车险保单的事件,该业务事件所属的业务场景为“车险投保流程”,因此,可以在业务场景标签对应的输入框中填写“车险投保流程”。在步骤S520中,定义事件名称。待采集事件名称可以配置为“提交车险保单”。在步骤S530中,定义事件标识。在定义具体的待采集事件标识之前,可以先获取预先配置的事件标识配置规则。比如车险的投保流程,“车险投保流程”下业务事件配置规则为:“车险投保流程”有一个统一的前缀,可以为“car”,然后使用连接符将固定前缀与对应的事件简称相连接,得到对应的事件ID名称,如,“提交车险保单”的事件标识可以为“car_submittable”。在步骤S540中,定义事件类型。确定出该待采集业务事件的具体类型,并填写至对应的输入框中。例如,“提交车险保单”的事件类型可以填写前端事件。在步骤S550中,确定私有事件属性。“提交车险保单”的私有事件属性可以包括保单提交时间、保单ID等。
具体的,私有事件属性的配置过程如图6所示,图6示意性示出了根据本公开的示例性实施方式的事件属性的管理示意图。在配置待采集事件属性之前,可以先获取事件属性生成模板610,事件属性生成模板610中可以包括用于生成待采集事件属性所包含的属性字段,例如,事件属性生成模板中可以包括:事件属性标识(Key)、事件属性名称、事件属性类型等。
具体配置过程可以如下,在步骤S610中,定义事件属性名称。例如,“提交车险保单”中的“保单提交时间”即为事件属性的中文名称。在步骤S620中,定义事件属性标识。“提交车险保单”中的保单提交时间对应的属性标识可以为“submit_time”。在步骤S630中,定义事件属性类别。例如,事件属性的类别可以包括字典类型和字符串类型,字典类型可以是能够枚举的事件属性,字符串类型可以是无法采用枚举表示的事件属性。在步骤S640中,定义数据校验规则。数据校验规则可以是针对每一个字段定义的具体规则,数据校验规则可以用于提高采集到的业务数据的数据质量。以“会员ID”这一事件属性为例,可以定义“会员ID”的数据格式为12位字母,在实际处理过程中,可以根据定义的属性校验规则判断传输过来的数据是否符合要求,避免大数据平台接收到脏数据。
本领域技术人员容易理解的是,本公开的共有事件属性与私有事件属性均可以采用上述步骤进行配置,本公开对共有事件属性的配置过程不再进行赘述。
在步骤S120中,确定待采集业务场景、待采集业务事件与待采集事件属性之间的逻辑关联关系,根据场景定义信息、事件定义信息、属性定义信息以及逻辑关联关系生成数据采集规则。
在本公开的一些示例性实施方式中,逻辑关联关系可以是待采集业务场景、待采集业务事件与待采集事件属性之间的相互关系。例如,三者之间的逻辑关系中可以包括某一待采集业务场景中对应的一个或多个待采集业务事件,一个待采集业务事件中可以包括其对应的一个或多个待采集事件属性等。数据采集规则可以是用于进行数据埋点以进行数据采集时所采用的规则。
参考图3,图3示意性示出了根据本公开的示例性实施方式的业务场景、业务事件与事件属性之间的逻辑关联关系图。从图3可知,一个业务场景可以对应一个或多个业务事件,且业务场景中可以定义一个或多个公共事件属性;一个业务事件中可以对应一个或多个事件属性。待采集业务场景中可以包括场景名称、事件ID命名规则等配置字段;待采集业务事件中可以包括事件ID、事件名称与事件类型等字段;待采集事件属性中可以包括事件属性ID、事件属性名称、事件属性类型以及事件属性校验规则等字段。
在通过上述步骤确定出场景定义信息、事件定义信息、属性定义信息以及三者之间的逻辑关联关系后,可以根据上述信息生成数据采集规则,并将生成的数据采集规则发送至图2中的数据采集集群,以进行数据采集处理。
在步骤S130中,根据数据采集规则进行数据采集操作,得到待分析业务数据。
在本公开的一些示例性实施方式中,数据采集操作可以是基于数据采集规则进行数据埋点,以进行数据采集的操作过程。待分析业务数据可以通过本次数据采集操作所确定出的业务数据。待分析业务数据中可以包括用户在某一应用程序(Application,APP)中进行相关操作所生成的数据。
在将数据采集规则发送至数据采集集群后,数据采集集群将根据数据采集规则进行数据采集操作,得到相应的待分析业务数据,并将采集到的待分析业务数据通过数据同步操作发送至大数据平台中。
在步骤S140中,获取预先配置的异常数据分析规则,根据异常数据分析规则对待分析业务数据进行异常分析处理,以得到异常分析结果。
在本公开的一些示例性实施方式中,异常数据分析规则可以是待分析业务数据中的用户行为进行异常分析处理时所采用的规则。异常分析处理可以是判断用户行为是否存在异常的分析过程。异常分析结果可以是对待分析业务数据中的用户行为进行异常分析处理后所得到的结果。
继续参考图2,指标管理模块可以用于定义监控指标的计算规则,用于管理监控指标;统计分析模块可以提供给运营人员分析监控指标的可视化工具。运营人员还可以通过图2中的反欺诈策略管理模块中配置异常数据分析规则,反欺诈策略管理模块可以包括新增策略、编辑策略与策略集管理等功能。当通过反欺诈策略管理模块配置生成相应的异常数据分析规则后,可以将异常数据分析规则通过规则同步操作同步至硬件层的风控引擎集群中。也就是说,风控引擎集群可以获取预先配置的异常数据分析规则,并根据异常数据分析规则对待分析业务数据进行异常分析处理。
在本公开的一种示例性实施方案中,在获取预先配置的异常数据分析规则之前,方法还包括:确定分析规则名称;确定与分析规则名称对应的多个行为分析规则,确定多个行为分析规则之间的规则关联关系;根据分析规则名称、多个行为分析规则与规则关联关系生成异常数据分析规则。
其中,分析规则名称可以是异常数据分析规则对应的具体名称。行为分析规则可以是对待分析业务数据中包含的用户行为进行异常识别分析所采用的规则。规则关联关系可以是多个行为分析规则之间的关联关系,例如,规则关联关系可以是并列关系。
参考图7,图7示意性示出了根据本公开的示例性实施方式的异常行为识别分析管理的流程图。在步骤S710中,定义分析规则名称。以保险场景中,对用户反欺诈行为管理为例进行说明,运营人员可以根据实际业务需求配置异常数据分析规则,如反欺诈策略。首先可以先确定某一异常数据分析规则对应的分析规则名称。参考图8,参考图8,图8示意性示出了根据本公开的示例性实施方式的生成异常数据分析规则的功能设计的界面图。例如,在页面中“策略名称”配置部分810中,通过“策略名称”对应的输入框输入相应的策略名称,以确定分析规则名称。在步骤S720中,定义行为分析规则。例如,在图8中页面“用户行为定义”部分820进行行为分析规则配置操作。在定义好行为分析规则后,继续执行后续步骤,在步骤S730中,规则测算。由于上述处理过程已经将行为分析规则定义完毕,可以对定义好的异常数据分析规则进行规则测算。参考图8,行为规则1中的触发事件,对应的时间场景为“财险投保流程”,事件ID为“页面加载事件”,事件属性包括“会员ID”与“销售方案号”,规则阈值为“触发频次为每小时大于3次”。在步骤S740中,规则发布。在规则测算结束后,可以进行规则发布,以根据该规则确定出相应的异常分析结果。
在本公开的一种示例性实施方案中,确定待分析业务数据对应的行为类别;对行为类别进行事件分类处理,得到行为事件分类结果;根据行为事件分类结果与异常数据分析规则进行异常分析处理,得到异常分析结果。
其中,行为类别可以是待分析业务数据中包含的用户行为的具体类别。事件分类处理可以是将行为类别进行事件类别划分的处理过程。行为事件分类结果可以是对行为类别进行事件分类处理后得到的结果。异常分析结果可以是对待分析业务数据进行异常分析处理后得到的结果。
继续参考图7,在开始进入定义行为分析规则步骤后,在步骤S7201中,选择行为类别。选择行为类别即确定本次待分析的业务数据对应的行为类别。在步骤S7202中,判断是否为事件。判断待分析行为类别是否为之前在数据采集规则中配置的待采集业务事件。本次判断步骤中,得到事件分类结果包括属于事件类别与不属于事件类别。在得到具体的事件分类结果后,可以结合异常数据分析规则对待分析业务数据进行后续的异常分析处理,以得到异常分析结果。
在本公开的一种示例性实施方案中,如果行为事件分类结果为属于事件类别,则确定待分析业务数据对应的目标事件属性;获取目标事件属性对应的事件属性阈值,根据事件属性阈值确定第一分析结果;如果行为事件分类结果为属于非事件类别,则确定待分析业务数据中包括的行为信息;获取行为信息对应的行为信息阈值,根据行为信息阈值确定第二分析结果;根据第一分析结果与第二分析结果确定异常分析结果。
其中,属于事件类别可以是指待分析业务数据中的相关用户行为属于某一具体的待采集业务事件。目标事件属性可以是当确定出待分析业务数据中的行为类别属于某一具体事件时,该事件包含的事件属性。事件属性阈值可以是用于与事件属性进行对比的具体值。第一分析结果可以是目标事件属性与事件阈值进行对比后得到的分析结果。属于非事件类别可以是指待分析业务数据中的相关用户行为不属于任一待采集业务事件。行为信息可以是待分析业务数据中包含的用户行为的具体信息。行为信息阈值可以是与行为信息进行对比所采用的具体值。第二分析结果可以是行为信息与行为信息阈值进行对比后得到的分析结果。
继续参考图2,在配置完毕异常数据分析规则后,风控引擎集群可以根据异常数据分析规则确定出待分析业务数据的异常分析结果,并将异常分析结果同步至风险处置模块,以由运营人员处理异常行为数据。继续参考图7,在步骤S7203中,如果行为事件分类结果为属于事件类别,则选择事件。即选择对应的待采集业务事件。并在步骤S7204中,确定事件属性。确定本次业务分析数据所需的事件属性,即目标事件属性。在步骤S7205中,定义规则阈值。获取目标事件属性对应的事件属性阈值。进而根据事件属性阈值确定出第一分析结果。
具体的,参考图8,图8中的用户行为定义区域821,例如,本次选择的行为类别为“触发事件”,事件场景对应“财险投保流程”,事件类型为“核心事件”;并在添加属性部分添加对应的事件属性,图8中添加了“销售方案号”和“渠道ID”两个事件属性。在该行为分析规则中,规则阈值可以是为触发频次,运营人员可以根据具体业务需求添加触发频次。例如,可以将触发频次配置为每分钟3次。
另外,在定义行为分析规则步骤中,如果确定出行为事件分类结不属于非事件类别。则确定待分析业务数据中包括的行为信息,例如,在某次业务数据分析过程中,可以检测用户针对目标页面的访问时长。则在步骤S7206中,输入统一资源定位器(UniformResource Locator,URL)地址。在该步骤中,可以确定所要监测的目标页面的页面地址。在步骤S7207中,选择/输入URL参数。输入该页面地址对应的相关页面参数。在步骤S7208中,定义规则阈值。规则阈值可以是用于与该非事件类别的行为信息进行对比的具体值。根据用户的行为信息与行为信息阈值进行对比,可以确定出第二分析结果。根据图7用户行为定义部分可知,由于两种行为分析规则是采用关联词“AND”连接,如控件823所示,因此,异常数据分析规则可以是两种行为分析规则共同确定的。将第一分析结果与第二分析结果进行综合,可以确定出对应的异常分析结果。
具体的,参考图8,在用户行为定义区域822中,本次选择的行为类别为“页面访问”,运营人员可以在页面地址对应的输入框中输入本次所要监测的页面地址;并在添加属性部分添加对应的事件属性,例如,区域822中添加了“渠道ID”和“自定义参数”两个事件属性。在该行为分析规则中,规则阈值可以是为访问频次和停留时长,运营人员可以根据具体业务需求添加对应的访问频次和停留时长。
在本公开的其他实施例中,可以在目前定义的行为分析规则的基础上,继续添加新的行为分析规则,以得到对应的异常数据分析规则。具体过程如下,在步骤S7209中,判断是否继续添加行为。如果想要继续添加行为分析规则则可以通过页面控件824进行,即“+添加行为”控件,添加新的行为分析规则。在步骤S7210中,如果判断结果为是,则继续针对最新添加的行为定义规则阈值。即运营人员通过页面控件824添加了新的行为分析规则,则可以添加该行为分析规则对应的规则阈值;否则,结束规则定义过程。
下面以在实际业务处理过程中的某一业务数据分析过程为例,对本公开所产生的有益效果进行说明,以某一企业2021年4月的一次渠道质量专项分析为例,采用本公开中的异常数据识别方法,通过分析渠道的用户行为数据发现了刷单行为。以表1中数据作为用户行为数据应用的例证:
表1
从表1可以看出,上述业务数据中有A渠道和B渠道两种获客方式,其中,A渠道与B类渠道的用户行为特征区别明显,具体表现在:
1)落地页中“输入手机号”事件在A渠道的人均触发次数为1.5次,B类渠道人均触发次数为5.5次,单设备最多240次(表1中未示出);
2)落地页中“立即领取”事件在A渠道的人均触发次数为2.2次,B类渠道人均触发次数为7.5次,单设备最多249次(表1中未示出);
3)短险页面中“为谁投保”按钮在A渠道的人均触发次数为0.5次,B类渠道人均触发次数为5.5次,单设备最多173次(表1中未示出);
另外,B类渠道中存在异常用户行为,具体表现为:
1)“为谁投保”事件人均触发5.5次,但填写“被保人姓名”的事件为0.06,两个事件“为谁投保”/“被保人姓名”的比值为91.6,站内为16.6;
2)部分设备在短险“确认投保”的触发频次存在异常,1ms内触发3-4次。
通过分析以上数据可以明显看出B类渠道的用户行为明显属于异常行为。如果再进一步的落地“反欺诈策略管理”模块,可有效地对低质渠道进行实时监控预警,将高风险用户拦截在投保之外,及时为企业运营减少损失。
需要说明的是,本公开所使用的术语“第一”、“第二”等,仅是为了区分不同的分析结果,并不应对本公开造成任何限制。
综上所述,本公开的异常数据识别方法,确定待采集业务场景,生成待采集业务场景对应的待采集业务事件与待采集事件属性;待采集业务场景包括场景定义信息,待采集业务事件包括事件定义信息,待采集事件属性包括属性定义信息;确定待采集业务场景、待采集业务事件与待采集事件属性之间的逻辑关联关系,根据场景定义信息、事件定义信息、属性定义信息以及逻辑关联关系生成数据采集规则;根据数据采集规则进行数据采集操作,得到待分析业务数据;获取预先配置的异常数据分析规则,根据异常数据分析规则对待分析业务数据进行异常分析处理,以得到异常分析结果。一方面,根据待采集业务场景对应的待采集业务事件与待采集事件属性,以及三者之间的关联关系生成的数据采集规则进行数据采集,使得数据采集得到了统一的有效管理,并且采集到的数据质量也具有明显的提升。另一方面,通过对采集到的业务数据进行异常分析处理,可以有效识别出业务数据中的异常行为数据,并将得到的分析结果运用于业务决策中。又一方面,由于可以自行配置行为分析规则,通过行为分析规则可以对事件属性的参数进行配置,可以有效提升识别过程的时效性,能够更快地确定出异常分析结果。再一方面,由于异常分析过程中,可以结合用户行为数据进行判断,使得所判断的数据维度更加丰富,得到的异常分析结果更加准确。
需要说明的是,尽管在附图中以特定顺序描述了本发明中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
此外,在本示例实施例中,还提供了一种异常数据识别装置。参考图9,该异常数据识别装置900可以包括:场景事件确定模块910、采集规则确定模块920、数据采集模块930以及异常分析模块940。
具体的,场景事件确定模块910,用于确定待采集业务场景,生成待采集业务场景对应的待采集业务事件与待采集事件属性;待采集业务场景包括场景定义信息,待采集业务事件包括事件定义信息,待采集事件属性包括属性定义信息;采集规则确定模块920,用于确定待采集业务场景、待采集业务事件与待采集事件属性之间的逻辑关联关系,根据场景定义信息、事件定义信息、属性定义信息以及逻辑关联关系生成数据采集规则;数据采集模块930,用于根据数据采集规则进行数据采集操作,得到待分析业务数据;异常分析模块940,用于获取预先配置的异常数据分析规则,根据异常数据分析规则对待分析业务数据进行异常分析处理,以得到异常分析结果。
在本公开的一种示例性实施方案中,待采集事件属性包括共有事件属性与私有事件属性;场景事件确定模块包括场景事件确定单元,用于获取业务场景定义模板,根据业务场景定义模板与共有事件属性确定待采集业务场景;获取业务事件生成模板,根据业务事件生成模板配置事件定义信息,以生成待采集业务事件;待采集业务事件包括私有事件属性;获取事件属性生成模板与属性校验规则,根据事件属性生成模板与属性校验规则针对私有事件属性配置私有属性定义信息,以生成待采集事件属性。
在本公开的一种示例性实施方案中,场景事件确定单元包括场景确定子单元,用于根据业务场景定义模板确定待配置场景字段;待配置场景字段包括场景名称、场景分类、业务事件命名规则;对待配置场景字段进行配置操作,得到待采集场景名称、待采集场景分类与待采集事件命名规则;根据共有事件属性、待采集场景名称、待采集场景分类与待采集事件命名规则生成待采集业务场景。
在本公开的一种示例性实施方案中,场景事件确定单元包括事件确定子单元,用于基于业务事件生成模板确定待配置事件字段;待配置事件字段包括所属场景、事件名称、事件类型、事件标识;对待配置场景字段进行配置操作,得到所属场景类型、待采集事件名称、待采集事件类型、待采集事件标识;基于业务事件生成模板填写关联的私有事件属性,根据所属场景类型、待采集事件名称、待采集事件类型、待采集事件标识以及私有事件属性生成待采集业务事件。
在本公开的一种示例性实施方案中,异常数据识别装置还包括分析规则生成模块,用于确定分析规则名称;确定与分析规则名称对应的多个行为分析规则,确定多个行为分析规则之间的规则关联关系;根据分析规则名称、多个行为分析规则与规则关联关系生成异常数据分析规则。
在本公开的一种示例性实施方案中,异常分析模块包括异常分析单元,用于确定待分析业务数据对应的行为类别;对行为类别进行事件分类处理,得到行为事件分类结果;根据行为事件分类结果与异常数据分析规则进行异常分析处理,得到异常分析结果。
在本公开的一种示例性实施方案中,异常分析单元包括异常分析子单元,用于如果行为事件分类结果为属于事件类别,则确定待分析业务数据对应的目标事件属性;获取目标事件属性对应的事件属性阈值,根据事件属性阈值确定第一分析结果;如果行为事件分类结果为属于非事件类别,则确定待分析业务数据中包括的行为信息;获取行为信息对应的行为信息阈值,根据行为信息阈值确定第二分析结果;根据第一分析结果与第二分析结果确定异常分析结果。
上述中各异常数据识别装置的虚拟模块的具体细节已经在对应的异常数据识别方法中进行了详细的描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了异常数据识别装置的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施例、完全的软件实施例(包括固件、微代码等),或硬件和软件方面结合的实施例,这里可以统称为“电路”、“模块”或“系统”。
下面参照图10来描述根据本公开的这种实施例的电子设备1000。图10显示的电子设备1000仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图10所示,电子设备1000以通用计算设备的形式表现。电子设备1000的组件可以包括但不限于:上述至少一个处理单元1010、上述至少一个存储单元1020、连接不同系统组件(包括存储单元1020和处理单元1010)的总线1030、显示单元1040。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元1010执行,使得所述处理单元1010执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。
存储单元1020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)1021和/或高速缓存存储单元1022,还可以进一步包括只读存储单元(ROM)1023。
存储单元1020还可以包括具有一组(至少一个)程序模块1025的程序/实用工具1024,这样的程序模块1025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。
总线1030可以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1000也可以与一个或多个外部设备1070(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备1000交互的设备通信,和/或与使得该电子设备1000能与一个或多个其它计算设备进行通信的任何设备(例如路由器、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1050进行。并且,电子设备1000还可以通过网络适配器1060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)通信。如图所示,网络适配器1060通过总线1030与电子设备1000的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备1000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系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例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,根据本公开实施例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非易失性存储介质(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计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。
参考图11所示,描述了根据本发明的实施例的用于实现上述方法的程序产品1100,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,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。
所述程序产品可以采用一个或多个可读介质的任意组合。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、或半导体的系统、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。
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。可读信号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)。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。
Claims (10)
1.一种异常数据识别方法,其特征在于,包括:
确定待采集业务场景,生成所述待采集业务场景对应的待采集业务事件与待采集事件属性;所述待采集业务场景包括场景定义信息,所述待采集业务事件包括事件定义信息,所述待采集事件属性包括属性定义信息;
确定所述待采集业务场景、所述待采集业务事件与所述待采集事件属性之间的逻辑关联关系,根据所述场景定义信息、所述事件定义信息、所述属性定义信息以及所述逻辑关联关系生成数据采集规则;
根据所述数据采集规则进行数据采集操作,得到待分析业务数据;
获取预先配置的异常数据分析规则,根据所述异常数据分析规则对所述待分析业务数据进行异常分析处理,以得到异常分析结果。
2.根据权利要求1所述的方法,其特征在于,所述待采集事件属性包括共有事件属性与私有事件属性;确定待采集业务场景,生成所述待采集业务场景对应的待采集业务事件与待采集事件属性,包括:
获取业务场景定义模板,根据所述业务场景定义模板与所述共有事件属性确定所述待采集业务场景;
获取业务事件生成模板,根据所述业务事件生成模板配置所述事件定义信息,以生成所述待采集业务事件;所述待采集业务事件包括私有事件属性;
获取事件属性生成模板与属性校验规则,根据所述事件属性生成模板与所述属性校验规则针对所述私有事件属性配置私有属性定义信息,以生成所述待采集事件属性。
3.根据权利要求2所述的方法,其特征在于,根据所述业务场景定义模板与所述共有事件属性确定所述待采集业务场景,包括:
根据所述业务场景定义模板确定待配置场景字段;所述待配置场景字段包括场景名称、场景分类、业务事件命名规则;
对所述待配置场景字段进行配置操作,得到待采集场景名称、待采集场景分类与待采集事件命名规则;
根据所述共有事件属性、所述待采集场景名称、所述待采集场景分类与所述待采集事件命名规则生成待采集业务场景。
4.根据权利要求2所述的方法,其特征在于,根据所述业务事件生成模板配置所述事件定义信息,以生成所述待采集业务事件,包括:
基于所述业务事件生成模板确定待配置事件字段;所述待配置事件字段包括所属场景、事件名称、事件类型、事件标识;
对所述待配置场景字段进行配置操作,得到所属场景类型、待采集事件名称、待采集事件类型、待采集事件标识;
基于所述业务事件生成模板填写关联的私有事件属性,根据所述所属场景类型、所述待采集事件名称、所述待采集事件类型、所述待采集事件标识以及所述私有事件属性生成待采集业务事件。
5.根据权利要求1所述的方法,其特征在于,在获取预先配置的异常数据分析规则之前,所述方法还包括:
确定分析规则名称;
确定与所述分析规则名称对应的多个行为分析规则,确定多个所述行为分析规则之间的规则关联关系;
根据所述分析规则名称、多个所述行为分析规则与所述规则关联关系生成所述异常数据分析规则。
6.根据权利要求1所述的方法,其特征在于,根据所述异常数据分析规则对所述待分析业务数据进行异常分析处理,以得到异常分析结果,包括:
确定所述待分析业务数据对应的行为类别;
对所述行为类别进行事件分类处理,得到行为事件分类结果;
根据所述行为事件分类结果与所述异常数据分析规则进行所述异常分析处理,得到所述异常分析结果。
7.根据权利要求6所述的方法,其特征在于,根据所述行为事件分类结果与所述异常数据分析规则进行所述异常分析处理,得到所述异常分析结果,包括:
如果所述行为事件分类结果为属于事件类别,则确定所述待分析业务数据对应的目标事件属性;
获取所述目标事件属性对应的事件属性阈值,根据所述事件属性阈值确定第一分析结果;
如果所述行为事件分类结果为属于非事件类别,则确定所述待分析业务数据中包括的行为信息;
获取所述行为信息对应的行为信息阈值,根据所述行为信息阈值确定第二分析结果;
根据所述第一分析结果与所述第二分析结果确定所述异常分析结果。
8.一种异常数据识别装置,其特征在于,包括:
场景事件确定模块,用于确定待采集业务场景,生成所述待采集业务场景对应的待采集业务事件与待采集事件属性;所述待采集业务场景包括场景定义信息,所述待采集业务事件包括事件定义信息,所述待采集事件属性包括属性定义信息;
采集规则确定模块,用于确定所述待采集业务场景、所述待采集业务事件与所述待采集事件属性之间的逻辑关联关系,根据所述场景定义信息、所述事件定义信息、所述属性定义信息以及所述逻辑关联关系生成数据采集规则;
数据采集模块,用于根据所述数据采集规则进行数据采集操作,得到待分析业务数据;
异常分析模块,用于获取预先配置的异常数据分析规则,根据所述异常数据分析规则对所述待分析业务数据进行异常分析处理,以得到异常分析结果。
9.一种电子设备,其特征在于,包括:
处理器;以及
存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时实现根据权利要求1至7中任一项所述的异常数据识别方法。
10.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现根据权利要求1至7中任一项所述的异常数据识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111483136.9A CN114168632A (zh) | 2021-12-07 | 2021-12-07 | 异常数据识别方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111483136.9A CN114168632A (zh) | 2021-12-07 | 2021-12-07 | 异常数据识别方法及装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114168632A true CN114168632A (zh) | 2022-03-11 |
Family
ID=80483706
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111483136.9A Pending CN114168632A (zh) | 2021-12-07 | 2021-12-07 | 异常数据识别方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114168632A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115439957A (zh) * | 2022-09-14 | 2022-12-06 | 上汽大众汽车有限公司 | 一种智能驾驶数据采集方法、采集装置、采集设备及一种计算机可读存储介质 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090016599A1 (en) * | 2007-07-11 | 2009-01-15 | John Eric Eaton | Semantic representation module of a machine-learning engine in a video analysis system |
US20160085813A1 (en) * | 2014-09-19 | 2016-03-24 | Ebay Inc. | Dynamic modifications of results for search interfaces |
CN107403334A (zh) * | 2017-06-07 | 2017-11-28 | 北京小度信息科技有限公司 | 数据处理方法及装置 |
CN110309735A (zh) * | 2019-06-14 | 2019-10-08 | 平安科技(深圳)有限公司 | 异常侦测方法、装置、服务器及存储介质 |
CN110442582A (zh) * | 2019-08-09 | 2019-11-12 | 江苏满运软件科技有限公司 | 场景检测方法、装置、设备和介质 |
CN110505196A (zh) * | 2019-07-02 | 2019-11-26 | 中国联合网络通信集团有限公司 | 物联网卡异常检测方法及装置 |
CN111030968A (zh) * | 2019-01-24 | 2020-04-17 | 哈尔滨安天科技集团股份有限公司 | 一种可自定义威胁检测规则的检测方法、装置及存储介质 |
CN111581291A (zh) * | 2020-05-09 | 2020-08-25 | 北京字节跳动网络技术有限公司 | 数据处理方法、装置、电子设备及可读介质 |
CN111757049A (zh) * | 2019-03-29 | 2020-10-09 | 杭州海康威视系统技术有限公司 | 一种安防联动方法、装置及系统 |
CN111932046A (zh) * | 2019-05-13 | 2020-11-13 | 阿里巴巴集团控股有限公司 | 一种服务场景下处理风险的方法、计算机设备、存储介质 |
CN112115162A (zh) * | 2020-10-16 | 2020-12-22 | 詹启新 | 基于电子商务云计算的大数据处理方法及人工智能服务器 |
CN112114995A (zh) * | 2020-09-29 | 2020-12-22 | 平安普惠企业管理有限公司 | 基于进程的终端异常分析方法、装置、设备及存储介质 |
US20210019674A1 (en) * | 2015-10-28 | 2021-01-21 | Qomplx, Inc. | Risk profiling and rating of extended relationships using ontological databases |
CN112738016A (zh) * | 2020-11-16 | 2021-04-30 | 中国南方电网有限责任公司 | 一种面向威胁场景的智能化安全事件关联分析系统 |
CN112819611A (zh) * | 2021-03-02 | 2021-05-18 | 成都新希望金融信息有限公司 | 欺诈识别方法、装置、电子设备和计算机可读存储介质 |
CN112818023A (zh) * | 2021-01-26 | 2021-05-18 | 龚世燕 | 在关联云业务场景下的大数据分析方法及云计算服务器 |
CN113138906A (zh) * | 2021-05-13 | 2021-07-20 | 北京优特捷信息技术有限公司 | 一种调用链数据采集方法、装置、设备及存储介质 |
CN113343685A (zh) * | 2021-06-29 | 2021-09-03 | 深圳前海微众银行股份有限公司 | 一种消息异常检测方法及装置 |
-
2021
- 2021-12-07 CN CN202111483136.9A patent/CN114168632A/zh active Pending
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090016599A1 (en) * | 2007-07-11 | 2009-01-15 | John Eric Eaton | Semantic representation module of a machine-learning engine in a video analysis system |
US20160085813A1 (en) * | 2014-09-19 | 2016-03-24 | Ebay Inc. | Dynamic modifications of results for search interfaces |
US20210019674A1 (en) * | 2015-10-28 | 2021-01-21 | Qomplx, Inc. | Risk profiling and rating of extended relationships using ontological databases |
CN107403334A (zh) * | 2017-06-07 | 2017-11-28 | 北京小度信息科技有限公司 | 数据处理方法及装置 |
CN111030968A (zh) * | 2019-01-24 | 2020-04-17 | 哈尔滨安天科技集团股份有限公司 | 一种可自定义威胁检测规则的检测方法、装置及存储介质 |
CN111757049A (zh) * | 2019-03-29 | 2020-10-09 | 杭州海康威视系统技术有限公司 | 一种安防联动方法、装置及系统 |
CN111932046A (zh) * | 2019-05-13 | 2020-11-13 | 阿里巴巴集团控股有限公司 | 一种服务场景下处理风险的方法、计算机设备、存储介质 |
CN110309735A (zh) * | 2019-06-14 | 2019-10-08 | 平安科技(深圳)有限公司 | 异常侦测方法、装置、服务器及存储介质 |
CN110505196A (zh) * | 2019-07-02 | 2019-11-26 | 中国联合网络通信集团有限公司 | 物联网卡异常检测方法及装置 |
CN110442582A (zh) * | 2019-08-09 | 2019-11-12 | 江苏满运软件科技有限公司 | 场景检测方法、装置、设备和介质 |
CN111581291A (zh) * | 2020-05-09 | 2020-08-25 | 北京字节跳动网络技术有限公司 | 数据处理方法、装置、电子设备及可读介质 |
CN112114995A (zh) * | 2020-09-29 | 2020-12-22 | 平安普惠企业管理有限公司 | 基于进程的终端异常分析方法、装置、设备及存储介质 |
CN112115162A (zh) * | 2020-10-16 | 2020-12-22 | 詹启新 | 基于电子商务云计算的大数据处理方法及人工智能服务器 |
CN112738016A (zh) * | 2020-11-16 | 2021-04-30 | 中国南方电网有限责任公司 | 一种面向威胁场景的智能化安全事件关联分析系统 |
CN112818023A (zh) * | 2021-01-26 | 2021-05-18 | 龚世燕 | 在关联云业务场景下的大数据分析方法及云计算服务器 |
CN112819611A (zh) * | 2021-03-02 | 2021-05-18 | 成都新希望金融信息有限公司 | 欺诈识别方法、装置、电子设备和计算机可读存储介质 |
CN113138906A (zh) * | 2021-05-13 | 2021-07-20 | 北京优特捷信息技术有限公司 | 一种调用链数据采集方法、装置、设备及存储介质 |
CN113343685A (zh) * | 2021-06-29 | 2021-09-03 | 深圳前海微众银行股份有限公司 | 一种消息异常检测方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115439957A (zh) * | 2022-09-14 | 2022-12-06 | 上汽大众汽车有限公司 | 一种智能驾驶数据采集方法、采集装置、采集设备及一种计算机可读存储介质 |
CN115439957B (zh) * | 2022-09-14 | 2023-12-08 | 上汽大众汽车有限公司 | 一种智能驾驶数据采集方法、采集装置、采集设备及一种计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20150172294A1 (en) | Managing user access to query results | |
US9390132B1 (en) | Apparatuses, methods and systems for a universal data librarian | |
US9063978B1 (en) | Apparatuses, methods and systems for a financial transaction tagger | |
CN108090568A (zh) | 认知机器人学分析器 | |
CN112163072B (zh) | 基于多数据源的数据处理方法以及装置 | |
CN102929759A (zh) | 业务活动监视运行时程序 | |
US11921737B2 (en) | ETL workflow recommendation device, ETL workflow recommendation method and ETL workflow recommendation system | |
US20190050435A1 (en) | Object data association index system and methods for the construction and applications thereof | |
CN111583018A (zh) | 一种基于用户金融表现分析的授信策略管理方法、装置和电子设备 | |
CN111612513A (zh) | 一种基于业务项目信息的资源配置方法、装置和电子设备 | |
CN111967543A (zh) | 用户资源配额确定方法、装置及电子设备 | |
CN111582314A (zh) | 目标用户确定方法、装置及电子设备 | |
CN113298354A (zh) | 业务衍生指标的自动生成方法、装置及电子设备 | |
CN112016792A (zh) | 用户资源配额确定方法、装置及电子设备 | |
CN109711849B (zh) | 以太坊地址画像生成方法、装置、电子设备及存储介质 | |
CN110674404A (zh) | 链接信息生成方法、装置、系统、存储介质及电子设备 | |
WO2022007798A1 (zh) | 数据显示方法、装置、终端设备及存储介质 | |
CN114168632A (zh) | 异常数据识别方法及装置、电子设备和存储介质 | |
CN110599373B (zh) | 商标数据生成方法以及装置 | |
CN112950359A (zh) | 一种用户识别方法和装置 | |
CN112348658A (zh) | 资源分配方法、装置及电子设备 | |
CA2680594A1 (en) | Ensuring acceptability of software license agreements or legal agreements | |
CN113792138B (zh) | 报表生成方法、装置、电子设备及存储介质 | |
WO2022240539A1 (en) | Automated actions based on ranked work events | |
CN113902543A (zh) | 资源配额调整方法、装置及电子设备 |
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 |