CN114648075A - 信息处理方法、装置、存储介质及电子设备 - Google Patents

信息处理方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN114648075A
CN114648075A CN202210361547.9A CN202210361547A CN114648075A CN 114648075 A CN114648075 A CN 114648075A CN 202210361547 A CN202210361547 A CN 202210361547A CN 114648075 A CN114648075 A CN 114648075A
Authority
CN
China
Prior art keywords
information
user equipment
domain information
state information
data
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
Application number
CN202210361547.9A
Other languages
English (en)
Inventor
柳云鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Yishi Huolala Technology Co Ltd
Original Assignee
Shenzhen Yishi Huolala Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Yishi Huolala Technology Co Ltd filed Critical Shenzhen Yishi Huolala Technology Co Ltd
Priority to CN202210361547.9A priority Critical patent/CN114648075A/zh
Publication of CN114648075A publication Critical patent/CN114648075A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Optimization (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本申请实施例公开了一种信息处理方法、装置、存储介质及电子设备。该方法包括：获取多个时间周期内用户设备的状态信息，进行处理后得到对应的时域信息和频域信息，并将时域信息和所述频域信息进行融合；基于相邻两个周期的融合数据构建训练数据对；基于训练数据对对长短期记忆网络进行模型训练。当需要识别用户设备行为是否异常时，将目标用户设备当前周期的状态信息作为输入，基于训练后模型对目标用户设备下一周期的状态信息进行预测，根据预测结果和实际结果进行比较以确定用户设备是否行为异常。本方案可以结合设备的在先行为，对时间跨度不同的信号进行针对性的识别，提升了信息预测结果的准确性。

Description

信息处理方法、装置、存储介质及电子设备
技术领域
本申请涉及电子设备技术领域，尤其涉及一种信息处理方法、装置、存储介质及电子设备。
背景技术
随着科技的不断发展，面临的信息安全风险也越来越高。在当前对信息安全越发重视的环境下，更准确地从用户或者设备的访问、登陆、查询、下载等海量行为中识别隐匿的攻击、盗取数据、越权等异常行为，成为需要投入更多资源的领域。
相关技术中，主要通过以SVM(Support Vector Machine，支持向量机)、Xgboost(Extreme Gradient Boosting，极端梯度提升)、Random Forest(随机森林)为代表的等机器学习算法，及以CNN(Convolutional Neural Network，卷积神经网络)、LSTM(Long ShortTerm Memory，长短期记忆)等为代表的深度学习算法实现对异常行为的分类，或者基于策略的异常行为识别。以上技术路线主要基于用户时域信息或者时点信息，可以直观反映用户行为在时域上的表现，便于业务理解。但是随着时间的推移，跨度较长时间的信号强度可能出现衰减，容易导致识别异常信号的准确性降低。
发明内容
本申请实施例提供一种信息处理方法、装置、存储介质及电子设备，可提升信息预测结果的准确性。
第一方面，本申请实施例提供一种信息处理方法，包括：
获取多个时间周期内用户设备的状态信息；
对所述状态信息进行处理得到对应的时域信息和频域信息，并将所述时域信息和所述频域信息进行融合，得到融合数据；
基于相邻两个周期的融合数据构建训练数据对；
基于所述训练数据对对长短期记忆网络进行模型训练，得到训练后模型；
将目标用户设备当前周期的状态信息作为输入，基于训练后模型对所述目标用户设备下一周期的状态信息进行预测。
第二方面，本申请实施例提供了一种信息处理装置，包括：
第一获取单元，用于获取多个时间周期内用户设备的状态信息；
处理单元，用于对所述状态信息进行处理得到对应的时域信息和频域信息，并将所述时域信息和所述频域信息进行融合，得到融合数据；
构建单元，用于基于相邻两个周期的融合数据构建训练数据对；
训练单元，用于基于所述训练数据对对长短期记忆网络进行模型训练，得到训练后模型；
预测单元，用于将目标用户设备当前周期的状态信息作为输入，基于训练后模型对所述目标用户设备下一周期的状态信息进行预测。
在一实施方式中，所述处理单元用于：
对所述状态信息进行处理，得到对应的时域信息；
对所述时域信息进行分解，得到对应的频域信息；
将所述时域信息和所述频域信息进行融合，得到融合数据。
在一实施方式中，所述处理单元进一步用于：
将所述时域信息和所述频域信息进行数据拼接，得到数据宽表；
将所述数据宽表整合成包含时间维度的三维数据。
在一实施方式中，所述训练单元用于：
将所述训练数据对中前一周期的融合数据作为自变量、后一周期的融合数据作为因变量，输入至所述长短期记忆网络；
调整所述长短期记忆网络的模型参数，直至模型收敛。
在一实施方式中，所述装置还包括：
第二获取单元，用于获取所述目标用户设备下一周期的预测状态信息；
第三获取单元，用于获取所述目标用户设备下一周期的实际状态信息；
确定单元，用于确定所述预测状态信息与所述实际状态信息之间的差异值；
识别单元，用于若所述差异值超出预设差异范围，则确定所述用户设备为行为异常设备。
第三方面，本申请实施例还提供了一种计算机可读存储介质，所述存储介质中存储有多条指令，所述指令适于由处理器加载以执行上述的信息处理方法。
第四方面，本申请实施例还提供了一种电子设备，包括处理器及存储器，所述处理器与所述存储器电性连接，所述存储器用于存储指令和数据，处理器用于执行上述的信息处理方法。
本申请方案，可对用户设备随时间变化的状态信息进行分解，得到对应的时域信息和频域信息，再将时域信息和所述频域信息进行融合，并基于相邻两个周期的融合数据构建训练数据对对对长短期记忆网络进行模型训练。当需要识别用户设备行为是否异常时，将目标用户设备当前周期的状态信息作为输入，基于训练后模型对目标用户设备下一周期的状态信息进行预测，根据预测结果和实际结果进行比较以确定用户设备是否行为异常。本方案可以结合设备的在先行为，对时间跨度不同的信号进行针对性的识别，提升了信息预测结果的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，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。
图1是本申请实施例提供的信息处理方法的一流程示意图。
图2是本申请实施例提供的LSTM的结构示意图。
图3是本申请实施例提供的信息处理方法的另一流程示意图。
图4是本申请实施例提供的电子设备的一结构示意图。
图5是本申请实施例提供的电子设备的另一结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例提供一种信息处理方法、装置、存储介质及电子设备。以下将分别进行详细说明。
在一实施例中，提供一种信息处理方法，应用于智能手机、平板电脑、笔记本电脑等电子设备中。参考图1，该信息处理方法的具体流程可以如下：
101、获取多个时间周期内用户设备的状态信息。
具体的，采集用户设备沿时间轴方向上多个时间周期的状态信息。其中，该时间周期可一句信号频率的高低确定，若频率较高则可将时间周期定为小时；若频率较低则可将时间周期定为每天、每周等。
用户设备的状态信息可以为用于表征用户设备使用行为的多个不同维度的信息，包括但不限于时间信息、登陆状态、登陆IP地址、操作状态、使用流量、接入设备数量等等。
102、对状态信息进行处理得到对应的时域信息和频域信息，并将时域信息和频域信息进行融合，得到融合数据。
在本实施例中，所采集的多个时间周期内用户设备的状态信息为正常行为情况下的信息。具体实施时，为了更好地利用用户设备状态信息中包含的时间维度信息，可将用户设备的状态信息看做是时间序列的信号，然后利用STFT (short time Fouriertransformation，短时傅里叶变换)进行信号分解，将时域信息转换为频域信息，以便后续利用用户设备状态的时域特征和频域特征构建时间序列数据。也即，步骤“对状态信息进行处理得到对应的时域信息和频域信息，将时域信息和频域信息进行融合，得到融合数据”可以包括以下流程：
对状态信息进行处理，得到对应的时域信息；
对时域信息进行分解，得到对应的频域信息；
将时域信息和频域信息进行融合，得到融合数据。
其中，短时傅里叶变换的基本思想是，把长的非平稳随机过程看成是一系列短时随机平稳信号的叠加，短时性可通过对源数据截取实现，即在时间上加窗口函数。短时傅里叶变换把输入信号和窗函数进行相乘后进行傅里叶变换，并通过窗函数的滑动得到一系列的频谱函数。通过该方法，可以实现数据局部平稳化。具体实现方法是在傅立叶变换中，使用时间窗口函数g(t-u)与源信号f(t)相乘，实现在u附近的加窗口和平移，然后进行傅立叶变换。短时傅里叶变换的公式为：
Figure BDA0003585490550000051
其中，t表示时间点，f(t)表示t时点的输入信号；g(t-u)表示长度为u的窗口函数，ej∈表示平方可积的函数。
需要说明的是，如果使用了多个维度特征表征用户设备状态，则需要分别对各个维特征使用短期傅里叶变换获取频域信息。
在将时域信息和频域信息进行融合时，具体可以将时域信息和频域信息进行数据拼接得到数据宽表，然后，将数据宽表整合成包含时间维度的三维数据。
103、基于相邻两个周期的融合数据构建训练数据对。
具体的，可沿时间轴方向，将当前时间周期下的融合数据作为自变量，将位于当前时间周期的下一时间周期下的融合数据作为因变量，构建包含时间维度信息的训练数据对。假设当前时间周期为T-N期，则构建得到的训练数据对对应的时间周期可为：(T-N，T-N+1)、(T-N+1，T-N+2)……(T-1，T)。
104、基于训练数据对对长短期记忆网络进行模型训练，得到训练后模型。
具体的，可将训练数据对中前一周期的融合数据作为自变量、后一周期的融合数据作为因变量，输入至长短期记忆网络中，通过调整长短期记忆网络的模型参数使模型收敛，从而得到训练好的长短期记忆网络模型。
需要说明的是，为了保障模型的拟合效果，因变量中包含的用户设备状态信息应为自变量的子集。也即，本申请实施例中后一周期的融合数据应为前一周期的融合数据的子集。
参考图3，图3为本实施例采用的LSMT结构图。在LSTM网络模型中，各时间周期的训练数据对按时间先后顺序依次进入LSTM计算单元，在获得了上一时刻的单元状态的前提下进行运算，计算每期LSTM单元的状态Ct和LSTM 单元的输出ht。
其中，ht-1表示上一期LSTM单元的输出；Ct-1表示上一时间周期LSTM单元的状态；xt表示当前时间周期的输入信息；[]表示对向量的横向拼接操作；σ表示sigmoid函数，tanh表示tanh函数；Wf、Wi、WC、Wo均表示计算系数向量； bf、bi、bC、bo均表示截距向量。由模型在训练过程中通过梯度下降算法计算得出：
Figure BDA0003585490550000061
Figure BDA0003585490550000062
ft＝σ(Wf·[ht-1，xt]+bf)
it＝σ(Wi·[ht-1，xt]+bi)
Figure BDA0003585490550000063
Figure BDA0003585490550000064
ot＝σ(Wo[ht-1，xt]+bo)
ht＝ot*tanh(Ct)
105、将目标用户设备当前周期的状态信息作为输入，基于训练后模型对目标用户设备下一周期的状态信息进行预测。
具体的，当需要对目标用户设备的未来一周期的状态信息进行预测时，可将该目标用户设备当前周期的状态信息作为训练后的SLMT网络模型的输入，在当前周期的状态信息基础上，对目标用户设备下一周期的状态信息进行预测。具体实施过程中，需预先提取当前周琪状态信息的时域特征和频域特征，进行数据拼接后作为自变量输入至训练后的SLMT网络模型中，并获取模型输出结果作为目标用户设备下一周期的状态信息。
在本申请实施例中，在将目标用户设备当前周期的状态信息作为输入，基于训练后模型对目标用户设备下一周期的状态信息进行预测之后，还可以包括以下流程：
获取目标用户设备下一周期的预测状态信息；
获取目标用户设备下一周期的实际状态信息；
确定预测状态信息与实际状态信息之间的差异值；
若差异值超出预设差异范围，则确定用户设备为行为异常设备。
具体的，可将预测状态信息和实际状态信息转换成相同维度信息进行比较，进而获取两者之间的差异值。
由上可知，本实施例提供的信息处理方法，可对用户设备随时间变化的状态信息进行分解，得到对应的时域信息和频域信息，再将时域信息和所述频域信息进行融合，并基于相邻两个周期的融合数据构建训练数据对对对长短期记忆网络进行模型训练。当需要识别用户设备行为是否异常时，将目标用户设备当前周期的状态信息作为输入，基于训练后模型对目标用户设备下一周期的状态信息进行预测，根据预测结果和实际结果进行比较以确定用户设备是否行为异常。本方案可以结合设备的在先行为，对时间跨度不同的信号进行针对性的识别，提升了信息预测结果的准确性。
在本申请又一实施例中，还提供一种用户设备异常状态识别方法，通过将 LSTM和短时傅里叶变换相结合，解决了随着时间的推移，跨度较长时间的信号强度会出现衰减无法对时间跨度不同的信号进行有针对性的识别的问题；同时可以对用户设备中不同频率和强度的信号赋予差异化的权重，提升了对异常信号识别的准确性。具体技术方案如下：
(1)使用滑动窗口沿时间轴方向，将一段时期内的用户设备状态信息与未来一期的用户设备状态信息形成数据对，如下表1所示，其中T表示周期：
表1
Figure BDA0003585490550000071
在本实施例中，未来一期状态可包括但不限于时间戳、登陆状态、登陆IP 经度、登陆IP纬度、操作状态、使用流量、接入设备数量等。需要说明的是，为保障模型的拟合效果，因变量中包含的用户设备状态信息应为自变量的子集。
(2)在各滑动时间窗口内，使用短时傅里叶变换获取该时段内各用户设备状态的频域信息。若使用了多个维度特征表征用户设备状态，则需要分别对各维特征使用短时傅里叶变换获取频域信息。用户设备状态的特征包括但不限于如下特征，时间戳、登陆状态、登陆IP经度、登陆IP纬度、操作状态、使用流量、接入设备个数等。参考下表2为时域信息，表3为频域信息：
表2
Figure BDA0003585490550000081
表3
Figure BDA0003585490550000082
(3)将各用户设备时间窗口内对应日期的时域信息和频域信息进行拼接形成数据宽表，再将数据宽表整合成包含时间维度的三维数据，作为自变量(如下表4所示)；将未来一期的用户设备状态信息作为因变量(如下表5所示)。
表4
Figure BDA0003585490550000083
Figure BDA0003585490550000091
表5
Figure BDA0003585490550000092
(4)将自变量和因变量一同送入LSTM网络模型进行训练，并保存训练得到的神经网络模型。在用户设备的存储介质中保存该神经网络模型，并且用户设备需要包含必要的电子原件，安装必要的系统和软件，使该用户设备能够运行该神经网络模型。
(5)令上述用户设备组合能够定期运行该神经网络模型，再进行上述步骤(1)～(3)，并将数据宽表整合成包含时间维度的三维数据输入至该神经网络模型中，以获得对用户设备未来一期状态的预测结果。
(6)将用户设备预测的未来状态与实际状态进行对比，根据对比结果确定异常状态的用户设备。
本申请实施例提供的用户设备异常状态识别方法，通过将LSTM和短时傅里叶变换相结合，解决了随着时间的推移，跨度较长时间的信号强度会出现衰减无法对时间跨度不同的信号进行有针对性的识别的问题；同时可以对用户设备中不同频率和强度的信号赋予差异化的权重，提升了对异常信号识别的准确性。
在本申请又一实施例中，还提供一种信息处理装置。该信息处理装置可以软件或硬件的形式集成在电子设备中，该电子设备具体可以包括手机、平板电脑、笔记本电脑等设备。如图3所示，该信息处理装置300可以包括：第一获取单元301、处理单元302、构建单元303、训练单元304和预测单元305，其中：
第一获取单元301，用于获取多个时间周期内用户设备的状态信息；
处理单元302，用于对所述状态信息进行处理得到对应的时域信息和频域信息，并将所述时域信息和所述频域信息进行融合，得到融合数据；
构建单元303，用于基于相邻两个周期的融合数据构建训练数据对；
训练单元304，用于基于所述训练数据对对长短期记忆网络进行模型训练，得到训练后模型；
预测单元305，用于将目标用户设备当前周期的状态信息作为输入，基于训练后模型对所述目标用户设备下一周期的状态信息进行预测。
在一实施方式中，该处理单元302可以用于：
对所述状态信息进行处理，得到对应的时域信息；
对所述时域信息进行分解，得到对应的频域信息；
将所述时域信息和所述频域信息进行融合，得到融合数据。
在一实施方式中，该处理单元302可以进一步用于：
将所述时域信息和所述频域信息进行数据拼接，得到数据宽表；
将所述数据宽表整合成包含时间维度的三维数据。
在一实施方式中，该训练单元304可以用于：
将所述训练数据对中前一周期的融合数据作为自变量、后一周期的融合数据作为因变量，输入至所述长短期记忆网络；
调整所述长短期记忆网络的模型参数，直至模型收敛
在一实施方式中，该信息处理装置300还可以包括：
第二获取单元，用于获取所述目标用户设备下一周期的预测状态信息；
第三获取单元，用于获取所述目标用户设备下一周期的实际状态信息；
确定单元，用于确定所述预测状态信息与所述实际状态信息之间的差异值；
识别单元，用于若所述差异值超出预设差异范围，则确定所述用户设备为行为异常设备。
由上可知，本申请实施例提供的信息处理装置，可对用户设备随时间变化的状态信息进行分解，得到对应的时域信息和频域信息，再将时域信息和所述频域信息进行融合，并基于相邻两个周期的融合数据构建训练数据对对对长短期记忆网络进行模型训练。当需要识别用户设备行为是否异常时，将目标用户设备当前周期的状态信息作为输入，基于训练后模型对目标用户设备下一周期的状态信息进行预测，根据预测结果和实际结果进行比较以确定用户设备是否行为异常。本方案可以结合设备的在先行为，对时间跨度不同的信号进行针对性的识别，提升了信息预测结果的准确性。
在本申请又一实施例中还提供一种电子设备，该电子设备可以是智能手机、平板电脑等智能终端。如图4所示，电子设备400包括处理器401和存储器 402。其中，处理器401与存储器402电性连接。
处理器401是电子设备400的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或加载存储在存储器402内的应用，以及调用存储在存储器402内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。
在本实施例中，电子设备400中的处理器401会按照如下的步骤，将一个或一个以上的应用的进程对应的指令加载到存储器402中，并由处理器401来运行存储在存储器402中的应用，从而实现各种功能：
获取多个时间周期内用户设备的状态信息；
对所述状态信息进行处理得到对应的时域信息和频域信息，并将该时域信息和该频域信息进行融合，得到融合数据；
基于相邻两个周期的融合数据构建训练数据对；
基于该训练数据对对长短期记忆网络进行模型训练，得到训练后模型；
将目标用户设备当前周期的状态信息作为输入，基于训练后模型对该目标用户设备下一周期的状态信息进行预测。
在一实施方式中，在对该状态信息进行处理得到对应的时域信息和频域信息，将该时域信息和该频域信息进行融合得到融合数据时，处理器401具体执行以下操作：
对该状态信息进行处理，得到对应的时域信息；
对该时域信息进行分解，得到对应的频域信息；
将该时域信息和该频域信息进行融合，得到融合数据。
在一实施方式中，在将该时域信息和该频域信息进行融合时，处理器401 可以执行以下操作：
将该时域信息和该频域信息进行数据拼接，得到数据宽表；
将该数据宽表整合成包含时间维度的三维数据。
在一实施方式中，在基于该训练数据对对长短期记忆网络进行模型训练，得到训练后模型时，处理器401可以执行以下操作：
将该训练数据对中前一周期的融合数据作为自变量、后一周期的融合数据作为因变量，输入至该长短期记忆网络；
调整该长短期记忆网络的模型参数，直至模型收敛。
在一实施方式中，在将目标用户设备当前周期的状态信息作为输入，基于训练后模型对该目标用户设备下一周期的状态信息进行预测之后，处理器401 可以执行以下操作：
获取该目标用户设备下一周期的预测状态信息；
获取该目标用户设备下一周期的实际状态信息；
确定该预测状态信息与该实际状态信息之间的差异值；
若该差异值超出预设差异范围，则确定该用户设备为行为异常设备。
存储器402可用于存储应用和数据。存储器402存储的应用中包含有可在处理器中执行的指令。应用可以组成各种功能模块。处理器401通过运行存储在存储器402的应用，从而执行各种功能应用以及信息处理。
在一些实施例中，如图5所示，电子设备400还包括：显示屏403、控制电路404、射频电路405、输入单元406、传感器408以及电源409。其中，处理器 401分别与显示屏403、控制电路404、射频电路405、输入单元406、摄像头407、传感器408以及电源409电性连接。
显示屏403可用于显示由用户输入的信息或提供给用户的信息以及电子设备的各种图形用户接口，这些图形用户接口可以由图像、文本、图标、视频和其任意组合来构成。
控制电路404与显示屏403电性连接，用于控制显示屏403显示信息。
射频电路405用于收发射频信号，以通过无线通信与电子设备或其他电子设备构建无线通讯，与服务器或其他电子设备之间收发信号。
输入单元406可用于接收输入的数字、字符信息或用户特征信息(例如指纹)，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。其中，输入单元406可以包括指纹识别模组。
摄像头407可用于采集图像信息。其中，该摄像头可以是具有一个镜头的单摄像头，也可以具有两个或多个镜头。
传感器408用于采集外部环境信息。传感器408可以包括环境亮度传感器、加速度传感器、光传感器、运动传感器、以及其他传感器。
电源409用于给电子设备400的各个部件供电。在一些实施例中，电源409 可以通过电源管理系统与处理器401逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管图5中未示出，电子设备400还可以包括扬声器、蓝牙模块等，在此不再赘述。
由上可知，本申请实施例提供的电子设备，可对用户设备随时间变化的状态信息进行分解，得到对应的时域信息和频域信息，再将时域信息和所述频域信息进行融合，并基于相邻两个周期的融合数据构建训练数据对对对长短期记忆网络进行模型训练。当需要识别用户设备行为是否异常时，将目标用户设备当前周期的状态信息作为输入，基于训练后模型对目标用户设备下一周期的状态信息进行预测，根据预测结果和实际结果进行比较以确定用户设备是否行为异常。本方案可以结合设备的在先行为，对时间跨度不同的信号进行针对性的识别，提升了信息预测结果的准确性。
在一些实施例中，还提供了一种计算机可读存储介质，该存储介质中存储有多条指令，该指令适于由处理器加载以执行上述任一信息处理方法。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，RandomAccess Memory)、磁盘或光盘等。
以上对本申请实施例所提供的信息处理方法、装置、存储介质及电子设备进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种信息处理方法，其特征在于，包括：
获取多个时间周期内用户设备的状态信息；
对所述状态信息进行处理得到对应的时域信息和频域信息，并将所述时域信息和所述频域信息进行融合，得到融合数据；
基于相邻两个周期的融合数据构建训练数据对；
基于所述训练数据对对长短期记忆网络进行模型训练，得到训练后模型；
将目标用户设备当前周期的状态信息作为输入，基于训练后模型对所述目标用户设备下一周期的状态信息进行预测。
2.根据权利要求1所述的信息处理方法，其特征在于，所述对所述状态信息进行处理得到对应的时域信息和频域信息，将所述时域信息和所述频域信息进行融合，得到融合数据，包括：
对所述状态信息进行处理，得到对应的时域信息；
对所述时域信息进行分解，得到对应的频域信息；
将所述时域信息和所述频域信息进行融合，得到融合数据。
3.根据权利要求2所述的信息处理方法，其特征在于，所述将所述时域信息和所述频域信息进行融合，包括：
将所述时域信息和所述频域信息进行数据拼接，得到数据宽表；
将所述数据宽表整合成包含时间维度的三维数据。
4.根据权利要求1所述的信息处理方法，其特征在于，所述基于所述训练数据对对长短期记忆网络进行模型训练，得到训练后模型，包括：
将所述训练数据对中前一周期的融合数据作为自变量、后一周期的融合数据作为因变量，输入至所述长短期记忆网络；
调整所述长短期记忆网络的模型参数，直至模型收敛。
5.根据权利要求1-4任一项所述的信息处理方法，其特征在于，在将目标用户设备当前周期的状态信息作为输入，基于训练后模型对所述目标用户设备下一周期的状态信息进行预测之后，还包括：
获取所述目标用户设备下一周期的预测状态信息；
获取所述目标用户设备下一周期的实际状态信息；
确定所述预测状态信息与所述实际状态信息之间的差异值；
若所述差异值超出预设差异范围，则确定所述用户设备为行为异常设备。
6.一种信息处理装置，其特征在于，包括：
第一获取单元，用于获取多个时间周期内用户设备的状态信息；
处理单元，用于对所述状态信息进行处理得到对应的时域信息和频域信息，并将所述时域信息和所述频域信息进行融合，得到融合数据；
构建单元，用于基于相邻两个周期的融合数据构建训练数据对；
训练单元，用于基于所述训练数据对对长短期记忆网络进行模型训练，得到训练后模型；
预测单元，用于将目标用户设备当前周期的状态信息作为输入，基于训练后模型对所述目标用户设备下一周期的状态信息进行预测。
7.根据权利要求6所述的信息处理装置，其特征在于，所述处理单元用于：
对所述状态信息进行处理，得到对应的时域信息；
对所述时域信息进行分解，得到对应的频域信息；
将所述时域信息和所述频域信息进行融合，得到融合数据。
8.根据权利要求6或7所述的信息处理装置，其特征在于，所述装置还包括：
第二获取单元，用于获取所述目标用户设备下一周期的预测状态信息；
第三获取单元，用于获取所述目标用户设备下一周期的实际状态信息；
确定单元，用于确定所述预测状态信息与所述实际状态信息之间的差异值；
识别单元，用于若所述差异值超出预设差异范围，则确定所述用户设备为行为异常设备。
9.一种计算机可读存储介质，其特征在于，所述存储介质中存储有多条指令，所述指令适于由处理器加载以执行权利要求1-5任一项所述的信息处理方法。
10.一种电子设备，其特征在于，包括处理器及存储器，所述处理器与所述存储器电性连接，所述存储器用于存储指令和数据；所述处理器用于执行权利要求1-5任一项所述的信息处理方法。
CN202210361547.9A 2022-04-07 2022-04-07 信息处理方法、装置、存储介质及电子设备 Pending CN114648075A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210361547.9A CN114648075A (zh) 2022-04-07 2022-04-07 信息处理方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210361547.9A CN114648075A (zh) 2022-04-07 2022-04-07 信息处理方法、装置、存储介质及电子设备

Publications (1)

Publication Number Publication Date
CN114648075A true CN114648075A (zh) 2022-06-21

Family

ID=81997711

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210361547.9A Pending CN114648075A (zh) 2022-04-07 2022-04-07 信息处理方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN114648075A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115062553A (zh) * 2022-08-17 2022-09-16 浪潮通用软件有限公司 基于多模型融合的水泵工况劣化检测方法、设备及介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115062553A (zh) * 2022-08-17 2022-09-16 浪潮通用软件有限公司 基于多模型融合的水泵工况劣化检测方法、设备及介质

Similar Documents

Publication Publication Date Title
Mendonça et al. Intrusion detection system based on fast hierarchical deep convolutional neural network
US20220188840A1 (en) Target account detection method and apparatus, electronic device, and storage medium
CN111325258B (zh) 特征信息获取方法、装置、设备及存储介质
US11249645B2 (en) Application management method, storage medium, and electronic apparatus
CN114285728B (zh) 一种预测模型训练方法、流量预测方法、装置及存储介质
CN107608748B (zh) 应用程序管控方法、装置、存储介质及终端设备
CN107885544B (zh) 应用程序管控方法、装置、介质及电子设备
CN113765928B (zh) 物联网入侵检测方法、设备及介质
WO2019062317A1 (zh) 应用程序管控方法及电子设备
Pourkamali‐Anaraki Estimation of the sample covariance matrix from compressive measurements
CN112685799B (zh) 设备指纹生成方法、装置、电子设备和计算机可读介质
CN113822460A (zh) 一种交通流量预测方法、装置、电子设备和存储介质
CN111191677B (zh) 用户特征数据生成方法、装置及电子设备
CN114648075A (zh) 信息处理方法、装置、存储介质及电子设备
CN114615177A (zh) 一种云平台的负载检测方法、装置、电子设备和存储介质
CN107832848A (zh) 应用管理方法、装置、存储介质及电子设备
CN112035334A (zh) 异常设备检测方法、装置、存储介质与电子设备
CN113610228B (zh) 神经网络模型的构建方法及装置
US20220036133A1 (en) Context aware anomaly detection
Bahuguna et al. User profiling using smartphone network traffic analysis
CN114639072A (zh) 人流量信息生成方法、装置、电子设备和计算机可读介质
CN113360908A (zh) 数据处理方法、违规识别模型训练方法及相关设备
CN110704619B (zh) 文本分类方法、装置及电子设备
CN113362069A (zh) 风控模型的动态调整方法、装置、设备及可读存储介质
CN115248894A (zh) 一种信息推荐方法、装置和计算机可读存储介质

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