CN115293761A - 一种基于嵌入式系统的目标可信度识别方法及装置 - Google Patents

Abstract

本发明公开了一种基于嵌入式系统的目标可信度识别方法、装置及电子设备，方法包括：在嵌入式系统中采集目标处于特定时间段内对各个服务的行为变量；对所述行为变量进行特征指标的波动分析，得到目标的可信度特征；将所述可信度特征和目标属性特征输入可信度模型中，得到目标的初始可信度等级；基于目标对各个服务的使用数据对目标的初始可信度等级优化计算，得到目标的最终可信度等级。本发明基于对目标各个服务的行为变量的分析，得到初始可信度等级，并通过目标对服务的使用数据对初始可信度等级优化计算，得到的最终可信度等级能够更为准确的反映目标在服务中的可信度性，从而加强对服务平台中数据安全的保护，避免服务平台中数据泄漏。

Description

一种基于嵌入式系统的目标可信度识别方法及装置

技术领域

本发明涉及数据处理领域，具体而言，涉及一种基于嵌入式系统的目标可信度识别方法、装置、电子设备及计算机可读介质。

背景技术

随着互联网技术的发展，新兴产业模式的不断涌现，出现很多先使用后付费的服务，但在面对庞大的用户群时，由于这种服务存在一段不用缴费但可以使用服务的时间，目标在不正常缴费的情况下仍然能够使用服务，导致服务提供错误，对服务平台资产和数据安全造成危害。比如：用户过了试用期后不支付费用却依然在使用服务；又比如：运营商提供的服务，电话欠费了有星级可以欠费使用，用户一直到欠费停机也不缴纳费用；等等。因此，在提供这种服务之前，对设备的可信度识别显得尤为重要。

现有技术中，通过对设备的属性数据进行分析来识别设备可信度等级，而忽略了设备对服务的使用情况和缴费情况的分析，因此无法在先使用后付费的服务中准确识别设备可信度等级，造成服务平台数据泄露等安全隐患。

发明内容

有鉴于此，本发明主要目的在于提出一种基于嵌入式系统的目标可信度识别方法、装置、电子设备及计算机可读介质，以期至少部分地解决上述技术问题中的至少之一。

为了解决上述技术问题，本发明第一方面提出一种基于嵌入式系统的目标可信度识别方法，所述方法包括：

在嵌入式系统中采集目标处于特定时间段内对各个服务的行为变量；

对所述行为变量进行特征指标的波动分析，得到所述目标的可信度特征；

将所述可信度特征和目标属性特征输入可信度模型中，得到目标的初始可信度等级；

基于所述目标对各个服务的使用数据对所述目标的初始可信度等级优化计算，得到所述目标的最终可信度等级。

根据本发明一种优选实施方式，所述行为变量包括：目标对各个服务缴费的时间序列和金额序列；所述对所述行为变量进行特征指标的波动分析，得到所述目标的可信度特征包括：

判断所述时间序列中是否存在目标子时间序列；在所述目标子时间序列中前一缴费时间与后一缴费时间的间隔均小于预设时间；

若存在，在所述金额序列中查找与所述目标子时间序列对应的目标子金额序列；

判断所述目标子金额序列中前一应缴纳服务费用与后一应缴纳服务费用的增长率是否均小于预设增长率；

根据判断结果识别所述目标的可信度特征。

根据本发明一种优选实施方式，所述根据判断结果识别所述目标的可信度特征包括：

若所述目标子金额序列中前一应缴纳服务费用与后一应缴纳服务费用的增长率均小于预设增长率，将目标的可信度特征识别为第一可信度特征；将未识别为第一可信度特征的目标标记为第二可信度特征。

根据本发明一种优选实施方式，所述可信度特征还包括第一可信度特征等级，所述方法还包括：若所述目标子金额序列中前一应缴纳服务费用与后一应缴纳服务费用的增长率均小于预设增长率，标记所述目标子金额序列；

统计目标在各个服务对应的金额序列中被标记的目标子金额序列的个数，根据统计个数确定所述目标第一可信度特征的等级。

根据本发明一种优选实施方式，所述方法还包括：

根据目标子金额序列中应缴纳服务费用的个数对所述目标第一可信度特征的等级进行分级。

根据本发明一种优选实施方式，基于所述目标对各个服务的使用数据对所述目标的初始可信度等级优化计算，得到所述目标的最终可信度等级包括：

根据目标对各个服务的使用数据生成优化系数；

基于所述优化系数对所述目标的初始可信度等级优化计算，得到所述目标的最终可信度等级。

为解决上述技术问题，本发明第二方面提供一种基于嵌入式系统的目标可信度识别装置，所述装置包括：

采集模块，用于在嵌入式系统中采集目标处于特定时间段内对各个服务的行为变量；

分析模块，用于对所述行为变量进行特征指标的波动分析，得到所述目标的可信度特征；

输入模块，用于将所述可信度特征和目标属性特征输入可信度模型中，得到目标的初始可信度等级；

优化模块，用于基于所述目标对各个服务的使用数据对所述目标的初始可信度等级优化计算，得到所述目标的最终可信度等级。

根据本发明一种优选实施方式，所述行为变量包括：目标对各个服务缴费的时间序列和金额序列；所述分析模块包括：

第一判断模块，用于判断所述时间序列中是否存在目标子时间序列；在所述目标子时间序列中前一缴费时间与后一缴费时间的间隔均小于预设时间；

查找模块，用于若存在，在所述金额序列中查找与所述目标子时间序列对应的目标子金额序列；

第二判断模块，用于判断所述目标子金额序列中前一应缴纳服务费用与后一应缴纳服务费用的增长率是否均小于预设增长率；

识别模块，用于根据判断结果识别所述目标的可信度特征。

根据本发明一种优选实施方式，所述识别模块用于

若所述目标子金额序列中前一应缴纳服务费用与后一应缴纳服务费用的增长率均小于预设增长率，将目标的可信度特征识别为第一可信度特征；将未识别为第一可信度特征的目标标记为第二可信度特征。

根据本发明一种优选实施方式，所述可信度特征还包括第一可信度特征等级，所述装置还包括：标记模块，用于若所述目标子金额序列中前一应缴纳服务费用与后一应缴纳服务费用的增长率均小于预设增长率，标记所述目标子金额序列；

确定模块，用于统计目标在各个服务对应的金额序列中被标记的目标子金额序列的个数，根据统计个数确定所述目标第一可信度特征的等级。

根据本发明一种优选实施方式，所述装置还包括：

分级模块，用于根据目标子金额序列中应缴纳服务费用的个数对所述目标第一可信度特征的等级进行分级。

根据本发明一种优选实施方式，所述优化模块包括：

生成模块，用于根据目标对各个服务的使用数据生成优化系数；

子优化模块，用于基于所述优化系数对所述目标的初始可信度等级优化计算，得到所述目标的最终可信度等级。

为解决上述技术问题，本发明第三方面提供一种电子设备，包括：

处理器；以及

存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器执行上述的方法。

为解决上述技术问题，本发明第四方面提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，当所述一个或多个程序被处理器执行时，实现上述方法。

本发明通过对目标各个服务的行为变量进行特征指标的波动分析得到所述目标的可信度特征，基于所述目标的可信度特征和属性特征来识别目标的初始可信度等级，提高目标初始可信度等级的准确性，同时，又在目标初始可信度等级的基础上，基于所述目标对各个服务的使用数据对所述目标的初始可信度等级优化计算，得到所述目标的最终可信度等级。与现有技术相比，本发明充分考虑到先使用后付费服务的特点，基于对目标各个服务的行为变量的特征指标的波动分析，得到初始可信度等级，并通过目标对服务的使用数据对初始可信度等级优化计算，得到的最终可信度等级能够更为准确的反映目标在先使用后付费的服务的可信度性，从而加强对服务平台中数据可信度的保护，有效地避免服务平台中数据泄漏的情况发生。

附图说明

为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚，下面将参照附图详细描述本发明的具体实施例。但需声明的是，下面描述的附图仅仅是本发明的示例性实施例的附图，对于本领域的技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他实施例的附图。

图1是本发明实施例一种基于嵌入式系统的目标可信度识别方法的流程示意图；

图2是本发明实施例一种基于嵌入式系统的目标可信度识别装置的结构框架示意图；

图3是根据本发明的一种电子设备的示例性实施例的结构框图；

图4是本发明一种计算机可读介质实施例的示意图。

具体实施方式

现在将参考附图来更加全面地描述本发明的示例性实施例，虽然各示例性实施例能够以多种具体的方式实施，但不应理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例是为了使本发明的内容更加完整，更加便于将发明构思全面地传达给本领域的技术人员。

各附图中相同的附图标记表示相同或类似的元件、组件或部分，因而下文中可能省略了对相同或类似的元件、组件或部分的重复描述。还应理解，虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分，但是这些器件、元件、组件或部分不应受这些定语的限制。也就是说，这些定语仅是用来将一者与另一者区分。例如，第一器件亦可称为第二器件，但不偏离本发明实质的技术方案。此外，术语“和/或”、“及/或”是指包括所列出项目中的任一个或多个的所有组合。

请参阅图1，图1是本发明提供的一种基于嵌入式系统的目标可信度识别方法，如图1所示，所述方法包括：

S1、在嵌入式系统中采集目标处于特定时间段内对各个服务的行为变量；

在本实施例中，目标可以是终端设备或者服务器，其中，行为变量可以是终端设备或服务器中的基础信息，该基础信息可以是终端设备或服务器的日志信息、数据传输信息、设备状态信息等等；所述目标还可以是使用该终端设备或服务器的用户。所述服务允许目标先使用预定时间，然后在指定的一个或多个时间点缴纳预定的费用，目标若在指定时间点未缴纳或者未交足预定的费用，则服务方会在指点时间点之后产生相应的滞纳费，若该目标还想使用服务，则需缴清服务费以及滞纳费。

在本实施例中，在目标是终端设备或服务器，或者在目标是使用终端或服务器的用户时，获取目标的数据的嵌入式系统可以是嵌入所述终端设备或服务器的应用平台软件或者应用场景软件，通过嵌入式系统，获取终端设备或服务器上的操作行为，以得到在特定时间段内对各个服务的行为变量。

比如，嵌入式系统可以是安装在终端设备或服务器上的操作记录软件或者服务支持软件，操作记录软件用于记录终端设备或服务器上的操作信息，以确定终端设备或服务器在特定时间段内对不同应用的行为变量，进而在后续步骤中确定该用户的可信度；服务支持软件可以是与其他服务软件相配合的软件，比如可以支持其他服务软件或平台使用的VPN调整软件、第三方支付平台软件，服务支持软件可以获取终端设备或服务器在服务支持软件内的操作信息，从侧面确定终端设备或服务器在特定时间段内的行为变量。

在本实施例中，采集目标在特定时间段内的数据可以在每天、每周或者每月的特定时间段内进行数据采集，本方案对此不作特别限定。

本实施例中，目标可能只使用了一种服务，也可能使用了多种服务，本步骤可以采集目标对至少一个服务的行为变量，每个服务的行为变量可以是目标使用服务后的缴费序列，或者，目标对服务进行操作的操作行为变化情况。示例性的，行为变量可以包括缴费时间和对应的应缴纳服务费用，则根据目标对每个服务缴费的时间和应缴纳服务费用可以生成对应的时间序列和金额序列；其中：时间序列中依照时间顺序依次排列目标对服务的所有缴费时间，金额序列中依照时间顺序排列目标对服务的所有应缴纳服务费用，如此，时间序列中的各个缴费时间与金额序列中的各个应缴纳服务费用一一对应。其中：缴费时间和应缴纳服务费用可以通过各个服务公开发布的缴费目标ID、缴费时间、应缴纳服务费用等数据获得。所述目标ID可以唯一标识目标。或者，行为变量可以包括目标的操作行为，比如，一般用户或终端在使用服务时，其操作行为和操作时间段会具有一定的习惯性，所以本实施例中，获取目标在特定时间段内对服务的操作行为，根据目标的操作行为可以进行操作行为变化的分析，准确识别目标是否出现异常。

S2、对所述行为变量进行特征指标的波动分析，得到所述目标的可信度特征；

在本实施例中，可以根据目标在特定时间段内对各个服务的行为变量的特征指标进行波动分析，对于常规持续性用户，肯定会具有很多周期性特征，比如，视频网站的常规持续性会员会在每月的定时支付会员费用，公司的员工会在每周的周一至周五早上的特定时间段内登录公司系统，游戏玩家会以具有规律性的时间段进入游戏，所以，本方案中可以通过对行为变量进行特征指标的波动分析，确定目标的可信度特征，一旦可信度特征出现较大的波动，即可确定该目标出现了一定的问题，需要及时进行处理以保证系统安全性。

在一个具体的实施例中，以现在较火的先试用后缴费的服务作为举例，即很多企业服务提供商提供的先体验试用，在过了试用期后再选择是否继续进行使用的试用方式，这种方式可以有效地打消用户对于先支付后使用，而使用体验不佳无法退款的顾虑，但是，对于企业来说，对于所有用户都开放这样的服务方式，会有很大的成本压力，比如，租用服务器、维护费用等压力，所以，一方面要让用户进行试用，另一方面也要确定用户的可信度情况，具体的，考虑到用户在使用其他服务的缴费过程中的金额和/或时间均能够反映先使用后缴费的服务中的不正常缴费情况，本实施例可以将金额和/或时间作为特征指标，对行为变量进行波动分析，确定目标特征的波动情况，进而得到目标的可信度特征。

比如：在一类在先使用后付费服务，若在指定时间点未缴纳或者未交足预定的费用，则服务方会在该指定时间点之后，按照预设时间间隔从目标账户收取预定数量的滞纳费，并且滞纳费的金额会随着滞纳时间的增加而增加，且增长范围小于预设增长率，而每次应缴纳服务费用包含服务应缴费用和当次的滞纳金，这样，本次应缴纳服务费用与上次应缴纳服务费用的增长率就应小于预设增长率。根据这种缴费特点就可以确定目标在某个服务中是否存在在指定时间点未缴纳或者未交足预定费用的情况，而这种情况会导致服务提供错误，对服务平台资产和数据可信度造成危害。因此，通过对行为变量的进行特征指标的波动分析可以确定目标在某个服务中是否存在在指定时间点未缴纳或者未交足预定费用的这种不正常缴费情况，并以此来识别目标的可信度特征。

则本步骤可以仅仅对行为变量进行时间的波动分析，比如：判断所述时间序列中是否存在目标子时间序列；其中：在所述目标子时间序列中前一缴费时间与后一缴费时间的间隔均小于预设时间。示例性的，预设时间可以设置为一天，则服务每天都会从目标账户中扣款。若存在，则表明目标存在可信度隐患，将目标的可信度特征识别为第一可信度特征；将未识别为第一可信度特征的目标标记为第二可信度特征。

本步骤也可以仅仅对行为变量进行金额的波动分析，比如：判断金额序列中是否存在目标子金额序列，其中：在目标子金额序列中前一缴应费金额与后一应缴纳服务费用的增长率均小于预设增长率。若存在，则表明目标存在可信度隐患，将目标的可信度特征识别为第一可信度特征；将未识别为第一可信度特征的目标标记为第二可信度特征。

在优选的实施方式中，为了使分析结果更为准确，对行为变量进行金额和时间的波动分析，则本步骤可以包括：

S21、判断所述时间序列中是否存在目标子时间序列；

在所述目标子时间序列中前一缴费时间与后一缴费时间的间隔均小于预设时间。示例性的，预设时间可以设置为一天，则服务每天都会从目标账户中扣款。为了避免将目标的相邻预设时间的正常缴费时间误判为目标子时间序列，可以设置目标子时间序列中的缴费时间个数大于等于3，该缴费时间个数的设置仅为举例说明，本方案对此不作特别限定。

S22、若存在，在所述金额序列中查找与所述目标子时间序列对应的目标子金额序列；

本实施例中，时间序列中的缴费时间和金额序列中的应缴纳服务费用是一一对应的，比如，可以通过同一标识符标识对应的缴费时间和应缴纳服务费用，则通过标识符可以在金额序列中查找到目标子时间序列中各个缴费时间对应的应缴纳服务费用，由这些对应的应缴纳服务费用依次组成对应的目标子金额序列。

S23、判断所述目标子金额序列中前一缴应费金额与后一应缴纳服务费用的增长率是否均小于预设增长率；

其中：前一应缴纳服务费用与后一应缴纳服务费用的增长率Si可以通过如下公式获取：

其中：P为服务应缴费用，W_i为本次应缴纳费用，W_i-1为上次应缴纳费用。

所述预设增长率可以根据实际需要进行配置，比如将预设增长率S设置为2‰。

S24、根据判断结果识别所述目标的可信度特征。

在一种示例中，若所述目标子金额序列中前一应缴纳服务费用与后一应缴纳服务费用的增长率均小于预设增长率，将目标的可信度特征识别为第一可信度特征；将未识别为第一可信度特征的目标标记为第二可信度特征。其中：被识别为第一可信度特征的目标可能在先使用后缴费服务中存在可信度隐患。被识别为第二可信度特征的目标在先使用后缴费服务中不存在可信度隐患。

为了提高对目标初始可信度等级识别的准确性，可以对第一可信度特征进一步识别，所述可信度特征还包括第一可信度特征等级，则本步骤中在所述目标子金额序列中前一应缴纳服务费用与后一应缴纳服务费用的增长率均小于预设增长率时，标记所述目标子金额序列；统计目标在各个服务对应的金额序列中被标记的目标子金额序列的个数，根据统计个数确定所述目标第一可信度特征的等级。其中：统计个数越多，表明目标在指定时间点未缴纳或者未交足预定费用的服务越多，目标存在的可信度隐患越高，因此，统计个数与目标第一可信度特征的等级可以成正比，统计个数越高，目标第一可信度特征的等级越高，表明目标存在可信度隐患越大。

进一步的，考虑到目标子金额序列中应缴纳服务费用的个数能够反映目标被扣滞纳费的次数，而次数越高，目标存在可信度隐患也越大。因此，本步骤还可以根据目标子金额序列中应缴纳服务费用的个数对所述目标第一可信度特征的等级进行分级。比如，对于同一第一可信度特征等级的目标，目标子金额序列中应缴纳服务费用的个数越多，表明目标在指定时间点未缴纳或者未交足预定费用的次数越多，目标存在的可信度隐患越高，因此，目标子金额序列中应缴纳服务费用的个数与目标第一可信度特征的等级的分级成正比。应缴纳服务费用的个数越多，目标第一可信度特征等级的分级越高，表明目标存在可信度隐患越大。

又比如：在一类在先使用后付费服务，若在指定时间点未缴纳或者未交足预定的费用，则服务方会在该指定时间点之后，按照预设时间间隔从目标账户收取预定数量的滞纳费，并且在预定缴纳次数内滞纳费的金额不变，超出预定缴纳次数后滞纳金的数量会按预设比率增加，其中：每次应缴纳服务费用包含服务应缴费用和当次的滞纳金，这样，根据预定缴纳次数将应缴纳服务费用分为多个区间，在区间内，每次应缴纳服务费用相等，当前区间的应缴纳服务费用与上一区间的应缴纳服务费用的增长率等于预设第一增长率。则对所述行为变量进行时间和金额的波动分析可以包括：

S201、判断所述时间序列中是否存在目标子时间序列；

S202、若存在，在所述金额序列中查找与所述目标子时间序列对应的目标子金额序列；

步骤S201、S202分与步骤S21、S22相同，此处不再赘述。

S23、判断所述目标子金额序列中当前区间的应缴纳服务费用与上一区间的应缴纳服务费用的增长率等于预设第一增长率；

其中：预定缴纳次数可以根据实际需要设置，比如设置为3。目标子金额序列被预定缴纳次数分为多个区间，在区间内，每次应缴纳服务费用相等。

当前区间的应缴纳服务费用与上一区间的应缴纳服务费用的增长率Qj可以通过如下公式获取：

其中：P为服务应缴费用，V_j为当前区间的应缴纳服务费用，V_j-1为上一区间的应缴纳服务费用。

所述预设第一增长率可以根据实际需要进行配置，比如将预设增长率S设置为3‰。

S204、根据判断结果识别所述目标的可信度特征。

步骤S204可参考步骤S24，此处不再赘述。

S3、将所述可信度特征和目标属性特征输入可信度模型中，得到目标的初始可信度等级；

所述目标属性特征可以包括一项或多项：目标所在地、目标上次登录系统的时间、目标公开发布的内容、目标历史行为信息、目标所处地域等公开信息。其中：目标公开发布的内容可以包括目标型号、目标ID等等，行为信息可以包括：购买行为、使用行为、租赁行为、业务浏览时长等等。

所述可信度模型可以采用：XGboost、决策树、SVM等机器模型。

S4、基于所述目标对各个服务的使用数据对所述目标的初始可信度等级优化计算，得到所述目标的最终可信度等级。

其中：使用数据是目标在使用服务过程中产生的数据，可以包括：目标使用服务时长、目标已缴纳服务费用、使用地址、使用频率，等等。

示例性的，所述基于所述目标对各个服务的使用数据对所述目标的初始可信度等级优化计算，得到所述目标的最终可信度等级包括：

S41、根据目标对各个服务的使用数据生成优化系数；

示例性的，可以获取目标在各个服务中的已缴纳服务费和服务已使用时长。则优化系数可为：

其中，y为优化系数，a,b为大于1的预设常数，x为已使用服务数量，Q为已缴费用总数，q为已使用的单个服务最大费用，T为已使用服务总时长，t为已使用的单个服务最大时长。

其中，τ为预设的单位时长，可以是所有服务的平均服务时长。

S42、基于所述优化系数对所述目标的初始可信度等级优化计算，得到所述目标的最终可信度等级。

本步骤中，可以基于优化系数生成目标的可信度等级优化分：

其中，S为目标可信度等级优化分，C为最大可优化分数，y为步骤S41中的优化系数。

C最大可优化分数＝预设最大可信度分-目标未出现不缴纳费用的情况下的可信度分。其中：目标未出现不缴纳费用的情况下的可信度分可以通过将目标属性特征输入可信度模型中得到。

其中，x总为总的服务数量，m总为所有服务总时长/(所有服务数量*τ)；O为所有服务的费用总计，o为单个服务最大费用，I为所有服务总时长，i为单个服务最大时长。

本实施例中，初始可信度等级以分数的形式表示，则：

最终的可信度等级分＝可信度等级优化分+初始可信度等级分。

图2是本发明一种基于嵌入式系统的目标可信度识别装置，如图2所示，所述装置包括：

采集模块21，用于在嵌入式系统中采集目标处于特定时间段内对各个服务的行为变量；

分析模块22，用于对所述行为变量进行特征指标的波动分析，得到所述目标的可信度特征；

输入模块23，用于将所述可信度特征和目标属性特征输入可信度模型中，得到目标的初始可信度等级；

优化模块24，用于基于所述目标对各个服务的使用数据对所述目标的初始可信度等级优化计算，得到所述目标的最终可信度等级。

在一种具体实施方式中，所述行为变量包括：目标对各个服务缴费的时间序列和金额序列；所述分析模块22包括：

第一判断模块，用于判断所述时间序列中是否存在目标子时间序列；在所述目标子时间序列中前一缴费时间与后一缴费时间的间隔均小于预设时间；

查找模块，用于若存在，在所述金额序列中查找与所述目标子时间序列对应的目标子金额序列；

第二判断模块，用于判断所述目标子金额序列中前一应缴纳服务费用与后一应缴纳服务费用的增长率是否均小于预设增长率；

识别模块，用于根据判断结果识别所述目标的可信度特征。

具体的，所述识别模块用于若所述目标子金额序列中前一应缴纳服务费用与后一应缴纳服务费用的增长率均小于预设增长率，将目标的可信度特征识别为第一可信度特征；将未识别为第一可信度特征的目标标记为第二可信度特征。

在一种实施方式中，所述可信度特征还包括第一可信度特征等级，所述装置还包括：标记模块，用于若所述目标子金额序列中前一应缴纳服务费用与后一应缴纳服务费用的增长率均小于预设增长率，标记所述目标子金额序列；

确定模块，用于统计目标在各个服务对应的金额序列中被标记的目标子金额序列的个数，根据统计个数确定所述目标第一可信度特征的等级。

进一步的，所述装置还包括：

分级模块，用于根据目标子金额序列中应缴纳服务费用的个数对所述目标第一可信度特征的等级进行分级。

所述优化模块24包括：

生成模块，用于根据目标对各个服务的使用数据生成优化系数；

子优化模块，用于基于所述优化系数对所述目标的初始可信度等级优化计算，得到所述目标的最终可信度等级。

本领域技术人员可以理解，上述装置实施例中的各模块可以按照描述分布于装置中，也可以进行相应变化，分布于不同于上述实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

下面描述本发明的电子设备实施例，该电子设备可以视为对于上述本发明的方法和装置实施例的实体形式的实施方式。对于本发明电子设备实施例中描述的细节，应视为对于上述方法或装置实施例的补充；对于在本发明电子设备实施例中未披露的细节，可以参照上述方法或装置实施例来实现。

图3是根据本发明的一种电子设备的示例性实施例的结构框图。图3显示的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图3所示，该示例性实施例的电子设备300以通用数据处理目标的形式表现。电子设备300的组件可以包括但不限于：至少一个处理单元310、至少一个存储单元320、连接不同电子设备组件(包括存储单元320和处理单元310)的总线330、显示单元340等。

其中，所述存储单元320存储有计算机可读程序，其可以是源程序或都只读程序的代码。所述程序可以被处理单元310执行，使得所述处理单元310执行本发明各种实施方式的步骤。例如，所述处理单元310可以执行如图1所示的步骤。

所述存储单元320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)3201和/或高速缓存存储单元3202，还可以进一步包括只读存储单元(ROM)3203。所述存储单元320还可以包括具有一组(至少一个)程序模块3205的程序/实用工具3204，这样的程序模块3205包括但不限于：操作电子设备、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330可以为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300也可以与一个或多个外部设备100(例如键盘、显示器、网络设备、蓝牙设备等)通信，使得用户能经由这些外部设备100与该电子设备300交互，和/或使得该电子设备300能与一个或多个其它数据处理设备(例如路由器、调制解调器等等)进行通信。这种通信可以通过输入/输出(I/O)接口350进行，还可以通过网络适配器360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)进行。网络适配器360可以通过总线330与电子设备300的其它模块通信。应当明白，尽管图3中未示出，电子设备300中可使用其它硬件和/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电子设备、磁带驱动器以及数据备份存储电子设备等。

图4是本发明的一个计算机可读介质实施例的示意图。如图4所示，所述计算机程序可以存储于一个或多个计算机可读介质上。计算机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、或半导体的电子设备、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。当所述计算机程序被一个或多个数据处理设备执行时，使得该计算机可读介质能够实现本发明的上述方法，即：在嵌入式系统中采集目标处于特定时间段内对各个服务的行为变量；对所述行为变量进行特征指标的波动分析，得到所述目标的可信度特征；将所述可信度特征和目标属性特征输入可信度模型中，得到目标的初始可信度等级；基于所述目标对各个服务的使用数据对所述目标的初始可信度等级优化计算，得到所述目标的最终可信度等级。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，本发明不与任何特定计算机、虚拟装置或者电子设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (14)

1.一种基于嵌入式系统的目标可信度识别方法，其特征在于，所述方法包括：

在嵌入式系统中采集目标处于特定时间段内对各个服务的行为变量；

对所述行为变量进行特征指标的波动分析，得到所述目标的可信度特征；

将所述可信度特征和目标属性特征输入可信度模型中，得到目标的初始可信度等级；

基于所述目标对各个服务的使用数据对所述目标的初始可信度等级优化计算，得到所述目标的最终可信度等级。

2.根据权利要求1所述的方法，其特征在于，所述行为变量包括：目标对各个服务缴费的时间序列和金额序列；所述对所述行为变量进行特征指标的波动分析，得到所述目标的可信度特征包括：

判断所述时间序列中是否存在目标子时间序列；在所述目标子时间序列中前一缴费时间与后一缴费时间的间隔均小于预设时间；

若存在，在所述金额序列中查找与所述目标子时间序列对应的目标子金额序列；

判断所述目标子金额序列中前一应缴纳服务费用与后一应缴纳服务费用的增长率是否均小于预设增长率；

根据判断结果识别所述目标的可信度特征。

3.根据权利要求2所述的方法，其特征在于，所述根据判断结果识别所述目标的可信度特征包括：

若所述目标子金额序列中前一应缴纳服务费用与后一应缴纳服务费用的增长率均小于预设增长率，将目标的可信度特征识别为第一可信度特征；将未识别为第一可信度特征的目标标记为第二可信度特征。

4.根据权利要求3所述的方法，其特征在于，所述可信度特征还包括第一可信度特征等级，所述方法还包括：若所述目标子金额序列中前一应缴纳服务费用与后一应缴纳服务费用的增长率均小于预设增长率，标记所述目标子金额序列；

统计目标在各个服务对应的金额序列中被标记的目标子金额序列的个数，根据统计个数确定所述目标第一可信度特征的等级。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

根据目标子金额序列中应缴纳服务费用的个数对所述目标第一可信度特征的等级进行分级。

6.根据权利要求1所述的方法，其特征在于，基于所述目标对各个服务的使用数据对所述目标的初始可信度等级优化计算，得到所述目标的最终可信度等级包括：

根据目标对各个服务的使用数据生成优化系数；

基于所述优化系数对所述目标的初始可信度等级优化计算，得到所述目标的最终可信度等级。

7.一种基于嵌入式系统的目标可信度识别装置，其特征在于，所述装置包括：

采集模块，用于在嵌入式系统中采集目标处于特定时间段内对各个服务的行为变量；

分析模块，用于对所述行为变量进行特征指标的波动分析，得到所述目标的可信度特征；

输入模块，用于将所述可信度特征和目标属性特征输入可信度模型中，得到目标的初始可信度等级；

优化模块，用于基于所述目标对各个服务的使用数据对所述目标的初始可信度等级优化计算，得到所述目标的最终可信度等级。

8.根据权利要求7所述的装置，其特征在于，所述行为变量包括：目标对各个服务缴费的时间序列和金额序列；所述分析模块包括：

第一判断模块，用于判断所述时间序列中是否存在目标子时间序列；在所述目标子时间序列中前一缴费时间与后一缴费时间的间隔均小于预设时间；

查找模块，用于若存在，在所述金额序列中查找与所述目标子时间序列对应的目标子金额序列；

第二判断模块，用于判断所述目标子金额序列中前一应缴纳服务费用与后一应缴纳服务费用的增长率是否均小于预设增长率；

识别模块，用于根据判断结果识别所述目标的可信度特征。

9.根据权利要求8所述的装置，其特征在于，所述识别模块用于若所述目标子金额序列中前一应缴纳服务费用与后一应缴纳服务费用的增长率均小于预设增长率，将目标的可信度特征识别为第一可信度特征；将未识别为第一可信度特征的目标标记为第二可信度特征。

10.根据权利要求9所述的装置，其特征在于，所述可信度特征还包括第一可信度特征等级，所述装置还包括：标记模块，用于若所述目标子金额序列中前一应缴纳服务费用与后一应缴纳服务费用的增长率均小于预设增长率，标记所述目标子金额序列；

确定模块，用于统计目标在各个服务对应的金额序列中被标记的目标子金额序列的个数，根据统计个数确定所述目标第一可信度特征的等级。

11.根据权利要求10所述的装置，其特征在于，所述装置还包括：

分级模块，用于根据目标子金额序列中应缴纳服务费用的个数对所述目标第一可信度特征的等级进行分级。

12.根据权利要求7所述的装置，其特征在于，所述优化模块包括：

生成模块，用于根据目标对各个服务的使用数据生成优化系数；

子优化模块，用于基于所述优化系数对所述目标的初始可信度等级优化计算，得到所述目标的最终可信度等级。

13.一种电子设备，包括：

处理器；以及

存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器执行根据权利要求1-6中任一项所述的方法。

14.一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，当所述一个或多个程序被处理器执行时，实现权利要求1-6中任一项所述的方法。

Images