CN115795454A - 基于线上操作大数据的业务优化方法及人工智能优化系统 - Google Patents
基于线上操作大数据的业务优化方法及人工智能优化系统 Download PDFInfo
- Publication number
- CN115795454A CN115795454A CN202211659876.8A CN202211659876A CN115795454A CN 115795454 A CN115795454 A CN 115795454A CN 202211659876 A CN202211659876 A CN 202211659876A CN 115795454 A CN115795454 A CN 115795454A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- knowledge
- session
- calibration
- target
- 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.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 27
- 230000002159 abnormal effect Effects 0.000 claims abstract description 943
- 230000000694 effects Effects 0.000 claims abstract description 68
- 238000009826 distribution Methods 0.000 claims abstract description 61
- 230000001960 triggered effect Effects 0.000 claims abstract description 4
- 230000004927 fusion Effects 0.000 claims description 49
- 230000005284 excitation Effects 0.000 claims description 23
- 238000013139 quantization Methods 0.000 claims description 13
- 238000013135 deep learning Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000009877 rendering Methods 0.000 claims 1
- 230000005856 abnormality Effects 0.000 abstract description 3
- 238000013461 design Methods 0.000 description 16
- 238000004364 calculation method Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例实施例提供一种基于线上操作大数据的业务优化方法及人工智能优化系统，基于线上操作大数据确定各异常操作活动分布，各异常操作活动分布包括各操作主体触发异常操作的目标会话异常节点以及各操作主体对应的异常画像知识，基于各异常操作活动分布和候选操作主体的目标异常画像知识，确定候选操作主体可能触发异常操作的预测会话异常节点，从而及时加载至关联的页面异常拦截系统中进行后续的拦截判断，由此通过对历史的线上操作大数据进行数据挖掘以便于结合候选操作主体的目标异常画像知识对候选操作主体关联的页面异常拦截系统进行业务优化，提高候选操作主体的页面服务可靠性。
Description
技术领域
本申请实施例涉及信息技术领域，具体而言，涉及一种基于线上操作大数据的业务优化方法及人工智能优化系统。
背景技术
随着5G和互联网信息技术的快速发展，各类线上页面、小程序可以为用户提供不同类型的页面在线服务，例如电子商务服务、智慧医疗服务、电子邮件服务、即时通信服务、在线视频服务等。这些页面在线服务中产生的线上操作数据中通常可能会存在一些异常操作活动，这些异常操作活动可能是某些潜在的异常页面风险，如何有效利用这些异常操作活动数据对页面异常拦截系统进行业务优化，提高操作主体的页面服务可靠性，是当前亟待解决的技术问题。
发明内容
为了至少克服现有技术中的上述不足，本申请实施例的目的在于提供一种基于线上操作大数据的业务优化方法及人工智能优化系统。
第一方面，本申请实施例实施例提供一种基于线上操作大数据的业务优化方法，应用于人工智能优化系统，所述方法包括：
基于所述线上服务系统生成的业务优化指令获取历史时间段对应的线上操作大数据，并基于所述线上操作大数据确定各异常操作活动分布，各所述异常操作活动分布包括各操作主体触发异常操作的目标会话异常节点以及各操作主体对应的异常画像知识；
基于所述各异常操作活动分布和候选操作主体的目标异常画像知识，确定所述候选操作主体可能触发异常操作的预测会话异常节点；
将所述预测会话异常节点加载至所述候选操作主体关联的页面异常拦截系统，并通过所述页面异常拦截系统基于所述目标会话异常节点对所述候选操作主体的操作活动进行拦截判断。
在第一方面的一种可能的实施方式中，所述基于所述各异常操作活动分布和候选操作主体的目标异常画像知识，确定所述候选操作主体可能触发异常操作的预测会话异常节点的步骤，包括：
针对各个所述异常操作活动分布，确定所述异常操作活动分布对应的第一异常操作决策特征；其中，所述第一异常操作决策特征包含所述异常操作活动分布中的各目标会话异常节点关联于所述异常操作活动分布中的各个异常画像知识的第一关系度；
结合各所述第一异常操作决策特征确定第二异常操作决策特征；其中，所述第二异常操作决策特征包含各个标定会话异常节点关联于各个标定异常画像知识的目标关系度，各所述目标关系度是结合各所述第一异常操作决策特征中所述目标关系度对应的标定会话异常节点关联于所述目标关系度对应的标定异常画像知识的各第一关系度获取到的，各所述标定会话异常节点为各个所述异常操作活动分布对应的目标会话异常节点中的一个目标会话异常节点，各个所述标定异常画像知识为各个所述异常操作活动分布对应的异常画像知识中的一个异常画像知识；
获取候选操作主体的目标异常画像知识，结合所述目标异常画像知识和所述第二异常操作决策特征确定所述候选操作主体可能触发异常操作的预测会话异常节点。
在第一方面的一种可能的实施方式中，针对各个所述异常操作活动分布，确定所述异常操作活动分布对应的第一异常操作决策特征，包括：
针对所述异常操作活动分布中的各目标会话异常节点和各个异常画像知识，确定所述异常操作活动分布中触发所述目标会话异常节点的对应操作的操作主体的第一量化特征和触发所述目标会话异常节点的对应操作且关联于所述异常画像知识的操作主体的第二量化特征，结合所述第一量化特征和所述第二量化特征，确定所述目标会话异常节点关联于所述异常画像知识的第一关系度；
结合所述异常操作活动分布中的各目标会话异常节点对应的各所述第一关系度，确定所述异常操作活动分布对应的第一异常操作决策特征。
在第一方面的一种可能的实施方式中，所述结合各所述第一异常操作决策特征，确定第二异常操作决策特征，包括：
对于各所述标定会话异常节点和各所述标定异常画像知识，确定各所述第一异常操作决策特征中包括所述标定会话异常节点对应的第一关系度的第一异常操作决策特征，结合各所述第一异常操作决策特征的第三量化特征和各所述第一异常操作决策特征中所述标定会话异常节点关联于所述标定异常画像知识的第一关系度，确定所述标定会话异常节点关联于所述标定异常画像知识的融合关系度；
结合各所述标定会话异常节点关联于各个所述标定异常画像知识的融合关系度，确定第二异常操作决策特征；
所述结合各所述标定会话异常节点关联于各个所述标定异常画像知识的融合关系度，确定第二异常操作决策特征，包括：
确定各所述标定异常画像知识对应的先验图卷积特征；其中，所述先验图卷积特征中的一个图实体代表一个所述标定异常画像知识，所述先验图卷积特征中的一个图实体的连通图实体指示的标定异常画像知识为所述图实体指示的标定异常画像知识的连通异常画像知识；
结合所述先验图卷积特征对各所述标定会话异常节点关联于各个所述标定异常画像知识的融合关系度进行更新，确定各所述标定会话异常节点关联于各个所述标定异常画像知识的目标关系度。
在第一方面的一种可能的实施方式中，对于各所述标定会话异常节点和各个所述标定异常画像知识，结合所述先验图卷积特征对所述标定会话异常节点关联于所述标定异常画像知识的融合关系度进行更新，确定所述标定会话异常节点关联于所述标定异常画像知识的目标关系度，包括：
如果所述标定会话异常节点关联于所述标定异常画像知识的融合关系度大于设定门限值，并且所述先验图卷积特征中不包括第一图实体的连通图实体，则将所述标定会话异常节点关联于所述标定异常画像知识的融合关系度确定为所述标定会话异常节点关联于所述标定异常画像知识的目标关系度，所述第一图实体为所述先验图卷积特征中指示所述标定异常画像知识的图实体；
如果所述标定会话异常节点关联于所述标定异常画像知识的融合关系度大于所述设定门限值，并且所述先验图卷积特征中包括所述第一图实体的连通图实体，则将所述标定会话异常节点关联于所述标定异常画像知识的融合关系度和所述标定会话异常节点关联于所述第一图实体的各个连通图实体指示的标定异常画像知识的目标关系度中最大的融合关系度确定为所述标定会话异常节点关联于所述标定异常画像知识的目标关系度；
如果所述标定会话异常节点关联于所述标定异常画像知识的融合关系度不大于所述设定门限值，并且所述先验图卷积特征中的第二图实体包括各第三图实体，结合所述标定会话异常节点关联于所述第一图实体的各个连通图实体指示的标定异常画像知识的目标关系度，确定所述标定会话异常节点关联于所述标定异常画像知识的目标关系度；其中，所述第二图实体包括所述第一图实体的各个连通图实体以及和所述第一图实体产生联系的图实体，并且所述标定会话异常节点关联于各所述第三图实体指示的标定异常画像知识的融合关系度大于所述设定门限值；
如果所述标定会话异常节点关联于所述标定异常画像知识的融合关系度不大于所述设定门限值，并且所述先验图卷积特征中不包括所述第一图实体的连通图实体，或者所述标定会话异常节点关联于所述标定异常画像知识的融合关系度不大于所述设定门限值，并且所述先验图卷积特征中的第二图实体不包括所述第三图实体，将预设关系度确定为所述标定会话异常节点关联于所述标定异常画像知识的目标关系度。
在第一方面的一种可能的实施方式中，所述结合所述目标异常画像知识和所述第二异常操作决策特征，确定所述候选操作主体可能触发异常操作的预测会话异常节点，包括：
结合所述目标异常画像知识和所述第二异常操作决策特征，确定所述候选操作主体与每个所述标定会话异常节点的目标关联度量值；
结合所述候选操作主体与每个所述标定会话异常节点的目标关联度量值，确定所述候选操作主体可能触发异常操作的预测会话异常节点；
对于各所述标定会话异常节点，结合所述目标异常画像知识和所述第二异常操作决策特征，确定所述候选操作主体与所述标定会话异常节点的目标关联度量值，包括：结合所述第二异常操作决策特征，确定各个所述标定异常画像知识对目标会话异常节点的激励参数，结合各所述标定异常画像知识对应的激励参数和所述目标异常画像知识，确定所述候选操作主体与所述标定会话异常节点的目标关联度量值；或者；获取任意一操作主体关联于所述标定会话异常节点的第二关系度，结合所述第二关系度和所述标定会话异常节点关联于各个所述标定异常画像知识的目标关系度，确定所述候选操作主体与所述标定会话异常节点的目标关联度量值；或者；将所述目标异常画像知识和所述第二异常操作决策特征传递至目标会话异常分析模型，确定所述候选操作主体与所述标定会话异常节点的目标关联度量值，其中，所述目标会话异常分析模型是结合所述第二异常操作决策特征进行模型收敛优化生成的。
在第一方面的一种可能的实施方式中，对于各所述标定会话异常节点，所述结合各所述标定异常画像知识对应的激励参数和所述目标异常画像知识，确定所述候选操作主体与所述标定会话异常节点的目标关联度量值，包括：
确定所述目标异常画像知识中的第一异常画像知识；其中，所述目标异常画像知识不包括所述第一异常画像知识的连通异常画像知识；
确定各所述第一异常画像知识与各所述标定异常画像知识中的第一标定异常画像知识的第一共享异常画像知识，结合所述第一共享异常画像知识中的各异常画像知识对应的激励参数，确定所述候选操作主体与所述标定会话异常节点的目标关联度量值；其中，所述标定会话异常节点关联于每个所述第一标定异常画像知识的目标关系度大于门限关系度；
针对各所述标定会话异常节点，所述结合所述第一共享异常画像知识中的各异常画像知识对应的激励参数，确定所述候选操作主体与所述标定会话异常节点的目标关联度量值，包括：
结合所述第一共享异常画像知识中的各异常画像知识对应的激励参数确定所述候选操作主体与所述标定会话异常节点的第一关联度量值；
确定各所述第一标定异常画像知识中的第二标定异常画像知识；其中，各所述第一标定异常画像知识不包括所述第二标定异常画像知识的连通异常画像知识；
确定各所述第二标定异常画像知识与所述目标异常画像知识的第二共享异常画像知识，结合所述第二共享异常画像知识中的各异常画像知识对应的激励参数确定所述候选操作主体与所述标定会话异常节点的第二关联度量值；
结合所述第一关联度量值和所述第二关联度量值，确定所述候选操作主体与所述标定会话异常节点的目标关联度量值。
在第一方面的一种可能的实施方式中，所述结合所述第二关系度和所述标定会话异常节点关联于各个所述标定异常画像知识的目标关系度，确定所述候选操作主体与所述标定会话异常节点的目标关联度量值，包括：
确定所述目标异常画像知识中的第一异常画像知识；其中，所述目标异常画像知识不包括所述第一异常画像知识的连通异常画像知识；
结合所述标定会话异常节点关联于各个所述标定异常画像知识的目标关系度，确定所述标定会话异常节点同时关联于各所述第一异常画像知识的第三关系度；
结合所述第二关系度和所述第三关系度，确定所述候选操作主体与所述标定会话异常节点的目标关联度量值。
在第一方面的一种可能的实施方式中，所述目标会话异常分析模型是结合以下方式进行模型收敛优化生成的：
结合各个所述异常操作活动分布生成多个第一模板异常学习数据集，各所述第一模板异常学习数据集包括一个操作主体关联于一个目标会话异常节点时对应的异常画像知识，各所述第一模板异常学习数据集携带有模型学习比较数据，各所述第一模板异常学习数据集的模型学习比较数据包含对应操作主体触发异常操作的实际目标会话异常节点；
结合所述第二异常操作决策特征，生成各所述第一模板异常学习数据集对应的第二模板异常学习数据集，各所述第二模板异常学习数据集包括一个操作主体关联于一个目标会话异常节点时对应的异常画像知识，各所述第二模板异常学习数据集携带有模型学习比较数据，各所述第二模板异常学习数据集的模型学习比较数据包含对应操作主体触发异常操作的实际目标会话异常节点；其中，每个第一模板异常学习数据集和第二模板异常学习数据集对应相同的操作主体和目标会话异常节点，并且对应于不同的异常画像知识；
将各所述第一模板异常学习数据集和各所述第二模板异常学习数据集中的各异常画像知识传递至基础深度学习网络模型，确定各所述第一模板异常学习数据集和各所述第二模板异常学习数据集对应的操作主体与各所述标定会话异常节点的关联预测值，结合各所述第一模板异常学习数据集对应的操作主体与各所述标定会话异常节点的关联预测值确定所述第一模板异常学习数据集对应的操作主体的目标预测会话异常节点，结合各所述第二模板异常学习数据集对应的操作主体与各所述标定会话异常节点的关联预测值确定所述第二模板异常学习数据集对应的操作主体的目标预测会话异常节点，结合各所述第一模板异常学习数据集和各所述第二模板异常学习数据集的模型学习比较数据所表征的实际目标会话异常节点和各所述第一模板异常学习数据集和各所述第二模板异常学习数据集对应的目标预测会话异常节点，确定模型学习收敛指标，结合所述模型学习收敛指标、各所述第一模板异常学习数据集和各所述第二模板异常学习数据集对所述基础深度学习网络模型进行模型收敛优化，直到所述基础深度学习网络模型满足训练终止条件，将满足训练终止条件的所述基础深度学习网络模型确定为所述目标会话异常分析模型；其中，在模型收敛优化时，针对各个所述第二模板异常学习数据集，基于设定训练遍历策略结合所述第二模板异常学习数据集在对应训练遍历阶段的目标预测会话异常节点，更新所述第二模板异常学习数据集的模型学习比较数据。
第二方面，本申请实施例实施例还提供一种基于线上操作大数据的业务优化系统，所述基于线上操作大数据的业务优化系统包括人工智能优化系统以及与所述人工智能优化系统通信连接的多个线上服务系统；
所述人工智能优化系统，用于：
基于所述线上服务系统生成的业务优化指令获取历史时间段对应的线上操作大数据，并基于所述线上操作大数据确定各异常操作活动分布，各所述异常操作活动分布包括各操作主体触发异常操作的目标会话异常节点以及各操作主体对应的异常画像知识；
基于所述各异常操作活动分布和候选操作主体的目标异常画像知识，确定所述候选操作主体可能触发异常操作的预测会话异常节点；
将所述预测会话异常节点加载至所述候选操作主体关联的页面异常拦截系统，并通过所述页面异常拦截系统基于所述目标会话异常节点对所述候选操作主体的操作活动进行拦截判断。
呈上所述的任意一方面，基于线上操作大数据确定各异常操作活动分布，各异常操作活动分布包括各操作主体触发异常操作的目标会话异常节点以及各操作主体对应的异常画像知识，基于各异常操作活动分布和候选操作主体的目标异常画像知识，确定候选操作主体可能触发异常操作的预测会话异常节点，从而及时加载至关联的页面异常拦截系统中进行后续的拦截判断，由此通过对历史的线上操作大数据进行数据挖掘以便于结合候选操作主体的目标异常画像知识对候选操作主体关联的页面异常拦截系统进行业务优化，提高候选操作主体的页面服务可靠性。
附图说明
图1为本申请实施例实施例提供的基于线上操作大数据的业务优化方法的流程示意图；
图2示出了本申请实施例所提供的用于实现上述的基于线上操作大数据的业务优化方法的人工智能优化系统的组件结构示意图。
具体实施方式
下面介绍本申请实施例一种实施例提供的基于线上操作大数据的业务优化系统10的架构，该基于线上操作大数据的业务优化系统10可以包括人工智能优化系统100以及与人工智能优化系统100通信连接的线上服务系统200。其中，基于线上操作大数据的业务优化系统10中的人工智能优化系统100和线上服务系统200可以通过配合执行以下方法实施例所描述的基于线上操作大数据的业务优化方法，具体人工智能优化系统100和线上服务系统200的执行步骤部分可以参照以下方法实施例的详细描述。
本实施例提供的基于线上操作大数据的业务优化方法可以由人工智能优化系统100执行，下面结合图1对该基于线上操作大数据的业务优化方法进行详细介绍。
Process110：基于所述线上服务系统生成的业务优化指令获取历史时间段对应的线上操作大数据，并基于所述线上操作大数据确定各异常操作活动分布。
一些示例性的设计思路中，各异常操作活动分布包括各操作主体触发异常操作的目标会话异常节点以及各操作主体对应的异常画像知识。其中，异常操作活动分布为线上操作大数据中存在异常操作（如风险操作、安全威胁操作等）的行为数据集，操作主体触发异常操作的目标会话异常节点是目标操作主体直接或者间接操作的会话异常节点，会话异常节点可以是指会话操作过程中存在异常的页面位置（如针对某电商直播页面A中的页面商品下单位置），异常画像知识是对操作主体进行特征表达和描述的画像知识特征，可以包括静态知识特征和/或动态知识特征，静态知识特征为操作主体的固定特征（如基础身份特征），可以构成异常画像知识的基础特征；动态知识特征为操作主体在线上平台上的动态操作特征，包括对会话异常操作的描述特征。
Process120：针对各个异常操作活动分布，确定异常操作活动分布对应的第一异常操作决策特征。
一些示例性的设计思路中，每个异常操作活动分布对应的第一异常操作决策特征包含异常操作活动分布中的各目标会话异常节点关联于异常操作活动分布中的各个异常画像知识的可能性，即第一关系度，也即，其中包含操作主体在触发对异常操作活动分布中的某一目标会话异常节点的操作时，关联于各个异常画像知识的第一关系度。
例如，针对各个异常操作活动分布中的各目标会话异常节点和各个异常画像知识，可确定该异常操作活动分布中该触发操作该目标会话异常节点的操作主体的第一量化特征（即触发操作该目标会话异常节点的操作主体的总数）和该触发操作该目标会话异常节点且关联于该异常画像知识的操作主体的第二量化特征（即触发操作该目标会话异常节点，同时关联于该异常画像知识的操作主体的总数）。一些示例性的设计思路中，针对各个异常操作活动分布中的各目标会话异常节点和各个异常画像知识，可将该触发操作该目标会话异常节点且关联于该异常画像知识的操作主体的第二量化特征与该触发操作该目标会话异常节点的操作主体的第一量化特征比例计算那结果确定为该目标会话异常节点关联于该异常画像知识的第一关系度。
Process130：结合各第一异常操作决策特征，确定第二异常操作决策特征。
一些示例性的设计思路中，因为不同异常操作活动分布中操作主体触发异常操作的目标会话异常节点和对应的异常画像知识可能存在误差，致使对应的第一异常操作决策特征中的各个关系度可能和实际关系度存在偏移，为提高任一个目标会话异常节点关联于任一个异常画像知识的第一关系度的可靠性，可以把各个异常操作活动分布对应的第一异常操作决策特征进行融合，以获得第二异常操作决策特征。第二异常操作决策特征包含各个标定会话异常节点关联于各个标定异常画像知识的目标关系度，各个标定会话异常节点为各异常操作活动分布对应的全部目标会话异常节点中的一个目标会话异常节点，各个标定异常画像知识为各个异常操作活动分布对应的所有异常画像知识中的一个异常画像知识。
比如，以上所述标定会话异常节点可以是每个第一异常操作决策特征中都具有的目标会话异常节点，以上所述标定异常画像知识是每个第一异常操作决策特征中都具有的异常画像知识。另外，以上所述的标定会话异常节点还可以是在每个第一异常操作决策特征中的出现次数超过预设次数的目标会话异常节点，以上所述的标定异常画像知识可以是每个标定会话异常节点在各第一异常操作决策特征中对应的全部异常画像知识。又比如，以上所述的标定会话异常节点可以是各第一异常操作决策特征对应的全部目标会话异常节点，以上所述的标定异常画像知识是每个第一异常操作决策特征中对应的全部异常画像知识。
对于第二异常操作决策特征中的每个目标关系度，该目标关系度是结合所有第一异常操作决策特征中该目标关系度对应的标定会话异常节点关联于该目标关系度对应的标定异常画像知识的每个第一关系度获取到的。详细而言，对于各个标定会话异常节点和各个标定异常画像知识，可以在全部第一异常操作决策特征中确定出该标定会话异常节点关联于该向标定异常画像知识的各个第一关系度，然后将获得的各个第一关系度的平均关系度作为该标定会话异常节点关联于该标定异常画像知识的目标关系度。另外，可以确定各个第一异常操作决策特征的信任值，每个第一异常操作决策特征的信任值用于指示该第一异常操作决策特征的可靠性，同时指示对应异常操作活动分布的可靠性。将标定会话异常节点关联于标定异常画像知识的每个第一关系度和相应的信任值加权并求和获得标定会话异常节点关联于标定异常画像知识的目标关系度。
一些示例性的设计思路中，对于各个标定会话异常节点和各标定异常画像知识，可确定各第一异常操作决策特征中包括该标定会话异常节点的第一关系度的异常操作决策特征(即第一异常操作决策特征)，也即，在各第一异常操作决策特征中获取包括该标定会话异常节点的关联信息的第一异常操作决策特征。之后，获取各第一异常操作决策特征的第三量化特征和每个第一异常操作决策特征中该标定会话异常节点关联于该标定异常画像知识的第一关系度，确定该标定会话异常节点关联于该标定异常画像知识的融合关系度。比如，将每个第一异常操作决策特征中该标定会话异常节点关联于该标定异常画像知识的第一关系度的相加关系度，将该相加关系度和第一异常操作决策特征的第三量化特征的比值确定为该标定会话异常节点关联于该标定异常画像知识的融合关系度。另一些示例性的设计思路中，还可获取每个第一异常操作决策特征的信任值，将每个第一异常操作决策特征中该标定会话异常节点关联于该标定异常画像知识的第一关系度和对应的第一异常操作决策特征的信任值进行乘积计算，然后将各第一异常操作决策特征对应的乘积计算进行相加生成相加值。将该相加值与第一异常操作决策特征的第三量化特征的比值确定为该标定会话异常节点关联于该标定异常画像知识的融合关系度。结合以上所述的过程可得到各个标定会话异常节点关联于各个标定异常画像知识的融合关系度，然后结合各融合关系度确定第二异常操作决策特征。
一些示例性的设计思路中，在结合各个标定会话异常节点关联于各个标定异常画像知识的融合关系度，确定第二异常操作决策特征的过程中，对于各个标定会话异常节点和各个标定异常画像知识，可将该标定会话异常节点关联于该标定异常画像知识的融合关系度确定为该标定会话异常节点关联于该标定异常画像知识的目标关系度，进而结合各个标定会话异常节点关联于各个标定异常画像知识的目标关系度确定出第二异常操作决策特征。
一些示例性的设计思路中，针对各标定异常画像知识，各标定异常画像知识中，一个标定异常画像知识可能是另一个标定异常画像知识的连通异常画像知识，示例性地，标定异常画像知识{支付异常画像}为{资金转入异常画像}的连通异常画像知识。此外，对于各个标定会话异常节点和各标定异常画像知识来讲，该标定会话异常节点关联于该标定异常画像知识的关系度必然大于该标定会话异常节点关联于该标定异常画像知识的连通异常画像知识的关系度。由此，为提高第二异常操作决策特征的可靠性，可以先生成各标定异常画像知识对应的先验图卷积特征，该先验图卷积特征包含各标定异常画像知识之间的关联关系，先验图卷积特征包含多个图实体，一个图实体代表一个标定异常画像知识，同时先验图卷积特征中的一个图实体的连通图实体指示的标定异常画像知识为该图实体指示的标定异常画像知识的连通异常画像知识。
在生成各标定异常画像知识对应的先验图卷积特征后，可结合先验图卷积特征对各个标定会话异常节点关联于各个标定异常画像知识的融合关系度进行更新，确定各个标定会话异常节点关联于各个标定异常画像知识的目标关系度。
对于各个标定会话异常节点和各个标定异常画像知识，若该标定会话异常节点关联于该标定异常画像知识的融合关系度大于设定门限值，并且先验图卷积特征中不包括第一图实体(即先验图卷积特征中指示该标定异常画像知识的图实体)的连通图实体，则将该标定会话异常节点关联于该标定异常画像知识的融合关系度确定为该标定会话异常节点关联于该标定异常画像知识的目标关系度。
对于各个标定会话异常节点和各个标定异常画像知识，若该标定会话异常节点关联于该标定异常画像知识的融合关系度大于设定门限值，并且先验图卷积特征中不包括第一图实体的连通图实体，则将该标定会话异常节点关联于该标定异常画像知识的融合关系度和该标定会话异常节点关联于第一图实体的各个连通图实体指示的标定异常画像知识(标定异常画像知识的连通异常画像知识)的目标关系度，确定为该标定会话异常节点关联于该标定异常画像知识的目标关系度。例如将该标定会话异常节点关联于该标定异常画像知识的融合关系度和该标定会话异常节点关联于该标定异常画像知识的每个连通异常画像知识的目标关系度中的最大关系度确定为该标定会话异常节点关联于该标定异常画像知识的目标关系度。
对于各个标定会话异常节点和各个标定异常画像知识，若该标定会话异常节点关联于该标定异常画像知识的融合关系度不大于设定门限值，并且先验图卷积特征中的第二图实体包括各第三图实体，则结合该标定会话异常节点关联于第一图实体的各个连通图实体指示的标定异常画像知识(即该标定异常画像知识的各连通异常画像知识)的目标关系度，确定该标定会话异常节点关联于该标定异常画像知识的目标关系度。其中，第二图实体包括第一图实体的各个连通图实体以及和第一图实体产生联系的图实体(即第一图实体的全部连通图实体)，且该标定会话异常节点关联于各第三图实体指示的标定异常画像知识的融合关系度大于设定门限值。
对于各个标定会话异常节点和各个标定异常画像知识，若该标定会话异常节点关联于该标定异常画像知识的融合关系度不大于设定门限值，并且先验图卷积特征中不包括第一图实体的连通图实体(不包括该标定异常画像知识的连通异常画像知识)，或者该标定会话异常节点关联于该标定异常画像知识的融合关系度不大于设定门限值，并且第二图实体不包括第三图实体(指示该标定异常画像知识的图实体的全部连通图实体指示的标定异常画像知识中，不具有对应融合关系度大于设定门限值的标定异常画像知识)，则将预设关系度确定为该标定会话异常节点关联于该标定异常画像知识的目标关系度。
一些示例性的设计思路中，针对任一异常画像知识而言，如果操作主体关联于该异常画像知识的连通异常画像知识，则操作主体一定会关联于该异常画像知识。那么，在确定出各标定异常画像知识对应的先验图卷积特征后，可对连通异常画像知识所对应的上层异常画像知识补充，并且针对各个标定会话异常节点，可将该标定会话异常节点关联于该上层异常画像知识的融合关系度进行分配，该分配结果不小于该目标会话异常节点关联于该上层异常画像知识的任一连通异常画像知识的融合关系度。基于此，可将父连通异常画像知识一并确定为标定异常画像知识，以进一步结合补充完成的先验图卷积特征对各个标定会话异常节点关联于各个标定异常画像知识的融合关系度进行更新，获得各个标定会话异常节点关联于各个标定异常画像知识的目标关系度。
Process140：确定候选操作主体的目标异常画像知识，结合所述目标异常画像知识和第二异常操作决策特征，确定候选操作主体可能触发异常操作的预测会话异常节点。
一些示例性的设计思路中，在确定候选操作主体可能触发异常操作的预测会话异常节点时，可先结合候选操作主体的目标异常画像知识和第二异常操作决策特征，确定候选操作主体与以上所述的每个标定会话异常节点的目标关联度量值。例如，在得到候选操作主体与每个标定会话异常节点的目标关联度量值后，可选择最大的目标关联度量值对应的标定会话异常节点确定为候选操作主体的目标会话异常节点。另外，对于各个标定会话异常节点，还可确定该标定会话异常节点对应的影响权重，包括候选操作主体与该标定会话异常节点的目标关联度量值以及该标定会话异常节点全部标定会话异常节点中的排列值。示例性地，对于标定会话异常节点F，标定会话异常节点F对应的影响权重RF可通过如下公式计算得到：RF＝(T-PF，L)。L为候选操作主体与该标定会话异常节点的目标关联度量值；PF为标定会话异常节点F在全部标定会话异常节点中的排列值，其为大于等于1的正整数。若T-PF大于预设排列值，L大于预设关联度量值，确定候选操作主体关联于标定会话异常节点F。
一些示例性的设计思路中，在确定候选操作主体与各标定会话异常节点的目标关联度量值时，对于各个标定会话异常节点，可结合第二异常操作决策特征，确定各个标定异常画像知识对目标会话异常节点的激励参数。标定异常画像知识对目标会话异常节点的激励参数越大，则该标定异常画像知识对目标会话异常节点的影响雨大。针对各个标定异常画像知识，将该标定会话异常节点关联于该标定异常画像知识的目标关系度大于预设门限关系度时确定该标定会话异常节点包括该标定异常画像知识，此时可结合标定会话异常节点的全局数量和包括该标定异常画像知识的标定会话异常节点的总数目，确定该标定异常画像知识对目标会话异常节点的激励参数。
例如，设异常画像知识g的目标会话异常节点激励参数为Ng，则：
Ng=log（S/∑（K1-KS））；
K=1（if，x＞f）；
K=0（if，x＜f）；
上述公式中，S为标定会话异常节点的总数目；f为门限关系度；x为标定会话异常节点关联于标定异常画像知识g的目标关系度；x大于门限关系度时K等于1，此时标定会话异常节点包括标定会话异常节点g；x不大于门限关系度时K等于0，此时标定会话异常节点不包括标定会话异常节点g。∑（K1-Km）代表包括标定异常画像知识g的标定会话异常节点的总数目。
针对各个标定会话异常节点，在结合第二异常操作决策特征，确定各个标定异常画像知识对目标会话异常节点的激励参数后，可结合各标定异常画像知识对应的激励参数所述目标异常画像知识，确定候选操作主体与该标定会话异常节点的目标关联度量值。
例如，确定所述目标异常画像知识中的第一异常画像知识，所述目标异常画像知识不包括任一第一异常画像知识的连通异常画像知识。也即，将所述目标异常画像知识中位于末端的目标异常画像知识确定为第一异常画像知识，此外，多个第一异常画像知识中不具备一个第一异常画像知识是另一个第一异常画像知识的连通异常画像知识的情况。另外，可确定各标定异常画像知识中的第一标定异常画像知识，该标定会话异常节点关联于每个第一标定异常画像知识的目标关系度大于以上所述的门限关系度。之后，可确定各第一异常画像知识与各第一标定异常画像知识的第一共享异常画像知识，结合第一共享异常画像知识中的各异常画像知识对应的激励参数，确定候选操作主体与该标定会话异常节点的目标关联度量值。
一些示例性的设计思路中，针对各目标预测会话异常节点，可先结合第一共享异常画像知识中的各异常画像知识对应的激励参数确定候选操作主体与该目标预测会话异常节点的第一关联度量值，对于标定会话异常节点，可将目标关联度量值确定为候选操作主体与目标预测会话异常节点的第一关联度量值。再确定各第一标定异常画像知识中的第二标定异常画像知识；其中，各第一标定异常画像知识不包括任一第一标定异常画像知识的连通异常画像知识。也即，将各第一标定异常画像知识中末端的第一标定异常画像知识确定为第二标定异常画像知识，且各第二标定异常画像知识中不具备该种情形：一个第二标定异常画像知识是另一个第二标定异常画像知识的连通异常画像知识。
此外，可确定各第二标定异常画像知识与所述目标异常画像知识的第二共享异常画像知识，结合第二共享异常画像知识中的各异常画像知识对应的激励参数，确定候选操作主体与该标定会话异常节点的第二关联度量值。对于各个标定会话异常节点，在确定出候选操作主体与该标定会话异常节点的目标关联度量值之后，可结合对应的第一关联度量值和第二关联度量值，确定候选操作主体与该标定会话异常节点的目标关联度量值。
一些示例性的设计思路中，在确定候选操作主体与各标定会话异常节点的目标关联度量值的过程中，针对各个标定会话异常节点，可先获取任意一操作主体关联于该标定会话异常节点的第二关系度，进而结合该标定会话异常节点关联于各个标定异常画像知识的目标关系度，确定候选操作主体与该标定会话异常节点的目标关联度量值，任一操作主体关联于该标定会话异常节点的第二关系度为根据先验知识得到的关系度。
比如，先确定所述目标异常画像知识中的第一异常画像知识，例如获取所述目标异常画像知识中的第一异常画像知识，所述目标异常画像知识不包括任一第一异常画像知识的连通异常画像知识。也即，将所述目标异常画像知识中末端的目标异常画像知识确定为第一异常画像知识，且各第一异常画像知识中不具备下述情况：一个第一异常画像知识是另一第一异常画像知识的连通异常画像知识。之后，如果各标定异常画像知识包括各第一异常画像知识，可结合该标定会话异常节点关联于各个标定异常画像知识的目标关系度，确定该标定会话异常节点同时关联于各第一异常画像知识的第三关系度。也即，可结合第二异常操作决策特征确定该标定会话异常节点关联于每个第一异常画像知识的目标关系度，然后结合该标定会话异常节点关联于每个第一异常画像知识的目标关系度确定该标定会话异常节点同时关联于各第一异常画像知识的第三关系度，并将第三关系度确定为候选操作主体与该标定会话异常节点的目标关联度量值。对于标定会话异常节点，在标定会话异常节点关联于每个第一异常画像知识的目标关系度彼此不相关时，该标定会话异常节点同时关联于各第一异常画像知识的第三关系度可以是将标定会话异常节点关联于第一异常画像知识集合中的各个第一异常画像知识的目标关系度进行连续求积得到。
一些示例性的设计思路中，在确定候选操作主体与每个标定会话异常节点的目标关联度量值的过程中，还可以将候选操作主体的所述目标异常画像知识和所述第二异常操作决策特征传递至目标会话异常分析模型，确定候选操作主体与每个标定会话异常节点的目标关联度量值，以上所述的目标会话异常分析模型是结合第二异常操作决策特征进行模型收敛优化生成的深度神经网络模型，如LSTM等。在训练目标会话异常分析模型时，可结合各异常操作活动分布生成第一模板异常学习数据集，第一模板异常学习数据集包括多个第一模板异常学习数据集，每个第一模板异常学习数据集包括一个操作主体关联于一个目标会话异常节点时对应的异常画像知识，每个第一模板异常学习数据集携带有模型学习比较数据，每个第一模板异常学习数据集的模型学习比较数据包含对应操作主体触发异常操作的实际目标会话异常节点。可结合第二异常操作决策特征生成每个第一模板异常学习数据集对应的第二模板异常学习数据集，每个第二模板异常学习数据集也包含一个操作主体关联于一个目标会话异常节点史对应的异常画像知识，同时每个第二模板异常学习数据集同样携带有模型学习比较数据，每个第二模板异常学习数据集的模型学习比较数据包含对应操作主体触发异常操作的实际目标会话异常节点。每个第一模板异常学习数据集和第二模板异常学习数据集对应相同的操作主体和目标会话异常节点，同时，对应于不同的异常画像知识。
针对各个第一模板异常学习数据集，可结合第二异常操作决策特征，确定第一模板异常学习数据集对应的目标会话异常节点关联于该第一模板异常学习数据集中的各个异常画像知识的目标关系度。之后，将该第一模板异常学习数据集中目标关系度小于生成预设关系度的异常画像知识确定为对应的第二模板异常学习数据集中的异常画像知识，同时，将该第一模板异常学习数据集对应的操作主体和目标会话异常节点确定为该第二模板异常学习数据集对应的操作主体和目标会话异常节点，以在维持第一模板异常学习数据集对应的操作主体和目标会话异常节点不调整的基础上基于更换第一模板异常学习数据集中的异常画像知识生成对应的第二模板异常学习数据集。
针对各个第一模板异常学习数据集而言，因为第一模板异常学习数据集对应的目标会话异常节点关联于该第一模板异常学习数据集中的各个异常画像知识的目标关系度互不影响，则可为各个异常画像知识确定一个生成门限值。对于各个异常画像知识，如果该异常画像知识对应的目标关系度小于对应的生成门限值，那么保留该异常画像知识，否则移除该异常画像知识，基于此获得对应第二模板异常学习数据集中的各异常画像知识，以令第二模板异常学习数据集中的各异常画像知识为对应目标会话异常节点关联于关系度较低的异常画像知识，使得目标会话异常分析模型的训练可靠性更高。
在确定出每个第二模板异常学习数据集后，如果该第二模板异常学习数据集中是其他上层异常画像知识的连通异常画像知识的异常画像知识，那么将该异常画像知识对应的上层异常画像知识一并确定为该第二模板异常学习数据集中的异常画像知识。在生成各个第二模板异常学习数据集后，将每个第一模板异常学习数据集和每个第二模板异常学习数据集中的每个异常画像知识传递至基础深度学习网络模型，获取每个第一模板异常学习数据集和每个第二模板异常学习数据集对应的操作主体与各标定会话异常节点的关联预测值，结合每个第一模板异常学习数据集对应的操作主体与各标定会话异常节点的关联预测值确定该第一模板异常学习数据集对应的操作主体的目标预测会话异常节点，结合每个第二模板异常学习数据集对应的操作主体与各标定会话异常节点的关联预测值确定该第二模板异常学习数据集对应的操作主体的目标预测会话异常节点，结合各第一模板异常学习数据集和各第二模板异常学习数据集的模型学习比较数据所表征的实际目标会话异常节点和每个第一模板异常学习数据集和每个第二模板异常学习数据集对应的目标预测会话异常节点，确定模型学习收敛指标（损失函数值），结合模型学习收敛指标和每个第一模板异常学习数据集和每个第二模板异常学习数据集对基础深度学习网络模型进行模型收敛优化，直到基础深度学习网络模型满足训练终止条件，将满足训练终止条件的该基础深度学习网络模型确定为目标会话异常分析模型。在模型收敛优化时，针对各个第二模板异常学习数据集，基于设定训练遍历策略结合该第二模板异常学习数据集在对应训练遍历阶段的目标预测会话异常节点，更新该第二模板异常学习数据集的模型学习比较数据。一些设计思路中，模型学习收敛指标的可以采用交叉熵损失函数进行确定
Process150：将预测会话异常节点加载至候选操作主体关联的页面异常拦截系统，并通过所述页面异常拦截系统基于所述目标会话异常节点对所述候选操作主体的操作活动进行拦截判断。
候选操作主体可能会在不同的页面服务器上进行页面登陆，本申请实施例对于会话异常节点的确定是针对操作主体的，可以将预测会话异常节点加载至候选操作主体关联的页面异常拦截系统，这与在该候选操作主体在触发对该预测会话异常节点的操作时及时执行页面拦截并进行安全性提示，以便于指导该候选操作主体基于该安全性提示的内容进行下一步操作，如进行进一步的安全性更强的身份识别操作等。
由此，本申请实施例通过确定每个异常操作活动分布对应的第一异常操作决策特征，可暂时获得每个异常操作活动分布中的各目标会话异常节点关联于各异常画像知识的第一关系度，然后将各第一异常操作决策特征进行整合，获得可以准确指示各个标定会话异常节点关联于各个标定异常画像知识的目标关系度的第二异常操作决策特征，基于此，在结合第二异常操作决策特征确定候选操作主体的目标会话异常节点时由此便于后续结合第二异常操作决策特征准确确定候选操作主体可能触发异常操作的预测会话异常节点，从而及时加载至关联的页面异常拦截系统中进行后续的预拦截操作。
对于一个实施例，图2示出了人工智能优化系统100，该人工智能优化系统100具有一个或多个处理器102、被耦合到(一个或多个)处理器102中的至少一个的控制模块(芯片组)104、被耦合到控制模块104的存储器106、被耦合到控制模块104的非易失性存储器(NVM)/存储设备108、被耦合到控制模块104的一个或多个输入/输出设备110，和被耦合到控制模块106的网络接口112。
处理器102可包括一个或多个单核或多核处理器，处理器102可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。在一些实施例中，人工智能优化系统100能够作为一些示例性的设计思路中所述网关等服务器设备。
在一些实施例中，人工智能优化系统100可包括具有指令114的一个或多个计算机可读介质(例如，存储器106或NVM/存储设备108)和与该一个或多个计算机可读介质相合并用于执行指令114以实现模块从而执行本公开中所述的动作的一个或多个处理器102。
对于一个实施例，控制模块104可包括任意适当的接口控制器，以向(一个或多个)处理器102中的至少一个和/或与控制模块104通信的任意适当的设备或组件提供任意适当的接口。
控制模块104可包括存储器控制器模块，以向存储器106提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。
存储器106可被用于例如为人工智能优化系统100加载和存储数据和/或指令114。对于一个实施例，存储器106可包括任意适当的易失性存储器，例如，适当的DRAM。在一些实施例中，存储器106可包括双倍数据速率类型四同步动态随机存取存储器(DDR4SDRAM)。
对于一个实施例，控制模块104可包括一个或多个输入/输出控制器，以向NVM/存储设备108及(一个或多个)输入/输出设备110提供接口。
例如，NVM/存储设备108可被用于存储数据和/或指令114。NVM/存储设备108可包括任意适当的非易失性存储器(例如，闪存)和/或可包括任意适当的(一个或多个)非易失性存储设备(例如，一个或多个硬盘驱动器(HDD)、一个或多个光盘(CD)驱动器和/或一个或多个数字通用光盘(DVD)驱动器)。
NVM/存储设备108可包括在物理上作为人工智能优化系统100被安装在其上的设备的一部分的存储资源，或者其可被该设备访问可不必作为该设备的一部分。例如，NVM/存储设备108可依据网络经由(一个或多个)输入/输出设备110进行访问。
(一个或多个)输入/输出设备110可为人工智能优化系统100提供接口以与任意其他适当的设备通信，输入/输出设备110可以包括通信组件、拼音组件、传感器组件等。网络接口112可为人工智能优化系统100提供接口以依据一个或多个网络通信，人工智能优化系统100可根据一个或多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的一个或多个组件进行无线通信，例如接入基于通信标准的无线网络，如WiFi、2G、3G、4G、5G等，或它们的组合进行无线通信。
对于一个实施例，(一个或多个)处理器102中的至少一个可与控制模块104的一个或多个控制器(例如，存储器控制器模块)的逻辑封装在一起。对于一个实施例，(一个或多个)处理器102中的至少一个可与控制模块104的一个或多个控制器的逻辑封装在一起以形成系统级封装(SiP)。对于一个实施例，(一个或多个)处理器102中的至少一个可与控制模块104的一个或多个控制器的逻辑集成在同一模具上。对于一个实施例，(一个或多个)处理器102中的至少一个可与控制模块104的一个或多个控制器的逻辑集成在同一模具上以形成片上系统(SoC)。
本发明又一实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如上述任一实施例所述的基于线上操作大数据的业务优化方法。
本发明又一实施例还提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如上述任一实施例所述的基于线上操作大数据的业务优化方法。
以上所述仅是本申请部分实施场景的可选实施方式，应当指出，对于本技术领域的普通技术人员而言，在不脱离本申请的方案技术构思的前提下，结合基于本申请技术思想的其它类似实施手段，同样属于本申请实施例的保护范畴。
Claims (10)
1.一种基于线上操作大数据的业务优化方法，其特征在于，应用于人工智能优化系统，所述人工智能优化系统与所述多个线上服务系统通信连接，所述方法包括：
基于所述线上服务系统生成的业务优化指令获取历史时间段对应的线上操作大数据，并基于所述线上操作大数据确定各异常操作活动分布，各所述异常操作活动分布包括各操作主体触发异常操作的目标会话异常节点以及各操作主体对应的异常画像知识；
基于所述各异常操作活动分布和候选操作主体的目标异常画像知识，确定所述候选操作主体可能触发异常操作的预测会话异常节点；
将所述预测会话异常节点加载至所述候选操作主体关联的页面异常拦截系统，并通过所述页面异常拦截系统基于所述目标会话异常节点对所述候选操作主体的操作活动进行拦截判断。
2.根据权利要求1所述的基于线上操作大数据的业务优化方法，其特征在于，所述基于所述各异常操作活动分布和候选操作主体的目标异常画像知识，确定所述候选操作主体可能触发异常操作的预测会话异常节点的步骤，包括：
针对各个所述异常操作活动分布，确定所述异常操作活动分布对应的第一异常操作决策特征；其中，所述第一异常操作决策特征包含所述异常操作活动分布中的各目标会话异常节点关联于所述异常操作活动分布中的各个异常画像知识的第一关系度；
结合各所述第一异常操作决策特征确定第二异常操作决策特征；其中，所述第二异常操作决策特征包含各个标定会话异常节点关联于各个标定异常画像知识的目标关系度，各所述目标关系度是结合各所述第一异常操作决策特征中所述目标关系度对应的标定会话异常节点关联于所述目标关系度对应的标定异常画像知识的各第一关系度获取到的，各所述标定会话异常节点为各个所述异常操作活动分布对应的目标会话异常节点中的一个目标会话异常节点，各个所述标定异常画像知识为各个所述异常操作活动分布对应的异常画像知识中的一个异常画像知识；
获取候选操作主体的目标异常画像知识，结合所述目标异常画像知识和所述第二异常操作决策特征确定所述候选操作主体可能触发异常操作的预测会话异常节点。
3.根据权利要求2所述的基于线上操作大数据的业务优化方法，其特征在于，针对各个所述异常操作活动分布，确定所述异常操作活动分布对应的第一异常操作决策特征，包括：
针对所述异常操作活动分布中的各目标会话异常节点和各个异常画像知识，确定所述异常操作活动分布中触发所述目标会话异常节点的对应操作的操作主体的第一量化特征和触发所述目标会话异常节点的对应操作且关联于所述异常画像知识的操作主体的第二量化特征，结合所述第一量化特征和所述第二量化特征，确定所述目标会话异常节点关联于所述异常画像知识的第一关系度；
结合所述异常操作活动分布中的各目标会话异常节点对应的各所述第一关系度，确定所述异常操作活动分布对应的第一异常操作决策特征。
4.根据权利要求2所述的基于线上操作大数据的业务优化方法，其特征在于，所述结合各所述第一异常操作决策特征，确定第二异常操作决策特征，包括：
对于各所述标定会话异常节点和各所述标定异常画像知识，确定各所述第一异常操作决策特征中包括所述标定会话异常节点对应的第一关系度的第一异常操作决策特征，结合各所述第一异常操作决策特征的第三量化特征和各所述第一异常操作决策特征中所述标定会话异常节点关联于所述标定异常画像知识的第一关系度，确定所述标定会话异常节点关联于所述标定异常画像知识的融合关系度；
结合各所述标定会话异常节点关联于各个所述标定异常画像知识的融合关系度，确定第二异常操作决策特征；
所述结合各所述标定会话异常节点关联于各个所述标定异常画像知识的融合关系度，确定第二异常操作决策特征，包括：
确定各所述标定异常画像知识对应的先验图卷积特征；其中，所述先验图卷积特征中的一个图实体代表一个所述标定异常画像知识，所述先验图卷积特征中的一个图实体的连通图实体指示的标定异常画像知识为所述图实体指示的标定异常画像知识的连通异常画像知识；
结合所述先验图卷积特征对各所述标定会话异常节点关联于各个所述标定异常画像知识的融合关系度进行更新，确定各所述标定会话异常节点关联于各个所述标定异常画像知识的目标关系度。
5.根据权利要求4所述的基于线上操作大数据的业务优化方法，其特征在于，对于各所述标定会话异常节点和各个所述标定异常画像知识，结合所述先验图卷积特征对所述标定会话异常节点关联于所述标定异常画像知识的融合关系度进行更新，确定所述标定会话异常节点关联于所述标定异常画像知识的目标关系度，包括：
如果所述标定会话异常节点关联于所述标定异常画像知识的融合关系度大于设定门限值，并且所述先验图卷积特征中不包括第一图实体的连通图实体，则将所述标定会话异常节点关联于所述标定异常画像知识的融合关系度确定为所述标定会话异常节点关联于所述标定异常画像知识的目标关系度，所述第一图实体为所述先验图卷积特征中指示所述标定异常画像知识的图实体；
如果所述标定会话异常节点关联于所述标定异常画像知识的融合关系度大于所述设定门限值，并且所述先验图卷积特征中包括所述第一图实体的连通图实体，则将所述标定会话异常节点关联于所述标定异常画像知识的融合关系度和所述标定会话异常节点关联于所述第一图实体的各个连通图实体指示的标定异常画像知识的目标关系度中最大的融合关系度确定为所述标定会话异常节点关联于所述标定异常画像知识的目标关系度；
如果所述标定会话异常节点关联于所述标定异常画像知识的融合关系度不大于所述设定门限值，并且所述先验图卷积特征中的第二图实体包括各第三图实体，结合所述标定会话异常节点关联于所述第一图实体的各个连通图实体指示的标定异常画像知识的目标关系度，确定所述标定会话异常节点关联于所述标定异常画像知识的目标关系度；其中，所述第二图实体包括所述第一图实体的各个连通图实体以及和所述第一图实体产生联系的图实体，并且所述标定会话异常节点关联于各所述第三图实体指示的标定异常画像知识的融合关系度大于所述设定门限值；
如果所述标定会话异常节点关联于所述标定异常画像知识的融合关系度不大于所述设定门限值，并且所述先验图卷积特征中不包括所述第一图实体的连通图实体，或者所述标定会话异常节点关联于所述标定异常画像知识的融合关系度不大于所述设定门限值，并且所述先验图卷积特征中的第二图实体不包括所述第三图实体，将预设关系度确定为所述标定会话异常节点关联于所述标定异常画像知识的目标关系度。
6.根据权利要求2所述的基于线上操作大数据的业务优化方法，其特征在于，所述结合所述目标异常画像知识和所述第二异常操作决策特征，确定所述候选操作主体可能触发异常操作的预测会话异常节点，包括：
结合所述目标异常画像知识和所述第二异常操作决策特征，确定所述候选操作主体与每个所述标定会话异常节点的目标关联度量值；
结合所述候选操作主体与每个所述标定会话异常节点的目标关联度量值，确定所述候选操作主体可能触发异常操作的预测会话异常节点；
对于各所述标定会话异常节点，结合所述目标异常画像知识和所述第二异常操作决策特征，确定所述候选操作主体与所述标定会话异常节点的目标关联度量值，包括：结合所述第二异常操作决策特征，确定各个所述标定异常画像知识对目标会话异常节点的激励参数，结合各所述标定异常画像知识对应的激励参数和所述目标异常画像知识，确定所述候选操作主体与所述标定会话异常节点的目标关联度量值；或者；获取任意一操作主体关联于所述标定会话异常节点的第二关系度，结合所述第二关系度和所述标定会话异常节点关联于各个所述标定异常画像知识的目标关系度，确定所述候选操作主体与所述标定会话异常节点的目标关联度量值；或者；将所述目标异常画像知识和所述第二异常操作决策特征传递至目标会话异常分析模型，确定所述候选操作主体与所述标定会话异常节点的目标关联度量值，其中，所述目标会话异常分析模型是结合所述第二异常操作决策特征进行模型收敛优化生成的。
7.根据权利要求6所述的基于线上操作大数据的业务优化方法，其特征在于，对于各所述标定会话异常节点，所述结合各所述标定异常画像知识对应的激励参数和所述目标异常画像知识，确定所述候选操作主体与所述标定会话异常节点的目标关联度量值，包括：
确定所述目标异常画像知识中的第一异常画像知识；其中，所述目标异常画像知识不包括所述第一异常画像知识的连通异常画像知识；
确定各所述第一异常画像知识与各所述标定异常画像知识中的第一标定异常画像知识的第一共享异常画像知识，结合所述第一共享异常画像知识中的各异常画像知识对应的激励参数，确定所述候选操作主体与所述标定会话异常节点的目标关联度量值；其中，所述标定会话异常节点关联于每个所述第一标定异常画像知识的目标关系度大于门限关系度；
针对各所述标定会话异常节点，所述结合所述第一共享异常画像知识中的各异常画像知识对应的激励参数，确定所述候选操作主体与所述标定会话异常节点的目标关联度量值，包括：
结合所述第一共享异常画像知识中的各异常画像知识对应的激励参数确定所述候选操作主体与所述标定会话异常节点的第一关联度量值；
确定各所述第一标定异常画像知识中的第二标定异常画像知识；其中，各所述第一标定异常画像知识不包括所述第二标定异常画像知识的连通异常画像知识；
确定各所述第二标定异常画像知识与所述目标异常画像知识的第二共享异常画像知识，结合所述第二共享异常画像知识中的各异常画像知识对应的激励参数确定所述候选操作主体与所述标定会话异常节点的第二关联度量值；
结合所述第一关联度量值和所述第二关联度量值，确定所述候选操作主体与所述标定会话异常节点的目标关联度量值。
8.根据权利要求6所述的基于线上操作大数据的业务优化方法，其特征在于，所述结合所述第二关系度和所述标定会话异常节点关联于各个所述标定异常画像知识的目标关系度，确定所述候选操作主体与所述标定会话异常节点的目标关联度量值，包括：
确定所述目标异常画像知识中的第一异常画像知识；其中，所述目标异常画像知识不包括所述第一异常画像知识的连通异常画像知识；
结合所述标定会话异常节点关联于各个所述标定异常画像知识的目标关系度，确定所述标定会话异常节点同时关联于各所述第一异常画像知识的第三关系度；
结合所述第二关系度和所述第三关系度，确定所述候选操作主体与所述标定会话异常节点的目标关联度量值。
9.根据权利要求6所述的基于线上操作大数据的业务优化方法，其特征在于，所述目标会话异常分析模型是结合以下方式进行模型收敛优化生成的：
结合各个所述异常操作活动分布生成多个第一模板异常学习数据集，各所述第一模板异常学习数据集包括一个操作主体关联于一个目标会话异常节点时对应的异常画像知识，各所述第一模板异常学习数据集携带有模型学习比较数据，各所述第一模板异常学习数据集的模型学习比较数据包含对应操作主体触发异常操作的实际目标会话异常节点；
结合所述第二异常操作决策特征，生成各所述第一模板异常学习数据集对应的第二模板异常学习数据集，各所述第二模板异常学习数据集包括一个操作主体关联于一个目标会话异常节点时对应的异常画像知识，各所述第二模板异常学习数据集携带有模型学习比较数据，各所述第二模板异常学习数据集的模型学习比较数据包含对应操作主体触发异常操作的实际目标会话异常节点；其中，每个第一模板异常学习数据集和第二模板异常学习数据集对应相同的操作主体和目标会话异常节点，并且对应于不同的异常画像知识；
将各所述第一模板异常学习数据集和各所述第二模板异常学习数据集中的各异常画像知识传递至基础深度学习网络模型，确定各所述第一模板异常学习数据集和各所述第二模板异常学习数据集对应的操作主体与各所述标定会话异常节点的关联预测值，结合各所述第一模板异常学习数据集对应的操作主体与各所述标定会话异常节点的关联预测值确定所述第一模板异常学习数据集对应的操作主体的目标预测会话异常节点，结合各所述第二模板异常学习数据集对应的操作主体与各所述标定会话异常节点的关联预测值确定所述第二模板异常学习数据集对应的操作主体的目标预测会话异常节点，结合各所述第一模板异常学习数据集和各所述第二模板异常学习数据集的模型学习比较数据所表征的实际目标会话异常节点和各所述第一模板异常学习数据集和各所述第二模板异常学习数据集对应的目标预测会话异常节点，确定模型学习收敛指标，结合所述模型学习收敛指标、各所述第一模板异常学习数据集和各所述第二模板异常学习数据集对所述基础深度学习网络模型进行模型收敛优化，直到所述基础深度学习网络模型满足训练终止条件，将满足训练终止条件的所述基础深度学习网络模型确定为所述目标会话异常分析模型；其中，在模型收敛优化时，针对各个所述第二模板异常学习数据集，基于设定训练遍历策略结合所述第二模板异常学习数据集在对应训练遍历阶段的目标预测会话异常节点，更新所述第二模板异常学习数据集的模型学习比较数据。
10.一种人工智能优化系统，其特征在于，所述人工智能优化系统包括处理器和用于存储能够在处理器上运行的计算机程序的存储器，所述处理器用于运行所述计算机程序时，执行权利要求1-9中任意一项的基于线上操作大数据的业务优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211659876.8A CN115795454B (zh) | 2022-12-23 | 2022-12-23 | 基于线上操作大数据的业务优化方法及人工智能优化系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211659876.8A CN115795454B (zh) | 2022-12-23 | 2022-12-23 | 基于线上操作大数据的业务优化方法及人工智能优化系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115795454A true CN115795454A (zh) | 2023-03-14 |
| CN115795454B CN115795454B (zh) | 2024-03-01 |
Family
ID=85427696
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211659876.8A Active CN115795454B (zh) | 2022-12-23 | 2022-12-23 | 基于线上操作大数据的业务优化方法及人工智能优化系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115795454B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117033052A (zh) * | 2023-08-14 | 2023-11-10 | 贵州慧码科技有限公司 | 基于模型识别的对象异常诊断方法及系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106789885A (zh) * | 2016-11-17 | 2017-05-31 | 国家电网公司 | 一种大数据环境下用户异常行为检测分析方法 |
| US20200058406A1 (en) * | 2017-07-28 | 2020-02-20 | Alibaba Group Holding Limited | Merchant evaluation method and system |
| CN113011889A (zh) * | 2021-03-10 | 2021-06-22 | 腾讯科技（深圳）有限公司 | 账号异常识别方法、系统、装置、设备及介质 |
| CN113079143A (zh) * | 2021-03-24 | 2021-07-06 | 北京锐驰信安技术有限公司 | 一种基于流数据的异常检测方法及系统 |
| CN113364786A (zh) * | 2021-06-10 | 2021-09-07 | 广州市泽联科技有限公司 | 基于安全云服务大数据的组件配置方法及ai云服务系统 |
| CN113411342A (zh) * | 2021-06-25 | 2021-09-17 | 深圳市合美鑫精密电子有限公司 | 基于大数据的信息安全风险识别方法及人工智能安全系统 |
| CN113626807A (zh) * | 2021-08-13 | 2021-11-09 | 张可 | 基于大数据的计算机信息安全处理方法及系统 |
| CN114048387A (zh) * | 2021-11-23 | 2022-02-15 | 赵运柱 | 基于大数据和ai预测的内容推荐方法及人工智能云系统 |
| CN114090663A (zh) * | 2021-12-08 | 2022-02-25 | 黑龙江国云科技发展有限公司 | 应用人工智能的用户需求预测方法及大数据优化系统 |
| CN114531298A (zh) * | 2022-03-09 | 2022-05-24 | 哈尔滨佰通科技有限公司 | 基于ai和大数据分析的威胁漏洞预测方法及云端ai系统 |
| CN114547439A (zh) * | 2022-01-25 | 2022-05-27 | 王金山 | 基于大数据和人工智能的业务优化方法及电子商务ai系统 |
| CN115310558A (zh) * | 2022-09-15 | 2022-11-08 | 张宾 | 针对云业务服务异常优化的大数据分析方法及ai分析系统 |
-
2022
- 2022-12-23 CN CN202211659876.8A patent/CN115795454B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106789885A (zh) * | 2016-11-17 | 2017-05-31 | 国家电网公司 | 一种大数据环境下用户异常行为检测分析方法 |
| US20200058406A1 (en) * | 2017-07-28 | 2020-02-20 | Alibaba Group Holding Limited | Merchant evaluation method and system |
| CN113011889A (zh) * | 2021-03-10 | 2021-06-22 | 腾讯科技（深圳）有限公司 | 账号异常识别方法、系统、装置、设备及介质 |
| CN113079143A (zh) * | 2021-03-24 | 2021-07-06 | 北京锐驰信安技术有限公司 | 一种基于流数据的异常检测方法及系统 |
| CN113364786A (zh) * | 2021-06-10 | 2021-09-07 | 广州市泽联科技有限公司 | 基于安全云服务大数据的组件配置方法及ai云服务系统 |
| CN113411342A (zh) * | 2021-06-25 | 2021-09-17 | 深圳市合美鑫精密电子有限公司 | 基于大数据的信息安全风险识别方法及人工智能安全系统 |
| CN113626807A (zh) * | 2021-08-13 | 2021-11-09 | 张可 | 基于大数据的计算机信息安全处理方法及系统 |
| CN114048387A (zh) * | 2021-11-23 | 2022-02-15 | 赵运柱 | 基于大数据和ai预测的内容推荐方法及人工智能云系统 |
| CN114090663A (zh) * | 2021-12-08 | 2022-02-25 | 黑龙江国云科技发展有限公司 | 应用人工智能的用户需求预测方法及大数据优化系统 |
| CN114547439A (zh) * | 2022-01-25 | 2022-05-27 | 王金山 | 基于大数据和人工智能的业务优化方法及电子商务ai系统 |
| CN114531298A (zh) * | 2022-03-09 | 2022-05-24 | 哈尔滨佰通科技有限公司 | 基于ai和大数据分析的威胁漏洞预测方法及云端ai系统 |
| CN115310558A (zh) * | 2022-09-15 | 2022-11-08 | 张宾 | 针对云业务服务异常优化的大数据分析方法及ai分析系统 |
Non-Patent Citations (2)
| Title |
|---|
| WANG X 等: "User Portrait Technology and its Application Scenario Analysis", THE 2021 3RD INTERNATIONAL CONFERENCE ON BIG DATA ENGINEERING, pages 64 - 69 * |
| 欧阳帆;张月天;: "一种基于用户行为画像的安全审计系统", 信息通信, no. 11, pages 107 - 108 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117033052A (zh) * | 2023-08-14 | 2023-11-10 | 贵州慧码科技有限公司 | 基于模型识别的对象异常诊断方法及系统 |
| CN117033052B (zh) * | 2023-08-14 | 2024-05-24 | 企口袋(重庆)数字科技有限公司 | 基于模型识别的对象异常诊断方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115795454B (zh) | 2024-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11270190B2 (en) | Method and apparatus for generating target neural network structure, electronic device, and storage medium | |
| US10997717B2 (en) | Method and system for generating a confidence score using deep learning model | |
| CN111553488B (zh) | 一种针对用户行为的风险识别模型训练方法及系统 | |
| US20180268295A1 (en) | Risk evaluation method, computer-readable recording medium, and information processing apparatus | |
| US11551054B2 (en) | System-aware selective quantization for performance optimized distributed deep learning | |
| CN115729796B (zh) | 基于人工智能的异常操作分析方法及大数据应用系统 | |
| KR20220038907A (ko) | 생성적 대립 신경망(gan) 기반의 데이터 예측 방법, 그리고 이를 구현하기 위한 장치 | |
| CN113705981B (zh) | 一种基于大数据的异常监测的方法及装置 | |
| CN111176565B (zh) | 确定应用的存储负载的方法和设备 | |
| CN115795454A (zh) | 基于线上操作大数据的业务优化方法及人工智能优化系统 | |
| CN113778797A (zh) | 机械硬盘监测方法、装置、计算机设备和存储介质 | |
| CN116418603A (zh) | 一种工业互联网的安全综合管理方法及系统 | |
| TWI647624B (zh) | 辨識系統、辨識方法及非暫態電腦可讀取媒體 | |
| EP4242926A1 (en) | Systems and methods for securing artificial intelligence systems for edge computing systems | |
| CN117033039A (zh) | 故障检测方法、装置、计算机设备和存储介质 | |
| US11688175B2 (en) | Methods and systems for the automated quality assurance of annotated images | |
| CN116542673A (zh) | 应用于机器学习的欺诈行为识别方法及系统 | |
| CN110781500A (zh) | 一种数据风控系统以及方法 | |
| US20230035666A1 (en) | Anomaly detection in storage systems | |
| CN115719092A (zh) | 基于联邦学习的模型训练方法和联邦学习系统 | |
| US20210012195A1 (en) | Information processing apparatus | |
| CN113515684A (zh) | 一种异常数据检测方法及装置 | |
| CN111325278B (zh) | 一种图像处理方法、装置及存储介质 | |
| US20240177215A1 (en) | Service Execution System and Related Product | |
| US20240185068A1 (en) | Method for performing membership inference attack against generative models and apparatus for the same |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240131 Address after: 721000 New Emerging Industry Park in Fufeng County, Baoji City, Shaanxi Province Applicant after: Beijing Shuzhi Yunke Information Technology Co.,Ltd. Country or region after: China Address before: No. 21, Dongliao Street, Dongliao County, Liaoyuan City, Jilin Province, 136200 Applicant before: Liu Yong Country or region before: China |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |