CN117009153A - 集群检测方法、装置、电子设备和计算机可读存储介质 - Google Patents

集群检测方法、装置、电子设备和计算机可读存储介质 Download PDF

Info

Publication number
CN117009153A
CN117009153A CN202210471811.4A CN202210471811A CN117009153A CN 117009153 A CN117009153 A CN 117009153A CN 202210471811 A CN202210471811 A CN 202210471811A CN 117009153 A CN117009153 A CN 117009153A
Authority
CN
China
Prior art keywords
node
detected
interaction
target
information
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
CN202210471811.4A
Other languages
English (en)
Inventor
尤梓荃
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen 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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202210471811.4A priority Critical patent/CN117009153A/zh
Publication of CN117009153A publication Critical patent/CN117009153A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/2205—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using arrangements specific to the hardware being tested
    • G06F11/2236—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using arrangements specific to the hardware being tested to test CPU or processors
    • G06F11/2242—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using arrangements specific to the hardware being tested to test CPU or processors in multi-processor systems, e.g. one processor becoming the test master
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/2273—Test methods
    • 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
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明实施例公开了一种集群检测方法、装置、电子设备和计算机可读存储介质；本发明实施例在获取待检测对象集合和待检测对象集合中每一待检测对象的对象交互信息后，在对象交互信息中识别出至少一个交互介质，根据对象交互信息，将待检测对象和交互介质作为节点构建异构网络图，然后，对异构网络图进行特征提取，得到待检测对象的对象特征，基于对象特征，对待检测对象进行聚类，得到至少一个候选集群，并在候选集群中筛选出目标集群；该方案可以提升集群检测的准确性，从而有效防护目标集群；本发明实施例可应用于云技术、人工智能、智慧交通、辅助驾驶等各种场景。

Description

集群检测方法、装置、电子设备和计算机可读存储介质
技术领域
本发明涉及通信技术领域，具体涉及一种集群检测方法、装置、电子设备和计算机可读存储介质。
背景技术
近年来，随着互联网技术的飞速发展，出现了一些破坏网络秩序的群体，而且这些群体逐渐以集群的模式出现在网络中，因此，在网络中需要检测出这一类集群，现有的集群检测方法往往通过社区检测算法对可疑对象进行聚类，从而检测出目标集群。
在对现有技术的研究和实践过程中，本发明的发明人发现通过社区检测算法仅仅针对待检测对象之间的拓扑结构信息，而且，在社区检测中通常使用的同构网络图进行检测，从而使得待检测信息来源单一，且准确率较低，因此，导致集群检测的检测准确性较低。
发明内容
本发明实施例提供一种集群检测方法、装置、电子设备和计算机可读存储介质，可以提高集群检测的准确性。
一种集群检测方法，包括：
获取待检测对象集合和所述待检测对象集合中每一待检测对象的对象交互信息；
在所述对象交互信息中识别出至少一个交互介质，所述交互介质为所述待检测对象在交互过程中介质对象；
根据所述对象交互信息，将所述待检测对象和交互介质作为节点构建异构网络图，所述异构网络图用于指示所述待检测对象与所述交互介质的关联关系；
对所述异构网络图进行特征提取，得到所述待检测对象的对象特征；
基于所述对象特征，对所述待检测对象进行聚类，得到至少一个候选集群，并在所述候选集群中筛选出目标集群。
相应的，本发明实施例提供一种集群检测装置，包括：
获取单元，用于获取待检测对象集合和所述待检测对象集合中每一待检测对象的对象交互信息；
识别单元，用于在所述对象交互信息中识别出至少一个交互介质，所述交互介质为所述待检测对象在交互过程中介质对象；
构建单元，用于根据所述对象交互信息，将所述待检测对象和交互介质作为节点构建异构网络图，所述异构网络图用于指示所述待检测对象与所述交互之间的关联关系；
提取单元，用于对所述异构网络图进行特征提取，得到所述待检测对象的对象特征；
筛选单元，用于基于所述对象特征，对所述待检测对象进行聚类，得到至少一个候选集群，并在所述候选集群中筛选出目标集群。
可选的，在一些实施例中，所述识别单元，具体可以用于在所述对象交互信息中提取出所述待检测对象的交互属性信息；在所述交互属性信息中识别出所述待检测对象对应的至少一个交互介质。
可选的，在一些实施例中，所述识别单元，具体可以用于在所述交互属性信息中提取出所述待检测对象的交互地址信息和交互终端信息；基于所述交互地址信息和交互终端信息，确定所述待检测对象对应的至少一个交互介质。
可选的，在一些实施例中，所述构建单元，具体可以用于在所述对象交互信息中筛选出所述待检测对象与所述交互介质的关联信息；基于所述交互介质的介质类型和所述关联信息，确定所述待检测对象与所述交互介质之间的关联关系；根据所述关联关系，将所述待检测对象和交互介质作为节点构建异构网络图。
可选的，在一些实施例中，所述提取单元，具体可以用于在所述异构网络图中提取出每一节点的节点特征；将所述节点特征映射至预设特征空间，得到基础节点特征；将所述基础节点特征进行聚合，得到所述待检测对象的对象特征。
可选的，在一些实施例中，所述提取单元，具体可以用于获取预设映射特征维度信息和每一所述节点特征的当前特征维度信息；基于所述预设映射特征维度信息和当前特征维度信息，确定所述节点特征对应的映射参数；根据所述映射参数，将所述节点特征映射至所述预设映射特征维度信息对应的节点特征，得到基础节点特征。
可选的，在一些实施例中，所述提取单元，具体可以用于在所述节点中筛选出所述待检测对象对应的节点，得到目标节点，并在所述异构网络图中采样出所述目标节点的至少一个邻节点；在所述基础节点特征中筛选出所述目标节点对应的目标节点特征和所述邻节点对应的邻节点特征；将所述目标节点特征和邻节点特征进行融合，得到所述待检测对象的对象特征。
可选的，在一些实施例中，所述提取单元，具体可以用于在所述异构网络图中识别出与所述目标节点相邻的候选节点的节点数量；根据所述节点数量，确定针对所述目标节点的邻节点的采样方式；基于所述采样方式，在所述候选节点中采样出至少一个邻节点。
可选的，在一些实施例中，所述提取单元，具体可以用于在所述异构网络图中识别出所述邻节点与所述目标节点的节点距离；基于所述节点距离，对所述邻节点进行分层，得到每一所述邻节点对应的节点层，并基于所述节点层，在所述邻节点中筛选出目标邻节点；将所述目标邻节点对应的邻节点特征与所述目标节点特征进行融合，以得到所述待检测对象的对象特征。
可选的，在一些实施例中，所述提取单元，具体可以用于将所述目标邻节点对应的邻节点特征与所述目标节点特征进行融合，得到当前节点层对应的融合后节点特征；当所述当前节点层低于预设节点层阈值时，将所述融合后节点特征作为所述目标节点特征，并返回执行所述基于所述节点层，在所述邻节点中筛选出目标邻节点的步骤，直至所述当前节点层未低于预设节点层阈值时为止，得到所述待检测对象的目标融合后节点特征；对所述目标融合后节点特征进行归一化处理，得到低维节点特征，并将所述低维节点特征作为所述待检测对象的对象特征。
可选的，在一些实施例中，所述筛选单元，具体可以用于基于所述对象特征，计算所述待检测对象集合中的待检测对象之间的对象相似度；根据所述对象相似度，将所述待检测对象作为图节点构建无向图；对所述无向图中的图节点进行聚类，以得到至少一个候选集群。
可选的，在一些实施例中，所述筛选单元，具体可以用于将所述无向图中的每一图节点划分至对应的节点社区，并计算所述节点社区的基础模块度；在所述无向图中识别出每一图节点对应的相邻图节点，并将所述图节点划分至所述相邻图节点对应的目标节点社区；计算所述目标节点社区的当前模块度，并基于基础模块度和当前模块度，在待检测对象集合中筛选出至少一个目标节点社区对应的待检测对象，得到所述候选集群。
可选的，在一些实施例中，所述筛选单元，具体可以用于计算所述目标节点社区的基础模块度和当前模块度的差值，得到模块度差值；基于模块度差值，对目标节点社区内的图节点进行更新，得到更新后节点社区，并对所述更新后节点社区进行稳定性检测；当所述更新后节点社区稳定时，将所述更新后节点社区作为图节点构建无向图，得到当前无向图，并基于所述当前无向图，在待检测对象集合中筛选出至少一个更新后节点社区对应的待检测对象，得到所述候选集群。
可选的，在一些实施例中，所述筛选单元，具体可以用于将所述当前无向图作为所述无向图，并返回执行将所述无向图中的每一图节点划分至对应的节点社区的步骤，直至所述当前无向图不发生变化时为止，得到目标无向图；在所述目标无向图中识别出每一图节点对应的当前节点社区的社区信息；基于所述社区信息，在所述待检测对象集合中筛选出所述当前节点社区内的至少一个待检测对象，得到所述候选集群。
此外，本发明实施例还提供一种电子设备，包括处理器和存储器，所述存储器存储有应用程序，所述处理器用于运行所述存储器内的应用程序实现本发明实施例提供的集群检测方法。
此外，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有多条指令，所述指令适于处理器进行加载，以执行本发明实施例所提供的任一种集群检测方法中的步骤。
本发明实施例在获取待检测对象集合和待检测对象集合中每一待检测对象的对象交互信息后，在对象交互信息中识别出至少一个交互介质，根据对象交互信息，将待检测对象和交互介质作为节点构建异构网络图，然后，对异构网络图进行特征提取，得到待检测对象的对象特征，基于对象特征，对待检测对象进行聚类，得到至少一个候选集群，并在候选集群中筛选出目标集群；由于该方案可以在对象交互信息中识别出至少一个交互介质，并基于交互介质构建异构网络图，从而可以将交互网络中的拓扑结构信息和节点自身的特征进行有效结合，另外，采用异构网络图还可以避免单一关系识别目标集群造成的低准确率与覆盖率，因此，可以提升集群检测的准确性。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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是本发明实施例提供的集群检测方法的场景示意图；
图2是本发明实施例提供的集群检测方法的流程示意图；
图3是本发明实施例提供的在异构网络图中提取出的待检测对象的低维向量的流程示意图；
图4是本发明实施例提供的对待检测对象进行社群检测的流程示意图；
图5是本发明实施例提供的在待检测对象集合中识别出欺诈团伙的流程示意图；
图6是本发明实施例提供的集群检测方法的另一流程示意图；
图7是本发明实施例提供的集群检测装置的结构示意图；
图8是本发明实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明实施例提供一种集群检测方法、装置、电子设备和计算机可读存储介质。其中，该集群检测装置可以集成在电子设备中，该电子设备可以是服务器，也可以是终端等设备。
其中，服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、网络加速服务(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。终端包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端、飞行器等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。本发明实施例可应用于各种场景，包括但不限于云技术、人工智能、智慧交通、辅助驾驶等。
例如，参见图1，以集群检测装置集成在电子设备中为例，电子设备在获取待检测对象集合和待检测对象集合中每一待检测对象的对象交互信息后，在对象交互信息中识别出至少一个交互介质，根据对象交互信息，将待检测对象和交互介质作为节点构建异构网络图，然后，对异构网络图进行特征提取，得到待检测对象的对象特征，基于对象特征，对待检测对象进行聚类，得到至少一个候选集群，并在候选集群中筛选出目标集群，进而提升集群检测的准确性。
其中，识别出的目标集群可以存储在云平台，另外，对异构网络图可以在云平台提取待检测对象的对象特征，还可以在云平台对待检测对象进行聚类。所谓云平台也称云计算平台，是指基于硬件资源和软件资源的服务，提供计算、网络和存储能力。云计算(cloudcomputing)是一种计算模式，它将计算任务分布在大量计算机构成的资源池上，使各种应用系统能够根据需要获取计算力、存储空间和信息服务。提供资源的网络被称为“云”。“云”中的资源在使用者看来是可以无限扩展的，并且可以随时获取，按需使用，随时扩展，按使用付费。
作为云计算的基础能力提供商，会建立云计算资源池(简称云平台，一般称为IaaS(Infrastructure as a Service，基础设施即服务)平台，在资源池中部署多种类型的虚拟资源，供外部客户选择使用。云计算资源池中主要包括：计算设备(为虚拟化机器，包含操作系统)、存储设备、网络设备。
按照逻辑功能划分，在IaaS(Infrastructure as a Service，基础设施即服务)层上可以部署PaaS(Platform as a Service,平台即服务)层，PaaS层之上再部署SaaS(Software as a Service，软件即服务)层，也可以直接将SaaS部署在IaaS上。PaaS为软件运行的平台，如数据库、web容器等。SaaS为各式各样的业务软件，如web门户网站、短信群发器等。一般来说，SaaS和PaaS相对于IaaS是上层。
其中，可以理解的是，在本申请的具体实施方式中，涉及到对象的对象交互信息等相关数据，当本申请以下实施例运用到具体产品或技术中时，需要获得许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
以下分别进行详细说明。需要说明的是，以下实施例的描述顺序不作为对实施例优选顺序的限定。
本实施例将从集群检测装置的角度进行描述，该集群检测装置具体可以集成在电子设备中，该电子设备可以是服务器，也可以是终端等设备；其中，该终端可以包括平板电脑、笔记本电脑、以及个人计算机(PC，Personal Computer)、可穿戴设备、虚拟现实设备或其他可以检测集群的智能设备等设备。
一种集群检测方法，包括：
获取待检测对象集合和待检测对象集合中每一待检测对象的对象交互信息，在对象交互信息中识别出至少一个交互介质，该交互介质为待检测对象在交互过程中介质对象，根据对象交互信息，将待检测对象和交互介质作为节点构建异构网络图，该异构网络图用于指示待检测对象与交互介质的关联关系，对异构网络图进行特征提取，得到待检测对象的对象特征，基于对象特征，对待检测对象进行聚类，得到至少一个候选集群，并在候选集群中筛选出目标集群。
如图2所示，该集群检测方法的具体流程如下：
101、获取待检测对象集合和待检测对象集合中每一待检测对象的对象交互信息。
其中，待检测对象可以为在交互网络中进行交互的对象，比如，以交互网络为社交网络为例，该待检测对象就可以为社交网络中的任意一个对象。
对象交互信息可以理解为待检测对象在交互网络中产生的交互信息，该交互信息可以包括交互对象的对象信息，还可以包括待检测对象在交互网络中自身的交互属性信息等等。
其中，获取待检测对象集合和待检测对象集合中每一待检测对象的对象交互信息的方式可以有多种，具体可以如下：
例如，可以直接获取终端发送或上传的待检测对象集合和待检测对象集合中每一待检测对象的对象交互信息，或者，可以在交互平台中获取预设时间段的交互信息集合，在交互信息集合中识别出至少一个待检测对象，得到待检测对象集合，并在交互信息中提取出每一待检测对象的对象交互信息，或者，还可以接收集群检测请求，该集群检测请求携带交互信息的存储地址，基于该存储地址，获取交互信息，并在交互信息中提取出待检测对象集合和待检测对象集合中每一待检测对象的对象交互信息。
102、在对象交互信息中识别出至少一个交互介质。
其中，交互介质为待检测对象在交互过程中的介质对象，待检测对象可以通过该交互介质与其他对象进行交互。交互介质的类型可以有多种，比如，可以包括交互终端、交互账号和交互地址等等。
其中，在对象交互信息中识别出至少一个交互介质的方式可以有多种，具体可以如下：
例如，可以在对象交互信息中提取出待检测对象的交互属性信息，在交互属性信息中识别出待检测对象对应的至少一个交互介质。
其中，交互属性信息可以理解为在待检测对象进行交互过程中与待检测对象自身相关的属性信息。在交互属性信息中识别出待检测对象对应的至少一个交互介质的方式可以有多种，比如，可以在交互属性信息中提取出待检测对象的交互地址信息和交互终端信息，基于交互地址信息和交互终端信息，确定待检测对象对应的至少一个交互介质。
其中，交互地址信息可以为待检测对象在进行交互时的网络地址，该网络地址可以为自身的IP地址，也以为与待检测对象进行交互的交互对象的IP地址等等。交互终端信息可以为待检测对象在进行交互时所使用的终端的信息，比如，可以为终端标识或设备标识等等。基于交互地址信息和交互终端信息，确定待检测对象对应的至少一个交互介质的方式可以有多种，比如，可以在交互终端信息中提取出待检测对象与交互对象进行交互时所使用的每一交互终端的终端标识，在交互地址信息中提取出待检测对象与交互对象在进行交互时的每一IP地址和对应的交互对象的IP地址等等，将终端标识和IP地址作为交互介质。
103、根据对象交互信息，将待检测对象和交互介质作为节点构建异构网络图。
其中，异构网络图为图中的节点存在多种类型的网络图，用于指示待检测对象与交互介质的关联关系。
其中，根据对象交互信息，将待检测对象和交互介质作为节点构建异构网络图的方式可以有多种，具体可以如下：
例如，可以在对象交互信息中筛选出待检测对象与交互介质的关联信息，基于交互介质的介质类型和关联信息，确定待检测对象与交互介质的关联关系，根据关联关系，将待检测对象和交互介质作为节点构建异构网络图。
其中，关联信息可以为待检测对象与交互介质之间存在关联的信息，比如，以交互介质为终端标识为例，关联信息就可以为待检测对象使用该终端标识对应的交互终端进行交互的交互次数、交互时间、交互频次等等信息。基于交互介质的介质类型和关联信息，确定待检测对象与交互介质之间的关联关系的方式可以有多种，比如，可以基于关联信息，确定待检测对象与交互介质之间的交互权重，并根据该交互权重，确定待检测对象和交互介质之间的关联关系。
在确定出关联关系之后，便可以根据关联关系，将待检测对象和交互介质作为节点构建异构网络图，构建异构网络图的方式可以有多种，比如，根据待检测对象与交互介质之间的关系，构建待检测对象与交互介质之间的边信息，基于该边信息，构建异构网络图。
104、对异构网络图进行特征提取，得到待检测对象的对象特征。
其中，对象特征可以为表征待检测对象的特征信息，比如，可以为异构网络图中节点的节点表征向量等。
其中，对异构网络图进行特征提取的方式可以有多种，具体可以如下：
例如，可以在异构网络图中提取出每一节点的节点特征，将节点特征映射至预设特征空间，得到基础节点特征，将基础节点特征进行聚合，得到待检测对象的对象特征，具体可以如下：
(1)在异构网络图中提取出每一节点的节点特征。
例如，在异构网络中提取出每一节点的节点结构信息和节点属性信息，对节点结构信息进行特征提取，得到节点结构特征，并对节点属性信息进行特征提取，得到节点属性特征，将节点结构特征和节点属性特征进行融合，得到节点特征。
(2)将节点特征映射至预设特征空间，得到基础节点特征。
其中，预设特征空间可以为预先设定的固定特征维度的特征空间。
其中，将节点特征映射至预设特征空间的方式可以有多种，具体可以如下：
例如，可以获取预设映射特征维度信息和每一节点特征的当前特征维度信息，基于预设映射特征维度信息和当前特征维度信息，确定节点特征对应的映射参数，根据映射参数，将节点特征映射至预设映射特征维度信息对应的节点特征，得到基础节点特征。
其中，映射参数可以理解为用于节点特征进行特征映射的参数，所谓特征映射可以理解为将不同种类节点的节点特征映射到同一特征空间，从而将节点特征进行特征维度对齐。映射参数的形式可以有多种，比如，可以为映射矩阵或者其他类型的参数。基于预设映射特征维度信息和当前特征维度信息，确定节点特征对应的映射参数的方式可以有多种，比如，可以在预设映射特征维度信息中提取出映射特征维度，在当前特征维度信息中提取出节点特征的当前特征维度，将映射特征维度和当前特征维度进行融合，得到融合后特征维度，基于该融合后特征维度确定节点特征对应的映射参数。
在确定出映射参数之后，便可以根据映射参数，将节点特征映射至预设映射特征维度信息对应的节点特征，映射的方式可以有多种，比如，可以将映射参数与节点特征进行融合，从而就可以得到预设映射特征维度信息对应的基础节点特征，具体可以如公式(1)所示：
其中，为节点种类为r的基础节点特征，Fr为当前特征维度，/>为节点种类为r的节点特征，/>为节点种类为r的映射参数，F为映射特征维度。
(3)将基础节点特征进行聚合，得到待检测对象的对象特征。
例如，可以在节点中筛选出待检测对象对应的节点，得到目标节点，并在异构网络图中采样出目标节点的至少一个邻节点，在基础节点特征中筛选出目标节点对应的目标节点特征和邻节点对应的邻节点特征，将目标节点特征和邻节点特征进行融合，得到待检测对象的对象特征。
其中，邻节点可以为在异构网络图中与目标节点相邻的节点，相邻的方式可以为直接相邻和间接相邻，比如，直接相邻就可以为与目标节点直接相连，也就是与目标节点存在一跳的距离，间接相邻就可以为与目标节点间接相连，也就是与目标节点的距离在两跳或者多跳的距离。在异构网络图中采样出目标节点的至少一个邻节点的方式可以有多种，比如，可以在异构网络图中识别出与目标节点相邻的候选节点的节点数量，根据节点数量，确定针对目标节点的邻节点的采样方式，基于采样方式，在候选节点中采样出至少一个邻节点。
其中，根据节点数量，确定针对目标节点的邻节点的采样方式的方式可以有多种，比如，将节点数量与预设数量阈值进行对比，当节点数量超过预设数量阈值时，就可以确定采样方式为不放回抽样方式，当节点数量未超过预设数量阈值时，就可以确定采样方式为有放回抽样方式。
在确定出针对目标节点的邻节点的采样方式之后，便可以基于该采样方式，在候选节点中采样出至少一个邻节点，采样的方式可以有多种，比如，当采样方式为不放回抽样时，就可以直接在候选节点中采样出预设数量阈值对应的邻节点，当采样方式为有放回抽样时，就可以采样有放回抽样方式在候选节点中采样出预设数量阈值对应的邻节点。
其中，将目标节点特征和邻节点特征进行融合的方式可以有多种，比如，可以在异构网络图中识别出邻节点与目标节点的节点距离，基于节点距离，对邻节点进行分层，得到每一邻节点对应的节点层，并基于节点层，在邻节点中筛选出目标邻节点，将目标邻节点对应的邻节点特征与目标节点特征进行融合，以得到待检测对象的对象特征。
其中，在异构网络图中识别出邻节点与目标节点的节点距离的方式可以有多种，比如，在异构网络图中识别出每一邻节点与目标节点之间的连接层数，并将该连接层数作为节点距离。
在识别出邻节点与目标节点的节点距离之后，便可以基于节点距离，对邻节点进行分层，分层的方式可以有多种，比如，可以根据每一邻节点对应的连接层数对邻节点进行分层，从而得到每一邻节点对应的节点层，譬如，以目标节点的节点层为第一层为例，将连接层数为一层的邻节点分为第二层对应的邻节点，此时节点层就可以为第二层；将连接层数为二层的邻节点分为第三层对应的邻节点，此时节点层就可以为第三层，将连接层数为(l-1)层的邻节点分为第l层对应的邻节点，此时节点层就可以为第l层。
在对邻节点进行分层之后，便可以基于节点层，在邻节点中筛选出目标邻节点，筛选的方式可以有多种，比如，当首次筛选目标邻节点时，就可以将第二层对应的邻节点作为目标邻节点，当已经筛选出第二层对应的邻节点之后，便可以将第三层对应的邻节点作为目标邻节点，依次类推，直至不再筛选目标邻节点为止。
在筛选出目标邻节点之后，便可以将目标邻节点对应的邻节点特征和目标节点特征进行融合，融合的方式可以有多种，比如，采用平均聚合mean aggregator)作为聚合函数将目标邻节点(l-1)对应的邻节点特征向量与目标节点的目标节点特征向量进行拼接，然后，对拼接后的向量的每一维度计算平均值，将得到结果做一次非线性变化产生目标节点的第n层特征向量，将该特征向量作为当前节点层(第l层)对应的融合后节点特征，具体可以如公式(2)所示：
其中，为第l层的融合后节点特征，Wl-1为非线性变化参数，/>为第(l-1)层的节点特征，/>为第(l-1)层的邻节点特征。
在将目标邻接点对应的邻节点特征与目标节点特征进行融合之后，便可以将当前节点层与预设节点层阈值对比，当当前节点层低于预设节点层阈值时，将融合后节点特征作为目标节点特征，并返回执行基于节点层，在邻节点中筛选出目标邻节点的步骤，直至当前节点层未低于预设节点层阈值时为止，得到待检测对象的目标融合后节点特征。当当前节点层未低于预设节点层阈值时，将融合后节点特征作为待检测对象对应的目标融合后节点特征。
其中，预设节点层阈值可以根据实际应用进行设定，且预设节点层阈值不能超过最大节点层的层数，预设节点层阈值可以为任意正整数，比如，可以为3层或者其他层数。
在得到待检测对象的目标融合后节点特征时，便可以对目标融合后节点特征进行归一化处理，归一化处理的方式可以有多种，比如，以目标融合后节点特征为特征向量时，可以计算该特征向量中每一维度的L2范数，并计算该特征向量与L2范数之间的比值，从而得到低维节点特征，并将低维特征作为待检测对象的对象特，具体可以如公式(3)所示：
其中，zv为待检测对象的对象特征，为目标融合后节点特征，/>为目标融合后节点特征的L2范数。
其中，需要说明的是在异构网络图中提取出的待检测对象的低维向量可以为异构网络图中每个节点的节点结构信息和节点属性信息一起进行低维嵌入后的低维向量，具体可以如图3所示，对节点特征进行特征维度对齐，得到基础节点特征，在异构网络图中进行节点邻居采样，对节点特征进行聚合，得到节点向量，当该节点向量的当前节点层未低于预设节点层阈值时，对节点向量进行归一化，从而就可以输出低维向量，并将该低维向量作为待检测对象的对象特征。
105、基于对象特征，对待检测对象进行聚类，得到至少一个候选集群，并在候选集群中筛选出目标集群。
其中，候选集群可以理解为待检测对象集合中存在内在联系的待检测对象存在的团体或集群。
其中，基于对象特征，对待检测对象进行聚类的方式可以有多种，具体可以如下：
例如，可以基于对象特征，计算待检测对象集合中的待检测对象之间的对象相似度，根据对象相似度，将待检测对象作为图节点构建无向图，对无向图中的图节点进行聚类，以得到至少一个候选集群。
其中，对象相似度可以理解为待检测对象集合中待检测对象之间的相似程度，基于对象特征，计算待检测对象集合中的待检测对象之间的对象相似度的方式可以有多种，比如，可以计算待检测对象集合中的待检测对象的对象特征之间的特征距离，并基于特征距离，确定待检测对象之间的对象相似度，以特征距离为欧式距离dij为例，确定待检测对象之间的对象相似度可以如公式(4)所示：
其中，Sij为待检测对象i与待检测对象j之间的对象相似度，dij为待检测对象i与待检测对象j之间的欧式距离，σ为相似度参数。
在计算出对象相似度之后，便可以根据对象相似度，将待检测对象作为图节点构建无向图，所谓无向图为边没有方向的网络图，构建无向图的方式可以有多种，比如，将对象相似度与预设相似度阈值进行对比，当对象相似度超过预设相似度阈值时，就可以在该对象相似度对应的待检测对象之间构建一条边，返回执行将对象相似度与预设相似度阈值进行对比的步骤，直至待检测对象集合中的每一待检测对象都至少连接一条边时为止，从而得到无向图，该无向图中的每一图节点对应一个待检测对象。
在构建出无向图之后，便可以对无向图中的图节点进行聚类，聚类的方式可以有多种，比如，可以将无向图中的每一图节点划分至对应的节点社区，并计算节点社区的基础模块度，在无向图中识别出每一图节点对应的相邻图节点，并将图节点划分至少相邻图节点对应的目标节点社区，计算目标节点社区的当前模块度，并基于基础模块度和当前模块度，在待检测对象集合中筛选出至少一个目标节点社区对应的待检测对象，得到候选集群。
其中，将无向图中的每一图节点划分至对应的节点社区的方式可以有多种，比如，可以将无向图中的每一图节点划分至不同社区，即每一个图节点作为节点社区。在划分至节点社区之后，就可以计算该节点社区的基础模块度，所谓基础模块度可以理解为将该节点社区中的节点尝试划分至与其相邻图节点所在社区之前的节点社区的模块度，模块度也可以称为模块化度量值，常用于衡量网络社区结构强度。计算基础模块度的方式可以有多种，比如，可以获取无向图中的目标权重，在目标权重中提取出节点社区内部的权重，得到内部权重，在目标权重中提取出与节点社区内部的点的连接边的边权重，计算内部权重与目标权重之间的比值，得到内部权重比值，并计算边权重与目标权重之间的比值，到边权重比值，将内部权重比值和边权重比值进行融合，得到节点社区的基础模块度，具体可以如公式(5)所示：
其中，Q为基础模块度，m为目标权重，Σin为内部权重，Σtot为边权重。
其中，计算目标节点社区的当前模块度的方式与计算节点社区的基础模块度的方式相同，具体可以参见上文，在此就不再一一赘述。
在计算出目标节点社区的当前模块度之后，便可以基于基础模块度和当前模块度，在待检测对象集合中筛选出至少一个目标节点社区对应的待检测对象，得到候选集群，筛选出目标节点社区对应的待检测对象的方式可以有多种，比如，可以计算目标节点社区的基础模块度和当前模块度的差值，得到模块度差值，并基于模块度差值，对目标节点社区内的图节点进行更新，得到更新后节点社区，并对更新后节点社区进行稳定性检测，当更新后节点社区稳定时，将更新后节点社区作为图节点构建无向图，并基于当前无向图，在待检测对象集合中筛选出至少一个更新后节点社区对应的待检测对象，得到候选集群。
其中，基于模块度差值，对目标节点社区内的图节点进行更新的方式可以有多种，比如，将模块度差值与预设差值阈值进行对比，当模块度差值超过预设差值阈值时，接收将图节点划分至相邻图节点对应的目标节点社区的划分操作，得到更新后节点社区，当模块度差值未超过预设差值阈值时，放弃将图节点划分至相邻图节点对应的目标节点社区的划分操作，并将目标节点社区作为更新后节点社区。以预设差值阈值为0为例，就可以判断划分前后的的模块度的模块度差值ΔQ是否为正值，若为正值，则接受本次划分；若为负值，则放弃本次的划分，从而得到更新后节点社区。
在对目标节点社区内的图节点进行更新之后，便可以对更新后节点社区进行稳定性检测，稳定性检测的方式可以有多种，比如，可以判断所有图节点是否都已尝试划分至目标节点社区，并且模块度已不能再增大，当满足上述条件时，就可以确定更新后节点社区稳定，反之，则返回执行将所述图节点划分至所述相邻图节点对应的目标节点社区的步骤，直至更新后节点社区稳定时为止。
在更新后节点社区稳定时，将更新后节点社区作为图节点构建无向图的方式可以有多种，比如，可以将更新后节点社区内的所有图节点合并为一个节点，即每个更新后节点社区视为一个图节点，然后，社区间的边保持不变，从而构建出当前无向图。
在构建出当前无向图之后，便可以基于当前无向图，在待检测对象集合中筛选出至少一个更新后节点社区对应的待检测对象，筛选的方式可以有多种，比如，将当前无向图作为无向图，并返回执行将无向图中的每一图节点划分至对应的节点社区的步骤，直至当前无向图不发生变化时为止，得到目标无向图，在目标无向图中识别出每一图节点对应的当前节点社区的社区信息，基于社区信息，在待检测对象集合中筛选出当前节点社区内的至少一个待检测对象，得到候选集群。
其中，当当前无向图不发生变化时，就可以说明当前无向图中的节点社区已经稳定，从而就可以在得到的目标无向图中识别出每一图节点对应的当前节点社区的社区信息，这里的社区信息可以为当前节点社区中包含的图节点的节点标识，基于该节点标识，就可以在待检测对象集合中筛选出当前节点社区内包含的待检测对象，并将该当前节点社区内的待检测对象作为一个候选集群，从而就得到目标无向图中每一当前节点社区对应的候选集群。
其中，需要说明的是在基于对象特征对检测对象进行聚类的方式理解为基于待检测对象的对象向量进行集群检测，主要可以利用向量具有相似性的特点，用相似度公式计算两两节点的相似度。首先计算每两个点的特征的欧氏距离dij，再定义相似度Sij。相似度大于0.9时，两点间构建一条边，从而构建一张无向图。最后利用社群检测算法进行聚类，社群检测算法可以为fast unfolding算法，对构建的无向图进行聚类，最终得到可疑欺诈团伙，具体可以如图4所示，
S41、将无向图中的每个图节点点划分在不同的社群中，每个图节点点即为一个节点社区；
S42、对每个图节点，将每个节点尝试划分到与其邻接点所在的社区中，计算此时的模块度，判断划分前后的的模块度的差值ΔQ是否为正值，若为正值，则接受本次划分；若为负值，则放弃本次的划分；
S43、判断所有图节点是否都已尝试划分节点社区，并且模块度已不能再增大。若不满足，则跳转步骤S42，否则跳转至步骤S44；
S44、对无向图中的每个更新后节点社区中的所有图节点合并为一个节点，即每个更新后节点社区视为一个图节点，社区间的边保持不变，构造出当前无向图；
S45、判断合并节点前后的当前无向图图是否改变。若有改变，则跳转至步骤S42，继续划分图节点；若当前图无改变，则跳转至步骤S46；
S46、目标无向图中社区已稳定，输出目标无向图中的图节点划分结果，从而得到至少一个候选集群。
在识别出候选集群之后，便可以在候选集群中筛选出目标集群，筛选目标集群的方式可以有多种，比如，对候选集群中每一待检测对象的对象特征进行类型检测，从而得到每一待检测对象的对象类型，当候选集群中存在至少一个待检测对象的对象类型为目标对象类型时，就可以确定该候选集群为目标集群，或者，还可以在候选集群中每一待检测对象的对象特征中提取出对象类型特征，并根据对象类型特征，确定对应的待检测对象的对象类型，当候选集群中存在至少一个待检测对象的对象类型为目标对象类型时，就可以确定该候选集群为目标集群。以目标对象类型为欺诈对象时，当候选集群中存在至少一个待检测对象为欺诈对象时，就可以确定该候选集群为欺诈团伙或黑产团伙，并将候选集群作为目标集群。
可选的，在一实施例中，该集群检测装置还包括将目标集群存储至区块链上。
其中，以目标集群为欺诈团伙为例，本方案中在待检测对象集合中识别出该欺诈团伙的过程可以如图5所示，具体可以如下：
S51、数据准备。
例如，可以采集社交网络一定周期内的相关交互对象的交互行为以及设备等信息，构建待检测对象集合和待检测对象集合中每一待检测对象的对象交互信息。
S52、采用异构图神经网络对节点进行嵌入表示，得到低维的对象特征。
例如，可以利用待检测对象与交互之间的关系构建异构网络图，待检测对象与设备，ip等交互介质用节点表示，待检测对象与设备，ip间的关系用边表示，然后，利用异构图神经网络算法，对异构网络图中的每个节点的结构信息和属性信息一起进行低维嵌入，从而得到低维的对象特征，比如，可以采用HGraphSAGE算法，得到能有效表征节点结构信息和属性信息的低维向量。结构信息与属性信息相似的节点得到的向量也具有相似性。
S53、基于对象特征进行欺诈团伙检测。
例如，可以利用向量具有相似性的特点，用相似度公式计算两两节点的相似度，当相似度大于0.9时，两点间构建一条边，从而构建一张无向图，通过fast unfolding算法对构建的无向图进行聚类，最终得到可疑欺诈团伙。在可疑欺诈团伙中筛选出欺诈团伙。
其中，在本方案中使用图神经网络算法同时结合网络结构信息以及节点属性信息对待检测对象进行低维节点表征，而非直接使用节点的特征作为表征向量，可额外带来信息增益，去除冗余信息，使待检测对象的表征向量更加准确，进而提升待检测对象的对象特征的准确性。另外，使用异构图算法，可同时利用多种结构关系，使待检测对象间的联系更加紧密，从而提高目标集群检测的准确率与覆盖率。
由以上可知，本申请实施例在获取待检测对象集合和待检测对象集合中每一待检测对象的对象交互信息后，在对象交互信息中识别出至少一个交互介质，根据对象交互信息，将待检测对象和交互介质作为节点构建异构网络图，然后，对异构网络图进行特征提取，得到待检测对象的对象特征，基于对象特征，对待检测对象进行聚类，得到至少一个候选集群，并在候选集群中筛选出目标集群；由于该方案可以在对象交互信息中识别出至少一个交互介质，并基于交互介质构建异构网络图，从而可以将交互网络中的拓扑结构信息和节点自身的特征进行有效结合，另外，采用异构网络图还可以避免单一关系识别目标集群造成的低准确率与覆盖率，因此，可以提升集群检测的准确性。
根据上面实施例所描述的方法，以下将举例作进一步详细说明。
在本实施例中，将以该集群检测装置具体集成在电子设备，电子设备为服务器，目标集群为欺诈团伙为例进行说明。
如图6所示，一种集群检测方法，具体流程如下：
201、服务器获取待检测对象集合和待检测对象集合中每一待检测对象的对象交互信息。
例如，服务器可以直接获取终端发送或上传的待检测对象集合和待检测对象集合中每一待检测对象的对象交互信息，或者，可以在交互平台中获取预设时间段的交互信息集合，在交互信息集合中识别出至少一个待检测对象，得到待检测对象集合，并在交互信息中提取出每一待检测对象的对象交互信息，或者，还可以接收集群检测请求，该集群检测请求携带交互信息的存储地址，基于该存储地址，获取交互信息，并在交互信息中提取出待检测对象集合和待检测对象集合中每一待检测对象的对象交互信息。
202、服务器在对象交互信息中识别出至少一个交互介质。
例如，服务器可以在对象交互信息中提取出待检测对象的交互属性信息，在交互属性信息中提取出待检测对象的交互地址信息和交互终端信息，在交互终端信息中提取出待检测对象与交互对象进行交互时所使用的每一交互终端的终端标识，在交互地址信息中提取出待检测对象与交互对象在进行交互时的每一IP地址和对应的交互对象的IP地址等等，将终端标识和IP地址作为交互介质。
203、服务器根据对象交互信息，将待检测对象和交互介质作为节点构建异构网络图。
例如，服务器可以在对象交互信息中筛选出待检测对象与交互介质的关联信息，基于关联信息，确定待检测对象与交互介质之间的交互权重，并根据该交互权重，确定待检测对象和交互介质之间的关联关系。根据待检测对象与交互介质之间的关系，构建待检测对象与交互介质之间的边信息，基于该边信息，构建异构网络图。
204、服务器在异构网络图中提取出每一节点的节点特征。
例如，服务器在异构网络中提取出每一节点的节点结构信息和节点属性信息，对节点结构信息进行特征提取，得到节点结构特征，并对节点属性信息进行特征提取，得到节点属性特征，将节点结构特征和节点属性特征进行融合，得到节点特征。
205、服务器将节点特征映射至预设特征空间，得到基础节点特征。
例如，服务器可以获取预设映射特征维度信息和每一节点特征的当前特征维度信息，在预设映射特征维度信息中提取出映射特征维度，在当前特征维度信息中提取出节点特征的当前特征维度，将映射特征维度和当前特征维度进行融合，得到融合后特征维度，基于该融合后特征维度确定节点特征对应的映射参数。将映射参数与节点特征进行融合，从而就可以得到预设映射特征维度信息对应的基础节点特征，具体可以如公式(1)所示。
206、服务器将基础节点特征进行聚合，得到待检测对象的对象特征。
例如，服务器可以在节点中筛选出待检测对象对应的节点，得到目标节点，在异构网络图中识别出与目标节点相邻的候选节点的节点数量，将节点数量与预设数量阈值进行对比，当节点数量超过预设数量阈值时，就可以确定采样方式为不放回抽样方式，当节点数量未超过预设数量阈值时，就可以确定采样方式为有放回抽样方式，当采样方式为不放回抽样时，就可以直接在候选节点中采样出预设数量阈值对应的邻节点，当采样方式为有放回抽样时，就可以采样有放回抽样方式在候选节点中采样出预设数量阈值对应的邻节点。
服务器在基础节点特征中筛选出目标节点对应的目标节点特征和邻节点对应的邻节点特征。在异构网络图中识别出每一邻节点与目标节点之间的连接层数，并将该连接层数作为节点距离。根据每一邻节点对应的连接层数对邻节点进行分层，从而得到每一邻节点对应的节点层，譬如，以目标节点的节点层为第一层为例，将连接层数为一层的邻节点分为第二层对应的邻节点，此时节点层就可以为第二层；将连接层数为二层的邻节点分为第三层对应的邻节点，此时节点层就可以为第三层，将连接层数为(l-1)层的邻节点分为第l层对应的邻节点，此时节点层就可以为第l层。当首次筛选目标邻节点时，就可以将第二层对应的邻节点作为目标邻节点，当已经筛选出第二层对应的邻节点之后，便可以将第三层对应的邻节点作为目标邻节点，依次类推，直至不再筛选目标邻节点为止。采用平均聚合mean aggregator)作为聚合函数将目标邻节点(l-1)对应的邻节点特征向量与目标节点的目标节点特征向量进行拼接，然后，对拼接后的向量的每一维度计算平均值，将得到结果做一次非线性变化产生目标节点的第n层特征向量，将该特征向量作为当前节点层(第l层)对应的融合后节点特征，具体可以如公式(2)所示。将当前节点层与预设节点层阈值对比，当当前节点层低于预设节点层阈值时，将融合后节点特征作为目标节点特征，并返回执行基于节点层，在邻节点中筛选出目标邻节点的步骤，直至当前节点层未低于预设节点层阈值时为止，得到待检测对象的目标融合后节点特征。当当前节点层未低于预设节点层阈值时，将融合后节点特征作为待检测对象对应的目标融合后节点特征。以目标融合后节点特征为特征向量时，可以计算该特征向量中每一维度的L2范数，并计算该特征向量与L2范数之间的比值，从而得到低维节点特征，并将低维特征作为待检测对象的对象特，具体可以如公式(3)所示。
207、服务器基于对象特征，对待检测对象进行聚类，得到至少一个候选集群。
例如，服务器可以计算待检测对象集合中的待检测对象的对象特征之间的特征距离，并基于特征距离，确定待检测对象之间的对象相似度，以特征距离为欧式距离dij为例，确定待检测对象之间的对象相似度可以如公式(4)所示。
服务器将对象相似度与预设相似度阈值进行对比，当对象相似度超过预设相似度阈值时，就可以在该对象相似度对应的待检测对象之间构建一条边，返回执行将对象相似度与预设相似度阈值进行对比的步骤，直至待检测对象集合中的每一待检测对象都至少连接一条边时为止，从而得到无向图，该无向图中的每一图节点对应一个待检测对象。
服务器可以将无向图中的每一图节点划分至不同社区，即每一个图节点作为节点社区。获取无向图中的目标权重，在目标权重中提取出节点社区内部的权重，得到内部权重，在目标权重中提取出与节点社区内部的点的连接边的边权重，计算内部权重与目标权重之间的比值，得到内部权重比值，并计算边权重与目标权重之间的比值，到边权重比值，将内部权重比值和边权重比值进行融合，得到节点社区的基础模块度，具体可以如公式(5)所示。
服务器在无向图中识别出每一图节点对应的相邻图节点，并将图节点划分至少相邻图节点对应的目标节点社区，计算目标节点社区的当前模块度。计算目标节点社区的基础模块度和当前模块度的差值，得到模块度差值，当模块度差值为正值，接收将图节点划分至相邻图节点对应的目标节点社区的划分操作，得到更新后节点社区，当模块度差值为负值时，放弃将图节点划分至相邻图节点对应的目标节点社区的划分操作，并将目标节点社区作为更新后节点社区。判断所有图节点是否都已尝试划分至目标节点社区，并且模块度已不能再增大，当满足上述条件时，就可以确定更新后节点社区稳定，反之，则返回执行将所述图节点划分至所述相邻图节点对应的目标节点社区的步骤，直至更新后节点社区稳定时为止。
服务器将更新后节点社区内的所有图节点合并为一个节点，即每个更新后节点社区视为一个图节点，然后，社区间的边保持不变，从而构建出当前无向图。将当前无向图作为无向图，并返回执行将无向图中的每一图节点划分至对应的节点社区的步骤，直至当前无向图不发生变化时为止，得到目标无向图，在目标无向图中识别出每一图节点对应的当前节点社区的社区信息，在社区信息中筛选出包含图节点的节点标识，基于该节点标识，就可以在待检测对象集合中筛选出当前节点社区内包含的待检测对象，并将该当前节点社区内的待检测对象作为一个候选集群，从而就得到目标无向图中每一当前节点社区对应的候选集群。
208、服务器在候选集群中筛选出欺诈团伙。
例如，服务器对候选集群中每一待检测对象的对象特征进行类型检测，从而得到每一待检测对象的对象类型，当候选集群中存在至少一个待检测对象的对象类型为欺诈对象时，就可以确定该候选集群为欺诈团伙，或者，还可以在候选集群中每一待检测对象的对象特征中提取出对象类型特征，并根据对象类型特征，确定对应的待检测对象的对象类型，当候选集群中存在至少一个待检测对象的对象类型为欺诈对象时，就可以确定该候选集群为欺诈团伙。
由以上可知，本实施例服务器在获取待检测对象集合和待检测对象集合中每一待检测对象的对象交互信息后，在对象交互信息中识别出至少一个交互介质，根据对象交互信息，将待检测对象和交互介质作为节点构建异构网络图，然后，对异构网络图进行特征提取，得到待检测对象的对象特征，基于对象特征，对待检测对象进行聚类，得到至少一个候选集群，并在候选集群中筛选出欺诈团伙；由于该方案可以在对象交互信息中识别出至少一个交互介质，并基于交互介质构建异构网络图，从而可以将交互网络中的拓扑结构信息和节点自身的特征进行有效结合，另外，采用异构网络图还可以避免单一关系识别目标集群造成的低准确率与覆盖率，因此，可以提升集群检测的准确性。
为了更好地实施以上方法，本发明实施例还提供一种集群检测装置，该集群检测装置可以集成在电子设备，比如服务器或终端等设备中，该终端可以包括平板电脑、笔记本电脑和/或个人计算机等。
例如，如图7所示，该集群检测装置可以包括获取单元301、识别单元302、构建单元303、提取单元304和筛选单元305，如下：
(1)获取单元301；
获取单元301，用于获取待检测对象集合和待检测对象集合中每一待检测对象的对象交互信息。
例如，获取单元301，具体可以用于获取终端发送或上传的待检测对象集合和待检测对象集合中每一待检测对象的对象交互信息，或者，可以在交互平台中获取预设时间段的交互信息集合，在交互信息集合中识别出至少一个待检测对象，得到待检测对象集合，并在交互信息中提取出每一待检测对象的对象交互信息，或者，还可以接收集群检测请求，该集群检测请求携带交互信息的存储地址，基于该存储地址，获取交互信息，并在交互信息中提取出待检测对象集合和待检测对象集合中每一待检测对象的对象交互信息。
(2)识别单元302；
识别单元302，用于在对象交互信息中识别出至少一个交互介质，该交互介质为待检测对象在交互过程中介质对象。
例如，识别单元302，具体可以用于在对象交互信息中提取出待检测对象的交互属性信息，在交互属性信息中提取出待检测对象的交互地址信息和交互终端信息，基于交互地址信息和交互终端信息，确定待检测对象对应的至少一个交互介质。
(3)构建单元303；
构建单元303，用于根据对象交互信息，将待检测对象和交互介质作为节点构建异构网络图，该异构网络图用于指示待检测对象与交互之间的关联关系。
例如，构建单元303，具体可以用于在对象交互信息中筛选出待检测对象与交互介质的关联信息，基于交互介质的介质类型和关联信息，确定待检测对象与交互介质的关联关系，根据关联关系，将待检测对象和交互介质作为节点构建异构网络图。
(4)提取单元304；
提取单元304，用于对异构网络图进行特征提取，得到待检测对象的对象特征。
例如，提取单元304，具体可以用于在异构网络图中提取出每一节点的节点特征，将节点特征映射至预设特征空间，得到基础节点特征，在节点中筛选出待检测对象对应的节点，得到目标节点，并在异构网络图中采样出目标节点的至少一个邻节点，在基础节点特征中筛选出目标节点对应的目标节点特征和邻节点对应的邻节点特征，将目标节点特征和邻节点特征进行融合，得到待检测对象的对象特征。
(5)筛选单元305；
筛选单元305，用于基于对象特征，对待检测对象进行聚类，得到至少一个候选集群，并在候选集群中筛选出目标集群。
例如，筛选单元305，具体可以用于基于对象特征，计算待检测对象集合中的待检测对象之间的对象相似度，根据对象相似度，将待检测对象作为图节点构建无向图，对无向图中的图节点进行聚类，以得到至少一个候选集群。在候选集群中筛选出目标集群。
具体实施时，以上各个单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。
由以上可知，本实施例在获取单元301获取待检测对象集合和待检测对象集合中每一待检测对象的对象交互信息后，识别单元302在对象交互信息中识别出至少一个交互介质，构建单元303根据对象交互信息，将待检测对象和交互介质作为节点构建异构网络图，然后，提取单元304对异构网络图进行特征提取，得到待检测对象的对象特征，筛选单元305基于对象特征，对待检测对象进行聚类，得到至少一个候选集群，并在候选集群中筛选出目标集群；由于该方案可以在对象交互信息中识别出至少一个交互介质，并基于交互介质构建异构网络图，从而可以将交互网络中的拓扑结构信息和节点自身的特征进行有效结合，另外，采用异构网络图还可以避免单一关系识别目标集群造成的低准确率与覆盖率，因此，可以提升集群检测的准确性。
本发明实施例还提供一种电子设备，如图8所示，其示出了本发明实施例所涉及的电子设备的结构示意图，具体来讲：
该电子设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解，图8中示出的电子设备结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
处理器401是该电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器402内的软件程序和/或模块，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。可选的，处理器401可包括一个或多个处理核心；优选的，处理器401可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块，处理器401通过运行存储在存储器402的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器402还可以包括存储器控制器，以提供处理器401对存储器402的访问。
电子设备还包括给各个部件供电的电源403，优选的，电源403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。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该电子设备还可包括输入单元404，该输入单元404可用于接收输入的数字或字符信息，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。
尽管未示出，电子设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，电子设备中的处理器401会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中，并由处理器401来运行存储在存储器402中的应用程序，从而实现各种功能，如下：
获取待检测对象集合和待检测对象集合中每一待检测对象的对象交互信息，在对象交互信息中识别出至少一个交互介质，该交互介质为待检测对象在交互过程中介质对象，根据对象交互信息，将待检测对象和交互介质作为节点构建异构网络图，该异构网络图用于指示待检测对象与交互介质的关联关系，对异构网络图进行特征提取，得到待检测对象的对象特征，基于对象特征，对待检测对象进行聚类，得到至少一个候选集群，并在候选集群中筛选出目标集群。
例如，电子设备在获取终端发送或上传的待检测对象集合和待检测对象集合中每一待检测对象的对象交互信息，或者，可以在交互平台中获取预设时间段的交互信息集合，在交互信息集合中识别出至少一个待检测对象，得到待检测对象集合，并在交互信息中提取出每一待检测对象的对象交互信息，或者，还可以接收集群检测请求，该集群检测请求携带交互信息的存储地址，基于该存储地址，获取交互信息，并在交互信息中提取出待检测对象集合和待检测对象集合中每一待检测对象的对象交互信息。在对象交互信息中提取出待检测对象的交互属性信息，在交互属性信息中提取出待检测对象的交互地址信息和交互终端信息，基于交互地址信息和交互终端信息，确定待检测对象对应的至少一个交互介质。在对象交互信息中筛选出待检测对象与交互介质的关联信息，基于交互介质的介质类型和关联信息，确定待检测对象与交互介质的关联关系，根据关联关系，将待检测对象和交互介质作为节点构建异构网络图。在异构网络图中提取出每一节点的节点特征，将节点特征映射至预设特征空间，得到基础节点特征，在节点中筛选出待检测对象对应的节点，得到目标节点，并在异构网络图中采样出目标节点的至少一个邻节点，在基础节点特征中筛选出目标节点对应的目标节点特征和邻节点对应的邻节点特征，将目标节点特征和邻节点特征进行融合，得到待检测对象的对象特征。基于对象特征，计算待检测对象集合中的待检测对象之间的对象相似度，根据对象相似度，将待检测对象作为图节点构建无向图，对无向图中的图节点进行聚类，以得到至少一个候选集群。在候选集群中筛选出目标集群。
以上各个操作的具体实施可参见前面的实施例，在此不作赘述。
由以上可知，本发明实施例在获取待检测对象集合和待检测对象集合中每一待检测对象的对象交互信息后，在对象交互信息中识别出至少一个交互介质，根据对象交互信息，将待检测对象和交互介质作为节点构建异构网络图，然后，对异构网络图进行特征提取，得到待检测对象的对象特征，基于对象特征，对待检测对象进行聚类，得到至少一个候选集群，并在候选集群中筛选出目标集群；由于该方案可以在对象交互信息中识别出至少一个交互介质，并基于交互介质构建异构网络图，从而可以将交互网络中的拓扑结构信息和节点自身的特征进行有效结合，另外，采用异构网络图还可以避免单一关系识别目标集群造成的低准确率与覆盖率，因此，可以提升集群检测的准确性。
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可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本发明实施例提供一种计算机可读存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本发明实施例所提供的任一种集群检测方法中的步骤。例如，该指令可以执行如下步骤：
获取待检测对象集合和待检测对象集合中每一待检测对象的对象交互信息，在对象交互信息中识别出至少一个交互介质，该交互介质为待检测对象在交互过程中介质对象，根据对象交互信息，将待检测对象和交互介质作为节点构建异构网络图，该异构网络图用于指示待检测对象与交互介质的关联关系，对异构网络图进行特征提取，得到待检测对象的对象特征，基于对象特征，对待检测对象进行聚类，得到至少一个候选集群，并在候选集群中筛选出目标集群。
例如，获取终端发送或上传的待检测对象集合和待检测对象集合中每一待检测对象的对象交互信息，或者，可以在交互平台中获取预设时间段的交互信息集合，在交互信息集合中识别出至少一个待检测对象，得到待检测对象集合，并在交互信息中提取出每一待检测对象的对象交互信息，或者，还可以接收集群检测请求，该集群检测请求携带交互信息的存储地址，基于该存储地址，获取交互信息，并在交互信息中提取出待检测对象集合和待检测对象集合中每一待检测对象的对象交互信息。在对象交互信息中提取出待检测对象的交互属性信息，在交互属性信息中提取出待检测对象的交互地址信息和交互终端信息，基于交互地址信息和交互终端信息，确定待检测对象对应的至少一个交互介质。在对象交互信息中筛选出待检测对象与交互介质的关联信息，基于交互介质的介质类型和关联信息，确定待检测对象与交互介质的关联关系，根据关联关系，将待检测对象和交互介质作为节点构建异构网络图。在异构网络图中提取出每一节点的节点特征，将节点特征映射至预设特征空间，得到基础节点特征，在节点中筛选出待检测对象对应的节点，得到目标节点，并在异构网络图中采样出目标节点的至少一个邻节点，在基础节点特征中筛选出目标节点对应的目标节点特征和邻节点对应的邻节点特征，将目标节点特征和邻节点特征进行融合，得到待检测对象的对象特征。基于对象特征，计算待检测对象集合中的待检测对象之间的对象相似度，根据对象相似度，将待检测对象作为图节点构建无向图，对无向图中的图节点进行聚类，以得到至少一个候选集群。在候选集群中筛选出目标集群。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
其中，该计算机可读存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。
由于该计算机可读存储介质中所存储的指令，可以执行本发明实施例所提供的任一种集群检测方法中的步骤，因此，可以实现本发明实施例所提供的任一种集群检测方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
其中，根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述集群检测方面或者欺诈团伙检测方面的各种可选实现方式中提供的方法。
以上对本发明实施例所提供的一种集群检测方法、装置、电子设备和计算机可读存储介质进行了详细介绍，本文中应用了具体个例对本发明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发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，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发明的限制。

Claims (18)

1.一种集群检测方法，其特征在于，包括：
获取待检测对象集合和所述待检测对象集合中每一待检测对象的对象交互信息；
在所述对象交互信息中识别出至少一个交互介质，所述交互介质为所述待检测对象在交互过程中介质对象；
根据所述对象交互信息，将所述待检测对象和交互介质作为节点构建异构网络图，所述异构网络图用于指示所述待检测对象与所述交互介质的关联关系；
对所述异构网络图进行特征提取，得到所述待检测对象的对象特征；
基于所述对象特征，对所述待检测对象进行聚类，得到至少一个候选集群，并在所述候选集群中筛选出目标集群。
2.根据权利要求1所述的集群检测方法，其特征在于，所述在所述对象交互信息中识别出至少一个交互介质，包括：
在所述对象交互信息中提取出所述待检测对象的交互属性信息；
在所述交互属性信息中识别出所述待检测对象对应的至少一个交互介质。
3.根据权利要求2所述的集群检测方法，其特征在于，所述在所述交互属性信息中识别出所述待检测对象对应的至少一个交互介质，包括：
在所述交互属性信息中提取出所述待检测对象的交互地址信息和交互终端信息；
基于所述交互地址信息和交互终端信息，确定所述待检测对象对应的至少一个交互介质。
4.根据权利要求2所述的集群检测方法，其特征在于，所述根据所述对象交互信息，将所述待检测对象和交互介质作为节点构建异构网络图，包括：
在所述对象交互信息中筛选出所述待检测对象与所述交互介质的关联信息；
基于所述交互介质的介质类型和所述关联信息，确定所述待检测对象与所述交互介质之间的关联关系；
根据所述关联关系，将所述待检测对象和交互介质作为节点构建异构网络图。
5.根据权利要求1至4任一项所述的集群检测方法，其特征在于，所述对所述异构网络图进行特征提取，得到所述待检测对象的对象特征，包括：
在所述异构网络图中提取出每一节点的节点特征；
将所述节点特征映射至预设特征空间，得到基础节点特征；
将所述基础节点特征进行聚合，得到所述待检测对象的对象特征。
6.根据权利要求5所述的集群检测方法，其特征在于，所述将所述节点特征映射至预设特征空间，得到基础节点特征，包括：
获取预设映射特征维度信息和每一所述节点特征的当前特征维度信息；
基于所述预设映射特征维度信息和当前特征维度信息，确定所述节点特征对应的映射参数；
根据所述映射参数，将所述节点特征映射至所述预设映射特征维度信息对应的节点特征，得到基础节点特征。
7.根据权利要求5所述的集群检测方法，其特征在于，所述将所述基础节点特征进行聚合，得到所述待检测对象的对象特征，包括：
在所述节点中筛选出所述待检测对象对应的节点，得到目标节点，并在所述异构网络图中采样出所述目标节点的至少一个邻节点；
在所述基础节点特征中筛选出所述目标节点对应的目标节点特征和所述邻节点对应的邻节点特征；
将所述目标节点特征和邻节点特征进行融合，得到所述待检测对象的对象特征。
8.根据权利要求7所述的集群检测方法，其特征在于，所述在所述异构网络图中采样出所述目标节点的至少一个邻节点，包括：
在所述异构网络图中识别出与所述目标节点相邻的候选节点的节点数量；
根据所述节点数量，确定针对所述目标节点的邻节点的采样方式；
基于所述采样方式，在所述候选节点中采样出至少一个邻节点。
9.根据权利要求7所述的集群检测方法，其特征在于，所述将所述目标节点特征和邻节点特征进行融合，得到所述待检测对象的对象特征，包括：
在所述异构网络图中识别出所述邻节点与所述目标节点的节点距离；
基于所述节点距离，对所述邻节点进行分层，得到每一所述邻节点对应的节点层，并基于所述节点层，在所述邻节点中筛选出目标邻节点；
将所述目标邻节点对应的邻节点特征与所述目标节点特征进行融合，以得到所述待检测对象的对象特征。
10.根据权利要求9所述的集群检测方法，其特征在于，所述将所述目标邻节点对应的邻节点特征与所述目标节点特征进行融合，以得到所述待检测对象的对象特征，包括：
将所述目标邻节点对应的邻节点特征与所述目标节点特征进行融合，得到当前节点层对应的融合后节点特征；
当所述当前节点层低于预设节点层阈值时，将所述融合后节点特征作为所述目标节点特征，并返回执行所述基于所述节点层，在所述邻节点中筛选出目标邻节点的步骤，直至所述当前节点层未低于预设节点层阈值时为止，得到所述待检测对象的目标融合后节点特征；
对所述目标融合后节点特征进行归一化处理，得到低维节点特征，并将所述低维节点特征作为所述待检测对象的对象特征。
11.根据权利要求1至4任一项所述的集群检测方法，其特征在于，所述基于所述对象特征，对所述待检测对象进行聚类，得到至少一个候选集群，包括：
基于所述对象特征，计算所述待检测对象集合中的待检测对象之间的对象相似度；
根据所述对象相似度，将所述待检测对象作为图节点构建无向图；
对所述无向图中的图节点进行聚类，以得到至少一个候选集群。
12.根据权利要求11所述的集群检测方法，其特征在于，所述对所述无向图中的图节点进行聚类，以得到至少一个候选集群，包括：
将所述无向图中的每一图节点划分至对应的节点社区，并计算所述节点社区的基础模块度；
在所述无向图中识别出每一图节点对应的相邻图节点，并将所述图节点划分至所述相邻图节点对应的目标节点社区；
计算所述目标节点社区的当前模块度，并基于基础模块度和当前模块度，在待检测对象集合中筛选出至少一个目标节点社区对应的待检测对象，得到所述候选集群。
13.根据权利要求12所述的集群检测方法，其特征在于，所述基于基础模块度和当前模块度，在待检测对象集合中筛选出至少一个目标节点社区对应的待检测对象，得到所述候选集群，包括：
计算所述目标节点社区的基础模块度和当前模块度的差值，得到模块度差值；
基于模块度差值，对目标节点社区内的图节点进行更新，得到更新后节点社区，并对所述更新后节点社区进行稳定性检测；
当所述更新后节点社区稳定时，将所述更新后节点社区作为图节点构建无向图，得到当前无向图，并基于所述当前无向图，在待检测对象集合中筛选出至少一个更新后节点社区对应的待检测对象，得到所述候选集群。
14.根据权利要求13所述的集群检测方法，其特征在于，所述基于所述当前无向图，在待检测对象集合中筛选出至少一个更新后节点社区对应的待检测对象，得到所述候选集群，包括：
将所述当前无向图作为所述无向图，并返回执行将所述无向图中的每一图节点划分至对应的节点社区的步骤，直至所述当前无向图不发生变化时为止，得到目标无向图；
在所述目标无向图中识别出每一图节点对应的当前节点社区的社区信息；
基于所述社区信息，在所述待检测对象集合中筛选出所述当前节点社区内的至少一个待检测对象，得到所述候选集群。
15.一种集群检测方法，其特征在于，包括：
获取单元，用于获取待检测对象集合和所述待检测对象集合中每一待检测对象的对象交互信息；
识别单元，用于在所述对象交互信息中识别出至少一个交互介质，所述交互介质为所述待检测对象在交互过程中介质对象；
构建单元，用于根据所述对象交互信息，将所述待检测对象和交互介质作为节点构建异构网络图，所述异构网络图用于指示所述待检测对象与所述交互之间的关联关系；
提取单元，用于对所述异构网络图进行特征提取，得到所述待检测对象的对象特征；
筛选单元，用于基于所述对象特征，对所述待检测对象进行聚类，得到至少一个候选集群，并在所述候选集群中筛选出目标集群。
16.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有应用程序，所述处理器用于运行所述存储器内的应用程序，以执行权利要求1至14任一项所述的集群检测方法中的步骤。
17.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1至14任一项所述集群检测方法中的步骤。
18.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有多条指令，所述指令适于处理器进行加载，以执行权利要求1至14任一项所述的集群检测方法中的步骤。
CN202210471811.4A 2022-04-29 2022-04-29 集群检测方法、装置、电子设备和计算机可读存储介质 Pending CN117009153A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210471811.4A CN117009153A (zh) 2022-04-29 2022-04-29 集群检测方法、装置、电子设备和计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210471811.4A CN117009153A (zh) 2022-04-29 2022-04-29 集群检测方法、装置、电子设备和计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN117009153A true CN117009153A (zh) 2023-11-07

Family

ID=88564149

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210471811.4A Pending CN117009153A (zh) 2022-04-29 2022-04-29 集群检测方法、装置、电子设备和计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN117009153A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117745035A (zh) * 2024-02-07 2024-03-22 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 区域治理策略的生成方法、装置、计算机设备和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117745035A (zh) * 2024-02-07 2024-03-22 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 区域治理策略的生成方法、装置、计算机设备和存储介质
CN117745035B (zh) * 2024-02-07 2024-05-28 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 区域治理策略的生成方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
US12040947B2 (en) Method and apparatus for determining device information, and system
CN112291272B (zh) 网络威胁检测方法、装置、设备及计算机可读存储介质
CN110298687B (zh) 一种区域吸引力评估方法及设备
CN112764920A (zh) 一种边缘应用部署方法、装置、设备和存储介质
CN114611081B (zh) 账号类型识别方法、装置、设备、存储介质及产品
CN117009153A (zh) 集群检测方法、装置、电子设备和计算机可读存储介质
CN114359231B (zh) 一种停车位的检测方法、装置、设备及存储介质
CN113128526B (zh) 图像识别方法、装置、电子设备和计算机可读存储介质
CN115565030A (zh) 训练样本的筛选方法、装置、设备及存储介质
CN112312590B (zh) 一种设备通信协议识别方法和装置
CN109922444A (zh) 一种垃圾短信识别方法及装置
CN112288528A (zh) 恶意社群发现方法、装置、计算机设备和可读存储介质
CN116486315A (zh) 集群获取方法、装置、电子设备和计算机可读存储介质
CN112418792B (zh) 一种城市精细化信息处理方法、装置及系统
CN116415237B (zh) 风险设备识别方法、装置、计算机设备和存储介质
CN112861034B (zh) 检测信息的方法、装置、设备和存储介质
CN113283637B (zh) 一种城市开敞空间服务网络优化方法、装置、设备及介质
He [Retracted] Immersive VR Network Management Analysis considering Automatic Topology Discovery Algorithms
CN115114486A (zh) 特征编码方法、装置和计算机可读存储介质
CN111178375B (zh) 用于生成信息的方法和装置
CN116975809A (zh) 一种数据处理方法、装置、计算机设备及存储介质
CN117931562A (zh) 一种能效人工智能分析系统及方法
CN114741383A (zh) 一种网络社区图生成方法、装置、计算机设备及存储介质
CN115604000A (zh) 一种越权检测方法、装置、设备及存储介质
CN114827352A (zh) 电信诈骗检测方法、装置以及存储介质

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